CN120296041A 基于缓存的数据查询解析结果优化方法及系统 （中国市政工程华北设计研究总院有限公司）

基于缓存的数据查询解析结果优化方法及本发明提供一种基于缓存的数据查询解析2接收用户数据查询请求并提取原始查询语句，对所述原始查询语将所述查询特征矩阵添加至数据分布预测网络，根据历史访问记采集用户数据查询请求的执行性能数据并添加至异常识别模型，结合颈定位图谱和性能指标偏离程度生成性能评分并根据所述数据价值系数生成数据价值预接收用户数据查询请求，提取所述用户数据查询请求中的原始查构建深层双向长短时记忆网络，将所述查询词元集合的3基于所述注意力分数构建第一查询语义网络，将词元设置为所构建图注意力模型，将所述第一查询语义网络输入所述图注意力模型的图注意力层，基于第二查询语义网络构建查询特征矩阵，提取查询语义网将所述查询特征矩阵添加至特征组合模型，在所述特征组合模构建多尺度残差网络，所述多尺度残差网络包括特优化单元，所述特征分解单元通过小波变换将所述融合特征数据分解为多尺度特征分量，构建多视角特征匹配网络，所述多视角特征匹配网络包执行分层匹配，根据系统资源状态动态调整不同查询区的匹配阈4将查询特征矩阵添加至数据分布预测网络，采用时序特征提取主分辅助分支进行特征提取，通过所述时序特征提取主分支从历史访问记录中提取访问时间、过所述空间特征提取辅助分支构建访问对象关联图，利用图结构网络提取节点传播特征，将所述时序特征与所述空间特征融合生成数据关键组合规则与所述全局数据依赖图整合计算字段之间的关联概率值生基于所述概率分布表构建多层组合索引，将索引划分为全局索引层基于所述复合索引、所述子索引和所述索引结构树计算访问时序基于所述动态索引调整方案将查询规则集合中的执行路径添加至路径根据所述任务执行方案调度数据库执行器，获取查询结果流进行实采集所述复合索引、所述子索引和所述索引结构树在预设时间段内的5行滑动窗口计算提取波动值与周期值，对所述操作计数序列执行模式识别提取行为特征建时间衰减计算模型得到表征访问量变化的时间趋势分量、表征重复访问的周期波动分对每个时间窗口内的访问数据执行时间衰减函数设置并获取各时间窗口内访问数据权重相乘并求和得到索引评估指标，将所述索引评估指标与预设的性能评估阈值进行比生成动态索引调整方案并统计单列索引对之间的协同访问超过预设的协同阈值时生成索引合并指令将具有协同访问关系的单列索引合并构建组合所述未访问天数超过90天且所述资源占用量超过预设的资源阈值时生成索引删除指令删分基于循环神经网络的异常检测模型计算性能指标偏离程度并结合因果推理网络确定时采集用户数据查询请求的执行性能数据，记录应用层执行响应时间、系统计算所述标准化数据中每个数据点在指定半径范围内的邻近点数量得到局部密度值，异常数据点计算时序自相关系数并验证其持续时长后生对于所述异常标记集合，基于循环神经网络的异常检测模型计算性能指标偏离程度，6基于所述时序依赖关系图构建瓶颈定位图谱，通过图谱嵌入用社区发现算法识别具有紧密关联的组件子图，结合所述性能指标偏离程度构建性能评将所述数据价值预测序列、资源使用状态和负载分布输入预基于所述负载均衡系数，根据蒙特卡洛树搜索构建策略树并通过置方差并根据遗传算法交叉变异操作和竞争性学习搜索最小化负载方差的均衡方案得到所将数据价值预测序列、资源使用状态和负载分布输入预先构建深度神经网络的隐藏层通过修正线性单元函数引入非线性变换并依次降低神经元数量实通过强化学习算法基于所述历史决策样本迭代更新动作策略，每结合资源调度网络计算各存储区的负载方差，所述资源调度网时监测数据计算各存储区当前负载与全局均值的离散根据遗传算法交叉变异操作和竞争性学习，通过染色体编码定义数78.基于缓存的数据查询解析结果优化系统，用于实现前述权利要求1_7中任一项所述第一单元，用于接收用户数据查询请求并提取原始查询义网络，通过意图识别模型识别所述第一查询语义网络的路径信息生成第二查询语义网第二单元，用于将所述查询特征矩阵添加至数据分布第三单元，用于采集用户数据查询请求的执行性能数据并成数据价值预测序列，结合资源调度网络和竞争性学习算法确定存储区的负载均衡系数，其中，所述处理器被配置为调用所述存储器存储的指令，以执行程序指令被处理器执行时实现权利要求1至7中任意8匹配并确定匹配成功的模板特征标识对应的查询述瓶颈定位图谱和性能指标偏离程度生成性能评分并根据所述数据价值系数生成数据价9过意图识别模型识别所述第一查询语义网络的路径信息生成第二查询语[0022]构建多视角特征匹配网络，所述多视角特征匹配