数据库参数调整方法、装置及计算机可读存储介质制造方法及图纸

本申请提供了一种数据库参数调整方法、装置及计算机可读存储介质，服务设备获得针对目标数据库的参数调整请求后，将目标数据库的当前状态信息输入参数调优强化模型，得到相应的调优激励参数和候选数据库参数，若其不满足数据库性能条件，将基于该调优激励参数继续进行模型训练迭代，直至得到满足数据库性能条件的目标推荐参数，提高数据库参数调优可靠性，由于本申请是基于初始数据库参数进行性能优化迭代，筛选每次性能优化迭代后高质量数据库参数至下一次性能优化迭代，从而得到多组数据库样本参数实现模型训练，相对于直接利用历史数据进行网络训练，保证了参数调优强化模型的输出可靠性，极大提高了数据库调参效率及可靠性。

【技术实现步骤摘要】
数据库参数调整方法、装置及计算机可读存储介质
本申请涉及数据库
，具体涉及一种数据库参数调整方法、装置及计算机可读存储介质
技术介绍
随着信息化时代数据量的迅猛增加，为了更好地适应越来越复杂的业务需求，需要数据库管理员(DataBaseAdministrator，DBA)对数据库参数进行调整，以优化数据库性能。然而，随着数据库的更新迭代，数据库的种类越来越多，数据库参数也越来越复杂，这对DBA的业务要求越来越高，使得数据库管理员的学习成本不断增加，且调整效率及可靠性也比较低。为了改善上述问题，目前提出利用一种基于流水线调参的工具——OtterTune，其基于流水线式的机器学习方法，利用历史数据(如历史DBA调参经验数据)，实现数据库参数的快速调整，以优化数据库的性能。然而，由于历史数据中存在大量低质量数据，会极大影响数据库参数调整效率及可靠性，且在面临全新负载的数据库应用场景下，需要经过漫长且不稳定的调参过程，极大增加了数据库参数调整的时间成本。
技术实现思路
有鉴于此，为了解决上述技术问题，本申请提出本文档来自技高网...

【技术保护点】
1.一种数据库参数调整方法，其特征在于，所述方法包括：/n获得针对目标数据库的参数调整请求；/n根据所述参数调整请求获取所述目标数据库的当前状态信息；/n将所述当前状态信息输入参数调优强化模型，得到所述当前状态信息对应的调优激励参数和候选数据库参数；其中，所述参数调优强化模型是基于多组数据库样本参数训练得到的，所述数据库样本参数为基于初始数据库参数每次进行性能优化迭代所筛选得到的；/n若所述候选数据库参数未满足数据库性能条件，通过所述参数调优强化模型基于所述调优激励参数进行循环迭代，直至所述参数调优强化模型输出的候选数据库参数满足所述数据库性能条件；/n以满足所述数据库性能条件的候选数据库参数...

【技术特征摘要】
1.一种数据库参数调整方法，其特征在于，所述方法包括：
获得针对目标数据库的参数调整请求；
根据所述参数调整请求获取所述目标数据库的当前状态信息；
将所述当前状态信息输入参数调优强化模型，得到所述当前状态信息对应的调优激励参数和候选数据库参数；其中，所述参数调优强化模型是基于多组数据库样本参数训练得到的，所述数据库样本参数为基于初始数据库参数每次进行性能优化迭代所筛选得到的；
若所述候选数据库参数未满足数据库性能条件，通过所述参数调优强化模型基于所述调优激励参数进行循环迭代，直至所述参数调优强化模型输出的候选数据库参数满足所述数据库性能条件；
以满足所述数据库性能条件的候选数据库参数，作为所述目标数据库的目标推荐参数。


2.根据权利要求1所述的方法，其特征在于，所述参数调优强化模型的训练过程包括：构建针对目标数据库的第一数据库参数集，所述第一数据库参数集包含有多组初始数据库参数；
对所述多组初始数据库参数进行性能优化迭代，筛选每次性能优化迭代中的第一类数据库参数组至下一次性能优化迭代，直至满足迭代终止条件，得到多组数据库样本参数；其中，所述第一类数据库参数组包括数据库性能指标达到性能优化阈值的一组或多组数据库参数；所述数据库性能指标是将所述数据库参数应用于所述目标数据库得到的；
获取所述多组数据库样本参数应用于所述目标数据库各自的样本状态信息；
基于所述多组数据库样本参数和所述多组样本状态信息，对深度强化学习网络进行循环训练，直至满足训练终止条件，将最终训练得到的深度强化学习网络确定为参数优化强化模型。


