基于iForest-BiLSTM-Attention的数据库负载预测方法

摘要：

针对数据库负载预测中物理资源的变化导致预测失效,模型易对异常数据敏感和未关注序列变化中潜在的加权隐层特征状态导致预测精度低等问题,在长短期记忆网络模型的基础上提出一种基于iForest-BiLSTM-Attention的数据库负载预测方法.首先,增加数据库基准规范内部指标,解决因物理资源改变而导致的传统指标预测失效问题;其次,建立多个孤立树,整合为孤立森林,评估样本异常分数并筛出异常数据进行热卡填充;最后,结合注意力机制与双向长短期记忆网络计算隐层状态以及注意力权值,并学习工作负载的形态、周期以及规律性.实验结果表明,所提方法在数据库工作负载预测精度上相比现有方法有显著提升,吞吐量和CPU利用率的R2值分别达到0.93和0.95.

关键词：数据库负载预测、双向长短期记忆网络、注意力机制、孤立森林

所属期刊栏目：54

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;河南省重大科技专项;郑州市重大科技创新专项

在线出版日期：2022-08-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：66-73