CN109240875A - 一种卡顿分析方法及*** - Google Patents
一种卡顿分析方法及*** Download PDFInfo
- Publication number
- CN109240875A CN109240875A CN201810764779.2A CN201810764779A CN109240875A CN 109240875 A CN109240875 A CN 109240875A CN 201810764779 A CN201810764779 A CN 201810764779A CN 109240875 A CN109240875 A CN 109240875A
- Authority
- CN
- China
- Prior art keywords
- caton
- scene
- probability
- gesture path
- record
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3051—Monitoring arrangements for monitoring the configuration of the computing system or of the computing system component, e.g. monitoring the presence of processing resources, peripherals, I/O links, software programs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3447—Performance evaluation by modeling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明公开了一种卡顿分析方法及***，所述方法包括：接收客户端上传的手势轨迹记录；将所述手势轨迹记录输入预先训练的卡顿分析模型，得到卡顿分析结果，其中，所述卡顿分析结果包括所述手势轨迹记录对应各卡顿场景的概率；基于所述卡顿分析结果得到当前卡顿场景。能够精准的判断对应卡顿场景，以便对卡顿原因进行实时处理，优化止损效率。
Description
【技术领域】
本发明涉及计算机应用技术，特别涉及卡顿分析方法及***。
【背景技术】
随着智能手机技术的不断发展，其已成为人们日常生活中不可或缺的一部分。对智能手机的使用主要体现在对各种APP的使用。不难易理解，良好的用户体验是其他一切目标的基础，也是质量保障的关键。例如，***APP的可玩性主要受制于卡顿。通过调研发现，随着用户手机的性能提升，卡顿的产生瓶颈在发生根本性的迁移。其主要制约因素已经由用户手机性能，变为APP本身质量，机房环境，高峰并发三个维度。
目前业界常见的线上卡顿检测技术，是依赖手机客户端设备的巨大开销，通过长连接，消耗用户设备大量的电量、流量，并且会导致手机发烫和吸费，其造成的损害远大于可预期的价值。
随着卡顿主要制约因素的改变，卡顿的主要产生瓶颈已不在客户端设备，所以希望依靠监控客户端精准定位卡顿问题，无异于缘木求鱼。
在客户端设备进行卡顿监控和上报，观测点无外乎客户端设备的CPU、RAM等***资源。即使卡顿主因存在于客户端，这些观测点也不能精准的预警问题。例如，IOS***内存占用率达到90％依然非常流程，而某些Android***内存占用超过80％就可能卡顿。市面上主流的安卓ROM不下于数十种，且更新频率越来越来。根本不可能为每一款ROM进行全面适配。因此很难找到可靠的维度和阀值来对客户端***资源进行监控预警。若长期误报率较高，监控机会失去了应有的警示意义，万一真的遇到风险，工程师在麻木的状态下，也难做出最快速的反应。
综上，亟待一种新的线上质量监控技术，有的放矢的应对新的业务痛点。解决传统客户端卡顿检测技术所不能覆盖的维度。
【发明内容】
本申请的多个方面提供了卡顿分析方法、***、设备及存储介质，能够可精准的判断对应卡顿场景，以便对卡顿原因进行实时处理，优化止损效率。
本发明的一方面，提供一种卡顿分析方法，所述方法包括：
接收客户端上传的手势轨迹记录；
将所述手势轨迹记录输入预先训练的卡顿分析模型，得到卡顿分析结果，其中，所述卡顿分析结果包括所述手势轨迹记录对应各卡顿场景的概率；
基于所述卡顿分析结果得到当前卡顿场景。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述卡顿分析模型是通过对预设的神经网络进行训练得到的。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述卡顿分析模型是通过以下训练步骤训练得到的：
将不同卡顿场景下收集到的手势轨迹记录及对应的卡顿场景标签作为训练样本；
利用机器学习方法，基于所述训练样本、预设的分类损失函数和反向传播算法对所述神经网络进行训练，得到卡顿分析模型。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，基于所述卡顿分析结果得到当前卡顿场景包括：
确定所述手势轨迹记录不属于卡顿场景的概率是否为所述卡顿分析结果的最大概率；
若不是最大概率，则按照概率的数值大小，从所述手势轨迹对应各卡顿场景的概率中选取概率，并将选取出的概率对应的卡顿场景作为当前卡顿场景。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，从所述手势轨迹对应各卡顿场景的概率中选取概率还包括：
则按照数值由大到小的顺序，将所述手势轨迹记录对应各卡顿场景的概率进行排序，得到概率序列；
从所述概率序列的首部开始选取预置数目个概率。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，从所述手势轨迹对应各卡顿场景的概率中选取概率还包括：
从所述手势轨迹记录对应各卡顿场景的概率中选取不小于概率阈值的概率。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述卡顿场景包括：
弱网卡顿场景、CPU密集场景、APP闪退场景。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述将不同卡顿场景下收集到的手势轨迹记录及对应的卡顿场景标签作为训练样本包括：
构造模拟卡顿场景；
收集内测用户在模拟卡顿场景中的手势轨迹记录；
为所收集的手势轨迹记录标记对应卡顿场景的标签。
本发明的另一方面，提供一种卡顿分析***，所述***包括：
接收单元，用于接收客户端上传的手势轨迹记录；
分析单元，用于将所述手势轨迹记录输入预先训练的卡顿分析模型，得到卡顿分析结果，其中，所述卡顿分析结果包括所述手势轨迹记录对应各卡顿场景的概率；
输出单元，用于基于所述卡顿分析结果得到当前卡顿场景。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述卡顿分析模型是通过对预设的神经网络进行训练得到的。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述***还包括训练单元，用于
将不同卡顿场景下收集到的手势轨迹记录及对应的卡顿场景标签作为训练样本；
利用机器学习方法，基于所述训练样本、预设的分类损失函数和反向传播算法对所述神经网络进行训练，得到卡顿分析模型。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述输出单元包括：
确定子单元，用于确定所述手势轨迹记录不属于卡顿场景的概率是否为所述卡顿分析结果的最大概率；
生成子单元，用于若不是最大概率，则按照概率的数值大小，从所述手势轨迹对应各卡顿场景的概率中选取概率，并将选取出的概率对应的卡顿场景作为当前卡顿场景。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述生成子单元具体用于：
则按照数值由大到小的顺序，将所述手势轨迹记录对应各卡顿场景的概率进行排序，得到概率序列；
从所述概率序列的首部开始选取预置数目个概率。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述生成子单元具体用于：
从所述手势轨迹记录对应各卡顿场景的概率中选取不小于概率阈值的概率。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述卡顿场景包括：
弱网卡顿场景、CPU密集场景、APP闪退场景。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述训练子单元具体用于：
构造模拟卡顿场景；
收集内测用户在模拟卡顿场景中的手势轨迹记录；
为所收集的手势轨迹记录标记对应卡顿场景的标签。
本发明的另一方面，提供一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如以上所述的方法。
本发明的另一方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如以上所述的方法。
基于上述介绍可以看出，采用本发明所述方案，能够可精准的判断对应卡顿场景，以便对卡顿原因进行实时处理，优化止损效率。
【附图说明】
图1为本发明所述卡顿分析方法的流程图；
图2为本发明所述卡顿分析***的结构图；
图3示出了适于用来实现本发明实施方式的示例性计算机***/服务器012的框图。
【具体实施方式】
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本申请保护的范围。
图1为本发明所述卡顿分析方法实施例的流程图，如图1所示，包括以下步骤：
步骤S11、接收客户端上传的手势轨迹记录；
步骤S12、将所述手势轨迹记录输入预先训练的卡顿分析模型，得到卡顿分析结果，其中，所述卡顿分析结果包括所述手势轨迹记录对应各卡顿场景的概率；
步骤S13、基于所述卡顿分析结果得到当前卡顿场景。
在步骤S11的一种优选实现方式中，
服务器接收由用户手机安装的客户端实时或定时发送的用户的手势轨迹记录。
优选地，所述客户端为所要进行的卡顿分析所针对的APP，或，所述客户端仅为记录并发送用户对所要进行的卡顿分析所针对的APP的手势轨迹的客户端。
优选地，所述服务器实时接收所述客户端发送的用户的手势轨迹记录，并对所述手势轨迹记录以一定时间段，例如2分钟为一组进行切分。
优选地，所述服务器接收所述客户端以一定时间段，例如2分钟为一组发送的用户的手势轨迹记录。
优选地，其中每个时间段包含多条轨迹。
在步骤S12的一种优选实现方式中，
