CN118069620A - 数据库的故障预防方法、装置、计算机设备及存储介质 - Google Patents
数据库的故障预防方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN118069620A CN118069620A CN202311699215.2A CN202311699215A CN118069620A CN 118069620 A CN118069620 A CN 118069620A CN 202311699215 A CN202311699215 A CN 202311699215A CN 118069620 A CN118069620 A CN 118069620A
- Authority
- CN
- China
- Prior art keywords
- fault
- database
- predicted
- probability
- data
- 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
- 230000002265 prevention Effects 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012423 maintenance Methods 0.000 claims description 45
- 238000012549 training Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 15
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000000872 buffer Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Debugging And Monitoring (AREA)
Abstract
本申请涉及数据库技术领域,具体公开了一种数据库的故障预防方法、装置、计算机设备及存储介质。本申请通过故障预测模型将基于待预测数据库的运行数据生成的待分析运行曲线图与故障数据库的故障运行曲线图进行对比,获得预测故障类型以及预测故障概率,在故障概率达到阈值时,提醒用户进行数据库维护,提高了故障预测的准确度,用户能够及时对可能发生故障的数据库进行维护,降低了数据库的故障发生率,提高了数据库的稳定性。
Description
技术领域
本申请涉及数据库技术领域,尤其涉及一种数据库的故障预防方法、装置、计算机设备及存储介质。
背景技术
数据库作为信息化时代的核心技术之一数据库技术得到了快速发展和广泛应用。数据库系统已经成为企业信息管理的核心系统,但是随着数据量的不断增加和业务复杂度的提高,数据库故障问题也越来越突出。数据库故障可能导致企业业务中断、数据丢失、恶意攻击等问题,给企业带来巨大的损失和风险,因此,数据库的稳定性尤为重要,如何提高数据库的稳定性成为了亟需解决的问题。
发明内容
本申请提供了一种数据库的故障预防方法、装置、计算机设备及存储介质,以提高数据库的稳定性成。
第一方面,本申请提供了一种数据库的故障预防方法,所述方法包括:
采集待预测数据库的运行数据作为待分析数据,并基于所述待分析数据,生成待分析运行曲线图;
基于故障预测模型,将故障数据库的故障运行曲线图与所述待分析运行曲线图进行对比,获得所述待预测数据库的预测故障类型以及预测故障概率;
在所述预测故障概率达到预设概率阈值时,基于所述预测故障类型以及所述预测故障概率,生成故障预警,以提醒用户进行故障预防维护。
进一步地,所述基于故障预测模型,将故障数据库的故障运行曲线图与所述待分析运行曲线图进行对比,获得所述待预测数据库的预测故障类型以及预测故障概率,包括:
基于所述故障预测模型,将所述待分析运行曲线图与所述故障运行曲线图进行对比,获得所述待分析运行曲线图与所述故障运行曲线图的拟合度;
基于所述拟合度,获得所述待预测数据库与所述故障数据库的各个运行指标的匹配度;
基于预设的故障判断条件以及所述匹配度,确定所述待预测数据库的预测故障类型以及预测故障概率。
进一步地,所述基于预设的故障判断条件以及所述匹配度,确定所述待预测数据库的预测故障类型以及预测故障概率之前,还包括:
获取所述故障数据库的运行数据作为故障数据;
基于所述故障数据以及所述故障数据库的故障类型,生成所述故障判断条件。
进一步地,所述基于所述故障数据以及所述故障数据库的故障类型,生成所述故障判断条件,包括:
基于所述故障数据中各个所述运行指标与所述故障类型的相关度,确定故障判断指标;
基于预设的匹配度阈值以及所述故障判断指标,生成所述故障判断条件。
进一步地,所述在所述预测故障概率达到预设概率阈值时,基于所述预测故障类型以及所述预测故障概率,生成故障预警,以提醒用户进行故障预防维护,包括:
在所述预测故障概率达到预设概率阈值时,将所述待预测数据库确定为待维护数据库,并基于所述预测故障类型以及所述预测故障概率,生成故障预警;
接收用户基于所述故障预警生成的数据库维护指令;
基于所述数据库维护指令,对所述待维护数据库进行维护。
进一步地,所述在所述预测故障概率达到预设概率阈值时,基于所述预测故障类型以及所述预测故障概率,生成故障预警,以提醒用户进行故障预防维护之后,还包括:
接收用户基于所述故障预警以及所述待预测数据库的实际运行情况反馈的维护结果;
基于所述维护结果,对所述故障预测模型进行优化。
进一步地,所述基于故障预测模型,将故障数据库的故障运行曲线图与所述待分析运行曲线图进行对比,获得所述待预测数据库的预测故障类型以及预测故障概率之前,还包括:
基于所述故障数据库的故障数据和故障类型,对所述预训练模型进行训练,获得所述故障预测模型。
第二方面,本申请还提供了一种数据库的故障预防装置,所述装置包括:
待分析运行曲线图生成模块,用于采集待预测数据库的运行数据作为待分析数据,并基于所述待分析数据,生成待分析运行曲线图;
故障预测模块,用于基于故障预测模型,将故障数据库的故障运行曲线图与所述待分析运行曲线图进行对比,获得所述待预测数据库的预测故障类型以及预测故障概率;
故障预警生成模块,用于在所述预测故障概率达到预设概率阈值时,基于所述预测故障类型以及所述预测故障概率,生成故障预警,以提醒用户进行故障预防维护。
第三方面,本申请还提供了一种计算机设备,所述计算机设备包括存储器和处理器;所述存储器,用于存储计算机程序;所述处理器,用于执行所述计算机程序并在执行所述计算机程序时实现如上述的数据库的故障预防方法。
第四方面,本申请还提供了一种计算机可读存储介质,所述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使所述处理器实现如上述的数据库的故障预防方法。
本申请公开了一种数据库的故障预防方法、装置、计算机设备及存储介质,采集待预测数据库的运行数据作为待分析数据,并基于所述待分析数据,生成待分析运行曲线图;基于故障预测模型,将故障数据库的故障运行曲线图与所述待分析运行曲线图进行对比,获得所述待预测数据库的预测故障类型以及预测故障概率;在所述预测故障概率达到预设概率阈值时,基于所述预测故障类型以及所述预测故障概率,生成故障预警,以提醒用户进行故障预防维护。本申请通过故障预测模型将基于待预测数据库的运行数据生成的待分析运行曲线图与故障数据库的故障运行曲线图进行对比,获得预测故障类型以及预测故障概率,在故障概率达到阈值时,提醒用户进行数据库维护,提高了故障预测的准确度,用户能够及时对可能发生故障的数据库进行维护,降低了数据库的故障发生率,提高了数据库的稳定性。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例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申请的一些实施例,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。
图1是本申请的实施例提供的一种数据库的故障预防方法的第一实施例示意流程图;
图2是本申请的实施例提供的一种数据库的故障预防方法的第二实施例示意流程图;
图3是本申请的实施例提供的一种数据库的故障预防方法的第三实施例示意流程图;
图4为本申请的实施例提供的一种数据库的故障预防装置的示意性框图;
图5为本申请的实施例提供的一种计算机设备的结构示意性框图。
具体实施方式
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。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
本申请的实施例提供了一种数据库的故障预防方法、装置、计算机设备及存储介质。其中,该数据库的故障预防方法可以应用于服务器中,通过故障预测模型的预测结果,提醒用户对数据库进行维护,实现数据库故障预防,进而提高数据库的稳定性。其中,该服务器可以为独立的服务器,也可以为服务器集群。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
请参阅图1,图1是本申请的实施例提供的一种数据库的故障预防方法的示意流程图。该数据库的故障预防方法可应用于服务器中,用于过故障预测模型的预测结果,提醒用户对数据库进行维护,实现数据库故障预防,进而提高数据库的稳定性。
