CN110457287A - 数据库的扩缩容处理方法及装置、计算机设备及可读介质 - Google Patents

Abstract

本发明提供一种数据库的扩缩容处理方法及装置、计算机设备及可读介质。其方法包括：获取数据库的历史负载数据、当前负载数据以及当前规模信息；根据当前负载数据、历史负载数据以及预先训练的负载预测模型，预测数据库在未来时刻t的负载数据；根据当前规模信息以及未来时刻t的负载数据，获取数据库在未来时刻t的扩缩容数量；根据扩缩容数量，对数据库进行扩缩容处理。本发明的技术方案，能够自动地对数据库进行扩缩容处理，而全程并不需要人工参与，不仅能够有效地节省人力成本，而且整个过程省时省力，响应速度非常快，能够有效地提高扩缩容处理的效率，再者由于不需要人工预测，准确性也非常强。

Description

数据库的扩缩容处理方法及装置、计算机设备及可读介质

【技术领域】

本发明涉及计算机应用技术领域，尤其涉及一种数据库的扩缩容处理方法及装置、计算机设备及可读介质。

【背景技术】

目前业界内的数据库大部分都支持扩缩容，以适应业务流量变化。当业务迅速增长时，会出现现有的数据库规模无法满足业务增长需求的情况，或者针对一些数据库流量突增的业务场景，比如促销活动，这时可以对数据库进行扩容操作，以提升性能；当业务萎缩，或者活动流量高峰过后，现有的数据库的大部分资源处于空闲状态时，就应该对数据库进行缩容操作，以回收空闲资源，节约成本。

现有技术中，数据库的扩缩容的操作大部分是由数据库管理员(DatabaseAdministrator；DBA)提前完成的，例如，数据库流量定期(每周或者每月)会出现流量高峰，其流量值较平时增长数倍或者几十倍。如果DBA定期地在流量高峰前进行扩容，高峰过后进行缩容，从而实现基于业务流量的变化，人工手动地对数据库的容量进行扩缩调整。

但是，现有技术中的数据库的扩缩容处理，是基于DBA较为粗略地的预测，由于人工参与，导致扩缩容处理过程费时、费力，且容易出现预测错误情况，因此，现有的扩缩容处理的效率较低、准确性较差。

【发明内容】

本发明提供了一种数据库的扩缩容处理方法及装置、计算机设备及可读介质，用于提高扩缩容处理的效率和准确性。

本发明提供一种数据库的扩缩容处理方法，所述方法包括：

获取数据库的历史负载数据、当前负载数据以及当前规模信息；

根据所述当前负载数据、所述历史负载数据以及预先训练的负载预测模型，预测所述数据库在未来时刻t的负载数据；

根据所述当前规模信息以及所述未来时刻t的负载数据，获取所述数据库在所述未来时刻t的扩缩容数量；

根据所述扩缩容数量，对所述数据库进行扩缩容处理。

本发明提供一种数据库的扩缩容处理装置，所述装置包括：

数据获取模块，用于获取数据库的历史负载数据、当前负载数据以及当前规模信息；

预测模块，用于根据所述当前负载数据、所述历史负载数据以及预先训练的负载预测模型，预测所述数据库在未来时刻t的负载数据；

扩缩容数量获取模块，用于根据所述当前规模信息以及所述未来时刻t的负载数据，获取所述数据库在所述未来时刻t的扩缩容数量；

扩缩容处理模块，用于根据所述扩缩容数量，对所述数据库进行扩缩容处理。

本发明还提供一种计算机设备，所述设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的数据库的扩缩容处理方法。

本发明还提供一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的数据库的扩缩容处理方法。

本发明的数据库的扩缩容处理方法及装置、计算机设备及可读介质，通过采用上述技术方案，能够自动地对数据库进行扩缩容处理，而全程并不需要人工参与，不仅能够有效地节省人力成本，而且整个过程省时省力，响应速度非常快，能够有效地提高扩缩容处理的效率，再者由于不需要人工预测，准确性也非常强。

【附图说明】

图1为本发明的数据库的扩缩容处理方法实施例一的流程图。

图2为本发明的数据库的扩缩容处理方法实施例二的流程图。

图3为本发明的数据库的扩缩容处理装置实施例一的结构图。

图4为本发明的数据库的扩缩容处理装置实施例二的结构图。

图5为本发明的计算机设备实施例的结构图。

图6为本发明提供的一种计算机设备的示例图。

【具体实施方式】

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。

图1为本发明的数据库的扩缩容处理方法实施例一的流程图。如图1所示，本实施例的数据库的扩缩容处理方法，具体可以包括如下步骤：

S100、获取数据库的历史负载数据、当前负载数据以及当前规模信息；

本实施例的数据库的扩缩容方法的执行主体为数据库的扩缩容装置，该数据库的扩缩容装置与数据库连接，用于自动地对数据库进行扩缩容处理。

具体地，本实施例中，需要一直实时采集并存储数据库的负载数据，具体可以按照固定的时间间隔进行采集。其中采集的间隔可以根据不同的数据库类型而变化，如对于联机事务处理(On-Line Transaction Processing；OLTP)型数据库而言，其并发高，性能指标变化快，间隔可设置为10s；对于(On-Line Analytical Processing；OLAP)型数据而言，性能指标变化相对较慢，间隔可设置为1min。

本实施例中采集的负载数据，可以包含数据库所在机器的操作系统的工作负载数据以及数据库的工作负载数据，如操作系统的工作负载数据可以包含CPU消耗、磁盘I/O消耗、磁盘容量、内存消耗等等；数据库的工作负载数据可以包含数据库的吞吐量等等。由于目前的数据库的规模一般比较大，为了更有效率地采集数据，本实施例中还包括数据采集模块。其次，本实施例中，为了预测未来时刻t的负载数据，不仅需要获取数据库的当前负载数据，还需要结合历史负载数据，因此需要将数据采集模块采集的负载数据存储起来，因此，本实施例中，还可以包括数据存储模块。

其中数据采集模块可以细分为Agent端和Server端。其中，Agent端部署在数据库的宿主机上，负责真正的数据采集工作，并将数据推送到Server端。Server端负责接收Agent端推送的数据，并对其进行处理、汇总和存储到数据存储模块。数据存储模块旨在存储数据采集模块收集到的工作负载数据，其中存储的每个时刻的负载数据按照{时间戳、负载数据}的格式存储，以便可以随时读取这些数据。即数据采集模块采集到的数据是有时序性的，并可以使用时间序列数据库作为数据存储模块，来存储数据采集模块采集到的负载数据，能够高效存储和快速处理海量时序大数据，可提高该模块效率。

例如，在进行数据本库的扩缩容处理时，可以根据步骤S100从数据存储模块中获取数据库在当前时刻的当前负载数据以及历史负载数据。其中历史负载数据为根据实际需求，选择当前时刻之前的一段历史时间段的负载数据。如当前时刻的负载数据可以表示为{当前时间戳、当前负载数据}；历史负载数据可以按照时间戳由前至后依次包括：{时间戳1、负载数据1}、{时间戳2、负载数据2}，……，{时间戳N、负载数据N}。针对于不同的数据库，历史负载数据中所包括的历史时间段的长短可以不相同。

本实施例中，还需要获取数据库的当前规模信息具体指的是数据库当前的容量。

另外，需要说明的是，本实施例中的数据库可以为单机版数据库，也可以为分布式数据库。若为分布式数据库时，本实施例中可以取该分布式数据库的基于所有机器的负载之和，作为该数据库的负载数据。例如，某个分布式数据库部署在4个机器上，在某个时刻，采集到的每个机器的CPU消耗为60％，此时整个分布式数据库的CPU消耗可以表示为240％。同理，可以按照类似的方式表示分布式数据库的其他负载数据。或者也可以取每个机器的平均负载，作为该数据库的负载数据。总之，确保各个时刻的负载数据的选取标准一致即可。

S101、根据当前负载数据、历史负载数据以及预先训练的负载预测模型，预测数据库在未来时刻t的负载数据；

该步骤用于预测未来时刻t的负载数据，具体地，该未来时刻t可以为当前时刻之后的任意时刻。

例如，该步骤S101根据当前负载数据、历史负载数据以及预先训练的负载预测模型，预测数据库在未来时刻t的负载数据，具体可以包括：

(a1)根据当前负载数据、历史负载数据以及第一负载预测模型，预测数据库在未来时刻t的第一负载数据；该第一负载预测模型为基于非周期性变化趋势的预测模型；

(b1)根据当前负载数据、历史负载数据以及第二负载预测模型，预测数据库在所述未来时刻t的第二负载数据；该第二负载预测模型为基于周期性变化趋势的预测模型；和/或

(c1)根据当前负载数据、历史负载数据以及第三负载预测模型，预测数据库在未来时刻t的第三负载数据；该第三负载预测模型为基于节假日或者突发事件的预测模型；

然后基于步骤(a1)-(c1)，将数据库在未来时刻t的第一负载数据、第二负载数据和/或第三负载数据累加，作为数据库在未来时刻t的负载数据。

如上述步骤的记载，在预测数据库在未来时刻t的负载数据时，可以包括上述步骤(a1)-(c1)中的至少一个，若包括两个或者三个时，取包括的步骤的预测结果之和，作为数据库在未来时刻t的负载数据。

也就是说，本实施例可以采用第一负载预测模型、第二负载预测模型和第三负载预测模型共三种模型来实现对未来时刻t的负载数据进行预测。其中第一负载预测模型是一种趋势模型，不考虑负载数据的周期性变化以及节假日的特殊规律。第二负载预测模型偏向于预测周期性数据的模型，可以基于历史周期性的数据来对未来时刻t的负载数据进行预测。第三负载预测模型偏向于预测节假日规律的数据的模型。实际应用中，优选地同时采用三种预测模型，互相弥补，以增加预测的未来时刻t的负载数据的精确性。此时，预测的未来时刻t的负载数据Y，可以分成三个部分：趋势项f(x)，周期项g(x)，节假日项h(x)，那么预测结果可表示成：

Y＝f(x)+g(x)+h(x)

其中，趋势项f(x)表示预测结果在非周期性的变化趋势；周期项g(x)表示预测结果周期性的变化趋势，可按周、月、季度或者年为一个周期单位；节假日项h(x)表示当天是否为节假日或者发生历史突发事件等。本实施例的预测结果拟合这几项，然后把它们累加起来得到最后的未来时刻t的负载数据。

本实施例中，步骤S100中获取的数据库的历史负载数据的内容较为丰富，例如可以包括当前时间戳之前两个月、一季度、一年或者其他时间长度的历史负载数据。而在步骤S101预测时，不同的模型所选择的、具体需要的历史负载数据并不相同。例如，第一负载预测模型是趋势项的预测模型，此时其所需的历史负载数据根据需求可以包括当前时间戳之前的一星期或者一个月的负载数据。而第二负载预测模型为周期项的预测模型，此时其所需的历史负载数据可以根据需求，从S100中得到的历史负载数据中获取与未来时刻t属于不同时间周期中同一时间点的负载数据。例如，要预测未来一天后第x小时的数据，可以从历史事件数据中，获取历史上每天第x小时的数据。这样，可以提升对具有周期性规律的数据预测的准确性。而第三负载预测模型为节假日项预测模型，其所需要的历史负载数据根据需求，取当前时间戳之前的一个、两个或者多个节假日的负载数据，该模型能够准确预测未来的节假日项的负载数据。实际应用中，该第二负载预测模型和第三负载预测模型可以预测未来任一时刻的数据，但是其中对符合自己预测规律的数据预测的准确性更高。

进一步可选地，本实施例中，还需要分别对第一负载预测模型、第二负载预测模型和第三负载预测模型进行训练。

其中对第一负载预测模型进行训练时，可以从数据库存储模块中采集数条训练数据，每一条训练数据都对应一个选定的参考时间戳，包括有参考时间戳对应的当前负载数据、历史负载数据以及要预测的参考时间戳之后的未来时刻t的真实负载数据。其中历史负载数据包括一段连续的历史时间序列的负载数据。具体训练时，将各条训练数据中的当前负载数据、历史负载数据输入至该第一负载预测模型中，该模型可以预测出参考时间戳之后的未来时刻t的预测负载数据。然后比对参考时间戳之后的未来时刻t的真实负载数据和预测负载数据是否一致，若不一致，基于参考时间戳之后的未来时刻t的真实负载数据和预测负载数据，对第一负载预测模型的参数进行调整。按照上述方式，采用多条训练数据不断地对第一负载预测模型进行训练，直到连续预设次数的训练中，参考时间戳之后的未来时刻t的真实负载数据和预测负载数据始终一致，可以认为此时第一负载预测模型已经训练好，能够准确预测未来时刻t的负载数据，此时可以确定该第一负载预测模型的参数，进而确定该第一负载预测模型。

其中对第二负载预测模型进行训练时，可以从数据库存储模块中采集数条训练数据，每一条训练数据都对应一个选定的参考时间戳，包括有参考时间戳对应的当前负载数据、历史上不同周期同一时间点的负载数据以及要预测的参考时间戳之后的未来周期中同一时间点的真实负载数据。其中历史负载数据即历史上不同周期同一时间点的负载数据包括一组具有周期性地、离散地时间点的负载数据。具体训练时，将各条训练数据中的当前负载数据、历史上不同周期同一时间点的负载数据输入至该第二负载预测模型中，该模型可以预测出参考时间戳之后的未来周期中同一时间点的预测负载数据。然后比对参考时间戳之后的未来周期中同一时间点的真实负载数据和预测负载数据是否一致，若不一致，基于参考时间戳之后的未来周期中同一时间点的真实负载数据和预测负载数据，对第二负载预测模型的参数进行调整。按照上述方式，采用多条训练数据不断地对第二负载预测模型进行训练，直到连续预设次数的训练中，参考时间戳之后的未来周期中同一时间点的真实负载数据和预测负载数据始终一致，可以认为此时第二负载预测模型已经训练好，能够准确预测参考时间戳之后的未来周期中同一时间点的负载数据，此时可以确定该第二负载预测模型的参数，进而确定该第二负载预测模型。

