CN113949624B - 链路采样数的分配方法、装置、设备及介质 - Google Patents
链路采样数的分配方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113949624B CN113949624B CN202111095230.7A CN202111095230A CN113949624B CN 113949624 B CN113949624 B CN 113949624B CN 202111095230 A CN202111095230 A CN 202111095230A CN 113949624 B CN113949624 B CN 113949624B
- Authority
- CN
- China
- Prior art keywords
- target
- link
- data
- sampling
- application
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
- H04L47/83—Admission control; Resource allocation based on usage prediction
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/069—Management of faults, events, alarms or notifications using logs of notifications; Post-processing of notifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
- H04L47/80—Actions related to the user profile or the type of traffic
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请公开了一种链路采样数的分配方法、装置、设备及介质,涉及互联网领域。该方法包括:获取目标应用的实时流量数据、历史流量数据和存储资源配额;基于历史流量数据和存储资源配额,确定目标采样方式;基于目标采样方式和实时流量数据确定目标采样数;以目标采样数对目标链路进行链路采集,得到链路数据;基于链路数据生成目标应用的检测日志,检测日志用于对目标应用进行故障检测。通过实时流量数据、历史流量数据以及预分配的存储资源配额共同确定用于链路采集的目标采样数,提高了对应用的链路采样资源分配的合理性,在降低链路采样资源消耗的同时提高了应用故障检测的效率。
Description
技术领域
本申请涉及互联网领域,特别涉及一种链路采样数的分配方法、装置、设备及介质。
背景技术
目标应用在为用户提供功能服务时,其背后的数据交互复杂,调用的服务器节点数量和服务数量众多,服务之间存在复杂的组网和调用关系。为了对服务处理的异常情况进行分析并解决,因此需要通过链路追踪确定服务间的调用关系以及各个服务节点的响应时长,以帮助技术人员对解决服务系统中存在的故障。
常用的链路追踪包括全链路追踪框架和固定采样链路追踪。全链路追踪为对每个请求都开启链路追踪。固定采样链路追踪为以固定的采样率对请求进行链路追踪,例如,采集总请求数中的1/100的请求,或每秒采集3条请求。
然而,以全链路追踪因对每个请求均会开启追踪,必然会对应用系统的性能带来一定的影响,同时链路追踪产生的庞大数据量也会占用大量的存储资源。而以固定采样率进行采样的链路追踪方式,其对应的采样数据相对比较随机,无法满足技术人员对系统的维护需求。
发明内容
本申请实施例提供了一种链路采样数的分配方法、装置、设备及介质,能够提高应用的链路采样资源分配的合理性。所述技术方案如下:
一方面,提供了一种链路采样数的分配方法,所述方法包括:
获取目标应用的实时流量数据、历史流量数据和存储资源配额,所述目标应用为待分配采样资源的应用,所述存储资源配额为预分配的用于存储链路数据的存储资源情况,所述链路数据为在预设时段内对目标链路进行链路采集得到的数据,所述目标链路与所述目标应用对应,所述实时流量数据和所述历史流量数据具有相关的时间特性;
基于所述历史流量数据和所述存储资源配额,确定目标采样方式;
基于所述目标采样方式和所述实时流量数据确定目标采样数;
以所述目标采样数对所述目标链路进行链路采集,得到所述链路数据;
基于所述链路数据生成所述目标应用的检测日志,所述检测日志用于对所述目标应用进行故障检测。
另一方面,提供了一种链路采样数的分配装置,所述装置包括:
获取模块,用于应用获取目标应用的实时流量数据、历史流量数据和存储资源配额,所述目标应用为待分配采样资源的应用,所述存储资源配额为预分配的用于存储链路数据的存储资源情况,所述链路数据为在预设时段内对目标链路进行链路采集得到的数据,所述目标链路与所述目标应用对应,所述实时流量数据和所述历史流量数据具有相关的时间特性;
确定模块,用于基于所述历史流量数据和所述存储资源配额,确定目标采样方式;
所述确定模块,还用于基于所述目标采样方式和所述实时流量数据确定目标采样数;
采集模块,用于以所述目标采样数对所述目标链路进行链路采集,得到所述链路数据;
生成模块,用于基于所述链路数据生成所述目标应用的检测日志,所述检测日志用于对所述目标应用进行故障检测。
另一方面,提供了一种计算机设备,所述终端包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现本申请实施例中任一所述的链路采样数的分配方法。
另一方面,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条程序代码,所述程序代码由处理器加载并执行以实现本申请实施例中任一所述的链路采样数的分配方法。
另一方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述实施例中任一所述的链路采样数的分配方法。
本申请的提供的技术方案至少包括以下有益效果:
通过根据目标应用的历史流量数据和存储资源配额确定针对目标链路的目标采样方式,再基于目标应用的实时流量数据确定与目标采样方式对应的目标采样数,根据该目标采样数对目标链路进行链路采集,以得到用于生成检测日志的链路数据,实现对目标应用响应用户请求时的链路追踪。即能够根据目标应用的实际场景对链路追踪的资源进行配置,在保证存储资源足够的情况下,自适应地调整链路采样资源的分配,提高了链路采样资源分配的合理性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一个示例性实施例提供的计算机系统的结构框图;
