CN112286761A - 一种数据库状态检测方法、装置、电子设备及存储介质 - Google Patents
一种数据库状态检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112286761A CN112286761A CN202011181800.XA CN202011181800A CN112286761A CN 112286761 A CN112286761 A CN 112286761A CN 202011181800 A CN202011181800 A CN 202011181800A CN 112286761 A CN112286761 A CN 112286761A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- database
- data
- monitoring
- weight 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.)
- Granted
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
- G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
- G06F11/324—Display of status information
- G06F11/327—Alarm or error message display
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Debugging And Monitoring (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开了一种数据库状态检测方法、装置、电子设备及计算机可读存储介质,该方法包括:获取各个数据库状态指标分别对应的基础数据,并对基础数据进行熵值处理,得到各个数据库状态指标对应的权重值;获取训练数据,利用训练数据和权重值得到异常区间;对数据库的运行过程进行监控,得到监控数据,并利用监控数据和权重值得到监控参数;若监控参数大于异常区间,则确定数据库状态为异常,并进行异常告警;该方法对不同的数据库状态指标赋予不同的权重值,使得根据权重值计算得到的监控参数嫩更加准确地体现数据库的状态,同时,利用训练数据和权重值对异常区间进行准确地设置,实现了对数据库状态的准确检测。
Description
技术领域
本申请涉及数据库技术领域,特别涉及一种数据库状态检测方法、数据库状态检测装置、电子设备及计算机可读存储介质。
背景技术
随着大数据分析、云计算、网络、手机移动设备等科学技术的不断发展,在如今的信息化社会里,数据库不断应用到各个领域和行业,重要性愈加凸显。普遍的应用使得系统对数据库性能提出了越来越高的要求。在使用过程中掌握数据库的运行状态,及时发现数据库存在的问题,将有限的资源最优的利用,这样才能有效提高数据库的稳定性和可用性,从而达到良好运行的目的,提高用户的满意度和降低企业的成本控制。DB2数据库是一种大型关系型数据库平台,它支持面向对象的编程,支持多媒体应用程序,支持备份和恢复能力,支持存储过程和触发器,用户可以在建表时显式的定义复杂的完整性规则,支持异构分布式数据库访问,支持数据复制等。相关技术一般利用预设阈值与数据库运行数据对应的参数进行比对,判断运行数据是否异常,进而判断数据库运行是否异常。预设阈值通常由用户根据经验确定,因此预设阈值通常不够准确,进而造成检测准确率较低的问题。
因此,相关技术存在的检测准确率较低的问题,是本领域技术人员需要解决的技术问题。
发明内容
有鉴于此,本申请的目的在于提供一种数据库状态检测方法、数据库状态检测装置、电子设备及计算机可读存储介质,提高了数据库状态的家呢准确率。
为解决上述技术问题,本申请提供了一种数据库状态检测方法,包括:
获取各个数据库状态指标分别对应的基础数据,并对所述基础数据进行熵值处理,得到各个所述数据库状态指标对应的权重值;
获取训练数据,利用所述训练数据和所述权重值得到异常区间;
对数据库的运行过程进行监控,得到监控数据,并利用所述监控数据和所述权重值得到监控参数;
若所述监控参数处于所述异常区间,则确定所述数据库状态为异常,并进行异常告警。
可选地,所述对所述基础数据进行熵值处理,得到各个所述数据库状态指标对应的权重值,包括:
对所述基础数据进行归一化处理,得到归一化数据;
利用所述归一化数据进行熵值计算,得到各个所述数据库状态指标对应的熵值;
利用各个所述熵值得到所述权重值。
可选地,所述利用所述训练数据和所述权重值得到异常区间,包括:
利用所述训练数据中的各个数据项与所述权重值得到训练参数。
确定各个所述训练数据对应的训练标签;
利用所述训练标签对所述训练参数进行标记,得到正常训练参数和异常训练参数;
在正常训练参数和异常训练参数之间确定异常阈值,并利用所述异常阈值确定所述异常区间。
可选地,还包括:
利用所述异常区间和检测数据进行准确率检测,判断所述异常区间对应的检测准确率是否大于准确率阈值;
若未大于所述准确率阈值,则更新所述训练数据,并重新对所述异常区间进行确定。
可选地,还包括:
可视化输出所述监控数据。
可选地,所述进行异常告警,包括:
确定所述监控参数在所述异常区间内对应的异常子区间;
根据所述异常子区间确定告警级别,并根据所述告警级别执行对应的异常告警操作。
可选地,所述对数据库的运行过程进行监控,得到监控数据,包括:
获取系统表读取权限并打开系统表;
从所述系统表中读取所述监控数据。
本申请还提供了一种数据库状态检测装置,包括:
权重值获取模块,用于获取各个数据库状态指标分别对应的基础数据,并对所述基础数据进行熵值处理,得到各个所述数据库状态指标对应的权重值;
异常区间确定模块,用于获取训练数据,利用所述训练数据和所述权重值得到异常区间;
监控参数获取模块,用于对数据库的运行过程进行监控,得到监控数据,并利用所述监控数据和所述权重值得到监控参数;
异常确定模块,用于若所述监控参数处于所述异常区间,则确定所述数据库状态为异常,并进行异常告警。
本申请还提供了一种电子设备,包括存储器和处理器,其中:
所述存储器,用于保存计算机程序;
所述处理器,用于执行所述计算机程序,以实现上述的数据库状态检测方法。
本申请还提供了一种计算机可读存储介质,用于保存计算机程序,其中,所述计算机程序被处理器执行时实现上述的数据库状态检测方法。
本申请提供的数据库状态检测方法,获取各个数据库状态指标分别对应的基础数据,并对基础数据进行熵值处理,得到各个数据库状态指标对应的权重值;获取训练数据,利用训练数据和权重值得到异常区间;对数据库的运行过程进行监控,得到监控数据,并利用监控数据和权重值得到监控参数;若监控参数大于异常区间,则确定数据库状态为异常,并进行异常告警。
可见,该方法利用熵值处理得到数据库状态指标对应的权重值,熵值可以体现数据库状态指标对应的基础数据的混乱程度,越混乱的数据库状态指标在数据库异常的情况下与数据库正常的情况下差异越大,越能够体现数据库状态是否异常。因此利用权重值计算得到的训练参数和监控参数可以更加明显地体现数据库的运行状态。利用权重值和训练数据,可以得到能够准确区参数据库状态异常或正常的异常区间。在对数据库状态进行监控时,获取监控数据,并利用权重值计算监控参数,通过将监控参数与准确的异常区间进行比较,若处于异常区间,则可以确定数据状态异常。该方法对不同的数据库状态指标赋予不同的权重值,使得根据权重值计算得到的监控参数嫩更加准确地体现数据库的状态,同时,利用训练数据和权重值对异常区间进行准确地设置,实现了对数据库状态的准确检测,解决了相关技术存在的检测准确率较低的问题。
此外,本申请还提供了一种数据库状态检测装置、电子设备及计算机可读存储介质,同样具有上述有益效果。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关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申请的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种数据库状态检测方法流程图;
图2为本申请实施例提供的一种数据库状态检测装置的结构示意图;
图3为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
请参考图1,图1为本申请实施例提供的一种数据库状态检测方法流程图。该方法包括:
S101:获取各个数据库状态指标分别对应的基础数据,并对基础数据进行熵值处理,得到各个数据库状态指标对应的权重值。
数据库状态指标可以从某个方面反映数据库的运行情况,可以用于反映数据库运行是否正常,其具体形式不做限定,例如可以为脏缓存大小、总缓存大小、数据库连接数、SQL语句消耗时间、SQL语句命中率、缓冲池命中率、数据页在缓冲池驻留时间、进程内存使用率等。由于各个数据库状态指标在正常和异常两种情况下的具有区别,例如在正常情况下运行时对应的指标值较小,在异常情况下对应的指标值较大,因此通过确定数据库状态指标并对在数据库运行时进行监控,收集数据库状态指标在运行时的具体内容作为监控信息,就可以根据监控信息对数据库的运行状态进行检测。
由于各个数据库状态指标在数据库正常和异常两种情况下的具体内容变化的幅度有差异,例如有的数据库状态指标在正常和异常时的差异非常明显,而有的数据库状态指标的正常和异常时差异较小,为了准确地体现数据库的运行状态,本实施例为各个数据库状态指标设置了对应的权重值,以便更准确地对数据库运行状态进行判断。各个数据库状态指标分别对应于多个基础数据,基础数据包括数据库正常和异常两种情况下的数据。熵值处理可以确定各个数据库状态指标对应的基础数据的离散程度,即混乱程度,离散程度越大,说明该数据库状态指标在异常和正常时的差异较大,对数据库异常情况的表现能力较强,可以基于此为其设置较大的权重值。相反的,离散程度越小,则说明数据库状态指标在异常和正常时的差异较小,对数据库异常情况的表现能力较弱,因此可以为其设置较小的权重值。本实施例并不限定权重值的具体生成方式,例如可以直接将基础数据对应的熵值确定为其权重值,或者可以将各个数据库状态指标的熵值占所有熵值之和的比例作为其权重值。具体的,在一种可行的实施方式中,权重值的计算过程可以包括:
步骤11:对基础数据进行归一化处理,得到归一化数据。
步骤12:利用归一化数据进行熵值计算,得到各个数据库状态指标对应的熵值。
步骤13:利用各个熵值得到权重值。
由于各个数据库状态指标的单位、取值范围等形式可能不同,因此对其进行归一化处理,得到形式相同的归一化数据。对归一化数据进行熵值计算即可得到对应的熵值,最终利用熵值计算得到权重值。通过归一化处理,可以保证计算得到的熵值可以准确反映基础数据的离散程度,得到准确的权重值。
S102:获取训练数据,利用训练数据和权重值得到异常区间。
训练数据为具有训练标签的数据库状态指标对应的数据,其中包括异常训练数据和征程训练数据,即服务器在异常状态下的数据和在正常状态下的数据。训练数据为在确定数据库运行状态时直接获取到的样本数据,其数量为多个,具体数量本实施例不做限定。在获取训练数据后,可以利用训练数据和权重值对初始异常区间进行训练,得到可以准确区分正常状态和异常状态的异常区间,具体训练过程本实施例不做限定。例如在一种可行的实施方式中,根据训练数据和权重值可以得到训练参数,训练参数与训练标签相对应,可以体现数据库的运行状态,基于训练参数和训练标签可以得到能够准确区分正常训练数据和异常训练数据的异常区间。由于异常区间基于训练数据得到,而训练数据是直接获取到的样本数据,因此在对数据库状态进行检测时,可以利用异常区间进行准确的判断,相比利用人工设定的阈值具有更高的准确性。
在一种可行的实施方式中,获取训练数据,利用训练数据和权重值得到异常区间的步骤可以包括:
步骤21:利用训练数据中的各个数据项与权重值得到训练参数。
步骤22:确定各个训练数据对应的训练标签。
步骤23:利用训练标签对训练参数进行标记,得到正常训练参数和异常训练参数。
步骤24:在正常训练参数和异常训练参数之间确定异常阈值,并利用异常阈值确定异常区间。
具体的,训练数据包括多个数据项,分别对应于不同的数据库状态指标,在得到训练数据后对其进行解析得到数据项,并利用数据项和权重值计算得到训练参数,本实施例并不限定训练参数的具体计算方式,例如可以为加权和的方式,即利用数据项和权重值进行加权求和计算,得到训练参数。各个训练数据具有对应的训练标签,利用训练标签对训练参数进行标记,可以对训练参数对应于正常状态或异常状态进行标识。在一种实施方式中,正常训练参数较小,异常训练参数较大,因此可以在正常训练参数的最大值和异常训练参数的最小值之间确定异常阈值,将大于异常阈值的区间确定为异常区间,在另一种实施方式中,异常训练分值较小,正常训练参数较大,此时可以在正常训练数据的最小值和异常训练参数的最大值之间确定异常阈值,并将小于异常阈值的区间确定为异常区间。
进一步,在一种可行的实施方式中,在确定异常区间后,还可以包括:
步骤31:利用异常区间和检测数据进行准确率检测,判断异常区间对应的检测准确率是否大于准确率阈值。
步骤32:若未大于准确率阈值,则更新训练数据,并重新对异常区间进行确定。
在确定异常区间后,还可以利用检测数据进行准确率检测,检测数据为具有标签的数据,利用其与权重值进行检测,可以得到对应的检测参数,并利用检测参数与异常区间进行比较,得到对应的检测结果。若检测结果与标签相同,则可以确定本次检测准确,若不同,则可以确定错误。通过计算检测准确率并与准确率阈值比较,可以判断当前异常区间是否足够准确,若检测准确率未大于准确率阈值,则说明当前的异常区间不够准确,因此更新训练数据,并重新确定异常区间。训练数据的更新方式不做限定,例如可以新增训练数据,在原有基础上继续训练,以便重新确定异常区间。或者可以替换训练数据后重新进行训练,以便重新确定异常区间。
S103:对数据库的运行过程进行监控,得到监控数据,并利用监控数据和权重值得到监控参数。
在数据库工作时,可以对其运行过程进行监控,以便得到监控数据。监控数据的获取时机不做限定,例如可以实时获取,或者可以按照预设周期获取。在一种实时方式中,监控数据可以根据数据库运行时的原始数据计算得到,在另一种实施方式中,还可以直接从系统表中获取监控数据,具体的,可以获取系统表读取权限并利用其打开系统表,进而直接从系统表中获取监控数据。这样获取到的监控数据更加准确。在得到监控数据后,利用其与权重值得到监控参数,监控参数的具体获取方式与训练过程相同。监控参数可以表示数据库的运行状态,将其与异常区间进行比较可以确定数据库状态。
进一步的,在获取监控数据后,还可以对其进行可视化输出。具体的,可以采用JS+Echarts技术相结合的方式,通过仪表盘、趋势图等图形化的展示方式输出监控数据,有助于用户直观、快速的了解数据库运行的状态。
S104:若监控参数处于异常区间,则确定数据库状态为异常,并进行异常告警。
在本实施例中,若得到的监控参数处于异常区间,则可以确定数据状态为异常,并进行异常告警,本实施例并不限定异常告警的具体方式,例如可以以文字、音频、图像、信号等方式进行异常告警。在一种实施方式中,进行异常告警的步骤可以包括:
步骤41:确定监控参数在异常区间内对应的异常子区间。
步骤42:根据异常子区间确定告警级别,并根据告警级别执行对应的异常告警操作。
在本实施例中,异常区间可以包括至少两个异常子区间,分别对应于不同的告警级别。异常子区间可以根据需要进行设置,具体设置方式不做限定,例如在一种实施方式中,可以从与正常区间的分界开始,即从异常阈值开始,按照预设步长在异常区间内划分异常子区间。不同的异常自区间对应与不同的告警级别,而不同的告警级别可以对应于不同的异常告警操作,因此在确定告警级别后进行对应的异常告警操作,以便根据数据库运行异常的程度大小进行不同方式的告警。
应用本申请实施例提供的数据库状态检测方法,利用熵值处理得到数据库状态指标对应的权重值,熵值可以体现数据库状态指标对应的基础数据的混乱程度,越混乱的数据库状态指标在数据库异常的情况下与数据库正常的情况下差异越大,越能够体现数据库状态是否异常。因此利用权重值计算得到的训练参数和监控参数可以更加明显地体现数据库的运行状态。利用权重值和训练数据,可以得到能够准确反映各个训练数据对应的数据库状态的训练参数,进而利用训练参数得到可以准确区参数据库状态异常或正常的异常区间。在对数据库状态进行监控时,获取监控数据,并利用权重值计算监控参数,通过将监控参数与准确的异常区间进行比较,若处于异常区间,则可以确定数据状态异常。该方法对不同的数据库状态指标赋予不同的权重值,使得根据权重值计算得到的监控参数嫩更加准确地体现数据库的状态,同时,利用训练数据和权重值对异常区间进行准确地设置,实现了对数据库状态的准确检测,解决了相关技术存在的检测准确率较低的问题。
下面对本申请实施例提供的数据库状态检测装置进行介绍,下文描述的数据库状态检测装置与上文描述的数据库状态检测方法可相互对应参照。
请参考图2,图2为本申请实施例提供的一种数据库状态检测装置的结构示意图,包括:
权重值获取模块110,用于获取各个数据库状态指标分别对应的基础数据,并对基础数据进行熵值处理,得到各个数据库状态指标对应的权重值;
异常区间确定模块120,用于获取训练数据,利用训练数据和权重值得到异常区间;
监控参数获取模块130,用于对数据库的运行过程进行监控,得到监控数据,并利用监控数据和权重值得到监控参数;
异常确定模块140,用于若监控参数处于异常区间,则确定数据库状态为异常,并进行异常告警。
可选地,权重值获取模块110,包括:
归一化单元,用于对基础数据进行归一化处理,得到归一化数据;
熵值计算单元,用于利用归一化数据进行熵值计算,得到各个数据库状态指标对应的熵值;
权重值获取单元,用于利用各个熵值得到权重值。
可选地,异常区间确定模块120,包括:
训练参数获取单元,用于利用训练数据中的各个数据项与权重值得到训练参数;
标签确定单元,用于确定各个训练数据对应的训练标签;
标记单元,用于利用训练标签对训练参数进行标记,得到正常训练参数和异常训练参数;
区间确定单元,用于在正常训练参数和异常训练参数之间确定异常阈值,并利用异常阈值确定异常区间。
可选地,还包括:
朱期内率判断模块,用于利用异常区间和检测数据进行准确率检测,判断异常区间对应的检测准确率是否大于准确率阈值;
重新确定模块,用于若未大于准确率阈值,则更新训练数据,并重新对异常区间进行确定。
可选地,还包括:
可视化输出模块,用于可视化输出监控数据。
可选地,异常确定模块140,包括:
异常子区间确定单元,用于确定监控参数在异常区间内对应的异常子区间;
告警单元,用于根据异常子区间确定告警级别,并根据告警级别执行对应的异常告警操作。
可选地,监控参数获取模块,包括:
系统表开启单元,用于获取系统表读取权限并打开系统表;
监控参数读取单元,用于从系统表中读取监控数据。
下面对本申请实施例提供的电子设备进行介绍,下文描述的电子设备与上文描述的数据库状态检测方法可相互对应参照。
请参考图3,图3为本申请实施例提供的一种电子设备的结构示意图。其中电子设备100可以包括处理器101和存储器102,还可以进一步包括多媒体组件103、信息输入/信息输出(I/O)接口104以及通信组件105中的一种或多种。
其中,处理器101用于控制电子设备100的整体操作,以完成上述的数据库状态检测方法中的全部或部分步骤;存储器102用于存储各种类型的数据以支持在电子设备100的操作,这些数据例如可以包括用于在该电子设备100上操作的任何应用程序或方法的指令,以及应用程序相关的数据。该存储器102可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,SRAM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、只读存储器(Read-OnlyMemory,ROM)、磁存储器、快闪存储器、磁盘或光盘中的一种或多种。
多媒体组件103可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器102或通过通信组件105发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口104为处理器101和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件105用于电子设备100与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near Field Communication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件105可以包括:Wi-Fi部件,蓝牙部件,NFC部件。
电子设备100可以被一个或多个应用专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、数字信号处理器(Digital Signal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field ProgrammableGate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述实施例给出的数据库状态检测方法。
下面对本申请实施例提供的计算机可读存储介质进行介绍,下文描述的计算机可读存储介质与上文描述的数据库状态检测方法可相互对应参照。
本申请还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述的数据库状态检测方法的步骤。
该计算机可读存储介质可以包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,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。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本领域技术人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件的方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应该认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系属于仅仅用来将一个实体或者操作与另一个实体或者操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语包括、包含或者其他任何变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种数据库状态检测方法,其特征在于,包括:
获取各个数据库状态指标分别对应的基础数据,并对所述基础数据进行熵值处理,得到各个所述数据库状态指标对应的权重值;
获取训练数据,利用所述训练数据和所述权重值得到异常区间;
对数据库的运行过程进行监控,得到监控数据,并利用所述监控数据和所述权重值得到监控参数;
若所述监控参数处于所述异常区间,则确定所述数据库状态为异常,并进行异常告警。
2.根据权利要求1所述的数据库状态检测方法,其特征在于,所述对所述基础数据进行熵值处理,得到各个所述数据库状态指标对应的权重值,包括:
对所述基础数据进行归一化处理,得到归一化数据;
利用所述归一化数据进行熵值计算,得到各个所述数据库状态指标对应的熵值;
利用各个所述熵值得到所述权重值。
3.根据权利要求1所述的数据库状态检测方法,其特征在于,所述利用所述训练数据和所述权重值得到异常区间,包括:
利用所述训练数据中的各个数据项与所述权重值得到训练参数;
确定各个所述训练数据对应的训练标签;
利用所述训练标签对所述训练参数进行标记,得到正常训练参数和异常训练参数;
在正常训练参数和异常训练参数之间确定异常阈值,并利用所述异常阈值确定所述异常区间。
4.根据权利要求3所述的数据库状态检测方法,其特征在于,还包括:
利用所述异常区间和检测数据进行准确率检测,判断所述异常区间对应的检测准确率是否大于准确率阈值;
若未大于所述准确率阈值,则更新所述训练数据,并重新对所述异常区间进行确定。
5.根据权利要求1所述的数据库状态检测方法,其特征在于,还包括:
可视化输出所述监控数据。
6.根据权利要求1所述的数据库状态检测方法,其特征在于,所述进行异常告警,包括:
确定所述监控参数在所述异常区间内对应的异常子区间;
根据所述异常子区间确定告警级别,并根据所述告警级别执行对应的异常告警操作。
7.根据权利要求1所述的数据库状态检测方法,其特征在于,所述对数据库的运行过程进行监控,得到监控数据,包括:
获取系统表读取权限并打开系统表;
从所述系统表中读取所述监控数据。
8.一种数据库状态检测装置,其特征在于,包括:
权重值获取模块,用于获取各个数据库状态指标分别对应的基础数据,并对所述基础数据进行熵值处理,得到各个所述数据库状态指标对应的权重值;
异常区间确定模块,用于获取训练数据,利用所述训练数据和所述权重值得到异常区间;
监控参数获取模块,用于对数据库的运行过程进行监控,得到监控数据,并利用所述监控数据和所述权重值得到监控参数;
异常确定模块,用于若所述监控参数处于所述异常区间,则确定所述数据库状态为异常,并进行异常告警。
9.一种电子设备,其特征在于,包括存储器和处理器,其中:
所述存储器,用于保存计算机程序;
所述处理器,用于执行所述计算机程序,以实现如权利要求1至7任一项所述的数据库状态检测方法。
10.一种计算机可读存储介质,其特征在于,用于保存计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的数据库状态检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011181800.XA CN112286761B (zh) | 2020-10-29 | 2020-10-29 | 一种数据库状态检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011181800.XA CN112286761B (zh) | 2020-10-29 | 2020-10-29 | 一种数据库状态检测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112286761A true CN112286761A (zh) | 2021-01-29 |
CN112286761B CN112286761B (zh) | 2023-07-07 |
Family
ID=74353656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011181800.XA Active CN112286761B (zh) | 2020-10-29 | 2020-10-29 | 一种数据库状态检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112286761B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113064834A (zh) * | 2021-04-22 | 2021-07-02 | 中国工商银行股份有限公司 | 异常检测方法、装置、电子设备、介质和程序产品 |
CN114401448A (zh) * | 2021-12-27 | 2022-04-26 | 珠海迈科智能科技股份有限公司 | 节目预告信息的异常检测方法、装置、设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104811346A (zh) * | 2014-01-26 | 2015-07-29 | 中国移动通信集团内蒙古有限公司 | 集成系统运行性能的检测方法及系统 |
CN107220867A (zh) * | 2017-04-20 | 2017-09-29 | 北京小度信息科技有限公司 | 对象控制方法及装置 |
CN110991241A (zh) * | 2019-10-31 | 2020-04-10 | 支付宝(杭州)信息技术有限公司 | 异常识别方法、设备及计算机可读介质 |
CN111026642A (zh) * | 2019-11-14 | 2020-04-17 | 山东中创软件商用中间件股份有限公司 | 数据库运行检测系统、方法、装置及计算机可读存储介质 |
US20200134391A1 (en) * | 2018-10-24 | 2020-04-30 | Nxp B.V. | Method for preventing the extraction of a machine learning model |
CN111134662A (zh) * | 2020-02-17 | 2020-05-12 | 武汉大学 | 一种基于迁移学习和置信度选择的心电异常信号识别方法及装置 |
CN111291070A (zh) * | 2020-01-20 | 2020-06-16 | 南京星环智能科技有限公司 | 一种异常sql检测方法、设备及介质 |
US20200210553A1 (en) * | 2018-12-28 | 2020-07-02 | 12 Sigma Technologies | Protection of data and deep learning models from piracy and unauthorized uses |
CN111382798A (zh) * | 2020-03-10 | 2020-07-07 | 上海眼控科技股份有限公司 | 样本图片的标签修正方法、装置、设备和存储介质 |
-
2020
- 2020-10-29 CN CN202011181800.XA patent/CN112286761B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104811346A (zh) * | 2014-01-26 | 2015-07-29 | 中国移动通信集团内蒙古有限公司 | 集成系统运行性能的检测方法及系统 |
CN107220867A (zh) * | 2017-04-20 | 2017-09-29 | 北京小度信息科技有限公司 | 对象控制方法及装置 |
US20200134391A1 (en) * | 2018-10-24 | 2020-04-30 | Nxp B.V. | Method for preventing the extraction of a machine learning model |
US20200210553A1 (en) * | 2018-12-28 | 2020-07-02 | 12 Sigma Technologies | Protection of data and deep learning models from piracy and unauthorized uses |
CN110991241A (zh) * | 2019-10-31 | 2020-04-10 | 支付宝(杭州)信息技术有限公司 | 异常识别方法、设备及计算机可读介质 |
CN111026642A (zh) * | 2019-11-14 | 2020-04-17 | 山东中创软件商用中间件股份有限公司 | 数据库运行检测系统、方法、装置及计算机可读存储介质 |
CN111291070A (zh) * | 2020-01-20 | 2020-06-16 | 南京星环智能科技有限公司 | 一种异常sql检测方法、设备及介质 |
CN111134662A (zh) * | 2020-02-17 | 2020-05-12 | 武汉大学 | 一种基于迁移学习和置信度选择的心电异常信号识别方法及装置 |
CN111382798A (zh) * | 2020-03-10 | 2020-07-07 | 上海眼控科技股份有限公司 | 样本图片的标签修正方法、装置、设备和存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113064834A (zh) * | 2021-04-22 | 2021-07-02 | 中国工商银行股份有限公司 | 异常检测方法、装置、电子设备、介质和程序产品 |
CN113064834B (zh) * | 2021-04-22 | 2022-08-05 | 中国工商银行股份有限公司 | 异常检测方法、装置、电子设备、介质 |
CN114401448A (zh) * | 2021-12-27 | 2022-04-26 | 珠海迈科智能科技股份有限公司 | 节目预告信息的异常检测方法、装置、设备及存储介质 |
CN114401448B (zh) * | 2021-12-27 | 2024-03-01 | 珠海迈科智能科技股份有限公司 | 节目预告信息的异常检测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112286761B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113518011B (zh) | 异常检测方法和装置、电子设备及计算机可读存储介质 | |
CN112436968A (zh) | 一种网络流量的监测方法、装置、设备及存储介质 | |
CN109633351B (zh) | 智能it运维故障定位方法、装置、设备及可读存储介质 | |
CN112818066A (zh) | 一种时序数据异常检测方法、装置及电子设备和存储介质 | |
CN112286761A (zh) | 一种数据库状态检测方法、装置、电子设备及存储介质 | |
CN108761568B (zh) | 环境监控方法、装置、系统及服务器 | |
CN110008101A (zh) | 客户端性能评价方法、装置、存储介质及电子设备 | |
KR20180117460A (ko) | 트랜드 분석에 기반하는 이슈 검출방법 및 그 장치 | |
US10089589B2 (en) | Intelligent threshold editor | |
CN109739720B (zh) | 异常检测方法、装置、存储介质和电子设备 | |
CN109240916B (zh) | 信息输出控制方法、装置及计算机可读存储介质 | |
WO2016141007A1 (en) | Alarm management using hiding rules | |
CN112506901A (zh) | 一种数据质量测量方法、装置及介质 | |
CN110795101A (zh) | Sql代码信息显示方法、装置、计算机装置及存储介质 | |
CN116342342A (zh) | 学生行为检测方法、电子设备及可读存储介质 | |
CN111046082A (zh) | 数据源的确定方法、装置、服务器和存储介质 | |
CN114816389B (zh) | 一种基于元模型的管理系统搭建方法、装置、设备及介质 | |
CN113217826B (zh) | 一种管道供水管网泄漏报警控制方法、装置及介质 | |
CN114116431A (zh) | 系统运行健康检测方法、装置、电子设备及可读存储介质 | |
CN110737593B (zh) | 智能容量管理方法、装置及存储介质 | |
CN113656391A (zh) | 数据检测方法及装置、存储介质及电子设备 | |
CN113837799A (zh) | 一种智能商业选址方法、系统、设备及可读存储介质 | |
CN112767080A (zh) | 一种基于流式计算的告警方法、装置及介质 | |
CN115220987A (zh) | 数据采集方法、装置、电子设备及存储介质 | |
CN108418827B (zh) | 网络行为分析方法以及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |