WO2021184554A1 - 数据库异常监测方法、装置、计算机装置及存储介质 - Google Patents

数据库异常监测方法、装置、计算机装置及存储介质 Download PDF

Info

Publication number
WO2021184554A1
WO2021184554A1 PCT/CN2020/093331 CN2020093331W WO2021184554A1 WO 2021184554 A1 WO2021184554 A1 WO 2021184554A1 CN 2020093331 W CN2020093331 W CN 2020093331W WO 2021184554 A1 WO2021184554 A1 WO 2021184554A1
Authority
WO
WIPO (PCT)
Prior art keywords
monitoring
data
model
database
algorithm
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.)
Ceased
Application number
PCT/CN2020/093331
Other languages
English (en)
French (fr)
Inventor
阮思纯
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Publication of WO2021184554A1 publication Critical patent/WO2021184554A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3466—Performance evaluation by tracing or monitoring
    • G06F11/3495—Performance evaluation by tracing or monitoring for systems
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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

Definitions

  • This application relates to the field of database technology in the field of big data technology, and specifically relates to a database abnormality monitoring method, a database abnormality monitoring device, a computer device, and a computer-readable storage medium.
  • the first aspect of the present application provides a database abnormality monitoring method, the method includes:
  • Traverse multiple algorithm models in the algorithm model pool use the sample data set to train a database monitoring sub-model for each data indicator category, and calculate the weight corresponding to each database monitoring sub-model;
  • the target database monitoring model is updated based on each monitoring data in the current monitoring period and the corresponding abnormality level, and based on the updated target database monitoring model, multiple monitoring data in the database in the next monitoring period
  • the database is used for abnormal monitoring.
  • the second aspect of the present application provides a database abnormality monitoring device, including:
  • the data acquisition module is used to acquire multiple monitoring data in the database in the previous monitoring period, identify the data index category corresponding to each monitoring data, and calculate the abnormality level of each monitoring data;
  • the model training module is used to take all the monitoring data and anomaly levels corresponding to each data indicator category as a sample data set; traverse multiple algorithm models in the algorithm model pool, and use the sample data set as each data indicator category Train a database monitoring sub-model, and calculate the corresponding weight of each database monitoring sub-model; generate the target database monitoring model according to each database monitoring sub-model and the corresponding weight;
  • the abnormality monitoring module is used to obtain multiple monitoring data in the database in the current monitoring period, and calculate the abnormality level of each monitoring data in the current monitoring period through the target database monitoring model;
  • the update module is used to update the target database monitoring model based on each monitoring data and the corresponding abnormality level in the current monitoring period.
  • a third aspect of the present application provides a computer device that includes a memory and a processor, and the processor is configured to execute the computer-readable instructions stored in the memory to implement the following steps:
  • Traverse multiple algorithm models in the algorithm model pool use the sample data set to train a database monitoring sub-model for each data indicator category, and calculate the weight corresponding to each database monitoring sub-model;
  • the target database monitoring model is updated based on each monitoring data in the current monitoring period and the corresponding abnormality level, and based on the updated target database monitoring model, multiple monitoring data in the database in the next monitoring period
  • the database is used for abnormal monitoring.
  • the fourth aspect of the present application provides one or more readable storage media storing computer readable instructions.
  • the computer readable instructions When executed by one or more processors, the one or more processors execute the following step:
  • Traverse multiple algorithm models in the algorithm model pool use the sample data set to train a database monitoring sub-model for each data indicator category, and calculate the weight corresponding to each database monitoring sub-model;
  • the target database monitoring model is updated based on each monitoring data in the current monitoring period and the corresponding abnormality level, and based on the updated target database monitoring model, multiple monitoring data in the database in the next monitoring period
  • the database is used for abnormal monitoring.
  • This application uses the monitoring data of the database to perform adaptive learning to generate a database monitoring model, and the database abnormalities are automatically monitored through the monitoring model, so that the abnormal monitoring of the database is more accurate and intelligent.
  • the database monitoring model is also updated in real time with the monitoring data, so that the model is continuously improved and the accuracy of database abnormality monitoring is continuously improved.
  • Fig. 1 is a flowchart of a database abnormality monitoring method provided by an embodiment of the present application.
  • Fig. 2 is a schematic structural diagram of a database abnormality monitoring device provided by an embodiment of the present application.
  • Fig. 3 is a schematic diagram of a computer device provided by an embodiment of the present application.
  • the database abnormality monitoring method of this application is applied to one or more computer devices.
  • the computer device is a device that can automatically perform numerical calculation and/or information processing in accordance with pre-set or stored instructions. Its hardware includes, but is not limited to, a microprocessor and an application specific integrated circuit (ASIC) , Programmable Gate Array (Field-Programmable Gate Array, FPGA), Digital Processor (Digital Signal Processor, DSP), embedded equipment, etc.
  • ASIC application specific integrated circuit
  • FPGA Field-Programmable Gate Array
  • DSP Digital Processor
  • embedded equipment etc.
  • the computer device may be an electronic device such as a desktop computer, a notebook computer, a tablet computer, and a cloud server.
  • the computer device can interact with the user through a keyboard, a mouse, a remote control, a touch panel, or a voice control device.
  • the computer device may also establish a communication connection with at least one other electronic device through a network, where the network may be a wired network or a wireless network, such as radio, wireless fidelity (WIFI), cellular, satellite , Broadcasting, etc.
  • WIFI wireless fidelity
  • FIG. 1 is a flowchart of a database abnormality monitoring method provided by an embodiment of the present application. According to different needs, the order of the steps in the flowchart can be changed, and some steps can be omitted.
  • Step S11 Obtain multiple monitoring data from the database in the previous monitoring period.
  • the monitoring data of the database refers to monitoring data capable of reflecting and evaluating abnormal conditions of the database, and may include, but not limited to, various monitoring data such as CPU usage rate, shared pool hit rate, log buffer size, and table space fragmentation rate.
  • the monitoring data of the database may be collected by deploying Agent.
  • the duration of the monitoring period can be set as required, and this application does not make specific restrictions on this.
  • the monitoring period can be one day, one week, or one month.
  • Step S12 Identify the data index category corresponding to each monitoring data, and calculate the abnormality level of each monitoring data.
  • the data indicator categories corresponding to the monitoring data include, but are not limited to: compliance indicators, safety indicators, capacity indicators, performance indicators, and alarm condition indicators.
  • the compliance indicators include, but are not limited to, rule indicators that specify database-related parameters, for example, the storage location of the table space of the database.
  • the security indicators include, but are not limited to, monitoring data used to limit database-related permissions, such as tablespace access permissions.
  • the capacity index includes, but is not limited to, monitoring data used to display the relevant storage capacity of the database, such as file size, storage capacity of storage space, and so on.
  • Performance indicators refer to various monitoring data that reflect the performance of the database, such as CPU usage and response time.
  • Alarm condition indicators include various database alarm information, etc.
  • the method for determining the data indicator category corresponding to the monitoring data is: obtaining a classification learning model, inputting the monitoring data to the classification learning model, and determining the data corresponding to the monitoring data through the classification learning model Indicator category.
  • the method before determining the data indicator list corresponding to the monitoring data, the method further includes training the classification learning model.
  • the method of training the learning model includes:
  • the classified sample set including monitoring data and data indicator category labels corresponding to the monitoring data;
  • a classification learning model is established, the training set is used to train the classification learning model, and the verification set is used to verify the classification learning model, and the classification learning model is used to output the data index category corresponding to each monitoring data.
  • the classification learning model may be a classification model such as a support vector machine model and a naive Bayes classification model.
  • the method for identifying the data indicator category corresponding to the monitoring data is: comparing the monitoring data with category keywords in a pre-established category keyword library, wherein the category keywords The corresponding relationship between category keywords and data indicator categories is stored in the library; when there is content matching the category keywords in the monitoring data, the data indicator category corresponding to the category keyword is determined, and the data indicator The category is determined as the monitoring indicator category corresponding to the monitoring data.
  • the monitoring data of different data index categories and different numerical ranges can reflect the abnormality of the database to different degrees. For example, a CPU usage rate of 100% means that the database is abnormal, and a CPU usage rate of 5% means that the database is not abnormal. Therefore, each monitoring data corresponds to the abnormal level of the database.
  • calculating the abnormality level of each monitoring data is determined according to a preset stored abnormality level correspondence table, and the corresponding relationship between the monitoring data and the abnormality level is stored in the relationship table.
  • the abnormality level of the monitoring data may also be determined manually.
  • the abnormality level may be presented in the form of score value, level name, and the like.
  • Step S13 Generate a sample data set for all monitoring data and abnormality levels corresponding to each data indicator category.
  • the monitoring data corresponding to some data index categories are non-numerical.
  • the results of the monitoring index of whether the database is available are divided into available and unavailable. Therefore, the method further includes: converting the non-numerical monitoring data corresponding to the monitoring index into numerical data.
  • the method of converting non-numerical monitoring data into numerical data is to use the map function in the computer-readable instruction language to map the non-numerical data to the corresponding numerical data.
  • the non-numerical data of "available” is converted into numerical data "1", and the unavailable is converted to 0.
  • the health results of the database are also converted from non-numerical data to digitized data. For example, the database health is 1 and unhealthy is 0.
  • the method described in some embodiments of this application further includes the following steps:
  • the value of the monitoring data is standardized.
  • the numerical standardization of the monitoring data is processed by the Z-score method, and the specific formula is as follows:
  • x is the data before standardization
  • x* is the data after standardization
  • ⁇ is the mean value
  • ⁇ is the variance
  • the method may further include: performing dimensionality reduction processing on the monitoring data in the sample data set.
  • the method of dimensionality reduction processing is principal component analysis.
  • Principal component analysis is a statistical process that transforms the original n-dimensional data set into a new data set called principal component through orthogonal transformation.
  • the first principal component has the largest variance value
  • each subsequent component has the largest variance under the restriction of orthogonality to the aforementioned principal component.
  • only the first m (m ⁇ n) principal components can be saved to maintain the maximum amount of data information.
  • x 1 , x 2 ,..., x n be n check indicators, and calculate their covariance matrix as follows:
  • the dimensionality reduction processing method is a reverse feature elimination method.
  • all classification algorithms are first trained with n features. For each dimensionality reduction operation, use n-1 features to train the classifier n times to obtain n new classifiers.
  • the n-1 dimensional features used by the classifier with the smallest error rate change in the new classifier are used as the feature set after dimensionality reduction. Continue to iterate on the process to get the result after dimensionality reduction.
  • the n-k dimension feature classifier is obtained during the kth iteration.
  • Step S14 Traverse multiple algorithm models in the algorithm model pool, use the sample data set to train a database monitoring sub-model for each data indicator category, and calculate the weight corresponding to each database monitoring sub-model, according to each database Monitoring sub-models and corresponding weights generate target database monitoring models.
  • the multiple algorithm models in the traversal algorithm model pool, and training a database monitoring sub-model for each data indicator category using the sample data set includes:
  • one of the algorithm models is determined based on the training parameters of each algorithm model as the database monitoring sub-model corresponding to the monitoring index category, wherein the training parameters include at least one of the following: The time it takes to train the model and the output accuracy of the model.
  • the algorithm models in the algorithm pool include, but are not limited to, deep learning algorithm models such as neural network algorithm models and logistic regression algorithm models.
  • the performance of each of the trained algorithm models is compared, and a preferred algorithm model that meets the model performance requirements is selected in the algorithm pool according to the preset model performance requirements.
  • a preferred algorithm model for the category is selected, so as to obtain the database monitoring sub-model corresponding to the category.
  • the above-mentioned sample data set is used for training to obtain the weight corresponding to each database monitoring sub-model.
  • Step S15 Obtain multiple monitoring data in the database in the current monitoring period, and calculate the abnormal level of each monitoring data in the current monitoring period through the target database monitoring model.
  • the current abnormality level of the database can be obtained by inputting the database monitoring data obtained in the current monitoring period into the target database monitoring model.
  • the method when the abnormality level reaches a preset alarm standard, the method further includes: generating abnormal alarm information in a database and sending it to a preset person in a preset manner.
  • a database abnormality warning message is generated.
  • the abnormality level of the database is a 100-point system, and the abnormality level of the database output by the model corresponds to a score of 50 points.
  • an abnormal warning message is generated and sent via SMS, email, etc. Send to the preset personnel in a way.
  • Step S16 Update the target database monitoring model based on each monitoring data in the current monitoring period and the corresponding abnormality level, and use multiple monitoring in the database in the next monitoring period based on the updated target database monitoring model The data performs abnormal monitoring on the database.
  • This application uses the monitoring data of the database to perform adaptive learning to generate a database monitoring model, and the database abnormalities are automatically monitored through the monitoring model, so that the abnormal monitoring of the database is more accurate and intelligent.
  • the database monitoring model is also updated in real time with the monitoring data, so that the model is continuously improved and the accuracy of database abnormality monitoring is continuously improved.
  • Figure 1 above describes the database abnormality monitoring method of the present application in detail.
  • the following describes the functional modules of the software device that implements the database abnormality monitoring method and the hardware device architecture that implements the database abnormality monitoring method in conjunction with Figures 2-3. .
  • Fig. 3 is a structural diagram of a preferred embodiment of a database abnormality monitoring device according to the present application.
  • the database abnormality monitoring device 10 runs in at least one computer device.
  • the database abnormality monitoring device 10 may include multiple functional modules composed of program code segments.
  • the program code of each program segment in the database abnormality monitoring device 10 can be stored in the memory of the at least one computer device shown and executed by the at least one processor to realize the database abnormality monitoring function.
  • the database abnormality monitoring device 10 can be divided into multiple functional modules according to the functions it performs.
  • the functional modules may include: a data acquisition module 101, a model training module 102, an abnormality monitoring module 103, and an update module 104.
  • the module referred to in this application refers to a series of computer-readable instruction segments that can be executed by at least one processor and can complete fixed functions, and are stored in a memory.
  • the functions of each module will be described in detail in subsequent embodiments.
  • the data acquisition module 101, the model training module 102, the abnormality monitoring module 103, and the update module 104 all run in the same computer device.
  • the data acquisition module 101 and the abnormality monitoring module 103 run in a computer device
  • the model training module 102 and the update module 104 run in another computer device.
  • the data acquisition module 101 acquires multiple monitoring data in the database in the previous monitoring period, identifies the data index category corresponding to each monitoring data, and calculates the abnormality level of each monitoring data.
  • the monitoring data of the database refers to monitoring data capable of reflecting and evaluating abnormal conditions of the database, and may include, but not limited to, various monitoring data such as CPU usage rate, shared pool hit rate, log buffer size, and table space fragmentation rate.
  • the monitoring data of the database may be collected by deploying Agent.
  • the duration of the monitoring period can be set as required, and this application does not make specific restrictions on this.
  • the monitoring period can be one day, one week, or one month.
  • the data indicator categories corresponding to the monitoring data include, but are not limited to: compliance indicators, safety indicators, capacity indicators, performance indicators, and alarm condition indicators.
  • the compliance indicators include, but are not limited to, rule indicators that specify database-related parameters, for example, the storage location of the table space of the database.
  • the security indicators include, but are not limited to, monitoring data used to limit database-related permissions, such as tablespace access permissions.
  • the capacity index includes, but is not limited to, monitoring data used to display the relevant storage capacity of the database, such as file size, storage capacity of storage space, and so on.
  • Performance indicators refer to various monitoring data that reflect the performance of the database, such as CPU usage and response time.
  • Alarm condition indicators include various database alarm information, etc.
  • the data acquisition module 101 determining the data indicator category corresponding to the monitoring data includes: acquiring a classification learning model, inputting the monitoring data to the classification learning model, and determining the monitoring data through the classification learning model.
  • the data indicator category corresponding to the data includes: acquiring a classification learning model, inputting the monitoring data to the classification learning model, and determining the monitoring data through the classification learning model.
  • the data acquisition module 101 before determining the data indicator list corresponding to the monitoring data, the data acquisition module 101 further trains the classification learning model.
  • training the learning model includes: obtaining a classification sample set that includes monitoring data and data indicator category labels corresponding to the monitoring data; dividing the classification sample set into a training set and a validation set according to a preset ratio Establish a classification learning model, use the training set to train the classification learning model, and use the verification set to verify the classification learning model, the classification learning model is used to output the data index category corresponding to each monitoring data .
  • the model training module 102 is configured to use all the monitoring data and anomaly levels corresponding to each data indicator category as a sample data set, traverse multiple algorithm models in the algorithm model pool, and use the sample data set as each type of data.
  • the index category trains a database monitoring sub-model, and calculates the corresponding weight of each database monitoring sub-model, and generates the target database monitoring model according to each database monitoring sub-model and the corresponding weight.
  • the traversal of multiple algorithm models in the traversal algorithm model pool of the model training module 102, using the sample data set to train a database monitoring sub-model for each data indicator category includes:
  • one of the algorithm models is determined based on the training parameters of each algorithm model as the database monitoring sub-model corresponding to the monitoring index category, wherein the training parameters include at least one of the following: The time it takes to train the model and the output accuracy of the model.
  • the algorithm models in the algorithm pool include, but are not limited to, deep learning algorithm models such as neural network algorithm models and logistic regression algorithm models.
  • the performance of each of the trained algorithm models is compared, and a preferred algorithm model that meets the model performance requirements is selected in the algorithm pool according to the preset model performance requirements.
  • a preferred algorithm model for the category is selected, so as to obtain the database monitoring sub-model corresponding to the category.
  • the above-mentioned sample data set is used for training to obtain the weight corresponding to each database monitoring sub-model.
  • the abnormality monitoring module 103 is configured to obtain multiple monitoring data in the database in the current monitoring period, and calculate the abnormality level of each monitoring data in the current monitoring period through the target database monitoring model.
  • the update module 104 is configured to update the target database monitoring model based on each monitoring data and corresponding abnormality level in the current monitoring period.
  • FIG. 4 is a schematic diagram of a preferred embodiment of the computer device of this application.
  • the computer device 1 includes a memory 20, a processor 30, and computer-readable instructions 40 stored in the memory 20 and running on the processor 30, such as a database abnormality monitoring program.
  • the processor 30 implements the steps in the embodiment of the database abnormality monitoring method when the processor 30 executes the computer-readable instruction 40, such as steps S11 to S16 shown in FIG. 1.
  • the processor 30 executes the computer-readable instruction 40, the function of each module/unit in the embodiment of the database abnormality monitoring device is realized, for example, the modules 101-104 in FIG. 2.
  • the computer-readable instructions 40 may be divided into one or more modules/units, and the one or more modules/units are stored in the memory 20 and executed by the processor 30, To complete this application.
  • the one or more modules/units may be an instruction segment of a series of computer-readable instructions capable of completing specific functions, and the instruction segment is used to describe the execution process of the computer-readable instruction 40 in the computer device 1 .
  • the computer-readable instructions 40 may be divided into modules in FIG. 2.
  • the computer device 1 may be a computing device such as a desktop computer and a cloud server. Those skilled in the art can understand that the schematic diagram is only an example of the computer device 1 and does not constitute a limitation on the computer device 1. Components, for example, the computer device 1 may also include input and output devices, network access devices, buses, and so on.
  • the so-called processor 30 may be a central processing unit (Central Processing Unit, CPU), other general processors, digital signal processors (Digital Signal Processor, DSP), application specific integrated circuits (Application Specific Integrated Circuit, ASIC), Ready-made programmable gate array (Field-Programmable Gate Array, FPGA) or other programmable logic devices, discrete gates or transistor logic devices, discrete hardware components, etc.
  • the general-purpose processor can be a microprocessor or the processor 30 can also be any conventional processor, etc.
  • the processor 30 is the control center of the computer device 1 and connects the entire computer device 1 with various interfaces and lines. Parts.
  • the memory 20 may be used to store the computer-readable instructions 40 and/or modules/units, and the processor 30 can run or execute the computer-readable instructions and/or modules/units stored in the memory 20, and
  • the data stored in the memory 20 is called to realize various functions of the computer device 1.
  • the memory 20 may mainly include a storage program area and a storage data area.
  • the storage program area may store an operating system, an application program required by at least one function (such as a sound playback function, an image playback function, etc.), etc.; the storage data area may Data (such as audio data, phone book, etc.) created in accordance with the use of the computer device 1 and the like are stored.
  • the memory 20 may include a high-speed random access memory, and may also include a non-volatile memory or/and a volatile memory.
  • the non-volatile memory may include, for example, a hard disk, a memory, a plug-in hard disk, and a smart memory card (Smart Media Card, SMC), Secure Digital (SD) card, Flash Card, at least one magnetic disk storage device, flash memory device, or other non-volatile solid state storage device.
  • Volatile memory may include random access memory (RAM) or external cache memory.
  • one or more readable storage media storing computer readable instructions are provided.
  • the readable storage media provided in this embodiment include non-volatile readable storage media and volatile readable storage.
  • Medium; the readable storage medium stores computer readable instructions, when the computer readable instructions are executed by one or more processors, the one or more processors execute the above-mentioned embodiment of the database abnormality monitoring method step. To avoid repetition, I won’t repeat them here.
  • a person of ordinary skill in the art can understand that all or part of the processes in the above-mentioned embodiment methods can be implemented by instructing relevant hardware through computer-readable instructions, which can be stored in a non-volatile readable storage.
  • the medium may also be stored in a volatile readable storage medium, and when the computer readable instructions are executed, they may include the processes of the above-mentioned method embodiments.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Debugging And Monitoring (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请涉及大数据技术领域，本申请提供一种数据库异常监测方法，包括：获取上一监测周期内数据库的监测数据；确定每个监测数据数据指标列表和异常等级；将每个数据指标类别的所有监测数据和异常等级生成样本数据集；利用样本数据集为每一数据指标类别训练数据库监测子模型，根据每一数据库监测子模型及对应的权重生成目标数据库监测模型；获取当前监测周期内监测数据，通过目标数据库监测模型计算当前监测周期内数据库异常等级；基于当前监测周期内监测数据及异常等级更新目标数据库监测模型，并基于更新后的模型对数据库进行异常监测。本申请还提供一种数据库异常监测装置、计算机装置及可读存储介质。本申请能够准确、智能的监测数据库异常。

Description

数据库异常监测方法、装置、计算机装置及存储介质
本申请要求于2020年3月18日提交中国专利局、申请号为202010192822.X，申请名称为“数据库异常监测方法、装置、计算机装置及存储介质”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请涉及大数据技术领域中的数据库技术领域，具体涉及一种数据库异常监测方法、数据库异常监测装置、计算机装置及计算机可读存储介质。
背景技术
随着数据的指数式爆发增长，数据库作为存储管理数据的主要角色，压力与日俱增，一旦数据库出现异常，数据不能被正常的读取和存储，会给系统带来巨大影响，因此，运维人员通常需要人工对数据库进行异常监测。发明人意识到目前对数据库的异常监测准确率不高，不够智能化。
申请内容
鉴于以上内容，有必要提出一种数据库异常监测方法、装置、计算机装置和计算机可读存储介质，以准确、智能的监测数据库的异常。
本申请的第一方面提供一种数据库异常监测方法，所述方法包括：
获取上一监测周期内数据库的多个监测数据；
识别每个监测数据对应的数据指标类别，并计算每个监测数据的异常等级；
将每个数据指标类别对应的所有监测数据和异常等级作为一个样本数据集；
遍历算法模型池中的多个算法模型，利用所述样本数据集为每一种数据指标类别训练一个数据库监测子模型，并计算每一数据库监测子模型对应的权重；
根据每一数据库监测子模型及对应的权重生成目标数据库监测模型；
获取当前监测周期内所述数据库中的多个监测数据，并通过所述目标数据库监测模型计算当前监测周期内每个监测数据的异常等级；
基于所述当前监测周期内每个监测数据及对应的异常等级更新所述目标数据库监测模型，并基于更新后的目标数据库监测模型利用下一监测周期内所述数据库中的多个监测数据对所述数据库进行异常监测。
本申请的第二方面提供一种数据库异常监测装置，包括：
数据获取模块，用于获取上一监测周期内数据库的多个监测数据，识别每个监测数据对应的数据指标类别，并计算每个监测数据的异常等级；
模型训练模块，用于将每个数据指标类别对应的所有监测数据和异常等级作为一个样本数据集；遍历算法模型池中的多个算法模型，利用所述样本数据集为每一种数据指标类别训练一个数据库监测子模型，并计算每一数据库监测子模型对应的权重；根据每一数据库监测子模型及对应的权重生成目标数据库监测模型；
异常监测模块，用于获取当前监测周期内所述数据库中的多个监测数据，并通过所述目标数据库监测模型计算当前监测周期内每个监测数据的异常等级；
更新模块，用于基于所述当前监测周期内每个监测数据及对应的异常等级更新所述目标数据库监测模型。
本申请的第三方面提供一种计算机装置，所述计算机装置包括存储器和处理器，所述处理器用于执行存储器中存储的计算机可读指令时实现如下步骤：
获取上一监测周期内数据库的多个监测数据；
识别每个监测数据对应的数据指标类别，并计算每个监测数据的异常等级；
将每个数据指标类别对应的所有监测数据和异常等级生成一个样本数据集；
遍历算法模型池中的多个算法模型，利用所述样本数据集为每一种数据指标类别训练一个数据库监测子模型，并计算每一数据库监测子模型对应的权重；
根据每一数据库监测子模型及对应的权重生成目标数据库监测模型；
获取当前监测周期内所述数据库中的多个监测数据，并通过所述目标数据库监测模型计算当前监测周期内每个监测数据的异常等级；
基于所述当前监测周期内每个监测数据及对应的异常等级更新所述目标数据库监测模型，并基于更新后的目标数据库监测模型利用下一监测周期内所述数据库中的多个监测数据对所述数据库进行异常监测。
本申请的第四方面提供一个或多个存储有计算机可读指令的可读存储介质，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行如下步骤：
获取上一监测周期内数据库的多个监测数据；
识别每个监测数据对应的数据指标类别，并计算每个监测数据的异常等级；
将每个数据指标类别对应的所有监测数据和异常等级生成一个样本数据集；
遍历算法模型池中的多个算法模型，利用所述样本数据集为每一种数据指标类别训练一个数据库监测子模型，并计算每一数据库监测子模型对应的权重；
根据每一数据库监测子模型及对应的权重生成目标数据库监测模型；
获取当前监测周期内所述数据库中的多个监测数据，并通过所述目标数据库监测模型计算当前监测周期内每个监测数据的异常等级；
基于所述当前监测周期内每个监测数据及对应的异常等级更新所述目标数据库监测模型，并基于更新后的目标数据库监测模型利用下一监测周期内所述数据库中的多个监测数据对所述数据库进行异常监测。
本申请利用数据库的监测数据进行自适应的学习，生成数据库监测模型，通过所述监测模型自动监测数据库异常，使得数据库的异常监测更加准确和智能化。另外，基于实时获取的监测数据确定数据库异常情况后，还将所述监测数据实时更新数据库监测模型，使得模型不断改善，不断提高数据库异常监测的准确性。本申请的一个或多个实施例的细节在下面的附图和描述中提出，本申请的其他特征和优点将从说明书、附图以及权利要求变得明显。
附图说明
图1是本申请一实施例提供的数据库异常监测方法流程图。
图2是本申请一实施例提供的数据库异常监测装置的结构示意图。
图3是本申请一实施例提供的计算机装置示意图。
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和具体实施例对本申请进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本申请，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。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。
本申请数据库异常监测方法应用在一个或者多个计算机装置中。所述计算机装置是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可 编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。本申请涉及大数据技术领域。
所述计算机装置可以是桌上型计算机、笔记本电脑、平板电脑、云端服务器等电子设备。所述计算机装置可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。所述计算机装置还可以通过网络与至少一个其他电子设备建立通信连接，其中，所述网络可以是有线网络，也可以是无线网络，例如无线电、无线保真(Wireless Fidelity,WIFI)、蜂窝、卫星、广播等。
参阅图1所示，是本申请一实施例提供的数据库异常监测方法的流程图。根据不同的需求，所述流程图中步骤的顺序可以改变，某些步骤可以省略。
步骤S11、获取上一监测周期内数据库的多个监测数据。
所述数据库的监测数据是指能够体现和评价数据库的异常状况的监测数据，可以包括但不限于CPU使用率、共享池命中率、日志缓冲区大小、表空间碎片率等多种监测数据。
所述数据库的监测数据可以是通过部署Agent采集的。所述监测周期的时长可以根据需要设置，本申请对此不做具体限制。例如，所述监测周期可以为一天、一个星期、一个月。通过部署Agent实时采集数据库的监测数据，能够在所述监测周期内获取大量的监测数据。
步骤S12、识别每个监测数据对应的数据指标类别，并计算每个监测数据的异常等级。
所述监测数据对应的数据指标类别包括但不限于：合规指标、安全指标、容量指标、性能指标、以及告警情况指标。其中，所述合规指标包括但不限于规定数据库相关参数的规则指标，例如，数据库的表空间存放位置。所述安全指标包括但不限于用于限定数据库相关权限的监测数据，例如表空间的访问权限等。所述容量指标包括但不限于用于显示数据库相关存储容量的监测数据，例如文件大小、存储空间的存储容量等。性能指标是指CPU使用率、响应时间等各种反应数据库性能的监测数据。告警情况指标包括各种数据库报警信息等。
在一个实施方式中，确定所述监测数据对应的数据指标类别的方法为：获取分类学习模型，将所述监测数据输入至分类学习模型，通过所述分类学习模型确定所述监测数据对应的数据指标类别。
在一个实施方式中，在确定所述监测数据对应的数据指标列表之前，所述方法还包括训练所述分类学习模型。其中，训练所述学习模型的方法包括：
获取分类样本集，所述分类样本集中包括监测数据及监测数据对应的数据指标类别标签；
将所述分类样本集按照预设比例划分为训练集和验证集；
建立分类学习模型，利用所述训练集训练所述分类学习模型，并利用所述验证集验证所述分类学习模型，所述分类学习模型用于输出所述每个监测数据对应的数据指标类别。
其中，所述分类学习模型可以是支持向量机模型、朴素贝叶斯分类模型等分类模型。
在另一个实施方式中，识别所述监测数据对应的数据指标类别的方法为：将所述监测数据与预先建立的类别关键字库中的类别关键字进行比对，其中，所述类别关键字库中存储有类别关键字与数据指标类别的对应关系；当所述监测数据中存在与类别关键字相匹配的内容时，确定所述类别关键字对应的数据指标类别，并将所述数据指标类别确定为所述监测数据对应的监测指标类别。
不同数据指标类别及不同的数值范围的监测数据能够反应数据库不同程度的异常，例如，CPU使用率100％代表数据库异常，而CPU使用率5％代表数据库没有异常。因此，每个监测数据对应有数据库的异常等级。
在一个实施方式中，计算每个监测数据的异常等级是根据预设存储的异常等级对应关系表确定的，所述关系表中存储有监测数据与异常等级的对应关系。另一个实施方式中，也可以是通过人工的方式确定监测数据的异常等级的。其中，所述异常等级可以是以分数值、等级名称等方式呈现的。
步骤S13、将每个数据指标类别对应的所有监测数据和异常等级生成一个样本数据集。
在所述样本数据集中有一些数据指标类别对应的监测数据是非数值化的，例如，数据库是否可用这一监测指标的结果分为可用和不可用。因此，所述方法还包括：将监测指标对应的非数值化监测数据转换为数值化数据。
其中，将非数值化监测数据转换为数值化数据的方法可用是利用计算机可读指令语言中的map函数，将非数值化数据映射为对应的数值化数据。
例如，针对“数据库是否可用”这一监测指标，当监测数据为可用时，将“可用”这一非数值化数据转化为数值化数据“1”，将不可用转化为0。同样的，也将数据库的健康结果由非数值化数据转换为数值化，例如数据库健康为1，不健康为0。
由于不同监测数据之间的单位或者量级不同，不方便统一评判数据库的异常情况，因此，为方便对数据的统一处理，本申请一些实施方式中所述方法还进一步包括如下步骤：对所述监测数据的数值进行标准化处理。
具体地，通过Z-score的方法对所述监测数据的数值标准化处理，具体公式如下：
Figure PCTCN2020093331-appb-000001
其中，x为标准化之前的数据，x*为标准化之后的数据，μ为均值，σ为方差。
进一步地，在本申请一些实施方式中，所述方法还可以包括：对所述样本数据集中的监测数据进行降维处理。
在一个实施方案中，所述降维处理的方法为主成分分析法。主成分分析是一个统计过程，该过程通过正交变换将原始的n维数据集变换到一个新的被称做主成分的数据集中。变换后的结果中，第一个主成分具有最大的方差值，每个后续的成分在与前述主成分正交条件限制下与具有最大方差。降维时仅保存前m(m<n)个主成分即可保持最大的数据信息量。
具体地，设x 1,x 2,…,x n是n项检查指标，计算它们的协方差矩阵如下：
Figure PCTCN2020093331-appb-000002
然后对协方差矩阵进行奇异值分解，即可得到对应的m个主成分向量x 1,x 2,…,x m。
在本申请另一实施方式中，所述降维处理的方法为反向特征消除法。在该方法中，所有分类算法先用n个特征进行训练。每次降维操作，采用n-1个特征对分类器训练n次，得到新的n个分类器。将新分类器中错分率变化最小的分类器所用的n-1维特征作为降维后的特征集。不断的对该过程进行迭代，即可得到降维后的结果。第k次迭代过程中得到的是n-k维特征分类器。
可以理解，在其他实施方式中，还可以通过其他降维算法实现样本数据集中数据的降维。
步骤S14、遍历算法模型池中的多个算法模型，利用所述样本数据集为每一种数据指标类别训练一个数据库监测子模型，并计算每一数据库监测子模型对应的权重，根据每一数据库监测子模型及对应的权重生成目标数据库监测模型。
所述遍历算法模型池中的多个算法模型，利用所述样本数据集为每一种数据指标类别训练一个数据库监测子模型包括：
利用所述样本数据集训练算法池中的每一种算法模型；
遍历算法池中的每一算法模型后，基于每一种算法模型的训练参数确定其中一个算法模型作为所述监测指标类别对应的数据库监测子模型，其中，所述训练参数包括如下至少一种：训练模型所耗时长、模型的输出准确率。
其中，所述算法池中的算法模型包括但不限于神经网络算法模型、逻辑回归算法模型等深度学习算法模型。比较训练出的每一种所述算法模型的性能，根据预设的模型性能要求在所述算法池种选择满足模型性能要求的优选算法模型。
也就是说，针对每种数据指标类别选择出一种针对该类别的优选算法模型，从而得到该类别对应的数据库监测子模型。
所述每个数据指标类别对应的数据库监测子模型训练完成后，再利用上述样本数据集训练得出所述每个数据库监测子模型对应的权重。
步骤S15、获取当前监测周期内所述数据库中的多个监测数据，并通过所述目标数据库监测模型计算当前监测周期内每个监测数据的异常等级。
通过将当前监测周期获取的数据库监测数据输入至目标数据库监测模型即可得到数据库当前的异常等级。
在一些实施方式中，当所述异常等级达到预设的告警标准时，所述方法还包括：生成数据库异常告警信息，并通过预设方式发送至预设人员。举例而言，所述数据库监测模型通过分数值来代表数据库的异常等级时，若数据库的评分值低于预设分数值时生成数据库异常警告信息。举例而言，数据库异常等级为100分制，所述模型输出的数据库的异常等级对应的分值为50分，低于预设分数值70分时，生成异常警告信息，并通过短信、邮件等方式发送至预设人员。
步骤S16、基于所述当前监测周期内每个监测数据及对应的异常等级更新所述目标数据库监测模型，并基于更新后的目标数据库监测模型利用下一监测周期内所述数据库中的多个监测数据对所述数据库进行异常监测。
本申请利用数据库的监测数据进行自适应的学习，生成数据库监测模型，通过所述监测模型自动监测数据库异常，使得数据库的异常监测更加准确和智能化。另外，基于实时获取的监测数据确定数据库异常情况后，还将所述监测数据实时更新数据库监测模型，使得模型不断改善，不断提高数据库异常监测的准确性。
上述图1详细介绍了本申请的数据库异常监测方法，下面结合第2-3图，对实现所述数据库异常监测方法的软件装置的功能模块以及实现所述数据库异常监测方法的硬件装置架构进行介绍。
应所述了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
图3为本申请数据库异常监测装置较佳实施例的结构图。
在一些实施例中，数据库异常监测装置10运行于至少一个计算机装置中。所述数据库异常监测装置10可以包括多个由程序代码段所组成的功能模块。所述数据库异常监测装置10中的各个程序段的程序代码可以存储于所示至少一个计算机装置的存储器中，并由所述至少一个处理器所执行，以实现数据库异常监测功能。
本实施例中，所述数据库异常监测装置10根据其所执行的功能，可以被划分为多个功能模块。参阅图2所示，所述功能模块可以包括：数据获取模块101、模型训练模块102、异常监测模块103以及更新模块104。本申请所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。一个实施方式中，所述数据获取模块101、模型训练模块102、异常监测模块103以及更新模块104均运行于同一计算机装置中。另一实施方式中，所述数据获取模块101、异常监测模块103运行于一个计算机装置中，所述模型训练模块102和更新模块104运行于另一计算机装置中。
所述数据获取模块101获取上一监测周期内数据库的多个监测数据，识别每个监测 数据对应的数据指标类别，并计算每个监测数据的异常等级。
所述数据库的监测数据是指能够体现和评价数据库的异常状况的监测数据，可以包括但不限于CPU使用率、共享池命中率、日志缓冲区大小、表空间碎片率等多种监测数据。
所述数据库的监测数据可以是通过部署Agent采集的。所述监测周期的时长可以根据需要设置，本申请对此不做具体限制。例如，所述监测周期可以为一天、一个星期、一个月。通过部署Agent实时采集数据库的监测数据，能够在所述监测周期内获取大量的监测数据。
所述监测数据对应的数据指标类别包括但不限于：合规指标、安全指标、容量指标、性能指标、以及告警情况指标。其中，所述合规指标包括但不限于规定数据库相关参数的规则指标，例如，数据库的表空间存放位置。所述安全指标包括但不限于用于限定数据库相关权限的监测数据，例如表空间的访问权限等。所述容量指标包括但不限于用于显示数据库相关存储容量的监测数据，例如文件大小、存储空间的存储容量等。性能指标是指CPU使用率、响应时间等各种反应数据库性能的监测数据。告警情况指标包括各种数据库报警信息等。
在一个实施方式中，所述数据获取模块101确定所述监测数据对应的数据指标类别包括：获取分类学习模型，将所述监测数据输入至分类学习模型，通过所述分类学习模型确定所述监测数据对应的数据指标类别。
在一个实施方式中，在确定所述监测数据对应的数据指标列表之前，所述数据获取模块101还训练所述分类学习模型。其中，训练所述学习模型的包括：获取分类样本集，所述分类样本集中包括监测数据及监测数据对应的数据指标类别标签；将所述分类样本集按照预设比例划分为训练集和验证集；建立分类学习模型，利用所述训练集训练所述分类学习模型，并利用所述验证集验证所述分类学习模型，所述分类学习模型用于输出所述每个监测数据对应的数据指标类别。
所述模型训练模块102用于将每个数据指标类别对应的所有监测数据和异常等级作为一个样本数据集，遍历算法模型池中的多个算法模型，利用所述样本数据集为每一种数据指标类别训练一个数据库监测子模型，并计算每一数据库监测子模型对应的权重，根据每一数据库监测子模型及对应的权重生成目标数据库监测模型。
其中，所述模型训练模块102所述遍历算法模型池中的多个算法模型，利用所述样本数据集为每一种数据指标类别训练一个数据库监测子模型包括：
利用所述样本数据集训练算法池中的每一种算法模型；
遍历算法池中的每一算法模型后，基于每一种算法模型的训练参数确定其中一个算法模型作为所述监测指标类别对应的数据库监测子模型，其中，所述训练参数包括如下至少一种：训练模型所耗时长、模型的输出准确率。
其中，所述算法池中的算法模型包括但不限于神经网络算法模型、逻辑回归算法模型等深度学习算法模型。比较训练出的每一种所述算法模型的性能，根据预设的模型性能要求在所述算法池种选择满足模型性能要求的优选算法模型。
也就是说，针对每种数据指标类别选择出一种针对该类别的优选算法模型，从而得到该类别对应的数据库监测子模型。
所述每个数据指标类别对应的数据库监测子模型训练完成后，再利用上述样本数据集训练得出所述每个数据库监测子模型对应的权重。
异常监测模块103，用于获取当前监测周期内所述数据库中的多个监测数据，并通过所述目标数据库监测模型计算当前监测周期内每个监测数据的异常等级。
更新模块104，用于基于所述当前监测周期内每个监测数据及对应的异常等级更新所述目标数据库监测模型。
图4为本申请计算机装置较佳实施例的示意图。
所述计算机装置1包括存储器20、处理器30以及存储在所述存储器20中并可在所述处理器30上运行的计算机可读指令40，例如数据库异常监测程序。所述处理器30执行所述计算机可读指令40时实现上述数据库异常监测方法实施例中的步骤，例如图1所示的步骤S11～S16。或者，所述处理器30执行所述计算机可读指令40时实现上述数据库异常监测装置实施例中各模块/单元的功能，例如图2中的模块101-104。
示例性的，所述计算机可读指令40可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器20中，并由所述处理器30执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令的指令段，所述指令段用于描述所述计算机可读指令40在所述计算机装置1中的执行过程。例如，所述计算机可读指令40可以被分割成图2各模块。
所述计算机装置1可以是桌上型计算机及云端服务器等计算设备。本领域技术人员可以理解，所述示意图仅仅是计算机装置1的示例，并不构成对计算机装置1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，例如所述计算机装置1还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，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)、现成可编程门阵列(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。通用处理器可以是微处理器或者所述处理器30也可以是任何常规的处理器等，所述处理器30是所述计算机装置1的控制中心，利用各种接口和线路连接整个计算机装置1的各个部分。
所述存储器20可用于存储所述计算机可读指令40和/或模块/单元，所述处理器30通过运行或执行存储在所述存储器20内的计算机可读指令和/或模块/单元，以及调用存储在存储器20内的数据，实现所述计算机装置1的各种功能。所述存储器20可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机装置1的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器20可以包括高速随机存取存储器，还可以包括非易失性存储器或/和易失性存储器，非易失性存储器可包括例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。
在一个实施例中，提供了一个或多个存储有计算机可读指令的可读存储介质，本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质；该可读存储介质上存储有计算机可读指令，该计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行上述数据库异常监测方法的实施例中的步骤。为避免重复，这里不再赘述。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一非易失性可读存储介质也可以存储在易失性可读存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。
在本申请所提供的几个实施例中，应所述理解到，所揭露的计算机装置和方法，可以通过其它的方式实现。例如，以上所描述的计算机装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
最后应说明的是，以上实施例仅用以说明本申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的 技术方案进行修改或等同替换，而不脱离本申请技术方案的精神和范围。

Claims (20)

  1. 一种数据库异常监测方法，其中，所述方法包括：
    获取上一监测周期内数据库的多个监测数据；
    识别每个监测数据对应的数据指标类别，并计算每个监测数据的异常等级；
    将每个数据指标类别对应的所有监测数据和异常等级生成一个样本数据集；
    遍历算法模型池中的多个算法模型，利用所述样本数据集为每一种数据指标类别训练一个数据库监测子模型，并计算每一数据库监测子模型对应的权重；
    根据每一数据库监测子模型及对应的权重生成目标数据库监测模型；
    获取当前监测周期内所述数据库中的多个监测数据，并通过所述目标数据库监测模型计算当前监测周期内每个监测数据的异常等级；
    基于所述当前监测周期内每个监测数据及对应的异常等级更新所述目标数据库监测模型，并基于更新后的目标数据库监测模型利用下一监测周期内所述数据库中的多个监测数据对所述数据库进行异常监测。
  2. 如权利要求1所述的数据库异常监测方法，其中，在所述识别每个监测数据对应的数据指标类别之前，所述方法还包括：
    获取分类样本集，所述分类样本集中包括监测数据及监测数据对应的数据指标类别标签；
    将所述分类样本集按照预设比例划分为训练集和验证集；
    建立分类学习模型，利用所述训练集训练所述分类学习模型，并利用所述验证集验证所述分类学习模型，所述分类学习模型用于输出所述每个监测数据对应的数据指标类别。
  3. 如权利要求1所述的数据库异常监测方法，其中，所述遍历算法模型池中的多个算法模型，利用所述样本数据集为每一种数据指标类别训练一个数据库监测子模型包括：
    利用所述样本数据集训练算法池中的每一种算法模型；
    遍历算法池中的每一算法模型后，基于每一种算法模型的训练参数确定其中一个算法模型作为所述数据指标类别对应的数据库监测子模型，其中，所述训练参数包括如下至少一种：训练模型所耗时长、模型的输出准确率。
  4. 如权利要求1所述的数据库异常监测方法，其中，利用所述样本数据集为每一种数据指标类别训练一个数据库监测子模型之前，所述方法还包括：
    识别所述样本数据集中非数值监测数据并将将所述非数值监测数据转换为数值化监测数据。
  5. 如权利要求1所述的数据库异常监测方法，其中，利用所述样本数据集为每一种数据指标类别训练一个数据库监测子模型之前，所述方法还包括：
    执行标准化操作指令，对所述样本数据集中的监测数据进行标准化处理，其中，标准化处理通过如下公式实现：
    Figure PCTCN2020093331-appb-100001
    其中，x为标准化之前的监测数据，x*为标准化之后的监测数据，μ为监测数据的均值，σ为监测数据的方差。
  6. 如权利要求1所述的数据库异常监测方法，其中，利用所述样本数据集为每一种数据指标类别训练一个数据库监测子模型之前，所述方法还包括：
    执行降维操作指令，对所述样本数据集中的监测数据进行降维处理。
  7. 如权利要求6所述的数据库异常监测方法，其中，利用主成分分析法或反向特征消除法对所述监测数据进行降维处理。
  8. 一种数据库异常监测装置，其中，所述装置包括：
    数据获取模块，用于获取上一监测周期内数据库的多个监测数据，识别每个监测数据对应的数据指标类别，并计算每个监测数据的异常等级；
    模型训练模块，用于将每个数据指标类别对应的所有监测数据和异常等级作为一个样本数据集；遍历算法模型池中的多个算法模型，利用所述样本数据集为每一种数据指标类别 训练一个数据库监测子模型，并计算每一数据库监测子模型对应的权重；根据每一数据库监测子模型及对应的权重生成目标数据库监测模型；
    异常监测模块，用于获取当前监测周期内所述数据库中的多个监测数据，并通过所述目标数据库监测模型计算当前监测周期内每个监测数据的异常等级；
    更新模块，用于基于所述当前监测周期内每个监测数据及对应的异常等级更新所述目标数据库监测模型。
  9. 如权利要求8所述的数据库异常监测装置，其中，所述数据获取模块还用于：
    获取分类样本集，所述分类样本集中包括监测数据及监测数据对应的数据指标类别标签；
    将所述分类样本集按照预设比例划分为训练集和验证集；
    建立分类学习模型，利用所述训练集训练所述分类学习模型，并利用所述验证集验证所述分类学习模型，所述分类学习模型用于输出所述每个监测数据对应的数据指标类别。
  10. 如权利要求8所述的数据库异常监测装置，其中，所述模型训练模块还用于：
    利用所述样本数据集训练算法池中的每一种算法模型；
    遍历算法池中的每一算法模型后，基于每一种算法模型的训练参数确定其中一个算法模型作为所述数据指标类别对应的数据库监测子模型，其中，所述训练参数包括如下至少一种：训练模型所耗时长、模型的输出准确率。
  11. 一种计算机装置，其中，所述计算机装置包括存储器和处理器，所述处理器用于执行存储器中存储的计算机可读指令时实现如下步骤：
    获取上一监测周期内数据库的多个监测数据；
    识别每个监测数据对应的数据指标类别，并计算每个监测数据的异常等级；
    将每个数据指标类别对应的所有监测数据和异常等级生成一个样本数据集；
    遍历算法模型池中的多个算法模型，利用所述样本数据集为每一种数据指标类别训练一个数据库监测子模型，并计算每一数据库监测子模型对应的权重；
    根据每一数据库监测子模型及对应的权重生成目标数据库监测模型；
    获取当前监测周期内所述数据库中的多个监测数据，并通过所述目标数据库监测模型计算当前监测周期内每个监测数据的异常等级；
    基于所述当前监测周期内每个监测数据及对应的异常等级更新所述目标数据库监测模型，并基于更新后的目标数据库监测模型利用下一监测周期内所述数据库中的多个监测数据对所述数据库进行异常监测。
  12. 如权利要求11所述的计算机装置，其中，在所述识别每个监测数据对应的数据指标类别之前，所述处理器还用于执行存储器中存储的计算机可读指令时实现如下步骤：
    获取分类样本集，所述分类样本集中包括监测数据及监测数据对应的数据指标类别标签；
    将所述分类样本集按照预设比例划分为训练集和验证集；
    建立分类学习模型，利用所述训练集训练所述分类学习模型，并利用所述验证集验证所述分类学习模型，所述分类学习模型用于输出所述每个监测数据对应的数据指标类别。
  13. 如权利要求11所述的计算机装置，其中，所述遍历算法模型池中的多个算法模型，利用所述样本数据集为每一种数据指标类别训练一个数据库监测子模型包括：
    利用所述样本数据集训练算法池中的每一种算法模型；
    遍历算法池中的每一算法模型后，基于每一种算法模型的训练参数确定其中一个算法模型作为所述数据指标类别对应的数据库监测子模型，其中，所述训练参数包括如下至少一种：训练模型所耗时长、模型的输出准确率。
  14. 如权利要求11所述的计算机装置，其中，利用所述样本数据集为每一种数据指标类别训练一个数据库监测子模型之前，所述处理器还用于执行存储器中存储的计算机可读指令时实现如下步骤：
    识别所述样本数据集中非数值监测数据并将将所述非数值监测数据转换为数值化监测数据。
  15. 如权利要求11所述的计算机装置，其中，利用所述样本数据集为每一种数据指标类别训练一个数据库监测子模型之前，所述处理器还用于执行存储器中存储的计算机可读指令时实现如下步骤：
    执行标准化操作指令，对所述样本数据集中的监测数据进行标准化处理，其中，标准化处理通过如下公式实现：
    Figure PCTCN2020093331-appb-100002
    其中，x为标准化之前的监测数据，x*为标准化之后的监测数据，μ为监测数据的均值，σ为监测数据的方差。
  16. 如权利要求11所述的计算机装置，其中，利用所述样本数据集为每一种数据指标类别训练一个数据库监测子模型之前，所述处理器还用于执行存储器中存储的计算机可读指令时实现如下步骤：
    执行降维操作指令，对所述样本数据集中的监测数据进行降维处理。
  17. 一个或多个存储有计算机可读指令的可读存储介质，其中，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行如下步骤：
    获取上一监测周期内数据库的多个监测数据；
    识别每个监测数据对应的数据指标类别，并计算每个监测数据的异常等级；
    将每个数据指标类别对应的所有监测数据和异常等级生成一个样本数据集；
    遍历算法模型池中的多个算法模型，利用所述样本数据集为每一种数据指标类别训练一个数据库监测子模型，并计算每一数据库监测子模型对应的权重；
    根据每一数据库监测子模型及对应的权重生成目标数据库监测模型；
    获取当前监测周期内所述数据库中的多个监测数据，并通过所述目标数据库监测模型计算当前监测周期内每个监测数据的异常等级；
    基于所述当前监测周期内每个监测数据及对应的异常等级更新所述目标数据库监测模型，并基于更新后的目标数据库监测模型利用下一监测周期内所述数据库中的多个监测数据对所述数据库进行异常监测。
  18. 如权利要求17所述的可读存储介质，其中，在所述识别每个监测数据对应的数据指标类别之前，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器还执行如下步骤：
    获取分类样本集，所述分类样本集中包括监测数据及监测数据对应的数据指标类别标签；
    将所述分类样本集按照预设比例划分为训练集和验证集；
    建立分类学习模型，利用所述训练集训练所述分类学习模型，并利用所述验证集验证所述分类学习模型，所述分类学习模型用于输出所述每个监测数据对应的数据指标类别。
  19. 如权利要求17所述的可读存储介质，其中，所述遍历算法模型池中的多个算法模型，利用所述样本数据集为每一种数据指标类别训练一个数据库监测子模型包括：
    利用所述样本数据集训练算法池中的每一种算法模型；
    遍历算法池中的每一算法模型后，基于每一种算法模型的训练参数确定其中一个算法模型作为所述数据指标类别对应的数据库监测子模型，其中，所述训练参数包括如下至少一种：训练模型所耗时长、模型的输出准确率。
  20. 如权利要求17所述的可读存储介质，其中，利用所述样本数据集为每一种数据指标类别训练一个数据库监测子模型之前，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器还执行如下步骤：
    识别所述样本数据集中非数值监测数据并将将所述非数值监测数据转换为数值化监测数据。
PCT/CN2020/093331 2020-03-18 2020-05-29 数据库异常监测方法、装置、计算机装置及存储介质 Ceased WO2021184554A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010192822.X 2020-03-18
CN202010192822.XA CN111581045B (zh) 2020-03-18 2020-03-18 数据库异常监测方法、装置、计算机装置及存储介质

Publications (1)

Publication Number Publication Date
WO2021184554A1 true WO2021184554A1 (zh) 2021-09-23

Family

ID=72124845

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/093331 Ceased WO2021184554A1 (zh) 2020-03-18 2020-05-29 数据库异常监测方法、装置、计算机装置及存储介质

Country Status (2)

Country Link
CN (1) CN111581045B (zh)
WO (1) WO2021184554A1 (zh)

Cited By (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113919572A (zh) * 2021-10-14 2022-01-11 国网信息通信产业集团有限公司 一种负荷预测方法、装置及系统
CN114020432A (zh) * 2021-11-05 2022-02-08 杭州海康威视数字技术股份有限公司 任务异常处理方法、装置及任务异常处理系统
CN114066438A (zh) * 2021-11-15 2022-02-18 平安证券股份有限公司 基于模型的监控数据展示方法、装置、设备和存储介质
CN114112030A (zh) * 2021-12-06 2022-03-01 江西省纳米技术研究院 基于人工智能的光电探测器性能测试装置
CN114385453A (zh) * 2022-01-13 2022-04-22 平安付科技服务有限公司 数据库集群异常处理方法、装置、设备及介质
CN114416417A (zh) * 2022-01-19 2022-04-29 中国平安人寿保险股份有限公司 系统异常监测方法、装置、设备及存储介质
CN114443436A (zh) * 2022-01-28 2022-05-06 苏州浪潮智能科技有限公司 一种服务器信息监控方法、装置、电子设备及存储介质
CN114638728A (zh) * 2022-03-25 2022-06-17 国网河北省电力有限公司 一种基于大数据的电力服务中心运营实时监测方法
CN114708388A (zh) * 2022-04-18 2022-07-05 成都中环科创科技有限公司 一种生态环境现场执法的ai辅助系统及其使用方法
CN114726749A (zh) * 2022-03-02 2022-07-08 阿里巴巴（中国）有限公司 数据异常检测模型获取方法、装置、设备、介质及产品
CN115167327A (zh) * 2022-09-05 2022-10-11 安徽省产品质量监督检验研究院 一种新能源汽车零件生产设备的控制方法及系统
CN115860579A (zh) * 2023-02-27 2023-03-28 山东金利康面粉有限公司 一种用于面粉加工的生产质量监测系统
CN115881574A (zh) * 2023-03-08 2023-03-31 广东仁懋电子有限公司 提升碳化硅mos管制备效果的方法、系统、设备及介质
CN116011703A (zh) * 2023-02-08 2023-04-25 莒县环境监测站 一种动态环境监测站的管理方法及系统
CN116049958A (zh) * 2023-01-19 2023-05-02 上海建工四建集团有限公司 历史建筑结构监测数据异常诊断与修复系统
CN116087797A (zh) * 2022-12-20 2023-05-09 广东电网有限责任公司 一种蓄电池组状态确定方法、装置、设备及存储介质
CN116150279A (zh) * 2023-03-22 2023-05-23 中国工商银行股份有限公司 数据库的同步方法和装置、存储介质及电子装置
CN116302661A (zh) * 2023-05-15 2023-06-23 合肥联宝信息技术有限公司 一种异常预测方法、装置、电子设备及存储介质
CN116405269A (zh) * 2023-03-22 2023-07-07 中国华能集团有限公司北京招标分公司 一种网络撞库攻击检测方法
CN116562715A (zh) * 2023-07-07 2023-08-08 美云智数科技有限公司 指标数据监测方法、装置、计算机设备和存储介质
CN116760195A (zh) * 2023-08-18 2023-09-15 国网浙江省电力有限公司宁波供电公司 电力系统全要素资源监控方法、系统、设备和存储介质
CN116756630A (zh) * 2023-05-24 2023-09-15 中国电信股份有限公司广东研究院 异常识别模型的确定方法、装置、设备、介质和程序产品
CN116956012A (zh) * 2023-03-08 2023-10-27 腾讯科技（深圳）有限公司 数据处理方法、装置、计算机可读介质及电子设备
CN117235760A (zh) * 2023-09-19 2023-12-15 安徽诺中科技股份有限公司 企业数据的加密存储方法、装置、计算机设备及存储介质
CN117375147A (zh) * 2023-09-25 2024-01-09 南方电网调峰调频(广东)储能科技有限公司 一种储能电站的安全监测预警与运行管理方法及系统
CN117579704A (zh) * 2024-01-15 2024-02-20 深圳市检验检疫科学研究院 基于物联网的检测数据的采集方法及其系统
CN117851197A (zh) * 2023-12-11 2024-04-09 天翼云科技有限公司 一种对监控数据打分快速定位MySQL性能问题的方法
CN117909852A (zh) * 2024-03-19 2024-04-19 山东省地矿工程勘察院(山东省地质矿产勘查开发局八〇一水文地质工程地质大队) 一种用于水工环生态数据分析的监测数据状态划分方法
CN118483510A (zh) * 2024-07-16 2024-08-13 扬州乐军电子科技有限公司 一种配电箱的用电安全监测方法及预警装置
CN118944286A (zh) * 2024-07-22 2024-11-12 国网福建省电力有限公司 一种配电网全流程数据监测方法
CN119000173A (zh) * 2024-08-05 2024-11-22 北京市计量检测科学研究院 一种线性移动刀口矿浆取样器在线异常监测方法及系统
CN119291527A (zh) * 2024-12-05 2025-01-10 中建科工集团有限公司 锂电池安全监测方法、装置、设备及介质

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112214378B (zh) * 2020-10-23 2023-03-24 珠海格力电器股份有限公司 数据收集方法、装置、电子设备及存储介质
CN116125298B (zh) * 2022-11-28 2024-08-16 伏瓦科技(苏州)有限公司 电池故障检测方法及装置
CN117056171B (zh) * 2023-09-22 2024-01-09 北京博点智合科技有限公司 一种基于AI算法的Kafka异常监控方法及装置
CN119938643A (zh) * 2025-01-08 2025-05-06 浪潮智慧城市科技有限公司 基于数据库的指标监测方法、系统、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180076172A (ko) * 2016-12-27 2018-07-05 주식회사 씨에스리 데이터베이스 시스템의 이상을 탐지하는 장치 및 방법
CN109582529A (zh) * 2018-09-29 2019-04-05 阿里巴巴集团控股有限公司 一种报警阈值的设置方法及装置
CN109800139A (zh) * 2018-12-18 2019-05-24 东软集团股份有限公司 服务器健康度分析方法，装置，存储介质及电子设备
CN109947615A (zh) * 2019-01-11 2019-06-28 阿里巴巴集团控股有限公司 分布式系统的监控方法和装置
CN107908533B (zh) * 2017-06-15 2019-11-12 平安科技（深圳）有限公司 一种数据库性能指标的监测方法、装置、计算机可读存储介质及设备

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104077371B (zh) * 2014-06-24 2019-03-29 用友优普信息技术有限公司 监测数据库异常数据的方法及系统
US9928155B2 (en) * 2015-11-18 2018-03-27 Nec Corporation Automated anomaly detection service on heterogeneous log streams
JP6856443B2 (ja) * 2017-05-09 2021-04-07 株式会社日立製作所 設備機器の異常診断システム
CN108388503A (zh) * 2018-02-13 2018-08-10 中体彩科技发展有限公司 数据库性能监控方法、系统、设备及计算机可读存储介质
CN110297178B (zh) * 2018-05-11 2024-10-25 北部湾大学 基于深度学习的柴油发电机组故障诊断与检测装置及方法
CN109271374B (zh) * 2018-10-19 2021-01-26 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
CN109542742A (zh) * 2018-11-14 2019-03-29 国网江苏省电力有限公司信息通信分公司 基于专家模型的数据库服务器硬件健康评估方法
US10802942B2 (en) * 2018-12-28 2020-10-13 Intel Corporation Methods and apparatus to detect anomalies of a monitored system
CN109787846A (zh) * 2019-03-27 2019-05-21 湖北大学 一种5g网络服务质量异常监测和预测方法及系统
CN110262939B (zh) * 2019-05-14 2023-07-21 苏宁金融服务(上海)有限公司 算法模型运行监控方法、装置、计算机设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180076172A (ko) * 2016-12-27 2018-07-05 주식회사 씨에스리 데이터베이스 시스템의 이상을 탐지하는 장치 및 방법
CN107908533B (zh) * 2017-06-15 2019-11-12 平安科技（深圳）有限公司 一种数据库性能指标的监测方法、装置、计算机可读存储介质及设备
CN109582529A (zh) * 2018-09-29 2019-04-05 阿里巴巴集团控股有限公司 一种报警阈值的设置方法及装置
CN109800139A (zh) * 2018-12-18 2019-05-24 东软集团股份有限公司 服务器健康度分析方法，装置，存储介质及电子设备
CN109947615A (zh) * 2019-01-11 2019-06-28 阿里巴巴集团控股有限公司 分布式系统的监控方法和装置

Cited By (43)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113919572A (zh) * 2021-10-14 2022-01-11 国网信息通信产业集团有限公司 一种负荷预测方法、装置及系统
CN114020432A (zh) * 2021-11-05 2022-02-08 杭州海康威视数字技术股份有限公司 任务异常处理方法、装置及任务异常处理系统
CN114066438A (zh) * 2021-11-15 2022-02-18 平安证券股份有限公司 基于模型的监控数据展示方法、装置、设备和存储介质
CN114112030A (zh) * 2021-12-06 2022-03-01 江西省纳米技术研究院 基于人工智能的光电探测器性能测试装置
CN114385453A (zh) * 2022-01-13 2022-04-22 平安付科技服务有限公司 数据库集群异常处理方法、装置、设备及介质
CN114416417A (zh) * 2022-01-19 2022-04-29 中国平安人寿保险股份有限公司 系统异常监测方法、装置、设备及存储介质
CN114443436A (zh) * 2022-01-28 2022-05-06 苏州浪潮智能科技有限公司 一种服务器信息监控方法、装置、电子设备及存储介质
CN114726749A (zh) * 2022-03-02 2022-07-08 阿里巴巴（中国）有限公司 数据异常检测模型获取方法、装置、设备、介质及产品
CN114726749B (zh) * 2022-03-02 2023-10-31 阿里巴巴（中国）有限公司 数据异常检测模型获取方法、装置、设备及介质
CN114638728A (zh) * 2022-03-25 2022-06-17 国网河北省电力有限公司 一种基于大数据的电力服务中心运营实时监测方法
CN114708388A (zh) * 2022-04-18 2022-07-05 成都中环科创科技有限公司 一种生态环境现场执法的ai辅助系统及其使用方法
CN115167327A (zh) * 2022-09-05 2022-10-11 安徽省产品质量监督检验研究院 一种新能源汽车零件生产设备的控制方法及系统
CN116087797A (zh) * 2022-12-20 2023-05-09 广东电网有限责任公司 一种蓄电池组状态确定方法、装置、设备及存储介质
CN116049958A (zh) * 2023-01-19 2023-05-02 上海建工四建集团有限公司 历史建筑结构监测数据异常诊断与修复系统
CN116011703B (zh) * 2023-02-08 2024-01-23 莒县环境监测站 一种动态环境监测站的管理方法及系统
CN116011703A (zh) * 2023-02-08 2023-04-25 莒县环境监测站 一种动态环境监测站的管理方法及系统
CN115860579A (zh) * 2023-02-27 2023-03-28 山东金利康面粉有限公司 一种用于面粉加工的生产质量监测系统
CN115881574B (zh) * 2023-03-08 2023-05-05 广东仁懋电子有限公司 提升碳化硅mos管制备效果的方法、系统、设备及介质
CN116956012A (zh) * 2023-03-08 2023-10-27 腾讯科技（深圳）有限公司 数据处理方法、装置、计算机可读介质及电子设备
CN115881574A (zh) * 2023-03-08 2023-03-31 广东仁懋电子有限公司 提升碳化硅mos管制备效果的方法、系统、设备及介质
CN116150279A (zh) * 2023-03-22 2023-05-23 中国工商银行股份有限公司 数据库的同步方法和装置、存储介质及电子装置
CN116405269A (zh) * 2023-03-22 2023-07-07 中国华能集团有限公司北京招标分公司 一种网络撞库攻击检测方法
CN116405269B (zh) * 2023-03-22 2024-01-26 中国华能集团有限公司北京招标分公司 一种网络撞库攻击检测方法
CN116302661A (zh) * 2023-05-15 2023-06-23 合肥联宝信息技术有限公司 一种异常预测方法、装置、电子设备及存储介质
CN116302661B (zh) * 2023-05-15 2023-10-13 合肥联宝信息技术有限公司 一种异常预测方法、装置、电子设备及存储介质
CN116756630A (zh) * 2023-05-24 2023-09-15 中国电信股份有限公司广东研究院 异常识别模型的确定方法、装置、设备、介质和程序产品
CN116562715B (zh) * 2023-07-07 2024-01-23 美云智数科技有限公司 指标数据监测方法、装置、计算机设备和存储介质
CN116562715A (zh) * 2023-07-07 2023-08-08 美云智数科技有限公司 指标数据监测方法、装置、计算机设备和存储介质
CN116760195A (zh) * 2023-08-18 2023-09-15 国网浙江省电力有限公司宁波供电公司 电力系统全要素资源监控方法、系统、设备和存储介质
CN116760195B (zh) * 2023-08-18 2024-01-02 国网浙江省电力有限公司宁波供电公司 电力系统全要素资源监控方法、系统、设备和存储介质
CN117235760B (zh) * 2023-09-19 2024-04-02 安徽诺中科技股份有限公司 企业数据的加密存储方法、装置、计算机设备及存储介质
CN117235760A (zh) * 2023-09-19 2023-12-15 安徽诺中科技股份有限公司 企业数据的加密存储方法、装置、计算机设备及存储介质
CN117375147A (zh) * 2023-09-25 2024-01-09 南方电网调峰调频(广东)储能科技有限公司 一种储能电站的安全监测预警与运行管理方法及系统
CN117375147B (zh) * 2023-09-25 2024-03-15 南方电网调峰调频(广东)储能科技有限公司 一种储能电站的安全监测预警与运行管理方法及系统
CN117851197A (zh) * 2023-12-11 2024-04-09 天翼云科技有限公司 一种对监控数据打分快速定位MySQL性能问题的方法
CN117579704A (zh) * 2024-01-15 2024-02-20 深圳市检验检疫科学研究院 基于物联网的检测数据的采集方法及其系统
CN117579704B (zh) * 2024-01-15 2024-04-12 深圳市检验检疫科学研究院 基于物联网的检测数据的采集方法及其系统
CN117909852A (zh) * 2024-03-19 2024-04-19 山东省地矿工程勘察院(山东省地质矿产勘查开发局八〇一水文地质工程地质大队) 一种用于水工环生态数据分析的监测数据状态划分方法
CN117909852B (zh) * 2024-03-19 2024-05-24 山东省地矿工程勘察院(山东省地质矿产勘查开发局八〇一水文地质工程地质大队) 一种用于水工环生态数据分析的监测数据状态划分方法
CN118483510A (zh) * 2024-07-16 2024-08-13 扬州乐军电子科技有限公司 一种配电箱的用电安全监测方法及预警装置
CN118944286A (zh) * 2024-07-22 2024-11-12 国网福建省电力有限公司 一种配电网全流程数据监测方法
CN119000173A (zh) * 2024-08-05 2024-11-22 北京市计量检测科学研究院 一种线性移动刀口矿浆取样器在线异常监测方法及系统
CN119291527A (zh) * 2024-12-05 2025-01-10 中建科工集团有限公司 锂电池安全监测方法、装置、设备及介质

Also Published As

Publication number Publication date
CN111581045A (zh) 2020-08-25
CN111581045B (zh) 2024-05-28

Similar Documents

Publication Publication Date Title
WO2021184554A1 (zh) 数据库异常监测方法、装置、计算机装置及存储介质
WO2021174835A1 (zh) 告警信息处理方法、装置、计算机装置及存储介质
US12379977B2 (en) Systems and methods for synthetic data generation for time-series data using data segments
CN110287316B (zh) 一种告警分类方法、装置、电子设备及存储介质
CN108427720B (zh) 系统日志分类方法
US20200175314A1 (en) Predictive data analytics with automatic feature extraction
WO2019218475A1 (zh) 异常行为对象的识别方法、装置、终端设备及介质
CN110991170B (zh) 基于电子病历信息的中文疾病名称智能标准化方法与系统
WO2022116444A1 (zh) 文本分类方法、装置、计算机设备和介质
CN110705307A (zh) 信息变更指标监控方法、装置、计算机设备和存储介质
CN118228993A (zh) 需求优先级的确定方法、装置、计算机设备和存储介质
CN114358024A (zh) 日志分析方法、装置、设备、介质和程序产品
CN112836045A (zh) 基于文本数据集的数据处理方法、装置及终端设备
CN119202156A (zh) 基于人工智能的提问处理方法、装置、计算机设备及介质
US12567277B2 (en) Systems and methods for identifying specific document types from groups of documents using optical character recognition
CN118568202A (zh) 查询语句生成模型处理方法、装置和计算机设备
US12488063B2 (en) Generating input processing rules engines using probabilistic clustering techniques
CN115797084A (zh) 基于车主驾驶行为的投保定价指导方法及其相关设备
HK40029468B (zh) 数据库异常监测方法、装置、计算机装置及存储介质
CN114398228A (zh) 一种设备资源使用情况的预测方法、装置及电子设备
HK40029468A (zh) 数据库异常监测方法、装置、计算机装置及存储介质
US20250132062A1 (en) Determining missing data classifications by correlating prediction outputs generated by machine learning predictive systems
CN114120040B (zh) 数据分类方法、装置、电子设备和存储介质
US12093826B2 (en) Cutoff value optimization for bias mitigating machine learning training system with multi-class target
US20250077957A1 (en) Quality assurance for machine learning using distribution patterns related to training datasets

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20925713

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20925713

Country of ref document: EP

Kind code of ref document: A1