其中对第三负载预测模型进行训练时，可以从数据库存储模块中采集数条训练数据，每一条训练数据都对应一个选定的参考时间戳，包括有参考时间戳对应的当前负载数据、历史上数个节假日的负载数据以及要预测的参考时间戳之后的未来节假日中一个指定时刻的真实负载数据。其中历史负载数据即历史上数个节假日的负载数据包括一个、两个或者多个节假日中的时间序列的负载数据。具体训练时，将各条训练数据中的当前负载数据、历史上数个节假日的负载数据输入至该第二负载预测模型中，该模型可以预测出参考时间戳之后的未来节假日中指定时刻的预测负载数据。然后比对参考时间戳之后的未来节假日中指定时刻的真实负载数据和预测负载数据是否一致，若不一致，基于参考时间戳之后的未来节假日中指定时刻的真实负载数据和预测负载数据，对第三负载预测模型的参数进行调整。按照上述方式，采用多条训练数据不断地对第三负载预测模型进行训练，直到连续预设次数的训练中，参考时间戳之后的未来节假日中指定时刻的真实负载数据和预测负载数据始终一致，可以认为此时第三负载预测模型已经训练好，能够准确预测参考时间戳之后的未来节假日中指定时刻的负载数据，此时可以确定该第三负载预测模型的参数，进而确定该第三负载预测模型。

本实施例中，每一种模型训练时采集的训练数据越多，训练的模型的准确度越高。例如，实际应用中，训练数据的数量可以达到上百万条。

S102、根据当前规模信息以及未来时刻t的负载数据，获取数据库在未来时刻t的扩缩容数量；

本实施例中的未来时刻t可以为当前时刻之后的任意时刻。例如，本实施例中，该步骤的实现可以包括两种方式：

第一种方式：根据当前规模信息以及未来时刻t的负载数据，从扩缩容配置库中获取数据库在未来时刻t的扩缩容数量；

本实施例的扩缩容配置库中的各条扩缩容配置信息包括负载数据、扩缩容前的规模信息以及扩缩容数量的对应关系。

该种方式实现时，直接从扩缩容配置库中查找与给定工作负载相似的扩缩容配置信息,如果查找到匹配的扩缩容配置信息，则按照扩缩容配置信息所指示的扩缩容数量进行扩缩容。例如，本实施例种扩缩容配置信息格式可以为：(CPU消耗，磁盘I/O消耗，磁盘容量，内存消耗，数据库吞吐量，现有数据库规模，扩缩容数量)。其中，若扩缩容数量为正数，表示需要扩容的数量；若为负数，表示需要缩容的数量。

该扩缩容配置库中各条扩缩容配置信息根据实际工作场景配置的，经过实际工作场景的考验，能够满足工作需求。

第二种方式：根据当前规模信息、未来时刻t的负载数据以及预先训练的扩缩容配置模型，预测数据库在未来时刻t的扩缩容数量。

该种方式相对于上述第一种方式，更为智能。第一种方式中可能存在没有匹配的扩缩容配置信息。而该实现方式中，对于任意的负载数据，均可以获取到相应的扩缩容数量。

S103、根据扩缩容数量，对数据库进行扩缩容处理。

根据上述步骤，获取到扩缩容数量后，若扩缩容数量为正数，按照扩缩容数量对数据库进行扩容处理；若扩缩容数量为负数，按照扩缩容数量对数据库进行缩容处理。

本实施例的数据库的扩缩容处理方法，通过采用上述技术方案，能够自动地对数据库进行扩缩容处理，而全程并不需要人工参与，不仅能够有效地节省人力成本，而且整个过程省时省力，响应速度非常快，能够有效地提高扩缩容处理的效率，再者由于不需要人工预测，准确性也非常强。

图2为本发明的数据库的扩缩容处理方法实施例二的流程图。如图2所示，本实施例的数据库的扩缩容处理方法，在上述图1所示实施例的基础上，提供一种更加详细地技术方案。如图2所示，本实施例的数据库的扩缩容处理方法，具体可以包括如下步骤：

S200、获取数据库的历史负载数据、当前负载数据以及当前规模信息；

S201、根据当前负载数据、历史负载数据以及第一负载预测模型，预测数据库在未来时刻t的第一负载数据；该第一负载预测模型为基于非周期性变化趋势的预测模型；

S202、根据当前负载数据、历史负载数据以及第二负载预测模型，预测数据库在所述未来时刻t的第二负载数据；该第二负预测载模型为基于周期性变化趋势的预测模型；

S203、根据当前负载数据、历史负载数据以及第三负载预测模型，预测数据库在未来时刻t的第三负载数据；该第三负载预测模型为基于节假日或者突发事件的预测模型；

S204、将数据库在未来时刻t的第一负载数据、第二负载数据和第三负载数据累加，作为数据库在未来时刻t的负载数据；

本实施例的该步骤S201-S203为上述图1所示实施例的步骤S101的一种实现方式，该种实现方式中，以同时包括三种负载预测模型为例，详细实现方式可以参考上述图1所示实施例的记载，在此不再赘述。

S205、检测预先配置的扩缩容配置库中是否包括当前规模信息以及未来时刻t的负载数据对应的扩缩容配置信息；若包括：执行步骤S206；否则，若不包括，执行步骤S207；

S206、根据当前规模信息以及未来时刻t的负载数据，从扩缩容配置库中获取数据库在未来时刻t的扩缩容数量；执行步骤S209；

S207、根据当前规模信息、未来时刻t的负载数据以及预先训练的扩缩容配置模型，预测数据库在未来时刻t的扩缩容数量；执行步骤S208；

S208、将未来时刻t的负载数据、当前规模信息以及扩缩容配置模型预测的数据库在未来时刻t的扩缩容数量，作为一条扩缩容配置信息存储在扩缩容配置库中；执行步骤S209；

该步骤可以丰富扩缩容配置库中的信息，使得扩缩容配置库更强大。

S209、根据扩缩容数量，对数据库进行扩缩容处理。

需要说明的是，该步骤S208和S209可以没有先后时序关系。

进一步可选地，在步骤S207根据当前规模信息、未来时刻t的负载数据以及预先训练的扩缩容配置模型，预测数据库在未来时刻t的扩缩容数量之前，还可以包括：采用扩缩容配置库中的各条扩缩容配置信息，训练扩缩容配置模型。

进一步可选地，采用扩缩容配置库中的各条扩缩容配置信息，训练扩缩容配置模型，具体可以包括如下步骤：

(a2)将各条扩缩容配置信息中的负载数据和扩缩容前的规模信息输入至扩缩容配置模型中，获取扩缩容配置模型预测的扩缩容数量；

本实施例中，采用扩缩容配置库中的各条扩缩容配置信息对扩缩容配置模型进行训练，每一条扩缩容配置信息对应为一条训练数据。训练时，扩缩容配置信息中的负载数据和扩缩容前的规模信息为输入信息，可以获取到扩缩容配置模型输出的预测的扩缩容数量。

(b2)将预测的扩缩容数量应用到负载数据和扩缩容前的规模信息对应的镜像数据库中，获取镜像数据库的每秒传输的事物处理个数(Transactions Per Second；TPS)；

本实施例的训练中，并不采用对应配置信息中的扩缩容数量和预测的扩缩容数量进行参数调整，当然，实际应用中，也可以参考对应配置信息中的扩缩容数量和预测的扩缩容数量进行参数调整，以使得扩缩容配置模型输出的预测的扩缩容数量始终与对应配置信息中的扩缩容数量一致，确定扩缩容配置模型的参数，进而确定扩缩容配置模型。

本实施例中，通过将预测的扩缩容数量应用到负载数据和扩缩容前的规模信息对应的镜像数据库中，通过检测镜像数据库的性能来确定预测的是否准确，若不准确，返回调整扩缩容配置模型的参数。例如，本实施例中以检测镜像数据库的TPS为例，实际应用中，还可以采用其他参数，在此不再一一举例赘述。

(c2)判断在连续预设次数的训练中TPS是否均达到预设的最大阈值；若不是，执行步骤(d2)；若是，执行步骤(e2)；

本实施例中的预设的最大阈值可以根据实际需求来设置，在此不做限定。

(d2)调整扩缩容配置模型的参数；返回步骤(a2)将下一条扩缩容配置信息输入至扩缩容配置模型中，继续训练；

(e2)判断在连续预设次数的训练中TPS是否均达到预设的最大阈值，若是，训练完毕，确定扩缩容配置模型的参数，进而确定扩缩容配置模型；否则，返回步骤(a2)将下一条扩缩容配置信息输入至扩缩容配置模型中，继续训练。

本实施例的数据库的扩缩容方法，通过采用上述技术方案，能够自动地对数据库进行扩缩容处理，而全程并不需要人工参与，不仅能够有效地节省人力成本，而且整个过程省时省力，响应速度非常快，能够有效地提高扩缩容处理的效率，再者由于不需要人工预测，准确性也非常强。

图3为本发明的数据库的扩缩容处理装置实施例一的结构图。如图3所示，本实施例的数据库的扩缩容处理装置，具体可以包括：

其中，数据获取模块10用于获取数据库的历史负载数据、当前负载数据以及当前规模信息；

预测模块11用于根据数据获取模块10获取的当前负载数据、所述历史负载数据以及预先训练的负载预测模型，预测所述数据库在未来时刻t的负载数据；

扩缩容数量获取模块12用于根据数据获取模块10获取的当前规模信息以及预测模块11预测的未来时刻t的负载数据，获取数据库在未来时刻t的扩缩容数量；

扩缩容处理模块13用于根据扩缩容数量获取模块12获取的扩缩容数量，对数据库进行扩缩容处理。

本实施例的数据库的扩缩容处理装置，通过采用上述模块实现数据库的扩缩容处理的实现原理以及技术效果与上述相关方法实施例的实现相同，详细可以参考上述相关方法实施例的记载，在此不再赘述。

进一步可选地，上述图3所示实施例的数据库的扩缩容装置中，预测模块11，具体用于：

根据当前负载数据、历史负载数据以及第一负载预测模型，预测数据库在未来时刻t的第一负载数据；第一负载预测模型为基于非周期性变化趋势的预测模型；根据当前负载数据、历史负载数据以及第二负载预测模型，预测数据库在未来时刻t的第二负载数据；第二负载预测模型为基于周期性变化趋势的预测模型；和/或根据当前负载数据、历史负载数据以及第三负载预测模型，预测数据库在未来时刻t的第三负载数据；第三负载预测模型为基于节假日或者突发事件的预测模型；

