CN114490650A - 一种预测数据库空间的系统、装置、设备及存储介质 - Google Patents
一种预测数据库空间的系统、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114490650A CN114490650A CN202210052209.7A CN202210052209A CN114490650A CN 114490650 A CN114490650 A CN 114490650A CN 202210052209 A CN202210052209 A CN 202210052209A CN 114490650 A CN114490650 A CN 114490650A
- Authority
- CN
- China
- Prior art keywords
- data
- time period
- database
- space
- time
- 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.)
- Withdrawn
Links
- 230000000737 periodic effect Effects 0.000 claims abstract description 42
- 238000012544 monitoring process Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims description 40
- 230000015654 memory Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 9
- 239000002699 waste material Substances 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 21
- 238000004891 communication Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003534 oscillatory effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012795 verification 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
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2282—Tablespace storage structures; Management thereof
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种预测数据库空间的系统，该方法包括获取目标数据库的当前数据，当前数据包括当前时间周期内的第一时间段的监控指标数据；将当前数据输入训练获得的周期预测模型，获得目标数据库在下一个时间周期内的与第一时间段对应的第二时间段的预测数据；基于预测数据，预测目标数据库在第二时间段的空间使用率，将当前数据输入这个已训练好的周期预测模型，不仅可以对周期预测模型进行验证，还可以实现对第一时间段对应的第二时间段的数据库监控指标的预测，从而解决了无法准确预测数据库未来空间消耗，无法合理安排数据库容量，造成数据库空间的浪费的技术问题，同时也对周期预测模型进行验证，从而保证了周期预测模型预测的数据的可靠性。
Description
技术领域
本申请涉及预测空间技术领域，尤其涉及一种预测数据库空间的系统、装置、设备及存储介质。
背景技术
历史监控数据库只能反映当前和历史时刻的数据库系统空间使用状况，无法预测未来空间(尤其是数据库系统使用空间)消耗的问题。数据库系统和业务关联性强，对于一个公司的业务，往往会有明确的时间规划，比如第一、二季度是以扩展业务为主，第三、四季度是比运营业务为主。因此数据库系统的空间正常往往伴随周期性，当扩展业务时，数据库系统会有大量的写入操作，容量消耗巨大，而运营业务时数据库大多是查询、修改操作，容量消耗很少甚至没有。
现有的数据库管理系统中，无法准确预测数据库未来空间消耗，因此无法合理安排数据库容量，造成数据库空间的浪费。
发明内容
本申请的主要目的在于提供一种预测数据库空间的系统、装置、设备及存储介质，旨在解决无法合理的周期性安排数据库容量，会造成数据库空间的浪费的技术问题。
为实现上述目的，本申请提供一种预测数据库空间的系统，所述预测数据库空间的方包括以下步骤：
