[发明专利]一种基于深度学习的数据库状态综合评分方法及其系统

说明书

本发明公开了一种基于深度学习的数据库状态综合评分方法，包括如下步骤：(1)采集数据库的运维数据，运用专家模型对数据库状态评分；(2)数据预处理，按比例划分训练集和测试集；(3)构建基于深度学习的数据库状态综合评分模型；(4)运用综合评分模型对数据库当前或未来的运维数据分析，获得当前或未来的数据库状态综合评分；数据库状态综合评分系统，包括数据库运维数据采集模块、专家模型评分模块、数据预处理模块、数据库综合评分模块。本发明通过分析数据库运维数据，对数据库运行状态进行综合评分，提高了运维效率；减少人为操作失误的概率；提供了一种基于深度学习的数据库状态综合评分方法。

技术领域

本发明涉及数据库状态综合评分方法及其系统，尤其涉及一种基于深度学习的数据库状态综合评分方法及其系统。

背景技术

当前，主流的数据库产品有MySQL、Oracle等。数据库系统的运维主要依靠数据库管理系统，数据库管理员通过数据库管理系统对数据库的状态进行分析和管理。随着数据库的规模扩大，运维数据种类繁多，人工运维的成本较高，运维效率低下。

发明内容

发明目的：本发明的目的是提供一种运维效率高、减少人为操作失误概率的基于深度学习的数据库状态综合评分方法。

技术方案：本发明的数据库状态综合评分方法，包括如下步骤：(1)采集数据库的运维数据，运用专家模型对数据库状态评分；(2)数据预处理，按比例划分训练集和测试集；(3)构建基于深度学习的数据库状态综合评分模型；(4)运用综合评分模型对数据库当前或未来的运维数据分析，获得当前或未来的数据库状态综合评分。

步骤(1)中运行状态数据包括：CPU、内存、磁盘、存储利用率、I/O带宽、服务器温度、环节温度、湿度；采集数据库各项运维数据，通过专家模型评分模型对其状态评分。

步骤(2)对采集到的数据库运维数据和专家模型评分所组成的样本数据集进行数据清洗、归一化等预处理，并将样本数据集按比例划分为训练集和测试集。

步骤(3)用训练集训练模型对综合评分模型训练，利用测试集测试评分模型的预测能力；采用深度神经网络算法构建基于深度神经网络的数据库综合评分模型，数据库综合评分模型利用训练集训练模型，调整模型参数，运用测试集检验模型的预测能力，训练过程为：

(3.1)定义深度神经网络网络，设置神经元的函数、学习率、batch_size批尺寸、最大训练次数和期望误差。定义误差计算函数和选择优化算法；

(3.2)输入训练样本，并随机打乱，计算训练样本的期望输出值与实际输出值之前的误差；

(3.3)根据误差运用反向传播算法计算并更新深度神经网络分类预测模型中的各个神经元参数；

(3.4)重复步骤(3.2)和(3.3)，直到误差小于或等于期望误差，或者达到最大训练次数。

本发明的数据库状态综合评分系统，包括数据库运维数据采集模块、专家模型评分模块、数据预处理模块、数据库综合评分模块；所述数据库运维数据采集模块采集数据库各项运维数据，通过专家模型评分模块对其状态评分；数据预处理模块对采集到的数据库运维数据和专家模型评分所组成的样本数据集进行数据清洗、归一化预处理，并将样本数据集按照7：3的比例划分为训练集和测试集；数据库综合评分模块利用训练集训练模型，调整模型参数，运用测试集检验模型的预测能力。

有益效果：本发明与现有技术相比，其显著效果如下：1、通过分析数据库运维数据，对数据库运行状态进行综合评分，提高了运维效率；2、减少人为操作失误的概率；3、提供了一种基于深度学习的数据库状态综合评分方法。

附图说明

图1为本发明的数据库状态综合评分方法的流程图。

具体实施方式