CN106293976A - 应用性能风险预测方法、装置和系统 - Google Patents
应用性能风险预测方法、装置和系统 Download PDFInfo
- Publication number
- CN106293976A CN106293976A CN201610669888.7A CN201610669888A CN106293976A CN 106293976 A CN106293976 A CN 106293976A CN 201610669888 A CN201610669888 A CN 201610669888A CN 106293976 A CN106293976 A CN 106293976A
- Authority
- CN
- China
- Prior art keywords
- application performance
- probability distribution
- distribution value
- achievement data
- early warning
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/008—Reliability or availability analysis
Abstract
本公开实施例公开了一种应用性能风险预测方法、装置和系统,涉及应用性能管理领域,该方法包括:查找当前应用性能指标数据所处的取值范围所对应的概率分布值;在查找到所对应的概率分布值时,判断所对应的概率分布值是否小于预设概率分布值;以及在所对应的概率分布值小于所述预设概率分布值时,确定发生了应用性能风险。本公开实施例能够提高应用性能风险告警的灵活性和准确性。
Description
技术领域
本公开涉及应用性能管理领域,具体地,涉及一种应用性能风险预测方法、装置和系统。
背景技术
目前,应用性能风险预测方法一般包括如下步骤:选择应用性能指标,然后定义该应用性能指标的告警阈值,然后监控应用性能指标数据,并在监控到的应用性能指标数据值超过告警阈值时进行告警。
然而,通过设置告警阈值进行告警的方式存在很大的局限性,因为某些异常无法通过简单的告警阈值来发现,这制约了应用性能风险告警的灵活性和准确性。
发明内容
本公开的目的是提供一种应用性能风险预测方法、装置和系统,其能够提高应用性能风险告警的灵活性和准确性。
为了实现上述目的,本公开实施例提供一种应用性能风险预测方法,该方法包括:
查找当前应用性能指标数据所处的取值范围所对应的概率分布值;
在查找到所对应的概率分布值时,判断所对应的概率分布值是否小于预设概率分布值;以及
在所对应的概率分布值小于所述预设概率分布值时,确定发生了应用性能风险。
可选地,根据本公开实施例的方法还包括:获取指标数据采集器实时采集到的应用性能指标数据;将所获取的应用性能指标数据存储在应用性能指标数据库中;以及计算所述应用性能指标数据库中的应用性能指标数据的取值范围的概率分布。
可选地,在确定发生了应用性能风险之后,根据本公开实施例的方法还包括:发送预警信号至预警处理器,以使所述预警处理器基于所述预警信号进行处理。
可选地,根据本公开实施例的方法还包括:在没有查找到所对应的概率分布值时,丢弃所述当前应用性能指标数据。
本公开实施例还提供一种应用性能风险预测装置,该装置包括:
查找模块,用于查找当前应用性能指标数据所处的取值范围所对应的概率分布值;
判断模块,用于在所述查找模块查找到所对应的概率分布值时,判断所对应的概率分布值是否小于预设概率分布值;以及
风险确定模块,用于在所对应的概率分布值小于所述预设概率分布值时,确定发生了应用性能风险。
可选地,根据本公开实施例的装置还包括:获取模块,用于获取指标数据采集器实时采集到的应用性能指标数据;存储模块,用于将所获取的应用性能指标数据存储在应用性能指标数据库中;以及概率分布计算模块,用于计算所述应用性能指标数据库中的应用性能指标数据的取值范围的概率分布。
可选地,根据本公开实施例的装置还包括:预警信号发送模块,用于在所述风险确定模块确定发生了应用性能风险之后发送预警信号至预警处理器,以使所述预警处理器基于所述预警信号进行处理。
可选地,根据本公开实施例的装置还包括:丢弃模块,用于在所述查找模块没有查找到所对应的概率分布值时,丢弃所述当前应用性能指标数据。
本公开实施例还提供一种应用性能风险预测系统,该系统包括:
指标数据采集器,用于实时采集应用性能指标数据;
应用性能指标数据库,用于存储所述应用性能指标数据;以及
上面描述的应用性能风险预测装置。
可选地,根据本公开实施例的系统还包括:预警处理器,用于从所述应用性能风险预测装置接收预警信号,并基于所述预警信号进行处理。
通过上述技术方案,由于根据本公开实施例的方法、装置和系统能够首先查找当前应用性能指标数据所处的取值范围所对应的概率分布值,然后在查找到所对应的概率分布值时判断所对应的概率分布值是否小于预设概率分布值,然后在所对应的概率分布值小于所述预设概率分布值时确定发生了应用性能风险,因此其能够有效地发现小概率事件的潜在风险,进而能够提高应用性能风险预测的灵活性和准确性。
