CN109800138A - 一种cpu测试方法、电子装置及存储介质 - Google Patents
一种cpu测试方法、电子装置及存储介质 Download PDFInfo
- Publication number
- CN109800138A CN109800138A CN201811550100.6A CN201811550100A CN109800138A CN 109800138 A CN109800138 A CN 109800138A CN 201811550100 A CN201811550100 A CN 201811550100A CN 109800138 A CN109800138 A CN 109800138A
- Authority
- CN
- China
- Prior art keywords
- cpu
- test
- ability
- layer
- max
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Debugging And Monitoring (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本方案涉及测试技术领域,提供一种CPU测试方法、电子装置及存储介质,方法包括:确定对核数的要求,根据核数要求筛选CPU;根据评价公式综合评价筛选出的CPU,并从筛选出的CPU中计算CPU的综合评价指数,所述评价公式包括计算性能测试、浮点预算能力测试、加解密处理能力测试、多线程处理能力测试、加解压处理能力测试、性价比评价、能效比评价7个因素。根据各CPU的综合评价指数,将CPU按照综合评价指数得分对应相应的业务类型进行排序。本发明综合考虑CPU性能的七种因素,结合业务类型来推荐合适的CPU,使得CPU与业务类型更贴合,能够提高CPU的利用率。
Description
技术领域
本发明涉及测试技术领域,具体地说,涉及一种CPU测试方法、电子装置及存储介质。
背景技术
现有技术中都是以CPU的某一方面的性能为测试目的,例如计算能力测评、加解密能力测评等。如果需要CPU某一方面的性能指标,则根据该性能指标去查找合适的CPU。但如果需要CPU在某几个方面的性能达到业务需求的性能指标,则是采用不同的工具分别去测试CPU,但采用测试工具得到的往往是CPU在测试方面的最优状态的性能,而某一业务可能并不需要该CPU的最优状态的性能指标,而是需要CPU在某几个方面达到中等水平即可。比如说,CPU计算性能的评分结果是205,而业务需求CPU的计算性能分数只要150,显然,测评的CPU满足业务需求,但并不是最优的选择,相当于大马拉小车。所检测的CPU的多方面性能能否满足业务需求,目前还没有技术方案综合考虑CPU多方面性能与业务需求的匹配性。
发明内容
为解决以上技术问题,本发明提供一种CPU测试方法,应用于电子装置,包括:确定对核数的要求,根据核数要求筛选CPU;根据评价公式综合评价筛选出的CPU,并从筛选出的CPU中计算CPU的综合评价指数,所述评价公式包括计算性能测试、浮点预算能力测试、加解密处理能力测试、多线程处理能力测试、加解压处理能力测试、性价比评价、能效比评价7个因素,所述评价公式如下:
其中,result是综合评价指数;cputestoperation为测试出的CPU的计算能力,max(cpuoperation)为现有技术中CPU的最大计算能力;cputestfloat为测试出的CPU的浮点预算能力,max(cpufloat)为现有技术中CPU的最大浮点预算能力;cputestencryption为测试出的CPU的加解密处理能力,max(cpucryption)为现有技术中CPU的最大加解密处理能力;cputestmultithreading为测试出的CPU的多线程处理能力,max(cpumultithreading)为现有技术中CPU的最大多线程处理能力;cputestcompression为测试出的CPU的加解压处理能力,max(cpucompression)为现有技术中CPU的最大加解压处理能力;cputestcost为测试出的CPU的性价比评价,max(cpucost)为现有技术中CPU的最大性价比;cputestenergyratio为测试出的CPU的能效比评价,cputestenergyratio为现有技术中CPU的最大能效比;a至g为评价参数,根据不同业务类型对CPU的7个因素的要求的侧重高低不同,将对CPU的7个因素的要求的侧重由高到低排序,根据所述排序将所述各因素对应的评价参数对应的在0至1之间从高到低取值;根据各CPU的综合评价指数,将CPU按照综合评价指数得分对应相应的业务类型进行排序。
还提供一种电子装置,该电子装置包括:存储器和处理器,所述存储器中存储有CPU测试程序,所述CPU测试程序被所述处理器执行时实现如下步骤:确定对核数的要求,根据核数要求筛选CPU;根据评价公式综合评价筛选出的CPU,并从筛选出的CPU中计算CPU的综合评价指数,所述评价公式包括计算性能测试、浮点预算能力测试、加解密处理能力测试、多线程处理能力测试、加解压处理能力测试、性价比评价、能效比评价7个因素,所述评价公式如下:
其中,result是综合评价指数;cputestoperation为测试出的CPU的计算能力,max(cpuoperation)为现有技术中CPU的最大计算能力;cputestfloat为测试出的CPU的浮点预算能力,max(cpufloat)为现有技术中CPU的最大浮点预算能力;cputestencryption为测试出的CPU的加解密处理能力,max(cpucryption)为现有技术中CPU的最大加解密处理能力;cputestmultithreading为测试出的CPU的多线程处理能力,max(cpumultithreading)为现有技术中CPU的最大多线程处理能力;cputestcompression为测试出的CPU的加解压处理能力,max(cpucompression)为现有技术中CPU的最大加解压处理能力;cputestcost为测试出的CPU的性价比评价,max(cpucost)为现有技术中CPU的最大性价比;cputestenergyratio为测试出的CPU的能效比评价,cputestenergyratio为现有技术中CPU的最大能效比;a至g为评价参数,根据不同业务类型对CPU的7个因素的要求的侧重高低不同,将对CPU的7个因素的要求的侧重由高到低排序,根据所述排序将所述各因素对应的评价参数对应的在0至1之间从高到低取值;根据各CPU的综合评价指数,将CPU按照综合评价指数得分对应相应的业务类型进行排序。
本发明还提供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程序,所述计算机程序包括程序指令,所述程序指令被处理器执行时,实现如上所述的CPU测试方法。
本发明综合考虑CPU性能的七种因素,结合业务类型来推荐合适的CPU,使得CPU与业务类型更贴合,能够提高CPU的利用率。
附图说明
通过结合下面附图对其实施例进行描述,本发明的上述特征和技术优点将会变得更加清楚和容易理解。
图1是本发明实施例的CPU测试方法的流程示意图;
图2是本发明实施例的电子装置的硬件架构示意图;
图3是本发明实施例的CPU测试程序的模块构成图;
图4是本发明实施例的CPU测试模块的单元构成图。
具体实施方式
下面将参考附图来描述本发明所述的CPU测试方法、电子装置及存储介质的实施例。本领域的普通技术人员可以认识到,在不偏离本发明的精神和范围的情况下,可以用各种不同的方式或其组合对所描述的实施例进行修正。因此,附图和描述在本质上是说明性的,而不是用于限制权利要求的保护范围。此外,在本说明书中,附图未按比例画出,并且相同的附图标记表示相同的部分。
图1为本发明实施例提供的CPU测试方法的流程示意图。该方法包括以下步骤:
对于企业的应用,用户更关心CPU核数且对于某些因素是不关心的,例如大数据应用实际上是不关心加解密处理能力、浮点预算能力,具体应用选择CPU流程如下:
步骤S10,确定对核数(一块CPU上面能处理数据的芯片组的数量)的要求,根据核数要求筛选CPU;
步骤S30,根据评价公式综合评价筛选出的CPU,并从筛选出的CPU中计算CPU的综合评价指数,所述评价公式包括计算性能测试、浮点预算能力测试、加解密处理能力测试、多线程处理能力测试、加解压处理能力测试、性价比评价、能效比评价7个因素,所述评价公式如下:
其中,result是综合评价指数;
cputestoperation为测试出的CPU的计算能力,max(cpuoperation)为现有技术中CPU的最大计算能力;
cputestfloat为测试出的CPU的浮点预算能力,max(cpufloat)为现有技术中CPU的最大浮点预算能力;
cputestencryption为测试出的CPU的加解密处理能力,max(cpucryption)为现有技术中CPU的最大加解密处理能力;
cputestmultithreading为测试出的CPU的多线程处理能力,max(cpumultithreading)为现有技术中CPU的最大多线程处理能力;
cputestcompression为测试出的CPU的加解压处理能力,max(cpucompression)为现有技术中CPU的最大加解压处理能力;
cputestcost为测试出的CPU的性价比评价,max(cpucost)为现有技术中CPU的最大性价比;
cputestenergyratio为测试出的CPU的能效比评价,cputestenergyratio为现有技术中CPU的最大能效比;
a至g为评价参数,根据不同业务类型对CPU的7个因素的要求的侧重高低不同,将对CPU的7个因素的要求的侧重由高到低排序,根据所述排序将所述各因素对应的评价参数对应的在0至1之间从高到低取值;
步骤S50,根据各CPU的综合评价指数,将CPU按照综合评价指数得分对应相应的业务类型进行排序。
例如大数据应用不关心加解密处理能力、浮点运算能力,主要关心CPU的计算性能,其侧重排序为CPU的计算能力、CPU的多线程处理能力、CPU的性价比评价、CPU的能效比评价、CPU的加解压处理能力、CPU的浮点预算能力、CPU的加解密处理能力。则各因素对应的评价参数也相应的按照这个顺序从高到低在0到1之间取值。这样计算出来的就是按照这种侧重的业务所需要的CPU。对应这种业务类型测算出各个CPU的综合评价指数,并进行排序。
换一种业务类型,其侧重排序发生变化,则又会产生与该业务类型相关的CPU综合评价指数排序。按照这个排序选取CPU会更适于这种业务的需求。
在一个可选实施例中,评价参数a至g的取值是0或1,相当于简化了计算过程,仅是把业务类型不需要的因素完全去掉,与业务相关就取值1,不相关就取值0。
在一个可选实施例中,计算性能测试采用基于Hadoop(一种开源框架,允许在整个集群使用简单编程模型计算机的分布式环境存储并处理大数据)对多台机器上的CPU同时测试,得分越高,表示该CPU计算处理能力越强,基于Hadoop的CPU测试方法包括以下步骤:
下载测试用例列表,其中,通过SVN服务器从测试用例库中下载所需的测试用例列表,
获取每台节点机器可用的任务跟踪器的槽位数,其中,任务跟踪器是Hadoop计算系统的子节点,槽位是任务跟踪器的最小计算分配单元,一个槽位可以对应一个map任务,一个机器启动一个任务跟踪器,按照机器的CPU核数来分配槽位,其中,每台节点机器上的测试用例列表中测试用例数量为测试用例的总数与槽位数的比值,然后生成每台节点机器上的测试用例列表,调用Hadoop平台计算CPU的功耗,根据并行测试的需求进行资源的合理分配,最后执行并生成测试报告。
在一个可选实施例中,浮点预算能力测试采用高斯消元法求解一元N次稠密线性代数方程组来测试CPU的浮点预算能力,得分越高,表示该CPU的浮点运算能力越强,其计算公式如下:
浮点计算峰值=(2/3M3-2M2)/T,
其中,M为问题规模;
T为计算时间。
在一个可选实施例中,加解密处理能力测试利用openssl工具测试该CPU的加解密处理能力,得分越高,表示该CPU的加密能力越强;
在一个可选实施例中,多线程处理能力测试利用c-ray测试工具测试CPU的多线程处理能力,得分的倒数越高,表示该CPU的多线程处理能力越强;
在一个可选实施例中,加解压处理能力测试利用7-zip测试工具测试CPU的加解压处理能力,得分越高,表示该CPU的加解压能力越强;
在一个可选实施例中,性价比评价采用公式如下:
性价比数值=(计算性能)/采购价格,数值越高,表示该CPU的性价比越高;
在一个可选实施例中,能效比评价采用公式如下:
能效比数值=(计算性能)/TDP,数值越高,表示该CPU能效越高,其中,TDP是散热设计功耗。
在一个可选实施例中,权重值a至g参考以往不同业务类型所配置CPU的各项评价参数来确定,将业务需求的CPU性能指标作为神经网络模型的输入部分,将所述评价公式中的a至g的7个参数作为神经网络模型的输出部分,中间是一层隐藏层,用以往的不同业务类型所选配的CPU的性能指标数据、以及与所选配的CPU的性能指标数据所对应的a至g的参数对该神经网络模型进行训练,训练结束后,采用训练后的神经网络模型来计算a至g的参数。
进一步地,所述神经网络模型采用BP网络模型,对BP网络模型进行训练包括以下步骤:
(1)收集现有各业务对应的CPU的性能参数要求以及对应的a至g的参数,形成训练数据集;
(2)建立BP网络模型,采用三层全连接的BP网络结构,拓扑结构为7-8-7,即模型由7个输入量和7个输出量组成,隐藏层包含8个神经元,各层传递函数分别为logsig传输函数)、logsig传输函数)、purelin传输函数),学习规则函数采用learnb2pm,其中7个输入量分别对应企业业务对应的CPU的性能指标要求,例如,计算性能120、浮点预算能力130、加解密处理能力150、多线程处理能力160、加解压处理能力140、性价比评价80、能效比评价80。7个输出量分别对应参数a至g,
其中,隐藏层的神经元的数量采用如下公式估算:
h为隐含层神经元数目;
m为输入层神经元数目;
n为输出层神经元数目;
p为1~10之间的常数。
(3)利用训练数据集对BP网络模型进行训练,包括正向传播和反向误差传播,正向传播时,7个输入量从输入层传入,经各隐层逐层处理后,传向输出层,若输出层的实际输出与训练集中已知的参数a至g不符,则转入误差的反向传播阶段,误差反传将输出误差通过隐藏层向输入层逐层反传,并将误差分摊给各层的所有神经元,进而修正各神经元的权重和偏置,从而提高BP网络模型的输出精度;
其中,正向传播的公式如下:
其中,wij是由上一层的单元i到单元j的连接的权重;
Oi是上一层的单元i的输出;
θj是单元j的偏置,
给定单元j的净输入Ij,单元j的输出Oj如下所示:
反向误差传播的公式如下:
对于输出层单元j的误差Errj用下式计算,
Errj=Oj(1-Oj)(Tj-Oj)
其中,Oj是单元j的实际输出;
Tj是j给定训练元祖的已知目标值;
Oj(1-Oj)是Logistic函数的导数,
对于隐藏层单元j的误差如下公式
Errj=Oj(1-Oi)∑Errkwjk
其中,wjk是由下一层中单元k到单元j的连接权重;
Errk是单元k的误差,
更新权重:
Δwij=(l)ErrjOi
wij=wij+Δwij
其中,Δwij是权重wij的改变量;
l是学习率,其取值范围是0~1之间的常数,
更新偏置:
Δθj=(l)Errj
θj=θj+Δθj
其中,Δθj是θj的改变量。
进一步地,还分别对输入量、输出量进行归一化处理,归一化后取平均值作为输入量、输出量,其公式如下:
其中xi代表输入量或输出量;
xmin代表xi中的最小值;
xmax代表xi中的最大值。
参阅图3所示,是本发明电子装置的实施例的硬件架构示意图。本实施例中,所述电子装置2是一种能够按照事先设定或者存储的指令,自动进行数值计算和/或信息处理的设备。例如,可以是智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器,或者多个服务器所组成的服务器集群)等。如图3所示,所述电子装置2至少包括,但不限于,可通过系统总线相互通信连接的存储器21、处理器22。其中:所述存储器21至少包括一种类型的计算机可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器21可以是所述电子装置2的内部存储单元,例如该电子装置2的硬盘或内存。在另一些实施例中,所述存储器21也可以是所述电子装置2的外部存储设备,例如该电子装置2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。当然,所述存储器21还可以既包括所述电子装置2的内部存储单元也包括其外部存储设备。本实施例中,所述存储器21通常用于存储安装于所述电子装置2的操作系统和各类应用软件,例如所述CPU测试程序代码等。此外,所述存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器22在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制所述电子装置2的总体操作,例如执行与所述电子装置2进行数据交互或者通信相关的控制和处理等。本实施例中,所述处理器22用于运行所述存储器21中存储的程序代码或者处理数据,例如运行所述的CPU测试程序等。
需要指出的是,图3仅示出了具有组件21、22的电子装置2,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
包含可读存储介质的存储器21中可以包括操作系统、CPU测试程序50等。处理器22执行存储器21中CPU测试程序50时实现如上方法中的S10、S30、S50的步骤。在本实施例中,存储于存储器21中的所述CPU测试程序50可以被分割为一个或者多个程序模块,所述一个或者多个程序模块被存储于存储器21中,并可由一个或多个处理器(本实施例为处理器22)所执行,以完成本发明。例如,图4示出了所述CPU测试程序的程序模块示意图,该实施例中,所述CPU测试程序50可以被分割为核数筛选模块501、侧重排序模块502、CPU测试模块503、评价参数确定模块504、排序模块505。其中,本发明所称的程序模块是指能够完成特定功能的一系列计算机程序指令段,比程序更适合于描述所述CPU测试程序在所述电子装置2中的执行过程。以下描述将具体介绍所述程序模块的具体功能。
核数筛选模块501用于确定对核数(一块CPU上面能处理数据的芯片组的数量)的要求,根据核数要求筛选CPU。
侧重排序模块502根据不同业务类型对CPU的7个因素的要求的侧重高低不同,将对CPU的7个因素的要求的侧重由高到低排序。
CPU测试模块503根据评价公式综合评价筛选出的CPU,并从筛选出的CPU中计算CPU的综合评价指数,所述评价公式包括计算性能测试、浮点预算能力测试、加解密处理能力测试、多线程处理能力测试、加解压处理能力测试、性价比评价、能效比评价7个因素,所述评价公式如下:
其中,result是综合评价指数;
cputestoperation为测试出的CPU的计算能力,max(cpuoperation)为现有技术中CPU的最大计算能力;
cputestfloat为测试出的CPU的浮点预算能力,max(cpufloat)为现有技术中CPU的最大浮点预算能力;
cputestencryption为测试出的CPU的加解密处理能力,max(cpucryption)为现有技术中CPU的最大加解密处理能力;
cputestmultithreading为测试出的CPU的多线程处理能力,max(cpumultithreading)为现有技术中CPU的最大多线程处理能力;
cputestcompression为测试出的CPU的加解压处理能力,max(cpucompression)为现有技术中CPU的最大加解压处理能力;
cputestcost为测试出的CPU的性价比评价,max(cpucost)为现有技术中CPU的最大性价比;
cputestenergyratio为测试出的CPU的能效比评价,cputestenergyratio为现有技术中CPU的最大能效比;
a至g为评价参数,评价参数确定模块504根据所述侧重排序将所述各因素对应的评价参数对应的在0至1之间从高到低取值。
排序模块505根据各CPU的综合评价指数,将CPU按照综合评价指数得分对应相应的业务类型进行排序。
在一个可选实施例中,CPU测试模块503还包括计算性能测试单元5031,计算性能测试单元5031采用基于Hadoop对多台机器上的CPU同时测试,得分越高,表示该CPU计算处理能力越强,基于Hadoop的CPU测试方法包括以下步骤:
下载测试用例列表,其中,通过SVN服务器从测试用例库中下载所需的测试用例列表,
获取每台节点机器可用的任务跟踪器的槽位数,其中,任务跟踪器是Hadoop计算系统的子节点,槽位是任务跟踪器的最小计算分配单元,一个槽位可以对应一个map任务,一个机器启动一个任务跟踪器,按照机器的CPU核数来分配槽位,其中,每台节点机器上的测试用例列表中测试用例数量为测试用例的总数与槽位数的比值,然后生成每台节点机器上的测试用例列表,调用Hadoop平台计算CPU的功耗,根据并行测试的需求进行资源的合理分配,最后执行并生成测试报告。
在一个可选实施例中,还包括浮点预算能力测试单元5032,采用高斯消元法求解一元N次稠密线性代数方程组来测试CPU的浮点预算能力,得分越高,表示该CPU的浮点运算能力越强,其计算公式如下:
第二测试模块浮点计算峰值=(2/3M3-2M2)/T,
其中,M为问题规模;
T为计算时间。
在一个可选实施例中,还包括加解密处理能力测试单元5033,加解密处理能力测试利用openssl工具测试该CPU的加解密处理能力,得分越高,表示该CPU的加密能力越强;
在一个可选实施例中,还包括多线程处理能力测试单元5034,利用c-ray测试工具测试CPU的多线程处理能力,得分的倒数越高,表示该CPU的多线程处理能力越强;
在一个可选实施例中,还包括加解压处理能力测试单元5035,利用7-zip测试工具测试CPU的加解压处理能力,得分越高,表示该CPU的加解压能力越强;
在一个可选实施例中,还包括性价比评价单元5036,采用公式如下:
性价比数值=(计算性能)/采购价格,数值越高,表示该CPU的性价比越高;
在一个可选实施例中,还包括能效比评价单元5037,采用公式如下:
能效比数值=(计算性能)/TDP,数值越高,表示该CPU能效越高,其中,TDP是散热设计功耗。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质可以是硬盘、多媒体卡、SD卡、闪存卡、SMC、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器等等中的任意一种或者几种的任意组合。所述计算机可读存储介质中包括CPU测试程序等,该计算机程序被处理器执行时实现CPU测试方法,为避免重复,这里不再赘述。或者,该计算机程序被处理器执行时实现电子装置中各模块/单元的功能,为避免重复,这里不再赘述。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种CPU测试方法,应用于电子装置,其特征在于,
确定对核数的要求,根据核数要求筛选CPU;
根据评价公式综合评价筛选出的CPU,并从筛选出的CPU中计算CPU的综合评价指数,所述评价公式包括计算性能测试、浮点预算能力测试、加解密处理能力测试、多线程处理能力测试、加解压处理能力测试、性价比评价、能效比评价7个因素,所述评价公式如下:
其中,result是综合评价指数;
cputestoperation为测试出的CPU的计算能力,max(cpuoperation)为现有技术中CPU的最大计算能力;
cputestfloat为测试出的CPU的浮点预算能力,max(cpufloat)为现有技术中CPU的最大浮点预算能力;
cputestencryption为测试出的CPU的加解密处理能力,max(cpucryption)为现有技术中CPU的最大加解密处理能力;
cputestmultithreading为测试出的CPU的多线程处理能力,max(cpumultithreading)为现有技术中CPU的最大多线程处理能力;
cputestcompression为测试出的CPU的加解压处理能力,max(cpucompression)为现有技术中CPU的最大加解压处理能力;
cputestcost为测试出的CPU的性价比评价,max(cpucost)为现有技术中CPU的最大性价比;
cputestenergyratio为测试出的CPU的能效比评价,cputestenergyratio为现有技术中CPU的最大能效比;
a至g为评价参数,根据不同业务类型对CPU的7个因素的要求的侧重高低不同,将对CPU的7个因素的要求的侧重由高到低排序,根据所述排序将所述各因素对应的评价参数对应的在0至1之间从高到低取值;
根据各CPU的综合评价指数,将CPU按照综合评价指数得分对应相应的业务类型进行排序。
2.根据权利要求1所述的CPU测试方法,其特征在于,评价参数a至g的取值是0或1。
3.根据权利要求1所述的CPU测试方法,其特征在于,
计算性能测试基于Hadoop对多台机器上的CPU测试同时测试,对CPU进行评分,得分越高,表示该CPU计算处理能力越强,包括以下步骤:
下载测试用例列表,其中,通过SVN服务器从测试用例库中下载所需的测试用例列表,
获取每台节点机器可用的任务跟踪器的槽位数,其中,任务跟踪器是Hadoop计算系统的子节点,槽位是任务跟踪器的最小计算分配单元,一个槽位对应一个map任务,一个机器启动一个任务跟踪器,按照机器的CPU核数来分配槽位,其中,每台节点机器上的测试用例列表中测试用例数量为测试用例的总数与槽位数的比值,然后生成每台节点机器上的测试用例列表,调用Hadoop平台计算CPU的功耗,根据并行测试的需求进行资源的合理分配,最后执行并生成测试报告。
4.根据权利要求1所述的CPU测试方法,其特征在于,
浮点预算能力测试采用高斯消元法求解一元N次稠密线性代数方程组来测试CPU的浮点预算能力,得分越高,表示该CPU的浮点运算能力越强,计算公式如下:
浮点计算峰值=(2/3M3-2M 2)/T,
其中,M为问题规模;
T为计算时间。
5.根据权利要求1所述的CPU测试方法,其特征在于,加解密处理能力测试利用openssl工具测试该CPU的加解密处理能力,得分越高,表示该CPU的加密能力越强;
多线程处理能力测试,利用c-ray测试工具测试CPU的多线程处理能力,得分的倒数越高,表示该CPU的多线程处理能力越强;
加解压处理能力测试,利用7-zip测试工具测试CPU的加解压处理能力,得分越高,表示该CPU的加解压能力越强;
性价比评价采用公式如下:
性价比数值=(计算性能)/采购价格,数值越高,表示该CPU的性价比越高;
能效比评价采用公式如下:
能效比数值=(计算性能)/TDP,数值越高,表示该CPU能效越高,其中,TDP是散热设计功耗。
6.根据权利要求1所述的CPU测试方法,其特征在于,权重值a至g参考以往不同业务类型所配置CPU的各项评价参数来确定,将业务需求的CPU性能指标作为神经网络模型的输入部分,将所述评价公式中的a至g的7个参数作为神经网络模型的输出部分,中间是一层隐藏层,用以往的不同业务类型所选配的CPU的性能指标数据、与所选配的CPU的性能指标数据所对应的a至g的参数对该神经网络模型进行训练,训练结束后,采用训练后的神经网络模型来计算a至g的参数。
7.根据权利要求6所述的CPU测试方法,其特征在于,
所述神经网络模型采用BP网络模型,对BP网络模型进行训练包括以下步骤:
(1)收集现有各业务对应的CPU的性能参数要求以及对应的a至g的参数,形成训练数据集;
(2)建立BP网络模型,采用三层全连接的BP网络结构,拓扑结构为7-8-7,即模型由7个输入量和7个输出量组成,隐藏层包含8个神经元,各层传递函数分别为logsig传输函数)、logsig传输函数)、purelin传输函数),学习规则函数采用learnb2pm,其中7个输入量分别对应企业业务对应的CPU的性能指标要求,7个输出量分别对应参数a至g,
其中,隐藏层的神经元的数量采用如下公式估算:
h为隐含层神经元数目;
m为输入层神经元数目;
n为输出层神经元数目;
p为1~10之间的常数;
(3)利用训练数据集对BP网络模型进行训练,包括正向传播和反向误差传播,正向传播时,7个输入量从输入层传入,经各隐层逐层处理后,传向输出层,若输出层的实际输出与训练集中已知的参数a至g不符,则转入误差的反向传播阶段,误差反传将输出误差通过隐藏层向输入层逐层反传,并将误差分摊给各层的所有神经元,进而修正各神经元的权重和偏置,从而提高BP网络模型的输出精度;
其中,正向传播的公式如下:
其中,wij是由上一层的单元i到单元j的连接的权重;
Oi是上一层的单元i的输出;
θj是单元j的偏置,
给定单元j的净输入Ij,单元j的输出Oj如下所示:
反向误差传播的公式如下:
对于输出层单元j的误差Errj用下式计算,
Errj=Oj(1-Oj)(Tj-Oj)
其中,Oj是单元j的实际输出;
Tj是j给定训练元祖的已知目标值;
Oj(1-Oj)是Logistic函数的导数,
对于隐藏层单元j的误差如下公式
Errj=Oj(1-Oj)∑Errkwjk
其中,wjk是由下一层中单元k到单元j的连接权重;
Errk是单元k的误差,
更新权重:
Δwij=(l)ErrjOi
wij=wij+Δwij
其中,Δwij是权重wij的改变量;
l是学习率,其取值范围是0~1之间的常数,
更新偏置:
Δθj=(l)Errj
θj=θj+Δθj
其中,Δθj是θj的改变量。
8.根据权利要求1所述的CPU测试方法,其特征在于,
还分别对输入量、输出量进行归一化处理,归一化后取平均值作为输入量、输出量,其公式如下:
其中xi代表输入量或输出量;
xmin代表xi中的最小值;
xmax代表xi中的最大值。
9.一种电子装置,其特征在于,该电子装置包括:存储器和处理器,所述存储器中存储有CPU测试程序,所述CPU测试程序被所述处理器执行时实现如下步骤:
确定对核数的要求,根据核数要求筛选CPU;
根据评价公式综合评价筛选出的CPU,并从筛选出的CPU中计算CPU的综合评价指数,所述评价公式包括计算性能测试、浮点预算能力测试、加解密处理能力测试、多线程处理能力测试、加解压处理能力测试、性价比评价、能效比评价7个因素,所述评价公式如下:
其中,result是综合评价指数;
cputestoperation为测试出的CPU的计算能力,max(cpuoperation)为现有技术中CPU的最大计算能力;
cputestfloat为测试出的CPU的浮点预算能力,max(cpufloat)为现有技术中CPU的最大浮点预算能力;
cputestencryption为测试出的CPU的加解密处理能力,max(cpucryption)为现有技术中CPU的最大加解密处理能力;
cputestmultithreading为测试出的CPU的多线程处理能力,max(cpumultithreading)为现有技术中CPU的最大多线程处理能力;
cputestcompression为测试出的CPU的加解压处理能力,max(cpucompression)为现有技术中CPU的最大加解压处理能力;
cputestcost为测试出的CPU的性价比评价,max(cpucost)为现有技术中CPU的最大性价比;
cputestenergyratio为测试出的CPU的能效比评价,cputestenergyratio为现有技术中CPU的最大能效比;
a至g为评价参数,根据不同业务类型对CPU的7个因素的要求的侧重高低不同,将对CPU的7个因素的要求的侧重由高到低排序,根据所述排序将所述各因素对应的评价参数对应的在0至1之间从高到低取值;
根据各CPU的综合评价指数,将CPU按照综合评价指数得分对应相应的业务类型进行排序。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器执行时,实现如权利要求1-8任一项所述的CPU测试方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811550100.6A CN109800138B (zh) | 2018-12-18 | 2018-12-18 | 一种cpu测试方法、电子装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811550100.6A CN109800138B (zh) | 2018-12-18 | 2018-12-18 | 一种cpu测试方法、电子装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109800138A true CN109800138A (zh) | 2019-05-24 |
CN109800138B CN109800138B (zh) | 2022-07-08 |
Family
ID=66557191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811550100.6A Active CN109800138B (zh) | 2018-12-18 | 2018-12-18 | 一种cpu测试方法、电子装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109800138B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111048156A (zh) * | 2019-11-21 | 2020-04-21 | 中国航空工业集团公司西安航空计算技术研究所 | 一种大规模染色阵列性能检测评价方法 |
CN113296905A (zh) * | 2021-03-30 | 2021-08-24 | 阿里巴巴新加坡控股有限公司 | 调度方法、装置、电子设备、存储介质及软件产品 |
CN113886162A (zh) * | 2021-10-21 | 2022-01-04 | 统信软件技术有限公司 | 一种计算设备性能测试方法、计算设备及存储介质 |
CN113886162B (zh) * | 2021-10-21 | 2024-05-31 | 统信软件技术有限公司 | 一种计算设备性能测试方法、计算设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521135A (zh) * | 2011-12-31 | 2012-06-27 | 曙光信息产业股份有限公司 | 线性系统的测试方法和装置 |
US20150150020A1 (en) * | 2013-11-25 | 2015-05-28 | Tata Consultancy Services Limited | System and method facilitating performance prediction of multi-threaded application in presence of resource bottlenecks |
CN105373409A (zh) * | 2015-12-09 | 2016-03-02 | 上海斐讯数据通信技术有限公司 | 基于Hadoop的测试用例分布式测试方法及系统 |
CN106951309A (zh) * | 2017-04-25 | 2017-07-14 | 郑州云海信息技术有限公司 | 一种虚拟化平台虚拟机计算性能测试的方法及系统 |
CN107659595A (zh) * | 2016-07-25 | 2018-02-02 | 阿里巴巴集团控股有限公司 | 一种评估分布式集群处理指定业务的能力的方法和装置 |
CN107992401A (zh) * | 2017-11-29 | 2018-05-04 | 平安科技(深圳)有限公司 | 性能测试评价方法、装置、终端设备及存储介质 |
CN109002890A (zh) * | 2018-07-11 | 2018-12-14 | 北京航空航天大学 | 卷积神经网络模型的建模方法及装置 |
CN110413462A (zh) * | 2019-06-29 | 2019-11-05 | 苏州浪潮智能科技有限公司 | 一种服务器压力测试方法与装置 |
-
2018
- 2018-12-18 CN CN201811550100.6A patent/CN109800138B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521135A (zh) * | 2011-12-31 | 2012-06-27 | 曙光信息产业股份有限公司 | 线性系统的测试方法和装置 |
US20150150020A1 (en) * | 2013-11-25 | 2015-05-28 | Tata Consultancy Services Limited | System and method facilitating performance prediction of multi-threaded application in presence of resource bottlenecks |
CN105373409A (zh) * | 2015-12-09 | 2016-03-02 | 上海斐讯数据通信技术有限公司 | 基于Hadoop的测试用例分布式测试方法及系统 |
CN107659595A (zh) * | 2016-07-25 | 2018-02-02 | 阿里巴巴集团控股有限公司 | 一种评估分布式集群处理指定业务的能力的方法和装置 |
CN106951309A (zh) * | 2017-04-25 | 2017-07-14 | 郑州云海信息技术有限公司 | 一种虚拟化平台虚拟机计算性能测试的方法及系统 |
CN107992401A (zh) * | 2017-11-29 | 2018-05-04 | 平安科技(深圳)有限公司 | 性能测试评价方法、装置、终端设备及存储介质 |
CN109002890A (zh) * | 2018-07-11 | 2018-12-14 | 北京航空航天大学 | 卷积神经网络模型的建模方法及装置 |
CN110413462A (zh) * | 2019-06-29 | 2019-11-05 | 苏州浪潮智能科技有限公司 | 一种服务器压力测试方法与装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111048156A (zh) * | 2019-11-21 | 2020-04-21 | 中国航空工业集团公司西安航空计算技术研究所 | 一种大规模染色阵列性能检测评价方法 |
CN113296905A (zh) * | 2021-03-30 | 2021-08-24 | 阿里巴巴新加坡控股有限公司 | 调度方法、装置、电子设备、存储介质及软件产品 |
CN113296905B (zh) * | 2021-03-30 | 2023-12-26 | 阿里巴巴新加坡控股有限公司 | 调度方法、装置、电子设备、存储介质及软件产品 |
CN113886162A (zh) * | 2021-10-21 | 2022-01-04 | 统信软件技术有限公司 | 一种计算设备性能测试方法、计算设备及存储介质 |
CN113886162B (zh) * | 2021-10-21 | 2024-05-31 | 统信软件技术有限公司 | 一种计算设备性能测试方法、计算设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109800138B (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | A speculative approach to spatial‐temporal efficiency with multi‐objective optimization in a heterogeneous cloud environment | |
CN103999049B (zh) | 用于预测虚拟机需求的方法和装置 | |
CN108171280A (zh) | 一种分类器构建方法及预测分类的方法 | |
CN102393839A (zh) | 并行数据处理系统及方法 | |
CN109800138A (zh) | 一种cpu测试方法、电子装置及存储介质 | |
Khodaverdian et al. | An energy aware resource allocation based on combination of CNN and GRU for virtual machine selection | |
US20210217083A1 (en) | Method and system for optimizing resource redistribution | |
Soukaina et al. | A hybrid genetic algorithm for solving 0/1 knapsack problem | |
Sundararajan et al. | A constrained genetic algorithm for rebalancing of services in cloud data centers | |
Mohamad et al. | Modelling the financial performance of construction companies using neural network via genetic algorithm | |
Jalalvand et al. | A multi-objective risk-averse workforce planning under uncertainty | |
US11507602B2 (en) | Method and system for prioritizing system under test configurations | |
CN108256694A (zh) | 基于重复遗传算法的模糊时间序列预测系统、方法及装置 | |
CN114118608A (zh) | 电网业务配比优化方法、装置、终端及存储介质 | |
WO2019027457A1 (en) | GENETIC ALGORITHMS IN BLOCK CHAIN SPACE | |
Kuzior et al. | The current state of scientific research of the process of risk management of Ukrainian energy sector enterprises | |
CN112215460A (zh) | 一种对电网投资数据的评价方法及装置 | |
CN110059880A (zh) | 一种服务发现方法及装置 | |
CN110689320A (zh) | 一种基于协同进化算法的大规模多目标项目调度方法 | |
Silva et al. | Model optimisation for server loading forecasting with genetic algorithms | |
Chen et al. | An efficient and effective approach for mining a group stock portfolio using mapreduce | |
De Moraes et al. | An evolutive hybrid approach to cloud computing provider selection | |
Xing et al. | Research on the credit evaluation model of electricity selling company based on GA-SVM | |
AL-Sammarraie et al. | Data mining using cat swarm optimization CSO algorithm | |
Feng et al. | Dynamic search space particle swarm optimization approach for portfolio optimization |
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 |