将数据库在未来时刻t的第一负载数据、第二负载数据和/或第三负载数据累加，作为数据库在未来时刻t的负载数据。

进一步可选地，上述图3所示实施例的数据库的扩缩容装置中，扩缩容数量获取模块12，具体用于：

根据当前规模信息以及未来时刻t的负载数据，从扩缩容配置库中获取数据库在未来时刻t的扩缩容数量；其中扩缩容配置库中的各条扩缩容配置信息包括负载数据、扩缩容前的规模信息以及扩缩容数量的对应关系。

或者可选地，该扩缩容数量获取模块12，具体用于：

根据当前规模信息、未来时刻t的负载数据以及预先训练的扩缩容配置模型，预测数据库在未来时刻t的扩缩容数量。

图4为本发明的数据库的扩缩容处理装置实施例二的结构图。如图4所示，本实施例的数据库的扩缩容处理装置，在上述图3所示实施例的基础上，进一步更加详细地介绍本发明的技术方案。

如图4所示，本实施例的数据库的扩缩容处理装置中，还包括：

检测模块14用于检测并确定扩缩容配置库中未包括当前规模信息以及未来时刻t的负载数据对应的扩缩容配置信息；和/或

存储模块15用于将未来时刻t的负载数据、当前规模信息以及扩缩容配置模型预测的数据库在未来时刻t的扩缩容数量，作为一条扩缩容配置信息存储在扩缩容配置库中。

对应地，后续若扩缩容数量获取模块12需要获取未来时刻t的负载数据、以及当前规模信息对应地扩缩容数量时，可以直接从存储模块15处理后的扩缩容配置库中获取该条扩缩容配置信息，并进而获取该未来时刻t的负载数据和当前规模信息对应的扩缩容数量。

图4所示实施例中，以同时包括检测模块14和存储模块15为例。具体应用场景中，检测模块14可以先检测扩缩容配置库中是否包括当前规模信息以及未来时刻t的负载数据对应的扩缩容配置信息；若检测模块14确定包括，触发扩缩容数量获取模块12根据当前规模信息以及未来时刻t的负载数据，从扩缩容配置库中获取数据库在未来时刻t的扩缩容数量；否则若检测模块14确定未包括，触发该扩缩容数量获取模块12根据当前规模信息、未来时刻t的负载数据以及预先训练的扩缩容配置模型，预测数据库在未来时刻t的扩缩容数量。

对应地，该扩缩容数量获取模块12根据当前规模信息、未来时刻t的负载数据以及预先训练的扩缩容配置模型，预测数据库在未来时刻t的扩缩容数量后，还可以触发存储模块15将未来时刻t的负载数据、当前规模信息以及扩缩容配置模型预测的数据库在未来时刻t的扩缩容数量，作为一条扩缩容配置信息存储在扩缩容配置库中。

进一步可选地，如图4所示，本实施例的数据库的扩缩容处理装置中，还包括：

训练模块16用于采用扩缩容配置库中的各条扩缩容配置信息，训练扩缩容配置模型。

对应地，扩缩容数量获取模块12用于根据当前规模信息、未来时刻t的负载数据以及训练模块16预先训练的扩缩容配置模型，预测数据库在未来时刻t的扩缩容数量。

进一步可选地，该训练模块16用于：

将各条扩缩容配置信息中的负载数据和扩缩容前的规模信息输入至扩缩容配置模型中，获取扩缩容配置模型预测的扩缩容数量；

将预测的扩缩容数量应用到负载数据和扩缩容前的规模信息对应的镜像数据库中，获取镜像数据库的TPS；

判断在连续预设次数的训练中TPS是否均达到预设的最大阈值；

若不是，调整扩缩容配置模型的参数；

重复上述步骤，采用各条扩缩容配置信息不断地对扩缩容配置模型进行训练，直到在连续预设次数的训练中TPS均达到预设的最大阈值，确定扩缩容配置模型的参数，进而确定扩缩容配置模型。

本实施例的数据库的扩缩容处理装置，通过采用上述模块实现数据库的扩缩容处理的实现原理以及技术效果与上述相关方法实施例的实现相同，详细可以参考上述相关方法实施例的记载，在此不再赘述。

图5为本发明的计算机设备实施例的结构图。如图5所示，本实施例的计算机设备，包括：一个或多个处理器30，以及存储器40，存储器40用于存储一个或多个程序，当存储器40中存储的一个或多个程序被一个或多个处理器30执行，使得一个或多个处理器30实现如上图1-图2所示实施例的数据库的扩缩容处理方法。图5所示实施例中以包括多个处理器30为例。

例如，图6为本发明提供的一种计算机设备的示例图。图6示出了适于用来实现本发明实施方式的示例性计算机设备12a的框图。图6显示的计算机设备12a仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图6所示，计算机设备12a以通用计算设备的形式表现。计算机设备12a的组件可以包括但不限于：一个或者多个处理器16a，系统存储器28a，连接不同系统组件(包括系统存储器28a和处理器16a)的总线18a。

总线18a表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

计算机设备12a典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12a访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28a可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30a和/或高速缓存存储器32a。计算机设备12a可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34a可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18a相连。系统存储器28a可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明上述图1-图4各实施例的功能。

具有一组(至少一个)程序模块42a的程序/实用工具40a，可以存储在例如系统存储器28a中，这样的程序模块42a包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42a通常执行本发明所描述的上述图1-图4各实施例中的功能和/或方法。

计算机设备12a也可以与一个或多个外部设备14a(例如键盘、指向设备、显示器24a等)通信，还可与一个或者多个使得用户能与该计算机设备12a交互的设备通信，和/或与使得该计算机设备12a能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22a进行。并且，计算机设备12a还可以通过网络适配器20a与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20a通过总线18a与计算机设备12a的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12a使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理器16a通过运行存储在系统存储器28a中的程序，从而执行各种功能应用以及数据处理，例如实现上述实施例所示的数据库的扩缩容处理方法。

本发明还提供一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例所示的数据库的扩缩容处理方法。

本实施例的计算机可读介质可以包括上述图6所示实施例中的系统存储器28a中的RAM30a、和/或高速缓存存储器32a、和/或存储系统34a。

随着科技的发展，计算机程序的传播途径不再受限于有形介质，还可以直接从网络下载，或者采用其他方式获取。因此，本实施例中的计算机可读介质不仅可以包括有形的介质，还可以包括无形的介质。

本实施例的计算机可读介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (16)

1.一种数据库的扩缩容处理方法，其特征在于，所述方法包括：

获取数据库的历史负载数据、当前负载数据以及当前规模信息；

根据所述当前负载数据、所述历史负载数据以及预先训练的负载预测模型，预测所述数据库在未来时刻t的负载数据；

根据所述当前规模信息以及所述未来时刻t的负载数据，获取所述数据库在所述未来时刻t的扩缩容数量；

根据所述扩缩容数量，对所述数据库进行扩缩容处理。

2.根据权利要求1所述的方法，其特征在于，根据所述当前负载数据、所述历史负载数据以及预先训练的负载预测模型，预测所述数据库在未来时刻t的负载数据，包括：

根据所述当前负载数据、所述历史负载数据以及第一负载预测模型，预测所述数据库在所述未来时刻t的第一负载数据；所述第一负载预测模型为基于非周期性变化趋势的预测模型；根据所述当前负载数据、所述历史负载数据以及第二负载预测模型，预测所述数据库在所述未来时刻t的第二负载数据；所述第二负载预测模型为基于周期性变化趋势的预测模型；和/或根据所述当前负载数据、所述历史负载数据以及第三负载预测模型，预测所述数据库在所述未来时刻t的第三负载数据；所述第三负载预测模型为基于节假日或者突发事件的预测模型；

将所述数据库在所述未来时刻t的所述第一负载数据、所述第二负载数据和/或所述第三负载数据累加，作为所述数据库在所述未来时刻t的负载数据。

3.根据权利要求1所述的方法，其特征在于，根据所述当前规模信息以及所述未来时刻t的负载数据，获取所述数据库在所述未来时刻t的扩缩容数量，包括：

根据所述当前规模信息以及所述未来时刻t的负载数据，从扩缩容配置库中获取所述数据库在所述未来时刻t的扩缩容数量；其中所述扩缩容配置库中的各条扩缩容配置信息包括负载数据、扩缩容前的规模信息以及扩缩容数量的对应关系。

4.根据权利要求3所述的方法，其特征在于，根据所述当前规模信息以及所述未来时刻t的负载数据，获取所述数据库在所述未来时刻t的扩缩容数量，包括：

根据所述当前规模信息、所述未来时刻t的负载数据以及预先训练的扩缩容配置模型，预测所述数据库在所述未来时刻t的扩缩容数量。

5.根据权利要求4所述的方法，其特征在于，根据所述当前规模信息、所述未来时刻t的负载数据以及预先训练的扩缩容配置模型，预测所述数据库在所述未来时刻t的扩缩容数量之前，所述方法还包括：

检测并确定所述扩缩容配置库中未包括所述当前规模信息以及所述未来时刻t的负载数据对应的扩缩容配置信息；

和/或根据所述当前规模信息、所述未来时刻t的负载数据以及预先训练的扩缩容配置模型，预测所述数据库在所述未来时刻t的扩缩容数量之后，所述方法还包括：

将所述未来时刻t的负载数据、所述当前规模信息以及所述扩缩容配置模型预测的所述数据库在所述未来时刻t的扩缩容数量，作为一条扩缩容配置信息存储在所述扩缩容配置库中。

6.根据权利要求4所述的方法，其特征在于，根据所述当前规模信息、所述未来时刻t的负载数据以及预先训练的扩缩容配置模型，预测所述数据库在所述未来时刻t的扩缩容数量之前，所述方法包括：

采用所述扩缩容配置库中的各条所述扩缩容配置信息，训练所述扩缩容配置模型。

7.根据权利要求6所述的方法，其特征在于，采用所述扩缩容配置库中的各条所述扩缩容配置信息，训练所述扩缩容配置模型，包括：

将各条所述扩缩容配置信息中的所述负载数据和扩缩容前的规模信息输入至所述扩缩容配置模型中，获取所述扩缩容配置模型预测的扩缩容数量；

将所述预测的扩缩容数量应用到所述负载数据和扩缩容前的规模信息对应的镜像数据库中，获取所述镜像数据库的TPS；

判断在连续预设次数的训练中所述TPS是否均达到预设的最大阈值；

若不是，调整所述扩缩容配置模型的参数；

重复上述步骤，采用各条所述扩缩容配置信息不断地对所述扩缩容配置模型进行训练，直到在所述连续预设次数的训练中所述TPS均达到预设的最大阈值，确定所述扩缩容配置模型的参数，进而确定所述扩缩容配置模型。

8.一种数据库的扩缩容处理装置，其特征在于，所述装置包括：

数据获取模块，用于获取数据库的历史负载数据、当前负载数据以及当前规模信息；

预测模块，用于根据所述当前负载数据、所述历史负载数据以及预先训练的负载预测模型，预测所述数据库在未来时刻t的负载数据；

扩缩容数量获取模块，用于根据所述当前规模信息以及所述未来时刻t的负载数据，获取所述数据库在所述未来时刻t的扩缩容数量；

扩缩容处理模块，用于根据所述扩缩容数量，对所述数据库进行扩缩容处理。

9.根据权利要求8所述的装置，其特征在于，所述预测模块，用于：

根据所述当前负载数据、所述历史负载数据以及第一负载预测模型，预测所述数据库在所述未来时刻t的第一负载数据；所述第一负载预测模型为基于非周期性变化趋势的预测模型；根据所述当前负载数据、所述历史负载数据以及第二负载预测模型，预测所述数据库在所述未来时刻t的第二负载数据；所述第二负载预测模型为基于周期性变化趋势的预测模型；和/或根据所述当前负载数据、所述历史负载数据以及第三负载预测模型，预测所述数据库在所述未来时刻t的第三负载数据；所述第三负载预测模型为基于节假日或者突发事件的预测模型；

将所述数据库在所述未来时刻t的所述第一负载数据、所述第二负载数据和/或所述第三负载数据累加，作为所述数据库在所述未来时刻t的负载数据。

10.根据权利要求8所述的装置，其特征在于，所述扩缩容数量获取模块，用于：

根据所述当前规模信息以及所述未来时刻t的负载数据，从扩缩容配置库中获取所述数据库在所述未来时刻t的扩缩容数量；其中所述扩缩容配置库中的各条扩缩容配置信息包括负载数据、扩缩容前的规模信息以及扩缩容数量的对应关系。

11.根据权利要求10所述的装置，其特征在于，所述扩缩容数量获取模块，用于：

根据所述当前规模信息、所述未来时刻t的负载数据以及预先训练的扩缩容配置模型，预测所述数据库在所述未来时刻t的扩缩容数量。

12.根据权利要求11所述的装置，其特征在于，所述装置还包括：

检测模块，用于检测并确定所述扩缩容配置库中未包括所述当前规模信息以及所述未来时刻t的负载数据对应的扩缩容配置信息；和/或

存储模块，用于将所述未来时刻t的负载数据、所述当前规模信息以及所述扩缩容配置模型预测的所述数据库在所述未来时刻t的扩缩容数量，作为一条扩缩容配置信息存储在所述扩缩容配置库中。

13.根据权利要求11所述的装置，其特征在于，所述装置还包括：

训练模块，用于采用所述扩缩容配置库中的各条所述扩缩容配置信息，训练所述扩缩容配置模型。

14.根据权利要求13所述的装置，其特征在于，所述训练模块，用于：

将各条所述扩缩容配置信息中的所述负载数据和扩缩容前的规模信息输入至所述扩缩容配置模型中，获取所述扩缩容配置模型预测的扩缩容数量；

将所述预测的扩缩容数量应用到所述负载数据和扩缩容前的规模信息对应的镜像数据库中，获取所述镜像数据库的TPS；

判断在连续预设次数的训练中所述TPS是否均达到预设的最大阈值；

若不是，调整所述扩缩容配置模型的参数；

重复上述步骤，采用各条所述扩缩容配置信息不断地对所述扩缩容配置模型进行训练，直到在所述连续预设次数的训练中所述TPS均达到预设的最大阈值，确定所述扩缩容配置模型的参数，进而确定所述扩缩容配置模型。

15.一种计算机设备，其特征在于，所述设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

16.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。