1. 当数据库遇上 AI

传统数据库系统在性能调优、故障诊断、索引设计等方面高度依赖 DBA 的经验，不仅运维成本高，还容易因人为判断失误引发性能问题。openGauss作为华为开源的企业级关系型数据库，通过深度融合 AI 技术，实现了 AI4DB（AI for DB）与 DB4AI（DB for AI）两大技术路径，构建出具备“自诊断、自调优、自安全、自运维”能力的智能数据库系统。

2. AI4DB：让数据库具备“自运维”能力

AI4DB 是指将 AI 技术应用于数据库内核与运维中，实现数据库的自治管理。openGauss 在此方面实现了多项突破：

2.1 参数自动调优

-- 查看当前参数配置

SELECT name, setting, unit FROM pg_settings WHERE name IN ('shared_buffers', 'work_mem', 'max_connections');

 

CALL gs_tune_session_start('my_session', 'TPC-C');

 

-- ... 运行业务SQL ...

 

SELECT * FROM gs_tune_get_recommendation('my_session');

 

CALL gs_tune_apply_params('my_session');

 

EXPLAIN ANALYZE SELECT * FROM orders WHERE order_date > '2023-01-01';

传统数据库参数调优依赖专家经验，openGauss 通过 强化学习 + 先验规则 实现自动化：

• 离线调优：基于历史负载训练模型，推荐最优参数组合；
• 在线调优：实时采集系统统计信息，动态调整参数；
• 支持自定义 Benchmark：用户可适配自身业务负载进行调优验证。

2.2 慢 SQL 诊断与 SQL 透视

SET track_activities = on;

SET track_sql_count = on;

 

-- 查看慢SQL统计

SELECT 

    query,

    calls,

    total_time,

    mean_time,

    rows,

    shared_blks_hit,

    shared_blks_read

FROM pg_stat_statements 

WHERE mean_time > 1000  -- 超过1秒的查询

ORDER BY mean_time DESC 

LIMIT 10;

 

-- SQL透视分析

SELECT 

    queryid,

    query,

    gs_similarity_distance(query, '当前SQL') as similarity

FROM pg_stat_statements 

ORDER BY similarity ASC 

LIMIT 5;

openGauss 提供 SQL ****执行时间预测、语句分类 与 可视化分析 能力：

• 上线前检测：预测新业务 SQL 的执行时间，辅助上线决策；
• Workload 分析：自动聚类 SQL 语句，识别高频、高代价查询；
• SQL 透视：通过颜色与距离可视化 SQL 相似度，辅助 DBA 优化。

2.3 索引推荐：从单 Query 到 Workload 级别

-- 单Query索引

SELECT gs_index_advise(

'SELECT customer_id, order_total 

 FROM orders 

 WHERE order_date BETWEEN ? AND ? 

 AND status = ''completed''');

 

-- Workload

CREATE TABLE workload_queries (

    id SERIAL PRIMARY KEY,

    query_text TEXT,

    frequency INT

);

 

INSERT INTO workload_queries (query_text, frequency) VALUES

('SELECT * FROM orders WHERE customer_id = ?', 1000),

('SELECT * FROM order_items WHERE product_id = ?', 800);

 

SELECT gs_index_advise_workload(

    'SELECT query_text FROM workload_queries ORDER BY frequency DESC');

openGauss 支持：

• 单 Query 索引推荐：基于语法解析与选择度分析；
• Workload 级别推荐：评估索引对整体负载的影响；
• 假设索引（Hypothetical Index）：无需真实创建，通过优化器模拟索引效果。
• 示例中，使用 gs_index_advise()在 TPC-C 测试中性能提升 10000 倍。

3. DB4AI：数据库内原生 AI 引擎

DB4AI 是指将 AI 能力内置到数据库中，用户无需导出数据即可完成模型训练与推理。

3.1 原生 AI 算子与执行计划

openGauss 在优化器中引入 原生 AI 算子，支持：

• CREATE MODEL语法：在数据库内训练模型；
• PREDICT BY语法：使用模型进行推理；
• AI 执行计划可视化：通过 EXPLAIN查看 AI 算子的执行路径。

-- 训练逻辑回归模型

CREATE MODEL price_model 

USING logistic_regression 

FEATURES size, lot 

TARGET price < 1000 

FROM Houses;

 

-- 推理预测

SELECT address, PREDICT BY price_model(size, lot) 

FROM houses;

