CN112380126A - Web系统健康预测装置及方法 - Google Patents
Web系统健康预测装置及方法 Download PDFInfo
- Publication number
- CN112380126A CN112380126A CN202011277738.4A CN202011277738A CN112380126A CN 112380126 A CN112380126 A CN 112380126A CN 202011277738 A CN202011277738 A CN 202011277738A CN 112380126 A CN112380126 A CN 112380126A
- Authority
- CN
- China
- Prior art keywords
- web system
- data
- health
- system data
- page
- 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
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
- G06F11/3604—Software analysis for verifying properties of programs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Abstract
本发明提供了一种Web系统健康预测装置及方法,该装置包括:前端服务器,用于基于预先配置的监控插件引入方式,引入监控插件;采用引入的监控插件,采集多组Web系统数据;按照预先配置的上报周期,将多组Web系统数据上报至后台服务器;后台服务器,用于根据多组Web系统数据计算Web系统的多组健康度;将多组健康度输入至径向基神经网络模型,获得Web系统健康度预测结果。本发明可以对Web系统的运行进行健康预测,准确度高,效率高。
Description
技术领域
本发明涉及系统监控分析技术领域,尤其涉及一种Web系统健康预测装置及方法。
背景技术
用户访问Web系统的业务时,整个访问过程大致可以分为三个阶段:页面生产时(服务器端状态)、页面加载时和页面运行时。如果能够对Web系统进行健康预测,即可以提前预知Web系统的运行情况,将其作为运行参考,让运维人员提前了解系统变化,从而提前采取相应预防措施,对于系统运维具有极大意义。
目前,在进行系统健康预测时,需要采集大量的Web系统数据,但一般是通过大量的手动埋点的方式进行采集,效率低,且对系统健康进行预测时,一般依靠人工分析,准确度不高的同时,效率也低。
发明内容
本发明实施例提出一种Web系统健康预测装置,用以对Web系统的运行进行健康预测,准确度高,效率高,该装置包括:
前端服务器,用于基于预先配置的监控插件引入方式,引入监控插件;采用引入的监控插件,采集多组Web系统数据;按照预先配置的上报周期,将多组Web系统数据上报至后台服务器;
后台服务器,用于根据多组Web系统数据计算Web系统的多组健康度;将多组健康度输入至径向基神经网络模型,获得Web系统健康度预测结果。
本发明实施例提出一种Web系统健康预测方法,用以对Web系统的运行进行健康预测,准确度高,效率高,该方法包括:
基于预先配置的监控插件引入方式,采用前端服务器引入监控插件;
采用引入的监控插件,通过前端服务器采集多组Web系统数据;
按照预先配置的上报周期,通过前端服务器将多组Web系统数据上报;
根据上报的多组Web系统数据,通过后台服务器计算Web系统的多组健康度;
通过后台服务器将多组健康度输入至径向基神经网络模型,获得Web系统健康度预测结果。
本发明实施例还提出了一种计算机设备,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计算机程序时实现上述Web系统健康预测方法。
本发明实施例还提出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执行上述Web系统健康预测方法的计算机程序。
在本发明实施例中,所述装置包括前端服务器,用于基于预先配置的监控插件引入方式,引入监控插件;采用引入的监控插件,采集多组Web系统数据;按照预先配置的上报周期,将多组Web系统数据上报至后台服务器;后台服务器,用于根据多组Web系统数据计算Web系统的多组健康度;将多组健康度输入至径向基神经网络模型,获得Web系统健康度预测结果。可见,本发明实施例可以通过灵活地配置监控插件引入方式,自动地采集多组Web系统数据,提高了Web系统数据采集效率;可以按照预先配置的上报周期,将多组Web系统数据上报至后台服务器,减小了前端服务器和后台服务器的压力;最后通过径向基神经网络模型预测Web系统健康度,准确度高,且效率高。
附图说明
为了更清楚地说明本发明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的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本发明实施例中Web系统健康预测装置的示意图;
图2为本发明实施例中Web系统数据采集示意图;
图3为本发明实施例中径向基神经网络模型应用示意图;
图4为本发明实施例中Web系统健康预测方法的流程图;
图5为本发明实施例中计算机设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
在本说明书的描述中,所使用的“包含”、“包括”、“具有”、“含有”等,均为开放性的用语,即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本申请的实施,其中的步骤顺序不作限定,可根据需要作适当调整。
图1为本发明实施例中Web系统健康预测装置的示意图,如图1所示,该装置包括:
前端服务器101,用于基于预先配置的监控插件引入方式,引入监控插件;采用引入的监控插件,采集多组Web系统数据;按照预先配置的上报周期,将多组Web系统数据上报至后台服务器102;
后台服务器102,用于根据多组Web系统数据计算Web系统的多组健康度;将多组健康度输入至径向基神经网络模型,获得Web系统健康度预测结果。
在本发明实施例中,本发明实施例可以通过灵活地配置监控插件引入方式,自动地采集多组Web系统数据,提高了Web系统数据采集效率;可以按照预先配置的上报周期,将多组Web系统数据上报至后台服务器,减小了前端服务器和后台服务器的压力;最后通过径向基神经网络模型预测Web系统健康度,准确度高,且效率高。发明人发现,现有的服务器端状态监控及预测系统相对已经很成熟,而页面加载和页面运行时的状态监控与预测一直比较欠缺,例如,无法第一时间获知用户访问站点时遇到的错误;各个国家、各个地区的用户访问站点的真实速度未知;每个Web系统内有大量的异步数据调用,而它们的性能、成功率都是未知的。因此,发明人提出了Web系统数据包括用户行为数据和系统运行数据,系统运行数据主要收集页面加载和页面运行时的状态数据。
在一实施例中,Web系统数据包括用户行为数据和系统运行数据,Web系统数据包括用户行为数据和系统运行数据,所述用户行为数据包括用户信息和/或用户交互信息;所述系统运行数据包括系统参数、接口数据、页面数据、JS异常数据和静态资源加载数据中的至少一种;
所述用户信息包括用户登录类型和/或身份信息;所述用户交互信息包括交互中每个请求的响应时间和/或用户触发的事件类型;
所述系统参数包括当前设备的IP、地理坐标、设备机型和应用系统中的至少一种,所述接口数据包括url、状态码、状态文本、入参、回参、接口请求发起的开始和结束时间中的至少一种,页面数据包括页面url、首屏加载耗时、页面加载类型、白屏时间、重定向耗时、DNS查询缓存及查询耗时、TCP耗时、查询文档耗时、解析DOM耗时、页面访问量PV和独立访客访问数UV中的至少一种;JS异常数据包括JS报错的代码行数、列数和报错声明中的至少一种。
在上述实施例中,用户登录类型可以是游客或登录用户,当然,还可以自定义其他类型,身份信息可以是身份的标识码等。以采集页面HTTP接口数据为例,通过对window.XMLHttpRequest的二次封装,触发自定义事件对指定参数进行采集,用户触发的事件类型为自定义事件。统计用户行为数据和系统运行数据,可以从用户和Web系统的角度去了解用户群体,从而升级和迭代Web系统,使其更加贴近用户,可以很好的针对特定用户跟踪分析,最后提高Web系统健康度预测的准确度。
图2为本发明实施例中Web系统数据采集示意图,给出了每种Web系统数据的采集阶段,其中,用户信息、系统参数、部分接口数据、部分页面数据在进入页面时采集,用户交互信息、部分接口数据、部分页面数据在交互时采集,JS异常数据(即JavaScript中的异常数据)在window.on error或者try catch捕获到异常时采集。
在一实施例中,前端服务器具体用于:
基于采集需求,确定需采集的Web系统数据的类型,所述采集需求包括用户期望采集需求和/或安全需求;
暴露出需采集的Web系统数据的类型对应的系统API;