3.根据权利要求2所述的方法，所述对所述多组初始数据库参数进行性能优化迭代，筛选每次性能优化迭代中的第一类数据库参数组至下一次性能优化迭代，直至满足性能优化迭代终止条件，得到多组数据库样本参数，包括：
获取所述多组初始数据库参数各自的数据库性能指标；
利用所述数据库性能指标，筛选所述多组初始数据库参数中的第一类数据库参数组；
依据所述第一类数据库参数组，构建第二类数据库参数组；
由所述第一类数据库参数组与所述第二类数据库参数组构成第二数据库参数集；其中，所述第二数据库参数集与所述第一数据库参数集所包含的数据库参数组数相同；
若不满足性能优化迭代终止条件，继续对所述第二数据库参数集包含的多组数据库参数进行性能优化迭代；
若满足所述性能优化迭代终止条件，将最后一次性能优化迭代得到的数据库参数确定为数据库样本参数。


4.根据权利要求3所述的方法，其特征在于，所述获取所述多组初始数据库参数各自的数据库性能指标，包括：
将所述多组初始数据库参数应用于所述目标数据库，得到相应的数据库性能向量；
对所述数据库性能向量包含的多个数据库性能值进行加权求和，得到相应组初始数据库参数的数据库性能指标；
所述依据所述第一类数据库参数组，构建第二类数据库参数组，由所述第一类数据库参数组与所述第二类数据库参数组构成第二数据库参数集，包括：
依据所述第一类数据库参数组的数据库性能指标，确定所述第一类数据库参数组中的第三类数据库参数组；其中，所述第三类数据库参数组中不包含所述第一类数据库参数组中最高数据库性能指标对应的数据库参数组；
对所述第三类数据库参数组包含的不同组数据库参数进行参数交叉替换处理，得到第二类数据库参数组；
对所述第一类数据库参数组和所述第二类数据库参数组中的第四类数据库参数组进行参数突变处理；
由参数突变处理后的数据库参数组、未参与所述参数突变处理的一组数据库参数，以及所述第一类数据库参数组构成第二数据库参数集；
其中，所述未参与所述参数突变处理的一组数据库参数是指所述第一类数据库参数组和所述第二类数据库参数组中，具有最高数据库性能指标的一组数据库参数。


5.根据权利要求4所述的方法，其特征在于，基于所述多组数据库样本参数和所述多组样本状态信息，对深度强化学习网络进行循环训练，包括：
获取所述多组样本状态信息各自对应的调优激励参数；
将所述目标数据库的初始状态信息、所述多组数据库样本参数、所述多组样本状态信息，以及所述多组样本状态信息对应的调优激励参数，构成的多个四元组确定为多组模型结构训练数据；
在所述目标数据库按照实际工作负载运行的过程中，利用所述多组数据库样本参数、所述多组样本状态信息以及所述多组模型结构训练数据，对深度强化学习网络进行循环训练。


6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
获取各组所述数据库样本参数分别应用于目标数据库，得到的各数据库样本参数的性能值；
依据同一组数据库样本参数各自对应的所述性能值，对该组数据库样本参数进行降维处理，得到相应的一组目标样本参数；
通过主成分分析方式，对所述多组样本状态信息分别进行降维处理，得到多组目标样本状态信息；
所述利用所述多组数据库样本参数、所述多组样本状态信息以及所述多组模型结构训练数据，对深度强化学习网络进行训练训练，包括：
利用所述多组目标样本参数、所述多组目标样本状态信息以及所述多组模型结构训练数据，对深度强化学习网络进行循环训练。


7.根据权利要求6所述的方法，其特征在于，所述依据同一组数据库样本参数各自对应的所述性能值，对...

【专利技术属性】
技术研发人员：张光钰，蔡宝清，程彬，邢家树，杨杰，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44