CN109086207B - 页面响应故障分析方法、计算机可读存储介质及终端设备 - Google Patents
页面响应故障分析方法、计算机可读存储介质及终端设备 Download PDFInfo
- Publication number
- CN109086207B CN109086207B CN201810868956.1A CN201810868956A CN109086207B CN 109086207 B CN109086207 B CN 109086207B CN 201810868956 A CN201810868956 A CN 201810868956A CN 109086207 B CN109086207 B CN 109086207B
- Authority
- CN
- China
- Prior art keywords
- classification
- sample
- samples
- sample set
- attribute
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3684—Test management for test design, e.g. generating new test cases
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于计算机技术领域，尤其涉及一种基于人工智能的页面响应故障分析方法、计算机可读存储介质及终端设备。所述方法获取页面的历史记录集合；从所述历史记录集合中分别选取正样本和负样本，并组成样本集合；以各个响应子流程的耗时为分类属性分别对所述样本集合进行分类，并计算各个分类属性的分类准确度，所述分类准确度为分类结果与所述样本集合中的正样本、负样本的相符程度；根据各个分类属性的分类准确度分别计算各个响应子流程的耗时对页面响应故障的影响权重。分析过程全部自动化分析完成，系统维护人员可以直接根据分析结果对影响权重较大的环节进行进一步地分析，而无需在其它环节上浪费过多精力，大大提升了工作效率。
Description
技术领域
本发明属于计算机技术领域，尤其涉及一种页面响应故障分析方法、计算机可读存储介质及终端设备。
背景技术
作为系统维护人员经常会遇到诸如“用户访问页面响应慢”，“接口方法响应时间超过300s”之类的页面响应故障，找出这些故障原因的常规方式是依靠系统维护人员去查看程序代码，凭借个人经验对可能存在风险的代码进行详细检查，但这样的方式缺乏一套有效的分析方法的支撑，容易将精力放在一些不重要的环节上，往往花费了大量时间，却仍然找不到问题原因，效率极为低下。
发明内容
有鉴于此，本发明实施例提供了一种页面响应故障分析方法、计算机可读存储介质及终端设备，以解决依靠系统维护人员的个人经验对页面响应故障进行分析时效率低下的问题。
本发明实施例的第一方面提供了一种页面响应故障分析方法，可以包括：
获取页面的历史记录集合，所述历史记录集合中的每条历史记录对应所述页面的一次响应过程，且记录了在所述响应过程中各个响应子流程的耗时；
从所述历史记录集合中分别选取正样本和负样本，并组成样本集合，其中，所述正样本为页面响应出现故障的历史记录，所述负样本为页面响应正常的历史记录；
以各个响应子流程的耗时为分类属性分别对所述样本集合进行分类，并计算各个分类属性的分类准确度，所述分类准确度为分类结果中的正样本、负样本与所述样本集合中的正样本、负样本的相符程度；
根据各个分类属性的分类准确度分别计算各个响应子流程的耗时对页面响应故障的影响权重；
根据所述各个响应子流程的耗时对页面响应故障的影响权重按照从大到小的顺序进行推送，以便系统维护人员根据顺序进行排查。
本发明实施例的第二方面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存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如下步骤：
获取页面的历史记录集合，所述历史记录集合中的每条历史记录对应所述页面的一次响应过程，且记录了在所述响应过程中各个响应子流程的耗时；
从所述历史记录集合中分别选取正样本和负样本，并组成样本集合，其中，所述正样本为页面响应出现故障的历史记录，所述负样本为页面响应正常的历史记录；
以各个响应子流程的耗时为分类属性分别对所述样本集合进行分类，并计算各个分类属性的分类准确度，所述分类准确度为分类结果中的正样本、负样本与所述样本集合中的正样本、负样本的相符程度；
根据各个分类属性的分类准确度分别计算各个响应子流程的耗时对页面响应故障的影响权重；
根据所述各个响应子流程的耗时对页面响应故障的影响权重按照从大到小的顺序进行推送，以便系统维护人员根据顺序进行排查。
本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现如下步骤：
获取页面的历史记录集合，所述历史记录集合中的每条历史记录对应所述页面的一次响应过程，且记录了在所述响应过程中各个响应子流程的耗时；
从所述历史记录集合中分别选取正样本和负样本，并组成样本集合，其中，所述正样本为页面响应出现故障的历史记录，所述负样本为页面响应正常的历史记录；
以各个响应子流程的耗时为分类属性分别对所述样本集合进行分类，并计算各个分类属性的分类准确度，所述分类准确度为分类结果中的正样本、负样本与所述样本集合中的正样本、负样本的相符程度；
根据各个分类属性的分类准确度分别计算各个响应子流程的耗时对页面响应故障的影响权重；
根据所述各个响应子流程的耗时对页面响应故障的影响权重按照从大到小的顺序进行推送，以便系统维护人员根据顺序进行排查。
本发明实施例与现有技术相比存在的有益效果是：本发明实施例分别以各个响应子流程的耗时为分类属性对历史样本进行分类，并将分类结果与历史样本中的结果进行对比，从而得到各个分类属性的分类准确度，并根据各个分类属性的分类准确度分别计算各个响应子流程的耗时对页面响应故障的影响权重，影响权重越大，则说明该响应子流程的耗时对页面响应故障的影响越大。以上的分析过程全部通过对历史样本的自动化分析完成，系统维护人员可以直接根据分析结果对影响权重较大的环节进行进一步地分析，而无需在其它不重要的环节上浪费过多精力，大大提升了工作效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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地介绍，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性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例中一种页面响应故障分析方法的一个实施例流程图；
图2为本发明实施例中一种页面响应故障分析方法的步骤S103在一个应用场景下的示意流程图；
图3为计算分类准确度的示意流程图；
图4为本发明实施例中一种页面响应故障分析装置的一个实施例结构图；
图5为本发明实施例中一种终端设备的示意框图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。
请参阅图1，本发明实施例中一种页面响应故障分析方法的一个实施例可以包括：
步骤S101、获取页面的历史记录集合。
所述历史记录集合中的每条历史记录对应所述页面的一次响应过程，且记录了在所述响应过程中各个响应子流程的耗时。
在本发明实施例中，预先对每次的页面响应过程均进行记录，并将这些记录存储到指定的数据库中，从而构成所述历史记录集合。
所述历史记录集合中的每条历史记录均包括各个响应子流程的耗时。例如，一个完整的页面响应流程可以包括DNS子流程、TCP子流程、SSL子流程、请求子流程、服务响应子流程、接收子流程等等，因此所述历史记录集合中的每条历史记录均包括DNS耗时、TCP耗时、SSL耗时、请求耗时、服务响应耗时、接收耗时等等。其中，DNS耗时为进行DNS域名解析所消耗的时长，TCP耗时为建立TCP连接握手所消耗的时长，SSL耗时为建立SSL连接握手所消耗的时长，请求耗时为从发送HTTP或HTTPS请求到服务器接收到请求所消耗的时长，服务响应耗时为从服务器接收到请求到服务器开始响应所消耗的时长，接收耗时为响应的传输和读取所消耗的时长。
步骤S102、从所述历史记录集合中分别选取正样本和负样本，并组成样本集合。
其中，所述正样本为页面响应出现故障的历史记录，所述负样本为页面响应正常的历史记录。
所述样本集合中的正样本的数目与负样本的数目应满足一定的限制条件，例如：
其中，SPN为所述样本集合中的正样本的总数，SNgN为所述样本集合中的负样本的总数，Thresh为预设的阈值，该阈值可以根据实际情况进行设置，例如，可以将其设置为0.1、0.01、0.001或者其它取值。
特殊地，可以保持正样本的数目与负样本的数目一致。例如，若共选取10000个样本，则其中正样本和负样本各5000个，以此保证分析结果的平衡性。
可选地，在组成样本集合之后，为了方便数据处理，保证后续处理时收敛加快，还可以对样本集合中的各个样本进行数据归一化处理，将其中各个响应子流程的耗时表示在[0,1]的范围内。
进一步地，还可以采用主成分分析法从各个响应子流程的耗时中提取页面响应故障分析所需特征数据，去掉与页面响应故障分析无关的干扰特征。也即从各个响应子流程的耗时中只选取对页面响应故障分析影响最大的若干个响应子流程的耗时，而将其它对页面响应故障分析影响较为微小的响应子流程的耗时剔除掉，从而减小后续过程总体的计算量。
步骤S103、以各个响应子流程的耗时为分类属性分别对所述样本集合进行分类，并计算各个分类属性的分类准确度。
所述分类准确度为分类结果中的正样本、负样本与所述样本集合中的正样本、负样本的相符程度。
步骤S103具体可以包括如图2所示的基于人工智能的处理步骤：
步骤S1031、从第n个属性值集合中选取第m个取值作为分类阈值对所述样本集合中的样本进行分类。
具体地，将所述样本集合中第n个分类属性的取值大于所述分类阈值的样本确定为分类结果中的正样本，将所述样本集合中第n个分类属性的取值小于或等于所述分类阈值的样本确定为分类结果中的负样本，所述第n个属性值集合为由第n个分类属性在所述样本集合中的各个取值组成的集合，其中，1≤n≤N，N为响应子流程的总个数，1≤m≤Mn，Mn为第n个属性值集合中的元素总数。
步骤S1032、计算第n个分类属性的第m个取值的分类准确度。
具体地，可以根据下式计算第n个分类属性的第m个取值的分类准确度：
其中，TotalN为所述样本集合中的样本总数，PN为分类结果中的正样本的总数，NgN为分类结果中的负样本的总数，TPN为分类结果中的正样本与所述样本集合中的正样本相一致的个数，FPN为分类结果中的正样本与所述样本集合中的负样本相一致的个数，TNgN为分类结果中的负样本与所述样本集合中的负样本相一致的个数，FNgN为分类结果中的负样本与所述样本集合中的正样本相一致的个数。
在另一种可能的实现方式中，还可以通过如图3所示的过程计算第n个分类属性的第m个取值的分类准确度：
步骤S10321、计算所述样本集合的信息熵。
具体地，可以根据下式计算所述样本集合的信息熵：
其中，TotalN为所述样本集合中的样本总数，SPN为所述样本集合中的正样本的总数，SNgN为所述样本集合中的负样本的总数，Entropy为所述样本集合的信息熵。
步骤S10322、计算分类结果中的正样本的信息熵。
具体地，可以根据下式计算分类结果中的正样本的信息熵：
其中，PN为分类结果中的正样本的总数，TPN为分类结果中的正样本与所述样本集合中的正样本相一致的个数，FPN为分类结果中的正样本与所述样本集合中的负样本相一致的个数，PosEntropy为分类结果中的正样本的信息熵。
步骤S10323、计算分类结果中的负样本的信息熵。
具体地，可以根据下式计算分类结果中的负样本的信息熵：
其中，NgN为分类结果中的负样本的总数，TNgN为分类结果中的负样本与所述样本集合中的负样本相一致的个数，FNgN为分类结果中的负样本与所述样本集合中的正样本相一致的个数，NegEntropy为分类结果中的负样本的信息熵。
步骤S10324、计算第n个分类属性的第m个取值的分类准确度。
具体地，可以根据下式计算第n个分类属性的第m个取值的分类准确度：
需要注意的是，在步骤S1032的各项计算过程中，若出现分数的分母为0的情况，则将该分数的值视为0进行计算。
根据以上方法，遍历第n个分类属性的各个取值，即可得到第n个分类属性的各个取值的分类准确度。
步骤S1033、计算第n个分类属性的分类准确度。
具体地，可以根据下式计算第n个分类属性的分类准确度：
其中，ClassDegn,m为第n个分类属性的第m个取值的分类准确度，max为求最大值函数，ClassDegn为第n个分类属性的分类准确度。
例如，假设将DNS耗时作为第1个分类属性，样本集合中共有4个样本，其中，样本1和样本2为正样本，样本3和样本4为负样本，各个样本中的DNS耗时分别为：0.6(样本1)、0.9(样本2)、0.4(样本3)、0.1(样本4)，首先将其中的0.6作为分类阈值对所述样本集合中的样本进行分类，将样本集合中DNS耗时大于该分类阈值的样本确定为分类结果中的正样本，将样本集合中DNS耗时小于或等于该分类阈值的样本确定为分类结果中的负样本，则分类结果中的正样本为样本2，分类结果中的负样本为样本1、样本3和样本4，根据步骤S1032中提供的计算方式计算该取值的分类准确度为：
同理，将其中的0.9作为分类阈值对所述样本集合中的样本进行分类，得到的分类准确度为：
将其中的0.4作为分类阈值对所述样本集合中的样本进行分类，得到的分类准确度为：ClassDeg1,3＝1，将其中的0.1作为分类阈值对所述样本集合中的样本进行分类，得到的分类准确度为：
最后可以计算得到第1个分类属性(DNS耗时)的分类准确度为：ClassDeg1＝max(ClassDeg1,1,ClassDeg1,2,ClassDeg1,3,ClassDeg1,4)＝1。
根据以上方法，遍历各个分类属性(分别以各个响应子流程的耗时为分类属性)，即可得到各个分类属性的分类准确度。
步骤S104、根据各个分类属性的分类准确度分别计算各个响应子流程的耗时对页面响应故障的影响权重。
具体地，可以根据下式分别计算各个响应子流程的耗时对页面响应故障的影响权重：
其中，InfWtn为第n个响应子流程的耗时对页面响应故障的影响权重。
根据所述各个响应子流程的耗时对页面响应故障的影响权重按照从大到小的顺序进行推送，以便系统维护人员根据顺序进行排查。影响权重越大，则说明该响应子流程的耗时对页面响应故障的影响越大，则因该子流程出现问题而导致页面响应故障的概率也越大，系统维护人员可以按照影响权重从大到小的顺序依次对各个响应子流程进行排查，即首先排查影响权重最大的子流程，若未发现问题，则再排查影响权重次大的子流程，依次类推，直至发现导致页面响应故障的问题为止。
综上所述，本发明实施例分别以各个响应子流程的耗时为分类属性对历史样本进行分类，并将分类结果与历史样本中的结果进行对比，从而得到各个分类属性的分类准确度，并根据各个分类属性的分类准确度分别计算各个响应子流程的耗时对页面响应故障的影响权重，影响权重越大，则说明该响应子流程的耗时对页面响应故障的影响越大。以上的分析过程全部通过对历史样本的自动化分析完成，系统维护人员可以直接根据分析结果对影响权重较大的环节进行进一步地分析，而无需在其它不重要的环节上浪费过多精力，大大提升了工作效率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的一种页面响应故障分析方法，图4示出了本发明实施例提供的一种页面响应故障分析装置的一个实施例结构图。
本实施例中，一种页面响应故障分析装置可以包括：
历史记录集合获取模块401，获取页面的历史记录集合，所述历史记录集合中的每条历史记录对应所述页面的一次响应过程，且记录了在所述响应过程中各个响应子流程的耗时；
样本集合构造模块402，用于从所述历史记录集合中分别选取正样本和负样本，并组成样本集合，其中，所述正样本为页面响应出现故障的历史记录，所述负样本为页面响应正常的历史记录；
分类准确度计算模块403，用于以各个响应子流程的耗时为分类属性分别对所述样本集合进行分类，并计算各个分类属性的分类准确度，所述分类准确度为分类结果中的正样本、负样本与所述样本集合中的正样本、负样本的相符程度；
影响权重计算模块404，用于根据各个分类属性的分类准确度分别计算各个响应子流程的耗时对页面响应故障的影响权重。
进一步地，所述分类准确度计算模块可以包括：
分类处理单元，用于从第n个属性值集合中选取第m个取值作为分类阈值，将所述样本集合中第n个分类属性的取值大于所述分类阈值的样本确定为分类结果中的正样本，将所述样本集合中第n个分类属性的取值小于或等于所述分类阈值的样本确定为分类结果中的负样本，所述第n个属性值集合为由第n个分类属性在所述样本集合中的各个取值组成的集合，其中，1≤n≤N，N为响应子流程的总个数，1≤m≤Mn，Mn为第n个属性值集合中的元素总数；
分类准确度计算单元，用于计算第n个分类属性的第m个取值的分类准确度；
属性分类准确度计算单元，用于根据下式计算第n个分类属性的分类准确度：
其中，ClassDegn,m为第n个分类属性的第m个取值的分类准确度，max为求最大值函数，ClassDegn为第n个分类属性的分类准确度。
可选地，所述分类准确度计算单元可以包括：
第一计算子单元，用于根据下式计算第n个分类属性的第m个取值的分类准确度：
其中，TotalN为所述样本集合中的样本总数，PN为分类结果中的正样本的总数，NgN为分类结果中的负样本的总数，TPN为分类结果中的正样本与所述样本集合中的正样本相一致的个数，FPN为分类结果中的正样本与所述样本集合中的负样本相一致的个数，TNgN为分类结果中的负样本与所述样本集合中的负样本相一致的个数，FNgN为分类结果中的负样本与所述样本集合中的正样本相一致的个数。
可选地，所述分类准确度计算单元可以包括：
样本集合信息熵计算子单元，用于根据下式计算所述样本集合的信息熵：
其中，TotalN为所述样本集合中的样本总数，SPN为所述样本集合中的正样本的总数，SNgN为所述样本集合中的负样本的总数，Entropy为所述样本集合的信息熵；
正样本信息熵计算子单元，用于根据下式计算分类结果中的正样本的信息熵：
其中，PN为分类结果中的正样本的总数，TPN为分类结果中的正样本与所述样本集合中的正样本相一致的个数，FPN为分类结果中的正样本与所述样本集合中的负样本相一致的个数，PosEntropy为分类结果中的正样本的信息熵；
负样本信息熵计算子单元，用于根据下式计算分类结果中的负样本的信息熵：
其中，NgN为分类结果中的负样本的总数，TNgN为分类结果中的负样本与所述样本集合中的负样本相一致的个数，FNgN为分类结果中的负样本与所述样本集合中的正样本相一致的个数，NegEntropy为分类结果中的负样本的信息熵；
第二分类准确度计算子单元，用于根据下式计算第n个分类属性的第m个取值的分类准确度：
进一步地，所述影响权重计算模块可以包括：
影响权重计算单元，用于根据下式分别计算各个响应子流程的耗时对页面响应故障的影响权重：
其中，InfWtn为第n个响应子流程的耗时对页面响应故障的影响权重。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
图5示出了本发明实施例提供的一种终端设备的示意框图，为了便于说明，仅示出了与本发明实施例相关的部分。
在本实施例中，所述终端设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备5可包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机可读指令52，例如执行上述的页面响应故障分析方法的计算机可读指令。所述处理器50执行所述计算机可读指令52时实现上述各个页面响应故障分析方法实施例中的步骤，例如图1所示的步骤S101至S104。或者，所述处理器50执行所述计算机可读指令52时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块401至404的功能。
示例性的，所述计算机可读指令52可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器51中，并由所述处理器50执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机可读指令52在所述终端设备5中的执行过程。
所述处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51可以是所述终端设备5的内部存储单元，例如终端设备5的硬盘或内存。所述存储器51也可以是所述终端设备5的外部存储设备，例如所述终端设备5上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器51还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机可读指令以及所述终端设备5所需的其它指令和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干计算机可读指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储计算机可读指令的介质。
以上所述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精神和范围。
Claims (10)
1.一种页面响应故障分析方法，其特征在于，包括：
获取页面的历史记录集合，所述历史记录集合中的每条历史记录对应所述页面的一次响应过程，且记录了在所述响应过程中各个响应子流程的耗时；
从所述历史记录集合中分别选取正样本和负样本，并组成样本集合，其中，所述正样本为页面响应出现故障的历史记录，所述负样本为页面响应正常的历史记录；所述样本集合中的正样本的总数与负样本的总数满足以下限制条件：
SPN为所述样本集合中的正样本的总数，SNgN为所述样本集合中的负样本的总数，Thresh为预设的阈值；
以各个响应子流程的耗时为分类属性分别对所述样本集合进行分类，并计算各个分类属性的分类准确度，所述分类准确度为分类结果中的正样本、负样本与所述样本集合中的正样本、负样本的相符程度；
根据各个分类属性的分类准确度分别计算各个响应子流程的耗时对页面响应故障的影响权重；
根据所述各个响应子流程的耗时对页面响应故障的影响权重按照从大到小的顺序进行推送，以便系统维护人员根据顺序进行排查。
2.根据权利要求1所述的页面响应故障分析方法，其特征在于，所述以各个响应子流程的耗时为分类属性分别对所述样本集合进行分类，并计算各个分类属性的分类准确度包括：
从第n个属性值集合中选取第m个取值作为分类阈值，将所述样本集合中第n个分类属性的取值大于所述分类阈值的样本确定为分类结果中的正样本，将所述样本集合中第n个分类属性的取值小于或等于所述分类阈值的样本确定为分类结果中的负样本，所述第n个属性值集合为由第n个分类属性在所述样本集合中的各个取值组成的集合，其中，1≤n≤N，N为响应子流程的总个数，1≤m≤Mn，Mn为第n个属性值集合中的元素总数；
计算第n个分类属性的第m个取值的分类准确度；
根据下式计算第n个分类属性的分类准确度：
其中，ClassDegn,m为第n个分类属性的第m个取值的分类准确度，max为求最大值函数，ClassDegn为第n个分类属性的分类准确度。
3.根据权利要求2所述的页面响应故障分析方法，其特征在于，所述计算第n个分类属性的第m个取值的分类准确度包括：
根据下式计算第n个分类属性的第m个取值的分类准确度：
其中，TotalN为所述样本集合中的样本总数，PN为分类结果中的正样本的总数，NgN为分类结果中的负样本的总数，TPN为分类结果中的正样本与所述样本集合中的正样本相一致的个数，FPN为分类结果中的正样本与所述样本集合中的负样本相一致的个数，TNgN为分类结果中的负样本与所述样本集合中的负样本相一致的个数，FNgN为分类结果中的负样本与所述样本集合中的正样本相一致的个数。
4.根据权利要求2所述的页面响应故障分析方法，其特征在于，所述计算第n个分类属性的第m个取值的分类准确度包括：
根据下式计算所述样本集合的信息熵：
其中，TotalN为所述样本集合中的样本总数，Entropy为所述样本集合的信息熵；
根据下式计算分类结果中的正样本的信息熵：
其中，PN为分类结果中的正样本的总数，TPN为分类结果中的正样本与所述样本集合中的正样本相一致的个数，FPN为分类结果中的正样本与所述样本集合中的负样本相一致的个数，PosEntropy为分类结果中的正样本的信息熵；
根据下式计算分类结果中的负样本的信息熵：
其中，NgN为分类结果中的负样本的总数，TNgN为分类结果中的负样本与所述样本集合中的负样本相一致的个数，FNgN为分类结果中的负样本与所述样本集合中的正样本相一致的个数，NegEntropy为分类结果中的负样本的信息熵；
根据下式计算第n个分类属性的第m个取值的分类准确度：
5.根据权利要求1至4中任一项所述的页面响应故障分析方法，其特征在于，所述根据各个分类属性的分类准确度分别计算各个响应子流程的耗时对页面响应故障的影响权重包括：
根据下式分别计算各个响应子流程的耗时对页面响应故障的影响权重：
其中，InfWtn为第n个响应子流程的耗时对页面响应故障的影响权重。
6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，其特征在于，所述计算机可读指令被处理器执行时实现如权利要求1至5中任一项所述的页面响应故障分析方法的步骤。
7.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，其特征在于，所述处理器执行所述计算机可读指令时实现如下步骤：
获取页面的历史记录集合，所述历史记录集合中的每条历史记录对应所述页面的一次响应过程，且记录了在所述响应过程中各个响应子流程的耗时；
从所述历史记录集合中分别选取正样本和负样本，并组成样本集合，其中，所述正样本为页面响应出现故障的历史记录，所述负样本为页面响应正常的历史记录；所述样本集合中的正样本的总数与负样本的总数满足以下限制条件：
SPN为所述样本集合中的正样本的总数，SNgN为所述样本集合中的负样本的总数，Thresh为预设的阈值；
以各个响应子流程的耗时为分类属性分别对所述样本集合进行分类，并计算各个分类属性的分类准确度，所述分类准确度为分类结果中的正样本、负样本与所述样本集合中的正样本、负样本的相符程度；
根据各个分类属性的分类准确度分别计算各个响应子流程的耗时对页面响应故障的影响权重；
根据所述各个响应子流程的耗时对页面响应故障的影响权重按照从大到小的顺序进行推送，以便系统维护人员根据顺序进行排查。
8.根据权利要求7所述的终端设备，其特征在于，所述以各个响应子流程的耗时为分类属性分别对所述样本集合进行分类，并计算各个分类属性的分类准确度包括：
从第n个属性值集合中选取第m个取值作为分类阈值，将所述样本集合中第n个分类属性的取值大于所述分类阈值的样本确定为分类结果中的正样本，将所述样本集合中第n个分类属性的取值小于或等于所述分类阈值的样本确定为分类结果中的负样本，所述第n个属性值集合为由第n个分类属性在所述样本集合中的各个取值组成的集合，其中，1≤n≤N，N为响应子流程的总个数，1≤m≤Mn，Mn为第n个属性值集合中的元素总数；
计算第n个分类属性的第m个取值的分类准确度；
根据下式计算第n个分类属性的分类准确度：
其中，ClassDegn,m为第n个分类属性的第m个取值的分类准确度，max为求最大值函数，ClassDegn为第n个分类属性的分类准确度。
9.根据权利要求8所述的终端设备，其特征在于，所述计算第n个分类属性的第m个取值的分类准确度包括：
根据下式计算第n个分类属性的第m个取值的分类准确度：
其中，TotalN为所述样本集合中的样本总数，PN为分类结果中的正样本的总数，NgN为分类结果中的负样本的总数，TPN为分类结果中的正样本与所述样本集合中的正样本相一致的个数，FPN为分类结果中的正样本与所述样本集合中的负样本相一致的个数，TNgN为分类结果中的负样本与所述样本集合中的负样本相一致的个数，FNgN为分类结果中的负样本与所述样本集合中的正样本相一致的个数。
10.根据权利要求8所述的终端设备，其特征在于，所述计算第n个分类属性的第m个取值的分类准确度包括：
根据下式计算所述样本集合的信息熵：
其中，TotalN为所述样本集合中的样本总数，Entropy为所述样本集合的信息熵；
根据下式计算分类结果中的正样本的信息熵：
其中，PN为分类结果中的正样本的总数，TPN为分类结果中的正样本与所述样本集合中的正样本相一致的个数，FPN为分类结果中的正样本与所述样本集合中的负样本相一致的个数，PosEntropy为分类结果中的正样本的信息熵；
根据下式计算分类结果中的负样本的信息熵：
其中，NgN为分类结果中的负样本的总数，TNgN为分类结果中的负样本与所述样本集合中的负样本相一致的个数，FNgN为分类结果中的负样本与所述样本集合中的正样本相一致的个数，NegEntropy为分类结果中的负样本的信息熵；
根据下式计算第n个分类属性的第m个取值的分类准确度：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810868956.1A CN109086207B (zh) | 2018-08-02 | 2018-08-02 | 页面响应故障分析方法、计算机可读存储介质及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810868956.1A CN109086207B (zh) | 2018-08-02 | 2018-08-02 | 页面响应故障分析方法、计算机可读存储介质及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109086207A CN109086207A (zh) | 2018-12-25 |
| CN109086207B true CN109086207B (zh) | 2023-04-14 |
Family
ID=64833712
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810868956.1A Active CN109086207B (zh) | 2018-08-02 | 2018-08-02 | 页面响应故障分析方法、计算机可读存储介质及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109086207B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110716778B (zh) * | 2019-09-10 | 2023-09-26 | 创新先进技术有限公司 | 应用兼容性测试方法、装置及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106941423A (zh) * | 2017-04-13 | 2017-07-11 | 腾讯科技（深圳）有限公司 | 故障原因定位方法及装置 |
| CN107832329A (zh) * | 2017-09-26 | 2018-03-23 | 中国平安人寿保险股份有限公司 | 页面资源获取方法及终端设备 |
| CN108228377A (zh) * | 2017-12-29 | 2018-06-29 | 华中科技大学 | 一种面向磁盘故障检测的smart阈值优化方法 |
| CN108229555A (zh) * | 2017-12-29 | 2018-06-29 | 深圳云天励飞技术有限公司 | 样本权重分配方法、模型训练方法、电子设备及存储介质 |
-
2018
- 2018-08-02 CN CN201810868956.1A patent/CN109086207B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106941423A (zh) * | 2017-04-13 | 2017-07-11 | 腾讯科技（深圳）有限公司 | 故障原因定位方法及装置 |
| CN107832329A (zh) * | 2017-09-26 | 2018-03-23 | 中国平安人寿保险股份有限公司 | 页面资源获取方法及终端设备 |
| CN108228377A (zh) * | 2017-12-29 | 2018-06-29 | 华中科技大学 | 一种面向磁盘故障检测的smart阈值优化方法 |
| CN108229555A (zh) * | 2017-12-29 | 2018-06-29 | 深圳云天励飞技术有限公司 | 样本权重分配方法、模型训练方法、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109086207A (zh) | 2018-12-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11461847B2 (en) | Applying a trained model to predict a future value using contextualized sentiment data | |
| CN108446210B (zh) | 系统性能的度量方法、存储介质和服务器 | |
| WO2019214309A1 (zh) | 模型测试的方法及装置 | |
| CN108667856B (zh) | 一种网络异常检测方法、装置、设备及存储介质 | |
| US20200097709A1 (en) | Classification model training method, server, and storage medium | |
| CN110046929B (zh) | 一种欺诈团伙识别方法、装置、可读存储介质及终端设备 | |
| EP2854053A1 (en) | Defect prediction method and device | |
| CN111309539A (zh) | 一种异常监测方法、装置和电子设备 | |
| CN108230016B (zh) | 一种农产品市场价格传递分析方法及分析装置 | |
| CN109871437B (zh) | 用于用户问题语句处理的方法及装置 | |
| CN110610431A (zh) | 基于大数据的智能理赔方法及智能理赔系统 | |
| CN111680085A (zh) | 数据处理任务分析方法、装置、电子设备和可读存储介质 | |
| CN111626360A (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
| CN110232130B (zh) | 元数据管理谱系生成方法、装置、计算机设备和存储介质 | |
| CN109213965B (zh) | 一种系统容量预测方法、计算机可读存储介质及终端设备 | |
| CN109086207B (zh) | 页面响应故障分析方法、计算机可读存储介质及终端设备 | |
| CN113282920A (zh) | 日志异常检测方法、装置、计算机设备和存储介质 | |
| CN116010228B (zh) | 面向网络安全扫描的时间预估方法及装置 | |
| CN111783883A (zh) | 一种异常数据的检测方法及装置 | |
| CN110795308A (zh) | 一种服务器检验方法、装置、设备及存储介质 | |
| CN111368864A (zh) | 识别方法、可用性评估方法及装置、电子设备、存储介质 | |
| CN114785616A (zh) | 数据风险检测方法、装置、计算机设备及存储介质 | |
| CN110264306B (zh) | 基于大数据的产品推荐方法、装置、服务器及介质 | |
| CN113656354A (zh) | 日志分类方法、系统、计算机设备和可读存储介质 | |
| CN109308565B (zh) | 人群绩效等级识别方法、装置、存储介质及计算机设备 |
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 |