本技术涉及人工智能,特别是涉及一种数据库性能预测模型训练方法、数据库性能预测方法、装置、系统、计算机设备、存储介质和计算机程序产品。
背景技术:
1、随着互联网技术的飞速发展,应用的基础功能架构需要合理设计以承担不断提高的性能需求。数据库作为应用整体结构中的重要模块,提供了数据存储、处理、分析等最基础的功能,是应用系统中最底层的交互通道,因此也成为提升应用系统性能的关键因素之一。为了适用于不同的任务处理,数据库系统提供了大量的配置参数,配置参数的选取在一定程度上影响了应用系统的整体性能。一般,数据库系统配置参数对其性能的影响、以及配置参数之间的相互作用较为复杂,仅凭实际的调参经验不能准确地针对不同的任务场景选取最优的配置参数值。因此,通过对数据库的性能数据进行挖掘,建立高精度的数据库性能预测模型非常有必要。
2、目前,一些数据库性能预测模型没有考虑数据波动变化大时干扰预测结果的情况,且没有充分挖数据库性能数据的特征信息,存在精确度低的问题。
技术实现思路
1、基于此,有必要针对上述技术问题,提供一种数据库性能预测模型训练方法、数据库性能预测方法、装置、系统、计算机设备、存储介质和计算机程序产品。
2、第一方面,本技术提供了一种数据库性能预测模型训练方法。所述方法包括:
3、获取待预测金融数据库待预测金融数据库在当前时间对应的历史时间段的历史数据库性能数据,以及所述待预测金融数据库在所述当前时间的实际数据库性能数据;所述历史时间段为所述当前时间之前的预设时间区间;
4、对所述历史数据库性能数据进行小波分解,得到所述历史数据库性能数据对应的数据库性能特征;
5、将所述数据库性能特征输入待训练的数据库性能预测模型,通过所述数据库性能预测模型得到所述当前时间的预测数据库性能数据,并利用所述实际数据库性能数据以及所述预测数据库性能数据之间的差异,训练所述数据库性能预测模型,得到初始数据库性能预测模型;
6、通过改进粒子群算法,获取初始数据库性能预测模型对应的多种超参数设置方案,并获取各所述超参数设置方案对应的预测误差;所述预测误差用于表示所述当前时间的实际数据库性能数据与所述当前时间的预测数据库性能数据之间的差异;
7、将所述预测误差最小的超参数设置方案确定为目标超参数设置方案,并将所述目标超参数设置方案对应的数据库性能预测模型确定为优化数据库性能预测模型。
8、在其中一个实施例中,所述通过改进粒子群算法,获取初始数据库性能预测模型对应的多种超参数设置方案,包括:获取所述初始数据库性能预测模型的初始超参数设置方案;利用所述改进粒子算法对所述初始超参数设置方案进行预设更新轮次的更新,得到所述初始数据库性能预测模型对应的多种超参数设置方案。
9、在其中一个实施例中,所述预设更新轮次至少包括两次;所述利用所述改进粒子算法对所述初始超参数设置方案进行预设更新轮次的更新,得到所述初始数据库性能预测模型对应的多种超参数设置方案,包括:将所述预测误差小于预设预测误差阈值的初始超参数设置方案确定为候选超参数设置方案;基于所述候选超参数设置方案,对所述初始数据库性能预测模型进行训练,得到候选数据库性能预测模型;通过所述候选数据库性能预测模型,得到各所述候选超参数设置方案对应的预测误差;将所述候选超参数设置方案确定为新的初始参数设置方案,执行将所述预测误差小于预设预测误差阈值的初始超参数设置方案确定为候选超参数设置方案的步骤,直到当前更新轮次满足所述预设更新轮次。
10、在其中一个实施例中,所述获取各所述超参数设置方案对应的预测误差,包括:基于所述多种超参数设置方案,训练所述初始数据库性能预测模型,得到各所述超参数设置方案对应的更新数据库性能预测模型;基于各所述超参数设置方案对应的更新数据库性能预测模型,得到各所述超参数设置方案对应的预测误差;所述将所述目标超参数设置方案对应的更新数据库性能预测模型确定为优化数据库性能预测模型,包括:将所述目标超参数设置方案对应的更新数据库性能预测模型确定为优化数据库性能预测模型。
11、在其中一个实施例中,所述对所述历史数据库性能数据进行小波分解,得到所述历史数据库性能数据对应的数据库性能特征,包括:基于小波函数,对所述历史数据库性能数据进行信号分解,得到所述历史数据库性能数据的三个细节分量和一个近似分量;根据所述三个细节分量和所述一个近似分量,得到所述历史数据库性能数据对应的数据库性能特征。
12、在其中一个实施例中,所述根据所述三个细节分量和所述一个近似分量,得到所述历史数据库性能数据对应的数据库性能特征,包括:将所述三个细节分量和所述一个近似分量确定为待处理数据库性能特征;获取所述待处理数据库性能特征的最大值和最小值,并获取所述最大值和所述最小值的差值;基于所述差值和所述最小值,得到所述数据库性能特征。
13、第二方面,本技术提供了一种数据库性能预测方法。所述方法包括:
14、获取待预测金融数据库在当前时间段的当前数据库性能数据;
15、对当前数据库性能数据进行小波分解,得到所述当前数据库性能数据对应的数据库性能特征;
16、将所述数据库性能特征输入至预先训练好的优化数据库性能预测模型,得到所述待预测金融数据库在所述当前时间段对应的未来时间的预测数据库性能数据;所述优化数据库性能预测模型通过如以上任一项实施例所述的数据库性能预测模型训练方法训练得到。
17、第三方面,本技术提供了一种数据库性能预测模型训练装置。所述装置包括:
18、获取模块,用于获取待预测金融数据库在当前时间对应的历史时间段的历史数据库性能数据,以及所述待预测金融数据库在所述当前时间的实际数据库性能数据;所述历史时间段为所述当前时间之前的预设时间区间;
19、小波变换模块,用于对所述历史数据库性能数据进行小波分解,得到所述历史数据库性能数据对应的数据库性能特征;
20、训练模块,用于将所述数据库性能特征输入待训练的数据库性能预测模型,通过所述数据库性能预测模型得到所述当前时间的预测数据库性能数据,并利用所述实际数据库性能数据以及所述预测数据库性能数据之间的差异,训练所述数据库性能预测模型,得到初始数据库性能预测模型;
21、计算模块,用于通过改进粒子群算法,获取初始数据库性能预测模型对应的多种超参数设置方案,并获取各所述超参数设置方案对应的预测误差;所述预测误差用于表示所述当前时间的实际数据库性能数据与所述当前时间的预测数据库性能数据之间的差异;
22、筛选模块,用于将所述预测误差最小的超参数设置方案确定为目标超参数设置方案,并将所述目标超参数设置方案对应的数据库性能预测模型确定为优化数据库性能预测模型。
23、第四方面,本技术提供了一种数据库性能预测装置。所述装置包括:
24、获取模块,用于获取待预测金融数据库在当前时间段的当前数据库性能数据;
25、小波变换模块,用于对当前数据库性能数据进行小波分解,得到所述当前数据库性能数据对应的数据库性能特征;
26、预测模块,用于将所述数据库性能特征输入至预先训练好的优化数据库性能预测模型,得到所述待预测金融数据库在所述当前时间段对应的未来时间的预测数据库性能数据;所述优化数据库性能预测模型通过如以上任一项实施例所述的数据库性能预测模型训练方法训练得到。
27、第五方面,本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
28、获取待预测金融数据库待预测金融数据库在当前时间对应的历史时间段的历史数据库性能数据,以及所述待预测金融数据库在所述当前时间的实际数据库性能数据;所述历史时间段为所述当前时间之前的预设时间区间;
29、对所述历史数据库性能数据进行小波分解,得到所述历史数据库性能数据对应的数据库性能特征;
30、将所述数据库性能特征输入待训练的数据库性能预测模型,通过所述数据库性能预测模型得到所述当前时间的预测数据库性能数据,并利用所述实际数据库性能数据以及所述预测数据库性能数据之间的差异,训练所述数据库性能预测模型,得到初始数据库性能预测模型;
31、通过改进粒子群算法,获取初始数据库性能预测模型对应的多种超参数设置方案,并获取各所述超参数设置方案对应的预测误差;所述预测误差用于表示所述当前时间的实际数据库性能数据与所述当前时间的预测数据库性能数据之间的差异;
32、将所述预测误差最小的超参数设置方案确定为目标超参数设置方案,并将所述目标超参数设置方案对应的数据库性能预测模型确定为优化数据库性能预测模型。
33、和/或获取待预测金融数据库在当前时间段的当前数据库性能数据;
34、对当前数据库性能数据进行小波分解,得到所述当前数据库性能数据对应的数据库性能特征;
35、将所述数据库性能特征输入至预先训练好的优化数据库性能预测模型,得到所述待预测金融数据库在所述当前时间段对应的未来时间的预测数据库性能数据。
36、第六方面,本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
37、获取待预测金融数据库待预测金融数据库在当前时间对应的历史时间段的历史数据库性能数据,以及所述待预测金融数据库在所述当前时间的实际数据库性能数据;所述历史时间段为所述当前时间之前的预设时间区间;
38、对所述历史数据库性能数据进行小波分解,得到所述历史数据库性能数据对应的数据库性能特征;
39、将所述数据库性能特征输入待训练的数据库性能预测模型,通过所述数据库性能预测模型得到所述当前时间的预测数据库性能数据,并利用所述实际数据库性能数据以及所述预测数据库性能数据之间的差异,训练所述数据库性能预测模型,得到初始数据库性能预测模型;
40、通过改进粒子群算法,获取初始数据库性能预测模型对应的多种超参数设置方案,并获取各所述超参数设置方案对应的预测误差;所述预测误差用于表示所述当前时间的实际数据库性能数据与所述当前时间的预测数据库性能数据之间的差异;
41、将所述预测误差最小的超参数设置方案确定为目标超参数设置方案,并将所述目标超参数设置方案对应的数据库性能预测模型确定为优化数据库性能预测模型。
42、和/或获取待预测金融数据库在当前时间段的当前数据库性能数据;
43、对当前数据库性能数据进行小波分解,得到所述当前数据库性能数据对应的数据库性能特征;
44、将所述数据库性能特征输入至预先训练好的优化数据库性能预测模型,得到所述待预测金融数据库在所述当前时间段对应的未来时间的预测数据库性能数据。
45、第七方面,本技术还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
46、获取待预测金融数据库待预测金融数据库在当前时间对应的历史时间段的历史数据库性能数据,以及所述待预测金融数据库在所述当前时间的实际数据库性能数据;所述历史时间段为所述当前时间之前的预设时间区间;
47、对所述历史数据库性能数据进行小波分解,得到所述历史数据库性能数据对应的数据库性能特征;
48、将所述数据库性能特征输入待训练的数据库性能预测模型,通过所述数据库性能预测模型得到所述当前时间的预测数据库性能数据,并利用所述实际数据库性能数据以及所述预测数据库性能数据之间的差异,训练所述数据库性能预测模型,得到初始数据库性能预测模型;
49、通过改进粒子群算法,获取初始数据库性能预测模型对应的多种超参数设置方案,并获取各所述超参数设置方案对应的预测误差;所述预测误差用于表示所述当前时间的实际数据库性能数据与所述当前时间的预测数据库性能数据之间的差异;
50、将所述预测误差最小的超参数设置方案确定为目标超参数设置方案,并将所述目标超参数设置方案对应的数据库性能预测模型确定为优化数据库性能预测模型。
51、和/或获取待预测金融数据库在当前时间段的当前数据库性能数据;
52、对当前数据库性能数据进行小波分解,得到所述当前数据库性能数据对应的数据库性能特征;
53、将所述数据库性能特征输入至预先训练好的优化数据库性能预测模型,得到所述待预测金融数据库在所述当前时间段对应的未来时间的预测数据库性能数据。
54、上述数据库性能预测模型训练方法、数据库性能预测方法、装置、系统、计算机设备、存储介质和计算机程序产品中,可以获取待预测金融数据库在当前时间对应的历史时间段的历史数据库性能数据,以及待预测金融数据库在当前时间的实际数据库性能数据;历史时间段为当前时间之前的预设时间区间;对历史数据库性能数据进行小波分解,得到历史数据库性能数据对应的数据库性能特征;将数据库性能特征输入待训练的数据库性能预测模型,通过数据库性能预测模型得到当前时间的预测数据库性能数据,并利用实际数据库性能数据以及预测数据库性能数据之间的差异,训练数据库性能预测模型,得到初始数据库性能预测模型;通过改进粒子群算法,获取初始数据库性能预测模型对应的多种超参数设置方案,并获取各超参数设置方案对应的预测误差;预测误差用于表示当前时间的实际数据库性能数据与当前时间的预测数据库性能数据之间的差异;将预测误差最小的超参数设置方案确定为目标超参数设置方案,并将目标超参数设置方案对应的数据库性能预测模型确定为优化数据库性能预测模型。本技术实施例提供的该方法中,可以基于小波变换和双向长短期记忆循环神经网络建立初始数据库性能预测模型,并进一步基于改进粒子群算法结合优化,对初始数据库性能预测模型进行优化得到优化数据库性能预测模型,提高了数据库性能预测模型进行性能预测的准确性、精确度。