CN113742158A - 系统容量规划的方法和装置 - Google Patents
系统容量规划的方法和装置 Download PDFInfo
- Publication number
- CN113742158A CN113742158A CN202010544919.2A CN202010544919A CN113742158A CN 113742158 A CN113742158 A CN 113742158A CN 202010544919 A CN202010544919 A CN 202010544919A CN 113742158 A CN113742158 A CN 113742158A
- Authority
- CN
- China
- Prior art keywords
- model
- method call
- thread pool
- value
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 300
- 238000012549 training Methods 0.000 claims description 85
- 238000012360 testing method Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 10
- 238000007689 inspection Methods 0.000 claims description 9
- 230000000087 stabilizing effect Effects 0.000 claims description 4
- 230000008901 benefit Effects 0.000 abstract description 6
- 230000004044 response Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 14
- 238000001514 detection method Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 230000001932 seasonal effect Effects 0.000 description 8
- 238000005311 autocorrelation function Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000001960 triggered effect Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 230000000737 periodic effect Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 125000004122 cyclic group Chemical group 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000001788 irregular Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000013485 heteroscedasticity test Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000013112 stability test Methods 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3017—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is implementing multitasking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
- G06F11/3419—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment by assessing time
Abstract
本发明公开了系统容量规划的方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：获取系统在第一历史时段的方法调用量；根据预训练的方法调用量模型和所述方法调用量，确定所述系统在第一历史时段之后的目标时段的方法调用量预测值；根据预训练的线程池使用量模型和所述方法调用量预测值，确定所述系统在目标时段的线程池使用量预测值。该实施方式能够基于系统的历史数据智能规划系统未来的容量，从而实现在系统出现问题前对其进行限流或扩展，响应速度快，成本低，安全性高。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种系统容量规划的方法和装置。
背景技术
容量是指一个系统可处理容纳的最大能力，这个能力可以简单理解为访问量，即流量。目前在系统搭建的初级阶段或是大流量前，会对系统进行压力测试，用以了解系统处于最大负载状态或某项指标达到所能接受的最大阈值下对请求的最大处理能力。但是，在有限服务器的情况下，对于流量的监控是依赖于上报响应时间、调用次数、异常监控、调用方监控等方式的报警，再对系统进行排查是否有容量不足的风险，这种监控的方式过度依赖于监控报警，报警后接入人工处理，响应时间较为滞后，无法在系统出现问题前对其进行限流或扩容。
发明内容
有鉴于此，本发明实施例提供一种系统容量规划的方法和装置，能够基于系统的历史数据智能规划系统未来的容量，从而实现在系统出现问题前对其进行限流或扩展，响应速度快，成本低，安全性高。
为实现上述目的，根据本发明实施例的一个方面，提供了一种系统容量规划的方法，包括：
获取系统在第一历史时段的方法调用量；
根据预训练的方法调用量模型和所述方法调用量，确定所述系统在第一历史时段之后的目标时段的方法调用量预测值；
根据预训练的线程池使用量模型和所述方法调用量预测值，确定所述系统在目标时段的线程池使用量预测值；
其中，所述方法调用量模型是利用所述系统在第二历史时段的方法调用量观测值训练得到的；所述线程池使用量模型是利用所述系统在第二历史时段的方法调用量观测值和线程池使用量观测值训练得到的。
可选地，确定所述系统在目标时段的方法调用量预测值之前，还包括：
