Otimização automatizada de buffer pool em bancos de dados mainframe utilizando aprendizado de máquina

Abstract

O Buffer Pool (BPOOL) é um componente essencial em Sistema de Gerenciamento de Banco de Dados (SGBD) que é o responsável por manter em memória páginas de dados fre quentemente acessadas e, assim, reduzir a latência de operações de entrada e saída. Este trabalho propõe uma metodologia automatizada para otimização de BPOOL, baseada em Aprendizado de Máquina, estruturada em três etapas integradas: (i) redução dimen sional orientada por Análise Fatorial Exploratória combinada ao agrupamento K-Means para síntese de métricas; (ii) seleção de parâmetros via regressão LASSO, identificando as variáveis de maior influência no atraso síncrono; e (iii) aplicação de Bayesian Optimiza tion Gaussian Process Regression com as funções de aquisição Expected Improvement, Probability of Improvement e Upper Confidence Bound. Os experimentos, conduzidos em ambiente mainframe de uma instituição financeira, avaliaram 29 BPOOLs e resultaram em ganhos efetivos maiores de 10% em 17 deles, com reduções de latência superiores a 90% nos casos mais críticos, e entre 12% e 50% nos demais. A solução monstrou capaci dade de identificar gargalos reais, evitar recomendações desnecessárias em pools estáveis e propor ajustes alinhados ao padrão de carga de cada buffer, mantendo governança de implantação e rollback seguro. Os resultados confirmam a efetividade prática da abor dagem na gestão adaptativa de memória, e na estabilização de desempenho em sistemas corporativos de grande escala.