Підходи та методи до оптимізації продуктивності систем управління базами даних у сучасних інформаційних системах

З.Є. Воротнікова

doi:10.31498/2225-6733.53.1.2026.359786

Автор(и)

З.Є. Воротнікова Приазовський державний технічний університет , Україна https://orcid.org/0000-0002-0746-5981

DOI:

https://doi.org/10.31498/2225-6733.53.1.2026.359786

Ключові слова:

продуктивність СКБД, оптимізація запитів, індексування, шардинг, реплікація, кешування, масштабування, розподілені системи, NoSQL, машинне навчання

Анотація

У статті розглянуто методи підвищення продуктивності систем управління базами даних в умовах зростання обсягів даних і навантаження. Показано, що ефективність СКБД визначається архітектурою системи, структурою даних, способами доступу до них, а також ефективністю обробки запитів і транзакцій. Проаналізовано основні підходи до оптимізації, зокрема індексування, партиціонування, шардинг, кешування та реплікацію. Розглянуто вплив нормалізації та денормалізації на швидкодію системи; вибір підходу залежить від типу навантаження. Підкреслено, що продумане проєктування схеми бази даних дозволяє зменшити обсяг обробки та скоротити час виконання запитів. Окрему увагу приділено оптимізації SQL-запитів і аналізу планів їх виконання. Використання індексів (B-дерев, хеш- та повнотекстових) пришвидшує доступ до даних, але потребує врахування витрат під час запису. Зазначено роль матеріалізованих уявлень у прискоренні аналітичних запитів. Розглянуто вертикальне і горизонтальне масштабування та балансування навантаження як засобів ефективного використання ресурсів. Кешування зменшує навантаження на базу даних і прискорює доступ до часто використовуваних даних, за умови правильної стратегії оновлення. Реплікація підвищує доступність системи та дозволяє масштабувати читання; актуальною залишається проблема затримок у розподілених середовищах. Показано, що вибір між реляційними та нереляційними СКБД залежить від вимог до узгодженості, масштабованості та гнучкості, що обґрунтовує використання поліглотного підходу. Окремо відзначено застосування методів машинного навчання для автоматизації оптимізації. Отримані результати можуть бути використані для підвищення ефективності інформаційних систем

Посилання

Căuniac D. A., Niculae A. M. Monitoring and optimizing the database performance. Proceedings of 22nd International Conference on Informatics in Economy (IE 2023), Bucharest, Romania, 25–26 May 2023. Singapore: Springer Nature, 2023. Рр. 39–49. DOI: https://doi.org/10.1007/978-981-99-6529-8_4.
Ravi Kumar Y. V., Samayam A. K., Kadambari P. PostgreSQL monitoring using PgAdmin and Grafana. Mastering PostgreSQL Administration: Internals, Operations, Monitoring, and Oracle Migration Strategies. Berkeley: Apress, 2025. Рр. 405–484. DOI: https://doi.org/10.1007/979-8-8688-1507-2_7.
Lingala B. Predictive monitoring for distributed and relational database management systems (RDBMS): A comprehensive analysis. International Journal of Research and Applied Innovations. 2025. Vol. 8, № 6. Рр. 13070–13082. DOI: https://doi.org/10.52783/jisem.v10i63s.13857.
Marcus R., Papaemmanouil O. Towards a hands-free query optimizer through deep learning. arXiv preprint. arXiv:1809.10212. 2018. DOI: https://doi.org/10.48550/arXiv.1809.10212.
AI-augmented query optimization: A technical survey of foundations, systems, and open challenges / I. Khazrak et al. SSRN preprint. 2026. DOI: http://dx.doi.org/10.2139/ssrn.6190260.
A review of query optimization techniques: From traditional to reinforcement learning approaches / Shajeena S., Shiny R. M., Gayathri Devi K., Mary Vespa M. 2026 International Conference on Electronics and Renewable Systems (ICEARS), Tuticorin, India, 11–13 February 2026. 2026. Рр. 1185–1189. DOI: https://doi.org/10.1109/ICEARS67481.2026.11416629.
Weng L., Liu D., Zhu W. та ін. Learned query optimizer in Alibaba MaxCompute: Challenges, analysis, and solutions. arXiv preprint. arXiv:2602.07336. 2026. DOI: https://doi.org/10.48550/arXiv.2602.07336.
Sassi N., Jaziri W. Efficient AI-driven query optimization in large-scale databases: A reinforcement learning and graph-based approach. Mathematics. 2025. Vol. 13, № 11. Article 1700. DOI: https://doi.org/10.3390/math13111700.
Gabriska D., Pribilová K., Střelec P. Artificial intelligence in modern database systems: Applications, tools, and challenges for autonomous data management. 2025 International Conference on Emerging eLearning Technologies and Applica-tions (ICETA), Stary Smokovec, Slovakia, 13–14 November 2025. 2025. Рр. 191–196. DOI: https://doi.org/10.1109/ICETA67772.2025.11280054.
Oloruntoba O. AI-Driven autonomous database management: Self-tuning, predictive query optimization, and intelligent indexing in enterprise it environments. World Journal of Advanced Research and Reviews. 2025. Vol. 25, № 2. Рр. 1558–1580. DOI: https://doi.org/10.30574/wjarr.2025.25.2.0534.
Sirimalla A. Performance optimization in Oracle and SQL Server on AWS & Azure: A comprehen-sive framework for enterprise database management. Journal of Computer Science and Technology Studies. 2025. Vol. 7, № 9. Рр. 150–160. DOI: https://doi.org/10.32996/jcsts.2025.7.9.19.
Amazon Aurora: Design considerations for high throughput cloud-native relational databases / Verbitski A. et al. Proceedings of the 2017 ACM SIGMOD International Conference, Chicago, USA, 14–19 May 2017. Рр. 1041–1052. DOI: https://doi.org/10.1145/3035918.3056101.
Memory-aware query optimization / H. Dong et al. 2025 IEEE International Conference on Big Data, Macau, China, 08–11 December 2025. Рр. 7321–7329. DOI: https://doi.org/10.1109/BigData66926.2025.11400969.
HiEngine: How to architect a cloud-native memory-optimized database engine / Y. Ma et al. Proceedings of the 2022 ACM SIGMOD International Conference on Management of Data, Philadelphia, USA, 12–17 June 2022. Рр. 2177–2190. DOI: https://doi.org/10.1145/3514221.3526043.
In-memory transaction processing: Efficiency and scalability considerations / H. Hu et al. Knowledge and Information Systems. 2019. Vol. 61. Рр. 1209–1240. DOI: https://doi.org/10.1007/s10115-019-01340-7.
Li J., Michael E., Ports D. R. K. Eris: Coordination-free consistent transactions using in-network concurrency control. Proceedings of the 26th Symposium on Operating Systems Principles, Shanghai, China, 28 October 2017. Рр. 104–120. DOI: https://doi.org/10.1145/3132747.3132751.
Hardware-conscious stream processing: A survey / S. Zhang et al. SIGMOD Record. 2020. Vol. 48, № 4. Рр. 18–29. DOI: https://doi.org/10.1145/3385658.3385662.
Teubner J. Data processing on modern hardware. SummerSchool '23: 4th ACM Europe Summer School on Science: Towards building the Data Science Stack, Athens, Greece, 10–14 July 2023. DOI: https://doi.org/10.1145/3673199.3673204.
Elastic use of far memory for in-memory database management systems / D. Lee et al. Proceedings of the 19th International Workshop on Data Management on New Hardware, Seattle, USA, 18–23 June 2023. Рр. 35–43. DOI: https://doi.org/10.1145/3592980.3595311.
Talakh M. V., Dvorzhak V. V., Ushenko Y. O. Denormalization techniques for IoT data ware-houses: Balancing query performance and data redundancy. Оптико-електронні інформаційно-енергетичні технології. 2025. Том 49, № 1. Рр. 72–81. DOI: https://doi.org/10.31649/1681-7893-2025-49-1-72-81.
Resilient and dependability management in distributed environments: A systematic review / Amiri Z., Heidari A., Navimipour N. J., Unal M. Cluster Computing. 2023. Vol. 26. Рр. 1565–1600. DOI: https://doi.org/10.1007/s10586-022-03738-5.
Georgakakos G., Verginadis Y. A novel data store supporting decentralized data management in the cloud computing continuum. Advanced Information Networking and Applications (AINA 2025). Cham: Springer, 2025. DOI: https://doi.org/10.1007/978-3-031-87778-0_40.