[發明專利]數據庫請求識別、異常檢測方法、裝置、設備及介質

在審

• 申請號: 202011486855.1
• 申請日: 2020-12-16
• 公開（公告）號: CN113297307A
• 公開（公告）日: 2021-08-24
• 發明（設計）人: 殷征;陳旭;李廣望;李飛飛
• 申請（專利權）人: 阿里巴巴集團控股有限公司
• 主分類號: G06F16/25
• 分類號: G06F16/25;G06K9/62
• 代理公司: 北京博思佳知識產權代理有限公司 11415
• 代理人: 周嗣勇

1.一種數據庫請求識別方法，所述方法包括：

獲取設定時間段內的數據庫請求集；

確定所述設定時間段內的數據庫請求集中各數據庫請求的響應時長的概率分布后，根據所述概率分布確定目標數據庫請求，所述目標數據庫請求包括：響應時長大于第一設定閾值且分布概率低于設定概率閾值的數據庫請求。

2.根據權利要求1所述的方法，所述目標數據庫請求包括：由數據庫運行狀態異常導致的慢數據庫請求，所述慢數據庫請求的響應時長大于第二設定閾值。

3.根據權利要求1所述的方法，所述數據庫請求集為：包括多個慢數據庫請求的數據庫請求集，所述慢數據庫請求的響應時長大于第二設定閾值。

4.根據權利要求2或3所述的方法，所述第一設定閾值大于或等于第二設定閾值。

5.根據權利要求1所述的方法，所述慢數據庫請求集中的慢數據庫請求通過如下方式確定：

向數據庫設備發送探活數據庫請求后，監測所述數據庫設備對所述探活數據庫請求的響應時間；

若所述探活數據庫請求的響應時間大于第一設定閾值，確定所述探活數據庫請求為所述慢數據庫請求。

6.一種數據庫異常檢測方法，所述方法包括：

獲取利用權利要求1至5任意一項數據庫請求識別方法識別出的目標數據庫請求；

識別所述目標數據庫請求所屬的數據庫異常原因類別。

7.根據權利要求6所述的方法，所述識別所述目標數據庫請求所屬的數據庫異常原因類別，包括：

獲取數據庫運行環境的性能指標數據；

將所述目標數據庫請求及所述性能指標數據輸入至機器學習模型，利用所述機器學習模型確定所述目標數據庫請求所屬的數據庫異常原因類別。

8.根據權利要求7所述的方法，所述機器學習模型用于：從所述性能指標數據識別出至少一個性能指標，以及識別每個所述性能指標是否具有至少一個異常特征后，確定具有至少一個異常特征的性能指標所屬的聚類類別，將確定的聚類類別對應的與數據庫異常原因類別確定為所述目標數據庫請求的數據庫異常原因類別。

9.根據權利要求7所述的方法，所述機器學習模型通過如下方式訓練得到：

獲取歷史目標數據庫請求集，以及所述歷史目標數據庫請求集中各歷史目標數據庫請求對應的多個歷史關鍵異常性能指標；

利用歷史關鍵異常性能指標的相似度，將所述歷史目標數據庫請求集中各歷史目標數據庫請求進行聚類分析，獲得多個聚類類別結果；所述聚類類別結果包括：至少一個歷史目標數據庫請求，所述歷史目標數據庫請求對應的歷史關鍵異常性能指標及異常特征，每種聚類類別對應一種數據庫異常原因類別；

利用多個聚類類別結果訓練機器學習模型。

10.根據權利要求8或9所述的方法，所述性能指標數據為時間序列數據，所述異常特征是通過分析所述性能指標在時序上的波動確定的。

11.根據權利要求9所述的方法，所述利用歷史關鍵異常性能指標的相似度，將所述歷史目標數據庫請求集中各歷史目標數據庫請求進行聚類分析，獲得多個聚類類別，包括：

將所述歷史目標數據庫請求集轉換為字典，所述字典中包含有對各歷史目標數據庫請求轉換得到的字符串，所述字符串包括歷史目標數據庫請求對應的多個歷史關鍵異常性能指標構成的序列；

利用字符串之間的相似度確定歷史目標數據庫請求之間的相似度，根據歷史目標數據庫請求之間的相似度進行聚類分析，獲得多個聚類類別。

12.根據權利要求9所述的方法，所述多個歷史關鍵異常性能指標，通過如下方式獲得：

獲取數據庫運行環境的歷史監控數據，利用所述歷史監控數據中計算多個歷史初始異常性能指標，將所述多個歷史初始異常性能指標進行關聯分析，刪除具有關聯的多個歷史初始異常性能指標中的至少一個后，獲得所述多個歷史關鍵異常性能指標。