【技术实现步骤摘要】
本公开的实施例涉及计算机，具体涉及模型部署方法、装置、电子设备和计算机可读介质。
技术介绍
1、目前，数据库已经广泛的应用于各个领域，可以有效地实现数据的存储和查询。对于数据库查询所造成的性能消耗的确定，通常采用的方式为：通过人为分析的方式或后台性能数据调取的方式来确定数据库查询所造成的性能消耗。
2、然而，当采用上述方式来确定数据库查询所造成的性能消耗，经常会存在如下技术问题：
3、人为分析方式存在不够精准的情况且分析的精准性较低。后台性能数据调取的方式存在一定的数据滞后性，不能实现实时地获取。
4、在采用技术方案来解决上述技术问题一的过程中，往往又会伴随着如下技术问题二：所得到的查询性能信息生成模型还是不够精准。
5、该
技术介绍
部分中所公开的以上信息仅用于增强对本专利技术构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
技术实现思路
1、本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
2、本公开的一些实施例提出了模型部署方法、装置、电子设备和计算机可读介质，来解决以上
技术介绍
部分提到的技术问题中的一项或多项。
3、第一方面，本公开的一些实施例提供了一种模型部署方法，包括：获取历史数据库查询日志序列，其中，每个历史数
4、第二方面，本公开的一些实施例提供了一种模型部署装置，包括：第一获取单元，被配置成获取历史数据库查询日志序列，其中，每个历史数据库查询日志包括：数据库语句、执行计划信息和查询消耗时间；第一执行单元，被配置成对于上述历史数据库查询日志序列中的每个历史数据库查询日志，执行以下生成步骤：确定上述历史数据库查询日志对应的查询性能信息；提取上述历史数据库查询日志对应的查询特征信息集；训练单元，被配置成将所得到的查询特征信息集序列作为训练数据集，所得到的查询性能信息序列作为标签集，对初始查询性能信息生成模型进行模型训练，以生成查询性能信息生成模型；第二执行单元，被配置成执行针对上述训练数据集的数据聚类处理，以生成数据簇集；第二获取单元，被配置成获取上述数据簇集中的每个数据簇对应的簇中心数据；部署单元，被配置成执行针对所得到的簇中心数据集和上述查询性能信息生成模型的模型部署。
5、第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
6、第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
7、本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的模型部署方法利用训练好的查询性能信息生成模型和数据簇集，可以准确地确定出执行目标数据库查询所造成的性能消耗。具体来说，造成相关的确定性能消耗不够准确的原因在于：人为分析方式存在不够精准的情况且分析的精准性较低。后台性能数据调取的方式存在一定的数据滞后性，不能实现实时地获取。基于此，本公开的一些实施例的模型部署方法，首先，获取历史数据库查询日志序列。其中，每个历史数据库查询日志包括：数据库语句、执行计划信息和查询消耗时间。在这里，获取历史数据库查询日志序列，以作为基础数据集，便于后续聚类处理和模型的训练。然后，对于上述历史数据库查询日志序列中的每个历史数据库查询日志，执行以下生成步骤：第一步，确定上述历史数据库查询日志对应的查询性能信息，以作为后续模型训练的输出目的，便于后续模型的优化训练。第二步，提取上述历史数据库查询日志对应的查询特征信息集，以作为模型的输入，使得模型学习到更多的特征信息。进而，将所得到的查询特征信息集序列作为训练数据集，所得到的查询性能信息序列作为标签集，对初始查询性能信息生成模型进行模型训练，以生成得到生成查询性能信息更为准确的查询性能信息生成模型。再接着，执行针对上述训练数据集的数据聚类处理，以生成数据簇集，以将特征相似的数据聚为一类，得到各个数据簇。其次，获取上述数据簇集中的每个数据簇对应的簇中心数据，以便于后续进行数据查询对应的查询性能的确定。最后，执行针对所得到的簇中心数据集和上述查询性能信息生成模型的模型部署。在这里，通过生成簇中心数据集和查询性能信息生成模型，不仅可以保障查询性能信息的准确确定，还能针对不同的查询时效进行适应性的选择不同的确定方式，大大提高了性能消耗的查询效率。
本文档来自技高网...【技术保护点】
1.一种模型部署方法，包括：
2.根据权利要求1所述的方法，其中，所述查询性能信息序列中的查询性能信息包括：响应时间预测信息和异常问题识别信息，初始查询性能信息生成模型包括：初始响应时间预测模型、初始异常问题识别模型、用于输出响应时间和异常问题的初始多类型输出模型；以及
3.根据权利要求2所述的方法，其中，所述方法还包括：
4.根据权利要求2所述的方法，其中，所述将目标训练数据输入至初始多类型输出模型，以生成第二响应时间预测信息和第二异常问题识别信息，包括：
5.根据权利要求4所述的方法，其中，所述目标查询性能信息包括：目标响应时间标签和目标异常问题标签；以及
6.根据权利要求1所述的方法，其中，所述查询性能信息生成模型通过以下步骤来应用：
7.根据权利要求1所述的方法，其中，所述簇中心数据集通过以下步骤来应用：
8.一种模型部署装置，包括：
9.一种电子设备，包括：
10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-7中任一所述
...【技术特征摘要】
1.一种模型部署方法，包括：
2.根据权利要求1所述的方法，其中，所述查询性能信息序列中的查询性能信息包括：响应时间预测信息和异常问题识别信息，初始查询性能信息生成模型包括：初始响应时间预测模型、初始异常问题识别模型、用于输出响应时间和异常问题的初始多类型输出模型；以及
3.根据权利要求2所述的方法，其中，所述方法还包括：
4.根据权利要求2所述的方法，其中，所述将目标训练数据输入至初始多类型输出模型，以生成第二响应时间预测信息和第二异常问题识别信息，包括：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。