一种数据库的智能化模式检测方法、系统及存储介质与流程

1.本发明涉及数据库技术领域，特别涉及一种数据库的智能化模式检测方法、系统及存储介质。


背景技术：

2.数据库作为信息系统的数据基础，保障数据库健康运行是信息系统稳定运行的重要基石。然而数据库种类和数量不断增加，数据库的数据震荡问题一直存在,人员如何能够快速检测并定位，对于今后的数据库管理极为重要，同时如何才能使得数据库的检测处理难度不会急剧增加也非常迫切。
3.现有技术的不足之处在于，目前数据库种类和数量随着业务的增加而不断增加，再加上it架构的复杂性不断增长，导致了数据库的巡检和故障检修的工作量加大，且目前无法实现故障的快速诊断和精确定位。


技术实现要素：

4.本发明的目的克服现有技术存在的不足，为实现以上目的，采用一种数据库的智能化模式检测方法，以解决上述背景技术中提出的问题。
5.一种数据库的智能化模式检测方法，具体步骤包括：
6.步骤一：获取数据库的震荡数据，并进行序列化分段，得到若干个模式；
7.步骤二：对每个模式的特征值进行归一化处理，得到特征向量及特征向量集合；
8.步骤三：根据运算得到若干个模式的距离，得到最接近的k个模式；
9.步骤四：计算k个模式的影响因子和异常因子，得到异常区间和该区间的异常因子。
10.作为本发明的进一步的方案：所述步骤一的获取数据库的震荡数据，并进行序列化分段，得到若干个模式的具体步骤包括：
11.设定时间序列为x＝<x1,x2,...,x
n
>，将时间序列分成n个子模式，通过线性分段方法得到的时间序列表示为：
12.l(x)＝{l(x
f1
,x
f2
),l(x
f2
,x
f3
),...,l(x
f(n
‑
1)
,x
fn
)}；
13.其中，l(x
f1
,x
f2
)表示连接两点的直线段，n为子模式的个数。
14.作为本发明的进一步的方案：所述步骤二的特征值进行归一化处理的公式为：
[0015][0016]
作为本发明的进一步的方案：所述步骤三的根据运算得到若干个模式的距离，得到最接近的k个模式的具体步骤包括：
[0017]
获取归一化处理后的所有模式的特征向量，并得到特征向量集合；
[0018]
根据欧几里得公式计算每个模式与其他模式的距离，并得到距离系数和最接近的k个模式。
[0019]
作为本发明的进一步的方案：所述步骤四的计算k个模式的影响因子和异常因子，得到异常区间和该区间的异常因子的具体步骤包括：
[0020]
根据距离系数q进行归一化处理，得到影响因子：
[0021][0022]
根据影响因子计算异常因子：
[0023][0024]
判断连续n个模式的异常因子exception>k，则将该异常区间和exception输出。
[0025]
一种包括上任一项所述的一种数据库的智能化模式检测方法的系统，包括：
[0026]
获取模块，用于获取数据库的震荡数据信息；
[0027]
运算模块，用于接收获取模块所获取的震荡数据信息，并调取算法进行运算。
[0028]
一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被执行时实现如上任一项所述的一种数据库的智能化模式检测方法的步骤。
[0029]
与现有技术相比，本发明存在以下技术效果：
[0030]
通过采用上述的技术方案，利用对震荡的数据采用分段分析的模式，即将数据序列分为若干段，将每段定义为一个模式，对每个模式取其特征值进行描述，并进行映射操作而得到特征向量，并将这些模式进行映射，获取模式距离的异常因子从而判断区间。从而实现了对数据库震荡数据的故障的快速检测和定位。
附图说明
[0031]
下面结合附图，对本发明的具体实施方式进行详细描述：
[0032]
图1为本技术公开的一些实施例的结构示意图；
具体实施方式
[0033]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0034]
请参考图1，本发明实施例中，一种数据库的智能化模式检测方法，具体步骤包括：
[0035]
步骤一：获取数据库的震荡数据，并进行序列化分段，得到若干个模式；
[0036]
具体步骤包括：
[0037]
设定时间序列为x＝<x1,x2,...,x
n
>，根据指定的模式长度d，将序列分割为n个子序列模式，并计算每个子序列模式的特征值，通过线性分段方法得到的时间序列表示为：
[0038]
l(x)＝{l(x
f1
,x
f2
),l(x
f2
,x
f3
),...,l(x
f(n
‑
1)
,x
fn
)}；
[0039]
其中，l(x
f1
,x
f2
)表示连接两点的直线段，n为子序列模式的个数。
[0040]
步骤二：对每个模式的特征值进行归一化处理，得到特征向量及特征向量集合，特征值进行归一化处理的公式为：
[0041][0042]
步骤三：根据运算得到若干个模式的距离，得到最接近的k个模式，具体步骤包括：
[0043]
获取归一化处理后的所有模式的特征向量，并得到特征向量集合；
[0044]
根据欧几里得公式计算每个模式与其他模式的距离，并得到距离系数和最接近的k个模式。
[0045]
步骤四：计算k个模式的影响因子和异常因子，得到异常区间和该区间的异常因子。
[0046]
具体步骤包括：
[0047]
根据距离系数q进行归一化处理，得到影响因子：
[0048][0049]
根据影响因子计算异常因子：
[0050][0051]
判断连续n个模式的异常因子exception>k，则将该异常区间和exception输出。
[0052]
针对不符合线性回归，剧烈波动的监控数据，采用结合knn聚类算法和基于模式的异常检测的思想，提出了基于模式的异常检测算法。在数据规模达到一定程度时，可以很好地找到模式差异，定位异常区间。
[0053]
一种包括上任一项所述的一种数据库的智能化模式检测方法的系统，包括：
[0054]
获取模块，用于获取数据库的震荡数据信息；
[0055]
运算模块，用于接收获取模块所获取的震荡数据信息，并调取算法进行运算。
[0056]
一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被执行时实现如上任一项所述的一种数据库的智能化模式检测方法的步骤。
[0057]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定，均应包含在本发明的保护范围之内。