CN105302657A - 一种异常情况分析方法和装置 - Google Patents
一种异常情况分析方法和装置 Download PDFInfo
- Publication number
- CN105302657A CN105302657A CN201510747170.0A CN201510747170A CN105302657A CN 105302657 A CN105302657 A CN 105302657A CN 201510747170 A CN201510747170 A CN 201510747170A CN 105302657 A CN105302657 A CN 105302657A
- Authority
- CN
- China
- Prior art keywords
- minor matters
- data
- matters point
- analyzed
- abnormal conditions
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Debugging And Monitoring (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明的实施方式提供了一种异常情况分析方法。该方法包括:实时获取数据库内存中所述数据库的运行数据;对所述运行数据进行异常情况判断,确定出所述数据库的目标异常情况,所述目标异常情况为预先确定的历史异常情况中的一种异常情况;获取与所述目标异常情况相关的待分析数据,根据所述待分析数据确定出产生所述目标异常情况的原因。可见,在判断分析异常情况时,不用每次都从数据库底层获取大量的性能统计数据,降低了在获取分析数据时对数据库处理能力的影响,而且可以实时的从数据库内存中获取运行数据,提高了确定出的产生异常情况的原因的准确性。为用户带来了更好的体验。此外,本发明的实施方式提供了一种异常情况分析装置。
Description
技术领域
本发明的实施方式涉及数据处理领域,更具体地,本发明的实施方式涉及一种异常情况分析方法和装置。
背景技术
本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
数据库主要用于按照数据结构来存储、管理海量数据,在互联网领域应用范围很广。随着互联网不断发展,数据库所需处理的业务越来越多,导致数据库时常会出现各种异常情况,造成数据库处理能力下降。需要快速准确的判断出导致异常情况出现的原因,才能有效的解决异常情况,恢复数据库的处理能力。
目前分析异常情况出现原因的传统方式是,通过周期性或者手动获取数据库底层的性能统计数据,所述性能统计数据可以较为全面的、完整的体现所述数据库在各方面的运行数据。根据比对相邻两次获取的性能统计数据得到分析比对文件,通过所述分析比对文件确定出问题原因。
发明内容
但是,由于每次从数据库底层获取数据的过程中会消耗数据库大量资源,增加数据库处理负担。而且获取的性能统计数据只能反应获取数据那一时刻服务器的性能指标,而无法获得相邻两次获取时刻之间某一时间点的服务器性能指标。使得传统分析方式确定出的产生异常情况的原因的实时性和准确性都不高。
为此,非常需要一种改进的异常情况分析方法和装置,以使得可以降低在获取分析数据时对数据库处理能力的影响并提高异常情况分析的准确性。
在本上下文中,本发明的实施方式期望提供一种异常情况分析方法和装置。
在本发明实施方式的第一方面中,提供了一种异常情况分析方法,所述方法包括:
实时获取数据库内存中所述数据库的运行数据;
对所述运行数据进行异常情况判断,确定出所述数据库的目标异常情况,所述目标异常情况为预先确定的历史异常情况中的一种异常情况;
获取与所述目标异常情况相关的待分析数据,根据所述待分析数据确定出产生所述目标异常情况的原因,所述待分析数据来自所述数据库内存中的运行数据和/或所述数据库底层的性能统计数据。
可选的,根据所述历史异常情况的参数建立分析树,所述分析树包括至少一个根节点、至少一个枝节点和至少一个叶节点,其中,根节点与所述历史异常情况一一对应,枝节点包括与所述历史异常情况相关的待分析数据,叶节点包括产生所述历史异常情况的具体原因,在所述分析树中,根据所述历史异常情况、与所述历史异常情况的相关联的待分析数据和产生历史异常情况的具体原因之间的逻辑关系,连接所述至少一个根节点、至少一个枝节点和至少一个叶节点;
所述获取与所述目标异常情况相关的待分析数据,根据所述待分析数据确定出产生所述目标异常情况的原因,包括:
确定所述目标异常情况对应的目标根节点;
根据与所述目标根节点相连的枝节点确定出所述待分析数据;
根据针对所述待分析数据的分析结果,确定出目标叶节点,所述目标叶节点所包括的具体原因为产生所述目标异常情况的原因。
可选的,所述目标根节点和目标叶节点之间通过至少一个枝节点相连,若所述至少一个枝节点具体为多个时,所述根据与所述目标根节点相连的枝节点确定出所述待分析数据,根据针对所述待分析数据的分析结果,确定出目标叶节点,包括:
根据与所述目标根节点直接相连的第一子枝节点确定出第一子数据,所述第一子枝节点为所述至少一个枝节点中的枝节点,所述第一子数据为所述待分析数据中与所述第一子枝节点相关的数据;
根据所述第一子数据和所述第一子枝节点确定出与所述第一子枝节点相连的第二子枝节点以及第二子数据,直至确定出所述目标叶节点,其中,所述第二子枝节点为所述至少一个枝节点中的一个枝节点,所述第二子数据为所述待分析数据中与所述第二子枝节点相关的数据。
可选的,所述目标叶节点还提供了解决所述目标异常情况的解决方式。
可选的,执行所述方法的分析工具安装在部署了所述数据库的服务器中。
在本发明实施方式的第二方面中,提供了一种异常情况分析装置,所述装置包括:
获取单元,用于实时获取数据库内存中所述数据库的运行数据;
确定单元,用于对所述运行数据进行异常情况判断,确定出所述数据库的目标异常情况,所述目标异常情况为预先确定的历史异常情况中的一种异常情况;
分析单元,用于获取与所述目标异常情况相关的待分析数据,根据所述待分析数据确定出产生所述目标异常情况的原因,所述待分析数据来自所述数据库内存中的运行数据和/或所述数据库底层的性能统计数据。
可选的,还包括:
建立单元,用于根据所述历史异常情况的参数建立分析树,所述分析树包括至少一个根节点、至少一个枝节点和至少一个叶节点,其中,根节点与所述历史异常情况一一对应,枝节点包括与所述历史异常情况相关的待分析数据,叶节点包括产生所述历史异常情况的具体原因,在所述分析树中,根据所述历史异常情况、与所述历史异常情况的相关联的待分析数据和产生历史异常情况的具体原因之间的逻辑关系,连接所述至少一个根节点、至少一个枝节点和至少一个叶节点;
所述分析单元包括:
第一确定子单元,用于确定所述目标异常情况对应的目标根节点;
第二确定子单元,用于根据与所述目标根节点相连的枝节点确定出所述待分析数据;还用于根据针对所述待分析数据的分析结果,确定出目标叶节点,所述目标叶节点所包括的具体原因为产生所述目标异常情况的原因。
