數(shù)據(jù)庫負載自適應(yīng)技術(shù)研究.pdf

1、數(shù)據(jù)庫負載自適應(yīng)是針對大型數(shù)據(jù)庫的性能優(yōu)化問題而提出的，在數(shù)據(jù)庫性能優(yōu)化的研究中，人們很關(guān)注數(shù)據(jù)庫的內(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)庫的外部負載。2006加拿大皇后大學(xué)和IBM聯(lián)合提出了數(shù)據(jù)庫負載自適應(yīng)的思路，它在數(shù)據(jù)庫軟、硬件資源一定的條件下，通過合理地控制負載的執(zhí)行時機和次序，來實現(xiàn)數(shù)據(jù)庫的性能優(yōu)化。數(shù)據(jù)庫負載自適應(yīng)屬于數(shù)據(jù)庫“自主計算”的范疇，是當(dāng)前數(shù)據(jù)庫領(lǐng)域研究的重要課題之一。數(shù)據(jù)庫負載具有實時性、復(fù)雜性和多變性的

2、特點，數(shù)據(jù)庫負載控制技術(shù)、實時分類技術(shù)和性能預(yù)測技術(shù)是實現(xiàn)負載自適應(yīng)的的核心研究內(nèi)容。本文針對負載的分類、負載在數(shù)據(jù)庫中的性能預(yù)測、負載的控制算法和數(shù)據(jù)庫負載自適應(yīng)的功能框架等方面的問題展開研究，主要內(nèi)容和創(chuàng)新點如下：
　　 ⑴針對負載的分類問題，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載的動態(tài)特征和靜態(tài)特征的關(guān)系，動態(tài)地進行負載分類，克服以往靜態(tài)的、經(jīng)驗式的負載分類方法的缺點。CFV能減少負載特征向量維數(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載，大大降低了分類的時間復(fù)雜度，提高了運行效率。通過在MATLAB上采用UCI的Synthetic Control Chart Time Series數(shù)據(jù)進行實驗，實驗結(jié)果表明算法支持負載在線分類性能要求。
　　 ⑵針對數(shù)據(jù)庫性能預(yù)測問題，提出了基于分層排隊網(wǎng)絡(luò)模型的集合點平均值分析方法RMVA。RMVA引入集合點的概念，

4、利用近似的平均值分析方法求解數(shù)據(jù)庫分層排隊網(wǎng)絡(luò)模型。克服了以往性能預(yù)測模型不能精確描述數(shù)據(jù)庫內(nèi)復(fù)雜關(guān)系的問題，降低了求解性能模型算法的空間和時間復(fù)雜度。實驗結(jié)果表明，RMVA能快速計算數(shù)據(jù)庫系統(tǒng)的平均性能參數(shù)，并且隨著負載數(shù)量的增加，該算法不會產(chǎn)生狀態(tài)空間爆炸問題。
　　 ⑶針對負載控制的問題，提出一種適合于數(shù)據(jù)庫負載控制的改進的NSGA-Ⅱ算法。該算法對負載控制方案種群中的無效方案個體進行修正，對有效方案個體進行優(yōu)化，使得控制

5、方案種群中的每個方案個體都成為滿足負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平臺上，采用UCI標準數(shù)據(jù)集進行測試表明，相比NSGA-Ⅱ算法和不進行負載控制的情況，改進的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針對負載自適應(yīng)框架的完善問題，提出了將知識庫引入到框架中，建立以知識庫為核心的數(shù)據(jù)庫負載自適應(yīng)框架WAAD。該框架包括知識庫、負載特征化部件

6、、性能預(yù)測部件、負載控制部件和系統(tǒng)監(jiān)測部件五個部件。框架中各個組成部件的運行結(jié)果，能以知識表達的方式存入知識庫，并在知識庫中進行必要的知識推理和約減。知識庫的引入完善了負載自適應(yīng)框架，較好地解決了以往框架自身“自適應(yīng)性”不足的問題，同時，由于知識庫的支持，降低了負載分類算法和控制算法的計算頻度和計算復(fù)雜度。
　　 本文采用上述CFV、ICFV、RMVA和改進的NSGA-Ⅱ算法，根據(jù)電力營銷管理系統(tǒng)數(shù)據(jù)庫基于負載的性能優(yōu)化需求，開