网络包括局部特征匹配子网络、全局特征匹配子网络与特征校准子网络，所述局部特征匹配子网络采用层次化注意力机进行分段处理并统计访问指标，通过循环处理单元提取周期性访问模式与趋势性访问特所述关键组合规则与所述全局数据依赖图整合计算字段之间的关联概率值生成概率分布[0030]基于所述动态索引调整方案将查询规则集合中的执行路[0036]对每个时间窗口内的访问数据执行时间衰减函数设置并获取各时间窗口内访问次数超过预设的协同阈值时生成索引合并指令将具有协同访问关系的单列索引合并构建索引拆分指令将所述组合索引拆分为多个单列索引，统计索引的未访问天数与资源占用述瓶颈定位图谱和性能指标偏离程度生成性能评分并根据所述数据价值系数生成数据价[0042]计算所述标准化数据中每个数据点在指定半径范围内的邻近点数量得到局部密归一化后相乘得到异常程度矩阵，基于设定阈值从所述异常程度矩阵中筛选异常数据点，对所述异常数据点计算时序自相关系数并验证其持续时长后生成异所述瓶颈定位图谱中的系统组件转化为向量表示，基于所述向量表示计算组件相似度矩性学习搜索最小化负载方差的均衡方案得到所性学习搜索最小化负载方差的均衡方案得到所述负载[0049]将数据价值预测序列、资源使用状态和负载分布输入预所述深度神经网络的隐藏层通过修正线性单元函数引入非线性变换并依次降低神经元数所述历史决策样本进行参数更新，并引入目标网络将主网络参数定期同步至所述目标网区实时监测数据计算各存储区当前负载与全局均值的离散程[0057]第三单元，用于采集用户数据查询请求的执行性能数据[0071]S1.接收用户数据查询请求分割处理生成查询词元集合并添加至语义理解模型提取关联关系，得到第一查询语义网行分层匹配并确定匹配成功的模板特征标识对应的查询层匹配是指在信息检索或自然语言处理任务中，根据层次结构对查询进行不同层级的匹过意图识别模型识别所述第一查询语义网络的路径信息生成第二查询语键查询路径是指在查询处理过程中，能够有效匹配到目标信息或得到查询结果的最优路指标词}。[0093]构建多视角特征匹配网络，所述多视角特征匹配网络包括局部特征匹配子网络、全局特征匹配子网络与特征校准子网络，所述局部特征匹配子网络采用层次化注意力机元计算查询特征矩阵与模型中其他特征矩阵之间的关联权重系数。如果两个矩阵之间的关[0103]S2.将所述查询特征矩阵添加至数据分概率分布表，基于所述概率分布表构建多层组合索引并结合信息收益比构建索引结构树，进行分段处理并统计访问指标，通过循环处理单元提取周期性访问模式与趋势性访问特所述关键组合规则与所述全局数据依赖图整合计算字段之间的关联概率值生成概率分布[0111]基于所述动态索引调整方案将查询规则集合中的执行路到终点所需的总开销。特征图反映了不同数据在不同时间和空间上且区分度最大的字段作为主索引字段。基于预先确定的高频访问字段组合构建复合索引，[0117]基于复合索引、子索引和索引结构树计算访问时序特征并构建时间衰减计算模[0124]对每个时间窗口内的访问数据执行时间衰减函数设置并获取各时间窗口内访问次数超过预设的协同阈值时生成索引合并指令将具有协同访问关系的单列索引合并构建索引拆分指令将所述组合索引拆分为多个单列索引，统计索引的未访问天数与资源占用[0127]所述时间衰减函数是一种用于建模数据或事件随时间变化而逐渐降低影响力的[0134]S3.采集用户数据查询请求的执行于所述瓶颈定位图谱和性能指标偏离程度生成性能评分并根据所述数据价值系数生成数述瓶颈定位图谱和性能指标偏离程度生成性能评分并根据所述数据价值系数生成数据价[0139]计算所述标准化数据中每个数据点在指定半径范围内的邻近点数量得到局部密归一化后相乘得到异常程度矩阵，基于设定阈值从所述异常程度矩阵中筛选异常数据点，对所述异常数据点计算时序自相关系数并验证其持续时长后生成异所述瓶颈定位图谱中的系统组件转化为向量表示，基于所述向量表示计算组件相似度矩性学习搜索最小化负载方差的均衡方案得到所[0146]对标准化数据进行异常检测。计算每个数据点在指定半算各存储区的负载方差。根据遗传算法和竞争性学习算法搜索最小化负载方差的均衡方性学习搜索最小化负载方差的均衡方案得到所述负载[0154]将数据价值预测序列、资源使用状态和负载分布输入预所述深度神经网络的隐藏层通过修正线性单元函数引入非线性变换并依次降低神经元数所述历史决策样本进行参数更新，并引入目标网络将主网络参数定期同步至所述目标网区实时监测数据计算各存储区当前负载与全局均值的离散程[0162]基于预测的资源需求构建状态_动