3.2 支持多种算法与异构计算

SELECT 

    modelname,

    gs_evaluate_model(modelname, 'accuracy') as accuracy,

    gs_evaluate_model(modelname, 'f1') as f1_score,

    gs_evaluate_model(modelname, 'auc') as auc_score

FROM gs_model_warehouse 

WHERE modeltype = 'classification';

 

CREATE MODEL churn_model_v2

USING logistic_regression

FEATURES tenure, monthly_charges, total_charges, contract_type

TARGET churned

FROM customer_churn;

 

CREATE MODEL churn_model_finetuned

FROM churn_model_v2

USING incremental_learning

FROM new_customer_data

WITH hyper_parameters='{"learning_rate": 0.001}';

 

SELECT gs_auto_feature_engineering(

    'customer_churn',

    'churned',

    '{"max_features": 10, "correlation_threshold": 0.8}'

);

openGauss 支持：

l 传统机器学习（如 XGBoost、逻辑回归）；

l 深度学习框架（如 TensorFlow、PyTorch）集成；

l 异构硬件加速（ARM、x86、GPU、Ascend）。

• 用户接口层：实现SQL-like 语法，提供PREDICT、MODEL等关键字，支持模型的训练、预测以及管理等；
• 语句优化层：实现业内首创的原生AI算子，优化器生成包含原生AI算子的执行计划；实现代价估计，支持通过EXPLAIN语句查看详细的执行开销，并提供可能的路径选择能力（ShuffleScan 下推）。
• AI全流程管理：支持对模型的管理、评估，支持模型的定期、定点更新与fine-tune等；支持AutoML能力，具有超参数调优（Hyper Parameter Optimization, HPO）能力；具备特征选择、特征处理、与数据清洗能力。
• AI执行器：负责执行AI执行计划，支持算法的并行执行。
• 存储层：支持为数据创建快照并进行管理，负责模型文件的存储与组织。
• 异构计算能力：支持多种计算平台，包括X86架构、ARM架构、以及具备GPU的环境。
• AI底座：提供数据库内部API，支持数据库内AI能力，如AI优化器、AI buffer、AI索引等。

3.3 性能对比：DB4AI vs 传统方式

在 XGBoost 测试中，openGauss 在处理 1000 ****万行数据 时，相比传统 Python UDF 方式：

• 数据读取更快（批次读取 + 内存优化）；
• 减少数据转写开销；
• 支持指令集加速（如 ARM SIMD）。

4. AI 在安全与高可用中的延伸应用

4.1 全密态查询 + AI 安全增强

-- 创建全密态表

CREATE TABLE encrypted_customers (

    customer_id INT ENCRYPTED WITH (COLUMN_ENCRYPTION_KEY = cek1, ENCRYPTION_TYPE = DETERMINISTIC),

    ssn VARCHAR(11) ENCRYPTED WITH (COLUMN_ENCRYPTION_KEY = cek1, ENCRYPTION_TYPE = DETERMINISTIC),

    credit_score INT ENCRYPTED WITH (COLUMN_ENCRYPTION_KEY = cek1, ENCRYPTION_TYPE = RANDOMIZED),

    income DECIMAL(15,2) ENCRYPTED WITH (COLUMN_ENCRYPTION_KEY = cek1, ENCRYPTION_TYPE = RANDOMIZED)

);

 

CREATE MODEL credit_risk_model

USING logistic_regression

FEATURES credit_score, income  -- 在数据库中是加密的

TARGET default_risk

FROM encrypted_customers

WITH security_policy='TEE';

 

SELECT 

    customer_id,

    PREDICT BY credit_risk_model(credit_score, income) as risk_score

FROM encrypted_customers;

openGauss 支持 全密态等值查询，数据在传输、存储、计算过程中全程加密，结合 TEE（可信执行环境）实现密文计算，AI 模型在密文环境下仍可进行推理。

4.2 异常检测与自愈机制

CREATE TABLE system_metrics (

    timestamp TIMESTAMP,

    cpu_usage DECIMAL(5,2),

    memory_usage DECIMAL(5,2),

    disk_io DECIMAL(10,2),

    active_sessions INT,

    slow_queries INT

);

 

CREATE MODEL system_anomaly_model

USING isolation_forest

FEATURES cpu_usage, memory_usage, disk_io, active_sessions, slow_queries

FROM system_metrics

WITH contamination=0.01;

 

SELECT 

    timestamp,

    cpu_usage,

    PREDICT BY system_anomaly_model(cpu_usage, memory_usage, disk_io, active_sessions, slow_queries) as is_anomaly,

    gs_anomaly_score(system_anomaly_model, cpu_usage, memory_usage, disk_io, active_sessions, slow_queries) as anomaly_score

FROM system_metrics 

ORDER BY timestamp DESC 

LIMIT 100;

 

CREATE OR REPLACE FUNCTION auto_healing()

RETURNS TRIGGER AS $$

BEGIN

    IF NEW.is_anomaly = true AND NEW.anomaly_score > 0.9 THEN

        -- 自动kill可能的问题会话

        CALL gs_kill_problem_sessions();

        -- 记录异常事件

        INSERT INTO anomaly_events VALUES (NEW.timestamp, NEW.anomaly_score);

    END IF;

    RETURN NEW;

END;

$$ LANGUAGE plpgsql;

通过 时序预测 + 异常检测算法，openGauss 可自动识别：

• 系统性能异常；
• 潜在安全攻击；
• 资源瓶颈。
• 一旦检测到异常，系统可自动触发修复策略或告警。

5. 未来方向：更智能、更安全、更高效

在传统认知中，数据库的智能特性主要聚焦于性能调优，但 openGauss 的 AI 能力已经渗透到安全和高可用这两个企业级特性的核心领域，实现了从“被动防御”和“人工恢复”到“主动免疫”和“智能自愈”的范式转移。

5.1 全密态查询与 AI 安全增强：数据“可用不可见”的智能实践

-- 查看AI优化器的学习结果

SELECT 

    query_pattern,

    estimated_cost,

    actual_cost,

    plan_hash,

    learning_feedback

FROM gs_ai_optimizer_feedback 

WHERE query_pattern LIKE '%JOIN%'

ORDER BY actual_cost DESC 

LIMIT 10;

 

SET enable_ai_optimizer = on;

SET ai_optimizer_confidence_threshold = 0.8;

 

EXPLAIN (ANALYZE, FORMAT JSON) 

SELECT o.*, c.customer_name 

FROM orders o 

JOIN customers c ON o.customer_id = c.customer_id 

WHERE o.order_date > NOW() - INTERVAL '30 days';

 

SELECT 

    original_sql,

    rewritten_sql,

    estimated_improvement

FROM gs_sql_rewrite_suggestions 

WHERE estimated_improvement > 0.1;

全密态等值查询是 openGauss 在数据安全领域的一项突破性技术。其核心目标是实现“数据不落地明文”，即在数据传输、存储和计算的整个生命周期中都以密文形式存在，仅在客户端的可信环境中进行加解密。AI 的引入，让这种极致安全的技术变得更加智能和实用。

• 智能密钥管理与安全策略推荐：

全密态依赖于三层密钥管理体系（根密钥、主密钥、列加密密钥）。AI 模型可以分析用户的查询模式和数据敏感度，动态推荐最优的加密策略。例如，对于频繁进行等值查询但极少范围查询的身份证号字段，系统可能推荐使用确定性加密以平衡安全与性能；而对于需要复杂计算的分析字段，则可能结合同态加密技术，并利用 AI 优化同态计算带来的性能开销。AI 还可以预测并预警潜在的密钥泄露风险，建议执行密钥轮转。

• 密文环境下的智能查询优化：

在密文上执行查询，尤其是等值查询以外的操作，性能挑战巨大。openGauss 的优化器在 AI 的辅助下，能够学习密文查询的代价模型。例如，当执行一个带 WHERE 条件的查询时，AI 模块可以预测在客户端解密后过滤与在服务端进行密文过滤之间的代价差异，从而选择最优的“密文-明文”混合执行路径，在保障安全的前提下，最大限度提升查询效率。

5.2 异常检测与自愈机制：从“事后补救”到“事前预警”

高可用性不仅意味着故障后快速恢复（RTO），更意味着尽可能避免故障发生。openGauss 的 AI4DB 框架将时序预测和异常检测算法深度应用于系统监控，构建了“预测-防护-自愈”的闭环。

• 多维度指标监控与联合异常定位：

Agent 模块会实时采集数百项数据库指标，包括但不限于 QPS、TPS、锁等待时长、WAL 生成速率、缓冲区命中率、慢 SQL 数量等。Detector 模块中的 AI 算法（如 LSTM、Prophet 等时序模型和 Isolation Forest 等异常检测模型）并非孤立地分析单个指标，而是学习这些指标间的关联关系。例如，系统可能发现“CPU 使用率缓慢上升”与“WAL 写入延迟增加”以及“特定类型的锁等待事件增多”三者联合出现时，有 90% 的概率在 5 分钟后会发生一次性能雪崩。这种多变量联合异常检测的能力，远超传统基于单一阈值告警的监控系统。

• 根因分析与智能自愈策略：

当检测到异常后，AI 系统不会简单地告警了事。它会启动一个根因分析（Root Cause Analysis, RCA） 流程。通过比对历史故障库和当前系统状态，AI 可以判断异常是由硬件资源瓶颈、错误 SQL 注入、还是内部数据结构争用引起的。基于根因分析，系统可以自动执行预定义的修复脚本，例如：

• 自动 Kill 阻塞会话：当判定为锁等待引发的异常时。
• 自动扩容/缩容：在云环境下，当预测到资源将耗尽时。
• 自动回滚危险变更：当检测到因参数修改或 schema 变更导致系统不稳定时。
• 主动推荐索引：结合慢 SQL 诊断，在业务低峰期自动创建索引以避免白天的性能问题。

6. 总结：openGauss，正在重新定义“智能数据库”

openGauss 的未来技术蓝图清晰地指向了一个目标：构建一个高度自治、深度协同新硬件、具备持续学习能力的“自动驾驶”数据库。这不仅是特性的堆砌，更是对传统数据库架构的深刻重构。

6.1 学习型数据库组件：内核的自我进化

未来的 openGauss 将把 AI 从“外挂插件”变为“内核原生组件”。

• AI-Based Optimizer（AI 优化器）：

传统基于代价的优化器（CBO）严重依赖静态的统计信息，对于复杂查询和多表关联，往往难以估算出最优计划。AI 优化器将通过强化学习（RL） 和深度神经网络（DNN），从历史查询的执行反馈中学习，构建一个动态的、非线性的代价模型。它能“记住”哪些类型的查询在哪种数据分布下，使用嵌套循环连接比哈希连接更快。这种能力将极大提升复杂查询、即席查询（Ad-hoc Query）的性能稳定性。

• SQL 自优化：

系统将具备 “SQL 医生”的能力。它能自动分析 SQL 语句，识别反模式（如 SELECT *， 不必要的子查询等），并自动进行查询重写。更进一步，它可以根据实际执行情况，自动为高频查询推荐或自动添加优化器 Hint，绕过优化器可能做出的错误判断，实现“越用越快”的效果。

• 故障自诊断与自定位：

当前的异常检测更多是“发现问题”，而未来将强化“定位问题”。通过图神经网络（GNN）等技术，系统可以构建数据库内部组件的依赖关系图（如会话-锁-事务-资源），当一个故障发生时，AI 能迅速在依赖图中定位到故障传播的源头，并给出精准的诊断报告，例如：“故障根因是 NODE 2 的磁盘控制器间歇性故障，导致了 WAL 写入延迟，进而引发全局锁等待。”

6.2 新硬件与 AI 的深度融合：打破“内存墙”与“IO墙”

摩尔定律的放缓使得软硬件协同设计变得至关重要。openGauss 正积极拥抱这一趋势。

• 持久化内存（PMem）与秒级 RTO：

利用 PMem 非易失、字节寻址、低延迟的特性，openGauss 可以将 WAL 日志或整个数据缓冲区放在 PMem 中。在发生故障时，数据库无需从磁盘重放大量 WAL 日志，而是直接从 PMem 中恢复内存状态，这将故障恢复时间从秒级（<10s）缩短至毫秒级，为实现真正的“业务无感”故障切换奠定基础。

• Latch-free/Wait-free 数据结构应对众核挑战：

随着 CPU 核数持续增长，传统基于锁（Latch）的并发控制机制已成为主要瓶颈。openGauss 未来将大规模采用无锁（Lock-free）和无等待（Wait-free） 数据结构，这需要与 AI 协同工作。AI 可以模拟高并发场景下的数据访问模式，指导开发者设计和选择最适合的无锁算法，并通过在真实硬件上测试验证，确保在数百核的系统上也能实现线性的性能扩展（Linear Scale-up）。

• 异构计算资源的智能调度：

未来的数据库负载将是混合的：OLTP 事务处理、OLAP 分析查询、AI 模型训练与推理同时进行。openGauss 的 AI 调度器将能够智能地识别计算任务的特征，将向量化计算任务调度到 GPU，将复杂的模型训练任务调度到 AI 芯片（如 Ascend），将常规的事务处理留在 CPU。实现“算力所需即所得”，最大化硬件投资回报率。