采用引入的监控插件,通过需采集的Web系统数据的类型对应的系统API,基于Web系统数据采集规则,采集多组Web系统数据。
在上述实施例中,可以基于两方面考虑,确定需采集的Web系统数据的类型,第一方面,根据用户期望采集需求,例如,某用户期望采集需求为不采集静态资源加载数据,那么可以不暴露静态资源加载数据对应的系统API;第二方面,基于安全需求,为了满足部分项目中对用户提交数据的保护原则,针对需要避免监控的接口,不暴露出该接口对应的系统API。之后,就可以采用引入的监控插件,通过需采集的Web系统数据的类型对应的系统API,采集多组Web系统数据。
另外,前端服务器可以预先设置一些Web系统数据采集规则,例如,对于对HTTP接口数据,预先设置入参、回参的采集规则,之后前端服务器可以按照采集规则自动采集,自动化和灵活性高。
在一实施例中,所述监控插件引入方式包括异步引入方式和同步引入方式,所述异步引入方式用于实现监控插件的引入与页面的加载同步进行,所述同步引入方式用于确保后续调用监控插件中的方法时,已经加载完毕;
所述装置还包括引入配置模块,用于配置监控插件引入方式。
上述两种监控插件引入方式使得监控插件引入更灵活,异步引入方式的优点是,可以实现监控插件的引入与页面的加载同步进行,不会影响页面的加载;同步引入方式的优点是可以确保后续调用监控插件中的方法时,已经加载完毕。异步引入方式的缺点是需要通过load事件等方式,确定后续调用监控插件中的方式时,本插件已经加载完毕,会导致事件采集的遗漏。同步引入方式的缺点是会按照Web页面中资源加载的顺序逐一加载,这样会导致监控插件的引入耗时会影响页面的正常加载。
异步引入方式的代码如下:
在一实施例中,所述上报周期包括第一上报周期和第二上报周期,所述第一上报周期为定期对在前端服务器缓存的Web系统数据进行检验,在已缓存的Web系统数据超出预设大小时立即上报;所述第二上报周期为按照预设上报时间间隔上报;
所述装置还包括上报周期配置模块,用于配置上报周期。
具体实施时,为了满足单页面项目(如Vue)和非单页面项目(如Jquery),通过本地存储的方式先将已自动采集的Web系统数据缓存。为了解决部分页面中交互频繁导致的本地存储溢出的问题,提供了上述两种上报周期方式,两种方式都是以页面定期检验的方式为基础,从而提高了数据上报的灵活性,也提高了数据上报效率。
通过前述对Web系统数据的整理,Web系统数据包括用户行为数据和系统运行数据,所述用户行为数据包括用户信息和/或用户交互信息;所述系统运行数据包括系统参数、接口数据、页面数据、JS异常数据和静态资源加载数据中的至少一种。其中,系统参数为通用数据,其他数据为专属数据。
在一实施例中,后台服务器具体用于:
对每组Web系统数据,计算该组Web系统数据对应的多个健康度指标值;基于所述多个健康度指标值,计算该组健康度;其中,每组Web系统数据为每隔设定时长获得的。
在上述实施例中,每组Web系统数据为每隔设定时长获得的,例如,可以是每隔1小时采集的5组Web系统数据,计算每组Web系统数据的多个健康度指标值。
在一实施例中,健康度指标包括页面整体响应时长指数、接口总体响应时长指数、接口异常指数和JS异常指数;
页面整体响应时长指数采用如下公式进行计算:页面整体响应时长指数T1=所有页面响应时长/所有页面访问数;
接口总体响应时长指数采用如下公式进行计算:接口总体响应时长指数T2=所有接口响应时长/所有接口请求数;
JS异常指数采用如下公式进行计算:Js异常指数E1=JS异常数量×涉及用户数;
接口异常指数采用如下公式进行计算:接口异常指数:E2=接口异常次数×涉及用户数;
基于所述多个健康度指标值,计算该组健康度,包括:采用如下公式计算每组的健康度:健康度H=k0×((T1-T0)/T0+(T2-T0)/T0)+k1×E1+k2×E2;
其中:k0、k1、k2为对应指数的系数,T0为基数值。
在上述实施例中,计算T1需要根据页面数据,获得每个页面的响应时长及页面数,进而获得所有页面响应时长,还需要从页面数据中提取所有页面访问数。
计算T2需要根据接口数据,获得每个接口的响应时长及接口数,进而获得所有接口响应时长,还需要从接口数据中提取所有接口的请求数。
计算E1需要根据JS异常数据,获得JS异常数量,还需要从用户运行数据和JS异常数据中提取涉及用户数。
计算E2需要根据接口数据,获得接口异常次数,还需要从用户运行数据和接口数据中提取涉及用户数。
上述k0、k1、k2为对应指数的系数,在[0,1]范围内,由于接口异常的影响较大,一般接口异常指数的系数k2取值为[0.7,0.95],k0和k1取值为0.5左右。
在获得每个组的健康度后,可以将其输入至预先训练好的径向基神经网络模型中,直接获得Web系统健康度预测结果,图3为本发明实施例中径向基神经网络模型应用示意图,例如,若一共有5组健康度数据,即5个健康度指标值,每个健康度指标值为5小时采集的Web系统数据获得的,那么获得的Web系统健康度预测结果为未来一小时之后的Web系统健康度,从而能够提前预知系统运行情况,将其作为运行参考,让运维人员提前了解系统变化,从而提前采取相应预防措施,对于系统运维具有极大意义。
径向基神经网络是前馈型网络的一种。径向基神经网络的原理是基于Cover定理:将复杂的模式分类问题非线性的投射到高维空间将比投射到低维空间更可能是线性可分的。也就是说这个问题在低维空间不一定是线性可分的,但如果把它映射到高纬度的空间去,在那里就可能是线性可分的。
径向基神经网络是一个三层的网络,除了输入输出层之外仅有一个隐层。隐层中的转换函数是局部响应的高斯函数,而其他前向型网络,转换函数一般都是全局响应函数。由于这样的不同,要实现同样的功能,径向基神经网络需要更多的神经元,这就是径向基神经网络不能取代标准前向型网络的原因。但是径向基神经网络的训练时间更短。它对函数的逼近是最优的,可以以任意精度逼近任意连续函数。隐层中的神经元越多,逼近越精确。径向基神经网络的学习过程如下:
在径向基神经网络之前训练,需要给出输入向量X和目标向量T,训练的目的是要求得第一层和第二层之间的权值W1、阀值B1,和第二层与第三层之间的权值W2、阀值B2。整个网络的训练分为两步,第一部是无监督的学习,求W1、B1。第二步是有监督的学习,求W2、B2。在训练时,用到的历史数据为多组Web系统数据的历史数据,在训练过程中,调整网络参数W1、B1、W2、B2,从而得到最终训练好的径向基神经网络模型。
下面给出一个具体实施例,来说明Web系统健康预测装置的具体应用。以泰康智慧养老云平台为例,泰康智慧养老云平台为一个Web系统,在本实施例中,通过配置模块配置监控插件引入方式为异步引入方式,以避免对业务系统影响,通过上报周期配置模块配置上报周期为第一上报周期,即在数据量达到10条后每3秒进行一次数据上传,以保证数据的可采集性;确定需采集的Web系统数据的类型包括户行为数据和系统运行数据,所述用户行为数据包括用户信息和用户交互信息;所述系统运行数据包括系统参数、HTTP接口数据、页面数据、JS异常数据和静态资源加载数据,暴露出上述需采集的Web系统数据的类型对应的系统API,采用引入的监控插件,通过需采集的Web系统数据的类型对应的系统API,采集至少5组Web系统数据,按照第一上报周期上报至后台服务器,后台服务器根据5组Web系统数据计算Web系统的5组健康度,在计算时k0为0.5、k1为0.5、k2为0.9;将5组健康度输入至径向基神经网络模型,获得Web系统健康度预测结果,为养老云平台日常运维及未来系统规划提供参考。
综上所述,在本发明实施例提出的装置中,包括前端服务器,用于基于预先配置的监控插件引入方式,引入监控插件;采用引入的监控插件,采集多组Web系统数据;按照预先配置的上报周期,将多组Web系统数据上报至后台服务器;后台服务器,用于根据多组Web系统数据计算Web系统的多组健康度;将多组健康度输入至径向基神经网络模型,获得Web系统健康度预测结果。可见,本发明实施例可以通过灵活地配置监控插件引入方式,自动地采集多组Web系统数据,提高了Web系统数据采集效率;可以按照预先配置的上报周期,将多组Web系统数据上报至后台服务器,减小了前端服务器和后台服务器的压力;最后通过径向基神经网络模型预测Web系统健康度,准确度高,且效率高。
本发明实施例还提出一种Web系统健康预测方法,其原理与Web系统健康预测装置类似,这里不再赘述。
图4为本发明实施例中Web系统健康预测方法的流程图,如图4所示,包括:
步骤401,基于预先配置的监控插件引入方式,通过前端服务器引入监控插件;
步骤402,采用引入的监控插件,通过前端服务器采集多组Web系统数据;
步骤403,按照预先配置的上报周期,通过前端服务器将多组Web系统数据上报;
步骤404,根据上报的多组Web系统数据,通过后台服务器计算Web系统的多组健康度;
步骤405,通过后台服务器将多组健康度输入至径向基神经网络模型,获得Web系统健康度预测结果。
在一实施例中,Web系统数据包括用户行为数据和系统运行数据,所述用户行为数据包括用户信息和/或用户交互信息;所述系统运行数据包括系统参数、接口数据、页面数据、JS异常数据和静态资源加载数据中的至少一种;
所述用户信息包括用户登录类型和/或身份信息;所述用户交互信息包括交互中每个请求的响应时间和/或用户触发的事件类型;
所述系统参数包括当前设备的IP、地理坐标、设备机型和应用系统中的至少一种,所述接口数据包括url、状态码、状态文本、入参、回参、接口请求发起的开始和结束时间中的至少一种,页面数据包括页面url、首屏加载耗时、页面加载类型、白屏时间、重定向耗时、DNS查询缓存及查询耗时、TCP耗时、查询文档耗时、解析DOM耗时、页面访问量PV和独立访客访问数UV中的至少一种;JS异常数据包括JS报错的代码行数、列数和报错声明中的至少一种。
在一实施例中,所述监控插件引入方式包括异步引入方式和同步引入方式,所述异步引入方式用于实现监控插件的引入与页面的加载同步进行,所述同步引入方式用于确保后续调用监控插件中的方法时,已经加载完毕;
所述方法还包括配置监控插件引入方式。
在一实施例中,采用引入的监控插件,采集多组Web系统数据,包括:
基于采集需求,确定需采集的Web系统数据的类型,所述采集需求包括用户期望采集需求和/或安全需求;
暴露出需采集的Web系统数据的类型对应的系统API;
采用引入的监控插件,通过需采集的Web系统数据的类型对应的系统API,基于Web系统数据采集规则,采集多组Web系统数据。
在一实施例中,所述上报周期包括第一上报周期和第二上报周期,所述第一上报周期为定期对在前端服务器缓存的Web系统数据进行检验,在已缓存的Web系统数据超出预设大小时立即上报;所述第二上报周期为按照预设上报时间间隔上报;
所述方法还包括配置上报周期。
在一实施例中,根据上报的多组Web系统数据计算Web系统的多组健康度,包括:
对每组Web系统数据,计算该组Web系统数据对应的多个健康度指标值;基于所述多个健康度指标值,计算该组健康度;其中,每组Web系统数据为每隔设定时长获得的。
在一实施例中,健康度指标包括页面整体响应时长指数、接口总体响应时长指数、接口异常指数和JS异常指数;
页面整体响应时长指数采用如下公式进行计算:页面整体响应时长指数T1=所有页面响应时长/所有页面访问数;
接口总体响应时长指数采用如下公式进行计算:接口总体响应时长指数T2=所有接口响应时长/所有接口请求数;
JS异常指数采用如下公式进行计算:Js异常指数E1=JS异常数量×涉及用户数;
接口异常指数采用如下公式进行计算:接口异常指数:E2=接口异常次数×涉及用户数;
基于所述多个健康度指标值,计算该组健康度,包括:采用如下公式计算每组的健康度:健康度H=k0×((T1-T0)/T0+(T2-T0)/T0)+k1×E1+k2×E2;
其中:k0、k1、k2为对应指数的系数,T0为基数值。
综上所述,在本发明实施例提出的方法中,基于预先配置的监控插件引入方式,引入监控插件;采用引入的监控插件,采集多组Web系统数据;按照预先配置的上报周期,将多组Web系统数据上报;根据上报的多组Web系统数据计算Web系统的多组健康度;将多组健康度输入至径向基神经网络模型,获得Web系统健康度预测结果。可见,本发明实施例可以通过灵活地配置监控插件引入方式,自动地采集多组Web系统数据,提高了Web系统数据采集效率;可以按照预先配置的上报周期,将多组Web系统数据上报至后台服务器,减小了前端服务器和后台服务器的压力;最后通过径向基神经网络模型预测Web系统健康度,准确度高,且效率高。
本申请的实施例还提供一种计算机设备,图5为本发明实施例中计算机设备的示意图,该计算机设备能够实现上述实施例中的Web系统健康预测方法中全部步骤,所述计算机设备具体包括如下内容:
处理器(processor)501、存储器(memory)502、通信接口(CommunicationsInterface)503和通信总线504;
其中,所述处理器501、存储器502、通信接口503通过所述通信总线504完成相互间的通信;所述通信接口503用于实现服务器端设备、检测设备以及用户端设备等相关设备之间的信息传输;
所述处理器501用于调用所述存储器502中的计算机程序,所述处理器执行所述计算机程序时实现上述实施例中的Web系统健康预测方法中的全部步骤。
本申请的实施例还提供一种计算机可读存储介质,能够实现上述实施例中的Web系统健康预测方法中全部步骤,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Web系统健康预测方法的全部步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、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Web系统健康预测装置,其特征在于,包括:
前端服务器,用于基于预先配置的监控插件引入方式,引入监控插件;采用引入的监控插件,采集多组Web系统数据;按照预先配置的上报周期,将多组Web系统数据上报至后台服务器;
后台服务器,用于根据多组Web系统数据计算Web系统的多组健康度;将多组健康度输入至径向基神经网络模型,获得Web系统健康度预测结果。
2.如权利要求1所述的Web系统健康预测装置,其特征在于,Web系统数据包括用户行为数据和系统运行数据,所述用户行为数据包括用户信息和/或用户交互信息;所述系统运行数据包括系统参数、接口数据、页面数据、JS异常数据和静态资源加载数据中的至少一种;
所述用户信息包括用户登录类型和/或身份信息;所述用户交互信息包括交互中每个请求的响应时间和/或用户触发的事件类型;
所述系统参数包括当前设备的IP、地理坐标、设备机型和应用系统中的至少一种,所述接口数据包括url、状态码、状态文本、入参、回参、接口请求发起的开始和结束时间中的至少一种,页面数据包括页面url、首屏加载耗时、页面加载类型、白屏时间、重定向耗时、DNS查询缓存及查询耗时、TCP耗时、查询文档耗时、解析DOM耗时、页面访问量PV和独立访客访问数UV中的至少一种;JS异常数据包括JS报错的代码行数、列数和报错声明中的至少一种。
3.如权利要求1所述的Web系统健康预测装置,其特征在于,所述监控插件引入方式包括异步引入方式和同步引入方式,所述异步引入方式用于实现监控插件的引入与页面的加载同步进行,所述同步引入方式用于确保后续调用监控插件中的方法时,已经加载完毕;
所述装置还包括引入配置模块,用于配置监控插件引入方式。
4.如权利要求1所述的Web系统健康预测装置,其特征在于,前端服务器具体用于:
基于采集需求,确定需采集的Web系统数据的类型,所述采集需求包括用户期望采集需求和/或安全需求;
暴露出需采集的Web系统数据的类型对应的系统API;
采用引入的监控插件,通过需采集的Web系统数据的类型对应的系统API,基于Web系统数据采集规则,采集多组Web系统数据。
5.如权利要求1所述的Web系统健康预测装置,其特征在于,所述上报周期包括第一上报周期和第二上报周期,所述第一上报周期为定期对在前端服务器缓存的Web系统数据进行检验,在已缓存的Web系统数据超出预设大小时立即上报;所述第二上报周期为按照预设上报时间间隔上报;
所述装置还包括上报周期配置模块,用于配置上报周期。
6.如权利要求1所述的Web系统健康预测装置,其特征在于,后台服务器具体用于:
对每组Web系统数据,计算该组Web系统数据对应的多个健康度指标值;基于所述多个健康度指标值,计算该组健康度;其中,每组Web系统数据为每隔设定时长获得的。
7.如权利要求6所述的Web系统健康预测装置,其特征在于,健康度指标包括页面整体响应时长指数、接口总体响应时长指数、接口异常指数和JS异常指数;
页面整体响应时长指数采用如下公式进行计算:页面整体响应时长指数T1=所有页面响应时长/所有页面访问数;
接口总体响应时长指数采用如下公式进行计算:接口总体响应时长指数T2=所有接口响应时长/所有接口请求数;
JS异常指数采用如下公式进行计算:Js异常指数E1=JS异常数量×涉及用户数;
接口异常指数采用如下公式进行计算:接口异常指数:E2=接口异常次数×涉及用户数;
基于所述多个健康度指标值,计算该组健康度,包括:采用如下公式计算每组的健康度:健康度H=k0×((T1-T0)/T0+(T2-T0)/T0)+k1×E1+k2×E2;
其中:k0、k1、k2为对应指数的系数,T0为基数值。
8.一种Web系统健康预测方法,其特征在于,包括:
基于预先配置的监控插件引入方式,采用前端服务器引入监控插件;
采用引入的监控插件,通过前端服务器采集多组Web系统数据;
按照预先配置的上报周期,通过前端服务器将多组Web系统数据上报;
根据上报的多组Web系统数据,通过后台服务器计算Web系统的多组健康度;
通过后台服务器将多组健康度输入至径向基神经网络模型,获得Web系统健康度预测结果。
9.一种计算机设备,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计算机程序时实现权利要求8所述方法。
