CN113742187A - 应用系统的容量预测方法、装置、设备及存储介质 - Google Patents
应用系统的容量预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113742187A CN113742187A CN202110899305.0A CN202110899305A CN113742187A CN 113742187 A CN113742187 A CN 113742187A CN 202110899305 A CN202110899305 A CN 202110899305A CN 113742187 A CN113742187 A CN 113742187A
- Authority
- CN
- China
- Prior art keywords
- application system
- capacity
- target
- memory
- historical
- 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 61
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 230000015654 memory Effects 0.000 claims abstract description 155
- 238000012360 testing method Methods 0.000 claims abstract description 66
- 230000004044 response Effects 0.000 claims description 58
- 230000008569 process Effects 0.000 claims description 17
- 238000009530 blood pressure measurement Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 6
- 238000009662 stress testing Methods 0.000 claims 1
- 238000011056 performance test Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06F11/34—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
- G06F11/3452—Performance evaluation by statistical analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种应用系统的容量预测方法、装置、设备及存储介质,属于性能测试技术领域。本发明通过获取待预测应用系统对应的CPU数量、内存容量以及目标内存因子;根据所述CPU数量、所述内存容量以及所述目标内存因子通过容量预测模型进行容量预测,得到预测结果;根据所述预测结果确定所述待预测应用系统对应的预测容量,通过容量预测模型根据CPU数量、内存容量以及目标内存因子对应用系统的容量进行预测,容量预测考虑到了应用系统的内存类型,提高了容量预测的准确性。
Description
技术领域
本发明涉及性能测试技术领域,尤其涉及一种应用系统的容量预测方法、装置、设备及存储介质。
背景技术
随着系统平台的用户量增加,在应用系统出现瓶颈前,需要投入多少资源才能保障应用系统的顺畅运行,是困扰大多运维人员进行容量规划的难题。传统数据中心容量规划主要以经验为主,为了保障稳定的系统性能,经常采用过量分配资源的方式,导致数据中心服务器资源利用率整体非常低,造成资源浪费。
容量评估管理致力于根据业务发展需求,在恰当的时间以恰当的成本合适地提供所需的信息系统资源。通过不同层面、不同手段的容量管理方法的研究已成为国内外研究的热点。精细化的容量管理可以合理的对基础设施资源进行评估,满足当前及可预期时间的业务需求,避免由于业务增长、促销活动等原因引起的系统资源不足以支撑业务顺畅运行,进而出现业务缓慢或终止、用户流失的风险。
现有技术《一种应用系统的容量预测方法和装置》提出一种系统的容量预测的方法,该方法包括:预处理过程和容量预测过程。其中预处理过程包括:依据应用系统的实时容量数据建立容量预测线上模型,依据容量预测线上模型和预设的压测策略模拟线下容量数据;依据应用系统的实时容量数据和线下容量数据确定应用系统的容量偏移值;容量预测过程包括:依据当前时刻应用系统的实时容量值和偏移值确定应用系统线上的容量值。但是该现有技术中未考虑内存类型应用的性能容量问题,并且预处理过程中通过采用模拟的方式,来进行获取偏移值,降低了应用系统容量预测的准确性。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种应用系统的容量预测方法、装置、设备及存储介质,旨在解决现有技术应用系统容量预测的准确性较低的技术问题。
为实现上述目的,本发明提供了一种应用系统的容量预测方法,所述应用系统的容量预测方法包括以下步骤:
获取待预测应用系统对应的CPU数量、内存容量以及目标内存因子;
根据所述CPU数量、所述内存容量以及所述目标内存因子通过容量预测模型进行容量预测,得到预测结果;
根据所述预测结果确定所述待预测应用系统对应的预测容量。
可选地,所述根据所述CPU数量、所述内存容量以及所述目标内存因子通过容量预测模型进行容量预测,得到预测结果之前,还包括:
对历史应用系统进行性能压力测试;
在所述历史应用系统的性能压力达到目标压力时,获取所述历史应用系统对应的目标吞吐量、目标CPU使用率以及目标内存使用率;
根据所述目标吞吐量、所述目标CPU使用率以及所述目标内存使用率构建容量预测模型。
可选地,所述对历史应用系统进行性能压力测试,包括:
获取历史应用系统对应的预设压测策略和初始压力值;
根据所述预设压测策略确定目标加压步长;
根据所述初始压力值和所述目标加压步长对所述历史应用系统进行性能压力测试。
可选地,所述根据所述预设压测策略确定目标加压步长,包括:
按照所述预设压测策略对应的预设加压步长和所述初始压力值对所述历史应用系统进行初始性能压力测试;
获取本次初始性能压力测试中所述历史应用系统的当前吞吐量和当前响应时间值,以及上一次初始性能压力测试中所述历史应用系统的历史吞吐量和历史响应时间值;
获取所述当前吞吐量和所述历史吞吐量之间的吞吐量差值,以及所述当前响应时间值和所述历史响应时间值之间的时间差值;
在所述吞吐量差值和所述时间差值均小于预设差值阈值时,将所述预设加压步长作为目标加压步长。
可选地,所述获取所述当前吞吐量和所述历史吞吐量之间的吞吐量差值,以及所述当前响应时间值和所述历史响应时间值之间的时间差值之后,还包括:
在所述吞吐量差值或所述时间差值大于等于预设差值阈值时,增大所述预设加压步长,直至所述吞吐量差值和所述时间差值均小于预设差值阈值;
将增大后的预设加压步长作为目标加压步长。
可选地,所述在所述历史应用系统的性能压力达到目标压力时,获取所述历史应用系统对应的目标吞吐量、目标CPU使用率以及目标内存使用率之前,还包括:
获取所述历史应用系统在进行性能压力测试过程中的当前CPU资源使用率、当前内存资源使用率以及当前响应时间值;
在所述当前CPU资源使用率大于等于预设CPU资源使用率阈值、当前内存资源使用率大于等于预设内存资源使用率阈值或当前响应时间值大于等于预设响应时间阈值时,判定所述历史应用系统的性能压力达到目标压力。
可选地,所述获取待预测应用系统对应的CPU数量、内存容量以及目标内存因子之前,还包括:
获取待预测应用系统对应的应用类型;
根据所述应用类型确定目标内存因子。
此外,为实现上述目的,本发明还提出一种应用系统的容量预测装置,所述应用系统的容量预测装置包括:
获取模块,用于获取待预测应用系统对应的CPU数量、内存容量以及目标内存因子;
输入模块,用于根据所述CPU数量、所述内存容量以及所述目标内存因子通过容量预测模型进行容量预测,得到预测结果;
接收模块,用于根据所述预测结果确定所述待预测应用系统对应的预测容量。
此外,为实现上述目的,本发明还提出一种应用系统的容量预测设备,所述应用系统的容量预测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的应用系统的容量预测程序,所述应用系统的容量预测程序配置为实现如上文所述的应用系统的容量预测方法。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有应用系统的容量预测程序,所述应用系统的容量预测程序被处理器执行时实现如上文所述的应用系统的容量预测方法。
本发明通过获取待预测应用系统对应的CPU数量、内存容量以及目标内存因子;根据所述CPU数量、所述内存容量以及所述目标内存因子通过容量预测模型进行容量预测,得到预测结果;根据所述预测结果确定所述待预测应用系统对应的预测容量,通过容量预测模型根据CPU数量、内存容量以及目标内存因子对应用系统的容量进行预测,容量预测考虑到了应用系统的内存类型,提高了容量预测的准确性。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的应用系统的容量预测设备的结构示意图;
图2为本发明应用系统的容量预测方法第一实施例的流程示意图;
图3为本发明应用系统的容量预测方法第二实施例的流程示意图;
图4为本发明应用系统的容量预测装置第一实施例的结构框图。
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用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的应用系统的容量预测设备结构示意图。
如图1所示,该应用系统的容量预测设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对应用系统的容量预测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及应用系统的容量预测程序。
在图1所示的应用系统的容量预测设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明应用系统的容量预测设备中的处理器1001、存储器1005可以设置在应用系统的容量预测设备中,所述应用系统的容量预测设备通过处理器1001调用存储器1005中存储的应用系统的容量预测程序,并执行本发明实施例提供的应用系统的容量预测方法。
本发明实施例提供了一种应用系统的容量预测方法,参照图2,图2为本发明一种应用系统的容量预测方法第一实施例的流程示意图。
本实施例中,所述应用系统的容量预测方法包括以下步骤:
步骤S10:获取待预测应用系统对应的CPU数量、内存容量以及目标内存因子。
需要说明的是,本实施例的执行主体可以是应用系统的容量预测设备,应用系统的容量预测设备可以是个人电脑、服务器或车载终端等电子设备,还可以为其他可实现相同或相似功能的设备或服务器,本实施例对此不加以限制,在本实施例及下述各实施例中,以应用系统的容量预测设备为例对本发明应用系统的容量预测方法进行说明。
需要说明的是,应用系统是指在线实时服务于用户的某种事务(业务或请求)的服务器,容量测试的目的是通过测试分析获取应用系统在特定测试环境中的应用性能指标值,如最大并发数、联机交易处理能力以及数据库记录数等。同时要保证应用系统在负载状态下不出现任何软件故障,保持主要功能正常运行。容量测试的业务意义可以让用户清楚掌握该应用系统的承载能力或提供服务的能力,如某个商务网站所能承受的、同时进行交易或结算的最大在线用户数;某个业务处理系统单位时间内能处理的最大交易笔数以及可以稳定运行的最长时间等等。在应用系统上线投产前准确获取应用系统的实际容量,对于不能满足设计需求的,可提前寻找新的技术解决方案来提高系统容量,或制订相应的应急预案,能够有效避免系统运行风险。并且,准确预测应用系统的容量,可以帮助用户合理规划应用,优化系统部署。而现有技术中在对应用系统的容量进行预测时,在预处理过程中所采用的是模拟方式,并且在对应用系统进行预测时,并未考虑到应用系统的内存类型,忽略了应用系统的内存类型对于应用系统容量预测的影响,降低了容量预测的准确性。本实施例中为了解决上述问题,以更加准确地预测应用系统的容量,在对应用系统的容量进行预测之前,会获取待预测应用系统的CPU数量、内存容量以及目标内存因子,然后根据CPU数量、内存容量以及目标内存因子对待预测应用系统的容量进行预测,待预测应用系统即为需要进行容量预测的应用系统。
在本实施例中,CPU与内存属于应用系统的硬件资源,CPU数量为应用系统所搭载的CPU的个数,内存容量即为应用系统所采用的内存的大小,目标内存因子为内存所对应的影响因子,根据该目标内存因子判断内存对于应用系统容量的影响,基于应用系统的硬件资源可以预测出应用系统的容量。
在具体实施中,本实施例可通过接收用户输入的容量预测指令,根据该容量预测指令获取待预测应用系统对应的CPU数量、内存容量以及目标内存因子,也可以设置一预设时间,在达到预设时间时,同时获取一个或多个待预测应用系统对应的CPU数量、内存容量以及目标内存因子,实现自动化地对一个或多个应用系统的容量进行预测,本实施例中对此不加以限制,可以根据实际需求选择相应地方式。进一步地,本实施例中用户可以通过终端设备输入容量预测指令,也可以通过物理按键输入容量预测指令,还可以根据实际需求选择其他方式,本实施例中对此也不加以限制。
进一步地,本实施例中可以根据待预测应用系统的应用类型确定目标内存因子,具体地,待预测应用系统的应用类型包括内存型应用和纯计算型应用,目标内存因子的取值为0或1,如果待预测应用系统为内存型应用,则目标内存因子的取值为1,如果待预测应用系统为纯计算型应用,则目标内存因子的取值为0。
步骤S20:根据所述CPU数量、所述内存容量以及所述目标内存因子通过容量预测模型进行容量预测,得到预测结果。
需要说明的是,本实施例中是通过容量预测模型对应用系统的容量进行预测,将获取到的CPU数量、内存容量以及目标内存因子作为输入参数输入至容量预测模型中,容量预测模型根据输入的上述参数对待预测应用系统的容量进行预测,从而得到预测结果。本实施例中容量预测模型可以采用预设关系式,也可以采用神经网络模型,还可以根据实际情况选择其他模型作为容量预测模型,本实施例对此不加以限制。
步骤S30:根据所述预测结果确定所述待预测应用系统对应的预测容量。
易于理解的是,容量预测模型根据输入参数所输出的预设结果中包含应用系统的预测容量,在得到预测结果之后,可以从预测结果中直接提取出相应的预测容量。
本实施例通过获取待预测应用系统对应的CPU数量、内存容量以及目标内存因子;根据所述CPU数量、所述内存容量以及所述目标内存因子通过容量预测模型进行容量预测,得到预测结果;根据所述预测结果确定所述待预测应用系统对应的预测容量,通过容量预测模型根据CPU数量、内存容量以及目标内存因子对应用系统的容量进行预测,容量预测考虑到了应用系统的内存类型,提高了容量预测的准确性。
参考图3,图3为本发明一种应用系统的容量预测方法第二实施例的流程示意图。
基于上述第一实施例,本实施例应用系统的容量预测方法在所述步骤S20之前,还包括:
步骤S201:对历史应用系统进行性能压力测试。
需要说明的是,在进行容量预测之前,需要构建容量预测模型,本实施例中通过对历史应用系统进行性能压力测试,然后根据相应的测试结果构建容量预测模型,需要强调的是,所选取的历史应用系统的硬件资源需要包括CPU和内存,具体的CPU数量、内存容量大小以及内存对应的内存影响因子可以根据实际需求进行相应地选择,本实施例中对此不加以限制。本实施例中通过增大用户并发数的等方式对历史应用系统进行压力测试,例如设置将用户数从5万提高至10万,以增加历史应用系统运行时的性能压力。
在具体实施中,本实施例中是按照一定的步长对历史应用系统进行性能压力测试,即目标加压步长,在初始压力值的基础上按照目标加压步长逐渐增大压力,以完成对历史应用系统的性能压力测试。本实施例中目标加压步长是基于预测压测策略确定的,预设压测策略和初始压力值是测试之前已经设置完成,可以直接进行获取。
需要说明的是,本实施例中对历史应用系统进行的性能压力测试包括两个阶段,试探性压力测试即初始性能压力测试和正式压力测试,可以在对预测应用系统性能不了解的情况下,快速的对待预测应用系统进行性能压力测试,其中,上述所提及的预设压测策略即为对历史应用系统进行两个不同阶段的性能压力测试的策略。
在具体实现中,本实施例中在对历史应用系统进行初始压力测试时,是按照预设加压步长和初始压力值对历史应用系统进行初始性能压力测试,具体过程为在初始压力值的基础上按照预设加压步长逐渐增大压力,根据初始性能压力测试过程中吞吐量和响应时间值确定目标加压步长,其中,预设加压步长可以根据实际需求进行相应地设置,本实施例对此不加以限制。
进一步地,本实施例中为了更加准确合理地确定目标加压步长,可以按照如下方式实现。
在具体实现中,本实施例通过判断性能压力测试下吞吐量和响应时间值的变化情况确定目标加压步长,如果本次性能压力测试的当前吞吐量和当前响应时间值与上一次性能压力测试的历史吞吐量和历史响应时间值相比变化明显,则增大预设加压步长,按照增大后的预设加压步长与初始压力值对历史应用系统进行下一次性能压力测试,直至本次性能压力测试的吞吐量和响应时间值与上一次性能压力测试的吞吐量和响应时间值相比变化不明显,其中预设加压步长所增大的量可以根据实际情况进行相应地设置,本实施例对此不加以限制。如果本次性能压力测试的吞吐量和响应时间值与上一次性能压力测试的吞吐量和响应时间值相比变化不明显,则将本次预设加压步长作为目标加压步长。例如,假设初始压力值为P0,预设加压步长为P1,按照压力值P0+P1对历史应用系统进行第n次性能压力测试,然后将预设加压步长从P1增大为P2,然后再按照压力值P0+P2对历史应用系统进行第n+1次性能压力测试,如果完成第n次性能测试之后的吞吐量和响应时间值与完成第n+1次性能测试之后的吞吐量和响应时间值之间变化不明显,则将P2为目标加压步长。进一步地,如果完成第n次性能测试之后的吞吐量和响应时间值与完成第n+1次性能测试之后的吞吐量和响应时间值之间变化明显,则将预设加压步长从P1增大为P3,其中P3大于P2,然后按照压力值P0+P3对历史应用系统进行第n+2次性能压力测试,如果完成第n+1次性能测试之后的吞吐量和响应时间值与完成第n+2次性能测试之后的吞吐量和响应时间值之间变化不明显,则将P3作为目标加压步长。
需要说明的是,本实施例中是根据吞吐量差值和响应时间差值判断本次性能压力测试的当前吞吐量和当前响应时间值与上一次性能压力测试的历史吞吐量和历史响应时间值相比是否变化明显。具体地,在吞吐量差值和时间差值均小于预设差值阈值时,判定本次性能压力测试的当前吞吐量和当前响应时间值与上一次性能压力测试的历史吞吐量和历史响应时间值相比变化不明显。吞吐量差值可以根据当前吞吐量和历史吞吐量计算,例如当前吞吐量为T0,历史吞吐量为T1,则吞吐量差值为T0-T1/T1,其中,预设差值阈值可以设置为10%,也即T0-T1/T1<10%,则判定本次性能压力测试的当前吞吐量和当前响应时间值与上一次性能压力测试的历史吞吐量和历史响应时间值相比变化不明显,时间差值计算预上述吞吐量差值计算过程类似,本实施例中不再赘述,预设差值阈值还可以根据实际情况设置为其他值,本实施例中对此不加以限制。
步骤S202:在所述历史应用系统的性能压力达到目标压力时,获取所述历史应用系统对应的目标吞吐量、目标CPU使用率以及目标内存使用率。
需要说明的是,在对历史应用系统进行性能压力测试时,历史应用系统的吞吐量、CPU使用率以及内存使用率会随着压力的变化发生改变,压力越大CPU使用率越高以及内存使用率越高,其中吞吐量为TPS,表示单位时间内所接收到的请求数,TPS=用户并发数/平均响应时间,在用户并发数一定的情况下,如果应用系统的平均响应时间越短,则应用系统的承压能力越强,也即TPS越大,如果平均响应时间一定时,则用户并发数即用户数量越多时,TPS也就越大。例如将用户数从5万提高至10万时,由于用户数的增多,增加了历史应用系统的性能压力,应用系统的响应时间、CPU使用率以及内存使用率会随着历史应用系统的性能压力的增加而增加。
易于理解的是,历史应用系统所能接入的或者允许同时在线的用户数是有限的,受限于应用系统的响应时间、CPU使用率以及内存使用率,响应时间、CPU使用率以及内存使用率都具有相应的阈值。本实施例中在响应时间、CPU使用率以及内存使用率达到相应的阈值时,判定历史应用系统的性能压力达到目标压力,目标压力表示达到了历史应用系统所能承受的最大用户并发数,也说明历史应用系统达到性能极限,此时获取到的吞吐量、CPU使用率以及内存使用率即为历史应用系统对应的目标吞吐量、目标CPU使用率以及目标内存使用率。
在具体实施中,实时检测历史应用系统在进行性能压力测试过程中的当前CPU资源使用率、当前内存资源使用率以及当前响应时间值,然后将当前CPU资源使用率与预设CPU资源使用率阈值进行比较,将当前内存资源使用率与预设内存资源使用率阈值进行比较,以及将当前响应时间值与预设响应时间阈值进行比较,在所述当前CPU资源使用率大于等于预设CPU资源使用率阈值、当前内存资源使用率大于等于预设内存资源使用率阈值或当前响应时间值大于等于预设响应时间阈值时,上述条件满足其一即判定所述历史应用系统的性能压力达到目标压力,其中,预设CPU资源使用率阈值、预设内存资源使用率阈值以及预设响应时间阈值可以根据实际需求进行相应地设置,本实施例中对此不加以限制。
步骤S203:根据所述目标吞吐量、所述目标CPU使用率以及所述目标内存使用率构建容量预测模型。
在具体实施中,在确定目标吞吐量、目标CPU使用率以及目标内存使用率之后,将目标吞吐量、目标CPU使用率以及目标内存使用率代入预设关系中可以得到容量预测模型。进一步地,本实施例中还获取历史应用系统对应的CPU数量、内存容量以及历史内存因子,历史内存因子同样基于历史应用系统的类型确定,例如历史应用系统为内存型应用时,历史内存因子的取值为1,历史应用系统为纯计算型应用时,历史内存因子的取值为0,然后再将CPU数量、内存容量以及历史内存因子与目标吞吐量、所述目标CPU使用率以及目标内存使用率同时代入预设关系式中以构建容量预测模型。本实施例中预设关系式为COST=(N1*HZ1*RC1*+M1*RM1*X)/T1,其中,TPS为T1,CPU使用率为RC1,内存使用率RM1,CPU数量为N1,CPU频率为HZ1,内存大小为M1,对于相同交易或交易集合,完成其基础运行的单位交易成本应是不变的,即使在不同的环境运行,其所消耗的单位硬件资源也是基本恒定的,根据上述关系式可以计算出不同环境下应用系统对应的单元资源成本。容量预测模型为S=RC/COST,RC为应用系统对应的硬件资源,由CPU数量和内存容量等参数确定,预测不同应用系统的容量时,RC根据每个应用系统的实际情况会发生变化,但是COST属于一个恒定值,通过上述关系式,即容量预测模型可以预测各种不同配置的应用系统的容量。
本实施例通过对历史应用系统进行性能压力测试;在所述历史应用系统的性能压力达到目标压力时,获取所述历史应用系统对应的目标吞吐量、目标CPU使用率以及目标内存使用率;根据所述目标吞吐量、所述目标CPU使用率以及所述目标内存使用率构建容量预测模型,通过性能压力测试得到的目标吞吐量、所述目标CPU使用率以及所述目标内存使用率构建容量预测模型,提高了容量预测模型构建的准确性,从而间接提高应用系统容量预测的准确性。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有应用系统的容量预测程序,所述应用系统的容量预测程序被处理器执行时实现如上文所述的应用系统的容量预测方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案,因此至少具有上述实施例的技术方案所带来的所有有益效果,在此不再一一赘述。
参照图4,图4为本发明应用系统的容量预测装置第一实施例的结构框图。
如图4所示,本发明实施例提出的应用系统的容量预测装置包括:
获取模块10,用于获取待预测应用系统对应的CPU数量、内存容量以及目标内存因子。
输入模块20,用于根据所述CPU数量、所述内存容量以及所述目标内存因子通过容量预测模型进行容量预测,得到预测结果。
接收模块30,用于根据所述预测结果确定所述待预测应用系统对应的预测容量。
本实施例通过获取待预测应用系统对应的CPU数量、内存容量以及目标内存因子;根据所述CPU数量、所述内存容量以及所述目标内存因子通过容量预测模型进行容量预测,得到预测结果;根据所述预测结果确定所述待预测应用系统对应的预测容量,通过容量预测模型根据CPU数量、内存容量以及目标内存因子对应用系统的容量进行预测,容量预测考虑到了应用系统的内存类型,提高了容量预测的准确性。
在一实施例中,所述应用系统的容量预测装置还包括:构建模块;
所述构建模块,用于对历史应用系统进行性能压力测试;在所述历史应用系统的性能压力达到目标压力时,获取所述历史应用系统对应的目标吞吐量、目标CPU使用率以及目标内存使用率;根据所述目标吞吐量、所述目标CPU使用率以及所述目标内存使用率构建容量预测模型。
在一实施例中,所述构建模块,还用于获取历史应用系统对应的预设压测策略和初始压力值;根据所述预设压测策略确定目标加压步长;根据所述初始压力值和所述目标加压步长对所述历史应用系统进行性能压力测试。
在一实施例中,所述构建模块,还用于按照所述预设压测策略对应的预设加压步长和所述初始压力值对所述历史应用系统进行初始性能压力测试;获取本次初始性能压力测试中所述历史应用系统的当前吞吐量和当前响应时间值,以及上一次初始性能压力测试中所述历史应用系统的历史吞吐量和历史响应时间值;获取所述当前吞吐量和所述历史吞吐量之间的吞吐量差值,以及所述当前响应时间值和所述历史响应时间值之间的时间差值;在所述吞吐量差值和所述时间差值均小于预设差值阈值时,将所述预设加压步长作为目标加压步长。
在一实施例中,所述构建模块,还用于在所述吞吐量差值或所述时间差值大于等于预设差值阈值时,增大所述预设加压步长,直至所述吞吐量差值和所述时间差值均小于预设差值阈值;将增大后的预设加压步长作为目标加压步长。
在一实施例中,所述构建模块,还用于获取所述历史应用系统在进行性能压力测试过程中的当前CPU资源使用率、当前内存资源使用率以及当前响应时间值;在所述当前CPU资源使用率大于等于预设CPU资源使用率阈值、当前内存资源使用率大于等于预设内存资源使用率阈值或当前响应时间值大于等于预设响应时间阈值时,判定所述历史应用系统的性能压力达到目标压力。
在一实施例中,所述获取模块10,还用于获取待预测应用系统对应的应用类型;根据所述应用类型确定目标内存因子。
应当理解的是,以上仅为举例说明,对本发明的技术方案并不构成任何限定,在具体应用中,本领域的技术人员可以根据需要进行设置,本发明对此不做限制。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的应用系统的容量预测方法,此处不再赘述。
此外,需要说明的是,在本文中,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、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory,ROM)/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种应用系统的容量预测方法,其特征在于,所述应用系统的容量预测方法包括:
获取待预测应用系统对应的CPU数量、内存容量以及目标内存因子;
根据所述CPU数量、所述内存容量以及所述目标内存因子通过容量预测模型进行容量预测,得到预测结果;
根据所述预测结果确定所述待预测应用系统对应的预测容量。
2.如权利要求1所述的应用系统的容量预测方法,其特征在于,所述根据所述CPU数量、所述内存容量以及所述目标内存因子通过容量预测模型进行容量预测,得到预测结果之前,还包括:
对历史应用系统进行性能压力测试;
在所述历史应用系统的性能压力达到目标压力时,获取所述历史应用系统对应的目标吞吐量、目标CPU使用率以及目标内存使用率;
根据所述目标吞吐量、所述目标CPU使用率以及所述目标内存使用率构建容量预测模型。
3.如权利要求2所述的应用系统的容量预测方法,其特征在于,所述对历史应用系统进行性能压力测试,包括:
获取历史应用系统对应的预设压测策略和初始压力值;
根据所述预设压测策略确定目标加压步长;
根据所述初始压力值和所述目标加压步长对所述历史应用系统进行性能压力测试。
4.如权利要求3所述的应用系统的容量预测方法,其特征在于,所述根据所述预设压测策略确定目标加压步长,包括:
按照所述预设压测策略对应的预设加压步长和所述初始压力值对所述历史应用系统进行初始性能压力测试;
获取本次初始性能压力测试中所述历史应用系统的当前吞吐量和当前响应时间值,以及上一次初始性能压力测试中所述历史应用系统的历史吞吐量和历史响应时间值;
获取所述当前吞吐量和所述历史吞吐量之间的吞吐量差值,以及所述当前响应时间值和所述历史响应时间值之间的时间差值;
在所述吞吐量差值和所述时间差值均小于预设差值阈值时,将所述预设加压步长作为目标加压步长。
5.如权利要求4所述的应用系统的容量预测方法,其特征在于,所述获取所述当前吞吐量和所述历史吞吐量之间的吞吐量差值,以及所述当前响应时间值和所述历史响应时间值之间的时间差值之后,还包括:
在所述吞吐量差值或所述时间差值大于等于预设差值阈值时,增大所述预设加压步长,直至所述吞吐量差值和所述时间差值均小于预设差值阈值;
将增大后的预设加压步长作为目标加压步长。
6.如权利要求2所述的应用系统的容量预测方法,其特征在于,所述在所述历史应用系统的性能压力达到目标压力时,获取所述历史应用系统对应的目标吞吐量、目标CPU使用率以及目标内存使用率之前,还包括:
获取所述历史应用系统在进行性能压力测试过程中的当前CPU资源使用率、当前内存资源使用率以及当前响应时间值;
在所述当前CPU资源使用率大于等于预设CPU资源使用率阈值、当前内存资源使用率大于等于预设内存资源使用率阈值或当前响应时间值大于等于预设响应时间阈值时,判定所述历史应用系统的性能压力达到目标压力。
7.如权利要求1至6中任一项所述的应用系统的容量预测方法,其特征在于,所述获取待预测应用系统对应的CPU数量、内存容量以及目标内存因子之前,还包括:
获取待预测应用系统对应的应用类型;
根据所述应用类型确定目标内存因子。
8.一种应用系统的容量预测装置,其特征在于,所述应用系统的容量预测装置包括:
获取模块,用于获取待预测应用系统对应的CPU数量、内存容量以及目标内存因子;
输入模块,用于根据所述CPU数量、所述内存容量以及所述目标内存因子通过容量预测模型进行容量预测,得到预测结果;
接收模块,用于根据所述预测结果确定所述待预测应用系统对应的预测容量。
9.一种应用系统的容量预测设备,其特征在于,所述应用系统的容量预测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的应用系统的容量预测程序,所述应用系统的容量预测程序配置为实现如权利要求1至7中任一项所述的应用系统的容量预测方法。
10.一种存储介质,其特征在于,所述存储介质上存储有应用系统的容量预测程序,所述应用系统的容量预测程序被处理器执行时实现如权利要求1至7任一项所述的应用系统的容量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110899305.0A CN113742187A (zh) | 2021-08-05 | 2021-08-05 | 应用系统的容量预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110899305.0A CN113742187A (zh) | 2021-08-05 | 2021-08-05 | 应用系统的容量预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113742187A true CN113742187A (zh) | 2021-12-03 |
Family
ID=78730215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110899305.0A Pending CN113742187A (zh) | 2021-08-05 | 2021-08-05 | 应用系统的容量预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113742187A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115904616A (zh) * | 2022-11-04 | 2023-04-04 | 北京天融信网络安全技术有限公司 | 虚拟机热迁移方法、装置、设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007265244A (ja) * | 2006-03-29 | 2007-10-11 | Nomura Research Institute Ltd | ウェブシステムの性能監視装置 |
CN104866408A (zh) * | 2014-02-20 | 2015-08-26 | 阿里巴巴集团控股有限公司 | 一种应用系统的容量预测方法和装置 |
CN108874637A (zh) * | 2017-05-09 | 2018-11-23 | 北京京东尚科信息技术有限公司 | 一种压力测试的方法、系统、电子设备和可读存储介质 |
CN109213965A (zh) * | 2018-08-02 | 2019-01-15 | 平安科技(深圳)有限公司 | 一种系统容量预测方法、计算机可读存储介质及终端设备 |
CN109543891A (zh) * | 2018-11-09 | 2019-03-29 | 深圳前海微众银行股份有限公司 | 容量预测模型的建立方法、设备及计算机可读存储介质 |
CN110445939A (zh) * | 2019-08-08 | 2019-11-12 | 中国联合网络通信集团有限公司 | 容量资源的预测方法及装置 |
CN111414300A (zh) * | 2020-03-27 | 2020-07-14 | 北京字节跳动网络技术有限公司 | 一种对服务器进行压力测试的方法及装置 |
-
2021
- 2021-08-05 CN CN202110899305.0A patent/CN113742187A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007265244A (ja) * | 2006-03-29 | 2007-10-11 | Nomura Research Institute Ltd | ウェブシステムの性能監視装置 |
CN104866408A (zh) * | 2014-02-20 | 2015-08-26 | 阿里巴巴集团控股有限公司 | 一种应用系统的容量预测方法和装置 |
CN108874637A (zh) * | 2017-05-09 | 2018-11-23 | 北京京东尚科信息技术有限公司 | 一种压力测试的方法、系统、电子设备和可读存储介质 |
CN109213965A (zh) * | 2018-08-02 | 2019-01-15 | 平安科技(深圳)有限公司 | 一种系统容量预测方法、计算机可读存储介质及终端设备 |
CN109543891A (zh) * | 2018-11-09 | 2019-03-29 | 深圳前海微众银行股份有限公司 | 容量预测模型的建立方法、设备及计算机可读存储介质 |
CN110445939A (zh) * | 2019-08-08 | 2019-11-12 | 中国联合网络通信集团有限公司 | 容量资源的预测方法及装置 |
CN111414300A (zh) * | 2020-03-27 | 2020-07-14 | 北京字节跳动网络技术有限公司 | 一种对服务器进行压力测试的方法及装置 |
Non-Patent Citations (1)
Title |
---|
常润梅;孟利青;刘万军;: "电信企业云计算数据中心容量管理", 辽宁工程技术大学学报(自然科学版), no. 08, pages 1112 - 1117 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115904616A (zh) * | 2022-11-04 | 2023-04-04 | 北京天融信网络安全技术有限公司 | 虚拟机热迁移方法、装置、设备及介质 |
CN115904616B (zh) * | 2022-11-04 | 2023-11-10 | 北京天融信网络安全技术有限公司 | 虚拟机热迁移方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109753356A (zh) | 一种容器资源调度方法、装置及计算机可读存储介质 | |
CN106899660A (zh) | 基于滚动灰色预测模型的云数据中心节能调度实现方法 | |
CN107943579B (zh) | 资源瓶颈预测方法、设备、系统及可读存储介质 | |
CN109614227A (zh) | 任务资源调配方法、装置、电子设备及计算机可读介质 | |
CN110083518B (zh) | 一种基于AdaBoost-Elman的虚拟机软件老化预测方法 | |
CN112700131B (zh) | 基于人工智能的ab测试方法、装置、计算机设备及介质 | |
CN111598494A (zh) | 资源额度的调整方法、装置及电子设备 | |
CN111967543A (zh) | 用户资源配额确定方法、装置及电子设备 | |
CN113256108A (zh) | 人力资源分配方法、装置、电子设备及存储介质 | |
CN111565216A (zh) | 一种后端负载均衡方法、装置、系统及存储介质 | |
CN113378498B (zh) | 一种任务分配方法及装置 | |
CN113742187A (zh) | 应用系统的容量预测方法、装置、设备及存储介质 | |
CN113742069A (zh) | 基于人工智能的容量预测方法、装置及存储介质 | |
CN112488865A (zh) | 基于金融时间节点的金融风险预测方法、装置和电子设备 | |
CN115660328A (zh) | 基于互联网的多人协同线上办公管理方法及系统 | |
CN112862570A (zh) | 商显产业链交易推荐方法、装置、设备、存储介质及系统 | |
CN114240395A (zh) | 一种资源交付方法、装置、计算机设备及存储介质 | |
CN113592160A (zh) | 基于融合处理的用户设备的失联风险预测方法、系统和计算机设备 | |
CN112508631A (zh) | 用户策略分配方法、装置及电子设备 | |
CN113342604A (zh) | 内存使用率的检测方法、装置、终端及存储介质 | |
Araujo et al. | Availability and Reliability Modeling of Mobile Cloud Architectures | |
CN115759801A (zh) | 指标数据测算方法、平台、设备及计算机可读存储介质 | |
CN112801144B (zh) | 资源分配方法、装置、计算机设备及存储介质 | |
CN110716830B (zh) | 一种压测机选择方法、装置、电子设备及存储介质 | |
CN112115036A (zh) | 集群容量预测方法及装置 |
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 |