CN105354092A - 一种应用性能风险预测方法、装置和系统 - Google Patents
一种应用性能风险预测方法、装置和系统 Download PDFInfo
- Publication number
- CN105354092A CN105354092A CN201510816674.3A CN201510816674A CN105354092A CN 105354092 A CN105354092 A CN 105354092A CN 201510816674 A CN201510816674 A CN 201510816674A CN 105354092 A CN105354092 A CN 105354092A
- Authority
- CN
- China
- Prior art keywords
- index
- given load
- intended application
- interval
- loading
- 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
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5083—Techniques for rebalancing the load in a distributed system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/5019—Workload prediction
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种应用性能风险预测方法、装置和系统,该方法包括:根据目标应用的指定负载指标的历史数据预测目标应用的指定负载指标在未来指定时间段内的平均值;根据目标应用的标识确定与目标应用对应的预测分析模型;确定平均值所属的取值区间,将平均值所属的取值区间确定为指定负载指标在指定时间段内的目标取值区;利用预测分析模型确定当指定负载指标在目标取值区间取值的情况下,被指定负载指标影响的负载指标中的风险指标。能够解决现有技术中无法关联有影响关系的多个指标进行风险预测的问题,实现在了对应用的各项指标进行风险预测时,能够结合多个指标之间的影响关系对这多个指标一起进行风险预测。
Description
技术领域
本发明涉及应用性能管理领域,尤其涉及一种应用性能风险预测方法、装置和系统。
背景技术
应用性能是反映应用程序(Application,以下简称应用)面向客户提供服务质量的关键指标。应用性能的风险将直接导致用户体验下降,甚至服务中断。近来新技术、新需求的涌现促使企业拥有的应用数量和应用复杂度快速膨胀,使得企业应用运维不堪重负。由于应用性能问题导致企业客户流失和经济损失的案例也逐渐增加。而传统应用性能管理(ApplicationPerformanceManagement,APM)的被动响应式风险处理机制已难以应对,实现主动预防的风险预测机制,是构建面向未来的APM平台的关键。
现有的主动预测应用性能风险的方法通常是针对应用的当个指标进行预测,无法关联有影响关系的多个指标进行风险预测。
发明内容
本发明提供一种应用性能风险预测方法、装置和系统,用于解决现有技术中无法关联有影响关系的多个指标进行风险预测的问题。
为了实现上述目的,第一方面,本发明提供一种应用性能风险预测方法,所述方法包括:
根据目标应用的指定负载指标的历史数据预测所述指定负载指标在未来指定时间段内的平均值;
根据所述目标应用的标识确定与所述目标应用对应的预测分析模型,所述预测分析模型中包括所述目标应用的多个负载指标之间的影响关系,以及所述多个负载中每个负载指标的条件概率表;
确定所述平均值所属的取值区间,将所述平均值所属的取值区间确定为所述指定负载指标在所述指定时间段内的目标取值区间;
利用所述预测分析模型确定当所述指定负载指标在所述目标取值区间取值的情况下,被所述指定负载指标直接影响或者间接影响的负载指标中的风险指标。
可选的,所述利用所述预测分析模型确定当所述指定负载指标在所述目标取值区间取值的情况下,被所述指定负载指标直接影响或者间接影响的负载指标中的风险指标包括:
利用所述预测分析模型确定当所述指定负载指标在所述目标取值区间取值的情况下,被所述指定负载指标直接影响或者间接影响的每个负载指标在所述每个负载指标的各个取值区间的概率;
当第一负载指标的第一取值区间的概率超过所述第一取值区间对应的概率阈值时,将所述第一负载指标确定为风险指标;所述第一负载指标为被所述指定负载指标直接影响或者间接影响的负载指标中的任一负载指标,所述第一取值区间为所述第一负载指标的任一取值区间。
可选的,所述根据目标应用的指定负载指标的历史数据预测所述指定负载指标在未来指定时间段内的平均值包括:
利用回归算法对所述指定负载指标的历史数据进行处理,得到所述指定负载指标的变化趋势模型;
利用所述变化趋势模型获取所述指定负载指标在未来指定时间段内的平均值。
可选的,在所述根据所述目标应用的标识确定与所述目标应用对应的预测分析模型之前,所述方法还包括:
根据所述目标应用的标识获取所述目标应用的预定义的多个目标负载指标的历史数据;
根据获取的所述目标应用的预定义的多个目标负载指标的历史数据创建所述与所述目标应用对应的预测分析模型。
可选的,所述根据获取的所述目标应用的预定义的多个目标负载指标的历史数据创建所述与所述目标应用对应的预测分析模型,包括:
将获取的所述目标应用的预定义的多个目标负载指标的历史数据转换为元组数据集,所述元组数据集中包括至少一个元组数据;
利用贝叶斯网络结构学习算法处理所述元组数据集,获取所述多个目标负载指标之间的影响关系,并根据所述影响关系生成有向无环图,所述有向无环图中包括多个节点,以及所述多个节点之间的影响关系,所述多个节点与所述多个目标负载指标一一对应;
利用等概率分布原则处理所述元组数据集,将所述多个目标负载指标的每个取值连续的取值区间转换为指定个数的离散取值区间;
利用条件概率表生成算法获取所述有向无环图中每个节点的条件概率表,其中任一节点的条件概率表包括在所述任一节点对应的目标负载指标在该目标负载指标的各个离散取值区间中取值的条件概率;
将所述有向无环图和所述有向无环图中每个节点的条件概率表作为所述目标应用的预测分析模型。
可选的,所述利用所述预测分析模型确定当所述指定负载指标在所述目标取值区间取值的情况下,被所述指定负载指标直接影响或者间接影响的每个负载指标在所述每个负载指标的各个取值区间的概率包括:
根据所述有向无环图中的所述多个节点之间的影响关系,确定被所述指定负载指标直接影响或者间接影响的负载指标;
根据所述直接影响或者间接影响的负载指标对应的节点的条件概率表,确定当所述指定负载指标在所述目标取值区间取值的情况下,所述直接影响或者间接影响的负载指标中的每个负载指标在该负载指标的各个取值区间的概率。
第二方面,本发明还提供另一种应用性能风险预测装置,所述装置包括:
负载预测模块,用于根据目标应用的指定负载指标的历史数据预测所述目标应用的指定负载指标在未来指定时间段内的平均值;
模型管理模块,用于根据所述目标应用的标识确定与所述目标应用对应的预测分析模型,所述预测分析模型中包括所述目标应用的多个负载指标之间的影响关系,以及所述多个负载中每个负载指标的条件概率表;
推理分析模块,用于确定所述平均值所属的取值区间,将所述平均值所属的取值区间确定为所述指定负载指标在所述指定时间段内的目标取值区间;
所述推理分析模块,还用于利用所述预测分析模型确定当所述指定负载指标在所述目标取值区间取值的情况下,被所述指定负载指标直接影响或者间接影响的负载指标中的风险指标。
可选的,所述推理分析模块包括:
概率分析子模块,用于利用所述预测分析模型确定当所述指定负载指标在所述目标取值区间取值的情况下,被所述指定负载指标直接影响或者间接影响的每个负载指标在所述每个负载指标的各个取值区间的概率;
风险识别子模块,用于当第一负载指标的第一取值区间的概率超过所述第一取值区间对应的概率阈值时,将所述第一负载指标确定为风险指标;所述第一负载指标为被所述指定负载指标直接影响或者间接影响的负载指标中的任一负载指标,所述第一取值区间为所述第一负载指标的任一取值区间。
可选的,所述负载预测模块包括:
建模子模块,用于利用回归算法对所述指定负载指标的历史数据进行处理,得到所述指定负载指标的变化趋势模型;
预测子模块,用于利用所述变化趋势模型获取所述指定负载指标在未来指定时间段内的平均值。
可选的,所述装置还包括:
数据导入模块,用于在所述根据所述目标应用的标识确定与所述目标应用对应的预测分析模型之前,根据所述目标应用的标识获取所述目标应用的预定义的多个目标负载指标的历史数据;
预测模型生成模块,用于根据获取的所述目标应用的预定义的多个目标负载指标的历史数据创建所述与所述目标应用对应的预测分析模型。
可选的,所述预测模型生成模块包括:
预处理子模块,用于将获取的所述目标应用的预定义的多个目标负载指标的历史数据转换为元组数据集,所述元组数据集中包括至少一个元组数据;
网络创建子模块,用于利用贝叶斯网络结构学习算法处理所述元组数据集,获取所述多个目标负载指标之间的影响关系,并根据所述影响关系生成有向无环图,所述有向无环图中包括多个节点,以及所述多个节点之间的影响关系,所述多个节点与所述多个目标负载指标一一对应;
离散化处理子模块,用于利用等概率分布原则处理所述元组数据集,将所述多个目标负载指标的每个取值连续的取值区间转换为指定个数的离散取值区间;
概率计算子模块,用于利用条件概率表生成算法获取所述有向无环图中每个节点的条件概率表,其中任一节点的条件概率表包括在所述任一节点对应的目标负载指标在该目标负载指标的各个离散取值区间中取值的条件概率;
模型确定子模块,用于将所述有向无环图和所述有向无环图中每个节点的条件概率表作为所述目标应用的预测分析模型。
可选的,所述概率计算子模块用于:
根据所述有向无环图中的所述多个节点之间的影响关系,确定被所述指定负载指标直接影响或者间接影响的负载指标;
根据所述直接影响或者间接影响的负载指标对应的节点的条件概率表,确定当所述指定负载指标在所述目标取值区间取值的情况下,所述直接影响或者间接影响的负载指标中的每个负载指标在该负载指标的各个取值区间的概率。
第三方面,本发明还提供一种应用性能风险预测系统,所述系统包括:
应用性能数据采集装置;
第二方面所述的应用性能风险预测装置。
可选的,所述应用性能数据采集装置包括:
数据采集模块,用于接收监控探针采集的终端上的目标应用的至少一个负载指标的数据;
数据管理模块,用于将采集到的所述目标应用的至少一个负载指标的数据进行存储,作为所述目标应用的所述至少一个负载指标的历史数据;
查询服务模块,用于所述应用性能风险预测装置接入并访问所述历史数据。
可选的,所述系统还包括:风险预测输出装置,所述风险预测输出装置包括:
预测分析服务模块,用于根据输入的预测分析请求输出所述应用性能风险预测装置得到的预测分析结果;
展示模块,用于将所述预测分析结果进行可视化展示。
本发明提供的应用性能风险预测方法、装置及系统,该方法通过根据目标应用的指定负载指标的历史数据预测所述目标应用的指定负载指标在未来指定时间段内的平均值;根据所述目标应用的标识确定与所述目标应用对应的预测分析模型,所述预测分析模型中包括所述目标应用的多个负载指标之间的影响关系,以及所述多个负载中每个负载指标的条件概率表;确定所述平均值所属的取值区间,将所述平均值所属的取值区间确定为所述指定负载指标在所述指定时间段内的目标取值区;利用所述预测分析模型确定当所述指定负载指标在所述目标取值区间取值的情况下,被所述指定负载指标直接影响或者间接影响的负载指标中的风险指标。能够解决现有技术中无法关联有影响关系的多个指标进行风险预测的问题,实现在了对应用的各项指标进行风险预测时,能够结合多个指标之间的影响关系对这多个指标一起进行风险预测。
本发明的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。在附图中:
图1是本发明实施例提供的一种应用性能风险预测方法的流程示意图;
图2A是本发明实施例提供的另一种应用性能风险预测方法的流程示意图;
图2B图2A所示的实施例示出的一种有向无环图的示意图;
图2C是本发明实施例提供的另一种应用性能风险预测方法的流程示意图;
图3A是本发明实施例提供的一种应用性能风险预测装置的框图;
图3B是本发明实施例提供的另一种应用性能风险预测装置的框图;
图3C是图3A所示实施例示出的一种负载预测模块的框图;
图3D是本发明实施例提供的另一种应用性能风险预测装置的框图;
图3E是图3A所示实施例示出的一种预测模型生成模块的框图;
图4是本发明实施例提供的一种应用性能风险预测系统的框图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
在介绍本发明提供的应用性能风险预测方法之前,首先对本发明所涉及应用场景进行介绍,本发明各个实施例可应用于一种应用性能风险预测系统,该系统包括应用性能数据采集引擎、预测分析引擎和分析结果展示模块,其中应用性能数据采集引擎用于从各个终端采集应用的各项负载指标的数据并进行存储,预测分析引擎用于根据应用性能数据采集引擎存储的数据对目标应用的负载指标进行预测,确定风险指标,分析结果展示模块用于将预测分析引擎确定的预测结果展示给用户。
图1是本发明实施例提供的一种应用性能风险预测方法的流程示意图,该方法可以应用于一种应用性能风险预测装置,该装置可以通过软件或者硬件或者二者结合的形式构成上述的预测分析引擎的部分或者全部,参见图1,该方法可以包括:
步骤101,根据目标应用的指定负载指标的历史数据预测目标应用的指定负载指标在未来指定时间段内的平均值。
步骤102,根据目标应用的标识确定与目标应用对应的预测分析模型,预测分析模型中包括目标应用的多个负载指标之间的影响关系,以及所述多个负载中每个负载指标的条件概率表。
步骤103,确定所述平均值所属的取值区间,将所述平均值所属的取值区间确定为指定负载指标在所述指定时间段内的目标取值区。
步骤104,利用预测分析模型确定当指定负载指标在目标取值区间取值的情况下,被指定负载指标直接影响或者间接影响的负载指标中的风险指标。
综上所述,本发明提供的应用性能风险预测方法,通过根据目标应用的指定负载指标的历史数据预测目标应用的指定负载指标在未来指定时间段内的平均值;根据目标应用的标识确定与目标应用对应的预测分析模型,预测分析模型中包括目标应用的多个负载指标之间的影响关系,以及所述多个负载中每个负载指标的条件概率表;确定所述平均值所属的取值区间,将所述平均值所属的取值区间确定为所述指定负载指标在所述指定时间段内的目标取值区间;利用预测分析模型确定当指定负载指标在目标取值区间取值的情况下,被指定负载指标直接影响或者间接影响的负载指标中的风险指标。从而能够解决现有技术中无法关联有影响关系的多个指标进行风险预测的问题,实现在了对应用的各项指标进行风险预测时,能够结合多个指标之间的影响关系对这多个指标一起进行风险预测。
图2A是本发明实施例提供的另一种应用性能风险预测方法的流程示意图,该方法可以应用于一种应用性能风险预测装置,该装置可以通过软件或者硬件或者二者结合的形式构成上述的预测分析引擎的部分或者全部,参见图2A,该方法可以包括:
步骤201,按照预定义条件采集各个应用的负载指标的数据。
示例地,该预定义条件例如可以是指定的时间范围、具体采集哪些应用的哪些负载指标作的数据。负载指标的采集可以通过设置在应用中的监控探针实现,该监控探针定期采集该应用的各项负载指标的数据并通过该应用所在的终端发送至上述的应用性能数据采集引擎。
应用性能数据采集引擎将采集到的各个应用的负载指标的数据进行存储,就得到了各个应用的各项负载指标的历史数据。从而使应用性能风险预测装置能够从该应用性能数据采集引擎获取这些历史数据以进行后续步骤。
步骤202,根据目标应用的标识获取目标应用的预定义的多个目标负载指标的历史数据。
其中,目标应用的标识例如可以是应用的名称,所述预定义的多个目标负载指标可以是已经采集到的所述目标应用的所有负载指标,或者可以是所有负载指标中的一部分,具体可以根据实际需要而定。示例地,这些负载指标可以包括但不限于以下所示的负载指标:在线用户数量(OnlineUserNum_total)、吞吐量(ThroughPut)、CPU使用率(CPU_used)、内存使用率(Memory_used)、当前http(HyperTextTransferProtocol,超文本传输协议)请求数(ART_http)、堆内存百分比(HeapPercent)、物理内存百分比(PhysicalPercent)、活动线程数(ActiveThreadsNum)、应用性能指数(Apdex)、通配数(Http_4xx)、http错误(Http_error)、健康(Health)、持续数(durations_Num)、当前产生SQL(StructuredQueryLanguage,结构化查询语言)执行数(ART_sql)、http请求(HttpRequest)等等。
步骤203,将获取到的目标应用的预定义的多个目标负载指标的历史数据转换为元组数据集。
其中,元组数据集,即元组数据的集合,该元组数据集中包括至少一个元组数据,每个元组数据可以理解为数据库的一行数据,这一行数据中的每个元数据所在的列定义的属性代表一个负载指标。示例地,元组数据集可以如表1所示的形式。
表1
svc2.RRT | svc2.CR | svc3.RRT | VN08 | VNL4-8 | VNL7-5 |
42 | 220 | 12 | -1 | -1 | 1 |
53 | 396 | 17 | 0 | -1 | 0 |
61 | 280 | 7 | 0 | 0 | 0 |
62 | 311 | 16 | 0 | -1 | 0 |
48 | 261 | 14 | 0 | 0 | 0 |
55 | 334 | 4 | 0 | -1 | 1 |
表1示例性的示出了一个元组数据集的一部分,表1中的一行可以表示一个元组数据的一部分,每一列定义的属性代表一个负载指标,例如:svc2.RRT表示服务2的请求响应时间(Service2RequestResponseTime),svc2.CR表示服务2的并发访问量(Service2ConcurrentAccess),VN08表示虚拟节点(VirtualNode)08,VNL4-8表示虚拟节点链路(VirtualNodeLink)4-8。
步骤204,利用贝叶斯网络结构学习算法处理所述元组数据集,获取所述多个目标负载指标之间的影响关系,并根据所述影响关系生成有向无环图。
示例地,由于元组数据中的每个元数据所在的列定义的属性代表一个负载指标,因此可以为每个元数据所在的列定义的属性创建与其代表的负载指标同名的同名变量,从而就得到了与所述多个目标负载指标一一对应的多个变量。
利用贝叶斯网络结构学习算法处理所述元组数据集,计算所述多个变量之间的影响关系,示例地,所述影响关系包括影响和被影响,影响包括直接影响和间接影响。所述多个变量之间的影响关系就是所述多个目标负载指标之间的影响关系,而后根据所述影响关系生成有向无环图(DirectedAcyclicGraph,简称DAG),在所述有向无环图中包括多个节点以及所述多个节点之间的影响关系,所述多个节点一一对应所述多个变量,也就相当于一一对应所述多个目标节点,因此根据所述有向无环图中的多个节点之间的影响关系就可以看出所述多个目标负载指标之间的影响关系。
示例地,以步骤202所示的负载指标为例,可以创建与这些负载指标一一对应的同名变量,即分别创建变量在线用户数量、吞吐量、CPU使用率、内存使用率、当前http请求数、堆内存百分比、物理内存百分比、活动线程数、应用性能指数、通配数、http错误、健康、持续数、当前产生SQL执行数、http请求。
利用贝叶斯网络结构学习算法处理与这些变量有关的元组数据集,计算上述多个变量之间的影响关系,并根据上述多个变量之间的关系生成有向无环图,示例地,该有向无环图可以如图2B所示,图2B图2A所示的实施例示出的一种有向无环图的示意图,参见图2B,该有向无环图图中包括与上述多个负载指标一一对应的多个节点,所述多个节点之间的影响关系即为所述多个负载指标之间的影响关系。
另外,上述贝叶斯网络结构学习算法可以采用以下算法中的任意一种:K2,TabuSearch(禁忌搜索)、geneticsearch(遗传搜索)、LAGD(LookAheadGreeDy,预测贪婪)HillClimbing(爬山)算法、TAN(TreeAugmentedBayesNetwork,树扩张型贝叶斯网络)等。上述的几种算法仅为示例性的,包括但不限于此。
步骤205,利用等概率分布原则处理所述元组数据集,将所述多个目标负载指标的每个取值连续的取值区间转换为指定个数的离散取值区间。
示例地,为了保障处理性能,需要将取值连续的负载指标的取值范围进行离散化处理,例如假设http错误的取值范围为连续的5-30,通过离散化处理将该在线用户数量的取值区间转换为(-inf,5],(5,20],(20,30],(30,inf),其中inf表示无穷大。该离散化处理可以利用等概率分布原则,或者预设的离散算法,例如K-Means算法(一种基于距离的聚类算法)等。
步骤206,利用条件概率表生成算法获取所述有向无环图中每个节点的条件概率表(ConditionalProbabilisticTable,简称CPT)。
其中,所述有向无环图中任一节点的条件概率表包括在所述任一节点对应的目标负载指标在该目标负载指标的各个离散取值区间中取值的条件概率。以图2B所示的有向无环图为例,可知通配数(Http_4xx)直接影响http错误(Http_error),示例地,假设http错误(Http_error)所对应节点的条件概率表如表2所示:
表2
如表2所示为当通配数Http_4xx分别在(-inf,53]、(53,75]、(75,97]、(97,inf)四个区间取值的情况下,受通配数直接影响的Http_error对应的在(-inf,10.5]、(10.5,16]、(16,21.5]、(21.5,inf)四个取值区间取值的概率。示例地,当Http_4xx为86时,根据表2所示的条件概率表可知Http_error在(-inf,10.5]取值的概率为0.026,Http_error在(10.5,16]取值的概率为0.025,以此类推。
示例地,所述条件概率表生成算法例如可以是SimpleEstimator(简单估计)等算法。在得到所述有向无环图中每个节点的条件概率表后,将所述有向无环图和所述有向无环图中每个节点的条件概率表作为所述目标应用的预测分析模型。
通过对任一应用执行上述步骤201~步骤206都可以得到该应用对应的预测分析模型,因此可以通过上述步骤201~步骤206预先获取需要进行监控的各个应用的预测分析模型,并进行存储,从而在后续对某一应用进行风险预测时直接利用已经建立好的与该应用对应的预测分析模型。示例地,图2C是本发明实施例提供的另一种应用性能风险预测方法的流程示意图,参见图2C,风险预测流程如下所示:
步骤207,根据待预测的目标应用的标识获取指定负载指标的历史数据。
示例地,目标应用的标识例如可以是目标应用的名称或者ID,选取指定负载指标可以依据以下原则:可以将当前实际能够获取的负载指标作为所述指定负载指标,例如已经采集到的历史数据的负载指标,或者可以根据已知的各个负载指标的影响关系来确定所述指定负载指标,例如将对其他负载指标构成直接影响或者间接影响的负载指标作为所述指定负载指标。
从而可以根据目标应用的标识利用上述原则在已存储的各个应用的历史数据中查找并获取所述目标应用的指定负载指标。
步骤208,利用回归算法对所述指定负载指标的历史数据进行处理,得到所述指定负载指标的变化趋势模型。
步骤209,利用所述变化趋势模型获取所述指定负载指标在未来指定时间段内的平均值。
步骤210,根据所述目标应用的标识确定与所述目标应用对应的预测分析模型。
示例地,可以根据所述目标应用的名称或者ID在各个应用的预测分析模型中查找所述目标应用对应的预测分析模型,该预测分析模型中包括表示所述目标应用的各项负载指标之间的影响关系的有向无环图,以及包括该有向无环图中各个节点对应的负载指标的条件概率表。
步骤211,利用所述预测分析模型确定当所述指定负载指标在所述目标取值区间取值的情况下,被所述指定负载指标直接影响或者间接影响的每个负载指标在所述每个负载指标的各个取值区间的概率。
示例地,首先,在步骤210中得到的有向无环图中找到所述指定负载指标对应的节点。
其次,可以根据有向无环图中的节点之间的影响关系确定所述指定负载指标直接影响的负载指标,以及所述指定负载指标间接影响的负载指标,即所述指定负载指标直接影响的负载指标所影响的负载指标。
例如,根据图2B所示的有向无环图可知,通配数直接影响http错误,http错误直接影响物理内存百分比、http请求以及持续数,而持续数直接影响应用性能指数和当前http请求数,而http请求直接影响当前产生SQL执行数,其中当前http请求数又直接影响在线用户数量,因此响物理内存百分比、http请求、持续数、应用性能指数、当前http请求数、当前产生SQL执行数和在线用户数量均属于被通配数间接影响的负载指标。
再次,确定所述指定负载指标在目标取值区间取值的概率为百分之百,即将所述指定负载指标在所述目标取值区间中取值。
在此情况下,利用上述的已确定被直接影响或者间接影响的负载指标的条件概率表,确定其中的每个负载指标在其各个取值区间的概率。例如,假设所述指定负载指标为通配数,并且在步骤209中得到的通配数的平均值为88,则根据表2可以确定目标取值区间为(75,97],从而在此情况下根据hettp_错误、响物理内存百分比、http请求、持续数、应用性能指数、当前http请求数、当前产生SQL执行数和在线用户数量这些负载指标的条件概率表,利用贝叶斯定理就可以计算出这些被通配数影响的负载指标在各自的各个取值区间的概率。
示例地,利用贝叶斯定理进行计算,例如:
假设负载指标A、B、C存在C影响B,B影响A的关系,构成一个DAG,设P(A|B)为当B为指定值的时候A为指定值的概率;设P(B|C)为当C为指定值的时候B为指定值的概率。假设A、B、C的条件概率分布表分别如表3,表4,表5所示:
表3
B | 1 | 2 | 3 |
P(A=1|B) | 0.5 | 0.1 | 0.1 |
P(A=2|B) | 0.3 | 0.6 | 0.3 |
P(A=3|B) | 0.1 | 0.2 | 0.7 |
表4
C | T | F |
P(B=1|C) | 0.3 | 0.1 |
P(B=2|C) | 0.6 | 0.2 |
P(B=2|C) | 0.1 | 0.7 |
表5
P(C=T) | 0.6 |
P(C=F) | 0.4 |
当已知B=x,A=y,则获得C=T的概率按经典贝叶斯定理计算过程如下。
从而可求得指定负载指标C=T时的概率。
例如:计算当A=1;B=1;时C=T的概率。
求解:
首先分解公式(1):
P(B=x,A=y)=P(A=y|B=x)P(B=x)
P(C=T,B=x,A=y)=P(A=y|B=x)P(B=x)P(B=x|C=T)P(C=T)
查表4得:
P(B=1|C=T)=0.3
P(C=T)=0.6
结果为:
P(C=T|B=1,A=1)=P(B=1|C=T)P(C=T)=0.3*0.6=0.18。
从而,得到了当A=1;B=1;时C=T的概率为0.18。另外,值得一提的是,负载指标之间的影响关系是有向的,但因果推理不受方向影响,影响关系的正向和反方向计算均可以使用此公式。
步骤212,根据每个负载指标的每个取值区间的概率确定风险指标。
示例地,当被所述指定负载指标直接影响或者间接影响的负载指标中的第一负载指标的第一取值区间的概率超过所述第一取值区间对应的概率阈值时,可以确定所述第一负载指标为风险指标。其中,第一取值区间为被所述指定负载指标直接影响或者间接影响的负载指标中的任一负载指标,所述第一取值区间为所述第一负载指标的任一取值区间。
例如,对于负载指标CPU使用率而言,当CPU使用率的值超过80%被认为是使用率过高,而当出现CPU使用率的值超过80(单位%)的概率超过0.6时被认为是有风险的,则可以将CPU使用率在取值区间(80,100)的概率阈值设置为0.6,当根据上述方法计算出CPU使用率在取值区间(80,100)的概率超过0.6时,可以确定CPU使用率在未来指定时间段内为风险指标。
综上所述,本发明提供的应用性能风险预测方法,通过根据目标应用的指定负载指标的历史数据预测目标应用的指定负载指标在未来指定时间段内的平均值;根据目标应用的标识确定与目标应用对应的预测分析模型,预测分析模型中包括目标应用的多个负载指标之间的影响关系,以及所述多个负载中每个负载指标的条件概率表;确定所述平均值所属的取值区间,将所述平均值所属的取值区间确定为所述指定负载指标在所述指定时间段内的目标取值区间;利用预测分析模型确定当指定负载指标在目标取值区间取值的情况下,被指定负载指标直接影响或者间接影响的负载指标中的风险指标。从而能够解决现有技术中无法关联有影响关系的多个指标进行风险预测的问题,实现在了对应用的各项指标进行风险预测时,能够结合多个指标之间的影响关系对这多个指标一起进行风险预测。
图3A是本发明实施例提供的一种应用性能风险预测装置的框图,该装置300可以用于执行图1至图2C任一所示的方法,该装置300可以通过软件或者硬件或者二者结合的形式构成上述的预测分析引擎的部分或者全部,参见图3A,所述装置包括:
负载预测模块310,用于根据目标应用的指定负载指标的历史数据预测所述目标应用的指定负载指标在未来指定时间段内的平均值;
模型管理模块320,用于根据所述目标应用的标识确定与所述目标应用对应的预测分析模型,所述预测分析模型中包括所述目标应用的多个负载指标之间的影响关系,以及所述多个负载中每个负载指标的条件概率表;
推理分析模块330,用于确定所述平均值所属的取值区间,将所述平均值所属的取值区间确定为所述指定负载指标在所述指定时间段内的目标取值区间;
所述推理分析模块330,还用于利用所述预测分析模型确定当所述指定负载指标在所述目标取值区间取值的情况下,被所述指定负载指标直接影响或者间接影响的负载指标中的风险指标。
可选的,图3B是图3A所示实施例示出的一种推理分析模块的框图,参见图3B,所述推理分析模块330包括:
概率分析子模块331,用于利用所述预测分析模型确定当所述指定负载指标在所述目标取值区间取值的情况下,被所述指定负载指标直接影响或者间接影响的每个负载指标在所述每个负载指标的各个取值区间的概率;
风险识别子模块332,用于当第一负载指标的第一取值区间的概率超过所述第一取值区间对应的概率阈值时,将所述第一负载指标确定为风险指标;所述第一负载指标为被所述指定负载指标直接影响或者间接影响的负载指标中的任一负载指标,所述第一取值区间为所述第一负载指标的任一取值区间。
可选的,图3C是图3A所示实施例示出的一种负载预测模块的框图,参见图3C,所述负载预测模块310包括:
建模子模块311,用于利用回归算法对所述指定负载指标的历史数据进行处理,得到所述指定负载指标的变化趋势模型;
预测子模块312,用于利用所述变化趋势模型获取所述指定负载指标在未来指定时间段内的平均值。
可选的,图3D是本发明实施例提供的另一种应用性能风险预测装置的框图,参见图3D,所述装置300还包括:
数据导入模块340,用于在所述根据所述目标应用的标识确定与所述目标应用对应的预测分析模型之前,根据所述目标应用的标识获取所述目标应用的预定义的多个目标负载指标的历史数据;
预测模型生成模块350,用于根据获取的所述目标应用的预定义的多个目标负载指标的历史数据创建所述与所述目标应用对应的预测分析模型。
可选的,图3E是图3A所示实施例示出的一种预测模型生成模块的框图,参见图3E,所述预测模型生成模块350包括:
预处理子模块351,用于将获取的所述目标应用的预定义的多个目标负载指标的历史数据转换为元组数据集,所述元组数据集中包括至少一个元组数据;
网络创建子模块352,用于利用贝叶斯网络结构学习算法处理所述元组数据集,获取所述多个目标负载指标之间的影响关系,并根据所述影响关系生成有向无环图,所述有向无环图中包括多个节点,以及所述多个节点之间的影响关系,所述多个节点与所述多个目标负载指标一一对应;
离散化处理子模块353,用于利用等概率分布原则处理所述元组数据集,将所述多个目标负载指标的每个取值连续的取值区间转换为指定个数的离散取值区间;
概率计算子模块354,用于利用条件概率表生成算法获取所述有向无环图中每个节点的条件概率表,其中任一节点的条件概率表包括在所述任一节点对应的目标负载指标在该目标负载指标的各个离散取值区间中取值的条件概率;
模型确定子模块355,用于将所述有向无环图和所述有向无环图中每个节点的条件概率表作为所述目标应用的预测分析模型。
可选的,所述概率计算子模块354可以用于:
根据所述有向无环图中的所述多个节点之间的影响关系,确定被所述指定负载指标直接影响或者间接影响的负载指标;
根据所述直接影响或者间接影响的负载指标对应的节点的条件概率表,确定当所述指定负载指标在所述目标取值区间取值的情况下,所述直接影响或者间接影响的负载指标中的每个负载指标在该负载指标的各个取值区间的概率。
综上所述,本发明提供的应用性能风险预测装置,通过根据目标应用的指定负载指标的历史数据预测目标应用的指定负载指标在未来指定时间段内的平均值;根据目标应用的标识确定与目标应用对应的预测分析模型,预测分析模型中包括目标应用的多个负载指标之间的影响关系,以及所述多个负载中每个负载指标的条件概率表;确定所述平均值所属的取值区间,将所述平均值所属的取值区间确定为所述指定负载指标在所述指定时间段内的目标取值区间;利用预测分析模型确定当指定负载指标在目标取值区间取值的情况下,被指定负载指标直接影响或者间接影响的负载指标中的风险指标。从而能够解决现有技术中无法关联有影响关系的多个指标进行风险预测的问题,实现在了对应用的各项指标进行风险预测时,能够结合多个指标之间的影响关系对这多个指标一起进行风险预测。
图4是本发明实施例提供的一种应用性能风险预测系统的框图,参见图4,所述系统包括:
应用性能数据采集装置400;
图3A或3B所述的应用性能风险预测装置300。
可选的,所述应用性能数据采集装置400包括:
数据采集模块410,用于接收监控探针采集的终端上的目标应用的至少一个负载指标的数据;
数据管理模块420,用于将采集到的所述目标应用的至少一个负载指标的数据进行存储,作为所述目标应用的所述至少一个负载指标的历史数据;
查询服务模块430,用于所述应用性能风险预测装置接入并访问所述历史数据。
可选的,所述系统还包括:风险预测输出装置500,所述风险预测输出装置500包括:
预测分析服务模块510,用于根据输入的预测分析请求输出所述应用性能风险预测装置得到的预测分析结果;
展示模块520,用于将所述预测分析结果进行可视化展示。
以上结合附图详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种简单变型,这些简单变型均属于本发明的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。
此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明的思想,其同样应当视为本发明所公开的内容。
Claims (15)
1.一种应用性能风险预测方法,其特征在于,所述方法包括:
根据目标应用的指定负载指标的历史数据预测所述指定负载指标在未来指定时间段内的平均值;
根据所述目标应用的标识确定与所述目标应用对应的预测分析模型,所述预测分析模型中包括所述目标应用的多个负载指标之间的影响关系,以及所述多个负载中每个负载指标的条件概率表;
确定所述平均值所属的取值区间,将所述平均值所属的取值区间确定为所述指定负载指标在所述指定时间段内的目标取值区间;
利用所述预测分析模型确定当所述指定负载指标在所述目标取值区间取值的情况下,被所述指定负载指标直接影响或者间接影响的负载指标中的风险指标。
2.根据权利要求1所述的方法,其特征在于,所述利用所述预测分析模型确定当所述指定负载指标在所述目标取值区间取值的情况下,被所述指定负载指标直接影响或者间接影响的负载指标中的风险指标包括:
利用所述预测分析模型确定当所述指定负载指标在所述目标取值区间取值的情况下,被所述指定负载指标直接影响或者间接影响的每个负载指标在所述每个负载指标的各个取值区间的概率;
当第一负载指标的第一取值区间的概率超过所述第一取值区间对应的概率阈值时,将所述第一负载指标确定为风险指标;所述第一负载指标为被所述指定负载指标直接影响或者间接影响的负载指标中的任一负载指标,所述第一取值区间为所述第一负载指标的任一取值区间。
3.根据权利要求1或2所述的方法,其特征在于,所述根据目标应用的指定负载指标的历史数据预测所述指定负载指标在未来指定时间段内的平均值包括:
利用回归算法对所述指定负载指标的历史数据进行处理,得到所述指定负载指标的变化趋势模型;
利用所述变化趋势模型获取所述指定负载指标在未来指定时间段内的平均值。
4.根据权利要求2所述的方法,其特征在于,在所述根据所述目标应用的标识确定与所述目标应用对应的预测分析模型之前,所述方法还包括:
根据所述目标应用的标识获取所述目标应用的预定义的多个目标负载指标的历史数据;
根据获取的所述目标应用的预定义的多个目标负载指标的历史数据创建所述与所述目标应用对应的预测分析模型。
5.根据权利要求4所述的方法,其特征在于,所述根据获取的所述目标应用的预定义的多个目标负载指标的历史数据创建所述与所述目标应用对应的预测分析模型,包括:
将获取的所述目标应用的预定义的多个目标负载指标的历史数据转换为元组数据集,所述元组数据集中包括至少一个元组数据;
利用贝叶斯网络结构学习算法处理所述元组数据集,获取所述多个目标负载指标之间的影响关系,并根据所述影响关系生成有向无环图,所述有向无环图中包括多个节点,以及所述多个节点之间的影响关系,所述多个节点与所述多个目标负载指标一一对应;
利用等概率分布原则处理所述元组数据集,将所述多个目标负载指标的每个取值连续的取值区间转换为指定个数的离散取值区间;
利用条件概率表生成算法获取所述有向无环图中每个节点的条件概率表,其中任一节点的条件概率表包括在所述任一节点对应的目标负载指标在该目标负载指标的各个离散取值区间中取值的条件概率;
将所述有向无环图和所述有向无环图中每个节点的条件概率表作为所述目标应用的预测分析模型。
6.根据权利要求5所述的方法,其特征在于,所述利用所述预测分析模型确定当所述指定负载指标在所述目标取值区间取值的情况下,被所述指定负载指标直接影响或者间接影响的每个负载指标在所述每个负载指标的各个取值区间的概率包括:
根据所述有向无环图中的所述多个节点之间的影响关系,确定被所述指定负载指标直接影响或者间接影响的负载指标;
根据所述直接影响或者间接影响的负载指标对应的节点的条件概率表,确定当所述指定负载指标在所述目标取值区间取值的情况下,所述直接影响或者间接影响的负载指标中的每个负载指标在该负载指标的各个取值区间的概率。
7.一种应用性能风险预测装置,其特征在于,所述装置包括:
负载预测模块,用于根据目标应用的指定负载指标的历史数据预测所述目标应用的指定负载指标在未来指定时间段内的平均值;
模型管理模块,用于根据所述目标应用的标识确定与所述目标应用对应的预测分析模型,所述预测分析模型中包括所述目标应用的多个负载指标之间的影响关系,以及所述多个负载中每个负载指标的条件概率表;
推理分析模块,用于确定所述平均值所属的取值区间,将所述平均值所属的取值区间确定为所述指定负载指标在所述指定时间段内的目标取值区间;
所述推理分析模块,还用于利用所述预测分析模型确定当所述指定负载指标在所述目标取值区间取值的情况下,被所述指定负载指标直接影响或者间接影响的负载指标中的风险指标。
8.根据权利要求7所述的装置,其特征在于,所述推理分析模块包括:
概率分析子模块,用于利用所述预测分析模型确定当所述指定负载指标在所述目标取值区间取值的情况下,被所述指定负载指标直接影响或者间接影响的每个负载指标在所述每个负载指标的各个取值区间的概率;
风险识别子模块,用于当第一负载指标的第一取值区间的概率超过所述第一取值区间对应的概率阈值时,将所述第一负载指标确定为风险指标;所述第一负载指标为被所述指定负载指标直接影响或者间接影响的负载指标中的任一负载指标,所述第一取值区间为所述第一负载指标的任一取值区间。
9.根据权利要求7或8所述的装置,其特征在于,所述负载预测模块包括:
建模子模块,用于利用回归算法对所述指定负载指标的历史数据进行处理,得到所述指定负载指标的变化趋势模型;
预测子模块,用于利用所述变化趋势模型获取所述指定负载指标在未来指定时间段内的平均值。
10.根据权利要求8所述的装置,其特征在于,所述装置还包括:
数据导入模块,用于在所述根据所述目标应用的标识确定与所述目标应用对应的预测分析模型之前,根据所述目标应用的标识获取所述目标应用的预定义的多个目标负载指标的历史数据;
预测模型生成模块,用于根据获取的所述目标应用的预定义的多个目标负载指标的历史数据创建所述与所述目标应用对应的预测分析模型。
11.根据权利要求10所述的装置,其特征在于,所述预测模型生成模块包括:
预处理子模块,用于将获取的所述目标应用的预定义的多个目标负载指标的历史数据转换为元组数据集,所述元组数据集中包括至少一个元组数据;
网络创建子模块,用于利用贝叶斯网络结构学习算法处理所述元组数据集,获取所述多个目标负载指标之间的影响关系,并根据所述影响关系生成有向无环图,所述有向无环图中包括多个节点,以及所述多个节点之间的影响关系,所述多个节点与所述多个目标负载指标一一对应;
离散化处理子模块,用于利用等概率分布原则处理所述元组数据集,将所述多个目标负载指标的每个取值连续的取值区间转换为指定个数的离散取值区间;
概率计算子模块,用于利用条件概率表生成算法获取所述有向无环图中每个节点的条件概率表,其中任一节点的条件概率表包括在所述任一节点对应的目标负载指标在该目标负载指标的各个离散取值区间中取值的条件概率;
模型确定子模块,用于将所述有向无环图和所述有向无环图中每个节点的条件概率表作为所述目标应用的预测分析模型。
12.根据权利要求11所述的装置,其特征在于,所述概率计算子模块用于:
根据所述有向无环图中的所述多个节点之间的影响关系,确定被所述指定负载指标直接影响或者间接影响的负载指标;
根据所述直接影响或者间接影响的负载指标对应的节点的条件概率表,确定当所述指定负载指标在所述目标取值区间取值的情况下,所述直接影响或者间接影响的负载指标中的每个负载指标在该负载指标的各个取值区间的概率。
13.一种应用性能风险预测系统,其特征在于,所述系统包括:
应用性能数据采集装置;
权利要求7至12任一项权利要求所述的应用性能风险预测装置。
14.根据权利要求13所述的系统,其特征在于,所述应用性能数据采集装置包括:
数据采集模块,用于接收监控探针采集的终端上的目标应用的至少一个负载指标的数据;
数据管理模块,用于将采集到的所述目标应用的至少一个负载指标的数据进行存储,作为所述目标应用的所述至少一个负载指标的历史数据;
查询服务模块,用于所述应用性能风险预测装置接入并访问所述历史数据。
15.根据权利要求13或14所述的系统,其特征在于,所述系统还包括:风险预测输出装置,所述风险预测输出装置包括:
预测分析服务模块,用于根据输入的预测分析请求输出所述应用性能风险预测装置得到的预测分析结果;
展示模块,用于将所述预测分析结果进行可视化展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510816674.3A CN105354092B (zh) | 2015-11-19 | 2015-11-19 | 一种应用性能风险预测方法、装置和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510816674.3A CN105354092B (zh) | 2015-11-19 | 2015-11-19 | 一种应用性能风险预测方法、装置和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105354092A true CN105354092A (zh) | 2016-02-24 |
CN105354092B CN105354092B (zh) | 2018-12-21 |
Family
ID=55330066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510816674.3A Active CN105354092B (zh) | 2015-11-19 | 2015-11-19 | 一种应用性能风险预测方法、装置和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105354092B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250306A (zh) * | 2016-08-18 | 2016-12-21 | 电子科技大学 | 一种适用于企业级运维自动化平台的性能预测方法 |
CN106293976A (zh) * | 2016-08-15 | 2017-01-04 | 东软集团股份有限公司 | 应用性能风险预测方法、装置和系统 |
CN107222331A (zh) * | 2017-04-26 | 2017-09-29 | 东软集团股份有限公司 | 分布式应用系统性能的监控方法、装置、存储介质及设备 |
CN109005217A (zh) * | 2018-07-05 | 2018-12-14 | 山东九州信泰信息科技股份有限公司 | 云计算环境下利用只读变量解决并发冲突的方法 |
CN110163460A (zh) * | 2018-03-30 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 一种确定应用分值的方法及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699937A (zh) * | 2012-09-27 | 2014-04-02 | 西门子公司 | 一种用于预测软件项目特性的方法和装置 |
CN104283717A (zh) * | 2014-10-24 | 2015-01-14 | 东软集团股份有限公司 | 一种预测虚拟网络资源状态的方法及装置 |
CN104899664A (zh) * | 2015-06-17 | 2015-09-09 | 西南石油大学 | 一种基于马尔科夫链和贝叶斯网络的钻井风险预测方法 |
-
2015
- 2015-11-19 CN CN201510816674.3A patent/CN105354092B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699937A (zh) * | 2012-09-27 | 2014-04-02 | 西门子公司 | 一种用于预测软件项目特性的方法和装置 |
CN104283717A (zh) * | 2014-10-24 | 2015-01-14 | 东软集团股份有限公司 | 一种预测虚拟网络资源状态的方法及装置 |
CN104899664A (zh) * | 2015-06-17 | 2015-09-09 | 西南石油大学 | 一种基于马尔科夫链和贝叶斯网络的钻井风险预测方法 |
Non-Patent Citations (2)
Title |
---|
NORMAN FENTON: "Software measurement:uncertainty and casual modeling", 《IEEE SOFTWARE》 * |
许力,谭国真,张霞: "服务质量感知的云应用资源自适应配置", 《计算机工程与应用》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106293976A (zh) * | 2016-08-15 | 2017-01-04 | 东软集团股份有限公司 | 应用性能风险预测方法、装置和系统 |
CN106250306A (zh) * | 2016-08-18 | 2016-12-21 | 电子科技大学 | 一种适用于企业级运维自动化平台的性能预测方法 |
CN106250306B (zh) * | 2016-08-18 | 2019-05-17 | 电子科技大学 | 一种适用于企业级运维自动化平台的性能预测方法 |
CN107222331A (zh) * | 2017-04-26 | 2017-09-29 | 东软集团股份有限公司 | 分布式应用系统性能的监控方法、装置、存储介质及设备 |
CN107222331B (zh) * | 2017-04-26 | 2019-12-06 | 东软集团股份有限公司 | 分布式应用系统性能的监控方法、装置、存储介质及设备 |
CN110163460A (zh) * | 2018-03-30 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 一种确定应用分值的方法及设备 |
CN110163460B (zh) * | 2018-03-30 | 2023-09-19 | 腾讯科技(深圳)有限公司 | 一种确定应用分值的方法及设备 |
CN109005217A (zh) * | 2018-07-05 | 2018-12-14 | 山东九州信泰信息科技股份有限公司 | 云计算环境下利用只读变量解决并发冲突的方法 |
CN109005217B (zh) * | 2018-07-05 | 2019-10-25 | 山东九州信泰信息科技股份有限公司 | 云计算环境下利用只读变量解决并发冲突的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105354092B (zh) | 2018-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yeh et al. | Optimal redundancy allocation to maximize multi-state computer network reliability subject to correlated failures | |
CN105354092A (zh) | 一种应用性能风险预测方法、装置和系统 | |
Sambasivan et al. | A Lagrangean-based heuristic for multi-plant, multi-item, multi-period capacitated lot-sizing problems with inter-plant transfers | |
Crawford et al. | Parameter tuning of a choice-function based hyperheuristic using particle swarm optimization | |
Lujic et al. | Efficient edge storage management based on near real-time forecasts | |
CN106383830B (zh) | 一种数据检索方法及设备 | |
Nakao et al. | Network design in scarce data environment using moment-based distributionally robust optimization | |
US20200394318A1 (en) | Privacy trustworthiness based api access | |
Nunes et al. | The elimination-selection based algorithm for efficient resource discovery in Internet of Things environments | |
CN113254472A (zh) | 一种参数配置方法、装置、设备及可读存储介质 | |
He et al. | Towards trusted node selection using blockchain for crowdsourced abnormal data detection | |
CN113158435B (zh) | 基于集成学习的复杂系统仿真运行时间预测方法与设备 | |
Gao et al. | Multimedia detection algorithm of malicious nodes in intelligent grid based on fuzzy logic | |
RU105042U1 (ru) | Система мониторинга работы пользователей с информационными ресурсами корпоративной компьютерной сети на основе моделирования поведения пользователей с целью поиска аномалий и изменений в работе | |
Şencan | Modeling of thermodynamic properties of refrigerant/absorbent couples using data mining process | |
EP2813046B1 (en) | System and method for determining a reputation mechanism | |
CN104113590A (zh) | 一种基于副本响应时间预测的副本选择方法 | |
CN106533730B (zh) | Hadoop集群组件指标的采集方法及装置 | |
Sant’Anna et al. | Two-stage composition of probabilistic preferences | |
Yu et al. | Analysis of distributed database access path prediction based on recurrent neural network in internet of things | |
WO2015154641A1 (zh) | 一种业务并发性预测方法与预测系统 | |
Liu et al. | Online task dispatching and pricing for quality-of-service-aware sensing data collection for mobile edge clouds | |
Qi et al. | A fault recovery‐based scheduling algorithm for cloud service reliability | |
Wang et al. | Forecasting CO2 emissions using a novel fractional discrete grey Bernoulli model: A case of Shaanxi in China | |
Shi et al. | On enabling collaborative non-intrusive load monitoring for sustainable smart cities |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |