CN114238269A - 数据库参数调整方法、装置、电子设备和存储介质 - Google Patents
数据库参数调整方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114238269A CN114238269A CN202111466754.2A CN202111466754A CN114238269A CN 114238269 A CN114238269 A CN 114238269A CN 202111466754 A CN202111466754 A CN 202111466754A CN 114238269 A CN114238269 A CN 114238269A
- Authority
- CN
- China
- Prior art keywords
- database
- online
- training sample
- offline
- parameters
- 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
- 238000000034 method Methods 0.000 title claims abstract description 90
- 238000012549 training Methods 0.000 claims abstract description 233
- 238000004088 simulation Methods 0.000 claims abstract description 50
- 230000008569 process Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims 1
- 230000002787 reinforcement Effects 0.000 description 14
- 238000012423 maintenance Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 230000002452 interceptive effect Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000009530 blood pressure measurement Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Abstract
本申请涉及数据库技术领域，公开了一种数据库参数调整方法、装置、电子设备和存储介质。方法包括：基于离线数据库的仿真生成离线训练样本，并基于在线数据库的运行生成在线训练样本；根据所述在线训练样本和所述离线训练样本对预设的参数调优模型进行训练，得到训练后的参数调优模型；提取所述在线数据库的特征信息，将所述在线数据库的特征信息作为所述训练后的参数调优模型的输入，得到所述在线数据库的调整后的数据库参数；所述特征信息与所述在线训练样本和所述离线训练样本的输入信息的信息类型相同；将所述调整后的数据库参数加载到所述在线数据库中。降低参数调优模型的训练样本的获取难度，减少时间成本，提高参数调优模型的生成效率。
Description
技术领域
本申请实施例涉及数据库技术领域，特别涉及一种数据库参数调整方法、装置、电子设备和存储介质。
背景技术
数据库在工作时可以基于不同的参数运行，从而为用户提供不同表现的服务，当用户负载状况和业务需求与配置的数据库参数相适应时，数据库为用户提供的服务表现最好，性能最佳。因此，为了更好地为用户提供服务，通常需要对数据库进行智能运维的人工智能(Artificial Intelligence，AI)引擎根据用户的业务需求特点调整数据库参数，其中，一种常见的调整数据库参数的方法是通过训练号的模型来为数据库推荐较优的数据库参数，主要是通过对在线数据库运行过程中产生的数据库状态信息和当前使用的数据库参数数据进行采集，从而得到训练样本，然后基于得到的训练样本训练出一个以数据库状态信息为输入，以推荐的数据库参数为输出的参数优化模型，以便在需要优化数据库参数时根据训练后的参数优化模型生成调整后的数据库参数。
然而，数据库参数应用于在线数据库后需要等候较长时间才能确定出稳定可靠的数据库状态信息。这样为了得到足够的用来训练参数调优模型的训练样本，需要等待非常长的时间，时间成本太高，并且在获取训练样本时还不能够随意调整在线数据库的数据库参数，否则会影响在线数据库对外提供服务的质量，降低用户体验，从而导致样本获取难度很大。
发明内容
本申请实施例的主要目的在于提出一种数据库参数调整方法、装置、电子设备和存储介质，旨在降低参数调优模型的训练样本的获取难度，减少时间成本，提高参数调优模型的生成效率。
为实现上述目的，本申请实施例提供了一种数据库参数调整方法，包括：基于离线数据库的仿真生成离线训练样本，并基于在线数据库的运行生成在线训练样本；根据所述在线训练样本和所述离线训练样本对预设的参数调优模型进行训练，得到训练后的参数调优模型；提取所述在线数据库的特征信息，将所述在线数据库的特征信息作为所述训练后的参数调优模型的输入，得到所述在线数据库的调整后的数据库参数；所述特征信息与所述在线训练样本的输入信息的信息类型相同；将所述调整后的数据库参数加载到所述在线数据库中。
为实现上述目的，本申请实施例还提出了一种数据库参数调整装置，包括：获取模块，用于基于离线数据库的仿真生成离线训练样本，并基于在线数据库的运行生成在线训练样本；训练模块，用于根据所述在线训练样本和所述离线训练样本对预设的参数调优模型进行训练，得到训练后的参数调优模型；参数获取模块，用于提取所述在线数据库的特征信息，将所述在线数据库的特征信息作为所述训练后的参数调优模型的输入，得到所述在线数据库的调整后的数据库参数；所述特征信息与所述在线训练样本的输入信息的信息类型相同；加载模块，用于将所述调整后的数据库参数加载到所述在线数据库中。
为实现上述目的，本申请实施例还提出了一种电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的数据库参数调整方法。
为实现上述目的，本申请实施例还提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的数据库参数调整方法。
本申请实施例提出的数据库参数调整方法，在训练参数调优模型时，不仅使用在线训练样本，还使用离线训练样本，其中，离线训练样本由于是基于离线数据库的仿真得到，因此，离线训练样本的数量多、数据丰富，且离线数据库由于数据库的离线特征，使得在仿真时可以根据需求进行调整离线数据库使用的数据库参数而不会影响用户，降低了样本获取难度。并且在参数调优模型的训练过程中使用的训练样本数量一定的情况下，由于训练样本还包括离线训练样本，因此，对在线训练样本的需求减少，进而为了获得足够的训练样本所需要等待的时间减少，降低了样本获取的时间成本，最终提高了参数调优模型的生成效率。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定。