图2是本申请一个示例性实施例提供的链路采样数的分配方法流程图;
图3是本申请一个示例性实施例提供的采样函数单元示意图;
图4是本申请另一个示例性实施例提供的链路采样数的分配方法流程图;
图5是本申请一个示例性实施例提供的目标应用服务端、追踪资源分配段、链路追踪服务端之间的数据交互示意图;
图6是本申请另一个示例性实施例提供的链路采样数的分配方法流程图;
图7是本申请一个示例性实施例提供的链路采样数的分配装置的框图;
图8是本申请另一个示例性实施例提供的链路采样数的分配装置的框图;
图9是本申请一个示例性实施例提供的服务器的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
首先,对本申请实施例中的应用场景进行说明:
随着微服务架构的发展,越来越多的应用采用分布式架构和/或云计算服务来为用户提供功能服务,通过将整个系统拆分为多个服务节点,每个服务节点对应不同的功能,服务节点之间分工明确,整个系统内的数据交互不再是复杂的耦合状态,提升了资源利用率。
然而,在微服务架构下,由于整个应用分散为多个服务,对应的物理服务器节点数量较大,服务之间存在复杂的组网和调用关系,若出现服务故障,则可能产生雪崩效用,导致整个系统出现故障。因此,在微服务架构下的故障点定位是个问题。
在高并发分布式的场景下,服务故障可能是突然发生的,因此需要建立监控体系对服务故障进行预警。因此,需要链路追踪来记录用户请求涉及的内部服务调用关系以及各个服务节点的响应时长,以帮助技术人员对服务故障进行定位。
常用的链路追踪包括全链路追踪框架和固定采样链路追踪。其中,全链路追踪为对每个请求都开启链路追踪,即对应的采样率为100%;固定采样链路追踪为以固定的采样率对请求进行链路追踪,例如,采集总请求数中的1/100的请求,或每秒采集3条请求。全链路跟踪的全量采样虽然能够防止一些偶发链路数据的遗漏,但会对应用系统的性能带来一定的影响,同时链路追踪产生的庞大数据量也会占用大量的存储资源。而以固定采样率进行采样的链路追踪方式,其对应的采样数据相对比较随机,无法满足技术人员对系统的维护需求。
因此,本申请实施例提供了一种链路采样数的分配方法,该方法能够基于实时流量数据、历史流量数据、存储资源配额,对目标应用的采样数进行分配,实现采样率的自适应,提高了对应用的链路采样资源分配的合理性,在降低链路采样资源消耗的同时提高了应用故障检测的效率。
结合上述应用场景,对本申请实施例的实施环境进行说明。
请参考图1,其示出了本申请一个示例性实施例提供的计算机系统的结构框图。该计算机系统包括:目标应用服务端110和链路追踪端120,其中,链路追踪端120还包括追踪资源分配端121和链路追踪服务端122。
目标应用服务端110由目标应用为用户提供功能服务的各个服务节点组成。目标应用服务端110向链路追踪端120提供目标应用的流量数据,该流量数据包括实时流量数据和历史流量数据,链路追踪端120根据目标采样数对目标应用服务端110的请求响应过程进行链路追踪。
示意性的,该目标应用服务端110对应有多个服务节点,该目标应用服务端110可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
上述目标应用服务端110还可以实现为区块链系统中的节点。区块链(Blockchain)是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链,本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。
链路追踪端120用于对目标应用进行链路追踪,生成对应的检测日志,该检测日志用于提供给技术人员对目标应用进行故障检测。其中,追踪资源分配端121用于对目标应用的链路追踪资源进行分配,链路追踪服务端122用于根据追踪资源分配端121提供的链路追踪资源设定,对目标应用服务端110进行链路追踪。
示意性的,链路追踪端120可以与一个目标应用服务端110连接,也可以与多个目标应用服务端110连接,在此不进行限定。
示意性的,链路追踪端120可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。链路追踪端120和目标应用服务端110还可以是实现于同一服务器中,在此不进行限定。
目标应用服务端110和链路追踪端120之间通过通信网络建立连接,该通信网络可以是无线网络,也可以是有线网络。
请参考图2,其示出了本申请一个实施例示出的链路采样数的分配方法,在本申请实施例中,以该方法应用于如图1所示的链路追踪端中,该方法包括:
步骤201,获取目标应用的实时流量数据、历史流量数据和存储资源配额。
目标应用为待分配采样资源的应用,目标链路与目标应用对应。示意性的,目标应用以微服务架构实现,目标应用对应有多个应用服务节点。链路追踪端可以用于为一个目标应用提供链路追踪服务,也可以为多个目标应用提供链路追踪服务,在此不进行限定。目标链路为目标应用服务端处理用户请求时,对应的各个服务节点之间的路径。
目标应用的流量数据用于指示目标应用处理的请求数量。示意性的,流量数据包括但不限于每秒查询率(Queries Per Second,QPS)、每秒处理事务数(Transactions PerSecond,TPS)。其中,QPS是指目标应用的服务器系统每秒能够响应的查询次数,是对应用服务器系统在规定时间内所处理流量多少的衡量标准,即每秒的响应用户请求数,其用于表示应用服务器系统的最大吞吐能力。事务是指一个用户终端向应用服务器系统发送用户请求,由应用服务器系统做出反应的过程,TPS的计算方式为从用户终端在发送用户请求时开始计时,到收到应用服务器系统的响应后结束计时,以此来计算整个请求处理过程所使用的时间以及完成的事务个数。
链路追踪端从目标应用服务端获取实时流量数据和历史流量数据。
示意性的,该实时流量数据为目标应用的实时QPS,该实时QPS的获取方法可以通过记录预设数量的用户请求对应的总时长来确定,例如,记录一百个用户请求对应的时长为0.5秒,则计算得到的实时QPS为200。
示意性的,该历史流量数据为目标应用的历史QPS,该历史QPS可以是目标应用某个历史时刻对应的QPS,也可以是目标应用在某个历史时间段内的QPS均值。在本申请实施例中,实时流量数据和历史流量数据具有相关的时间特性,示意性的,实时QPS对应有当天的时刻数据,获取的历史QPS为目标应用在历史时段内,与上述时刻数据对应的时刻的QPS均值,例如,该实时QPS为当天7:00目标应用的QPS,则历史QPS由前七天内的每天7:00对应的QPS计算均值得到。
存储资源配额为预分配的用于存储链路数据的存储资源情况,链路数据为在预设时段内对目标链路进行链路采集得到的数据。链路追踪端会对目标应用的链路数据对应的存储资源进行预分配。示意性的,链路追踪端可以根据目标应用的服务节点数进行存储资源的分配,即链路追踪端获取目标应用对应的服务节点数,根据该服务节点数确定存储资源配额。示意性的,链路追踪端还可以根据历史存储资源消耗来确定存储资源配额,在一个示例中,获取目标历史时段内历次对目标应用进行链路追踪时的存储资源消耗数据,并计算平均存储资源消耗,以该计算得到的存储资源消耗均值作为存储资源配额。
步骤202,基于历史流量数据和存储资源配额,确定目标采样方式。
通过历史流量数据和存储资源配额确定目标应用对应的目标采样方式。示意性的,该目标采样方式包括全量采样方式、固定采样方式、自适应采样方式中的至少一种。
在一些实施例中,根据历史流量数据和存储资源配额之间的关系确定目标采样方式。
可选的,当历史流量数据对应的存储资源消耗远小于存储资源配额时,选择全量采样方式作为目标应用的目标采样方式。
可选的,当目标历史时段内历史流量数据对应的变化较小时,选择固定采样方式;当目标历史时段内历史流量数据对应的变化较大时,选择自适应采样方式。
在本申请实施例中,以目标采样方式为自适应采样方式为例进行说明。根据历史流量数据和存储资源配额确定用于计算目标采样数的目标采样函数,示意性的,目标采样函数的确定过程包括:获取资源降本指标,资源降本指标用于指示存储资源情况的调整要求;基于资源降本指标和历史流量数据,确定资源降本目标值;基于存储资源配额确定目标最大值和目标最小值,目标最大值用于指示对目标链路进行链路采集的最大采样数,目标最小值用于指示对目标链路进行链路采集的最小采样数;基于资源降本目标值、目标最大值和目标最小值,生成目标采样函数。该目标采样函数是以实时流量数据为遍历的采样函数。
示意性的,链路追踪端中的追踪资源分配端中设置有采样函数单元,该采样函数单元用于根据输入的历史流量数据和存储资源配额生成对应的目标采样函数。如图3所示,历史流量数据301和存储资源配额302输入至采样函数单元310中,输出目标采样函数f(QPS)303。
步骤203,基于目标采样方式和实时流量数据确定目标采样数。
示意性的,将实时流量数据代入目标采样函数,得到目标采样数。
示意性的,该实时流量数据为根据记录的预设数量的用户请求对应的总时长确定的实时QPS,根据该实时QPS计算的到的目标采样数应用于下一批预设数量的用户请求对应的目标链路的链路采集中。
步骤204,以目标采样数对目标链路进行链路采集,得到链路数据。
链路追踪端中的追踪资源分配端将求取得到的目标采样数上报至链路追踪服务端,由链路追踪服务端根据该目标采样数对目标链路进行链路采集,得到对应的链路数据。
步骤205,基于链路数据生成目标应用的检测日志。
检测日志用于对目标应用进行故障检测。
示意性的,链路追踪服务端将该检测日志与目标应用对应的应用标识、链路采集时间进行对应存储。目标应用服务端可以从链路追踪服务端读取目标应用对应的检测日志。
综上所述,本申请实施例提供的链路采样数的分配方法,通过根据目标应用的历史流量数据和存储资源配额确定针对目标链路的目标采样方式,再基于目标应用的实时流量数据确定与目标采样方式对应的目标采样数,根据该目标采样数对目标链路进行链路采集,以得到用于生成检测日志的链路数据,实现对目标应用响应用户请求时的链路追踪。即能够根据目标应用的实际场景对链路追踪的资源进行配置,在保证存储资源足够的情况下,自适应地调整链路采样资源的分配,提高了链路采样资源分配的合理性。
请参考图4,其示出了本申请一个实施例示出的链路采样数的分配方法,在本申请实施例中,对目标采样函数的确定进行说明,该方法包括:
步骤401,获取目标应用的实时流量数据、历史流量数据、存储资源配额和资源降本指标。
目标应用为待分配采样资源的应用,目标链路与目标应用对应。目标应用的流量数据用于指示目标应用处理的请求数量。示意性的,流量数据包括但不限于QPS、TPS。
示意性的,该实时流量数据为目标应用的实时QPS,该实时QPS的获取方法可以通过记录预设数量的用户请求对应的总时长来确定。该历史流量数据为目标应用的历史QPS,该历史QPS可以是目标应用某个历史时刻对应的QPS,也可以是目标应用在某个历史时间段内的QPS均值。
存储资源配额为预分配的用于存储链路数据的存储资源情况,链路数据为在预设时段内对目标链路进行链路采集得到的数据。
资源降本指标用于指示存储资源情况的调整要求。示意性的,该资源降本指标可以是系统预设的,也可是人工配置的。
示意性的,上述历史流量数据、存储资源配额、资源降本指标可以是从目标应用服务端获取的,也可以是从链路追踪服务端获取的。即历史流量数据、存储资源配额、资源降本指标均是从服务端获取的,在一个示例中,接收服务端下发的历史流量数据和存储资源配额,该服务端用于记录目标应用的历史流量数据,服务端还用于对存储资源进行监控,并对存储资源配额进行调整;接收目标应用的服务器发送的应用处理数据;对应用处理数据进行计算得到实时流量数据。即,服务端可以通过监控存储资源的使用情况,动态变更存储资源配额,从而实现动态调整目标采样函数,以实现采样资源的自适应分配。
在一个示例中,以历史流量数据、存储资源配额、资源降本指标是从链路追踪服务端获取的为例,请参考图5,其示出了目标应用服务端510、追踪资源分配端520和链路追踪服务端530之间的数据交互,目标应用服务端510将目标应用的请求处理511上报至追踪资源分配端520,追踪资源分配端520执行实时QPS的计算521,然后进行目标采样数计算522,对计算得到的目标采样数进行判定,确定是否小于当前每秒采样数523,若是,则进行链路上报524,即将目标采样数发送至链路追踪服务端530,由链路追踪服务端530进行链路采集531。其中,链路追踪服务端530还进行存储资源监控532、历史QPS均值统计533和存储资源降本指标534的确定,链路追踪服务端530将参数下发535至追踪资源分配端520的采样函数单元525,由采样函数单元525生成对应的目标采样函数。
步骤402,基于资源降本指标和历史流量数据,确定资源降本目标值。
