CN111258866A - 计算机性能预测方法、装置、设备及可读存储介质 - Google Patents
计算机性能预测方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN111258866A CN111258866A CN202010036218.8A CN202010036218A CN111258866A CN 111258866 A CN111258866 A CN 111258866A CN 202010036218 A CN202010036218 A CN 202010036218A CN 111258866 A CN111258866 A CN 111258866A
- Authority
- CN
- China
- Prior art keywords
- computer performance
- performance data
- time sequence
- analysis model
- prediction
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
- G06F11/3419—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment by assessing time
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3452—Performance evaluation by statistical analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明涉及人工智能技术领域,公开了一种计算机性能预测方法,包括以下步骤:收集计算机性能数据,其中,所述计算机性能数据包括周期性计算机性能数据和非周期性计算机性能数据;使用预置时序分析模型集中的初始时序分析模型对所述计算机性能数据进行拟合,得到所述初始时序分析模型的初始参数;调整所述初始时序分析模型的初始参数,得到时序分析模型;通过所述时序分析模型对待预测的计算机性能数据进行预测,得到预测结果。本发明还公开了一种计算机性能预测装置、设备及可读存储介质。本发明提供的计算机性能预测方法提高了计算机性能预测的准确率。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种计算机性能预测方法、装置、设备及可读存储介质。
背景技术
目前,往往只是对软件的历史数据进行预测,预测的结论是滞后的,因此不能及时发现潜在的问题,也无法对未来的计算机性能做正确的评估和预警。一旦计算机性能下降,则需要耗费大量的人力和时间成本去修复提升,目前也没有一种较好的方案,既可以实现对计算机性能中存在的潜在风险进行预测,又可以提高预测的效果。如何提高计算机性能预测的准确度是目前本领域亟待解决的技术问题。
发明内容
本发明的主要目的在于提供一种计算机性能预测方法、装置、设备及可读存储介质,旨在解决计算机性能预测准确率低的技术问题。
为实现上述目的,本发明提供一种计算机性能预测方法,所述计算机性能预测方法包括以下步骤:
收集计算机性能数据,其中,所述计算机性能数据包括周期性计算机性能数据和非周期性计算机性能数据;
使用预置时序分析模型集中的初始时序分析模型对所述计算机性能数据进行拟合,得到所述初始时序分析模型的初始参数,其中,所述预置时序分析模型包括用于对周期性计算机性能数据进行预测的第一模型和用于对非周期性计算机性能数据进行预测的第二模型,所述初始参数包括:差分系数d、自回归阶数p、滑动平均阶数q和周期T;
调整所述初始时序分析模型的初始参数,得到目标时序分析模型;
通过所述目标时序分析模型对待预测的计算机性能数据进行预测,得到预测结果。
可选地,所述使用预置时序分析模型集中的初始时序分析模型对所述计算机性能数据进行拟合,得到所述初始时序分析模型的初始参数,其中,所述预置时序分析模型集包括用于对周期性计算机性能数据进行预测的第一模型和用于对非周期性计算机性能数据进行预测的第二模型,所述初始参数包括:差分系数d、自回归阶数p、滑动平均阶数q和周期T,包括以下步骤:
判断所述计算机性能数据是否为非平稳时间序列数据;
若所述计算机性能数据为非平稳时间序列数据,则进行d阶差分运算,将所述非平稳时间序列数据转化为平稳时间序列数据;
若所述计算机性能数据为平稳时间序列数据,则计算所述平稳时间序列数据的自相关系数和偏自相关系数;
基于所述自相关系数和所述偏自相关系数,对自相关图和偏自相关图进行分析,得到预置时序分析模型集中所述初始时序分析模型的初始参数,其中,所述预置时序分析模型集包括用于对周期性计算机性能数据进行预测的第一模型和用于对非周期性计算机性能数据进行预测的第二模型,所述初始参数包括:差分系数d、自回归阶数p、滑动平均阶数q和周期T。
