CN117009385A - 一种基于规则的数据库预计算自治系统及方法 - Google Patents

一种基于规则的数据库预计算自治系统及方法 Download PDF

Info

Publication number
CN117009385A
CN117009385A CN202311264818.XA CN202311264818A CN117009385A CN 117009385 A CN117009385 A CN 117009385A CN 202311264818 A CN202311264818 A CN 202311264818A CN 117009385 A CN117009385 A CN 117009385A
Authority
CN
China
Prior art keywords
calculation
recommendation
rule
autonomous
module
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
Application number
CN202311264818.XA
Other languages
English (en)
Other versions
CN117009385B (zh
Inventor
冷友方
孙路明
赵衎衎
容兴兴
魏可伟
张晖
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.)
Shandong Inspur Database Technology Co Ltd
Original Assignee
Shandong Inspur Database Technology 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 Shandong Inspur Database Technology Co Ltd filed Critical Shandong Inspur Database Technology Co Ltd
Priority to CN202311264818.XA priority Critical patent/CN117009385B/zh
Publication of CN117009385A publication Critical patent/CN117009385A/zh
Application granted granted Critical
Publication of CN117009385B publication Critical patent/CN117009385B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2453—Query optimisation
    • 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
    • G06F16/24—Querying
    • G06F16/242—Query formulation
    • G06F16/2433—Query languages
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • 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)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及数据库领域，具体提供了一种基于规则的数据库预计算自治系统及方法，包括数据采集模块、负载分析模块、预计算推荐模块和用户交互模块；数据采集模块收集历史负载信息和已有预计算使用、匹配情况，用作预计算自治算法的输入；负载分析模块通过对历史负载和预计算使用情况的数据进行解析和分析，推荐算法进行预计算自治推荐；预计算推荐模块根据负载分析结果，输出新建预计算、修改或删除已有预计算的建议；用户交互模块发起预计算自治请求、自治建议查看和应用操作。与现有技术相比，本发明通过推荐的预计算和数据库中已有的预计算进行对比，找出数据库中冗余或创建错误的预计算，为用户推荐预计算删除和更改建议。

Description

一种基于规则的数据库预计算自治系统及方法
技术领域
本发明涉及计算机科学中的数据库领域，具体提供一种基于规则的数据库预计算自治系统及方法。
背景技术
在数据库中，通常需要对大量的原始数据进行预先计算，并保存预计算结果。数据库中定义好预计算后，当用户在查询原始数据时，数据库内核根据预计算匹配规则改写用户原始SQL语句，自动使用预计算结果，避免现场运算及重复运算，以快速响应和支持业务决策。这种机制称为预计算。
由于预计算是预先定义的，在传统的数据库管理方式中，这些定义工作通常是由DBA(数据库管理员)手动完成的，由于缺少对应用负载全局认知可能无法正确地定义预计算，导致预计算的定义存在冗余、无法有效匹配用户的查询等问题。
发明内容
本发明是针对上述现有技术的不足，提供一种实用性强的数据库预计算自治系统。
本发明进一步的技术任务是提供一种设计合理，安全适用的数据库预计算自治方法。
本发明解决其技术问题所采用的技术方案是：
一种基于规则的数据库预计算自治系统，包括数据采集模块、负载分析模块、预计算推荐模块和用户交互模块；
所述数据采集模块用于采集数据库中所有的历史负载信息，用作预计算自治算法的输入，所述历史负载信息包括两种，一种是使用了预计算的负载，另一种是未使用预计算的负载；
所述负载分析模块用于通过对所述数据采集模块中历史负载和预计算使用情况的数据进行解析和分析，支持推荐算法进行预计算自治的推荐；
所述预计算推荐模块根据负载分析结果，输出新建预计算、修改或删除已有预计算的建议；
所述用户交互模块用于发起预计算自治请求的、自治建议查看和应用操作。
进一步地，在数据采集模块中，采集的数据包含三个部分：
（1）数据库中已有预计算的元信息，保存在表kwdb_pre_computing中；
（2）已匹配预计算的使用情况，保存在kwdb_pc_matched_workload中；
（3）未匹配预计算的查询SQL，保存在kwdb_pc_unmatched_workload表中。
进一步地，在负载分析模块中，使用负载分析算法进行输入信息，所述输入信息包含数据采集模块中采集到的三部分数据，输出为预计算推荐模块可用的数据结构；
负载分析算法包含以下两部分；
（1）未使用预计算历史负载分析，解析和分析未使用预计算的历史负载涉及的数据库、表、列、聚合函数、时间窗口和频次；
（2）已使用预计算的历史负载分析，找到SQL语句涉及的表名、数据库名、聚合列、聚合函数时间窗口大小，统计每种时间窗口的查询次数，查询次数即为匹配次数；
进一步地，在预计算推荐模块中，使用预计算推荐算法进行操作，所述预计算推荐算法具体规则如下：
（1）假设待推荐预计算的目标表为T，所述目标表上的以时间窗口为分组列的用户查询语句表示为查询集合Q={q1, q2, ..., qn}，设基于规则的推荐算法为F，推荐结果为PC ，PC可以为0至m个，那么推荐任务形式化表述为PC=F(T, Q)；
（2）提取所有查询集合Q中的聚合窗口大小，表示为I={i1, i2, ..., in}；提取所有查询集合Q中的聚合函数，表示为G={g1, g2, ... gn}；
（3）基于规则的推荐算法F表示为：首先从历史查询中找出最小的interval，作为候选interval，即Ic= min(i1, i2, ..., in)，找出最小的interval Ic 之后，查找I中所有Ic的整倍数的interval，那么整数倍Interval的查询都用最小的interval来进行聚合，表示PCc同时服务于interval的查询，记为候选查询集合Qc；
从聚合函数中提取候选查询集合Qc包含的聚合函数Gc，通过DDL构建模块构造预计算创建语句：PCc= DDL(T，Ic, Gc)；
（4）从查询集合Q中剔除已经推荐过预计算的查询集合Qc，剩余的查询继续以步骤（3）中基于规则的推荐算法F进行操作，即PC=F(T, Q-Qc)，直到所有的查询都被推荐了预计算，算法结束。
进一步地，在用户交互模块中，
请求并触发预计算：用户通过 DDL 发起对 db、schema、 table和sql不同级别的预计算自治请求；
自治建议查看：以列表形式展示每条预计算建议，同时展示每条建议的代价和收益；
应用操作：用户收到预计算建议后，判断是否接受所述预计算，若接收，则执行；不接受，则不执行；
对认为不合理的建议，则手动修改，直接执行。
一种基于规则的数据库预计算自治方法，具有如下步骤：
S1、采集数据；
S2、负载分析；
S3、预计算推荐；
S4、用户交互执行。
进一步地，在步骤S1中，通过开关参数来控制是否打开采集数据功能，当开关打开时，采集数据库中的预计算元信息，使用了预计算的负载和未使用预计算的负载；
在步骤S2中，对步骤S1中采集的数据进行分析，生成推荐算法可用的数据结构。
进一步地，在步骤S3中，使用预计算推荐算法进行操作，所述预计算推荐算法具体规则如下：
（1）假设待推荐预计算的目标表为T，所述目标表上的以时间窗口为分组列的用户查询语句表示为查询集合Q={q1, q2, ..., qn}，设基于规则的推荐算法为F，推荐结果为PC ，PC可以为0至m个，那么推荐任务形式化表述为PC=F(T, Q)；
（2）提取所有查询集合Q中的聚合窗口大小，表示为I={i1, i2, ..., in}；提取所有查询集合Q中的聚合函数，表示为G={g1, g2, ... gn}；
（3）基于规则的推荐算法F表示为：首先从历史查询中找出最小的interval，作为候选interval，即Ic= min(i1, i2, ..., in)，找出最小的interval Ic 之后，查找I中所有Ic的整倍数的interval，那么整数倍Interval的查询都用最小的interval来进行聚合，表示PCc同时服务于interval的查询，记为候选查询集合Qc；
从聚合函数中提取候选查询集合Qc包含的聚合函数Gc，通过DDL构建模块构造预计算创建语句：PCc= DDL(T，Ic, Gc)；
（4）从查询集合Q中剔除已经推荐过预计算的查询集合Qc，剩余的查询继续以步骤（3）中基于规则的推荐算法F进行操作，即PC=F(T, Q-Qc)，直到所有的查询都被推荐了预计算，算法结束。
进一步地，在步骤S4中，用户收到预计算建议后，判断是否接受所述预计算，若接收，则执行；不接受，则不执行；
对认为不合理的建议，则手动修改，直接执行。
本发明的一种基于规则的数据库预计算自治系统及方法和现有技术相比，具有以下突出的有益效果：
本发明自动收集数据库中的负载数据，分析负载数据中消耗资源较大的查询作为优化对象，设计预计算推荐算法，为用户推荐尽量满足所有优化对象的预计算创建建议，通过对推荐的预计算和数据库中已有的预计算进行对比，找出数据库中冗余或创建错误的预计算，为用户推荐预计算删除和更改建议。
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。
附图1是一种基于规则的数据库预计算自治系统的结构示意图；
附图2是一种基于规则的数据库预计算自治系统中数据采集模块结构示意图；
附图3是一种基于规则的数据库预计算自治方法的流程示意图。
具体实施方式
为了使本技术领域的人员更好的理解本发明的方案，下面结合具体的实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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发明保护的范围。
下面给出一个最佳实施例：
如图1所示，本实施例中的一种基于规则的数据库预计算自治系统，包括数据采集模块、负载分析模块、预计算推荐模块和用户交互模块。
其中，如图2所示，数据采集模块用于采集数据库中所有的历史负载信息，用作预计算自治算法的输入，所述历史负载信息包括两种，一种是使用了预计算的负载，另一种是未使用预计算的负载；
在数据采集模块中，采集的数据包含三个部分：
（1）数据库中已有预计算的元信息，保存在表kwdb_pre_computing中；
（2）已匹配预计算的使用情况，保存在kwdb_pc_matched_workload中；
（3）未匹配预计算的查询SQL，保存在kwdb_pc_unmatched_workload表中。
已有预计算表的使用情况，包括预计算表使用次数、最近使用时间、资源消耗情况、相关SQL语句执行次数、聚合函数以及interval的使用情况等。
负载分析模块用于通过对所述数据采集模块中历史负载和预计算使用情况的数据进行解析和分析，支持推荐算法进行预计算自治的推荐；
输入信息包含数据采集模块中采集到的三部分数据，即预计算元信息，已匹配的与计算信息和未匹配的查询信息，输出为预计算推荐模块可用的数据结构。
负载分析算法包含以下两部分；
（1）未使用预计算历史负载分析，解析和分析未使用预计算的历史负载涉及的数据库、表、列、聚合函数、时间窗口和频次；
（2）已使用预计算的历史负载分析，找到SQL语句涉及的表名、数据库名、聚合列、聚合函数时间窗口大小，统计每种时间窗口的查询次数，这里因为是匹配了预计算的查询，所以查询次数就是匹配次数。
预计算推荐模块根据负载分析结果，使用预计算推荐算法输出新建预计算、修改或删除已有预计算的建议；该模块与其它模块解耦，可以轻易改进或切换算法引擎。
预计算推荐算法，即一个预计算表尽可能能支持匹配更多的查询，具体规则如下：
（1）假设待推荐预计算的目标表为T，此表上的以时间窗口为分组列的用户查询语句表示为查询集合Q={q1, q2, ..., qn}，设基于规则的推荐算法为F，推荐结果为PC ，PC可以为0至m个，那么推荐任务形式化表述为PC=F(T, Q)；
（2）提取所有查询集合Q中的聚合窗口大小，表示为I={i1, i2, ..., in}；提取所有查询集合Q中的聚合函数，表示为G={g1, g2, ... gn}；
（3）基于规则的推荐算法F表示为：首先从历史查询中找出最小的interval，作为候选interval，即Ic= min(i1, i2, ..., in)，然后查找I中所有Ic的整倍数的interval，表示PCc同时服务于interval的查询，记为候选查询集合Qc；
举例说明，有3个interval，分别为10分钟，20分钟，30分钟，它们的最小值是10分钟，此次只用创建10分钟的预计算即可，因为20分钟可以用2个10分钟聚合，30分钟可以用3个10分钟来聚合，也就实现了一个10分钟的候选预计算PCc可以同时服务于多个interval查询了。
从聚合函数中提取候选查询集合Qc包含的聚合函数Gc，通过DDL构建模块构造预计算创建语句：PCc= DDL(T，Ic, Gc)；
（4）从查询集合Q中剔除已经推荐过预计算的查询集合Qc，剩余的查询继续以步骤（3）中基于规则的推荐算法F进行操作，即PC=F(T, Q-Qc)，直到所有的查询都被推荐了预计算，算法结束。
用户交互模块用于发起预计算自治请求的、自治建议查看和应用操作；
请求并触发预计算：用户通过 DDL 发起对 db、schema、 table和sql不同级别的预计算自治请求；
自治建议查看：以列表形式展示每条预计算建议，同时展示每条建议的代价和收益；
应用操作：用户收到预计算建议后，判断是否接受所述预计算，若接收，则执行；不接受，则不执行；
对认为不合理的建议，则手动修改，直接执行。
基于上述方法，如图3所示，本实施例中的一种基于规则的数据库预计算自治方法，具有如下步骤：
S1、采集数据；
通过开关参数来控制是否打开采集数据功能。当开关打开时，采集数据库中的预计算meta信息，已匹配预计算的SQL查询，未匹配预计算的SQL查询。
S2、负载分析；
对步骤S1中采集的数据进行分析，生成推荐算法可用的数据结构。
S3、预计算推荐；
使用预计算推荐算法进行操作，所述预计算推荐算法具体规则如下：
（1）假设待推荐预计算的目标表为T，所述目标表上的以时间窗口为分组列的用户查询语句表示为查询集合Q={q1, q2, ..., qn}，设基于规则的推荐算法为F，推荐结果为PC ，PC可以为0至m个，那么推荐任务形式化表述为PC=F(T, Q)；
（2）提取所有查询集合Q中的聚合窗口大小，表示为I={i1, i2, ..., in}；提取所有查询集合Q中的聚合函数，表示为G={g1, g2, ... gn}；
（3）基于规则的推荐算法F表示为：首先从历史查询中找出最小的interval，作为候选interval，即Ic= min(i1, i2, ..., in)，找出最小的interval Ic 之后，查找I中所有Ic的整倍数的interval，那么整数倍Interval的查询都用最小的interval来进行聚合，表示PCc同时服务于interval的查询，记为候选查询集合Qc；
从聚合函数中提取候选查询集合Qc包含的聚合函数Gc，通过DDL构建模块构造预计算创建语句：PCc= DDL(T，Ic, Gc)；
（4）从查询集合Q中剔除已经推荐过预计算的查询集合Qc，剩余的查询继续以步骤（3）中基于规则的推荐算法F进行操作，即PC=F(T, Q-Qc)，直到所有的查询都被推荐了预计算，算法结束。
S4、用户交互执行；
用户收到预计算建议后，判断是否接受所述预计算，若接收，则执行；不接受，则不执行；
对认为不合理的建议，则手动修改，直接执行。
上述具体的实施方式仅是本发明具体的个案，本发明的专利保护范围包括但不限于上述具体的实施方式，任何符合本发明权利要求书记载的技术方案且任何所属技术领域普通技术人员对其做出的适当变化或者替换，皆应落入本发明的专利保护范围。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (9)

1.一种基于规则的数据库预计算自治系统，其特征在于，包括数据采集模块、负载分析模块、预计算推荐模块和用户交互模块；
所述数据采集模块用于采集数据库中所有的历史负载信息，用作预计算自治算法的输入，所述历史负载信息包括两种，一种是使用了预计算的负载，另一种是未使用预计算的负载；
所述负载分析模块用于通过对所述数据采集模块中历史负载和预计算使用情况的数据进行解析和分析，支持推荐算法进行预计算自治的推荐；
所述预计算推荐模块根据负载分析结果，输出新建预计算、修改或删除已有预计算的建议；
所述用户交互模块用于发起预计算自治请求的、自治建议查看和应用操作。
2.根据权利要求1所述的一种基于规则的数据库预计算自治系统，其特征在于，在数据采集模块中，采集的数据包含三个部分：
（1）数据库中已有预计算的元信息，保存在表kwdb_pre_computing中；
（2）已匹配预计算的使用情况，保存在kwdb_pc_matched_workload中；
（3）未匹配预计算的查询SQL，保存在kwdb_pc_unmatched_workload表中。
3.根据权利要求2所述的一种基于规则的数据库预计算自治系统，其特征在于，在负载分析模块中，使用负载分析算法进行输入信息，所述输入信息包含数据采集模块中采集到的三部分数据，输出为预计算推荐模块可用的数据结构；
负载分析算法包含以下两部分；
（1）未使用预计算历史负载分析，解析和分析未使用预计算的历史负载涉及的数据库、表、列、聚合函数、时间窗口和频次；
（2）已使用预计算的历史负载分析，找到SQL语句涉及的表名、数据库名、聚合列、聚合函数时间窗口大小，统计每种时间窗口的查询次数，查询次数即为匹配次数。
4.根据权利要求3所述的一种基于规则的数据库预计算自治系统，其特征在于，在预计算推荐模块中，使用预计算推荐算法进行操作，所述预计算推荐算法具体规则如下：
（1）假设待推荐预计算的目标表为T，所述目标表上的以时间窗口为分组列的用户查询语句表示为查询集合Q={q1, q2, ..., qn}，设基于规则的推荐算法为F，推荐结果为PC ，PC可以为0至m个，那么推荐任务形式化表述为PC=F(T, Q)；
（2）提取所有查询集合Q中的聚合窗口大小，表示为I={i1, i2, ..., in}；提取所有查询集合Q中的聚合函数，表示为G={g1, g2, ... gn}；
（3）基于规则的推荐算法F表示为：首先从历史查询中找出最小的interval，作为候选interval，即Ic = min(i1, i2, ..., in)，找出最小的interval Ic 之后，查找I中所有Ic的整倍数的interval，那么整数倍Interval的查询都用最小的interval来进行聚合，表示PCc同时服务于interval的查询，记为候选查询集合Qc；
从聚合函数中提取候选查询集合Qc包含的聚合函数Gc，通过DDL构建模块构造预计算创建语句：PCc = DDL(T，Ic, Gc)；
（4）从查询集合Q中剔除已经推荐过预计算的查询集合Qc，剩余的查询继续以步骤（3）中基于规则的推荐算法F进行操作，即PC=F(T, Q-Qc)，直到所有的查询都被推荐了预计算，算法结束。
5.根据权利要求4所述的一种基于规则的数据库预计算自治系统，其特征在于，在用户交互模块中，
请求并触发预计算：用户通过 DDL 发起对 db、schema、 table和sql不同级别的预计算自治请求；
自治建议查看：以列表形式展示每条预计算建议，同时展示每条建议的代价和收益；
应用操作：用户收到预计算建议后，判断是否接受所述预计算，若接收，则执行；不接受，则不执行；
对认为不合理的建议，则手动修改，直接执行。
6.一种基于规则的数据库预计算自治方法，其特征在于，具有如下步骤：
S1、采集数据；
S2、负载分析；
S3、预计算推荐；
S4、用户交互执行。
7.根据权利要求6所述的一种基于规则的数据库预计算自治方法，其特征在于，在步骤S1中，通过开关参数来控制是否打开采集数据功能，当开关打开时，采集数据库中的预计算元信息，使用了预计算的负载和未使用预计算的负载；
在步骤S2中，对步骤S1中采集的数据进行分析，生成推荐算法可用的数据结构。
8.根据权利要求7所述的一种基于规则的数据库预计算自治方法，其特征在于，在步骤S3中，使用预计算推荐算法进行操作，所述预计算推荐算法具体规则如下：
（1）假设待推荐预计算的目标表为T，所述目标表上的以时间窗口为分组列的用户查询语句表示为查询集合Q={q1, q2, ..., qn}，设基于规则的推荐算法为F，推荐结果为PC ，PC可以为0至m个，那么推荐任务形式化表述为PC=F(T, Q)；
（2）提取所有查询集合Q中的聚合窗口大小，表示为I={i1, i2, ..., in}；提取所有查询集合Q中的聚合函数，表示为G={g1, g2, ... gn}；
（3）基于规则的推荐算法F表示为：首先从历史查询中找出最小的interval，作为候选interval，即Ic = min(i1, i2, ..., in)，找出最小的interval Ic 之后，查找I中所有Ic的整倍数的interval，那么整数倍Interval的查询都用最小的interval来进行聚合，表示PCc同时服务于interval的查询，记为候选查询集合Qc；
从聚合函数中提取候选查询集合Qc包含的聚合函数Gc，通过DDL构建模块构造预计算创建语句：PCc = DDL(T，Ic, Gc)；
（4）从查询集合Q中剔除已经推荐过预计算的查询集合Qc，剩余的查询继续以步骤（3）中基于规则的推荐算法F进行操作，即PC=F(T, Q-Qc)，直到所有的查询都被推荐了预计算，算法结束。
9.根据权利要求7所述的一种基于规则的数据库预计算自治方法，其特征在于，在步骤S4中，用户收到预计算建议后，判断是否接受所述预计算，若接收，则执行；不接受，则不执行；
对认为不合理的建议，则手动修改，直接执行。
CN202311264818.XA 2023-09-28 2023-09-28 一种基于规则的数据库预计算自治系统及方法 Active CN117009385B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311264818.XA CN117009385B (zh) 2023-09-28 2023-09-28 一种基于规则的数据库预计算自治系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311264818.XA CN117009385B (zh) 2023-09-28 2023-09-28 一种基于规则的数据库预计算自治系统及方法

Publications (2)

Publication Number Publication Date
CN117009385A true CN117009385A (zh) 2023-11-07
CN117009385B CN117009385B (zh) 2024-01-19

Family

ID=88574662

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311264818.XA Active CN117009385B (zh) 2023-09-28 2023-09-28 一种基于规则的数据库预计算自治系统及方法

Country Status (1)

Country Link
CN (1) CN117009385B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190228094A1 (en) * 2018-01-25 2019-07-25 Amadeus S.A.S. Re-computing pre-computed query results
CN113505276A (zh) * 2021-06-21 2021-10-15 跬云(上海)信息科技有限公司 预计算模型的评分方法、装置、设备和存储介质
CN115794904A (zh) * 2022-12-01 2023-03-14 上海沄熹科技有限公司 一种时序数据库的预计算方法、系统及装置
CN116319770A (zh) * 2022-09-08 2023-06-23 浪潮软件集团有限公司 一种自适应云边端协同方法及装置
CN116483831A (zh) * 2023-04-12 2023-07-25 上海沄熹科技有限公司 一种分布式数据库推荐索引生成方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190228094A1 (en) * 2018-01-25 2019-07-25 Amadeus S.A.S. Re-computing pre-computed query results
CN113505276A (zh) * 2021-06-21 2021-10-15 跬云(上海)信息科技有限公司 预计算模型的评分方法、装置、设备和存储介质
CN116319770A (zh) * 2022-09-08 2023-06-23 浪潮软件集团有限公司 一种自适应云边端协同方法及装置
CN115794904A (zh) * 2022-12-01 2023-03-14 上海沄熹科技有限公司 一种时序数据库的预计算方法、系统及装置
CN116483831A (zh) * 2023-04-12 2023-07-25 上海沄熹科技有限公司 一种分布式数据库推荐索引生成方法

Also Published As

Publication number Publication date
CN117009385B (zh) 2024-01-19

Similar Documents

Publication Publication Date Title
US10216793B2 (en) Optimization of continuous queries in hybrid database and stream processing systems
Simitsis et al. Optimizing ETL processes in data warehouses
Volkovs et al. Continuous data cleaning
CN108280234B (zh) 数据查询方法及装置
US8224763B2 (en) Signal management system for building systems
US20160140174A1 (en) Data driven multi-provider pruning for query execution plan
US10754858B2 (en) Adaptive multi-index access plan for database queries
US11681282B2 (en) Systems and methods for determining relationships between defects
US7516131B2 (en) Method and apparatus for ranking-based information processing
US9594804B2 (en) Dynamic reordering of operations in a query plan
Greco et al. Certain query answering in partially consistent databases
CN117009385B (zh) 一种基于规则的数据库预计算自治系统及方法
US10191942B2 (en) Reducing comparisons for token-based entity resolution
CN111723076A (zh) 一种生成数据库索引的方法和装置
US20180113910A1 (en) Query management in database management systems
CN115794904A (zh) 一种时序数据库的预计算方法、系统及装置
CN104778253B (zh) 一种提供数据的方法和装置
Kougka et al. Declarative expression and optimization of data-intensive flows
Liu et al. Learning cp-nets structure from preference data streams
US20200167668A1 (en) Dynamic rule execution order
Karrar et al. Comparative Analysis of Data Cleaning Tools Using SQL Server and Winpure Tool
Yang et al. Standardization on bitemporal information representation in BCDM
Boehm et al. Squash: a tool for analyzing, tuning and refactoring relational database applications
CN117271581A (zh) 一种基于代价的数据库预计算自治方法及装置
Kurella Systematic literature review: Cost estimation in relational databases

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