获取目标数据库的当前数据，所述当前数据包括当前时间周期内的第一时间段的监控指标数据；
将所述当前数据输入训练获得的周期预测模型，获得所述目标数据库在下一个时间周期内的与所述第一时间段对应的第二时间段的预测数据；
基于所述预测数据，预测所述目标数据库在所述第二时间段的空间使用率。
可选地，所述获取目标数据库的当前数据的步骤之前，所述方法还包括：
获取目标数据库的历史数据，其中，所述历史数据包括所述目标数据库在磁盘的使用率和表空间使用率；
依据所述历史数据的时间特征，将所述历史数据按时间序列进行划分，获得包括若干时间段的时间序列数据；
对所述时间序列数据进行周期性划分，获得按照时间周期划分的样本数据；
根据所述样本数据，训练获得所述周期预测模型。
可选地，所述根据所述样本数据，训练获得所述周期预测模型的步骤，包括：
根据所述样本数据，训练获得初始周期预测模型；
利用部分样本数据对所述初始周期预测模型进行验证，以获得所述周期预测模型。
可选地，所述周期预测模型为自动回归移动平均模型，所述周期预测模型包括三个超参数：
自回归项的阶数p；
差分阶数d；
滑动平均项的阶数q。
可选地，所述对所述时间序列数据进行周期性划分，获得按照时间周期划分的样本数据的步骤，包括：
依据年为单位，划分所述时间序列数据；
判断所述时间序列数据是否平稳；
若所述时间序列数据不平稳，则对所述不平稳的时间序列数据进行差分定阶；
将相同差分阶数的时间序列数据划分为同一时间周期，获得获得按照时间周期划分的样本数据。
可选地，所述若所述时间序列数据不平稳，则对所述不平稳的时间序列数据进行差分定阶的步骤，包括：
对所述不平稳的时间序列数据进行10次差分定阶；
判断10次差分定阶后时间序列数据是否平稳；
若是，则完成差分定阶。
可选地，述基于所述预测数据，预测所述目标数据库在所述第二时间段的空间使用率的步骤之后，所述方法还包括:
基于所述预测数据与阈值的关系，进行预警。
此外，为实现上述目的，本申请还提供一种预测数据库空间的装置，所述预测数据库空间的装置包括：
获取模块，所述获取模块用于获取目标数据库的当前数据，所述当前数据包括当前时间周期内的第一时间段的监控指标数据；
生成模块，所述生成模块用于将所述当前数据输入训练获得的周期预测模型，获得所述目标数据库在下一个时间周期内的与所述第一时间段对应的第二时间段的预测数据；
预测模块，所述预测模块用于基于所述预测数据，预测所述目标数据库在所述第二时间段的空间使用率。
此外，为实现上述目的，本申请还提供一种电子设备，所述电子设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，实现上述的方法。
此外，为实现上述目的，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，处理器执行所述计算机程序，实现上述的方法。
本申请所能实现的有益效果。
本申请实施例提出的一种预测数据库空间的系统、装置、设备及存储介质，通过获取目标数据库的当前数据，所述当前数据包括当前时间周期内的第一时间段的监控指标数据；将所述当前数据输入训练获得的周期预测模型，获得所述目标数据库在下一个时间周期内的与所述第一时间段对应的第二时间段的预测数据；基于所述预测数据，预测所述目标数据库在所述第二时间段的空间使用率，通过获取目标数据库的当前数据，是为了对目标数据库当前的监控指标进行分析，从而得出一定的预测值，周期预测模型根据预测值来对下一个时间周期内的与第一时间段对应的第二时间段的数据库监控指标进行预测，将当前数据输入这个已训练好的周期预测模型，不仅可以进一步的对周期预测模型进行验证，还可以实现对第一时间段对应的第二时间段的数据库监控指标的预测，从而解决了无法准确预测数据库未来空间消耗，无法合理安排数据库容量，造成数据库空间的浪费的技术问题，同时也对训练好的周期预测模型进行了验证，从而保证了周期预测模型的所生成的数据的可靠性。
附图说明
图1为本申请实施例涉及的硬件运行环境的电子设备结构示意图；
图2为本申请的实施例提供的一种预测数据库空间的系统的流程示意图；
图3为本申请的实施例提供的一种预测数据库空间的周期预测模型建立的流程示意图；
图4为本申请的实施例提供的一种预测数据库空间的获取样本数据的流程示意图；
图5为本申请的实施例提供的一种预测数据库空间的确定时序数据库稳定性的流程示意图；
图6为本申请的实施例提供的一种预测数据库空间的验证周期预测模型的流程示意图；
图7为本申请的实施例提供的一种预测数据库空间的装置的功能模块示意图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例的主要解决方案是：获取目标数据库的当前数据，所述当前数据包括当前时间周期内的第一时间段的监控指标数据；将所述当前数据输入训练获得的周期预测模型，获得所述目标数据库在下一个时间周期内的与所述第一时间段对应的第二时间段的预测数据；基于所述预测数据，预测所述目标数据库在所述第二时间段的空间使用率。
历史监控数据库只能反映当前和历史时刻的数据库系统空间使用状况，无法预测未来空间(尤其是数据库系统使用空间)消耗的问题。数据库系统和业务关联性强，对于一个公司的业务，往往会有明确的时间规划，比如第一、二季度是以扩展业务为主，第三、四季度是比运营业务为主。因此数据库系统的空间正常往往伴随周期性，当扩展业务时，数据库系统会有大量的写入操作，容量消耗巨大，而运营业务时数据库大多是查询、修改操作，容量消耗很少甚至没有。
现有技术中，在对数据库进行管理时，容易存在以下问题
1、无法准确对数据库空间进行预测，容易开辟多余的数据库空间造成数据库空间浪费；
2、当为数据库开辟空间较小时，容易造成数据库崩溃，从而导致系统崩溃。
为此，本申请提供一种解决方案，通过接收数据库监控指标的历史数据；依据所述历史数据划分时间序列；根据所述时间序列形成时间周期；周期预测模型接收所述时间周期，从而对数据库进行空间预测，其中，所述周期预测模型为自动回归移动平均模型，将历史数据根据时间序列进行周期分组优化处理，周期预测模型的参数根据历史数据和历史评估不断调整，以达到当前最佳的模型，从而使数据库空间预测更加准确，从而方便后台开发者根据时间周期合理安排数据库空间，从而解决了无法准确预测数据库空间消耗，因此无法合理安排数据库容量，会造成数据库空间的浪费的技术问题，同时也提高了数据库对数据的分组管理效率。
参照图1，图1为本申请实施例方案涉及的硬件运行环境的电子设备结构示意图。
如图1所示，该电子设备可以包括：处理器1001，例如中央处理器(CentralProcessing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及电子程序。
在图1所示的电子设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明电子设备中的处理器1001、存储器1005可以设置在电子设备中，所述电子设备通过处理器1001调用存储器1005中存储的预测数据库空间的装置，并执行本申请实施例提供的预测数据库空间的系统。
参照图2，基于前述实施例的电子设备，本申请的实施例提供一种预测数据库空间的系统，用于预测数据库空间的插件，所述插件基于AutoCAD软件的启动操作启动；所述方法包括：
S210、获取目标数据库的当前数据，所述当前数据包括当前时间周期内的第一时间段的监控指标数据；
在具体实施过程中，监控指标，本申请文件特指数据库监控指标，数据库监控指标包括数据库性能、数据库安全、数据库备份以及数据库的文件增长。通过获取目标数据库当前时间段的监控指标，是为了对目标数据库当前的监控指标进行分析，从而得出一定的预测值，以至于拿当前的目标数据库的监控指标去预测未来的目标数据库的监控指标。
S220、将所述当前数据输入训练获得的周期预测模型，获得所述目标数据库在下一个时间周期内的与所述第一时间段对应的第二时间段的预测数据；
在具体实施过程中，已训练好的周期预测模型是通过目标数据库以往的监控指标来建立的，将当前数据输入这个已训练好的周期预测模型，不仅是为了进一步的对周期预测模型进行验证，更重要的是，利用当前数据来预测目标数据库的未来数据，从而达到对目标数据库进行预测的目的。
S230、基于所述预测数据，预测所述目标数据库在所述第二时间段的空间使用率；
在具体实施过程中，预测数据是由目标数据库在已训练好的周期预测模型中得到的预测数据，第二时间段是指与当前数据的第一时间段对应的时间段，例如，第一时间段为今年的一月份，那么，历史数据为往年的一月份的数据，周期预测模型则通过多个一月份数据进行建立并验证，那么预测的数据便是来年的一月份的目标数据库的监控指标，从而实现对数据库监控指标的预测。
在一个实施例中，所述基于所述预测数据，预测所述目标数据库在所述第二时间段的空间使用率的步骤之后，所述方法还包括：
基于所述预测数据与阈值的关系，进行预警；
在具体实施过程中，在预测的过程中，数据不是一成不变的，也并非有规律变化，有些峰值过高或过低的数据均会影响预测时的准确率，因为，这样的数据具有偶然性，并不具备普遍性，此时，在预测过程中，会对数据进行阈值设置，是为保证预测模型所预测的数据具有普遍性，更贴合实际。当预测数据超过这个阈值时，报警系统便会对数据进行报警，以提醒工作人员对数据进行更正，或者对数据舍弃，从而来保证预测数据的普遍性。
参照图3，基于前述实施例的方法步骤，本申请还提供一种可选的实施例，在该实施例中，所述获取目标数据库的当前数据的步骤(即步骤S210)之前，还包括：
S102、获取目标数据库的历史数据，其中，所述历史数据包括所述目标数据库在磁盘的使用率和表空间使用率；
在具体实施过程中，历史数据是指目标数据库在往年的与第一时间段对应的数据，通过时间来划分数据，可以在一定程度保证未来的与第一时间对应的时间段的数据的一个普遍性。通过时间划分磁盘的使用率以及表空间使用率，可以以此来预测数据库在未来使用时，会需要磁盘的多少空间，从而合理分配数据库的空间，避免磁盘空间的浪费。
S104、依据所述历史数据的时间特征，将所述历史数据按时间序列进行划分，获得包括若干时间段的时间序列数据；
在具体实施过程中，磁盘中的各类数据都有时间特征，将历史数据通过磁盘内所记述的时间特征进行划分，生成时间序列周期，便于预测模型根据历史数据的时间序列进行建立，从而用于预测未来时间的数据库数据。
S106、对所述时间序列数据进行周期性划分，获得按照时间周期划分的样本数据；
在具体实施过程中，周期性，也称循环波动，是时间序列中呈现出来的围绕长期趋势的一种波浪形或振荡式变动。周期性通常是由商业和经济活动引起的，它不同于趋势变动，不是朝着单一方向的持续运动，而是涨落相间的交替波动；它也不同于季节变动，季节变动有比较固定的规律，且变动周期大多为一年，而循环波动则无固定规律，变动周期多在一年以上，且周期长短不一。周期性通常是由经济环境的变化引起的。
本申请文件中的周期性特指时间性周期，例如一年可以分为12个月亦可以通过季度来进行评判一个周期，时间周期的评判根据预测数据的需求进行决定。利用周期性数据，可以更好的对数据库数据进行预测。
在一个实施例中，参照图4，所述对所述时间序列数据进行周期性划分，获得按照时间周期划分的样本数据的步骤(即步骤S106)，包括：
S1062、依据年为单位，划分所述时间序列数据；
在具体实施过程中，采用年为单位，不仅是保证了数据较长的周期，同时也在一定程度上给出了该数据的可靠性，太短的时间容易具有特殊性，此时的时间序列数据便不具备参考价值。
S1064、判断所述时间序列数据是否平稳；
在具体实施过程中，要求时间序列数据平稳是为了保证时间序列数据是可取的，并不是波动的，不稳定的数据。这样的数据才具有普遍性，才具有参考价值。
S1066、若所述时间序列数据不平稳，则对所述不平稳的时间序列数据进行差分定阶；
在具体实施过程中，差分的结果反映了离散量之间的一种变化，是研究离散数学的一种工具，常用函数差近似导数。对数据不断的进行差分运算，可以求出该数据的一个稳定性。对不稳定的时间序列进行差分定阶，是为了通过差分运算将时间序列数据平稳化，保证预测数据的可靠性。
在一个实施例中，参照图5，所述若所述时间序列数据不平稳，则对所述不平稳的时间序列数据进行差分定阶的步骤(即步骤S1066)，包括：
S10662、对所述不平稳的时间序列数据进行10次差分定阶；
在具体实施过程中，对时间序列数据通常进行10差分定阶求改时间序列的稳定性，因为差分运算本就是一个比较复杂的运算过程，对目标数据库中的所有历史数据组成的时间序列数据进行差分，计算量过于庞大，为减小计算机的计算量，因此设置了差分定阶次数。
S10664、判断10次差分定阶后时间序列数据是否平稳；
在具体实施过程中，在10差分定阶之后，再次对定阶完成后的时间序列数据进行平稳性判断，不仅仅是10次之后才进行平稳性判断，每次定阶完之后的时间序列数据都要进行平稳性判断，若在10次之前就已经平稳的数据，则不再对该稳定数据进行定阶，这样也能减少计算机的工作量。
S10666、若是，则完成差分定阶；
在具体实施过程中，对时间序列数据差分定阶设置一个阈值，是为了节约计算机的工作量，若不设置阈值，当遇见某个不稳定的时间序列数据时，计算机将会对他进行无线循环的差分定阶，此时会加大计算机的工作量。
S1068、将相同差分阶数的时间序列数据划分为同一时间周期，获得获得按照时间周期划分的样本数据；
在具体实施过程中，相同的差分阶数的时间序列数据在一定程度上稳定性相同，将在同一阶数的时间序列数据划分为同一时间周期可以使计算机在计算时都有一定的定位，从而节约计算机的工作时间。
S108、根据所述样本数据，训练获得所述周期预测模型；
在具体实施过程中，通过以往的目标数据库的数据来建立、训练获得周期预测模型，以此周期预测模型来计算当前的数据，从而生成的预测数据来预测未来的数据，可以提前预测出未来时间磁盘的使用情况，提前开辟出存储空间，提高工作效率。
在一个实施例中，参照图6，所述根据所述样本数据，训练获得所述周期预测模型的步骤(即步骤S108)，包括：
S1082、根据所述样本数据，训练获得初始周期预测模型；
在具体实施过程中，样本数据便是目标数据库的以往的同第一时间段对应的历史数据，通过历史数量来训练获得初始周期预测模型，初始的周期预测模型并未进行验证，因此此时的初始周期预测模型还需要进行验证，才能进行工作。
S1084、利用部分样本数据对所述初始周期预测模型进行验证，以获得所述周期预测模型：
在具体实施过程中，随机抽取部分样本数据来对初始周期预测模型进行验证，是为了避免数据的偶然性，从而提高周期预测模型的可信度。验证后的初始周期预测模型便可以通过当前的数据库数据来进行计算，从而预测未来的数据库数据。
在一个实施例中，所述周期预测模型为自动回归移动平均模型，所述周期预测模型包括三个超参数：
自回归项的阶数p；自回归项系数p为自回归模型的系数，自回归模型描述当前值与历史值之间的关系，用变量自身的历史时间数据对自身进行预测。
差分阶数d；为时间序列数据定阶次数，在保证周期预测模型正常工作，所有所采用的时间序列数据为稳定数据。
滑动平均项的阶数q；滑动平均项的阶数q为移动平均模型系数，移动平均模型能有效的消除预测中的随机波动，使数据更具有代表性。
参照图7，基于相同的发明思路，本申请的实施例还提供一种预测数据库空间的装置，包括：
获取模块，所述获取模块用于获取目标数据库的当前数据，所述当前数据包括当前时间周期内的第一时间段的监控指标数据；
生成模块，所述生成模块用于将所述当前数据输入训练获得的周期预测模型，获得所述目标数据库在下一个时间周期内的与所述第一时间段对应的第二时间段的预测数据；
预测模块，所述预测模块用于基于所述预测数据，预测所述目标数据库在所述第二时间段的空间使用率。
需要说明的是，本实施例中预测数据库空间装置中各模块是与前述实施例中预测数据库空间的系统中的各步骤一一对应，因此，本实施例的具体实施方式可参照前述预测数据库空间的系统的实施方式，这里不再赘述。
应当理解的是，以上仅为举例说明，对本申请的技术方案并不构成任何限制，本领域的技术人员在实际应用中可以基于需要进行设置，此处不做限制。
此外，在一个实施例中，还提供一种电子设备，所述设备包括处理器，存储器以及存储在所述存储器中的计算机程序，所述计算机程序被处理器运行时实现前述实施例中方法的步骤。
此外，在一个实施例中，本申请还提供一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器运行时实现前述实施例中方法的步骤。
在一个实施例中，计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。计算机可以是包括智能终端和服务器在内的各种计算设备。
在一个实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言(包括编译或解释语言，或者声明性或过程性语言)来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言(HTML，Hyper TextMarkup Language)文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件(例如，存储一个或多个模块、子程序或代码部分的文件)中。
作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中，包括若干指令用以使得一台多媒体终端设备(可以是手机，计算机，电视接收机，或者网络设备等)执行本申请各个实施例所述的方法
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种预测数据库空间的系统，其特征在于，所述系统包括以下步骤：
获取目标数据库的当前数据，所述当前数据包括当前时间周期内的第一时间段的监控指标数据；
将所述当前数据输入训练获得的周期预测模型，获得所述目标数据库在下一个时间周期内的与所述第一时间段对应的第二时间段的预测数据；
基于所述预测数据，预测所述目标数据库在所述第二时间段的空间使用率。
2.如权利要求1所述的预测数据库空间的系统，其特征在于，所述获取目标数据库的当前数据的步骤之前，还包括：
获取目标数据库的历史数据，其中，所述历史数据包括所述目标数据库在磁盘的使用率和表空间使用率；
依据所述历史数据的时间特征，将所述历史数据按时间序列进行划分，获得包括若干时间段的时间序列数据；
对所述时间序列数据进行周期性划分，获得按照时间周期划分的样本数据；
根据所述样本数据，训练获得所述周期预测模型。
3.如权利要求2所述的预测数据库空间的系统，其特征在于，所述根据所述样本数据，训练获得所述周期预测模型的步骤，包括：
根据所述样本数据，训练获得初始周期预测模型；
利用部分样本数据对所述初始周期预测模型进行验证，以获得所述周期预测模型。
4.如权利要求2所述的预测数据库空间的系统，其特征在于，所述周期预测模型为自动回归移动平均模型，所述周期预测模型包括三个超参数：
自回归项的阶数p；
差分阶数d；
滑动平均项的阶数q。
5.如权利要求2所述的预测数据库空间的系统，其特征在于，所述对所述时间序列数据进行周期性划分，获得按照时间周期划分的样本数据的步骤，包括：
依据年为单位，划分所述时间序列数据；
判断所述时间序列数据是否平稳；
若所述时间序列数据不平稳，则对所述不平稳的时间序列数据进行差分定阶；
将相同差分阶数的时间序列数据划分为同一时间周期，获得获得按照时间周期划分的样本数据。
6.如权利要求5所述的预测数据库空间的系统，其特征在于，所述若所述时间序列数据不平稳，则对所述不平稳的时间序列数据进行差分定阶的步骤，包括：
对所述不平稳的时间序列数据进行10次差分定阶；
判断10次差分定阶后时间序列数据是否平稳；
若是，则完成差分定阶。
7.如权利要求1所述的预测数据库空间的系统，其特征在于，所述基于所述预测数据，预测所述目标数据库在所述第二时间段的空间使用率的步骤之后，所述方法还包括：
基于所述预测数据与阈值的关系，进行预警。
8.一种预测数据库空间的装置，其特征在于，包括：
获取模块，所述获取模块用于获取目标数据库的当前数据，所述当前数据包括当前时间周期内的第一时间段的监控指标数据；
生成模块，所述生成模块用于将所述当前数据输入训练获得的周期预测模型，获得所述目标数据库在下一个时间周期内的与所述第一时间段对应的第二时间段的预测数据；
预测模块，所述预测模块用于基于所述预测数据，预测所述目标数据库在所述第二时间段的空间使用率。
9.一种电子设备，其特征在于，该电子设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，处理器执行所述计算机程序，实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210052209.7A CN114490650A (zh) | 2022-01-17 | 2022-01-17 | 一种预测数据库空间的系统、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210052209.7A CN114490650A (zh) | 2022-01-17 | 2022-01-17 | 一种预测数据库空间的系统、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114490650A true CN114490650A (zh) | 2022-05-13 |
Family
ID=81511385
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210052209.7A Withdrawn CN114490650A (zh) | 2022-01-17 | 2022-01-17 | 一种预测数据库空间的系统、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114490650A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115577641A (zh) * | 2022-11-14 | 2023-01-06 | 成都飞机工业（集团）有限责任公司 | 一种数字孪生模型的训练方法、装置、设备及介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109271374A (zh) * | 2018-10-19 | 2019-01-25 | 国网江苏省电力有限公司信息通信分公司 | 一种基于机器学习的数据库健康度打分方法和打分系统 |
| CN109766234A (zh) * | 2018-12-11 | 2019-05-17 | 国网甘肃省电力公司信息通信公司 | 基于时间序列模型的磁盘存储容量预测方法 |
| CN113238714A (zh) * | 2021-05-28 | 2021-08-10 | 广东好太太智能家居有限公司 | 基于历史监测数据的磁盘容量预测方法及系统、存储介质 |
-
2022
- 2022-01-17 CN CN202210052209.7A patent/CN114490650A/zh not_active Withdrawn
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109271374A (zh) * | 2018-10-19 | 2019-01-25 | 国网江苏省电力有限公司信息通信分公司 | 一种基于机器学习的数据库健康度打分方法和打分系统 |
| CN109766234A (zh) * | 2018-12-11 | 2019-05-17 | 国网甘肃省电力公司信息通信公司 | 基于时间序列模型的磁盘存储容量预测方法 |
| CN113238714A (zh) * | 2021-05-28 | 2021-08-10 | 广东好太太智能家居有限公司 | 基于历史监测数据的磁盘容量预测方法及系统、存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115577641A (zh) * | 2022-11-14 | 2023-01-06 | 成都飞机工业（集团）有限责任公司 | 一种数字孪生模型的训练方法、装置、设备及介质 |
| CN115577641B (zh) * | 2022-11-14 | 2023-04-07 | 成都飞机工业（集团）有限责任公司 | 一种数字孪生模型的训练方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109120451B (zh) | 基于物联网的设备评估方法、设备及计算机可读存储介质 | |
| CN105491079B (zh) | 云计算环境中调整应用所需资源的方法及装置 | |
| CN108614843B (zh) | 网站内容的评估方法及装置 | |
| CN114048055A (zh) | 时序数据异常根因分析方法及系统 | |
| CN115314415B (zh) | 网络安全态势预测方法、装置、电子设备及存储介质 | |
| CN114490650A (zh) | 一种预测数据库空间的系统、装置、设备及存储介质 | |
| CN109327334A (zh) | 一种针对于设备性能的告警方法、装置及设备 | |
| CN115756812A (zh) | 一种资源调整方法及装置、存储介质 | |
| CN114866563A (zh) | 扩容方法、装置、系统和存储介质 | |
| CN117934247B (zh) | 基于时序分解的碳排放因子预测方法、装置、电子设备及存储介质 | |
| CN111130867B (zh) | 一种基于物联网的智能家居设备告警方法及装置 | |
| CN116187549A (zh) | 能耗预测方法、计算设备及计算机存储介质 | |
| CN115115419A (zh) | 一种基于bim技术的工程造价管理系统及方法 | |
| JP2013214171A (ja) | 性能監視装置、性能監視方法、及びそのプログラム | |
| CN112883253A (zh) | 数据处理方法、装置、设备及可读存储介质 | |
| CN110134680B (zh) | 空间监控方法、装置、计算机设备及存储介质 | |
| CN111768246A (zh) | 一种数据处理方法、模型建立方法、装置及电子设备 | |
| CN115018011B (zh) | 电力负荷类型识别方法、装置、设备及存储介质 | |
| CN111190890A (zh) | 用户日用电量数据清洗方法、装置、设备和介质 | |
| CN115309506A (zh) | 一种应用于云服务的容器动态扩缩容方法及系统 | |
| CN114546769A (zh) | 一种任务监控方法、装置、电子设备及可读存储介质 | |
| CN116093934B (zh) | 储能设备电量信息的测算方法、计算机设备及存储介质 | |
| CN110955728A (zh) | 用电数据传输方法、服务器及存储介质 | |
| CN111210059A (zh) | 母线日最高负荷的处理方法和装置 | |
| CN111814001A (zh) | 反馈信息的方法和装置 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220513 |
|
| WW01 | Invention patent application withdrawn after publication |