优选地，对所述手势轨迹记录进行预处理，例如，将每组手势轨迹转换为一条N维向量如：[D0,D1,...Dn]，其中D代表一个特征维度，包括不限于：该组手势中上滑操作出现频率，下滑操作频率，点击操作频率，长按操作频率，手势位置区域(根据需要定要，常见有屏幕4分法，9分法)。将所述N维向量进行数据归一化处理，每个特征维度取值归一到(0-1)区间内。
将所述预处理后的手势轨迹记录输入预先训练的卡顿分析模型，得到卡顿分析结果。
优选地，所述卡顿分析模型是通过对预设的神经网络进行训练得到的，其中，所述神经网络包括卷积层、池化层、全连接层和损失层，所述神经网络包括贝叶斯、CNN和DNN神经网络。
步骤A，获取不同卡顿场景下收集到的手势轨迹记录及对应的卡顿场景标签作为训练样本。
优选地，构造模拟实验，预设可控异常场景。例如通过Ngi nx反向代理，构造请求拥堵场景；通过路由限速模拟平滑网络渐变和弱网场景；通过预设浮点运算构造CPU密集场景；通过云端下发异常数据构造可控crash场景；将特殊场景执行器以Agent的形态，放到测试设备，例如安装了待测试的APP的手机。可动态的，随时的控制触发/关闭某种场景。在APP内测用户试玩过程，并不预先告知异常情况。以求收集最真实的手势轨迹记录，将收集到的手势轨迹记录自动打上对应场景的标签。
通过自动标签技术，可以大幅优化训练数据的成本和效率。
步骤B，将不同卡顿场景下收集到的手势轨迹记录及对应的卡顿场景标签作为训练样本；
优选地，对所述手势轨迹记录进行预处理，例如，将每组手势轨迹转换为一条N维向量如：[D0,D1,...Dn]，其中D代表一个特征维度，包括不限于：该组手势中上滑操作出现频率，下滑操作频率，点击操作频率，长按操作频率，手势位置区域(根据需要定要，常见有屏幕4分法，9分法)。将所述N维向量进行数据归一化处理，每个特征维度取值归一到(0-1)区间内。
步骤C，利用机器学习方法，基于所述训练样本、预设的分类损失函数和反向传播算法对所述神经网络进行训练，得到卡顿分析模型。
优选地，将所述训练样本输入预设的神经网络，得到与该样本对应的第一识别结果，上述执行端可以利用预设的分类损失函数来确定该第一识别结果与该样本所对应的标签之间的差异，根据该差异，采用预设的反向传播算法对上述预设的神经网络中的参数进行调整。
需要说明的是，上述分类损失函数可以是各种用于分类的损失函数(例如HingeLoss函数或Softmax Loss函数等)。在训练过程中，分类损失函数可以约束卷积核修改的方式和方向，训练的目标为使分类损失函数的值最小。因而，训练后得到的卷积神经网络的参数即为分类损失函数的值为最小值时所对应的参数。
另外，上述反向传播算法也可称为误差反向传播算法，或误差逆传播算法。反向传播算法的学习过程由正向传播过程和反向传播过程组成。在前馈网络中，输入信号经输入层输入，通过隐藏层计算，由输出层输出。将输出值与标记值比较，若有误差，将误差反向由输出层向输入层传播，在这个过程中，可以利用梯度下降算法(例如随机梯度下降算法)对神经元权值(例如卷积层中卷积核的参数等)进行调整。
在步骤S13的一种优选实现方式中，
优选地，基于所述卡顿分析结果得到当前卡顿场景包括：确定所述手势轨迹记录不属于卡顿场景的概率是否为所述卡顿分析结果的最大概率；若不是最大概率，则按照概率的数值大小，从所述手势轨迹对应各卡顿场景的概率中选取概率，并将选取出的概率对应的卡顿场景作为当前卡顿场景。
由于卡顿的出现原因可能不仅限于单一场景，而是多个场景的混合；因此：
优选地，从所述手势轨迹对应各卡顿场景的概率中选取概率还包括：则按照数值由大到小的顺序，将所述手势轨迹记录对应各卡顿场景的概率进行排序，得到概率序列；从所述概率序列的首部开始选取预置数目个概率。
优选地，从所述手势轨迹对应各卡顿场景的概率中选取概率还包括：从所述手势轨迹记录对应各卡顿场景的概率中选取不小于概率阈值的概率。
在本实施例的一种优选实现方式中，
所述服务器可以根据当前卡顿场景，通过预设逻辑，得到对策。
例如收到当前状态为卡顿，且卡顿场景为CPU密集场景，则根据预设逻辑，反馈给负载均衡主机，指示新的试玩请求不要连接到当前CPU使用率较高的主机；类似亦可触发动态扩容等有效操作。第一时间感知并解决用户的卡顿痛点。
优选地，所述服务器可以记录所述卡顿场景的发生时间，提供以HDFS(Hadoop分布式文件***)为代表的异步分析能力，作用于运营决策辅助。采用定时任务触发，例如每天零点，分析前一天天所有数据，输出分析结果，包括：
卡顿率—时间分布趋势，指导精准的扩容节时段，保障用户体验，可成为动态库容能力的核心感应组件；
卡顿率—地域分布趋势，指导精准定位短板机房，结合单一变量法则对bad机房和good机房进行横比分析，最终定位到是CDN，主机配置，网路带宽等根本优化点卡顿率—APP分布趋势，指导精准淘汰稳定性小于卡顿阀值的APP，或周期性淘汰处于正态分布末尾20％的APP，保障试玩体验维持在较高水平
根据本发明所述实施例，可以根据用户的手势轨迹记录，通过机器学习提取用户手势特征，能够精准的判断对应卡顿场景，以便对卡顿原因进行实时处理，优化止损效率。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
以上是关于方法实施例的介绍，以下通过装置实施例，对本发明所述方案进行进一步说明。
图2为本发明所述卡顿分析***实施例的结构图，如图2所示，包括：
接收单元21，用于接收客户端上传的手势轨迹记录；
分析单元22，用于将所述手势轨迹记录输入预先训练的卡顿分析模型，得到卡顿分析结果，其中，所述卡顿分析结果包括所述手势轨迹记录对应各卡顿场景的概率；
输出单元23，用于基于所述卡顿分析结果得到当前卡顿场景。
在接收单元21的一种优选实现方式中，
所述接收单元21接收由用户手机安装的客户端实时或定时发送的用户的手势轨迹记录。
优选地，所述客户端为所要进行的卡顿分析所针对的APP，或，所述客户端仅为记录并发送用户对所要进行的卡顿分析所针对的APP的手势轨迹的客户端。
优选地，所述接收单元21实时接收所述客户端发送的用户的手势轨迹记录，并对所述手势轨迹记录以一定时间段，例如2分钟为一组进行切分。
优选地，所述接收单元21接收所述客户端以一定时间段，例如2分钟为一组发送的用户的手势轨迹记录。
优选地，其中每个时间段包含多条轨迹。
在分析单元22的一种优选实现方式中，
优选地，对所述手势轨迹记录进行预处理，例如，将每组手势轨迹转换为一条N维向量如：[D0,D1,...Dn]，其中D代表一个特征维度，包括不限于：该组手势中上滑操作出现频率，下滑操作频率，点击操作频率，长按操作频率，手势位置区域(根据需要定要，常见有屏幕4分法，9分法)。将所述N维向量进行数据归一化处理，每个特征维度取值归一到(0-1)区间内。
将所述预处理后的手势轨迹记录输入预先训练的卡顿分析模型，得到卡顿分析结果。
优选地，所述***还包括训练单元24，所述卡顿分析模型是由训练单元24通过对预设的神经网络进行训练得到的，其中，所述神经网络包括卷积层、池化层、全连接层和损失层，所述神经网络包括贝叶斯、CNN和DNN神经网络。
步骤A，获取不同卡顿场景下收集到的手势轨迹记录及对应的卡顿场景标签作为训练样本。
优选地，构造模拟实验，预设可控异常场景。例如通过Nginx反向代理，构造请求拥堵场景；通过路由限速模拟平滑网络渐变和弱网场景；通过预设浮点运算构造CPU密集场景；通过云端下发异常数据构造可控crash场景；将特殊场景执行器以Agent的形态，放到测试设备，例如安装了待测试的APP的手机。可动态的，随时的控制触发/关闭某种场景。在APP内测用户试玩过程，并不预先告知异常情况。以求收集最真实的手势轨迹记录，将收集到的手势轨迹记录自动打上对应场景的标签。
通过自动标签技术，可以大幅优化训练数据的成本和效率。
步骤B，将不同卡顿场景下收集到的手势轨迹记录及对应的卡顿场景标签作为训练样本；
优选地，对所述手势轨迹记录进行预处理，例如，将每组手势轨迹转换为一条N维向量如：[D0,D1,...Dn]，其中D代表一个特征维度，包括不限于：该组手势中上滑操作出现频率，下滑操作频率，点击操作频率，长按操作频率，手势位置区域(根据需要定要，常见有屏幕4分法，9分法)。将所述N维向量进行数据归一化处理，每个特征维度取值归一到(0-1)区间内。
步骤C，利用机器学习方法，基于所述训练样本、预设的分类损失函数和反向传播算法对所述神经网络进行训练，得到卡顿分析模型。
优选地，所述分析单元22将所述训练样本输入预设的神经网络，得到与该样本对应的第一识别结果，上述执行端可以利用预设的分类损失函数来确定该第一识别结果与该样本所对应的标签之间的差异，根据该差异，采用预设的反向传播算法对上述预设的神经网络中的参数进行调整。
需要说明的是，上述分类损失函数可以是各种用于分类的损失函数(例如HingeLoss函数或Softmax Loss函数等)。在训练过程中，分类损失函数可以约束卷积核修改的方式和方向，训练的目标为使分类损失函数的值最小。因而，训练后得到的卷积神经网络的参数即为分类损失函数的值为最小值时所对应的参数。
另外，上述反向传播算法也可称为误差反向传播算法，或误差逆传播算法。反向传播算法的学习过程由正向传播过程和反向传播过程组成。在前馈网络中，输入信号经输入层输入，通过隐藏层计算，由输出层输出。将输出值与标记值比较，若有误差，将误差反向由输出层向输入层传播，在这个过程中，可以利用梯度下降算法(例如随机梯度下降算法)对神经元权值(例如卷积层中卷积核的参数等)进行调整。
在输出单元23的一种优选实现方式中，
优选地，输出单元23基于所述卡顿分析结果得到当前卡顿场景，包括：确定所述手势轨迹记录不属于卡顿场景的概率是否为所述卡顿分析结果的最大概率；若不是最大概率，则按照概率的数值大小，从所述手势轨迹对应各卡顿场景的概率中选取概率，并将选取出的概率对应的卡顿场景作为当前卡顿场景。
由于卡顿的出现原因可能不仅限于单一场景，而是多个场景的混合；因此：
优选地，从所述手势轨迹对应各卡顿场景的概率中选取概率还包括：则按照数值由大到小的顺序，将所述手势轨迹记录对应各卡顿场景的概率进行排序，得到概率序列；从所述概率序列的首部开始选取预置数目个概率。
优选地，从所述手势轨迹对应各卡顿场景的概率中选取概率还包括：从所述手势轨迹记录对应各卡顿场景的概率中选取不小于概率阈值的概率。
在本实施例的一种优选实现方式中，
所述服务器还可以包括决策单元25，用于根据当前卡顿场景，通过预设逻辑，得到对策。
例如收到当前状态为卡顿，且卡顿场景为CPU密集场景，则根据预设逻辑，反馈给负载均衡主机，指示新的试玩请求不要连接到当前CPU使用率较高的主机；类似亦可触发动态扩容等有效操作。第一时间感知并解决用户的卡顿痛点。
优选地，所述决策单元25还可以记录所述卡顿场景的发生时间，提供以HDFS(Hadoop分布式文件***)为代表的异步分析能力，作用于运营决策辅助。采用定时任务触发，例如每天零点，分析前一天天所有数据，输出分析结果，包括：
卡顿率—时间分布趋势，指导精准的扩容节时段，保障用户体验，可成为动态库容能力的核心感应组件；
卡顿率—地域分布趋势，指导精准定位短板机房，结合单一变量法则对bad机房和good机房进行横比分析，最终定位到是CDN，主机配置，网路带宽等根本优化点卡顿率—APP分布趋势，指导精准淘汰稳定性小于卡顿阀值的APP，或周期性淘汰处于正态分布末尾20％的APP，保障试玩体验维持在较高水平
根据本发明所述实施例，可以根据用户的手势轨迹记录，通过机器学习提取用户手势特征，能够精准的判断对应卡顿场景，以便对卡顿原因进行实时处理，优化止损效率。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的终端和服务器的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理器中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。所述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
图3示出了适于用来实现本发明实施方式的示例性计算机***/服务器012的框图。图3显示的计算机***/服务器012仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示，计算机***/服务器012以通用计算设备的形式表现。计算机***/服务器012的组件可以包括但不限于：一个或者多个处理器或者处理器016，***存储器028，连接不同***组件(包括***存储器028和处理器016)的总线018。
总线018表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，***总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
计算机***/服务器012典型地包括多种计算机***可读介质。这些介质可以是任何能够被计算机***/服务器012访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
***存储器028可以包括易失性存储器形式的计算机***可读介质，例如随机存取存储器(RAM)030和/或高速缓存存储器032。计算机***/服务器012可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例，存储***034可以用于读写不可移动的、非易失性磁介质(图3未显示，通常称为“硬盘驱动器”)。尽管图3中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线018相连。存储器028可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块042的程序/实用工具040，可以存储在例如存储器028中，这样的程序模块042包括——但不限于——操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块042通常执行本发明所描述的实施例中的功能和/或方法。
计算机***/服务器012也可以与一个或多个外部设备014(例如键盘、指向设备、显示器024等)通信，在本发明中，计算机***/服务器012与外部雷达设备进行通信，还可与一个或者多个使得发声者能与该计算机***/服务器012交互的设备通信，和/或与使得该计算机***/服务器012能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口022进行。并且，计算机***/服务器012还可以通过网络适配器020与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图3所示，网络适配器020通过总线018与计算机***/服务器012的其它模块通信。应当明白，尽管图3中未示出，可以结合计算机***/服务器012使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理器016通过运行存储在***存储器028中的程序，从而执行本发明所描述的实施例中的功能和/或方法。
上述的计算机程序可以设置于计算机存储介质中，即该计算机存储介质被编码有计算机程序，该程序在被一个或多个计算机执行时，使得一个或多个计算机执行本发明上述实施例中所示的方法流程和/或装置操作。
随着时间、技术的发展，介质含义越来越广泛，计算机程序的传播途径不再受限于有形介质，还可以直接从网络下载等。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、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。在本文件中，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***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在发声者计算机上执行、部分地在发声者计算机上执行、作为一个独立的软件包执行、部分在发声者计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)连接到发声者计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理器中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。所述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (18)
1.一种卡顿分析方法，其特征在于，所述方法包括：
接收客户端上传的手势轨迹记录；
将所述手势轨迹记录输入预先训练的卡顿分析模型，得到卡顿分析结果，其中，所述卡顿分析结果包括所述手势轨迹记录对应各卡顿场景的概率；
基于所述卡顿分析结果得到当前卡顿场景。
2.根据权利要求1所述的方法，其中，所述卡顿分析模型是通过对预设的神经网络进行训练得到的。
3.根据权利要求2所述的方法，其中，所述卡顿分析模型是通过以下训练步骤训练得到的：
将不同卡顿场景下收集到的手势轨迹记录及对应的卡顿场景标签作为训练样本；
利用机器学习方法，基于所述训练样本、预设的分类损失函数和反向传播算法对所述神经网络进行训练，得到卡顿分析模型。
4.根据权利要求1所述的方法，其中，基于所述卡顿分析结果得到当前卡顿场景包括：
确定所述手势轨迹记录不属于卡顿场景的概率是否为所述卡顿分析结果的最大概率；
若不是最大概率，则按照概率的数值大小，从所述手势轨迹对应各卡顿场景的概率中选取概率，并将选取出的概率对应的卡顿场景作为当前卡顿场景。
5.根据权利要求4所述的方法，其中，从所述手势轨迹对应各卡顿场景的概率中选取概率还包括：
则按照数值由大到小的顺序，将所述手势轨迹记录对应各卡顿场景的概率进行排序，得到概率序列；
从所述概率序列的首部开始选取预置数目个概率。
6.根据权利要求4所述的方法，其中，从所述手势轨迹对应各卡顿场景的概率中选取概率还包括：
从所述手势轨迹记录对应各卡顿场景的概率中选取不小于概率阈值的概率。
7.根据权利要求1所述的方法，其中，所述卡顿场景包括：
弱网卡顿场景、CPU密集场景、APP闪退场景。
8.根据权利要求3所述的方法，其中，所述将不同卡顿场景下收集到的手势轨迹记录及对应的卡顿场景标签作为训练样本包括：
构造模拟卡顿场景；
收集内测用户在模拟卡顿场景中的手势轨迹记录；
为所收集的手势轨迹记录标记对应卡顿场景的标签。
9.一种卡顿分析***，其特征在于，所述***包括：
接收单元，用于接收客户端上传的手势轨迹记录；
分析单元，用于将所述手势轨迹记录输入预先训练的卡顿分析模型，得到卡顿分析结果，其中，所述卡顿分析结果包括所述手势轨迹记录对应各卡顿场景的概率；
输出单元，用于基于所述卡顿分析结果得到当前卡顿场景。
10.根据权利要求9所述的***，其中，所述卡顿分析模型是通过对预设的神经网络进行训练得到的。
11.根据权利要求10所述的***，其中，所述***还包括训练单元，用于
将不同卡顿场景下收集到的手势轨迹记录及对应的卡顿场景标签作为训练样本；
利用机器学习方法，基于所述训练样本、预设的分类损失函数和反向传播算法对所述神经网络进行训练，得到卡顿分析模型。
12.根据权利要求9所述的***，其中，所述输出单元包括：
确定子单元，用于确定所述手势轨迹记录不属于卡顿场景的概率是否为所述卡顿分析结果的最大概率；
生成子单元，用于若不是最大概率，则按照概率的数值大小，从所述手势轨迹对应各卡顿场景的概率中选取概率，并将选取出的概率对应的卡顿场景作为当前卡顿场景。
13.根据权利要求12所述的***，其中，所述生成子单元具体用于：
则按照数值由大到小的顺序，将所述手势轨迹记录对应各卡顿场景的概率进行排序，得到概率序列；
从所述概率序列的首部开始选取预置数目个概率。
14.根据权利要求12所述的***，其中，所述生成子单元具体用于：
从所述手势轨迹记录对应各卡顿场景的概率中选取不小于概率阈值的概率。
15.根据权利要求9所述的***，其中，所述卡顿场景包括：
弱网卡顿场景、CPU密集场景、APP闪退场景。
16.根据权利要求11所述的方法，其中，所述训练子单元具体用于：
构造模拟卡顿场景；
收集内测用户在模拟卡顿场景中的手势轨迹记录；
为所收集的手势轨迹记录标记对应卡顿场景的标签。
17.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～8中任一项所述的方法。
18.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810764779.2A CN109240875B (zh) | 2018-07-12 | 2018-07-12 | 一种卡顿分析方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810764779.2A CN109240875B (zh) | 2018-07-12 | 2018-07-12 | 一种卡顿分析方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109240875A true CN109240875A (zh) | 2019-01-18 |
| CN109240875B CN109240875B (zh) | 2022-05-03 |
Family
ID=65072577
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810764779.2A Active CN109240875B (zh) | 2018-07-12 | 2018-07-12 | 一种卡顿分析方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109240875B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109756762A (zh) * | 2019-01-29 | 2019-05-14 | 北京奇艺世纪科技有限公司 | 一种终端类别的确定方法及装置 |
| CN110311806A (zh) * | 2019-06-06 | 2019-10-08 | 上海交通大学 | 一种移动应用程序界面响应延迟诊断方法、***及终端 |
| CN110888781A (zh) * | 2019-11-21 | 2020-03-17 | 腾讯科技（深圳）有限公司 | 一种应用卡顿检测方法及检测装置 |
| CN110908864A (zh) * | 2019-11-11 | 2020-03-24 | 腾讯科技（深圳）有限公司 | 一种设备卡顿的处理方法、装置、设备和介质 |
| CN111260335A (zh) * | 2020-02-12 | 2020-06-09 | 上海发才网络信息技术有限公司 | 一种用作人力资源服务推广的裂变式利益分成模式 |
| CN112445687A (zh) * | 2019-08-30 | 2021-03-05 | 深信服科技股份有限公司 | 一种计算设备的卡顿检测方法及相关装置 |
| CN113453076A (zh) * | 2020-03-24 | 2021-09-28 | ***通信集团河北有限公司 | 用户视频业务质量评估方法、装置、计算设备和存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120037967A1 (en) * | 2010-08-10 | 2012-02-16 | International Business Machines Corporation | Cmos pixel sensor cells with poly spacer transfer gates and methods of manufacture |
| CN104869203A (zh) * | 2015-06-18 | 2015-08-26 | 广东欧珀移动通信有限公司 | 卡顿的测试方法、装置及测试设备 |
| CN105260117A (zh) * | 2015-09-30 | 2016-01-20 | 小米科技有限责任公司 | 应用程序控制方法及装置 |
| CN105389252A (zh) * | 2015-10-16 | 2016-03-09 | 华为技术有限公司 | 反馈测试问题的方法及装置 |
| CN105637497A (zh) * | 2013-07-12 | 2016-06-01 | 谷歌公司 | 用于移动应用的性能监控的方法和*** |
| CN106940805A (zh) * | 2017-03-06 | 2017-07-11 | 江南大学 | 一种基于手机传感器的群体行为分析方法 |
-
2018
- 2018-07-12 CN CN201810764779.2A patent/CN109240875B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120037967A1 (en) * | 2010-08-10 | 2012-02-16 | International Business Machines Corporation | Cmos pixel sensor cells with poly spacer transfer gates and methods of manufacture |
| CN105637497A (zh) * | 2013-07-12 | 2016-06-01 | 谷歌公司 | 用于移动应用的性能监控的方法和*** |
| CN104869203A (zh) * | 2015-06-18 | 2015-08-26 | 广东欧珀移动通信有限公司 | 卡顿的测试方法、装置及测试设备 |
| CN105260117A (zh) * | 2015-09-30 | 2016-01-20 | 小米科技有限责任公司 | 应用程序控制方法及装置 |
| CN105389252A (zh) * | 2015-10-16 | 2016-03-09 | 华为技术有限公司 | 反馈测试问题的方法及装置 |
| CN106940805A (zh) * | 2017-03-06 | 2017-07-11 | 江南大学 | 一种基于手机传感器的群体行为分析方法 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109756762A (zh) * | 2019-01-29 | 2019-05-14 | 北京奇艺世纪科技有限公司 | 一种终端类别的确定方法及装置 |
| CN109756762B (zh) * | 2019-01-29 | 2020-10-02 | 北京奇艺世纪科技有限公司 | 一种终端类别的确定方法及装置 |
| CN110311806A (zh) * | 2019-06-06 | 2019-10-08 | 上海交通大学 | 一种移动应用程序界面响应延迟诊断方法、***及终端 |
| CN112445687A (zh) * | 2019-08-30 | 2021-03-05 | 深信服科技股份有限公司 | 一种计算设备的卡顿检测方法及相关装置 |
| CN110908864A (zh) * | 2019-11-11 | 2020-03-24 | 腾讯科技（深圳）有限公司 | 一种设备卡顿的处理方法、装置、设备和介质 |
| CN110908864B (zh) * | 2019-11-11 | 2024-05-10 | 腾讯科技（深圳）有限公司 | 一种设备卡顿的处理方法、装置、设备和介质 |
| CN110888781A (zh) * | 2019-11-21 | 2020-03-17 | 腾讯科技（深圳）有限公司 | 一种应用卡顿检测方法及检测装置 |
| CN110888781B (zh) * | 2019-11-21 | 2021-11-16 | 腾讯科技（深圳）有限公司 | 一种应用卡顿检测方法及检测装置 |
| CN111260335A (zh) * | 2020-02-12 | 2020-06-09 | 上海发才网络信息技术有限公司 | 一种用作人力资源服务推广的裂变式利益分成模式 |
| CN113453076A (zh) * | 2020-03-24 | 2021-09-28 | ***通信集团河北有限公司 | 用户视频业务质量评估方法、装置、计算设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109240875B (zh) | 2022-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109240875A (zh) | 一种卡顿分析方法及*** | |
| US10699195B2 (en) | Training of artificial neural networks using safe mutations based on output gradients | |
| US10412105B2 (en) | Automatic detection of network threats based on modeling sequential behavior in network traffic | |
| US20220172037A1 (en) | Proactive anomaly detection | |
| CN110378544A (zh) | 一种人岗匹配分析方法、装置、设备和介质 | |
| CN108228705A (zh) | 直播视频反馈中的自动对象和活动跟踪设备、方法及介质 | |
| US20070177792A1 (en) | Automated activity detection using supervised learning | |
| CN106209862A (zh) | 一种盗号防御实现方法及装置 | |
| CN117421684B (zh) | 基于数据挖掘和神经网络的异常数据监测与分析方法 | |
| CN115511501A (zh) | 一种数据处理方法、计算机设备以及可读存储介质 | |
| CN106202489A (zh) | 一种基于大数据的农业病虫害智能诊断*** | |
| CN109614318A (zh) | 自动化测试方法、装置、电子设备及计算机可读介质 | |
| CN109362235A (zh) | 对网络可访问存储装置处的事务进行分类 | |
| CN113190670A (zh) | 一种基于大数据平台的信息展示方法及*** | |
| CN110535850A (zh) | 帐号登录的处理方法和装置、存储介质及电子装置 | |
| CN112819024B (zh) | 模型处理方法、用户数据处理方法及装置、计算机设备 | |
| CN109117352B (zh) | 服务器性能预测方法和装置 | |
| CN115759748A (zh) | 风险检测模型生成方法和装置、风险个体识别方法和装置 | |
| US11640558B2 (en) | Unbalanced sample classification method and apparatus | |
| CN115935089B (zh) | 一种基于rpa技术的上车点推荐优化方法和*** | |
| CN104317859B (zh) | Led显示屏智能分类***及方法 | |
| US11928009B2 (en) | Predicting a root cause of an alert using a recurrent neural network | |
| KR20230138703A (ko) | 인공지능 기반으로 텍스트 및 비-텍스트 이미지를 포함하는 화면 정보를 인지하여 화면 상의 오브젝트에 이벤트를 발생시키는 방법 및 시스템 | |
| CN112765213A (zh) | 一种二代征信自动化查询方法、***及计算机设备 | |
| CN117615359B (zh) | 基于多种规则引擎的蓝牙数据传输方法及*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |