CN113742069A - 基于人工智能的容量预测方法、装置及存储介质 - Google Patents
基于人工智能的容量预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113742069A CN113742069A CN202111011678.6A CN202111011678A CN113742069A CN 113742069 A CN113742069 A CN 113742069A CN 202111011678 A CN202111011678 A CN 202111011678A CN 113742069 A CN113742069 A CN 113742069A
- Authority
- CN
- China
- Prior art keywords
- utilization rate
- tps
- prediction
- determining
- cpu
- 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
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2205—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using arrangements specific to the hardware being tested
- G06F11/2236—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using arrangements specific to the hardware being tested to test CPU or processors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2273—Test methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能领域,揭露一种基于人工智能的容量预测方法,包括:获取CPU在预设时间点下的所有运行服务的初始TPS值;按照预设幅度增加所述所有运行服务的初始TPS值,以获取与所述运行服务分别对应的TPS数据集;基于预训练的利用率预测模型,获取与所述TPS数据集中各TPS值分别对应的预测利用率,并基于所述预测利用率确定目标预测利用率的范围;对所述目标预测利用率的范围内的TPS值进行压力测试,并确定对应的压测利用率;确定所述预测利用率和所述压测利用率之间的差距值,并基于所述差距值校准所述CPU的压力测试环境;基于校准后的压力测试环境对目标CPU容量进行预测。本发明可以提高CPU容量预测的便捷性和准确性。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于人工智能的容量预测的方法、装置、电子设备及计算机可读存储介质。
背景技术
目前,在互联网行业中,为了确定软件服务的硬件资源的配置与数量,通常需要对资源进行容量规划,现有的容量规划方案主要包括经验论、创建模型以及压力测试三种形式;其中,经验论主要是完全凭个人的以往经验,给出大致的配置与数量,其结果是不可解释的;而根据容量小与硬件资源使用量的数据进行建模,根据模型对硬件资源进行预测,该方案虽然可解释,但只能通过以往的数据对模型进行验证,如果软件服务的功能存在更新或修改,就没办法进行校准与迭代;最后,压力测试主要是对所有的业务功能编写压力测试脚本,采用大量的并发线程进行压测,获取对应测试场景下的合理值,虽然该方法可解释可迭代,但是没办法被校准,且测试场景不一定与实际情况相符,在测试场景变更后,容易导致资源配置不合理,影响资源的利用率及整体成本。
发明内容
本发明提供一种基于人工智能的容量预测方法、装置、电子设备及计算机可读存储介质,其主要目的在于提高容量预测的准确性和适用性。
为实现上述目的,本发明提供一种基于人工智能的容量预测方法,包括:
获取CPU在预设时间点下的所有运行服务的初始TPS值;
按照预设幅度增加所述所有运行服务的初始TPS值,以获取与所述运行服务分别对应的TPS数据集;
基于预训练的利用率预测模型,获取与所述TPS数据集中各TPS值分别对应的预测利用率,并基于所述预测利用率确定目标预测利用率的范围;
对所述目标预测利用率的范围内的TPS值进行压力测试,并确定对应的压测利用率;
确定所述预测利用率和所述压测利用率之间的差距值,并基于所述差距值校准所述CPU的压力测试环境;
基于校准后的压力测试环境对目标CPU容量进行预测。
此外,可选的技术方案是,所述按照预设幅度增加所述所有运行服务的初始TPS值,以获取与所述运行服务分别对应的TPS数据集的步骤包括:
在确保所有运行服务的TPS值之间的比例不变的情况下,按照预设幅度增加所述所有运行服务的初始TPS值;
基于增加后的所述所有运行服务的TPS值,确定所述TPS数据集。
此外,可选的技术方案是,所述利用率预测模型的预训练过程包括:
获取真实环境下CPU中所有服务的TPS值以及对应的CPU利用率,形成训练数据;
基于所述训练数据训练构建的神经网络模型,直至确定所述神经网络模型各层的权重参数,以形成所述利用率预测模型。
此外,可选的技术方案是,所述基于预测利用率确定目标预测利用率的范围的步骤包括:
按照由小至大的原则,获取与所述TPS数据集中各TPS值分别对应的预测利用率;
基于预设阈值对所述预测利用率进行判断,并基于判断结果确定所述目标预测利用率的范围。
此外,可选的技术方案是,所述对所述目标预测利用率的范围内的TPS 值进行压力测试,并确定对应的压测利用率的步骤包括:
基于所述目标预测利用率的范围确定所述范围内的预测利用率与TPS值之间的第一排序列表;
基于所述第一排序列表中的各TPS值对对应的运行服务进行压力测试,并确定对应的压测利用率。
此外,可选的技术方案是,所述确定所述预测利用率和所述压测利用率之间的差距值,并基于所述差距值校准所述CPU的压力测试环境的步骤包括:
基于所述第一排序列表以及所述压测利用率确定所述压测利用率与TPS 值之间的第二排序列表;
基于所述第一排序列表获取对应的第一利用率曲线,以及基于所述第二排序列表获取第二利用率曲线;
判断所述第一利用率曲线和第二利用率曲线的变化规律是否一致,并当所述变化规律不一致时,获取所述预测利用率和所述压测利用率的相关系数,作为所述差距值;
基于所述差距值校准所述CPU的压力测试环境。
此外,可选的技术方案是,基于所述差距值校准所述CPU的压力测试环境,包括:
基于所述差距值调整所述压力测试环境的CPU资源配比;或者,
基于所述差距值调整所述测试环境中的数据量;或者,
基于所述差距值调整所述测试环境中新用户和老用户数据之间的比例。
为了解决上述问题,本发明还提供一种基于人工智能的容量预测装置,所述装置包括:
初始TPS值获取单元,用于获取CPU在预设时间点下的所有运行服务的初始TPS值;
TPS数据集获取单元,用于按照预设幅度增加所述所有运行服务的初始 TPS值,以获取与所述运行服务分别对应的TPS数据集;
目标预测利用率确定单元,用于基于预训练的利用率预测模型,获取与所述TPS数据集中各TPS值分别对应的预测利用率,并基于所述预测利用率确定目标预测利用率的范围;
压测利用率确定单元,用于对所述目标预测利用率的范围内的TPS值进行压力测试,并确定对应的压测利用率;
测试环境校准单元,用于确定所述预测利用率和所述压测利用率之间的差距值,并基于所述差距值校准所述CPU的压力测试环境;
CPU容量预测单元,用于基于校准后的压力测试环境对目标CPU容量进行预测。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述所述的基于人工智能的容量预测方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于人工智能的容量预测方法。
本发明实施例通过获取CPU在预设时间点下的所有运行服务的初始TPS 值,然后按照预设幅度增加各初始TPS值,以获取对应的TPS数据集;,并基于预训练的利用率预测模型,获取与TPS数据集中各TPS值分别对应的目标预测利用率的范围,然后,对目标预测利用率的范围内的TPS值进行压力测试,并确定对应的压测利用率,最后基于预测利用率和压测利用率之间的差距值,校准所述CPU的压力测试环境,当有新的服务加入或修改原服务的业务逻辑时,可更新压力测试环境后再次压测,压测过程中的数据指标输出给模型重新学习,能够完成压力测试对容量预测模型的迭代,达到良好的预测效果。
附图说明
图1为本发明一实施例提供的基于人工智能的容量预测方法的流程示意图;
图2为本发明一实施例提供的基于人工智能的容量预测装置的模块示意图;
图3为本发明一实施例提供的实现基于人工智能的容量预测方法的电子设备的内部结构示意图;
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仅用以解释本发明,并不用于限定本发明。
为解决现有的容量规划所存在的结果不可解释或无法进行校准及迭代,导致适用性差,预测准确度低等问题,本发明提供一种基于人工智能的容量预测方法,通过对特定场景进行压测,获取在高负载情况下各服务的TPS和CPU利用率等指标数据,通过这些数据来对容量预测模型进行迭代,当有新的服务加入或修改原服务的业务逻辑时,能够更好的适用新环境中的压力测试,预测准确性高,可适用范围广。
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本发明提供一种基于人工智能的容量预测方法。参照图1所示,为本发明一实施例提供的基于人工智能的容量预测方法的流程示意图。该方法可以由一个装置执行,该装置可以由软件和/或硬件实现。
在本实施例中,基于人工智能的容量预测方法包括:
S100:获取CPU在预设时间点下的所有运行服务的初始TPS值。
其中,TPS(Transactions Per Second,每秒传输的事物处理个数,即服务器每秒处理的事务数)值可通过监控对应的日志来获取,该预设时间点的选取可以在业务高峰期内任意选取一个时间点作为预设时间点,然后获取该时间点下的所有运行服务的TPS值作为初始TPS值。
此外,该初始TPS值也可以采集最近一段时间,例如,最近一星期、一个月或几个月等时间段内的高峰期内任意一时间点的TPS值的平均值,即按照高峰期的个数,采集一个时间段内的所有高峰期内的任意时间点的TPS值,然后求取平均值,作为初始TPS。
S200:按照预设幅度增加所述所有运行服务的初始TPS值,以获取与所述运行服务分别对应的TPS数据集。
其中,按照预设幅度逐步地增加所有运行服务的初始TPS值,主要是为了不断提高CPU的利用率,并当该利用率达到临界值时,获取对应的TPS值,然后将其输入相应的模型进行预测,即可获取对应的预测利用率信息。
具体地,所述按照预设幅度增加所述所有运行服务的初始TPS值,以获取与所述运行服务分别对应的TPS数据集的步骤包括:
S210:在确保所有运行服务的TPS值之间的比例不变的情况下,按照预设幅度增加所述所有运行服务的初始TPS值;
S220:基于增加后的所述所有运行服务的TPS值,确定所述TPS数据集。
其中,各运行服务下的TPS值之间的比例关系也可称为“快照”,在保持该比例不便的情况下,可以不断的增加个运行服务的TPS值,进而在每个运行服务下,均获取一组对饮的TPS数据,所有运行服务的TPS数据即可形成上述TPS数据集。
S300:基于预训练的利用率预测模型,获取与TPS数据集中各TPS值分别对应的预测利用率,并基于所述预测利用率确定目标预测利用率的范围。
其中,在各服务运行过程中,将各服务的TPS值和CPU利用率记录到日志。根据这些日志数据,即可通过人工智能技术,建立通过各服务TPS值预测对应的CPU利用率的预测模型。根据这个模型,当输入各服务的TPS值时,就能自动预测出服务的CPU利用率。
作为具体示例,所述利用率预测模型的预训练过程包括:
S310:获取真实环境下CPU中所有服务的TPS值以及对应的CPU利用率,形成训练数据;
S320:基于所述训练数据训练构建的神经网络模型,直至确定所述神经网络模型各层的权重参数,以形成所述利用率预测模型。
具体地,在训练过程中,将服务自身的TPS值和依赖服务(用户服务) 的TPS值以及CPU利用率作为输出数据,输入至神经网络模型的输入层,然后,通过隐藏层引入神经元,对每个输入均乘以一定的权重w后进行求和,进而将求和结果与外部的偏执b相加,得到最终的总和结果,进而将总和结果投入一个激活函数进行转换,得到最终的预测利用率。
在上述训练过程中,基于预测利用率及真实利用率之间的误差,不断的迭代训练所述神经网络模型,直至损失函数收敛至预设范围内,形成所述利用率预测模型,包括多个神经元组合而成的神经网络,具体可包括一个输入层、两个隐藏层和一个输出层等。
此外,上述获取与所述TPS数据集中各TPS值分别对应的预测利用率,并基于所述预测利用率确定目标预测利用率的范围的过程可进一步包括:
S340:按照由小至大的原则,获取与所述TPS数据集中各TPS值分别对应的预测利用率;
S350:基于预设阈值对所述预测利用率进行判断,并基于判断结果确定所述目标预测利用率的范围。
在上述过程中,可以基于预设阈值判断所述预测利用率的大小,并当任意一个运行服务下的TPS值所对应的预测利用率达到预设阈值时,停止对当前TPS值排序后的所有TPS值的预测处理,预测利用率符合预设阈值要求的,即可形成目标预测利用率的范围。
需要说明的是,上一步骤中的预设幅度可根据具体的应用场景进行设置,例如,可通过二分法确定该预设幅度的合理大小,首先选取较大的幅度对初始TPS值进行逐步的增加,如果出现TPS值对应的预测利用率超过预设阈值时,可以对当前的幅度进行二分处理,缩小预设幅度后,再进行利用率预测,继而能够在减少次数的情况下,获取精确的预测结果。
作为具体示例,将TPS数据集中的各TPS值按照由小至大的顺序,逐个输入预设的利用率预测模型中,通过利用率预测模型获取对应的预测利用率,并当任意一个运行服务下的预测利用率达到或高于预设阈值时,表明该运行服务在当前TPS值的情况下,会触及整体服务能承载的最大容量,进而后续的TPS值预测也没有意义了,即可根据当前TPS值及之前的预测结果确定一个具有参考价值的目标预测利用率。
S400:对所述目标预测利用率的范围内的TPS值进行压力测试,并确定对应的压测利用率。
具体地,对所述目标预测利用率的范围内的TPS值进行压力测试,并确定对应的压测利用率的步骤包括:
S410:基于所述目标预测利用率的范围确定所述范围内的预测利用率与 TPS值之间的第一排序列表。
其中,该第一排序列表包括相互对应的运行服务编号、初始TPS值、当前输入利用率预测模型的TPS值,以及预测利用率,在第一排序列表中,按照预测利用率由高至低的顺序对运行服务进行排序,作为示例,下表1示出了第一排序列表的具体结构。
No. | 服务名 | 初始TPS值 | 输入模型的TPS | 预测的CPU利用率 |
1 | 服务1 | 88 | 222 | 94.6% |
2 | 服务2 | 110 | 286 | 88.34% |
3 | 服务3 | 55 | 129 | 86.33% |
4 | 服务4 | 230 | 561 | 81.51% |
5 | 服务5 | 21 | 48 | 80.23% |
6 | 服务6 | 62 | 149 | 71.14% |
7 | 服务7 | 89 | 223 | 67.45% |
表1
需要说明的是,上述预设阈值可设置为90%或者95%等,具体可根据应用需求以及场景进行灵活设置。在上述第一排序列表的示例中,预设阈值设置为90%,当运行服务1的当前预测利用率为94/6%,超过预设阈值时,停止对其他各运行服务下的TPS值的预测,并按照预测利用率由高至低的顺序,形成高危服务的第一排序列表。
S420:基于所述第一排序列表中的各TPS值对对应的运行服务进行压力测试,并确定对应的压测利用率。
具体地,压力测试是给软件不断加压,强制其在极限的情况下运行,观察它可以运行到何种程度,从而发现性能缺陷,是通过搭建与实际环境相似的测试环境,通过测试程序在同一时间内或某一段时间内,向系统发送预期数量的交易请求、测试系统在不同压力情况下的效率状况,以及系统可以承受的压力情况。
S500:确定所述预测利用率和所述压测利用率之间的差距值,并基于所述差距值校准所述CPU的压力测试环境。
其中,可基于所述压测利用率确定所述压测利用率与TPS值之间的第二排序列表,第二排序列表包括相互对应的运行服务编号、初始TPS值、第一排序列表中的TPS值,以及对应的压测利用率。作为示例,第二排序列表可如下表2所示:
No. | 服务名 | 高峰期峰值TPS | 压力测试的TPS | 压测的CPU利用率 |
1 | 服务1 | 88 | 222 | 78.67% |
2 | 服务2 | 110 | 286 | 81.45% |
3 | 服务3 | 55 | 129 | 87.66% |
4 | 服务4 | 230 | 561 | 82.67% |
5 | 服务5 | 21 | 48 | 81.45% |
6 | 服务6 | 62 | 149 | 72.34% |
7 | 服务7 | 89 | 223 | 95.45% |
表2
可知,在上述第一排序表和第二排序表确定后,可通过预测利用率和压测利用率的比对,来对压测场景进行校准并调整。
作为具体示例,上述步骤S500还可以进一步包括:
S510:基于所述第一排序列表以及所述压测利用率确定所述压测利用率与TPS值之间的第二排序列表;
S520:基于所述第一排序列表获取对应的第一利用率曲线,以及基于所述第二排序列表获取第二利用率曲线;
其中,所述第一利用率曲线和所述第二利用率曲线位于同一坐标系内,坐标系的横轴表示你TPS值,纵轴分别表示预测利用率和压测利用率。
S530:判断所述第一利用率曲线和第二利用率曲线的变化规律是否一致,并当所述变化规律不一致时,获取所述预测利用率和所述压测利用率的相关系数,作为所述差距值;
其中,第一利用率曲线和第二利用率曲线的变化规律可通过目测来完成,如果二者的变化规律大概一致,则表明压力测试过程中的测试环境也大致一致,此时的测试准确度也较高。否则,如果第一利用率曲线和第二利用率曲线的变化规律明显不同,或存在明显差异,则可进一步获取第一排序列表和第二排序列表中的一组预测利用率和一组压测利用率之间的皮尔逊相关系数,作为差距值,如果皮尔逊相关系数的绝对值小于0.5,则可认为二者之间的差距过大,对应的压力测试的测试过程可能存在问题,这时候就需要对应的调整CPU的测试环境的相关参数。
S540:基于所述差距值校准所述CPU的压力测试环境。
该步骤的压力测试环境的校准可进一步包括以下几种情况:
第一种:修改压力测试过程中的CPU资源配比。在该种情况下,尽量使得压力测试环境和实际的生产环境保持一致。例如,当CPU下的数据库中存在10个服务时,如果压力测试环境中仅设置有3个服务,则会导致测试环境和真实环境不一致,对应的压力测试结果也不准确。
第二种:修改测试环境的数据量。在该种情况下,需根据真实环境的业务数据量和用户数据量,对应调整测试环境的数据量,使得二者尽可能的保持一致。
第三种:修改新老用户的比例。在该种情况下,如果真实的生产环境下,新用户和老用户的比例不同,由于其对应的活跃度也存在差异,在压力测试过程中,也需要根据真实的生产环境调整测试环境的新老用户的比例,以提高压力测试的准确性。
S600:基于校准后的压力测试环境对目标CPU容量进行预测。
需要说明是,在上述步骤S500执行完毕后,还包括:基于校准后的压力测试环境,再次对目标预测利用率的范围内的TPS值进行压力测试,并获取对应的压测利用率,然后重复执行步骤S400和S500,直至所述预测利用率和压测利用率的差距值符合预设要求为止,即完成对压力测试环境的迭代校准,进而可执行步骤S600,通过校准后的压力测试环境对对CPU的容量进行压力测试,此时的利用率的压力测试也会更加准确,能够告别以往等生产发生容量故障时,再来对系统容量进行升级的弊端,通过对容量预测模型的校准与迭代,保证了容量预测的可信度与真实性。
可知,现在的服务均是在不断迭代和发展的,也会不断有新的功能上线,这就意味着服务的容量始终处于变化的过程中,由于业务场景的变化也会造成服务容量的变化,例如大促活动带来局部几个服务的流量突增,如果按照非大促期间业务场景的流量特征去建立模型,对容量进行预测,会大致预测结果的不准确。
本发明通过对特定场景进行压测,获取在高负载情况下各服务的TPS和 CPU利用率等指标数据,通过这些数据来对容量预测模型进行迭代。当有新的服务加入或修改原服务的业务逻辑时,可更新压力测试环境后再次压测,压测过程中的数据指标输出给模型重新学习,这样就完成了压力测试对容量预测模型的迭代。在服务上线后,根据线上的真实数据,可以再进行几次模型的校准工作,即可达到良好的预测效果。
如图3所示,是本发明基于人工智能的容量预测装置的功能模块图。
本发明所述基于人工智能的容量预测装置200可以安装于电子设备中。根据实现的功能,所述基于人工智能的容量预测装置可包括:初始TPS值获取单元210、TPS数据集获取单元220、目标预测利用率确定单元230、压测利用率确定单元240、测试环境校准单元250和CPU容量预测单元260。本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
初始TPS值获取单元210,用于获取CPU在预设时间点下的所有运行服务的初始TPS值。
其中,TPS(Transactions Per Second,每秒传输的事物处理个数,即服务器每秒处理的事务数)值可通过监控对应的日志来获取,该预设时间点的选取可以在业务高峰期内任意选取一个时间点作为预设时间点,然后获取该时间点下的所有运行服务的TPS值作为初始TPS值。
此外,该初始TPS值也可以采集最近一段时间,例如,最近一星期、一个月或几个月等时间段内的高峰期内任意一时间点的TPS值的平均值,即按照高峰期的个数,采集一个时间段内的所有高峰期内的任意时间点的TPS值,然后求取平均值,作为初始TPS。
TPS数据集获取单元220,用于按照预设幅度增加所述所有运行服务的初始TPS值,以获取与所述运行服务分别对应的TPS数据集。
其中,按照预设幅度逐步地增加所有运行服务的初始TPS值,主要是为了不断提高CPU的利用率,并当该利用率达到临界值时,获取对应的TPS值,然后将其输入相应的模型进行预测,即可获取对应的预测利用率信息。
具体地,所述按照预设幅度增加所述所有运行服务的初始TPS值,以获取与所述运行服务分别对应的TPS数据集包括:
幅度增加模块,用于在确保所有运行服务的TPS值之间的比例不变的情况下,按照预设幅度增加所述所有运行服务的初始TPS值;
TPS数据集确定模块,用于基于增加后的所述所有运行服务的TPS值,确定所述TPS数据集。
其中,各运行服务下的TPS值之间的比例关系也可称为“快照”,在保持该比例不便的情况下,可以不断的增加个运行服务的TPS值,进而在每个运行服务下,均获取一组对饮的TPS数据,所有运行服务的TPS数据即可形成上述TPS数据集。
目标预测利用率确定单元230,用于基于预训练的利用率预测模型,获取与所述TPS数据集中各TPS值分别对应的预测利用率,并基于所述预测利用率确定目标预测利用率的范围。
其中,在各服务运行过程中,将各服务的TPS值和CPU利用率记录到日志。根据这些日志数据,即可通过人工智能技术,建立通过各服务TPS值预测对应的CPU利用率的预测模型。根据这个模型,当输入各服务的TPS值时,就能自动预测出服务的CPU利用率。
作为具体示例,所述利用率预测模型的预训练过程包括:
训练数据形成模块,用于获取真实环境下CPU中所有服务的TPS值以及对应的CPU利用率,形成训练数据;
利用率预测模型形成模块,用于基于所述训练数据训练构建的神经网络模型,直至确定所述神经网络模型各层的权重参数,以形成所述利用率预测模型。
具体地,在训练过程中,将服务自身的TPS值和依赖服务(用户服务) 的TPS值以及CPU利用率作为输出数据,输入至神经网络模型的输入层,然后,通过隐藏层引入神经元,对每个输入均乘以一定的权重w后进行求和,进而将求和结果与外部的偏执b相加,得到最终的总和结果,进而将总和结果投入一个激活函数进行转换,得到最终的预测利用率。
在上述训练过程中,基于预测利用率及真实利用率之间的误差,不断的迭代训练所述神经网络模型,直至损失函数收敛至预设范围内,形成所述利用率预测模型,包括多个神经元组合而成的神经网络,具体可包括一个输入层、两个隐藏层和一个输出层等。
此外,上述获取与所述TPS数据集中各TPS值分别对应的预测利用率,并基于所述预测利用率确定目标预测利用率的范围可进一步包括:
预测利用率获取模块,用于按照由小至大的原则,获取与所述TPS数据集中各TPS值分别对应的预测利用率;
目标预测利用率确定模块,用于基于预设阈值对所述预测利用率进行判断,并基于判断结果确定所述目标预测利用率的范围。
在上述过程中,可以基于预设阈值判断所述预测利用率的大小,并当任意一个运行服务下的TPS值所对应的预测利用率达到预设阈值时,停止对当前TPS值排序后的所有TPS值的预测处理,预测利用率符合预设阈值要求的,即可形成目标预测利用率的范围。
需要说明的是,上一步骤中的预设幅度可根据具体的应用场景进行设置,例如,可通过二分法确定该预设幅度的合理大小,首先选取较大的幅度对初始TPS值进行逐步的增加,如果出现TPS值对应的预测利用率超过预设阈值时,可以对当前的幅度进行二分处理,缩小预设幅度后,再进行利用率预测,继而能够在减少次数的情况下,获取精确的预测结果。
作为具体示例,将TPS数据集中的各TPS值按照由小至大的顺序,逐个输入预设的利用率预测模型中,通过利用率预测模型获取对应的预测利用率,并当任意一个运行服务下的预测利用率达到或高于预设阈值时,表明该运行服务在当前TPS值的情况下,会触及整体服务能承载的最大容量,进而后续的TPS值预测也没有意义了,即可根据当前TPS值及之前的预测结果确定一个具有参考价值的目标预测利用率。
压测利用率确定单元240,用于对所述目标预测利用率的范围内的TPS值进行压力测试,并确定对应的压测利用率。
具体地,压测利用率确定单元240中对所述目标预测利用率的范围内的TPS值进行压力测试,并确定对应的压测利用率可包括:
第一排序列表确定模块,用于基于所述目标预测利用率的范围确定所述范围内的预测利用率与TPS值之间的第一排序列表。
其中,该第一排序列表包括相互对应的运行服务编号、初始TPS值、当前输入利用率预测模型的TPS值,以及预测利用率,在第一排序列表中,按照预测利用率由高至低的顺序对运行服务进行排序,作为示例,下表3示出了第一排序列表的具体结构。
No. | 服务名 | 初始TPS值 | 输入模型的TPS | 预测的CPU利用率 |
1 | 服务1 | 88 | 222 | 94.6% |
2 | 服务2 | 110 | 286 | 88.34% |
3 | 服务3 | 55 | 129 | 86.33% |
4 | 服务4 | 230 | 561 | 81.51% |
5 | 服务5 | 21 | 48 | 80.23% |
6 | 服务6 | 62 | 149 | 71.14% |
7 | 服务7 | 89 | 223 | 67.45% |
表3
需要说明的是,上述预设阈值可设置为90%或者95%等,具体可根据应用需求以及场景进行灵活设置。在上述第一排序列表的示例中,预设阈值设置为90%,当运行服务1的当前预测利用率为94/6%,超过预设阈值时,停止对其他各运行服务下的TPS值的预测,并按照预测利用率由高至低的顺序,形成高危服务的第一排序列表。
压测利用率确定模块,用于基于所述第一排序列表中的各TPS值对对应的运行服务进行压力测试,并确定对应的压测利用率。
具体地,压力测试是给软件不断加压,强制其在极限的情况下运行,观察它可以运行到何种程度,从而发现性能缺陷,是通过搭建与实际环境相似的测试环境,通过测试程序在同一时间内或某一段时间内,向系统发送预期数量的交易请求、测试系统在不同压力情况下的效率状况,以及系统可以承受的压力情况。
测试环境校准单元250,用于确定所述预测利用率和所述压测利用率之间的差距值,并基于所述差距值校准所述CPU的压力测试环境。
其中,可基于所述压测利用率确定所述压测利用率与TPS值之间的第二排序列表,第二排序列表包括相互对应的运行服务编号、初始TPS值、第一排序列表中的TPS值,以及对应的压测利用率。作为示例,第二排序列表可如下表4所示:
No. | 服务名 | 高峰期峰值TPS | 压力测试的TPS | 压测的CPU利用率 |
1 | 服务1 | 88 | 222 | 78.67% |
2 | 服务2 | 110 | 286 | 81.45% |
3 | 服务3 | 55 | 129 | 87.66% |
4 | 服务4 | 230 | 561 | 82.67% |
5 | 服务5 | 21 | 48 | 81.45% |
6 | 服务6 | 62 | 149 | 72.34% |
7 | 服务7 | 89 | 223 | 95.45% |
表4
可知,在上述第一排序表和第二排序表确定后,可通过预测利用率和压测利用率的比对,来对压测场景进行校准并调整。
作为具体示例,上述测试环境校准单元250还可以进一步包括:
第二排序列表确定模块,用于基于所述第一排序列表以及所述压测利用率确定所述压测利用率与TPS值之间的第二排序列表;
第二利用率曲线获取模块,用于基于所述第一排序列表获取对应的第一利用率曲线,以及基于所述第二排序列表获取第二利用率曲线;
其中,所述第一利用率曲线和所述第二利用率曲线位于同一坐标系内,坐标系的横轴表示你TPS值,纵轴分别表示预测利用率和压测利用率。
差距值获取模块,用于判断所述第一利用率曲线和第二利用率曲线的变化规律是否一致,并当所述变化规律不一致时,获取所述预测利用率和所述压测利用率的相关系数,作为所述差距值;
其中,第一利用率曲线和第二利用率曲线的变化规律可通过目测来完成,如果二者的变化规律大概一致,则表明压力测试过程中的测试环境也大致一致,此时的测试准确度也较高。否则,如果第一利用率曲线和第二利用率曲线的变化规律明显不同,或存在明显差异,则可进一步获取第一排序列表和第二排序列表中的一组预测利用率和一组压测利用率之间的皮尔逊相关系数,作为差距值,如果皮尔逊相关系数的绝对值小于0.5,则可认为二者之间的差距过大,对应的压力测试的测试过程可能存在问题,这时候就需要对应的调整CPU的测试环境的相关参数。
压力测试环境校准模块,用于基于所述差距值校准所述CPU的压力测试环境。
该压力测试环境校准模块中的压力测试环境的校准可进一步包括以下几种情况:
第一种:修改压力测试过程中的CPU资源配比。在该种情况下,尽量使得压力测试环境和实际的生产环境保持一致。例如,当CPU下的数据库中存在10个服务时,如果压力测试环境中仅设置有3个服务,则会导致测试环境和真实环境不一致,对应的压力测试结果也不准确。
第二种:修改测试环境的数据量。在该种情况下,需根据真实环境的业务数据量和用户数据量,对应调整测试环境的数据量,使得二者尽可能的保持一致。
第三种:修改新老用户的比例。在该种情况下,如果真实的生产环境下,新用户和老用户的比例不同,由于其对应的活跃度也存在差异,在压力测试过程中,也需要根据真实的生产环境调整测试环境的新老用户的比例,以提高压力测试的准确性。
CPU容量预测单元260,用于基于校准后的压力测试环境对目标CPU容量进行预测。
需要说明是,在上述测试环境校准单元250执行完毕后,还包括:基于校准后的压力测试环境,再次对目标预测利用率的范围内的TPS值进行压力测试,并获取对应的压测利用率,然后重复执行压测利用率确定单元240和测试环境校准单元250,直至所述预测利用率和压测利用率的差距值符合预设要求为止,即完成对压力测试环境的迭代校准,进而可执行测试环境校准单元250,通过校准后的压力测试环境对对CPU的容量进行压力测试,此时的利用率的压力测试也会更加准确,能够告别以往等生产发生容量故障时,再来对系统容量进行升级的弊端,通过对容量预测模型的校准与迭代,保证了容量预测的可信度与真实性。
如图3所示,是本发明实现基于人工智能的容量预测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于人工智能的容量预测程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备 1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11 不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如基于人工智能的容量预测程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如基于人工智能的容量预测程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图2 示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源 (比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器 10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器 (Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是 LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于人工智能的容量预测程序 12是多个指令的组合,在所述处理器10中运行时,可以实现:
获取CPU在预设时间点下的所有运行服务的初始TPS值;
按照预设幅度增加所述所有运行服务的初始TPS值,以获取与所述运行服务分别对应的TPS数据集;
基于预训练的利用率预测模型,获取与所述TPS数据集中各TPS值分别对应的预测利用率,并基于所述预测利用率确定目标预测利用率的范围;
对所述目标预测利用率的范围内的TPS值进行压力测试,并确定对应的压测利用率;
确定所述预测利用率和所述压测利用率之间的差距值,并基于所述差距值校准所述CPU的压力测试环境;
基于校准后的压力测试环境对目标CPU容量进行预测。
此外,可选的技术方案是,所述按照预设幅度增加所述所有运行服务的初始TPS值,以获取与所述运行服务分别对应的TPS数据集的步骤包括:
在确保所有运行服务的TPS值之间的比例不变的情况下,按照预设幅度增加所述所有运行服务的初始TPS值;
基于增加后的所述所有运行服务的TPS值,确定所述TPS数据集。
此外,可选的技术方案是,所述利用率预测模型的预训练过程包括:
获取真实环境下CPU中所有服务的TPS值以及对应的CPU利用率,形成训练数据;
基于所述训练数据训练构建的神经网络模型,直至确定所述神经网络模型各层的权重参数,以形成所述利用率预测模型。
此外,可选的技术方案是,所述基于预测利用率确定目标预测利用率的范围的步骤包括:
按照由小至大的原则,获取与所述TPS数据集中各TPS值分别对应的预测利用率;
基于预设阈值对所述预测利用率进行判断,并基于判断结果确定所述目标预测利用率的范围。
此外,可选的技术方案是,所述对所述目标预测利用率的范围内的TPS 值进行压力测试,并确定对应的压测利用率的步骤包括:
基于所述目标预测利用率的范围确定所述范围内的预测利用率与TPS值之间的第一排序列表;
基于所述第一排序列表中的各TPS值对对应的运行服务进行压力测试,并确定对应的压测利用率。
此外,可选的技术方案是,所述确定所述预测利用率和所述压测利用率之间的差距值,并基于所述差距值校准所述CPU的压力测试环境的步骤包括:
基于所述第一排序列表以及所述压测利用率确定所述压测利用率与TPS 值之间的第二排序列表;