本公开实施例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公开实施例的进一步理解,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公开实施例,但并不构成对本公开实施例的限制。在附图中:
图1是根据本公开一种实施例的应用性能风险预测方法的流程图;
图2是根据本公开又一实施例的应用性能风险预测方法的流程图;
图3是根据本公开又一实施例的应用性能风险预测方法的流程图;
图4是根据本公开一种实施例的应用性能风险预测装置的示意框图
图5是根据本公开又一实施例的应用性能风险预测装置的示意框图;以及
图6是根据本公开一种实施例的应用性能风险预测系统的示意框图。
具体实施方式
以下结合附图对本公开实施例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公开实施例,并不用于限制本公开实施例。
如图1所示,本公开实施例提供一种应用性能风险预测方法,该方法可以包括以下步骤S101至步骤S103。
在步骤S101中,查找当前应用性能指标数据所处的取值范围所对应的概率分布值。
这里所述的当前应用性能指标数据指的是最新的应用性能指标数据。
应用性能指标可以包括但不限于以下所示的指标: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(HyperText Transfer Protocol,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(Structured Query Language,结构化查询语言)执行数(ART_sql)、http请求(HttpRequest)等等。本领域技术人员应当理解的是,以上应用性能指标仅是示例。实际上,由于应用的种类多种多样,因此应用性能指标也是多种多样的。
另外,在步骤S101中,可以首先确定当前应用性能指标数据位于哪个取值范围内,然后查找该取值范围所对应的概率分布值。
例如,假设应用性能指标数据的取值范围有三个,即a-b,b-c,c-d,其中a-b取值范围所对应的概率分布值为p1,b-c取值范围所对应的概率分布值为p2,c-d取值范围所对应的概率分布值为p3,再假设当前应用性能指标数据D位于a-b的范围内,则在步骤S101中可以确定当前应用性能指标数据D所处的取值范围所对应的概率分布值为p1。
在步骤S102中,在查找到所对应的概率分布值时,判断所对应的概率分布值是否小于预设概率分布值。
在步骤S103中,在所对应的概率分布值小于所述预设概率分布值时,确定发生了应用性能风险。
通过采用步骤S101至步骤S103,由于首先查找当前应用性能指标数据所处的取值范围所对应的概率分布值,然后在查找到所对应的概率分布值时判断所对应的概率分布值是否小于预设概率分布值,然后在所对应的概率分布值小于所述预设概率分布值时确定发生了应用性能风险,因此其能够有效地发现小概率事件的潜在风险,进而能够提高应用性能风险预测的灵活性和准确性。另外,由于小概率事件是异常,因此本公开实施例是判断所对应的概率分布值是否小于预设概率分布值。
通常,随机事件的概率表示了随机事件在一次试验中出现的可能性大小。若随机事件的概率很小,例如小于0.05、0.01、0.001,则称之为小概率事件。小概率事件虽然不是不可能事件,但在一次试验中出现的可能性很小,不出现的可能性很大,以至于实际上可以看成是不可能发生的。例如,波形一直都是平稳抖动的,但是某一时刻突然出现了大的抖动,这种大的抖动就是小概率事件,采用现有的应用性能风险预测方法是很难对这种小概率事件进行预警的。但通过采用根据本公开实施例的基于概率分布的应用性能风险预测方式,则能够有效地对这种小概率事件进行预警,因此提高了应用性能风险预警的灵活性和准确性。
可选地,根据本公开实施例的应用性能风险预测方法的又一方面,如图2所示,该方法还可以包括以下步骤:
在步骤S201中,获取指标数据采集器实时采集到的应用性能指标数据;
在步骤S202中,将所获取的应用性能指标数据存储在应用性能指标数据库中;以及
在步骤S203中,计算所述应用性能指标数据库中的应用性能指标数据的取值范围的概率分布。
其中,概率分布可以采用等概率分布理论、贝叶斯定理、泊松分布理论等来计算。本领域技术人员应当理解的是,上述概率分布计算理论仅是示例性的而非穷举性的。实际上,本公开实施例对概率分布的计算方法不进行限制,只要能够实现概率分布的计算即可。
而且,随着应用性能指标数据的不断获取,应用性能指标数据库中存储的应用性能指标数据也会不断地更新,因此步骤S203中计算的概率分布也就越具有实际价值,根据本公开实施例的应用性能风险预测也就越准确。
另外,虽然在图2中,步骤S201至步骤S203位于步骤S101至步骤S103之前,但是实际上,在进行应用性能风险预测的过程中,步骤S201至步骤S203可以是一直在执行的。
可选地,在在步骤S103中确定发生了应用性能风险之后,如图2所示,根据本公开实施例的方法还可以包括步骤S104,也即发送预警信号至预警处理器,以使所述预警处理器基于所述预警信号进行处理。例如,预警处理器在接收到预警信号之后,可以基于该预警信号生成预警事件并进行报警,还可以存储所生成的预警事件。这样,就能够及时地向应用的管理员通知应用性能风险,以便于管理员及时地做出相应处理,也能够便于管理员后续查询预警事件。
可选地,根据本公开实施例的应用性能风险预测方法还可以包括:在没有查找到所对应的概率分布值时,丢弃所述当前应用性能指标数据值。这样,就能够继续进行应用性能风险预测。其中,没有查找到所对应的概率分布值可以是当前应用性能指标数据没有相对应的取值范围,还是以先前的a-b、b-c和c-d取值范围为例,假设当前应用性能指标数据D位于这三个取值范围之外,则不会查找到相应的概率分布值。
以下结合图3来详细描述根据本公开实施例的应用性能风险预测方法的另一示例性流程图。
首先,在步骤S301中,获取指标数据采集器实时采集到的应用性能指标数据,并将所获取的应用性能指标数据存储在应用性能指标数据库中。因此,随着应用性能指标数据的不断采集,应用性能指标数据库中的应用性能指标数据也会不断更新。
然后,在步骤S302中,计算所述应用性能指标数据库中的应用性能指标数据的取值范围的概率分布。
然后,在步骤S303中,查找当前应用性能指标数据所处的取值范围所对应的概率分布值。
然后,在步骤S304中,判断是否查找到所对应的概率分布值。如果查找到则转至步骤S305,如果没有查找到则转至步骤S308。
在步骤S305中,判断所对应的概率分布值是否小于预设概率分布值,如果大于,则转至步骤S301,如果小于则转至步骤S306。
在步骤S306中,确定发生了应用性能风险。
在步骤S307中,发送预警信号至预警处理器,以使所述预警处理器基于所述预警信号进行处理。
在步骤S308中,在没有查找到所对应的概率分布值时,丢弃所述当前应用性能指标数据并返回步骤S301。
通过采用步骤S301至步骤S308,能够提高应用性能风险预测的灵活性和准确性,尤其是能够提高小概率事件的风险预测灵活性和准确性。
本公开实施例还提供一种应用性能风险预测装置30,如图4所示,该装置可以包括查找模块302、判断模块303和风险确定模块304,以下对这些模块进行详细描述。
查找模块302,用于查找当前应用性能指标数据所处的取值范围所对应的概率分布值。这里的当前应用性能指标数据指的是最新的应用性能指标数据。
应用性能指标可以包括但不限于以下所示的指标: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(HyperText Transfer Protocol,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(Structured Query Language,结构化查询语言)执行数(ART_sql)、http请求(HttpRequest)等等。本领域技术人员应当理解的是,以上应用性能指标仅是示例。实际上,由于应用的种类多种多样,因此应用性能指标也是多种多样的。
另外,查找模块302可以首先确定当前应用性能指标数据位于哪个取值范围内,然后查找该取值范围所对应的概率分布值。
例如,假设当前应用性能指标数据的取值范围有三个,即a-b,b-c,c-d,其中a-b取值范围所对应的概率分布值为p1,b-c取值范围所对应的概率分布值为p2,c-d取值范围所对应的概率分布值为p3,再假设当前应用性能指标数据D位于a-b的范围内,则查找模块302可以确定当前应用性能指标数据D所处的取值范围所对应的概率分布值为p1。
判断模块303,用于在所述查找模块302查找到所对应的概率分布值时,判断所对应的概率分布值是否小于预设概率分布值。
风险确定模块304,用于在所对应的概率分布值小于所述预设概率分布值时,确定发生了应用性能风险
通过采用根据本公开实施例的应用性能风险预测装置30,由于查找模块302首先查找当前应用性能指标数据所处的取值范围所对应的概率分布值,然后判断模块303在查找模块302查找到所对应的概率分布值时判断所对应的概率分布值是否小于预设概率分布值,然后风险确定模块304在所对应的概率分布值小于所述预设概率分布值时确定发生了应用性能风险,因此其能够有效地发现小概率事件的潜在风险,进而能够提高应用性能风险预测的灵活性和准确性。
通常,随机事件的概率表示了随机事件在一次试验中出现的可能性大小。若随机事件的概率很小,例如小于0.05、0.01、0.001,则称之为小概率事件。小概率事件虽然不是不可能事件,但在一次试验中出现的可能性很小,不出现的可能性很大,以至于实际上可以看成是不可能发生的。例如,波形一直都是平稳抖动的,但是某一时刻突然出现了大的抖动,这种大的抖动就是小概率事件,采用现有的应用性能风险预测技术是很难对这种小概率事件进行预警的。但通过采用根据本公开实施例的基于概率分布的应用性能风险预测方式,则能够有效地对这种小概率事件进行预警,因此提高了应用性能风险预警的灵活性和准确性。
可选地,如图5所示,根据本公开实施例的应用性能风险预测装置30还可以包括:获取模块305,用于获取指标数据采集器实时采集到的应用性能指标数据;存储模块306,用于将所获取的应用性能指标数据存储在应用性能指标数据库中;以及概率分布计算模块301,用于计算所述应用性能指标数据库中的应用性能指标数据的取值范围的概率分布。由于,随着应用性能指标数据的不断获取,应用性能指标数据库中存储的应用性能指标数据也会不断地更新,因此概率分布计算模块301计算的概率分布也就越具有实际价值,根据本公开实施例的应用性能风险预测装置30的预测精度也就越高。
另外,概率分布计算模块301可以采用等概率分布理论、贝叶斯定理、泊松分布理论等来计算概率分布。本领域技术人员应当理解的是,上述概率分布计算理论仅是示例性的而非穷举性的。实际上,本公开实施例对概率分布的计算方法不进行限制,只要能够实现概率分布的计算即可。
可选地,如图5所示,根据本公开实施例的应用性能风险预测装置30还可以包括概率分布缓存模块307,用于缓存所述概率分布计算模块301计算的概率分布值。这样就便于应用管理员进行查阅和维护。
可选地,如图5所示,根据本公开实施例的应用性能风险预测装置30还可以包括:预警信号发送模块308,用于在所述风险确定模块304确定发生了应用性能风险之后发送预警信号至预警处理器,以使所述预警处理器基于所述预警信号进行处理。例如,预警处理器在接收到预警信号之后,可以基于该预警信号生成预警事件并进行报警,还可以存储所生成的预警事件。这样,就能够及时地向应用的管理员通知应用性能风险,以便于管理员及时地做出相应处理,也能够便于管理员后续查询预警事件。
可选地,如图5所示,根据本公开实施例的应用性能风险预测装置30还可以包括丢弃模块309,用于在所述查找模块302没有查找到所对应的概率分布值时,丢弃所述当前应用性能指标数据。这样,就使得根据本公开实施例的应用性能风险预测装置30能够继续进行应用性能风险预测。其中,查找模块302没有查找到所对应的概率分布值可以是当前应用性能指标数据值没有相对应的取值范围,还是以先前的a-b、b-c和c-d取值范围为例,假设当前应用性能指标数据D位于这三个取值范围之外,则查找模块302不会查找到相应的概率分布值。
根据本公开实施例的应用性能风险预测装置30中的各个模块执行操作的具体方式已经结合图1、图2和图3在根据本公开实施例的应用性能风险预测方法中进行了详细描述,此处将不做详细阐述说明。
本公开还提供一种应用性能风险预测系统,如图6所示,该系统可以包括:指标数据采集器601,用于实时采集应用性能指标数据;应用性能指标数据库603,用于存储所述应用性能指标数据;以及根据本公开实施例所述的应用性能风险预测装置30。以上已经详细描述了根据本公开实施例的应用性能风险预测装置30,此处不再赘述。
可选地,如图6所示,根据本公开实施例的系统还可以包括:预警处理器602,用于从所述应用性能风险预测装置30接收预警信号,并基于所述预警信号进行处理。例如,预警处理器602在接收到预警信号之后,可以基于该预警信号生成预警事件并进行报警,还可以存储所生成的预警事件。这样,就能够及时地向应用的管理员通知应用性能风险,以便于管理员及时地做出相应处理,也能够便于管理员后续查询预警事件。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
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,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (10)
1.一种应用性能风险预测方法,其特征在于,该方法包括:
查找当前应用性能指标数据所处的取值范围所对应的概率分布值;
在查找到所对应的概率分布值时,判断所对应的概率分布值是否小于预设概率分布值;以及
在所对应的概率分布值小于所述预设概率分布值时,确定发生了应用性能风险。
2.根据权利要求1所述的方法,其特征在于,该方法还包括:
获取指标数据采集器实时采集到的应用性能指标数据;
将所获取的应用性能指标数据存储在应用性能指标数据库中;以及
计算所述应用性能指标数据库中的应用性能指标数据的取值范围的概率分布。
3.根据权利要求1或2所述的方法,其特征在于,在确定发生了应用性能风险之后,该方法还包括:
发送预警信号至预警处理器,以使所述预警处理器基于所述预警信号进行处理。
4.根据权利要求1所述的方法,其特征在于,该方法还包括:
在没有查找到所对应的概率分布值时,丢弃所述当前应用性能指标数据。
5.一种应用性能风险预测装置,其特征在于,该装置包括:
查找模块,用于查找当前应用性能指标数据所处的取值范围所对应的概率分布值;
判断模块,用于在所述查找模块查找到所对应的概率分布值时,判断所对应的概率分布值是否小于预设概率分布值;以及
风险确定模块,用于在所对应的概率分布值小于所述预设概率分布值时,确定发生了应用性能风险。
6.根据权利要求5所述的装置,其特征在于,该装置还包括:
获取模块,用于获取指标数据采集器实时采集到的应用性能指标数据;
存储模块,用于将所获取的应用性能指标数据存储在应用性能指标数据库中;以及
概率分布计算模块,用于计算所述应用性能指标数据库中的应用性能指标数据的取值范围的概率分布。
7.根据权利要求5或6所述的装置,其特征在于,该装置还包括:
预警信号发送模块,用于在所述风险确定模块确定发生了应用性能风险之后发送预警信号至预警处理器,以使所述预警处理器基于所述预警信号进行处理。
8.根据权利要求5所述的装置,其特征在于,该装置还包括:
丢弃模块,用于在所述查找模块没有查找到所对应的概率分布值时,丢弃所述当前应用性能指标数据。
9.一种应用性能风险预测系统,其特征在于,该系统包括:
指标数据采集器,用于实时采集应用性能指标数据;
应用性能指标数据库,用于存储所述应用性能指标数据;以及
根据权利要求5至8中任一权利要求所述的应用性能风险预测装置。
10.根据权利要求9所述的系统,其特征在于,该系统还包括:
预警处理器,用于从所述应用性能风险预测装置接收预警信号,并基于所述预警信号进行处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610669888.7A CN106293976A (zh) | 2016-08-15 | 2016-08-15 | 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 |
---|---|---|---|
CN201610669888.7A CN106293976A (zh) | 2016-08-15 | 2016-08-15 | 应用性能风险预测方法、装置和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106293976A true CN106293976A (zh) | 2017-01-04 |
Family
ID=57670735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610669888.7A Pending CN106293976A (zh) | 2016-08-15 | 2016-08-15 | 应用性能风险预测方法、装置和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106293976A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108255673A (zh) * | 2017-12-29 | 2018-07-06 | 东软集团股份有限公司 | 应用程序占用资源的检测方法、装置和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101218786A (zh) * | 2005-07-11 | 2008-07-09 | 日本电气株式会社 | 通信网络故障检测系统、通信网络故障检测方法及故障检测程序 |
US20110184778A1 (en) * | 2010-01-27 | 2011-07-28 | Microsoft Corporation | Event Prediction in Dynamic Environments |
CN104063747A (zh) * | 2014-06-26 | 2014-09-24 | 上海交通大学 | 一种分布式系统中的性能异常预测方法及系统 |
CN104572391A (zh) * | 2013-10-16 | 2015-04-29 | 深圳市腾讯计算机系统有限公司 | 监控告警策略配置方法及装置、监控告警方法及装置 |
CN105279386A (zh) * | 2015-11-16 | 2016-01-27 | 拉扎斯网络科技(上海)有限公司 | 一种指标异常数据确定的方法及装置 |
CN105354092A (zh) * | 2015-11-19 | 2016-02-24 | 东软集团股份有限公司 | 一种应用性能风险预测方法、装置和系统 |
CN105843733A (zh) * | 2016-03-17 | 2016-08-10 | 北京邮电大学 | 一种大数据平台的性能检测方法及装置 |
-
2016
- 2016-08-15 CN CN201610669888.7A patent/CN106293976A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101218786A (zh) * | 2005-07-11 | 2008-07-09 | 日本电气株式会社 | 通信网络故障检测系统、通信网络故障检测方法及故障检测程序 |
US20110184778A1 (en) * | 2010-01-27 | 2011-07-28 | Microsoft Corporation | Event Prediction in Dynamic Environments |
CN104572391A (zh) * | 2013-10-16 | 2015-04-29 | 深圳市腾讯计算机系统有限公司 | 监控告警策略配置方法及装置、监控告警方法及装置 |
CN104063747A (zh) * | 2014-06-26 | 2014-09-24 | 上海交通大学 | 一种分布式系统中的性能异常预测方法及系统 |
CN105279386A (zh) * | 2015-11-16 | 2016-01-27 | 拉扎斯网络科技(上海)有限公司 | 一种指标异常数据确定的方法及装置 |
CN105354092A (zh) * | 2015-11-19 | 2016-02-24 | 东软集团股份有限公司 | 一种应用性能风险预测方法、装置和系统 |
CN105843733A (zh) * | 2016-03-17 | 2016-08-10 | 北京邮电大学 | 一种大数据平台的性能检测方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108255673A (zh) * | 2017-12-29 | 2018-07-06 | 东软集团股份有限公司 | 应用程序占用资源的检测方法、装置和存储介质 |
CN108255673B (zh) * | 2017-12-29 | 2021-10-15 | 东软集团股份有限公司 | 应用程序占用资源的检测方法、装置和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Muckell et al. | SQUISH: an online approach for GPS trajectory compression | |
CN101841435B (zh) | Dns查询流量异常的检测方法、装置和系统 | |
CN103580934B (zh) | 一种云业务监测方法和装置 | |
CN109800139A (zh) | 服务器健康度分析方法,装置,存储介质及电子设备 | |
CN102447707B (zh) | 一种基于映射请求的DDoS检测与响应方法 | |
CN103793439B (zh) | 一种实时检索信息获取方法、装置及服务器 | |
Lian et al. | Similarity join processing on uncertain data streams | |
CN105072119A (zh) | 基于域名解析会话模式分析的恶意域名检测方法及装置 | |
CN105072120A (zh) | 基于域名服务状态分析的恶意域名检测方法及装置 | |
CN109088775A (zh) | 异常监控方法、装置以及服务器 | |
US20220083916A1 (en) | System and method for detecting and rectifying concept drift in federated learning | |
CN110519266B (zh) | 一种基于统计学方法的cc攻击检测的方法 | |
CN105354092A (zh) | 一种应用性能风险预测方法、装置和系统 | |
Tang et al. | Efficient threshold monitoring for distributed probabilistic data | |
CN106293976A (zh) | 应用性能风险预测方法、装置和系统 | |
CN114141385A (zh) | 一种用于传染病的预警方法、系统和可读存储介质 | |
CN105302909B (zh) | 基于分区偏移计算的网络安全日志系统大数据检索方法 | |
CN114070718B (zh) | 一种告警方法、装置和存储介质 | |
Zhao | Complex event processing under constrained resources by state-based load shedding | |
CN114661562A (zh) | 一种数据告警方法、装置、设备及介质 | |
CN111131999B (zh) | 一种基于位置轨迹预测目的地的方法及装置 | |
CN113191674A (zh) | 一种安全风险评估方法、装置、存储介质及电子设备 | |
WO2012080037A1 (en) | Processing distributions of a population over a region of interest divided into a plurality of cells | |
Lin et al. | The prediction algorithm of network security situation based on grey correlation entropy Kalman filtering | |
CN112929369A (zh) | 一种分布式实时DDoS攻击检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170104 |
|
RJ01 | Rejection of invention patent application after publication |