CN114090407A - 基于线性回归模型的接口性能预警方法及其相关设备 - Google Patents
基于线性回归模型的接口性能预警方法及其相关设备 Download PDFInfo
- Publication number
- CN114090407A CN114090407A CN202111432674.5A CN202111432674A CN114090407A CN 114090407 A CN114090407 A CN 114090407A CN 202111432674 A CN202111432674 A CN 202111432674A CN 114090407 A CN114090407 A CN 114090407A
- Authority
- CN
- China
- Prior art keywords
- target
- linear regression
- regression model
- interface
- value
- 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
- 238000012417 linear regression Methods 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 230000001419 dependent effect Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 abstract description 2
- 230000004044 response Effects 0.000 description 11
- 238000012360 testing method Methods 0.000 description 10
- 239000003795 chemical substances by application Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method 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
- G06F11/34—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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请实施例属于大数据技术领域,应用于智慧政务领域中,涉及一种基于线性回归模型的接口性能预警方法及其相关设备,包括基于预设的时间窗口,获取各分布式监控系统的各个代理节点对应的API接口的接口性能特征数据;分别按照数据的维度对各所述API接口的接口性能特征数据进行统计,获得每个所述维度的目标特征值,并基于所述目标特征值构建目标线性回归模型;基于所述目标线性回归模型预测下一个时间窗口的接口特征值;判断所述接口特征值是否超过特征阈值,若所述接口特征值超过特征阈值,则执行预警操作,以提醒开发人员调试所述API接口。其中,目标线性回归模型可存储于区块链中。本申请实现对存在潜在性能下降的接口进行提前预警。
Description
技术领域
本申请涉及大数据技术领域,尤其涉及基于线性回归模型的接口性能预警方法及其相关设备。
背景技术
性能测试是整个测试生命周期中重要的一环,也是软件产品中的非常重要的非功能特性,表明软件系统对时间、时效以及系统所需资源的经济性要求。也是软件能力的一种具体的体现。对于一个软件系统,运行时执行速度越快、占用系统资源越少,系统就会越稳定,用户体验也越好,客户的满意度就越高;这样的软件能让公司在激烈的行业竞争中处于有利的位置。
当前大多数监控系统都可以实现对接口的QPS(每秒查询率)、响应时间、业务量等数据的收集和展示,但无法对未来某个时刻的性能表现做出预测。在银行等金融系统中接口成千上万,选择对哪些接口进行性能测试是一个难题,目前,无法对于可能出现性能问题的接口进行提前预警,导致在接口报错时才发现问题,影响各方对接口的调用。
发明内容
本申请实施例的目的在于提出一种基于线性回归模型的接口性能预警方法、装置、计算机设备及存储介质,实现对存在潜在性能下降的接口进行提前预警。
为了解决上述技术问题,本申请实施例提供一种基于线性回归模型的接口性能预警方法,采用了如下所述的技术方案:
一种基于线性回归模型的接口性能预警方法,包括下述步骤:
基于预设的时间窗口,获取各分布式监控系统的各个代理节点对应的API接口的接口性能特征数据;
分别按照数据的维度对各所述API接口的接口性能特征数据进行统计,获得每个所述维度的目标特征值,并基于所述目标特征值构建目标线性回归模型;
基于所述目标线性回归模型预测下一个时间窗口的接口特征值;
判断所述接口特征值是否超过特征阈值,若所述接口特征值超过特征阈值,则执行预警操作,以提醒开发人员调试所述API接口。
进一步的,所述分别对各所述API接口的接口性能特征数据进行统计,获得目标特征值的步骤包括:
分别计算各所述时间窗口的所述接口性能特征数据的各个维度的均值,并将所述各个维度的均值作为对应所述维度在对应的时间窗口内的目标特征值。
进一步的,所述基于所述目标特征值构建目标线性回归模型的步骤包括:
基于所述维度的目标特征值计算所述维度的第一维度系数和第二维度系数;
计算所有维度的第一维度系数的均值和第二维度系数的均值,并将所述第一维度系数的均值作为第一目标参数值,将所述第二维度系数的均值作为第二目标参数值;
基于所述第一目标参数值和所述第二目标参数值生成所述目标线性回归模型。
进一步的,所述基于所述维度的目标特征值计算所述维度的第一维度系数和第二维度系数的步骤包括:
基于如下公式计算所述第一维度系数和第二维度系数:
其中,a1为当前维度的第一维度系数,b1为当前维度的第二维度系数,ti表示所述时间窗口的序号,表示所述时间窗口的平均序号,yi表示当前维度的目标特征值表示当前维度的各时间窗口对应的目标特征值,表示当前维度的目标特征值的平均值表示当前维度的所有时间窗口的目标特征值的平均值,所述时间窗口的序号根据所述时间窗口对应的时间顺序从1开始依次递增。
进一步的,所述基于所述第一目标参数值和第二目标参数值生成所述目标线性回归模型的步骤包括:
将所述第一目标参数值作为所述目标线性回归模型的常数,并将所述第二目标参数值作为所述目标线性回归模型的自变量的参数,获得所述目标线性回归模型,其中,所述目标线性回归模型公式如下所示:
进一步的,所述基于所述目标线性回归模型预测下一时间窗口的接口特征值的步骤包括:
将所述时间窗口的序号的最大值加1,生成下一个时间窗口的序号,并将所述下一个时间窗口的序号作为所述目标线性回归模型的自变量的值;
将所述目标线性回归模型的自变量的值输入所述目标线性回归模型中,获得所述目标线性回归模型的因变量的值,作为所述接口特征值。
进一步的,在所述获取各分布式监控系统的各个代理节点对应的API接口的接口性能特征数据的步骤之后,还包括:
将所述接口性能特征数据保存至数据库中,在接收到查看请求时,从所述数据库中调取所述接口性能特征数据展示至前端页面。
为了解决上述技术问题,本申请实施例还提供一种基于线性回归模型的接口性能预警装置,采用了如下所述的技术方案:
一种基于线性回归模型的接口性能预警装置,包括:
获取模块,用于基于预设的时间窗口,获取各分布式监控系统的各个代理节点对应的API接口的接口性能特征数据;
统计模块,用于分别按照数据的维度对各所述API接口的接口性能特征数据进行统计,获得每个所述维度的目标特征值,并基于所述目标特征值构建目标线性回归模型;
预测模块,用于基于所述目标线性回归模型预测下一个时间窗口的接口特征值;以及
预警模块,用于判断所述接口特征值是否超过特征阈值,若所述接口特征值超过特征阈值,则执行预警操作,以提醒开发人员调试所述API接口。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现上述的基于线性回归模型的接口性能预警方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现上述的基于线性回归模型的接口性能预警方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请无需训练,只进行简单的计算即可构建出目标线性回归模型,并能够用于预测下一时间窗口的接口特征值,实现对接口未来时间的性能表现做出预测,在预测的接口特征值超过特征阈值时,即进行预测操作,实现提前提醒开发人员进行测试和调优,减少接口在调用过程中出现问题的情况发生。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图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是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的基于线性回归模型的接口性能预警方法的一个实施例的流程图;
图3是根据本申请的基于线性回归模型的接口性能预警装置的一个实施例的结构示意图;
图4是根据本申请的计算机设备的一个实施例的结构示意图。
附图标记:200、计算机设备;201、存储器;202、处理器;203、网络接口;300、基于线性回归模型的接口性能预警装置;301、获取模块;302、统计模块;303、预测模块;304、预警模块。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103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、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的基于线性回归模型的接口性能预警方法一般由服务器/终端设备执行,相应地,基于线性回归模型的接口性能预警装置一般设置于服务器/终端设备中。
应该理解,图1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。
继续参考图2,示出了根据本申请的基于线性回归模型的接口性能预警方法的一个实施例的流程图。所述的基于线性回归模型的接口性能预警方法,包括以下步骤:
S1:基于预设的时间窗口,获取各分布式监控系统的各个代理节点对应的API接口的接口性能特征数据。
在本实施例中,应用系统的各服务器上部署有分布式监控系统(CAT系统),每个分布式监控系统(CAT系统)都有多个代理节点(cat agent节点)。通过获取每个代理节点对应的API接口的接口特征数据,用于后续模型训练。其中,本申请的接口特征数据为多维度数据,其维度包括API日交易量、平均响应时间以及接口的QPS(每秒查询率)等。通过基于时间窗口对接口性能特征数据的获取,用于后续的对API接口的性能预测。
具体的,在步骤S1中,即所述基于预设的时间窗口,获取各分布式监控系统的各个代理节点对应的API接口的接口特征数据的步骤包括:
基于预设的时间周期循环获取所述时间周期内的接口特征数据,其中,所述时间周期包括多个所述时间窗口。
在本实施例中,在每个所述时间周期中所述时间窗口的序号根据时间顺序从1开始依次递增。本申请设定时间周期为七周,每七周获取这七周内的接口特征数据进行后续处理,每一周作为一个时间窗口,第一周的时间窗口对应的序号为1,第二周的时间窗口的对应的序号为2,以此类推,第七周的时间窗口的对应的序号为7。
S2:分别按照数据的维度对各所述API接口的接口性能特征数据进行统计,获得每个所述维度的目标特征值,并基于所述目标特征值构建目标线性回归模型。
在本实施例中,在统计学中,线性回归(Linear Regression)是利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。线性回归是利用数理统计中回归分析,来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法,运用十分广泛。本申请根据目标特征值计算出目标线性回归模型的参数,从而实现构建目标线性回归模型。
具体的,在步骤S2中,即所述分别对各所述API接口的接口性能特征数据进行统计,获得目标特征值的步骤包括:
分别计算各所述时间窗口的所述接口性能特征数据的各个维度的均值,并将所述各个维度的均值作为对应所述维度在对应的时间窗口内的目标特征值。
在本实施例中,时间窗口为不同的时间段,例如,将每周作为一个时间窗口。接口特征数据的维度包括API日交易量、平均响应时间以及接口的QPS(每秒查询率)。以API的响应时间为例:将CAT系统的API的响应时间进行整理,得出在最近七周(即最近的七个时间窗口)中,一个接口每周的响应时间的均值,如表1所示:
表1
1 | 2 | 3 | 4 | 5 | 6 | 7 |
122 | 129 | 148 | 171 | 184 | 209 | 220 |
此外,在步骤S2中,所述基于所述目标特征值构建目标线性回归模型的步骤包括:
基于所述维度的目标特征值计算所述维度的第一维度系数和第二维度系数;
计算所有维度的第一维度系数的均值和第二维度系数的均值,并将所述第一维度系数的均值作为第一目标参数值,将所述第二维度系数的均值作为第二目标参数值;
基于所述第一目标参数值和所述第二目标参数值生成所述目标线性回归模型。
在本实施例中,分别基于API日交易量、平均响应时间以及接口的QPS(每秒查询率)等维度的目标特征值计算出对应的第一维度系数和第二维度系数。通过计算所有的第一维度系数的均值,获得第一目标参数值。通过计算所有第二维度系数的均值,获得第二目标参数值。此外,本申请还可以获取预设的各维度的维度权重,基于维度权重对所有第一维度系数进行加权求和操作,获得第一目标参数值。基于维度权重对所有第二维度系数进行加权求和操作,获得第二目标参数值,其中,所有维度权重的加和为数值1。
其中,所述基于所述维度的目标特征值计算所述维度的第一维度系数和第二维度系数的步骤包括:
基于如下公式计算所述第一维度系数和第二维度系数:
其中,a1为当前维度的第一维度系数,b1为当前维度的第二维度系数,ti表示所述时间窗口的序号,表示所述时间窗口的平均序号,yi表示当前维度的目标特征值表示当前维度的各时间窗口对应的目标特征值,表示当前维度的目标特征值的平均值表示当前维度的所有时间窗口的目标特征值的平均值,所述时间窗口的序号根据所述时间窗口对应的时间顺序从1开始依次递增。
其中,yi表示当前接口的在预设时间段内每周(以周为一个时间窗口)的响应时间(即目标特征值),表示当前接口的在预设时间段内所有周(所有时间窗口)的响应时间的均值,ti表示所述时间窗口的序号,表示所述时间窗口的序号的均值。根据该公式以及表1的数据进行计算,可得:y=17.5t+99,进而,在后续对第八周的API接口性能预测时,即当t=8时可以估算出下一个时间窗口的接口特征值y的具体数值。
进一步的,所述基于所述第一目标参数值和第二目标参数值生成所述目标线性回归模型的步骤包括:
将所述第一目标参数值作为所述目标线性回归模型的常数,并将所述第二目标参数值作为所述目标线性回归模型的自变量的参数,获得所述目标线性回归模型,其中,所述目标线性回归模型公式如下所示:
在本实施例中,在本申请中通过获得的第一目标参数值和第二目标参数值生成所述目标线性回归模型。该目标线性回归模型为其中,表示所述第一目标参数值,表示所述第二目标参数值。本申请通过将计算的第一目标参数值作为所述目标线性回归模型的常数,并将计算的第二目标参数值作为所述目标线性回归模型的自变量的参数,最终获得目标线性回归模型。
S3:基于所述目标线性回归模型预测下一个时间窗口的接口特征值。
在本实施例中,将下一个时间窗口的序号输入至目标线性回归模型中,则获得输出的接口特征值。
具体的,所述基于所述目标线性回归模型预测下一时间窗口的接口特征值的步骤包括:
将所述时间窗口的序号的最大值加1,生成下一个时间窗口的序号,并将所述下一个时间窗口的序号作为所述目标线性回归模型的自变量的值;
将所述目标线性回归模型的自变量的值输入所述目标线性回归模型中,获得所述目标线性回归模型的因变量的值,作为所述接口特征值。
在本实施例中,下一个时间窗口的序号为生成所述目标线性回归模型的最后一个时间窗口的序号加一。例如,生成目标线性回归模型的最后一个时间窗口的序号为7。则此处下一个时间窗口的序号为8。实现时间窗口的序号的快速生成,用于对该时间窗口对应的接口特征值进行快速预测。
S4:判断所述接口特征值是否超过特征阈值,若所述接口特征值超过特征阈值,则执行预警操作,以提醒开发人员调试所述API接口。
在本实施例中,如果预测出的下一个时间窗口对应的的接口特征值大于设置的预警阈值,则说明在该时间窗口接口的性能可能会产生异常,则执行预警操作,具体方式为发送邮件通知该应用系统负责人,即开发人员,以提醒开发人员提示进行性能测试。
具体的,所述若所述接口特征值超过特征阈值,则执行预警操作的步骤包括:
若所述接口特征值超过特征阈值,则向开发人员的用户端发送预警通知,其中,所述预警通知携带有所述API接口的接口名称。
在本实施例中,预警通知携带有API接口的接口名称,便于开发人员通过接口名称快速定位到对应的API接口。本申请对有风险的接口做出有效的预测,测试和开发人员可以提前介入进行性能测试和优化,减少线上问题的发生。
在本实施例中,基于线性回归模型的接口性能预警方法运行于其上的电子设备(例如图1所示的服务器/终端设备)可以通过有线连接方式或者无线连接方式向开发人员的用户端发送预警通知。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
作为本申请的另一实施例,在步骤S1之后,即在所述获取各分布式监控系统的各个代理节点对应的API接口的接口性能特征数据的步骤之后,还包括:
将所述接口性能特征数据保存至数据库中,在接收到查看请求时,从所述数据库中调取所述接口性能特征数据展示至前端页面。
在本实施例中,将收集的CAT系统服务器的API接口的接口特征数据进行入库保存,用户可以看到输每天的API日交易量、平均响应时间。
本申请无需训练,只进行简单的计算即可构建出目标线性回归模型,并能够用于预测下一时间窗口的接口特征值,实现对接口未来时间的性能表现做出预测,在预测的接口特征值超过特征阈值时,即进行预测操作,实现提前提醒开发人员进行测试和调优,减少接口在调用过程中出现问题的情况发生。
需要强调的是,为进一步保证上述目标线性回归模型的私密和安全性,上述目标线性回归模型还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、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(Blockchain),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等。
本申请可应用于智慧政务领域中,从而推动智慧城市的建设。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该计算机可读指令在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3,作为对上述图2所示方法的实现,本申请提供了一种基于线性回归模型的接口性能预警装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,本实施例所述的基于线性回归模型的接口性能预警装置300包括:获取模块301、统计模块302、预测模块303以及预警模块304。其中:所述获取模块301,用于基于预设的时间窗口,获取各分布式监控系统的各个代理节点对应的API接口的接口性能特征数据;所述统计模块302,用于分别按照数据的维度对各所述API接口的接口性能特征数据进行统计,获得每个所述维度的目标特征值,并基于所述目标特征值构建目标线性回归模型;所述预测模块303,用于基于所述目标线性回归模型预测下一个时间窗口的接口特征值;以及所述预警模块304,用于判断所述接口特征值是否超过特征阈值,若所述接口特征值超过特征阈值,则执行预警操作,以提醒开发人员调试所述API接口。
在本实施例中,本申请无需训练,只进行简单的计算即可构建出目标线性回归模型,并能够用于预测下一时间窗口的接口特征值,实现对接口未来时间的性能表现做出预测,在预测的接口特征值超过特征阈值时,即进行预测操作,实现提前提醒开发人员进行测试和调优,减少接口在调用过程中出现问题的情况发生。
在本实施例的一些可选的实现方式中,上述获取模块301进一步用于:基于预设的时间周期循环获取所述时间周期内的接口特征数据,其中,所述时间周期包括多个所述时间窗口。
在本实施例的一些可选的实现方式中,上述统计模块302进一步用于:分别计算各所述时间窗口的所述接口性能特征数据的各个维度的均值,并将所述各个维度的均值作为对应所述维度在对应的时间窗口内的目标特征值。
所述统计模块302包括第一计算子模块、第二计算子模块以及线性模型生成子模块,其中,所述第一计算子模块用于基于所述维度的目标特征值计算所述维度的第一维度系数和第二维度系数;所述第二计算子模块用于计算所有维度的第一维度系数的均值和第二维度系数的均值,并将所述第一维度系数的均值作为第一目标参数值,将所述第二维度系数的均值作为第二目标参数值;所述线性模型生成子模块用于基于所述第一目标参数值和所述第二目标参数值生成所述目标线性回归模型。
在本实施例的一些可选的实现方式中,上述第一计算子模块进一步用于:基于如下公式计算所述第一维度系数和第二维度系数:
其中,a1为当前维度的第一维度系数,b1为当前维度的第二维度系数,ti表示所述时间窗口的序号,表示所述时间窗口的平均序号,yi表示当前维度的目标特征值表示当前维度的各时间窗口对应的目标特征值,表示当前维度的目标特征值的平均值表示当前维度的所有时间窗口的目标特征值的平均值,所述时间窗口的序号根据所述时间窗口对应的时间顺序从1开始依次递增。
在本实施例的一些可选的实现方式中,上述生成子模块进一步用于:将所述第一目标参数值作为所述目标线性回归模型的常数,并将所述第二目标参数值作为所述目标线性回归模型的自变量的参数,获得所述目标线性回归模型,其中,所述目标线性回归模型公式如下所示:
所述预测模块303包括序号生成子模块以及获得子模块,其中,所述序号生成子模块用于将所述时间窗口的序号的最大值加1,生成下一个时间窗口的序号,并将所述下一个时间窗口的序号作为所述目标线性回归模型的自变量的值;所述获得子模块用于将所述目标线性回归模型的自变量的值输入所述目标线性回归模型中,获得所述目标线性回归模型的因变量的值,作为所述接口特征值。
在本实施例的一些可选的实现方式中,上述预警模块304进一步用于:若所述接口特征值超过特征阈值,则向开发人员的用户端发送预警通知,其中,所述预警通知携带有所述API接口的接口名称。
在本实施例的一些可选的实现方式中,上述装置300还包括:展示模块,用于将所述接口性能特征数据保存至数据库中,在接收到查看请求时,从所述数据库中调取所述接口性能特征数据展示至前端页面。
本申请无需训练,只进行简单的计算即可构建出目标线性回归模型,并能够用于预测下一时间窗口的接口特征值,实现对接口未来时间的性能表现做出预测,在预测的接口特征值超过特征阈值时,即进行预测操作,实现提前提醒开发人员进行测试和调优,减少接口在调用过程中出现问题的情况发生。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图4,图4为本实施例计算机设备基本结构框图。
所述计算机设备200包括通过系统总线相互通信连接存储器201、处理器202、网络接口203。需要指出的是,图中仅示出了具有组件201-203的计算机设备200,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器201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、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器201可以是所述计算机设备200的内部存储单元,例如该计算机设备200的硬盘或内存。在另一些实施例中,所述存储器201也可以是所述计算机设备200的外部存储设备,例如该计算机设备200上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,所述存储器201还可以既包括所述计算机设备200的内部存储单元也包括其外部存储设备。本实施例中,所述存储器201通常用于存储安装于所述计算机设备200的操作系统和各类应用软件,例如基于线性回归模型的接口性能预警方法的计算机可读指令等。此外,所述存储器201还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器202在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器202通常用于控制所述计算机设备200的总体操作。本实施例中,所述处理器202用于运行所述存储器201中存储的计算机可读指令或者处理数据,例如运行所述基于线性回归模型的接口性能预警方法的计算机可读指令。
所述网络接口203可包括无线网络接口或有线网络接口,该网络接口203通常用于在所述计算机设备200与其他电子设备之间建立通信连接。
在本实施例中,本申请能够用于预测下一时间窗口的接口特征值,实现对接口未来时间的性能表现做出预测,在预测的接口特征值超过特征阈值时,即进行预测操作,实现提前提醒开发人员进行测试和调优,减少接口在调用过程中出现问题的情况发生。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的基于线性回归模型的接口性能预警方法的步骤。
在本实施例中,本申请能够用于预测下一时间窗口的接口特征值,实现对接口未来时间的性能表现做出预测,在预测的接口特征值超过特征阈值时,即进行预测操作,实现提前提醒开发人员进行测试和调优,减少接口在调用过程中出现问题的情况发生。
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,本申请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,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种基于线性回归模型的接口性能预警方法,其特征在于,包括下述步骤:
基于预设的时间窗口,获取各分布式监控系统的各个代理节点对应的API接口的接口性能特征数据;
分别按照数据的维度对各所述API接口的接口性能特征数据进行统计,获得每个所述维度的目标特征值,并基于所述目标特征值构建目标线性回归模型;
基于所述目标线性回归模型预测下一个时间窗口的接口特征值;
判断所述接口特征值是否超过特征阈值,若所述接口特征值超过特征阈值,则执行预警操作,以提醒开发人员调试所述API接口。
2.根据权利要求1所述的基于线性回归模型的接口性能预警方法,其特征在于,所述分别对各所述API接口的接口性能特征数据进行统计,获得目标特征值的步骤包括:
分别计算各所述时间窗口的所述接口性能特征数据的各个维度的均值,并将所述各个维度的均值作为对应所述维度在对应的时间窗口内的目标特征值。
3.根据权利要求2所述的基于线性回归模型的接口性能预警方法,其特征在于,所述基于所述目标特征值构建目标线性回归模型的步骤包括:
基于所述维度的目标特征值计算所述维度的第一维度系数和第二维度系数;
计算所有维度的第一维度系数的均值和第二维度系数的均值,并将所述第一维度系数的均值作为第一目标参数值,将所述第二维度系数的均值作为第二目标参数值;
基于所述第一目标参数值和所述第二目标参数值生成所述目标线性回归模型。
6.根据权利要求1所述的基于线性回归模型的接口性能预警方法,其特征在于,所述基于所述目标线性回归模型预测下一时间窗口的接口特征值的步骤包括:
将所述时间窗口的序号的最大值加1,生成下一个时间窗口的序号,并将所述下一个时间窗口的序号作为所述目标线性回归模型的自变量的值;
将所述目标线性回归模型的自变量的值输入所述目标线性回归模型中,获得所述目标线性回归模型的因变量的值,作为所述接口特征值。
7.根据权利要求1所述的基于线性回归模型的接口性能预警方法,其特征在于,在所述获取各分布式监控系统的各个代理节点对应的API接口的接口性能特征数据的步骤之后,还包括:
将所述接口性能特征数据保存至数据库中,在接收到查看请求时,从所述数据库中调取所述接口性能特征数据展示至前端页面。
8.一种基于线性回归模型的接口性能预警装置,其特征在于,包括:
获取模块,用于基于预设的时间窗口,获取各分布式监控系统的各个代理节点对应的API接口的接口性能特征数据;
统计模块,用于分别按照数据的维度对各所述API接口的接口性能特征数据进行统计,获得每个所述维度的目标特征值,并基于所述目标特征值构建目标线性回归模型;
预测模块,用于基于所述目标线性回归模型预测下一个时间窗口的接口特征值;以及
预警模块,用于判断所述接口特征值是否超过特征阈值,若所述接口特征值超过特征阈值,则执行预警操作,以提醒开发人员调试所述API接口。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于线性回归模型的接口性能预警方法的步骤。
10.一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上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于线性回归模型的接口性能预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111432674.5A CN114090407A (zh) | 2021-11-29 | 2021-11-29 | 基于线性回归模型的接口性能预警方法及其相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111432674.5A CN114090407A (zh) | 2021-11-29 | 2021-11-29 | 基于线性回归模型的接口性能预警方法及其相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114090407A true CN114090407A (zh) | 2022-02-25 |
Family
ID=80305565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111432674.5A Pending CN114090407A (zh) | 2021-11-29 | 2021-11-29 | 基于线性回归模型的接口性能预警方法及其相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114090407A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114706737A (zh) * | 2022-05-25 | 2022-07-05 | 深圳依时货拉拉科技有限公司 | 崩溃告警方法、装置、系统、设备及可读存储介质 |
-
2021
- 2021-11-29 CN CN202111432674.5A patent/CN114090407A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114706737A (zh) * | 2022-05-25 | 2022-07-05 | 深圳依时货拉拉科技有限公司 | 崩溃告警方法、装置、系统、设备及可读存储介质 |
CN114706737B (zh) * | 2022-05-25 | 2022-09-02 | 深圳依时货拉拉科技有限公司 | 崩溃告警方法、装置、系统、设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112148987A (zh) | 基于目标对象活跃度的消息推送方法及相关设备 | |
CN112052111B (zh) | 服务器异常预警的处理方法、装置、设备及存储介质 | |
CN110148053B (zh) | 用户信贷额度评估方法、装置、电子设备和可读介质 | |
CN110135978B (zh) | 用户金融风险评估方法、装置、电子设备和可读介质 | |
CN112184169A (zh) | 用户待办事项的动态规划方法、装置、设备及存储介质 | |
CN112529477A (zh) | 信用评估变量筛选方法、装置、计算机设备及存储介质 | |
CN115237724A (zh) | 基于人工智能的数据监控方法、装置、设备及存储介质 | |
CN114564294A (zh) | 智能服务编排方法、装置、计算机设备及存储介质 | |
CN110807050B (zh) | 性能分析方法、装置、计算机设备及存储介质 | |
CN115757075A (zh) | 任务异常检测方法、装置、计算机设备及存储介质 | |
CN113506023A (zh) | 工作行为数据分析方法、装置、设备及存储介质 | |
CN114090407A (zh) | 基于线性回归模型的接口性能预警方法及其相关设备 | |
CN114265835A (zh) | 基于图挖掘的数据分析方法、装置及相关设备 | |
CN112669136A (zh) | 基于大数据的金融产品推荐方法、系统、设备及存储介质 | |
CN116843395A (zh) | 一种业务系统的告警分级方法、装置、设备及存储介质 | |
Lee et al. | Detecting anomaly teletraffic using stochastic self-similarity based on Hadoop | |
CN115545753A (zh) | 一种基于贝叶斯算法的合作伙伴预测方法及相关设备 | |
CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN115099875A (zh) | 基于决策树模型的数据分类方法及相关设备 | |
CN113298645B (zh) | 资源额度调整方法、装置及电子设备 | |
CN114549053A (zh) | 数据分析方法、装置、计算机设备及存储介质 | |
CN111782208A (zh) | 指标预警方法、装置、计算机设备及存储介质 | |
CN112084408A (zh) | 名单数据筛选方法、装置、计算机设备及存储介质 | |
CN116993218A (zh) | 基于人工智能的指标分析方法、装置、设备及存储介质 | |
CN117876021A (zh) | 基于人工智能的数据预测方法、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 |