[发明专利]一种基于机器学习进行数据库系统性能预测的方法及系统

权利要求书

1.一种基于机器学习进行数据库系统性能预测的方法，其特征在于，所述方法包括：

采集数据库运维数据以形成各时间周期的多维状态向量；

基于所述多维状态向量计算跨多个时间周期的趋势向量；

获取相应各时间周期的数据库系统性能指标；

基于所获取的数据库系统性能指标计算系统评价值；

基于所述趋势向量与所述系统评价值来训练数据库系统性能预测模型；以及

将实时形成的趋势向量输入所述数据库系统性能预测模型以输出预测的系统评价值。

2.如权利要求1所述的方法，其特征在于，基于所述多维状态向量计算跨多个时间周期的趋势向量进一步包括：

拼接所涉及的多个时间周期的每一对相邻时间周期的状态变化向量以及所涉及的多个时间周期中的最后一个时间周期的多维状态向量以形成所涉趋势向量，其中相邻时间周期的状态变化向量为后一时间周期的多维状态向量与前一时间周期的多维状态向量的差。

3.如权利要求1所述的方法，其特征在于，基于所获取的数据库系统性能指标计算系统评价值进一步包括：

将所获取的数据库系统性能指标与相应的参考值作比较；以及

基于比较结果将所述系统评价值确定为预先设定的多个等地值中的一个。

4.如权利要求1所述的方法，其特征在于，所述数据库系统性能预测模型基于SOFTMAX分类器，并且基于所述趋势向量与所述系统评价值来训练数据库系统性能预测模型进一步包括：

将对应于相同时间周期多维趋势向量和系统评价值分别作为所述SOFTMAX分类器的输入和输出。

5.如权利要求4所述的方法，其特征在于，所述训练过程以以下方式在线地进行：

将所述趋势向量输入所述SOFTMAX分类器；

所述SOFTMAX分类器基于当前权重输出预测结果；

以对应于所输入的趋势向量的周期的真实系统评价值进行反向传播，对损失函数求导；

通过梯度下降法以最快速度使所述损失函数最小；

以导数更新所述SOFTMAX分类器的权重；以及

重复循环以上步骤。

6.如权利要求1所述的方法，其特征在于，所述方法还包括：

响应于所述数据库系统性能预测模型输出的预测的系统评价值触发预设定的预警条件，发出预警。

7.如权利要求1所述的方法，其特征在于，所述方法还包括：

响应于计算出的系统评价值触发预设定的告警条件，发出告警。

8.一种基于机器学习进行数据库系统性能预测的系统，其特征在于，所述系统包括：

数据采集模块，所述数据采集模块被配置成：

采集数据库运维数据以形成各时间周期的多维状态向量；以及

基于所述多维状态向量计算跨多个时间周期的趋势向量；

数据库系统性能评价模块，所述数据库系统性能评价模块被配置成：

获取相应各时间周期的数据库系统性能指标；以及

基于所获取的数据库系统性能指标计算系统评价值；

机器学习模块，所述机器学习模块被配置成基于所述趋势向量与所述系统评价值来训练数据库系统性能预测模型；

数据库系统性能预测模块，所述数据库系统性能预测模块被配置成使用经训练的数据库系统性能预测模型提供预测的系统评价值；以及

告警模块，所述告警模块被配置成：

响应于所述数据库系统性能预测模型输出的预测的系统评价值触发预设定的预警条件，发出预警；以及

响应于计算出的系统评价值触发预设定的告警条件，发出告警。

9.如权利要求8所述的系统，其特征在于，所述数据库系统是MySQL数据库系统。

10.如权利要求8所述的系统，其特征在于，所述数据库系统性能指标包括数据库IO性能指标。