10.14489/vkit.2025.11.pp.052-059

DOI: 10.14489/vkit.2025.11.pp.052-059

Рудаков И. В., Баматраф С. С. А.
ОПТИМИЗАЦИЯ ПРОИЗВОДИТЕЛЬНОСТИ ЗАПРОСОВ В ПРОМЫШЛЕННЫХ БАЗАХ ДАННЫХ КРУПНОГО МАСШТАБА
(с. 52-59)

Аннотация. Современный подход к оптимизации производительности запросов в промышленных базах данных крупного масштаба объединяет методы параллельного выполнения, машинного обучения (ML-оптимизации) и метаоптимизации. В этом случае значительно повышается эффективность обработки запросов, снижается время их выполнения и улучшается адаптивность системы к изменяющимся нагрузкам. Проведен анализ существующих методов оптимизации, таких как индексация, шардинг, кэширование, параллельное выполнение, ML-оптимизация и метаоптимизация. Разработан интегрированный подход, сочетающий возможности параллельного выполнения подзапросов с предсказанием нагрузки и автоматической настройкой параметров базы данных с помощью методов машинного обучения и механизмов метаоптимизации. Теоретически оценена эффективность предложенного метода на основе эмпирических данных, демонстрирующих значительное улучшение производительности. Представленное решение обеспечивает высокую производительность и устойчивость систем в условиях динамически изменяющейся нагрузки.

Ключевые слова: оптимизация производительности; машинное обучение; параллельное выполнение; промышленные базы данных; запросы.

Rudakov I. V., Bamatraf S. S. A.
QUERY PERFORMANCE OPTIMIZATION IN LARGE-SCALE INDUSTRIAL DATABASES
(pp. 52-59)

Abstract. This study proposes a hybrid framework to optimize query performance in large-scale industrial databases, combining parallel execution, machine learning (ML)-driven optimization, and meta-optimization. Existing methods – such as indexing, sharding, and standalone ML techniques – were evaluated, revealing limitations in managing dynamic workloads and balancing computational overhead. To address these gaps, the developed framework integrates parallelized subquery processing with adaptive ML models that predict workloads and adjust parameters in real time. Meta-optimization further refines system performance by dynamically tuning parameters to reduce synchronization and resource allocation bottlenecks. Empirical tests show the hybrid approach reduces query execution time by 84.6 % compared to traditional methods. Key innovations include: (1) a unified architecture for parallel task distribution and ML-guided query planning, (2) dynamic load-balancing algorithms, and (3) scalability for high-throughput transactional and analytical workloads. The framework ensures stability and adaptability in cloud databases, AI-driven systems, and real-time applications, even under fluctuating conditions. By bridging parallelism, predictive modeling, and adaptive tuning, this work advances hybrid optimization strategies for industrial databases, providing actionable solutions for robustness in complex environments.

Keywords: Performance optimization; Machine learning; Parallel execution; Industrial databases; Queries.

+ - Информация об авторах (About the Authors) Click to collapse

Рус

И. В. Рудаков, С. С. А. Баматраф (Московский государственный технический университет им. Н. Э. Баумана, Москва, Россия) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript

Eng

I. V. Rudakov, S. S. A. Bamatraf (Bauman Moscow State Technical University, Moscow, Russia) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript

+ - Библиографический список (References) Click to collapse

Рус

1. Diwakar R., Sharma R., Nayak D., Mohapatra H. Optimizing Load Distribution in Big Data Ecosystems: A Comprehensive Survey // AI and the Revival of Big Data. 2025. Гл. 8. С. 1–24. DOI: 10.4018/979-8-3693-8472-5.ch008. URL: https://www.igi-global.com/gateway/chapter/full-text-html/369500 (дата обращения: 18.02.2025).
2. System Optimization for Big Data Processing / R. Li, X. Dong, X. Gu, et al. // Big Data: Principles and Paradigms. Elsevier, 2016. Гл. 9. P. 215–238. DOI: 10.1016/B978-0-12-805394-2.00009-X
3. Dhanasekaran M. Adaptive Query Optimization with Reinforcement Learning for Real-time Discovery on Petabyte-Scale Product Data // European Modern Studies Journal. 2025. Т. 9, № 4. С. 1153–1163. DOI: 10.59573/emsj.9(4).2025.107
4. Малыгин Д. С. Проблемы производительности реляционных баз данных в распределенных архитектурах и стратегии их решения // Современные наукоемкие технологии. 2024. № 10. С. 61–71. DOI: 10.17513/snt.40173
5. Ramakrishnan R., Gehrke J. Database Management Systems. 3rd ed. New York: McGraw-Hill, 2003. 1104 p. (Chapter 12: Indexing and Hashing, P. 423–478).
6. Chodorow K. MongoDB: The Definitive Guide. 3rd ed. O'Reilly Media, 2020. 560 p. (Chapter 12: Sharding. P. 321–358).
7. Гафаров Ф. М., Галимянов А. Ф. Параллельные вычисления: учеб. пособие. Казань: Изд-во Казанского университета, 2018. 149 с.
8. Su S. Y. W., Ranka S., He X. Performance Analysis of Parallel Query Processing Algorithms for Object-Oriented Databases // IEEE Transactions on Knowledge and Data Engineering. 2000. V. 12, No. 6. P. 979–997. DOI: 10.1109/69.895805
9. McCool M., Robison A.D., Reinders J. Structured Parallel Programming. Waltham: Morgan Kaufmann, 2012. 406 p. DOI: 10.1016/C2011-0-04251-5
10. Сунь Ц. Машинное обучение для оптимизации распределения ресурсов в беспроводных системах связи: дис. ... канд. техн. наук: специальность 1.2.2. «Математическое моделирование, численные методы и комплексы программ» / Сунь Цюши. Санкт-Петербург, 2024. Место защиты: Санкт-Петербургский государственный университет.
11. Коновалов Г. Г. Применение машинного обучения для оптимизации запросов в системах управления базами данных // Международный журнал гуманитарных и естественных наук. 2023. № 10(2). С. 58–61. DOI: 10.24412/2500-1000-2023-10-2-58-61
12. Wee C. K., Nayak R. Adaptive Database's Performance Tuning Based on Reinforcement Learning // Knowledge Management and Acquisition for Intelligent Systems: Lecture Notes in Computer Science. 2019. V. 11727. P. 97–114. DOI: 10.1007/978-3-030-30639-7_9
13. Карпенко А. П. Современные алгоритмы поисковой оптимизации // Алгоритмы, вдохновленные природой: учеб. пособие. 3-е изд., испр. М.: Изд-во МГТУ имени Н.  Э. Баумана, 2021. 446 с.
14. Zheng B., Li X., Tian Z., Meng L. Optimization Method for Distributed Database Query Based on an Adaptive Double Entropy Genetic Algorithm // IEEE Access. 2022. V. 10. P. 4640–4648. DOI: 10.1109/ACCESS.2022.3141589
15. Bergstra J., Bengio Y. Random Search for Hyper-Parameter Optimization // Journal of Machine Learning Research. 2012. V. 13. P. 281–305. DOI: 10.5555/2188385.2188395

Eng

1. Diwakar, R., Sharma, R., Nayak, D., & Mohapatra, H. (2025). Optimizing load distribution in big data ecosystems: A comprehensive survey. In AI and the revival of big data (pp. 1–24). IGI Global. https://doi.org/10.4018/979-8-3693-8472-5.ch008
2. Li, R., Dong, X., Gu, X., et al. (2016). System optimization for big data processing. In R. Buyya, R. N. Calheiros, & A. V. Dastjerdi (Eds.), Big data: Principles and paradigms (pp. 215–238). Elsevier. https://doi.org/10.1016/B978-0-12-805394-2.00009-X
3. Dhanasekaran, M. (2025). Adaptive query optimization with reinforcement learning for real-time discovery on petabyte-scale product data. European Modern Studies Journal, 9(4), 1153–1163. https://doi.org/10.59573/emsj.9(4).2025.107
4. Malygin, D. S. (2024). Problems of performance of relational databases in distributed architectures and strategies for their solution. Sovremennye naukoemkie tekhnologii, (10), 61–71. https://doi.org/10.17513/snt.40173 [in Russian language].
5. Ramakrishnan, R., & Gehrke, J. (2003). Database management systems (3rd ed.). McGraw-Hill.
6. Chodorow, K. (2020). MongoDB: The definitive guide (3rd ed.). O'Reilly Media.
7. Gafarov, F. M., & Galimyanov, A. F. (2018). Parallel'nye vychisleniya: ucheb. posobie [Parallel computing: Textbook]. Izdatel'stvo Kazanskogo Universiteta. [in Russian language].
8. Su, S. Y. W., Ranka, S., & He, X. (2000). Performance analysis of parallel query processing algorithms for object-oriented databases. IEEE Transactions on Knowledge and Data Engineering, 12(6), 979–997. https://doi.org/10.1109/69.895805
9. McCool, M., Robison, A. D., & Reinders, J. (2012). Structured parallel programming. Morgan Kaufmann. https://doi.org/10.1016/C2011-0-04251-5
10. Sun, C. (n.d.). Machine learning for optimization of resource allocation in wireless communication systems [Unpublished doctoral dissertation]. Sankt-Peterburgskii Universitet. [in Russian language].
11. Konovalov, G. G. (2023). Application of machine learning for query optimization in database management systems. Mezhdunarodnyi zhurnal gumanitarnykh i estestvennykh nauk, 10(2), 58–61. https://doi.org/10.24412/2500-1000-2023-10-2-58-61 [in Russian language].
12. Wee, C. K., & Nayak, R. (2019). Adaptive database's performance tuning based on reinforcement learning. In Knowledge management and acquisition for intelligent systems (Lecture Notes in Computer Science, Vol. 11727, pp. 97–114). Springer. https://doi.org/10.1007/978-3-030-30639-7_9
13. Karpenko, A. P. (2021). Sovremennye algoritmy poiskovoi optimizatsii [Modern search optimization algorithms]. Izdatel'stvo MGTU imeni N. E. Baumana. [in Russian language]
14. Zheng, B., Li, X., Tian, Z., & Meng, L. (2022). Optimization method for distributed database query based on an adaptive double entropy genetic algorithm. IEEE Access, 10, 4640–4648. https://doi.org/10.1109/ACCESS.2022.3141589
15. Bergstra, J., & Bengio, Y. (2012). Random search for hyper-parameter optimization. Journal of Machine Learning Research, 13, 281–305. https://doi.org/10.5555/2188385.2188395

+ - Заказать электронную версию статьи (Purchase digital version of a single article) Click to collapse

Рус

Статью можно приобрести в электронном виде (PDF формат).

Стоимость статьи 700 руб. (в том числе НДС 20%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.

После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.

Для заказа скопируйте doi статьи:

10.14489/vkit.2025.11.pp.052-059

и заполните форму

Отправляя форму вы даете согласие на обработку персональных данных.

Eng

This article is available in electronic format (PDF).

The cost of a single article is 700 rubles. (including VAT 20%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.

After depositing your payment on our bank account we send you file of the article by e-mail.

To order articles please copy the article doi:

10.14489/vkit.2025.11.pp.052-059

and fill out the form