图1是本申请一实施例中提供的数据库参数调整方法的流程示意图；
图2是本申请另一实施例中提供的数据库参数调整方法的流程示意图；
图3是本申请另一实施例中提供的数据库参数调整方法的流程示意图；
图4是本申请另一实施例中提供的数据库参数调整装置的结构示意图；
图5是本申请另一实施例中提供的电子设备的结构示意图。
具体实施方式
由背景技术可知，目前通过训练的模型来为数据库推荐较优的数据库参数的数据库参数调整方式，存在训练样本获取难、时间成本高，学习得到的模型生成效率低的问题。
为解决上述问题，本申请实施例提供了一种数据库参数调整方法，包括：基于离线数据库的仿真生成离线训练样本，并基于在线数据库的运行生成在线训练样本；根据所述在线训练样本和所述离线训练样本对预设的参数调优模型进行训练，得到训练后的参数调优模型；提取所述在线数据库的特征信息，将所述在线数据库的特征信息作为所述训练后的参数调优模型的输入，得到所述在线数据库的调整后的数据库参数；所述特征信息与所述在线训练样本的输入信息的信息类型相同；将所述调整后的数据库参数加载到所述在线数据库中。
本申请实施例提出的数据库参数调整方法，在训练参数调优模型时，不仅使用在线训练样本，还使用离线训练样本，其中，离线训练样本由于是基于离线数据库的仿真得到，因此，离线训练样本的数量多、数据丰富，且离线数据库由于数据库的离线特征，使得在仿真时可以根据需求进行调整离线数据库使用的数据库参数而不会影响用户，降低了样本获取难度。并且在参数调优模型的训练过程中使用的训练样本数量一定的情况下，由于训练样本还包括离线训练样本，因此，对在线训练样本的需求减少，进而为了获得足够的训练样本所需要等待的时间减少，降低了样本获取的时间成本，最终提高了参数调优模型的生成效率。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请的各实施例进行详细的阐述。然而，本领域的普通技术人员可以理解，在本申请各实施例中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施例的种种变化和修改，也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便，不应对本申请的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合相互引用。
本申请实施例一方面提供了一种数据库参数调整方法，应用于计算机、服务器等电子设备，如图1所示，数据库参数调整方法的流程可以包括如下操作。
步骤101，基于离线数据库的仿真生成离线训练样本，并基于在线数据库的运行生成在线训练样本。
本实施例中，离线数据库是指未开放给公众的、不对外提供服务的数据库；在线数据库是指开放给公众的、对外提供服务的数据库；离线训练样本是由仿真过程中离线数据库产生的数据组成，至少包括数据库状态数据和离线数据库仿真时使用的数据库参数；在线训练样本是由在线数据库响应用户的数据库访问请求时产生的数据组成，至少包括数据库状态信息和在线数据库响应时使用的数据库参数。
在一些例子中，基于离线数据库的仿真生成离线训练样本可以通过如下方式实现：控制仿真器对用户访问离线数据库的过程进行模拟，并基于离线数据库对仿真器进行响应时产生的数据生成离线训练样本。具体地，首先向预设的仿真器发送仿真控制指令，供仿真器根据接收到的仿真控制指令生成若干数据库访问请求并将数据库访问请求发送给离线数据库，然后离线数据库在接收到访问请求后，会对访问请求进行相应的响应，此时对离线数据库响应数据库访问请求时产生的数据进行采集，根据采集到的数据生成相应的离线训练样本。其中，仿真控制指令可以指示数据库访问请求中各种类型的占比，如指定查询请求占35％、删除请求占10％、插入请求占20％等，仿真控制指令还可以指示数据库访问请求的发送频率，如指定每秒发送1000条访问请求，仿真控制指令还可以指示访问的数据库的类型，如指定访问的数据库包括Oracle数据库、SQLServer数据库和MongoDB数据库，仿真控制指令还可以指示单次压测时长信息，以便根据单次压测时长确定离线训练样本开始采集的时机，等等，此处就不再一一赘述了。特别地，仿真控制指令的发送还可以由管理者触发，如管理者在提供的交互界面上输入相关的仿真控制目标，如数据库访问请求的类型、数据库的类型等信息，当管理者完成输入设置后就会触发读取管理者在交互界面的输入以生成相应的仿真控制指令的动作。
值得一提的是，利用仿真器进行仿真，使得计算机等电子设备只需要发送指令以及采集数据即能生成离线训练样本，减小了计算机等电子设备的处理压力，避免对其他线程产生压力。并且仿真器是为仿真专门设计的设备，通常能够实现更加准确的仿真过程。
在另一些例子中，不需要借助仿真器，而是使用自身配置的仿真功能，此时，基于离线数据库的仿真生成离线训练样本，还可以通过如下方式实现：自主生成若干访问请求，并将访问请求发送给离线数据库，获取离线数据库在响应数据库访问请求时产生的数据并根据获取到的数据生成相应的离线训练样本。
值得一提的是，不依赖于仿真器进行仿真，能够避免对外设的依赖，降低成本。
需要说明的是，本实施例不对数据库参数调整方法涉及的离线数据库和在线数据库的数量进行限定：可以是一个离线数据库和一个在线数据库，此时，根据离线训练样本和在线训练样本训练得到的参数调优模型与该在线数据库的特性更加贴合，针对性更强，在后续生成的调整后的数据库参数会更加准确；还可以是一个离线数据库和多个在线数据库，即基于若干在线数据库的运行生成在线训练样本，此时，一方面，由于在线训练样本的来源是多个在线数据库，因此，获取在线训练样本的效率更高，另一方面，由于使用了多个在线数据库产生的在线训练样本，因此，训练后的参数调优模型能够比较准确地为多个在线数据库调整后的数据库参数，鲁棒性更强。当然，还可以是多个离线数据库和一个在线数据库，或者多个离线数据库和多个在线数据库等，此处就不再一一赘述了。
还需要说明的是，仿真器等生成访问请求以访问离线数据库和离线数据库对接收到的访问请求进行响应，主要是为了实现对现网的业务环境进行模拟，使得离线数据库与在线数据库承担类似的用户负载压力和业务压力，从而得到可靠、真实的训练样本。离线数据库访问情况的仿真，可以是在实验室环境下进行，尽量减少其他干扰和进行高精度的仿真，也可以不在实验室环境，但是，不论是否在实验室环境下进行仿真，都要求仿真过程中离线数据库的业务环境以及响应过程都尽量与在线数据库相仿。
