چارچوب ترکیبی مدل سازی گراف و شبکه های عصبی گرافی (GNN) برای پیش بینی پیشگیرانه گره خوردگی و بهینه سازی کنترل همروندی در سیستم های مدیریت پایگاه داده توزیع شده

رشد روزافزون سامانه های مدیریت پایگاه داده توزیع شده و افزایش حجم تراکنش های همزمان چالش های جدیدی را در حوزه کنترل همروندی به ویژه در زمینه مدیریت تعارض ها و گره خوردگی (Deadlock)، ایجاد کرده است. اغلب روش های متداول کنترل همروندی از جمله قفل گذاری دو مرحله ای (PL)، کنترل همروندی خوش بینانه (OCC) و کنترل همروندی چند نسخه ای (MVCC)، عمدتا بر مکانیزم های واکنشی متکی هستند و تنها پس از وقوع تعارض یا تشکیل چرخه انتظار وارد فرآیند تشخیص و بازیابی می شوند. این محدودیت در محیط های توزیع شده با بارکاری پویا و وابستگی های پیچیده میان تراکنش ها موجب افزایش تاخیر، نرخ بازگردانی تراکنش ها، سربار ارتباطی و کاهش توان عملیاتی سیستم می شود. از سوی دیگر، اگرچه روش های مبتنی بر یادگیری ماشین در سال های اخیر برای بهینه سازی برخی جنبه های مدیریت تراکنش پیشنهاد شده اند، بهره گیری از ویژگی های ساختاری گراف های وابستگی تراکنش ها از طریق شبکه های عصبی گرافی (Graph Neural Networks) برای پیش بینی پیشگیرانه گره خوردگی همچنان کمتر مورد توجه قرار گرفته است. در این پژوهش چارچوبی ترکیبی مبتنی بر مدل سازی گراف و شبکه های عصبی گرافی برای پیش بینی پیشگیرانه گره خوردگی و بهینه سازی کنترل همروندی در سیستم های مدیریت پایگاه داده توزیع شده ارائه می شود. در چارچوب پیشنهادی، وابستگی ها، روابط انتظار و الگوهای تعامل میان تراکنش ها به صورت یک گراف پویا مدل سازی شده و با استفاده از شبکه های عصبی گرافی نمایش های برداری غنی از ویژگی های ساختاری و زمانی استخراج می شود. این نمایش ها به مدل امکان می دهند تا احتمال شکل گیری چرخه های انتظار و تعارض های آینده را پیش از وقوع آن ها پیش بینی کند. سپس بر پایه این پیش بینی، یک سازوکار تصمیم گیری تطبیقی برای اعمال اقداماتی نظیر تغییر اولویت تراکنش ها، زمان بندی مجدد، تخصیص هوشمند منابع یا انتخاب پویا میان سیاست های مختلف کنترل همروندی طراحی می شود تا از وقوع گره خوردگی جلوگیری کرده و هزینه های اجرایی سیستم کاهش یابد. کارایی چارچوب پیشنهادی از طریق پیاده سازی و ارزیابی تجربی در سناریوهای متنوع بارکاری و مقایسه با روش های مرجع شامل MVCC، OCC، PL و الگوریتم های متداول تشخیص گره خوردگی ارزیابی خواهد شد. معیارهای ارزیابی شامل نرخ وقوع گره خوردگی، نرخ بازگردانی تراکنش ها، زمان پاسخ، توان عملیاتی، سربار محاسباتی، تاخیر ارتباطی و بهره وری استفاده از منابع خواهد بود. انتظار می رود نتایج نشان دهد که ادغام مدل سازی گراف با شبکه های عصبی گرافی ضمن افزایش دقت پیش بینی تعارض ها و گره خوردگی موجب کاهش چشمگیر نرخ گره خوردگی و بازگردانی تراکنش ها، بهبود توان عملیاتی و مقیاس پذیری و ارتقای عملکرد سیستم های مدیریت پایگاه داده توزیع شده در محیط های پرتراکنش و پویا می شود. نوآوری اصلی این پژوهش در ارائه یک چارچوب پیشگیرانه و داده محور است که با بهره گیری از یادگیری عمیق بر روی ساختار گرافی وابستگی تراکنش ها، تصمیمات کنترل همروندی را از رویکردی واکنشی به رویکردی پیش بینانه و تطبیقی تبدیل می کند و می تواند مسیر جدیدی برای طراحی نسل آینده الگوریتم های کنترل همروندی هوشمند فراهم سازد.

کلیدواژه ها:

کنترل همروندی ، سیستم های مدیریت پایگاه داده توزیع شده ، گره خوردگی ، شبکه های عصبی گرافی ، مدل سازی گراف ، یادگیری عمیق ، پیش بینی پیشگیرانه ، بهینه سازی تراکنش