可选的,所述目标根节点和目标叶节点之间通过至少一个枝节点相连,若所述至少一个枝节点具体为多个时,
所述第二确定子单元具体用于根据与所述目标根节点直接相连的第一子枝节点确定出第一子数据,所述第一子枝节点为所述至少一个枝节点中的枝节点,所述第一子数据为所述待分析数据中与所述第一子枝节点相关的数据;根据所述第一子数据和所述第一子枝节点确定出与所述第一子枝节点相连的第二子枝节点以及第二子数据,直至确定出所述目标叶节点,其中,所述第二子枝节点为所述至少一个枝节点中的一个枝节点,所述第二子数据为所述待分析数据中与所述第二子枝节点相关的数据。
可选的,所述目标叶节点还提供了解决所述目标异常情况的解决方式。
可选的,包括所述装置的分析工具安装在部署了所述数据库的服务器中。
根据本发明实施方式提供的异常情况分析方法和装置,可以通过实时从数据库内存中获取的数据库运行数据,判断出所述数据库可能出现的目标异常情况,再针对性的获取与所述目标异常情况相关的待分析数据以确定产生所述目标异常情况的原因,可见,在判断分析异常情况时,不用每次都从数据库底层获取大量的性能统计数据,降低了在获取分析数据时对数据库处理能力的影响,而且可以实时的从数据库内存中获取运行数据,提高了确定出的产生异常情况的原因的准确性。为用户带来了更好的体验。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,其中:
图1为本发明实施例提供的一种异常情况分析方法的方法流程图;
图2a为本发明实施例提供的一种分析树的基本结构图;
图2b为本发明实施例提供的一种分析树的基本结构图;
图3为本发明实施例提供的一种具体应用场景下的分析树示意图;
图4为本发明实施例提供的另一种具体应用场景下的分析树示意图;
图5为本发明实施例提供的一种异常情况分析装置的装置结构图。
在附图中,相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解,给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明,而并非以任何方式限制本发明的范围。相反,提供这些实施方式是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
本领域技术人员知道,本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此,本公开可以具体实现为以下形式,即:完全的硬件、完全的软件(包括固件、驻留软件、微代码等),或者硬件和软件结合的形式。
根据本发明的实施方式,提出了一种异常情况分析方法和装置。
在本文中,需要理解的是,附图中的任何元素数量均用于示例而非限制,以及任何命名都仅用于区分,而不具有任何限制含义。
下面参考本发明的若干代表性实施方式,详细阐释本发明的原理和精神。
发明概述
本发明人发现,数据库主要用于按照数据结构来存储、管理海量数据,在互联网领域应用范围很广。随着互联网不断发展,数据库所需处理的业务越来越多,导致数据库时常会出现各种异常情况,造成数据库处理能力下降。需要快速准确的判断出导致异常情况出现的原因,才能有效的解决异常情况,恢复数据库的处理能力。目前分析异常情况出现原因的传统方式是,通过周期性或者手动获取数据库底层的性能统计数据,所述性能统计数据可以较为全面的、完整的体现所述数据库在各方面的运行数据。根据比对相邻两次获取的性能统计数据得到分析比对文件,通过所述分析比对文件确定出问题原因。
但是,由于每次从数据库底层获取数据的过程中会消耗数据库大量资源,增加数据库处理负担。而且获取的性能统计数据只能反应获取数据那一时刻服务器的性能指标,而无法获得相邻两次获取时刻之间某一时间点的服务器性能指标。使得传统分析方式确定出的产生异常情况的原因的实时性和准确性都不高。
为此,本发明实施例提供了一种异常情况分析方法和装置,可以通过实时从数据库内存中获取的数据库运行数据,判断出所述数据库可能出现的目标异常情况,再针对性的获取与所述目标异常情况相关的待分析数据以确定产生所述目标异常情况的原因,可见,在判断分析异常情况时,不用每次都从数据库底层获取大量的性能统计数据,降低了在获取分析数据时对数据库处理能力的影响,而且可以实时的从数据库内存中获取运行数据,提高了确定出的产生异常情况的原因的准确性。为用户带来了更好的体验。
进一步的,本发明实施例还提供了一种具有递进式树状结构的分析树,所述分析树根据所述历史异常情况的参数建立,所述分析树包括至少一个根节点、至少一个枝节点和至少一个叶节点,其中,根节点与所述历史异常情况一一对应,枝节点包括与所述历史异常情况相关的待分析数据,叶节点包括产生所述历史异常情况的具体原因,在所述分析树中,根据所述历史异常情况、与所述历史异常情况的相关联的待分析数据和产生历史异常情况的具体原因之间的逻辑关系,连接所述至少一个根节点、至少一个枝节点和至少一个叶节点。将判断出的所述目标异常情况在所述分析树上匹配到对应的根节点,再根据与该根节点相连的枝节点确定出待分析数据,直到分析出对应的叶结点,通过该叶结点确定出产生异常情况的原因。利用所述分析树,可以显著的提高异常情况分析的效率,为用户带来了更好的体验。
在介绍了本发明的基本原理之后,下面具体介绍本发明的各种非限制性实施方式。
应用场景总览
执行本发明实施例提供的异常情况分析方法以及承载本发明实施例提供的异常情况分析装置的分析工具可以安装在部署了待分析数据库的服务器中,由此可以更为及时、高效的从所述待分析数据库获取所需的数据。所述分析工具也可以部署在远端,作为远端的外部分析工具。而且,由于在待分析数据库出现异常情况的过程中,传统的外部分析工具无法与数据库建立连接,通过本发明实施例提供的这种部署在待分析的数据库端的部署方式,还可以在待分析的数据库出现无法通过外部分析工具连接的异常情况时,有效建立起与待分析数据库的数据连接。提高本发明实施例的适用范围。例如,实施本发明实施例的这种分析工具可以是一种部署在linux环境下基于oracle数据库服务器端的实时分析系统。
示例性方法
需要注意的是,上述应用场景仅是为了便于理解本发明的精神和原理而示出,本发明的实施方式在此方面不受任何限制。相反,本发明的实施方式可以应用于适用的任何场景。
图1为本发明实施例提供的一种异常情况分析方法的方法流程图,所述方法包括:
S101:实时获取数据库内存中所述数据库的运行数据。
S102:对所述运行数据进行异常情况判断,确定出所述数据库的目标异常情况,所述目标异常情况为预先确定的历史异常情况中的一种异常情况。
举例说明,相较于传统方式中定期的从数据库底层获取性能统计数据来判断数据库异常情况,在本发明实施例中,主要通过从数据库内存中获取的运行数据来判断数据库是否处于异常情况。与传统方式的区别在于用于判断数据库异常情况的数据所采集的位置不同。传统的方式中(例如针对oracle数据库的snapshot或者说快照)中判断数据库是否处于异常情况,用于异常情况判断的数据为从数据库底层获取的性能统计数据。由于获取的所述性能统计数据的数据量很大,而且从数据库底层获取数据的方式也会消耗系统更多的资源,所以在系统本身负担较大时,从数据库底层获取数据的操作会对数据库造成较大的影响,例如造成数据库系统的卡顿,影响数据库系统所提供的用户体验。故为了保证数据库系统的正常服务,尽量降低异常情况判断对数据库的影响,传统方式一般采用周期性的方式采集所述新能统计数据。周期性的数据采集方式导致采集的数据不具有实时性,只能反应采集时刻的数据库状态。
