CN111026608A - 一种Oracle数据库性能诊断方法及其系统、设备、介质 - Google Patents

一种Oracle数据库性能诊断方法及其系统、设备、介质 Download PDF

Info

Publication number
CN111026608A
CN111026608A CN201911186146.9A CN201911186146A CN111026608A CN 111026608 A CN111026608 A CN 111026608A CN 201911186146 A CN201911186146 A CN 201911186146A CN 111026608 A CN111026608 A CN 111026608A
Authority
CN
China
Prior art keywords
early warning
performance
database
oracle database
fault
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
Application number
CN201911186146.9A
Other languages
English (en)
Inventor
张云翔
饶竹一
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Power Supply Bureau Co Ltd
Original Assignee
Shenzhen Power Supply Bureau Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Power Supply Bureau Co Ltd filed Critical Shenzhen Power Supply Bureau Co Ltd
Priority to CN201911186146.9A priority Critical patent/CN111026608A/zh
Publication of CN111026608A publication Critical patent/CN111026608A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/302—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a software system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3051—Monitoring arrangements for monitoring the configuration of the computing system or of the computing system component, e.g. monitoring the presence of processing resources, peripherals, I/O links, software programs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3452—Performance evaluation by statistical analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Abstract

本发明涉及一种数据库性能诊断方法及其系统、设备、介质，所述方法包括如下步骤：实时监测Oracle数据库的预警指标，并在所述预警指标触及预警条件时，生成预警信号；根据所述预警信号获取预设时间段内Oracle数据库的性能指标；根据所述性能指标进行诊断得到Oracle数据库发生故障的可信度。所述存储介质为计算机可读存储介质，其上存储有用于实现所述数据库性能诊断方法的计算机程序。所述设备包括处理器和存储有所述计算机程序的存储器，能够实现所述数据库性能诊断方法。实施本发明，能够实现数据库性能与故障的诊断，进行预警，及早通知相关人员进行干预，避免真正的告警或事故产生，有效减少数据库宕机，大大提高运维的稳定性。

