{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3390965"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3390965","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Autotuning InfluxDB with Regression Techniques","abstract":"Στο σημερινό τοπίο που κυριαρχείται από τα δεδομένα, η απόδοση των συστημάτων βάσεων δεδομένων διαδραματίζει κρίσιμο ρόλο στη λειτουργία πολλών εφαρμογών και υπηρεσιών. Καθώς οι όγκοι δεδομένων συνεχίζουν να αυξάνονται με ασύγκριτους ρυθμούς, η βελτιστοποίηση της απόδοσης των βάσεων δεδομένων έχει γίνει ανησυχία πολλών οργανισμών σε διάφορους τομείς. Αυτή η διπλωματική επικεντρώνεται στην περίπλοκη εργασία της βελτίωσης της απόδοσης της χρονοσειριακής βάσης δεδομένων InfluxDB. Ο κύριος στόχος αυτής της έρευνας είναι να παράσχει ένα συστηματικό τρόπο για τη ρύθμιση των παραμέτρων διαμόρφωσης της InfluxDB με σκοπό τη βελτίωση της απόδοσης των ερωτημάτων. Σκοπός μας είναι να ανακαλύψουμε πληροφορίες που μπορούν να εφαρμο-\\\\στούν εύκολα από διαχειριστές βάσεων δεδομένων, χειριστές και οργανισμούς προκει-\\\\μένου να αποσπάσουν την καλύτερη δυνατή απόδοση από τις εγκαταστάσεις της InfluxDB. Το θεμέλιο αυτής της μελέτης αποτελεί μια εκτενής εξέταση της επίδρασης τεσσάρων παραμέτρων διαμόρφωσης και του πώς επηρεάζουν τα ποσοστά των ερωτημάτων,\\\\ καθιστώντας τη λεπτομερή ρύθμισή τους μια πρόκληση. Αρχικά η προσέγγισή μας περιλα-\\\\μβάνει τη χρήση ενός μοντέλου μηχανικής μάθησης για να προβλέψουμε ποσοστά ερωτη-\\\\μάτων με διάφορες τιμές στις παραμέτρους της InfluxDB. Στη συνέχεια, επικυρώνουμε αυτές τις προβλέψεις μέσω πρακτικών πειραμάτων υπό διάφορα φορτία εργασίας στη βάση. Τα ευρήματά μας προκαλούν συμβατικές υποθέσεις, τονίζοντας την απαιτική εργασία της ρύθμισης βάσεων δεδομένων. Για παράδειγμα, παρατηρούμε ότι μικρότερες τιμές μνήμης μπορούν να αποδίδουν καλύτερα από μεγαλύτερες τιμές, υπογραμμίζοντας τη σημασία των πειραματικών δοκιμών. Η αξιολόγησή μας για την προεπιλεγμένη τιμή της παραμέτρου \"cache-snapshot-memory-size\" δείχνει την ευρωστία των προεπιλεγμένων ρυθμίσεων της InfluxDB, καθώς καμία από τις προσαρμογές στην παράμετρο δεν απέδοσε καλύτερα από την προεπιλεγμένη ρύθμιση. Αυτή η έρευνα φωτίζει την περίπλοκη σχέση μεταξύ των παραμέτρων της βάσης δεδομένων και των φορτίων εργασιών μιας βάσης πραγματικού κόσμου, παρέχοντας πολύτιμες εισηγήσεις για τη βελτίωση της απόδοσης.","abstract_html":"Στο σημερινό τοπίο που κυριαρχείται από τα δεδομένα, η απόδοση των συστημάτων βάσεων δεδομένων διαδραματίζει κρίσιμο ρόλο στη λειτουργία πολλών εφαρμογών και υπηρεσιών. Καθώς οι όγκοι δεδομένων συνεχίζουν να αυξάνονται με ασύγκριτους ρυθμούς, η βελτιστοποίηση της απόδοσης των βάσεων δεδομένων έχει γίνει ανησυχία πολλών οργανισμών σε διάφορους τομείς. Αυτή η διπλωματική επικεντρώνεται στην περίπλοκη εργασία της βελτίωσης της απόδοσης της χρονοσειριακής βάσης δεδομένων InfluxDB. Ο κύριος στόχος αυτής της έρευνας είναι να παράσχει ένα συστηματικό τρόπο για τη ρύθμιση των παραμέτρων διαμόρφωσης της InfluxDB με σκοπό τη βελτίωση της απόδοσης των ερωτημάτων. Σκοπός μας είναι να ανακαλύψουμε πληροφορίες που μπορούν να εφαρμο-\\\\στούν εύκολα από διαχειριστές βάσεων δεδομένων, χειριστές και οργανισμούς προκει-\\\\μένου να αποσπάσουν την καλύτερη δυνατή απόδοση από τις εγκαταστάσεις της InfluxDB. Το θεμέλιο αυτής της μελέτης αποτελεί μια εκτενής εξέταση της επίδρασης τεσσάρων παραμέτρων διαμόρφωσης και του πώς επηρεάζουν τα ποσοστά των ερωτημάτων,\\\\ καθιστώντας τη λεπτομερή ρύθμισή τους μια πρόκληση. Αρχικά η προσέγγισή μας περιλα-\\\\μβάνει τη χρήση ενός μοντέλου μηχανικής μάθησης για να προβλέψουμε ποσοστά ερωτη-\\\\μάτων με διάφορες τιμές στις παραμέτρους της InfluxDB. Στη συνέχεια, επικυρώνουμε αυτές τις προβλέψεις μέσω πρακτικών πειραμάτων υπό διάφορα φορτία εργασίας στη βάση. Τα ευρήματά μας προκαλούν συμβατικές υποθέσεις, τονίζοντας την απαιτική εργασία της ρύθμισης βάσεων δεδομένων. Για παράδειγμα, παρατηρούμε ότι μικρότερες τιμές μνήμης μπορούν να αποδίδουν καλύτερα από μεγαλύτερες τιμές, υπογραμμίζοντας τη σημασία των πειραματικών δοκιμών. Η αξιολόγησή μας για την προεπιλεγμένη τιμή της παραμέτρου &quot;cache-snapshot-memory-size&quot; δείχνει την ευρωστία των προεπιλεγμένων ρυθμίσεων της InfluxDB, καθώς καμία από τις προσαρμογές στην παράμετρο δεν απέδοσε καλύτερα από την προεπιλεγμένη ρύθμιση. Αυτή η έρευνα φωτίζει την περίπλοκη σχέση μεταξύ των παραμέτρων της βάσης δεδομένων και των φορτίων εργασιών μιας βάσης πραγματικού κόσμου, παρέχοντας πολύτιμες εισηγήσεις για τη βελτίωση της απόδοσης.","abstract_has_math":false,"creators":["Καραγεώργου Ιωάννα","Karageorgou Ioanna"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2024,"date_issued":"2024","date_published":"2024","updated_at":"2026-11-19T06:28:21Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3390965"],"render_values":[{"text":"uoadl:3390965","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3390965","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3390965","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A3390965","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Καραγεώργου Ιωάννα","Karageorgou Ioanna"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2024"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3390965","https://pergamos.lib.uoa.gr/uoa/dl/object/3390965"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Στο σημερινό τοπίο που κυριαρχείται από τα δεδομένα, η απόδοση των συστημάτων βάσεων δεδομένων διαδραματίζει κρίσιμο ρόλο στη λειτουργία πολλών εφαρμογών και υπηρεσιών. Καθώς οι όγκοι δεδομένων συνεχίζουν να αυξάνονται με ασύγκριτους ρυθμούς, η βελτιστοποίηση της απόδοσης των βάσεων δεδομένων έχει γίνει ανησυχία πολλών οργανισμών σε διάφορους τομείς. Αυτή η διπλωματική επικεντρώνεται στην περίπλοκη εργασία της βελτίωσης της απόδοσης της χρονοσειριακής βάσης δεδομένων InfluxDB. Ο κύριος στόχος αυτής της έρευνας είναι να παράσχει ένα συστηματικό τρόπο για τη ρύθμιση των παραμέτρων διαμόρφωσης της InfluxDB με σκοπό τη βελτίωση της απόδοσης των ερωτημάτων. Σκοπός μας είναι να ανακαλύψουμε πληροφορίες που μπορούν να εφαρμο-\\\\στούν εύκολα από διαχειριστές βάσεων δεδομένων, χειριστές και οργανισμούς προκει-\\\\μένου να αποσπάσουν την καλύτερη δυνατή απόδοση από τις εγκαταστάσεις της InfluxDB. Το θεμέλιο αυτής της μελέτης αποτελεί μια εκτενής εξέταση της επίδρασης τεσσάρων παραμέτρων διαμόρφωσης και του πώς επηρεάζουν τα ποσοστά των ερωτημάτων,\\\\ καθιστώντας τη λεπτομερή ρύθμισή τους μια πρόκληση. Αρχικά η προσέγγισή μας περιλα-\\\\μβάνει τη χρήση ενός μοντέλου μηχανικής μάθησης για να προβλέψουμε ποσοστά ερωτη-\\\\μάτων με διάφορες τιμές στις παραμέτρους της InfluxDB. Στη συνέχεια, επικυρώνουμε αυτές τις προβλέψεις μέσω πρακτικών πειραμάτων υπό διάφορα φορτία εργασίας στη βάση. Τα ευρήματά μας προκαλούν συμβατικές υποθέσεις, τονίζοντας την απαιτική εργασία της ρύθμισης βάσεων δεδομένων. Για παράδειγμα, παρατηρούμε ότι μικρότερες τιμές μνήμης μπορούν να αποδίδουν καλύτερα από μεγαλύτερες τιμές, υπογραμμίζοντας τη σημασία των πειραματικών δοκιμών. Η αξιολόγησή μας για την προεπιλεγμένη τιμή της παραμέτρου \"cache-snapshot-memory-size\" δείχνει την ευρωστία των προεπιλεγμένων ρυθμίσεων της InfluxDB, καθώς καμία από τις προσαρμογές στην παράμετρο δεν απέδοσε καλύτερα από την προεπιλεγμένη ρύθμιση. Αυτή η έρευνα φωτίζει την περίπλοκη σχέση μεταξύ των παραμέτρων της βάσης δεδομένων και των φορτίων εργασιών μιας βάσης πραγματικού κόσμου, παρέχοντας πολύτιμες εισηγήσεις για τη βελτίωση της απόδοσης.","In today's data-driven landscape, the performance of database systems plays a crucial role in the functionality of various applications and services. As data volumes continue to surge, optimizing database performance has become a critical concern for organizations across diverse sectors. This thesis focuses on the intricate task of enhancing the performance of the time-series database, InfluxDB. The primary goal of this research is to provide a systematic method for tuning InfluxDB's configuration parameters to improve query performance. We aim to uncover insights that can be readily applied by database administrators, operators, and organizations to extract optimal performance from their InfluxDB deployments. The foundation of this study is a comprehensive examination of the impact of four key configuration parameters and how they influence query rates, making their fine-tuning a vital consideration. Our approach involves a two-step process, employing machine learning to predict query rates and validating these predictions through practical experiments under various workloads. Notably, our findings challenge conventional assumptions, revealing nuanced aspects of database tuning. For instance, we observe that smaller memory allocations, can outperform larger configurations, underscoring the importance of empirical testing. Our evaluation of the default configuration under a read-heavy workload shows the robustness of InfluxDB's default settings, as none of the adjustments to the \"cache-snapshot-memory-size\" parameter outperformed the default configuration. In essence, this research sheds light on the complex relationship between database parameters and real-world workloads, providing valuable insights into performance optimization."]},{"key":"dc:title","label":"Title","values":["Autotuning InfluxDB with Regression Techniques"]}]}],"canonical_facts":{"dc:creator":["Καραγεώργου Ιωάννα","Karageorgou Ioanna"],"dc:date":["2024"],"dc:description":["Στο σημερινό τοπίο που κυριαρχείται από τα δεδομένα, η απόδοση των συστημάτων βάσεων δεδομένων διαδραματίζει κρίσιμο ρόλο στη λειτουργία πολλών εφαρμογών και υπηρεσιών. Καθώς οι όγκοι δεδομένων συνεχίζουν να αυξάνονται με ασύγκριτους ρυθμούς, η βελτιστοποίηση της απόδοσης των βάσεων δεδομένων έχει γίνει ανησυχία πολλών οργανισμών σε διάφορους τομείς. Αυτή η διπλωματική επικεντρώνεται στην περίπλοκη εργασία της βελτίωσης της απόδοσης της χρονοσειριακής βάσης δεδομένων InfluxDB. Ο κύριος στόχος αυτής της έρευνας είναι να παράσχει ένα συστηματικό τρόπο για τη ρύθμιση των παραμέτρων διαμόρφωσης της InfluxDB με σκοπό τη βελτίωση της απόδοσης των ερωτημάτων. Σκοπός μας είναι να ανακαλύψουμε πληροφορίες που μπορούν να εφαρμο-\\\\στούν εύκολα από διαχειριστές βάσεων δεδομένων, χειριστές και οργανισμούς προκει-\\\\μένου να αποσπάσουν την καλύτερη δυνατή απόδοση από τις εγκαταστάσεις της InfluxDB. Το θεμέλιο αυτής της μελέτης αποτελεί μια εκτενής εξέταση της επίδρασης τεσσάρων παραμέτρων διαμόρφωσης και του πώς επηρεάζουν τα ποσοστά των ερωτημάτων,\\\\ καθιστώντας τη λεπτομερή ρύθμισή τους μια πρόκληση. Αρχικά η προσέγγισή μας περιλα-\\\\μβάνει τη χρήση ενός μοντέλου μηχανικής μάθησης για να προβλέψουμε ποσοστά ερωτη-\\\\μάτων με διάφορες τιμές στις παραμέτρους της InfluxDB. Στη συνέχεια, επικυρώνουμε αυτές τις προβλέψεις μέσω πρακτικών πειραμάτων υπό διάφορα φορτία εργασίας στη βάση. Τα ευρήματά μας προκαλούν συμβατικές υποθέσεις, τονίζοντας την απαιτική εργασία της ρύθμισης βάσεων δεδομένων. Για παράδειγμα, παρατηρούμε ότι μικρότερες τιμές μνήμης μπορούν να αποδίδουν καλύτερα από μεγαλύτερες τιμές, υπογραμμίζοντας τη σημασία των πειραματικών δοκιμών. Η αξιολόγησή μας για την προεπιλεγμένη τιμή της παραμέτρου \"cache-snapshot-memory-size\" δείχνει την ευρωστία των προεπιλεγμένων ρυθμίσεων της InfluxDB, καθώς καμία από τις προσαρμογές στην παράμετρο δεν απέδοσε καλύτερα από την προεπιλεγμένη ρύθμιση. Αυτή η έρευνα φωτίζει την περίπλοκη σχέση μεταξύ των παραμέτρων της βάσης δεδομένων και των φορτίων εργασιών μιας βάσης πραγματικού κόσμου, παρέχοντας πολύτιμες εισηγήσεις για τη βελτίωση της απόδοσης.","In today's data-driven landscape, the performance of database systems plays a crucial role in the functionality of various applications and services. As data volumes continue to surge, optimizing database performance has become a critical concern for organizations across diverse sectors. This thesis focuses on the intricate task of enhancing the performance of the time-series database, InfluxDB. The primary goal of this research is to provide a systematic method for tuning InfluxDB's configuration parameters to improve query performance. We aim to uncover insights that can be readily applied by database administrators, operators, and organizations to extract optimal performance from their InfluxDB deployments. The foundation of this study is a comprehensive examination of the impact of four key configuration parameters and how they influence query rates, making their fine-tuning a vital consideration. Our approach involves a two-step process, employing machine learning to predict query rates and validating these predictions through practical experiments under various workloads. Notably, our findings challenge conventional assumptions, revealing nuanced aspects of database tuning. For instance, we observe that smaller memory allocations, can outperform larger configurations, underscoring the importance of empirical testing. Our evaluation of the default configuration under a read-heavy workload shows the robustness of InfluxDB's default settings, as none of the adjustments to the \"cache-snapshot-memory-size\" parameter outperformed the default configuration. In essence, this research sheds light on the complex relationship between database parameters and real-world workloads, providing valuable insights into performance optimization."],"dc:identifier":["uoadl:3390965","https://pergamos.lib.uoa.gr/uoa/dl/object/3390965"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Autotuning InfluxDB with Regression Techniques"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:28:21Z"}