一种基于强化学习模型的关系型数据库参数优化方法

本发明涉及数据库运维与人工智能领域，更具体地说，它涉及一种基于强化学习模型的关系型数据库参数优化方法。

背景技术：

1、数据库配置中涉及数百个可调的系统参数，控制着数据库组件的多方面表现，参数优化技术通过选择合适的参数组合，提高数据库对当前场景的适应性，比如通过为各类缓存区分配合适的内存空间，尽可能减少磁盘读写次数；合适的参数可以提升数据库的吞吐量，降低数据库的延迟。

2、在传统生产场景下，数据库参数的调整依赖于数据库管理员，数据库管理员先通过人工反复实验得到统计数据，再根据经验决定配置方案，这里存在两个问题，首先，数据库一般具有上百项可调整的参数，在有限资源下几乎不可能遍历所有参数的组合来获得最优解，此外，由于为了测试每个参数组合是否有效，数据库管理员往往需要数周的时间来最终得到合适的数据库参数，这导致了大量的人力、资源开销，而且难以与动态变化的实际工作场景同步。

技术实现思路

1、本发明提供一种基于强化学习模型的关系型数据库参数优化方法，解决相关技术中上述的技术问题。

2、根据本发明的一个方面，提供了一种基于强化学习模型的关系型数据库参数优化方法，包括如下步骤：

3、步骤s100：基于强化学习模型，构建一个智能体；

4、步骤s200：将数据库映射为一个环境，构建环境代理；

5、步骤s300：构建危险参数检测模型，对智能体输出的一组数据库参数进行检测；

6、步骤s400：构建工作负载预测模型，根据数据库历史工作负载，预测出短时间内工作负载的特征；

7、步骤s500：构建参数评估模型，输入为数据库状态、未来工作负载特征和智能体输出的数据库参数，输出为评估值和评估可信度；

8、步骤s600：将智能体输出的数据库参数部署到数据库上，进行压力测试；

9、步骤s700：构建目标函数；

10、步骤s800：智能体不断更新策略以最大化目标函数；

11、步骤s900：重复步骤s100到步骤s800，直至所述智能体收敛。

12、进一步地：步骤s100中，智能体接收的输入为数据库运行时状态和未来工作负载状态，输出一组数据库参数。

13、进一步地：步骤s200中，所述智能体通过环境代理与环境交互。

14、进一步地：步骤s400中，工作负载预测模型输出结果为一个四维向量<s,u,d,a>分别代表select,update,delete,add类型的sql语句在未来短时间内出现的次数。

15、进一步地：步骤s500还包括如下步骤：

16、步骤s510：评估值为标量，其数值越高，表示数据库部署该组参数后，性能越高；

17、步骤s510：评估可信度为布尔值，true代表该次评估可信，false代表该次评估不可信，若评估可信度为false，执行步骤s600，否则执行步骤s700。

18、进一步地：步骤s500中，参数评估模型输入为一组参数,模型将一组参数映射到高维坐标系，一组参数对应坐标系中的一个点，经过计算后，参数评估模型同时输出评估值和可信度。

19、进一步地：步骤s600中，压力测试用于获取数据库的吞吐量和延迟，根据数据库的吞吐量和延迟对参数进行评估，输出评估值。

20、进一步地步骤s700中，目标函数的输出与奖励值和参数的熵呈正相关。

21、进一步地：数据库为关系型数据库，优化目标为单个数据库实例。

22、本发明的有益效果在于：基于改进的强化学习模型来自动生成高质量的参数，能显著提升数据库性能有较为显著的提升；大大减少人力及时间成本。

技术特征：

1.一种基于强化学习模型的关系型数据库参数优化方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于强化学习模型的关系型数据库参数优化方法，其特征在于，所述步骤s100中，智能体接收的输入为数据库运行时状态和未来工作负载状态，输出一组数据库参数。

3.根据权利要求1所述的一种基于强化学习模型的关系型数据库参数优化方法，其特征在于，所述步骤s200中，所述智能体通过环境代理与环境交互。

4.根据权利要求1所述的一种基于强化学习模型的关系型数据库参数优化方法，其特征在于，所述步骤s400中，工作负载预测模型输出结果为一个四维向量<s,u,d,a>分别代表select,update,delete,add类型的sql语句在未来短时间内出现的次数。

5.根据权利要求1所述的一种基于强化学习模型的关系型数据库参数优化方法，其特征在于，所述步骤s500还包括如下步骤：

6.根据权利要求1所述的一种基于强化学习模型的关系型数据库参数优化方法，其特征在于，所述步骤s500中，参数评估模型输入为一组参数,模型将一组参数映射到高维坐标系，一组参数对应坐标系中的一个点，经过计算后，参数评估模型同时输出评估值和可信度。

7.根据权利要求1所述的一种基于强化学习模型的关系型数据库参数优化方法，其特征在于，所述步骤s600中，压力测试用于获取数据库的吞吐量和延迟，根据数据库的吞吐量和延迟对参数进行评估，输出评估值。

8.根据权利要求1所述的一种基于强化学习模型的关系型数据库参数优化方法，其特征在于，所述步骤s700中，目标函数的输出与奖励值和参数的熵呈正相关。

9.根据权利要求1所述的一种基于强化学习模型的关系型数据库参数优化方法，其特征在于，所述数据库为关系型数据库，优化目标为单个数据库实例。

技术总结
本发明涉及数据库运维与人工智能领域，具体公开了一种基于强化学习模型的关系型数据库参数优化方法，包括如下步骤：步骤S100：基于强化学习模型，构建一个智能体；步骤S200：将数据库映射为一个环境，构建环境代理，智能体通过环境代理与环境进行交互；步骤S300：构建危险参数检测模型，对智能体输出的一组数据库参数进行检测；步骤S400：构建工作负载预测模型，根据数据库历史工作负载，预测出短时间内工作负载的特征；步骤S500：构建参数评估模型，输入为数据库状态、未来工作负载特征和智能体输出的数据库参数，输出为评估值和评估可信度；基于改进的强化学习模型来自动生成高质量的参数，能显著提升数据库性能；大大减少人力及时间成本。

技术研发人员：石磊,李翠霞,李天
受保护的技术使用者：郑州大学
技术研发日：
技术公布日：2024/1/15