CN113626073B - 一种基于知识库的软件适配优化方法 - Google Patents
一种基于知识库的软件适配优化方法 Download PDFInfo
- Publication number
- CN113626073B CN113626073B CN202110902635.0A CN202110902635A CN113626073B CN 113626073 B CN113626073 B CN 113626073B CN 202110902635 A CN202110902635 A CN 202110902635A CN 113626073 B CN113626073 B CN 113626073B
- Authority
- CN
- China
- Prior art keywords
- adaptation
- scheme
- performance
- optimization
- target
- 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
- G06F8/00—Arrangements for software engineering
- G06F8/70—Software maintenance or management
- G06F8/72—Code refactoring
-
- 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
- G06F11/302—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a software system
-
- 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
-
- 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
- G06F11/3433—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 for load management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/70—Software maintenance or management
- G06F8/76—Adapting program code to run in a different environment; Porting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/027—Frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2201/00—Indexing scheme relating to error detection, to error correction, and to monitoring
- G06F2201/865—Monitoring of software
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Stored Programmes (AREA)
Abstract
本公开涉及一种基于知识库的软件适配优化方法和装置,其中,方法包括:获取性能瓶颈报告和性能热点报告,根据性能瓶颈报告和性能热点报告,确定性能瓶颈类型和性能瓶颈对象范围,通过适配优化靶点识别算法识别与性能瓶颈类型和性能瓶颈对象范围匹配的适配靶点列表;从适配优化知识库中获取与性能瓶颈类型和适配靶点列表中每个适配靶点匹配的优化规则集;根据排序后的适配靶点列表和优化规则集生成适配方案候选集;从适配方案候选集中选择出目标适配方案;将目标适配方案置于实际系统中进行验证,获取验证方案效果;验证方案效果达到调优目标时,将目标适配方案作为最终方案加入到优化方案库中。由此,通过持续优化可以逐步提高瓶颈识别精度。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及一种基于知识库的软件适配优化方法和装置。
背景技术
目前CPU、基础软件和应用软件和外围设备厂商之间缺乏制度性的合作,组织协调和利益分配的机制尚未成立,关键软硬件兼容性相关标准和应用开发接口尚未规范。针对基础软硬件集成适配的优化目前是非常欠缺的,为用户服务的企业对基础软硬件不熟悉,没用过,没有针对基础软硬件进行过适配优化方案的探索,导致了搭建基于基础软硬件的信息系统的时候,无法针对爆发的问题进行解决,用户体验无法提升。
随着软件硬件的发展,它们分别都提供多种运行模式,以适应多样化的运行场景。处理器、操作系统和数据库等关键软硬件均提供大量的调优靶点。例如,处理器提供多种运行主频,以适应高性能计算、节能计算运行需求。操作系统也提供多种运行模式,适应存储、计算、网络等不同的业务处理需求;系统管理人员可以通过动态调整操作系统参数,改变操作系统的配置情况,适应业务对计算资源的需求,从而提升整体运行性能。
但是,处理器、操作系统、数据库、中间件以及一些大型应用都具有大量的可调整参数,它们形成的组合空间巨大。如何调整各种参数形成满足特定业务的最优适配方案仍然是一个巨大的挑战。
相关技术中,关键软硬件性能优化需要高技术水平的技术人员进行人工优化。在优化适配过程中,通常会利用一些性能测试工具进行信息采集。性能瓶颈的识别和优化方案的生成总体是手工方式进行,效率较低,无法系统和充分利用各种性能指标数据,可能遗漏潜在的性能瓶颈,无法找到最佳的优化适配方案。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本公开提供了一种基于知识库的软件适配优化方法和装置。
本公开提供了基于知识库的软件适配优化方法,包括:
S101,获取性能瓶颈报告和性能热点报告;
S102,根据所述性能瓶颈报告和所述性能热点报告,确定性能瓶颈类型和性能瓶颈对象范围,通过适配优化靶点识别算法识别与所述性能瓶颈类型和所述性能瓶颈对象范围匹配的适配靶点列表,并且根据靶点相关性程度对所述适配靶点列表中的适配靶点进行排序;
S103,从适配优化知识库中获取与所述性能瓶颈类型和所述适配靶点列表中每个适配靶点匹配的优化规则集,按照规则优化效果对所述优化规则集中的优化规则进行排序;
S104,启动基于规则的适配优化方案生成引擎,根据排序后的所述适配靶点列表和所述优化规则集生成适配方案候选集;
