[发明专利]一种云数据库中OLTP应用的在线异常检测方法和系统

说明书

本发明公开了一种云数据库中OLTP应用的在线异常检测方法，其是基于相关性衡量方法和云数据库架构特点的基础上实现的，通过相关性衡量方法判断关键指标的变化趋势，通过相关性阈值确定是否存在变化趋势异常的关键指标，相比于基于统计学和机器学习的方法，该方法显著提高了检测的效率；随后，其通过利用关键指标的时间序列确定数据库状态，显著提高了异常判断的准确率；同时，相关性阈值判别机制令阈值的设定简单化，极大的减少了人工成本。本发明还公开了一种云数据库中OLTP应用的在线异常检测系统。

技术领域

本发明属于数据库技术领域，更具体地，设计一种云数据库中OLTP应用的在线异常检测方法和系统。

背景技术

云数据库是云基础设施中的核心产品。随着互联网技术的急速发展，数据规模不断增长，数据类型也更加复杂。企业需要保证数据的可靠存储，这带来额外的经济负担。因此，许多企业寻求更合适的解决方案，将存储等基础设施服务转交给第三方云计算服务提供商。随着云数据库市场的不断增长，异常检测服务对云数据库的稳定性至关重要。在线事务处理(Online Transaction Processing，简称OLTP)是云数据库的主要应用，必须具备高吞吐量和低延迟的特点，这对异常检测服务的精度和效率也提出了更高的要求。

现有OLTP应用的异常检测方法包括基于传统统计学的方法、以及机器学习的方法，其中，基于传统统计学的异常检测方法是针对不同的关键指标设定不同的偏离阈值，来计算关键指标是否存在显著偏离正常模式的趋势来发现异常问题；机器学习的异常检测方法通过神经网络隐性的学习所有关键指标的变化趋势，输出关键指标在某一时刻的异常概率来发现异常问题。

然而，上述异常检测方法都存在一些不可忽略的缺陷：第一，基于传统统计学的异常检测方法误报率和漏报率较高；第二、基于传统统计学的异常检测方法对云数据库场景的适配度不高，这导致很难获得更好的精准度；第三，机器学习的异常检测方法需要花费很长时间才能完成异常检测。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种云数据库中OLTP应用的在线异常检测方法，其目的在于，解决现有基于传统统计学的在线异常检测方法误报率和漏报率较高的技术问题、以及对云数据库场景的适配度不高导致很难获得良好精准度的技术问题；以及现有基于机器学习的在线异常检测方法需要花费很长时间才能完成异常检测的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种云数据库中OLTP应用的在线异常检测方法，包括以下步骤：

(1)设置计数器count1＝1，count2＝1，count3＝1，i＝1，s＝1，并从第j个云数据库的监控系统获取多个关键指标信息序列构成的关键指标信息集合{K_j1，K_j2，...，K_jn}，其中j∈[1，M]，M表示云数据库的总数，n表示该关键指标信息集合中关键指标信息的个数；

(2)判断count1是否小于关键指标信息集合中关键指标信息的个数n，如果是则进入步骤(3)，否则进入步骤(6)；

(3)判断count2是否小于云数据库的总数M，如果是则进入步骤(4)，否则设置计数器count1＝count1+1，并返回步骤(2)。

(4)判断count3是否小于云数据库的总数M，如果是则进入步骤(5)，否则设置计数器count2＝count2+1，并返回步骤(3)；