根据所述系统在第二历史时段的方法调用量观测值，利用时间序列模型进行训练，得到所述方法调用量模型。
可选地，所述方法调用量模型包括：线上方法调用量模型和MQ触发方法调用量模型；所述方法调用量观测值包括：线上方法调用量观测值，MQ触发方法调用量观测值；
利用时间序列模型训练所述方法调用量模型，包括：
根据所述系统在第二历史时段的线上方法调用量观测值，利用时间序列模型进行训练，得到所述线上方法调用量模型；
根据所述系统在第二历史时段的MQ触发方法调用量观测值，利用时间序列模型进行训练，得到所述MQ触发方法调用量模型。
可选地，所述方法调用量观测值还包括：MQ消息发送量观测值；
利用时间序列模型进行训练，得到所述MQ触发方法调用量模型，包括：
根据预训练的MQ信息发送量模型和所述系统在第二历史时段的MQ消息发送量观测值，确定所述系统在第二历史时段的MQ消息发送量预测值；所述MQ信息发送量模型是根据所述系统在第二历史时段的MQ消息发送量观测值、利用时间序列模型进行训练得到的；
根据所述系统在第二历史时段的MQ消息发送量预测值和MQ触发方法调用量观测值建立线程回归模型，得到所述MQ触发方法调用量模型。
可选地，本发明实施例的方法还包括以下至少之一：
利用时间序列模型进行训练之前，将训练数据的序列平稳化；
利用时间序列模型进行训练之后，对训练得到的模型进行模型检验并确认检验通过。
可选地，确定所述系统在目标时段的线程池使用量预测值之前，还包括：
根据所述系统在第二历史时段的方法调用量观测值和线程池使用量观测值，利用xgboost模型训练所述线程池使用量模型。
可选地，确定所述系统在目标时段的线程池使用量预测值之前，还包括：
根据所述方法调用量模型和所述系统在第二历史时段的方法调用量观测值，确定所述系统在第二历史时段的方法调用量预测值；根据所述线程池使用量模型和所述系统在第二历史时段的方法调用量预测值，确定所述系统在第二历史时段的线程池使用量预测值；根据所述系统在第二历史时段的线程池使用量预测值和线程池使用量观测值，对所述方法调用量模型和所述线程池使用量模型进行测试并确认测试通过。
根据本发明实施例的第二方面，提供一种系统容量规划的装置，包括：
历史数据获取模块，获取系统在第一历史时段的方法调用量；
方法调用量预测模块，根据预训练的方法调用量模型和所述方法调用量，确定所述系统在第一历史时段之后的目标时段的方法调用量预测值；
线程池使用量预测模块，根据预训练的线程池使用量模型和所述方法调用量预测值，确定所述系统在目标时段的线程池使用量预测值；
其中，所述方法调用量模型是利用所述系统在第二历史时段的方法调用量观测值训练得到的；所述线程池使用量模型是利用所述系统在第二历史时段的方法调用量观测值和线程池使用量观测值训练得到的。
可选地，所述方法调用量预测模块还用于：在确定所述系统在目标时段的方法调用量预测值之前，根据所述系统在第二历史时段的方法调用量观测值，利用时间序列模型进行训练，得到所述方法调用量模型。
可选地，所述方法调用量模型包括：线上方法调用量模型和MQ触发方法调用量模型；所述方法调用量观测值包括：线上方法调用量观测值，MQ触发方法调用量观测值；
所述方法调用量预测模块利用时间序列模型训练所述方法调用量模型，包括：
根据所述系统在第二历史时段的线上方法调用量观测值，利用时间序列模型进行训练，得到所述线上方法调用量模型；
根据所述系统在第二历史时段的MQ触发方法调用量观测值，利用时间序列模型进行训练，得到所述MQ触发方法调用量模型。
可选地，所述方法调用量观测值还包括：MQ消息发送量观测值；
所述方法调用量预测模块利用时间序列模型进行训练，得到所述MQ触发方法调用量模型，包括：
根据预训练的MQ信息发送量模型和所述系统在第二历史时段的MQ消息发送量观测值，确定所述系统在第二历史时段的MQ消息发送量预测值；所述MQ信息发送量模型是根据所述系统在第二历史时段的MQ消息发送量观测值、利用时间序列模型进行训练得到的；
根据所述系统在第二历史时段的MQ消息发送量预测值和MQ触发方法调用量观测值建立线程回归模型，得到所述MQ触发方法调用量模型。
可选地，所述方法调用量预测模块还用于以下至少之一：
利用时间序列模型进行训练之前，将训练数据的序列平稳化；
利用时间序列模型进行训练之后，对训练得到的模型进行模型检验并确认检验通过。
可选地，所述线程池使用量预测模块还用于：在确定所述系统在目标时段的线程池使用量预测值之前，根据所述系统在第二历史时段的方法调用量观测值和线程池使用量观测值，利用xgboost模型训练所述线程池使用量模型。
可选地，本发明实施例的装置还包括：模型串联测试模块，用于：在确定所述系统在目标时段的线程池使用量预测值之前，
根据所述方法调用量模型和所述系统在第二历史时段的方法调用量观测值，确定所述系统在第二历史时段的方法调用量预测值；根据所述线程池使用量模型和所述系统在第二历史时段的方法调用量预测值，确定所述系统在第二历史时段的线程池使用量预测值；根据所述系统在第二历史时段的线程池使用量预测值和线程池使用量观测值，对所述方法调用量模型和所述线程池使用量模型进行测试并确认测试通过。
根据本发明实施例的第三方面，提供一种系统容量规划的电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例第一方面提供的方法。
根据本发明实施例的第四方面，提供一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例第一方面提供的方法。
上述发明中的一个实施例具有如下优点或有益效果：采用利用系统在第二历史时段的方法调用量观测值训练得到的方法调用量模型确定系统在目标时段的方法调用量预测值、采用利用系统在第二历史时段的方法调用量观测值和线程池使用量观测值训练得到的线程池使用量模型确定系统在目标时段的线程池使用量预测值，能够基于系统的历史数据智能规划系统未来的容量，从而实现在系统出现问题前对其进行限流或扩展，响应速度快，成本低，安全性高。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是本发明实施例的系统容量规划的方法的主要流程的示意图；
图2是本发明可选实施例中利用时间序列模型进行训练的示意图；
图3是本发明可选实施例中系统容量规划的方法的示意图；
图4是本发明实施例的系统容量规划的装置的主要模块的示意图；
图5是本发明实施例可以应用于其中的示例性系统架构图；
图6是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
根据本发明实施例的一个方面，提供了一种系统容量规划的方法.
图1是本发明实施例的系统容量规划的方法的主要流程的示意图，如图1所示，系统容量规划的方法，包括：步骤S101、步骤S102和步骤S103。
在步骤S101中，获取系统在第一历史时段的方法调用量。第一历史时段是指目标时段之前的时段。例如，目标时段为2021年，第一历史时段为截止至2020年的三年或六年。再例如，目标时段为2021年，第一历史时段为截止至2010年至2015年。
方法调用量是指系统中各个方法的调用量，即访问流量。实际应用过程中，可以仅分析系统中一部分方法的调用量，也可以分析系统中所有方法的调用量。进一步地，可以分别分析每种方法的调用量，或者分析多种方法的总调用量。示例性地，根据系统各个方法的访问量构成情况，调用方的来源主要分为两个方面：一是业务需要直接调用的，这种调用是符合某种特定规律的，比如凌晨零点较大等；二是依赖于某种情况触发的，比如依赖于MQ(Message Queue，消息队列)发送的消息，有消息的变动才会触发调用接口，这种情况就依赖于消息接到了多少。因此，方法调用量可以包括线上方法调用量和MQ触发方法调用量。
在步骤S102中，根据预训练的方法调用量模型和所述方法调用量，确定所述系统在第一历史时段之后的目标时段的方法调用量预测值。
方法调用量模型是利用系统在第二历史时段的方法调用量观测值训练得到的。第二历史时段是指目标时段之前的时段，第二历史时段可以与第一历史时段相同，也可以与第一历史时段不同(例如第二历史时段与第一历史时段存在部分重叠、第二历史时段为第一历史时段内的某种子时段或者第二历史时段与第一历史时段不存在重叠的时刻)。例如，第一历史时段为2019年，第二历史时段为截止至2019年的三年或六年。再例如，第一历史时段为2019年，第二历史时段为截止至2010年至2015年。
方法调用量模型的训练方法可以根据实际情况进行选择性设定。可选地，确定系统在目标时段的方法调用量预测值之前，根据系统在第二历史时段的方法调用量观测值，利用时间序列模型进行训练，得到方法调用量模型。利用时间序列模型进行训练，方法简单，准确性好。
时间序列(time series)是同一现象在不同时间上的相继观察值排列而成的序列。根据观察时间的不同，时间序列中的时间可以是年份、季度、月份或其他任何时间形式。时间序列中分为平稳的序列和不平稳的序列。平稳序列是基本上不存在趋势的序列，序列中的各观察值基本上在某个固定的水平上波动，在不同时间段波动程度不同，但不存在某种规律，随机波动。不平稳序列包含趋势、季节性、周期性和不规则变动的序列。
趋势(Seuclar trend)是事物在长时期内增减的变动趋势。
季节性变动(Seasonal vari-tion)是在每期内重复出现的周期性的变动。一般季节变动周期为12个月。销售旺季，销售淡季，旅游旺季、旅游淡季，因季节不同而发生变化。季节，不仅指一年中的四季，其实是指任何一种周期性的变化。含有季节成分的序列可能含有趋势，也可能不含有趋势。
周期性变动也称循环变动(Cyelical variction)，它是以期数为周期而重复出现的周期性变动。由于这种循环变动的周期长短不规律，预测方法也无规律可循。一般在短期预测中把循环变动因素当作长期趋势的一部分，不单独分析。
不规则变动(Irreglar variation)指由各种复杂因素引起的，在时间序列曲线上形成很多微小波动性的变动。这种变动也无规律可循，难以预测分析，在时间序列中，通常是采用移动平均法或指数平滑法，以消除被动的干扰。时间序列的上述四种因素有两种组合方式，一个是加法模型，四种因素相互独立，即时间序列是由四种因素直接叠加而形成的，一个是乘法模型，四种因素相互影响，即时间序列是综合四种因素而形成的。
若时间序列不平稳，在利用时间序列模型进行训练之前，可以将训练数据的序列平稳化。例如，去除季节性周期性等因素，通过平稳性检验后，进行自相关性检测。自相关函数(autocorrelation or lagged correlation，ACF)为：
自相关函数能够反映时间序列各个观察值之间的相关关系，若时间序列为平稳的，自相关系数会随着延迟期数k的增加，以较快的速度减小到零；若时间序列表现为非平稳的，自相关系数减小到零的速度通常会比较缓慢。由于平稳序列是序列不相关的，所以当且仅当延迟期数大于零时都有自相关系数等于零。因此，自相关性检测需要检验相关系数是否等于零。自相关检测的方法可以根据实际情况进行选择性设定，例如采用Box-Pierce检测、Ljung-Box检测(这两种检测在R语言和Python中都有工具可进行检测)等。
时间序列模型的具体形式也可以根据实际情况进行选择性设定，例如自回归模型(AR)、滑动平均模型(MA)、自回归滑动平均模型(ARMA)、自回归条件异方差模型(ARCH)、广义自回归条件异方差模型(GARCH)等等。示例性地，利用ARIMA(p,d,q)差分自回归移动平均模型对2014-2018年的数据进行建模，AR是自回归，p是自回归项，MA是移动平均，q为移动平均项，d为时间序列称为平稳时所做的差分次数。建模得到的模型可以用于对2018年之后的相关数据进行预测。
可选地，利用时间序列模型进行训练之后，可以对训练得到的模型进行模型检验并确认检验通过。检验方法可以根据实际情况进行选择性设定，例如RMSE(Root MeanSquare Error)均方根误差、MSE(Mean Square Error)均方误差、MAE(Mean AbsoluteError)平均绝对误差、SD(Standard Deviation)标准差等。RMSE(Root Mean SquareError)衡量观测值与真实值之间的偏差，常用来作为机器学习模型预测结果衡量的标准。MSE(Mean Square Error)均方误差是真实值与预测值的差值的平方然后求和平均，通过平方的形式便于求导，所以常被用作线性回归的损失函数。MAE(Mean Absolute Error)是绝对误差的平均值，可以反映预测值误差的实际情况。SD(Standard Deviation)是方差的算术平均根，用于衡量一组数值的离散程度。示例性地，利用ARIMA(p,d,q)差分自回归移动平均模型对2014-2018年的数据进行建模，用模型预测出2019的调用量，用RMSE均方根误差评价模型的预测结果。RMSE可以评价数据的变化程度，RMSE的值越小，说明预测模型描述实验数据具有更好的精确度，如果效果不好，则可以对模型进行调整。如果效果较好，预测的2019的数据可以用于后续步骤，例如用在对本发明实施例的各个模型的整体测试，或用于预测2020年的调用量数据。
可选地，方法调用量模型包括：线上方法调用量模型和MQ触发方法调用量模型；方法调用量观测值包括：线上方法调用量观测值，MQ触发方法调用量观测值。利用时间序列模型训练所述方法调用量模型，包括：根据所述系统在第二历史时段的线上方法调用量观测值，利用时间序列模型进行训练，得到所述线上方法调用量模型；根据所述系统在第二历史时段的MQ触发方法调用量观测值，利用时间序列模型进行训练，得到所述MQ触发方法调用量模型。分别训练线上方法调用量模型和MQ触发方法调用量模，能够根据方法访问量的构成情况进行准确分析预测，提高容量规划的准确性。
图2是本发明可选实施例中利用时间序列模型进行训练的示意图，本实施例以训练线上方法调用量模型为例。如图2所示，模型训练的过程主要包括三个阶段，分别为序列平稳化、模型识别和模型检验。在序列平稳化阶段，根据历史数据计算ACF和PACF(偏自相关系数)并绘制成图，根据ACF和PACF图检查序列是否需要进行差分转换和季节性转换，若需要，则进行转换，最终目的是将非平稳序列差分得到平稳序列。然后根据ACF和PACF图暂定模型，例如自回归模型(AR)、滑动平均模型(MA)、自回归滑动平均模型(ARMA)、自回归条件异方差模型(ARCH)、广义自回归条件异方差模型(GARCH)等等。在模型识别阶段，估计模型中的参数值，计算模型中的残差统计值。在模型检验阶段，针对残差值进行检验，判断当前的参数值是否合适(即模型准确性是否满足要求)。若合适，则可以利用得到的模型进行预测；否则，重新根据ACF和PACF图暂定模型，然后进行模型识别和模型检验阶段，直至判定当前模型的参数值合适，得到训练出的模型。
MQ触发方法调用量模型的训练方式可以与线上方法调用量模型的训练方式相同。可选地，利用时间序列模型进行训练，得到MQ触发方法调用量模型，包括：根据预训练的MQ信息发送量模型和系统在第二历史时段的MQ消息发送量观测值，确定系统在第二历史时段的MQ消息发送量预测值；根据系统在第二历史时段的MQ消息发送量预测值和MQ触发方法调用量观测值建立线程回归模型，得到MQ触发方法调用量模型。MQ信息发送量模型是根据系统在第二历史时段的MQ消息发送量观测值、利用时间序列模型进行训练得到的，其训练方式可以根据实际情况进行选择性设定，例如采用图2所示的方法进行训练。
在步骤S103中，根据预训练的线程池使用量模型和所述方法调用量预测值，确定所述系统在目标时段的线程池使用量预测值。
线程池是一种多线程处理形式，处理过程中将任务添加到队列，然后在创建线程后自动启动这些任务。如果所有线程池线程都始终保持繁忙，但队列中包含挂起的工作，则线程池将在一段时间后创建另一个辅助线程但线程的数目永远不会超过最大值。超过最大值的线程可以排队，但他们要等到其他线程完成后才启动。
线程池使用量模型是利用系统在第二历史时段的方法调用量观测值和线程池使用量观测值训练得到的。线程池使用量模型的模型形式可以根据实际情况进行选择性设定，例如boosting(一种集成分类方法)、xgboost、GBDT(Gradient Boosting DecisionTree，一种迭代的决策树算法)等。xgboost是陈天奇博士于2016年提出的一种新的机器学习算法，xgboost既可以做分类问题，也可以做回归问题，该算法采用的boosting的集成学习的思想，将多个简单的模型串联，可以实现非常复杂的精准预测。GBDT模型利用损失函数的负梯度代替残差，这样可以加快训练迅速，但是用一阶梯度代替残差，训练过程当中收敛比较慢，xgboost利用了二阶梯度信息，可以显著加快模型的收敛，此外xgboost填加了正则化信息，可以有效的防止模型过拟合，xgboost另一大优势就是可以灵活的选择基分类器和自定义损失函数，只要损失函数的二阶梯度存在即可，因此可以更加灵活，拟合能力更加强大。利用xgboost进行容量预测不仅可以实现精准预测，而且不需要对服务器增加过多的额外的负担。因此，在可选的实施例中，确定系统在目标时段的线程池使用量预测值之前，根据所述系统在第二历史时段的方法调用量观测值和线程池使用量观测值，利用xgboost模型训练线程池使用量模型。
可选地，确定系统在目标时段的线程池使用量预测值之前，还包括：根据所述方法调用量模型和所述系统在第二历史时段的方法调用量观测值，确定所述系统在第二历史时段的方法调用量预测值；根据所述线程池使用量模型和所述系统在第二历史时段的方法调用量预测值，确定所述系统在第二历史时段的线程池使用量预测值；根据所述系统在第二历史时段的线程池使用量预测值和线程池使用量观测值，对所述方法调用量模型和所述线程池使用量模型进行测试并确认测试通过。
示例性地，根据方法调用量模型和所述系统在2014-2018年的方法调用量观测值，确定系统在2019年的方法调用量预测值；根据线程池使用量模型和系统在2019年的方法调用量预测值，确定系统在2019年的线程池使用量预测值；根据系统在2019年的线程池使用量预测值和线程池使用量观测值，对方法调用量模型和线程池使用量模型进行测试并确认测试通过。
本实施例利用方法调用量模型确定的预测值和线程池使用量模型进行联合测试，通过模型串联测试能够了解方法调用量模型的准确性和线程池使用量模型的拟合情况，测试模型整体效果。当测试准确率达到要求后进行线上测试，然后进行模型改进和正式上线部署。
本发明实施例中，每个时段内各条数据的时间单位可以根据实际情况进行选择性设定，例如分钟或小时。示例性地，获取到的源数据是每分钟的调用量和线程池情况，但是考虑到方法计算对于服务器的耗时，所以取每小时的数据。
另外需要说明的是，在训练方法调用量模型和线程池使用量模型时，可以直接基于各个方法的调用量数据和线程池使用量数据等特征数据进行训练，也可以对这些特征数据进行特征筛选、特征融合等预处理。进一步地，为了便于进行模型训练，可以对各个特征进行特征编码；为了提高容量规划的准确性，可以对各个特征数据进行异常检测。
图3是本发明可选实施例中系统容量规划的方法的示意图。本示例中，容量规划的方法主要包括四个阶段：
(1)数据准确
首先获取2014-2019年系统各个方法的调用量和对应的线程池使用情况。其次需要分析系统各个方法的访问量构成情况，调用方的来源主要分为两个方面：一是业务需要直接调用的；二是依赖于某种情况触发的，比如依赖于MQ消息队列发送的消息。最后定义特征变量和待估变量。待估变量为占用的线程池数量，线程池一般配置为200个，如果有线程池满的情况，说明对于系统的容量是有风险的。特征变量为各个方法的调用量，本示例用10个线上方法的调用量作为示例，对应的也取2014-2019年的数据；以及由于MQ触发的方法调用量，本示例中取5个依赖于MQ触发的方法调用量。
本示例获取到的源数据是每分钟的调用量和线程池情况，但是考虑到方法计算对于服务器的耗时，所以取每小时的数据。
(2)特征变量未来流量的预测
A.利用时间序列模型对于各个调用方法流量的预测
首先要将时间序列平稳化，去除季节性周期性等因素，通过平稳性检验后，进行自相关性检测。通过以上检验之后利用ARIMA(p,d,q)差分自回归移动平均模型对2014-2018年的数据进行建模。用模型预测出2019的调用量，用RMSE均方根误差评价预测结果。RMSE的值越小，说明预测模型描述实验数据具有更好的精确度，如果效果不好，则可以对模型进行调整，如果效果较好，预测的2019的数据将用在第四阶段中的整个模型的预测进行测试，并且可以预测2020年的调用量。
时间序列分析的流程可以参考图2所示的实施例，此处不再赘述。
B.由于MQ触发的方法调用的预测
MQ出发的方法调用的预测需要经过两个步骤，首先是需要用时间序列模型对于MQ的发送量进行预测，其次要将MQ发送的历史数据和由于它触发的方法调用量建立一元线性回归模型，用以预测方法的调用量。
首先是时间序列预测，由A中的方法预测出2019年的MQ发送量，计算RMSE，如果模型的拟合度较好则预测出2020的发送量。其次是建立一元线性回归模型，因变量是调用量，自变量是MQ发送的量，预测出2019年的调用量，同样的也需要用RMSE考量模型的拟合程度，预测2020的调用量。
(3)利用xgboost模型对于待估变量进行预测分析
首先利用特征变量(15个变量)，以2014-2018(共五年，预留2019年的数据做串联测试)的数据作为训练集和测试集，在建模之前需要对特征进行一系列预处理，包括特征编码、特征筛选、异常检测、特征融合等，然后利用xgboost进行建模并且调参，这样可以实现在真实特征变量数据的情况下模型的表现情况。建模时不光利用15个变量建模，还利用对应的待估变量值对建模得到的模型进行调整，直至建模得到的模型满足要求的预测精度。这一步骤中用到的特征变量是实际观测值。
在容量预测的过程当中，除了xgboost以外还可以利用神经网络进行预测，神经网络模拟的是人类大脑的神经元结构。但是神经网络需要的计算资源更多，模型的训练时间也更长。本实施例采用xgboost模型，计算资源更少，模型的训练时间也更短。
(4)模型串联测试
此阶段利用第二阶段得到的预测的特征变量和第三阶段得到的xgboost模型进行联合测试，测试模型整体效果。首先进行线下测试，利用2019年的数据作为测试集进行测试，当测试准确率达到要求后进行线上测试，然后进行模型改进和正式上线部署。
系统在运行过程中如果遇到调用量较大、或线程池使用量过大的情况时，有可能会出现客户端调用微服务线程池满、客户端超时等情况，这种情况下，可以认为是系统当前应用容量不足，此时可以制定对于调用端的限流或是扩容等方案。本发明实施例运用机器学习算法，特别是集成学习的思想，对系统未来可能的容量不足风险进行预测，提前做出容量规划，通过对调用端进行限流、或增加服务器数量的方式完善系统。
现有技术中的容量规划方案过度依赖于监控报警，报警后接入人工处理。无法对远期的容量实现精准预测，智能依赖事实的报警信息，然后完全依赖人工处理方法，无法实现智能化，增加了人力成本，同时过多的人工干预也增加了系统的风险性。报警后的人工处理时间长，在系统报警后，如果无法在短时间内做出合理的干涉，那么就容易造成巨大的损失，因此如何合理的对容量进行预测，在系统出现问题前对其进行限流或扩容就甚为重要，由此可减少报警次数，报警次数的减少还可以降低公司成本、减少研发关注的精力。本发明实施例采用利用系统在第二历史时段的方法调用量观测值训练得到的方法调用量模型确定系统在目标时段的方法调用量预测值、采用利用系统在第二历史时段的方法调用量观测值和线程池使用量观测值训练得到的线程池使用量模型确定系统在目标时段的线程池使用量预测值，能够基于系统的历史数据智能规划系统未来的容量，从而实现在系统出现问题前对其进行限流或扩展，响应速度快，成本低，安全性高。
根据本发明实施例的第二方面，提供一种实现上述方法的装置。
图4是本发明实施例的系统容量规划的装置的主要模块的示意图，如图4所示，系统容量规划的装置400包括：
历史数据获取模块401，获取系统在第一历史时段的方法调用量；
方法调用量预测模块402，根据预训练的方法调用量模型和所述方法调用量，确定所述系统在第一历史时段之后的目标时段的方法调用量预测值；
线程池使用量预测模块403，根据预训练的线程池使用量模型和所述方法调用量预测值，确定所述系统在目标时段的线程池使用量预测值；
其中，所述方法调用量模型是利用所述系统在第二历史时段的方法调用量观测值训练得到的；所述线程池使用量模型是利用所述系统在第二历史时段的方法调用量观测值和线程池使用量观测值训练得到的。
可选地，所述方法调用量预测模块还用于：在确定所述系统在目标时段的方法调用量预测值之前，根据所述系统在第二历史时段的方法调用量观测值，利用时间序列模型进行训练，得到所述方法调用量模型。
可选地，所述方法调用量模型包括：线上方法调用量模型和MQ触发方法调用量模型；所述方法调用量观测值包括：线上方法调用量观测值，MQ触发方法调用量观测值；
所述方法调用量预测模块利用时间序列模型训练所述方法调用量模型，包括：
根据所述系统在第二历史时段的线上方法调用量观测值，利用时间序列模型进行训练，得到所述线上方法调用量模型；
根据所述系统在第二历史时段的MQ触发方法调用量观测值，利用时间序列模型进行训练，得到所述MQ触发方法调用量模型。
可选地，所述方法调用量观测值还包括：MQ消息发送量观测值；
所述方法调用量预测模块利用时间序列模型进行训练，得到所述MQ触发方法调用量模型，包括：
根据预训练的MQ信息发送量模型和所述系统在第二历史时段的MQ消息发送量观测值，确定所述系统在第二历史时段的MQ消息发送量预测值；所述MQ信息发送量模型是根据所述系统在第二历史时段的MQ消息发送量观测值、利用时间序列模型进行训练得到的；
根据所述系统在第二历史时段的MQ消息发送量预测值和MQ触发方法调用量观测值建立线程回归模型，得到所述MQ触发方法调用量模型。
可选地，所述方法调用量预测模块还用于以下至少之一：
利用时间序列模型进行训练之前，将训练数据的序列平稳化；
利用时间序列模型进行训练之后，对训练得到的模型进行模型检验并确认检验通过。
可选地，所述线程池使用量预测模块还用于：在确定所述系统在目标时段的线程池使用量预测值之前，根据所述系统在第二历史时段的方法调用量观测值和线程池使用量观测值，利用xgboost模型训练所述线程池使用量模型。
可选地，本发明实施例的装置还包括：模型串联测试模块，用于：在确定所述系统在目标时段的线程池使用量预测值之前，
根据所述方法调用量模型和所述系统在第二历史时段的方法调用量观测值，确定所述系统在第二历史时段的方法调用量预测值；根据所述线程池使用量模型和所述系统在第二历史时段的方法调用量预测值，确定所述系统在第二历史时段的线程池使用量预测值；根据所述系统在第二历史时段的线程池使用量预测值和线程池使用量观测值，对所述方法调用量模型和所述线程池使用量模型进行测试并确认测试通过。
根据本发明实施例的第三方面，提供一种系统容量规划的电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例第一方面提供的方法。
根据本发明实施例的第四方面，提供一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例第一方面提供的方法。
图5示出了可以应用本发明实施例的系统容量规划的方法或系统容量规划的装置的示例性系统架构500。
如图5所示，系统架构500可以包括终端设备501、502、503，网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备501、502、503通过网络504与服务器505交互，以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备501、502、503可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器505可以是提供各种服务的服务器，例如对用户利用终端设备501、502、503所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是，本发明实施例所提供的系统容量规划的方法一般由服务器505执行，相应地，系统容量规划的装置一般设置于服务器505中。
应该理解，图5中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图6，其示出了适于用来实现本发明实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括：历史数据获取模块，方法调用量预测模块和线程池使用量预测模块。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如历史数据获取模块还可以被描述为“确定所述系统在第一历史时段之后的目标时段的方法调用量预测值的模块”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：获取系统在第一历史时段的方法调用量；根据预训练的方法调用量模型和所述方法调用量，确定所述系统在第一历史时段之后的目标时段的方法调用量预测值；根据预训练的线程池使用量模型和所述方法调用量预测值，确定所述系统在目标时段的线程池使用量预测值；其中，所述方法调用量模型是利用所述系统在第二历史时段的方法调用量观测值训练得到的；所述线程池使用量模型是利用所述系统在第二历史时段的方法调用量观测值和线程池使用量观测值训练得到的。
根据本发明实施例的技术方案，采用利用系统在第二历史时段的方法调用量观测值训练得到的方法调用量模型确定系统在目标时段的方法调用量预测值、采用利用系统在第二历史时段的方法调用量观测值和线程池使用量观测值训练得到的线程池使用量模型确定系统在目标时段的线程池使用量预测值，能够基于系统的历史数据智能规划系统未来的容量，从而实现在系统出现问题前对其进行限流或扩展，响应速度快，成本低，安全性高。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种系统容量规划的方法，其特征在于，包括：
获取系统在第一历史时段的方法调用量；
根据预训练的方法调用量模型和所述方法调用量，确定所述系统在第一历史时段之后的目标时段的方法调用量预测值；
根据预训练的线程池使用量模型和所述方法调用量预测值，确定所述系统在目标时段的线程池使用量预测值；
其中，所述方法调用量模型是利用所述系统在第二历史时段的方法调用量观测值训练得到的；所述线程池使用量模型是利用所述系统在第二历史时段的方法调用量观测值和线程池使用量观测值训练得到的。
2.如权利要求1所述的方法，其特征在于，确定所述系统在目标时段的方法调用量预测值之前，还包括：
根据所述系统在第二历史时段的方法调用量观测值，利用时间序列模型进行训练，得到所述方法调用量模型。
3.如权利要求2所述的方法，其特征在于，所述方法调用量模型包括：线上方法调用量模型和MQ触发方法调用量模型；所述方法调用量观测值包括：线上方法调用量观测值，MQ触发方法调用量观测值；
利用时间序列模型训练所述方法调用量模型，包括：
根据所述系统在第二历史时段的线上方法调用量观测值，利用时间序列模型进行训练，得到所述线上方法调用量模型；
根据所述系统在第二历史时段的MQ触发方法调用量观测值，利用时间序列模型进行训练，得到所述MQ触发方法调用量模型。
4.如权利要求3所述的方法，其特征在于，所述方法调用量观测值还包括：MQ消息发送量观测值；
利用时间序列模型进行训练，得到所述MQ触发方法调用量模型，包括：
根据预训练的MQ信息发送量模型和所述系统在第二历史时段的MQ消息发送量观测值，确定所述系统在第二历史时段的MQ消息发送量预测值；所述MQ信息发送量模型是根据所述系统在第二历史时段的MQ消息发送量观测值、利用时间序列模型进行训练得到的；
根据所述系统在第二历史时段的MQ消息发送量预测值和MQ触发方法调用量观测值建立线程回归模型，得到所述MQ触发方法调用量模型。
5.如权利要求2-4任一所述的方法，其特征在于，还包括以下至少之一：
利用时间序列模型进行训练之前，将训练数据的序列平稳化；
利用时间序列模型进行训练之后，对训练得到的模型进行模型检验并确认检验通过。
6.如权利要求2所述的方法，其特征在于，确定所述系统在目标时段的线程池使用量预测值之前，还包括：
根据所述系统在第二历史时段的方法调用量观测值和线程池使用量观测值，利用xgboost模型训练所述线程池使用量模型。
7.如权利要求1所述的方法，其特征在于，确定所述系统在目标时段的线程池使用量预测值之前，还包括：
根据所述方法调用量模型和所述系统在第二历史时段的方法调用量观测值，确定所述系统在目标时段之前的第三时段的方法调用量预测值；
根据所述线程池使用量模型和所述系统在第三时段的方法调用量预测值，确定所述系统在第三时段的线程池使用量预测值；
根据所述系统在第三时段的线程池使用量预测值和线程池使用量观测值，对所述方法调用量模型和所述线程池使用量模型进行测试并确认测试通过。
8.一种系统容量规划的装置，其特征在于，包括：
历史数据获取模块，获取系统在第一历史时段的方法调用量；
方法调用量预测模块，根据预训练的方法调用量模型和所述方法调用量，确定所述系统在第一历史时段之后的目标时段的方法调用量预测值；
线程池使用量预测模块，根据预训练的线程池使用量模型和所述方法调用量预测值，确定所述系统在目标时段的线程池使用量预测值；
其中，所述方法调用量模型是利用所述系统在第二历史时段的方法调用量观测值训练得到的；所述线程池使用量模型是利用所述系统在第二历史时段的方法调用量观测值和线程池使用量观测值训练得到的。
9.一种系统容量规划的电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010544919.2A CN113742158A (zh) | 2020-06-15 | 2020-06-15 | 系统容量规划的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010544919.2A CN113742158A (zh) | 2020-06-15 | 2020-06-15 | 系统容量规划的方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113742158A true CN113742158A (zh) | 2021-12-03 |
Family
ID=78727970
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010544919.2A Pending CN113742158A (zh) | 2020-06-15 | 2020-06-15 | 系统容量规划的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113742158A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006285582A (ja) * | 2005-03-31 | 2006-10-19 | Canon Inc | プログラムコード生成装置、プログラムコード生成方法、及びコンピュータプログラム |
| CN103076627A (zh) * | 2011-10-26 | 2013-05-01 | 中国石油化工股份有限公司 | 一种速度模型平滑优化方法 |
| CN103258009A (zh) * | 2013-04-16 | 2013-08-21 | 北京京东尚科信息技术有限公司 | 获取和分析方法性能数据的方法和系统 |
| KR20150007806A (ko) * | 2013-07-12 | 2015-01-21 | 한국과학기술원 | 멀티스레드 프로그램에 대한 테스트 커버리지 정보를 이용한 자동 테스트 생성 장치, 방법 및 기록매체 |
| CN109542603A (zh) * | 2018-11-22 | 2019-03-29 | 北京航空航天大学 | 一种提高不同优先级任务间隔离性的多维资源隔离系统 |
| CN110795246A (zh) * | 2019-10-25 | 2020-02-14 | 新华三大数据技术有限公司 | 资源利用率的预测方法及装置 |
| CN111130908A (zh) * | 2019-12-31 | 2020-05-08 | 中信百信银行股份有限公司 | 基于调用流量分析预测的微服务动态聚合拆分系统 |
| CN111176637A (zh) * | 2019-12-11 | 2020-05-19 | 西北工业大学 | 基于缓存抢占延迟约束下aadl模型的可调度性分析方法 |
-
2020
- 2020-06-15 CN CN202010544919.2A patent/CN113742158A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006285582A (ja) * | 2005-03-31 | 2006-10-19 | Canon Inc | プログラムコード生成装置、プログラムコード生成方法、及びコンピュータプログラム |
| CN103076627A (zh) * | 2011-10-26 | 2013-05-01 | 中国石油化工股份有限公司 | 一种速度模型平滑优化方法 |
| CN103258009A (zh) * | 2013-04-16 | 2013-08-21 | 北京京东尚科信息技术有限公司 | 获取和分析方法性能数据的方法和系统 |
| KR20150007806A (ko) * | 2013-07-12 | 2015-01-21 | 한국과학기술원 | 멀티스레드 프로그램에 대한 테스트 커버리지 정보를 이용한 자동 테스트 생성 장치, 방법 및 기록매체 |
| CN109542603A (zh) * | 2018-11-22 | 2019-03-29 | 北京航空航天大学 | 一种提高不同优先级任务间隔离性的多维资源隔离系统 |
| CN110795246A (zh) * | 2019-10-25 | 2020-02-14 | 新华三大数据技术有限公司 | 资源利用率的预测方法及装置 |
| CN111176637A (zh) * | 2019-12-11 | 2020-05-19 | 西北工业大学 | 基于缓存抢占延迟约束下aadl模型的可调度性分析方法 |
| CN111130908A (zh) * | 2019-12-31 | 2020-05-08 | 中信百信银行股份有限公司 | 基于调用流量分析预测的微服务动态聚合拆分系统 |
Non-Patent Citations (2)
| Title |
|---|
| 刘磊;李连彬;: "Windows系统网络通信层性能及方法研究", 计算机应用, no. 2, 31 December 2009 (2009-12-31) * |
| 殷雄;: "基于IOCP技术的网络视频测量系统设计与实现", 软件导刊, no. 04, 15 April 2015 (2015-04-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109697522B (zh) | 一种数据预测的方法和装置 | |
| CN107809331B (zh) | 识别异常流量的方法和装置 | |
| US9946633B2 (en) | Assessing risk of software commits to prioritize verification resources | |
| CN109471783B (zh) | 预测任务运行参数的方法和装置 | |
| US20170082665A1 (en) | Detecting Non-Technical Losses in Electrical Networks Based on Multi-Layered Statistical Techniques from Smart Meter Data | |
| CN111181757B (zh) | 信息安全风险预测方法、装置以及计算设备、存储介质 | |
| CN114500339B (zh) | 一种节点带宽监测方法、装置、电子设备及存储介质 | |
| CN115202847A (zh) | 任务的调度方法和装置 | |
| CN110866625A (zh) | 促销指标信息生成方法和装置 | |
| CN107819745A (zh) | 异常流量的防御方法和装置 | |
| CN110532156A (zh) | 一种容量预测方法及装置 | |
| CN113379153A (zh) | 用于预测电力负荷的方法、预测模型训练方法及装置 | |
| CN110413482B (zh) | 检测方法和装置 | |
| US11636377B1 (en) | Artificial intelligence system incorporating automatic model updates based on change point detection using time series decomposing and clustering | |
| CN113742158A (zh) | 系统容量规划的方法和装置 | |
| CN115759751A (zh) | 一种企业风险预测方法、装置、存储介质、电子设备及产品 | |
| CN113626734B (zh) | 用户行为引导方法、装置、电子设备及存储介质 | |
| CN112231299B (zh) | 一种特征库动态调整的方法和装置 | |
| CN115619170A (zh) | 电量负荷调整方法、装置、设备、计算机介质和程序产品 | |
| CN114328123A (zh) | 异常确定方法、训练方法、装置、电子设备以及存储介质 | |
| CN113516270A (zh) | 业务数据监控方法、装置 | |
| JP7396344B2 (ja) | データ処理方法、装置及びプログラム | |
| CN117130873B (zh) | 一种任务监控的方法和装置 | |
| CN116501499B (zh) | 数据跑批方法、装置、电子设备及存储介质 | |
| CN117194153A (zh) | 异常检测方法、装置、电子设备和计算机可读介质 |
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 |