[发明专利]一种分布式数据库负载均衡预测方法和预测分析器

说明书

本发明公开了一种分布式数据库负载均衡预测方法和预测分析器，采集每个本地数据节点上的负载指标，构成训练集数据；初始化多层循环神经网络模型；从训练集数据中提取一段时间数据作为多层循环神经网络模型的输入，从训练集数据中提取该一段时间数据后同等时间段的数据作为多层循环神经网络模型的输出，训练所述多层循环神经网络模型；从训练集数据中提取该同等时间段的数据之后且相同时间段的数据，作为多层循环神经网络模型的输入，预测该本地数据节点的负载指标。因此，所述分布式数据库负载均衡预测方法和预测分析器能够更为精确地描述负载均衡数据的结构并对其进行有效预测。

技术领域

本发明涉及计算机领域，特别是指一种分布式数据库负载均衡预测方法和预测分析器。

背景技术

目前，为了提高分布式数据库的资源利用率和性能，采用预测技术对分布式数据库资源使用状况进行实时预测具有重要意义。

一般的BP网络负载均衡预测方法仍存在一些不足之处，在分布式预测分析器中，负载平衡通过把任务从负载过重的服务器转移到负载较轻的服务器，以使得任务能够利用那里的计算能力，从而提高整个分布式预测分析器的性能和稳定性。当预测分析器中某些服务器的工作负载经常保持较重，或者某些服务器执行任务的速度比其它服务器要慢许多时，负载分布不均的情况很明显将会经常发生。即使在一个完全同构的分布式预测分析器中，由于任务到达服务器的时间以及任务完成所需的服务时间存在的差异，同样会出现在整个预测分析器中服务器之间负载平衡问题；此外还存在查询频率远高于数据改写频率等问题。

BP网络具有原理清晰、简单实用等优点，但当需要大规模数据下网络模型训练期间进行实时负载预测，但是由于采用了神经网络的梯度法，收敛速度慢，容易收敛到局部最小。此外，学习因子和惯性因子的选取对神经网络的收敛性影响通常只能由个人经验来选定。因此，BP网络并不适合高输入高输出预测分析器的负载预测，尤其是需要处理突变实时负载的情况。

发明内容

有鉴于此，本发明的目的在于提出一种分布式数据库负载均衡预测方法和预测分析器，能够更为精确地描述负载均衡数据的结构并对其进行有效预测。

基于上述目的本发明提供的分布式数据库负载均衡预测方法，包括步 骤：

采集每个本地数据节点上的负载指标，构成训练集数据；

初始化多层循环神经网络模型；

从训练集数据中提取一段时间数据作为多层循环神经网络模型的输入，从训练集数据中提取该一段时间数据后同等时间段的数据作为多层循环神经网络模型的输出，训练所述多层循环神经网络模型；

从训练集数据中提取该同等时间段的数据之后且相同时间段的数据，作为多层循环神经网络模型的输入，预测该本地数据节点的负载指标。

在一些实施例中，所述负载指标包括CPU利用率R_c、内存利用率R_m、网络下行速度S_d以及网络上行速度S_u；并且，每一秒采集一次所述的负载指标，共采集2T秒，构成训练集数据

L＝[R_c，R_m，S_d，S_u]；

还有，所述初始化多层循环神经网络模型包括：

确定多层循环神经网络模型的隐藏层个数以及多层循环神经网络模型每层的神经元个数n^m；将多层循环神经网络模型输入层和每个隐藏层的神经元之间的网络连接权重随机初始化，并记做

在一些实施例中，所述训练多层循环神经网络模型时，从训练集数据中提取第1条至第T条数据，并且将每组数据通过如下公式进行映射：

x_i＝[1,sin(L(i)),cos(L(i))]