(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210676264.3 (22)申请日 2022.06.15 (71)申请人 支付宝 （杭州） 信息技 术有限公司 地址 310000 浙江省杭州市西湖区西溪路 556号8层B段801-1 1 (72)发明人 李婷　唐心宇　李建国　沈竹筠　 (74)专利代理 机构 北京布瑞知识产权代理有限 公司 11505 专利代理师 武甜 (51)Int.Cl. G06F 16/27(2019.01) G06F 11/30(2006.01) G06F 9/50(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 训练方法及装置、 预测资源消耗量的方法及 装置 (57)摘要 提供一种训练方法及 装置、 预测资源消耗量 的方法及装置。 该训练方法应用于分布式数据库 系统， 所述系统包括多个数据库服务器， 其中每 个服务器包括一个或多个租户， 该方法包括： 获 取多个数据库服务器上的租户流量指标； 利用所 述租户流量指标训练神经网络的权重矩阵， 所述 神经网络用于预测多个数据库服务器中的任意 一个数据库服务器上的租户的资源消耗量； 所述 权重矩阵具有第一权重维度、 第二权重维度和第 三权重维度， 分别用于衡量所述多个数据库服务 器中的不同数据库服务器对神经网络的预测结 果的贡献、 一个数据库服务器上的不同租户对所 述神经网络的预测结果的贡献、 租户流量指标中 的不同类型的流量指标对神经网络的预测结果 的贡献。 权利要求书3页 说明书13页 附图3页 CN 114969209 A 2022.08.30 CN 114969209 A 1.一种训练方法， 所述方法应用于分布式数据库系统， 所述分布式数据库系统包括多 个数据库服 务器， 其中每 个数据库服 务器包括 一个或多个租户， 所述方法包括： 获取所述多个数据库服 务器上的租户流 量指标； 利用所述多个数据库服务器上的租户流量指标训练神经网络的权重矩阵， 所述神经网 络用于预测所述多个数据库服务器中的任意一个数据库服务器上的租户的资源消耗量， 所 述权重矩阵具有第一权重维度、 第二权重维度和第三权重维度， 所述第一权重维度用于衡 量所述多个数据库服务器中的不同数据库服务器对所述神经网络的预测结果的贡献， 所述 第二权重维度用于衡量一个所述数据库服务器上的不同租户对所述神经网络的预测结果 的贡献， 所述第三权重维度用于衡量所述租户流量指标中的不同类型的流量指标对所述神 经网络的预测结果的贡献。 2.根据权利要求1所述的方法， 所述神经网络包括多个分支网络， 所述多个分支网络分 别对应所述租户流 量指标中的多种类型的流 量指标， 所述利用所述多个数据库服 务器上的租户流 量指标训练神经网络的权 重矩阵， 包括： 将所述多种类型的流量指标分别输入所述多个分支网络， 以生成所述多个分支网络的 权重矩阵； 根据所述多个分支网络的权 重矩阵， 生成所述神经网络的权 重矩阵。 3.根据权利要求2所述的方法， 所述多个分支网络包括第 一分支网络和第 二分支网络， 所述第一分支网络和所述第二分支网络对应的流量指标不同， 使得所述第一分支网络和所 述第二分支网络包 含的层数不同。 4.根据权利要求2所述的方法， 所述根据所述多个分支网络对应的权重矩阵， 生成所述 神经网络的权 重矩阵， 包括： 利用注意力机制， 确定所述多种类型的流 量指标的权 重； 根据所述多种类型的流量指标的权重， 对所述多个分支网络的权重矩阵进行加权， 得 到所述神经网络的权 重矩阵。 5.根据权利要求1所述的方法， 所述利用所述多个数据库服务器上的租户流量指标训 练神经网络的权 重矩阵， 包括： 根据所述多个数据库服务器上的租户的资源消耗量随时间变化的规律， 获取所述多个 数据库服 务器上的租户的时间特 征； 利用元缩放网络， 学习所述 时间特征对于所述多个数据库服务器中的任意一个数据库 服务器上的租户的资源消耗 量的贡献， 更新所述元缩放网络的权 重矩阵； 将所述元缩放网络的权重矩阵与 所述神经网络的权重矩阵融合， 更新所述神经网络的 权重矩阵。 