典型文献
基于iForest-BiLSTM-Attention的数据库负载预测方法
文献摘要：
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.
文献关键词：
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
中图分类号：
作者姓名：
姬莉霞;赵耀;马郑祎;赵润哲;张晗
作者机构：
郑州大学 网络空间安全学院 河南 郑州 450002;郑州市区块链与数据智能重点实验室 河南 郑州 450002
文献出处：
引用格式：
[1]姬莉霞;赵耀;马郑祎;赵润哲;张晗-.基于iForest-BiLSTM-Attention的数据库负载预测方法)[J].郑州大学学报（理学版）,2022(06):66-73
A类：
数据库负载预测
B类：
iForest,BiLSTM,Attention,中物,异常数据,征状,长短期记忆网络模型,增加数,内部指标,指标预测,孤立森林,热卡,注意力机制,双向长短期记忆网络,层状,权值,库工,吞吐量,CPU
AB值：
0.236986
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