S105,利用启发式适配方案确认算法,向适配人员进行启发式方案确认,从所述适配方案候选集中选择出目标适配方案;
S106,将所述目标适配方案置于实际系统中进行验证,获取验证方案效果;
S107,如果所述验证方案效果达到调优目标,则将所述目标适配方案作为最终方案,同时加入到优化方案库中,如果所述验证方案效果未达到所述调优目标,将重复步骤S104到步骤S106,直至所述验证方案效果达到调优目标,或者无法再生成所述适配方案候选集。
在本公开一个可选的实施例中,所述根据所述性能瓶颈报告和所述性能热点报告,确定性能瓶颈类型和性能瓶颈对象范围,通过适配优化靶点识别算法识别与所述性能瓶颈类型和所述性能瓶颈对象范围匹配的适配靶点列表,并且根据靶点相关性程度对所述适配靶点列表中的适配靶点进行排序,包括:
根据所述性能瓶颈报告和所述性能热点报告,确定性能瓶颈类型和性能瓶颈对象范围,根据所述性能瓶颈类型和所述性能瓶颈对象范围选择关联的资源、主体作为适配对象;
获取所述适配对象的优化靶点集合,从所述优化靶点集合选择符合瓶颈特征的优化靶点生成适配靶点列表,并且根据靶点相关性程度对所述适配靶点列表中的适配靶点进行排序。
在本公开一个可选的实施例中,所述从适配优化知识库中获取与所述性能瓶颈类型和所述适配靶点列表中每个适配靶点匹配的优化规则集,按照规则优化效果对所述优化规则集中的优化规则进行排序,包括:
获取调优目标;
根据所述调优目标、所述性能瓶颈类型和所述适配靶点列表从所述适配优化知识库的性能调优靶点库中获取优化规则集,按照规则优化效果对所述优化规则集中的优化规则进行排序。
在本公开一个可选的实施例中,所述启动基于规则的适配优化方案生成引擎,根据排序后的所述适配靶点列表和所述优化规则集生成适配方案候选集,包括:
启动基于规则的调优引擎逐条解释规则,并且按照规则步骤和约束条件、排序后的所述适配靶点列表和所述优化规则集对靶点参数进行生成,生成所述适配方案候选集。
在本公开一个可选的实施例中,所述利用启发式适配方案确认算法,向适配人员进行启发式方案确认,从所述适配方案候选集中选择出目标适配方案,包括:
启发式调优引擎基于所述适配方案候选集,按照所述适配方案候选集中每个适配方案对多种负载的性能参数作为参考,生成调优选项和调优推荐值的参照适配方案;
通过机器学习方式对所述参照适配方案进行学习,然后对所述适配方案候选集中每个适配方案进行判定,向适配人员进行启发式方案确认,从所述适配方案候选集中选择出目标适配方案。
在本公开一个可选的实施例中,所述将所述目标适配方案置于实际系统中进行验证,获取验证方案效果,包括:
根据所述目标适配方案确定调优参数;
基于所述调优参数进行修改,驱动资源监控工具、数据融合工具和性能瓶颈分析工具在新的时间窗口重新进行性能评估,验证调优方案的有效性,获取所述验证方案效果。
在本公开一个可选的实施例中,所述适配优化知识库包括性能参数库、性能指标库、性能调优靶点库、热点判定规则库、瓶颈判定规则库、参考优化方案库和性能优化规则库中的一种或者多种;
其中,所述性能参数库包括各种关键软硬件的性能参数;所述其中,性能参数包括:处理器主频、缓存大小、缓存行大小、基准性能数值和上下文切换时间中一种或者多种;
所述性能指标库包括各种类型对象被采集的性能指标类型、性能采集方法、以及性能采集工具和参数;
所述性能调优靶点库包括各种不同的软件和硬件对象的调优参量、数值范围、以及调优方式;
所述热点判定规则库和瓶颈判定规则库包括确定各种类型热点和性能瓶颈判定的阈值,以及定级方法;
所述参考适配方案库包括特定的负载特征进行优化后的方案库,包括各种调优靶点的配置,以及调优靶点在不同负载情况下的关键性能参数值;
所述调优规则库包括不同的性能瓶颈类型需要调整的靶点、调整方式和调整预期值。
本公开提供了一种基于知识库的软件适配优化装置,包括:
获取报告模块,用于获取性能瓶颈报告和性能热点报告;
获取适配靶点列表模块,用于根据所述性能瓶颈报告和所述性能热点报告,确定性能瓶颈类型和性能瓶颈对象范围,通过适配优化靶点识别算法识别与所述性能瓶颈类型和所述性能瓶颈对象范围匹配的适配靶点列表,并且根据靶点相关性程度对所述适配靶点列表中的适配靶点进行排序;
获取优化规则集模块,用于从适配优化知识库中获取与所述性能瓶颈类型和所述适配靶点列表中每个适配靶点匹配的优化规则集,按照规则优化效果对所述优化规则集中的优化规则进行排序;
生成模块,用于启动基于规则的适配优化方案生成引擎,根据排序后的所述适配靶点列表和所述优化规则集生成适配方案候选集;
选择模块,用于利用启发式适配方案确认算法,向适配人员进行启发式方案确认,从所述适配方案候选集中选择出目标适配方案;
验证模块,用于将所述目标适配方案置于实际系统中进行验证,获取验证方案效果;
处理模块,用于如果所述验证方案效果达到调优目标,则将所述目标适配方案作为最终方案,同时加入到优化方案库中,如果所述验证方案效果未达到所述调优目标,将重复所述生成模块到所述验证模块执行步骤,直至所述验证方案效果达到调优目标,或者无法再生成所述适配方案候选集。
本公开提供了一种电子设备,包括:处理器;用于存储所述处理器可执行指令的存储器;所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述实施例所述的基于知识库的软件适配优化方法。
本公开提供了一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序用于执行上述实施例所述的基于知识库的软件适配优化方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点:
通过获取性能瓶颈报告和性能热点报告,根据性能瓶颈报告和性能热点报告,确定性能瓶颈类型和性能瓶颈对象范围,通过适配优化靶点识别算法识别与性能瓶颈类型和性能瓶颈对象范围匹配的适配靶点列表;从适配优化知识库中获取与性能瓶颈类型和适配靶点列表中每个适配靶点匹配的优化规则集;根据排序后的适配靶点列表和优化规则集生成适配方案候选集;从适配方案候选集中选择出目标适配方案;将目标适配方案置于实际系统中进行验证,获取验证方案效果;验证方案效果达到调优目标时,将目标适配方案作为最终方案加入到优化方案库中。由此,通过持续优化可以逐步提高瓶颈识别精度。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开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,对于本领域普通技术人员而言,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他的附图。
图1为本公开实施例提供的一种基于知识库的软件适配优化方法的流程示意图;
图2为本公开实施例提供的另一种基于知识库的软件适配优化方法的流程示意图;
图3为本公开实施例提供的一种基于知识库的软件适配优化装置的结构示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点,下面将对本公开的方案进行进一步描述。需要说明的是,在不冲突的情况下,本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开,但本公开还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本公开的一部分实施例,而不是全部的实施例。
本公开的目的是针对关键软硬件之间优化适配不足,优化适配工作缺乏有效、系统的方法和工具支持这一问题,提出一种基于知识库的软件适配优化方法,基于多维度、跨时空性能瓶颈检测方法,通过从不同的性能数据采集,有效识别出系统中潜在的性能瓶颈,为优化适配指明方向。
图1为本公开实施例提供的一种基于知识库的软件适配优化方法的流程示意图,包括:
S101,获取性能瓶颈报告和性能热点报告。
在本公开实施例中,性能瓶颈包括硬件瓶颈(比如CPU、内存、磁盘输入/输出方面的问题,可以分为服务器硬件瓶颈、网络瓶颈)、中间件性能瓶颈(比如网页软件,数据库,缓存等)、操作系统瓶颈(比如连接数,虚拟内存,内核参数等)、应用瓶颈等,具体根据应用场景选择一个或者多个性能瓶颈。
在本公开实施例中,性能热点指的是运行过程中使用大量资源的程序、模块、函数、以及程序片段。其中,资源是指计算机系统提供的可以量化使用和分配的各种类型设备,包括CPU、内存、外存以及网络等。
其中,性能瓶颈报告指的是性能瓶颈分析结果,比如性能瓶颈的类型、性能瓶颈涉及的对象范围等;性能热点报告指的是性能热点分析结果,比如给出一段时间内系统中各程序、模块、函数以及程序片段的CPU、内存、I/O、网络的使用情况和分布。
S102,根据性能瓶颈报告和性能热点报告,确定性能瓶颈类型和性能瓶颈对象范围,通过适配优化靶点识别算法识别与性能瓶颈类型和性能瓶颈对象范围匹配的适配靶点列表,并且根据靶点相关性程度对适配靶点列表中的适配靶点进行排序。
在本公开实施例中,根据性能瓶颈报告和性能热点报告,确定性能瓶颈类型和性能瓶颈对象范围,其中,性能瓶颈类型指的是根据性能瓶颈位置和资源特性给出分类,包括CPU瓶颈、I/O瓶颈、网络瓶颈,性能瓶颈对象范围指的是性能瓶颈发生程序和模块,对象包括数据存储模块、Web(网页)服务器请求模块等。
进一步地,通过适配优化靶点识别算法识别与性能瓶颈类型和性能瓶颈对象范围匹配的适配靶点列表,可以理解为根据性能瓶颈类型和性能瓶颈对象范围选择关联的资源、主体作为适配对象,获取适配对象的优化靶点集合,从优化靶点集合选择符合瓶颈特征的优化靶点生成适配靶点列表。其中,关联的资源和主体指的分别是产生性能瓶颈的资源和程序;优化靶点指的是关联的资源和主体的可以调节参数,通过调节这些参数可以改变系统资源分配;瓶颈特征指的是对瓶颈属性的描述包括瓶颈类型、资源需求、发生位置等。
最后,根据靶点相关性程度对适配靶点列表中的适配靶点进行排序,将最相关的靶点置于队列首部,进行优先调优,并且逐个评估效果,直到满足调优目标。通过排序可以提高调优效率,减少调优搜素空间,降低调优的影响范围。
S103,从适配优化知识库中获取与性能瓶颈类型和适配靶点列表中每个适配靶点匹配的优化规则集,按照规则优化效果对优化规则集中的优化规则进行排序。
在本公开实施例中,适配优化知识库包括性能参数库、性能指标库、性能调优靶点库、热点判定规则库、瓶颈判定规则库、参考优化方案库和性能优化规则库中的一种或者多种。
在本公开实施例中,调优目标指的是调优后性能瓶颈缓减的程度,根据调优目标、性能瓶颈类型和适配靶点列表从适配优化知识库的性能调优靶点库中获取优化规则集。其中,优化规则指的是调优靶点的调节方式、方向和调节步幅的描述。
进一步地,按照规则优化效果对优化规则集中的优化规则进行排序,将优化效果最好的规则置于队列首部,进行优先调优,并且逐个评估效果,直到满足调优目标。通过排序可以提高调优效率,减少调优搜素空间,降低调优的影响范围。
S104,启动基于规则的适配优化方案生成引擎,根据排序后的适配靶点列表和优化规则集生成适配方案候选集。
在本公开实施例中,启动基于规则的适配优化方案生成引擎,可以理解为从规则库中检索出优化靶点和优化目标匹配的优化规则,并且进行规则排序。
在本公开实施例中,根据排序后的适配靶点列表和优化规则集生成适配方案候选集,可以理解为启动基于规则的调优引擎逐条解释规则,并且按照规则步骤和约束条件、适配靶点列表和优化规则集对靶点参数进行生成,生成适配方案候选集。其中,规则步骤指的是优化规则规定的执行动作,如将buffsize每步增加10%;约束条件指的是优化规则适用的前提条件,表示为简单的逻辑表达式;靶点参数指的是软件系统中可以调节的参数,通过调整该参数,可改变系统的性能表现。
S105,利用启发式适配方案确认算法,向适配人员进行启发式方案确认,从适配方案候选集中选择出目标适配方案。
在本公开实施例中,启发式调优引擎基于适配方案候选集,按照适配方案候选集中每个适配方案对多种负载的性能参数作为参考,生成调优选项和调优推荐值的参照适配方案,通过机器学习方式对参照适配方案进行学习,然后对适配方案候选集中每个适配方案进行判定,向适配人员进行启发式方案确认,从适配方案候选集中选择出目标适配方案。
S106,将目标适配方案置于实际系统中进行验证,获取验证方案效果。
在本公开实施例中,根据目标适配方案确定调优参数,基于调优参数进行修改,驱动资源监控工具、数据融合工具和性能瓶颈分析工具在新的时间窗口重新进行性能评估,验证调优方案的有效性,获取验证方案效果。
S107,如果验证方案效果达到调优目标,则将目标适配方案作为最终方案,同时加入到优化方案库中,如果验证方案效果未达到调优目标,将重复步骤S104到步骤S106,直至验证方案效果达到调优目标,或者无法再生成适配方案候选集。
在本公开实施例中,调优目标指的是通过调优后性能瓶颈缓减的预期数值,比如I/O吞吐量提升10%或者某请求的延时<0.4秒。
