數(shù)據(jù)庫(kù)負(fù)載自適應(yīng)技術(shù)研究.pdf

1、數(shù)據(jù)庫(kù)負(fù)載自適應(yīng)是針對(duì)大型數(shù)據(jù)庫(kù)的性能優(yōu)化問(wèn)題而提出的，在數(shù)據(jù)庫(kù)性能優(yōu)化的研究中，人們很關(guān)注數(shù)據(jù)庫(kù)的內(nèi)部軟、硬件資源優(yōu)化和參數(shù)配置等，較少關(guān)注數(shù)據(jù)庫(kù)的外部負(fù)載。2006加拿大皇后大學(xué)和IBM聯(lián)合提出了數(shù)據(jù)庫(kù)負(fù)載自適應(yīng)的思路，它在數(shù)據(jù)庫(kù)軟、硬件資源一定的條件下，通過(guò)合理地控制負(fù)載的執(zhí)行時(shí)機(jī)和次序，來(lái)實(shí)現(xiàn)數(shù)據(jù)庫(kù)的性能優(yōu)化。數(shù)據(jù)庫(kù)負(fù)載自適應(yīng)屬于數(shù)據(jù)庫(kù)“自主計(jì)算”的范疇，是當(dāng)前數(shù)據(jù)庫(kù)領(lǐng)域研究的重要課題之一。數(shù)據(jù)庫(kù)負(fù)載具有實(shí)時(shí)性、復(fù)雜性和多變性的

2、特點(diǎn)，數(shù)據(jù)庫(kù)負(fù)載控制技術(shù)、實(shí)時(shí)分類技術(shù)和性能預(yù)測(cè)技術(shù)是實(shí)現(xiàn)負(fù)載自適應(yīng)的的核心研究?jī)?nèi)容。本文針對(duì)負(fù)載的分類、負(fù)載在數(shù)據(jù)庫(kù)中的性能預(yù)測(cè)、負(fù)載的控制算法和數(shù)據(jù)庫(kù)負(fù)載自適應(yīng)的功能框架等方面的問(wèn)題展開研究，主要內(nèi)容和創(chuàng)新點(diǎn)如下：
　　 ⑴針對(duì)負(fù)載的分類問(wèn)題，提出了基于特征向量的聚類算法CFV。算法采用聚類方法提取負(fù)載的動(dòng)態(tài)特征和靜態(tài)特征的關(guān)系，動(dòng)態(tài)地進(jìn)行負(fù)載分類，克服以往靜態(tài)的、經(jīng)驗(yàn)式的負(fù)載分類方法的缺點(diǎn)。CFV能減少負(fù)載特征向量維數(shù)，降

3、低匹配復(fù)雜度。在CFV的基礎(chǔ)上又提出了基于特征向量的增量聚類算法ICFV，ICFV采用在線增量聚類方式分類負(fù)載，大大降低了分類的時(shí)間復(fù)雜度，提高了運(yùn)行效率。通過(guò)在MATLAB上采用UCI的Synthetic Control Chart Time Series數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明算法支持負(fù)載在線分類性能要求。
　　 ⑵針對(duì)數(shù)據(jù)庫(kù)性能預(yù)測(cè)問(wèn)題，提出了基于分層排隊(duì)網(wǎng)絡(luò)模型的集合點(diǎn)平均值分析方法RMVA。RMVA引入集合點(diǎn)的概念，

4、利用近似的平均值分析方法求解數(shù)據(jù)庫(kù)分層排隊(duì)網(wǎng)絡(luò)模型。克服了以往性能預(yù)測(cè)模型不能精確描述數(shù)據(jù)庫(kù)內(nèi)復(fù)雜關(guān)系的問(wèn)題，降低了求解性能模型算法的空間和時(shí)間復(fù)雜度。實(shí)驗(yàn)結(jié)果表明，RMVA能快速計(jì)算數(shù)據(jù)庫(kù)系統(tǒng)的平均性能參數(shù)，并且隨著負(fù)載數(shù)量的增加，該算法不會(huì)產(chǎn)生狀態(tài)空間爆炸問(wèn)題。
　　 ⑶針對(duì)負(fù)載控制的問(wèn)題，提出一種適合于數(shù)據(jù)庫(kù)負(fù)載控制的改進(jìn)的NSGA-Ⅱ算法。該算法對(duì)負(fù)載控制方案種群中的無(wú)效方案?jìng)€(gè)體進(jìn)行修正，對(duì)有效方案?jìng)€(gè)體進(jìn)行優(yōu)化，使得控制

5、方案種群中的每個(gè)方案?jìng)€(gè)體都成為滿足負(fù)載和性能約束條件的近似最優(yōu)解。滿足了控制算法提高求解質(zhì)量和加快收斂速度的要求。在MATLAB平臺(tái)上，采用UCI標(biāo)準(zhǔn)數(shù)據(jù)集進(jìn)行測(cè)試表明，相比NSGA-Ⅱ算法和不進(jìn)行負(fù)載控制的情況，改進(jìn)的NSGA-Ⅱ算法不但提高了求解質(zhì)量，而且加快了算法的收斂速度。
　　 ⑷針對(duì)負(fù)載自適應(yīng)框架的完善問(wèn)題，提出了將知識(shí)庫(kù)引入到框架中，建立以知識(shí)庫(kù)為核心的數(shù)據(jù)庫(kù)負(fù)載自適應(yīng)框架WAAD。該框架包括知識(shí)庫(kù)、負(fù)載特征化部件

6、、性能預(yù)測(cè)部件、負(fù)載控制部件和系統(tǒng)監(jiān)測(cè)部件五個(gè)部件?？蚣苤懈鱾€(gè)組成部件的運(yùn)行結(jié)果，能以知識(shí)表達(dá)的方式存入知識(shí)庫(kù)，并在知識(shí)庫(kù)中進(jìn)行必要的知識(shí)推理和約減。知識(shí)庫(kù)的引入完善了負(fù)載自適應(yīng)框架，較好地解決了以往框架自身“自適應(yīng)性”不足的問(wèn)題，同時(shí)，由于知識(shí)庫(kù)的支持，降低了負(fù)載分類算法和控制算法的計(jì)算頻度和計(jì)算復(fù)雜度。
　　 本文采用上述CFV、ICFV、RMVA和改進(jìn)的NSGA-Ⅱ算法，根據(jù)電力營(yíng)銷管理系統(tǒng)數(shù)據(jù)庫(kù)基于負(fù)載的性能優(yōu)化需求，開