可选地,所述调整所述初始时序分析模型的初始参数,得到目标时序分析模型,包括以下步骤:
以穷举的方式通过所述初始时序分析模型对预置计算机性能数据进行拟合,得到第一拟合结果;
计算所述第一拟合结果的拟合优度;
判断所述第一拟合结果的拟合优度是否大于或等于第一预设阈值;
若所述拟合优度大于或等于所述第一预设阈值,则得到目标时序分析模型;
若所述第一拟合结果的拟合优度小于所述第一预设阈值,则调整所述初始时序分析模型的初始参数,直至所述拟合优度大于或等于所述第一预设阈值,得到目标时序分析模型。
可选地,所述通过述时序分析模型集对待预测的计算机性能数据进行预测,得到预测结果,包括以下步骤:
根据计算机性能数据随时间出现的频率,将所述计算机性能数据划分为不同类型,其中,所述不同类型包括周期性计算机性能数据类和/或非周期性计算机性能数据类;
根据所述计算机性能数据的类型,确定目标时序分析模型的目标类型,并通过所述目标类型的时序分析模型对待预测的计算机性能数据进行预测,得到预测结果。
可选地,所述根据所述计算机性能数据的不同类型,确定目标时序分析模型的目标类型,并通过所述目标类型的时序分析模型对待预测的计算机性能数据进行预测,得到预测结果,包括以下步骤:
判断所述计算机性能数据的类型是否为周期性计算机性能数据类;
若所述计算机性能数据的类型为周期性计算机性能数据类,则采用Prophet模型对待预测的计算机性能数据进行预测,得到第一预测结果,并将所述第一预测结果作为预测结果;
若所述计算机性能数据的类型为非周期性计算机性能数据类,则采用ARIMA模型对待预测的计算机性能数据进行预测,得到第二预测结果,并将所述第二预测结果作为预测结果。
可选地,在所述通过所述目标时序分析模型对待预测的计算机性能数据进行预测,得到预测结果之后,所述计算机性能预测方法还包括以下步骤:
判断是否存在多个第一子预测结果或多个第二子预测结果;
若存在多个第一子预测结果或多个第二子预测结果,则通过最小二乘法对所述多个第一子预测结果或多个第二子预测结果进行线性拟合,得到第二拟合结果。
可选地,在所述若存在多个第一子预测结果或多个第二子预测结果,则通过最小二乘法对所述多个第一子预测结果或多个第二子预测结果进行线性拟合,得到第二拟合结果之后,所述计算机性能预测方法还包括以下步骤:
计算所述第二拟合结果的拟合优度;
判断所述第二拟合结果的拟合优度是否小于或等于第二预设阈值;
若所述第二拟合结果的拟合优度小于或等于第二预设阈值,则调节目标时序分析模型的参数,直至所述第二拟合结果的拟合优度大于所述第二预设阈值。
进一步地,为实现上述目的,本发明还提供一种计算机性能预测装置,所述计算机性能预测装置包括以下模块:
收集模块,用于收集计算机性能数据,其中,所述计算机性能数据包括周期性计算机性能数据和非周期性计算机性能数据;
拟合模块,用于使用预置时序分析模型集中的初始时序分析模型对所述计算机性能数据进行拟合,得到所述初始时序分析模型的初始参数,其中,所述初始时序分析模型集包括用于对周期性计算机性能数据进行预测的第一模型和用于对非周期性计算机性能数据进行预测的第二模型,所述初始参数包括:差分系数d、自回归阶数p、滑动平均阶数q和周期T;
调整模块,用于调整所述初始时序分析模型的初始参数,得到目标时序分析模型;
预测模块,用于通过所述目标时序分析模型对待预测的计算机性能数据进行预测,得到预测结果。
可选地,所述拟合模块包括以下单元:
判断单元,用于判断所述计算机性能数据是否为非平稳时间序列数据;
运算单元,用于若计算机性能数据为非平稳时间序列数据,则进行d阶差分运算,将所述非平稳时间序列数据转化为平稳时间序列数据,若计算机性能数据为平稳时间序列数据,则计算所述平稳时间序列数据的自相关系数和偏自相关系数;
分析单元,用于基于所述自相关系数和偏自相关系数,对自相关图和偏自相关图进行分析,得到预置时序分析模型集中所述初始时序分析模型的初始参数,其中,所述预置时序分析模型集包括用于对周期性计算机性能数据进行预测的第一模型和用于对非周期性计算机性能数据进行预测的第二模型,所述初始参数包括:差分系数d、自回归阶数p、滑动平均阶数q和周期T。
可选地,所述调整模块包括以下单元:
拟合单元,用于以穷举的方式通过所述初始时序分析模型对预置计算机性能数据进行拟合,得到第一拟合结果;
拟合优度计算单元,用于计算所述第一拟合结果的拟合优度;
拟合优度判断单元,用于判断所述第一拟合结果是否大于或等于第一预设阈值;
时序分析模型获取单元,用于若所述第一拟合结果大于或等于所述第一预设阈值,则得到目标时序分析模型;
初始参数调整单元,用于若所述第一拟合结果小于所述第一预设阈值,则调整所述初始时序分析模型的初始参数,直至所述拟合优度大于或等于所述第一预设阈值,得到目标时序分析模型。
可选地,所述预测模块包括以下单元:
分类单元,用于根据计算机性能数据随时间出现的频率,将所述计算机性能数据划分为不同类型,其中,所述不同类型包括周期性计算机性能数据类和/或非周期性计算机性能数据类;
预测单元,用于根据所述计算机性能数据的类型,确定目标时序分析模型的目标类型,并通过所述目标类型的时序分析模型对待预测的计算机性能数据进行预测,得到预测结果。
可选地,所述预测单元用于:
判断所述计算机性能数据的类型是否为周期性计算机性能数据类;
若所述计算机性能数据的类型为周期性计算机性能数据类,则采用Prophet模型对待预测的计算机性能数据进行预测,得到第一预测结果,并将所述第一预测结果作为预测结果;
若所述计算机性能数据的类型为非周期性计算机性能数据类,则采用ARIMA模型对待预测的计算机性能数据进行预测,得到第二预测结果,并将所述第二预测结果作为预测结果。
可选地,所述计算机性能预测装置还包括以下模块:
检测模块,用于判断是否存在多个第一子预测结果或多个第二子预测结果;
线性拟合模块,用于若存在多个第一子预测结果或多个第二子预测结果,则通过最小二乘法对所述多个第一子预测结果或多个第二子预测结果进行线性拟合,得到第二拟合结果。
可选地,所述计算机性能预测装置还包括以下模块:
第二拟合优度计算模块,用于计算所述第二拟合结果的拟合优度;
第二拟合优度判断模块,用于判断所述第二拟合结果的拟合优度是否小于或等于第二预设阈值;
调节模块,用于若所述第二拟合结果的拟合优度小于或等于第二预设阈值,则调节目标时序分析模型的参数,直至所述第二拟合结果的拟合优度大于所述第二预设阈值。
进一步地,为实现上述目的,本发明还提供一种计算机性能预测设备,所述计算机性能预测设备包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机性能预测程序,所述计算机性能预测程序被所述处理器执行时实现如上述任一项所述的计算机性能预测方法的步骤。
进一步地,为实现上述目的,本发明还提供一种可读存储介质,所述可读存储介质上存储有计算机性能预测程序,所述计算机性能预测程序被处理器执行时实现如上述任一项所述的计算机性能预测方法的步骤。
本发明通过时序分析模型集中的目标时序分析模型对软件开发过程中可能出现的计算机性能数据进行预测,可以及早发现计算机的各项性能是否出现异常。通过不同的模型对呈周期性变化的数据和呈非周期性变化的数据进行处理,可提高预测结果的准确率。
附图说明
图1为本发明实施例方案涉及的计算机性能预测设备运行环境的结构示意图;
图2为本发明计算机性能预测方法的第一实施例的流程示意图;
图3为图2中步骤S20的一个实施例的细化流程示意图;
图4为图2中步骤S30的一个实施例的细化流程示意图;
图5为图2中步骤S40的一个实施例的细化流程示意图;
图6为图5中步骤S402的一个实施例的细化流程示意图;
图7为本发明计算机性能预测方法的第二实施例的流程示意图;
图8为本发明计算机性能预测方法的第三实施例的流程示意图;
图9为本发明计算机性能预测装置的一个实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明提供一种计算机性能预测设备。
参照图1,图1为本发明实施例方案涉及的计算机性能预测设备运行环境的结构示意图。
如图1所示,该计算机性能预测设备包括:处理器1001,例如CPU,通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的计算机性能预测设备的硬件结构并不构成对计算机性能预测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种可读存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及计算机性能预测程序。其中,操作系统是管理和控制计算机性能预测设备和软件资源的程序,支持计算机性能预测程序以及其它软件和/或程序的运行。
在图1所示的计算机性能预测设备的硬件结构中,网络接口1004主要用于接入网络;用户接口1003主要用于侦测确认指令和编辑指令等。而处理器1001可以用于调用存储器1005中存储的计算机性能预测程序,并执行以下计算机性能预测方法的各实施例的操作。
基于上述计算机性能预测设备硬件结构,提出本发明计算机性能预测方法的各个实施例。
参照图2,图2为本发明计算机性能预测方法的第一实施例的流程示意图。本实施例中,计算机性能预测方法包括以下步骤:
步骤S10,收集计算机性能数据,其中,计算机性能数据包括周期性计算机性能数据和非周期性计算机性能数据;
本实施例中,计算机性能数据可以为CPU使用率数据和内存使用率数据,在收集完这些计算机性能数据后,可按时间顺序或迭代周期顺序进行存储,可形成按时间顺序排序的计算机性能数据。
步骤S20,使用预置时序分析模型集中的初始时序分析模型对计算机性能数据进行拟合,得到初始时序分析模型的初始参数,其中,预置时序分析模型集包括用于对周期性计算机性能数据进行预测的第一模型和用于对非周期性计算机性能数据进行预测的第二模型,初始参数包括:差分系数d、自回归阶数p、滑动平均阶数q和周期T;
本实施例中,预置时序分析模型集可以包括多个时序分析模型,不同的时序分析模型可以对不同的数据进行拟合,例如,可采用CPU使用率数据和内存使用率数据可随时间的增加而增加,则可以使用Prophet模型。
步骤S30,调整初始时序分析模型的初始参数,得到目标时序分析模型;
本实施例中,由于初始时序分析模型并不具备对待预测的计算机性能数据进行准确预测的能力,因此需要调节参数来对模型进行优化。
步骤S40,通过目标时序分析模型对待预测的计算机性能数据进行预测,得到预测结果。
本实施例中,因为计算机性能数据中既可以存在呈周期性变化的数据,也可以存在不呈周期性变化的数据,因此,在对不同的数据进行预测后,有可能得到一个预测结果,也可能得到两个预测结果,例如,用第一预测结果表示对呈周期性变化的数据预测后,得到的预测结果,用第二预测结果表示对呈非周期性变化的数据预测后,得到的预测结果。
通过时序分析模型集中的时序分析模型对软件开发过程中可能出现的质量问题进行预测,可以及早发现问题,为项目管理提供预警。通过不同的模型对呈周期性变化的数据和呈非周期性变化的数据进行处理,能提高预测结果的准确率。
参照图3,图3为图2中步骤S20的一个实施例的细化流程示意图。本实施例中,步骤S20,使用预置时序分析模型集中的初始时序分析模型对计算机性能数据进行拟合,得到初始时序分析模型的初始参数,其中,预置时序分析模型集包括用于对周期性计算机性能数据进行预测的第一模型和用于对非周期性计算机性能数据进行预测的第二模型,初始参数包括:差分系数d、自回归阶数p、滑动平均阶数q和周期T,包括以下步骤:
步骤S201,判断计算机性能数据是否为非平稳时间序列数据;
本实施例中,时间序列数据(time-series data),亦即单一变量按时间的先后次序产生的数据。一个时间序列,如果均值和方差没有系统变化或周期性变化,均值无变化,则说明无明显趋势,方差无变化则说明波动比较稳定,就称之为平稳时间序列数据。非平稳时间序列数据没有不变的中心趋势,不能通过时间序列的样本均值和方差推断各时点数据随机变量的分布特征。因此,可根据上述特性判断计算机性能数据是否为非平稳时间序列数据。
步骤S202,若计算机性能数据为非平稳时间序列数据,则进行d阶差分运算,将非平稳时间序列数据转化为平稳时间序列数据;
步骤S203,若计算机性能数据为平稳时间序列数据,则计算平稳时间序列数据的自相关系数和偏自相关系数;
本实施例中,d阶差分运算是一种将非平稳时间序列数据转化为平稳时间序列数据的技术手段。将非平稳时间序列数据转化为平稳时间序列数据后,可方便得到各时间点数据随机变量的分布特征。
计算平稳时间序列数据的自相关系数ACF和偏自相关系数PACF,两个系数都用来表示变量之间的关系,当研究有个变量受另外一个变量影响时,若同时考虑其他变量的影响,则为相关系数,若不考虑其他变量的影响,则为偏自相关系数,自相关系数用来描述数据自身不同时期的相关程度,即度量历史数据对当前数据产生的影响。
步骤S204,基于自相关系数和偏自相关系数,对自相关图和偏自相关图进行分析,得到预置时序分析模型集中初始时序分析模型的初始参数,其中,预置时序分析模型集包括用于对周期性计算机性能数据进行预测的第一模型和用于对非周期性计算机性能数据进行预测的第二模型,初始参数包括:差分系数d、自回归阶数p、滑动平均阶数q和周期T。
本实施例中,通过对自相关图和偏自相关图分析,可得到时序分析模型的初始参数。例如,自相关系数的阶数为2阶或3阶时迅速降至0附近,即在剔除了中间的2或3个变量后,序列开始稳定,取此时的参数作为初始参数。
参照图4,图4为图2中步骤S30的一个实施例的细化流程示意图。本实施例中,步骤S30,调整初始时序分析模型的初始参数,得到目标时序分析模型,包括以下步骤:
步骤S301,以穷举的方式通过初始时序分析模型对预置计算机性能数据进行拟合,得到第一拟合结果;
本实施例中,以穷举的方式通过时序分析模型集对计算机性能数据进行拟合,可以将各个场景下的计算机性能数据都涵盖到。例如,一周时间内出现了900个数据,可将这些数据全部输入进时序分析模型集,通过时序分析模型集对这些数据进行拟合。
步骤S302,计算第一拟合结果的拟合优度;
本实施例中,拟合优度为回归直线对观测值的拟合程度,据预置拟合结果计算拟合结果的拟合优度。
步骤S303,判断第一拟合结果的拟合优度是否大于或等于第一预设阈值;
本实施例中,为了得到满足拟合优度的时序分析模型集,需要判断第一拟合结果的拟合优度是否大于或等于第一预设阈值。
步骤S304,若第一拟合结果的拟合优度大于或等于第一预设阈值,则得到目标时序分析模型;
步骤S305,若第一拟合结果小于第一预设阈值,则调整初始时序分析模型的初始参数,直至拟合优度大于或等于第一预设阈值,得到目标时序分析模型。
本实施例中,调整初始时序分析模型的初始参数的依据是判断总体各类出现的概率是否与已知的概率相符。例如要检验一颗骰子是否是均匀的,那么可以将该骰子抛掷若干次,记录每一面出现的次数,从这些数据出发去检验各面出现的概率是否都是六分之一,拟合优度检验就是用来检验一批分类数据的总体的分布是否与某种理论分布相一致。
参照图5,图5为图2中步骤S40的一个实施例的细化流程示意图。本实施例中,步骤S40,通过述目标时序分析模型对待预测的计算机性能数据进行预测,得到预测结果,包括以下步骤:
步骤S401,根据计算机性能数据随时间出现的频率,将计算机性能数据划分为不同类型,其中,不同类型包括周期性计算机性能数据类和/或非周期性计算机性能数据类;
本实施例中,预先根据计算机性能数据随时间出现的频率,将计算机性能数据划分为周期性计算机性能数据和非周期性计算机性能数据,若是数据随时间呈周期性变化,则将数据设置为周期性计算机性能数据,反之,设置为非周期性计算机性能数据。
步骤S402,根据计算机性能数据的类型,确定目标时序分析模型的目标类型,并通过目标类型的时序分析模型对待预测的计算机性能数据进行预测,得到预测结果。
本实施例中,为了得到更为准确的预测结果,因此,需要根据数据的类型选择合适的模型进行预测。在此之前,需要预先建立不同类型的计算机性能数据和不同类型的时序分析模型之间的映射关系,以实现根据计算机性能数据的类型,确定时序分析模型的类型。
参照图6,图6为图5中步骤S402的一个实施例的细化流程示意图。本实施例中,步骤S402,根据计算机性能数据的不同类型,确定时序分析模型的类型,并通过目标类型的时序分析模型对待预测的计算机性能数据进行预测,得到预测结果,包括以下步骤:
步骤S4021,判断计算机性能数据的类型是否为周期性计算机性能数据类;
步骤S4022,若计算机性能数据的类型为周期性计算机性能数据类,则采用Prophet模型对待预测的计算机性能数据进行预测,得到第一预测结果,并将第一预测结果作为预测结果;
本实施例中,由于Prophet模型对呈周期性变化的数据预测效果更好,因此,通过Prophet模型进行预测。Prophet预测算法可以建立基于历史数据的模型。将周期性计算机性能数据类的数据输入上述模型,根据数据历史变化趋势得到一个月、一年或其他周期内的预测结果。
步骤S4023,若计算机性能数据的类型为非周期性计算机性能数据类,则采用ARIMA模型对待预测的计算机性能数据进行预测,得到第二预测结果,并将第二预测结果作为预测结果。
本实施例中,由于ARIMA模型对呈非周期性变化的数据预测效果更好,因此,通过ARIM模型进行预测。ARIMA模型即自回归积分滑动平均模型,是一种较为传统的预测模型,通过ARIMA模型来近似描述随时间推移而形成的数据序列,当接收到预测请求后,模型就可以从时间序列的过去值及现在值来预测未来值。
参照图7,图7为本发明计算机性能预测方法的第二实施例的流程示意图。本实施例中,在步骤S40,通过目标时序分析模型对待预测的计算机性能数据进行预测,得到预测结果之后,计算机性能预测方法还包括以下步骤:
步骤S50,判断是否存在多个第一子预测结果或多个第二子预测结果;
本实施例中,由于可以通过多个模型对数据进行预测,因此可以得到多个预测结果,对同一类型的数据进行处理的模型可以有多个,因此,可以得到多个子预测结果。
步骤S60,若存在多个第一子预测结果或多个第二子预测结果,则通过最小二乘法对多个第一子预测结果或多个第二子预测结果进行线性拟合,得到第二拟合结果。
本实施例中,由于多个模型可以同时对同一类型的数据进行预测,为了得到最优的预测结果,因此需要对多个子预测结果进行线性拟合。由于多个子预测结果是由同一类型下的多个模型预测得到的,因此,各个模型之间的预测结果之间也存在联系,通过最小二乘法可以对多个子预测结果进行拟合,得到拟合结果。通过最小二乘法可以将多个子预测结果拟合成曲线。这样可以直观地得到预测结果的变化趋势。
参照图8,图8为本发明计算机性能预测方法的第三实施例的流程示意图。本实施例中,在步骤S60,若存在多个第一子预测结果或多个第二子预测结果,则通过最小二乘法对多个第一子预测结果或多个第二子预测结果进行线性拟合,得到第二拟合结果之后,计算机性能预测方法还包括以下步骤:
步骤S70,计算第二拟合结果的拟合优度;
本实施例中,为了得到满足第二拟合优度的时序分析模型集,因此,计算第一拟合结果和第二拟合结果。
步骤S80,判断第二拟合结果的拟合优度是否小于或等于第二预设阈值;
本实施例中,判断第二拟合优度是否小于或等于预置第二拟合优度,以第二预设阈值为评价第二拟合优度的基准。
步骤S90,若第二拟合结果的拟合优度小于或等于第二预设阈值,则调节目标时序分析模型的参数,直至第二拟合结果的拟合优度大于第二预设阈值。
本实施例中,预置时序分析模型集包括多个时序分析模型,有些时序分析模型用于预测周期性计算机性能数据,另外一些时序分析模型用于预测非周期性计算机性能数据,各个模型之间具有不同的优先级,权重越高,优先级越高,当存在对待预测的计算机性能数据进行预测的指令时,优先采用优先级高的时序分析模型进行预测,将判断第二拟合优度是否小于或等于第二预设阈值,作为评价模型权重是否合适的标准,当小于或等于第二预设阈值,则需要调节不同模型所占的权重,直至第二拟合优度大于第二预设阈值。
通过预置时序分析模型集中的时序分析模型对软件开发过程中可能出现的质量问题进行预测,可以能及早发现问题,为项目管理提供预警。通过不同的模型对呈周期性变化的数据和呈非周期性变化的数据进行处理,能提高预测结果的准率。
参照图9,图9为本发明计算机性能预测装置的一个实施例的功能模块示意图。本实施例中,计算机性能预测装置包括:
收集模块10,用于收集计算机性能数据,其中,计算机性能数据包括周期性计算机性能数据和非周期性计算机性能数据;
拟合模块20,用于使用预置时序分析模型集中的初始时序分析模型对计算机性能数据进行拟合,得到初始时序分析模型的初始参数,其中,预置时序分析模型集包括用于对周期性计算机性能数据进行预测的第一模型和用于对非周期性计算机性能数据进行预测的第二模型,初始参数包括:差分系数d、自回归阶数p、滑动平均阶数q和周期T;
调整模块30,用于调整初始时序分析模型的初始参数,得到目标时序分析模型;
预测模块40,用于通过目标时序分析模型对待预测的计算机性能数据进行预测,得到预测结果。
本实施例中,通过本装置的模块可对呈周期性变化的数据和呈非周期性变化的数据分别进行处理,可提高预测结果的准率度。
本发明还提供一种可读存储介质。
本实施例中,所述可读存储介质上存储有计算机性能预测程序,所述计算机性能预测程序被处理器执行时实现如上述任一项实施例中所述的计算机性能预测方法的步骤。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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(如ROM/RAM)中,包括若干指令用以使得一台终端(可以是手机,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的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,这些均属于本发明的保护之内。
Claims (10)
1.一种计算机性能预测方法,其特征在于,所述计算机性能预测方法包括以下步骤:
收集计算机性能数据,其中,所述计算机性能数据包括周期性计算机性能数据和非周期性计算机性能数据;
使用预置时序分析模型集中的初始时序分析模型对所述计算机性能数据进行拟合,得到所述初始时序分析模型的初始参数,其中,所述预置时序分析模型集包括用于对周期性计算机性能数据进行预测的第一模型和用于对非周期性计算机性能数据进行预测的第二模型,所述初始参数包括:差分系数d、自回归阶数p、滑动平均阶数q和周期T;
调整所述初始时序分析模型的初始参数,得到目标时序分析模型;
通过所述目标时序分析模型对待预测的计算机性能数据进行预测,得到预测结果。
2.如权利要求1所述的计算机性能预测方法,其特征在于,所述使用预置时序分析模型集中的初始时序分析模型对所述计算机性能数据进行拟合,得到所述初始时序分析模型的初始参数,其中,所述预置时序分析模型集包括用于对周期性计算机性能数据进行预测的第一模型和用于对非周期性计算机性能数据进行预测的第二模型,所述初始参数包括:差分系数d、自回归阶数p、滑动平均阶数q和周期T,包括以下步骤:
判断所述计算机性能数据是否为非平稳时间序列数据;
若所述计算机性能数据为非平稳时间序列数据,则进行d阶差分运算,将所述非平稳时间序列数据转化为平稳时间序列数据;
若所述计算机性能数据为平稳时间序列数据,则计算所述平稳时间序列数据的自相关系数和偏自相关系数;
基于所述自相关系数和所述偏自相关系数,对自相关图和偏自相关图进行分析,得到预置时序分析模型集中所述初始时序分析模型的初始参数,其中,所述预置时序分析模型集包括用于对周期性计算机性能数据进行预测的第一模型和用于对非周期性计算机性能数据进行预测的第二模型,所述初始参数包括:差分系数d、自回归阶数p、滑动平均阶数q和周期T。
3.如权利要求1所述的计算机性能预测方法,其特征在于,所述调整所述初始时序分析模型的初始参数,得到目标时序分析模型,包括以下步骤:
以穷举的方式通过所述初始时序分析模型对预置计算机性能数据进行拟合,得到第一拟合结果;
计算所述第一拟合结果的拟合优度;
判断所述第一拟合结果的拟合优度是否大于或等于第一预设阈值;
若所述第一拟合结果的拟合优度大于或等于所述第一预设阈值,则得到目标时序分析模型;
若所述第一拟合结果小于所述第一预设阈值,则调整所述初始时序分析模型的初始参数,直至所述拟合优度大于或等于所述第一预设阈值,得到目标时序分析模型。
4.如权利要求1所述的计算机性能预测方法,其特征在于,所述通过述目标时序分析模型对待预测的计算机性能数据进行预测,得到预测结果,包括以下步骤:
根据计算机性能数据随时间出现的频率,将所述计算机性能数据划分为不同类型,其中,所述不同类型包括周期性计算机性能数据类和/或非周期性计算机性能数据类;
根据所述计算机性能数据的类型,确定目标时序分析模型的目标类型,并通过所述目标类型的时序分析模型对待预测的计算机性能数据进行预测,得到预测结果。
5.如权利要求4所述的计算机性能预测方法,其特征在于,所述根据所述计算机性能数据的不同类型,确定目标时序分析模型的目标类型,并通过所述目标类型的时序分析模型对待预测的计算机性能数据进行预测,得到预测结果,包括以下步骤:
判断所述计算机性能数据的类型是否为周期性计算机性能数据类;
若所述计算机性能数据的类型为周期性计算机性能数据类,则采用Prophet模型对待预测的计算机性能数据进行预测,得到第一预测结果,并将所述第一预测结果作为预测结果;
若所述计算机性能数据的类型为非周期性计算机性能数据类,则采用ARIMA模型对待预测的计算机性能数据进行预测,得到第二预测结果,并将所述第二预测结果作为预测结果。
6.如权利要求3所述的计算机性能预测方法,其特征在于,在所述通过所述目标时序分析模型对待预测的计算机性能数据进行预测,得到预测结果之后,所述计算机性能预测方法还包括以下步骤:
判断是否存在多个第一子预测结果或多个第二子预测结果;
若存在多个第一子预测结果或多个第二子预测结果,则通过最小二乘法对所述多个第一子预测结果或多个第二子预测结果进行线性拟合,得到第二拟合结果。
7.如权利要求6所述的计算机性能预测方法,其特征在于,在所述若存在多个第一子预测结果或多个第二子预测结果,则通过最小二乘法对所述多个第一子预测结果或多个第二子预测结果进行线性拟合,得到第二拟合结果之后,所述计算机性能预测方法还包括以下步骤:
计算所述第二拟合结果的拟合优度;
判断所述第二拟合结果的拟合优度是否小于或等于第二预设阈值;
若所述第二拟合结果的拟合优度小于或等于第二预设阈值,则调节目标时序分析模型的参数,直至所述第二拟合结果的拟合优度大于所述第二预设阈值。
8.一种计算机性能预测装置,其特征在于,所述计算机性能预测装置包括以下模块:
收集模块,用于收集计算机性能数据,其中,所述计算机性能数据包括周期性计算机性能数据和非周期性计算机性能数据;
拟合模块,用于使用预置时序分析模型集中的初始时序分析模型对所述计算机性能数据进行拟合,得到所述初始时序分析模型的初始参数,其中,所述预置时序分析模型集包括用于对周期性计算机性能数据进行预测的第一模型和用于对非周期性计算机性能数据进行预测的第二模型,所述初始参数包括:差分系数d、自回归阶数p、滑动平均阶数q和周期T;
调整模块,用于调整所述初始时序分析模型的初始参数,得到目标时序分析模型;
预测模块,用于通过所述目标时序分析模型对待预测的计算机性能数据进行预测,得到预测结果。
9.一种计算机性能预测设备,其特征在于,所述计算机性能预测设备包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机性能预测程序,所述计算机性能预测程序被所述处理器执行时实现如权利要求1-7中任一项所述的计算机性能预测方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机性能预测程序,所述计算机性能预测程序被处理器执行时实现如权利要求1-7中任一项所述的计算机性能预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010036218.8A CN111258866A (zh) | 2020-01-14 | 2020-01-14 | 计算机性能预测方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010036218.8A CN111258866A (zh) | 2020-01-14 | 2020-01-14 | 计算机性能预测方法、装置、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111258866A true CN111258866A (zh) | 2020-06-09 |
Family
ID=70948721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010036218.8A Pending CN111258866A (zh) | 2020-01-14 | 2020-01-14 | 计算机性能预测方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111258866A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113688929A (zh) * | 2021-09-01 | 2021-11-23 | 睿云奇智(重庆)科技有限公司 | 预测模型确定方法、装置、电子设备及计算机存储介质 |
-
2020
- 2020-01-14 CN CN202010036218.8A patent/CN111258866A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113688929A (zh) * | 2021-09-01 | 2021-11-23 | 睿云奇智(重庆)科技有限公司 | 预测模型确定方法、装置、电子设备及计算机存储介质 |
CN113688929B (zh) * | 2021-09-01 | 2024-02-23 | 睿云奇智(重庆)科技有限公司 | 预测模型确定方法、装置、电子设备及计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110880984B (zh) | 基于模型的流量异常监测方法、装置、设备及存储介质 | |
CN109242135B (zh) | 一种模型运营方法、装置、及业务服务器 | |
CN110601900B (zh) | 一种网络故障预警方法及装置 | |
US9208209B1 (en) | Techniques for monitoring transformation techniques using control charts | |
CN112702224B (zh) | 一种针对家庭宽带用户质差的分析方法和装置 | |
EP4167149A1 (en) | Method and apparatus for building predictive model, computing device, and storage medium | |
CN110955586A (zh) | 一种基于日志的系统故障预测方法、装置和设备 | |
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 | |
CN114202256B (zh) | 架构升级预警方法、装置、智能终端及可读存储介质 | |
CN109976986B (zh) | 异常设备的检测方法及装置 | |
CN111258866A (zh) | 计算机性能预测方法、装置、设备及可读存储介质 | |
CN111800807A (zh) | 一种基站用户数量告警的方法及装置 | |
CN113032239A (zh) | 风险提示方法、装置、电子设备及存储介质 | |
CN115689095B (zh) | 设备能耗分析方法、装置、生产系统及存储介质 | |
CN115378928B (zh) | 基于云服务的监控方法及系统 | |
US20210365189A1 (en) | Performance analysis apparatus and performance analysis method | |
CN112398706B (zh) | 数据评估标准确定方法、装置及存储介质、电子设备 | |
CN111382946B (zh) | 设备健康状态的自主评估方法、系统及工业互联网设备 | |
CN112882854B (zh) | 一种请求异常的处理方法及装置 | |
CN114706905A (zh) | 数据预测方法、装置、电子设备及计算机可读存储介质 | |
CN113727092A (zh) | 基于决策树的视频监控质量巡检方法及装置 | |
CN110825493A (zh) | 一种虚拟机调优的方法及装置 | |
CN117609740B (zh) | 基于工业大模型智能预测维护系统 | |
CN116737554B (zh) | 一种基于大数据的智能分析处理系统及方法 | |
CN115994070B (zh) | 系统可用率检测方法、装置、电子设备及可读存储介质 |
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 |