因此，在一些例子中，在线数据库和离线数据库的硬件配置一致，从而能够保证离线数据库仿真场景和在线数据库的实际被访问场景相同，从而使得离线样本数据能够准确反映在线数据库的状态。可以理解的是，训练样本的质量对于参数调优模型的训练非常重要，它直接决定了训练后的参数调优模型的质量，即决定了调整后的数据库参数的准确度和生成调整后的数据库参数的效率。因此，基于硬件配置与在线数据库一致的离线数据库会提高参数调优模型的准确性和生成调整后的数据库参数的效率。
在一些例子中，在线训练样本和离线训练样本在包括数据库参数和数据库状态信息的基础上，还包括数据库硬件环境数据和负载数据。相对于目前训练的参数调优模型时只使用数据库参数和数据库状态信息构造训练样本的方式，还考虑了数据库对访问请求进行响应时对硬件资源的消耗以及数据库承受的工作负载，将数据库消耗的硬件资源和负载也加入到参数调优模型的训练样本中，能够使得模型的性能表征更加完整，有利于更加准确快速的找到最优的数据库参数。
步骤102，根据在线训练样本和离线训练样本对预设的参数调优模型进行训练，得到训练后的参数调优模型。
本实施例中，首先对在线训练样本和离线训练样本进行汇总，形成一个容量较大的训练集，然后基于该训练集对参数调优模型进行训练，直到满足预设的训练停止条件停止训练，得到训练后的参数调优模型，其中，在本实施例提供的数据库参数调整方法涉及多个在线数据库的情况下，在线训练样本是指多个在线数据库产生的在线训练样本的汇总，在本实施例提供的数据库参数调整方法涉及多个离线数据库的情况下，离线训练样本是指多个离线数据库产生的离线训练样本的汇总，预设的训练停止条件可以是参数调优模型的损失收敛，也可以是参数调整次数达到预设上限次数等。
特别地，本实施例中的训练方式可以是强化学习，从而能够基于强化学习的特性使用较少的训练样本实现较好的训练效果。但是，本实施例不对强化学习的算法进行限定，可以是Q-learning算法、Policy Gradient算法等，此处就不再一一赘述了。
需要说明的是，本实施例强调的是，训练参数调优模型时使用的训练集中，既包含离线训练样本，又包含在线训练样本。从而在参数调优模型的训练过程中使用的训练样本数量一定的情况下，由于训练样本还包括离线训练样本，因此，对在线训练样本的需求减少，进而为了获得足够的训练样本所需要等待的时间减少，降低了样本获取的时间成本。或者，在一定时间内能够获取更多的训练样本，使得能够使用更多、更丰富的训练样本对参数调优模型进行训练，提高参数调优模型的准确性。
步骤103，提取在线数据库的特征信息，将特征信息作为训练后的参数调优模型的输入，得到在线数据库的调整后的数据库参数。
本实施例中，特征信息与在线训练样本和离线训练样本的输入信息的信息类型相同，即训练时参数调优模型的输入和获取调整后的数据库参数时参数调优模型的输入在信息类型上保持一致。即当在线训练样本和离线训练样本均包括数据库参数和数据库状态信息的情况下，在线训练样本和离线训练样本的输入信息为数据库状态信息，为了得到调整后的数据库参数，给训练后的参数调优模型输入的是在线数据库当前的数据库状态信息；当在线训练样本和离线训练样本均包括数据库参数、数据库状态信息、数据库硬件环境数据和负载数据的情况下，在线训练样本和离线训练样本的输入信息为数据库状态信息、数据库硬件环境数据和负载数据，为了得到调整后的数据库参数，给训练后的参数调优模型输入的是在线数据库当前的数据库状态信息、数据库硬件环境数据和负载数据。
需要说明的是，在本实施例提供的数据库参数调整方法涉及多个在线数据库的情况下，为了能够给各个在线数据库提供给针对性更强、更准确的调整后的数据库参数，将特征信息作为训练后的参数调优模型的输入，得到在线数据库的调整后的数据库参数，可以通过如下方式实现：将各在线数据库的特征信息分别作为训练后的参数调优模型的输入，得到各在线数据库对应的调整后的数据库参数。而不是为多个在线数据库提供同一调整后的数据库参数。
步骤104，将调整后的数据库参数加载到在线数据库中。
需要说明的是，在本实施例提供的数据库参数调整方法涉及多个在线数据库的情况下，将调整后的数据库参数加载到在线数据库中，可以通过如下方式实现：将各调整后的数据库参数加载到各调整后的数据库参数对应的在线数据库中。
还需要说明的是，由于在线数据库是对外开放的，需要为用户提供服务，因此，为了避免影响到用户，可以在在线数据库的用户负载少、业务少的时段进行数据库参数更新。此外，为了实现在线数据库总能够与当前使用的数据库参数相适应，因此，希望能够及时地调整数据库参数，因此，加载调整后的数据库参数以实现数据库参数调整可以是周期性执行。
可以理解的是，根据在线训练样本和离线训练样本对预设的参数调优模型进行训练，得到训练后的参数调优模型具有较好的准确性，但是离线训练样本不能完全等同于在线训练样本，在得到训练后的参数调优模型的基础上，还可以使用只包含在线训练样本的训练集对参数调优模型继续进行训练，并且考虑到当前训练训练过程中使用的在线训练样本已经参与过训练，继续使用参数调优模型性能得到的优化不大，因此，可以获取新的在线训练样本以对训练后的参数调优模型继续进行训练，从而不需要从头开始训练参数调优模型，需要的在线训练样本少，能够以较小的代价提高较多的参数调优模型得到准确度。
基于此，本申请实施例另一方面还提供了一种数据库参数调整方法，如图2所示，在步骤104之后，数据库参数调整方法还包括：
步骤105，基于在线数据库在调整后的数据库参数下的运行生成新的在线训练样本。
本实施例中的步骤105与图1所示的方法实施例中的步骤101中的“基于在线数据库的运行生成在线训练样本”步骤大致相同，其区别主要在于本实施例中的在线训练样本是在在线数据库使用调整后的数据库参数作为配置的数据库参数的情况下得到的，此处就不再一一赘述了。
步骤106，根据新的训练样本对训练后的参数调优模型继续进行训练，得到再训练后的参数调优模型。
本实施例中的步骤106与图1所示的方法实施例中的步骤102大致相同，其区别主要在于本实施例中使用的训练样本只有新的在线训练样本且训练的模型是步骤102训练后的参数调优模型，此处就不再一一赘述了。
值得一提的是，再训练的实质是增量训练，从而能够进一步提高参数调优模型的准确性，并且使用的训练样本只有该在线数据库的在线训练样本的数据，因此，通过再训练参数调优模型会向着与该在线数据库特性更加贴合的方向进行优化，使得参数调优模型的针对性更强。
需要说明的是，在本实施例提供的数据库参数调整方法涉及多个在线数据库时，根据新的训练样本对训练后的参数调优模型继续进行训练，得到再训练后的参数调优模型，包括：根据各在线数据库产生的训练样本分别对训练后的参数调优模型继续进行训练，得到各在线数据库各自对应的再训练后的参数调优模型，其中，一个在线数据库对应一个再训练后的参数调优模型。从而将第一训练后得到的参数调优模型进一步向着与特定在线数据库相适应的方向进行调整，从而最终得到与各个在线数据库相适应的再训练后的参数调优模型，提高了参数调优模型的准确性和针对性，使得基于参数调优模型新的调整后的数据库参数更加准确、性能更好。
