4.7

《IWEK: An Interpretable What-If Estimator for Database Knobs》

两个模型，四张图解释。

一，评估模型

算法1：适应性的旋钮排序

简而言之是使用回归模型，从一个旋钮knob候选集中找到最佳旋钮调优。

这里面$R^2$是指一些二阶误差评估方法，比如

算法2：可解释的旋钮评估

1. 通过贝叶斯优化产生数据集的随机森林

2. 学习产生一个二维向量，包含用于评估的参数

3. 最后加一个拉索回归，学习损失。

二，转换模型

左边是评估器，右边是转换器

评估器

1. 输入数据库的日志信息，并获取它的数据指纹
   这里考虑两种旋钮：1.资源旋钮（内存/并行性……）2.执行旋钮（SUID/索引……）
   为这两种个旋钮设计了两种统计学特征。
   然后我们设计了数据指纹：通过组合SUID向量（代表执行）和物理操作符向量（代表物理资源）。

2. 在经验库中连接相似的数据指纹

欧氏距离来判断相似性。

3. 获得旋钮调优的排序并计算top-k最佳。

4. 同上

5. 评估器获得最佳的一些旋钮信息传递给转换器。

迁移器

为了解决旋钮中特征过于多样化的问题，我们设计了一个统一且稳定的旋钮转换网络。
核心思想：计算 得到的训练数据有限的新场景O 以获得 K-P数据分布相似性。

6. 旋钮采样

7. 提交采样得到的旋钮调优序列

8. 将得到的序列配置上交给外部

9. 从外部得到序列的表现

10. 将评估器中学习的经验传递到转换器中

11. 综合旋钮采样的结果和表现，计算K-P分布

12. 根据距离排序

13. 权重求和

采样策略：
算法：Latin HyperCube Sampling
采样空间：IV-B 节的迁移排序机制筛选

最终：通过上述策略，在场景 ​​O​​ 中收集高质量样本 ​​S​​，作为计算 ​​K-P 分布相似性​​ 的基础。

K-P构建：

• 测量样本S在新场景O上的性能，生成K-P数据。
• 使用预训练的历史估计器，预测S性能标签。
• 维度适配：对齐历史经验输入的与新场景S的旋钮集合。

特征计算：通过捕捉K-P点集的分布趋势特征，量化分布之间的相似性。

• 使用样条插值法拟合K-P
• 度量不同K-P点集的方向距离，捕捉趋势变化的一致性
• 最终实现参数调优的迁移。

相似性度量：余弦距离。

旋钮评估迁移算法

上面的步骤拼起来。

TODO：翻译连锁