所述性能统计数据属于一种对数据库全局性的数据指标的集合,例如snapshot所获取的AWR报告(英文全称:AutomaticWorkloadRepository)。AWR报告中包括数据库中全方面的各项指标,数据量很大,而且需要通过人工的方式,查看AWR报告或者比对最近几次的AWR报告以得出数据库可能出现的问题。这种人工排查的方式耗时长,不能及时发现问题。
而本发明实施例中是实时的从数据库内存中采集运行数据。数据库内存中缓存的数据量一般不大,而且从数据库内存获取数据的方式对数据库的影响相对较小。所以即使采取实时获取的方式从数据库内存获取所述运行数据,也不会对数据库系统的正常服务带来较大影响。
还需要注意的是,虽然采集的所述运行数据的数据量相对所述性能统计数据要小,但是实时的数据库运行状态信息已经足以初步判断出数据库可能出现的异常情况。再加上实时采集的方式,可以达到对数据库异常情况的实时监控,能够及时发现数据库问题,减少了异常情况遗漏的情况的发生。这里所述运行数据可以包括数据库运行状态,如实时活跃会话状况、实时慢查询、实时数据库关键等待情况、实时锁信息、实时的结构化查询语言(英文全称:StructuredQueryLanguage,缩写:SQL)、近期数据库会话状况等。所述运行数据还可以包括数据库当前配置信息,如内存配置、空间配置、参数配置等。所述异常情况主要为已经已知的、数据库可能会出现的异常情况,可以为预先确定的历史异常情况集合。这里所述的异常情况可以理解为数据库所处的异常状态,所述异常情况至少可以包括以下常见四种中的一种或多种:(1)大量同类型事件(event)、(2)大量LongOPS(一种运行时间长的会话)、(3)同时大量相同SQL阻塞、(4)同时大量同类型锁竞争。
通过所述运行数据可能会判断出所述数据库具有一种异常情况或者多种异常情况。若判断出所述数据库只具有一种异常情况,则该异常情况为所述目标异常情况。若判断出所述数据库具有多种异常情况,所述目标异常情况可以为该多种异常情况中的一种异常情况。
S103:获取与所述目标异常情况相关的待分析数据,根据所述待分析数据确定出产生所述目标异常情况的原因,所述待分析数据来自所述数据库内存中的运行数据和/或所述数据库底层的性能统计数据。
举例说明,当确定出所述目标异常情况,可以有针对性的从所述数据库获取与所述目标异常情况相关的数据,而不用获取与所述目标异常情况无关的数据。相比于传统方式,可以不用如传统方式中那样获取所述数据库底层的全部性能统计数据。例如,若所述目标异常情况具体为出现大量同类型事件,则从所述数据库获取与大量同类型事件相关的待分析数据。可见,在本发明实施例中,获取的所述待分析数据相对于所述目标异常情况更有针对性,所述待分析数据的数据量也相对于所述性能统计数据更少,也就是说,在分析所述目标异常情况的成因过程中,所需分析的数据相对传统方式更少且更针对于数据库出现的异常情况,由此减少了分析时长,提高了对数据库异常情况分析的效率。
针对一些特定的目标异常情况,对应的待分析数据可以有一部分或者全部都来自所述数据库内存中的运行数据,这样只需从数据库底层获取一部分待分析数据甚至不需要从数据库底层获取数据,由此进一步降低了在获取待分析数据时对所述数据库所带来的处理负担。若所述待分析数据中一部分或者全部需要从所述数据库底层获取,获取的数据可以包括:数据库SQL执行情况,如执行计划变动情况、执行频率、单次执行性能、整体资源消耗、横向纵向性能变动比对等。获取的数据还可以包括:数据库对象信息,如表结构信息、索引设计、对象状态、统计信息、数据分布、数据量大小、表依赖关系、对象关联SQL及性能等。
可见,可以通过实时从数据库内存中获取的数据库运行数据,判断出所述数据库可能出现的目标异常情况,再针对性的获取与所述目标异常情况相关的待分析数据以确定产生所述目标异常情况的原因,可见,在判断分析异常情况时,不用每次都从数据库底层获取大量的性能统计数据,降低了在获取分析数据时对数据库处理能力的影响,而且可以实时的从数据库内存中获取运行数据,提高了确定出的产生异常情况的原因的准确性。为用户带来了更好的体验。
由于本发明实施例中获取的所述待分析数据相对于所述目标异常情况更具有针对性,不光可以提高人工分析的效率,还可以通过自动分析的方式,确定出所述目标异常情况的成因。可选的,本发明实施例还提供了一种自动分析异常情况的方式,通过使用分析树分析所述待分析数据,以确定出产生所述目标异常情况的原因。
首先介绍所述分析树的建立和组成。主要依靠已知的异常情况和对应的成因也就是所述历史异常情况的参数建立所述分析树。所述分析树具有递进式的结构,具体的,所述分析树包括至少一个根(Root)节点、至少一个枝(Branch)节点和至少一个叶(Leaf)节点,其中,根节点与所述历史异常情况一一对应,枝节点包括与所述历史异常情况相关的待分析数据,叶节点包括产生所述历史异常情况的具体原因,在所述分析树中,根据所述历史异常情况、与所述历史异常情况的相关联的待分析数据和产生历史异常情况的具体原因之间的逻辑关系,连接所述至少一个根节点、至少一个枝节点和至少一个叶节点。
举例说明,枝节点是对根节点所对应的异常情况做递进式分析的分支节点。通过枝节点的指示,可以从所述数据库中获取相应的待分析数据,并按照枝节点的指示进行相应的判断、比对等分析操作。叶节点是分析路径的结束节点,包含对分析路径上分析结果所对应的异常情况产生原因,也就是指出当前产生所述目标异常情况的问题源是什么。可选的,所述叶节点还可以提供解决所述目标异常情况的解决方式。叶节点提供的解决方式可以是通过历史数据归纳得到。
接下来结合附图说明所述分析树的结构和作用,图2a为本发明实施例提供的一种分析树的基本结构图。如图2a所示,所述分析树的根节点1通过枝节点1与叶节点1相连。可以看出所述分析树具有一种递进式的结构特点,图中的箭头可以用于指示递进的顺序。例如,当确定出所述目标异常情况为图2中该根节点1所示的异常情况时,通过箭头所示的递进顺序,通过枝节点的指示从所述数据库中获取对应的待分析数据,并依据所述枝节点的指示进行分析,得到分析结果后,通过箭头所示的递进顺序,可以在叶节点1处获得造成所述目标异常情况的原因,或者还可以获取解决目标异常情况的处理方式。需要注意的是,图2所示的结构仅为分析树的最基本结构,仅为了方便说明,并不起到限定分析树结构中只能具有根节点通过一个枝节点连接到一个叶节点的结构关系。在分析树中,根节点还可以具有与多个枝节点直接相连的结构关系。例如如图2b中,根节点1可以与枝节点1和枝节点2相连,这种连接关系可以理解为造成根节点1所对应的异常情况可能有两种数据异常情况。在分析树中,针对一些情况较为复杂的分析过程,枝节点还可以与其他枝节点相连。例如如图2b中,枝节点1通过递进关系与枝节点3相连,枝节点3再通过递进关系与叶节点1相连。可能有多个原因都会造成相同的异常情况,故在分析树中,根据递进关系,根节点最终可以与多个叶节点相连。例如如图2b中,根节点1通过枝节点1、枝节点3与叶节点1相连。根节点1还通过枝节点2与叶节点2相连。根节点1还通过枝节点1与叶节点2相连。这里对枝节点1需要说明的是,在递进关系中,从枝节点1既可以通过一条支路找到枝节点3,也可以另一条支路找到叶节点2,选择哪一条支路可以与枝节点1的分析类型或分析结果相关。例如枝节点1可能会指示进行判断类型的分析,判断结果为是时选择一条支路,判断结果为否时选择另一条支路。或者,例如枝节点1的分析结果有两种,分析结果为a时选择一条支路,分析结果为b时选择另一条支路等。还需要注意的是,通过不同根节点可能会指向同一个叶节点,也就是说,造成不同异常情况的原因可能是相同的。
接下来说明如何使用分析树对异常情况进行分析。
图1所对应实施例中,S103可以具体包括:
确定所述目标异常情况对应的目标根节点。
根据与所述目标根节点相连的枝节点确定出所述待分析数据。
根据针对所述待分析数据的分析结果,确定出目标叶节点,所述目标叶节点所包括的具体原因为产生所述目标异常情况的原因。
举例说明,由于在S102中已经通过数据库内存中运行数据确定出了目标异常情况,一般情况下,可以在分析树找到对应该目标异常情况的目标根节点。若该目标根节点具有多条支路,即具有直接相连的多个枝节点,可以根据所述目标异常情况的特点,选择其中一条支路开始分析,或者例如当多条支路或全部支路通过递进关系确定的下一级节点为相同节点时,可以选择该多条支路或者全部支路同时开始分析。所述待分析数据可以包括从目标根节点到目标叶节点之间所经过的一个或多个枝节点所指示获取的数据总和,也就是说,在需要从目标根节点经过多个枝节点到达目的叶节点的情况下,该多个枝节点中任意一个枝节点所指示获取的数据为所述待分析数据的一部分。
当所述目标根节点和目标叶节点之间通过多个枝节点相连时,可选的,所述根据与所述目标根节点相连的枝节点确定出所述待分析数据,根据针对所述待分析数据的分析结果,确定出目标叶节点,包括:
根据与所述目标根节点直接相连的第一子枝节点确定出第一子数据,所述第一子枝节点为所述至少一个枝节点中的枝节点,所述第一子数据为所述待分析数据中与所述第一子枝节点相关的数据。
根据所述第一子数据和所述第一子枝节点确定出与所述第一子枝节点相连的第二子枝节点以及第二子数据,直至确定出所述目标叶节点,其中,所述第二子枝节点为所述至少一个枝节点中的一个枝节点,所述第二子数据为所述待分析数据中与所述第二子枝节点相关的数据。
举例说明,可以如图2b所示,若目的根节点为根节点1,目的叶节点为叶节点1,那么第一子枝节点为枝节点1,第二子枝节点为枝节点3。可以通过枝节点1的指示获取相应的内容(即第一子数据),得到枝节点1的分析结果后,再在通过枝节点2的指示获取相应的内容(即第二子数据),得到枝节点2的分析结果后,由叶节点1给出造成根节点1对应的目的异常情况的原因。
接下来通过两个具体的应用场景为例,进一步说明对本发明实施例中提供分析树的运用。图3为本发明实施例提供的一种具体应用场景下的分析树示意图。通过图3所示的分析树结构,将对上文中提到的异常情况(1)大量同类型事件中的一种具体的事件类型:缓冲繁忙等待(bufferbusywaits)进行异常情况分析的描述。bufferbusywaits属于一种事件等待状态。可以通过实时分析数据库内存中的运行数据确定大量activesession都处于bufferbusywaits这个event等待状态的情况。也就是说确定所述目标异常情况可以为当前数据库活跃会话(activesession)出现bufferbusywaits阻塞的情况。根据图3所示分析树的结构,进入枝节点:bufferbusywaits的分析路径。
枝节点:bufferbusywaits的子枝节点有两个,也就是说从枝节点:bufferbusywaits往下有两条支路,可以先通过图示左边的支路开始异常情况分析。通过左边支路的第一个子枝节点:事件历史(eventhistory)的指示采集event最近一段时间的历史数据,然后递进式的进入下一层的子枝节点:单次时延对比和等待次数对比,可以将之前采集的历史数据自动对比前后平均单次等待时延和等待次数的情况。如果分析结果为前后单次等待时延和等待次数均没有明显变化,则可以直接确定目标叶节点为图3中最左边的叶节点,该叶节点会给出可能的原因:IO性能波动或者业务热点引起的所述目标异常情况,该叶节点还可以给出相应的应对策略以提供参考,例如可以持续观察一段时间,确定是否还存在持续的bufferbusywaits,并与产品及开发人员确认是否在对象上存在业务热点的情况。
如果在子枝节点:单次时延对比和等待次数对比的分析结果为单次等待时延变慢或者等待次数明显增加,可以自动判断可能是数据库整体相应变慢或者业务出现波动。此时需要对当前bufferbusywaits的活跃会话(activewait)进行分析。需要由子枝节点:性能突变沿着递进顺序确定到图3所示的右边支路中的子枝节点:活跃会话(activewait)。在子枝节点:活跃会话这里出现了向下的两条支路,左边支路指向子枝节点:等待对象。在该子枝节点处,需要对等待对象进行分析,查看等待对象的数据块类型,分析是属于写热点块还是读热点块。若分析结果为写热点快,则进入子枝节点:写热点快。子枝节点:写热点快向下具有三条支路,分别指向三个子枝节点。
这三个子枝节点中最左边的子枝节点:数据库以及子枝节点:同行热点和同块多行主要是判断数据块是同行热点还是同块多行热点的情况。子枝节点:同行热点对应的叶节点中包括异常情况成因为:“对应热点行的信息”。还可以提供的解决方案有:a.降低对应热点行的写并发度,b.单行操作使用队列进行顺序化更新,c.单行水平拆分成多行拆分热点。子枝节点:同块多行对应的叶节点会所包括的异常情况成因为“单块数据过多或并发写太多”,该叶节点还可以提供对应的解决方案:a.降低吸入并发度,b.使用pctfree或者row_per_block等手段减少单块的行数,c.使用更小的blocksize降低单块行数。
这三个子枝节点中处于中间的子枝节点:UNDO块(回滚段块)所指向的叶节点所包括的异常情况成因为:“由于SQL操作的表上读写并发都很高,故可能是对象上读写同时并发引起一致性读的UNDO块热点”。该叶节点提供对应的解决方案为:a.使用读写分离、分离读业务和写业务,b.牺牲一定的业务查询准确性、增加缓存机制,c.调整回滚段机制优化(autoundomanagerment)等参数。
这三个子枝节点中处于最右边的子枝节点:索引块所指向的叶节点所包括的异常情况成因为:“关联的索引字段频繁更新”。该叶节点提供对应的解决方案为:去除频繁进行update操作的字段上的索引,调整业务查询逻辑。
对于子枝节点:等待对象右边支路所指向的子枝节点:读热快,其对应的叶节点所包括的异常情况成因为:“读操作过于频繁或者单次读取的块数太多导致出现业务热点块”。该叶节点提供的解决方案有:a.使用读写分离分割读请求,将读写进行分离b.增加缓存、从而减少数据库读请求,c.优化关联对象(例如SQL查询的表)上buffergets和physicreads高的sql、从而减少每次读请求读取的数据块数。
对于子枝节点:活跃会话的右边支路所指向的子枝节点:等待SQL可以通过分析SQL路径,确定出对应的叶节点,得出SQL分析结果。
图4为本发明实施例提供的另一种具体应用场景下的分析树示意图。展示针对当前数据库出现大量相同SQL阻塞的情况(即上文中的异常情况(3)同时大量相同SQL阻塞)分析树的结构。子枝节点:同一SQL阻塞具有三条支路,分别指向三个子枝节点,分别为SQL执行情况、关联对象分析和SQL执行计划。
子枝节点:SQL执行情况具有两个子枝节点:执行次数和单次执行性能,分别用于指示查询SQL最近一段时间内执行频率(执行次数)和单次执行性能。通过获取当前时间点的SQL执行情况与最近一次记录的执行次数的环比信息,以及当前时间点的SQL的单次执行性能与最近一个周期同一时间点的单词执行性能的环比变动情况,判断数据是否处于正常状态。如果执行次数异常(例如次数比之前高了50%以上),则确定目的叶节点为子枝节点:次数异常所指向的叶节点,该叶节点所包括的异常情况成因为:“执行次数突变”。提供了解决方案可以包括:提示管理员确认近期是否有运营活动、黑客攻击、业务调整、应用引流、缓存失效等情况出现,根据实际情况进行优化。如果单次执行性能和执行次数均正常则达到子枝节点:检查整体负载。通过整体负载检查,如果整体负载也正常则很可能是由于性能波动(IO或CPU性能波动)引起,需要持续观察;如果整体负载异常则很可能是系统出现异常,需要联系系统管理员进行排查系统和存储。如果单次执行性能异常,则分析路径指向检查整体负载枝节点和SQL执行计划分析枝节点。
子枝节点:关联对象分析,可以通过所指向的四个子枝节点:数据量及数据分布、业务类型、索引结构和统计信息的指示从数据库获取相应数据,并进行查询关联表的数据量、表上数据分布情况、表的业务类型、索引结构、统计信息的数据分析,形成一个关联对象特征信息结果集、从而辅助SQL执行计划分析。其中,关联表指SQL操作关联的表;数据量指表有多少行数据;数据分布指标上每个特征值的数据行数,如订单表里每个账号有多少条数据,是否有特殊账号数据量特别多的;业务类型具体为属于基本不更新的配置表,很少更新的用户信息表,频繁更新的订单表等等;索引结构指表的索引状况。
子枝节点:SQL执行计划分析可以指示通过关联对象分析的特征结果集协助维护人员判断SQL执行计划的优劣。子枝节点:SQL执行计划分析的多个直接或间接的子枝节点分工合作,执行其中各部分、各数据点的数据分析。例如,如果执行计划中有高效的执行计划,则指向的叶节点包括的异常情况成因为:“执行计划突变”,解决方案是本工具提供的SQL绑定执行计划功能,将SQL绑定高性能的执行计划;如果当前执行计划都是低效的,但能通过人工调整使SQL使用高效的执行计划,则叶节点包括的异常情况成因为:“执行计划异常或索引失效(即索引不可用状态)”,解决方案是本工具提供的SQL定制高效执行计划功能,再使用本工具的绑定功能将SQL绑定高性能的执行计划;如果关联对象现状和SQL过滤条件导致SQL无法选择高效的执行计划,则需要针对特定的SQL业务场景进行优化。还可以提供通用的优化思路:a.代码优化:改写SQL、合并同类型操作、拆分事务等;b.数据库优化:对象改造、数据库调优、硬件升级等;c.业务优化:模糊业务查询、修改实现逻辑、业务读写分离、引入外部系统等。
示例性设备
在介绍了本发明示例性实施方式的方法之后,接下来,参考图5对与上述示例性方法对应的异常情况分析装置进行介绍。
图5为本发明实施例提供的一种异常情况分析装置的装置结构图,所述装置包括:
获取单元501,用于实时获取数据库内存中所述数据库的运行数据。
确定单元502,用于对所述运行数据进行异常情况判断,确定出所述数据库的目标异常情况,所述目标异常情况为预先确定的历史异常情况中的一种异常情况。
分析单元503,用于获取与所述目标异常情况相关的待分析数据,根据所述待分析数据确定出产生所述目标异常情况的原因,所述待分析数据来自所述数据库内存中的运行数据和/或所述数据库底层的性能统计数据。
发明实施例还提供了一种使用分析树分析所述待分析数据,以确定出产生所述目标异常情况的原因的方式。可选的,在图5所对应实施例的基础上,所述装置还包括:
建立单元,用于根据所述历史异常情况的参数建立分析树,所述分析树包括至少一个根节点、至少一个枝节点和至少一个叶节点,其中,根节点与所述历史异常情况一一对应,枝节点包括与所述历史异常情况相关的待分析数据,叶节点包括产生所述历史异常情况的具体原因,在所述分析树中,根据所述历史异常情况、与所述历史异常情况的相关联的待分析数据和产生历史异常情况的具体原因之间的逻辑关系,连接所述至少一个根节点、至少一个枝节点和至少一个叶节点。
所述分析单元503包括:
第一确定子单元,用于确定所述目标异常情况对应的目标根节点。
第二确定子单元,用于根据与所述目标根节点相连的枝节点确定出所述待分析数据;还用于根据针对所述待分析数据的分析结果,确定出目标叶节点,所述目标叶节点所包括的具体原因为产生所述目标异常情况的原因。
可选的,所述目标根节点和目标叶节点之间通过至少一个枝节点相连,若所述至少一个枝节点具体为多个时,
所述第二确定子单元具体用于根据与所述目标根节点直接相连的第一子枝节点确定出第一子数据,所述第一子枝节点为所述至少一个枝节点中的枝节点,所述第一子数据为所述待分析数据中与所述第一子枝节点相关的数据;根据所述第一子数据和所述第一子枝节点确定出与所述第一子枝节点相连的第二子枝节点以及第二子数据,直至确定出所述目标叶节点,其中,所述第二子枝节点为所述至少一个枝节点中的一个枝节点,所述第二子数据为所述待分析数据中与所述第二子枝节点相关的数据。
可选的,所述目标叶节点还提供了解决所述目标异常情况的解决方式。
可选的,包括所述装置的分析工具安装在部署了所述数据库的服务器中。
可见,可以通过实时从数据库内存中获取的数据库运行数据,判断出所述数据库可能出现的目标异常情况,再针对性的获取与所述目标异常情况相关的待分析数据以确定产生所述目标异常情况的原因,可见,在判断分析异常情况时,不用每次都从数据库底层获取大量的性能统计数据,降低了在获取分析数据时对数据库处理能力的影响,而且可以实时的从数据库内存中获取运行数据,提高了确定出的产生异常情况的原因的准确性。为用户带来了更好的体验。
应当注意,尽管在上文详细描述中提及了异常情况分析装置包括的若干装置或子装置,但是这种划分仅仅并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多装置的特征和功能可以在一个装置中具体化。反之,上文描述的一个装置的特征和功能可以进一步划分为由多个装置来具体化。
此外,尽管在附图中以特定顺序描述了本发明方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
虽然已经参考若干具体实施方式描述了本发明的精神和原理,但是应该理解,本发明并不限于所公开的具体实施方式,对各方面的划分也不意味着这些方面中的特征不能组合以进行受益,这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。
Claims (10)
1.一种异常情况分析方法,其特征在于,所述方法包括:
实时获取数据库内存中所述数据库的运行数据;
对所述运行数据进行异常情况判断,确定出所述数据库的目标异常情况,所述目标异常情况为预先确定的历史异常情况中的一种异常情况;
获取与所述目标异常情况相关的待分析数据,根据所述待分析数据确定出产生所述目标异常情况的原因,所述待分析数据来自所述数据库内存中的运行数据和/或所述数据库底层的性能统计数据。
2.根据权利要求1所述的方法,其特征在于,根据所述历史异常情况的参数建立分析树,所述分析树包括至少一个根节点、至少一个枝节点和至少一个叶节点,其中,根节点与所述历史异常情况一一对应,枝节点包括与所述历史异常情况相关的待分析数据,叶节点包括产生所述历史异常情况的具体原因,在所述分析树中,根据所述历史异常情况、与所述历史异常情况的相关联的待分析数据和产生历史异常情况的具体原因之间的逻辑关系,连接所述至少一个根节点、至少一个枝节点和至少一个叶节点;
所述获取与所述目标异常情况相关的待分析数据,根据所述待分析数据确定出产生所述目标异常情况的原因,包括:
确定所述目标异常情况对应的目标根节点;
根据与所述目标根节点相连的枝节点确定出所述待分析数据;
根据针对所述待分析数据的分析结果,确定出目标叶节点,所述目标叶节点所包括的具体原因为产生所述目标异常情况的原因。
3.根据权利要求2所述的方法,其特征在于,所述目标根节点和目标叶节点之间通过至少一个枝节点相连,若所述至少一个枝节点具体为多个时,所述根据与所述目标根节点相连的枝节点确定出所述待分析数据,根据针对所述待分析数据的分析结果,确定出目标叶节点,包括:
根据与所述目标根节点直接相连的第一子枝节点确定出第一子数据,所述第一子枝节点为所述至少一个枝节点中的枝节点,所述第一子数据为所述待分析数据中与所述第一子枝节点相关的数据;
根据所述第一子数据和所述第一子枝节点确定出与所述第一子枝节点相连的第二子枝节点以及第二子数据,直至确定出所述目标叶节点,其中,所述第二子枝节点为所述至少一个枝节点中的一个枝节点,所述第二子数据为所述待分析数据中与所述第二子枝节点相关的数据。
4.根据权利要求2所述的方法,其特征在于,所述目标叶节点还提供了解决所述目标异常情况的解决方式。
5.根据权利要求1至4任一项所述的方法,其特征在于,执行所述方法的分析工具安装在部署了所述数据库的服务器中。
6.一种异常情况分析装置,其特征在于,所述装置包括:
获取单元,用于实时获取数据库内存中所述数据库的运行数据;
确定单元,用于对所述运行数据进行异常情况判断,确定出所述数据库的目标异常情况,所述目标异常情况为预先确定的历史异常情况中的一种异常情况;
分析单元,用于获取与所述目标异常情况相关的待分析数据,根据所述待分析数据确定出产生所述目标异常情况的原因,所述待分析数据来自所述数据库内存中的运行数据和/或所述数据库底层的性能统计数据。
7.根据权利要求6所述的装置,其特征在于,还包括:
建立单元,用于根据所述历史异常情况的参数建立分析树,所述分析树包括至少一个根节点、至少一个枝节点和至少一个叶节点,其中,根节点与所述历史异常情况一一对应,枝节点包括与所述历史异常情况相关的待分析数据,叶节点包括产生所述历史异常情况的具体原因,在所述分析树中,根据所述历史异常情况、与所述历史异常情况的相关联的待分析数据和产生历史异常情况的具体原因之间的逻辑关系,连接所述至少一个根节点、至少一个枝节点和至少一个叶节点;
所述分析单元包括:
第一确定子单元,用于确定所述目标异常情况对应的目标根节点;
第二确定子单元,用于根据与所述目标根节点相连的枝节点确定出所述待分析数据;还用于根据针对所述待分析数据的分析结果,确定出目标叶节点,所述目标叶节点所包括的具体原因为产生所述目标异常情况的原因。
8.根据权利要求7所述的装置,其特征在于,所述目标根节点和目标叶节点之间通过至少一个枝节点相连,若所述至少一个枝节点具体为多个时,
所述第二确定子单元具体用于根据与所述目标根节点直接相连的第一子枝节点确定出第一子数据,所述第一子枝节点为所述至少一个枝节点中的枝节点,所述第一子数据为所述待分析数据中与所述第一子枝节点相关的数据;根据所述第一子数据和所述第一子枝节点确定出与所述第一子枝节点相连的第二子枝节点以及第二子数据,直至确定出所述目标叶节点,其中,所述第二子枝节点为所述至少一个枝节点中的一个枝节点,所述第二子数据为所述待分析数据中与所述第二子枝节点相关的数据。
9.根据权利要求7所述的装置,其特征在于,所述目标叶节点还提供了解决所述目标异常情况的解决方式。
10.根据权利要求6至9任一项所述的装置,其特征在于,包括所述装置的分析工具安装在部署了所述数据库的服务器中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510747170.0A CN105302657B (zh) | 2015-11-05 | 2015-11-05 | 一种异常情况分析方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510747170.0A CN105302657B (zh) | 2015-11-05 | 2015-11-05 | 一种异常情况分析方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105302657A true CN105302657A (zh) | 2016-02-03 |
CN105302657B CN105302657B (zh) | 2020-12-15 |
Family
ID=55199950
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510747170.0A Active CN105302657B (zh) | 2015-11-05 | 2015-11-05 | 一种异常情况分析方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105302657B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446938A (zh) * | 2016-09-13 | 2017-02-22 | 内江市旭日环境科技有限公司 | 带式输送机前瞻自诊断方法及系统 |
CN106682080A (zh) * | 2016-11-21 | 2017-05-17 | 云南电网有限责任公司电力科学研究院 | 一种变压器故障分析方法及系统 |
CN107643956A (zh) * | 2017-08-22 | 2018-01-30 | 北京京东尚科信息技术有限公司 | 定位异常数据的异常起源的方法和装置 |
