Note ABES Towards adaptive and practical automation in DBMS administration : Practitioner Insights, Dynamic Resource Optimization, and Lightweight Tuning Vers une automatisation adaptative et pratique de l’administration des SGBD : retours d’expérience, optimisation dynamique des ressources et réglage léger Base de Données Administration Autonome Apprentissage Automatique Apprentissage par renfrocement Intelligence Artificielle Database Systems Autonomous Administration Machine Learning Reinforcement Learning Artificial Intelligence Bases de données Gestion Automatisation Apprentissage automatique Apprentissage par renforcement (intelligence artificielle) Gestion mémoire (informatique) Les systèmes de gestion de bases de données sont essentiels pour une gestion efficace desdonnées et un contrôle des accès. Toutefois, en raison de leur complexité, leur administra-tion demeure une tâche difficile pour les administrateurs de bases de données. Cette thèses'intéresse à l'automatisation de l'administration des SGBD à travers trois contributionscomplémentaires, visant une meilleure adaptabilité et une applicabilité concrète.Tout d'abord, nous présentons une étude qualitative des pratiques des administrateursde bases de données, qui met en évidence un ensemble de difficultés : sur-allocation deressources, procédures de réglage sous-optimales et faible adoption des outils d'automatisationexistants. À partir de ces constats, nous nous concentrons sur deux problèmes majeurs :la sur-provision de mémoire et le besoin d'outils d'auto-réglage des SGBD plus pratiques.Dans cette optique, nous proposons DOT, un cadre léger de sélection et d'optimisationdes paramètres de configuration. DOT combine l'élimination récursive de variables avecvalidation croisée (RFECV) et l'optimisation bayésienne afin d'identifier rapidement lesparamètres les plus influents. En réduisant l'espace de recherche sans nécessiter de longuesphases de mise en chauffe, DOT permet un réglage des SGBD plus efficace et économiqueque les autotuneurs traditionnels.Nous présentons ensuite MicroTune, un gestionnaire adaptatif de mémoire tamponpiloté par apprentissage par renforcement, qui ajuste en continu l'allocation mémoire enfonction de la charge. En adaptant dynamiquement la taille des tampons aux besoins dutravail, MicroTune réduit le gaspillage tout en respectant les contraintes de SLA, offrantainsi une solution concrète d'optimisation des ressources en production.En combinant des enseignements issus de la pratique avec des outils adaptatifs conçussur mesure, cette thèse propose des avancées plus adaptatives et pragmatiques pourl'automatisation de l'administration des SGBD. Database Management Systems (DBMS) are crucial for efficient data management and ac-cess control, but due to the complexity of DBMS, their administration remains challengingfor Database Administrators. This thesis investigates DBMS administration automationthrough three complementary contributions for better adaptability and real-world appli-cability.First, we introduce a qualitative study of DBA workflows, which uncovers a spectrumof challenges—resource over-allocation, suboptimal tuning routines, and limited uptakeof available automation tools. From these findings, we concentrate on two pressing painpoints: excessive memory provisioning and the need for more practical DBMS auto-tuning.Building on this, we propose DOT, a lightweight knob selection and optimizationframework. DOT combines recursive feature elimination with cross-validation (RFECV)and Bayesian optimization to quickly identify the most impactful configuration knobs. Bynarrowing the search space without lengthy warm-up phases, DOT enables more efficientand cost-effective DBMS tuning compared to traditional autotuners.To address inefficient memory use, we introduce MicroTune, an adaptive RL-drivenbuffer manager that continuously adjusts memory allocation in real time. By rightsizingbuffers to match workload demands, MicroTune cuts waste and meets SLA requirements,showcasing a hands-on approach to resource optimization in production.By combining practitioner-driven insights with purpose-built, adaptive tools, this the-sis offers more adaptive and practical insights for advancing automated DBMS adminis-tration. Electronic Thesis or Dissertation Text en PDF 3990155 https://pepite-depot.univ-lille.fr/LIBRE/EDMADIS/2025/2025ULILB038.pdf https://theses.fr/2025ULILB038/abes https://theses.hal.science/tel-05577151 https://theses.hal.science/tel-05577151 https://theses.hal.science/tel-05577151 Wang Yifan Wang 1997-10-18 CN 295930217 https://theses.fr/2025ULILB038 2025ULILB038 https://doi.org/10.70675/1da2b0c5zc8b4z4b14zb916z216e3f5a3574 2025-11-12 Informatique et applications Université de Lille (2022-....) 259265152 Doctorat Docteur es non oui Rouvoy Romain MADS_DIRECTEUR_DE_THESE_1 111762146 Bourhis Pierre MADS_DIRECTEUR_DE_THESE_2 150582102 Cleve Anthony MADS_PRESIDENT_DU_JURY 275032515 Basu Debabrota MADS_MEMBRE_DU_JURY_1 269428674 Boukhobza Jalil MADS_RAPPORTEUR_1 09772582X Manolescu Ioana MADS_RAPPORTEUR_2 070261970 École graduée Mathématiques, sciences du numérique et de leurs interactions (Lille ; 2021-....) MADS_ECOLE_DOCTORALE_1 258621362 Centre Inria de l'Université de Lille MADS_PARTENAIRE_DE_RECHERCHE_1 104752 185432247 Centre de Recherche en Informatique, Signal et Automatique de Lille MADS_PARTENAIRE_DE_RECHERCHE_2 410272 18388695X Orange (2000-.....) MADS_PARTENAIRE_DE_RECHERCHE_3 145629112 Association nationale de la recherche et de la technologie (France) MADS_PARTENAIRE_DE_RECHERCHE_4 026468735 ddc:004 Rouvoy Romain Bourhis Pierre Cleve Anthony Basu Debabrota Boukhobza Jalil Manolescu Ioana École graduée Mathématiques, sciences du numérique et de leurs interactions (Lille ; 2021-....) Centre Inria de l'Université de Lille Centre de Recherche en Informatique, Signal et Automatique de Lille Orange (2000-.....) Association nationale de la recherche et de la technologie (France) PDF 3990155