Description

一种Oracle数据库性能诊断方法及其系统、设备、介质
技术领域
本发明涉及数据库技术领域，具体涉及一种Oracle数据库性能诊断方法及其系统、计算机设备、计算机可读存储介质。
背景技术
Oracle数据库是被应用很广的数据库之一，其速度快，可靠性强，被广泛应用于各个行业的IT信息系统，并作为底层数据库存在。Oracle经过多年的发展已经有成熟的监控，主流的ITSM监控也都支持Oracle数据库的监控，但是一直以来监控和数据库性能都是分来的两条路线，并没有交叉，即很少有研究针对数据库的性能会导致的数据库故障作为研究方向。
发明内容
本发明旨在提出一种Oracle数据库性能诊断方法及其系统、计算机设备、计算机可读存储介质，以实现数据库性能与故障的诊断。
第一方面，本发明实施例提出一种Oracle数据库性能诊断方法，包括如下步骤：
实时监测Oracle数据库的预警指标，并在所述预警指标触及预警条件时，生成预警信号；
根据所述预警信号获取预设时间段内Oracle数据库的性能指标；
根据所述性能指标进行诊断得到Oracle数据库发生故障的可信度；
根据所述发生故障的可信度与预设阈值的比较结果进行预警提示。
优选地，所述预警指标包括多个指标，任一预警指标触及预警条件时，生成预警信号。
优选地，所述性能指标包括多个指标；
所述根据所述性能指标进行诊断得到Oracle数据库发生故障的可信度包括：
对每一性能指标进行规范化处理，并计算规范化处理后每一性能指标的平均值，并根据每一性能指标的平均值进行诊断得到Oracle数据库发生故障的可信度。
优选地，所述对每一性能指标进行规范化处理具体如下公式所示：
X＝(X原始-X平均)/X平均
式中，X为规范化处理后性能指标数值，X原始为性能指标规范化前原始数值，X平均为正常情况下性能指标一天的平均数值。
优选地，所述根据每一性能指标的平均值进行诊断得到Oracle数据库发生故障的可信度包括：
将多个性能指标的平均值作为输入量输入预先训练好的深度学习模型中；
所述深度学习模型对所述输入量进行处理，发生的可信度输出每一故障类型发生的可信度。
优选地，所述深度学习模型依次包括一个输入层、多个隐藏层和一个输出层；所述输入层包括多个输入节点，分别用于输入多个性能指标的平均值；所述输出层包括多个输出节点，分别用于发生的可信度输出多个故障类型的发生的可信度；
其中所述深度学习模型的输出和输入的关系如下公式所示：
Figure BDA0002292450400000021
其中，y为一输出节点的输出值，xj为第j个输入节点的输入值，h(x)是激活函数，wj为第j个输入节点与输出节点y的连接权重值，b为预设偏置值。
优选地，所述预警指标包括：数据库状态、系统进程监控状态、监听器状态、表空间状态、信息错误、归档目录剩余空间中的至少两种；所述性能指标包括：活动会话数、活动进程占最大并发进程数百分比、剩余表空间百分比、共享内存命中率、锁等待数、死锁超时次数中的至少两种。
第二方面，本发明实施例提出一种Oracle数据库性能诊断系统，用于实现本发明实施例所述的数据库性能诊断方法，所述系统包括：
预警监测单元，用于实时监测Oracle数据库的预警指标，并在所述预警指标触及预警条件时，生成预警信号；
性能指标获取单元，用于根据所述预警信号获取预设时间段内Oracle数据库的性能指标；
故障诊断单元，用于根据所述性能指标进行诊断得到Oracle数据库发生故障的可信度；
预警提示单元，用于根据所述发生故障的可信度与预设阈值的比较结果进行预警提示。
第三方面，本发明实施例提出一种计算机设备，包括：根据本发明实施例所述数据库性能诊断系统；或者，存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行根据本发明实施例所述Oracle数据库性能诊断方法的步骤。
第四方面，本发明实施例提出一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例所述Oracle数据库性能诊断方法的步骤。
本发明实施例提出一种Oracle数据库性能诊断方法及其系统、计算机设备、计算机可读存储介质，实现了数据库性能数据可以为预警提供预警或者指导的作用，让两个并不相交的预警指标和性能指标数据成功产生关联，指引了数据库故障研究的方向；此外，oracle数据的预警指标和性能指标数据产生关联之后，时刻监控以上的性能数据，在相关数据接近符合条件的时候，可以发出预警，及早通知相关人员进行干预，避免真正的告警或事故产生，有效减少数据库宕机，导致应用不能使用的情况，大大提高运维的稳定性。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而得以体现。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为实施例一中一种数据库性能诊断方法流程图。
图2为实施例一中一种深度学习模型原理图。
图3为实施例一中一种深度学习模型示例图。
图4为实施例二中一种数据库性能诊断系统框架图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
另外，为了更好的说明本发明，在下文的具体实施例中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本发明同样可以实施。在一些实例中，对于本领域技术人员熟知的手段未作详细描述，以便于凸显本发明的主旨。
实施例一
本发明实施例一提出一种Oracle数据库性能诊断方法，图1为实施例一所述数据库性能诊断方法的流程图，参阅图1，实施例一方法包括如下步骤S101-S104：
步骤S101、实时监测Oracle数据库的预警指标，并在所述预警指标触及预警条件时，生成预警信号；
具体而言，所述预警指标包括多个指标，任一预警指标触及预警条件时，生成预警信号。
本实施例中，所述预警指标包括：数据库状态、系统进程监控状态、监听器状态、表空间状态、信息错误、归档目录剩余空间中的至少两种，如下表1所示：
表1-oracle数据库预警指标
Figure BDA0002292450400000051
具体而言，步骤S101中实时监测Oracle数据库的多个预警指标，并在任一预警指标触及预警条件时，均生成预警信号，其中，本实施例方法对应每一预警指标，预先设置对应的预警条件。此处需说明的是，所述预警条件不是Oracle数据库故障时所对应的状态，而是，接近Oracle数据库故障的状态，本实施例方法的目的在于对Oracle数据库接近故障时的状态进行预警。
步骤S102、根据所述预警信号获取预设时间段内Oracle数据库的性能指标；
具体而言，当接收到预警信号时，此时，由于步骤S101中同步监测多个预警指标，并在任一预警指标满足预警条件时生成预警信号，因此，在接收到预警信号时并不清楚到底是涉及何种故障类型的预警，有可能是一种或多种故障类型的预警，因此需要通过步骤S102-步骤S103进一步进行诊断确定。其中，预设时间段指的是Oracle数据库最近的一个设定时间段，例如接收到预警信号的时间为10:20AM，则设定时间段为10:00AM-10:20AM。
其中，所述性能指标包括多个指标；本实施例中，所述性能指标包括：活动会话数、活动进程占最大并发进程数百分比、剩余表空间百分比、共享内存命中率、锁等待数、死锁超时次数中的至少两种；如下表2所示：
表2-oracle数据库性能指标
Figure BDA0002292450400000061
Figure BDA0002292450400000071
步骤S103、根据所述性能指标进行诊断得到Oracle数据库发生故障的可信度。
其中，所述步骤S103具体包括：
对每一性能指标进行规范化处理，并计算规范化处理后每一性能指标的平均值，并根据每一性能指标的平均值进行诊断得到Oracle数据库发生故障的可信度。
其中，数值由于主机系统性能差异，因此需要做相应的规范化处理；所述对每一性能指标进行规范化处理具体如下公式所示：
X＝(X原始-X平均)/X平均
式中，X为规范化处理后性能指标数值，X原始为性能指标规范化前原始数值，X平均为正常情况下性能指标一天的平均数值。
通过以上的方法处理，得到利于模型处理的规范数值。
其中，所述根据每一性能指标的平均值进行诊断得到Oracle数据库发生故障的可信度包括：
步骤S201、将多个性能指标的平均值作为输入量输入预先训练好的深度学习模型中；
步骤S202、所述深度学习模型对所述输入量进行处理，发生的可信度输出每一故障类型发生的可信度。
具体而言，步骤S202中深度学习模型原理为综合分析多个性能指标平均值，根据数据库性能指标情况确定发生各种故障的可信度，可以理解的是，可信度表征故障发生的概率。举例而言，如下表3所示：
表3-Oracle数据库的性能指标与故障类型对应关系
Figure BDA0002292450400000081
参阅表3，表3示出了活动会话数、活动进程占最大并发进程数百分比、剩余表空间百分比、共享内存命中率、锁等待数、死锁超时次数等六种数据库性能指标相对于各类型故障的分数值，故障类型与预警指标类型一一对应，表3中包括：数据库状态、系统进程监控状态、监听器状态、表空间状态、信息错误、归档目录剩余空间等六种数据库故障类型。每一故障类型所对应的可信度为各性能指标所对应的分数值累加得到，例如表3中，监听器状态故障的可信度＝126+14+34+5+5+2。