步骤107，提取在线数据库当前的特征信息，将当前的特征信息作为再训练后的参数调优模型的输入，得到在线数据库的新的调整后的数据库参数。
本实施例中的步骤107与图1所示的方法实施例中的步骤103大致相同，其区别主要在于本实施例中使用的模型时再训练后的参数调优模型，其中，在线数据库的特征信息均为当前的特征信息，此处就不再一一赘述了。
步骤108，将新的调整后的数据库参数加载到在线数据库中。
本实施例中的步骤108与图1所示的方法实施例中的步骤104大致相同，此处就不再一一赘述了。
可以理解的是，为了更好地管理数据库以及能够及时进行数据库参数更新，越来越多的数据库运维过程被交由引擎实现，并且为了避免彼此之间的干扰通常会为不同数据库的运维分别配置一个独立的引擎。也就是说，上述过程均可由引擎实现，且涉及至少一个为离线数据库提供运维服务的的第一引擎和至少一个为在线数据库提供运维服务的第二引擎。
基于此，本申请实施例另一方面还提供了一种数据库参数调整方法，如图3所示，数据库参数调整方法包括：
步骤301，第一引擎基于离线数据库的仿真生成离线训练样本。
本实施例中，离线数据库部署于离线环境中，其中，离线环境还包括数据库服务器、代理(proxy)以及交互界面。
在一些例子中，第一引擎自身不具备仿真能力，即需要部署仿真器。此时，第一引擎基于离线数据库的仿真生成离线训练样本可以通过如下方式实现：第一引擎向仿真器发送仿真控制指令，仿真器在接收到仿真控制指令后，根据仿真控制指令生成相应的数据库访问请求并将数据库访问请求发送给离线数据库，然后第一引擎通知proxy对离线数据库在响应数据库访问请求时产生的数据进行采集，接着proxy进行数据采集并将采集到的数据转发给第一引擎，供第一引擎对接收到的数据进行处理进而生成若干离线训练样本。其中，若是仿真控制指令的发送由管理者触发，则在第一引擎发送仿真控制指令之前，管理者在proxy提供的交互界面上进行相关设置，然后proxy对交互界面上的用户设置结果进行读取并将读取结果转发给第一引擎，以便第一引擎根据proxy发送的用户设置结果生成仿真控制指令。其中，proxy采集的数据主要是数据库服务器中的日志和数据库内部统计指标，特别地，数据库内部统计指标用于计算当前负载强度、数据库响应访问请求时的操作指令信息和各个指令在负载中的权重占比等。
在另一些例子中，第一引擎自身具备仿真能力，即不需要部署仿真器。此时，第一引擎基于离线数据库的仿真生成离线训练样本，可以通过如下方式实现：第一引擎生成相应的数据库访问请求并将数据库访问请求发送给离线数据库，然后第一引擎通知proxy对离线数据库在响应数据库访问请求时产生的数据进行采集，接着proxy进行数据采集并将采集到的数据转发给第一引擎，供第一引擎对接收到的数据进行处理进而生成若干离线训练样本。
步骤302，第二引擎基于在线数据库的运行生成在线训练样本。
本实施例中，在线数据库部署于在线环境中，其中，在线环境还包括在线数据库服务器、访问在线数据库的真实用户构成的负载和proxy。
特别地，在本实施例提供的数据库参数调整方法涉及多个在线数据库时，还可以为多个在线数据库分别配置一个第二引擎。此时，第二引擎获取在线数据库的运行过程中产生的在线训练样本，可以通过如下方式实现：各第二引擎基于自身运维的在线数据库的运行生成在线训练样本。其中，单个第二引擎生成在线训练样本与步骤101大致相同，其区别在于此处的仿真请求来自若干不同的真实用户，此处就不再一一赘述了。
在一些例子中，第二引擎为了更好地维护在线训练样本，可以部署一个用于维护获取到的在线训练样本的样本池。
需要说明的是，第一引擎和第二引擎均为引擎器，区别在于为离线数据库还是为在线数据库提供运维服务。第一引擎可以被部署到同一设备上，也可以部署到不同设备上。
步骤303，第二引擎将在线训练样本发送给第一引擎。
本实施例中，当第一引擎和第二引擎部署在不同设备上时，第一引擎和第二引擎之间通过RESET通信协议实现了通信连接，第一引擎和第二引擎通过各自的RESET接口将信息发送给对方。
特别地，在本实施例提供的数据库参数调整方法涉及多个在线数据库和一个离线数据库时，还可以为多个在线数据库分别配置一个第二引擎。此时，第二引擎将在线训练样本发送给第一引擎，可以通过如下方式实现：各第二引擎将自身生成的在线训练样本发送给第一引擎。
步骤304，第一引擎根据在线训练样本和离线训练样本对参数调优模型进行训练。
本实施例中，第一引擎接收到第二引擎发送的在线训练样本后，对接收到的在线训练样本和离线训练样本进行汇总，得到训练集，然后基于训练集对参数调优模型进行训练。
在一些例子中，第一引擎为了更好地维护在线训练样本和离线训练样本构成的训练集，可以部署一个用于维护训练集的样本池。相对于第二引擎维护的样本池，第一引擎维护的样本池更大，即第一引擎维护一个大样本池，第二引擎维护一个小样本池。
特别地，在本实施例提供的数据库参数调整方法涉及多个在线数据库时，第一引擎接收多个第二引擎发送的在线训练样本，然后根据多个第二引擎发送的在线训练样本和自身获取的离线训练样本一起对参数调优模型进行训练。
步骤305，提取在线数据库当前的特征信息，第一引擎将当前的特征信息作为训练后的参数调优模型的输入，得到在线数据库的调整后的数据库参数。
本实施例的步骤305与前述步骤103大致相同，此处就不再一一赘述了。
步骤306，第一引擎将调整后的数据库参数发送给第二引擎。
本实施例的步骤306与前述步骤104大致相同，此处就不再一一赘述了。
步骤307，第二引擎将调整后的数据库参数加载到在线数据库。
需要说明的是，第二引擎将调整后的数据库参数加载到在线数据库，即在在线数据库上应用调整后的数据库参数，也就是将在线数据库当前使用的数据库参数替换为第二引擎接收到的调整后的数据库参数。
在一些例子中，在线数据库加载了调整后的数据库参数后，数据库参数调整方法还包括：第二引擎获取在线数据库在调整后的数据库参数下的运行生成新的在线训练样本，以便基于新的在线训练样本对参数调优模型进行再训练。进而第一引擎在向第二引擎发送调整后的数据库参数的同时，还需要为每个第二引擎发送第一引擎处训练后的参数调优模型。可以理解的是，第二引擎接收到的参数调优模型是同一个模型，但是每个在线数据库的用户负载和业务特性通常并不相同，因此，与在线数据库的情况相适应的调整后的数据库参数不完全相同或完全不同。并且当参数调优模型被再训练后，针对本在线数据库的调整后的数据库参数可能会发生变化，此时重新根据本在线数据库的状态重新确定调整后的数据库参数，并将原来在线数据库运行使用的第一引擎发送过来的调整后的数据库参数更新为当前重新确定的调整后的数据库参数，即新的调整后的数据库参数。
值得一提的是，由于在线训练样本是基于若干第二引擎提供运维服务的多个在线数据库得到的，因此，训练出来的参数调优模型是一个泛化模型，还可以根据各个在线数据库的数据在第二引擎处进行再训练，即进行增强学习，能够提高参数优化模型的针对性，进行提高参数调优模型的准确性。
可以理解的是，在线数据库在根据调整后的数据库参数进行运行之后，产生了新的在线训练样本，这些样本是与在线数据库的当前状态相适应的在线训练样本，可以继续发送给第一引擎，使得第一引擎对维护的大样本池进行更新，并再次进行强化学习，以便更新参数调优模型。因此，在一些例子中，在第二引擎将调整后的数据库参数加载到在线数据库之后，数据库参数调整方法还包括：第二引擎获取在线数据库在调整后的数据库下运行产生的新的在线训练样本；第二引擎将新的在线训练样本发送给第一引擎，供第一引擎再次进行强化学习。需要说明的是，这里涉及的调整后的数据库参数包括第一引擎发送过来的调整后的数据库参数和/或新的调整后的数据库参数。
还需要说明的是，当在线数据库的用户负载、业务特性发生变化或需要参数调整的数据库发送变化时，需要重新基于离线数据库进行仿真，或者可以理解为重新执行数据库参数调整方法，只是仿真的目标设置不同，此处就不再一一赘述了。
为了便于本领域技术人员更好地理解上述方法实施例提供的数据库参数调整方法，以下将以一个在线数据库且在线数据库为基于Postgresql 10.11数据库，训练方式为强化学习为例进行说明。需要说明的是，以下将基于Postgresql 10.11数据库简称为PG10.11数据库。
首先，在第二引擎处，控制在线PG10.11数据库进行数据库参数更新，即指令在线PG10.11数据库加载当前接收的第一引擎发送的调整后的数据库参数。接着在线PG10.11数据库运行一段时间后，利用数据库服务器采集在线PG10.11数据库产生的数据库状态指标、数据库环境硬件信息、在线业务负载信息。而第二引擎在接收到数据库服务器采集的数据库状态指标、数据库环境硬件信息、在线业务负载信息后，开始整合数据，得到若干在线训练样本(St，St+1，At，Rt)并形成小样本池，其中，整合主要是将数据库状态指标SI，数据库硬件环境信息SH和在线业务负载信息SW进行联结以得到新的状态指标St，At为第一引擎发送的调整后的数据库参数，St为At生效前的数据库状态指标，St+1为At生效后的数据库状态指标，Rt为在线PG10.11数据库根据系统调优目标计算得到的奖励值，奖励值可以用来衡量当前时刻与上一时刻的数据库参数调整前后产生的效果。接着第二引擎将依据小样本池中的在线训练样本对接收到的第一引擎发送的参数调优模型进行训练，产生再训练后的参数调优模型，接着第一引擎还触发参数调整流程，即将前述最终记录到的数据库状态指标St+1作为参数调优模型的输入，得到新的调整后的数据库参数，并指令在线PG10.11数据库加载新的调整后的数据库参数。
此外，第二引擎还会将小样本池中的新增的在线训练样本发送给第一引擎，以便第一引擎更新自身维护的离线的大样本池，其中，第二引擎的发送新增的在线训练样本的方式可以是：通过文件传输协议(File Transfer Protocol，FTP)上传至某FTP服务器相应目录，由离线环境中的proxy定期扫描FTP服务器中的相应目录的增量信息，将增量信息推送至离线环境的大样本池中。当第一引擎更新大样本池后就会触发新的强化学习流程，即生成仿真控制指令，控制仿真器按照预定的目标，如按照预设的数据库访问请求发送频率以及各类型占比对离线PG10.11数据库进行访问，接着在离线PG10.11数据库响应的过程中，利用数据库服务器采集在线PG10.11数据库产生的数据库状态指标、数据库环境硬件信息、在线业务负载信息。而第一引擎在接收到数据库服务器采集的数据库状态指标、数据库环境硬件信息、离线业务负载信息后，开始整合数据，得到若干在线训练样本(St＇，St+1＇，At＇，Rt＇)并形成大样本池，其中，整合主要是将数据库状态指标SI＇，数据库硬件环境信息SH＇和在线业务负载信息SW＇进行联结以得到新的状态指标St＇，At＇为第一引擎指示的离线PG10.11数据库的数据库参数，St＇为At＇生效前的数据库状态指标，St+1＇为At＇生效后的数据库状态指标，Rt＇为离线PG10.11数据库根据系统调优目标计算得到的奖励值。接着第一引擎将依据大样本池中的在线训练样本和离线训练样本进行强化学习，并在进行下一个参数调整周期时将强化学习得到的参数调优模型发给第二引擎，使得第二引擎再次执行前述的控制在线PG10.11数据库进行数据库参数更新，即指令在线PG10.11数据库加载当前接收的第一引擎发送的调整后的数据库参数的步骤。
需要说明的是，上述描述是从第二引擎接收到调整后的数据库参数和参数调优模型开始，接着描述了一个完整的第一引擎进行强化学习和第二引擎进行数据库参数调整的过程，可以理解的是，第二引擎接收到调整后的数据库参数和参数调优模型之前，第一引擎已经经历了至少一次强化学习，得到至少一组调整后的数据库参数和参数调优模型。在第一引擎第一次进行强化学习时，第二引擎首先基于未调整的数据库参数进行在线训练样本收集，接着第一引擎根据第二引擎收集的基于未调整的数据库参数得到的在线训练样本，第一次进行强化学习，此处就不再一一赘述了。
此外，应当理解的是，上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本专利的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该专利的保护范围内。
本申请实施例另一方面还提供了一种数据库参数调整装置，如图4所示，包括：
生成模块401，用于基于离线数据库的仿真生成离线训练样本，并基于在线数据库的运行生成在线训练样本。
训练模块402，用于根据在线训练样本和离线训练样本对预设的参数调优模型进行训练，得到训练后的参数调优模型。
参数获取模块403，用于提取在线数据库的特征信息，将在线数据库的特征信息作为训练后的参数调优模型的输入，得到在线数据库的调整后的数据库参数；特征信息与在线训练样本的输入信息的信息类型相同。
加载模块404，用于将调整后的数据库参数加载到在线数据库中。
不难发现，本实施例为与方法实施例相对应的实施例，本实施例可与方法实施例互相配合实施。方法实施例中提到的相关技术细节在本实施例中依然有效，为了减少重复，这里不再赘述。相应地，本实施例中提到的相关技术细节也可应用在方法实施例中。
值得一提的是，本实施例中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本申请的创新部分，本实施例中并没有将与解决本申请所提出的技术问题关系不太密切的单元引入，但这并不表明本实施例中不存在其它的单元。