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执行权利要求8所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011277738.4A CN112380126B (zh) | 2020-11-16 | 2020-11-16 | Web系统健康预测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011277738.4A CN112380126B (zh) | 2020-11-16 | 2020-11-16 | Web系统健康预测装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112380126A true CN112380126A (zh) | 2021-02-19 |
CN112380126B CN112380126B (zh) | 2023-06-16 |
Family
ID=74584709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011277738.4A Active CN112380126B (zh) | 2020-11-16 | 2020-11-16 | Web系统健康预测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112380126B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313280A (zh) * | 2021-03-31 | 2021-08-27 | 阿里巴巴新加坡控股有限公司 | 云平台的巡检方法、电子设备及非易失性存储介质 |
CN114692058A (zh) * | 2022-06-01 | 2022-07-01 | 天津市普迅电力信息技术有限公司 | 基于vue架构下的自动化埋点方法、系统、电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9697101B1 (en) * | 2016-09-20 | 2017-07-04 | International Business Machines Corporation | Detecting errors in web application runtime environments |
CN106951984A (zh) * | 2017-02-28 | 2017-07-14 | 深圳市华傲数据技术有限公司 | 一种系统健康度动态分析预测方法及装置 |
CN107851462A (zh) * | 2015-07-27 | 2018-03-27 | 谷歌有限责任公司 | 使用循环神经网络分析健康事件 |
CN110413498A (zh) * | 2019-07-30 | 2019-11-05 | 四川虹魔方网络科技有限公司 | 一种服务器运维大屏监控的方法及系统 |
-
2020
- 2020-11-16 CN CN202011277738.4A patent/CN112380126B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107851462A (zh) * | 2015-07-27 | 2018-03-27 | 谷歌有限责任公司 | 使用循环神经网络分析健康事件 |
US9697101B1 (en) * | 2016-09-20 | 2017-07-04 | International Business Machines Corporation | Detecting errors in web application runtime environments |
CN106951984A (zh) * | 2017-02-28 | 2017-07-14 | 深圳市华傲数据技术有限公司 | 一种系统健康度动态分析预测方法及装置 |
CN110413498A (zh) * | 2019-07-30 | 2019-11-05 | 四川虹魔方网络科技有限公司 | 一种服务器运维大屏监控的方法及系统 |
Non-Patent Citations (1)
Title |
---|
常亮1;殷世宏1;李小伟2: "基于IT服务管理构建信息系统健康度模型的研究与探索" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313280A (zh) * | 2021-03-31 | 2021-08-27 | 阿里巴巴新加坡控股有限公司 | 云平台的巡检方法、电子设备及非易失性存储介质 |
CN113313280B (zh) * | 2021-03-31 | 2023-09-19 | 阿里巴巴新加坡控股有限公司 | 云平台的巡检方法、电子设备及非易失性存储介质 |
CN114692058A (zh) * | 2022-06-01 | 2022-07-01 | 天津市普迅电力信息技术有限公司 | 基于vue架构下的自动化埋点方法、系统、电子设备 |
CN114692058B (zh) * | 2022-06-01 | 2022-08-02 | 天津市普迅电力信息技术有限公司 | 基于vue架构下的自动化埋点方法、系统、电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112380126B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106657057B (zh) | 反爬虫系统及方法 | |
CN111614690B (zh) | 一种异常行为检测方法及装置 | |
Bhinge et al. | An intelligent machine monitoring system for energy prediction using a Gaussian Process regression | |
US9337662B2 (en) | Parallel computation of dynamic state estimation for power system | |
CN111314173B (zh) | 监控信息异常的定位方法、装置、计算机设备及存储介质 | |
CN112380126B (zh) | Web系统健康预测装置及方法 | |
CN103186575B (zh) | 一种传感数据的聚类分析方法和系统 | |
US10789146B2 (en) | Forecasting resource utilization | |
WO2022053163A1 (en) | Distributed trace anomaly detection with self-attention based deep learning | |
Grover et al. | Twitter data based prediction model for influenza epidemic | |
CN113837383B (zh) | 模型训练方法、装置、电子设备及存储介质 | |
US11373103B2 (en) | Artificial intelligence based system and method for predicting and preventing illicit behavior | |
CN111340287A (zh) | 配电柜运行状态预测方法及装置 | |
CN114202206A (zh) | 系统异常根因分析方法及装置 | |
CN103605746A (zh) | 获取访客质量的方法、装置及系统 | |
CN106844152B (zh) | 银行后台任务跑批时间的相关性分析方法及装置 | |
CN116662904A (zh) | 数据类型的变异检测方法、装置、计算机设备及介质 | |
CN116010228B (zh) | 面向网络安全扫描的时间预估方法及装置 | |
CN113569938A (zh) | 基于时空域特征的业务大数据采集方法及服务器 | |
Guo et al. | Research on Intelligent Network Operation Management System Based on Anomaly Detection and Time Series Forecasting Algorithms | |
Sheeba et al. | WFCM based big sensor data error detection and correction in wireless sensor network | |
Sanz et al. | On heterogeneous transfer learning for improved network service performance prediction | |
CN115296933B (zh) | 一种工业生产数据风险等级评估方法及系统 | |
CN114185736B (zh) | 一种基于主动式数据的异常监测方法、设备及介质 | |
Gomez et al. | Semantic representation models of sensor data for monitoring agricultural crops |
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 |