示意性的,确定目标历史时段内的历史流量数据的均值,将资源降本指标与该均值相乘,得到资源降本目标值。示意性的,该均值可以是目标历史时段内所有历史QPS的均值,也可以是目标历史时段内与实时QPS的获取时刻对应的历史时刻的QPS均值。在一个示例中,历史QPS的均值为200,对应的资源降本指标为降低40%,则对应为QPS为200时,对应的采样数为120。
步骤403,基于存储资源配额确定目标最大值和目标最小值。
目标最大值用于指示对目标链路进行链路采集的最大采样数,目标最小值用于指示对目标链路进行链路采集的最小采样数。
在QPS很大的情况下,若随着QPS的增加无限制地增加每秒采样数,则对输入输出接口以及存储资源均会造成较大压力。因此,只需保证一个较大的固定每秒采样数就可以满足保留足够请求样本的目的,即确定一个目标最大值。
示意性的,由于目标最大值max(f(QPS))、预分配D天的链路追踪存储资源S和平均追踪信息字节大小B之间存在如公式一的关系,因此可以从公式一转换得到目标最大值max(f(QPS))的计算公式,即公式二。
公式一:S=(B*3600*24*D)*max(f(QPS))
公式二:S/(B*3600*24*D)
在一个示例中,存储资源配额指示预分配的3天的链路追踪存储资源为520GB、平均追踪个信息字节大小为1KB,则根据公式二得到的max(f(QPS))为2000。
为了对低流量的应用尽可能公平,保证样本的充分,约定当目标应用的QPS小于等于目标最小值时,采样率为百分之百,即执行全量采样。目标最小值可以基于目标最大值确定,在一个示例中,目标最小值为目标最大值的1/20。该目标最小值也可以是一个系统预设的值,在此不进行限定。
步骤404,基于资源降本目标值、目标最大值和目标最小值,生成目标采样函数。
示意性的,建立初始采样函数,初始采样函数包括至少一个预设参数;将资源降本目标值、目标最大值和目标最小值代入初始采样函数,确定预设参数对应的目标值;将预设参数对应的目标值代入初始采样函数,得到目标采样函数。
在一个示例中,建立的初始采样函数为一元二次函数,示意性的,初始采样函数f(QPS)=a*QPS2+b*QPS+c,其中,QPS为实时流量数据,即该初始采样函数的变量,a、b、c为预设参数。当历史QPS为200,资源降本目标值为120时,各个参数之间的关系为40000a+200b+c=120;当设定的目标最小值为10时,各个参数之间的关系为100a+10b+c=10;当确定的目标最大值为2000时,各个参数之间的关系为4000a+b=0。则对应能够求得a=-0.00015,b=0.611,c=3.905,对应生成的目标采样函数为f(QPS)=-0.00015QPS^2+0.611QPS+3.905。
步骤405,将实时流量数据代入目标采样函数,得到目标采样数。
示意性的,将实时流量数据代入目标采样函数,得到目标采样数。
示意性的,该实时流量数据为根据记录的预设数量的用户请求对应的总时长确定的实时QPS,根据该实时QPS计算的到的目标采样数应用于下一批预设数量的用户请求对应的目标链路的链路采集中。
步骤406,以目标采样数对目标链路进行链路采集,得到链路数据。
链路追踪端中的追踪资源分配端将求取得到的目标采样数上报至链路追踪服务端,由链路追踪服务端根据该目标采样数对目标链路进行链路采集,得到对应的链路数据。
步骤407,基于链路数据生成目标应用的检测日志。
检测日志用于对目标应用进行故障检测。
示意性的,链路追踪服务端将该检测日志与目标应用对应的应用标识、链路采集时间进行对应存储。目标应用服务端可以从链路追踪服务端读取目标应用对应的检测日志。
综上所述,本申请实施例提供的链路采样数的分配方法,通过根据目标应用的历史流量数据和存储资源配额确定针对目标链路的目标采样方式,再基于目标应用的实时流量数据确定与目标采样方式对应的目标采样数,根据该目标采样数对目标链路进行链路采集,以得到用于生成检测日志的链路数据,实现对目标应用响应用户请求时的链路追踪。即能够根据目标应用的实际场景对链路追踪的资源进行配置,在保证存储资源足够的情况下,自适应地调整链路采样资源的分配,提高了链路采样资源分配的合理性。
请参考图6,其示出了本申请一个实施例示出的链路采样数的分配方法,在本申请实施例中,通过机器学习得到的目标预测模型对目标应用当天的流量进行预测,以实现链路采样数的分配。该方法包括:
步骤601,获取目标应用的实时流量数据、历史流量数据、资源降本指标。
目标应用为待分配采样资源的应用,目标链路与目标应用对应。目标应用的流量数据用于指示目标应用处理的请求数量。示意性的,流量数据包括但不限于QPS、TPS。
示意性的,该实时流量数据为目标应用的实时QPS,该实时QPS的获取方法可以通过记录预设数量的用户请求对应的总时长来确定。该历史流量数据为目标应用的目标历史时段内的QPS。在本申请实施例中,该历史流量数据中包括目标历史时段内多个时间点的QPS数据以及对应的存储资源数据,该存储资源数据用于指示对目标链路进行链路采集时对应的存储资源消耗。
资源降本指标用于指示存储资源情况的调整要求。示意性的,该资源降本指标可以是系统预设的,也可是人工配置的。
步骤602,对历史流量数据进行聚类,得到目标预测模型。
目标预测模型用于预测对目标链路进行链路采集时的目标资源消耗。
示意性的,目标预测模型的训练方法可以包括:获取历史流量数据中目标时段的每日流量数据作为第一样本数据;对第一样本数据进行聚类,得到第一曲线特征,第一曲线特征用于指示目标应用的历史流量情况;获取历史流量数据中目标时段的每日存储资源数据作为第二样本数据;对第二样本数据进行聚类,得到第二曲线特征,第二曲线特征用于指示目标应用的历史存储资源消耗情况;基于目标时段对应的日期特征、第一曲线特征和第二曲线特征,确定目标预测模型。示意性的,对历史流量数据的聚类算法可以是k均值聚类算法(K-means Clustering Algorithm,K-means)、均值漂移聚类算法、基于密度的聚类算法(Density-Based Spatial Clustering of Application with Noise,DBSCAN)、期望最大化聚类算法等聚类算法中的至少一种。
示意性的,可以根据流量数据对应的日期特征来训练得到目标预测模型。在一个示例中,将日期按照普通日期、周末日期、节假日日期等进行分类,以作为日期特征,然后根据得到的日期特征和曲线分类结果进行聚类,得到目标预测模型。即,对第一曲线特征和第二曲线特征进行曲线分类,得到曲线分类结果;对目标时段对应的日期进行分类,确定日期特征;对日期特征和曲线分类结果进行聚类,得到目标预测模型。
步骤603,基于目标资源消耗确定存储资源配额。
通过目标预测模型对目标链路进行链路采集时目标资源消耗进行预测,根据该预测的目标资源消耗确定对应的存储资源配额,即通过预测当天的资源消耗来自动合理分配存储资源配额,当存在多个应用需要进行链路追踪时,能够使得资源的分配更合理。
步骤604,通过目标预测模型对目标应用当天的流量进行预测,确定预测均值。
该预测均值为根据当天日期通过目标预测模型预测得到的流量均值,即通过该目标预测模型还可以对目标应用当天的流量进行预测,即基于历史流量数据和日期特征之间的关系,对当天日期对应的流量进行估计,以确定预测均值。
步骤605,将资源降本指标和预测均值相乘,得到资源降本目标值。
根据资源降本指标和预测均值的乘积得到资源降本目标值,例如,预测得到的当天QPS均值为200,资源降本指标为降低40%,则对应的资源降本目标值为120。
步骤606,基于存储资源配额确定目标最大值和目标最小值。
步骤607,基于资源降本目标值、目标最大值和目标最小值,生成目标采样函数。
步骤608,将实时流量数据代入目标采样函数,得到目标采样数。
步骤609,以目标采样数对目标链路进行链路采集,得到链路数据。
步骤610,基于链路数据生成目标应用的检测日志。
在本申请实施例中,步骤606~步骤610与步骤403~步骤407相同,在此不进行赘述。
综上所述,本申请实施例提供的链路采样数的分配方法,通过历史流量数据训练得到能够根据日期特征预测当天流量数据的目标预测模型,基于目标预测模型对目标应用当天的流量以及存储资源消耗进行预测,并根据预测均值和资源降本指标确定资源降本目标值,根据存储资源消耗确定存储资源配额,根据资源降本目标值、存储资源配额确定对应的目标采样函数,根据目标采样函数确定用于针对目标链路的链路采集的目标采样数,以目标采样数对目标链路进行链路采集,得到用于生成检测日志的链路数据,实现对目标应用响应用户请求时的链路追踪。即能够根据目标应用的实际场景对链路追踪的资源进行配置,在保证存储资源足够的情况下,通过日期特征对自适应地调整链路采样资源的分配,提高了链路采样资源分配的合理性。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
请参考图7,其示出了本申请一个实施例提供的链路采样数的分配装置的框图。所述装置包括:
获取模块710,用于应用获取目标应用的实时流量数据、历史流量数据和存储资源配额,所述目标应用为待分配采样资源的应用,所述存储资源配额为预分配的用于存储链路数据的存储资源情况,所述链路数据为在预设时段内对目标链路进行链路采集得到的数据,所述目标链路与所述目标应用对应,所述实时流量数据和所述历史流量数据具有相关的时间特性;
确定模块720,用于基于所述历史流量数据和所述存储资源配额,确定目标采样方式;
所述确定模块720,还用于基于所述目标采样方式和所述实时流量数据确定目标采样数;
采集模块730,用于以所述目标采样数对所述目标链路进行链路采集,得到所述链路数据;
生成模块740,用于基于所述链路数据生成所述目标应用的检测日志,所述检测日志用于对所述目标应用进行故障检测。
在一个可选的实施例中,所述获取模块710,还用于获取资源降本指标,所述资源降本指标用于指示所述存储资源情况的调整要求;
请参考图8,所述确定模块720,还包括:
第一确定单元721,用于基于所述资源降本指标和所述历史流量数据,确定资源降本目标值;
所述第一确定单元721,还用于基于所述存储资源配额确定目标最大值和目标最小值,所述目标最大值用于指示对所述目标链路进行链路采集的最大采样数,所述目标最小值用于指示对所述目标链路进行链路采集的最小采样数;
生成单元722,用于基于所述资源降本目标值、所述目标最大值和所述目标最小值,生成目标采样函数;
所述第一确定单元721,还用于将所述实时流量数据代入所述目标采样函数,得到所述目标采样数。
在一个可选的实施例中,所述第一确定单元721,还用于确定目标历史时段内的所述历史流量数据的均值;
所述第一确定单元721,还用于将所述资源降本指标与所述均值相乘,得到所述资源降本目标值。
在一个可选的实施例中,所述确定模块720,还包括:
建立单元723,用于建立初始采样函数,所述初始采样函数包括至少一个预设参数;
所述第一确定单元721,还用于将所述资源降本目标值、所述目标最大值和所述目标最小值代入所述初始采样函数,确定所述预设参数对应的目标值;
所述第一确定单元721,还用于将所述预设参数对应的目标值代入所述初始采样函数,得到所述目标采样函数。
在一个可选的实施例中,所述获取模块710,还包括:
接收单元711,用于接收服务端下发的所述历史流量数据和所述存储资源配额,所述服务端用于记录所述目标应用的历史流量数据,所述服务端还用于对存储资源进行监控,并对所述存储资源配额进行调整;
所述接收单元711,还用于接收所述目标应用的服务器发送的应用处理数据;
计算单元712,用于对所述应用处理数据进行计算得到所述实时流量数据。
在一个可选的实施例中,所述获取模块710,还用于获取所述目标应用的所述实时流量数据、所述历史流量数据;
所述获取模块710,还包括:
预测单元713,用于对所述历史流量数据进行聚类,得到目标预测模型,所述目标预测模型用于预测对所述目标链路进行链路采集时的目标资源消耗;
第二确定单元714,用于基于所述目标资源消耗确定所述存储资源配额。
在一个可选的实施例中,所述预测单元713,还用于获取所述历史流量数据中目标时段的每日流量数据作为第一样本数据;
所述预测单元713,还用于对所述第一样本数据进行聚类,得到第一曲线特征,所述第一曲线特征用于指示所述目标应用的历史流量情况;
所述预测单元713,还用于获取所述历史流量数据中目标时段的每日存储资源数据作为第二样本数据;
所述预测单元713,还用于对所述第二样本数据进行聚类,得到第二曲线特征,所述第二曲线特征用于指示所述目标应用的历史存储资源消耗情况;
所述预测单元713,还用于基于所述目标时段对应的日期特征、所述第一曲线特征和所述第二曲线特征,确定所述目标预测模型。
在一个可选的实施例中,所述预测单元713,还用于对所述第一曲线特征和所述第二曲线特征进行曲线分类,得到曲线分类结果;
所述预测单元713,还用于对所述目标时段对应的日期进行分类,确定所述日期特征;
所述预测单元713,还用于对所述日期特征和所述曲线分类结果进行聚类,得到所述目标预测模型。
在一个可选的实施例中,所述第二确定单元714,还用于通过所述目标预测模型对所述目标应用当天的流量进行预测,确定预测均值;
所述第二确定单元714,还用于将所述资源降本指标和所述预测均值相乘,得到所述资源降本目标值。
综上所述,本申请实施例提供的链路采样数的分配装置,通过根据目标应用的历史流量数据和存储资源配额确定针对目标链路的目标采样方式,再基于目标应用的实时流量数据确定与目标采样方式对应的目标采样数,根据该目标采样数对目标链路进行链路采集,以得到用于生成检测日志的链路数据,实现对目标应用响应用户请求时的链路追踪。即能够根据目标应用的实际场景对链路追踪的资源进行配置,在保证存储资源足够的情况下,自适应地调整链路采样资源的分配,提高了链路采样资源分配的合理性。
需要说明的是:上述实施例提供的链路采样数的分配装置,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的链路采样数的分配装置与链路采样数的分配方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图9示出了本申请一个示例性实施例提供的服务器的结构示意图。该具体来讲:
服务器900包括中央处理单元(Central Processing Unit,CPU)901、包括随机存取存储器(Random Access Memory,RAM)902和只读存储器(Read Only Memory,ROM)903的系统存储器904,以及连接系统存储器904和中央处理单元901的系统总线905。服务器900还包括用于存储操作系统913、应用程序914和其他程序模块915的大容量存储设备906。
大容量存储设备906通过连接到系统总线905的大容量存储控制器(未示出)连接到中央处理单元901。大容量存储设备906及其相关联的计算机可读介质为服务器900提供非易失性存储。也就是说,大容量存储设备906可以包括诸如硬盘或者紧凑型光盘只读存储器(Compact Disc Read Only Memory,CD-ROM)驱动器之类的计算机可读介质(未示出)。
不失一般性,计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、可擦除可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、带电可擦可编程只读存储器(Electrically Erasable Programmable Read Only Memory,EEPROM)、闪存或其他固态存储其技术,CD-ROM、数字通用光盘(Digital Versatile Disc,DVD)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然,本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器904和大容量存储设备906可以统称为存储器。
根据本申请的各种实施例,服务器900还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器900可以通过连接在系统总线905上的网络接口单元911连接到网络912,或者说,也可以使用网络接口单元911来连接到其他类型的网络或远程计算机系统(未示出)。
上述存储器还包括一个或者一个以上的程序,一个或者一个以上程序存储于存储器中,被配置由CPU执行。
本申请的实施例还提供了一种计算机设备,该计算机设备包括处理器和存储器,该存储器中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述各方法实施例提供的链路采样数的分配方法。可选地,该计算机设备可以是终端,也可以是服务器。
本申请的实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行,以实现上述各方法实施例提供的链路采样数的分配方法。
本申请的实施例还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述实施例中任一所述的链路采样数的分配方法。
可选地,该计算机可读存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、固态硬盘(SSD,Solid State Drives)或光盘等。其中,随机存取记忆体可以包括电阻式随机存取记忆体(ReRAM,Resistance RandomAccess Memory)和动态随机存取存储器(DRAM,Dynamic Random Access Memory)。上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的可选实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (12)
1.一种链路采样数的分配方法,其特征在于,所述方法包括:
获取目标应用的实时流量数据、历史流量数据和存储资源配额,所述目标应用为待分配采样资源的应用,所述存储资源配额为预分配的用于存储链路数据的存储资源情况,所述链路数据为在预设时段内对目标链路进行链路采集得到的数据,所述目标链路与所述目标应用对应,所述实时流量数据和所述历史流量数据具有相关的时间特性;
基于所述历史流量数据和所述存储资源配额,确定目标采样方式;
基于所述目标采样方式和所述实时流量数据确定目标采样数;
以所述目标采样数对所述目标链路进行链路采集,得到所述链路数据;
基于所述链路数据生成所述目标应用的检测日志,所述检测日志用于对所述目标应用进行故障检测。
2.根据权利要求1所述的方法,其特征在于,所述基于所述历史流量数据和所述存储资源配额,确定目标采样方式,包括:
获取资源降本指标,所述资源降本指标用于指示所述存储资源情况的调整要求;
基于所述资源降本指标和所述历史流量数据,确定资源降本目标值;
基于所述存储资源配额确定目标最大值和目标最小值,所述目标最大值用于指示对所述目标链路进行链路采集的最大采样数,所述目标最小值用于指示对所述目标链路进行链路采集的最小采样数;
基于所述资源降本目标值、所述目标最大值和所述目标最小值,生成目标采样函数;
所述基于所述目标采样方式和所述实时流量数据确定目标采样数,包括:
将所述实时流量数据代入所述目标采样函数,得到所述目标采样数。
3.根据权利要求2所述的方法,其特征在于,所述基于所述资源降本指标和所述历史流量数据,确定资源降本目标值,包括:
确定目标历史时段内的所述历史流量数据的均值;
将所述资源降本指标与所述均值相乘,得到所述资源降本目标值。
4.根据权利要求2所述的方法,其特征在于,所述基于所述资源降本目标值、所述目标最大值和所述目标最小值,生成目标采样函数,包括:
建立初始采样函数,所述初始采样函数包括至少一个预设参数;
将所述资源降本目标值、所述目标最大值和所述目标最小值代入所述初始采样函数,确定所述预设参数对应的目标值;
将所述预设参数对应的目标值代入所述初始采样函数,得到所述目标采样函数。
5.根据权利要求1至4任一所述的方法,其特征在于,所述获取目标应用的实时流量数据、历史流量数据和存储资源配额,包括:
接收服务端下发的所述历史流量数据和所述存储资源配额,所述服务端用于记录所述目标应用的历史流量数据,所述服务端还用于对存储资源进行监控,并对所述存储资源配额进行调整;
接收所述目标应用的服务器发送的应用处理数据;
对所述应用处理数据进行计算得到所述实时流量数据。
6.根据权利要求2至4任一所述的方法,其特征在于,所述获取目标应用的实时流量数据、历史流量数据和存储资源配额,包括:
获取所述目标应用的所述实时流量数据、所述历史流量数据;
对所述历史流量数据进行聚类,得到目标预测模型,所述目标预测模型用于预测对所述目标链路进行链路采集时的目标资源消耗;
基于所述目标资源消耗确定所述存储资源配额。
7.根据权利要求6所述的方法,其特征在于,所述对所述历史流量数据进行聚类,得到目标预测模型,包括:
获取所述历史流量数据中目标时段的每日流量数据作为第一样本数据;
对所述第一样本数据进行聚类,得到第一曲线特征,所述第一曲线特征用于指示所述目标应用的历史流量情况;
获取所述历史流量数据中目标时段的每日存储资源数据作为第二样本数据;
对所述第二样本数据进行聚类,得到第二曲线特征,所述第二曲线特征用于指示所述目标应用的历史存储资源消耗情况;
基于所述目标时段对应的日期特征、所述第一曲线特征和所述第二曲线特征,确定所述目标预测模型。
8.根据权利要求7所述的方法,其特征在于,所述基于所述目标时段对应的日期特征、所述第一曲线特征和所述第二曲线特征,确定所述目标预测模型,包括:
对所述第一曲线特征和所述第二曲线特征进行曲线分类,得到曲线分类结果;
对所述目标时段对应的日期进行分类,确定所述日期特征;
对所述日期特征和所述曲线分类结果进行聚类,得到所述目标预测模型。
9.根据权利要求8所述的方法,其特征在于,所述基于所述资源降本指标和所述历史流量数据,确定资源降本目标值,包括:
通过所述目标预测模型对所述目标应用当天的流量进行预测,确定预测均值;
将所述资源降本指标和所述预测均值相乘,得到所述资源降本目标值。
10.一种链路采样数的分配装置,其特征在于,所述装置包括:
获取模块,用于应用获取目标应用的实时流量数据、历史流量数据和存储资源配额,所述目标应用为待分配采样资源的应用,所述存储资源配额为预分配的用于存储链路数据的存储资源情况,所述链路数据为在预设时段内对目标链路进行链路采集得到的数据,所述目标链路与所述目标应用对应,所述实时流量数据和所述历史流量数据具有相关的时间特性;
确定模块,用于基于所述历史流量数据和所述存储资源配额,确定目标采样方式;
所述确定模块,还用于基于所述目标采样方式和所述实时流量数据确定目标采样数;
采集模块,用于以所述目标采样数对所述目标链路进行链路采集,得到所述链路数据;
生成模块,用于基于所述链路数据生成所述目标应用的检测日志,所述检测日志用于对所述目标应用进行故障检测。
11.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至9任一所述的链路采样数的分配方法。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有至少一条程序代码,所述程序代码由处理器加载并执行以实现如权利要求1至9任一所述的链路采样数的分配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111095230.7A CN113949624B (zh) | 2021-09-17 | 2021-09-17 | 链路采样数的分配方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111095230.7A CN113949624B (zh) | 2021-09-17 | 2021-09-17 | 链路采样数的分配方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113949624A CN113949624A (zh) | 2022-01-18 |
CN113949624B true CN113949624B (zh) | 2023-07-21 |
Family
ID=79328353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111095230.7A Active CN113949624B (zh) | 2021-09-17 | 2021-09-17 | 链路采样数的分配方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113949624B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1414188A2 (fr) * | 2002-10-21 | 2004-04-28 | France Telecom | Capture de données sur un lien informatique avec échantillonage |
CN106933724A (zh) * | 2017-03-16 | 2017-07-07 | 北京搜狐新媒体信息技术有限公司 | 一种分布式信息追踪系统、信息处理方法及装置 |
CN111124819A (zh) * | 2019-12-10 | 2020-05-08 | 中国建设银行股份有限公司 | 全链路监控的方法和装置 |
CN112099977A (zh) * | 2020-09-30 | 2020-12-18 | 浙江工商大学 | 一种分布式跟踪系统的实时数据分析引擎 |
CN112363809A (zh) * | 2020-11-27 | 2021-02-12 | 成都精灵云科技有限公司 | 一种基于kubernetes实现微服务链路收集的系统及其方法 |
CN112860507A (zh) * | 2021-01-13 | 2021-05-28 | 时时同云科技(成都)有限责任公司 | 分布式链路跟踪系统采样率的控制方法和装置 |
CN112925845A (zh) * | 2020-12-25 | 2021-06-08 | 深圳供电局有限公司 | 基于分布式列式存储的云数据中心系统历史数据管理方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10346277B2 (en) * | 2017-10-12 | 2019-07-09 | Cisco Technology, Inc. | Adaptive sampling to build accurate application throughput models |
-
2021
- 2021-09-17 CN CN202111095230.7A patent/CN113949624B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1414188A2 (fr) * | 2002-10-21 | 2004-04-28 | France Telecom | Capture de données sur un lien informatique avec échantillonage |
CN106933724A (zh) * | 2017-03-16 | 2017-07-07 | 北京搜狐新媒体信息技术有限公司 | 一种分布式信息追踪系统、信息处理方法及装置 |
CN111124819A (zh) * | 2019-12-10 | 2020-05-08 | 中国建设银行股份有限公司 | 全链路监控的方法和装置 |
CN112099977A (zh) * | 2020-09-30 | 2020-12-18 | 浙江工商大学 | 一种分布式跟踪系统的实时数据分析引擎 |
CN112363809A (zh) * | 2020-11-27 | 2021-02-12 | 成都精灵云科技有限公司 | 一种基于kubernetes实现微服务链路收集的系统及其方法 |
CN112925845A (zh) * | 2020-12-25 | 2021-06-08 | 深圳供电局有限公司 | 基于分布式列式存储的云数据中心系统历史数据管理方法 |
CN112860507A (zh) * | 2021-01-13 | 2021-05-28 | 时时同云科技(成都)有限责任公司 | 分布式链路跟踪系统采样率的控制方法和装置 |
Non-Patent Citations (2)
Title |
---|
Sifter:Scalable Sampling for Distributed Traces,without feature Engineering;Pedro Las-csas;《Proceedings of the ACM Symposium on cloud Computing》;312-324 * |
分布式追踪技术综述;杨勇;《软件学报》;第31卷(第7期);2019-2039 * |
Also Published As
Publication number | Publication date |
---|---|
CN113949624A (zh) | 2022-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109218355B (zh) | 负载均衡引擎,客户端,分布式计算系统以及负载均衡方法 | |
US11106560B2 (en) | Adaptive thresholds for containers | |
US20230359512A1 (en) | Predicting expansion failures and defragmenting cluster resources | |
SE537197C2 (sv) | Metod, nod och datorprogram för möjliggörande av automatiskanpassning av resursenheter | |
CN107872457B (zh) | 一种基于网络流量预测进行网络操作的方法及系统 | |
CN111966289B (zh) | 基于Kafka集群的分区优化方法和系统 | |
CN109918170A (zh) | 一种云数据中心虚拟机动态资源配置方法及系统 | |
CN110716808B (zh) | 业务处理方法、装置、计算机设备和存储介质 | |
GB2594367A (en) | Low entropy browsing history for content quasi-personalization | |
CN116467082A (zh) | 一种基于大数据的资源分配方法及系统 | |
EP2863597A1 (en) | Computer-implemented method, computer system, computer program product to manage traffic in a network | |
CN113949624B (zh) | 链路采样数的分配方法、装置、设备及介质 | |
CN110333984B (zh) | 接口异常检测方法、装置、服务器及系统 | |
CN117221295A (zh) | 一种基于边缘计算和网络切片的低延迟视频传输系统 | |
CN115701890B (zh) | 调整告警规则的方法及相关设备 | |
CN116546028A (zh) | 服务请求的处理方法、装置、存储介质及电子设备 | |
CN110932935A (zh) | 资源控制方法、装置、设备及计算机存储介质 | |
CN116264575A (zh) | 边缘节点调度方法、装置、计算设备及存储介质 | |
CN111598390B (zh) | 服务器高可用性评估方法、装置、设备和可读存储介质 | |
CN115664992A (zh) | 网络运行数据的处理方法、装置、电子设备及介质 | |
CN114936089A (zh) | 资源调度方法、系统、设备及存储介质 | |
CN114185681A (zh) | 一种自动化限流处理方法及装置 | |
CN113377866A (zh) | 一种虚拟化数据库代理服务的负载均衡方法及装置 | |
CN110134575B (zh) | 一种服务器集群的服务能力计算方法及装置 | |
CN113419852A (zh) | 微服务的请求响应方法、装置、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |