CN105991719B - 一种互联网服务成功执行率的预测方法及装置 - Google Patents
一种互联网服务成功执行率的预测方法及装置 Download PDFInfo
- Publication number
- CN105991719B CN105991719B CN201510078158.5A CN201510078158A CN105991719B CN 105991719 B CN105991719 B CN 105991719B CN 201510078158 A CN201510078158 A CN 201510078158A CN 105991719 B CN105991719 B CN 105991719B
- Authority
- CN
- China
- Prior art keywords
- sequence
- sample data
- stp
- web service
- successful execution
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000007704 transition Effects 0.000 claims abstract description 46
- 239000011159 matrix material Substances 0.000 claims abstract description 39
- 238000012360 testing method Methods 0.000 claims description 58
- 238000012546 transfer Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000000977 initiatory effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种互联网(WEB)服务成功执行率的预测方法，所述方法包括：依据WEB服务成功执行率的样本数据确定所述样本数据的对数增长序列；对所述对数增长序列进行分类，并依据分类结果获取对数增长序列类之间的转移概率矩阵；依据所述对数增长序列类之间的转移概率矩阵及所述样本数据确定所述WEB服务成功执行率的预测值。本发明还同时公开了一种WEB服务成功执行率的预测装置。
Description
技术领域
本发明涉及软件可靠性预测的相关技术，尤其涉及一种互联网(WEB)服务成功执行率的预测方法及装置。
背景技术
WEB服务作为一种新型的分布式构件模型被认为是面向服务的构架(SOA，Service-Oriented Architecture)中最核心的技术之一。WEB服务运行在动态变化的网络环境中，其可靠性表现也在频繁变化，这种动态性使得WEB服务运行时的性能和效率相对于传统形态的软件更难以预测、掌控和干预。
目前，用于分析和预测WEB服务可靠性的模型和方法多基于服务等级协议(SLA，Service Level Agreement)的静态分析，直接以服务等级协议所约束的WEB服务的最小连接带宽、最大丢包率、链接故障率等参数的限值为模型输入，并假设参数恒定不变，分析和预测WEB服务的实际可靠性。然而，由于WEB服务运行时所依赖的网络和系统环境瞬息万变，各种影响可靠性的参数也在不断变化，这与相关参数恒定不变的假设存在极大的偏差；且由于服务等级协议中给出的参数均为上限和下限值，实际运行时的参数值可能高于或低于限值，从而导致基于服务等级协议的可靠性预测方法高估或低估了WEB服务实际的表现。
综上所述，考虑真实环境下WEB服务的动态性，提供一种能够准确预测WEB服务可靠性的方案已成为亟待解决的问题。
发明内容
有鉴于此，本发明实施例期望提供一种WEB服务成功执行率的预测方法及装置，能够准确的预测真实环境下WEB服务的成功执行率。
为达到上述目的，本发明实施例的技术方案是这样实现的：
本发明实施例提供了一种互联网WEB服务成功执行率的预测方法，所述方法包括：
依据WEB服务成功执行率的样本数据确定所述样本数据的对数增长序列；
对所述对数增长序列进行分类，并依据分类结果获取对数增长序列类之间的转移概率矩阵；
依据所述对数增长序列类之间的转移概率矩阵及所述样本数据确定所述WEB服务成功执行率的预测值。
上述方案中，所述依据WEB服务成功执行率的样本数据确定所述样本数据的对数增长序列包括：
依据WEB服务成功执行率的样本数据确定所述样本数据中的奇异点数据，依据所述奇异点数据及非奇异点数据得到相邻样本数据的增量序列，并依据所述增量序列获得所述样本数据的对数增长序列。
上述方案中，所述依据WEB服务成功执行率的样本数据确定所述样本数据中的奇异点数据，包括：
依据WEB服务成功执行率的样本数据sr(i)确定所述sr(i)序列的平均正变化强度Vp和平均负变化强度Vn；
其中，所述sr(i)为第i个WEB服务成功执行率的样本数据；所述i、j、m均为正整数；
确定
且
或者，
且的样本数据为奇异点数据；其中，所述co为预设常数。
上述方案中，依据所述奇异点数据及非奇异点数据得到相邻样本数据的增量序列，并依据所述增量序列获得所述样本数据的对数增长序列，包括：
依据所述奇异点数据及非奇异点数据得到相邻样本数据的增量序列cr(i)；
依据所述增量序列cr(i)获得所述样本数据的对数增长序列lcr(i)；
其中，所述i、x、n均为正整数。
上述方案中，所述对所述对数增长序列进行分类，并依据分类结果获取对数增长序列类之间的转移概率矩阵，包括：
将对数增长序列lcr(i)划分为p类，
其中，所述MIN为lcr(i)序列中最小值，MIN＝min{lcr(i)|1≤i＜(m-1)}；所述MAX为lcr(i)序列中最大值，MAX＝max{lcr(i)|1≤i＜(m-1)}；所述m为所述WEB服务成功执行率的样本数据个数；
依据分类结果获取对数增长序列第u类和第v类之间的转移概率矩阵TM(u,v,stp)；
其中，
所述mp(x)表示lcr(x)所在的对数增长序列类；当
时，mp(x)＝u；1≤u≤p，1≤v≤p，1≤stp≤m-1；所述u、v、p、stp均为正整数；
所述IJCOUNT(u,v,x,stp)表示是否满足“lcr(x)在对数增长序列第u类中且lcr(x+stp)在对数增长序列第v类中”的条件；所述ICOUNT(u,x)表示lcr(x)是否在对数增长序列第u类中。
上述方案中，所述依据所述对数增长序列类之间的转移概率矩阵及所述样本数据确定所述WEB服务成功执行率的预测值，包括：
依据对数增长序列第u类和第v类之间的转移概率矩阵TM(u,v,stp)确定每个对数增长序列类的平均转移增量inc(u,stp)；
其中，1≤u≤p，1≤stp≤m-1；所述p为所述对数增长序列的类别数目；所述MIN为对数增长序列中最小值；所述MAX为对数增长序列中最大值；
依据所述平均转移增量inc(u,stp)获得WEB服务成功执行率的样本数据sr(x+stp)相对于sr(x)的指数增量平均差值EINC(x,stp)；
依据所述EINC(x,stp)及所述样本数据确定所述WEB服务成功执行率的预测值PRSR；
本发明实施例还提供了一种WEB服务成功执行率的预测装置，所述装置包括：确定模块、获取模块及预测模块；其中，
所述确定模块，用于依据WEB服务成功执行率的样本数据确定所述样本数据的对数增长序列；
所述获取模块，用于对所述对数增长序列进行分类，并依据分类结果获取对数增长序列类之间的转移概率矩阵；
所述预测模块，用于依据所述对数增长序列类之间的转移概率矩阵及所述样本数据确定所述WEB服务成功执行率的预测值。
上述方案中，所述确定模块，具体用于依据WEB服务成功执行率的样本数据确定所述样本数据中的奇异点数据，依据所述奇异点数据及非奇异点数据得到相邻样本数据的增量序列，并依据所述增量序列获得所述样本数据的对数增长序列。
上述方案中，所述确定模块，具体用于依据WEB服务成功执行率的样本数据sr(i)确定所述sr(i)序列的平均正变化强度Vp和平均负变化强度Vn；
其中，所述sr(i)为第i个WEB服务成功执行率的样本数据；所述i、j、m均为正整数；
确定
且
或者，
且
的样本数据为奇异点数据；其中，所述co为预设常数。
上述方案中，所述确定模块，具体用于依据所述奇异点数据及非奇异点数据得到相邻样本数据的增量序列cr(i)；
依据所述增量序列cr(i)获得所述样本数据的对数增长序列lcr(i)；
其中，所述i、x、n均为正整数。
上述方案中，所述获取模块，具体用于将对数增长序列lcr(i)划分为p类，
其中，所述MIN为lcr(i)序列中最小值，MIN＝min{lcr(i)|1≤i＜(m-1)}；所述MAX为lcr(i)序列中最大值，MAX＝max{lcr(i)|1≤i＜(m-1)}；所述m表示所述WEB服务成功执行率的样本数据个数；
依据分类结果获取对数增长序列第u类和第v类之间的转移概率矩阵TM(u,v,stp)；
其中，
所述mp(x)表示lcr(x)所在的对数增长序列类；当
时，mp(x)＝u；1≤u≤p，1≤v≤p，1≤stp≤m-1；所述u、v、p、stp均为正整数；
所述IJCOUNT(u,v,x,stp)表示是否满足“lcr(x)在对数增长序列第u类中且lcr(x+stp)在对数增长序列第v类中”的条件；所述ICOUNT(u,x)表示lcr(x)是否在对数增长序列第u类中。
上述方案中，所述预测模块，具体用于依据对数增长序列第u类和第v类之间的转移概率矩阵TM(u,v,stp)确定每个对数增长序列类的平均转移增量inc(u,stp)；
其中，1≤u≤p，1≤stp≤m-1；所述p为所述对数增长序列的类别数目；所述MIN为对数增长序列中最小值；所述MAX为对数增长序列中最大值；
依据所述平均转移增量inc(u,stp)获得WEB服务成功执行率的样本数据sr(x+stp)相对于sr(x)的指数增量平均差值EINC(x,stp)；
依据所述EINC(x,stp)及所述样本数据确定所述WEB服务成功执行率的预测值PRSR；
本发明实施例所提供的WEB服务成功执行率的预测方法及装置，依据WEB服务成功执行率的样本数据确定所述样本数据的对数增长序列；对所述对数增长序列进行分类，并依据分类结果获取对数增长序列类之间的转移概率矩阵；依据所述对数增长序列类之间的转移概率矩阵及所述样本数据确定所述WEB服务成功执行率的预测值；如此，能够准确的预测真实环境下WEB服务的成功执行率。
附图说明
图1为本发明实施例一WEB服务成功执行率的预测方法流程示意图；
图2为本发明实施例二WEB服务成功执行率的预测方法流程示意图；
图3为本发明实施例WEB服务成功执行率实测值与预测值的对比关系示意图
图4为本发明实施例WEB服务成功执行率的预测装置组成结构示意图。
具体实施方式
在本发明实施例中，依据WEB服务成功执行率的样本数据确定所述样本数据的对数增长序列；对所述对数增长序列进行分类，并依据分类结果获取对数增长序列类之间的转移概率矩阵；依据所述对数增长序列类之间的转移概率矩阵及所述样本数据确定所述WEB服务成功执行率的预测值。
图1为本发明实施例一WEB服务成功执行率的预测方法流程示意图，如图1所示，本发明实施例WEB服务成功执行率的预测方法包括：
步骤101：依据WEB服务成功执行率的样本数据确定所述样本数据的对数增长序列；
本步骤之前，所述方法还包括：采集所述WEB服务成功执行率的样本数据；
这里，所述WEB服务成功执行率表示了向所需的WEB服务发起调用和执行请求后，服务成功响应并最终完成执行任务的概率，与成功连接率不同，所述成功连接率表示向所需的WEB服务发起调用和执行请求后，服务成功响应调用请求的概率；但是，WEB服务的成功执行以成功连接为基础，若连接失败，自然不可能实现最终的成功执行；
所述采集所述WEB服务成功执行率的样本数据包括：采集模块通过简单对象访问协议(SOAP，Simple Object Access Protocol)用户界面(UI，User Interface)平台获取所述WEB服务成功执行率的样本数据，具体为所述SOAP UI平台向目标WEB服务发起调用和执行请求，对目标WEB服务进行一段时间的连续调用和执行测试，获得测试结果，依据所述测试结果获得所述WEB服务成功执行率的样本数据，并将所述样本数据发送给所述采集模块；所述目标WEB服务由URL地址确定；
其中，所述调用和执行请求包括：测试时间、测试模式等；所述测试时间具体可依据实际需要进行设置，在一实施例中所述测试时间为30分钟；所述测试模式可以为：单用户串行调用，每次测试得到返回结果后不等待即发起新一轮的测试；
所述测试结果包括：连接失败、连接成功但服务无法成功响应、连接成功且服务成功响应；
所述依据所述测试结果获得所述WEB服务成功执行率的样本数据包括：
将所述测试结果进行分组，每组中包括n个测试结果，计算每组的WEB服务成功执行率，并取前m个组的WEB服务成功执行率数据为样本数据，所述样本数据记为sr(i)；这里，1≤i≤m，且i为正整数；所述n、m均为正整数，具体数值可依据实际需要进行设置，优选的，所述n∈[10,100]，m∈[10,150]，在一实施例中，n取50，m取128；
所述sr(i)对应的时间戳为t(i)，所述t(i)为获得所述sr(i)对应的测试结果组的n次测试结果的平均时间。
进一步的，所述依据WEB服务成功执行率的样本数据确定所述样本数据的对数增长序列包括：
依据WEB服务成功执行率的样本数据确定所述样本数据中的奇异点数据，依据所述奇异点数据及非奇异点数据得到相邻样本数据的增量序列，并依据所述增量序列获得所述样本数据的对数增长序列；
其中，所述奇异点数据为在所述WEB服务运行时受到系统因素或非系统因素影响而产生的明显脱离整体变化规律的成功执行率的样本数据；所述系统因素包括：消息延迟、连接带宽、运算资源冲突等；所述非系统因素包括：偶发失效、消息丢失等；
所述依据WEB服务成功执行率的样本数据确定所述样本数据中的奇异点数据，包括：
依据WEB服务成功执行率的样本数据sr(i)确定所述sr(i)序列的平均正变化强度Vp和平均负变化强度Vn；
其中，所述sr(i)为第i个WEB服务成功执行率的样本数据；所述i、j、m均为正整数；
确定
且
或者，
且的样本数据为奇异点数据；其中，所述co为预设常数，1＜co＜∞，优选的，所述co∈[10,100]。
进一步的，所述依据所述奇异点数据及非奇异点数据得到相邻样本数据的增量序列，并依据所述增量序列获得所述样本数据的对数增长序列，包括：
依据所述奇异点数据及非奇异点数据得到相邻样本数据的增量序列cr(i)；
这里，所述相邻样本数据的增量序列cr(i)表示了若相邻两个WEB服务成功执行率的样本数据均非奇异点数据，则可直接利用其差值表示相邻样本数据的增量；若相邻两个WEB服务成功执行率的样本数据中存在奇异点，则利用所述相邻两样本数据前的最小值与所述相邻两样本数据后的最大值的差值与所述sr(i)对应的测试结果组包含的测试结果的数目n的比值，表示相邻样本数据的增量；所述i、x、n均为正整数；
依据所述增量序列cr(i)获得所述样本数据的对数增长序列lcr(i)；
步骤102：对所述对数增长序列进行分类，并依据分类结果获取对数增长序列类之间的转移概率矩阵；
这里，对所述对数增长序列进行分类包括：
将对数增长序列lcr(i)划分为p类，所述p值依据下取整公式
取整数；
其中，所述MIN为lcr(i)序列中最小值，MIN＝min{lcr(i)|1≤i＜(m-1)}；所述MAX为lcr(i)序列中最大值，MAX＝max{lcr(i)|1≤i＜(m-1)}；所述m为所述WEB服务成功执行率的样本数据个数；
依据分类结果获取对数增长序列类之间的转移概率矩阵包括：
依据分类结果获取对数增长序列第u类和第v类之间的多步转移概率矩阵TM(u,v,stp)；所述stp表示步数，例如：当stp为1的时候，考虑的是相邻两个对数增长序列值的关系，当stp为n的时候，考虑的是间隔n个数据的两个对数增长序列值的关系；
其中，
所述mp(x)为lcr(x)到某一个对数增长序列类的映射函数，表示lcr(x)落在的对数增长序列类；当时，mp(x)＝u，即所述lcr(x)处于第u类；1≤u≤p，1≤v≤p，1≤stp≤m-1；所述u、v、p、stp均为正整数；
所述IJCOUNT(u,v,x,stp)为一个真假记号，表示是否满足“lcr(x)在对数增长序列第u类中且lcr(x+stp)在对数增长序列第v类中”的条件；所述ICOUNT(u,x)也是一个真假记号，表示lcr(x)是否在对数增长序列第u类中。
步骤103：依据所述对数增长序列类之间的转移概率矩阵及所述样本数据确定所述WEB服务成功执行率的预测值；
本步骤具体包括：依据对数增长序列第u类和第v类之间的转移概率矩阵TM(u,v,stp)确定每个对数增长序列类的平均转移增量inc(u,stp)；
其中，1≤u≤p，1≤stp≤m-1；所述p为所述对数增长序列的类别数目；所述MIN为对数增长序列中最小值；所述MAX为对数增长序列中最大值；
依据所述平均转移增量inc(u,stp)获得WEB服务成功执行率的样本数据sr(x+stp)相对于sr(x)的指数增量平均差值EINC(x,stp)；
依据所述EINC(x,stp)及所述样本数据确定所述WEB服务成功执行率的预测值PRSR；
图2为本发明实施例二WEB服务成功执行率的预测方法流程示意图；如图2所示，本发明实施例WEB服务成功执行率的预测方法包括：
步骤201：采集WEB服务成功执行率的样本数据；
这里，所述WEB服务成功执行率表示了向所需的WEB服务发起调用和执行请求后，服务成功响应并最终完成执行任务的概率，与成功连接率不同，所述成功连接率表示向所需的WEB服务发起调用和执行请求后，服务成功响应调用请求的概率；但是，WEB服务的成功执行以成功连接为基础，若连接失败，自然不可能实现最终的成功执行；
所述采集所述WEB服务成功执行率的样本数据包括：采集模块通过简单对象访问协议(SOAP，Simple Object Access Protocol)用户界面(UI，User Interface)平台获取所述WEB服务成功执行率的样本数据，具体为所述SOAP UI平台向目标WEB服务发起调用和执行请求，对目标WEB服务进行一段时间的连续调用和执行测试，获得测试结果，依据所述测试结果获得所述WEB服务成功执行率的样本数据，并将所述样本数据发送给所述采集模块；所述目标WEB服务由URL地址确定，在本发明实施例中，所述WEB服务为一个提供天气信息的WEB服务，所述WEB服务的URL地址为http://www.WEBservicex.net/globalweather.asmx？WSDL；
其中，所述调用和执行请求包括：测试时间、测试模式等；所述测试时间具体可依据实际需要进行设置，在一实施例中所述测试时间为30分钟；所述测试模式可以为：单用户串行调用，每次测试得到返回结果后不等待即发起新一轮的测试；
所述测试结果包括：连接失败、连接成功但服务无法成功响应、连接成功且服务成功响应；
所述依据所述测试结果获得所述WEB服务成功执行率的样本数据包括：
将所述测试结果进行分组，每组中包括n个测试结果，计算每组的WEB服务成功执行率，并取前m个组的WEB服务成功执行率数据为样本数据，所述样本数据记为sr(i)；这里，1≤i≤m，且i为正整数；所述n、m均为正整数，具体数值可依据实际需要进行设置，优选的，所述n∈[10,100]，m∈[10,150]，在本实施例中，n取50，m取100；另取28个样本数据用于验证；如图3所示为本发明实施例WEB服务成功执行率实测值与预测值的对比关系示意图；
所述sr(i)对应的时间戳为t(i)，所述t(i)为获得所述sr(i)对应的测试结果组的n次测试结果的平均时间。
步骤202：依据WEB服务成功执行率的样本数据确定所述样本数据的对数增长序列；
本步骤具体包括：依据WEB服务成功执行率的样本数据确定所述样本数据中的奇异点数据，依据所述奇异点数据及非奇异点数据得到相邻样本数据的增量序列，并依据所述增量序列获得所述样本数据的对数增长序列；
其中，所述奇异点数据为在所述WEB服务运行时受到系统因素或非系统因素影响而产生的明显脱离整体变化规律的成功执行率的样本数据；所述系统因素包括：消息延迟、连接带宽、运算资源冲突等；所述非系统因素包括：偶发失效、消息丢失等；
所述依据WEB服务成功执行率的样本数据确定所述样本数据中的奇异点数据，包括：
依据WEB服务成功执行率的样本数据sr(i)确定所述sr(i)序列的平均正变化强度Vp和平均负变化强度Vn；
其中，所述sr(i)为第i个WEB服务成功执行率的样本数据；所述i、j、m均为正整数；
确定
且
或者，
且
的样本数据为奇异点数据；其中，所述co为预设常数，1＜co＜∞，优选的，所述co∈[10,100]。
进一步的，所述依据所述奇异点数据及非奇异点数据得到相邻样本数据的增量序列，并依据所述增量序列获得所述样本数据的对数增长序列，包括：
依据所述奇异点数据及非奇异点数据得到相邻样本数据的增量序列cr(i)；
这里，所述相邻样本数据的增量序列cr(i)表示了若相邻两个WEB服务成功执行率的样本数据均非奇异点数据，则可直接利用其差值表示相邻样本数据的增量；若相邻两个WEB服务成功执行率的样本数据中存在奇异点，则利用所述相邻两样本数据前的最小值与所述相邻两样本数据后的最大值的差值与所述sr(i)对应的测试结果组包含的测试结果的数目n的比值，表示相邻样本数据的增量；所述i、x、n均为正整数；
依据所述增量序列cr(i)获得所述样本数据的对数增长序列lcr(i)；
步骤203：对所述对数增长序列进行分类，并依据分类结果获取对数增长序列类之间的转移概率矩阵；
这里，对所述对数增长序列进行分类包括：
将对数增长序列lcr(i)划分为p类，所述p值依据下取整公式取整数；
其中，所述MIN为lcr(i)序列中最小值，MIN＝min{lcr(i)|1≤i＜(m-1)}；所述MAX为lcr(i)序列中最大值，MAX＝max{lcr(i)|1≤i＜(m-1)}；所述m为所述WEB服务成功执行率的样本数据个数；
依据分类结果获取对数增长序列类之间的转移概率矩阵包括：
依据分类结果获取对数增长序列第u类和第v类之间的多步转移概率矩阵TM(u,v,stp)；所述stp表示步数，例如：当stp为1的时候，考虑的是相邻两个对数增长序列值的关系，当stp为n的时候，考虑的是间隔n个数据的两个对数增长序列值的关系；
其中，
所述mp(x)为lcr(x)到某一个对数增长序列类的映射函数，表示lcr(x)落在的对数增长序列类；当
时，mp(x)＝u，即所述lcr(x)处于第u类；1≤u≤p，1≤v≤p，1≤stp≤m-1；所述u、v、p、stp均为正整数；
所述IJCOUNT(u,v,x,stp)为一个真假记号，表示是否满足“lcr(x)在对数增长序列第u类中且lcr(x+stp)在对数增长序列第v类中”的条件；所述ICOUNT(u,x)也是一个真假记号，表示lcr(x)是否在对数增长序列第u类中。
步骤204：依据所述对数增长序列类之间的转移概率矩阵及所述样本数据确定所述WEB服务成功执行率的预测值；
本步骤具体包括：依据对数增长序列第u类和第v类之间的转移概率矩阵TM(u,v,stp)确定每个对数增长序列类的平均转移增量inc(u,stp)；
其中，1≤u≤p，1≤stp≤m-1；所述p为所述对数增长序列的类别数目；所述MIN为对数增长序列中最小值；所述MAX为对数增长序列中最大值；
依据所述平均转移增量inc(u,stp)获得WEB服务成功执行率的样本数据sr(x+stp)相对于sr(x)的指数增量平均差值EINC(x,stp)；
依据所述EINC(x,stp)及所述样本数据确定所述WEB服务成功执行率的预测值PRSR；
图4为本发明实施例WEB服务成功执行率的预测装置组成结构示意图；如图4所示，本发明实施例WEB服务成功执行率的预测装置组成包括：确定模块41、获取模块42及预测模块43；其中，
所述确定模块41，用于依据WEB服务成功执行率的样本数据确定所述样本数据的对数增长序列；
所述获取模块42，用于对所述对数增长序列进行分类，并依据分类结果获取对数增长序列类之间的转移概率矩阵；
所述预测模块43，用于依据所述对数增长序列类之间的转移概率矩阵及所述样本数据确定所述WEB服务成功执行率的预测值。
进一步的，所述装置还包括采集模块44，用于采集所述WEB服务成功执行率的样本数据；
所述采集模块44通过SOAP UI平台获取所述WEB服务成功执行率的样本数据，具体为所述SOAP UI平台向目标WEB服务发起调用和执行请求，对目标WEB服务进行一段时间的连续调用和执行测试，获得测试结果，依据所述测试结果获得所述WEB服务成功执行率的样本数据，并将所述样本数据发送给所述采集模块44；所述目标WEB服务由URL地址确定；
其中，所述调用和执行请求包括：测试时间、测试模式等；所述测试时间具体可依据实际需要进行设置，在一实施例中所述测试时间为30分钟；所述测试模式可以为：单用户串行调用，每次测试得到返回结果后不等待即发起新一轮的测试；
所述测试结果包括：连接失败、连接成功但服务无法成功响应、连接成功且服务成功响应；
所述依据所述测试结果获得所述WEB服务成功执行率的样本数据包括：
将所述测试结果进行分组，每组中包括n个测试结果，计算每组的WEB服务成功执行率，并取前m个组的WEB服务成功执行率数据为样本数据，所述样本数据记为sr(i)；这里，1≤i≤m，且i为正整数；所述n、m均为正整数，具体数值可依据实际需要进行设置，优选的，所述n∈[10,100]，m∈[10,150]，在一实施例中，n取50，m取128；
所述sr(i)对应的时间戳为t(i)，所述t(i)为获得所述sr(i)对应的测试结果组的n次测试结果的平均时间。
进一步的，所述确定模块41依据WEB服务成功执行率的样本数据确定所述样本数据的对数增长序列，包括：
所述确定模块41依据WEB服务成功执行率的样本数据确定所述样本数据中的奇异点数据，依据所述奇异点数据及非奇异点数据得到相邻样本数据的增量序列，并依据所述增量序列获得所述样本数据的对数增长序列；
其中，所述确定模块41依据WEB服务成功执行率的样本数据确定所述样本数据中的奇异点数据，包括：
所述确定模块41依据WEB服务成功执行率的样本数据sr(i)确定所述sr(i)序列的平均正变化强度Vp和平均负变化强度Vn；
其中，所述sr(i)为第i个WEB服务成功执行率的样本数据；所述i、j、m均为正整数；
确定
且
或者，
且
的样本数据为奇异点数据；其中，所述co为预设常数。
所述确定模块41依据所述奇异点数据及非奇异点数据得到相邻样本数据的增量序列，并依据所述增量序列获得所述样本数据的对数增长序列，包括：
所述确定模块41依据所述奇异点数据及非奇异点数据得到相邻样本数据的增量序列cr(i)；
依据所述增量序列cr(i)获得所述样本数据的对数增长序列lcr(i)；
其中，所述i、x、n均为正整数。
进一步的，所述获取模块42对所述对数增长序列进行分类，并依据分类结果获取对数增长序列类之间的转移概率矩阵，包括：
所述获取模块42将对数增长序列lcr(i)划分为p类，
其中，所述MIN为lcr(i)序列中最小值，MIN＝min{lcr(i)|1≤i＜(m-1)}；所述MAX为lcr(i)序列中最大值，MAX＝max{lcr(i)|1≤i＜(m-1)}；所述m表示所述WEB服务成功执行率的样本数据个数；
依据分类结果获取对数增长序列第u类和第v类之间的转移概率矩阵TM(u,v,stp)；
其中，
所述mp(x)表示lcr(x)所在的对数增长序列类；当时，mp(x)＝u；1≤u≤p，1≤v≤p，1≤stp≤m-1；所述u、v、p、stp均为正整数；
所述IJCOUNT(u,v,x,stp)表示是否满足“lcr(x)在对数增长序列第u类中且lcr(x+stp)在对数增长序列第v类中”的条件；所述ICOUNT(u,x)表示lcr(x)是否在对数增长序列第u类中。
进一步的，所述预测模块43依据所述对数增长序列类之间的转移概率矩阵及所述样本数据确定所述WEB服务成功执行率的预测值，包括：
所述预测模块43依据对数增长序列第u类和第v类之间的转移概率矩阵TM(u,v,stp)确定每个对数增长序列类的平均转移增量inc(u,stp)；
其中，1≤u≤p，1≤stp≤m-1；所述p为所述对数增长序列的类别数目；所述MIN为对数增长序列中最小值；所述MAX为对数增长序列中最大值；
依据所述平均转移增量inc(u,stp)获得WEB服务成功执行率的样本数据sr(x+stp)相对于sr(x)的指数增量平均差值EINC(x,stp)；
依据所述EINC(x,stp)及所述样本数据确定所述WEB服务成功执行率的预测值PRSR；
在本发明实施例中，所述确定模块41、获取模块42、预测模块43及采集模块44均可由服务器中的中央处理器(CPU，Central Processing Unit)或数字信号处理器(DSP，Digital Signal Processor)、或现场可编程门阵列(FPGA，Field Programmable GateArray)实现。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。
Claims (10)
1.一种互联网WEB服务成功执行率的预测方法，其特征在于，所述方法包括：
依据WEB服务成功执行率的样本数据确定所述样本数据的对数增长序列；
对所述对数增长序列进行分类，并依据分类结果获取对数增长序列类之间的转移概率矩阵；
依据对数增长序列第u类和第v类之间的转移概率矩阵TM(u,v,stp)确定每个对数增长序列类的平均转移增量inc(u,stp)；
其中，1≤u≤p，1≤stp≤m-1；所述p为所述对数增长序列的类别数目；所述MIN为对数增长序列中最小值；所述MAX为对数增长序列中最大值；
依据所述平均转移增量inc(u,stp)获得WEB服务成功执行率的样本数据sr(x+stp)相对于sr(x)的指数增量平均差值EINC(x,stp)；
依据所述EINC(x,stp)及所述样本数据确定所述WEB服务成功执行率的预测值PRSR；
所述m为所述WEB服务成功执行率的样本数据个数；所述mp(x)表示对数增长序列lcr(x)所在的对数增长序列类；所述stp表示步数；所述x表示第x个测试。
2.根据权利要求1所述方法，其特征在于，所述依据WEB服务成功执行率的样本数据确定所述样本数据的对数增长序列包括：
依据WEB服务成功执行率的样本数据确定所述样本数据中的奇异点数据，依据所述奇异点数据及非奇异点数据得到相邻样本数据的增量序列，并依据所述增量序列获得所述样本数据的对数增长序列。
3.根据权利要求2所述方法，其特征在于，所述依据WEB服务成功执行率的样本数据确定所述样本数据中的奇异点数据，包括：
依据WEB服务成功执行率的样本数据sr(i)确定所述sr(i)序列的平均正变化强度Vp和平均负变化强度Vn；
其中，所述sr(i)为第i个WEB服务成功执行率的样本数据；所述sr(i)对应的时间戳为t(i)；所述i、j、m均为正整数；
确定
且
或者，且
的样本数据为奇异点数据；其中，所述co为预设常数。
4.根据权利要求3所述方法，其特征在于，依据所述奇异点数据及非奇异点数据得到相邻样本数据的增量序列，并依据所述增量序列获得所述样本数据的对数增长序列，包括：
依据所述奇异点数据及非奇异点数据得到相邻样本数据的增量序列cr(i)；
依据所述增量序列cr(i)获得所述样本数据的对数增长序列lcr(i)；
其中，所述n为测试组包含的测试结果的数目；所述i、x、n均为正整数。
5.根据权利要求1或2所述方法，其特征在于，所述对所述对数增长序列进行分类，并依据分类结果获取对数增长序列类之间的转移概率矩阵，包括：
将对数增长序列lcr(i)划分为p类，
其中，所述MIN为lcr(i)序列中最小值，MIN＝min{lcr(i)|1≤i<(m-1)}；所述MAX为lcr(i)序列中最大值，MAX＝max{lcr(i)|1≤i<(m-1)}；所述m为所述WEB服务成功执行率的样本数据个数；
依据分类结果获取对数增长序列第u类和第v类之间的转移概率矩阵TM(u,v,stp)；
其中，
所述mp(x)表示lcr(x)所在的对数增长序列类；当
时，mp(x)＝u；1≤u≤p，1≤v≤p，1≤stp≤m-1；所述stp表示步数；所述u、v、p、stp均为正整数；
所述IJCOUNT(u,v,x,stp)表示是否满足lcr(x)在对数增长序列第u类中且lcr(x+stp)在对数增长序列第v类中的条件；所述ICOUNT(u,x)表示lcr(x)是否在对数增长序列第u类中。
6.一种WEB服务成功执行率的预测装置，其特征在于，所述装置包括：确定模块、获取模块及预测模块；其中，
所述确定模块，用于依据WEB服务成功执行率的样本数据确定所述样本数据的对数增长序列；
所述获取模块，用于对所述对数增长序列进行分类，并依据分类结果获取对数增长序列类之间的转移概率矩阵；
所述预测模块，具体用于依据对数增长序列第u类和第v类之间的转移概率矩阵TM(u,v,stp)确定每个对数增长序列类的平均转移增量inc(u,stp)；
其中，1≤u≤p，1≤stp≤m-1；所述p为所述对数增长序列的类别数目；所述MIN为对数增长序列中最小值；所述MAX为对数增长序列中最大值；
依据所述平均转移增量inc(u,stp)获得WEB服务成功执行率的样本数据sr(x+stp)相对于sr(x)的指数增量平均差值EINC(x,stp)；
依据所述EINC(x,stp)及所述样本数据确定所述WEB服务成功执行率的预测值PRSR；
所述m为所述WEB服务成功执行率的样本数据个数；所述mp(x)表示对数增长序列lcr(x)所在的对数增长序列类；所述stp表示步数；所述x表示第x个测试。
7.根据权利要求6所述装置，其特征在于，所述确定模块，具体用于依据WEB服务成功执行率的样本数据确定所述样本数据中的奇异点数据，依据所述奇异点数据及非奇异点数据得到相邻样本数据的增量序列，并依据所述增量序列获得所述样本数据的对数增长序列。
8.根据权利要求7所述装置，其特征在于，所述确定模块，具体用于依据WEB服务成功执行率的样本数据sr(i)确定所述sr(i)序列的平均正变化强度Vp和平均负变化强度Vn；
其中，所述sr(i)为第i个WEB服务成功执行率的样本数据；所述sr(i)对应的时间戳为t(i)；所述i、j、m均为正整数；
确定
且
或者，且
的样本数据为奇异点数据；其中，所述co为预设常数。
9.根据权利要求8所述装置，其特征在于，所述确定模块，具体用于依据所述奇异点数据及非奇异点数据得到相邻样本数据的增量序列cr(i)；
依据所述增量序列cr(i)获得所述样本数据的对数增长序列lcr(i)；
其中，所述n为测试组包含的测试结果的数目；所述i、x、n均为正整数。
10.根据权利要求6或7所述装置，其特征在于，所述获取模块，具体用于将对数增长序列lcr(i)划分为p类，
其中，所述MIN为lcr(i)序列中最小值，MIN＝min{lcr(i)|1≤i<(m-1)}；所述MAX为lcr(i)序列中最大值，MAX＝max{lcr(i)|1≤i<(m-1)}；所述m表示所述WEB服务成功执行率的样本数据个数；
依据分类结果获取对数增长序列第u类和第v类之间的转移概率矩阵TM(u,v,stp)；
其中，
所述mp(x)表示lcr(x)所在的对数增长序列类；当
时，mp(x)＝u；1≤u≤p，1≤v≤p，1≤stp≤m-1；所述stp表示步数；所述u、v、p、stp均为正整数；
所述IJCOUNT(u,v,x,stp)表示是否满足lcr(x)在对数增长序列第u类中且lcr(x+stp)在对数增长序列第v类中的条件；所述ICOUNT(u,x)表示lcr(x)是否在对数增长序列第u类中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510078158.5A CN105991719B (zh) | 2015-02-13 | 2015-02-13 | 一种互联网服务成功执行率的预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510078158.5A CN105991719B (zh) | 2015-02-13 | 2015-02-13 | 一种互联网服务成功执行率的预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105991719A CN105991719A (zh) | 2016-10-05 |
| CN105991719B true CN105991719B (zh) | 2020-01-24 |
Family
ID=57041369
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510078158.5A Active CN105991719B (zh) | 2015-02-13 | 2015-02-13 | 一种互联网服务成功执行率的预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105991719B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102739469A (zh) * | 2012-05-28 | 2012-10-17 | 重庆大学 | 一种基于时间序列的Web服务响应时间预测方法 |
| CN102801581A (zh) * | 2012-07-16 | 2012-11-28 | 重庆大学 | 一种web服务连接成功率的预测方法 |
| CN102930346A (zh) * | 2012-10-15 | 2013-02-13 | 夏云霓 | 一种soa服务平均故障间隔时间预测方法 |
| CN103647673A (zh) * | 2013-12-24 | 2014-03-19 | 博元森禾信息科技（北京）有限公司 | Web服务的服务质量QoS预测方法和装置 |
| CN104283934A (zh) * | 2013-07-12 | 2015-01-14 | 中国移动通信集团重庆有限公司 | 一种基于可靠性预测的web服务推送方法、装置及服务器 |
-
2015
- 2015-02-13 CN CN201510078158.5A patent/CN105991719B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102739469A (zh) * | 2012-05-28 | 2012-10-17 | 重庆大学 | 一种基于时间序列的Web服务响应时间预测方法 |
| CN102801581A (zh) * | 2012-07-16 | 2012-11-28 | 重庆大学 | 一种web服务连接成功率的预测方法 |
| CN102930346A (zh) * | 2012-10-15 | 2013-02-13 | 夏云霓 | 一种soa服务平均故障间隔时间预测方法 |
| CN104283934A (zh) * | 2013-07-12 | 2015-01-14 | 中国移动通信集团重庆有限公司 | 一种基于可靠性预测的web服务推送方法、装置及服务器 |
| CN103647673A (zh) * | 2013-12-24 | 2014-03-19 | 博元森禾信息科技（北京）有限公司 | Web服务的服务质量QoS预测方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105991719A (zh) | 2016-10-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109918205B (zh) | 一种边缘设备调度方法、系统、装置及计算机存储介质 | |
| WO2017127976A1 (zh) | 一种用于增量式学习云系统的训练、调度方法及相关设备 | |
| CN107733967B (zh) | 推送信息的处理方法、装置、计算机设备和存储介质 | |
| CN108234247B (zh) | 一种检测网络质量的方法和系统 | |
| CN106648557B (zh) | 一种应用程序编程接口api的分享方法和装置 | |
| CN109167812B (zh) | 评估服务质量、确定调整策略的方法、服务器及存储介质 | |
| CN110572297A (zh) | 网络性能的评估方法、服务器及存储介质 | |
| WO2022213565A1 (zh) | 一种人工智能模型预测结果的复审方法及装置 | |
| CN110221953A (zh) | 测试结果分析方法、装置、服务器及存储介质 | |
| CN111753875A (zh) | 一种电力信息系统运行趋势分析方法、装置及存储介质 | |
| CN112994960B (zh) | 业务数据异常检测方法、装置及计算设备 | |
| CN110175655B (zh) | 数据识别方法及装置、存储介质及电子设备 | |
| CN113342604B (zh) | 内存使用率的检测方法、装置、终端及存储介质 | |
| CN112596985B (zh) | 一种it资产探测方法、装置、设备和介质 | |
| CN105991719B (zh) | 一种互联网服务成功执行率的预测方法及装置 | |
| CN115037625B (zh) | 网络切片处理方法、装置、电子设备及可读存储介质 | |
| CN114257523B (zh) | 用户感知预测方法、系统、设备和计算机存储介质 | |
| CN114116128B (zh) | 容器实例的故障诊断方法、装置、设备和存储介质 | |
| CN113780666B (zh) | 一种缺失值的预测方法及装置、可读存储介质 | |
| CN113032225B (zh) | 数据中心的监控数据处理方法、装置、设备及存储介质 | |
| CN107357703A (zh) | 一种终端应用耗电检测方法及服务器 | |
| CN113746665A (zh) | 日志数据处理方法、装置、计算机程序产品及存储介质 | |
| CN113824646A (zh) | 一种慢启动控制方法、装置、电子设备和存储介质 | |
| CN113747506A (zh) | 一种资源调度方法、装置和网络系统 | |
| CN113315676B (zh) | 一种断链检测的方法、装置及电子设备 |
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 |