需要说明的是，本装置实施例主要是针对方法实施例提供的数据库参数调整方法在软件实现层面上的描述，其实现还需要依托于硬件的支持，如相关模块的功能可以被部署到处理器上，以便处理器运行实现相应的功能，特别地，运行产生的数据可以被存储到存储器中以便后续检查和使用。
基于此，本申请实施例另一方面还提供了一种电子设备，如图5所示，包括：至少一个处理器501；以及，与至少一个处理器501通信连接的存储器502；其中，存储器502存储有可被至少一个处理器501执行的指令，指令被至少一个处理器501执行，以使至少一个处理器501能够执行上述任一方法实施例所描述的数据库参数调整方法。
其中，存储器502和处理器501采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器501和存储器502的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器501处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传输给处理器501。
处理器501负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器502可以被用于存储处理器501在执行操作时所使用的数据。
本申请实施例另一方面还提供了一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。
即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解，上述各实施例是实现本申请的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本申请的精神和范围。
Claims (10)
1.一种数据库参数调整方法，其特征在于，包括：
基于离线数据库的仿真生成离线训练样本，并基于在线数据库的运行生成在线训练样本；
根据所述在线训练样本和所述离线训练样本对预设的参数调优模型进行训练，得到训练后的参数调优模型；
提取所述在线数据库的特征信息，将所述特征信息作为所述训练后的参数调优模型的输入，得到所述在线数据库的调整后的数据库参数；所述特征信息与所述在线训练样本和所述离线训练样本的输入信息的信息类型相同；
将所述调整后的数据库参数加载到所述在线数据库中。
2.根据权利要求1所述的数据库参数调整方法，其特征在于，所述基于在线数据库的运行生成在线训练样本，包括：
基于若干所述在线数据库的运行生成所述在线训练样本；
所述将所述特征信息作为所述训练后的参数调优模型的输入，得到所述在线数据库的调整后的数据库参数，包括：
将各所述在线数据库的所述特征信息分别作为训练后的所述参数调优模型的输入，得到各所述在线数据库对应的所述调整后的数据库参数；
所述将所述调整后的数据库参数加载到所述在线数据库中，包括：
将各所述调整后的数据库参数加载到各所述调整后的数据库参数对应的所述在线数据库中。
3.根据权利要求1所述的数据库参数调整方法，其特征在于，所述将所述调整后的数据库参数加载到所述在线数据库中之后，所述方法还包括：
基于所述在线数据库在所述调整后的数据库参数下的运行生成新的在线训练样本；
根据所述新的训练样本对所述训练后的参数调优模型继续进行训练，得到再训练后的参数调优模型；
提取所述在线数据库当前的特征信息，将所述当前的特征信息作为所述再训练后的参数调优模型的输入，得到所述在线数据库的新的调整后的数据库参数；
将所述新的调整后的数据库参数加载到所述在线数据库中。
4.根据权利要求1至3中任一项所述的数据库参数调整方法，其特征在于，所述基于离线数据库的仿真生成离线训练样本，并基于在线数据库的运行生成在线训练样本，包括：
第一引擎基于所述离线数据库的仿真生成所述离线训练样本；
第二引擎基于所述在线数据库的运行生成所述在线训练样本；
所述第二引擎将所述在线训练样本发送给所述第一引擎；
所述根据所述在线训练样本和所述离线训练样本对预设的参数调优模型进行训练，具体为：
所述第一引擎根据所述在线训练样本和所述离线训练样本对所述参数调优模型进行训练；
所述将所述特征信息作为所述训练后的参数调优模型的输入，得到所述在线数据库的调整后的数据库参数，包括：
所述第一引擎将所述在线数据库的所述特征信息作为所述训练后的参数调优模型的输入，得到所述在线数据库的所述调整后的数据库参数；
所述将所述调整后的数据库参数加载到所述在线数据库中，包括：
所述第一引擎将所述调整后的数据库参数发送给所述第二引擎；
所述第二引擎将所述调整后的数据库参数加载到所述在线数据库。
5.根据权利要求1至3中任一项所述的数据库参数调整方法，其特征在于，所述基于离线数据库的仿真生成离线训练样本，包括：
控制仿真器对用户访问所述离线数据库的过程进行模拟，并基于所述离线数据库对所述仿真器进行响应时产生的数据生成所述离线训练样本。
6.根据权利要求1至3中任一项所述的数据库参数调整方法，其特征在于，所述在线训练样本和所述离线训练样本的输入信息均包括数据库状态信息、数据库硬件环境信息和负载信息。
7.根据权利要求1至3中任一项所述的数据库参数调整方法，其特征在于，所述在线数据库的硬件配置和所述离线数据库的硬件配置一致。
8.一种数据库参数调整装置，其特征在于，包括：
生成模块，用于基于离线数据库的仿真生成离线训练样本，并基于在线数据库的运行生成在线训练样本；
训练模块，用于根据所述在线训练样本和所述离线训练样本对预设的参数调优模型进行训练，得到训练后的参数调优模型；
参数获取模块，用于提取所述在线数据库的特征信息，将所述特征信息作为所述训练后的参数调优模型的输入，得到所述在线数据库的调整后的数据库参数；所述特征信息与所述在线训练样本的输入信息的信息类型相同；
加载模块，用于将所述调整后的数据库参数加载到所述在线数据库中。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的数据库参数调整方法。
10.一种计算机可读存储介质，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如权利要求1至7中任意一项所述的数据库参数调整方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111466754.2A CN114238269B (zh) | 2021-12-03 | 2021-12-03 | 数据库参数调整方法、装置、电子设备和存储介质 |
