基于人工智能方法的數(shù)據(jù)庫智能診斷方法探討

32318 部隊(duì) 李中杰 賈成舉 巨鑫

在當(dāng)前信息化時(shí)代，數(shù)據(jù)庫地位已經(jīng)相當(dāng)重要，它作為計(jì)算機(jī)系統(tǒng)軟件的基礎(chǔ)而存在，且在各個(gè)行業(yè)領(lǐng)域中都有著廣泛且深入的應(yīng)用。而為了確保數(shù)據(jù)庫運(yùn)行安全穩(wěn)定，避免其出現(xiàn)性能異常狀況，通過觀察監(jiān)控指標(biāo)信息，診斷數(shù)據(jù)庫異常情況非常有必要。當(dāng)然，實(shí)際工作中針對(duì)數(shù)據(jù)庫的監(jiān)控診斷目標(biāo)超過百余個(gè)，這也為數(shù)據(jù)庫診斷工作過程帶來極大壓力。因此，本文中基于人工智能方法來探討了數(shù)據(jù)庫智能診斷方法，描述其所應(yīng)用的算法，并分析其方法應(yīng)用結(jié)果，最后加以展望，希望人工智能方法能夠更多應(yīng)用于數(shù)據(jù)庫智能診斷工作過程中。

數(shù)據(jù)庫作為行業(yè)企業(yè)中比較常用的系統(tǒng)軟件而存在，它所提供的機(jī)器學(xué)習(xí)能力、海量監(jiān)控?cái)?shù)據(jù)的處理與推斷能力相當(dāng)強(qiáng)大且內(nèi)容豐富。例如，當(dāng)前數(shù)據(jù)庫已經(jīng)與云計(jì)算、大數(shù)據(jù)、人工智能技術(shù)所結(jié)合起來。特別是通過多種技術(shù)內(nèi)容建立分析機(jī)制，思考諸多技術(shù)體系，滿足綜合功能分析要求，建立良好技術(shù)支持，將人工智能方法應(yīng)用于更多數(shù)據(jù)庫領(lǐng)域應(yīng)用場(chǎng)景之中。

1 傳統(tǒng)數(shù)據(jù)庫診斷方法應(yīng)用概況與難點(diǎn)問題

數(shù)據(jù)庫屬于企業(yè)中常用的系統(tǒng)軟件，其所執(zhí)行的任務(wù)類型達(dá)到數(shù)萬余種，其中包含了大量簡(jiǎn)單事務(wù)內(nèi)容，即建立OLTP 型數(shù)據(jù)庫，專門負(fù)責(zé)執(zhí)行各種OLAP 型數(shù)據(jù)庫任務(wù)內(nèi)容，推出傳統(tǒng)數(shù)據(jù)庫診斷方法。近年來，人工智能技術(shù)對(duì)于數(shù)據(jù)庫的系統(tǒng)部件優(yōu)化深入，該技術(shù)對(duì)于數(shù)據(jù)庫的整體賦能效果良好，為智能運(yùn)維技術(shù)應(yīng)用場(chǎng)景的有效建立創(chuàng)造了良好條件。

就目前來看，傳統(tǒng)數(shù)據(jù)庫診斷方法在應(yīng)用過程中也面臨諸多難點(diǎn)問題:首先，傳統(tǒng)方法所監(jiān)控指標(biāo)問題較多。考慮到相關(guān)技術(shù)內(nèi)容應(yīng)用優(yōu)勢(shì)性，還必須結(jié)合多點(diǎn)技術(shù)內(nèi)容展開研討，分析諸多技術(shù)內(nèi)容[1]。其次，數(shù)據(jù)庫所執(zhí)行的業(yè)務(wù)內(nèi)容大多數(shù)相對(duì)簡(jiǎn)單，但是監(jiān)控指標(biāo)數(shù)據(jù)成本卻非常之高，如果相關(guān)指標(biāo)數(shù)據(jù)執(zhí)行時(shí)間偏短就會(huì)導(dǎo)致數(shù)據(jù)庫性能下降，出現(xiàn)業(yè)務(wù)處理不到位、不深入等問題。最后，在分析OLTP 任務(wù)請(qǐng)求過程中，需要考慮到傳統(tǒng)方法在任務(wù)請(qǐng)求方面不穩(wěn)定問題，它導(dǎo)致相關(guān)諸多技術(shù)內(nèi)容建立分析機(jī)制，思考諸多技術(shù)內(nèi)容，確保監(jiān)控指標(biāo)技術(shù)內(nèi)容建立分析機(jī)制，思考諸多詳細(xì)信息數(shù)據(jù)內(nèi)容，思考數(shù)據(jù)提取相關(guān)難度操作過程。

簡(jiǎn)單列舉一例，在具體結(jié)合這些技術(shù)過程中，也需要保證諸多技術(shù)內(nèi)容，思考相關(guān)I/O 等進(jìn)程內(nèi)容會(huì)發(fā)生指標(biāo)異常。例如，在CPU 指標(biāo)統(tǒng)計(jì)過程中，外部文件在導(dǎo)入過程中可能出現(xiàn)CPU 指標(biāo)異常現(xiàn)象。在分析這一異常現(xiàn)象過程中，也需要了解到計(jì)算機(jī)指標(biāo)中存在諸多相似性質(zhì)內(nèi)容，其中通過單個(gè)異常指標(biāo)來推定數(shù)據(jù)庫性能異常問題很有必要。即提高診斷精度，避免出現(xiàn)由于數(shù)據(jù)異常所導(dǎo)致的系統(tǒng)維護(hù)成本增高問題。在本文看來，需要分析建立具有自動(dòng)化、輕量級(jí)的監(jiān)控診斷框架，結(jié)合模擬數(shù)據(jù)庫故障分析異常監(jiān)控問題，了解循環(huán)神經(jīng)網(wǎng)絡(luò)應(yīng)用效能，降低系統(tǒng)維護(hù)成本。為此，分析不同監(jiān)控指標(biāo)重要性就變得至關(guān)重要，保證其診斷精度有所提高[2]。

2 基于人工智能方法的數(shù)據(jù)庫智能診斷方法內(nèi)容介紹

基于人工智能方法創(chuàng)建數(shù)據(jù)庫是有必要的，它能夠確保正常運(yùn)行數(shù)據(jù)庫智能診斷方法，其中的技術(shù)方法內(nèi)容頗為豐富。結(jié)合自身診斷方法展開分析，需要保證專家知識(shí)構(gòu)建結(jié)構(gòu)模型優(yōu)化，利用歷史運(yùn)行數(shù)據(jù)來結(jié)合標(biāo)注數(shù)據(jù)做好診斷工作，分析其中所存在的具體智能診斷方法內(nèi)容[3]。

比如說，要建立數(shù)據(jù)庫性能自動(dòng)診斷框架內(nèi)容，結(jié)合不同工作任務(wù)內(nèi)容來分析數(shù)據(jù)庫性能，做好相應(yīng)診斷工作。在診斷與調(diào)優(yōu)決策樹模型、建立統(tǒng)一數(shù)據(jù)分析機(jī)制過程中，也需要做好條件判斷機(jī)制，確保決策樹調(diào)優(yōu)資源優(yōu)化，形成數(shù)據(jù)庫診斷機(jī)制。在使用不同資源配置數(shù)據(jù)庫運(yùn)行過程中，也需要基于一定性能結(jié)果實(shí)現(xiàn)決策樹全面調(diào)優(yōu)，確保數(shù)據(jù)庫專家領(lǐng)域知識(shí)內(nèi)容優(yōu)化，提高系統(tǒng)通用性，進(jìn)而取得不錯(cuò)的實(shí)驗(yàn)研究結(jié)果[4]。

3 基于人工智能方法的數(shù)據(jù)庫智能診斷方法方案研討

基于人工智能方法展開數(shù)據(jù)庫智能診斷，其方法方案內(nèi)容必須豐富，結(jié)合數(shù)據(jù)變化情況展開分析，了解異常診斷系統(tǒng)總體框架建設(shè)過程，滿足離線數(shù)據(jù)分析要求。同時(shí)，在線實(shí)時(shí)分析某些異常監(jiān)測(cè)問題，做好故障診斷工作也是非常有必要的。

3.1 設(shè)計(jì)離線數(shù)據(jù)分析模型

在設(shè)計(jì)離線數(shù)據(jù)和分析相關(guān)模型過程中，需要了解相關(guān)數(shù)據(jù)內(nèi)容，同時(shí)優(yōu)化臨近算法，對(duì)算法相似度展開分析，提升設(shè)計(jì)離線數(shù)據(jù)分析模型建設(shè)水平。在數(shù)據(jù)庫正常運(yùn)行狀態(tài)下，需要提升判別能力，確保具體計(jì)算方法描述到位[5]。

3.2 建立正常運(yùn)行狀態(tài)下的數(shù)據(jù)庫

需要建立正常運(yùn)行狀態(tài)下的數(shù)據(jù)庫，分析數(shù)據(jù)結(jié)構(gòu)，了解異常數(shù)據(jù)相似性。在手動(dòng)注入異常數(shù)據(jù)過程中，也需要建立LSTM 循環(huán)神經(jīng)網(wǎng)絡(luò)，形成訓(xùn)練機(jī)制，在訓(xùn)練后形成模型，保證正常監(jiān)控時(shí)序數(shù)據(jù)能夠具有較強(qiáng)的重構(gòu)能力。在分析時(shí)序數(shù)據(jù)輸入模型以后，也需要思考模型狀態(tài)分析機(jī)制，逐步重建還原輸入時(shí)序數(shù)據(jù)，確保系統(tǒng)最終目標(biāo)分析到位，建立異常時(shí)序數(shù)據(jù)模型。在正常和異常時(shí)序數(shù)據(jù)分析過程中，需要了解其中的結(jié)構(gòu)差異問題，保證所重構(gòu)結(jié)果數(shù)據(jù)不存在過大誤差。在系統(tǒng)中獲取異常監(jiān)測(cè)能力過程中，保證數(shù)據(jù)庫始終處于正常運(yùn)行狀態(tài)下。

3.3 分析在線部分?jǐn)?shù)據(jù)內(nèi)容

要基于人工智能方法分析數(shù)據(jù)庫智能診斷過程，了解在線部分?jǐn)?shù)據(jù)內(nèi)容，確保用戶執(zhí)行工作負(fù)載時(shí)所有監(jiān)控?cái)?shù)據(jù)信息都能正常輸入到數(shù)據(jù)中，配合模型實(shí)時(shí)結(jié)合數(shù)據(jù)庫讀取時(shí)間序列數(shù)據(jù)，做好異常監(jiān)測(cè)工作過程。如果所監(jiān)測(cè)異常值大于警報(bào)閾值，則需要進(jìn)一步分析其中異常問題，對(duì)啟動(dòng)動(dòng)因分析模塊進(jìn)行診斷分析，了解異常特征向量。通過優(yōu)化K 近鄰算法分析異常特征向量，了解異常特征向量并對(duì)其展開相似性比較與分析，確保系統(tǒng)將診斷結(jié)果直接匯報(bào)并反饋到用戶方[6]。

在分析在線部分?jǐn)?shù)據(jù)內(nèi)容過程中，需要對(duì)視圖構(gòu)造內(nèi)容進(jìn)行查詢，定時(shí)獲取DBMS 相關(guān)監(jiān)控?cái)?shù)據(jù)內(nèi)容，同時(shí)構(gòu)造監(jiān)控?cái)?shù)據(jù)查詢機(jī)制，通過插件集成Dstat 工具。在工具運(yùn)行過程中，需要了解所輸入數(shù)據(jù)建立的LSTM模型，做好異常監(jiān)測(cè)工作，調(diào)用根形成診斷程序。在分析系統(tǒng)手法啟動(dòng)算法過程中，也需要以報(bào)告形式形成反饋，為網(wǎng)頁端用戶提供技術(shù)支持。在分析PostgreSQL 內(nèi)置統(tǒng)計(jì)信息視圖過程中，需要分析多個(gè)統(tǒng)計(jì)信息視圖內(nèi)容，有效記錄數(shù)據(jù)庫、數(shù)據(jù)表以及索引連接，確保諸多用戶模塊統(tǒng)計(jì)信息優(yōu)化到位。在分析諸多默認(rèn)情況過程中，需要結(jié)合系統(tǒng)選擇分析信息收集間隔，了解數(shù)據(jù)庫性能變化情況，思考LSTM 模型異常監(jiān)測(cè)，分析診斷程序內(nèi)容[7]。

4 基于人工智能方法的數(shù)據(jù)庫智能算法描述方案研討

4.1 異常監(jiān)測(cè)算法描述方案

首先，應(yīng)該基于人工智能方法對(duì)數(shù)據(jù)庫中的智能算法進(jìn)行描述，采用LSTM 編碼器，配合解碼器模型來解決高維時(shí)間序列異常監(jiān)測(cè)內(nèi)容，給定時(shí)間監(jiān)控指標(biāo)，同時(shí)形成數(shù)據(jù)時(shí)間序列內(nèi)容。要結(jié)合訓(xùn)練階段內(nèi)容來分析某些正常數(shù)據(jù)，形成LSTM 網(wǎng)絡(luò)，了解正常序列中的建模能力優(yōu)化過程。如果異常時(shí)間序列正常輸入，也需要對(duì)模型較大重構(gòu)誤差進(jìn)行分析，保證網(wǎng)絡(luò)結(jié)果采用深層長(zhǎng)短期記憶網(wǎng)絡(luò)，建立形成Attention 機(jī)制，保證提高模型擬合數(shù)據(jù)能力[8]。

4.2 LTSM 算法描述方案

在分析LSTM 算法和描述相關(guān)算法方案過程中，就需要基于有效時(shí)間序列分析相關(guān)神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)內(nèi)容。分析LSTM 網(wǎng)絡(luò)較好捕捉機(jī)制，思考其與高維數(shù)據(jù)之間的關(guān)聯(lián)性。在針對(duì)時(shí)間序列異常點(diǎn)算法進(jìn)行分析過程中，也需要建立數(shù)據(jù)庫展開監(jiān)控操作，關(guān)注區(qū)域異常單點(diǎn)問題，了解異常性策略，保證監(jiān)控魯棒性表現(xiàn)更強(qiáng)。在設(shè)定異常閾值過程中，也需要獲得異常數(shù)據(jù)樣本，結(jié)合諸多優(yōu)勢(shì)內(nèi)容分析非參數(shù)檢驗(yàn)方法，并展開T 檢驗(yàn)過程。就整體來講，需要思考相應(yīng)偏差問題，了解整體結(jié)果所產(chǎn)生的巨大影響，適應(yīng)實(shí)際場(chǎng)景分析數(shù)據(jù)動(dòng)態(tài)偏移結(jié)果[9]。

4.3 根因診斷算法描述方案

要結(jié)合AutoMonitor 來分析根因診斷算法，提出具體描述方案，其中必須建立技術(shù)應(yīng)用體系，確保諸多技術(shù)內(nèi)容思考發(fā)展機(jī)制，建立良好技術(shù)機(jī)制，思考相關(guān)便捷操作。在分析相關(guān)性能問題過程中，首先需要結(jié)合異常指標(biāo)集合內(nèi)容展開分析，然后結(jié)合諸多技術(shù)內(nèi)容建立分析機(jī)制，思考全局信息對(duì)異常內(nèi)容展開研討，分析計(jì)算其中權(quán)重問題。在這一過程中，也需要思考諸多技術(shù)應(yīng)用流程，確保技術(shù)應(yīng)用到位，優(yōu)化相關(guān)計(jì)算操作過程，再結(jié)合諸多技術(shù)內(nèi)容思考諸多問題，保證諸多技術(shù)內(nèi)容建立分析機(jī)制，并保證診斷算法描述方案優(yōu)化到位。同時(shí)，還需要不斷提高其探索準(zhǔn)確度，了解所有詞匯重要性的不一致內(nèi)涵，并了解頻率較高詞匯被忽略這一現(xiàn)實(shí)狀況。在本文看來，基于普通K 近鄰算法展開分析，需要了解到所有維度指標(biāo)中特殊處理內(nèi)容較多，還需要結(jié)合諸多技術(shù)內(nèi)容建立分析機(jī)制，思考發(fā)展體系內(nèi)涵，優(yōu)化相關(guān)分析系統(tǒng)根，基于推斷算法了解異常向量?jī)?nèi)容，并聚合形成一個(gè)綜合向量。在這一綜合機(jī)制中，優(yōu)化相關(guān)技術(shù)操作，確保諸多技術(shù)應(yīng)用內(nèi)容都能滲透到相關(guān)技術(shù)應(yīng)用體系中，思考諸多技術(shù)診斷算法，確保技術(shù)應(yīng)用全面到位，結(jié)合這些技術(shù)問題進(jìn)行分析，了解差異較大指標(biāo)，推出權(quán)重變化情況[10]。在基于不同距離展開診斷結(jié)果分析，了解其中影響問題過程中，也需要縮小其中的差異較大指標(biāo)權(quán)重問題，并提出具體算法方案，運(yùn)用代碼進(jìn)行客觀描述。需要關(guān)注一點(diǎn)，必須結(jié)合諸多技術(shù)應(yīng)用內(nèi)容分析算法，同時(shí)引入諸多異常類型計(jì)算內(nèi)容，確保諸多技術(shù)應(yīng)用到位。在結(jié)合相關(guān)技術(shù)操作內(nèi)容分析相關(guān)操作機(jī)制過程中，確保數(shù)據(jù)集不會(huì)隨意擴(kuò)大規(guī)模。與此同時(shí)，也需要思考諸多推斷速度內(nèi)容，確保諸多數(shù)據(jù)或類型異常內(nèi)容都能融入進(jìn)來，確保諸多技術(shù)內(nèi)容被合理融入到操作過程中，結(jié)合相關(guān)操作技術(shù)內(nèi)容建立分析機(jī)制，保證總結(jié)諸多技術(shù)內(nèi)容，且工作效率非常之高[11]。

4.4 研究方案結(jié)果分析

最后需要分析研究方案結(jié)果，了解數(shù)據(jù)庫實(shí)際運(yùn)行過程，分析異常監(jiān)測(cè)模塊快速部署情況，提高監(jiān)測(cè)工作精確度。在分析服務(wù)器安裝PostgreSQL 數(shù)據(jù)進(jìn)行分析過程中，也需要了解到CPU 中大量網(wǎng)絡(luò)資源被搶占情況，其中所涵蓋的數(shù)據(jù)庫日常運(yùn)維事件較多，要結(jié)合訪問數(shù)據(jù)庫行為來做好相應(yīng)糾錯(cuò)工作。在對(duì)系統(tǒng)流量?jī)?nèi)容進(jìn)行控制過程中，也需要保證OLTP-Bench 數(shù)據(jù)內(nèi)容，有效監(jiān)測(cè)工具性能開銷測(cè)試內(nèi)容，確保探究數(shù)據(jù)庫根由于診斷系統(tǒng)所導(dǎo)致的數(shù)據(jù)庫性能變化影響情況[12]。

5 結(jié)語

在本文中簡(jiǎn)單分析了基于人工智能方法的數(shù)據(jù)庫智能診斷方法，在結(jié)合諸多算法建立PostgerSQL 數(shù)據(jù)庫過程中，也希望有效解決數(shù)據(jù)庫擴(kuò)展性相對(duì)較差、診斷系統(tǒng)在離線過程中訓(xùn)練數(shù)據(jù)不足等諸多問題。簡(jiǎn)言之，就是基于框架移植條件分析主流開源數(shù)據(jù)庫內(nèi)容，保證分布式數(shù)據(jù)庫有效構(gòu)建，結(jié)合異常數(shù)據(jù)內(nèi)容分析人工合成模擬機(jī)制，形成數(shù)據(jù)庫主流分析機(jī)制，將更多數(shù)據(jù)內(nèi)容與計(jì)算方案應(yīng)用于實(shí)際場(chǎng)景之中。