Oracle数据库RMAN备份策略研究

欢迎订阅欢迎撰稿欢迎发布产品广告信息EIC󰀁Vo.l16󰀁2009󰀁No.1󰀁133󰀁m11(T111s+1)(T110+1)-m12(T12bs+1)T120s+1m21(󰀁21T212s+1)(T210s+1)(T211s+1)(T212s+1)m22s(󰀁22T222s+1)(T220s+1)(T222+1)󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁B󰀁󰀂(4)基于以上的传函结构,来辨识式(3)的协调仿真模型。辨识后的曲线如图2(实线为模型的响应,虚线为辨识后参数带入后的响应曲线)。

图2󰀁辨识后的曲线m11=0.1298󰀁T110=69.0098󰀁T111=19.0000m12=0.1390󰀁T12b=2.8113󰀁T120=70.2444󰀁󰀁21=0.3098m21=2.3939󰀁T210=69.0000󰀁T211=19.8602󰀁T212=8.9932m22=9.2864󰀁󰀁22=0.2063󰀁T220=6.6471󰀁T222=9.2151基于以上参数,对所辨识的曲线拟合很好。在此基础上我们还要对参数进行修正,可能牺牲一部分最优的解,以其得到整体最合适的值。通过以上的分析,我们可以估计得到简化机理模型的参数:m11=0.12、m12=0.139、m21=2.4、m22=48、T0=70、T1=20、T2=10、󰀁=0.3、Tb=28。通过对遗传算法的改进,结合机理模型的研究,并通过仿真实验来验证,表明基于遗传算法的机理建模具有很强的辨识能力,通过改进的遗传算法可以为现场辨识协调控制对象提供一定的参考价值。󰀁参考文献[1]李丽荣,沈春林.基于BP网络的热控过程模型辨识方法[J].南京航空航天大学学报,2001,33(5):499-502.[2]于春海,黄玉清,杨胜波.遗传算法在参数辨识中的应用进展.四川大学学报(自然科学版),2004,41(增刊):188-191.[3]雷英杰.MATLAB遗传算法工具箱及应用[M].西安:西安电子科技大学出版社,2005.[4]F.P.deMello.Boilermodelsforsystemdynamicperformancestudies[J].IEEETransactiononPowerSystems,1991,6(1):66-74.[5]CheresE.Smallandmediumsizedrumboilermodelssuitableforlongtermdynamicresponsel[J].IEEETransactiononEnergyConversion,1900,5(4):686-692.[6]WenTan,FangFang,LiangTian,CaifenFu,Jizhenliu,Linearcontrolofaboiler󰀁turbineunit:Analysisanddesign.ISATrans󰀁actions,2008,47(2):189-197.[7]WenTan,Jizhenliu,FangFang,YaoqiaoChen,TuningofPIDControllersforBoiler󰀁turbineUnits,ISATransactions,2004,43(3):571-583.[9]房方,刘吉臻,谭文.火电单元机组协调控制系统的多变量IMC󰀁PID设计.动力工程,2004,24(3):360-365.[10]刘吉臻,李遵基.协调控制与给水全程控制[M].北京:水利电力出版社,1995.作者简介:田晓栋(1978-)男,研究生,主要研究领域为系统辨识、故障检测与诊断等;牛玉广,男,教授,主要研究领域为热工过程优化控制、故障检测与诊断等。收稿日期:2008-07-04(8351)文章编号:1671-1041(2009)01-0133-03Oracle数据库RMAN备份策略研究陈二军,尹绍宏(天津工业大学计算机与自动化学院,天津300160)摘要:数据库在长期使用过程中,都会存在一定的安全隐患。对于数据库管理员来说不能仅寄希望于计算机操作系统的安全运行,而是要建立一整套的数据库备份与恢复机制,采取一定的措施防止在由介质、操作系统、软件和其它事件导致重要数据库文件严重损坏的情况下影响RDBMS的正常运行。它以oracle数据库RMAN备份工具为例进行备份策略的研究。关键词:oracle;备份策略;RMAN中图分类号:TP311󰀁󰀁文献标识码:B备份,就是把数据库复制到转储设备的过程。其中,转储设备是指用于放置数据库拷贝的磁带或磁盘。ORACLE数据库的备份分为物理备份和逻辑备份两种。物理备份是将实际组成数据库的操作系统文件从一处拷贝到另一处的备份过程,通常是从磁盘到磁带。如图1所示。图1󰀁备份Recoverymanager(RMAN)是ORACLE提供的DBA工具,用于管理备份和恢复操作。它能够备份整个数据库或数据库部件,其中包括表空间、数据文件、控制文件和归档文件。RMAN可以按要求存取和执行备份和恢复。RMAN备份有如下优点:仪器仪表用户󰀁21世纪人才培养󰀁134󰀁󰀁EIC󰀁Vo.l16󰀁2009󰀁No.1欢迎光临本刊网站http://www.eic.com.cn1)支持在线热备份;2)支持多级增量备份;3)支持并行备份、恢复;4)减少所需要备份量;5)备份、恢复使用简单。重要的是,使用恢复管理器允许您进行增量数据块级的备份(这个与导出/导入的增量截然不同)。增量RMAN备份是时间和空间有效的,因为他们只备份自上次备份以来有变化的那些数据块。另一个RMAN特性是它只备份数据文件中使用的数据块,忽略空的,未用的数据块,这个对于预分配空间的表空间有很大的好处。1󰀁定制RMAN备份中正确的策略正确的备份策略不仅能保证数据库服务器的24*7的高性能的运行,还能保证备份与恢复的快速性与可靠性。我们将以RMAN的多级增量备份作为一个备份策略的例子来讨论。采用多级备份就是为了减少每天备份所需要的时间,而又保证系统有良好的恢复性。恢复时间与备份时间要有一个权衡。比如只要进行一个数据库的全备份,然后就只备份归档也可以保证能把数据库恢复到最新的状态,但是这样的恢复时间将是不可容忍的。多级备份也正是为了解决这种问题。多级增量备份是指第N级的备份只需要备份最后一次同级或N-1级备份以后发生的改变的数据。可以通过下图2来说明。图2󰀁多级增量备份图2是一个增量备份的例子,即在第一个星期天做一个增量的0级备份,然后在星期一,星期二做一个增量的2级备份,在星期三做一个增量的1级备份,然后类推。假设现在在星期五数据库需要做恢复,则可以先恢复第一个星期天的0级备份,,然后恢复星期三的1级备份,再恢复星期四和星期五的2级备份就可以完成数据库的恢复。因为在本系统录入后的数据进入数据库后将大部分变为只读状态,所以采用对这些表空间只备份一次或比经常改变的表空间备份次数更少的方法,将能够很大地减少备份的数据量。具体的方案如下:对于表PROD_CONTENT_CN_TBL,PROD_VALUE_TBL由于做了关于序列号的分区,采取的当一个分区满了以后,在数据库里把该分区改成只读状态,然后做一个该表空间的备份,然后在做数据库的日常增量备份时忽略该表空间的数据则能够大大减少要备份的数据量。考虑到如今大部分信息系统每周的业务是24󰀁7操作,因此采用联机备份,否则可每隔一定时间进行一次脱机备份。应用上述规则,可得出下述典型的备份策略:1)镜像拷贝重作日志文件;2)镜像拷贝控制文件;3)激活归档进程,即以ARCHIVELOG模式操作数据库;4)每天进行数据库的部分联机备份(每天进行数据库的完全热备份将无畏地增加数据库的负担且没有必要,同时也增加了数据库恢复时的灵活性);5)每隔一周或几周进行一次数据库的逻辑备份。1.1󰀁RMAN备份相关的优化备份操作主要是完成以下三个步骤1)从磁盘上读取数据;2)在内存中处理数据块;3写入数据到磁盘或磁带。以上的读写操作可以同步或异步的完成。同步I/O操作中,一个时间只允许有一个IO操作,但是在异步I/O操作中,一个时间允许有多个IO操作。因此,备份与恢复的调优主要集中在以下几个方面:1)提高同步或异步I/O操作能力在支持异步操作的操作系统上,可以通过设置TAPE_AY󰀁SNCH_IO,DISK_ASYNCH_IO和BACKUP_TYPE_IO_SLAVES来支持异步操作,提高写的能力。2)提高磁盘读能力可以在backup命令后通过设置DISKRATIO来保证从多个磁盘上读取数据,保证连续的数据流。3)正确设置缓冲区与参数值设置LARGE_POOL_SIZE,使备份可以使用连续的缓冲池,通过设置DB_FIL_DIRECT_IO_COUNT可以提高缓冲区的利用。如果使用磁带备份,还可以设置BACKUP_TYPE_IO_SLAVES来提高磁带的写能力。4)采用并行备份开辟多个通道,可以实现并行备份与恢复。1.2󰀁RMAN备份的需求及重要性作为DBA,首先需要了解企业是如何使用数据库系统的,以及企业对数据库的可用性,恢复性能,和数据的可恢复性以及恢复时间的要求。然后,DBA需要使企业的管理人员了解维护这样的数据库的可用性的代价有多大。做到这点的最好方法是评估恢复需要的花费,以及丢失数据给企业带来的损失。在代价被评估后,就可以进行备份与恢复的讨论了。此时,要定义数据库总体的可用性需求,并根据各项工作对数据库可用性的影响程度来定义工作重点的次序。例如,如果数据库需要7*24的可用性,那么其重要性就高于其它任何工作,其它任何需要关机才能做的工作就不能做。另外,数据库变化的情况也是备份与恢复策略需要考虑的一个因素。例如,如果数据不断改变,有新数据或数据文件加入,或表结构有大的变化,则应该经常备份。无论如何,应遵从这样一个原则,如果怀疑数据库的可恢复性,就应该备份。备份过程应该满足系统要求的可恢复性。例如,如果数据库可有较长的关机时间,则可以每周进行一次冷备份,并归档重做日志;但是,如果数据库只有极少的关机时间,则只能从硬件的角度来考虑备份与恢复的问题,例如使用硬盘镜像或双机系统。选择备份策略的依据是:丢失数据的代价与确保数据不丢失的代价之比。在数据库实际使用时,备份策略的测试也不能终止。小范围的测试可以确保备份策略可以满足未来的需求。随着应用系统的成熟,备份策略也应相应地成熟。如果备份策略不能满足新的需求,就应该重新设计。2󰀁结束语提高数据库灾难后恢复的可靠性正越来越多地受到人们的关注,本文讨论了oracle数据库中RMAN备份的策略进行了探讨,并提出了典型的备份策略,RMAN的好处在于大部分情况不需要理解数据库的结构而使用一些最简单语句来进行恢复,这里只讨论了最常用最普通的恢复情况。用户可以根据自己的实际情况及数据库结构在此基础上灵活应用。󰀁参考文献[1]盖国强.循序渐进Oracle数据库管理、优化与备份恢复[M].北京:人民邮电出版社,2007.󰀁21世纪人才培养󰀁仪器仪表用户欢迎订阅欢迎撰稿欢迎发布产品广告信息EIC󰀁Vo.l16󰀁2009󰀁No.1󰀁135󰀁[2](美)哈特(Hart,M.),(美)弗里曼(Freeman,R.G.).OracleDatabase10gRMAN备份与恢复[M].北京:清华大学出版社,2008.[3]马和邦,周建中,赵萍;基于RMAN的Oracle数据库备份与恢复机制[J].计算机与数字工程,2008,(3)[4]田光付.企业如何选择恰当的备份策略[N].中国计算机报,2008,01,21.[5]曹裕民.Oracle数据库备份策略分析与研究[J].内江科技,2008,(4)作者简介:陈二军(1982-),男,硕士研究生,主要研究方向:数据库技术;尹绍宏,女,副教授。收稿日期:2008-08-25(8406)文章编号:1671-1041(2009)01-0135-02基于PSO优化的LS󰀁SVM的混沌时间序列预测陈󰀁旭,刘延泉,葛建宏(华北电力大学控制科学与工程学院,保定071003)摘要:在非线性混沌动力学的发展中,混沌时间序列预测已成为一个非常重要的研究方向。最小二乘支持向量机(LS󰀁SVM)是标准支持向量机的再形成形式,包含了分类、回归、预测等多种算法。微粒群优化(PSO)是当今智能寻优算法中较为简单快速的算法,运用PSO算法可以很好地解决LS󰀁SVM的参数优化问题。针对以上问题,提出了基于PSO优化的LS󰀁SVM预测方法,并对混沌时间序列预测进行了仿真。仿真结果证明了该算法的有效性。关键词:混沌时间序列;支持向量机;LS󰀁SVM;PSO中图分类号:TP181󰀁󰀁文献标识码:B随着非线性混沌动力学的发展,混沌时间序列预测已经成为一个非常重要的研究方向,并且在信号处理、通信、控制等领域得到了广泛的应用,并逐步拓展至工业领域,如研究表明许多电网的日短期电力负荷序列是混沌的[1]。支持向量机(SupportVectorMachines)是在统计学习理论上发展起来的一种实用的算法,其基于结构风险最小化原则经过严密的理论证明已经得到了普遍认可[2]。最小二乘支持向量机(LS󰀁SVM)是标准支持向量机的再形成形式。LS󰀁SVM工具箱中包含了分类、回归、预测等多种算法,可以非常方便简捷地用于MATLAB实现。而LS󰀁SVM在不同的参数作用下,系统性能有很大的差别,因此如何快速有效地选择合适的参数是亟待解决的问题。PSO算法具有简单快速易实现等显著优点,是一种具有良好前景的算法。本文采用基于PSO优化的LS󰀁SVM算法对混沌时间序列进行了预测,并将其有效性通过仿真实验进行了验证,实验结果充分证明了该算法的有效性。1󰀁LS󰀁SVM支持向量机是Vapni等人提出的一类新型机器学习方法,由于其出色的学习性能,已在模式识别、时间序列预测等方面取得了越来越多的进展[3]。支持向量机是一种针对解决非线性分类、函数拟合、密度估计等一系列基于核函数的问题而提出的强大的学习方法,最初是由统计学习理论及结构风险最小化原理引入的。最小二乘支持向量机(LS󰀁SVM)标准支持向量机的再形成形式。该价值函数是针对线性KKT系统的带等式约束条件的有规律的最小二乘方程式,它可以有效地通过迭代的方法如共轭梯度法进行求解。LS󰀁SVM与规则化网络、高斯进程和核判别式分析等有密切的关系,但是更加强调和使用最原始的二重关系。古典模式识别算法中的核函数之间的关系,比如核判别式分析与无监督学习的扩展,重复网络与控制等都是可以利用的[4]。2󰀁PSO算法原理PSO算法最早是由美国社会心理学家JamesKennedy和电器工程师RussellEberhart在1995年共同提出的一类模拟群体智能行为的优化算法。PSO的基本概念源于对鸟群捕食行为的研究。PSO中,每个优化问题的潜在解都是搜索空间中的一只鸟,称之为󰀁粒子󰀁。所有的粒子都有一个由被优化的函数决定的适应值(fit󰀁nessvalue),每个粒子还有一个速度,决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。PSO初始化为一群随机粒子,然后通过迭代找到最优解。在每一次迭代中,粒子通过跟踪两个极值来更新自己。第一个就是粒子本身所找到的最优解,这个解称为局部最优值。另一个极值是整个种群目前找到的最优解,称为全局最优值。在问题求解中,每个粒子参考自己的飞行方向、所经历的最优方向和整个鸟群所公共认识到的最优方向来决定自己的飞行。3󰀁基于PSO优化的LS󰀁SVM3.1󰀁原理介绍基于PSO优化的LS󰀁SVM原理是:首先依据经验给出一组LS󰀁SVM的参数值,进行LS󰀁SVM训练;然后根据目标值的大小选择使得目标值最优的参数再进行训练,直到得到满意的训练模型。该方法分两层进行优化计算,上层优化的目标是找到最优的一组参数可以使LS󰀁SVM训练得到的模型最优;下层的任务是在上层得到的优化参数约束下,通过LS󰀁SVM算法得到训练模型[5]。其结构如图1所示。图1󰀁基于PSO优化的LS󰀁SVM双层结构3.2󰀁具体步骤优化对象为惩罚系数C、核参数󰀁,现将其基本步骤介绍如下:1)读取样本数据,随机产生一组{C,󰀁}作为粒子的初始位置;2)根据当前的{C,󰀁}进行LS󰀁SVM训练,计算训练样本的误差的均方差作为验证误差;3)以验证误差作为适应值,并记忆个体与群体所对应的仪器仪表用户󰀁21世纪人才培养󰀁