CN111930604B - 联机交易性能分析方法及装置、电子设备和可读存储介质 - Google Patents
联机交易性能分析方法及装置、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN111930604B CN111930604B CN202010817448.8A CN202010817448A CN111930604B CN 111930604 B CN111930604 B CN 111930604B CN 202010817448 A CN202010817448 A CN 202010817448A CN 111930604 B CN111930604 B CN 111930604B
- Authority
- CN
- China
- Prior art keywords
- transaction
- information
- resource
- online
- rate
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 77
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 47
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000009826 distribution Methods 0.000 claims description 23
- 238000004519 manufacturing process Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 12
- 230000036541 health Effects 0.000 claims description 8
- 239000002131 composite material Substances 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000007726 management method Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 3
- 101001074449 Crotalus durissus terrificus Phospholipase A2 inhibitor CNF Proteins 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001747 exhibiting effect Effects 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000000540 analysis of variance Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
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
- G06F11/3447—Performance evaluation by modeling
-
- 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
- G06F11/3452—Performance evaluation by statistical analysis
-
- 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
- G06F11/3476—Data logging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Debugging And Monitoring (AREA)
Abstract
本公开提供了一种联机交易性能分析方法,联机交易性能分析装置、电子设备和计算机可读存储介质,可用于金融领域或其他领域。其中,该方法包括:获取各个交易在运行过程中的交易信息,其中,所述交易信息包括资源调用信息和交易实时运行数据;以及根据资源调用信息和交易实时运行数据对联机交易性能进行分析。
Description
技术领域
本公开涉及联机交易领域,具体涉及一种联机交易性能分析方法及装置、电子设备和可读存储介质。
背景技术
目前,主机联机交易性能管理的方法是在主机smf(后台服务管理机制)定时生成相关信息后,利用工具导入性能容量数据库,再通过SQL(结构化查询语言)语句来做趋势判断,从而查找出某些运行时间可能存在处理时间效率问题的交易。然后针对这些可能有问题交易,利用联机日志、CICS(客户信息控制***,Custom Information Control System,是IBM最流行的事物处理***)报表、DB2(IBM DB2是美国IBM公司开发的一套关系型数据库管理***)报表来进行综合分析,从而定位出有效率问题的联机程序、数据库表等。最后再根据分析确定的结果进行相关优化等解决措施。
但是,现有技术中还存在一些缺陷:如当前对交易的评价维度较为单一,往往割裂地去查看交易的单一性能指标情况,例如只看响应时间,或者只看处理器消耗等等,没有办法从全局角度去把控交易的整体运行情况;交易的性能数据都来源于主机smf中,只能依靠事后去打印报表获取这些信息,会影响问题分析时效;主机交易内部资源访问关系不明,因此没有办法实现可持续的优化治理;交易的KPI趋势指标都基于专家规则,经常会出现误报或漏报现象。
随着投产的规模越来越大,频率越来越快,主机***高峰期交易率已从12年约5500笔增长到了目前约16000笔,全天业务量增长1.9倍有余。采用目前的管理方法已远远跟不上业务发展的需要,迫切需要一种更为有效和快速的主机交易性能管理与分析方法来替代这种传统运维方式,从而保障生产运行***的运行安全。
发明内容
有鉴于此,本公开提供了一种联机交易性能分析方法及装置、电子设备和可读存储介质。
本公开的一个方面提供了一种联机交易性能分析方法,包括:获取各个交易在运行过程中的交易信息,其中,所述交易信息包括资源调用信息和交易实时运行数据;以及根据资源调用信息和交易实时运行数据对联机交易性能进行分析。
根据本公开的实施例,上述根据资源调用信息对联机交易性能进行分析包括:根据每个交易在运行过程中的资源调用信息生成资源调用关系;根据所述资源调用关系确定被重复调用的资源信息和处理器资源分布信息;以及根据被重复调用的资源信息和处理器资源分布信息对性能故障进行定位。
根据本公开的实施例,上述根据交易实时运行数据对联机交易性能进行分析包括:根据交易实时运行数据分析各渠道应用上送的交易量和应用成功率数据;以及根据各渠道应用上送的交易量和应用成功率数据对主机各渠道交易进行交易率预估。
根据本公开的实施例,该联机交易性能分析方法还包括:
在对主机各渠道交易进行交易率预估之后,根据交易率预估值和历史同期的历史交易率确定交易率增长幅度;
在所述交易率增长幅度超过预设阈值的情况下,输出交易趋势异常信号。
根据本公开的实施例,该联机交易性能分析方法还包括:从N个维度对每个交易进行分析,以确定每个交易的健康度综合评分,其中,N为正整数,N个维度包括交易率、响应时间、处理器消耗、业务成功率及交易复杂度中的至少两个。
根据本公开的实施例,该联机交易性能分析方法还包括:采用N维雷达图为每个交易制作与每个维度对应的专属标签。
本公开的另一个方面提供了一种联机交易性能分析装置,包括:
第一获取模块,用于获取各个交易在运行过程中交易信息,其中,所述交易信息包括资源调用信息和交易实时运行数据;以及
第一分析模块,用于根据资源调用信息和交易实时运行数据对联机交易性能进行分析。
根据本公开的实施例,第一分析模块包括:
生成单元,用于根据每个交易在运行过程中的资源调用信息生成资源调用关系;
确定单元,用于根据所述资源调用关系确定被重复调用的资源信息和处理器资源分布信息;以及
定位单元,用于根据被重复调用的资源信息和处理器资源分布信息对性能故障进行定位。
根据本公开的实施例,联机交易性能分析装置还包括:
第二分析模块,用于根据交易实时运行数据分析各渠道应用上送的交易量和应用成功率数据;以及
预估模块,用于根据各渠道应用上送的交易量和应用成功率数据对主机各渠道交易进行交易率预估。
根据本公开的实施例,联机交易性能分析装置还包括:
输出模块,用于在对主机各渠道交易进行交易率预估之后,根据交易率预估值和历史同期的历史交易率确定交易率增长幅度;在所述交易率增长幅度超过预设阈值的情况下,输出交易趋势异常信号。
根据本公开的实施例,联机交易性能分析装置还包括:
第三分析模块,用于从N个维度对每个交易进行分析,以确定每个交易的健康度综合评分,其中,N为正整数,N个维度包括交易率、响应时间、处理器消耗、业务成功率及交易复杂度中的至少两个。
根据本公开的实施例,联机交易性能分析装置还包括:
制作模块,用于采用N维雷达图为每个交易制作与每个维度对应的专属标签。
本公开的另一个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指令;其中,当一个或多个指令被一个或多个处理器执行时,使得一个或多个处理器实现上述的联机交易性能管理分析方法。
本公开的另一方面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实现上述的联机交易性能管理分析方法。
根据本公开的实施例,本公开提供的联机交易性能分析方法至少部分地克服了当前交易指标异常监测的精准度不高、性能故障定位速度慢、监控时效性差、对交易的评价维度较为单一的技术问题,进而提高了交易指标异常监测精准度、性能故障定位速度以及按照交易率、响应时间、处理器消耗、业务成功率、处理复杂度多维度对所有交易进行健康度评估,从全局角度去把控交易的整体运行情况。
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可以应用联机交易性能分析方法及装置、电子设备和计算机可读存储介质的示例性***架构;
图2示意性示出了根据本公开实施例的联机交易性能分析方法的流程图;
图3示意性示出了根据本公开实施例的对性能故障进行定位的流程图;
图4示意性示出了根据本公开实施例的交易率预估方法的流程图;
图5示意性示出了根据本公开实施例展现五个交易维度关系的气泡图;
图6示意性示出了根据本公开实施例各个维度上的交易分布情况;
图7示意性示出了根据本公开的实施例的联机交易性能分析装置的框图;
图8示意性示出了根据本公开实施例的适于实现联机交易性能分析的计算机***的框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明作进一步的详细说明。
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***”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***等)。在使用类似于“A、B或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或C中至少一个的***”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***等)。
图1示意性示出了根据本公开实施例的可以应用联机交易性能分析方法及装置、电子设备和计算机可读存储介质的示例性***架构100。需要注意的是,图1所示仅为可以应用本公开实施例的***架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、***、环境或场景。
如图1所示,根据该实施例的***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备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,例如有线和/或无线通信链路等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等,例如,终端设备101、102、103通过网络104从服务器105中获取各个交易在运行过程中的资源调用信息。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、交易类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。
终端设备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,例如对用户利用终端设备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)反馈给终端设备。
需要说明的是,本公开实施例所提供的联机交易性能分析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联机交易性能分析装置一般可以设置于服务器105中。本公开实施例所提供的联机交易性能分析方法也可以由不同于服务器105且能够与终端设备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联机交易性能分析装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
或者,本公开实施例所提供的联机交易性能分析方法也可以由终端设备101、102、或103执行,或者也可以由不同于终端设备101、102、或103的其他终端设备执行。相应地,本公开实施例所提供的联机交易性能分析装置也可以设置于终端设备101、102、或103中,或设置于不同于终端设备101、102、或103的其他终端设备中。
例如,终端设备101、102、或103中的其中一个终端设备从服务器105获取各个交易在运行过程中的资源调用信息。然后,终端设备101、102、或103中的其中一个终端设备可以在本地执行本公开实施例所提供的联机交易性能分析方法,或者将资源调用信息发送到其他终端设备、服务器、或服务器集群,并由接收该资源调用信息的其他终端设备、服务器、或服务器集群来执行本公开实施例所提供的联机交易性能分析方法。
应该理解,图1中的终端设备、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终端设备、网络和服务器。
需要说明的是,本公开提供的联机交易性能分析方法和装置可用于金融领域,也可用于除金融领域之外的任意领域,本公开提供的联机交易性能分析方法和装置的应用领域不做限定。
图2示意性示出了根据本公开实施例的联机交易性能分析方法的流程图。
如图2所示,该方法包括操作S201~S202。
在操作S201,获取各个交易在运行过程中的交易信息,其中,交易信息包括资源调用信息和交易实时运行数据。
根据本公开的实施例,资源调用信息例如可以包括需要访问的程序、数据请求量、各种交易分支以及判断逻辑等;其中,各种交易分支例如可以包括不同银行之间的跨行交易、银行与第三方支付应用(例如微信支付、支付宝支付)之间的交易等等。
根据本公开的实施例,资源调用信息可以通过RCAP工具(CICS TRANSACTIONRESOURCE CAPTURE TOOL,主机联机资源收集工具)获得,其中,RCAP可以收集联机交易在运行中的程序调用和数据库查询请求信息。
在操作S202,根据资源调用信息和交易实时运行数据对联机交易性能进行分析。
根据本公开的实施例,采用了联机交易性能分析方法至少部分地克服了当前交易指标异常监测的精准度不高、性能故障定位速度慢、监控时效性差、对交易的评价维度较为单一的技术问题,进而提高了交易指标异常监测精准度、性能故障定位速度以及按照交易率、响应时间、处理器消耗、业务成功率、处理复杂度多个维度对所有交易进行健康度评估,从全局角度去把控交易的整体运行情况。
图3示意性示出了图3示意性示出了根据本公开实施例的对性能故障进行定位的流程图;
如图3所示,该方法包括操作S301~S303。
在操作S301,根据每个交易在运行过程中的资源调用信息生成资源调用关系。
根据本公开的实施例,资源调用关系包括每个交易与该交易需要访问的程序、数据请求量、各种交易分支以及判断逻辑等之间的关系,例如一个交易涉及银行业务和第三方支付应用之间的交易业务,在资源调用关系中可以了解该交易涉及的银行业务和第三方支付软件业务之间的关系以及银行业务和第三方支付软件业务各自的交易量、占用CPU的时间分布等。该资源调用关系对联机交易性能进行分析方法可应用到联机问题分析、联机流程优化、资源压降、***解耦、应用架构设计和业务影响分析等多个方面。其中,处理器例如为CPU。
在操作S302,根据资源调用关系确定被重复调用的资源信息和处理器资源分布信息。
在操作S303,根据被重复调用的资源信息和处理器资源分布信息对性能故障进行定位。
根据本公开的实施例,在展现交易内部资源调用关系时重点提示重复调用及为潜在故障发生点提供程序处理时间及处理器资源分布情况,便于加速定位故障发生位置,提高故障定位效率。
根据本公开的实施例,例如,调用100个交易进行联机性能故障定位分析时,该100个交易中每个交易均有各自需要访问的N个程序和不同的数据请求量Q,例如,第一个交易需要访问第一程序、第二程序、第三程序和第四程序,访问第一程序时请求获得的数据请求量为Q1,访问第二程序时请求获得的数据请求量Q2,访问第三程序时请求获得的数据请求量Q3,访问第四程序时请求获得的数据请求量Q4;第二个交易需要访问第二程序、第三程序、第四程序和第五程序,访问第二程序数据时请求获得的请求量Q5,访问第三程序时请求获得的数据请求量Q6,访问第四程序时请求获得的数据请求量Q7,访问第五程序时请求获得的数据请求量Q8,以此类推,可以得到每个交易需要访问的程序和数据请求量,然后,统计100个交易在交易过程中分别访问每个程序总共所消耗的程序处理时间,然后根据每个程序总共所消耗的程序处理时间形成处理器资源分布。其中,确定消耗的程序处理时间较多的程序,例如为第三程序和第四程序,该第三程序和第四程序即为重复调用次数较多的程序和处理器资源占用较多的程序,认为该第三程序和第四程序是潜在故障发生率较高的位置点,发现故障时优先考虑检查第三程序和第四程序所处的位置。
根据本公开的实施例,程序处理时间及处理器资源分布情况可以采用图表来展示,例如表格或者饼状图等。
图4示意性示出了根据本公开实施例的对主机各渠道交易进行交易率预估的流程图。
如图4所示,该方法包括操作S301~S302。
在操作S301,根据交易实时运行数据分析各渠道应用上送的交易量和应用成功率数据。
在操作S302,根据各渠道应用上送的交易量和应用成功率数据对主机各渠道交易进行交易率预估。
根据本公开的实施例,对主机各渠道交易进行交易率预估的方法包括采用差分整合移动平均自回归模型(ARIMA)对主机各渠道交易进行交易率预估。
根据本公开的实施例,本公开通过专家规则与机器学习算法结合来进行交易异常提醒,通过学习算法算出交易异常,通过交易率预估来***交易异常趋势,通过专家规则与机器学习算法结合来进行交易异常提醒提高了交易指标异常监测的精准度,同时提高了监控时效性。
根据本公开的实施例,专家规则是将历史全天交易业务量跟前一日或上周均值同期业务量做对比,限制比率超过第一预设值或增量超过第二预设值则报出交易趋势异常;其中,第一预设值和第二预设值可以根据实际情况来设定,例如第一预设值为1.5,第二预设值为40万。
根据本公开的实施例,在对主机各渠道交易进行交易率预估之后,根据交易率预估值和历史同期的历史交易率确定交易率增长幅度;在交易率增长幅度超过预设阈值的情况下,输出交易趋势异常信号。
根据本公开的实施例,如果交易率预估值在未来一段时间较历史同期增长幅度超过预设比例时,输出交易趋势异常信号。其中,未来一段时间可以根据实际需要来设定,例如为五分钟、十分钟、二十分钟等;较历史同期可以根据实际需要来设定,例如为昨日;预设比例可以根据实际需要来设定,例如为40%、50%、60%等。
根据本公开的实施例,交易率预估的方法还可以为当预测交易指标的实际值偏离预估值预设比例时,则报出交易趋势异常信号。其中,预设比例以根据实际需要来设定,例如为30%。
根据本公开的实施例,预测交易指标的方法可以运用大数据分析技术,使用线性回归算法预测。预测交易指标的方法也可以采用其他方法,能够实现本公开的技术效果即可。
本公开的联机交易性能分析方法还包括从N个维度对每个交易进行分析,以确定每个交易的健康度综合评分,其中,N为正整数,N个维度包括交易率、响应时间、处理器消耗、业务成功率及交易复杂度中的至少两个。本公开采用多个维度对交易综合评分,克服了现有技术中对交易的评价维度较为单一,往往割裂地去查看交易的单一性能指标的问题,例如只看响应时间或者只看处理器消耗等等,没有办法从全局角度去把控交易的整体运行情况。
根据本公开的实施例,从N个维度对每个交易进行分析的方法可以采用大数据分析方法,例如方差分析、回归分析、相关分析、因子分析、时间序列分析、结构方程模型等,实际分析过程中可以根据具体情况以及具体需要等选择不同的分析方法,能够实现本公开的技术效果即可。
图5示意性示出了根据本公开实施例展现五个交易维度关系的气泡图。
图5中采用交易率、响应时间、处理器消耗、业务成功率及交易复杂度五个维度对交易综合评分。根据本公开的实施例,从这张五维的全局画像图上可以通过气泡的大小、颜色等去了解当前生产排名前N名的交易(也就是性能最差的前N个交易)的分布情况以及他们在各个维度上的表现。N根据实际情况设定,例如为100。根据本公开的实施例,在实际生产过程中,可以使用不同的颜色代表不同的交易评分,交易评分可以根据实际需要来设定,例如分为(0,5]、(5,5.5]、(5.5,6]、(6,7]、(7,……];在图5中评分越高越靠近气泡图的中心;在图5中气泡大小与交易评分成正比,评分越高,交易性能越差。
根据本公开的实施例,还可以采用图表的方式列出关注度高的前N个交易以及交易类型。其中,N根据实际情况设定,例如为10。交易类型例如为胖/瘦交易、长/短交易、交易频度、交易复杂度、业务成功率中的至少一种。其中,胖交易以主机所有联机交易的CPU消耗均值作为分界线,高于均值的联机交易称之为胖交易;瘦交易与胖交易对应,低于均值的联机交易称之为瘦交易。
图6示意性示出了根据本公开实施例各个维度上的交易分布情况。
如图6所示,交易率分布包括低频交易、中频交易、高频交易和超高频交易;其中,各个维度上的交易分布情况可以根据实际情况选择表格、饼状图等方式,并不仅限于图6的方式。根据本公开的实施例,可以根据实际情况来划分交易频率,本实施例中低频交易是指小于1tps的交易,中频交易是指1-3.8tps的交易,高频交易是指大于8.2tps的交易。成功率分布包括成功率低、成功率较低、成功率中等、成功率较高及成功率高。其中,可以根据实际情况来划分成功率,本实施例中成功率低是指成功率小于24%,成功率较低是指成功率为24-56%,成功率中等是指成功率为[57-78)%(其中,“[”指包括57的意思,“)”是指不包括78的意思),成功率较高是指成功率为[78-93)%,成功率高是指成功率大于93%。复杂度分布包括复杂度低、复杂度较低、复杂度中等、复杂度较高及复杂度高,可以根据实际情况来划分复杂度等级。处理器消耗包括瘦交易、偏瘦交易、偏胖交易、胖交易和超胖交易;可以根据实际情况来划分交易胖瘦等级,本实施例中瘦交易是指消耗CPU小于6MIPS(MillionInstructions Per Second,每秒处理的百万级机器语音指令数)的交易,偏瘦交易是指消耗CPU为[6-9)MIPS的交易,偏胖交易是指消耗CPU为[9-23)MIPS的交易,胖交易是指消耗CPU为[23-90)MIPS的交易,超胖交易是指消耗CPU大于90MIPS的交易。响应时间包括短交易、偏短交易、偏长交易、长交易及超长交易,可以根据实际情况来划分交易长短等级,在本实施例中,短交易是指小于0.04秒的交易,偏短交易是指[0.04-0.06)的交易,偏长交易是指[0.06-0.18)的交易,长交易是指[0.18-1.3)的交易,超长交易是指大于1.3秒的交易。
本公开的联机交易性能管理分析方法还包括:采用N维雷达图为每个交易制作与每个维度对应的专属标签。
根据本公开的实施例,采用五维雷达图为每一个交易制作专属标签,专属标签包括该交易的胖/瘦交易、长/短交易、交易频度、交易复杂度、业务成功率中的至少一种。其中,胖交易以主机所有联机交易的CPU消耗均值作为分界线,高于均值的联机交易称之为胖交易;瘦交易与胖交易对应,低于均值的联机交易称之为瘦交易。也可以根据实际情况来设定。
图7示意性示出了根据本公开的实施例的联机交易性能分析装置的框图。
如图7所示,联机交易性能分析装置,包括:第一获取模块701和第一分析模块702。
第一获取模块701,用于获取各个交易在运行过程中的交易信息,其中交易信息包括资源调用信息和交易实时运行数据。
第一分析模块702,用于根据资源调用信息和交易实时运行数据对联机交易性能进行分析。
根据本公开的实施例,本公开联机交易性能分析装置至少部分地克服了当前交易指标异常监测的精准度不高、性能故障定位速度慢、监控时效性差、对交易的评价维度较为单一的技术问题,进而提高了交易指标异常监测精准度、性能故障定位速度以及按照交易率、响应时间、处理器消耗、业务成功率、处理复杂度五个维度对所有交易进行健康度评估,从全局角度去把控交易的整体运行情况。
根据本公开的实施例,第一分析模块包括:生成单元、确定单元和定位单元。
生成单元,用于根据每个交易在运行过程中的资源调用信息生成资源调用关系;
确定单元,用于根据资源调用关系确定被重复调用的资源信息和处理器资源分布信息;以及
定位单元,用于根据被重复调用的资源信息和处理器资源分布信息对性能故障进行定位。
根据本公开的实施例,联机交易性能分析装置还包括:第二分析模块和预估模块。
第二分析模块,用于根据交易实时运行数据分析各渠道应用上送的交易量和应用成功率数据;以及
预估模块,用于根据各渠道应用上送的交易量和应用成功率数据对主机各渠道交易进行交易率预估。
根据本公开的实施例,联机交易性能分析装置还包括:输出模块,用于在对主机各渠道交易进行交易率预估之后,根据交易率预估值和历史同期的历史交易率确定交易率增长幅度在交易率增长幅度超过预设阈值的情况下,输出交易趋势异常信号。
根据本公开的实施例,联机交易性能分析装置还包括:第三分析模块,用于从N个维度对每个交易进行分析,以确定每个交易的健康度综合评分,其中,N为正整数,N个维度包括交易率、响应时间、处理器消耗、业务成功率及交易复杂度中的至少两个。
根据本公开的实施例,联机交易性能分析装置还包括:制作模块,用于采用N维雷达图为每个交易制作与每个维度对应的专属标签。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多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***、基板上的***、封装上的***、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的硬件或固件来实现,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,根据本公开实施例的模块、子模块、单元、子单元中的一个或多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。
例如,第一获取模块701和第一分析模块702中的任意多个可以合并在一个模块/单元/子单元中实现,或者其中的任意一个模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者,这些模块/单元/子单元中的一个或多个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合,并在一个模块/单元/子单元中实现。根据本公开的实施例,第一获取模块701和第一分析模块702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***、基板上的***、封装上的***、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,第一获取模块701和第一分析模块702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。
需要说明的是,本公开的实施例中联机交易性能分析装置部分与本公开的实施例中联机交易性能分析方法部分是相对应的,联机交易性能分析装置部分的描述具体参考联机交易性能分析方法部分,在此不再赘述。根据本公开的实施例,还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指令,其中,当一个或多个指令被一个或多个处理器执行时,使得一个或多个处理器实现上述的联机交易性能管理分析方法。
图8示意性示出了根据本公开实施例的适于实现上文描述的方法的计算机***的框图。图8示出的计算机***仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示,根据本公开实施例的计算机***800包括处理器801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。处理器801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801还可以包括用于缓存用途的板载存储器。处理器801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 803中,存储有***800操作所需的各种程序和数据。处理器801、ROM 802以及RAM 803通过总线804彼此相连。处理器801通过执行ROM 802和/或RAM 803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,程序也可以存储在除ROM 802和RAM 803以外的一个或多个存储器中。处理器801也可以通过执行存储在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,***800还可以包括输入/输出(I/O)接口805,输入/输出(I/O)接口805也连接至总线804。***800还可以包括连接至I/O接口805的以下部件中的一项或多项:包括键盘、鼠标等的输入部分806;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807;包括硬盘等的存储部分808;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809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811,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810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808。
根据本公开的实施例,根据本公开实施例的方法流程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,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。在这样的实施例中,该计算机程序可以通过通信部分809从网络上被下载和安装,和/或从可拆卸介质811被安装。在该计算机程序被处理器801执行时,执行本公开实施例的***中限定的上述功能。根据本公开的实施例,上文描述的***、设备、装置、模块、单元等可以通过计算机程序模块来实现。
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/***中所包含的;也可以是单独存在,而未装配入该设备/装置/***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***、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 802和/或RAM 803和/或ROM 802和RAM 803以外的一个或多个存储器。
附图中的流程图和框图,图示了按照本公开各种实施例的***、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,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***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和/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。
Claims (9)
1.一种联机交易性能分析方法,包括:
获取各个交易在运行过程中的交易信息,其中,所述交易信息包括资源调用信息和交易实时运行数据;以及
根据资源调用信息和交易实时运行数据对联机交易性能进行分析;
其中,根据所述交易实时运行数据对联机交易性能进行分析包括:
根据所述交易实时运行数据分析各渠道应用上送的交易量和应用成功率数据;以及
根据各渠道应用上送的交易量和应用成功率数据对主机各渠道交易进行交易率预估。
2.根据权利要求1所述的方法,其中,根据资源调用信息对联机交易性能进行分析包括:
根据每个交易在运行过程中的资源调用信息生成资源调用关系;
根据所述资源调用关系确定被重复调用的资源信息和处理器资源分布信息;以及
根据被重复调用的资源信息和处理器资源分布信息对性能故障进行定位。
3.根据权利要求1所述的方法,还包括:
在对主机各渠道交易进行交易率预估之后,根据交易率预估值和历史同期的历史交易率确定交易率增长幅度;
在所述交易率增长幅度超过预设阈值的情况下,输出交易趋势异常信号。
4.根据权利要求1所述的方法,还包括:
从N个维度对每个所述交易进行分析,以确定每个交易的健康度综合评分,其中,N为正整数,N个维度包括交易率、响应时间、处理器消耗、业务成功率及交易复杂度中的至少两个。
5.根据权利要求4所述的方法,还包括:
采用N维雷达图为每个交易制作与每个维度对应的专属标签。
6.一种联机交易性能分析装置,包括:
第一获取模块,用于获取各个交易在运行过程中的交易信息,其中,所述交易信息包括资源调用信息和交易实时运行数据;以及
第一分析模块,用于根据资源调用信息和交易实时运行数据对联机交易性能进行分析;
其中,根据所述交易实时运行数据对联机交易性能进行分析包括:
根据所述交易实时运行数据分析各渠道应用上送的交易量和应用成功率数据;以及
根据各渠道应用上送的交易量和应用成功率数据对主机各渠道交易进行交易率预估。
7.根据权利要求6所述的装置,其中,第一分析模块包括:
生成单元,用于根据每个交易在运行过程中的资源调用信息生成资源调用关系;
确定单元,用于根据所述资源调用关系确定被重复调用的资源信息和处理器资源分布信息;以及
定位单元,用于根据被重复调用的资源信息和处理器资源分布信息对性能故障进行定位。
8.一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个指令;
其中,当一个或多个指令被一个或多个处理器执行时,使得一个或多个处理器实现权利要求1至5中任一项所述的联机交易性能分析方法。
9.一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实现权利要求1至5中任一项所述的联机交易性能分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010817448.8A CN111930604B (zh) | 2020-08-14 | 2020-08-14 | 联机交易性能分析方法及装置、电子设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010817448.8A CN111930604B (zh) | 2020-08-14 | 2020-08-14 | 联机交易性能分析方法及装置、电子设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111930604A CN111930604A (zh) | 2020-11-13 |
CN111930604B true CN111930604B (zh) | 2023-11-10 |
Family
ID=73310937
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010817448.8A Active CN111930604B (zh) | 2020-08-14 | 2020-08-14 | 联机交易性能分析方法及装置、电子设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111930604B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113626287A (zh) * | 2021-08-11 | 2021-11-09 | 中国工商银行股份有限公司 | 资源配置方法及装置、电子设备和计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6430539B1 (en) * | 1999-05-06 | 2002-08-06 | Hnc Software | Predictive modeling of consumer financial behavior |
CN101799910A (zh) * | 2010-01-14 | 2010-08-11 | 中国建设银行股份有限公司 | 自助渠道业务***的交易渠道状态的监控方法及*** |
CN110427438A (zh) * | 2019-07-30 | 2019-11-08 | 中国工商银行股份有限公司 | 数据处理方法及其装置、电子设备和介质 |
CN110427304A (zh) * | 2019-07-30 | 2019-11-08 | 中国工商银行股份有限公司 | 用于银行***的运维方法、装置、电子设备以及介质 |
CN111290922A (zh) * | 2020-03-03 | 2020-06-16 | 中国工商银行股份有限公司 | 服务运行健康度监测方法及装置 |
-
2020
- 2020-08-14 CN CN202010817448.8A patent/CN111930604B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6430539B1 (en) * | 1999-05-06 | 2002-08-06 | Hnc Software | Predictive modeling of consumer financial behavior |
CN101799910A (zh) * | 2010-01-14 | 2010-08-11 | 中国建设银行股份有限公司 | 自助渠道业务***的交易渠道状态的监控方法及*** |
CN110427438A (zh) * | 2019-07-30 | 2019-11-08 | 中国工商银行股份有限公司 | 数据处理方法及其装置、电子设备和介质 |
CN110427304A (zh) * | 2019-07-30 | 2019-11-08 | 中国工商银行股份有限公司 | 用于银行***的运维方法、装置、电子设备以及介质 |
CN111290922A (zh) * | 2020-03-03 | 2020-06-16 | 中国工商银行股份有限公司 | 服务运行健康度监测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111930604A (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11748654B2 (en) | Systems and methods of windowing time series data for pattern detection | |
WO2022267735A1 (zh) | 业务数据处理方法、装置、计算机设备和存储介质 | |
CN111783039B (zh) | 风险确定方法、装置、计算机***和存储介质 | |
CN111340240A (zh) | 实现自动机器学习的方法及装置 | |
CN111125266A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN113989018A (zh) | 风险管理方法、装置、电子设备和介质 | |
CN115983900A (zh) | 用户营销策略的构建方法、装置、设备、介质和程序产品 | |
CN110245684B (zh) | 数据处理方法、电子设备和介质 | |
CN111930604B (zh) | 联机交易性能分析方法及装置、电子设备和可读存储介质 | |
CN111858267B (zh) | 预警方法、装置、电子设备及存储介质 | |
CN111339290A (zh) | 一种文本分类方法和*** | |
CN112732685A (zh) | 金融数据处理方法、装置、计算机设备及存储介质 | |
JP7454630B2 (ja) | ラベル推奨モデルのトレーニング方法及び装置、ラベル取得方法及び装置 | |
CN116225848A (zh) | 日志监测方法、装置、设备和介质 | |
CN116664306A (zh) | 风控规则的智能推荐方法、装置、电子设备及介质 | |
CN116340831A (zh) | 一种信息分类方法、装置、电子设备及存储介质 | |
CN116308704A (zh) | 产品推荐方法、装置、电子设备、介质和计算机程序产品 | |
CN115719270A (zh) | 信用评价方法、装置、设备、介质和程序产品 | |
US11521274B2 (en) | Cost allocation estimation using direct cost vectors and machine learning | |
CN105556514B (zh) | 一种基于用户搜索行为进行数据挖掘的方法和装置 | |
CN113010782A (zh) | 需求量获取方法、装置、电子设备以及计算机可读介质 | |
Li et al. | Incorporation of Social Media Data into Macroeconomic Forecast Systems: A Mixed Frequency Modelling Approach. | |
CN115312208B (zh) | 接诊数据展示方法、装置、设备、介质 | |
CN113515713B (zh) | 网页缓存策略生成方法及装置、网页缓存方法及装置 | |
CN113849369B (zh) | 一种评分方法、装置、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |