Spark SQL作为内存大数据查询引擎,已经被业界广泛应用,但对其性能进行调优始终是一项必要且具有挑战性的工作。最新的研究试图利用机器学习方法来解决这个问题。然而,现有的机器学习方法存在两个缺陷。首先,它需要花费大量时间收集训练样本,导致时间开销过高。其次,对一个应用程序的一个输入数据集的最佳配置对同一程序的另一个输入数据集可能不是最佳的,从而需重新调优。为了解决这些问题,本文提出了一种新颖的方法来在线自动调优Spark SQL分析查询应用程序（query）。该方法主要创新了三个关键技术。第一个技术名为查询配置参数敏感性分析（Query Configuration Sensitivity Analysis,QCSA）。在收集训练样本时,通过查询配置参数敏感性分析,识别出对配置参数变化不敏感的查询,从而不实际运行这些查询,而只运行那些对配置参数变化敏感的查询。第二个技术称为数据集大小感知的高斯过程（Datasize-Aware Gaussian Process,DAGP）,它可以自动适应数据集大小变化,结合配置参数进行查询性能建模。第三个技术称为重要配置参数识别技术（Identifies Important Configuration Parameters,IICP）,该技术识别出对性能重要的配置参数,并且让优化方法只对重要参数进行调优。因此,本文所提出的方法可以以较低的开销调优Spark SQL应用程序的配置,并适应不同的输入数据集大小变化。基于TPC-DS,TPC-H和Hi Bench测试基准,我们分别采用4台高性能ARM服务器集群与8台高性能X86服务器集群对本文提出的方法进行了实验验证。实验结果表明,相较于当前能查到文献的世界最先进的自动调优解决方案,在ARM和X86集群中,分别缩短达到最优性能所需的时间达到9.7倍和9.2倍,分别提高性能达到2.4倍和2.8倍。此外,本文提出的方法能够自动适应输入数据集大小变化的场景。