如图1所示,该数据库的故障预防方法具体包括步骤S101至步骤S103。
S101、采集待预测数据库的运行数据作为待分析数据,并基于所述待分析数据,生成待分析运行曲线图。
在一个实施例中,通过数据采集装置采集待分析数据库的运行数据作为待分析数据,包括环境信息(磁盘、内存、网络、CPU(Central Processing Unit,中央处理器)),配置信息(内存,用户,锁,空间),数据库信息(日志、TPS(Transactions Per Second,事务数/秒)、QPS(Queries Per Second,每秒查询率)、事务、锁),生成待分析运行曲线图。
在一个实施例中,数据采集装置:在部署数据库的节点上,同时部署数据采集服务,负载采集和上报数据,采集待预测数据库全面的环境数据以及运行情况,将各项数据提取为数据库特征指标上报到数据处理模块。具体来说采集的数据由以下几部分组成:环境信息,包括磁盘、网络、CPU、内存、进程状态等指标构成;数据库信息,包括数据库日志、数据库锁、数据库缓存区、数据库事务、请求个数等指标。
S102、基于故障预测模型,将故障数据库的故障运行曲线图与所述待分析运行曲线图进行对比,获得所述待预测数据库的预测故障类型以及预测故障概率。
在一个实施例中,故障运行曲线图为对故障数据库的故障数据进行分析获得的曲线图。
在一个实施例中,将待分析运行曲线与故障数据库的故障运行曲线进行对比,对各项指标进行匹配度打分。可以理解的是,当待分析曲线图与故障运行曲线图的匹配度较高时,表明当前的待分析数据库有一定的概率发生与上述故障运行曲线图对应的数据库故障。
进一步地,所述基于故障预测模型,将故障数据库的故障运行曲线图与所述待分析运行曲线图进行对比,获得所述待预测数据库的预测故障类型以及预测故障概率之前,还包括:基于所述故障数据库的故障数据和故障类型,对所述预训练模型进行训练,获得所述故障预测模型。
在一个实施例中,数据处理模块是中心化的服务,基于大数据实现,能够对采集到的大量数据进行有效地清洗、压缩和归类,将数据分解为各个实例的运行时和故障时数据,以及具体故障和故障类型,作为机器学习的输入。
在一个实施例中,机器学习模块:由机器学习和故障预测算法构成,通过采集和处理后的数据不断的训练,最终对于某个运行中的待预测数据库,完成以下两种故障预测:基于待预测数据库的历史运行指标和动态的运行规律进行故障预测;基于公有云上的全部数据库实例的运行规律,对待预测数据库进行故障预测。预测的结果可以包括故障内容、故障原因、以及故障发生概率。
在具体实施例中,获取故障数据库的故障数据和故障数据库的故障类型,该故障类型为经过确定的故障数据库的实际故障类型。
在具体实施例中,通过数据处理模块对故障数据进行处理,将故障数据作为预训练模型的输入参数,通过预训练模型对故障数据库的故障类型进行预测,获得预测结果。
在一个实施例中,将预测结果与已确定的故障类型进行对比,确定预训练模型的预测结果是否准确。可以理解的是,通过对大量故障数据库的故障的预测结果与正确的故障类型进行对比,可以获得预训练模型的预测准确率。
在一个实施例中,当预测准确率小于准确率阈值时,根据故障数据、预测结果、故障类型对预训练模型进行训练,直至预测准确率大于或等于准确率阈值,将此时的与训练模型作为故障预测模型。
S103、在所述预测故障概率达到预设概率阈值时,基于所述预测故障类型以及所述预测故障概率,生成故障预警,以提醒用户进行故障预防维护。
在一个实施例中,通过故障反馈模块将故障预警上报给用户,例如:由于磁盘老化的原因,待预测数据库近一个月内发生故障的概率达到故障概率阈值;用户收到该告警后,进行相关的维护处理,同时,用户可以根据实际情况进行故障反馈,例如故障预警已修复,或故障预警不准确,最后系统根据用户反馈的结果,不断强化学习,优化故障预警的准确性。
在一个实施例中,故障类型为当前待预测数据库可能发生的故障所属的类型。故障概率为当前待预测数据库发生上述故障类型的故障的概率。
在一个实施例中,在预测故障概率达到预设概率阈值时,根据预测故障类型以及预测故障概率生成故障预警,将该故障预警发送给用户,提醒用户该数据库存在故障风险,及时进行检查和维护。
在一个实施例中,故障预警中还可以包括维护建议,以提高用户维护效率。
进一步地,所述在所述预测故障概率达到预设概率阈值时,基于所述预测故障类型以及所述预测故障概率,生成故障预警,以提醒用户进行故障预防维护之后,还包括:接收用户基于所述故障预警以及所述待预测数据库的实际运行情况反馈的维护结果;基于所述维护结果,对所述故障预测模型进行优化。
在一个实施例中,故障预警发送给用户后,用户根据实际情况,进行故障处理,处理后进行反馈打分,并返回维护结果,例如,故障预警准确,或故障预警不准确,或故障预警已修复,最后系统根据云上大规模数据库用户反馈的结果,不断强化学习,优化提高故障预测模型的预测准确度。
请参阅图2,图2是本申请的实施例提供的一种数据库的故障预防方法的示意流程图。该数据库的故障预防方法可应用于服务器中,用于过故障预测模型的预测结果,提醒用户对数据库进行维护,实现数据库故障预防,进而提高数据库的稳定性。
如图2所示,该数据库的故障预防方法的所述步骤S102,具体包括步骤S201至步骤S203。
S201、基于所述故障预测模型,将所述待分析运行曲线图与所述故障运行曲线图进行对比,获得所述待分析运行曲线图与所述故障运行曲线图的拟合度;
S202、基于所述拟合度,获得所述待预测数据库与所述故障数据库的各个运行指标的匹配度;
S203、基于预设的故障判断条件以及所述匹配度,确定所述待预测数据库的预测故障类型以及预测故障概率。
在一个实施例中,通过故障预测模型对比待分析运行曲线图以及故障运行曲线图,获得待分析运行曲线图与故障运行曲线图之间的拟合度。其中,曲线拟合,就是使用某一个模型(或者称为方程式),将一系列的数据拟成平滑的曲线,以便观察两组数据之间的内在联系,了解数据之间的变化趋势。拟合度越好即表明故障预测模型预测的结果越准确。可以理解的是,故障数据库可以存在多个,每个故障数据库的故障类型可以不同,当待分析运行曲线图与故障运行曲线图拟合度越高,则表明与该待分析运行曲线图对应的待预测数据库发生与故障运行曲线图对应的故障数据库的相同故障的概率越大。
在一个实施例中,待分析运行曲线图与故障运行曲线图由相同运行指标的数据生成,根据待分析运行曲线图与故障运行曲线图的拟合情况,可以确定生成上述曲线图的各个指标之间的匹配度。
在一个实施例中,故障判断条件中包括各个故障类型的故障判断指标以及每个故障判断指标对应的匹配度阈值。根据故障判断条件以及运行指标的匹配度,确定待预测数据库的预测故障类型以及预测故障概率,例如,故障类型:磁盘故障,故障判断指标为磁盘占用率,则在运行指标中查找磁盘占用率,当磁盘占用率达到95%时则判定数据库故障为磁盘故障。
进一步地,所述基于预设的故障判断条件以及所述匹配度,确定所述待预测数据库的预测故障类型以及预测故障概率之前,还包括:获取所述故障数据库的运行数据作为故障数据;基于所述故障数据以及所述故障数据库的故障类型,生成所述故障判断条件。
进一步地,所述基于所述故障数据以及所述故障数据库的故障类型,生成所述故障判断条件,包括:基于所述故障数据中各个所述运行指标与所述故障类型的相关度,确定故障判断指标;基于预设的匹配度阈值以及所述故障判断指标,生成所述故障判断条件。
在一个实施例中,数据库故障检测和定义,根据数据库内部结合外部特征定义数据库故障,根据内部运行状态进行故障判断,如数据库进程状态、数据库日志,例如:检测到数据库进程中断,数据库日志服务异常,数据目录包含core文件。根据数据库性能指标,如TPS,QPS达到某个阈值,定义数据库性能故障状态,此外,可以根据外部连接状态进行故障判断,如数据库连接状态异常等。在数据库被定义为故障状态时,将采集数据定位为故障数据。
其中,TPS是事务数/秒。一个事务是指一个客户机向服务器发送请求然后服务器做出反应的过程。客户机在发送请求时开始计时,收到服务器响应后结束计时,以此来计算使用的时间和完成的事务个数。QPS是每秒查询率,是一台服务器每秒能够相应的查询次数,是对一个特定的查询服务器在规定时间内所处理流量多少的衡量标准,即每秒的响应请求数,也即是最大吞吐能力。
在一个实施例中,运行指标采集和特征提取,例如,机器环境信息:CPU使用率、内存使用率、磁盘I/O(nput/Output,输入/输出接口)使用率、网络I/O使用率、网络延迟;数据库运行信息:数据库日志、数据库缓冲区,数据库锁、数据库连接数、数据库负载均衡状态(TPS,QPS)。
在一个实施例中,机器故障学习,根据发生故障时的各项指标状态,定义故障来源的相关度,例如故障时,磁盘占用率从40%增长到95%,日志包含磁盘不足等异常,且网络I/O正常,则定义数据库故障和磁盘占有率高具有相关度,和网络状况不相关,提取相关度最高的指标,作为故障判断指标。
在另一实施例中,故障判断指标还可以根据用户预设的相关度阈值来确定,当某一指标与数据库故障的相关度达到该相关度阈值时,将该指标作为故障判断指标。
可以理解的是,运行指标可以包括磁盘占用率、内存情况、网络情况、CPU、日志、TPS、QPS、事务、锁等。故障判断指标可以是全部运行指标,也可以是部分运行指标,例如,某类故障与全部运行指标的相关度均达到相关度阈值,则将全部运行指标作为故障判断指标;某类故障仅与磁盘占用率相关,则只将磁盘占用率作为故障判断指标。
在一个实施例中,生成故障模型数据,通常包含故障判断条件-故障类型-故障概率。
请参阅图3,图3是本申请的实施例提供的一种数据库的故障预防方法的示意流程图。该数据库的故障预防方法可应用于服务器中,用于过故障预测模型的预测结果,提醒用户对数据库进行维护,实现数据库故障预防,进而提高数据库的稳定性。
如图3所示,该数据库的故障预防方法的所述步骤S103,具体包括步骤S301至步骤S303。
S301、在所述预测故障概率达到预设概率阈值时,将所述待预测数据库确定为待维护数据库,并基于所述预测故障类型以及所述预测故障概率,生成故障预警;
S302、接收用户基于所述故障预警生成的数据库维护指令;
S303、基于所述数据库维护指令,对所述待维护数据库进行维护。
在一个实施例中,预设概率阈值可以由用户自由设置;也可以通过机器学习算法对数据库的历史故障数据进行分析获得。
在一个实施例中,当预测故障概率大于或等于预设概率阈值时,确定上述待预测数据库为待维护数据库。
在一个实施例中,根据预测故障类型以及预测故障概率生成故障预警,例如,预测故障类型为磁盘故障,近一个月内发生故障的预测故障概率为90%。
在一个实施例中,故障预警中还可以包括针对上述预测故障类型的数据库维护方法,以供用户对数据库进行维护时参考。
在一个实施例中,用户在接收到故障预警后进行操作,生成数据库维护指令。在接收到数据库维护指令后对待维护数据库进行维护,以在数据库发生故障前进行维护,实现数据库的故障预防,提高了数据库的稳定性。
可以理解的是,当多个待维护数据库同时发出故障预警时,用户还可以根据预测故障概率选择概率较高的待维护数据库优先维护。
请参阅图4,图4是本申请的实施例提供一种数据库的故障预防装置的示意性框图,该数据库的故障预防装置用于执行前述的数据库的故障预防方法。其中,该数据库的故障预防装置可以配置于服务器。
如图4所示,该数据库的故障预防装置400,包括:
待分析运行曲线图生成模块401,用于采集待预测数据库的运行数据作为待分析数据,并基于所述待分析数据,生成待分析运行曲线图;
故障预测模块402,用于基于故障预测模型,将故障数据库的故障运行曲线图与所述待分析运行曲线图进行对比,获得所述待预测数据库的预测故障类型以及预测故障概率;
故障预警生成模块403,用于在所述预测故障概率达到预设概率阈值时,基于所述预测故障类型以及所述预测故障概率,生成故障预警,以提醒用户进行故障预防维护。
在一个实施例中,所述故障预测模块402,包括:
拟合度获得单元,用于基于所述故障预测模型,将所述待分析运行曲线图与所述故障运行曲线图进行对比,获得所述待分析运行曲线图与所述故障运行曲线图的拟合度;
匹配度获得单元,用于基于所述拟合度,获得所述待预测数据库与所述故障数据库的各个运行指标的匹配度;
故障确定单元,用于基于预设的故障判断条件以及所述匹配度,确定所述待预测数据库的预测故障类型以及预测故障概率。
在一个实施例中,所述故障预测模块402,还包括:
故障数据获取单元,用于获取所述故障数据库的运行数据作为故障数据;
故障判断条件生成单元,用于基于所述故障数据以及所述故障数据库的故障类型,生成所述故障判断条件。
在一个实施例中,所述故障判断条件生成单元,包括:
故障判断指标子单元,用于基于所述故障数据中各个所述运行指标与所述故障类型的相关度,确定故障判断指标;
故障判断条件生成子单元,用于基于预设的匹配度阈值以及所述故障判断指标,生成所述故障判断条件。
在一个实施例中,所述故障预警生成模块403,包括:
故障预警生成单元,用于在所述预测故障概率达到预设概率阈值时,将所述待预测数据库确定为待维护数据库,并基于所述预测故障类型以及所述预测故障概率,生成故障预警;
维护指令接收单元,用于接收用户基于所述故障预警生成的数据库维护指令;
数据库维护单元,用于基于所述数据库维护指令,对所述待维护数据库进行维护。
在一个实施例中,所述数据库的故障预防装置400,还包括模型优化模块,所述模型优化模块,包括:
评分接收单元,用于接收用户基于所述故障预警以及所述待预测数据库的实际运行情况反馈的维护结果;
模型优化单元,用于基于所述维护结果,对所述故障预测模型进行优化。
在一个实施例中,所述数据库的故障预防装置400,还包括:
故障预测模型获得模块,用于基于所述故障数据库的故障数据和故障类型,对所述预训练模型进行训练,获得所述故障预测模型。
需要说明的是,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和各模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
