CN111949281A - 一种基于ai配置的数据库安装方法及用户设备、存储介质 - Google Patents
一种基于ai配置的数据库安装方法及用户设备、存储介质 Download PDFInfo
- Publication number
- CN111949281A CN111949281A CN202010861255.2A CN202010861255A CN111949281A CN 111949281 A CN111949281 A CN 111949281A CN 202010861255 A CN202010861255 A CN 202010861255A CN 111949281 A CN111949281 A CN 111949281A
- Authority
- CN
- China
- Prior art keywords
- database
- installation
- configuration
- hardware information
- user equipment
- 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
- 238000009434 installation Methods 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000004044 response Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 abstract description 14
- 238000011900 installation process Methods 0.000 abstract description 9
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 description 37
- 230000006870 function Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000000306 component Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
- G06F8/61—Installation
-
- 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)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种基于AI配置的数据库安装方法及用户设备、存储介质,其中数据库安装方法包括:响应于数据库在用户设备上的安装请求,获取用户设备的硬件信息;通过预设的AI配置模型处理该硬件信息,生成并得到数据库的配置参数;根据配置参数对数据库进行安装控制。本申请技术方案利于在数据库安装过程中灵活生成配置信息并对安装过程进行自动化设置,从而更好地节省存储资源,提高系统安装效率,保证数据库的高稳定性且能够提高数据库的应用性能;同时,还可以减少人工操作的错误率,节省数据库后期运维所需的人力成本,有效避免数据库调优过程中导致的异常,从而提升用户对数据库的安装和使用体验。
Description
技术领域
本发明涉及数据库技术领域,具体涉及一种基于AI配置的数据库安装方法及用户设备、存储介质。
背景技术
在信息化社会,充分有效的管理和利用各类信息资源,是进行科学研究和决策管理的重要前提。数据库技术是管理信息系统、办公自动化系统、决策支持系统等各类信息系统的核心组成部分,是进行科学研究和决策管理的重要手段。那么,可以将数据库视为存储电子文件的处所,用户可以对文件中的数据运行新增、截取、更新、删除等操作。
为了适应电子设备的操作系统或者应用软件的执行需要,往往在电子设备上配置不同类型的数据库,如此可利于操作系统或者应用软件对数据库内的数据进行调取等操作。只有数据库在电子设备上正确安装之后才能发挥其数据管理的作用,由于数据库的版本不同,对数据库的安装要求和电子设备的硬件性能要求也不一样,通常需要尽量采用快CPU、大内存、快硬盘的电子设备。
在实际应用中,每一个数据库都是需要根据电子设备的当前硬件环境进行相应的调优配置,传统数据库全局参数配置方法是在数据库安装完毕之后进行设置,依靠专业DBA人工根据硬件配置给出一个相对合理的参数配置文件,或者无论服务器硬件配置多高都是采用默认的参数进行安装;由此,导致想要更好地使用数据库时需要投入更多的学习成本或者人力成本,而且需要收集计算机CPU、内存、磁盘等硬件的配置信息,然后综合考虑,造成安装过程复杂、灵活性差的问题;另外,人工对数据库进行设置的过程很依赖经验,也容易出错,配置不当会造成资源的浪费或数据库异常,严重影响用户的使用体验。
发明内容
本发明主要解决的技术问题是如何稳定、高效地配置数据库,避免人工配置数据库引起的异常现象。为解决上述技术问题,本申请提供一种基于AI配置的数据库安装方法及用户设备、存储介质。
根据第一方面,一种实施例中提供一种基于AI配置的数据库安装方法,包括:响应于数据库在用户设备上的安装请求,获取所述用户设备的硬件信息;通过预设的AI配置模型处理所述硬件信息,生成并得到所述数据库的配置参数;根据所述配置参数对所述数据库进行安装控制。
所述响应于数据库在用户设备上的安装请求,获取所述用户设备的硬件信息,包括:执行所述数据库的安装包,触发产生安装请求;响应于所述安装请求,检查用户设备的硬件并收集对应的硬件信息;所述硬件信息包括处理器的核心数、处理器的工作频率、内存容量、硬盘类型和硬盘可用容量中的一者或多者参数。
所述通过预设的AI配置模型处理所述硬件信息,生成并得到所述数据库的配置参数,包括:将所述硬件信息输入至预设的AI配置模型;通过所述AI配置模型处理所述硬件信息,根据处理结果确定适宜所述数据库的安装模式;所述安装模式包括大页内存模式、标准默认模式;根据所述安装模式生成所述数据库的配置参数。
所述通过所述AI配置模型处理所述硬件信息,根据处理结果确定适宜所述数据库的安装模式,包括:预先配置所述AI配置模型的数据集,并在所述数据集中设置多个参数指标;通过所述AI配置模型将所述硬件信息中的各个参数分别与所述数据集中对应的参数指标进行匹配,返回匹配结果;根据所述匹配结果确定适宜所述数据库的安装模式。
所述根据所述安装模式生成所述数据库的配置参数,包括:若所述安装模式为大页内存模式,则为所述数据库生成执行大页内存所需的配置参数;若所述安装模式为标准默认模式,则为所述数据库生成执行默认值所需的配置参数。
所述根据所述配置参数对所述数据库进行安装控制,包括:根据所述配置参数在所述用户设备上设置所述数据库的安装环境,并在所述安装环境内对所述数据库进行装载;根据所述配置参数设置所述数据库的初始化参量,启动装载的数据库并按照所述初始化参量执行初始化,以完成所述数据库的安装。
根据第二方面,一种实施例中提供一种用户设备,包括硬盘、内存储器和处理器;所述硬盘用于固定存储数据;所述内存储器用于临时存储数据;所述处理器与所述硬盘和所述内存储器连接,用于根据上述第一方面中所述数据库安装方法对数据库进行安装。
所述数据库的安装包预先存储在所述硬盘上,在被加载至所述内存储器之后,所述处理器执行所述数据库的安装包并触发产生安装请求。
所述处理器包括:获取模块,用于响应于数据库在用户设备上的安装请求,获取所述用户设备的硬件信息;生成模块,与所述获取模块连接,用于通过预设的AI配置模型处理所述硬件信息,生成并得到所述数据库的配置参数;控制模块,与所述生成模块连接,用于根据所述配置参数对所述数据库进行安装控制。
根据第三方面,一种实施例中提供一种计算机可读存储介质,包括程序,所述程序能够被处理器执行以实现如上述第一方面中所述的数据库安装方法。
本申请的有益效果是:
依据上述实施例的一种基于AI配置的数据库安装方法及用户设备、存储介质,其中数据库安装方法包括:响应于数据库在用户设备上的安装请求,获取用户设备的硬件信息;通过预设的AI配置模型处理该硬件信息,生成并得到数据库的配置参数;根据配置参数对数据库进行安装控制。第一方面,由于响应于安装请求获取用户设备的硬件信息,使得本申请技术方案可以做到在数据库安装过程中,智能地收集计算机的硬件信息,针对计算机的硬件信息计算出数据库的最优配置参数,利用执行数据库的后续安装操作;第二方面,由于通过AI配置模型处理该硬件信息并生成得到数据库的配置参数,那么利于在数据库安装过程中进行灵活的自动化设置,从而更好地节省存储资源,提高系统安装效率,保证数据库的高稳定性且能够提高数据库的应用性能;第三方面,应用本申请技术方案,可以减少人工操作的错误率,节省数据库后期运维所需的人力成本,有效避免数据库调优过程中导致的异常,从而提升用户对数据库的安装和使用体验。
附图说明
图1为本申请实施例一中用户设备的结构示意图;
图2为处理器的结构示意图;
图3为本申请实施例二中基于AI配置的数据库安装方法的流程图;
图4为响应并获取用户设备硬件信息的流程图;
图5为得到数据库的配置参数的流程图;
图6为根据配置参数对数据进行安装控制的流程图;
图7为一个具体实施中确定安装模式的流程图;
图8为设备硬件适配数据库安装的原理示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中,很多细节描述是为了使得本申请能被更好的理解。然而,本领域技术人员可以毫不费力的认识到,其中部分特征在不同情况下是可以省略的,或者可以由其他元件、材料、方法所替代。在某些情况下,本申请相关的一些操作并没有在说明书中显示或者描述,这是为了避免本申请的核心部分被过多的描述所淹没,而对于本领域技术人员而言,详细描述这些相关操作并不是必要的,他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外,说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时,方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此,说明书和附图中的各种顺序只是为了清楚描述某一个实施例,并不意味着是必须的顺序,除非另有说明其中某个顺序是必须遵循的。
本文中为部件所编序号本身,例如“第一”、“第二”等,仅用于区分所描述的对象,不具有任何顺序或技术含义。而本申请所说“连接”、“联接”,如无特别说明,均包括直接和间接连接(联接)。
实施例一、
请参考图1,本申请公开一种用户设备,该用户设备1包括硬盘11、内存储器12和处理器13,下面分别说明。
在本实施例中,用户设备1可以是计算机、服务器,甚至移动终端等电子设备,用户可以在设备上自由安装一些比如数据库、应用程序的软件。
硬盘11是用户设备主要的存储介质之一,用于固定存储数据,不会掉电丢失数据。硬盘11可以存储数据库的安装包以及安装数据库所释放的数据文件,所有数据以0和1的方式存储在硬盘11上以供调用。通常,硬盘11的地位仅仅次于内存储器12和处理器13(即CPU)。此外,硬盘11可以采用固态硬盘、机械硬盘或者混合硬盘,其中固态硬盘(SSD)采用闪存颗粒来存储数据,机械硬盘(HDD)采用磁性碟片来存储数据,混合硬盘(HHD)把磁性硬盘和闪存集成到一起来存储数据。
内存储器12可以认为是设备的内存,是用户设备中重要的部件之一,它是硬盘11与处理器13进行沟通的桥梁,所以这里的内存储器12用于临时存储数据。具体地,内存储器12的作用是暂时存放处理器13中的运算数据,以及与硬盘11等外部存储器交换的数据。在用户设备1运行中,系统会把需要运算的数据从内存储器12调到处理器13中进行运算,当运算完成后处理器13再将结果传送出来,内存储器12的运行也决定了计算机的稳定运行。
处理器13与硬盘11、内存储器12连接,用于读取硬盘11中的数据和调取内存储器12中的数据,本实施例中处理器13主要根据下文实施例二中公开的数据库安装方法对数据库进行安装控制。
在本实施例中,待安装的数据库可以是一种或多种数据类型的集合,可以为应用软件或者操作系统提供数据支持。每一种类型数据集合里面的数据都有固定的内容结构。可以将数据库(Database)理解为按照数据结构来组织、存储和管理数据的仓库,内部数据有一定规律结构,相同类型的数据放在一起,不同类型的数据之间相互隔离,并且由统一的规则来读写存放的数据。数据库具有能存在一起、能与多个用户共享、具有尽可能小的冗余度、与应用程序彼此独立的作用,常用的数据库有Access、Oracle、Mysql、SQL Server、SQLite等;当然,待安装的数据库还可以是某一软件所特定需要的数据库,如广通数学建模软件所需要的数学模型数据库。
在本实施例中,为了提高数据库在用户设备1上的安装效率,可以将数据库的安装包预先存储在硬盘11,在安装包被加载至内存储器12之后,处理器13就可以执行该数据库的安装包,并在执行过程中触发产生安装请求。
在本实施例中,参见图2,处理器13可以包括获取模块131、生成模块132和控制模块133,分别说明如下。
其中,获取模块131用于响应于待安装的数据库在用户设备1上的安装请求,获取用户设备1的硬件信息。在这里,获取的硬件信息包括处理器的核心数、处理器的工作频率、内存容量、硬盘类型和硬盘可用容量中的一者或多者参数。
需要说明的是,处理器13的性能决定了它处理数据的速度,是衡量用户设备1性能高低的重要指标,常用两个参数来表示性能,即工作频率和核心数。虽然有架构的差异,但是频率相近的两个处理器性能相差都不会太大,受制造工艺限制,处理器的频率不能无限制的增加,此时可以通过增加核心数来提高处理器的性能。
其中,生成模块132与获取模块131连接,用于通过预设的AI配置模型处理硬件信息,生成并得到数据库的配置参数。AI配置模型具有AI计算能力,可以将硬件信息与配置的数据集中的多个参数指标进行匹配,从而返回匹配结果。那么,生成模块132可以根据AI配置模型返回的匹配结果来执行数据库安装过程所需的配置参数。
需要说明的是,在开发基于数据库的应用软件时,需要在项目中进行数据源的配置来为数据库的操作取得数据库连接。所以对数据库的配置参数尤为重要,通常包括数据格式、驱动类、连接类、用户名、密码等参数。
其中,控制模块133与生成模块132连接,主要用于根据配置参数对数据库进行安装控制。
在本实施例中,关于处理器13以及内部各个功能模块(如获取模块131、生成模块132和控制模块133)的功能介绍将在下面的实施例二中进行详细说明。
实施例二、
请参考图3,本申请公开一种基于AI配置的数据库安装方法,该数据库安装方法可以由实施例一中的处理器13在执行相关程序的过程中进行实现。
在本实施例中,基于AI配置的数据库安装方法可以包括步骤S210-S230,下面分别说明。
步骤S210,响应于数据库在用户设备上的安装请求,获取用户设备的硬件信息。
例如图1和图2,处理器13中的获取模块131在得到用户需要安装数据库的操作指示之后触发产生安装请求,然后响应于该安装请求检查处理器13自身、硬盘11、内存储器12的配置,从而得到硬件信息。
步骤S220,通过预设的AI配置模型处理硬件信息,生成并得到数据库的配置参数。
例如图1和图2,处理器13中的生成模块132将硬件信息与数据集中预先设置的多个参数指标进行AI(Artificial Intelligence,人工智能)计算,得到与参数指标的匹配结果,从而依据匹配结果生成数据库的配置参数。
步骤S230,根据配置参数对数据库进行安装控制。
例如图1和图2,处理器13中的控制模块133根据配置参数释放内存储器12中暂时存储的数据库的数据包,将数据包内的数据释放至硬盘11内,并通过初始化等环节完成数据库的安装。
在本实施例中,参见图4,上述的步骤S210主要涉及响应安装请求并获取用户设备的硬件信息的过程,该步骤可以具体包括步骤S211-S212,分别说明如下。
步骤S211,处理器13执行数据库的安装包,触发产生安装请求。可以理解,在处理器13得到用户安装确认的操作指示后对硬盘11中的数据库安装包进行加载,此时可以触发产生安装请求。
步骤S212,处理器13响应于安装请求,检查用户设备的硬件并收集对应的硬件信息。参见图1,由于用户设备1包括硬盘11、内存储器12和处理器13,所以处理器13能够收集的硬件信息包括处理器的核心数、处理器的工作频率、内存容量、硬盘类型和硬盘可用容量中的一者或多者参数。
在本实施例中,参见图5,上述的步骤S220主要涉及通过预设的AI配置模型处理硬件信息并得到数据库的配置参数的过程,该步骤可以具体包括步骤S221-S222,分别说明如下。
步骤S221,处理器13将硬件信息输入至预设的AI配置模型。需要说明的是,AI配置模型可以是基于神经网络的多层结构,能够根据神经网络的自身算力对硬件信息进行分析,输出与数据集的匹配结果。
例如,AI配置模型可以采用KNN(K-Nearest Neighbor)算法为基础的神经网络结构,利用KNN算法来执行分类、回归等数据分析。KNN通过测量不同特征值之间的距离来进行分类。KNN算法的工作原理是利用训练数据对特征向量空间进行划分,并将划分结果作为最终算法模型。比如,存在一个样本数据集合,也称作训练样本集,并且样本集中的每个数据都存在标签,即我们知道样本集中每一数据与所属分类的对应关系;输入没有标签的数据后,将这个没有标签的数据的每个特征与样本集中的数据对应的特征进行比较,然后提取样本中特征最相近的数据(最近邻)的分类标签。那么,KNN分类算法的分类预测过程可以简单理解为:对于一个需要预测的输入向量x,只需要在训练数据集中寻找K个与向量x最近的向量的集合,然后把x的类别预测为这K个样本中类别数最多的那一类。KNN算法的核心思想是,如果一个样本在特征空间中的K个最相邻的样本中的大多数属于某一个类别,则该样本也属于这个类别,并具有这个类别上样本的特性。总体来说,KNN算法包括以下几个步骤:准备数据,对数据进行预处理;计算测试样本点(也就是待分类点)到其他每个样本点的距离;对每个距离进行排序,然后选择出距离最小的K个点;对K个点所属的类别进行比较,根据少数服从多数的原则,将测试样本点归入在K个点中占比最高的那一类 。
步骤S222,处理器13通过AI配置模型处理硬件信息,根据处理结果确定适宜数据库的安装模式。在这里,数据库的安装模式可以包括大页内存模式、标准默认模式。
在一个具体实施例中,处理器13预先配置AI配置模型的数据集,并在数据集中设置多个参数指标;通过AI配置模型将硬件信息中的各个参数分别与数据集中对应的参数指标进行匹配,返回匹配结果;根据匹配结果确定适宜数据库的安装模式。
参见图7,在AI配置模型采用KNN算法为基础的神经网络结构情况下,配置数据集中的多个参数指标(比如处理器核心数的指标范围、处理器工作频率的指标范围、内存容量的指标范围、硬盘类型的指标范围和硬盘可用容量的指标范围)。将硬件信息(如处理器的核心数、处理器的工作频率、内存容量、硬盘类型和硬盘可用容量)输入至AI配置模型,使硬件信息中的各个参数与数据集中对应的各个参数指标进行匹配,返回匹配结果属于A类或B类的指示。如果大部分参数都不能够有效匹配,则返回数值0(即属于A类),反之返回数值1(即属于B类)。在返回匹配结果为A类的情况下,开启大页内存模式;在返回匹配结果为B类的情况下,开启标准默认模式。
需要说明的是,大页内存是一种内存管理机制,所有大页以及大页表都以共享方式存放在共享内存中,永远都不会因为内存不足而导致系统性能抖动的情形发生。由于所有进程都共享一个大页表,减少了页表的开销,无形中减少了内存空间的占用,使得系统支持更多的进程同时运行。通过使用大页内存模式可以减轻TLB的压力和减轻查内存的压力。
需要说明的是,标准默认模式就是普通的内存管理方式,区别于大页内存的情况。
步骤S223,处理器13根据安装模式生成数据库的配置参数。在一个具体实施中,若判断安装模式为大页内存模式,则处理器13为数据库生成执行大页内存所需的配置参数;若判断安装模式为标准默认模式,则处理器13为数据库生成执行默认值所需的配置参数。
在本实施例中,上述的步骤S230主要涉及根据配置参数对数据库进行安装控制的过程,参见图6,该步骤可以具体包括步骤S231-S232,分别说明如下。
步骤S231,处理器13根据配置参数在用户设备上设置数据库的安装环境,并在安装环境内对数据库进行装载。
需要说明的是,数据库的安装环境指的是适配数据库安装所需的设备操作系统、web服务器和编程语言,这些条件配置好了之后才能将数据库安装包内的数据顺利地装载并与系统进行适配。
步骤S232,处理器13根据配置参数设置数据库的初始化参量,启动装载的数据库并按照初始化参量执行初始化,以完成数据库的安装。
为进一步地说明本实施例的技术方案,这里将结合图1和图8对用户设备的设备硬件和数据库安装的配合关系进行说明。用户设备的设备硬件包括处理器、内存储器和硬盘,那么处理器13能够获得的硬件信息包括理器的核心数、处理器的工作频率、内存容量、硬盘类型和硬盘可用容量中的一个或多个参量。在数据库安装过程中,处理器13首先执行数据库的安装包并触发产生安装请求,响应于安装请求获取设备硬件的硬件信息,将硬件信息输入至AI配置模型进行AI计算,从而根据匹配结果生成数据库的配置参数;如此处理器13就可以根据配置参数对数据库的安装包进行释放并装载后与系统自身进行适配,以及对装载后的数据库执行初始化操作,从而完成数据库的安装。
本领域的技术人员可以理解,本实施例中提供的技术方案在应用时可以具有一些应用优势:(1)响应于安装请求获取用户设备的硬件信息,使得本申请技术方案可以做到在数据库安装过程中,智能地收集计算机的硬件信息,针对计算机的硬件信息计算出数据库的最优配置参数,利用执行数据库的后续安装操作;(2)通过AI配置模型处理该硬件信息并生成得到数据库的配置参数,那么利于在数据库安装过程中进行相应的自动化设置,从而更好地节省存储资源,提高系统安装效率,同时还可以减少人工操作的错误率,节省数据库后期运维所需的人力成本,有效避免数据库调优过程中导致的异常,从而提高用户对数据库的安装和使用体验。
本领域技术人员可以理解,上述实施方式中各种方法的全部或部分功能可以通过硬件的方式实现,也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器、随机存储器、磁盘、光盘、硬盘等,通过计算机执行该程序以实现上述功能。例如,将程序存储在设备的存储器中,当通过处理器执行存储器中程序,即可实现上述全部或部分功能。另外,当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序也可以存储在服务器、另一计算机、磁盘、光盘、闪存盘或移动硬盘等存储介质中,通过下载或复制保存到本地设备的存储器中,或对本地设备的系统进行版本更新,当通过处理器执行存储器中的程序时,即可实现上述实施方式中全部或部分功能。
以上应用了具体个例对本发明进行阐述,只是用于帮助理解本发明,并不用以限制本发明。对于本发明所属技术领域的技术人员,依据本发明的思想,还可以做出若干简单推演、变形或替换。
Claims (9)
1.一种基于AI配置的数据库安装方法,其特征在于,包括:
响应于数据库在用户设备上的安装请求,获取所述用户设备的硬件信息;所述硬件信息包括处理器的核心数、处理器的工作频率、内存容量、硬盘类型和硬盘可用容量中的一者或多者参数;
通过预设的AI配置模型处理所述硬件信息,生成并得到所述数据库的配置参数;该步骤具体包括:将所述硬件信息输入至预设的AI配置模型;通过所述AI配置模型处理所述硬件信息,根据处理结果确定适宜所述数据库的安装模式;所述安装模式包括大页内存模式、标准默认模式;根据所述安装模式生成所述数据库的配置参数;
根据所述配置参数对所述数据库进行安装控制。
2.如权利要求1所述的数据库安装方法,其特征在于,所述响应于数据库在用户设备上的安装请求,获取所述用户设备的硬件信息,包括:
执行所述数据库的安装包,触发产生安装请求;
响应于所述安装请求,检查用户设备的硬件并收集对应的硬件信息。
3.如权利要求2所述的数据库安装方法,其特征在于,所述通过所述AI配置模型处理所述硬件信息,根据处理结果确定适宜所述数据库的安装模式,包括:
预先配置所述AI配置模型的数据集,并在所述数据集中设置多个参数指标;
通过所述AI配置模型将所述硬件信息中的各个参数分别与所述数据集中对应的参数指标进行匹配,返回匹配结果;
根据所述匹配结果确定适宜所述数据库的安装模式。
4.如权利要求3所述的数据库安装方法,其特征在于,所述根据所述安装模式生成所述数据库的配置参数,包括:
若所述安装模式为大页内存模式,则为所述数据库生成执行大页内存所需的配置参数;
若所述安装模式为标准默认模式,则为所述数据库生成执行默认值所需的配置参数。
5.如权利要求1-4中任一项所述的数据库安装方法,其特征在于,所述根据所述配置参数对所述数据库进行安装控制,包括:
根据所述配置参数在所述用户设备上设置所述数据库的安装环境,并在所述安装环境内对所述数据库进行装载;
根据所述配置参数设置所述数据库的初始化参量,启动装载的数据库并按照所述初始化参量执行初始化,以完成所述数据库的安装。
6.一种用户设备,其特征在于,包括硬盘、内存储器和处理器;
所述硬盘用于固定存储数据;
所述内存储器用于临时存储数据;
所述处理器与所述硬盘和所述内存储器连接,用于根据如权利要求1-5中任一项所述数据库安装方法对数据库进行安装。
7.如权利要求6所述的用户设备,其特征在于,所述数据库的安装包预先存储在所述硬盘上,在被加载至所述内存储器之后,所述处理器执行所述数据库的安装包并触发产生安装请求。
8.如权利要求7所述的用户设备,其特征在于,所述处理器包括:
获取模块,用于响应于数据库在用户设备上的安装请求,获取所述用户设备的硬件信息;
生成模块,与所述获取模块连接,用于通过预设的AI配置模型处理所述硬件信息,生成并得到所述数据库的配置参数;
控制模块,与所述生成模块连接,用于根据所述配置参数对所述数据库进行安装控制。
9.一种计算机可读存储介质,其特征在于,包括程序,所述程序能够被处理器执行以实现如权利要求1-5中任一项所述的数据库安装方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010861255.2A CN111949281A (zh) | 2020-08-25 | 2020-08-25 | 一种基于ai配置的数据库安装方法及用户设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010861255.2A CN111949281A (zh) | 2020-08-25 | 2020-08-25 | 一种基于ai配置的数据库安装方法及用户设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111949281A true CN111949281A (zh) | 2020-11-17 |
Family
ID=73360368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010861255.2A Pending CN111949281A (zh) | 2020-08-25 | 2020-08-25 | 一种基于ai配置的数据库安装方法及用户设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111949281A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113986145A (zh) * | 2021-12-23 | 2022-01-28 | 南京集成电路设计服务产业创新中心有限公司 | 一种适用于大规模集成电路后端设计的内存管理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106020719A (zh) * | 2016-05-13 | 2016-10-12 | 广东电网有限责任公司信息中心 | 一种分布式存储系统的初始参数配置方法 |
CN109977099A (zh) * | 2019-03-16 | 2019-07-05 | 平安城市建设科技(深圳)有限公司 | 数据库部署方法、用户设备、存储介质及装置 |
CN110019151A (zh) * | 2019-04-11 | 2019-07-16 | 深圳市腾讯计算机系统有限公司 | 数据库性能调整方法、装置、设备、系统及存储介质 |
CN110531990A (zh) * | 2019-07-26 | 2019-12-03 | 苏州浪潮智能科技有限公司 | 软件安装方法及装置 |
-
2020
- 2020-08-25 CN CN202010861255.2A patent/CN111949281A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106020719A (zh) * | 2016-05-13 | 2016-10-12 | 广东电网有限责任公司信息中心 | 一种分布式存储系统的初始参数配置方法 |
CN109977099A (zh) * | 2019-03-16 | 2019-07-05 | 平安城市建设科技(深圳)有限公司 | 数据库部署方法、用户设备、存储介质及装置 |
CN110019151A (zh) * | 2019-04-11 | 2019-07-16 | 深圳市腾讯计算机系统有限公司 | 数据库性能调整方法、装置、设备、系统及存储介质 |
CN110531990A (zh) * | 2019-07-26 | 2019-12-03 | 苏州浪潮智能科技有限公司 | 软件安装方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113986145A (zh) * | 2021-12-23 | 2022-01-28 | 南京集成电路设计服务产业创新中心有限公司 | 一种适用于大规模集成电路后端设计的内存管理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10515002B2 (en) | Utilizing artificial intelligence to test cloud applications | |
EP3182280B1 (en) | Machine for development of analytical models | |
AU2016259298B2 (en) | Machine for development and deployment of analytical models | |
Shi et al. | Mrtuner: a toolkit to enable holistic optimization for mapreduce jobs | |
JP6031196B2 (ja) | 分散データストレージ・処理システムのためのチューニング | |
US9356966B2 (en) | System and method to provide management of test data at various lifecycle stages | |
US20180113746A1 (en) | Software service execution apparatus, system, & method | |
US11599539B2 (en) | Column lineage and metadata propagation | |
US11500830B2 (en) | Learning-based workload resource optimization for database management systems | |
CN107003931B (zh) | 将测试验证从测试执行分离 | |
CN110705598A (zh) | 智能模型管理方法、装置、计算机设备及存储介质 | |
CN115718674A (zh) | 一种数据容灾恢复方法及装置 | |
US20190392331A1 (en) | Automatic and self-optimized determination of execution parameters of a software application on an information processing platform | |
CN111949281A (zh) | 一种基于ai配置的数据库安装方法及用户设备、存储介质 | |
WO2021109874A1 (zh) | 拓扑图生成方法、异常检测方法、装置、设备及存储介质 | |
US11403267B2 (en) | Dynamic transformation code prediction and generation for unavailable data element | |
US11934927B2 (en) | Handling system-characteristics drift in machine learning applications | |
US11953979B2 (en) | Using workload data to train error classification model | |
US20220405065A1 (en) | Model Document Creation in Source Code Development Environments using Semantic-aware Detectable Action Impacts | |
US11853196B1 (en) | Artificial intelligence driven testing | |
CN117806980B (zh) | 一种基于大语言模型的测试用例自动生成装置 | |
Huang et al. | Resource Configuration Tuning for Stream Data Processing Systems via Bayesian Optimization | |
CN114281311A (zh) | 一种模型开发系统 | |
CN111859928A (zh) | 特征处理方法、装置、介质和计算设备 | |
CN118034771A (zh) | 一种Jailhouse配置的自动调优方法及系统 |
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 |