6.根据权利要求1 ‑5中任一项所述的方法， 所述资源包括以下中的一种或多种： 中央处 理器CPU资源、 图形处 理器GPU资源以及存 储资源。 7.根据权利要求1 ‑5中任一项所述的方法， 所述流量特征包括以下中的一种或多种： 每 秒事务处 理量、 每秒查询率、 事务处 理响应时间、 查询响应时间、 逻辑读统计信息 。 8.一种预测资源消耗量的方法， 所述方法应用于分布式数据库系统， 所述分布式数据 库系统包括多个数据库服务器， 其中每个数据库服务器包括一个或多个租户， 所述方法包 括：权　利　要　求　书 1/3 页 2 CN 114969209 A 2获取待预测的租户的流 量指标； 采用神经网络对所述 流量指标进行处 理， 得到所述待预测的租户的资源消耗 量； 其中， 所述神经网络包括权重矩阵， 所述权重矩阵具有第 一权重维度、 第 二权重维度和 第三权重维度， 所述第一权重维度用于衡量所述多个数据库服务器中的不同数据库服务器 对所述神经网络的预测结果的贡献， 所述第二权重维度用于衡量一个所述数据库服务器上 的不同租户对所述神经网络的预测结果的贡献， 所述第三权重维度用于衡量所述租户流量 指标中的不同类型的流 量指标对所述神经网络的预测结果的贡献。 9.根据权利要求8所述的方法， 所述资源包括以下中的一种或多种： 中央处理器CPU资 源、 图形处 理器GPU资源以及存 储资源。 10.根据权利要求9所述的方法， 所述流量特征包括以下中的一种或多种： 每秒事务处 理量、 每秒查询率、 事务处 理响应时间、 查询响应时间、 逻辑读统计信息 。 11.一种训练装置， 所述装置应用于分布式数据库系统， 所述分布式数据库系统包括多 个数据库服 务器， 其中每 个数据库服 务器包括 一个或多个租户， 所述装置包括： 获取模块， 用于获取 所述多个数据库服 务器上的租户流 量指标； 训练模块， 用于利用所述多个数据库服务器上的租户流量指标训练神经网络的权重矩 阵； 其中， 所述神经网络用于预测所述多个数据库服务器中的任意一个数据库服务器上的 租户的资源消耗量， 所述权重矩阵具有第一权重维度、 第二权重维度和第三权重维度， 所述 第一权重维度用于衡量所述多个数据库服务器中的不同数据库服务器对所述神经网络的 预测结果的贡献， 所述第二权重维度用于衡量一个所述数据库服务器上的不同租户对所述 神经网络的预测结果的贡献， 所述第三权重维度用于衡量所述租户流量指标中的不同类型 的流量指标对所述神经网络的预测结果的贡献。 12.根据权利要求11所述的装置， 所述神经网络包括多个分支网络， 所述多个分支网络 分别对应所述租户流 量指标中的多种类型的流 量指标， 所述训练模块还用于： 将所述多种类型的流量指标分别输入所述多个分支网络， 以生成所述多个分支网络的 权重矩阵； 根据所述多个分支网络的权 重矩阵， 生成所述神经网络的权 重矩阵。 13.根据权利要求12所述的装置， 所述多个分支网络包括第一分支网络和第二分支网 络， 所述第一分支网络和所述第二分支网络对应的流量指标不同， 使得所述第一分支网络 和所述第二分支网络包 含的层数不同。 14.根据权利要求12所述的装置， 所述训练模块还用于： 利用注意力机制， 确定所述多种类型的流 量指标的权 重； 根据所述多种类型的流量指标的权重， 对所述多个分支网络的权重矩阵进行加权， 得 到所述神经网络的权 重矩阵。 15.根据权利要求1 1所述的装置， 所述训练模块还用于： 根据所述多个数据库服务器上的租户的资源消耗量随时间变化的规律， 获取所述多个 数据库服 务器上的租户的时间特 征；权　利　要　求　书 2/3 页 3 CN 114969209 A 3