如图 1 所示，慢查询收集通过云数据库监控系统对查询和数据库实例进行持续监控，并收集超过慢查询阈值的查询。接下来，通过基于规则的方法和基于大语言模型（LLM）的方法分析慢查询的根因。基于规则的方法如执行 SQL 语句更新统计信息 “ANALYZE TABLE_NAME;” 。基于 LLM 的方法如设计 Prompt 推荐索引 “You will recommend indexes from the table columns based on the SQL to reduce execution time.” 。根据两类分析方法提供的优化方案进行修正，并重新执行得出根因的影响程度，从而构建了一个用于识别和排序慢查询根因的数据集。

图2. 多模态根因诊断模型

2.2.1、输入嵌入模块

关键性能指标模态包含关于当前数据库状态的信息。考虑到数据库状态对查询执行的影响，捕捉数据库状态的时间特征以及不同数据库实例度量之间的交互模式至关重要。关键性能指标表示数据库状态，本文探索其时间特性。为了捕捉度量中的模式，单独预训练度量的嵌入。受此特性的启发，本文提出采用自编码结构和关键性能指标的时间序列重构作为预训练目标： 

2.2.2、多模态融合模块

为了更充分地利用来自不同模态的信息，跨模态 Transformer（CMT）以某一模态作为主模态，捕获与所有模态特征的依赖关系，并提取跨模态特征： 

2.2.3、根因估计和排序模块

为了在一个统一的框架中根据根因对慢查询的影响来识别和排序有效的根因，本文提出了一个用于估计每个潜在根因影响和排序的训练目标。根因影响估计的损失函数可以表示为： 

本文分别在 Hologres 和 Postgres 数据库中收集基于 TPC 合成慢查询和真实数据库慢查询的根因数据集，并进行测试。评价指标分为三类：根因准确度（V-ACC、MC-ACC）、根因影响的估计和排序（MSE、Top1-ACC、MC-ACC、Tau）、性能提升（Top1-IR）。表 1 、表 2 和表 3 分别展示了在根因识别和排序任务中， RCRank 在 Holgores 和 Postgres 数据库上的表现。本文使用粗体和下划线来分别突出表示最优和次优的表现。RCRank 在真实数据集和合成数据集上的所有指标性能表现都超过所有基线方法。

表1. 在 Hologres 中的根因分析结果

表2. 在 Postgres 中 TPC-C 和 TPC-H 的根因分析结果

表3. 在 Postgres 中 TPC-DS 的根因分析结果

如图 3 所示，在大多数情况下，经过修改的慢查询的执行时间相比原始慢查询都有不同程度的缩短。有较多的慢查询经过优化后，运行时间下降了 20% 。RCRank 能够识别导致 Hologres 中查询大幅加速的根因。如表 4 所示，在 Hologres 和 Postgres 中，根据 RCRank 提供的根因列表中最重要的根因进行优化后，查询的运行时间得到了较大幅度减少。

表 4. 运行时间对比

图 3. 原始慢查询 vs. 改进后运行时间

本文旨在识别慢查询的根因类型，并根据其对慢查询的影响进行排序。提出了一种针对慢查询根因的多模态排序框架（RCRank），将诊断过程建模为一个多模态机器学习问题，利用来自查询语句、执行计划、执行日志和关键性能指标的多模态信息。本文提出了一种多模态诊断模型，该模型能够通过模态对齐和任务相关性实现对异构模态的有效表达嵌入，采用高效且自适应的多模态特征融合，并统一执行根因的识别与排序。

实验结果表明，RCRank 在根因识别和排序方面优于现有方法。未来的研究将重点探讨如何针对一组慢查询制定最佳的修改方案，以及如何高效地对 RCRank 进行增量训练，以包含新的根因。