| PCT/CN2022/135863 WO2023098796A1 (zh) | 2021-12-03 | 2022-12-01 | 数据库参数调整方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111466754.2A CN114238269B (zh) | 2021-12-03 | 2021-12-03 | 数据库参数调整方法、装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114238269A true CN114238269A (zh) | 2022-03-25 |
| CN114238269B CN114238269B (zh) | 2024-01-23 |
Family
ID=80752915
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111466754.2A Active CN114238269B (zh) | 2021-12-03 | 2021-12-03 | 数据库参数调整方法、装置、电子设备和存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN114238269B (zh) |
| WO (1) | WO2023098796A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023098796A1 (zh) * | 2021-12-03 | 2023-06-08 | 中兴通讯股份有限公司 | 数据库参数调整方法、装置、电子设备和存储介质 |
| CN116821513A (zh) * | 2023-08-25 | 2023-09-29 | 腾讯科技（深圳）有限公司 | 一种推荐场景下的参数搜索方法、装置、设备和介质 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060074970A1 (en) * | 2004-09-22 | 2006-04-06 | Microsoft Corporation | Predicting database system performance |
| CN101854400A (zh) * | 2010-06-09 | 2010-10-06 | 中兴通讯股份有限公司 | 一种数据库同步部署及监控的方法和装置 |
| CN105335692A (zh) * | 2014-08-15 | 2016-02-17 | 软控股份有限公司 | 一种轮胎x光图像检测识别方法及系统 |
| CN106126641A (zh) * | 2016-06-24 | 2016-11-16 | 中国科学技术大学 | 一种基于Spark的实时推荐系统及方法 |
| US20160371589A1 (en) * | 2015-06-17 | 2016-12-22 | Yahoo! Inc. | Systems and methods for online content recommendation |
| 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 |
| CN110134697A (zh) * | 2019-05-22 | 2019-08-16 | 南京大学 | 一种面向键值对存储引擎的参数自动调优方法、装置、系统 |
| CN110472152A (zh) * | 2019-08-16 | 2019-11-19 | 南京云帐房网络科技有限公司 | 在线离线混合推荐方法及系统 |
| CN110514662A (zh) * | 2019-09-10 | 2019-11-29 | 上海深视信息科技有限公司 | 一种多光源融合的视觉检测系统 |
| CN111949631A (zh) * | 2019-05-14 | 2020-11-17 | 华为技术有限公司 | 一种确定数据库的配置参数的方法及装置 |
| WO2020258508A1 (zh) * | 2019-06-27 | 2020-12-30 | 平安科技（深圳）有限公司 | 模型超参数调整控制方法、装置、计算机设备及存储介质 |
| US20210190364A1 (en) * | 2019-12-23 | 2021-06-24 | Johnson Controls Technology Company | Methods and systems for training hvac control using simulated and real experience data |
| CN113064879A (zh) * | 2021-03-12 | 2021-07-02 | 腾讯科技（深圳）有限公司 | 数据库参数调整方法、装置及计算机可读存储介质 |
| CN113362069A (zh) * | 2021-06-01 | 2021-09-07 | 深圳前海微众银行股份有限公司 | 风控模型的动态调整方法、装置、设备及可读存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113673707A (zh) * | 2020-05-15 | 2021-11-19 | 第四范式（北京）技术有限公司 | 一种应用机器学习的方法、装置、电子设备及存储介质 |
| CN112070226B (zh) * | 2020-09-02 | 2023-06-27 | 北京百度网讯科技有限公司 | 在线预测模型的训练方法、装置、设备及存储介质 |
| CN114238269B (zh) * | 2021-12-03 | 2024-01-23 | 中兴通讯股份有限公司 | 数据库参数调整方法、装置、电子设备和存储介质 |
-
2021
- 2021-12-03 CN CN202111466754.2A patent/CN114238269B/zh active Active
-
2022
- 2022-12-01 WO PCT/CN2022/135863 patent/WO2023098796A1/zh unknown
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060074970A1 (en) * | 2004-09-22 | 2006-04-06 | Microsoft Corporation | Predicting database system performance |
| CN101854400A (zh) * | 2010-06-09 | 2010-10-06 | 中兴通讯股份有限公司 | 一种数据库同步部署及监控的方法和装置 |
| CN105335692A (zh) * | 2014-08-15 | 2016-02-17 | 软控股份有限公司 | 一种轮胎x光图像检测识别方法及系统 |
| US20160371589A1 (en) * | 2015-06-17 | 2016-12-22 | Yahoo! Inc. | Systems and methods for online content recommendation |
| WO2016201631A1 (en) * | 2015-06-17 | 2016-12-22 | Yahoo! Inc. | Systems and methods for online content recommendation |
| CN106126641A (zh) * | 2016-06-24 | 2016-11-16 | 中国科学技术大学 | 一种基于Spark的实时推荐系统及方法 |
| 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 |
| CN111949631A (zh) * | 2019-05-14 | 2020-11-17 | 华为技术有限公司 | 一种确定数据库的配置参数的方法及装置 |
| CN110134697A (zh) * | 2019-05-22 | 2019-08-16 | 南京大学 | 一种面向键值对存储引擎的参数自动调优方法、装置、系统 |
| WO2020258508A1 (zh) * | 2019-06-27 | 2020-12-30 | 平安科技（深圳）有限公司 | 模型超参数调整控制方法、装置、计算机设备及存储介质 |
| CN110472152A (zh) * | 2019-08-16 | 2019-11-19 | 南京云帐房网络科技有限公司 | 在线离线混合推荐方法及系统 |
| CN110514662A (zh) * | 2019-09-10 | 2019-11-29 | 上海深视信息科技有限公司 | 一种多光源融合的视觉检测系统 |
| US20210190364A1 (en) * | 2019-12-23 | 2021-06-24 | Johnson Controls Technology Company | Methods and systems for training hvac control using simulated and real experience data |
| CN113064879A (zh) * | 2021-03-12 | 2021-07-02 | 腾讯科技（深圳）有限公司 | 数据库参数调整方法、装置及计算机可读存储介质 |
| CN113362069A (zh) * | 2021-06-01 | 2021-09-07 | 深圳前海微众银行股份有限公司 | 风控模型的动态调整方法、装置、设备及可读存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023098796A1 (zh) * | 2021-12-03 | 2023-06-08 | 中兴通讯股份有限公司 | 数据库参数调整方法、装置、电子设备和存储介质 |
| CN116821513A (zh) * | 2023-08-25 | 2023-09-29 | 腾讯科技（深圳）有限公司 | 一种推荐场景下的参数搜索方法、装置、设备和介质 |
| CN116821513B (zh) * | 2023-08-25 | 2023-11-10 | 腾讯科技（深圳）有限公司 | 一种推荐场景下的参数搜索方法、装置、设备和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114238269B (zh) | 2024-01-23 |
| WO2023098796A1 (zh) | 2023-06-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210241177A1 (en) | Method and system for performing machine learning process | |
| WO2023098796A1 (zh) | 数据库参数调整方法、装置、电子设备和存储介质 | |
| CN109990790A (zh) | 一种无人机路径规划方法及装置 | |
| KR20190087635A (ko) | 자동화된 의사 결정을 위한 방법 및 장치 | |
| CN101156379B (zh) | 一种选择服务质量策略的方法及系统 | |
| CN111787064B (zh) | 一种基于专家系统的物联网联动控制方法及系统 | |
| WO2023098374A1 (zh) | 网络资源部署方法、装置、电子设备及存储介质 | |
| CN105897838A (zh) | 一种网络服务节点选择方法及装置 | |
| CN110490319B (zh) | 一种基于融合神经网络参数的分布式深度强化学习方法 | |
| CN114757352A (zh) | 智能体训练方法、跨域异构环境任务调度方法及相关装置 | |
| CN115334529A (zh) | 基站性能优化方法、装置、基站及存储介质 | |
| US20240095529A1 (en) | Neural Network Optimization Method and Apparatus | |
| CN112735406A (zh) | 设备的控制方法及装置、存储介质及电子装置 | |
| CN115793749B (zh) | 一种基于云计算的智能温室环境控制系统及方法 | |
| CN112420019B (zh) | 设备的测试方法及装置 | |
| CN116009884A (zh) | 面向边缘设备的神经网络弹性部署方法及装置 | |
| US20230419172A1 (en) | Managing training of a machine learning model | |
| CN112698948A (zh) | 产品资源的获取方法及装置、存储介质、电子装置 | |
| CN114666318A (zh) | 流媒体数据的下载方法、装置、电子设备及存储介质 | |
| CN109117246B (zh) | 服务器及其命令执行方法、控制方法 | |
| CN115801855B (zh) | 设备控制方法、装置、电子设备和存储介质 | |
| JP7478300B1 (ja) | 通信制御装置および通信制御方法 | |
| CN110032389A (zh) | 一种过程层通信配置方法和系统 | |
| CN115297012B (zh) | Sdn控制器的离线测试方法、装置、控制器及介质 | |
| CN117194131B (zh) | 数据处理方法、装置、设备、可读存储介质及程序产品 |
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 |