CN113238908A - 一种服务器性能测试数据分析方法及相关装置 - Google Patents
一种服务器性能测试数据分析方法及相关装置 Download PDFInfo
- Publication number
- CN113238908A CN113238908A CN202110680318.9A CN202110680318A CN113238908A CN 113238908 A CN113238908 A CN 113238908A CN 202110680318 A CN202110680318 A CN 202110680318A CN 113238908 A CN113238908 A CN 113238908A
- Authority
- CN
- China
- Prior art keywords
- server
- parameters
- tpc
- tested
- test
- 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
- 238000007405 data analysis Methods 0.000 title claims abstract description 65
- 238000011056 performance test Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012360 testing method Methods 0.000 claims abstract description 100
- 238000007477 logistic regression Methods 0.000 claims abstract description 32
- 238000012544 monitoring process Methods 0.000 claims description 29
- 230000001419 dependent effect Effects 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000009662 stress testing Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 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
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2205—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using arrangements specific to the hardware being tested
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2273—Test methods
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种服务器性能测试数据分析方法,通过自动的读取进行TPC‑C测试时期的tpmC值以及服务器参数,该服务器参数需要包括物理环境参数、软硬件配置参数和服务器资源使用情况参数,最后调用逻辑回归模型计算以tpmC值与服务器参数为自变量的权重系数,可以通过逻辑回归模型准确得到各个服务器参数的权重系数,该权重系数可以反应出对应服务器参数的重要程度,从而全方位、高效且准确的分析出服务器资源中各个因素对服务器性能的影响。本发明还提供了一种服务器性能测试数据分析装置、一种服务器性能测试数据分析设备以及一种计算机可读存储介质,同样可以起到上述有益效果。
Description
技术领域
本发明涉及服务器技术领域,特别是涉及一种服务器性能测试数据分析方法、一种服务器性能测试数据分析装置、一种服务器性能测试数据分析设备以及一种计算机可读存储介质。
背景技术
信息技术高速发展的今天,数据已经成为各行各业的重要资产。如何从海量的数据中进行有效分析,进而挖掘蕴含的规律及有价值的信息成为当前人类思考的主要问题。而对此问题行之有效的方法,包括人工智能、机器学习、深度学习等技术。如今,大数据技术、人工智能、机器学习、深度学习等已经慢慢渗透在社会的方方面面。
其中,机器学习作为人工智能的分支,指的是运用统计学算法,对大量的数据进行学习从而形成经验模型,通过经验模型对业务进行有效指导。机器学习根据处理的数据是否存在人为标注主要分为监督学习和无监督学习。主要的算法包括回归算法、决策树、神经网络、回归向量机、贝叶斯算法、降维、聚类、特征选择与稀疏学习等。
目前对于OpenPOWER服务器建立的数据库产品,进行“OpenPOWER服务器+数据库产品”的性能测试工作是,主要借助测试工具TpccRunner对数据库产品进行加压,最终计算每分钟的平均事务数量(即tpmC值)用以评估数据库所在服务器的性能体现。
