Sistem Penyetelan Otomatis Key Value Store Database Berbasis Log Structure Merge Tree Menggunakan Large Language Model Dan Tracefile

Prasetyo, Kenanya Keandra Adriel (2025) Sistem Penyetelan Otomatis Key Value Store Database Berbasis Log Structure Merge Tree Menggunakan Large Language Model Dan Tracefile. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5024211004-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (4MB) | Request a copy

Abstract

Penelitian ini memperkenalkan ELMo-Tune-V2, sebuah sistem penyetelan otomatis basis data key-value store (KVS) berbasis log structured merge tree (LSM) yang mengintegrasikan Large Language Models (LLM) sebagai fondasi untuk mendemonstrasikan potensi penerapan LLM modern dalam masalah pengoptimalan sistem data. ELMo-Tune-V2 memanfaatkan penalaran kontekstual, dan kemampuan generatif LLM untuk melakukan 1) karakterisasi dan pemodelan beban kerja LSM-KVS, 2) penyetelan otomatis yang melibatkan seluruh parameter yang luas, dan 3) penyesuaian konfigurasi dinamis secara realtime untuk LSM-KVS. ELMoTune-V2 mengintegrasikan tiga inovasi: Karakterisasi beban kerja berbasis LLM untuk pembuatan benchmark adaptif, penyetelan berulang berbasis umpan balik untuk penyempurnaan konfigurasi, dan penyetelan secara realtime untuk menangani beban kerja yang terus berkembang. Melalui evaluasi menggunakan RocksDB pada beban beban kerja beragam, ELMo-Tune-V2 mampu meningkatkan kinerja LSM-KVS hingga 40× pada beban kerja dengan operasi baca tinggi (read-heavy workload) dibandingkan dengan konfigurasi bawaan RocksDB, dan hingga 20× pada mixgraph, beban kerja nyata salah satu server Facebook.
==================================================================================================================================
In this research, ELMo-Tune-V2 is introduced, a framework that integrates Large Language Models (LLMs) at its foundation to demonstrate the potential of applying modern LLMs in data system optimization problems. ELMo-Tune-V2 leverages the contextual reasoning, cross-domain, and generative capabilities of LLMs to perform 1) self-navigated characterization and modeling of LSM-KVS workloads, 2) automatic tuning across a broad parameter space using cross-domain knowledge, and 3) real-time dynamic configuration adjustments for LSM-KVS. ELMo-Tune-V2 integrates three innovations: LLM-based workload synthesis for adaptive benchmark generation, feedback-driven iterative fine-tuning for configuration refinement, and real-time tuning to handle evolving workloads. Through detailed evaluation using RocksDB under several workload scenarios, ELMo-Tune-V2 achieves performance improvements up to 40× on read-heavy workload compared against default RocksDB configurations, and up to 20× on mixgraph, a real-world applications workload from one of Facebook servers.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Basis Data LSM-KVS, RocksDB, Sistem Penyetelan Konfigurasi Otomatis, Model Bahasa Besar, LSM-KVS Databases, RocksDB, Automatic Tuning Configruation Framework, Large Language Models.
Subjects:	Z Bibliography. Library Science. Information Resources > ZA Information resources > ZA4450 Databases
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Computer Engineering > 90243-(S1) Undergraduate Thesis
Depositing User:	Kenanya Keandra Adriel Prasetyo
Date Deposited:	28 Jul 2025 07:15
Last Modified:	28 Jul 2025 07:15
URI:	http://repository.its.ac.id/id/eprint/122144

Actions (login required)

View Item