[发明专利]一种Redis配置的方法、装置、存储介质及设备

权利要求书

1.一种Redis配置的方法，其特征在于，所述方法包括：

获取Redis集群中的历史监控指标，并判断所述历史监控指标的变化趋势是否为线性；

当所述历史监控指标的变化趋势为线性时，通过线性回归模型预测监控指标在预设时间段的预测值，所述线性回归模型基于线性回归算法对所述监控指标的样本数据训练后得到；当所述历史监控指标的变化趋势为非线性时，通过时间序列模型预测监控指标在预设时间段的预测值，所述时间序列模型基于时间序列法对所述监控指标的样本数据训练后得到；

根据所述预测值分析是否对所述Redis集群进行扩容。

2.根据权利要求1所述的方法，其特征在于，所述监控指标包括以下至少一项：机器的内存使用容量、机器的吞吐量、机器的CPU使用率、用户响应时间。

3.根据权利要求1所述的方法，其特征在于，所述判断所述历史监控指标的变化趋势是否为线性包括：

基于简单线性回归算法对所述历史监控指标的变化趋势进行拟合，并计算拟合优度；

当所述拟合优度超过第一预设值，则判断所述历史监控指标的变化趋势为线性；

当所述拟合优度未超过第一预设值，则判断所述历史监控指标的变化趋势为非线性。

4.根据权利要求1所述的方法，其特征在于，所述监控指标包括机器的内存使用容量；当根据所述预测值分析确定对所述Redis集群进行扩容时，所述方法还包括：

增加可使用的内存，或使用内存淘汰策略。

5.根据权利要求1所述的方法，其特征在于，所述监控指标包括以下至少一项：机器的吞吐量、机器的CPU使用率和用户响应时间；当根据所述预测值分析确定对所述Redis集群进行扩容时，所述方法还包括：

搭建新的Redis从库，并更新分配流量的配置。

6.根据权利要求1所述的方法，其特征在于，所述线性回归模型包括岭回归模型，所述岭回归模型的训练过程包括：

将所述监控指标作为因变量，所述监控指标被采集时对应的时间作为自变量，利用岭回归算法获得岭回归模型；

利用评价函数确定所述岭回归模型对应的均方误差；

当所述均方误差的值小于第二预设值时，确定所述岭回归模型合格。

7.根据权利要求1所述的方法，其特征在于，所述时间序列模型包括Prophet模型；所述Prophet模型的训练过程包括：

将所述监控指标和所述监控指标被采集时对应的时间作为Prophet模型的样本数据，分别确定断点、与所述断点对应的分段线性函数、周期函数、节假日函数，得到训练后的Prophet模型。

8.一种Redis配置的装置，其特征在于，所述装置包括：

获取模块，用于获取Redis集群中的历史监控指标，并判断所述历史监控指标的变化趋势是否为线性；

预测模块，用于当所述历史监控指标的变化趋势为为线性时，通过线性回归模型预测监控指标在预设时间段的预测值，所述线性回归模型基于线性回归算法对所述监控指标的样本数据训练后得到；当所述历史监控指标的变化趋势为非线性时，通过时间序列模型预测监控指标在预设时间段的预测值，所述时间序列模型基于时间序列法对所述监控指标的样本数据训练后得到；

分析模块，用于根据所述预测值分析是否对所述Redis集群进行扩容。

9.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如权利要求1～7任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，该程序被处理器执行时实现权利要求1～7任一项所述的方法。