CN102708029B - 性能瓶颈诊断方法和设备 - Google Patents

性能瓶颈诊断方法和设备 Download PDF

Info

Publication number
CN102708029B
CN102708029B CN201210123831.9A CN201210123831A CN102708029B CN 102708029 B CN102708029 B CN 102708029B CN 201210123831 A CN201210123831 A CN 201210123831A CN 102708029 B CN102708029 B CN 102708029B
Authority
CN
China
Prior art keywords
tpc
time
performance
bottleneck
value
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.)
Expired - Fee Related
Application number
CN201210123831.9A
Other languages
English (en)
Other versions
CN102708029A (zh
Inventor
王勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN201210123831.9A priority Critical patent/CN102708029B/zh
Publication of CN102708029A publication Critical patent/CN102708029A/zh
Priority to PCT/CN2012/083182 priority patent/WO2013159495A1/zh
Application granted granted Critical
Publication of CN102708029B publication Critical patent/CN102708029B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—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
    • G06F11/3409—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 for performance assessment
    • G06F11/3428—Benchmarking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2201/00—Indexing scheme relating to error detection, to error correction, and to monitoring
    • G06F2201/87—Monitoring of transactions

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

本发明提供一种性能瓶颈诊断方法和设备。该方法包括将TPC-C性能测试衡量的事务划分为多个最小环节；当所述TPC-C性能测试得到的TPC-C值达到预设的性能参考值时，获取所述事务的每个最小环节消耗的第一时间；当所述TPC-C性能测试得到的TPC-C值达到预设的性能瓶颈值时，获取所述事务的每个最小环节消耗的第二时间；分别比较所述每个最小环节的第一时间和第二时间，将第二时间大于第一时间的最小环节确定为瓶颈环节，并根据预先设定的专家库确定所述瓶颈环节对应的根原因，所述专家库用于保存瓶颈环节对应的现象以及原因的对应关系。本发明实施例可以提高TPC-C性能测试时的诊断效果。

Description

性能瓶颈诊断方法和设备
技术领域
本发明涉及计算机领域，尤其涉及一种性能瓶颈诊断方法和设备。
背景技术
TPC-C(Transaction Processing Performance Council Benchmark C，事务交易性能委员会基准测试C)是业界衡量高端服务器事务处理性能的关键基准测试，其测试结果被广大客户认可。TPC-C的部署规模较为庞大，除了主机系统之外还需要大量的服务器来支撑测试。在TPC-C测试过程中，中间会涉及很多环节，如客户端、服务器、网络、数据库等，传统的方法是靠资深的系统工程师进行诊断。但是，这种方式对人依赖很大，需要耗费大量的时间，效率不高，而且诊断的准确性无法保证，从而有可能导致无法及时发现性能瓶颈，浪费大量的人力和物力。
发明内容
本发明实施例提供一种性能瓶颈诊断方法和设备，用以提高TPC-C性能测试的效率和准确性。
本发明实施例提供了一种性能瓶颈诊断方法，应用于TPC-C性能测试中，包括：
将TPC-C性能测试衡量的事务划分为多个最小环节；
当所述TPC-C性能测试得到的TPC-C值达到预设的性能参考值时，获取所述事务的每个最小环节消耗的第一时间；
当所述TPC-C性能测试得到的TPC-C值达到预设的性能瓶颈值时，获取所述事务的每个最小环节消耗的第二时间；
分别比较所述每个最小环节的第一时间和第二时间，将第二时间大于第一时间的最小环节确定为瓶颈环节，并根据预先设定的专家库确定所述瓶颈环节对应的根原因，所述专家库用于保存瓶颈环节对应的现象以及原因的对应关系。
本发明实施例提供了一种性能瓶颈诊断设备，应用于TPC-C性能测试中，包括：
划分模块，用于将TPC-C性能测试衡量的事务划分为多个最小环节；
第一获取模块，用于当所述TPC-C性能测试得到的TPC-C值达到预设的性能参考值时，获取所述事务的每个最小环节消耗的第一时间；
第二获取模块，用于当所述TPC-C性能测试得到的TPC-C值达到预设的性能瓶颈值时，获取所述事务的每个最小环节消耗的第二时间；
确定模块，用于分别比较所述每个最小环节的第一时间和第二时间，将第二时间大于第一时间的最小环节确定为瓶颈环节，并根据预先设定的专家库确定所述瓶颈环节对应的根原因，所述专家库用于保存瓶颈环节对应的现象以及原因的对应关系。
由上述技术方案可知，本发明实施例通过获取第一时间和第二时间，也就是获取性能较好时每个最小环节的时间，以及性能差时每个最小环节的时间，通过将性能差时的时间与性能好时的时间进行比对，就可以确定出差在哪个环节，也就是说通过比对第一时间和第二时间确定瓶颈环节，可以实现基于时间的每个最小环节的性能，并结合专家库确定瓶颈环节对应的根原因，可以自动分析得到性能瓶颈，提升了TPC-C性能检测的效率，避免人为检测引起的问题，提高性能检测的准确性，并且由于是基于环节的检测，可以对整体检测进行细化，达到更好的性能瓶颈诊断效果。
附图说明
图1为本发明性能瓶颈诊断方法一实施例的流程示意图；
图2为本发明中事务消耗时间的组成环节示意图；
图3为本发明中服务器时间的组成环节示意图；
图4为本发明中客户端时间的组成环节示意图；
图5为本发明中专家库的示意图；
图6为本发明性能瓶颈诊断方法另一实施例的流程示意图；
图7为本发明性能瓶颈诊断设备一实施例的结构示意图。
具体实施方式
图1为本发明性能瓶颈诊断方法一实施例的流程示意图，该方法可以应用与TPC-C性能测试中，该方法包括：
步骤11：将TPC-C性能测试衡量的事务划分为多个最小环节；
TPC-C是针对整个测试系统的，用于衡量事务的处理性能，该系统可以处理的事务包括：新订单(new_order)、支付(payment)、发货(delivery)和库存(stock_level)。
每个事务消耗的资源和执行的动作基本相同，每个事务消耗的时间与系统的整体性能有关，例如，参见图2，每个事务消耗的时间可以分为客户端时间、网络时间和服务器时间，其中，客户端时间是指消耗在客户端的时间，包括用户提交订单的时间，两个订单之间的等待时间等；网络时间是指订单从客户端传递给服务器的时间；服务器时间是指服务器对订单进行处理的时间，包括服务器读取订单的时间、用CPU对订单进行处理的时间等。
进一步的，参见图3，服务器时间可以分为：IO时间、等待时间、CPU时间，其中，IO时间是指读取订单的时间；等待时间是指订单等待处理的时间，CPU时间是指CPU对订单处理的时间。
再者，参见图4，客户端时间可以分为提交订单时间和等待时间。
通过上述分析，每个事务可以被细分为多个最小环节，每个最小环节可以有具体的消耗时间。
在具体实施时，可以根据系统架构和软件情况预先设置每个事务可以划分的最小环节，例如，在一种场景下，将事务划分为用户提交订单的时间、用户提交订单之间的等待时间、网络传输时间、服务器读取订单的时间、CPU处理订单的时间；又例如，在另一种场景下，可以将事务划分为客户端处理时间、网络传输时间和服务器处理时间。
步骤12：当所述TPC-C性能测试得到的TPC-C值达到预设的性能参考值时，获取所述事务的每个最小环节消耗的第一时间；
在TPC-C性能测试过程中，选取的样本(如仓库)的数目不同，得到的TPC-C值是不同的。本实施例中可以预先设置两个值，分别称为性能参考值和性能瓶颈值，性能参考值是指性能较好时的值，性能瓶颈值是指性能差时的值。
本实施例中，可以通过基线(baseline)拍照的方式获取每个最小环节的消耗时间。基线是软件文档或源码的一个稳定版本，是进一步开发的基础。基线是项目存储库中每个工件版本在特定时期的一个快照，能够反映一个工件版本每个最小环节的具体情况。因此，通过基线拍照的方式可以获取一个事务包括的每个最小环节的具体消耗时间。
TPC-C性能测试过程中，随着性能的不同，TPC-C值是不同的，性能不同时每个最小环节消耗的时间也是不同的。
本实施例可以首先获取TPC-C值达到参考值时每个最小环节消耗的时间。可以通过选取小样本的方式使得TPC-C值达到参考值，例如，假设随机选取样本数为N，经过TPC-C检测后得到一个TPC-C值为A，如果该A小于参考值则表明没有达到参考值，此时需要减少选取的样本数N；如果A大于或等于参考值，则可以对此时的事务进行基线拍照，得到第一时间。其中，上述的样本可以是指仓库(warehouse)，而针对仓库的参考值是每个仓库的TPC-C值是12.75事务数/分钟(tpmC)。例如，选取N个仓库进行TPC-C检测，达到TPC-C值为B，如果B/N≥12.75则表明TPC-C达到参考值，否则如果B/N＜12.75则表明未达到参考值。
在TPC-C值达到参考值后，可以对事务进行基线拍照，得到每个最小环节的时间，例如得到IO时间为多少、CPU时间为多少、提交订单时间为多少、网络时间为多少等。
步骤13：当所述TPC-C性能测试得到的TPC-C值达到预设的性能瓶颈值时，获取所述事务的每个最小环节消耗的第二时间；
性能瓶颈可以通过增加样本数量实现，例如将选取的样本数量从小到大进行增加并继续TPC-C检测，获取每次检测的TPC-C值，如果TPC-C值达到瓶颈值，则可以在此时获取第二时间。例如，可以设定瓶颈值为每个仓库对应的TPC-C值为12.5tpmC，则如果样本数在N1时得到的整体的TPC-C值为C，且C/N1≤12.5，则表明性能出现瓶颈。
在性能出现瓶颈后，也可以对事务进行拍照，得到每个最小环节的时间，此时的时间为第二时间。
步骤14：分别比较所述每个最小环节的第一时间和第二时间，将第二时间大于第一时间的最小环节确定为瓶颈环节，并根据预先设定的专家库确定所述瓶颈环节对应的根原因，所述专家库用于保存瓶颈环节对应的现象以及原因的对应关系。
通过比对就可以获知瓶颈环节，例如，针对IO，其第二时间大于第一时间，则表明IO时间为瓶颈环节，又例如，针对CPU，如果其第二时间也大于对应的第一时间，则表明CPU时间也是瓶颈环节。
专家库中记录现象和原因的对应关系，例如，参见图5，给出专家库中一种现象与原因的对应关系，图5中假设出现的现象是CPU时间慢，那么导致CPU时间慢的原因可能是操作系统(OS)、外设、数据库(DB)、网络，DB的原因又可以进一步划分为结构化查询语言(Structured Query Language，sql)问题和db实例问题(db instance)、漏洞(bug)、IO问题、架构问题(bad architecture)等，sql中又可以进一步分为索引丢失(index miss)、执行计划问题(bad eaplain plan)、优化器问题(bad optimizer)、参数问题(parameter)等。
在确定瓶颈环节后，可以根据瓶颈环节体现的现象在专家库中查找到原因，再结合所有的瓶颈环节，可以将所有瓶颈环节都对应的原因确定为根原因(root cause)。例如，如果瓶颈环节为IO时间和CPU时间，那么根据这些瓶颈环节的第一时间和第二时间，可以得到这些瓶颈环节对应的现象就是IO慢和CPU慢，在专家库中可以查找到IO慢和CPU慢分别对应的原因，假设IO慢对应的原因中包括网络原因，而CPU慢的原因中也包括网络原因，那么就可以将网络原因确定为根原因。
在获取根原因后可以进行调试，例如确定根原因为网络原因后，就可以检查网络并进行网络优化。
本实施例通过获取第一时间和第二时间，并比对第一时间和第二时间确定瓶颈环节，可以实现基于时间的每个最小环节的性能，并结合专家库确定瓶颈环节对应的根原因，可以自动分析得到性能瓶颈，避免人为检测引起的问题，并且由于是基于环节的检测，可以对整体检测进行细化，提高性能瓶颈诊断效果。
图6为本发明性能瓶颈诊断方法另一实施例的流程示意图，包括：
步骤601：选取一定数量的样本进行TPC-C性能测试。
例如，可以随机选择一定数量的仓库数进行TPC-C测试。
步骤602：判断系统性能是否达到参考性能，若是，执行步骤604，否则执行步骤603。
例如，通过性能测试，可以得到每个仓库对应的tpmC值，如果该值大于或等于参考值，可以确定系统性能达到参考性能，否则未达到。
步骤603：减少选取的样本数量。之后继续进行TPC-C性能测试。
步骤604：进行基线拍照。
通过基线拍照，可以得到事务每个最小环节的时间，可以将此时得到的事务每个最小环节的时间称为第一时间。
步骤605：增加选取的样本数量继续TPC-C性能测试。
步骤606：判断系统性能是否达到性能瓶颈，若是，执行步骤607，否则重复执行步骤605及其后续步骤。
步骤607：进行基线拍照。
通过基线拍照，可以得到事务每个最小环节的时间，可以将此时得到的事务每个最小环节的时间称为第二时间。
步骤608：进行环节比对，并结合专家库查找根原因。
其中，可以比对第一时间和第二时间，将第二时间大于第一时间的环节作为瓶颈环节，并结合专家库中现象对应的原因得到根原因。具体内容可以参见图1所示实施例。
步骤609：判断是否找到根原因，若是，执行步骤610，否则执行步骤611。
步骤610：进行调优处理。
步骤611：结束，无法确定原因。
本实施例通过基线拍照可以得到事务每个最小环节的时间，使得可以将瓶颈定位到细分的具体的环节；本实施例根据专家库可以利用现有的数据库尽快和尽可能准确的定位原因，实现瓶颈快速而准确的定位；本实施例是对事务的整体进行细分环节，实现对系统环境的整体进行考虑和分析。
图7为本发明性能瓶颈诊断设备一实施例的结构示意图，该设备可以应用于TPC-C性能测试中，该设备包括划分模块71、第一获取模块72、第二获取模块73和确定模块74；划分模块71用于将TPC-C性能测试衡量的事务划分为多个最小环节；第一获取模块72用于当所述TPC-C性能测试得到的TPC-C值达到预设的性能参考值时，获取所述事务的每个最小环节消耗的第一时间；第二获取模块73用于当所述TPC-C性能测试得到的TPC-C值达到预设的性能瓶颈值时，获取所述事务的每个最小环节消耗的第二时间；确定模块74用于分别比较所述每个最小环节的第一时间和第二时间，将第二时间大于第一时间的最小环节确定为瓶颈环节，并根据预先设定的专家库确定所述瓶颈环节对应的根原因，所述专家库用于保存瓶颈环节对应的现象以及原因的对应关系。
可选的，所述第一获取模块72具体用于：
选取一定数量的样本进行TPC-C性能测试；
当所述TPC-C性能测试得到的TPC-C值小于所述预设的性能参考值时，减少选取的样本的数量直至所述TPC-C性能测试得到的TPC-C值达到所述性能参考值；
在所述TPC-C性能测试得到的TPC-C值达到所述性能参考值时，对所述事务进行基线快照，得到所述事务的每个最小环节消耗的第一时间.
可选的，所述第二获取模块73具体用于：
在所述TPC-C性能测试得到的TPC-C值达到所述性能参考值后，增加选取的样本数量直至所述TPC-C性能测试得到的TPC-C值达到所述预设的性能瓶颈值；
在所述TPC-C性能测试得到的TPC-C值达到所述性能瓶颈值时对所述事物进行基线快照，得到所述事务的每个最小环节消耗的第二时间.
可选的，所述确定模块74具体用于：
根据所述瓶颈环节的第一时间和第二时间，确定所述瓶颈环节对应的现象；
根据所述现象以及所述专家库中保存的瓶颈环节对应的现象以及原因的对应关系，查询得到所述现象对应的原因；
将所述现象对应的原因确定为造成所述瓶颈环节的根原因。
本实施例通过获取第一时间和第二时间，并比对第一时间和第二时间确定瓶颈环节，可以实现基于时间的每个最小环节的性能，并结合专家库确定瓶颈环节对应的根原因，可以自动分析得到性能瓶颈，避免人为检测引起的问题，并且由于是基于环节的检测，可以对整体检测进行细化，提高性能瓶颈诊断效果。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，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，或者对其中部分或者全部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发明各实施例技术方案的范围。

Claims (8)

1.一种性能瓶颈诊断方法，应用于事务交易性能委员会基准测试C性能测试中，其特征在于，包括：
将TPC-C性能测试衡量的事务划分为多个最小环节；
当所述TPC-C性能测试得到的TPC-C值达到预设的性能参考值时，获取所述事务的每个最小环节消耗的第一时间；
当所述TPC-C性能测试得到的TPC-C值达到预设的性能瓶颈值时，获取所述事务的每个最小环节消耗的第二时间；
分别比较所述每个最小环节的第一时间和第二时间，将第二时间大于第一时间的最小环节确定为瓶颈环节，并根据预先设定的专家库确定所述瓶颈环节对应的根原因，所述专家库用于保存瓶颈环节对应的现象以及原因的对应关系。
2.根据权利要求1所述的方法，其特征在于，所述当TPC-C性能测试得到的TPC-C值达到预设的性能参考值时，获取所述事务的每个最小环节消耗的第一时间，具体包括：
选取一定数量的样本进行TPC-C性能测试；
当所述TPC-C性能测试得到的TPC-C值小于所述预设的性能参考值时，减少选取的样本的数量直至所述TPC-C性能测试得到的TPC-C值达到所述性能参考值；
在所述TPC-C性能测试得到的TPC-C值达到所述性能参考值时，对所述事务进行基线快照，得到所述事务的每个最小环节消耗的第一时间。
3.根据权利要求1或2所述的方法，其特征在于，所述当TPC-C性能测试得到的TPC-C值达到预设的性能瓶颈值时，获取所述事务的每个最小环节消耗的第二时间，具体包括：
在所述TPC-C性能测试得到的TPC-C值达到所述性能参考值后，增加选取的样本数量直至所述TPC-C性能测试得到的TPC-C值达到所述预设的性能瓶颈值；
在所述TPC-C性能测试得到的TPC-C值达到所述性能瓶颈值时对所述事务进行基线快照，得到所述事务的每个最小环节消耗的第二时间。
4.根据权利要求3所述的方法，其特征在于，所述根据预先设定的专家库确定所述瓶颈环节对应的根原因，包括：
根据所述瓶颈环节的第一时间和第二时间，确定所述瓶颈环节对应的现象；
根据所述现象以及所述专家库中保存的瓶颈环节对应的现象以及原因的对应关系，查询得到所述现象对应的原因；
将所述现象对应的原因确定为造成所述瓶颈环节的根原因。
5.一种性能瓶颈诊断设备，应用于事务交易性能委员会基准测试C性能测试中，其特征在于，包括：
划分模块，用于将TPC-C性能测试衡量的事务划分为多个最小环节；
第一获取模块，用于当所述TPC-C性能测试得到的TPC-C值达到预设的性能参考值时，获取所述事务的每个最小环节消耗的第一时间；
第二获取模块，用于当所述TPC-C性能测试得到的TPC-C值达到预设的性能瓶颈值时，获取所述事务的每个最小环节消耗的第二时间；
确定模块，用于分别比较所述每个最小环节的第一时间和第二时间，将第二时间大于第一时间的最小环节确定为瓶颈环节，并根据预先设定的专家库确定所述瓶颈环节对应的根原因，所述专家库用于保存瓶颈环节对应的现象以及原因的对应关系。
6.根据权利要求5所述的设备，其特征在于，所述第一获取模块具体用于：
选取一定数量的样本进行TPC-C性能测试；
当所述TPC-C性能测试得到的TPC-C值小于所述预设的性能参考值时，减少选取的样本的数量直至所述TPC-C性能测试得到的TPC-C值达到所述性能参考值；
在所述TPC-C性能测试得到的TPC-C值达到所述性能参考值时，对所述事务进行基线快照，得到所述事务的每个最小环节消耗的第一时间。
7.根据权利要求5或6所述的设备，其特征在于，所述第二获取模块具体用于：
在所述TPC-C性能测试得到的TPC-C值达到所述性能参考值后，增加选取的样本数量直至所述TPC-C性能测试得到的TPC-C值达到所述预设的性能瓶颈值；
在所述TPC-C性能测试得到的TPC-C值达到所述性能瓶颈值时对所述事务进行基线快照，得到所述事务的每个最小环节消耗的第二时间。
8.根据权利要求7所述的设备，其特征在于，所述确定模块具体用于：
根据所述瓶颈环节的第一时间和第二时间，确定所述瓶颈环节对应的现象；
根据所述现象以及所述专家库中保存的瓶颈环节对应的现象以及原因的对应关系，查询得到所述现象对应的原因；
将所述现象对应的原因确定为造成所述瓶颈环节的根原因。
CN201210123831.9A 2012-04-25 2012-04-25 性能瓶颈诊断方法和设备 Expired - Fee Related CN102708029B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201210123831.9A CN102708029B (zh) 2012-04-25 2012-04-25 性能瓶颈诊断方法和设备
PCT/CN2012/083182 WO2013159495A1 (zh) 2012-04-25 2012-10-19 性能瓶颈诊断方法和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210123831.9A CN102708029B (zh) 2012-04-25 2012-04-25 性能瓶颈诊断方法和设备

Publications (2)

Publication Number Publication Date
CN102708029A CN102708029A (zh) 2012-10-03
CN102708029B true CN102708029B (zh) 2015-08-05

Family

ID=46900837

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210123831.9A Expired - Fee Related CN102708029B (zh) 2012-04-25 2012-04-25 性能瓶颈诊断方法和设备

Country Status (2)

Country Link
CN (1) CN102708029B (zh)
WO (1) WO2013159495A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102708029B (zh) * 2012-04-25 2015-08-05 华为技术有限公司 性能瓶颈诊断方法和设备
CN105335142B (zh) 2014-07-29 2019-03-15 国际商业机器公司 在事务处理系统中标识事务的性能瓶颈的方法和装置
CN104486129B (zh) * 2014-12-24 2017-11-03 中国科学院计算技术研究所 分布式环境下保障应用服务质量的方法及系统
CN105488202B (zh) * 2015-12-09 2018-12-18 浪潮(北京)电子信息产业有限公司 一种分布式文件系统性能瓶颈定位方法、装置和系统
CN108614761A (zh) * 2018-03-16 2018-10-02 重庆邮电大学 基于业务模型的智慧应用系统服务器性能需求计算方法
CN111092753A (zh) * 2019-11-27 2020-05-01 中盈优创资讯科技有限公司 问题定位方法及装置
CN113312107B (zh) * 2021-06-16 2022-05-13 成都市以太节点科技有限公司 一种基于tpmC的安全防御资源配置方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1561036A (zh) * 2004-02-24 2005-01-05 华中科技大学 基于tpc-w基准的网站服务器性能测试系统
CN102158373A (zh) * 2011-05-12 2011-08-17 哈尔滨工业大学 面向银行中间业务的高端服务器性能评测系统
CN102411515A (zh) * 2011-07-29 2012-04-11 国网信息通信有限公司 一种服务器容量估算的方法和系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8010337B2 (en) * 2004-09-22 2011-08-30 Microsoft Corporation Predicting database system performance
CN101635655B (zh) * 2008-07-25 2012-01-04 阿里巴巴集团控股有限公司 页面性能测试的方法、装置及系统
CN101533366A (zh) * 2009-03-09 2009-09-16 浪潮电子信息产业股份有限公司 一种服务器性能数据采集与分析的方法
CN101604287A (zh) * 2009-07-14 2009-12-16 浪潮电子信息产业股份有限公司 一种基于硬件计数器获取性能数据实现动态优化服务器性能的方法
CN102708029B (zh) * 2012-04-25 2015-08-05 华为技术有限公司 性能瓶颈诊断方法和设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1561036A (zh) * 2004-02-24 2005-01-05 华中科技大学 基于tpc-w基准的网站服务器性能测试系统
CN102158373A (zh) * 2011-05-12 2011-08-17 哈尔滨工业大学 面向银行中间业务的高端服务器性能评测系统
CN102411515A (zh) * 2011-07-29 2012-04-11 国网信息通信有限公司 一种服务器容量估算的方法和系统

Also Published As

Publication number Publication date
WO2013159495A1 (zh) 2013-10-31
CN102708029A (zh) 2012-10-03

Similar Documents

Publication Publication Date Title
CN102708029B (zh) 性能瓶颈诊断方法和设备
AU2017202873B2 (en) Efficient query processing using histograms in a columnar database
US10216558B1 (en) Predicting drive failures
US7840844B2 (en) Techniques for prioritizing test dependencies
US9424157B2 (en) Early detection of failing computers
US20100180255A1 (en) Programmable framework for automatic tuning of software applications
US10061802B2 (en) Method and system for efficient performance prediction of structured query for big data
US9195730B2 (en) Verifying correctness of a database system via extended access paths
SK et al. Characterizing the performance of accelerated jetson edge devices for training deep learning models
JP2016100006A (ja) パフォーマンス試験のためのベンチマーク・アプリケーションを生成する方法および装置
US9329971B2 (en) Performance analysis system for analyzing inter-thread communications to enhance performance in multithreaded system
US8359291B2 (en) Architecture-aware field affinity estimation
US8245084B2 (en) Two-level representative workload phase detection
CN103399797A (zh) 服务器资源配置方法及装置
Singhal et al. Predicting sql query execution time for large data volume
CN111221698A (zh) 任务数据采集方法与装置
CN104142874A (zh) 一种测试评估国产cpu事务处理能力的方法
Maroulis et al. A holistic energy-efficient real-time scheduler for mixed stream and batch processing workloads
Qi et al. Data mining based root-cause analysis of performance bottleneck for big data workload
Oh et al. Resource selection for autonomic database tuning
US20160132583A1 (en) Representative sampling of relational data
Koçak et al. An Empirical Evaluation of Database Software Features on Energy Consumption.
Grambow et al. Dockerization impacts in database performance benchmarking
Huang et al. Learning to Drive Software-Defined Storage
Desai et al. A principled approach for selecting block I/O traces

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20150805

Termination date: 20180425

CF01 Termination of patent right due to non-payment of annual fee