[發(fā)明專利]一種基于人工智能的分布式數(shù)據(jù)庫自動運維方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202011465354.5
• 申請日: 2020-12-14
• 公開（公告）號: CN112579391A
• 公開（公告）日: 2021-03-30
• 發(fā)明（設計）人: 李博文;余杭卿;齊震宇;江磊;陳磊
• 申請（專利權(quán)）人: 浪潮云信息技術股份公司
• 主分類號: G06F11/30
• 分類號: G06F11/30;G06F16/21;G06K9/62
• 代理公司: 濟南信達專利事務所有限公司 37100
• 代理人: 姜明

本發(fā)明公開了一種基于人工智能的分布式數(shù)據(jù)庫自動運維方法及系統(tǒng)，屬于分布式自治數(shù)據(jù)庫領域；所述的一種基于人工智能的分布式數(shù)據(jù)庫自動運維方法，其特征是所述的方法具體步驟包括：S1對數(shù)據(jù)庫系統(tǒng)的運行信息進行采集；S2根據(jù)監(jiān)測指標數(shù)據(jù)變化確定故障信息的相關特征；S3利用故障信息的相關特征數(shù)據(jù)建立問題識別模型，對故障類型進行分類；S4設定過濾器對有效信息進行收集整理篩選，得到預警信息；S5收集預警信息并記錄對應的故障問題；本發(fā)明實現(xiàn)的自動運維方法對于所監(jiān)控的應用可盡心動態(tài)的資源分配與參數(shù)調(diào)整，本身可移植，可以很好的根據(jù)實際需求進行相應指標的調(diào)整從而適應不同的實際情況。

技術領域

本發(fā)明公開一種基于人工智能的分布式數(shù)據(jù)庫自動運維方法及系統(tǒng)，涉及分布式自治數(shù)據(jù)庫技術領域。

背景技術

數(shù)據(jù)是任何商業(yè)和公共安全中最具有戰(zhàn)略性的資產(chǎn)，信息技術領域全面云化已是大勢所趨，繼云計算大數(shù)據(jù)之后，數(shù)據(jù)庫上云也是數(shù)據(jù)庫未來的發(fā)展方向。隨著信息時代的發(fā)展，使得數(shù)據(jù)庫信息的價值及可訪問性得到了提升，對數(shù)據(jù)庫的安全性、實用性、可靠性的考驗越來越嚴峻。對傳統(tǒng)數(shù)據(jù)庫的監(jiān)控運維往往需要大量的人力物力，發(fā)生宕機情況后如處理不當或由于人為操作失誤導致數(shù)據(jù)丟失損壞，所造成的損失將是毀滅性的。為此，設計一套基于人工智能的分布式數(shù)據(jù)庫故障監(jiān)控、故障分類、故障處理的自動運維系統(tǒng)就顯得尤為重要。

目前市面上主流的第三方數(shù)據(jù)庫監(jiān)控系統(tǒng)，比如普羅米修斯(Prometheus)、SolarWinds、Paessler Router Traffic Grapher等。他們的監(jiān)控功能目前已經(jīng)比較完善，但是同樣有著不足之處，出現(xiàn)問題之后沒有故障的自動處理，只有告警信息的輸出，都要靠運維人員進行維護處理。處于業(yè)務高峰期時，出現(xiàn)高頻率的告警，運維人員短時間內(nèi)無法快速處理大量問題，同時還可能出現(xiàn)操作不當，故障定位錯誤等問題。如今做到數(shù)據(jù)庫自治化的Oracle Database 18c，并沒有一套獨立的通配監(jiān)控系統(tǒng)。以上監(jiān)控系統(tǒng)對于分布式數(shù)據(jù)庫的自動化運行、故障分類、處理的作用還有待考量；

故現(xiàn)發(fā)明一種基于人工智能的分布式數(shù)據(jù)庫自動運維方法及系統(tǒng)，以解決上述問題。

發(fā)明內(nèi)容

本發(fā)明針對現(xiàn)有技術的問題，提供一種基于人工智能的分布式數(shù)據(jù)庫自動運維方法及系統(tǒng)，所采用的技術方案為：一種基于人工智能的分布式數(shù)據(jù)庫自動運維方法，所述的方法具體步驟包括：

S1對數(shù)據(jù)庫系統(tǒng)的運行信息進行采集；

S2根據(jù)監(jiān)測指標數(shù)據(jù)變化確定故障信息的相關特征；

S3利用故障信息的相關特征數(shù)據(jù)建立問題識別模型，對故障類型進行分類；

S4設定過濾器對有效信息進行收集整理篩選，得到預警信息；

S5收集預警信息并記錄對應的故障問題。

所述S1對數(shù)據(jù)庫系統(tǒng)的運行信息進行采集的具體步驟包括：

S101向數(shù)據(jù)庫接入數(shù)據(jù)庫事件和狀態(tài)信息的抓取工具

S102設置消息隊列對數(shù)據(jù)進行緩存；

S103將信息過濾處理后的數(shù)據(jù)發(fā)送至云端服務器進行AI的分析。

所述S2根據(jù)監(jiān)測指標數(shù)據(jù)變化確定故障信息的相關特征的具體步驟包括：

S201利用數(shù)據(jù)庫集群狀態(tài)的反應數(shù)據(jù)確定特定類型問題的影響指標以及數(shù)據(jù)變化量；

S202選取合適的模型進行深度學習訓練。

所述S3利用故障信息的相關特征數(shù)據(jù)建立問題識別模型，對故障類型進行分類的具體步驟包括：

S301人工輸入故障信息類型及相關數(shù)據(jù)；

S302利用機器的深度學習訓練出問題識別模型；