本公开实施例的基于知识库的软件适配优化方法,通过获取性能瓶颈报告和性能热点报告,根据性能瓶颈报告和性能热点报告,确定性能瓶颈类型和性能瓶颈对象范围,通过适配优化靶点识别算法识别与性能瓶颈类型和性能瓶颈对象范围匹配的适配靶点列表;从适配优化知识库中获取与性能瓶颈类型和适配靶点列表中每个适配靶点匹配的优化规则集;根据排序后的适配靶点列表和优化规则集生成适配方案候选集;从适配方案候选集中选择出目标适配方案;将目标适配方案置于实际系统中进行验证,获取验证方案效果;验证方案效果达到调优目标时,将目标适配方案作为最终方案加入到优化方案库中。由此,通过持续优化可以逐步提高瓶颈识别精度。
在本公开一个可能实现方式中,启发式调优引擎基于适配方案候选集,按照适配方案候选集中每个适配方案对多种负载的性能参数作为参考,生成调优选项和调优推荐值的参照适配方案;通过机器学习方式对参照适配方案进行学习,然后对适配方案候选集中每个适配方案进行判定,向适配人员进行启发式方案确认,从适配方案候选集中选择出目标适配方案。
其中,启发式调优引擎指的是利用已有的优化方案作为启发的调优程序,多种负载指的是计算负载、I/O负载、网络负载、数据库负载等,性能参数指的是吞吐量、延时、速度等,调优选项指的是调优方案中调节的参数,调优推荐值指的是已有优化方案中给出调优数值。
其中,通过机器学习方式对参照适配方案进行学习可以理解为利用已有的优化方案的负载、性能参数、调优选项和调优值进行编码,然后利用机器学习方法学习生成机器学习模型。对适配方案候选集中每个适配方案提交到机器学习模型中进行判定。
在本公开一个可能实现方式中,根据目标适配方案确定调优参数,基于调优参数进行修改,驱动资源监控工具、数据融合工具和性能瓶颈分析工具在新的时间窗口重新进行性能评估,验证调优方案的有效性,获取验证方案效果。
也就是说,可以进行在线调优,将生成的调优方案应用于实际系统,看调优效果。如果效果没有达到调优目标,可以立即启动相关工具采集新的信息,作为补充进行进一步调优。
在本公开一个可能实现方式中,性能参数库包括各种关键软硬件的性能参数;性能参数包括:处理器主频、缓存大小、缓存行大小、基准性能数值和上下文切换时间中一种或者多种;性能指标库包括各种类型对象被采集的性能指标类型、性能采集方法、以及性能采集工具和参数;性能调优靶点库包括各种不同的软件和硬件对象的调优参量、数值范围、以及调优方式;热点判定规则库和瓶颈判定规则库包括确定各种类型热点和性能瓶颈判定的阈值,以及定级方法;参考适配方案库包括特定的负载特征进行优化后的方案库,包括各种调优靶点的配置,以及调优靶点在不同负载情况下的关键性能参数值;调优规则库包括不同的性能瓶颈类型需要调整的靶点、调整方式和调整预期值。
本公开实施例中,输入是多维瓶颈分析工具识别出的性能瓶颈,以性能瓶颈为驱动,从优化知识库中确定性能瓶颈涉及的资源和对象角度确定出适配对象,以及适配对象的靶点。然后根据性能优化规则以及优化方案库相似方案为基础生成多种潜在的适配方案,并且对适配方案进行初步评分,并且对适配方案进行迭代验证。因此,整个工具主要包括适配优化知识库、适配优化方案生成器、适配优化方案验证模块、以及适配优化管理器等部分。
具体地,适配优化知识库是整个工具的核心,它作为关键软硬件适配工具的核心。它主要包括性能参数库、性能指标库、性能调优靶点库、热点/瓶颈判定规则库、参考优化方案库和性能优化规则库。
其中,性能参数库主要包括各种关键软硬件的性能参数。例如,处理器主频、缓存大小、缓存行大小、基准性能数值等。对于操作系统,则包括操作系统的典型性能数值如上下文切换时间等。总之,通过整理各种国产关键软硬件数据手册和测试结果确定它们的性能参数,作为优化适配的基准性能数据。
其中,性能指标库按照各种类型对象整理出它们可以被采集的性能指标类型、性能采集方法、以及性能采集工具和参数。性能指标库作为支持资源监控和数据融合的重要依据。
其中,性能调优靶点库,根据各种不同的软件和硬件对象,梳理出它们调优参量、数值范围、以及调优方式。例如,操作系统可以调整进程数量、网络缓存大小、交换分区等。
其中,热点/性能瓶颈判定规则库,确定各种类型热点和性能瓶颈判定的阈值,以及定级方法。
其中,参考适配方案库,按照特定的负载特征进行充分优化后的方案库,包括各种调优靶点的配置,以及它在不同负载情况下的关键性能参数值。
其中,调优规则库,按照不同的性能瓶颈类型,给出需要调整的靶点、调整方式、调整预期值等信息。
具体地,适配优化管理器主要是确定优化目标、进行优化方案、配置、优化任务设置以及优化流程管理。
其中,优化配置主要根据优化目标设置资源监控工具、数据融合工具、热点分析工具、性能瓶颈分析工具的运行策略;优化任务管理创建优化活动的独立活动空间,包括独立的数据库;优化流程管理,主要设置优化操作流程,分配流程中操作员的权力、过程等。
其中,适配优化方案生成器主要负责候选方案生成,包括:优化靶点识别算法,候选方案生成以性能瓶颈和性能热点作为基础,为了缩小优化方案搜索空间,通过热点和性能瓶颈作为基础选择关联的资源、主体作为优化适配对象,优化靶点识别算法需要根据适配对象提供的优化靶点集合,选择符合瓶颈特征的优化靶点,然后对靶点的有效性进行预测排序;优化适配规则选取算法,根据选择的优化靶点,按照调优目标选择恰当的调优规则,并且对优化规则使用进行排序;规则驱动的调优引擎,规则驱动的调优引擎逐条解释规则,并且按照规则步骤和约束条件,生成对靶点参数进行调整;启发式调优引擎,启发式调优引擎基于已有的适配方案,按照适配方案对多种负载的性能参数作为参考,推荐出潜在的调优选项和调优推荐值,启发算法将通过机器学习方式对已有的参照适配方案进行学习,然后对潜在调优方案进行判定。
具体地,适配方案验证模块的主要功能是将根据适配优化方案对系统进行调整,然后在相同的载荷环境下,重新采集性能指标,判定性能瓶颈是否有所缓减以及缓减程度,根据适配优化靶点的特征,本项目拟支持两种类型验证方法,在线验证,立即对调优参数进行修改,然后驱动资源监控工具、数据融合工具、性能瓶颈分析工具等在新的时间窗口重新进行性能评估,验证调优方案的有效性;离线验证,对于需要对系统进行重新构建、重启、新增资源等利用离线验证方式,离线验证需要重新部署相关工具,可以将获取的性能数值导入到系统中进行验证。
作为一种场景举例,如图2所示,步骤201,根据性能瓶颈分析结果和性能热点分析结果,确定性能瓶颈性能瓶颈的类型、性能瓶颈涉及的对象范围,通过适配优化靶点识别算法识别与之匹配的优化适配靶点列表,并且根据相关性程度进行排序;步骤202,从适配优化知识库库中获取与性能瓶颈类型和适配靶点匹配的优化规则集,按照规则的优化效果进行排序;步骤203,启动基于规则的适配优化方案生成引擎,按照靶点相关性和规则效果进行组合生成适配方案候选集;步骤204,利用启发式适配方案确认算法,向适配人员进行启发式方案确认,选择出目标适配方案;步骤205,将适配方案置于实际系统中进行验证,验证方案效果;步骤206,如果适配方案达到预期优化目标,性能瓶颈得到有效改善,那么将目标方案作为最终方案,同时加入到优化方案库中。如果未达到调优目标,将重复步骤203到步骤205,直至达到优化目标,或者无法再生成优化适配候选集。
本公开实施例,通过设计适配优化知识库作为基础,适配优化知识库包括性能参数库、性能指标库、性能调优靶点库、热点/瓶颈判定规则库、参考优化方案库和性能优化规则库等;然后利用性能瓶颈类型和适配靶点匹配的优化规则集生成优化推荐方案。
由此,能够充分利用各种性能指标开展性能瓶颈分析,可以将零散的性能评估工具有效整合在一起,利用瓶颈的空间表现差异和时序表现差异进行瓶颈识别,提高瓶颈识别率,通过持续优化可以逐步提高瓶颈识别精度。
图3为本公开实施例提供的一种基于知识库的软件适配优化装置的结构示意图,该装置可由软件和/或硬件实现,一般可集成在电子设备中。
如图3所示,该装置包括:
获取报告模块301,用于获取性能瓶颈报告和性能热点报告。
获取适配靶点列表模块302,用于根据性能瓶颈报告和性能热点报告,确定性能瓶颈类型和性能瓶颈对象范围,通过适配优化靶点识别算法识别与性能瓶颈类型和性能瓶颈对象范围匹配的适配靶点列表,并且根据靶点相关性程度对所述适配靶点列表中的适配靶点进行排序。
获取优化规则集模块303,用于从适配优化知识库中获取与性能瓶颈类型和适配靶点列表中每个适配靶点匹配的优化规则集,按照规则优化效果对优化规则集中的优化规则进行排序。
生成模块304,用于启动基于规则的适配优化方案生成引擎,根据排序后的适配靶点列表和优化规则集生成适配方案候选集。
选择模块305,用于利用启发式适配方案确认算法,向适配人员进行启发式方案确认,从适配方案候选集中选择出目标适配方案。
验证模块306,用于将目标适配方案置于实际系统中进行验证,获取验证方案效果。
处理模块307,用于如果验证方案效果达到调优目标,则将目标适配方案作为最终方案,同时加入到优化方案库中,如果验证方案效果未达到调优目标,将重复生成模块到验证模块执行步骤,直至验证方案效果达到调优目标,或者无法再生成适配方案候选集。
可选地,获取适配靶点列表模块302,具体用于根据性能瓶颈报告和性能热点报告,确定性能瓶颈类型和性能瓶颈对象范围,根据性能瓶颈类型和所述性能瓶颈对象范围选择关联的资源、主体作为适配对象;获取适配对象的优化靶点集合,从优化靶点集合选择符合瓶颈特征的优化靶点生成适配靶点列表,并且根据靶点相关性程度对适配靶点列表中的适配靶点进行排序。
可选地,获取优化规则集模块303,具体用于获取调优目标;根据调优目标、性能瓶颈类型和适配靶点列表从适配优化知识库的性能调优靶点库中获取优化规则集,按照规则优化效果对优化规则集中的优化规则进行排序。
可选地,生成模块304,具体用于启动基于规则的调优引擎逐条解释规则,并且按照规则步骤和约束条件、排序后的适配靶点列表和优化规则集对靶点参数进行生成,生成适配方案候选集。
可选地,选择模块305,具体用于启发式调优引擎基于适配方案候选集,按照适配方案候选集中每个适配方案对多种负载的性能参数作为参考,生成调优选项和调优推荐值的参照适配方案;通过机器学习方式对参照适配方案进行学习,然后对适配方案候选集中每个适配方案进行判定,向适配人员进行启发式方案确认,从适配方案候选集中选择出目标适配方案。
可选地,验证模块306,具体用于根据目标适配方案确定调优参数;基于调优参数进行修改,驱动资源监控工具、数据融合工具和性能瓶颈分析工具在新的时间窗口重新进行性能评估,验证调优方案的有效性,获取验证方案效果。
可选地,适配优化知识库包括性能参数库、性能指标库、性能调优靶点库、热点判定规则库、瓶颈判定规则库、参考优化方案库和性能优化规则库中的一种或者多种,性能参数库包括各种关键软硬件的性能参数;性能参数包括:处理器主频、缓存大小、缓存行大小、基准性能数值和上下文切换时间中一种或者多种;性能指标库包括各种类型对象被采集的性能指标类型、性能采集方法、以及性能采集工具和参数;性能调优靶点库包括各种不同的软件和硬件对象的调优参量、数值范围、以及调优方式;热点判定规则库和瓶颈判定规则库包括确定各种类型热点和性能瓶颈判定的阈值,以及定级方法;参考适配方案库包括特定的负载特征进行优化后的方案库,包括各种调优靶点的配置,以及调优靶点在不同负载情况下的关键性能参数值;调优规则库包括不同的性能瓶颈类型需要调整的靶点、调整方式和调整预期值。
本公开实施例的基于知识库的软件适配优化装置,通过获取性能瓶颈报告和性能热点报告,根据性能瓶颈报告和性能热点报告,确定性能瓶颈类型和性能瓶颈对象范围,通过适配优化靶点识别算法识别与性能瓶颈类型和性能瓶颈对象范围匹配的适配靶点列表;从适配优化知识库中获取与性能瓶颈类型和适配靶点列表中每个适配靶点匹配的优化规则集;根据排序后的适配靶点列表和优化规则集生成适配方案候选集;从适配方案候选集中选择出目标适配方案;将目标适配方案置于实际系统中进行验证,获取验证方案效果;验证方案效果达到调优目标时,将目标适配方案作为最终方案加入到优化方案库中。由此,通过持续优化可以逐步提高瓶颈识别精度。
根据本公开的一个或多个实施例,本公开提供了一种电子设备,包括:处理器;用于存储所述处理器可执行指令的存储器;所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现如本公开提供的任一所述的基于知识库的软件适配优化方法。
根据本公开的一个或多个实施例,本公开提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行如本公开提供的任一所述的基于知识库的软件适配优化方法。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本公开的具体实施方式,使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下,在其它实施例中实现。因此,本公开将不会被限制于本文所述的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于知识库的软件适配优化方法,其特征在于,包括:
S101,获取性能瓶颈报告和性能热点报告;
S102,根据所述性能瓶颈报告和所述性能热点报告,确定性能瓶颈类型和性能瓶颈对象范围,通过适配优化靶点识别算法识别与所述性能瓶颈类型和所述性能瓶颈对象范围匹配的适配靶点列表,并且根据靶点相关性程度对所述适配靶点列表中的适配靶点进行排序;
S103,从适配优化知识库中获取与所述性能瓶颈类型和所述适配靶点列表中每个适配靶点匹配的优化规则集,按照规则优化效果对所述优化规则集中的优化规则进行排序;
S104,启动基于规则的适配优化方案生成引擎,根据排序后的所述适配靶点列表和所述优化规则集生成适配方案候选集;
S105,利用启发式适配方案确认算法,向适配人员进行启发式方案确认,从所述适配方案候选集中选择出目标适配方案;其中,所述利用启发式适配方案确认算法,向适配人员进行启发式方案确认,从所述适配方案候选集中选择出目标适配方案,包括:启发式调优引擎基于所述适配方案候选集,按照所述适配方案候选集中每个适配方案对多种负载的性能参数作为参考,生成调优选项和调优推荐值的参照适配方案;通过机器学习方式对所述参照适配方案进行学习,然后对所述适配方案候选集中每个适配方案进行判定,向适配人员进行启发式方案确认,从所述适配方案候选集中选择出目标适配方案;其中,通过机器学习方式对所述参照适配方案进行学习,然后对所述适配方案候选集中每个适配方案进行判定,包括:利用已有的优化方案的负载、性能参数、调优选项和调优值进行编码,然后利用机器学习方法学习生成机器学习模型,对所述适配方案候选集中每个适配方案提交到机器学习模型中进行判定;
S106,将所述目标适配方案置于实际系统中进行验证,获取验证方案效果;
S107,如果所述验证方案效果达到调优目标,则将所述目标适配方案作为最终方案,同时加入到优化方案库中,如果所述验证方案效果未达到所述调优目标,将重复步骤S104到步骤S106,直至所述验证方案效果达到调优目标,或者无法再生成所述适配方案候选集;
其中,所述适配优化知识库包括性能参数库、性能指标库、性能调优靶点库、热点判定规则库、瓶颈判定规则库、参考适配方案库和调优规则库中的一种或者多种;
其中,所述性能参数库包括各种关键软硬件的性能参数;所述性能参数包括:处理器主频、缓存大小、缓存行大小、基准性能数值和上下文切换时间中一种或者多种;
所述性能指标库包括各种类型对象被采集的性能指标类型、性能采集方法、以及性能采集工具和参数;
所述性能调优靶点库包括各种不同的软件和硬件对象的调优参量、数值范围、以及调优方式;
所述热点判定规则库和瓶颈判定规则库包括确定各种类型热点和性能瓶颈判定的阈值,以及定级方法;
所述参考适配方案库包括特定的负载特征进行优化后的方案库,包括各种调优靶点的配置,以及调优靶点在不同负载情况下的关键性能参数值;
所述调优规则库包括不同的性能瓶颈类型需要调整的靶点、调整方式和调整预期值。
2.根据权利要求1所述的基于知识库的软件适配优化方法,其特征在于,所述根据所述性能瓶颈报告和所述性能热点报告,确定性能瓶颈类型和性能瓶颈对象范围,通过适配优化靶点识别算法识别与所述性能瓶颈类型和所述性能瓶颈对象范围匹配的适配靶点列表,并且根据靶点相关性程度对所述适配靶点列表中的适配靶点进行排序,包括:
根据所述性能瓶颈报告和所述性能热点报告,确定性能瓶颈类型和性能瓶颈对象范围,根据所述性能瓶颈类型和所述性能瓶颈对象范围选择关联的资源、主体作为适配对象;
获取所述适配对象的优化靶点集合,从所述优化靶点集合选择符合瓶颈特征的优化靶点生成适配靶点列表,并且根据靶点相关性程度对所述适配靶点列表中的适配靶点进行排序。
3.根据权利要求1所述的基于知识库的软件适配优化方法,其特征在于,所述从适配优化知识库中获取与所述性能瓶颈类型和所述适配靶点列表中每个适配靶点匹配的优化规则集,按照规则优化效果对所述优化规则集中的优化规则进行排序,包括:
获取调优目标;
根据所述调优目标、所述性能瓶颈类型和所述适配靶点列表从所述适配优化知识库的性能调优靶点库中获取优化规则集,按照规则优化效果对所述优化规则集中的优化规则进行排序。
4.根据权利要求1所述的基于知识库的软件适配优化方法,其特征在于,所述启动基于规则的适配优化方案生成引擎,根据排序后的所述适配靶点列表和所述优化规则集生成适配方案候选集,包括:
启动基于规则的调优引擎逐条解释规则,并且按照规则步骤和约束条件、排序后的所述适配靶点列表和所述优化规则集对靶点参数进行生成,生成所述适配方案候选集。
5.根据权利要求1所述的基于知识库的软件适配优化方法,其特征在于,所述将所述目标适配方案置于实际系统中进行验证,获取验证方案效果,包括:
根据所述目标适配方案确定调优参数;
基于所述调优参数进行修改,驱动资源监控工具、数据融合工具和性能瓶颈分析工具在新的时间窗口重新进行性能评估,验证调优方案的有效性,获取所述验证方案效果。
6.一种基于知识库的软件适配优化装置,其特征在于,包括:
获取报告模块,用于获取性能瓶颈报告和性能热点报告;
获取适配靶点列表模块,用于根据所述性能瓶颈报告和所述性能热点报告,确定性能瓶颈类型和性能瓶颈对象范围,通过适配优化靶点识别算法识别与所述性能瓶颈类型和所述性能瓶颈对象范围匹配的适配靶点列表,并且根据靶点相关性程度对所述适配靶点列表中的适配靶点进行排序;
获取优化规则集模块,用于从适配优化知识库中获取与所述性能瓶颈类型和所述适配靶点列表中每个适配靶点匹配的优化规则集,按照规则优化效果对所述优化规则集中的优化规则进行排序;
生成模块,用于启动基于规则的适配优化方案生成引擎,根据排序后的所述适配靶点列表和所述优化规则集生成适配方案候选集;
选择模块,用于利用启发式适配方案确认算法,向适配人员进行启发式方案确认,从所述适配方案候选集中选择出目标适配方案;其中,所述利用启发式适配方案确认算法,向适配人员进行启发式方案确认,从所述适配方案候选集中选择出目标适配方案,包括:启发式调优引擎基于所述适配方案候选集,按照所述适配方案候选集中每个适配方案对多种负载的性能参数作为参考,生成调优选项和调优推荐值的参照适配方案;通过机器学习方式对所述参照适配方案进行学习,然后对所述适配方案候选集中每个适配方案进行判定,向适配人员进行启发式方案确认,从所述适配方案候选集中选择出目标适配方案;其中,通过机器学习方式对所述参照适配方案进行学习,然后对所述适配方案候选集中每个适配方案进行判定,包括:利用已有的优化方案的负载、性能参数、调优选项和调优值进行编码,然后利用机器学习方法学习生成机器学习模型,对所述适配方案候选集中每个适配方案提交到机器学习模型中进行判定;
验证模块,用于将所述目标适配方案置于实际系统中进行验证,获取验证方案效果;
处理模块,用于如果所述验证方案效果达到调优目标,则将所述目标适配方案作为最终方案,同时加入到优化方案库中,如果所述验证方案效果未达到所述调优目标,将重复所述生成模块到所述验证模块执行步骤,直至所述验证方案效果达到调优目标,或者无法再生成所述适配方案候选集;
其中,所述适配优化知识库包括性能参数库、性能指标库、性能调优靶点库、热点判定规则库、瓶颈判定规则库、参考适配方案库和调优规则库中的一种或者多种;
其中,所述性能参数库包括各种关键软硬件的性能参数;所述性能参数包括:处理器主频、缓存大小、缓存行大小、基准性能数值和上下文切换时间中一种或者多种;
所述性能指标库包括各种类型对象被采集的性能指标类型、性能采集方法、以及性能采集工具和参数;
所述性能调优靶点库包括各种不同的软件和硬件对象的调优参量、数值范围、以及调优方式;
所述热点判定规则库和瓶颈判定规则库包括确定各种类型热点和性能瓶颈判定的阈值,以及定级方法;
所述参考适配方案库包括特定的负载特征进行优化后的方案库,包括各种调优靶点的配置,以及调优靶点在不同负载情况下的关键性能参数值;
所述调优规则库包括不同的性能瓶颈类型需要调整的靶点、调整方式和调整预期值。
7.一种电子设备,其特征在于,所述电子设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述权利要求1-5中任一所述的基于知识库的软件适配优化方法。
8.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1-5中任一所述的基于知识库的软件适配优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110902635.0A CN113626073B (zh) | 2021-08-06 | 2021-08-06 | 一种基于知识库的软件适配优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110902635.0A CN113626073B (zh) | 2021-08-06 | 2021-08-06 | 一种基于知识库的软件适配优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113626073A CN113626073A (zh) | 2021-11-09 |
CN113626073B true CN113626073B (zh) | 2022-06-10 |
Family
ID=78383188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110902635.0A Active CN113626073B (zh) | 2021-08-06 | 2021-08-06 | 一种基于知识库的软件适配优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113626073B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116126546B (zh) * | 2023-04-12 | 2023-09-26 | 阿里云计算有限公司 | 一种性能调优的方法、装置、电子设备及介质 |
CN116737522A (zh) * | 2023-06-21 | 2023-09-12 | 山东日照发电有限公司 | 一种系统性能优化方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102981952A (zh) * | 2012-11-06 | 2013-03-20 | 无锡江南计算技术研究所 | 基于目标机器的程序性能分析方法 |
CN104834529A (zh) * | 2015-05-25 | 2015-08-12 | 腾讯科技(深圳)有限公司 | 一种应用的性能优化的方法及装置 |
CN107220115A (zh) * | 2017-05-25 | 2017-09-29 | 深信服科技股份有限公司 | 一种基于云平台的任务瓶颈确定方法及装置 |
CN108052425A (zh) * | 2017-12-07 | 2018-05-18 | 郑州云海信息技术有限公司 | 一种基于内核调优的提升系统性能的方法及装置 |
CN110162442A (zh) * | 2019-04-19 | 2019-08-23 | 平安科技(深圳)有限公司 | 一种系统性能瓶颈定位方法及系统 |
WO2019241921A1 (en) * | 2018-06-20 | 2019-12-26 | Huawei Technologies Co., Ltd. | Systems and methods for automated compiling |
CN112131086A (zh) * | 2020-09-18 | 2020-12-25 | 浪潮电子信息产业股份有限公司 | 一种应用服务器的性能调优方法、装置及设备 |
CN112749003A (zh) * | 2019-10-30 | 2021-05-04 | 华为技术有限公司 | 系统优化的方法、设备及计算机可读存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102789599B (zh) * | 2012-07-06 | 2015-07-01 | 西北工业大学 | 一种基于聚类分析和多属性决策的作业车间瓶颈识别方法 |
ES2830375T3 (es) * | 2014-12-04 | 2021-06-03 | Assia Spe Llc | Método y aparato para predecir el éxito de la optimización de una línea DSL |
CN105159986B (zh) * | 2015-08-31 | 2018-10-30 | 浪潮(北京)电子信息产业有限公司 | 一种oracle数据库优化配置的方法及系统 |
CN108563568A (zh) * | 2018-04-11 | 2018-09-21 | 苏州龙游山海网络科技有限公司 | 一种基于聚类分析的应用性能瓶颈检测与诊断方法 |
CN111190832A (zh) * | 2020-01-06 | 2020-05-22 | 成都库珀区块链科技有限公司 | 一种性能瓶颈定位和调优方法、装置及系统 |
-
2021
- 2021-08-06 CN CN202110902635.0A patent/CN113626073B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102981952A (zh) * | 2012-11-06 | 2013-03-20 | 无锡江南计算技术研究所 | 基于目标机器的程序性能分析方法 |
CN104834529A (zh) * | 2015-05-25 | 2015-08-12 | 腾讯科技(深圳)有限公司 | 一种应用的性能优化的方法及装置 |
CN107220115A (zh) * | 2017-05-25 | 2017-09-29 | 深信服科技股份有限公司 | 一种基于云平台的任务瓶颈确定方法及装置 |
CN108052425A (zh) * | 2017-12-07 | 2018-05-18 | 郑州云海信息技术有限公司 | 一种基于内核调优的提升系统性能的方法及装置 |
WO2019241921A1 (en) * | 2018-06-20 | 2019-12-26 | Huawei Technologies Co., Ltd. | Systems and methods for automated compiling |
CN110162442A (zh) * | 2019-04-19 | 2019-08-23 | 平安科技(深圳)有限公司 | 一种系统性能瓶颈定位方法及系统 |
CN112749003A (zh) * | 2019-10-30 | 2021-05-04 | 华为技术有限公司 | 系统优化的方法、设备及计算机可读存储介质 |
CN112131086A (zh) * | 2020-09-18 | 2020-12-25 | 浪潮电子信息产业股份有限公司 | 一种应用服务器的性能调优方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113626073A (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113626073B (zh) | 一种基于知识库的软件适配优化方法 | |
US9658936B2 (en) | Optimization analysis using similar frequencies | |
US8997063B2 (en) | Periodicity optimization in an automated tracing system | |
US9021447B2 (en) | Application tracing by distributed objectives | |
Andritsos et al. | Information-theoretic software clustering | |
US20150347273A1 (en) | Deploying Trace Objectives Using Cost Analyses | |
EP2095236B1 (en) | Method, system and computer program for testing software applications based on multiple data sources | |
US10467590B2 (en) | Business process optimization and problem resolution | |
CN113282630A (zh) | 基于接口切换的数据查询方法及装置 | |
CN110377519B (zh) | 大数据系统的性能容量测试方法、装置、设备及存储介质 | |
Genkin et al. | Automatic, on-line tuning of YARN container memory and CPU parameters | |
CN111897734B (zh) | 基于在线式增量学习的模糊测试用例选择方法和装置 | |
CN115147020B (zh) | 装修数据处理方法、装置、设备及存储介质 | |
JP4604097B2 (ja) | 文書分類付与方法、システムまたはコンピュータプログラム | |
Kim et al. | Performance evaluation and tuning for MapReduce computing in Hadoop distributed file system | |
US20230376800A1 (en) | Predicting runtime variation in big data analytics | |
CN115934502A (zh) | 用于大数据管理系统的最优压力测试的工作负载生成 | |
CN114168166B (zh) | 一种室内智能无线接入设备的安装配置方法及系统 | |
Safarzadeh et al. | Unrelated parallel machine scheduling with machine processing cost | |
Zhang et al. | A heuristic approach to break cycles for the class integration test order generation | |
Kubler et al. | Methods of aggregation of expert opinions in the framework of intelligent products | |
Adinew et al. | Spark performance optimization analysis in memory tuning on gc overhead for big data analytics | |
Georges et al. | Feature-based algorithm selection for mixed integer programming | |
CN113807046B (zh) | 一种测试激励优化回归验证方法、系统及介质 | |
CN112035533B (zh) | 基于多参数量化策略回测的系统资源调度方法及装置 |
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 |