一种基于机器学习的数据库性能管理的方法、系统技术方案

本发明专利技术通过Prophet算法采用分段逻辑回归进行趋势建模，能够更灵活地适应趋势的变化。与传统的时间序列方法相比，Prophet在处理非线性趋势和变化点时更为强大。并且基于傅里叶级数提供了对季节性和周期性的建模，能够更准确地捕捉到数据的周期性变化，使得对季节性因素的预测更加精准。设置预警模块，Prophet可以在数据库性能指标超越设定阈值时即时发出预警信号，帮助管理员迅速采取必要措施，从而提高了实时性和故障应对能力。

【技术实现步骤摘要】

本专利技术涉及一种基于机器学习的数据库性能管理的方法、系统，属于数据库管理领域。

技术介绍

1、随着云计算的快速崛起，云数据库服务系统的灵活性、可伸缩性和成本效益高，中小型企业逐渐倾向于通过购买云数据库服务系统取代传统的自建和维护数据库服务系统。尽管企业在采用云数据库服务后能够获得便捷的数据存储和管理方式，实际应用中，往往会面临数据库性能下降问题。这可能源于对云数据库配置的不当使用、未经优化的查询操作、缺乏实时监控和自动调整机制以及安全性和隔离问题。

2、由于缺乏数据库管理系统性能优化经验，许多用户很难准确识别导致数据库系统性能下降的原因并采取有效的解决措施。在这种情况下，需要及时根据数据库性能调整数据库系统参数，确保数据库性能始终保持较优状态。现有技术往往缺乏智能化的数据库性能管理策略，用户需要依赖专业知识手动调整数据库参数，缺乏自动化的智能决策和优化机制；针对未来工作负载的预测性能管理机制相对不足，用户可能难以提前预知系统可能面临的性能挑战，从而无法采取预防性措施。

3、为了更好地应对这些挑战，需要寻求更智能、自动化、实时监控的本文档来自技高网...

【技术保护点】

1.一种基于机器学习的数据库性能管理方法，其特征在于：该方法包括以下步骤：

2.如权利要求1所述的一种基于机器学习的数据库性能管理方法，其特征在于：步骤(3)中，时间序列y(t)包括季节项、趋势项、剩余项、节假日效应，趋势项模型其中C(t)为限定上限；k为初始增长率；a(t)为指示函数，a(t)∈{0,1}S；γ＝(γ1,...，γS)；m为曲线中点；δ＝(δ1,δ2,...,δS)，S为时间序列中的变点数量，变点位置在时间戳sj,1＜＜j＜＜S，δj表示每一个时间点的变化值；计算y(t)＝g(t)+s(t)+h(t)+ε，s(t)为周期性函数；h(t)为节假日、假期函数；ε...

【技术特征摘要】

1.一种基于机器学习的数据库性能管理方法，其特征在于：该方法包括以下步骤：

2.如权利要求1所述的一种基于机器学习的数据库性能管理方法，其特征在于：步骤(3)中，时间序列y(t)包括季节项、趋势项、剩余项、节假日效应，趋势项模型其中c(t)为限定上限；k为初始增长率；a(t)为指示函数，a(t)∈{0,1}s；γ＝(γ1,...，γs)；m为曲线中点；δ＝(δ1,δ2,...,δs)，s为时间序列中的变点数量，变点位置在时间戳sj,1＜＜j＜＜s，δj表示每一个时间点的变化值；计算y(t)＝g(t)+s(t)+h(t)+ε，s(t)为周期性函数；h(t)为节假日、假期函数；ε为误差或噪声。

...

【专利技术属性】
技术研发人员：陈传凯，刘亚，段天毅，
申请(专利权)人：北京新数科技有限公司，
类型：发明
国别省市：