其中，有了步骤S102处理后的平均值，作为输入，接下来就是深度学习的数学方法处理过程。深度学习有多种形式，主要形式包括多层感知机，卷积神经网络，循环神经网络和深度置信网络。其中多层感知机(MLP)，是本发明采用的深度神经网络中一种典型的最基本的模型，其结构如图1所示。层感知机的目标是近似某个函数f*。例如，对于分类器，y＝f*(x)将输入x映射到一个类别y。前馈网络定义了一个映射y＝f(x；θ)，并且学习参数θ的值，使它能够得到最佳的函数近似。
在一实施例中，如图2所示为深度学习模型原理图，所述深度学习模型依次包括一个输入层、多个隐藏层和一个输出层；所述输入层包括m个输入节点，分别用于输入多个性能指标的平均值；所述输出层包括n个输出节点，分别用于发生的可信度输出多个故障类型的发生的可信度；
其中所述深度学习模型的输出和输入的关系如下公式所示：
Figure BDA0002292450400000091
其中，y为一输出节点的输出值，xj为第j个输入节点的输入值，h(x)是激活函数，wj为第j个输入节点与输出节点y的连接权重值，b为预设偏置值。也就是说，一个输出节点神经元的输出值为各个输入节点神经元输入值的加权和与偏置值之和，经过激活函数进行非线性变换后的值。
图3为一具体实施例所示的深度学习模型示意图。
其中，多层感知机的流程分为前向过程和反向过程。在前向过程中，输入层作为第一层隐藏层的输入，第一层隐藏层的输出作为第二层隐藏层的输入，依此类推，得到一个多层的神经网络结构，最后输出层得到的输出值就是所得到的预测结果。多层感知机的训练过程是一种监督学习过程，训练所用样本是已知输出值的有标签样本。首先对神经网络中的权重值、偏置值进行随机初始化，将样本的特征值作为神经网络的输入，经过神经网络的前向计算，得到输出值，然后根据此输出值与样本真实输出值的误差，逐步反向调整各层神经网络的权重值和偏置值，完成调整后重新计算网络输出值并得到输出误差。如此反复，直到输出误差满足一定要求，此时神经网络中各个神经元通过自我学习得到了合适的权重和偏置值，神经网络通过学习自动得出了输入到输出之间的关系，也即完成了神经网络的训练过程。以下给出前向传播和反向传播过程的详细数学表示。
前向传播指的是信息从第一层逐渐地向高层进行传递的过程。以图二为例来进行前向传播的过程的分析。假设第一层为输入层，输入的信息为[x1，x2，x3]。于层l，用Ll表示该层的所有神经元，其输出为yl，其中第j个节点的输出为
Figure BDA0002292450400000101
该点的输入为
Figure BDA0002292450400000102
连接第l层与第(l-1)层的权重矩阵为Wl，上一层(第l-1层)的第i个节点到第l层第j个节点的权重为
Figure BDA0002292450400000103
可得到：
Figure BDA0002292450400000104
转化为矩阵表达式有：
Figure BDA0002292450400000105
最后可得到在每一次训练过程中，参数的更新公式为：
Figure BDA0002292450400000106
其中，η为学习速率。
通过以上式子不断迭代，直到梯度的幅值接近于0，就完成了深度学习模型的权重、偏置量等相关参数的学习。
具体而言，经过模型试验结果对比实际的告警发生情况，本实施例可以得到结论，训练正确率随层数增加缓慢下降。测试正确率在隐藏层为10层时达到最大，为85％。综合系统的训练正确率和测试正确率，并考虑系统的计算复杂度，在系统取3层隐藏层，每层50个节点时的模型是此数据集上的最优模型。也就是通过以上的方法，oracle数据的性能指标数据和告警指标数据产生关联。
步骤S104、根据所述诊断结果与预设阈值的比较结果进行预警。
具体而言，所述诊断结果为Oracle数据库的多种故障发生的可信度，本实施例中针对每一故障类型设置了可信度阈值，根据步骤S103的诊断结果和可信度阈值的比较结果进行预警，该诊断结果包括每一故障类型发生的可信度，当任一故障类型所对应的可信度大于对应的可信度阈值时，表明即将发生对应的故障的可信度非常大，此时，生成对应的提示信号，并根据所述提示信号驱动相应的提示装置进行相应类型故障的提示；其中，提示的方式可以是发生短信至相关人员的智能终端、语音提示等。
举例而言，诊断结果为Oracle数据库的表空间发生故障的可信度为263，而预设的可信度阈值为240，则此时应该生成对应的提示信号，提示Oracle数据库的表空间接近发生故障。
