openEuler Copilot System技术分享：一种基于LLM辅助的智能调参技术

• 痛点1：软件规模剧增，当前系统软件可调参数已达13000+，远超出人工调优能力范围。

• 痛点2：系统复杂，经验难以固化，各领域专家投入时间多。

• 痛点3：性能优化自动化程度低，现有工具仍需大量人工参与，有一定使用门槛。在调优的各个流程中，包括性能测试，使用调优工具等环节需要大量人工参与，造成调优效率低下。

• 痛点4：现有算法、工具适用不同场景，缺乏通用性。

• 轻量级资源采集：通过ebpf、perf等手段，采集系cpu/memory/disk/network等多维度指标，采集底噪低于1% CPU, 内存20MB，网络10KB/s，并对采集指标进行数据处理。

• 系统级负载感知：对OS层多维度、细粒度资源的分析，使用聚类等机器学习算法结合LLM，识别系统关键性能瓶颈点，调优收敛效率提升：天→小时。

• LLM调优：结合大模型自主学习历史调优经验知识，从典型应用调优到泛化应用调优，配置推荐准确率：60%→80%。提出了基于RAG检索增强的大模型调优参数推荐模块，在该模块中，输入来自于当前系统以及应用的负载、瓶颈点等信息，通过词嵌入模型向量化，从专家调优知识库中检索与当前场景匹配的可调参数，最后输出适合当前场景的调优参数，下发调优配置至小模型，利用小模型进行性能调优。

调优结果如下：

1. 会生成系统负载的分析报告，使调优有据可依：

   

2. 同时分析下述数据可知，该方案的调优效率优于人工专家；虽然绝对效果逊于专家，但两者协同可获得最大收益（图中数据为MySQL性能指标QPS）。