CN108197222A (zh) * | 2017-12-28 | 2018-06-22 | 北京中关村科金技术有限公司 | 一种异常流数据的修复方法、系统及相关装置 |
CN108667872A (zh) * | 2017-03-31 | 2018-10-16 | 北京京东尚科信息技术有限公司 | 用于调度服务器的存档方法和装置 |
CN109656969A (zh) * | 2018-11-16 | 2019-04-19 | 北京奇虎科技有限公司 | 数据异动分析方法及装置 |
CN109933492A (zh) * | 2019-03-22 | 2019-06-25 | 北京极简智能科技有限公司 | 一种软件异常溯源方法、系统、设备及存储介质 |
CN109933507A (zh) * | 2019-03-22 | 2019-06-25 | 北京极简智能科技有限公司 | 一种程序性能检测方法、系统、设备及存储介质 |
CN110297814A (zh) * | 2019-05-22 | 2019-10-01 | 中国平安人寿保险股份有限公司 | 数据库操作的性能监控方法、装置、设备及存储介质 |
CN110503477A (zh) * | 2019-08-26 | 2019-11-26 | 上海携程国际旅行社有限公司 | 订单的毛利异常原因的分析方法、系统、设备和存储介质 |
CN112526905A (zh) * | 2020-11-27 | 2021-03-19 | 杭州萤石软件有限公司 | 一种针对指标异常的处理方法及系统 |
CN112804599A (zh) * | 2019-11-14 | 2021-05-14 | 中盈优创资讯科技有限公司 | 网络质差点确定方法、装置、计算机设备及可读存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1860476A (zh) * | 2003-08-11 | 2006-11-08 | 合声系统公司 | 用于自动化计算机支持的系统和方法 |
CN1950778A (zh) * | 2004-03-09 | 2007-04-18 | Ip锁有限公司 | 数据库用户行为监控系统及方法 |
CN101021724A (zh) * | 2006-06-19 | 2007-08-22 | 青岛鑫三利冷箱技术有限公司 | 冷藏集装箱微控制器故障诊断系统 |
US20110276836A1 (en) * | 2008-10-16 | 2011-11-10 | Chen Kahana | Performance analysis of applications |
CN202150114U (zh) * | 2011-03-31 | 2012-02-22 | 成都勤智数码科技有限公司 | 一种Oracle监控系统 |
CN102567471A (zh) * | 2011-12-13 | 2012-07-11 | 华东师范大学 | 一种基于信息增益计算的海量数据异常侦测方法 |
CN103246735A (zh) * | 2013-05-13 | 2013-08-14 | 中国工商银行股份有限公司 | 一种异常数据处理方法及系统 |
CN104699759A (zh) * | 2015-02-10 | 2015-06-10 | 上海新炬网络信息技术有限公司 | 一种数据库自动化运行维护方法 |
CN104809134A (zh) * | 2014-01-27 | 2015-07-29 | 国际商业机器公司 | 检测数据序列中的异常子序列的方法和设备 |
US20150248611A1 (en) * | 2014-02-28 | 2015-09-03 | Honeywell International Inc. | Methods for producing customer configurable technical manuals |
CN104937556A (zh) * | 2013-01-30 | 2015-09-23 | 惠普发展公司,有限责任合伙企业 | 恢复数据库的页面 |
-
2015
- 2015-11-05 CN CN201510747170.0A patent/CN105302657B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1860476A (zh) * | 2003-08-11 | 2006-11-08 | 合声系统公司 | 用于自动化计算机支持的系统和方法 |
CN1950778A (zh) * | 2004-03-09 | 2007-04-18 | Ip锁有限公司 | 数据库用户行为监控系统及方法 |
CN101021724A (zh) * | 2006-06-19 | 2007-08-22 | 青岛鑫三利冷箱技术有限公司 | 冷藏集装箱微控制器故障诊断系统 |
US20110276836A1 (en) * | 2008-10-16 | 2011-11-10 | Chen Kahana | Performance analysis of applications |
CN202150114U (zh) * | 2011-03-31 | 2012-02-22 | 成都勤智数码科技有限公司 | 一种Oracle监控系统 |
CN102567471A (zh) * | 2011-12-13 | 2012-07-11 | 华东师范大学 | 一种基于信息增益计算的海量数据异常侦测方法 |
CN104937556A (zh) * | 2013-01-30 | 2015-09-23 | 惠普发展公司,有限责任合伙企业 | 恢复数据库的页面 |
CN103246735A (zh) * | 2013-05-13 | 2013-08-14 | 中国工商银行股份有限公司 | 一种异常数据处理方法及系统 |
CN104809134A (zh) * | 2014-01-27 | 2015-07-29 | 国际商业机器公司 | 检测数据序列中的异常子序列的方法和设备 |
US20150248611A1 (en) * | 2014-02-28 | 2015-09-03 | Honeywell International Inc. | Methods for producing customer configurable technical manuals |
CN104699759A (zh) * | 2015-02-10 | 2015-06-10 | 上海新炬网络信息技术有限公司 | 一种数据库自动化运行维护方法 |
Non-Patent Citations (1)
Title |
---|
张连育: "基于数据挖掘的电力故障分析及预警系统研究与实现", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446938A (zh) * | 2016-09-13 | 2017-02-22 | 内江市旭日环境科技有限公司 | 带式输送机前瞻自诊断方法及系统 |
CN106446938B (zh) * | 2016-09-13 | 2019-07-19 | 内江市旭日环境科技有限公司 | 带式输送机前瞻自诊断方法及系统 |
CN106682080A (zh) * | 2016-11-21 | 2017-05-17 | 云南电网有限责任公司电力科学研究院 | 一种变压器故障分析方法及系统 |
CN108667872A (zh) * | 2017-03-31 | 2018-10-16 | 北京京东尚科信息技术有限公司 | 用于调度服务器的存档方法和装置 |
CN108667872B (zh) * | 2017-03-31 | 2021-04-30 | 北京京东尚科信息技术有限公司 | 用于调度服务器的存档方法和装置 |
CN107643956A (zh) * | 2017-08-22 | 2018-01-30 | 北京京东尚科信息技术有限公司 | 定位异常数据的异常起源的方法和装置 |
CN107643956B (zh) * | 2017-08-22 | 2020-09-01 | 北京京东尚科信息技术有限公司 | 定位异常数据的异常起源的方法和装置 |
CN108197222A (zh) * | 2017-12-28 | 2018-06-22 | 北京中关村科金技术有限公司 | 一种异常流数据的修复方法、系统及相关装置 |
CN108197222B (zh) * | 2017-12-28 | 2020-03-24 | 北京中关村科金技术有限公司 | 一种异常流数据的修复方法、系统及相关装置 |
CN109656969A (zh) * | 2018-11-16 | 2019-04-19 | 北京奇虎科技有限公司 | 数据异动分析方法及装置 |
CN109933492B (zh) * | 2019-03-22 | 2023-01-24 | 北京极简智能科技有限公司 | 一种软件异常溯源方法、系统、设备及存储介质 |
CN109933492A (zh) * | 2019-03-22 | 2019-06-25 | 北京极简智能科技有限公司 | 一种软件异常溯源方法、系统、设备及存储介质 |
CN109933507A (zh) * | 2019-03-22 | 2019-06-25 | 北京极简智能科技有限公司 | 一种程序性能检测方法、系统、设备及存储介质 |
CN109933507B (zh) * | 2019-03-22 | 2023-02-03 | 北京极简智能科技有限公司 | 一种程序性能检测方法、系统、设备及存储介质 |
CN110297814A (zh) * | 2019-05-22 | 2019-10-01 | 中国平安人寿保险股份有限公司 | 数据库操作的性能监控方法、装置、设备及存储介质 |
CN110503477A (zh) * | 2019-08-26 | 2019-11-26 | 上海携程国际旅行社有限公司 | 订单的毛利异常原因的分析方法、系统、设备和存储介质 |
CN110503477B (zh) * | 2019-08-26 | 2024-04-05 | 上海携程国际旅行社有限公司 | 订单的毛利异常原因的分析方法、系统、设备和存储介质 |
CN112804599A (zh) * | 2019-11-14 | 2021-05-14 | 中盈优创资讯科技有限公司 | 网络质差点确定方法、装置、计算机设备及可读存储介质 |
CN112526905A (zh) * | 2020-11-27 | 2021-03-19 | 杭州萤石软件有限公司 | 一种针对指标异常的处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105302657B (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105302657A (zh) | 一种异常情况分析方法和装置 | |
CN102323945B (zh) | 一种基于sql的数据库管理方法和装置 | |
CN102799622B (zh) | 基于MapReduce扩展框架的分布式SQL查询方法 | |
CN103390066B (zh) | 一种数据库全局性自动化优化预警装置及其处理方法 | |
US8239369B2 (en) | Method and apparatus for enhancing performance of database and environment thereof | |
US20190146966A1 (en) | Applications Of Automated Discovery Of Template Patterns Based On Received Requests | |
US7797347B2 (en) | Workload aware checking of database reorganization | |
CN101630291B (zh) | 虚拟存储系统和方法 | |
CN104620239A (zh) | 自适应查询优化 | |
CN104423960A (zh) | 一种项目持续集成的方法及系统 | |
US7644063B2 (en) | Apparatus, system, and method for ensuring query execution plan stability in a database management system | |
CN102546247A (zh) | 一种适用流式处理的大规模数据连续分析系统 | |
CN104111958A (zh) | 一种数据查询方法及装置 | |
CN115640278B (zh) | 一种数据库性能智能优化的方法及系统 | |
CN110795614A (zh) | 一种索引自动优化方法及装置 | |
CN113704296A (zh) | 一种基于Spark SQL的计算下推查询优化方法 | |
Yu et al. | Sasm: Improving spark performance with adaptive skew mitigation | |
CN117951119A (zh) | 一种基于云计算的数据库性能优化方法 | |
CN111913937B (zh) | 数据库运维方法和装置 | |
CN111797118A (zh) | 大型数据库系统的迭代式多属性索引选择 | |
CN112037017B (zh) | 一种确定批处理作业评价结果的方法、装置、设备 | |
CN114756602A (zh) | 实时流式的流程挖掘方法和系统及计算机可读存储介质 | |
WO2011118425A1 (ja) | クエリ最適化システム、クエリ最適化装置、及びクエリ最適化方法 | |
CN112506893A (zh) | 一种sql预执行优化的方法、装置、设备及可读介质 | |
CN102902825B (zh) | 一种数据库优化方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |