Прошел почти год , и доклад о применении статистических методов для анализа производительности СУБД PostgreSQL был опубликован на Хабре : “Как мы автоматизировали анализ бенчмарков: опыт команды Postgres Professional” Ситуация не меняется - либо никто, кроме меня не занимается темой применения статистических методов для анализа производительности СУБД PostgreSQL, либо кто то занимается темой в тихоря и публикуется где то или не публикует вообще. Это объясняет полное отсутствие интереса к моим публикациям и отсутствие интереса к предложению о сотрудничестве. Время для использования математической статистики для анализа производительности СУБД PostgreSQL еще не пришло Это даже к лучшему - спокойно в тишине , без конкурентов и соперников можно поработать.

Для развлечения , спросил у Алисы: Подготовь список публикаций в интернете на тему использования статистических методов для анализа производительности СУБД PostgreSQL Ответ нейросети: В интернете существует несколько публикаций, посвящённых использованию статистических методов для анализа производительности PostgreSQL. Вот некоторые из них 1. Статья на Pikabu «Статистический анализ производительности СУБД PostgreSQL». В ней обсуждается комплексный подход к анализу результатов бенчмарков с учётом мультимодальности данных. Авторы предлагают инструмент для автоматического статистического анализа, который выявляет моды, их количество и границы преобладания. Упоминаются предыдущие работы по теме, включая публикации на Habr и в Дзене.  2. Статья на Дзене «Статистический анализ производительности СУБД PostgreSQL». В ней рассматриваются методы математической статистики для оценки производительности, включая использование медианы для устойчивости к выбросам. Описываются инструменты, такие как pgpro_stats_statements и pgpro_stats_totals, которые собирают статистику по запросам и объектам БД.  3. Репозиторий GitHub «pg-expecto». Это комплекс для статистического анализа производительности и нагрузочного тестирования PostgreSQL. Он включает корреляционный анализ, мониторинг операционной системы, нагрузочное тестирование и построение отчётов. Проект использует проверенные статистические методы и интегрируется с нейросетями для анализа данных.  4. Статья на Хабре «PG_EXPECTO: Анализ влияния размера shared_buffers на производительность СУБД PostgreSQL». В ней описывается эксперимент с использованием pg_expecto для изучения влияния параметра shared_buffers на производительность. Применяются регрессионный и корреляционный анализы, а также нейросети для интерпретации результатов.  5. Документация PostgreSQL о модуле pg_stat_statements. Хотя это не статья, документация содержит важную информацию о сборе статистики выполнения SQL-запросов. Модуль позволяет отслеживать ключевые метрики: количество вызовов, общее и среднее время выполнения, количество обработанных строк и другие. Эти данные можно использовать для статистического анализа производительности.  6. Статья на сайте PostgresPro «Запросы в PostgreSQL: 2. Статистика». В ней обсуждаются методы оценки количества строк в таблицах и селективности условий в запросах. Упоминается использование гистограмм и списков наиболее частых значений для улучшения точности оценок.  7. Статья на сайте Directum «Анализ статистики для мониторинга PostgreSQL». В ней перечислены базовые представления статистики в PostgreSQL (pg_stat_activity, pg_stat_database, pg_stat_all_tables и др.) и приведены примеры запросов для анализа нагрузки на БД, распределения серверных процессов и эффективности использования индексов.  Эти публикации охватывают различные аспекты использования статистических методов в PostgreSQL: от базовых инструментов мониторинга до сложных экспериментов с нагрузочным тестированием и машинным обучением. Выбор конкретной публикации зависит от уровня знаний и целей исследования. ━━━━━━━━━━━━━━━━━━ На основе: ...

#imho