上述的装置可以实现为一种计算机程序的形式,该计算机程序可以在如图5所示的计算机设备上运行。
请参阅图5,图5是本申请的实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以是服务器。
参阅图5,该计算机设备包括通过系统总线连接的处理器、存储器和网络接口,其中,存储器可以包括非易失性存储介质和内存储器。
非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令,该程序指令被执行时,可使得处理器执行任意一种数据库的故障预防方法。
处理器用于提供计算和控制能力,支撑整个计算机设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境,该计算机程序被处理器执行时,可使得处理器执行任意一种数据库的故障预防方法。
该网络接口用于进行网络通信,如发送分配的任务等。本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
应当理解的是,处理器可以是中央处理单元(Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中,在一个实施例中,所述处理器用于运行存储在存储器中的计算机程序,以实现如下步骤:
采集待预测数据库的运行数据作为待分析数据,并基于所述待分析数据,生成待分析运行曲线图;
基于故障预测模型,将故障数据库的故障运行曲线图与所述待分析运行曲线图进行对比,获得所述待预测数据库的预测故障类型以及预测故障概率;
在所述预测故障概率达到预设概率阈值时,基于所述预测故障类型以及所述预测故障概率,生成故障预警,以提醒用户进行故障预防维护。
在一个实施例中,所述处理器在实现基于故障预测模型,将故障数据库的故障运行曲线图与所述待分析运行曲线图进行对比,获得所述待预测数据库的预测故障类型以及预测故障概率时,用于实现:
基于所述故障预测模型,将所述待分析运行曲线图与所述故障运行曲线图进行对比,获得所述待分析运行曲线图与所述故障运行曲线图的拟合度;
基于所述拟合度,获得所述待预测数据库与所述故障数据库的各个运行指标的匹配度;
基于预设的故障判断条件以及所述匹配度,确定所述待预测数据库的预测故障类型以及预测故障概率。
在一个实施例中,所述处理器在实现基于预设的故障判断条件以及所述匹配度,确定所述待预测数据库的预测故障类型以及预测故障概率之前,还用于实现:
获取所述故障数据库的运行数据作为故障数据;
基于所述故障数据以及所述故障数据库的故障类型,生成所述故障判断条件。
在一个实施例中,所述处理器在实现基于所述故障数据以及所述故障数据库的故障类型,生成所述故障判断条件时,用于实现:
基于所述故障数据中各个所述运行指标与所述故障类型的相关度,确定故障判断指标;
基于预设的匹配度阈值以及所述故障判断指标,生成所述故障判断条件。
在一个实施例中,所述处理器在实现在所述预测故障概率达到预设概率阈值时,基于所述预测故障类型以及所述预测故障概率,生成故障预警,以提醒用户进行故障预防维护时,用于实现:
在所述预测故障概率达到预设概率阈值时,将所述待预测数据库确定为待维护数据库,并基于所述预测故障类型以及所述预测故障概率,生成故障预警;
接收用户基于所述故障预警生成的数据库维护指令;
基于所述数据库维护指令,对所述待维护数据库进行维护。
在一个实施例中,所述处理器在实现在所述预测故障概率达到预设概率阈值时,基于所述预测故障类型以及所述预测故障概率,生成故障预警,以提醒用户进行故障预防维护之后,还用于实现:
接收用户基于所述故障预警以及所述待预测数据库的实际运行情况反馈的维护结果;
基于所述维护结果,对所述故障预测模型进行优化。
在一个实施例中,所述处理器在实现基于故障预测模型,将故障数据库的故障运行曲线图与所述待分析运行曲线图进行对比,获得所述待预测数据库的预测故障类型以及预测故障概率之前,还用于实现:
基于所述故障数据库的故障数据和故障类型,对所述预训练模型进行训练,获得所述故障预测模型。
本申请的实施例中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存储有计算机程序,所述计算机程序中包括程序指令,所述处理器执行所述程序指令,实现本申请实施例提供的任一项数据库的故障预防方法。
其中,所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元,例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备,例如所述计算机设备上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种数据库的故障预防方法,其特征在于,包括:
采集待预测数据库的运行数据作为待分析数据,并基于所述待分析数据,生成待分析运行曲线图;
基于故障预测模型,将故障数据库的故障运行曲线图与所述待分析运行曲线图进行对比,获得所述待预测数据库的预测故障类型以及预测故障概率;
在所述预测故障概率达到预设概率阈值时,基于所述预测故障类型以及所述预测故障概率,生成故障预警,以提醒用户进行故障预防维护。
2.根据权利要求1所述的数据库的故障预防方法,其特征在于,所述基于故障预测模型,将故障数据库的故障运行曲线图与所述待分析运行曲线图进行对比,获得所述待预测数据库的预测故障类型以及预测故障概率,包括:
基于所述故障预测模型,将所述待分析运行曲线图与所述故障运行曲线图进行对比,获得所述待分析运行曲线图与所述故障运行曲线图的拟合度;
基于所述拟合度,获得所述待预测数据库与所述故障数据库的各个运行指标的匹配度;
基于预设的故障判断条件以及所述匹配度,确定所述待预测数据库的预测故障类型以及预测故障概率。
3.根据权利要求2所述的数据库的故障预防方法,其特征在于,所述基于预设的故障判断条件以及所述匹配度,确定所述待预测数据库的预测故障类型以及预测故障概率之前,还包括:
获取所述故障数据库的运行数据作为故障数据;
基于所述故障数据以及所述故障数据库的故障类型,生成所述故障判断条件。
4.根据权利要求3所述的数据库的故障预防方法,其特征在于,所述基于所述故障数据以及所述故障数据库的故障类型,生成所述故障判断条件,包括:
基于所述故障数据中各个所述运行指标与所述故障类型的相关度,确定故障判断指标;
基于预设的匹配度阈值以及所述故障判断指标,生成所述故障判断条件。
5.根据权利要求1所述的数据库的故障预防方法,其特征在于,所述在所述预测故障概率达到预设概率阈值时,基于所述预测故障类型以及所述预测故障概率,生成故障预警,以提醒用户进行故障预防维护,包括:
在所述预测故障概率达到预设概率阈值时,将所述待预测数据库确定为待维护数据库,并基于所述预测故障类型以及所述预测故障概率,生成故障预警;
接收用户基于所述故障预警生成的数据库维护指令;
基于所述数据库维护指令,对所述待维护数据库进行维护。
6.根据权利要求1所述的数据库的故障预防方法,其特征在于,所述在所述预测故障概率达到预设概率阈值时,基于所述预测故障类型以及所述预测故障概率,生成故障预警,以提醒用户进行故障预防维护之后,还包括:
接收用户基于所述故障预警以及所述待预测数据库的实际运行情况反馈的维护结果;
基于所述维护结果,对所述故障预测模型进行优化。
7.根据权利要求1至6任一项所述的数据库的故障预防方法,其特征在于,所述基于故障预测模型,将故障数据库的故障运行曲线图与所述待分析运行曲线图进行对比,获得所述待预测数据库的预测故障类型以及预测故障概率之前,还包括:
基于所述故障数据库的故障数据和故障类型,对所述预训练模型进行训练,获得所述故障预测模型。
8.一种数据库的故障预防装置,其特征在于,包括:
待分析运行曲线图生成模块,用于采集待预测数据库的运行数据作为待分析数据,并基于所述待分析数据,生成待分析运行曲线图;
故障预测模块,用于基于故障预测模型,将故障数据库的故障运行曲线图与所述待分析运行曲线图进行对比,获得所述待预测数据库的预测故障类型以及预测故障概率;
故障预警生成模块,用于在所述预测故障概率达到预设概率阈值时,基于所述预测故障类型以及所述预测故障概率,生成故障预警,以提醒用户进行故障预防维护。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至7中任一项所述的数据库的故障预防方法。
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存储有计算机程序,所述计算机程序被处理器执行时使所述处理器实现如权利要求1至7中任一项所述的数据库的故障预防方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311699215.2A CN118069620A (zh) | 2023-12-12 | 2023-12-12 | 数据库的故障预防方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311699215.2A CN118069620A (zh) | 2023-12-12 | 2023-12-12 | 数据库的故障预防方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118069620A true CN118069620A (zh) | 2024-05-24 |
Family
ID=91103003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311699215.2A Pending CN118069620A (zh) | 2023-12-12 | 2023-12-12 | 数据库的故障预防方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118069620A (zh) |
-
2023
- 2023-12-12 CN CN202311699215.2A patent/CN118069620A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110708204B (zh) | 一种基于运维知识库的异常处理方法、系统、终端及介质 | |
CN103513983B (zh) | 用于预测性警报阈值确定工具的方法和系统 | |
US7693982B2 (en) | Automated diagnosis and forecasting of service level objective states | |
US9298538B2 (en) | Methods and systems for abnormality analysis of streamed log data | |
US20180300650A1 (en) | Distributed data variable analysis and hierarchical grouping system | |
CN107924360B (zh) | 计算系统中的诊断框架 | |
CN111045894B (zh) | 数据库异常检测方法、装置、计算机设备和存储介质 | |
CN111444060B (zh) | 异常检测模型训练方法、异常检测方法及相关装置 | |
CN112882911B (zh) | 异常性能行为检测方法、系统、装置及存储介质 | |
CN114465874B (zh) | 故障预测方法、装置、电子设备与存储介质 | |
RU2716029C1 (ru) | Система мониторинга качества и процессов на базе машинного обучения | |
US9489379B1 (en) | Predicting data unavailability and data loss events in large database systems | |
CN114267178A (zh) | 一种车站的智能运营维护方法及装置 | |
US11392577B2 (en) | Real-time anomaly detection | |
Nguyen et al. | Detecting rumours with latency guarantees using massive streaming data | |
US9116804B2 (en) | Transient detection for predictive health management of data processing systems | |
JP2009181496A (ja) | ジョブ処理システムおよびジョブ管理方法 | |
CN113835918A (zh) | 一种服务器故障分析方法及装置 | |
CN111783883A (zh) | 一种异常数据的检测方法及装置 | |
EP4033421B1 (en) | Method and system for predicting a failure of a monitored entity | |
CN115564410A (zh) | 一种继电保护设备的状态监测方法及装置 | |
CN118069620A (zh) | 数据库的故障预防方法、装置、计算机设备及存储介质 | |
CN114760190A (zh) | 一种面向服务的融合网络性能异常检测方法 | |
CN116841792B (zh) | 一种应用程序开发故障修复方法 | |
CN116149971B (zh) | 设备故障预测方法、装置、电子设备及存储介质 |
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 |