结构化查询语句性能预测方法、装置、设备和介质

技术领域

本公开可以应用于金融领域或其他领域，具体涉及一种结构化查询语句性能预测方法、装置、设备、介质和程序产品。

背景技术

目前性能发压工具和性能监控工具日趋成熟，而性能测试结果的分析完全依赖于测试人员的经验，在问题诊断方面缺乏高效的技术手段。尤其是在大数据批量加工作业的性能验证方面，除静态代码风险规则扫描外，主要通过在研发测试环境开展动态验证，根据作业执行时长及资源使用情况进行性能评估。但因大数据批量加工作业运行性能受数据量、系统参数、设备规模、数据分布、集群压力等多种内外部因素影响，目前尚无方法支持测试环境与生产环境的性能转换，因此在测试环境耗费大量成本进行数据与计算资源的准备后开展的性能验证的结果并不等同于生产环境中的性能表现，难以达到预期效果。

传统的结构化查询语句(SQL语句)时效(执行时长)预测方法主要基于统计学方法和规则引擎方法，如使用平均值、标准差、中位数等进行预测，或者基于规则引擎对结构化查询语句进行优化。然而，这些方法由于复杂度较低、灵活性和准确性不高，通常无法准确预测复杂的结构化查询语句的性能。

发明内容

鉴于上述问题，本公开提供了一种结构化查询语句性能预测方法、装置、设备、介质和程序产品。

根据本公开的第一个方面，提供了一种结构化查询语句性能预测方法，基于性能预测模型，性能预测模型基于目标特征训练得到，目标特征从历史结构化查询语句中获取；方法包括：获取待测结构化查询语句；将待测结构化查询语句输入性能预测模型，得到待测结构化查询语句的预测执行时长；将预测执行时长与预设阈值比较，在预测执行时长大于预设阈值的情况下，确定待测结构化查询语句的性能不满足预期要求，并输出导致该待测结构化查询语句的执行时长大于预设阈值的原因。

根据本公开的实施例，性能预测模型通过以下方式训练得到：采集历史信息，从历史信息中提取训练集，训练集包括历史结构化查询语句；对训练集中的历史结构化查询语句进行预处理；从预处理后的历史结构化查询语句中获取目标特征；使用目标特征作为训练数据，来训练性能预测模型。

根据本公开的实施例，对训练集中的历史结构化查询语句进行预处理包括：对训练集中的历史结构化查询语句进行语法解析；清洗语法解析后的历史结构化查询语句中的缺失值、异常值和重复值；对清洗后的历史结构化查询语句进行整理；对整理后的历史结构化查询语句中的变量进行转换；其中，对清洗后的历史结构化查询语句进行整理包括对清洗后的历史结构化查询语句进行排序、归一化、合并。

根据本公开的实施例，从预处理后的历史结构化查询语句中获取目标特征包括：从预处理后的历史结构化查询语句中提取N个初始特征，其中，N≥2，且N为整数；对上述N个初始特征进行调整，上述调整包括标准化和归一化处理；从调整后的N个初始特征中选取n个初始特征进行组合，得到一个组合特征，其中，2≤n≤N，且n为整数；以预定次数重复上述一个组合特征的获取操作，得到多个组合特征；分别计算每个初始特征的初始特征权重和每个组合特征的组合特征权重；根据初始特征权重和组合特征权重，将上述多个初始特征中的至少一个和/或上述多个组合特征中的至少一个确定为目标特征。

根据本公开的实施例，使用目标特征作为训练数据，来训练性能预测模型包括：预设多个机器学习算法，为每个机器学习算法设置超参数并建立初始模型，根据目标特征和超参数，对各初始模型进行训练；从历史信息中提取测试集，通过测试集验证每个训练好的初始模型的准确度；从多个训练好的初始模型中选取准确度最高的一个作为性能预测模型。

根据本公开的实施例，上述机器学习算法包括线性回归、决策树、随机森林和支持向量机。

根据本公开的实施例，将预测执行时长与预设阈值比较，在预测执行时长大于预设阈值的情况下，确定待测结构化查询语句的性能不满足预期要求，并给出针对该待测结构化查询语句的执行时长大于预设阈值的原因包括：将待测结构化查询语句的预测执行时长与预设阈值比较，在确定预测执行时长大于预设阈值的情况下，计算待测结构化查询语句的复杂度，复杂度表征了影响待测结构化查询语句的预测执行时长的特征及各特征对应的权重；根据待测结构化查询语句的复杂度，输出导致该待测结构化查询语句的执行时长大于预设阈值的原因。

本公开的第二方面提供了一种结构化查询语句性能预测装置，包括：信息采集模块，用于采集历史信息，从历史信息中提取训练集，训练集包括历史结构化查询语句；数据预处理模块，用于对训练集中的历史结构化查询语句进行预处理；特征信息获取模块，用于从预处理后的历史结构化查询语句中获取目标特征；模型训练模块，用于使用目标特征作为训练数据，来训练性能预测模型；性能预测模块，用于将待测结构化查询语句输入性能预测模型，得到待测结构化查询语句的预测执行时长，将预测执行时长与预设阈值比较，在预测执行时长大于预设阈值的情况下，确定待测结构化查询语句的性能不满足预期要求，并输出导致该待测结构化查询语句的执行时长大于预设阈值的原因。

本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述结构化查询语句性能预测方法。

本公开的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述结构化查询语句性能预测方法。

本公开的第五方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述结构化查询语句性能预测方法。

通过本公开实施例提供的结构化查询语句性能预测方法、装置、设备、介质和程序产品，能够准确预测研发阶段的结构化查询语句的性能，且该测试环境得出的预测性能能够代表该结构化查询语句在生产环境的性能；能够快速识别出导致待测结构化查询语句性能低效的问题点，并输出相应的性能优化方向(即，输出导致该待测结构化查询语句的执行时长大于预设阈值的原因)；能够使得相关技术人员及时调整优化研发阶段的结构化查询语句、提前排除生产性能隐患；能够自动(或者根据用户的指令)更新性能预测模型，使得性能预测模型能够持续保持对结构化查询语句进行性能预测的结果的高准确度。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的结构化查询语句性能预测方法、装置、设备、介质和程序产品的应用场景图；

图2示意性示出了根据本公开实施例的结构化查询语句性能预测方法的流程图；

图3示意性示出了根据本公开实施例的性能预测模型的训练方法的流程图；

图4示意性示出了根据本公开实施例的对历史结构化查询语句进行预处理的流程图；

图5示意性示出了根据本公开实施例的从预处理后的历史结构化查询语句中获取目标特征的流程图；

图6示意性示出了根据本公开实施例的使用目标特征作为训练数据来训练性能预测模型的流程图；

图7示意性示出了根据本公开实施例的针对性能不满足预期要求的待测结构化查询语句输出导致其执行时长大于预设阈值的原因的流程图；

图8示意性示出了根据本公开实施例的结构化查询语句性能预测装置的结构框图；以及

图9示意性示出了根据本公开实施例的适于实现结构化查询语句性能预测方法的电子设备的方框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

本公开的实施例提供了一种结构化查询语句性能预测方法，该方法结合历史数据，通过对结构化查询语句的特征进行分析，选择合适的机器学习算法，并建立预测模型，实现对结构化查询语句性能的预测，并能针对性能不满足预期要求的待测结构化查询语句输出导致其执行时长大于预设阈值的原因，给性能调优指明了方向，便于相关技术人员优化预测执行时长不满足预期要求的未上线的结构化查询语句。能够准确预测未上线的结构化查询语句在上线后的性能，可以解决数据量和环境等差异引起的大数据批量作业时效预估难的痛点。

图1示意性示出了根据本公开实施例的结构化查询语句性能预测方法、装置、设备、介质和程序产品的应用场景图。

如图1所示，根据该实施例的应用场景100可以包括客户端设备101、102、103、网络104和服务器105。网络104用以在客户端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用客户端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。

客户端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用客户端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给客户端设备。

需要说明的是，本公开实施例所提供的结构化查询语句性能预测方法一般可以由服务器105执行。相应地，本公开实施例所提供的结构化查询语句性能预测装置一般可以设置于服务器105中。本公开实施例所提供的结构化查询语句性能预测方法也可以由不同于服务器105且能够与客户端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的结构化查询语句性能预测装置也可以设置于不同于服务器105且能够与客户端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

应该理解，图1中的客户端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的客户端设备、网络和服务器。

以下将基于图1描述的场景，通过图2～图7对公开实施例的结构化查询语句性能预测方法进行详细描述。

图2示意性示出了根据本公开实施例的结构化查询语句性能预测方法的流程图。

如图2所示，该实施例的结构化查询语句性能预测方法基于性能预测模型，性能预测模型基于目标特征训练得到，目标特征从历史结构化查询语句中获取，方法包括操作S210～操作S230：

在操作S210，获取待测结构化查询语句。

在操作S220，将待测结构化查询语句输入性能预测模型，得到待测结构化查询语句的预测执行时长。

在操作S230，将预测执行时长与预设阈值比较，在预测执行时长大于预设阈值的情况下，确定该待测结构化查询语句的性能不满足预期要求，并输出导致该待测结构化查询语句的执行时长大于预设阈值的原因；否则，确定该待测结构化查询语句的性能满足预期要求。

在本公开的实施例中，在操作S210中获取的待测结构化查询语句是由用户通过客户端设备输入提供的。

图3示意性示出了根据本公开实施例的性能预测模型的训练方法的流程图。

如图3所示，在本公开的实施例中，上述操作S220中的性能预测模型通过以下操作S321～操作S324训练得到：

在操作S321，采集历史信息，从历史信息中提取训练集，训练集包括历史结构化查询语句。在本公开的一些实施例中，每天定时从运维平台采集历史信息，对采集到的信息进行格式化处理(包括统一时间单位等)，将格式化后的数据保存到数据库中，数据库类型可以是MySQL或者Oracle等关系型数据库。

在操作S322，对训练集中的历史结构化查询语句进行预处理。

在操作S323，从预处理后的历史结构化查询语句中获取目标特征。

在操作S324，使用目标特征作为训练数据，来训练性能预测模型。

图4示意性示出了根据本公开实施例的对历史结构化查询语句进行预处理的流程图。

如图4所示，在本公开的实施例中，上述操作S322对训练集中的历史结构化查询语句进行预处理包括操作S422a～操作S422d：

在操作S422a，对训练集中的历史结构化查询语句进行语法解析。

在操作S422b，清洗语法解析后的历史结构化查询语句中的缺失值、异常值和重复值。

在操作S422c，对清洗后的历史结构化查询语句进行整理。

在本公开的一实施例中，上述对清洗后的历史结构化查询语句进行整理包括对清洗后的历史结构化查询语句进行排序、归一化、合并。

在操作S422d，对整理后的历史结构化查询语句中的变量进行转换。

根据本公开的实施例，通过清洗历史结构化查询语句，能够减少误差和噪音、确保历史结构化查询语句的完整性和准确性，有利于提升后续基于此数据训练的性能预测模型的准确性和稳定性；通过整理清洗后的历史结构化查询语句，使得历史结构化查询语句能够更好地被处理和分析；通过对整理后的历史结构化查询语句中的变量进行转换，使得历史结构化查询语句能够更好地适应机器学习算法的需求和假设。

图5示意性示出了根据本公开实施例的从预处理后的历史结构化查询语句中获取目标特征的流程图。

如图5所示，在本公开的实施例中，上述操作S323从预处理后的历史结构化查询语句中获取目标特征包括操作S523a～操作S523f：

在操作S523a，从预处理后的历史结构化查询语句中提取N个初始特征，其中，N≥2，且N为整数；其中，多个初始特征包括：结构化查询语句长度(包括空格、标点等)、结构化查询语句涉及到的表的数量、结构化查询语句涉及到的关键字的数量(包括SELECT、FROM、WHERE、JOIN等)、结构化查询语句涉及到的列的数量、结构化查询语句涉及到的条件的数量、结构化查询语句涉及到的子查询的数量、结构化查询语句涉及到的嵌套层数、结构化查询语句涉及到的聚合函数的数量(包括SUM、AVG、MAX、MIN等)、结构化查询语句涉及到的分组字段的数量、结构化查询语句涉及到的排序字段的数量、结构化查询语句涉及到的数据表的大小、结构化查询语句涉及到的数据表的类型(包括InnoDB、MyISAM等)、结构化查询语句的执行计划(例如全表扫描、跳跃索引等)、数据库系统负载情况(数据库系统当前的负载情况，包括CPU利用率、内存使用率等)、数据库系统配置信息(数据库系统的硬件配置信息，包括CPU数量、内存容量等)等。

在操作S523b，对N个初始特征进行调整，上述调整包括标准化和归一化处理。

在操作S523c，从调整后的N个初始特征中选取n个初始特征进行组合，得到一个组合特征，其中，2≤n≤N，且n为整数。

在操作S523d，以预定次数重复上述一个组合特征的获取操作，得到多个组合特征；

在操作S523e，分别计算每个初始特征的初始特征权重和每个组合特征的组合特征权重。

在操作S523f，根据初始特征权重和组合特征权重，将上述多个初始特征中的至少一个和/或上述多个组合特征中的至少一个确定为目标特征。根据本公开的实施例，以特征权重为选择依据，选择适当的初始特征和/或组合特征作为训练性能预测模型的数据，可以剔除过拟合或欠拟合的特征(包括初始特征和/或组合特征)。

在本公开的一些实施例中，为便于取用，将上述操作S523e得到的目标特征保存到数据库中，其中，数据库包括MySQL或者Oracle等关系型数据库。

根据本公开的实施例，通过从历史结构化查询语句中提取多个初始特征，将初始特征进行组合得到组合特征，而后根据各初始特征和组合特征对于模型训练的权重，选择至少一个初始特征和/或至少一个组合特征作为训练数据来训练性能预测模型，使得最终得到的模型能够具有较高的准确度。

图6示意性示出了根据本公开实施例的使用目标特征作为训练数据来训练性能预测模型的流程图。

如图6所示，在本公开的实施例中，上述操作S324使用目标特征作为训练数据，来训练性能预测模型包括操作S624a～操作S624c：

在操作S624a，预设多个机器学习算法，为每个机器学习算法设置超参数并建立初始模型，根据目标特征和超参数，对各初始模型进行训练。根据本公开的实施例，超参数可以是正则化参数等，可以通过多次训练实验找到合适的参数值，提升模型性能。

在操作S624b，从历史信息中提取测试集，通过测试集验证每个训练好的初始模型的准确度。在本公开的一些实施例中，采用AUC(Area Under ROC Curve，ROC曲线下的面积)、ROC(Receiver Operating Characteristic，接收者操作特征曲线)、MAE(Mean SquareError，均方误差)和RMSE(Root Mean Square Error，均方根误差)等机器学习模型预测结果衡量的标准来评估每个训练好的初始模型的准确度。

在操作S624c，从多个训练好的初始模型中选取准确度最高的一个作为性能预测模型。在本公开的一些实施例中，将上述训练好的初始模型均存入模型库中，模型库可以是非结构化对象的存储设备。

根据本公开的实施例，上述机器学习算法包括线性回归、决策树、随机森林和支持向量机。

根据本公开实施例，通过多种机器学习算法基于训练集里的历史结构化查询语句和生产运维信息得到多个训练好的初始模型，再利用测试集里的历史结构化查询语句和生产运维信息验证各个训练好的初始模型的准确度，并用AUC、ROC、MAE和RMSE等指标作为准确度衡量标准，由此挑选出的性能预测模型能够准确的预测研发阶段的结构化查询语句的性能，并且该测试环境得出的预测性能能够代表该结构化查询语句在生产环境的性能。

图7示意性示出了根据本公开实施例的针对性能不满足预期要求的待测结构化查询语句输出导致其执行时长大于预设阈值的原因的流程图。

如图7所示，在本公开的实施例中，上述操作S230将预测执行时长与预设阈值比较，在预测执行时长大于预设阈值的情况下，确定该待测结构化查询语句的性能不满足预期要求，并输出导致该待测结构化查询语句的执行时长大于预设阈值的原因包括操作S721～操作S722：

在操作S721，将待测结构化查询语句的预测执行时长与预设阈值比较，在确定预测执行时长大于预设阈值的情况下，确定该待测结构化查询语句的性能不满足预期要求，并计算待测结构化查询语句的复杂度。其中，复杂度指的是结构化查询语句的复杂程度(复杂度越高，语句的执行时间越长，但无法定量确定具体时长)，根据结构化查询语句涉及的特征(如表、关键字、条件、嵌套层数、聚合函数的数量等)确定，复杂度表征了影响待测结构化查询语句的预测执行时长的特征及各特征对应的权重，能够反映出导致结构化查询语句执行时间过长的主要特征(即权重较大的特征)。

在操作S722，根据待测结构化查询语句的复杂度，输出导致该待测结构化查询语句执行时长大于预设阈值的原因。

在本公开的一些实施例中，在确定预测执行时长大于预设阈值的情况下，提示用户“该待测结构化查询语句不满足预期要求”，并输出导致该不满足预期要求的待测结构化查询语句的执行时长大于预设阈值的原因；在确定预测执行时长不大于预设阈值的情况下，提示用户“该待测结构化查询语句满足预期要求”。在本公开的一些实施例中，上述输出导致该不满足预期要求的待测结构化查询语句的执行时长大于预设阈值的原因例如可以是：该待测结构化查询语句的嵌套层数过多导致执行时间过长、该待测结构化查询语句的聚合函数过多导致执行时间过长等。

在本公开的一些实施例中，将上述性能预测模型部署在开发IDE(IntegratedDevelopment Environment，集成开发环境)或即时BI(Business Intelligence，商务智能)平台，用于提供结构化查询语句的性能预测服务，可以高效地处理用户输入的大批量待测结构化查询语句。

根据本公开的实施例，通过上述根据权重选择的目标特征训练得到性能预测模型，在预测研发阶段的结构化查询语句的性能时，能够快速识别出性能不满足预期要求的待测结构化查询语句；通过性能预测模型计算待测结构化查询语句的预测执行时长，来评估待测结构化查询语句的性能是否达到既定的要求，能够准确的预测研发阶段的结构化查询语句的性能(包括执行时长)；在预测执行时长超出预设阈值的情况下，通过计算复杂度识别出导致其性能低效(执行时间过长)的问题点，并根据复杂度，针对预测执行时长大于预设阈值的待测结构化查询语句输出导致该待测结构化查询语句的执行时长大于预设阈值的原因，给相关工作人员优化该性能不满足预期要求的待测结构化查询语句指明了方向，便于工作人员进行优化，能够使得相关技术人员及时调整优化研发阶段的结构化查询语句、提前排除生产性能隐患。

根据本公开实施例，上述结构化查询语句性能预测方法还包括：根据预设时间间隔、预设结构化查询语句性能预测量或用户的指令，对上述性能预测模型进行更新。具体是再次采集历史信息训练出新的多个训练好的初始模型，并和之前存入模型库中的训练好的初始模型一起被测试集验证，从中挑选出一个准确度最高的作为新的性能预测模型。通过本公开的实施例，以不同的时机对性能预测模型进行更新，实现模型的动态更新和自动纠偏。即使是性能预测模型的性能因数据与外界因素的变化而发生漂移，也能使得该性能预测模型持续保持对结构化查询语句进行性能预测的结果的高准确度。

基于上述结构化查询语句性能预测方法，本公开还提供了一种结构化查询语句性能预测装置。以下将结合图8对该装置进行详细描述。

图8示意性示出了根据本公开实施例的结构化查询语句性能预测装置的结构框图。

如图8所示，该实施例的结构化查询语句性能预测装置800包括信息采集模块810、数据预处理模块820、特征信息获取模块830、模型训练模块840和性能预测模块850。

信息采集模块810，用于采集历史信息，从历史信息中提取训练集，训练集包括历史结构化查询语句。在一实施例中，信息采集模块810可以用于执行前文描述的操作操作S321，在此不再赘述。

数据预处理模块820，用于对训练集中的历史结构化查询语句进行预处理。在一实施例中，数据预处理模块820可以用于执行前文描述的操作S322，在此不再赘述。

特征信息获取模块830，用于从预处理后的历史结构化查询语句中获取目标特征。在一实施例中，特征信息获取模块830可以用于执行前文描述的操作S323，在此不再赘述。

模型训练模块840，用于使用目标特征作为训练数据，来训练性能预测模型。在一实施例中，模型训练模块840可以用于执行前文描述的操作S324，在此不再赘述。

性能预测模块850，用于将待测结构化查询语句输入性能预测模型，得到待测结构化查询语句的预测执行时长，将预测执行时长与预设阈值比较，在预测执行时长大于预设阈值的情况下，确定待测结构化查询语句的性能不满足预期要求，并输出导致该待测结构化查询语句的执行时长大于预设阈值的原因。在一实施例中，性能预测模块850可以用于执行前文描述的操作S220～操作S230，在此不再赘述。

根据本公开的实施例，上述结构化查询语句性能预测装置800还可以包括模型更新模块860，用于根据预设时间间隔、预设结构化查询语句性能预测量或用户的指令，对上述性能预测模型进行更新。

根据本公开的实施例，信息采集模块810、数据预处理模块820、特征信息获取模块830、模型训练模块840、性能预测模块850和模型更新模块860中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，信息采集模块810、数据预处理模块820、特征信息获取模块830、模型训练模块840、性能预测模块850和模型更新模块860中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，信息采集模块810、数据预处理模块820、特征信息获取模块830、模型训练模块840、性能预测模块850和模型更新模块860中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图9示意性示出了根据本公开实施例的适于实现结构化查询语句性能预测方法的电子设备的方框图。

如图9所示，根据本公开实施例的电子设备900包括处理器901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 903中，存储有电子设备900操作所需的各种程序和数据。处理器901、ROM902以及RAM 903通过总线904彼此相连。处理器901通过执行ROM 902和/或RAM 903中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 902和RAM 903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备900还可以包括输入/输出(I/O)接口905，输入/输出(I/O)接口905也连接至总线904。电子设备900还可以包括连接至I/O接口905的以下部件中的一项或多项：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 902和/或RAM 903和/或ROM 902和RAM 903以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的结构化查询语句性能预测方法。

在该计算机程序被处理器901执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分909被下载和安装，和/或从可拆卸介质911被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。