CN111611129B - PaaS云平台的性能监控方法及装置 - Google Patents
PaaS云平台的性能监控方法及装置 Download PDFInfo
- Publication number
- CN111611129B CN111611129B CN202010395141.3A CN202010395141A CN111611129B CN 111611129 B CN111611129 B CN 111611129B CN 202010395141 A CN202010395141 A CN 202010395141A CN 111611129 B CN111611129 B CN 111611129B
- Authority
- CN
- China
- Prior art keywords
- cloud platform
- performance
- data
- performance monitoring
- data acquisition
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000007477 logistic regression Methods 0.000 claims abstract description 31
- 230000006870 function Effects 0.000 claims description 50
- 238000012806 monitoring device Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 18
- 238000007476 Maximum Likelihood Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 230000001172 regenerating effect Effects 0.000 claims description 3
- 239000003795 chemical substances by application Substances 0.000 description 50
- 238000004891 communication Methods 0.000 description 17
- 238000013480 data collection Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000007405 data analysis Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 9
- 238000013523 data management Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 6
- 239000000872 buffer Substances 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 244000035744 Hura crepitans Species 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/301—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is a virtual computing platform, e.g. logically partitioned systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
-
- 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
- G06F11/3447—Performance evaluation by modeling
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Probability & Statistics with Applications (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请提供了一种PaaS云平台的性能监控方法及装置,其中,该方法包括:应用预设的数据采集策略和设置在目标PaaS云平台的各个容器中的智能代理程序,获得各个所述容器的资源占用情况特征数据;将各个所述容器的资源占用情况特征数据输入预设的云平台性能监控模型,并根据该云平台性能监控模型的输出结果得到所述目标PaaS云平台的性能监控结果,其中,所述云平台性能监控模型为基于逻辑回归算法预先训练的有监督学习模型;本申请能够提高PaaS云平台性能数据采集和性能监控的实时性、效率以及准确性,进而提高PaaS云平台的安全性。
Description
技术领域
本申请涉及机器学习技术领域,尤其涉及一种PaaS云平台的性能监控方法及装置。
背景技术
PaaS(Platform as a Service)云平台,是云计算服务的其中一种实现模式,它将计算、存储、网络、操作系统、数据库和中间件等基础资源平台化,并以平台服务的方式交付用户使用,为应用程序提供完整的开发和运行环境。同时,PaaS云平台还为应用程序提供了诸如应用调试、应用部署、性能监控、负载均衡、资源按需调整和自动伸缩等服务,能够简化应用程序的开发流程,提高应用程序的开发效率;缩短应用程序的上线部署周期,简化应用运维工作,能够有效地降低应用程序的开发和运维成本。
然而,在基于PaaS云平台的应用开发和运维实践中发现,PaaS云平台仍存在一些不足,主要体现在对PaaS云平台的实时性能数据采集和性能问题识别:在应用程序的开发、测试和生产运维各个阶段,常需要实时采集Web服务器、应用服务器和数据库服务器等应用系统相关服务器的CPU利用率、内存利用率和I/O吞吐率等性能指标数据,以及中间件日志和应用程序日志等数据,并对这些性能指标数据进行实时监控,以确定当前应用系统是否存在性能问题。
针对这一问题,现有方法是人工采集和分析,即由相关人员逐个登录容器,分别采集所需性能数据信息,然后基于历史经验做人工分析。然而,这种方式存在两方面的不足,一是人工采数和分析时延大、效率低,无法实现相关性能数据信息的实时采集、分析和呈现;二是容器中数据的非持久化特性,可能导致相关数据链断裂而无法被完整获取,造成后续的数据分析和性能问题识别不准确。