基于所述第一排序列表获取对应的第一利用率曲线,以及基于所述第二排序列表获取第二利用率曲线;
判断所述第一利用率曲线和第二利用率曲线的变化规律是否一致,并当所述变化规律不一致时,获取所述预测利用率和所述压测利用率的相关系数,作为所述差距值;
基于所述差距值校准所述CPU的压力测试环境。
此外,可选的技术方案是,基于所述差距值校准所述CPU的压力测试环境,包括:
基于所述差距值调整所述压力测试环境的CPU资源配比;或者,
基于所述差距值调整所述测试环境中的数据量;或者,
基于所述差距值调整所述测试环境中新用户和老用户数据之间的比例。
具体地,所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于人工智能的容量预测方法,其特征在于,所述方法包括:
获取CPU在预设时间点下的所有运行服务的初始TPS值;
按照预设幅度增加所述所有运行服务的初始TPS值,以获取与所述运行服务分别对应的TPS数据集;
基于预训练的利用率预测模型,获取与所述TPS数据集中各TPS值分别对应的预测利用率,并基于所述预测利用率确定目标预测利用率的范围;
对所述目标预测利用率的范围内的TPS值进行压力测试,并确定对应的压测利用率;
确定所述预测利用率和所述压测利用率之间的差距值,并基于所述差距值校准所述CPU的压力测试环境;
基于校准后的压力测试环境对目标CPU容量进行预测。
2.如权利要求1所述的基于人工智能的容量预测方法,其特征在于,所述按照预设幅度增加所述所有运行服务的初始TPS值,以获取与所述运行服务分别对应的TPS数据集的步骤包括:
在确保所有运行服务的TPS值之间的比例不变的情况下,按照预设幅度增加所述所有运行服务的初始TPS值;
基于增加后的所述所有运行服务的TPS值,确定所述TPS数据集。
3.如权利要求1所述的基于人工智能的容量预测方法,其特征在于,所述利用率预测模型的预训练过程包括:
获取真实环境下CPU中所有服务的TPS值以及对应的CPU利用率,形成训练数据;
基于所述训练数据训练构建的神经网络模型,直至确定所述神经网络模型各层的权重参数,以形成所述利用率预测模型。
4.如权利要求1至3中任意一项所述的基于人工智能的容量预测方法,其特征在于,所述基于预测利用率确定目标预测利用率的范围的步骤包括:
按照由小至大的原则,获取与所述TPS数据集中各TPS值分别对应的预测利用率;
基于预设阈值对所述预测利用率进行判断,并基于判断结果确定所述目标预测利用率的范围。
5.如权利要求1所述的基于人工智能的容量预测方法,其特征在于,所述对所述目标预测利用率的范围内的TPS值进行压力测试,并确定对应的压测利用率的步骤包括:
基于所述目标预测利用率的范围确定所述范围内的预测利用率与TPS值之间的第一排序列表;
基于所述第一排序列表中的各TPS值对对应的运行服务进行压力测试,并确定对应的压测利用率。
6.如权利要求5所述的基于人工智能的容量预测方法,其特征在于,所述确定所述预测利用率和所述压测利用率之间的差距值,并基于所述差距值校准所述CPU的压力测试环境的步骤包括:
基于所述第一排序列表以及所述压测利用率确定所述压测利用率与TPS值之间的第二排序列表;
基于所述第一排序列表获取对应的第一利用率曲线,以及基于所述第二排序列表获取第二利用率曲线;
判断所述第一利用率曲线和第二利用率曲线的变化规律是否一致,并当所述变化规律不一致时,获取所述预测利用率和所述压测利用率的相关系数,作为所述差距值;
基于所述差距值校准所述CPU的压力测试环境。
7.如权利要求1或6所述的基于人工智能的容量预测方法,其特征在于,基于所述差距值校准所述CPU的压力测试环境,包括:
基于所述差距值调整所述压力测试环境的CPU资源配比;或者,
基于所述差距值调整所述测试环境中的数据量;或者,
基于所述差距值调整所述测试环境中新用户和老用户数据之间的比例。
8.一种基于人工智能的容量预测装置,其特征在于,所述装置包括:
初始TPS值获取单元,用于获取CPU在预设时间点下的所有运行服务的初始TPS值;
TPS数据集获取单元,用于按照预设幅度增加所述所有运行服务的初始TPS值,以获取与所述运行服务分别对应的TPS数据集;
目标预测利用率确定单元,用于基于预训练的利用率预测模型,获取与所述TPS数据集中各TPS值分别对应的预测利用率,并基于所述预测利用率确定目标预测利用率的范围;
压测利用率确定单元,用于对所述目标预测利用率的范围内的TPS值进行压力测试,并确定对应的压测利用率;
测试环境校准单元,用于确定所述预测利用率和所述压测利用率之间的差距值,并基于所述差距值校准所述CPU的压力测试环境;
CPU容量预测单元,用于基于校准后的压力测试环境对目标CPU容量进行预测。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任一所述的基于人工智能的容量预测方法中的步骤。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一所述的基于人工智能的容量预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111011678.6A CN113742069A (zh) | 2021-08-31 | 2021-08-31 | 基于人工智能的容量预测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111011678.6A CN113742069A (zh) | 2021-08-31 | 2021-08-31 | 基于人工智能的容量预测方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113742069A true CN113742069A (zh) | 2021-12-03 |
Family
ID=78734211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111011678.6A Pending CN113742069A (zh) | 2021-08-31 | 2021-08-31 | 基于人工智能的容量预测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113742069A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114563993A (zh) * | 2022-03-17 | 2022-05-31 | 国能龙源环保有限公司 | 火电机组电除尘系统节能优化方法及优化系统 |
CN114968747A (zh) * | 2022-07-12 | 2022-08-30 | 杭州数列网络科技有限责任公司 | 自动极限压测性能测试方法、装置、电子设备及存储介质 |
-
2021
- 2021-08-31 CN CN202111011678.6A patent/CN113742069A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114563993A (zh) * | 2022-03-17 | 2022-05-31 | 国能龙源环保有限公司 | 火电机组电除尘系统节能优化方法及优化系统 |
CN114968747A (zh) * | 2022-07-12 | 2022-08-30 | 杭州数列网络科技有限责任公司 | 自动极限压测性能测试方法、装置、电子设备及存储介质 |
CN114968747B (zh) * | 2022-07-12 | 2022-10-28 | 杭州数列网络科技有限责任公司 | 自动极限压测性能测试方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112883190A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN112380859A (zh) | 舆情信息的推荐方法、装置、电子设备及计算机存储介质 | |
CN113742069A (zh) | 基于人工智能的容量预测方法、装置及存储介质 | |
CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN111768096A (zh) | 基于算法模型的评级方法、装置、电子设备及存储介质 | |
CN115002200A (zh) | 基于用户画像的消息推送方法、装置、设备及存储介质 | |
CN113504935A (zh) | 软件开发质量评估方法、装置、电子设备及可读存储介质 | |
CN113516417A (zh) | 基于智能建模的业务评估方法、装置、电子设备及介质 | |
CN115081025A (zh) | 基于数字中台的敏感数据管理方法、装置及电子设备 | |
CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
CN114840531B (zh) | 基于血缘关系的数据模型重构方法、装置、设备及介质 | |
CN113268665A (zh) | 基于随机森林的信息推荐方法、装置、设备及存储介质 | |
CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN114862140A (zh) | 基于行为分析的潜力评估方法、装置、设备及存储介质 | |
CN114780371A (zh) | 基于多曲线拟合的压测指标分析方法、装置、设备及介质 | |
CN114219023A (zh) | 数据聚类方法、装置、电子设备及可读存储介质 | |
CN111652282B (zh) | 基于大数据的用户偏好分析方法、装置及电子设备 | |
CN112948705A (zh) | 一种基于政策大数据的智能匹配方法、装置及介质 | |
CN112052310A (zh) | 基于大数据的信息获取方法、装置、设备及存储介质 | |
CN112269875A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN116401602A (zh) | 事件检测方法、装置、设备及计算机可读介质 | |
CN113435746B (zh) | 用户工作量的评分方法、装置、电子设备及存储介质 | |
CN115344495A (zh) | 批量任务测试的数据分析方法、装置、计算机设备及介质 | |
CN113704407A (zh) | 基于类别分析的投诉量分析方法、装置、设备及存储介质 | |
CN111652741A (zh) | 用户偏好分析方法、装置及可读存储介质 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221014 Address after: 518066 2601 (Unit 07), Qianhai Free Trade Building, No. 3048, Xinghai Avenue, Nanshan Street, Qianhai Shenzhen-Hong Kong Cooperation Zone, Shenzhen, Guangdong, China Applicant after: Shenzhen Ping An Smart Healthcare Technology Co.,Ltd. Address before: 1-34 / F, Qianhai free trade building, 3048 Xinghai Avenue, Mawan, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong 518000 Applicant before: Ping An International Smart City Technology Co.,Ltd. |