数据库系统性能的自调整是信息技术领域中长期存在的一个挑战。数据库管理系统的应用范围广泛，包括在线交易系统、决策支持系统、数据挖掘应用和电子商务应用等。在数据库系统运行时，保持良好的性能至关重要。然而，通常存在数百个配置参数可能影响性能，这使得数据库管理员(DBA)手动调整这些参数以获得良好性能变得极其困难。因此，研究者们提出了许多性能自调整方法。
本文提出了一种基于神经网络的数据库系统性能自调整算法。文章提出了一种能够自动提取自动工作负载存储库报告的方法，并且能够识别关键的系统性能参数和性能指标。然后，使用所收集的数据构建一个神经网络模型。开发了一种自调整算法，用于调整这些参数。在TPC-C工作负载环境中Oracle数据库系统的实验结果表明，所提出的方法可以动态地改善性能。
该研究论文讨论了数据库管理系统(DBMS)的性能自调整的难点和挑战，强调了在各种应用中维护系统性能的重要性，并介绍了为了解决这些问题而提出的一些自调整方法。例如，文献[7]介绍了一种自调整的可配置缓存，该缓存能够进行透明的运行时缓存调整以减少能耗。文献[15]提出了一种基于新脚本的调整算法，该算法估计调整参数以增强性能。Oh等人[10]使用相关系数来量化参数大小和性能指标之间的增量或减量关系，从而能够自动选择影响系统性能的参数。Debnath等人[6]基于统计分析对各种调整参数进行排名。Agarwal等人[2]使用物化视图和索引，裁剪表格和列集来自动调整性能。
文章重点在于研究神经网络在数据库系统自调整性能中的应用，探讨如何利用神经网络强大的数据处理能力来优化数据库系统的工作状态，从而在处理高复杂度、大规模数据集时提升数据库系统的效率和性能。通过构建神经网络模型，文章提出的方法可以识别并预测哪些系统参数是关键性能指标，并据此进行自动调整，实现性能的自我优化。
文章还指出，通过实验验证，该方法在Oracle数据库系统中针对TPC-C工作负载的性能提升了系统的动态调整能力。TPC-C是一个广泛用于衡量OLTP（在线事务处理）数据库系统性能的基准测试，它模拟了一个仓库订单处理系统的工作负载。在这种情况下，数据库系统需要处理大量的订单输入、库存更新和订单查询。因此，对于数据库系统性能自调整算法而言，TPC-C提供了评估算法性能的一个很好的基准。
本研究论文提出的基于神经网络的自调整算法，其主要贡献在于为数据库性能调整提供了一个自动化的、智能化的解决方案，这在解决大规模复杂系统中参数调整问题上具有重要的理论意义和实践价值。同时，本研究也为后续的数据库性能优化工作提供了新的思路和方法，为数据库自调整性能研究领域的发展做出了贡献。