发明内容
针对现有技术中的问题,本申请提出了一种PaaS云平台的性能监控方法及装置,能够提高PaaS云平台性能数据采集和性能监控的实时性、效率以及准确性,进而提高PaaS云平台的安全性。
为了解决上述技术问题,本申请提供以下技术方案:
第一方面,本申请提供一种PaaS云平台的性能监控方法,包括:
应用预设的数据采集策略和设置在目标PaaS云平台的各个容器中的智能代理程序,获得各个所述容器的资源占用情况特征数据;
将各个所述容器的资源占用情况特征数据输入预设的云平台性能监控模型,并根据该云平台性能监控模型的输出结果得到所述目标PaaS云平台的性能监控结果,其中,所述云平台性能监控模型为基于逻辑回归算法预先训练的有监督学习模型。
进一步地,所述的PaaS云平台的性能监控方法,还包括:获取多组历史资源占用情况特征数据组和各自对应的判定结果,该判定结果用于表示所述目标PaaS云平台存在性能问题或者性能正常;根据所述历史资源占用情况特征数据组和判定结果对所述云平台性能监控模型进行训练。
进一步地,所述根据所述历史资源占用情况特征数据组和判定结果对所述云平台性能监控模型进行训练,包括:根据所述云平台性能监控模型对应的最大似然函数,确定该云平台性能监控模型的损失函数;基于梯度下降算法、所述历史资源占用情况特征数据组和判定结果,得到所述损失函数的输出结果最小时所述云平台性能监控模型对应的各个最大似然参数值。
进一步地,所述应用预设的数据采集策略和设置在目标PaaS云平台的各个容器中的智能代理程序,获得各个所述容器的资源占用情况特征数据,包括:基于所述预设的数据采集策略,应用各个容器中的智能代理程序实时采集各个所述容器各自对应的性能数据;将各个所述容器各自对应的性能数据并行发送至所述目标PaaS云平台对应的数据采集系统,并应用该数据采集系统按照预设的特征编码规则对各个所述性能数据分别进行编码,得到所述资源占用情况特征数据。
进一步地,所述的PaaS云平台的性能监控方法,还包括:定时判断所述数据采集策略是否发生变化,若是,则重新加载所述数据采集策略。
第二方面,本申请提供一种PaaS云平台的性能监控装置,包括:
数据获得模块,用于应用预设的数据采集策略和设置在目标PaaS云平台的各个容器中的智能代理程序,获得各个所述容器的资源占用情况特征数据;
性能监控模块,用于将各个所述容器的资源占用情况特征数据输入预设的云平台性能监控模型,并根据该云平台性能监控模型的输出结果得到所述目标PaaS云平台的性能监控结果,其中,所述云平台性能监控模型为基于逻辑回归算法预先训练的有监督学习模型。
进一步地,所述的PaaS云平台的性能监控装置,还包括:获取模块,用于获取多组历史资源占用情况特征数据组和各自对应的判定结果,该判定结果用于表示所述目标PaaS云平台存在性能问题或者性能正常;训练模块,用于根据所述历史资源占用情况特征数据组和判定结果对所述云平台性能监控模型进行训练。
进一步地,所述的PaaS云平台的性能监控装置,所述训练模块包括:确定单元,用于根据所述云平台性能监控模型对应的最大似然函数,确定该云平台性能监控模型的损失函数;获得参数值单元,用于基于梯度下降算法、所述历史资源占用情况特征数据组和判定结果,得到所述损失函数的输出结果最小时所述云平台性能监控模型对应的各个最大似然参数值。
进一步地,所述数据获得模块,包括:采集性能数据单元,基于所述预设的数据采集策略,应用各个容器中的智能代理程序实时采集各个所述容器各自对应的性能数据;编码单元,用于将各个所述容器各自对应的性能数据并行发送至所述目标PaaS云平台对应的数据采集系统,并应用该数据采集系统按照预设的特征编码规则对各个所述性能数据分别进行编码,得到所述资源占用情况特征数据。
进一步地,所述的PaaS云平台的性能监控装置还包括:加载模块,用于定时判断所述数据采集策略是否发生变化,若是,则重新加载所述数据采集策略。
第三方面,本申请提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述的PaaS云平台的性能监控方法。
第四方面,本申请提供一种计算机可读存储介质,其上存储有计算机指令,所述指令被执行时实现所述的PaaS云平台的性能监控方法。
由上述技术方案可知,本申请提供一种PaaS云平台的性能监控方法及装置。其中,该方法包括:应用预设的数据采集策略和设置在目标PaaS云平台的各个容器中的智能代理程序,获得各个所述容器的资源占用情况特征数据;将各个所述容器的资源占用情况特征数据输入预设的云平台性能监控模型,并根据该云平台性能监控模型的输出结果得到所述目标PaaS云平台的性能监控结果,其中,所述云平台性能监控模型为基于逻辑回归算法预先训练的有监督学习模型,能够提高PaaS云平台性能数据采集和性能监控的实时性、效率以及准确性,进而提高PaaS云平台的安全性;具体地,能够实时、高效、完整且灵活地采集PaaS云平台中各容器的相关性能数据信息,并基于逻辑回归算法对所采集性能数据进行实时监控,及时识别应用系统存在的性能问题。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例中PaaS云平台的性能监控方法的流程示意图;
图2是本申请具体应用实例中PaaS云平台的性能监控方法的流程示意图;
图3是本申请实施例中PaaS云平台的性能监控方法中步骤010和步骤020的流程示意图;
图4是本申请实施例中PaaS云平台的性能监控方法中步骤021和步骤022的流程示意图;
图5是本申请实施例中PaaS云平台的性能监控方法中步骤101和步骤102的流程示意图;
图6是本申请实施例中PaaS云平台的性能监控装置的结构示意图;
图7是本申请具体应用实例中PaaS云平台的性能监控装置的结构示意图;
图8是本申请具体应用实例中PaaS云平台下调整智能Agent的数据采集策略的流程示意图;
图9是本申请具体应用实例中PaaS云平台下采集相关性能数据的流程示意图;
图10是本申请具体应用实例中基于逻辑回归算法的PaaS云平台的性能监控的流程示意图;
图11为本申请实施例的电子设备9600的系统构成示意框图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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他实施例,都属于本申请保护的范围。
基于此,为了提高PaaS云平台性能数据采集和性能监控的实时性、效率以及准确性,进而提高PaaS云平台的安全性,本申请实施例提供一种PaaS云平台的性能监控装置,该装置可以是一服务器或客户端设备,所述客户端设备可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备和智能穿戴设备等。其中,所述智能穿戴设备可以包括智能眼镜、智能手表和智能手环等。
在实际应用中,进行PaaS云平台的性能监控的部分可以在如上述内容所述的服务器侧执行,也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力,以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成,所述客户端设备还可以包括处理器。
上述的客户端设备可以具有通信模块(即通信单元),可以与远程的服务器进行通信连接,实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器,其他的实施场景中也可以包括中间平台的服务器,例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备,也可以包括多个服务器组成的服务器集群,或者分布式装置的服务器结构。
所述服务器与所述客户端设备之间可以使用任何合适的网络协议进行通信,包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括TCP/IP协议、UDP/IP协议、HTTP协议、HTTPS协议等。当然,所述网络协议例如还可以包括在上述协议之上使用的RPC协议(Remote Procedure Call Protocol,远程过程调用协议)、REST协议(Representational State Transfer,表述性状态转移协议)等。
具体通过下述各个实施例进行说明。
如图1所示,为了提高PaaS云平台性能数据采集和性能监控的实时性、效率以及准确性,进而提高PaaS云平台的安全性,本实施例提供一种执行主体是PaaS云平台的性能监控装置的PaaS云平台的性能监控方法,具体包含有如下内容:
步骤100:应用预设的数据采集策略和设置在目标PaaS云平台的各个容器中的智能代理程序,获得各个所述容器的资源占用情况特征数据。
具体地,所述数据采集策略包含有智能代理程序与性能数据之间的对应关系,可根据实际情况进行设置;所述资源占用情况特征数据可以是容器对应的性能数据进行编码后得到的特征数据。所述容器(Container)是镜像(Image)运行时的实体,可以被创建、启动、停止、删除和暂停等,完全应用沙箱机制,相互之间不会有任何接口,其实质是进程,但与直接在宿主执行的进程不同,容器进程运行于属于自己的独立的命名空间。
步骤200:将各个所述容器的资源占用情况特征数据输入预设的云平台性能监控模型,并根据该云平台性能监控模型的输出结果得到所述目标PaaS云平台的性能监控结果,其中,所述云平台性能监控模型为基于逻辑回归算法预先训练的有监督学习模型。
具体地,在得到所述目标PaaS云平台的性能监控结果之后还包含有:将所述性能监控结果输出显示。
为了提高PaaS云平台性能数据采集和性能监控的实时性、效率以及准确性,进而提高PaaS云平台的安全性,参见图2,在本申请一个具体应用实例中,所述PaaS云平台的性能监控方法,包含有:
步骤S101:在容器中部署智能Agent,即所述智能代理程序。
具体地,容器由镜像生成,在制作容器镜像时,将智能Agent打包并发送至容器镜像中;更新智能Agent,首先更新容器镜像中的智能Agent的程序,然后用更新后的容器镜像重新生成容器;智能Agent自身不带数据采集策略,当其注册到数据采集系统(DataCollection System,简称DCS)管理节点成为其子节点后,由DCS为其配置相应的数据采集策略;在采集性能数据前,可在DCS中预先配置满足需求的数据采集策略;亦可在数据采集过程中按需动态调整数据采集策略,策略调整实时生效。
步骤S102:智能Agent采集数据并压缩传输给DCS。
具体地,在采集数据前,通过DCS管理节点设置智能Agent的数据采集策略,然后智能Agent加载所配置的数据采集策略,确定需要采集哪些数据,如何采集,以及采集后用何种压缩算法压缩数据;在采集数据的过程中,智能Agent定期检测数据采集策略是否被更新,若有更新则立即重新加载新的数据采集策略;智能Agent按照已加载的数据采集策略采集数据,然后对数据进行压缩,最后将压缩后的数据包发送给DCS。
步骤S103:DCS接收到数据后,首先解压数据,然后将数据传输给数据分析模块。
步骤S104:数据分析模块基于逻辑回归算法对相关性能数据进行分析,识别当前系统是否存在性能问题,并实时呈现识别结果。
为了进一步提高PaaS云平台性能监控的效率和准确性,参见图3,在本申请一个实施例中,在步骤200之前,还包含有:
步骤010:获取多组历史资源占用情况特征数据组和各自对应的判定结果,该判定结果用于表示所述目标PaaS云平台存在性能问题或者性能正常。
步骤020:根据所述历史资源占用情况特征数据组和判定结果对所述云平台性能监控模型进行训练。
为了进一步提高云平台性能监控模型的可靠性,进而提高PaaS云平台性能监控的效率和准确性,参见图4,在本申请一个实施例中,步骤020包含有:
步骤021:根据所述云平台性能监控模型对应的最大似然函数,确定该云平台性能监控模型的损失函数。
步骤022:基于梯度下降算法、所述历史资源占用情况特征数据组和判定结果,得到所述损失函数的输出结果最小时所述云平台性能监控模型对应的各个最大似然参数值。
具体地,所述云平台性能监控模型对应的各个最大似然参数值为所述云平台性能监控模型对应的最大似然函数的各个参数值。
为了进一步提高PaaS云平台性能数据采集的实时性和准确性,参见图5,在本申请一个实施例中,步骤100包含有:
步骤101:基于所述预设的数据采集策略,应用各个容器中的智能代理程序实时采集各个所述容器各自对应的性能数据。
其中,所述性能数据包含有:容器的CPU使用率、容器的内存利用率、容器的磁盘IO,网络带宽和队列深度。
步骤102:将各个所述容器各自对应的性能数据并行发送至所述目标PaaS云平台对应的数据采集系统,并应用该数据采集系统按照预设的特征编码规则对各个所述性能数据分别进行编码,得到所述资源占用情况特征数据。
具体地,将各个所述容器各自对应的性能数据分别打包后,并行发送至所述目标PaaS云平台对应的数据采集系统,并应用该数据采集系统对所述性能数据进行解压缩;从解压缩后的性能数据中提取针对性能度量的目标性能数据;按照预设的特征编码规则对各个所述目标性能数据分别进行编码,得到所述资源占用情况特征数据。
可以理解的是,在不同时间点采集各个所述容器各自对应的历史性能数据,对历史性能数据进行编码后得到各时间点分别对应的历史资源占用情况特征数据组。所述特征编码规则可根据实际需要进行设置。
为了保证数据采集策略的可靠性,进而应用可靠的数据采集策略提高PaaS云平台性能数据采集和性能监控的准确性,在本申请一个实施例中,还包含有:定时判断所述数据采集策略是否发生变化,若是,则重新加载所述数据采集策略。
从软件层面来说,为了提高PaaS云平台性能数据采集和性能监控的实时性、效率以及准确性,进而提高PaaS云平台的安全性,本申请提供一种用于实现所述PaaS云平台的性能监控方法中全部或部分内容的PaaS云平台的性能监控装置的实施例,参见图6,所述PaaS云平台的性能监控装置具体包含有如下内容:
数据获得模块10,用于应用预设的数据采集策略和设置在目标PaaS云平台的各个容器中的智能代理程序,获得各个所述容器的资源占用情况特征数据。
性能监控模块20,用于将各个所述容器的资源占用情况特征数据输入预设的云平台性能监控模型,并根据该云平台性能监控模型的输出结果得到所述目标PaaS云平台的性能监控结果,其中,所述云平台性能监控模型为基于逻辑回归算法预先训练的有监督学习模型。
在本申请一个实施例中,所述的PaaS云平台的性能监控装置还包含有:
获取模块,用于获取多组历史资源占用情况特征数据组和各自对应的判定结果,该判定结果用于表示所述目标PaaS云平台存在性能问题或者性能正常。
训练模块,用于根据所述历史资源占用情况特征数据组和判定结果对所述云平台性能监控模型进行训练。
在本申请一个实施例中,所述训练模块包含有:
确定单元,用于根据所述云平台性能监控模型对应的最大似然函数,确定该云平台性能监控模型的损失函数。
获得参数值单元,用于基于梯度下降算法、所述历史资源占用情况特征数据组和判定结果,得到所述损失函数的输出结果最小时所述云平台性能监控模型对应的各个最大似然参数值。
在本申请的一个实施例中,所述数据获得模块,包含有:
采集性能数据单元,基于所述预设的数据采集策略,应用各个容器中的智能代理程序实时采集各个所述容器各自对应的性能数据。
编码单元,用于将各个所述容器各自对应的性能数据并行发送至所述目标PaaS云平台对应的数据采集系统,并应用该数据采集系统按照预设的特征编码规则对各个所述性能数据分别进行编码,得到所述资源占用情况特征数据。
在本申请一个实施例中,所述的PaaS云平台的性能监控装置,还包含有:
加载模块,用于定时判断所述数据采集策略是否发生变化,若是,则重新加载所述数据采集策略。
本说明书提供的PaaS云平台的性能监控装置的实施例具体可以用于执行上述PaaS云平台的性能监控方法的实施例的处理流程,其功能在此不再赘述,可以参照上述PaaS云平台的性能监控方法实施例的详细描述。
为了进一步说明本方案,本申请提供一种PaaS云平台的性能监控装置的具体应用实例,为高效接收智能Agent端发送的数据包,DCS侧由数据接收模块负责接收智能Agent采集的数据;数据接收模块采用线程池方式管理数据接收线程,可同时启用多个线程,并行接收各智能Agent发送的数据包;接收到的数据包首先缓存在本地目录,然后由DCS的数据管理模块对数据进行解压缩,最后将数据传给数据分析模块;具体包含有如下内容:
Agent配置和管理模块:包含有管理节点和配置Agent两个功能。管理节点方面,负责智能Agent的注册、心跳检测和分组管理等;配置Agent方面,可按需实时动态调整已注册的智能Agent的数据采集策略。其中,智能Agent部署在容器中,其主要功能是根据所配置的数据采集策略采集数据并压缩传输给DCS。
数据接收模块:用于接收智能Agent发送的数据包,数据接收线程池包含有多个数据接收线程,可同时启动多个线程,并行接收多个智能Agent发送的数据包。
数据存储和管理模块:该模块主要负责对缓存在本地的数据进行管理,包含有解压缩数据包和将数据传输给数据分析模块。
数据分析模块:用于基于逻辑回归算法实时对所采集的性能数据进行监控,并将监控结果传输给监控结果展现模块。
监控结果展现模块:用于以电话、短信、邮件和图表等方式将监控结果实时呈现给相关人员。
如图7所示,在本具体应用实例中,PaaS云平台的性能监控装置可以分为一级路由、动态路由、K8S集群和DCS多层结构;具体描述如下:
一级路由:即用户请求经过的第一层路由,它基于硬件负载均衡设备F5实现,所有应用请求首先到达一级路由处,然后由F5处理请求后分发给下一级的动态路由做进一步分发处理。
动态路由:亦可称为二级路由,是用户请求经过的第二层路由,它基于负载均衡软件haproxy实现,主要作用是将接到的F5转发的应用外部请求转发给满足条件的节点端口NodePort服务。
K8S集群:是Kubernetes集群的简称。一个典型的Kubernetes集群由多个工作节点和一个集群控制节点,以及一个集群状态存储系统etcd组成。
NodePort服务:是引导外部流量到服务的最原始方式。在所有节点(虚拟机)上开放一个特定端口,任何发送到该端口的流量都被转发到对应服务。
Pod:是Kubernetes创建或部署的最小单位。一个Pod封装一个或多个容器(container)、存储资源(volume)、一个独立的网络IP以及管理控制容器运行方式的策略选项。
智能Agent:是一个随容器自启动的智能代理程序,它在运行期间能随时响应DCS的请求并执行相关指令,并主动采集CPU利用率、内存利用率和I/O吞吐率等性能指标数据传输给DCS。
DCS:是Data Collection System的简称,DCS主要用于实时采集PaaS云平台下的各类系统性能指标并基于逻辑回归算法的识别系统存在的性能问题。
为了进一步说明本方案,结合上述具体应用实例中的PaaS云平台的性能监控装置,本申请提供一种PaaS云平台的性能监控方法的具体应用实例,具体包含有如下内容:
1)在PaaS云平台下调整智能Agent的数据采集策略。参考图8,具体包含有如下步骤:
步骤S301:登录DCS,修改各个智能Agent的数据采集策略。智能Agent的数据采集策略由DCS管理,因此,在需要修改智能Agent的数据采集策略时,首先登录DCS,然后修改各智能Agent对应的数据采集策略。
由于DCS可对智能Agent做分组管理,因此,调整数据采集策略时,可以分组调整,也可以逐个分别调整。
S302:DCS的Agent配置和管理模块将修改后的数据采集策略发送给目标智能Agent。
S303:智能Agent更新数据采集策略,然后立即执行更新后的数据采集策略。智能Agent更新数据采集策略后,无需重启,即时生效,然后按更新后的数据采集策略采集数据。
2)PaaS云平台下采集相关性能数据。参见图9,在PaaS云平台下采集性能数据,从数据的获取、传输到存储,具体包含有如下步骤:
S401:智能Agent根据当前数据采集策略采集数据并压缩后发送给DCS。
智能Agent要采集的数据可能由容器自身、中间件或应用程序产生,这些数据有时序性,种类各异,智能Agent对这些数据的处理方式简述如下:首先,智能Agent按时序采集相关数据并缓存;然后,按照不同的数据种类选用相应的压缩算法将所采集数据压缩为数据包;最后,将压缩后的数据发送给DCS。
S402:DCS的数据接收模块接收数据并缓存到本地。
DCS的数据接收模块提供多个数据接收线程,这些线程在同一个线程池中,可同时启动并行接收多个智能Agent发送的数据包。数据接收模块只负责接收数据,接收到的数据直接缓存在本地目录,留待数据管理模块进一步处理。
S403:DCS的数据管理模块对本地数据做解压缩、清洗和合并等初步处理后,将数据发送给数据分析模块。
数据的清洗的目的是将冗余的数据删除,并根据应用特点将设定时间段内的数据取均值,以弱化瞬时峰值对后续数据分析的影响;数据合并的目的是将相关性能数据按相同时序组合,使得这些作为数据分析模块输入项的性能数据能准确反映相应时刻的系统性能情况。
3)基于逻辑回归算法的PaaS云平台的性能监控流程;参见图10,基于逻辑回归算法的PaaS云平台的性能监控流程包含有以下步骤:
步骤S501:构建基于逻辑回归算法的性能问题识别模型。
逻辑回归是一种有监督学习方法,主要用于解决分类问题,特别是二分类问题。本发明实施例基于逻辑回归算法模型,构建性能问题识别模型,用以根据实时采集的性能数据信息判断应用系统是否存在性能问题。
优选的,本实施例采用逻辑回归函数,并通过最大似然估计损失函数,最终通过梯度下降法求出最合适的参数值θ,使得损失函数最小。
基于逻辑回归算法构建性能识别模型需要用到大量的样本数据来进行训练,这些训练样本的特征主要包含有容器的CPU使用率、容器的内存利用率、容器的磁盘IO、网络带宽和队列深度等。训练样本数据来源于日常生产和测试环境累积的历史数据,这些数据准确反映了应用系统在不同时期的真实性能状况。
在本具体应用实例中,以存在性能问题的性能指标数据为正样本,其判定值为1;不存在性能问题的性能指标数据为负样本,其判定值为0。
优选的,取训练样本的数量为m,样本特征数量为n,样本的判定值为y,样本的特征集为X,样本数据可表示为(x,y)。
本申请基于逻辑回归算法识别应用系统是否存在性能问题,所涉及的相关公式描述如下:
逻辑回归公式为 其中,x1,x2,…xn等是特征;w1,w2,…wn等是特征权重。
预测函数为其中hθ(x)表示存在性能问题时结果取值为1的概率。故对于单条性能瓶颈样本的分类取值可表示为:
P(y|x;θ)=(hθ(x))y×(1-hθ(x))1-y
本实施中,用最大似然估计求θ值,得到似然函数为:
对逻辑回归似然函数取对数为:
最大似然函数需要计算出使l(θ)取最大值时的一组θ,由于l(θ)是凸函数,有极大值,故乘以一个负数,使其变成凹函数,则逻辑回归的损失函数为:
所以,通过训练样本数据利用梯度下降法求出损失函数J(θ)的最小值。因要求的是J(θ),故只要求得J(θ)的偏导为零时的θ值即可,所以梯度下降θ的更新公式为:
其中,α表示学习步长,θt+1表示θ在t+1时刻的一组参数值。随着θ的更新,按照梯度下降迭代求出一组最合适的θ,使得损失函数最小,从而确定了性能瓶颈的预测模型。
该模型构建完成后,第一次将使用存量历史性能数据对模型进行训练,后续随着增量数据的不断增加,该模型将得到不断完善,其识别准确率也将不断提升。
S502:接收数据管理模块处理后的数据,然后对数据进行特征提取。
接收数据管理模块处理后的数据,然后提取和性能度量相关的资源使用信息及特征信息,相关特征包含有:容器的CPU使用率、容器的内存利用率、容器的磁盘IO,网络带宽和队列深度等。
S503:将提取的特征数据转化为符合逻辑回归算法模型的输入项。
优选的,模拟区间分组,对数值属性进行离散编码。比如,将CPU使用率低于10%的标志为1,CPU使用率在11%至20%的标志为2,CPU使用率在21%至30%的标志为3,CPU使用率在31%至40%的标志为4,CPU使用率在41%至50%的标志为5,CPU使用率在51%至60%的标志为6,CPU使用率在71%至70%的标志为7,CPU使用率在71%至80%的标志为8,CPU使用率在81%至90%的标志为9,CPU使用率在91%至100%的标志为10。其他的特征数据属性也进行类似的编码转换,转换后的特征数据将作为逻辑回归算法的输入项。
S504:基于所构建的基于逻辑回归算法的性能问题识别模型,识别应用系统是否存在性能问题。
对每一组性能数据特征值,求解该特征组的逻辑回归函数hθ(x),当求得的hθ(x)大于0.5时,标记为应用系统存在性能问题;当求得的hθ(x)小于等于0.5时,标记为应用系统不存在性能问题。
由上述描述可知,本申请提供的PaaS云平台的性能监控方法及装置,能实时、高效、完整和灵活地采集PaaS云平台下Web服务器、应用服务器和数据库服务器等应用系统相关服务器的CPU利用率、内存利用率和I/O吞吐率等性能指标数据,以及中间件日志和应用程序日志等数据,并基于逻辑回归算法对这些性能指标数据进行实时监控,及时识别应用系统是否存在性能问题。
从硬件层面来说,为了提高PaaS云平台性能数据采集和性能监控的实时性、效率以及准确性,进而提高PaaS云平台的安全性,本申请提供一种用于实现所述PaaS云平台的性能监控方法中的全部或部分内容的电子设备的实施例所述电子设备具体包含有如下内容:
处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述通信接口用于实现所述PaaS云平台的性能监控装置以及用户终端等相关设备之间的信息传输;该电子设备可以是台式计算机、平板电脑及移动终端等,本实施例不限于此。在本实施例中,该电子设备可以参照实施例用于实现所述PaaS云平台的性能监控方法的实施例及用于实现所述PaaS云平台的性能监控装置的实施例进行实施,其内容被合并于此,重复之处不再赘述。
图11为本申请实施例的电子设备9600的系统构成的示意框图。如图11所示,该电子设备9600可以包括中央处理器9100和存储器9140;存储器9140耦合到中央处理器9100。值得注意的是,该图11是示例性的;还可以使用其他类型的结构,来补充或代替该结构,以实现电信功能或其他功能。
在本申请一个或多个实施例中,PaaS云平台的性能监控功能可以被集成到中央处理器9100中。其中,中央处理器9100可以被配置为进行如下控制:
步骤100:应用预设的数据采集策略和设置在目标PaaS云平台的各个容器中的智能代理程序,获得各个所述容器的资源占用情况特征数据。
步骤200:将各个所述容器的资源占用情况特征数据输入预设的云平台性能监控模型,并根据该云平台性能监控模型的输出结果得到所述目标PaaS云平台的性能监控结果,其中,所述云平台性能监控模型为基于逻辑回归算法预先训练的有监督学习模型。
从上述描述可知,本申请的实施例提供的电子设备,能够提高PaaS云平台性能数据采集和性能监控的实时性、效率以及准确性,进而提高PaaS云平台的安全性。
在另一个实施方式中,PaaS云平台的性能监控装置可以与中央处理器9100分开配置,例如可以将PaaS云平台的性能监控装置配置为与中央处理器9100连接的芯片,通过中央处理器的控制来实现PaaS云平台的性能监控功能。
如图11所示,该电子设备9600还可以包括:通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是,电子设备9600也并不是必须要包括图11中所示的所有部件;此外,电子设备9600还可以包括图11中没有示出的部件,可以参考现有技术。
如图11所示,中央处理器9100有时也称为控制器或操作控件,可以包括微处理器或其他处理器装置和/或逻辑装置,该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中,存储器9140,例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息,此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序,以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器,但并不限于此。
该存储器9140可以是固态存储器,例如,只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器,其即使在断电时也保存信息,可被选择性地擦除且设有更多数据,该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142,该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143,该数据存储部9143用于存储数据,例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100,以提供输入信号和接收输出信号,这可以和常规移动通信终端的情况相同。
基于不同的通信技术,在同一电子设备中,可以设置有多个通信模块9110,如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132,以经由扬声器9131提供音频输出,并接收来自麦克风9132的音频输入,从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外,音频处理器9130还耦合到中央处理器9100,从而使得可以通过麦克风9132能够在本机上录音,且使得可以通过扬声器9131来播放本机上存储的声音。
上述描述可知,本申请的实施例提供的电子设备,能够提高PaaS云平台性能数据采集和性能监控的实时性、效率以及准确性,进而提高PaaS云平台的安全性。
本申请的实施例还提供能够实现上述实施例中的PaaS云平台的性能监控方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的PaaS云平台的性能监控方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
步骤100:应用预设的数据采集策略和设置在目标PaaS云平台的各个容器中的智能代理程序,获得各个所述容器的资源占用情况特征数据。
步骤200:将各个所述容器的资源占用情况特征数据输入预设的云平台性能监控模型,并根据该云平台性能监控模型的输出结果得到所述目标PaaS云平台的性能监控结果,其中,所述云平台性能监控模型为基于逻辑回归算法预先训练的有监督学习模型。
从上述描述可知,本申请实施例提供的计算机可读存储介质,能够提高PaaS云平台性能数据采集和性能监控的实时性、效率以及准确性,进而提高PaaS云平台的安全性。
本申请中上述方法的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。相关之处参见方法实施例的部分说明即可。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本申请中应用了具体实施例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种PaaS云平台的性能监控方法,其特征在于,包括:
应用预设的数据采集策略和设置在目标PaaS云平台的各个容器中的智能代理程序,获得各个所述容器的资源占用情况特征数据,所述预设的数据采集策略包括:智能代理程序与性能数据类型之间的对应关系,所述资源占用情况特征数据为性能数据进行编码后得到的特征数据;
将各个所述容器的资源占用情况特征数据输入预设的云平台性能监控模型,并根据该云平台性能监控模型的输出结果得到所述目标PaaS云平台的性能监控结果,其中,所述性能监控结果为存在性能问题或者性能正常,所述云平台性能监控模型为基于逻辑回归算法预先训练的有监督学习模型;
所述应用预设的数据采集策略和设置在目标PaaS云平台的各个容器中的智能代理程序,获得各个所述容器的资源占用情况特征数据,包括:
基于所述预设的数据采集策略,应用各个容器中的智能代理程序实时采集各个所述容器各自对应的性能数据;
将各个所述容器各自对应的性能数据并行发送至所述目标PaaS云平台对应的数据采集系统,并应用该数据采集系统按照预设的特征编码规则对各个所述性能数据分别进行编码,得到所述资源占用情况特征数据;
在所述应用预设的数据采集策略和设置在目标PaaS云平台的各个容器中的智能代理程序之前,还包括:
将智能代理程序打包并发送至容器镜像中;若更新智能代理程序,则更新容器镜像中的智能代理程序,应用更新后的容器镜像重新生成容器;当智能代理程序注册到数据采集系统管理节点成为其子节点后,数据采集系统为其配置相应的数据采集策略;
所述云平台性能监控模型的损失函数为:
其中,m表示样本数量,xi表示第i个样本,yi表示第i个样本的判定结果,hθ(xi)表示云平台性能监控模型。
2.根据权利要求1所述的PaaS云平台的性能监控方法,其特征在于,还包括:
获取多组历史资源占用情况特征数据组和各自对应的判定结果,该判定结果用于表示所述目标PaaS云平台存在性能问题或者性能正常;
根据所述历史资源占用情况特征数据组和判定结果对所述云平台性能监控模型进行训练。
3.根据权利要求2所述的PaaS云平台的性能监控方法,其特征在于,所述根据所述历史资源占用情况特征数据组和判定结果对所述云平台性能监控模型进行训练,包括:
根据所述云平台性能监控模型对应的最大似然函数,确定该云平台性能监控模型的损失函数;
基于梯度下降算法、所述历史资源占用情况特征数据组和判定结果,得到所述损失函数的输出结果最小时所述云平台性能监控模型对应的各个最大似然参数值。
4.根据权利要求1所述的PaaS云平台的性能监控方法,其特征在于,还包括:
定时判断所述数据采集策略是否发生变化,若是,则重新加载所述数据采集策略。
5.一种PaaS云平台的性能监控装置,其特征在于,包括:
数据获得模块,用于应用预设的数据采集策略和设置在目标PaaS云平台的各个容器中的智能代理程序,获得各个所述容器的资源占用情况特征数据,所述预设的数据采集策略包括:智能代理程序与性能数据类型之间的对应关系,所述资源占用情况特征数据为性能数据进行编码后得到的特征数据;
性能监控模块,用于将各个所述容器的资源占用情况特征数据输入预设的云平台性能监控模型,并根据该云平台性能监控模型的输出结果得到所述目标PaaS云平台的性能监控结果,其中,所述性能监控结果为存在性能问题或者性能正常,所述云平台性能监控模型为基于逻辑回归算法预先训练的有监督学习模型;
所述数据获得模块,包括:
采集性能数据单元,基于所述预设的数据采集策略,应用各个容器中的智能代理程序实时采集各个所述容器各自对应的性能数据;
编码单元,用于将各个所述容器各自对应的性能数据并行发送至所述目标PaaS云平台对应的数据采集系统,并应用该数据采集系统按照预设的特征编码规则对各个所述性能数据分别进行编码,得到所述资源占用情况特征数据;
所述的PaaS云平台的性能监控装置还用于:将智能代理程序打包并发送至容器镜像中;若更新智能代理程序,则更新容器镜像中的智能代理程序,应用更新后的容器镜像重新生成容器;当智能代理程序注册到数据采集系统管理节点成为其子节点后,数据采集系统为其配置相应的数据采集策略;
所述云平台性能监控模型的损失函数为:
其中,m表示样本数量,xi表示第i个样本,yi表示第i个样本的判定结果,hθ(xi)表示云平台性能监控模型。
6.根据权利要求5所述的PaaS云平台的性能监控装置,其特征在于,还包括:
获取模块,用于获取多组历史资源占用情况特征数据组和各自对应的判定结果,该判定结果用于表示所述目标PaaS云平台存在性能问题或者性能正常;
训练模块,用于根据所述历史资源占用情况特征数据组和判定结果对所述云平台性能监控模型进行训练。
7.根据权利要求6所述的PaaS云平台的性能监控装置,其特征在于,所述训练模块,包括:
确定单元,用于根据所述云平台性能监控模型对应的最大似然函数,确定该云平台性能监控模型的损失函数;
获得参数值单元,用于基于梯度下降算法、所述历史资源占用情况特征数据组和判定结果,得到所述损失函数的输出结果最小时所述云平台性能监控模型对应的各个最大似然参数值。
8.根据权利要求5所述的PaaS云平台的性能监控装置,其特征在于,还包括:
加载模块,用于定时判断所述数据采集策略是否发生变化,若是,则重新加载所述数据采集策略。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至4任一项所述的PaaS云平台的性能监控方法。
10.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,所述指令被执行时实现权利要求1至4任一项所述的PaaS云平台的性能监控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010395141.3A CN111611129B (zh) | 2020-05-12 | 2020-05-12 | PaaS云平台的性能监控方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010395141.3A CN111611129B (zh) | 2020-05-12 | 2020-05-12 | PaaS云平台的性能监控方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111611129A CN111611129A (zh) | 2020-09-01 |
CN111611129B true CN111611129B (zh) | 2024-02-02 |
Family
ID=72200215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010395141.3A Active CN111611129B (zh) | 2020-05-12 | 2020-05-12 | PaaS云平台的性能监控方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111611129B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884016B (zh) * | 2021-01-28 | 2024-02-02 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 云平台可信评估模型训练方法和云平台可信评估方法 |
CN112905423B (zh) * | 2021-03-26 | 2024-02-13 | 北京赛博云睿智能科技有限公司 | 大数据环境中分布式资源容器监控与自评估方法及系统 |
CN113206743B (zh) * | 2021-04-25 | 2022-07-12 | 北京赛博云睿智能科技有限公司 | 一种多种异构资源端到端集成容器可靠性管理方法及系统 |
CN114629910A (zh) * | 2022-04-15 | 2022-06-14 | 安徽安联云服务有限公司 | 一种智能PaaS云服务平台 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108170909A (zh) * | 2017-12-13 | 2018-06-15 | 中国平安财产保险股份有限公司 | 一种智能建模的模型输出方法、设备及存储介质 |
CN109586999A (zh) * | 2018-11-12 | 2019-04-05 | 深圳先进技术研究院 | 一种容器云平台状态监控预警系统、方法及电子设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10270788B2 (en) * | 2016-06-06 | 2019-04-23 | Netskope, Inc. | Machine learning based anomaly detection |
US11100144B2 (en) * | 2017-06-15 | 2021-08-24 | Oracle International Corporation | Data loss prevention system for cloud security based on document discourse analysis |
-
2020
- 2020-05-12 CN CN202010395141.3A patent/CN111611129B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108170909A (zh) * | 2017-12-13 | 2018-06-15 | 中国平安财产保险股份有限公司 | 一种智能建模的模型输出方法、设备及存储介质 |
CN109586999A (zh) * | 2018-11-12 | 2019-04-05 | 深圳先进技术研究院 | 一种容器云平台状态监控预警系统、方法及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111611129A (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111611129B (zh) | PaaS云平台的性能监控方法及装置 | |
CN107390650B (zh) | 一种基于物联网的数据采集系统及基于该系统的数据压缩方法 | |
US11838387B2 (en) | Fog node scheduling method and apparatus, computer device, and storage medium | |
CN110535965A (zh) | 一种数据处理方法及装置、存储介质 | |
CN113220715B (zh) | 一种数据处理方法、系统、计算机及可读存储介质 | |
CN112346936A (zh) | 应用故障根因定位方法及系统 | |
CN115277581A (zh) | 网络传输的控制方法、装置、计算机设备、存储介质 | |
CN114679602A (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
CN114389959B (zh) | 网络拥塞控制方法、装置、电子设备及存储介质 | |
CN109788251B (zh) | 视频处理方法、装置及存储介质 | |
CN117527708B (zh) | 基于数据流向的企业级数据链路的优化传输方法及系统 | |
CN114253710A (zh) | 计算请求的处理方法、智能终端、云服务器、设备及介质 | |
US11190317B2 (en) | Transmitting terminal, transmitting method, information processing terminal, and information processing method | |
CN114374744B (zh) | 数据回传方法、装置、车载终端及云端服务器 | |
KR102425039B1 (ko) | 분산 딥러닝 환경에서 데이터 압축 장치 및 방법 | |
EP3683733A1 (en) | A method, an apparatus and a computer program product for neural networks | |
CN111128193A (zh) | 语音交互方法、网络分析端及客户端 | |
CN118170566B (zh) | 面向边缘设备的消息处理方法及相关设备 | |
CN112732525B (zh) | 分布式存储系统的故障检测方法及装置 | |
CN115277595B (zh) | 数据发送方法及相关装置 | |
US11831698B2 (en) | Data streaming protocols in edge computing | |
CN113515426B (zh) | 系统性能数据处理方法及装置 | |
CN111049919B (zh) | 一种用户请求的处理方法、装置、设备及存储介质 | |
CN113742243B (zh) | 应用评测方法、装置、电子设备和计算机可读介质 | |
CN112766698B (zh) | 应用业务压力确定方法及装置 |
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 |