基于以上实施例的描述可知，本发明实现了Oracle数据库性能数据可以为预警提供预警或者指导的作用，让两个并不相交的预警指标和性能指标数据成功产生关联，指引了数据库故障研究的方向；此外，oracle数据的预警指标和性能指标数据产生关联之后，时刻监控以上的性能数据，在相关数据接近符合条件的时候，可以发出预警，及早通知相关人员进行干预，避免真正的告警或事故产生，有效减少数据库宕机，导致应用不能使用的情况，大大提高运维的稳定性。
实施例二
本发明实施例二提出一种Oracle数据库性能诊断系统，其用于实现实施例一所述的数据库性能诊断方法，图4为本实施例所述系统的框架图，参阅图4，所述系统包括：
预警监测单元1，用于实时监测Oracle数据库的预警指标，并在所述预警指标触及预警条件时，生成预警信号；
性能指标获取单元2，用于根据所述预警信号获取预设时间段内Oracle数据库的性能指标；
故障诊断单元3，用于根据所述性能指标进行诊断得到Oracle数据库发生故障的可信度；
预警提示单元4，用于根据所述发生故障的可信度与预设阈值的比较结果进行预警提示。
其中，所述预警指标包括多个指标，任一预警指标触及预警条件时，生成预警信号。
其中，所述性能指标包括多个指标；
所述故障诊断单元3包括：
数据处理单元31，用于对每一性能指标进行规范化处理；
均值计算单元32，用于计算规范化处理后每一性能指标的平均值；
故障分析单元33，用于根据每一性能指标的平均值进行诊断得到Oracle数据库发生故障的可信度。
其中，所述对每一性能指标进行规范化处理具体如下公式所示：
X＝(X原始-X平均)/X平均
式中，X为规范化处理后性能指标数值，X原始为性能指标规范化前原始数值，X平均为正常情况下性能指标一天的平均数值。
其中，所述故障分析单元33包括：
深度学习模型，用于对多个性能指标的平均值进行处理，发生的可信度输出每一故障类型发生的可信度。
其中，所述深度学习模型依次包括一个输入层、多个隐藏层和一个输出层；所述输入层包括多个输入节点，分别用于输入多个性能指标的平均值；所述输出层包括多个输出节点，分别用于发生的可信度输出多个故障类型的发生的可信度；
其中所述深度学习模型的输出和输入的关系如下公式所示：
Figure BDA0002292450400000131
其中，y为一输出节点的输出值，xj为第j个输入节点的输入值，h(x)是激活函数，wj为第j个输入节点与输出节点y的连接权重值，b为预设偏置值。
其中，所述预警指标包括：数据库状态、系统进程监控状态、监听器状态、表空间状态、信息错误、归档目录剩余空间中的至少两种；
其中，所述性能指标包括：活动会话数、活动进程占最大并发进程数百分比、剩余表空间百分比、共享内存命中率、锁等待数、死锁超时次数中的至少两种。
以上所描述的系统实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。
需说明的是，实施例二所述系统与实施例一所述方法对应，因此，实施例二所述系统未详述部分可以参阅实施例一所述方法的内容得到，此处不再赘述。
并且，实施例二所述Oracle数据库性能诊断系统如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
实施例三
本发明实施例三提出一种计算机设备，包括：根据本发明实施三例所述数据库性能诊断系统；或者，存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行根据本发明实施例一所述Oracle数据库性能诊断方法的步骤。
当然，所述计算机设备还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该计算机设备还可以包括其他用于实现设备功能的部件，在此不做赘述。
示例性的，所述计算机程序可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述计算机设备中的执行过程。
所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机设备的控制中心，利用各种接口和线路连接整个所述计算机设备的各个部分。
所述存储器可用于存储所述计算机程序和/或单元，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或单元，以及调用存储在存储器内的数据，实现所述计算机设备的各种功能。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
实施例四
本发明实施例四提出一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例一所述Oracle数据库性能诊断方法的步骤。
具体而言，所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种Oracle数据库性能诊断方法，其特征在于，包括如下步骤：
实时监测Oracle数据库的预警指标，并在所述预警指标触及预警条件时，生成预警信号；
根据所述预警信号获取预设时间段内Oracle数据库的性能指标；
根据所述性能指标进行诊断得到Oracle数据库发生故障的可信度；
根据所述发生故障的可信度与预设阈值的比较结果进行预警提示。
2.如权利要求1所述的Oracle数据库性能诊断方法，其特征在于，所述预警指标包括多个指标，任一预警指标触及预警条件时，生成预警信号。
3.如权利要求1所述的Oracle数据库性能诊断方法，其特征在于，所述性能指标包括多个指标；
所述根据所述性能指标进行诊断得到Oracle数据库发生故障的可信度包括：
对每一性能指标进行规范化处理，并计算规范化处理后每一性能指标的平均值，并根据每一性能指标的平均值进行诊断得到Oracle数据库发生故障的可信度。
4.如权利要求3所述的Oracle数据库性能诊断方法，其特征在于，所述对每一性能指标进行规范化处理具体如下公式所示：
X＝(X原始-X平均)/X平均
式中，X为规范化处理后性能指标数值，X原始为性能指标规范化前原始数值，X平均为正常情况下性能指标一天的平均数值。
5.如权利要求3所述的Oracle数据库性能诊断方法，其特征在于，所述根据每一性能指标的平均值进行诊断得到Oracle数据库发生故障的可信度包括：
将多个性能指标的平均值作为输入量输入预先训练好的深度学习模型中；
所述深度学习模型对所述输入量进行处理，发生的可信度输出每一故障类型发生的可信度。
6.如权利要求5所述的Oracle数据库性能诊断方法，其特征在于，所述深度学习模型依次包括一个输入层、多个隐藏层和一个输出层；所述输入层包括多个输入节点，分别用于输入多个性能指标的平均值；所述输出层包括多个输出节点，分别用于发生的可信度输出多个故障类型的发生的可信度；
其中所述深度学习模型的输出和输入的关系如下公式所示：
Figure FDA0002292450390000021
其中，y为一输出节点的输出值，xj为第j个输入节点的输入值，h(x)是激活函数，wj为第j个输入节点与输出节点y的连接权重值，b为预设偏置值。
7.如权利要求5所述的Oracle数据库性能诊断方法，其特征在于，所述预警指标包括：数据库状态、系统进程监控状态、监听器状态、表空间状态、信息错误、归档目录剩余空间中的至少两种；
所述性能指标包括：活动会话数、活动进程占最大并发进程数百分比、剩余表空间百分比、共享内存命中率、锁等待数、死锁超时次数中的至少两种。
8.一种数据库性能诊断系统，用于实现权利要求1-7任一项所述的数据库性能诊断方法，其特征在于，所述系统包括：
预警监测单元，用于实时监测Oracle数据库的预警指标，并在所述预警指标触及预警条件时，生成预警信号；
性能指标获取单元，用于根据所述预警信号获取预设时间段内Oracle数据库的性能指标；
故障诊断单元，用于根据所述性能指标进行诊断得到Oracle数据库发生故障的可信度；
预警提示单元，用于根据所述发生故障的可信度与预设阈值的比较结果进行预警提示。
9.一种计算机设备，包括：根据权利要求8所述数据库性能诊断系统；或者，存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行根据权利要求1-7中任一项所述数据库性能诊断方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1-7中任一项所述数据库性能诊断方法的步骤。
CN201911186146.9A 2019-11-28 2019-11-28 一种Oracle数据库性能诊断方法及其系统、设备、介质 Pending CN111026608A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911186146.9A CN111026608A (zh) 2019-11-28 2019-11-28 一种Oracle数据库性能诊断方法及其系统、设备、介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911186146.9A CN111026608A (zh) 2019-11-28 2019-11-28 一种Oracle数据库性能诊断方法及其系统、设备、介质

Publications (1)

Publication Number Publication Date
CN111026608A true CN111026608A (zh) 2020-04-17

Family

ID=70206988

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911186146.9A Pending CN111026608A (zh) 2019-11-28 2019-11-28 一种Oracle数据库性能诊断方法及其系统、设备、介质

Country Status (1)

Country Link
CN (1) CN111026608A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112256526A (zh) * 2020-10-14 2021-01-22 中国银联股份有限公司 基于机器学习的数据实时监控方法以及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002077879A1 (en) * 2001-03-24 2002-10-03 Exem Ltd. Apparatus for monitoring performance of database and method thereof
CN104102668A (zh) * 2013-04-12 2014-10-15 袁晓东 数据库性能自动分析和预警系统
CN107656858A (zh) * 2016-07-26 2018-02-02 深圳联友科技有限公司 一种自动运维监控oracle数据库的方法及系统
CN108875281A (zh) * 2018-08-08 2018-11-23 佛山科学技术学院 一种基于深度学习的混合智能健康状态诊断方法及装置
CN109783322A (zh) * 2018-11-22 2019-05-21 远光软件股份有限公司 一种企业信息系统运行状态的监控分析系统及其方法
CN110221936A (zh) * 2019-06-12 2019-09-10 深圳前海微众银行股份有限公司 数据库告警处理方法、装置、设备及计算机可读存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002077879A1 (en) * 2001-03-24 2002-10-03 Exem Ltd. Apparatus for monitoring performance of database and method thereof
CN104102668A (zh) * 2013-04-12 2014-10-15 袁晓东 数据库性能自动分析和预警系统
CN107656858A (zh) * 2016-07-26 2018-02-02 深圳联友科技有限公司 一种自动运维监控oracle数据库的方法及系统
CN108875281A (zh) * 2018-08-08 2018-11-23 佛山科学技术学院 一种基于深度学习的混合智能健康状态诊断方法及装置
CN109783322A (zh) * 2018-11-22 2019-05-21 远光软件股份有限公司 一种企业信息系统运行状态的监控分析系统及其方法
CN110221936A (zh) * 2019-06-12 2019-09-10 深圳前海微众银行股份有限公司 数据库告警处理方法、装置、设备及计算机可读存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112256526A (zh) * 2020-10-14 2021-01-22 中国银联股份有限公司 基于机器学习的数据实时监控方法以及装置
CN112256526B (zh) * 2020-10-14 2024-02-23 中国银联股份有限公司 基于机器学习的数据实时监控方法以及装置

Similar Documents

Publication Publication Date Title
JP7105932B2 (ja) アプリケーション情報に関連する時系列ズデータに関する深層学習を使用した異常検出
US20190228312A1 (en) Unsupervised model building for clustering and anomaly detection
CN103163877B (zh) 用于系统级故障的根本原因分析和质量监控的方法和系统
CN113011085A (zh) 一种设备数字孪生建模方法及系统
CN113111591B (zh) 基于模块化配电终端内部故障自动诊断方法、装置及设备
CN110991504A (zh) 基于motcn-ae的多维时间序列异常值检测方法及系统
CN110334865B (zh) 一种基于卷积神经网络的电力设备故障率预测方法及系统
CN111709790B (zh) 一种日前市场异常电价辨识方法、装置、设备和存储介质
CN114298175A (zh) 基于边缘计算的电力设备状态监测与故障预警方法及系统
CN114511026A (zh) 一种故障诊断方法、装置、终端设备及存储介质
CN112560997A (zh) 故障识别模型训练方法、故障识别方法及相关装置
CN116167010A (zh) 具有智能迁移学习能力的电力系统异常事件快速识别方法
CN111026608A (zh) 一种Oracle数据库性能诊断方法及其系统、设备、介质
CN116089196A (zh) 智能性水平分析评估方法及装置、计算机可读存储介质
CN113551156B (zh) 基于深度学习的管道状态监测方法、装置及存储介质
CN115659826A (zh) 一种服务器故障率检测方法、装置、电子设备及存储介质
CN113724211B (zh) 一种基于状态感应的故障自动识别方法及系统
CN115409262A (zh) 铁路数据中心关键性能指标趋势预测方法、异常识别方法
CN104568256A (zh) 发动机扭矩检测系统及方法
CN114062812A (zh) 一种计量柜故障诊断方法及系统
CN114784795A (zh) 风电功率预测方法、装置、电子设备及存储介质
CN114420307A (zh) 基于人工智能的公共卫生事件登记方法、装置及电子设备
CN114415049B (zh) 蓄电池健康度评分卡的确定方法、装置、设备及存储介质
CN113240000B (zh) 机器状态监测方法、可读存储介质及电子设备
CN117828466A (zh) 一种工业系统生产故障分类方法、装置、存储介质及设备

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