CN111475393A - 服务性能预测方法、装置、电子设备及可读存储介质 - Google Patents
服务性能预测方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN111475393A CN111475393A CN202010271099.4A CN202010271099A CN111475393A CN 111475393 A CN111475393 A CN 111475393A CN 202010271099 A CN202010271099 A CN 202010271099A CN 111475393 A CN111475393 A CN 111475393A
- Authority
- CN
- China
- Prior art keywords
- service
- data
- performance
- services
- calling
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013507 mapping Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 17
- 230000004044 response Effects 0.000 claims description 31
- 238000003062 neural network model Methods 0.000 claims description 26
- 230000001419 dependent effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 15
- 230000002159 abnormal effect Effects 0.000 description 12
- 238000012360 testing method Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 230000037213 diet Effects 0.000 description 5
- 235000005911 diet Nutrition 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- 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
- G06F11/3466—Performance evaluation by tracing or monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Debugging And Monitoring (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本公开实施例公开了一种服务性能预测方法、装置、电子设备及可读存储介质。所述服务性能预测方法包括：利用服务的历史数据训练服务性能模型，其中，所述服务的历史数据包括作为所述服务性能模型的输入特征的所述服务的调用数据、以及作为所述服务性能模型的输出标准的所述服务的第一性能数据；获取第一时间点的所述服务之间的调用数据的映射关系；根据所述映射关系针对第一输入流量生成服务的调用量；根据训练完成的服务性能模型，利用针对第一输入流量生成的服务的调用量计算针对第一输入流量的服务的第二性能数据。如此，通过历史数据在不消耗线上真实资源的条件下准确预测服务性能，提高服务可靠性。
Description
技术领域
本公开涉及互联网技术领域，具体涉及服务性能预测方法、装置、电子设备及可读存储介质。
背景技术
目前在诸如电子商务平台之类的***平台面临大促销活动之类的业务高峰时，机房服务最高峰压力会是正常时间的几十倍。这时候整个***的某些服务有可能会出现性能瓶颈，导致整个服务无法使用，影响业务进行。通常平台会通过压力测试的方式，提前将性能问题给暴露出来。传统的处理器性能监控方式，是通过为分布式***中所有节点设定一个统一的阈值，当处理器消耗超过该阈值时，***给出报警提示。而凭经验预估的压力测试阈值并不准确，业务之间的依赖关系无法准确体现，全链路真实压力测试会影响线上正常服务，分布式处理器监测方式无法监测I/O类型为主的服务。
发明内容
为了解决相关技术中的问题，本公开实施例提供服务性能预测方法、装置、电子设备及可读存储介质。
第一方面，本公开实施例中提供了一种服务性能预测方法，包括：
利用服务的历史数据训练服务性能模型，其中，所述服务的历史数据包括作为所述服务性能模型的输入特征的所述服务的调用数据、以及作为所述服务性能模型的输出标准的所述服务的第一性能数据；
获取第一时间点的所述服务之间的调用数据的映射关系；
根据所述映射关系针对第一输入流量生成服务的调用量；
根据训练完成的服务性能模型，利用针对第一输入流量生成的服务的调用量计算针对第一输入流量的服务的第二性能数据。
结合第一方面，本公开在第一方面的第一种实现方式中，所述第一时间点是所述历史数据中在提供所述服务的***中最近一次出现输入流量峰值的时间点。
结合第一方面或者第一方面的第一种实现方式，本公开在第一方面的第二种实现方式中，所述服务的调用数据包括对服务自身的调用数据以及对所述服务的依赖服务的调用数据。
结合第一方面或者第一方面的第一种实现方式，本公开在第一方面的第三种实现方式中，所述服务之间的调用数据的映射关系是服务的调用量的比例关系以及调用量的值。
结合第一方面或者第一方面的第一种实现方式，本公开在第一方面的第四种实现方式中，所述服务的历史数据包括在所述第一时间点的所述服务之间的调用量，并且所述第一输入流量是预设值。
结合第一方面的第四种实现方式，本公开在第一方面的第五种实现方式中，所述第一性能数据和所述第二性能数据指的是提供服务的***的处理器利用率、接口响应时间、请求成功率和异常比例中的至少一项，并且所述第一输入流量指的是预设的针对提供服务的***的访问次数。
结合第一方面或者第一方面的第一种实现方式，本公开在第一方面的第六种实现方式中，所述服务性能模型是神经网络模型。
结合第一方面的第六种实现方式，本公开在第一方面的第七种实现方式中，对不同的服务采用不同的神经网络模型。
结合第一方面或者第一方面的第一种实现方式，本公开在第一方面的第八种实现方式中，还包括：
确定所述服务的第二性能数据是否超过第一阈值；
响应于确定所述服务的第二性能数据超过第一阈值，将所述服务标识为特定服务。
结合第一方面的第八种实现方式，本公开在第一方面的第九种实现方式中，所述响应于确定所述服务的第二性能数据超过第一阈值，将所述服务标识为特定服务，包括：
将所述特定服务添加到特定服务列表。
结合第一方面的第八种实现方式，本公开在第一方面的第十种实现方式中，针对不同的服务采用不同的第一阈值。
第二方面，本公开实施例中提供了一种服务性能预测装置，包括：
训练模块，被配置为利用服务的历史数据训练服务性能模型，其中，所述服务的历史数据包括作为所述服务性能模型的输入特征的所述服务的调用数据、以及作为所述服务性能模型的输出标准的所述服务的第一性能数据；
获取模块，被配置为获取第一时间点的所述服务之间的调用数据的映射关系；
生成模块，被配置为根据所述映射关系针对第一输入流量生成服务的调用量；
计算模块，被配置为根据训练完成的服务性能模型，利用针对第一输入流量生成的服务的调用量计算针对第一输入流量的服务的第二性能数据。
结合第二方面，本公开在第二方面的第一种实现方式中，所述第一时间点是所述历史数据中在提供所述服务的***中最近一次出现输入流量峰值的时间点。
结合第二方面或者第二方面的第一种实现方式，本公开在第二方面的第二种实现方式中，所述服务的调用数据包括对服务自身的调用数据以及对所述服务的依赖服务的调用数据。
结合第二方面或者第二方面的第一种实现方式，本公开在第二方面的第三种实现方式中，所述服务之间的调用数据的映射关系是服务的调用量的比例关系以及调用量的值。
结合第二方面或者第二方面的第一种实现方式，本公开在第二方面的第四种实现方式中，所述服务的历史数据包括在所述第一时间点的所述服务之间的调用量，并且所述第一输入流量是预设值。
结合第二方面的第四种实现方式，本公开在第二方面的第五种实现方式中，所述第一性能数据和所述第二性能数据指的是提供服务的***的处理器利用率、接口响应时间、请求成功率和异常比例中的至少一项，并且所述第一输入流量指的是预设的针对提供服务的***的访问次数。
结合第二方面或者第二方面的第一种实现方式，本公开在第二方面的第六种实现方式中，所述服务性能模型是神经网络模型。
结合第二方面的第六种实现方式，本公开在第二方面的第七种实现方式中，对不同的服务采用不同的神经网络模型。
结合第二方面或者第二方面的第一种实现方式，本公开在第二方面的第八种实现方式中，还包括：
确定模块，被配置为确定所述服务的第二性能数据是否超过第一阈值；
标识模块，被配置为响应于确定所述服务的第二性能数据超过第一阈值，将所述服务标识为特定服务。
结合第二方面的第八种实现方式，本公开在第二方面的第九种实现方式中，所述标识模块还被配置为：
将所述特定服务添加到特定服务列表。
结合第二方面的第八种实现方式，本公开在第二方面的第十种实现方式中，针对不同的服务采用不同的第一阈值。
第三方面，本公开实施例中提供了一种电子设备，包括存储器和处理器；其中，
所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如第一方面、第一方面的第一种实现方式至第十种实现方式任一项所述的方法。
第四方面，本公开实施例中提供了一种可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现如第一方面、第一方面的第一种实现方式至第十种实现方式任一项所述的方法。
本公开实施例提供的技术方案可以包括以下有益效果：
根据本公开实施例提供的技术方案，通过利用服务的历史数据训练服务性能模型，其中，所述服务的历史数据包括作为所述服务性能模型的输入特征的所述服务的调用数据、以及作为所述服务性能模型的输出标准的所述服务的第一性能数据；获取第一时间点的所述服务之间的调用数据的映射关系；根据所述映射关系针对第一输入流量生成服务的调用量；根据训练完成的服务性能模型，利用针对第一输入流量生成的服务的调用量计算针对第一输入流量的服务的第二性能数据，从而通过历史数据在不消耗线上真实资源的条件下准确预测服务性能，提高服务可靠性。
根据本公开实施例提供的技术方案，通过所述第一时间点是所述历史数据中在提供所述服务的***中最近一次出现输入流量峰值的时间点，从而保证第一时间点的历史数据的准确性，保证服务性能预测准确性。
根据本公开实施例提供的技术方案，通过所述服务的调用数据包括对服务自身的调用数据以及对所述服务的依赖服务的调用数据，从而充分考虑服务调用的情况，提高服务性能预测准确性。
根据本公开实施例提供的技术方案，通过所述服务之间的调用数据的映射关系是服务的调用量的比例关系以及调用量的值，从而准确评估多个不同服务的调用量，提高服务性能预测准确性。
根据本公开实施例提供的技术方案，通过所述服务的历史数据包括在所述第一时间点的所述服务之间的调用量，并且所述第一输入流量是预设值，从而充分考虑服务调用的情况，提高服务性能预测准确性。
根据本公开实施例提供的技术方案，通过所述第一性能数据和所述第二性能数据指的是提供服务的***的处理器利用率、接口响应时间、请求成功率和异常比例中的至少一项，并且所述第一输入流量指的是预设的针对提供服务的***的访问次数，从而全面评估服务性能，提高服务性能预测准确性。
根据本公开实施例提供的技术方案，通过服务性能模型是神经网络模型，从而提高服务性能预测准确性。
根据本公开实施例提供的技术方案，通过对不同的服务采用不同的神经网络模型，从而提高对不同服务的适配能力，提高服务性能预测准确性。
根据本公开实施例提供的技术方案，通过还包括：确定所述服务的第二性能数据是否超过第一阈值；响应于确定所述服务的第二性能数据超过第一阈值，将所述服务标识为特定服务，从而对超出性能阈值的服务进行预警，提高服务可靠性。
根据本公开实施例提供的技术方案，通过所述响应于确定所述服务的第二性能数据超过第一阈值，将所述服务标识为特定服务，包括：将所述特定服务添加到特定服务列表，从而对超出性能阈值的服务进行预警，提高服务可靠性。
根据本公开实施例提供的技术方案，通过针对不同的服务采用不同的第一阈值，从而适配不同服务的需求，提高服务可靠性。
根据本公开实施例提供的技术方案，通过训练模块，被配置为利用服务的历史数据训练服务性能模型，其中，所述服务的历史数据包括作为所述服务性能模型的输入特征的所述服务的调用数据、以及作为所述服务性能模型的输出标准的所述服务的第一性能数据；获取模块，被配置为获取第一时间点的所述服务之间的调用数据的映射关系；生成模块，被配置为根据所述映射关系针对第一输入流量生成服务的调用量；计算模块，被配置为根据训练完成的服务性能模型，利用针对第一输入流量生成的服务的调用量计算针对第一输入流量的服务的第二性能数据，从而通过历史数据在不消耗线上真实资源的条件下准确预测服务性能，提高服务可靠性。
根据本公开实施例提供的技术方案，通过所述第一时间点是所述历史数据中在提供所述服务的***中最近一次出现输入流量峰值的时间点，从而保证第一时间点的历史数据的准确性，保证服务性能预测准确性。
根据本公开实施例提供的技术方案，通过所述服务的调用数据包括对服务自身的调用数据以及对所述服务的依赖服务的调用数据，从而充分考虑服务调用的情况，提高服务性能预测准确性。
根据本公开实施例提供的技术方案，通过所述服务之间的调用数据的映射关系是服务的调用量的比例关系以及调用量的值，从而准确评估多个不同服务的调用量，提高服务性能预测准确性。
根据本公开实施例提供的技术方案，通过所述服务的历史数据包括在所述第一时间点的所述服务之间的调用量，并且所述第一输入流量是预设值，从而充分考虑服务调用的情况，提高服务性能预测准确性。
根据本公开实施例提供的技术方案，通过所述第一性能数据和所述第二性能数据指的是提供服务的***的处理器利用率、接口响应时间、请求成功率和异常比例中的至少一项，并且所述第一输入流量指的是预设的针对提供服务的***的访问次数，从而全面评估服务性能，提高服务性能预测准确性。
根据本公开实施例提供的技术方案，通过服务性能模型是神经网络模型，从而提高服务性能预测准确性。
根据本公开实施例提供的技术方案，通过对不同的服务采用不同的神经网络模型，从而提高对不同服务的适配能力，提高服务性能预测准确性。
根据本公开实施例提供的技术方案，通过确定模块，被配置为确定所述服务的第二性能数据是否超过第一阈值；标识模块，被配置为响应于确定所述服务的第二性能数据超过第一阈值，将所述服务标识为特定服务，从而对超出性能阈值的服务进行预警，提高服务可靠性。
根据本公开实施例提供的技术方案，通过所述标识模块还被配置为：将所述特定服务添加到特定服务列表，从而对超出性能阈值的服务进行预警，提高服务可靠性。
根据本公开实施例提供的技术方案，通过针对不同的服务采用不同的第一阈值，从而适配不同服务的需求，提高服务可靠性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
结合附图，通过以下非限制性实施方式的详细描述，本公开的其它特征、目的和优点将变得更加明显。在附图中：
图1示出根据本公开一实施方式的服务性能预测方法的流程图；
图2示出根据本公开另一实施方式的服务性能预测方法的流程图；
图3示出根据本公开一实施方式的服务性能预测方法的示例性应用场景的流程图；
图4示出根据本公开一实施方式的服务性能预测装置的结构示意图；
图5示出根据本公开另一实施方式的服务性能预测装置的结构示意图；
图6示出根据本公开一实施方式的电子设备的结构框图；
图7示出适于用来实现根据本公开一实施方式的服务性能预测方法的计算机***的结构示意图。
具体实施方式
下文中，将参考附图详细描述本公开的示例性实施方式，以使本领域技术人员可容易地实现它们。此外，为了清楚起见，在附图中省略了与描述示例性实施方式无关的部分。
在本公开中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的标签、数字、步骤、行为、部件、部分或其组合的存在，并且不欲排除一个或多个其他标签、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的标签可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
在提出根据本公开实施例提供的技术方案的过程中，发明人考虑过以下几种方案：
1、凭借经验预估的方案。在该方案中，根据***平台过去的诸如大促销之类的业务高峰场景预估可能会出现容量瓶颈的服务。
该方案的缺陷在于，业务时刻都在变化，服务之间的依赖关系也一直在变化，根据历史经验进行预估显然不够准确。
2、全链路压力测试或者单服务压力测试的方案。在该方案中，依据***平台的线上真实流量进行全链路压力测试，提前诸如大促销之类的业务高峰场景的到来，评估出现容量瓶颈的服务。
该方案的缺陷在于，压力测试数据的构建并不能够准确反映***平台的线上真实情况，并且压力测试需要借助线上真实的机器资源，会对线上服务的正常工作产生影响。压力测试与真实场景下的中间件等基础设施的性能不尽相同，会导致评估结果出现较大误差。
3、利用机器学***台的分布式***中每个节点在第一时间段内的多个TPS(每秒访问次数)。根据这些TPS值以及预设的CPU使用率预测模型，预测分布式***中每个节点在第二时间段内的CPU使用率预测值。基于第二时间段内的多个CPU使用率预测值和多个CPU使用率实际值，确定所述分布式***中CPU使用率异常的节点。
该方案的缺陷在于，只能获取分布式服务单节点的CPU数据，无法提供整体机房所有服务的性能情况。该方案只能够提供服务CPU异常的检测，无法提供更多的性能数据做参考。如果遇到I/O(输入/输出)类型为主的服务则无法准确的提供性能瓶颈的检测。
为了解决相关技术中的问题，发明人提出了根据本公开实施例提供的技术方案。
根据本公开实施例提供的技术方案，通过利用服务的历史数据训练服务性能模型，其中，服务的历史数据包括作为服务性能模型的输入特征的服务的调用数据、以及作为服务性能模型的输出标准的服务的第一性能数据；获取第一时间点的服务之间的调用数据的映射关系；根据映射关系针对第一输入流量生成服务的调用量；根据训练完成的服务性能模型，利用针对第一输入流量生成的服务的调用量计算针对第一输入流量的服务的第二性能数据，从而通过历史数据在不消耗线上真实资源的条件下准确预测服务性能，提高服务可靠性。
图1示出根据本公开一实施方式的服务性能预测方法的流程图。如图1所示，服务性能预测方法包括：步骤S101、S102、S103和S104。
在步骤S101中，利用服务的历史数据训练服务性能模型，其中，服务的历史数据包括作为服务性能模型的输入特征的服务的调用数据、以及作为服务性能模型的输出标准的服务的第一性能数据。
在步骤S102中，获取第一时间点的服务之间的调用数据的映射关系。
在步骤S103中，根据映射关系针对第一输入流量生成服务的调用量。
在步骤S104中，根据训练完成的服务性能模型，利用针对第一输入流量生成的服务的调用量计算针对第一输入流量的服务的第二性能数据。
在本公开的一个实施例中，在所部署的多个服务中，使用服务的历史数据训练服务性能模型，用于预测诸如大促销活动之类的业务高峰期间的服务性能。在训练服务性能模型时，采用服务的调用数据，即单位时间内对服务的调用次数作为服务性能模型的输入特征；采用服务的第一性能数据作为服务性能模型的输出标准。第一性能数据可以包括处理器利用率、接口响应时间、请求成功率和异常比例中的至少一项，以满足对数据处理型服务、I/O接口型服务等不同服务性能的评估需求。服务性能模型的输入特征也可以采用其它数据，服务性能模型的输出标准也可以采用其它性能。在本公开的一个实施例中，用于训练服务性能模型的输入特征和输出标准可以是在服务运行过程中实时获取的，以提高服务性能模型的训练准确性。不同服务之间的调用数据可以有映射关系，用于衡量不同服务的调用量间的比例和绝对数值。通过获取第一时间点(过去的特定时间点)的服务之间的调用数据的映射关系，可以更为准确地描述第一时间点的不同服务间的调用数据。在业务高峰期间，用户对提供服务的***的访问次数将急剧增长。根据预设的业务高峰期间的针对提供服务的***的访问次数，可以计算出对不同服务的调用量。而在服务性能模型训练完成之后，根据计算出的业务高峰期间对不同服务的调用量，可以计算不同服务的第二性能数据，即在业务高峰的处理器利用率、接口响应时间、请求成功率和异常比例中的至少一项，从而通过历史数据在不消耗线上真实资源的条件下准确预测业务高峰期间的服务性能，提高服务可靠性。
在本公开的一个实施例中，第一时间点是历史数据中在提供服务的***中最近一次出现输入流量峰值的时间点，从而在***负载较高的条件下获取服务的调用数据。之后，在第一时间点获取的服务的调用数据可以作为历史数据用于训练服务性能模型。这样，使得训练服务性能模型的数据尽可能逼近业务高峰期间的数据，获得更好的模型训练效果，保证业务高峰的服务性能预测准确性。第一时间点也可以是其它时间点，例如最近三次出现输入流量峰值中，输入流量峰值最大的时间点。在本公开的一个实施例中，对流量峰值的判断标准可以采用相关技术领域中已知的判断标准。在本公开的一个实施例中，可以将输入流量的值与特定时间段的输入流量的平均值的数量关系作为流量峰值的判断标准。例如，可以将特定时间段内输入流量的最大值作为流量峰值。又例如，可以将输入流量的值达到或超过特定时间段的输入流量的平均值的3倍作为流量峰值。
根据本公开实施例提供的技术方案，通过述第一时间点是历史数据中在提供服务的***中最近一次出现输入流量峰值的时间点，从而保证第一时间点的历史数据的准确性，保证服务性能预测准确性。
在本公开的一个实施例中，多种不同的服务之间可以有相互间的依赖关系。服务的调用量可以包括用户对本服务的调用量，以及本服务所依赖的服务的调用量。在考虑服务之间的依赖关系之后，服务调用量的计算更为准确，从而提高服务性能预测准确性。服务间的依赖关系可以是一层的，也可以是多层的，从而计算存在依赖关系的多层服务的调用量，从而使服务调用量的计算更为准确，提高服务性能预测准确性。
根据本公开实施例提供的技术方案，通过服务的调用数据包括对服务自身的调用数据以及对服务的依赖服务的调用数据，从而充分考虑服务调用的情况，提高服务性能预测准确性。
在本公开的一个实施例中，服务之间的调用数据的映射关系包括服务的调用量的比例和对每个服务的调用量的具体数值。在不同的时刻，服务的调用量的比例和每个服务的调用量的具体数值可以是不同的。例如，在***平台上，在就餐时间，对外卖相关服务的调用量比例和调用量值较高；而在通信运营商促销活动期间，对虚拟充值卡相关服务的调用量比例和调用量值较高。通过服务的调用量的比例和对每个服务的调用量的具体数值，可以更为准确地描述服务之间的调用数据的映射关系，更为准确地评估多个不同服务的调用量，提高服务性能预测准确性。
根据本公开实施例提供的技术方案，通过服务之间的调用数据的映射关系是服务的调用量的比例关系以及调用量的值，从而准确评估多个不同服务的调用量，提高服务性能预测准确性。
在本公开的一个实施例中，服务的历史数据可以是第一时间点的服务之间的调用量，第一输入流量可以是根据对业务高峰期间针对提供服务的***的访问次数预设的数值。服务的历史数据也可以是其它历史数据，第一输入流量也可以是其它数值。通过这种方式，可以充分考虑服务调用的情况，提高服务性能预测准确性。
根据本公开实施例提供的技术方案，通过服务的历史数据包括在第一时间点的服务之间的调用量，并且第一输入流量是预设值，从而充分考虑服务调用的情况，提高服务性能预测准确性。
在本公开的一个实施例中，实测的服务的第一性能数据可以是提供服务的***的处理器利用率、接口响应时间、请求成功率和异常比例中的至少一项。通过服务训练模型预测的第二性能数据也可以是提供服务的***的处理器利用率、接口响应时间、请求成功率和异常比例中的至少一项。第一输入流量可以是预设的针对提供服务的***的访问次数。如此，可以对计算型服务、I/O接口型服务等多种服务的性能进行综合、全面的评估，从而提高服务性能预测准确性。
根据本公开实施例提供的技术方案，通过第一性能数据和第二性能数据指的是提供服务的***的处理器利用率、接口响应时间、请求成功率和异常比例中的至少一项，并且第一输入流量指的是预设的针对提供服务的***的访问次数，从而全面评估服务性能，提高服务性能预测准确性。
在本公开的一个实施例中，服务性能模型可以是神经网络模型，例如可以是具有多个隐藏层的深度神经网络。神经网络模型可以是离线的神经网络模型，减少对***资源的消耗，并存储于数据库中，以便后续使用。通过输入的服务的调用数据和输出的服务的第一性能数据对神经网络进行训练，从而更为准确地预测服务的性能。
根据本公开实施例提供的技术方案，通过服务性能模型是神经网络模型，从而提高服务性能预测准确性。
在本公开的一个实施例中，神经网络模型指的是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。神经网络模型根据***的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。神经网络模型具体类型可以是从相关技术中选择好的，本公开对此不作赘述。
在本公开的一个实施例中，对于不同的服务，在相同的调用数据条件下，处理器利用率、接口响应时间、请求成功率和异常比例等性能可以是不同的。对不同的服务可以采用不同的神经网络模型，从而提高对不同服务的适配能力，提高服务性能预测准确性。
根据本公开实施例提供的技术方案，通过对不同的服务采用不同的神经网络模型，从而提高对不同服务的适配能力，提高服务性能预测准确性。
以下参照图2描述根据本公开另一实施方式的服务性能预测方法。图2示出根据本公开另一实施方式的服务性能预测方法的流程图。如图2所示的服务性能预测方法除了包括与图1相同的步骤S101、S102、S103、S104之外，还包括步骤S201、S202。
在步骤S201中，确定服务的第二性能数据是否超过第一阈值。
在步骤S202中，响应于确定服务的第二性能数据超过第一阈值，将服务标识为特定服务。
在本公开的一个实施例中，可以设定第一阈值。当确定服务的处理器利用率、接口响应时间、请求成功率和异常比例等第二性能数据超过第一阈值时，将服务标识为特定服务，给与更多关注，从而对超出性能阈值的服务进行预警，提高服务可靠性。在本公开的一个实施例中，特定服务可以被称为出现性能瓶颈服务，即，由于输入流量过高导致性能出现瓶颈的服务。
根据本公开实施例提供的技术方案，通过还包括：确定服务的第二性能数据是否超过第一阈值；响应于确定所述服务的第二性能数据超过第一阈值，将服务标识为特定服务，从而对超出性能阈值的服务进行预警，提高服务可靠性。
在本公开的一个实施例中，可以将服务的处理器利用率、接口响应时间、请求成功率和异常比例等第二性能数据超过第一阈值的特定服务添加进特定服务列表，对特定服务进行统一管理，从而对超出性能阈值的服务进行预警，提高服务可靠性。也可以采用特定服务列表之外的其它方式对特定服务进行管理，实现对超出性能阈值的服务的预警。
根据本公开实施例提供的技术方案，通过响应于确定服务的第二性能数据超过第一阈值，将服务标识为特定服务，包括：将特定服务添加到特定服务列表，从而对超出性能阈值的服务进行预警，提高服务可靠性。
在本公开的一个实施例中，对于不同的服务，由于服务的处理器负载量、I/O吞吐量等特征不同，处理器利用率、接口响应时间、请求成功率和异常比例等第二性能的第一阈值可以不同，从而适配不同服务的需求，提高服务的可靠性。在本公开的一个实施例中，不同服务的第一阈值也可以相同，从而简化设计。
根据本公开实施例提供的技术方案，通过针对不同的服务采用不同的第一阈值，从而适配不同服务的需求，提高服务可靠性。
以下参照图3描述根据本公开一实施方式的服务性能预测方法的示例性应用场景。图3示出根据本公开一实施方式的服务性能预测方法的示例性应用场景的流程图。可以理解，图3所示的示例性场景仅为了说明本公开的概念和原理，而不应构成对本公开的限定，而且并非意味着本公开仅适用于这样的应用场景。如图3所示，服务性能预测方法的示例性应用场景包括：步骤S301、S302、S303、S304、S305、S306。
在步骤S301中，输入预期的整体机房流量。预期的整体机房流量可以是预估的业务高峰期间的整体机房流量。可以是针对单个机房的流量，也可以是针对多个分布式机房的流量。
在步骤S302中，根据映射关系生成服务的调用量。在获得整体机房流量的基础上，针对机房中的不同服务，根据服务调用量间的映射关系，生成各个服务的调用量。
在步骤S303中，离线模型计算。离线模型可以是训练完毕的神经网络模型，对不同的服务可以采用不同的神经网络模型。使用服务的调用量，计算出处理器利用率、接口响应时间、请求成功率和异常比例等第二性能。
在步骤S304中，判断是否达到阈值。判断处理器利用率、接口响应时间、请求成功率和异常比例等第二性能是否达到阈值。如果未达到阈值，则执行步骤S305；如果达到阈值，则执行步骤S306。
在步骤S305中，服务正常。
在步骤S306中，保存到本地数据库，并将服务加入性能瓶颈列表。对于达到阈值的服务，将服务保存到本地数据库中，并加入性能瓶颈列表，进行预警监控。也可以在后续采用为服务分配更多的计算资源、I/O接口资源的方式，防止在业务高峰期间服务性能恶化，影响用户体验。
以下参照图4描述根据本公开一实施方式的服务性能预测装置。图4示出根据本公开一实施方式的服务性能预测装置的结构示意图。如图4所示，服务性能预测装置400包括：训练模块401、获取模块402、生成模块403、计算模块404。
训练模块401被配置为利用服务的历史数据训练服务性能模型，其中，服务的历史数据包括作为服务性能模型的输入特征的服务的调用数据、以及作为服务性能模型的输出标准的服务的第一性能数据。
获取模块402被配置为获取第一时间点的服务之间的调用数据的映射关系。
生成模块403被配置为根据映射关系针对第一输入流量生成服务的调用量。
计算模块404被配置为根据训练完成的服务性能模型，利用针对第一输入流量生成的服务的调用量计算针对第一输入流量的服务的第二性能数据。
根据本公开实施例提供的技术方案，通过训练模块被配置为利用服务的历史数据训练服务性能模型，其中，服务的历史数据包括作为服务性能模型的输入特征的服务的调用数据、以及作为服务性能模型的输出标准的服务的第一性能数据；获取模块被配置为获取第一时间点的服务之间的调用数据的映射关系；生成模块被配置为根据映射关系针对第一输入流量生成服务的调用量；计算模块被配置为根据训练完成的服务性能模型，利用针对第一输入流量生成的服务的调用量计算针对第一输入流量的服务的第二性能数据，从而通过历史数据在不消耗线上真实资源的条件下准确预测服务性能，提高服务可靠性。
在本公开的一个实施例中，第一时间点是历史数据中在提供服务的***中最近一次出现输入流量峰值的时间点。
根据本公开实施例提供的技术方案，通过第一时间点是历史数据中在提供服务的***中最近一次出现输入流量峰值的时间点，从而保证第一时间点的历史数据的准确性，保证服务性能预测准确性。
在本公开的一个实施例中，服务的调用数据包括对服务自身的调用数据以及对服务的依赖服务的调用数据。
根据本公开实施例提供的技术方案，通过服务的调用数据包括对服务自身的调用数据以及对服务的依赖服务的调用数据，从而充分考虑服务调用的情况，提高服务性能预测准确性。
在本公开的一个实施例中，服务之间的调用数据的映射关系是服务的调用量的比例关系以及调用量的值。
根据本公开实施例提供的技术方案，通过服务之间的调用数据的映射关系是服务的调用量的比例关系以及调用量的值，从而准确评估多个不同服务的调用量，提高服务性能预测准确性。
在本公开的一个实施例中，服务的历史数据包括在第一时间点的服务之间的调用量，并且第一输入流量是预设值。
根据本公开实施例提供的技术方案，通过服务的历史数据包括在第一时间点的服务之间的调用量，并且第一输入流量是预设值，从而充分考虑服务调用的情况，提高服务性能预测准确性。
在本公开的一个实施例中，第一性能数据和第二性能数据指的是提供服务的***的处理器利用率、接口响应时间、请求成功率和异常比例中的至少一项，并且第一输入流量指的是预设的针对提供服务的***的访问次数。
根据本公开实施例提供的技术方案，通过第一性能数据和第二性能数据指的是提供服务的***的处理器利用率、接口响应时间、请求成功率和异常比例中的至少一项，并且第一输入流量指的是预设的针对提供服务的***的访问次数，从而全面评估服务性能，提高服务性能预测准确性。
在本公开的一个实施例中，服务性能模型是神经网络模型。
根据本公开实施例提供的技术方案，通过服务性能模型是神经网络模型，从而提高服务性能预测准确性。
在本公开的一个实施例中，对不同的服务采用不同的神经网络模型。
根据本公开实施例提供的技术方案，通过对不同的服务采用不同的神经网络模型，从而提高对不同服务的适配能力，提高服务性能预测准确性。
以下参照图5描述根据本公开另一实施方式的服务性能预测装置。图5示出根据本公开另一实施方式的服务性能预测装置的结构示意图。如图5所示，服务性能预测装置500中除了包括图4中相同的训练模块401、获取模块402、生成模块403、计算模块404，还包括：确定模块501、标识模块502。
确定模块501被配置为确定服务的第二性能数据是否超过第一阈值。
标识模块502被配置为响应于确定服务的第二性能数据超过第一阈值，将服务标识为特定服务。
根据本公开实施例提供的技术方案，通过确定模块被配置为确定服务的第二性能数据是否超过第一阈值；标识模块被配置为响应于确定服务的第二性能数据超过第一阈值，将服务标识为特定服务，从而对超出性能阈值的服务进行预警，提高服务可靠性。
在本公开的一个实施例中，标识模块502还被配置为：将特定服务添加到特定服务列表。
根据本公开实施例提供的技术方案，通过标识模块还被配置为：将特定服务添加到特定服务列表，从而对超出性能阈值的服务进行预警，提高服务可靠性。
在本公开的一个实施例中，针对不同的服务采用不同的第一阈值。
根据本公开实施例提供的技术方案，通过针对不同的服务采用不同的第一阈值，从而适配不同服务的需求，提高服务可靠性。
本领域技术人员可以理解，参照图4和图5所讨论的实施例可以采用参照图1至图3描述的实施例中的部分或全部细节，从而使得参照4和图5所讨论的实施例具备参照图1至图3描述的实施例所实现的技术效果。具体内容可以参照以上根据图1至图3进行的描述，其具体内容在此不再赘述。
图6示出根据本公开一实施方式的电子设备的结构框图。
前述实施例描述了服务性能预测装置的内部功能和结构，在一个可能的设计中，前述服务性能预测装置的结构可实现为电子设备，如图6中所示，该电子设备600可以包括处理器601和存储器602。
所述存储器602用于存储支持处理器执行上述任一实施例中服务性能方法的程序，所述处理器601被配置为用于执行所述存储器602中存储的程序。
所述存储器602用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器601执行以实现以下步骤：
利用服务的历史数据训练服务性能模型，其中，所述服务的历史数据包括作为所述服务性能模型的输入特征的所述服务的调用数据、以及作为所述服务性能模型的输出标准的所述服务的第一性能数据；
获取第一时间点的所述服务之间的调用数据的映射关系；
根据所述映射关系针对第一输入流量生成服务的调用量；
根据训练完成的服务性能模型，利用针对第一输入流量生成的服务的调用量计算针对第一输入流量的服务的第二性能数据。
根据本公开实施例提供的技术方案，所述第一时间点是所述历史数据中在提供所述服务的***中最近一次出现输入流量峰值的时间点。
根据本公开实施例提供的技术方案，所述服务的调用数据包括对服务自身的调用数据以及对所述服务的依赖服务的调用数据。
根据本公开实施例提供的技术方案，所述服务之间的调用数据的映射关系是服务的调用量的比例关系以及调用量的值。
根据本公开实施例提供的技术方案，所述服务的历史数据包括在所述第一时间点的所述服务之间的调用量，并且所述第一输入流量是预设值。
根据本公开实施例提供的技术方案，所述第一性能数据和所述第二性能数据指的是提供服务的***的处理器利用率、接口响应时间、请求成功率和异常比例中的至少一项，并且所述第一输入流量指的是预设的针对提供服务的***的访问次数。
根据本公开实施例提供的技术方案，所述服务性能模型是神经网络模型。
根据本公开实施例提供的技术方案，对不同的服务采用不同的神经网络模型。
根据本公开实施例提供的技术方案，所述存储器602用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令还被所述处理器601执行以实现以下步骤：
确定所述服务的第二性能数据是否超过第一阈值；
响应于确定所述服务的第二性能数据超过第一阈值，将所述服务标识为特定服务。
根据本公开实施例提供的技术方案，所述响应于确定所述服务的第二性能数据超过第一阈值，将所述服务标识为特定服务，包括：
将所述特定服务添加到特定服务列表。
根据本公开实施例提供的技术方案，针对不同的服务采用不同的第一阈值。
所述处理器601用于执行前述各方法步骤中的全部或部分步骤。
需要注意的是，本实施例中的处理器601可以被实现为两个或两个以上的处理器。一部分处理器，例如，中央处理器，执行第一数据处理方式。另一部分处理器，例如，图形处理器，执行第二数据处理方式。
本公开示例性实施例还提供了一种计算机存储介质，用于储存所述饮食信息提供装置所用的计算机软件指令，其包含用于执行上述任一实施例中的方法所涉及的程序，从而具备方法所带来的技术效果。
图7示出适于用来实现根据本公开一实施方式的服务性能预测方法的计算机***的结构示意图。
如图7所示，计算机***700包括处理器(CPU、GPU、FPGA等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行上述附图所示的实施方式中的部分或全部处理。在RAM703中，还存储有***700操作所需的各种程序和数据。CPU701、ROM702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；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707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的饮食信息提供部分709。饮食信息提供部分709经由诸如因特网的网络执行饮食信息提供处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，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710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708。
特别地，根据本公开的实施方式，上文参考附图描述的方法可以被实现为计算机软件程序。例如，本公开的实施方式包括一种计算机程序产品，其包括有形地包含在及其可读介质上的计算机程序，所述计算机程序包含用于执行附图中的方法的程序代码。在这样的实施方式中，该计算机程序可以通过饮食信息提供部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。
附图中的流程图和框图，图示了按照本公开各种实施方式的***、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，路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，所述模块、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，框图和/或流程图中的每个方框、以及框图和/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***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施方式中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面，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方式中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法，从而具备方法所带来的技术效果。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种服务性能预测方法，其特征在于，包括：
利用服务的历史数据训练服务性能模型，其中，所述服务的历史数据包括作为所述服务性能模型的输入特征的所述服务的调用数据、以及作为所述服务性能模型的输出标准的所述服务的第一性能数据；
获取第一时间点的所述服务之间的调用数据的映射关系；
根据所述映射关系针对第一输入流量生成服务的调用量；
根据训练完成的服务性能模型，利用针对第一输入流量生成的服务的调用量计算针对第一输入流量的服务的第二性能数据。
2.根据权利要求1所述的方法，其特征在于，所述第一时间点是所述历史数据中在提供所述服务的***中最近一次出现输入流量峰值的时间点。
3.根据权利要求1或2所述的方法，其特征在于，所述服务的调用数据包括对服务自身的调用数据以及对所述服务的依赖服务的调用数据。
4.根据权利要求1或2所述的方法，其特征在于，所述服务的历史数据包括在所述第一时间点的所述服务之间的调用量，并且所述第一输入流量是预设值。
5.根据权利要求4所述的方法，其特征在于，所述第一性能数据和所述第二性能数据指的是提供服务的***的处理器利用率、接口响应时间、请求成功率和异常比例中的至少一项，并且所述第一输入流量指的是预设的针对提供服务的***的访问次数。
6.根据权利要求1或2所述的方法，其特征在于，所述服务性能模型是神经网络模型。
7.根据权利要求1或2所述的方法，其特征在于，还包括：
确定所述服务的第二性能数据是否超过第一阈值；
响应于确定所述服务的第二性能数据超过第一阈值，将所述服务标识为特定服务。
8.一种服务性能预测装置，其特征在于，包括：
训练模块，被配置为利用服务的历史数据训练服务性能模型，其中，所述服务的历史数据包括作为所述服务性能模型的输入特征的所述服务的调用数据、以及作为所述服务性能模型的输出标准的所述服务的第一性能数据；
获取模块，被配置为获取第一时间点的所述服务之间的调用数据的映射关系；
生成模块，被配置为根据所述映射关系针对第一输入流量生成服务的调用量；
计算模块，被配置为根据训练完成的服务性能模型，利用针对第一输入流量生成的服务的调用量计算针对第一输入流量的服务的第二性能数据。
9.一种电子设备，其特征在于，包括存储器和处理器；其中，
所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如权利要求1-7任一项所述的方法。
10.一种可读存储介质，其上存储有计算机指令，其特征在于，该计算机指令被处理器执行时实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010271099.4A CN111475393A (zh) | 2020-04-08 | 2020-04-08 | 服务性能预测方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010271099.4A CN111475393A (zh) | 2020-04-08 | 2020-04-08 | 服务性能预测方法、装置、电子设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111475393A true CN111475393A (zh) | 2020-07-31 |
Family
ID=71750081
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010271099.4A Pending CN111475393A (zh) | 2020-04-08 | 2020-04-08 | 服务性能预测方法、装置、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111475393A (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103617038A (zh) * | 2013-11-28 | 2014-03-05 | 北京京东尚科信息技术有限公司 | 一种分布式应用***的服务监控方法及装置 |
| CN107257289A (zh) * | 2017-04-24 | 2017-10-17 | 努比亚技术有限公司 | 一种风险分析设备、监控***和监控方法 |
| CN107943579A (zh) * | 2017-11-08 | 2018-04-20 | 深圳前海微众银行股份有限公司 | 资源瓶颈预测方法、设备、***及可读存储介质 |
| CN108259376A (zh) * | 2018-04-24 | 2018-07-06 | 北京奇艺世纪科技有限公司 | 服务器集群业务流量的控制方法及相关设备 |
| CN108984304A (zh) * | 2018-07-11 | 2018-12-11 | 广东亿迅科技有限公司 | 基于回归方程的服务器扩容计算方法及装置 |
| CN109032914A (zh) * | 2018-09-06 | 2018-12-18 | 掌阅科技股份有限公司 | 资源占用数据预测方法、电子设备、存储介质 |
| CN109062769A (zh) * | 2018-08-21 | 2018-12-21 | 南京星邺汇捷网络科技有限公司 | It***性能风险趋势预测的方法、装置和设备 |
| CN109309596A (zh) * | 2017-07-28 | 2019-02-05 | 阿里巴巴集团控股有限公司 | 一种压力测试方法、装置及服务器 |
| US20190044825A1 (en) * | 2018-02-19 | 2019-02-07 | GAVS Technologies Pvt. Ltd. | Method and system to proactively determine potential outages in an information technology environment |
| CN109327353A (zh) * | 2018-09-29 | 2019-02-12 | 阿里巴巴集团控股有限公司 | 业务流量确定方法、装置及电子设备 |
| US20190213099A1 (en) * | 2018-01-05 | 2019-07-11 | NEC Laboratories Europe GmbH | Methods and systems for machine-learning-based resource prediction for resource allocation and anomaly detection |
| CN110149396A (zh) * | 2019-05-20 | 2019-08-20 | 华南理工大学 | 一种基于微服务架构的物联网平台构建方法 |
-
2020
- 2020-04-08 CN CN202010271099.4A patent/CN111475393A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103617038A (zh) * | 2013-11-28 | 2014-03-05 | 北京京东尚科信息技术有限公司 | 一种分布式应用***的服务监控方法及装置 |
| CN107257289A (zh) * | 2017-04-24 | 2017-10-17 | 努比亚技术有限公司 | 一种风险分析设备、监控***和监控方法 |
| CN109309596A (zh) * | 2017-07-28 | 2019-02-05 | 阿里巴巴集团控股有限公司 | 一种压力测试方法、装置及服务器 |
| CN107943579A (zh) * | 2017-11-08 | 2018-04-20 | 深圳前海微众银行股份有限公司 | 资源瓶颈预测方法、设备、***及可读存储介质 |
| US20190213099A1 (en) * | 2018-01-05 | 2019-07-11 | NEC Laboratories Europe GmbH | Methods and systems for machine-learning-based resource prediction for resource allocation and anomaly detection |
| US20190044825A1 (en) * | 2018-02-19 | 2019-02-07 | GAVS Technologies Pvt. Ltd. | Method and system to proactively determine potential outages in an information technology environment |
| CN108259376A (zh) * | 2018-04-24 | 2018-07-06 | 北京奇艺世纪科技有限公司 | 服务器集群业务流量的控制方法及相关设备 |
| CN108984304A (zh) * | 2018-07-11 | 2018-12-11 | 广东亿迅科技有限公司 | 基于回归方程的服务器扩容计算方法及装置 |
| CN109062769A (zh) * | 2018-08-21 | 2018-12-21 | 南京星邺汇捷网络科技有限公司 | It***性能风险趋势预测的方法、装置和设备 |
| CN109032914A (zh) * | 2018-09-06 | 2018-12-18 | 掌阅科技股份有限公司 | 资源占用数据预测方法、电子设备、存储介质 |
| CN109327353A (zh) * | 2018-09-29 | 2019-02-12 | 阿里巴巴集团控股有限公司 | 业务流量确定方法、装置及电子设备 |
| CN110149396A (zh) * | 2019-05-20 | 2019-08-20 | 华南理工大学 | 一种基于微服务架构的物联网平台构建方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8234229B2 (en) | Method and apparatus for prediction of computer system performance based on types and numbers of active devices | |
| US10819603B2 (en) | Performance evaluation method, apparatus for performance evaluation, and non-transitory computer-readable storage medium for storing program | |
| CN110618924B (zh) | 一种web应用***的链路压力测试方法 | |
| CN110502431B (zh) | ***服务评测方法、装置及电子设备 | |
| US20120317069A1 (en) | Throughput sustaining support system, device, method, and program | |
| CN110633194B (zh) | 一种硬件资源在特定环境下的性能评估方法 | |
| CN110569166A (zh) | 异常检测方法、装置、电子设备及介质 | |
| CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
| US8180716B2 (en) | Method and device for forecasting computational needs of an application | |
| CN111897706A (zh) | 服务器性能预测方法、装置、计算机***和介质 | |
| CN107480703B (zh) | 交易故障检测方法及装置 | |
| CN110413482B (zh) | 检测方法和装置 | |
| CN116560794A (zh) | 虚拟机的异常处理方法和装置、介质和计算机设备 | |
| CN111475393A (zh) | 服务性能预测方法、装置、电子设备及可读存储介质 | |
| CN116701123A (zh) | 任务预警方法、装置、设备、介质及程序产品 | |
| Samir et al. | A controller for anomaly detection, analysis and management for self-adaptive container clusters | |
| CN115509853A (zh) | 一种集群数据异常检测方法及电子设备 | |
| CN113220552B (zh) | 车载信息娱乐***中限制应用运行数量的方法和电子设备 | |
| CN113065821B (zh) | 一种车辆调拨行为预警方法、装置、设备及存储介质 | |
| CN115495234A (zh) | 一种资源检测方法及装置 | |
| CN115222278A (zh) | 一种机器人智慧巡检的方法和*** | |
| CN114819367A (zh) | 一种基于工业互联网的公共服务平台 | |
| CN113742083A (zh) | 调度仿真方法、装置、计算机设备及存储介质 | |
| CN114063881A (zh) | 分布式***的磁盘管理方法及装置 | |
| CN115292146B (zh) | 一种***容量预估方法、***、设备及存储介质 |
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 |