而在压力测试的过程中,tpmC指标是我们重点关注的指标之一,同时服务器资源的使用情况也是我们重点关注的指标。在现阶段,主要是通过人工观察***资源的使用情况和TpccRunner的运行结果,最终得到服务器的性能体现。但是手工观察存在效率较低的问题,同时无法准确的分析出服务器资源中各个因素对服务器性能是否造成影响,若存在影响,其影响程度如何。所提如何高效的准确分析出服务器资源中各个因素对服务器性能的影响是本领域技术人员急需解决的问题。
发明内容
本发明的目的是提供一种服务器性能测试数据分析方法,可以高效的准确分析出服务器资源中各个因素对服务器性能的影响;本发明还提供了一种服务器性能测试数据分析装置、一种服务器性能测试数据分析设备以及一种计算机可读存储介质,可以高效的准确分析出服务器资源中各个因素对服务器性能的影响。
为解决上述技术问题,本发明提供一种服务器性能测试数据分析方法,包括:
调用压力测试工具对待测试服务器进行TPC-C测试;
读取所述压力测试工具在所述TPC-C测试期间以预设频率生成的tpmC值;
读取***监控工具在所述TPC-C测试期间对所述待测试服务器进行监控时所产生的服务器参数;所述服务器参数与所述tpmC值相互对应,所述服务器参数包括物理环境参数、软硬件配置参数和服务器资源使用情况参数;
调用逻辑回归模型,以所述tpmC值与所述服务器参数为自变量,以所述待测试服务器性能是否受影响为因变量,计算各个所述自变量的权重系数,以便根据所述权重系数确定各个所述服务器参数对所述待测试服务器性能的影响程度。
可选的,所述物理环境参数包括以下任意一项或任意组合:
电流、电压、网速、室温;
所述软硬件配置参数包括以下任意一项或任意组合:
磁盘类型、服务器并发数、是否开启超线程、操作***版本、数据库类型、数据库部署方式;
所述服务器资源使用情况参数包括以下任意一项或任意组合:
CPU使用率、内存使用率、磁盘使用率。
可选的,所述调用压力测试工具对待测试服务器进行TPC-C测试包括:
调用TpccRunner工具对待测试服务器进行TPC-C测试;
所述读取所述压力测试工具在所述TPC-C测试期间以预设频率生成的tpmC值包括:
读取所述TpccRunner工具在所述TPC-C测试期间生成的tpmC值。
可选的,所述读取***监控工具在所述TPC-C测试期间对所述待测试服务器进行监控时所产生的服务器参数包括:
读取***监控工具记录的所述待测试服务器在所述TPC-C测试期间的监控日志,以读取所述服务器参数。
可选的,在所述读取***监控工具在所述TPC-C测试期间对所述待测试服务器进行监控时所产生的服务器参数之后,还包括:
调用数据文件读入函数对所述服务器参数进行数据清理。
可选的,在所述计算各个所述自变量的权重系数之后,还包括:
根据所述权重系数生成对应的可视化图表。
可选的,所述调用逻辑回归模型,以所述tpmC值与所述服务器参数为自变量,以所述待测试服务器性能是否受影响为因变量,计算各个所述自变量的权重系数包括:
调用R语言中的逻辑分析函数,基于逻辑回归模型以所述tpmC值与所述服务器参数为自变量,以所述待测试服务器性能是否受影响为因变量,计算各个所述自变量的权重系数。
本发明还提供了一种服务器性能测试数据分析装置,包括:
测试模块,用于调用压力测试工具对待测试服务器进行TPC-C测试;
tpmC值读取模块,用于读取所述压力测试工具在所述TPC-C测试期间以预设频率生成的tpmC值;
服务器参数读取模块,用于读取***监控工具在所述TPC-C测试期间对所述待测试服务器进行监控时所产生的服务器参数;所述服务器参数与所述tpmC值相互对应,所述服务器参数包括物理环境参数、软硬件配置参数和服务器资源使用情况参数;
计算模块,用于调用逻辑回归模型,以所述tpmC值与所述服务器参数为自变量,以所述待测试服务器性能是否受影响为因变量,计算各个所述自变量的权重系数,以便根据所述权重系数确定各个所述服务器参数对所述待测试服务器性能的影响程度。
本发明还提供了一种服务器性能测试数据分析设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述任意一项所述服务器性能测试数据分析方法的步骤。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任意一项所述服务器性能测试数据分析方法的步骤。
本发明所提供的一种服务器性能测试数据分析方法,包括调用压力测试工具对待测试服务器进行TPC-C测试;读取压力测试工具在TPC-C测试期间以预设频率生成的tpmC值;读取***监控工具在TPC-C测试期间对待测试服务器进行监控时所产生的服务器参数;服务器参数与tpmC值相互对应,服务器参数包括物理环境参数、软硬件配置参数和服务器资源使用情况参数;调用逻辑回归模型,以tpmC值与服务器参数为自变量,以待测试服务器性能是否受影响为因变量,计算各个自变量的权重系数,以便根据权重系数确定各个服务器参数对待测试服务器性能的影响程度。
通过自动的读取进行TPC-C测试时期的tpmC值以及服务器参数,该服务器参数需要包括物理环境参数、软硬件配置参数和服务器资源使用情况参数,最后调用逻辑回归模型计算以tpmC值与服务器参数为自变量的权重系数,可以通过逻辑回归模型准确得到各个服务器参数的权重系数,该权重系数可以反应出对应服务器参数的重要程度,从而全方位、高效且准确的分析出服务器资源中各个因素对服务器性能的影响。
本发明还提供了一种服务器性能测试数据分析装置、一种服务器性能测试数据分析设备以及一种计算机可读存储介质,同样可以起到上述有益效果,在此不再进行赘述。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例所提供的一种服务器性能测试数据分析方法的流程图;
图2为本发明实施例所提供的一种具体的服务器性能测试数据分析方法的流程图;
图3为本发明实施例所提供的一种服务器性能测试数据分析装置的结构框图;
图4为本发明实施例所提供的一种服务器性能测试数据分析设备的结构框图。
具体实施方式
本发明的核心是提供一种服务器性能测试数据分析方法。在现有技术中,主要是通过人工观察***资源的使用情况和TpccRunner的运行结果,最终得到服务器的性能体现。但是手工观察存在效率较低的问题,同时无法准确的分析出服务器资源中各个因素对服务器性能是否造成影响,若存在影响,其影响程度如何。
而本发明所提供的一种服务器性能测试数据分析方法,包括调用压力测试工具对待测试服务器进行TPC-C测试;读取压力测试工具在TPC-C测试期间以预设频率生成的tpmC值;读取***监控工具在TPC-C测试期间对待测试服务器进行监控时所产生的服务器参数;服务器参数与tpmC值相互对应,服务器参数包括物理环境参数、软硬件配置参数和服务器资源使用情况参数;调用逻辑回归模型,以tpmC值与服务器参数为自变量,以待测试服务器性能是否受影响为因变量,计算各个自变量的权重系数,以便根据权重系数确定各个服务器参数对待测试服务器性能的影响程度。
通过自动的读取进行TPC-C测试时期的tpmC值以及服务器参数,该服务器参数需要包括物理环境参数、软硬件配置参数和服务器资源使用情况参数,最后调用逻辑回归模型计算以tpmC值与服务器参数为自变量的权重系数,可以通过逻辑回归模型准确得到各个服务器参数的权重系数,该权重系数可以反应出对应服务器参数的重要程度,从而全方位、高效且准确的分析出服务器资源中各个因素对服务器性能的影响。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参考图1,图1为本发明实施例所提供的一种服务器性能测试数据分析方法的流程图。
参见图1,在本发明实施例中,服务器性能测试数据分析方法包括:
S101:调用压力测试工具对待测试服务器进行TPC-C测试。
首先需要说明的是,本发明实施例中下述主要实现工具通常是采用R语言作为实现数据分析的脚本语言。
在本步骤中,首选需要调用压力测试工具对待测试服务器进行TPC-C测试,其中TPC BenchmarkTMC(TPC-C)是衡量联机事务处理(On-Line Transaction Processing,OLTP)的测试,模拟的是一个批发商的货物管理环境。TPC-C测试通过读写密集型事务组合,模拟复杂的OLTP应用程序环境,具有同时执行多种复杂的事务、交易完整性等多个特征。而上述TPC-C测试平均每分钟的交易数量即tpmC值。
在本步骤中,通常具体是调用TpccRunner工具对待测试服务器进行TPC-C测试。即在本发明实施例中进行的“OpenPOWER服务器+数据库产品”的性能测试工作,主要借助测试工具TpccRunner对数据库产品进行加压,最终计算每分钟的平均事务数量,即tpmC值,用以评估数据库所在服务器的性能体现。有关TPC-C测试的具体内容可以参考现有技术,在此不再进行赘述。
S102:读取压力测试工具在TPC-C测试期间生成的tpmC值。
在本步骤中,具体可以读取所述TpccRunner工具在所述TPC-C测试期间生成的tpmC值,通常是获取压力测试工具生成的每一个tpmC值,以便分时段对服务器性能进行分析。由于tpmC值表示的是TPC-C测试平均每分钟的交易数量,因此本步骤具体可以是每分钟读取一次压力测试工具在TPC-C测试期间生成的tpmC值。
S103:读取***监控工具在TPC-C测试期间对待测试服务器进行监控时所产生的服务器参数。
在本发明实施例中,所述服务器参数与所述tpmC值相互对应,所述服务器参数包括物理环境参数、软硬件配置参数和服务器资源使用情况参数。在本发明实施例中服务器参数通常包括三大类,其中物理环境参数可以反映出待测试服务器的物理环境,该物理环境参数通常包括以下任意一项或任意组合:电流、电压、网速、室温;上述软硬件配置参数可以反映出待测试服务器的具体配置,该软硬件配置参数包括以下任意一项或任意组合:磁盘类型、服务器并发数、是否开启超线程、操作***版本、数据库类型、数据库部署方式;上述服务器资源使用情况参数可以反映出在TPC-C测试时服务器内资源具体的使用情况,该服务器资源使用情况参数通常包括以下任意一项或任意组合:CPU使用率、内存使用率、磁盘使用率。当然,服务器参数还可以包括其他种类的参数,该参数通常是服务器运行时可能会影响服务器性能的参数。其具体内容视具体情况而定,在此不做具体限定。
在本步骤中,需要读取***监控工具在TPC-C测试期间对待测试服务器进行监控时所产生的服务器参数,有关读取服务器参数的具体过程将在下述发明实施例中做详细介绍,在此不再进行赘述。需要说明的是,上述服务器参数与tpmC值需要相互对应,以便后续分析出各个服务器参数对于服务器性能的影响程度。
需要说明的是,本步骤可以与上述S102并行的执行,或先执行任一步骤均可,视具体情况而定,在此不做具体限定。
S104:调用逻辑回归模型,以tpmC值与服务器参数为自变量,以待测试服务器性能是否受影响为因变量,计算各个自变量的权重系数,以便根据权重系数确定各个服务器参数对待测试服务器性能的影响程度。
在本步骤中,会引入机器学习中的逻辑回归算法,建立一个逻辑回归模型。上述逻辑回归模型具体属于机器学习的一种,逻辑回归模型具体如下:
y=β0+β1x1+…+βkxk+ε;
其中y为因变量,x1至xk为自变量,β1至βk为自变量的权重系数,ε为随机变量,也称随机误差。逻辑回归模型的惯例是带一个随机误差,以表示数据分析的严谨性。在本发明实施例中,会以tpmC值以及服务器参数作为自变量,而将以待测试服务器性能是否受影响为因变量,该因变量的数据类型通常为字符型,即在本发明实施例中通常是以0或1表示该因变量,即以0或1表示待测试服务器性能是否受影响。例如,0表示未受影响,1表示受到影响等等。
在本步骤中,会基于上述逻辑回归模型计算各个自变量的权重系数,该权重系数可以表示各个自变量,尤其是各个服务器参数对因变量的影响程度,即对待测试服务器性能的影响程度。有关逻辑回归模型的具体内容将在下述发明实施例中做详细介绍,在此不再进行赘述。
本发明实施例所提供的一种服务器性能测试数据分析方法,包括调用压力测试工具对待测试服务器进行TPC-C测试;读取压力测试工具在TPC-C测试期间以预设频率生成的tpmC值;读取***监控工具在TPC-C测试期间对待测试服务器进行监控时所产生的服务器参数;服务器参数与tpmC值相互对应,服务器参数包括物理环境参数、软硬件配置参数和服务器资源使用情况参数;调用逻辑回归模型,以tpmC值与服务器参数为自变量,以待测试服务器性能是否受影响为因变量,计算各个自变量的权重系数,以便根据权重系数确定各个服务器参数对待测试服务器性能的影响程度。
通过自动的读取进行TPC-C测试时期的tpmC值以及服务器参数,该服务器参数需要包括物理环境参数、软硬件配置参数和服务器资源使用情况参数,最后调用逻辑回归模型计算以tpmC值与服务器参数为自变量的权重系数,可以通过逻辑回归模型准确得到各个服务器参数的权重系数,该权重系数可以反应出对应服务器参数的重要程度,从而全方位、高效且准确的分析出服务器资源中各个因素对服务器性能的影响。
有关本发明所提供的一种服务器性能测试数据分析方法的具体内容将在下述发明实施例中做详细介绍。
请参考图2,图2为本发明实施例所提供的一种具体的服务器性能测试数据分析方法的流程图。
参见图2,在本发明实施例中,服务器性能测试数据分析方法包括:
S201:调用TpccRunner工具对待测试服务器进行TPC-C测试。
在本步骤中,具体会调用TpccRunner工具作为压力测试工具对待测试服务器进行TPC-C测试。其余内容已在上述发明实施例中做详细介绍,在此不再进行赘述。
S202:读取TpccRunner工具在TPC-C测试期间生成的tpmC值。
在本步骤中,具体会读取S201中进行TPC-C测试的TpccRunner工具在TPC-C测试期间生成的tpmC值,通常需要读取沿时间轴读取多个tpmC值,以便后续计算。本步骤的其余内容已在上述发明实施例中S102进行介绍,在此不再进行赘述。
S203:读取***监控工具记录的待测试服务器在TPC-C测试期间的监控日志,以读取服务器参数。
在本步骤中,通常会选用nmon作为***监控工具,具体读取***监控工具nmon记录的***监控日志localhost_xxxx.nmon,从而获取待测试服务器的资源使用情况,读取上述服务器参数。本步骤的其余内容已在上述发明实施例中S103做详细介绍,在此不再进行赘述。通常情况下,在本步骤中也需要沿时间轴读取多组服务器参数,每组服务器参数通常需要与上述tpmC值相对应,以便后续计算。
S204:调用数据文件读入函数对服务器参数进行数据清理。
在本步骤中,具体可以调用数据文件读入函数write_xls()对上述服务器参数进行清理,并将清理后的数据结果写入dataset.xls。当然,在本步骤中可以同时对上述TpmC值进行清理。有关数据文件读入函数的具体内容可以参考现有技术,在此不再进行赘述。
S205:调用R语言中的逻辑分析函数,基于逻辑回归模型以tpmC值与服务器参数为自变量,以待测试服务器性能是否受影响为因变量,计算各个自变量的权重系数,以便根据权重系数确定各个服务器参数对待测试服务器性能的影响程度。
在本步骤中,具体会调用R语言程序包中的逻辑回归函数glm(),实现数据的分析,具体可以通过逻辑回归函数glm()对上述dataset.xls中的数据进行运算,实现数据的分析。
该逻辑回归模型中各个变量说明可以参考下表:
表1.逻辑回归模型中各个变量说明表
上表中包括了本发明实施例中逻辑回归模型主要涉及的因变量的具体内容。当然,在实际情况中还可以进一步对上述因变量进行扩充,视具体请可定,在此不做具体限定。有关逻辑回归函数glm()具体运行过程可以参考现有技术,在此不再进行赘述。本步骤的其余内容已在上述发明实施例中S104做详细介绍,在此不再进行赘述。
S206:根据权重系数生成对应的可视化图表。
在本步骤中,具体可以根据上述权重系数生成对应的可视化图表,包括柱状图、饼状图、折线图等等均可,视具体情况而定,在此不做具体限定。
本发明实施例所提供的一种服务器性能测试数据分析方法,通过自动的读取进行TPC-C测试时期的tpmC值以及服务器参数,该服务器参数需要包括物理环境参数、软硬件配置参数和服务器资源使用情况参数,最后调用逻辑回归模型计算以tpmC值与服务器参数为自变量的权重系数,可以通过逻辑回归模型准确得到各个服务器参数的权重系数,该权重系数可以反应出对应服务器参数的重要程度,从而全方位、高效且准确的分析出服务器资源中各个因素对服务器性能的影响。
下面对本发明实施例所提供的一种服务器性能测试数据分析装置进行介绍,下文描述的服务器性能测试数据分析装置与上文描述的服务器性能测试数据分析方法可相互对应参照。
请参考图3,图3为本发明实施例所提供的一种服务器性能测试数据分析装置的结构框图。参照图3,服务器性能测试数据分析装置可以包括:
测试模块100,用于调用压力测试工具对待测试服务器进行TPC-C测试。
tpmC值读取模块200,用于读取所述压力测试工具在所述TPC-C测试期间以预设频率生成的tpmC值。
服务器参数读取模块300,用于读取***监控工具在所述TPC-C测试期间对所述待测试服务器进行监控时所产生的服务器参数;所述服务器参数与所述tpmC值相互对应,所述服务器参数包括物理环境参数、软硬件配置参数和服务器资源使用情况参数。
计算模块400,用于调用逻辑回归模型,以所述tpmC值与所述服务器参数为自变量,以所述待测试服务器性能是否受影响为因变量,计算各个所述自变量的权重系数,以便根据权重系数确定各个服务器参数对待测试服务器性能的影响程度。
作为优选的,在本发明实施例中,所述物理环境参数包括以下任意一项或任意组合:
电流、电压、网速、室温;
所述软硬件配置参数包括以下任意一项或任意组合:
磁盘类型、服务器并发数、是否开启超线程、操作***版本、数据库类型、数据库部署方式;
所述服务器资源使用情况参数包括以下任意一项或任意组合:
CPU使用率、内存使用率、磁盘使用率。
作为优选的,在本发明实施例中,所述测试模块100具体用于:
调用TpccRunner工具对待测试服务器进行TPC-C测试。
所述tpmC值读取模块200具体用于:
读取所述TpccRunner工具在所述TPC-C测试期间生成的tpmC值。
作为优选的,在本发明实施例中,所述服务器参数读取模块300具体用于:
读取***监控工具记录的所述待测试服务器在所述TPC-C测试期间的监控日志,以读取所述服务器参数。
作为优选的,在本发明实施例中,还包括:
清理模块,用于调用数据文件读入函数对所述服务器参数进行数据清理。
作为优选的,在本发明实施例中,还包括:
可视化模块,用于根据所述权重系数生成对应的可视化图表。
作为优选的,在本发明实施例中,所述计算模块400具体用于:
调用R语言中的逻辑分析函数,基于逻辑回归模型以所述tpmC值与所述服务器参数为自变量,以所述待测试服务器性能是否受影响为因变量,计算各个所述自变量的权重系数。
本实施例的服务器性能测试数据分析装置用于实现前述的服务器性能测试数据分析方法,因此服务器性能测试数据分析装置中的具体实施方式可见前文中的服务器性能测试数据分析方法的实施例部分,例如,测试模块100,tpmC值读取模块200,服务器参数读取模块300,计算模块400,分别用于实现上述服务器性能测试数据分析方法中步骤S101至S104,所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再赘述。
下面对本发明实施例提供的一种服务器性能测试数据分析设备进行介绍,下文描述的服务器性能测试数据分析设备与上文描述的服务器性能测试数据分析方法以及服务器性能测试数据分析装置可相互对应参照。
请参考图4,图4为本发明实施例所提供的一种服务器性能测试数据分析设备的结构框图。
参照图4,该服务器性能测试数据分析设备可以包括处理器11和存储器12。
所述存储器12用于存储计算机程序;所述处理器11用于执行所述计算机程序时实现上述发明实施例中所述的服务器性能测试数据分析方法的具体内容。
本实施例的服务器性能测试数据分析设备中处理器11用于安装上述发明实施例中所述的服务器性能测试数据分析装置,同时处理器11与存储器12相结合可以实现上述任一发明实施例中所述的服务器性能测试数据分析方法。因此服务器性能测试数据分析设备中的具体实施方式可见前文中的服务器性能测试数据分析方法的实施例部分,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再赘述。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一发明实施例中所介绍的一种服务器性能测试数据分析方法。其余内容可以参照现有技术,在此不再进行展开描述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种服务器性能测试数据分析方法、一种服务器性能测试数据分析装置、一种服务器性能测试数据分析设备以及一种计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种服务器性能测试数据分析方法,其特征在于,包括:
调用压力测试工具对待测试服务器进行TPC-C测试;
读取所述压力测试工具在所述TPC-C测试期间以预设频率生成的tpmC值;
读取***监控工具在所述TPC-C测试期间对所述待测试服务器进行监控时所产生的服务器参数;所述服务器参数与所述tpmC值相互对应,所述服务器参数包括物理环境参数、软硬件配置参数和服务器资源使用情况参数;
调用逻辑回归模型,以所述tpmC值与所述服务器参数为自变量,以所述待测试服务器性能是否受影响为因变量,计算各个所述自变量的权重系数,以便根据所述权重系数确定各个所述服务器参数对所述待测试服务器性能的影响程度。
2.根据权利要求1所述的方法,其特征在于,所述物理环境参数包括以下任意一项或任意组合:
电流、电压、网速、室温;
所述软硬件配置参数包括以下任意一项或任意组合:
磁盘类型、服务器并发数、是否开启超线程、操作***版本、数据库类型、数据库部署方式;
所述服务器资源使用情况参数包括以下任意一项或任意组合:
CPU使用率、内存使用率、磁盘使用率。
3.根据权利要求2所述的方法,其特征在于,所述调用压力测试工具对待测试服务器进行TPC-C测试包括:
调用TpccRunner工具对待测试服务器进行TPC-C测试;
所述读取所述压力测试工具在所述TPC-C测试期间以预设频率生成的tpmC值包括:
读取所述TpccRunner工具在所述TPC-C测试期间生成的tpmC值。
4.根据权利要求3所述的方法,其特征在于,所述读取***监控工具在所述TPC-C测试期间对所述待测试服务器进行监控时所产生的服务器参数包括:
读取***监控工具记录的所述待测试服务器在所述TPC-C测试期间的监控日志,以读取所述服务器参数。
5.根据权利要求1所述的方法,其特征在于,在所述读取***监控工具在所述TPC-C测试期间对所述待测试服务器进行监控时所产生的服务器参数之后,还包括:
调用数据文件读入函数对所述服务器参数进行数据清理。
6.根据权利要求5所述的方法,其特征在于,在所述计算各个所述自变量的权重系数之后,还包括:
根据所述权重系数生成对应的可视化图表。
7.根据权利要求1所述的方法,其特征在于,所述调用逻辑回归模型,以所述tpmC值与所述服务器参数为自变量,以所述待测试服务器性能是否受影响为因变量,计算各个所述自变量的权重系数包括:
调用R语言中的逻辑分析函数,基于逻辑回归模型以所述tpmC值与所述服务器参数为自变量,以所述待测试服务器性能是否受影响为因变量,计算各个所述自变量的权重系数。
8.一种服务器性能测试数据分析装置,其特征在于,包括:
测试模块,用于调用压力测试工具对待测试服务器进行TPC-C测试;
tpmC值读取模块,用于读取所述压力测试工具在所述TPC-C测试期间以预设频率生成的tpmC值;
服务器参数读取模块,用于读取***监控工具在所述TPC-C测试期间对所述待测试服务器进行监控时所产生的服务器参数;所述服务器参数与所述tpmC值相互对应,所述服务器参数包括物理环境参数、软硬件配置参数和服务器资源使用情况参数;
计算模块,用于调用逻辑回归模型,以所述tpmC值与所述服务器参数为自变量,以所述待测试服务器性能是否受影响为因变量,计算各个所述自变量的权重系数,以便根据所述权重系数确定各个所述服务器参数对所述待测试服务器性能的影响程度。
9.一种服务器性能测试数据分析设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任意一项所述服务器性能测试数据分析方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述服务器性能测试数据分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110680318.9A CN113238908B (zh) | 2021-06-18 | 2021-06-18 | 一种服务器性能测试数据分析方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110680318.9A CN113238908B (zh) | 2021-06-18 | 2021-06-18 | 一种服务器性能测试数据分析方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113238908A true CN113238908A (zh) | 2021-08-10 |
CN113238908B CN113238908B (zh) | 2022-11-04 |
Family
ID=77140346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110680318.9A Active CN113238908B (zh) | 2021-06-18 | 2021-06-18 | 一种服务器性能测试数据分析方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113238908B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114880172A (zh) * | 2022-04-30 | 2022-08-09 | 苏州浪潮智能科技有限公司 | 一种服务器兼容适配方法、装置、电子设备及存储介质 |
CN115564069A (zh) * | 2022-09-28 | 2023-01-03 | 北京百度网讯科技有限公司 | 服务器维保策略的确定方法、模型的生成方法及其装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104142874A (zh) * | 2013-12-25 | 2014-11-12 | 中软信息***工程有限公司 | 一种测试评估国产cpu事务处理能力的方法 |
US20150371151A1 (en) * | 2014-06-20 | 2015-12-24 | The Regents Of The University Of California | Energy infrastructure sensor data rectification using regression models |
US20200134370A1 (en) * | 2018-10-25 | 2020-04-30 | The Boeing Company | Machine learning model development with interactive model evaluation |
CN112100067A (zh) * | 2020-09-10 | 2020-12-18 | 北京完美赤金科技有限公司 | 一种基于回归分析的测试方法、***及存储介质 |
US20210014102A1 (en) * | 2019-07-10 | 2021-01-14 | Sap Se | Reinforced machine learning tool for anomaly detection |
US20210064492A1 (en) * | 2019-08-30 | 2021-03-04 | Microstrategy Incorporated | Monitoring performance of computing systems |
CN112612686A (zh) * | 2020-12-18 | 2021-04-06 | 平安普惠企业管理有限公司 | 性能测试方法、装置、电子设备及存储介质 |
US11037073B1 (en) * | 2020-09-04 | 2021-06-15 | Aperio Global, LLC | Data analysis system using artificial intelligence |
-
2021
- 2021-06-18 CN CN202110680318.9A patent/CN113238908B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104142874A (zh) * | 2013-12-25 | 2014-11-12 | 中软信息***工程有限公司 | 一种测试评估国产cpu事务处理能力的方法 |
US20150371151A1 (en) * | 2014-06-20 | 2015-12-24 | The Regents Of The University Of California | Energy infrastructure sensor data rectification using regression models |
US20200134370A1 (en) * | 2018-10-25 | 2020-04-30 | The Boeing Company | Machine learning model development with interactive model evaluation |
US20210014102A1 (en) * | 2019-07-10 | 2021-01-14 | Sap Se | Reinforced machine learning tool for anomaly detection |
US20210064492A1 (en) * | 2019-08-30 | 2021-03-04 | Microstrategy Incorporated | Monitoring performance of computing systems |
US11037073B1 (en) * | 2020-09-04 | 2021-06-15 | Aperio Global, LLC | Data analysis system using artificial intelligence |
CN112100067A (zh) * | 2020-09-10 | 2020-12-18 | 北京完美赤金科技有限公司 | 一种基于回归分析的测试方法、***及存储介质 |
CN112612686A (zh) * | 2020-12-18 | 2021-04-06 | 平安普惠企业管理有限公司 | 性能测试方法、装置、电子设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
孙凝晖: "服务器 选好!――计算机***性能评价", 《每周电脑报》 * |
明媚等: "面向应用的数据库服务器性能优化方法研究", 《计算机工程与应用》 * |
朱俊等: "基于Logistic模型的我国房地产开发投资压力测试研究", 《上海管理科学》 * |
马宗庆等: "在线事务处理***性能评测框架研究", 《计算机工程与设计》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114880172A (zh) * | 2022-04-30 | 2022-08-09 | 苏州浪潮智能科技有限公司 | 一种服务器兼容适配方法、装置、电子设备及存储介质 |
CN114880172B (zh) * | 2022-04-30 | 2024-06-25 | 苏州浪潮智能科技有限公司 | 一种服务器兼容适配方法、装置、电子设备及存储介质 |
CN115564069A (zh) * | 2022-09-28 | 2023-01-03 | 北京百度网讯科技有限公司 | 服务器维保策略的确定方法、模型的生成方法及其装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113238908B (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI723528B (zh) | 電腦執行的事件風險評估方法及裝置、電腦可讀儲存媒體以及計算設備 | |
JP6771751B2 (ja) | リスク評価方法およびシステム | |
US10719767B2 (en) | Computer implemented system for automating the generation of a business decision analytic model | |
Koopman et al. | A non-Gaussian panel time series model for estimating and decomposing default risk | |
CN113238908B (zh) | 一种服务器性能测试数据分析方法及相关装置 | |
CN111311401A (zh) | 一种基于LightGBM的金融违约概率预测模型 | |
CN111222982A (zh) | 一种互联网信贷逾期预测方法、装置、服务器和存储介质 | |
CN111506504B (zh) | 基于软件开发过程度量的软件安全性缺陷预测方法及装置 | |
CN111177655B (zh) | 一种数据处理方法、装置及电子设备 | |
CN109522193A (zh) | 一种运维数据的处理方法、***及装置 | |
CN109062769B (zh) | It***性能风险趋势预测的方法、装置和设备 | |
CN115063035A (zh) | 基于神经网络的客户评估方法、***、设备及存储介质 | |
CN111210332A (zh) | 贷后管理策略生成方法、装置及电子设备 | |
CN117291169A (zh) | 自然语言处理模型的评估方法、装置及电子设备 | |
Kusa et al. | Vombat: A tool for visualising evaluation measure behaviour in high-recall search tasks | |
WO2024065776A1 (en) | Method for data processing, apparatus for data processing, electronic device, and storage medium | |
Dhiman et al. | A Clustered Approach to Analyze the Software Quality Using Software Defects | |
Kumar et al. | Cryptocurrency price forecasting in a volatile landscape: Sarimax modeling and short-term strategies | |
CN116795978A (zh) | 一种投诉信息处理方法、装置、电子设备及介质 | |
Okanlawon et al. | Feature selection for learning to predict outcomes of compute cluster jobs with application to decision support | |
CN113011748A (zh) | 推荐效果的评估方法、装置、电子设备及可读存储介质 | |
CN112685324B (zh) | 一种生成测试方案的方法及*** | |
CN111062816B (zh) | 账户资产监管方法及装置 | |
CN114969335B (zh) | 异常日志检测方法、装置、电子设备及可读存储介质 | |
CN117971685A (zh) | 投产准入判断方法、装置和计算机设备 |
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 |