CN110096491A - 数据库性能指标预测方法及系统 - Google Patents
数据库性能指标预测方法及系统 Download PDFInfo
- Publication number
- CN110096491A CN110096491A CN201910259987.1A CN201910259987A CN110096491A CN 110096491 A CN110096491 A CN 110096491A CN 201910259987 A CN201910259987 A CN 201910259987A CN 110096491 A CN110096491 A CN 110096491A
- Authority
- CN
- China
- Prior art keywords
- dbtime
- data
- months
- days
- value
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012800 visualization Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 230000007774 longterm Effects 0.000 abstract description 9
- 238000012423 maintenance Methods 0.000 abstract description 8
- 230000001932 seasonal effect Effects 0.000 abstract description 8
- 230000003203 everyday effect Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 6
- 230000003068 static effect Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/217—Database tuning
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种数据库性能指标预测方法及系统，属于数据库智能运维技术领域，所述数据库性能指标预测方法包括步骤一，数据准备；步骤二，基线预测；步骤三，构建动态阈值；步骤四，实时预警。所述数据库性能指标预测系统包括，数据准备模块，用于数据准备；基线预测模块，用于基线预测；动态阈值模块，用于构建动态阈值；实时预警模块，用于实时预警。本发明通过构建动态阈值对DBTime值进行观测预警，动态阈值每日更新，并结合历史数据和季节因素对数据库性能指标进行预测，提高了数据库性能指标预测的准确度，从而保证数据库长期稳定的运行。
Description
技术领域
本发明涉及数据库智能运维技术领域，特别涉及一种数据库性能指标预测系统。
背景技术
数据库是一个单位或是一个应用领域的通用数据处理系统，它存储的是属于企业和事业部门、团体和个人的有关数据的集合。数据库是IT系统的核心，存储着企业的各种数据，数据库性能的保障尤其重要。随着信息技术的日益发展，数据库内容的日趋丰富和复杂，传统数据库运维工作面临新的挑战，运维响应要求越来越高。而传统的以手工为主，小工具为辅，简单粗犷的数据库性能运维手段存在以下问题：
（1）使用平均值+静态阈值的方法进行预警，运维手段简单，运维准确度不高；
（2）静态阈值采用单一静态告警阈值或者分时段的静态告警阈值，没有结合历史数据计算动态阈值；
（3）没有结合历史数据和季节因素对数据库性能指标进行预测；
（4）欠缺可视化监控手段；
（5）没有对运维经验进行沉淀。
发明内容
为了提高了数据库性能指标预测的准确度，保证数据库稳定、长期的运行，本发明提供了一种数据库性能指标预测方法。
本发明的技术方案为，一种数据库性能指标预测方法，包括：
步骤一：数据准备，每隔时间t0从数据库采集数据库性能指标DBTime，所述DBTime为数据库的请求运行时间总和，根据DBTime的采集日期为DBTime打上日期编号，根据DBTime的采集时间段为DBTime打上季节编号；
步骤二：基线预测，根据采集到的DBTime数据通过时间序列预测的乘法模型构建DBTime基线预测模型，根据构建的DBTime基线预测模型，按天预测第二天各个时间段的DBTime值；
步骤三：构建动态阈值，根据步骤二所述方法获得DBTime预测值，计算DBTime预测值和实际值之差，DBTime预测值和实际值之差称为残差，计算残差的标准差，按天把最新一天的数据也纳入计算并更新标准差，使用2倍或3倍残差标准差的值作为动态阈值；
步骤四：实时预警，根据步骤二得到的第二天的DBTime预测值，以及步骤三计算出的动态阈值，对第二天的DBTime实际值进行实时预警，当实际观察值超过阈值时作出预警。
本发明进一步设置为，所述时间t0为半个小时，所述DBTime的季节编号为1至48，一天内的DBTime的季节编号根据采集时间段依次编号为1至48。
本发明进一步设置为，所述DBTime的日期编号为1-30，其编号算法为：
日期编号1-26，采用历史月份相同日期的数据进行计算；
日期编号27，采用历史月份相同日期的数据进行计算，不含2月27日；
日期编号28，采用历史月份28和29两天数据的平均数进行计算，不含2月28日、2月29日、4月29日、6月29日、9月29日、11月29日；
日期编号29，1、3、5、7、8、10和12月份采用30日的数据进行计算，其中2月份用27日的数据，4、6、9、11月份的用29日的数据；
日期编号30，1、3、5、7、8、10和12月份采用31日的数据进行计算，其中2月份用28日的数据，4、6、9、11月份的用30日的数据。
本发明进一步设置为，当DBTime值采集失败时，本季节编号的DBTime值使用同季节位置上的平均数代替，使用期数为全部或当前位置前30期或当前位置前7期。
本发明还提供一种数据库性能指标预测系统，其技术方案为，包括存储器、处理器和存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行程序时实现以下步骤：
步骤一：数据准备，每隔时间t0从数据库采集数据库性能指标DBTime，所述DBTime为数据库的请求运行时间总和，根据DBTime的采集日期为DBTime打上日期编号，根据DBTime的采集时间段为DBTime打上季节编号；
步骤二：基线预测，根据采集到的DBTime数据通过时间序列预测的乘法模型构建DBTime基线预测模型，根据构建的DBTime基线预测模型，按天预测第二天各个时间段的DBTime值；
步骤三：构建动态阈值，根据步骤二所述方法获得DBTime预测值，计算DBTime预测值和实际值之差，DBTime预测值和实际值之差称为残差，计算残差的标准差，按天把最新一天的数据也纳入计算并更新标准差，使用2倍或3倍残差标准差的值作为动态阈值；
步骤四：实时预警，根据步骤二得到的第二天的DBTime预测值，以及步骤三计算出的动态阈值，对第二天的DBTime实际值进行实时预警，当实际观察值超过阈值时作出预警。
本发明进一步设置为，所述时间t0为半个小时，所述DBTime的季节编号为1至48，一天内的DBTime的季节编号根据采集时间段依次编号为1至48。
本发明进一步设置为，所述DBTime的日期编号为1-30，其编号算法为：
日期编号1-26，采用历史月份相同日期的数据进行计算；
日期编号27，采用历史月份相同日期的数据进行计算，不含2月27日；
日期编号28，采用历史月份28和29两天数据的平均数进行计算，不含2月28日、2月29日、4月29日、6月29日、9月29日、11月29日；
日期编号29，1、3、5、7、8、10和12月份采用30日的数据进行计算，其中2月份用27日的数据，4、6、9、11月份的用29日的数据；
日期编号30，1、3、5、7、8、10和12月份采用31日的数据进行计算，其中2月份用28日的数据，4、6、9、11月份的用30日的数据。
本发明进一步设置为，当DBTime值采集失败时，本季节编号的DBTime值使用同季节位置上的平均数代替，使用期数为全部或当前位置前30期或当前位置前7期。
本发明进一步设置为，还包括Web可视化监控模块，用于通过Web可视化方式对DBTime实际变化趋势、DBTime预测变化趋势、残差变化趋势进行可视化展现和分析。
本发明进一步设置为，还包括经验数据库，用于存储经验材料，经验材料包括数据库性能准确度评估报告、残差分析报告、数据库优化建议报告中的一种或多种。
综上所述，本发明的有益效果有：
1．通过构建动态阈值对DBTime值进行观测预警，动态阈值每日更新，提高了数据库性能指标预测的准确度，从而保证数据库长期稳定的运行；
2．每隔半小时采集一次DBTime值，并按时段、日期打上季节编号和日期编号，从而实现了结合历史数据和季节因素对数据库性能指标进行预测；
3．将每个月的DBTime数据按照编号算法编号1-30，既保证了每个月数据变化的周期性，又减小了了每个月天数不同而造成的误差，进一步提高了数据预测的准确性。
附图说明
图1是本发明实施例一提供的数据库性能指标预测方法的流程图；
图2是本发明实施例一中DBTime的日期编号算法；
图3是本发明实施例一中的使用效果图，为观测值、预测基线预警下限和预测基线预警上限的曲线拟合图；
图4是本发明实施例一中使用效果图，为残差变化趋势图；
图5是本发明实施例五提供的数据库性能指标预测系统的结构图。
具体实施方式
下面结合附图详细说明本发明的具体实施方式。
实施例一：一种数据库性能指标预测方法，如图1所示，包括以下步骤：
步骤一，数据准备：（1）、每隔半小时从数据库采集数据库性能指标DBTime，包括时间、DBTime值两个属性，其中DBTime值反应了数据库的请求运行时间总和，在同等条件下，DBTime越小越好；
（2）根据数据库负荷在月初、月中和月末的差异性，把采集到的DBTime数据按日期分成30个日期集合，根据数据生成日期给采集到的数据打上日期编号，从1到30；
DBTime数据打上日期编号的方法见图2：
u 日期编号1-26，采用历史月份相同日期的数据进行计算；
u 日期编号27，采用历史月份相同日期的数据进行计算，不含2.27；
u 日期编号28，采用历史月份28和29两天的数据进行计算，不含2.28、2.29、4.29、6.29、9.29、11.29；
u 日期编号29，采用历史月份30日的数据进行计算，其中2月份用27日的数据，4、6、9、11月份的用29日的数据；
u 日期编号30，采用历史月份31日的数据进行计算，其中2月份用28日的数据，4、6、9、11月份的用30日的数据。
3）根据数据生成时间所处时间段的不同，每隔半小时采集一次数据，把一天平均分成48个时间段，从而给采集到的数据打上时间段标签，称为季节编号，从1到48；
4）如果采集失败，则本季节编号的DBTime使用同季节位置上的平均数代替，期数使用全部；
步骤二：基线预测：
5）采用时间序列预测模型根据历史DBTime数据构建DBTime基线预测模型，模型包含了长期趋势和季节指数；
基线预测模型--采用时间序列预测的乘法模型：
其中，Tt为长期趋势；St为季节指数；Ct为周期指数，又叫循环变动；It为不规则变动，是独立随机变量序列，服从正态分布。
u 长期趋势和周期指数
通过移动平均法来消除高频数据来获得长期趋势和周期指数：
按天为窗口期计算移动平均数，因为每一天产生48个数据点，因此数据窗口期设为48，计算移动平均数MA(48)，算得的移动平均数包括长期趋势和循环变动两部分（T×C），即:
MA＝T×C
因为移动平均的期数为48是双数，为了提高准确度，所以需要进行两次平均得到每一期的平均数值，例如：
第25期移动平均数值： 25=)
最初的1-24期没有移动平均数。
u 季节指数
首先，计算每一个DBTime的季节指数：
然后，计算每个季节编号的季节指数：
其中，Yij是DBTime实际值，MAij是长期趋势。
6）采用构建的DBTime基线预测模型，按天预测第二天48个季节编号的基线DBTime值；
步骤三：构建动态阈值：
7）采用步骤二所述方法对历史DBTime数据计算出预测值，然后利用历史数据的实际值与预测值的差（称为残差）计算出初始残差的标准差；
8）初始残差的标准差计算好之后，按天把最新一天的数据也纳入重新计算并更新残差的标准差；
9）根据正态分布的特性，使用3倍残差标准差作为最新的动态阈值，根据正态分布的规律，3倍标准差可涵盖正态分布99.73%的数据；
步骤四：实时预警：
10）根据步骤二预测的第二天48个基线DBTime值，以及步骤三计算的最新阈值，可以对第二天48个实际观察值进行实时预警；
当 或者时，进行告警。
其中：
Y：是当时的实际值；
：是当时的预测值；
：是对应季节编号的残差的标准差；
：上限标准差的系数
：下限标准差的系数
、设置为3。
本系统在电信运营商的落地案例效果见附图3和附图4：
附图3：观测值、预测基线预警下限和预测基线预警上限的曲线拟合，拟合效果很好。
附图4：残差变化趋势，从图中可以看出，残差是随机的，在0附近波动，波动范围很小。
实施例二：一种数据库性能指标预测方法，和实施例一不同的是，步骤（04）如果采集失败，则本季节编号的DBTime使用同季节位置上的平均数代替，期数使用前30天；
实施例二：一种数据库性能指标预测方法，和实施例一不同的是，步骤（04）如果采集失败，则本季节编号的DBTime使用同季节位置上的平均数代替，期数使用当前位置前7天。
实施例三：一种数据库性能指标预测方法，和实施例一不同的是，步骤（04）如果采集失败，则本季节编号的DBTime使用同季节位置上的平均数代替，期数使用当前位置前30天。
实施例四：一种数据库性能指标预测方法，和实施例一不同的是，步骤（9），使用2倍残差标准差作为最新的动态阈值，根据正态分布的规律，2倍标准差可涵盖正态分布97.72%的数据；步骤（10）中，、设置为2。
实施例五，一种数据库性能指标预测系统，参考图5，包括数据准备模块、基线预测模块、动态阈值模块和实时预警模块，数据准备模块与基线预测模块和动态阈值模块连接，基线预测模块和动态阈值模块与实时预警模块连接。其中，
数据准备模块，用于数据准备，每隔时间t0从数据库中采集数据库性能指标DBTime，DBTime为数据库的请求运行时间总和，并根据采集时间段为DBTime打上季节编号，为DBTime打上日期编号；
基线预测模块，用于基线预测，根据历史DBTime数据通过时间序列模型构建DBTime基线预测模型，根据构建的DBTime基线预测模型，按天预测第二天各个季节编号的基线DBTime值；
动态阈值模块，用于构建动态阈值，通过基线预测模块对历史DBTime数据计算出预测值，然后利用历史数据的实际值与预测值的差（称为残差）计算出初始残差的标准差，初始残差的标准差计算好之后，按天把最新一天的数据也纳入计算并更新残差的标准差，根据正态分布的特性，使用2倍或3倍残差标准差的作为最新的动态阈值；
实时预警模块，用于实时预警，通过基线预测模块预测第二天的基线DBTime值，通过动态阈值模块计算的最新阈值，根据实际观察值、预测值和阈值作出监测和预警，当实际观察值超过阈值时作出预警。
时间t0为半个小时，一天24小时，因此DBTime的季节编号为1-48。
DBTime的日期编号为1-30，其编号算法参考图2，为：
日期编号1-26，采用历史月份相同日期的数据进行计算；
日期编号27，采用历史月份相同日期的数据进行计算，不含2月27日；
日期编号28，采用历史月份28和29两天数据的平均数进行计算，不含2月28日、2月29日、4月29日、6月29日、9月29日、11月29日；
日期编号29，采用历史月份30日的数据进行计算，其中2月份用27日的数据，4、6、9、11月份的用29日的数据；
日期编号30，采用历史月份31日的数据进行计算，其中2月份用28日的数据，4、6、9、11月份的用30日的数据。
当DBTime值采集失败时，本季节编号的DBTime值使用同季节位置上的平均数代替，使用期数为全部或当前位置前30期或当前位置前7期。
还包括Web可视化监控模块，用于通过Web可视化方式对DBTime实际变化趋势、DBTime预测变化趋势、残差变化趋势进行可视化展现和分析。
还包括经验数据库，用于存储经验材料，经验材料包括数据库性能准确度评估报告、残差分析报告、数据库优化建议报告中的一种或多种。
本系统在电信运营商的落地案例效果见附图3和附图4：
附图3：观测值、预测基线预警下限和预测基线预警上限的曲线拟合，从图中可以看出预测的拟合效果不错。
附图4：残差变化趋势，从图中可以看出：残差是随机的，在0附近波动，波动范围很小。
以上所述的仅是本发明的优选实施方式，应当指出，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (10)
1.一种数据库性能指标预测方法，其特征在于，包括：
步骤一：数据准备，每隔时间t0从数据库采集数据库性能指标DBTime，所述DBTime为数据库的请求运行时间总和，根据DBTime的采集日期为DBTime打上日期编号，根据DBTime的采集时间段为DBTime打上季节编号；
步骤二：基线预测，根据采集到的DBTime数据通过时间序列预测的乘法模型构建DBTime基线预测模型，根据构建的DBTime基线预测模型，按天预测第二天各个时间段的DBTime值；
步骤三：构建动态阈值，根据步骤二所述方法获得DBTime预测值，计算DBTime预测值和实际值之差，DBTime预测值和实际值之差称为残差，计算残差的标准差，按天把最新一天的数据也纳入计算并更新标准差，使用2倍或3倍残差的标准差的值作为动态阈值；
步骤四：实时预警，根据步骤二得到的第二天的DBTime预测值，以及步骤三计算出的动态阈值，对第二天的DBTime实际值进行实时预警，当实际观察值超过阈值时作出预警。
2.根据权利要求1所述的数据库性能指标预测方法，其特征在于，所述时间t0为半个小时，所述DBTime的季节编号为1至48，一天内的DBTime的季节编号根据采集时间段依次编号为1至48。
3.根据权利要求1所述的数据库性能指标预测方法，其特征在于，所述DBTime的日期编号为1-30，其编号算法为：
日期编号1-26，采用历史月份相同日期的数据进行计算；
日期编号27，采用历史月份相同日期的数据进行计算，不含2月27日；
日期编号28，采用历史月份28和29两天数据的平均数进行计算，不含2月28日、2月29日、4月29日、6月29日、9月29日、11月29日；
日期编号29，1、3、5、7、8、10和12月份采用30日的数据进行计算，其中2月份用27日的数据，4、6、9、11月份的用29日的数据；
日期编号30，1、3、5、7、8、10和12月份采用31日的数据进行计算，其中2月份用28日的数据，4、6、9、11月份的用30日的数据。
4.根据权利要求1所述的数据库性能指标预测方法，其特征在于，当DBTime值采集失败时，本季节编号的DBTime值使用同季节位置上的平均数代替，平均数的使用期数为全部或当前位置前30期或当前位置前7期。
5.一种数据库性能指标预测系统，包括存储器、处理器和存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行程序时实现以下步骤：
步骤一：数据准备，每隔时间t0从数据库采集数据库性能指标DBTime，所述DBTime为数据库的请求运行时间总和，根据DBTime的采集日期为DBTime打上日期编号，根据DBTime的采集时间段为DBTime打上季节编号；
步骤二：基线预测，根据采集到的DBTime数据通过时间序列预测的乘法模型构建DBTime基线预测模型，根据构建的DBTime基线预测模型，按天预测第二天各个时间段的DBTime值；
步骤三：构建动态阈值，根据步骤二所述方法获得DBTime预测值，计算DBTime预测值和实际值之差，DBTime预测值和实际值之差称为残差，计算残差的标准差，按天把最新一天的数据也纳入计算并更新标准差，使用2倍或3倍残差标准差的值作为动态阈值；
步骤四：实时预警，根据步骤二得到的第二天的DBTime预测值，以及步骤三计算出的动态阈值，对第二天的DBTime实际值进行实时预警，当实际观察值超过阈值时作出预警。
6.根据权利要求5所述的数据库性能指标预测系统，其特征在于，所述时间t0为半个小时，所述DBTime的季节编号为1至48，一天内的DBTime的季节编号根据采集时间段依次编号为1至48。
7.根据权利要求5所述的数据库性能指标预测系统，其特征在于，所述DBTime的日期编号为1-30，其编号算法为：
日期编号1-26，采用历史月份相同日期的数据进行计算；
日期编号27，采用历史月份相同日期的数据进行计算，不含2月27日；
日期编号28，采用历史月份28和29两天数据的平均数进行计算，不含2月28日、2月29日、4月29日、6月29日、9月29日、11月29日；
日期编号29，1、3、5、7、8、10和12月份采用30日的数据进行计算，其中2月份用27日的数据，4、6、9、11月份的用29日的数据；
日期编号30，1、3、5、7、8、10和12月份采用31日的数据进行计算，其中2月份用28日的数据，4、6、9、11月份的用30日的数据。
8.根据权利要求5所述的数据库性能指标预测系统，其特征在于，当DBTime值采集失败时，本季节编号的DBTime值使用同季节位置上的平均数代替，使用期数为全部或当前位置前30期或当前位置前7期。
9.根据权利要求5所述的数据库性能指标预测系统，其特征在于，还包括Web可视化监控模块，用于通过Web可视化方式对DBTime实际变化趋势、DBTime预测变化趋势、残差变化趋势进行可视化展现和分析。
10.根据权利要求5所述的数据库性能指标预测系统，其特征在于，还包括经验数据库，用于存储经验材料，经验材料包括数据库性能准确度评估报告、残差分析报告、数据库优化建议报告中的一种或多种。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910259987.1A CN110096491A (zh) | 2019-04-02 | 2019-04-02 | 数据库性能指标预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910259987.1A CN110096491A (zh) | 2019-04-02 | 2019-04-02 | 数据库性能指标预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110096491A true CN110096491A (zh) | 2019-08-06 |
Family
ID=67444210
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910259987.1A Pending CN110096491A (zh) | 2019-04-02 | 2019-04-02 | 数据库性能指标预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110096491A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111291021A (zh) * | 2020-01-21 | 2020-06-16 | 北京奇艺世纪科技有限公司 | 一种数据库管理方法、装置、电子设备及存储介质 |
| CN111666191A (zh) * | 2020-06-09 | 2020-09-15 | 贝壳技术有限公司 | 数据质量监控方法、装置、电子设备及存储介质 |
| CN112433919A (zh) * | 2020-11-25 | 2021-03-02 | 深圳前海微众银行股份有限公司 | 一种信息告警方法、设备及存储介质 |
| CN113469461A (zh) * | 2021-07-26 | 2021-10-01 | 北京沃东天骏信息技术有限公司 | 生成信息的方法和装置 |
| WO2022009013A1 (en) * | 2020-07-09 | 2022-01-13 | International Business Machines Corporation | Automated data linkages across datasets |
| CN117056182A (zh) * | 2023-07-13 | 2023-11-14 | 北京新数科技有限公司 | 一种SQL Server数据库性能评价方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105323111A (zh) * | 2015-11-17 | 2016-02-10 | 南京南瑞集团公司 | 一种运维自动化系统及方法 |
| CN106599487A (zh) * | 2016-12-16 | 2017-04-26 | 天津大学 | 基于arima模型和用户调控的动态方差实时报警方法 |
| CN106951351A (zh) * | 2017-01-16 | 2017-07-14 | 上海新炬网络信息技术有限公司 | 一种数据库负载趋势性监控方法 |
| CN109327334A (zh) * | 2018-09-30 | 2019-02-12 | 山东中创软件商用中间件股份有限公司 | 一种针对于设备性能的告警方法、装置及设备 |
-
2019
- 2019-04-02 CN CN201910259987.1A patent/CN110096491A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105323111A (zh) * | 2015-11-17 | 2016-02-10 | 南京南瑞集团公司 | 一种运维自动化系统及方法 |
| CN106599487A (zh) * | 2016-12-16 | 2017-04-26 | 天津大学 | 基于arima模型和用户调控的动态方差实时报警方法 |
| CN106951351A (zh) * | 2017-01-16 | 2017-07-14 | 上海新炬网络信息技术有限公司 | 一种数据库负载趋势性监控方法 |
| CN109327334A (zh) * | 2018-09-30 | 2019-02-12 | 山东中创软件商用中间件股份有限公司 | 一种针对于设备性能的告警方法、装置及设备 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111291021A (zh) * | 2020-01-21 | 2020-06-16 | 北京奇艺世纪科技有限公司 | 一种数据库管理方法、装置、电子设备及存储介质 |
| CN111291021B (zh) * | 2020-01-21 | 2024-04-26 | 北京奇艺世纪科技有限公司 | 一种数据库管理方法、装置、电子设备及存储介质 |
| CN111666191A (zh) * | 2020-06-09 | 2020-09-15 | 贝壳技术有限公司 | 数据质量监控方法、装置、电子设备及存储介质 |
| CN111666191B (zh) * | 2020-06-09 | 2023-09-29 | 贝壳技术有限公司 | 数据质量监控方法、装置、电子设备及存储介质 |
| WO2022009013A1 (en) * | 2020-07-09 | 2022-01-13 | International Business Machines Corporation | Automated data linkages across datasets |
| US11586520B2 (en) | 2020-07-09 | 2023-02-21 | International Business Machines Corporation | Automated data linkages across datasets |
| GB2611967A (en) * | 2020-07-09 | 2023-04-19 | Ibm | Automated data linkages across datasets |
| CN112433919A (zh) * | 2020-11-25 | 2021-03-02 | 深圳前海微众银行股份有限公司 | 一种信息告警方法、设备及存储介质 |
| CN113469461A (zh) * | 2021-07-26 | 2021-10-01 | 北京沃东天骏信息技术有限公司 | 生成信息的方法和装置 |
| CN117056182A (zh) * | 2023-07-13 | 2023-11-14 | 北京新数科技有限公司 | 一种SQL Server数据库性能评价方法 |
| CN117056182B (zh) * | 2023-07-13 | 2024-05-03 | 北京新数科技有限公司 | 一种SQL Server数据库性能评价方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110096491A (zh) | 数据库性能指标预测方法及系统 | |
| US8217945B1 (en) | Social annotation of a single evolving visual representation of a changing dataset | |
| WO2019056681A1 (zh) | 数据实时监控方法、装置、终端设备及存储介质 | |
| CN110751371A (zh) | 基于统计四分位距的商品库存风险预警方法、系统及计算机可读存储介质 | |
| CN106529704A (zh) | 月最大电力负荷预测方法及装置 | |
| EP3176706B1 (en) | Automated analysis of data reports to determine data structure and to perform automated data processing | |
| EP3438843A1 (en) | Uniform chart formatting based on semantics in data models | |
| Boucharel et al. | ENSO nonlinearity in a warming climate | |
| WO2019127823A1 (zh) | 保险费用评估方法、装置、终端设备及存储介质 | |
| CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
| CN116203352A (zh) | 一种配电网的故障预警方法、装置、设备及介质 | |
| CN115860800A (zh) | 一种节假日商品销量预测方法、装置及计算机存储介质 | |
| CN111353625B (zh) | 一种网点件量预测方法、装置、计算机设备及存储介质 | |
| CN114399404A (zh) | 状态监控方法、装置、电子设备及可读存储介质 | |
| CN108363024B (zh) | 一种充电桩故障点定位的方法和装置 | |
| CN112632469A (zh) | 业务交易数据的异常检测方法、装置及计算机设备 | |
| US11244235B2 (en) | Data analysis device and analysis method | |
| Alquthami et al. | Importance of smart meters data processing–case of saudi arabia | |
| JP2020047230A (ja) | リモデル支援装置、および、リモデル支援方法 | |
| CN114781855A (zh) | 基于dea模型的物流传输效率分析方法、装置、设备及介质 | |
| Goosen | A system to quantify industrial data quality | |
| Verbesselt et al. | Package ‘bfast’ | |
| CN110704393A (zh) | 一种针对Hive数据仓库的数据监控方法及装置 | |
| Zhang et al. | Research on data visualization and application | |
| CN115760203A (zh) | 医疗供应链出货量预测方法、系统、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190806 |
|
| RJ01 | Rejection of invention patent application after publication |