CN114443496A - 一种软件优化方向的确定方法、装置、设备及介质 - Google Patents
一种软件优化方向的确定方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114443496A CN114443496A CN202210113877.6A CN202210113877A CN114443496A CN 114443496 A CN114443496 A CN 114443496A CN 202210113877 A CN202210113877 A CN 202210113877A CN 114443496 A CN114443496 A CN 114443496A
- Authority
- CN
- China
- Prior art keywords
- software entity
- health degree
- dimension
- target
- score
- 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 54
- 230000036541 health Effects 0.000 claims abstract description 261
- 238000012544 monitoring process Methods 0.000 claims abstract description 122
- 238000005457 optimization Methods 0.000 claims abstract description 67
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 71
- 230000009467 reduction Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 11
- 238000000513 principal component analysis Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012935 Averaging Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 239000002131 composite material Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012494 forced degradation Methods 0.000 description 1
- 230000036449 good health Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 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
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3604—Software analysis for verifying properties of programs
- G06F11/3616—Software analysis for verifying properties of programs using software metrics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/70—Software maintenance or management
- G06F8/77—Software metrics
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明实施例公开了一种软件优化方向的确定方法、装置、设备及介质，该方法包括：获取预设监测周期内目标软件实体的状态信息，并将目标软件实体的状态信息输入至预建立的软件实体健康度模型，以获取该软件实体健康度模型输出的目标软件实体的健康度得分；使用主成分分析法，根据目标软件实体的状态信息，确定目标软件实体的健康度关键指标；并根据目标软件实体的健康度得分和健康度关键指标，确定目标软件实体的优化方向。本实施例的技术方案，通过采用软件实体健康度模型和主成分分析法，以根据软件实体的状态信息确定对应的优化方向，可以实现对软件优化方向的自主确定，可以提升对软件优化方向的确定效率。
Description
技术领域
本发明实施例涉及软件工程技术领域，尤其涉及一种软件优化方向的确定方法、装置、设备及介质。
背景技术
软件自优化是指软件系统能够根据环境、资源或者状态的变化，对系统参数和资源配置等进行动态地调整，以使软件系统保持最优状态。通过在分析环节主动分析与预测系统未来的行为，从而采取对应的预防措施，对提升软件系统的稳定性具有重要意义。
目前，现有的软件状态评估方法，通常是采用集中式处理方案，对分布式软件的状态数据进行汇集，并进行进一步的集中处理，以实现对产品或软件状态的监测和分析。然而，现有技术中，对数据进行汇集和集中处理，会导致一定的时间延时，无法实现对软件状态的实时评估，从而无法实现对后续软件优化方向的实时确定。
发明内容
本发明实施例提供一种软件优化方向的确定方法、装置、设备及介质，可以实现对软件优化方向的自主确定，可以提升对软件优化方向的确定效率。
第一方面，本发明实施例提供了一种软件优化方向的确定方法，包括：
获取预设监测周期内目标软件实体的状态信息；
将所述目标软件实体的状态信息输入至预建立的软件实体健康度模型，获取所述软件实体健康度模型输出的所述目标软件实体的健康度得分；
使用主成分分析法，根据所述目标软件实体的状态信息，确定目标软件实体的健康度关键指标；
根据所述目标软件实体的健康度得分和健康度关键指标，确定所述目标软件实体的优化方向。
第二方面，本发明实施例还提供了一种软件优化方向的确定装置，包括：
状态信息获取模块，用于获取预设监测周期内目标软件实体的状态信息；
健康度得分获取模块，用于将所述目标软件实体的状态信息输入至预建立的软件实体健康度模型，获取所述软件实体健康度模型输出的所述目标软件实体的健康度得分；
健康度关键指标确定模块，用于使用主成分分析法，根据所述目标软件实体的状态信息，确定目标软件实体的健康度关键指标；
优化方向确定模块，用于根据所述目标软件实体的健康度得分和健康度关键指标，确定所述目标软件实体的优化方向。
第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：
一个或多个处理器；
存储器，用于存储一个或多个计算机程序；
当所述一个或多个计算机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执行所述计算机程序时实现本发明任意实施例提供的软件优化方向的确定方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，该存储介质上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例提供的软件优化方向的确定方法。
本发明实施例提供的技术方案，通过获取预设监测周期内目标软件实体的状态信息，并将目标软件实体的状态信息输入至预建立的软件实体健康度模型，以获取该软件实体健康度模型输出的目标软件实体的健康度得分；使用主成分分析法，根据目标软件实体的状态信息，确定目标软件实体的健康度关键指标；并根据目标软件实体的健康度得分和健康度关键指标，确定目标软件实体的优化方向；通过采用软件实体健康度模型和主成分分析法，以根据软件实体的状态信息确定对应的优化方向，可以实现对软件优化方向的自主确定，可以提升对软件优化方向的确定效率。
附图说明
图1A是本发明实施例一中的一种软件优化方向的确定方法的流程图；
图1B是本发明实施例一中的一种监测指标的示意图；
图2A是本发明实施例二中的一种软件优化方向的确定方法的流程图；
图2B是本发明实施例二中的一种健康度得分的计算方法的流程图；
图2C是本发明实施例二中的一种基于主成分分析法的健康度关键指标确定方法的流程图；
图2D是本发明实施例二中的一种综合健康度得分的计算方法的流程图；
图2E是本发明实施例二中的一种软件优化的判别方法的流程图；
图2F是本发明实施例二中的一种软件优化方向的确定方法的流程示意图；
图3是本发明实施例三中的一种软件优化方向的确定装置的结构示意图；
图4是本发明实施例四中的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的实施例。虽然附图中显示了本发明的某些实施例，然而应当理解的是，本发明可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是，本发明的附图及实施例仅用于示例性作用，并非用于限制本发明的保护范围。
实施例一
图1A为本发明实施例一提供的一种软件优化方向的确定方法的流程图，本发明实施例可适用于根据软件实体的状态信息，确定软件实体的自主优化方向的情况；该方法可以由本发明实施例中的软件优化方向的确定装置来执行，该装置可由硬件和/或软件组成，并一般可集成在电子设备中，典型的，可以集成在计算机设备或者服务器中。如图1A所示，该方法具体包括如下步骤：
S110、获取预设监测周期内目标软件实体的状态信息。
其中，预设监测周期，可以是预设的一个时间区间，例如，预设监测周期可以是一天、一周或者一个月等。目标软件实体，可以是当前需要进行状态监测的应用程序，对应的，目标软件实体的状态信息，可以包括目标软件实体在运行过程中所生成的日志、网络访问数据以及优化需求等信息。
在本实施例中，可以在预设监测周期内，通过群体感知对目标软件实体对应的用户反馈信息、运维者反馈信息以及实例状态等各类状态信息进行感知获取。
S120、将所述目标软件实体的状态信息输入至预建立的软件实体健康度模型，获取所述软件实体健康度模型输出的所述目标软件实体的健康度得分。
其中，软件实体健康度模型，用于根据目标软件实体的状态信息，对目标软件实体的健康状况进行分析评估；其输入为获取到的软件实体的状态信息，输出为软件实体对应的健康度得分。
在本实施例的一个可选的实施方式中，在将所述目标软件实体的状态信息输入至预建立的软件实体健康度模型，获取所述软件实体健康度模型输出的所述目标软件实体的健康度得分之前，还可以包括：
根据预设的监测指标建立软件实体健康度模型；其中，软件实体健康度模型的输入为软件实体的状态信息，软件实体健康度模型的输出为软件实体的健康度得分；
其中，预设的监测指标，可以是预先设置的软件实体对应的健康度评估指标，可选的，如图1B所示，预设的监测指标可以包括网络I/O(Input/Output)、磁盘I/O、内存使用率、中央处理单元(Central Processing Unit，CPU)使用率、实体调用每秒查询率、实体调用成功率、实体调用平均时延迟、流量控制、熔断、响应服务降级、紧急告急、重要告急和一般告急。
需要说明的是，在软件实体的实际运行过程中，若CPU使用率过高，则会由于CPU负荷过大导致作业运行缓慢，使得大量的时间消耗在任务切换上，作业本身的计算能力被减弱，且CPU的负载过高会使得任务等待时间增加。而当磁盘过载时，I/O等待时间过长，从而减慢了任务的处理速度；当某个进程占用内存过大，则会影响整个系统性能；当网络负载较大时，节点的响应时间被拉长，可能会导致数据包丢失的情况。
此外，对于事件或任务的执行响应，软件实体的调用每秒查询率(Query PerSecond，QPS)、调用成功率以及调用平均时延会直接关系到其运行效果。同时，大规模网络化软件在运行过程中，其部署平台本身会根据软件实体的状态信息进行简单的调整，例如，容错降级、流量控制等，同时部署平台或服务平台出现的相关告警信息也对整个软件系统有着极大的影响。因此，将上述指标设置为预设的监测指标，可以在各个角度综合考虑软件实体的健康影响因素，从而提升软件实体健康度模型的健康度计算准确度。
对应的，将所述目标软件实体的状态信息输入至预建立的软件实体健康度模型，获取所述软件实体健康度模型输出的所述目标软件实体的健康度得分，可以包括：
从所述目标软件实体的状态信息中提取各预设的监测指标对应的指标信息；根据各预设的监测指标对应的指标信息，以及预设的监测指标和监测维度的对应关系，确定各预设的监测维度对应的维度信息；根据各预设的监测维度对应的维度信息，计算得到各预设的监测维度对应的健康度得分，并根据所述各预设的监测维度对应的健康度得分，计算得到健康度总得分，将所述健康度总得分确定为所述目标软件实体的健康度得分。
需要说明的是，如图1B所示，根据预设的监测指标对应的监测维度，可以将各监测指标划分为4个预设的监测维度，即基础资源关键绩效指标(Key PerformanceIndicators，KPI)维度、性能KPI维度、重要事件维度和告警维度。软件实体健康度模型在计算目标软件实体对应的健康度得分时，可以首先根据预设的监测维度对目标软件实体的状态信息进行维度分类，以获取各预设的监测维度对应的维度信息；然后根据每个预设的监测维度对应的维度信息，计算得到各预设的监测维度对应的健康度得分，最终综合各预设的监测维度对应的健康度得分，计算得到各健康度得分的总得分，以作为目标软件实体对应的健康度得分。
其中，对于重要事件维度和和告警维度，在未监测到相关事件或者告警时，可以默认该两个维度对应的健康度分值为满分(例如，25)，若有监测到相关事件或告警信息，则当前维度对应的健康度得分为满分减去该事件或者告警对应的权值分数。在本实施例中，可以由运维人员或者开发人员根据历史经验，设置各监测指标对应的权值，例如，可以为强制降级事件设置较低的权值分数，而为容错降级事件设置较高的权值分数。
在本实施例的一个具体的实施方式中，基于下述公式计算得到目标软件实体的健康度得分TotalScore：
其中，max和min分别代表标准参考值的最大值和最小值，n表示当前监测维度的衡量因子的数量，x表示性能关键绩效指标KPI维度或者基础资源关键绩效指标KPI维度的衡量因子的数值，Score(x)表示衡量因子的数值为x时，性能KPI维度或者基础资源KPI维度对应的健康度得分，TotalScore(t)表示t时刻下目标软件实体的健康度得分，M表示性能KPI维度和基础资源KPI维度的衡量因子的总数，m表示衡量因子的索引，w表示告警维度，e表示重要事件维度，score(w)表示告警维度的健康度得分，score(e)表示重要事件维度的健康度得分。
在本实施例中，以覆盖90％数据范围的正态区间的最高值和最低值设置为标准参考值，且健康度得分的总分值为100，每个维度对应的健康度分值为25。需要说明的是，设计min≤x≤max这一区间内的计算方式，是考虑到对于某个监测指标，根据其数值无法判别其对应的软件健康状况是好还是坏，此时其特性符合模糊理论中的场景描述定义，故参考模糊隶属度函数的基本形式设计得到了该区间的得分计算方式。
在本实施例中，对于性能KPI维度和基础资源KPI维度，可以基于上述公式计算得到其对应的健康度得分，而对于重要事件维度和告警维度，则可以根据预先设置的各种事件和告警对应的权值分数，计算得到对应的健康度得到。由此，可以获取各预设的监测维度对应的健康度得分。
S130、使用主成分分析法，根据所述目标软件实体的状态信息，确定目标软件实体的健康度关键指标。
其中，主成分分析法(Principal Component Analysis，PCA)，是指使用较少的变量去解释原来样本信息中的大部分变量；选出的比原始变量个数少，并且能解释大部分资料信息的几个新变量就是最终得到的主成分。在本实施例中，使用主成分分析法对目标软件实体的状态信息进行分析，以在预设的监测指标中确定对目标软件实体健康度影响较大的关键指标，即健康度关键指标。
需要说明的是，在采用主成分分析时，样本的主成分一般是随着度量单位的变化而变化，故当变量的度量单位不同，或度量单位相同但是样本的变化范围彼此差异很大时，一般要对变量进行标准化。在本实施例中，可以采用标准差标准化方法对目标软件实体的状态信息进行标准化处理。
S140、根据所述目标软件实体的健康度得分和健康度关键指标，确定所述目标软件实体的优化方向。
在本实施例中，在获取到目标软件实体的健康度得分和健康度关键指标之后，可以将该健康度得分与预设的健康度得分阈值进行比较，若检测到该健康度得分小于或者等于预设的健康度得分阈值，则表示目标软件实体当前存在健康问题，需要进行软件优化，此时可以将健康度关键指标作为目标软件实体的优化方向。其中，软件优化可以是软件自优化，即软件实体根据环境、资源和状态的变化，对自身的参数和资源配置进行动态的调整。
可以理解的是，在正常情况下，各预设的监测指标对健康度得分的影响程度是相同的，而当存在某个监测指标存在异常时，该监测指标对目标软件实体对应的健康度得分影响程度变大，即成为健康度关键指标。因此，在确定目标软件实体需要进行软件优化之后，可以将当前的健康度关键指标作为目标软件实体的优化方向。
上述设置的好处在于：软件实体可以根据自身的状态信息，实现对是否需要进行软件优化的自主判断，且可以实现对优化方向的自主确定，可以避免由数据集中处理导致时延问题，可以提升对优化方向的确定效率。
本发明实施例提供的技术方案，通过获取预设监测周期内目标软件实体的状态信息，并将目标软件实体的状态信息输入至预建立的软件实体健康度模型，以获取该软件实体健康度模型输出的目标软件实体的健康度得分；使用主成分分析法，根据目标软件实体的状态信息，确定目标软件实体的健康度关键指标；并根据目标软件实体的健康度得分和健康度关键指标，确定目标软件实体的优化方向；通过采用软件实体健康度模型和主成分分析法，以根据软件实体的状态信息确定对应的优化方向，可以实现对软件优化方向的自主确定，可以提升对软件优化方向的确定效率。
实施例二
图2A为本发明实施例二提供的一种软件优化方向的确定方法的流程图，本实施例是对上述技术方案的进一步细化，本实施例中的技术方案可以与上述一个或者多个实施方式结合。具体的，参考图2A，该方法具体包括如下步骤：
S210、获取预设监测周期内目标软件实体的状态信息。
S220、将所述目标软件实体的状态信息输入至预建立的软件实体健康度模型，获取所述软件实体健康度模型输出的所述目标软件实体的健康度得分。
在一个具体的例子中，健康度得分的计算流程如图2B所示。具体的，首先根据目标软件实体的状态信息，获取各预设的监测维度对应的维度信息；然后针对基础资源KPI维度和性能KPI维度对应的维度信息，采用预设的公式计算上述两个监测维度对应健康度得分；同时针对重要事件维度和告警维度，根据相应事件或者告警的出现情况，以及预设的各事件对应的权重分值和告警对应的权重分值，计算得到重要事件维度和告警维度分别对应的健康度得分。最终，汇总各预设的监测维度对应的健康度得分，计算得到目标软件实体对应的健康度总分值。
S230、在所述目标软件实体的状态信息中，获取与预设的基础指标对应的基础指标信息。
其中，预设的基础指标，可以是在预设的监测指标中筛选得到的健康指标；可选的，预设的基础指标可以包括实体调用QPS、实体调用平均时延、网络I/O、磁盘I/O、内存使用率和CPU使用率。需要说明的是，上述指标互不相关，故可以满足主成分分析法的基本条件。在本实施例中，在获取到目标软件实体的状态信息之后，可以在该状态信息中，筛选得到与各预设的基础指标对应的数据，以作为对应的基础指标信息。
S240、根据各预设的基础指标对应的基础指标信息，生成目标软件实体对应的状态矩阵。
其中，将一个预设的基础指标对应的基础指标信息作为矩阵的一行，对各预设的基础指标对应的基础指标信息进行拼接，以获取目标软件实体对应的状态矩阵。例如，若预设的基础指标的数量为6，每个基础指标对应的基础指标信息包括的数据数量为m，则状态矩阵即为6行m列的矩阵。
S250、对所述目标软件实体对应的状态矩阵的每一行数据分别进行零均值化处理，获取零均值化处理后的状态矩阵，并计算得到所述零均值化处理后的状态矩阵对应的状态协方差矩阵。
其中，对每一行数据进行零均值化处理，是指使用各行的每一个数据减去对应行各数据的平均值。在本实施例中，对目标软件实体对应的状态矩阵的每一行数据分别进行零均值化处理，以获取零均值化处理后的状态矩阵；然后在零均值化处理后的状态矩阵的基础上，计算得到其对应的协方差矩阵，以作为对应的状态协方差矩阵。
S260、计算得到所述状态协方差矩阵的特征值和各特征值对应的特征向量，并按照各特征值降序递减的方式，将各特征值对应的特征向量排列成特征向量矩阵，并获取所述特征向量矩阵的前两行，生成降维特征向量矩阵。
在本实施例中，在得到状态协方差矩阵之后，进一步计算该状态协方差矩阵的特征值和各特征值对应的特征向量，并按照特征值从大到小的顺序，将对应的特征向量按照从上到下的顺序进行排列，以获取对应的特征向量矩阵。然后，取该特征向量矩阵的前两行组成降维特征向量矩阵。
S270、根据所述降维特征向量矩阵和目标软件实体对应的状态矩阵，生成降维状态矩阵。
在本实施例中，可以将降维特征向量矩阵和目标软件实体对应的状态矩阵进行相乘，以获取对应的降维状态矩阵。在一个具体的例子中，降维特征向量矩阵为矩阵P，目标软件实体对应的状态矩阵为矩阵X，则降维状态矩阵可以通过Y＝PX计算得到。此时，Y即为降低维度至2个维度后的数据。
S280、对所述降维状态矩阵的各数据与预统计的样本数据的中值进行矢量计算，并根据矢量计算结果，在所述降维状态矩阵的各数据中获取对应最大矢量差值的目标数据。
在本实施例中，可以将降维状态矩阵的每个数据与预统计的样本数据的中值进行对比，以选出与预统计的样本数据的中值矢量计算后绝对值最大的数据作为目标数据。此时，该目标数据对应的预设的基础指标，即为预设监测周期内的关键影响因素，也即目标软件实体的健康度关键指标。
其中，预先定义各预设的基础指标对应的矢量方向可以为A-B、B-A、B-A、B-A、B-A、B-A和B-A；A-B代表的是使用标准值减去降维后的基础指标信息，B-A代表的是降维后的基础指标信息减去标准值，标准值可以是预统计的样本数据的中值或者平均值。
S290、将所述目标数据对应的预设的基础指标，确定为所述目标软件实体的健康度关键指标。
在一个具体的例子中，基于主成分分析法的健康度关键指标确定流程如图2C所示。具体的，首先选取待分析的监测指标，并根据一定的目标系统常规状态样本数据积累，计算出各监测指标对应指标信息的中值数据作为标准值，并基于该标准值进行标准化处理；然后，基于该标准值确定各监测指标对应的矢量方向。最后，执行主成分分析算法，从各待分析的监测指标中选出健康度关键指标。
S2100、根据所述目标软件实体的健康度得分和健康度关键指标，确定所述目标软件实体的优化方向。
在本实施例的一个可选的实施方式中，根据所述目标软件实体的健康度得分和健康度关键指标，确定所述目标软件实体的优化方向，可以包括：获取预设监测周期内其他软件实体分别对应的其他健康度关键指标，以及各其他健康度关键指标对应的矢量差值；采用波达计数方法，根据预设监测周期内各软件实体对应的健康度关键指标和与健康度关键指标对应的矢量差值，确定各健康度关键指标对应的投票得分；从所述各健康度关键指标中，获取对应最高投票得分的目标健康度关键指标，并将所述目标健康度关键指标确定为所述目标软件实体的优化方向。
其中，波达计数方法，为一种投票制度；在波达计数中，投票人按喜好对候选者进行排列，若候选者在选票的排第一位，则得到排在第一位对应的分数；排第二位则得到一个较小对应的分数。依此类推，最终分数累计下来得分最高的候选者取胜。
在本实施例中，将各健康度关键指标视为被投票的候选人，各软件实体对应的两个健康度关键指标及其对应的矢量差值信息，相当于对应选择的候选者排位的第一和第二位。在遍历统计完所有的软件实体结果后，可以根据最终得分，得到得分第一的健康度关键指标，即目标健康度关键指标。同时，根据遍历记录信息，我们还可以获知到对于该目标健康度关键指标，对应的矢量差值信息最大的某个软件实体。
在本实施例的另一个可选的实施方式中，本实施例的技术方案，还可以包括：将预统计的样本数据按照是否需要进行优化进行划分，以获取需要优化的第一样本集和不需优化的第二样本集；获取所述第一样本集对应的第一均值向量，以及所述第二样本集对应的第二均值向量；
获取所述目标软件实体的状态信息对应的目标状态向量，并分别计算所述目标状态向量与所述第一均值向量的第一马氏距离，以及所述目标状态向量与所述第二均值向量的第二马氏距离；若所述第一马氏距离小于所述第二马氏距离，则确定所述目标软件实体需要进行优化；若所述第一马氏距离大于或者等于所述第二马氏距离，则确定所述目标软件实体不需要进行优化。
在一个具体的例子中，将总样本数目为N的预统计的样本数据分为两组，分别为总样本数为M的需要优化的第一样本集X1～XM和总样本数为N-M的不需优化的第二样本集Y1～YN-M。X1～XM构成的协方差矩阵记为Sm，其均值记为向量μm，Y1～YN-M构成的协方差矩阵记为Snm，其均值记为向量μnm，对于某个样本X，通过下述公式分别计算其到向量μm的马氏距离D1(X)，以及其到向量μnm的马氏距离D2(X)：
其中，相对小的马氏距离值即表示距离该分类更接近，以此来判别当前软件实体是否需要进行优化。例如，若D1(X)小于D2(X)，则表示当前的状态信息距离第一样本集更近，而第一样本集对应需要优化，则表示目标软件体当前需要进行优化。若D1(X)大于D2(X)，则表示当前的状态信息距离第二样本集更近，而第二样本集对应不需优化，则表示目标软件体当前不需要进行优化。
可选的，可以采用隐马尔可夫预测模式，根据目标软件实体的状态信息，获取对应的优化预测结果(例如，是否需要优化)，根据该优化预测结果和根据马氏距离确定的优化判别结果，确定目标软件实体是否需要优化。具体的，若D1(X)大于D2(X)，但D1(X)和D2(X)之间的差值很小，此时即使更偏向于不需要优化的结果，但是采用隐马尔可夫预测模式得到的优化预测结果是需要进行优化，最终确定目标软件实体需要优化。通过上述设置，可以提升对软件是否需要进行优化的判别准确度。
在本实施例的另一个可选的实施方式中，本实施例的技术方案，还可以包括：基于下述公式获取预设监测周期内多个软件实体与目标监测维度对应的综合健康度得分TS：
其中，i表示预设监测周期内的第i个软件实体，n表示预设监测周期内的软件实体的总个数，Si(t)表示t时刻第i个软件实体与目标监测维度对应的健康度得分，而Si(t+T)表示一个预设监测周期T后第i个软件实体与目标监测维度对应的健康度得分，a1和a2分别代表对应的计算权值，二者的和为1；current_time为当前系统时间，T为预设监测周期的时长，weight对应a1，a2对应1-weight。
其中，目标监测维度，可以是预先指定的一个预设的监测维度，例如，目标监测维度可以是性能KPI维度或者基础资源KPI维度。在本实施例中，软件系统可以根据实际需要，在不同的监测周期设置相同或者不同的目标监测维度。
在一个具体的例子中，综合健康度得分的计算流程如图2D所示。具体的，首先通过感知获取各软件实体的状态信息，并计算动态权值Weight，然后基于确定的动态权值，计算各软件实体与目标监测维度对应的综合健康度得分。最后，基于波达计数方法进行优化方向的综合分析，并记录状态评估结果信息。
在本实施例中，在确定目标软件实体对应的目标优化方向之后，可以生成目标软件实体对应的状态评估结果，其形式可以为{TotalScore，ModelInfo，Direction}，其中，TotalScore表示目标软件实体对应的健康度得分，ModelInfo表示目标软件实体在各监测维度下的维度信息，Direction表示目标软件实体对应的目标优化方向。其中，ModelInfo中数据的形式可以为多个<lable，data>形式的数组，lable为目标软件实体对应的某一监测指标，data为该项监测指标对应的数据信息。
本发明实施例提供的技术方案，通过使用主成分分析法，根据目标软件实体的状态信息，确定目标软件实体的健康度关键指标，可以实现对目标软件实体对应优化方向的准确确定，从而为后续的软件自优化提供了明确的优化方向，可以提升软件自优化的效率，实现对软件实体的实时自优化。
在本实施例的一个具体的实施方式中，软件优化的判别流程如图2E示。具体的，首先采用软件实体健康度模型，基于感知到的所有软件实例及其所在节点的状态数据，开展软件实体健康度分析；然后，结合软件实体健康度和感知数据，通过基于隐马尔科夫模型的在线预测方法，对软件实体的健康度以及软件实体所有实例下一时段的状态进行预测；最终，综合考虑评估结果和预测结果，采用基于马氏距离的优化判别方法，计算判别是否需要对软件实例进行优化。
此外，本实施例的技术方案还可以应用于节点维度的分析预测，通过对下一时段的节点状态进行主动预测，可以驱动节点实现自优化调整。具体的，首先分析当前节点状态是否需要优化，若需要则直接进行优化决策操作，否则，进行节点状态预测操作和优化判别操作。
在一个具体的例子中，软件优化方向的确定方法的流程可以如图2F所示。具体的，首先选取合适的监测指标建立软件实体健康度模型，然后获取到监测指标对应的软件实体状态信息，并根据软件实体状态信息，分析得到软件实体健康度和健康度得分，同时利用主成分分析法，根据软件实体状态信息分析得到当前影响软件实体健康度的关键指标。最后，基于马氏距离来完成对目标软件系统自优化分析的综合判别。
实施例三
图3为本发明实施例三提供的一种软件优化方向的确定装置的结构示意图。该装置可以应用于对公产品综合管理平台。如图3所示，该装置包括：状态信息获取模块310、健康度得分获取模块320、健康度关键指标确定模块330和优化方向确定模块340。其中，
状态信息获取模块310，用于获取预设监测周期内目标软件实体的状态信息；
健康度得分获取模块320，用于将所述目标软件实体的状态信息输入至预建立的软件实体健康度模型，获取所述软件实体健康度模型输出的所述目标软件实体的健康度得分；
健康度关键指标确定模块330，用于使用主成分分析法，根据所述目标软件实体的状态信息，确定目标软件实体的健康度关键指标；
优化方向确定模块340，用于根据所述目标软件实体的健康度得分和健康度关键指标，确定所述目标软件实体的优化方向。
本发明实施例提供的技术方案，通过获取预设监测周期内目标软件实体的状态信息，并将目标软件实体的状态信息输入至预建立的软件实体健康度模型，以获取该软件实体健康度模型输出的目标软件实体的健康度得分；使用主成分分析法，根据目标软件实体的状态信息，确定目标软件实体的健康度关键指标；并根据目标软件实体的健康度得分和健康度关键指标，确定目标软件实体的优化方向；通过采用软件实体健康度模型和主成分分析法，以根据软件实体的状态信息确定对应的优化方向，可以实现对软件优化方向的自主确定，可以提升对软件优化方向的确定效率。
可选的，在上述技术方案的基础上，所述软件优化方向的确定装置，还包括：
软件实体健康度模型建立模块，用于根据预设的监测指标建立软件实体健康度模型；其中，软件实体健康度模型的输入为软件实体的状态信息，软件实体健康度模型的输出为软件实体的健康度得分；
健康度得分获取模块320，包括：
指标信息获取单元，用于从所述目标软件实体的状态信息中提取各预设的监测指标对应的指标信息；
维度信息确定单元，用于根据各预设的监测指标对应的指标信息，以及预设的监测指标和监测维度的对应关系，确定各预设的监测维度对应的维度信息；
健康度总得分计算单元，用于根据各预设的监测维度对应的维度信息，计算得到各预设的监测维度对应的健康度得分，并根据所述各预设的监测维度对应的健康度得分，计算得到健康度总得分，将所述健康度总得分确定为所述目标软件实体的健康度得分。
可选的，在上述技术方案的基础上，所述预设的监测维度包括性能关键绩效指标维度、基础资源关键绩效指标维度、告警维度和重要事件维度；
健康度总得分计算单元，具体用于基于下述公式计算得到目标软件实体的健康度得分TotalScore：
其中，max和min分别代表标准参考值的最大值和最小值，n表示当前监测维度的衡量因子的数量，x表示性能关键绩效指标KPI维度或者基础资源关键绩效指标KPI维度的衡量因子的数值，Score(x)表示衡量因子的数值为x时，性能KPI维度或者基础资源KPI维度对应的健康度得分，TotalScore(t)表示t时刻下目标软件实体的健康度得分，M表示性能KPI维度和基础资源KPI维度的衡量因子的总数，m表示衡量因子的索引，w表示告警维度，e表示重要事件维度，score(w)表示告警维度的健康度得分，score(e)表示重要事件维度的健康度得分。
可选的，在上述技术方案的基础上，健康度关键指标确定模块330，包括：
基础指标信息获取单元，用于在所述目标软件实体的状态信息中，获取与预设的基础指标对应的基础指标信息；
状态矩阵生成单元，用于根据各预设的基础指标对应的基础指标信息，生成目标软件实体对应的状态矩阵；
状态协方差矩阵获取单元，用于对所述目标软件实体对应的状态矩阵的每一行数据分别进行零均值化处理，获取零均值化处理后的状态矩阵，并计算得到所述零均值化处理后的状态矩阵对应的状态协方差矩阵；
降维特征向量矩阵生成单元，用于计算得到所述状态协方差矩阵的特征值和各特征值对应的特征向量，并按照各特征值降序递减的方式，将各特征值对应的特征向量排列成特征向量矩阵，并获取所述特征向量矩阵的前两行，生成降维特征向量矩阵；
降维状态矩阵生成单元，用于根据所述降维特征向量矩阵和目标软件实体对应的状态矩阵，生成降维状态矩阵；
目标数据获取单元，用于对所述降维状态矩阵的各数据与预统计的样本数据的中值进行矢量计算，并根据矢量计算结果，在所述降维状态矩阵的各数据中获取对应最大矢量差值的目标数据；
健康度关键指标确定单元，用于将所述目标数据对应的预设的基础指标，确定为所述目标软件实体的健康度关键指标。
可选的，在上述技术方案的基础上，优化方向确定模块340，包括：
矢量差值获取单元，用于获取预设监测周期内其他软件实体分别对应的其他健康度关键指标，以及各其他健康度关键指标对应的矢量差值；
投票得分确定单元，用于采用波达计数方法，根据预设监测周期内各软件实体对应的健康度关键指标和与健康度关键指标对应的矢量差值，确定各健康度关键指标对应的投票得分；
优化方向确定单元，用于从所述各健康度关键指标中，获取对应最高投票得分的目标健康度关键指标，并将所述目标健康度关键指标确定为所述目标软件实体的优化方向。
可选的，在上述技术方案的基础上，所述软件优化方向的确定装置，还包括：
样本数据划分模块，用于将预统计的样本数据按照是否需要进行优化进行划分，以获取需要优化的第一样本集和不需优化的第二样本集；
均值向量获取模块，用于获取所述第一样本集对应的第一均值向量，以及所述第二样本集对应的第二均值向量；
马氏距离计算模块，用于获取所述目标软件实体的状态信息对应的目标状态向量，并分别计算所述目标状态向量与所述第一均值向量的第一马氏距离，以及所述目标状态向量与所述第二均值向量的第二马氏距离；
优化确定模块，用于若所述第一马氏距离小于所述第二马氏距离，则确定所述目标软件实体需要进行优化；若所述第一马氏距离大于或者等于所述第二马氏距离，则确定所述目标软件实体不需要进行优化。
可选的，在上述技术方案的基础上，所述软件优化方向的确定装置，还包括：
综合健康度得分获取模块，用于基于下述公式获取预设监测周期内多个软件实体与目标监测维度对应的综合健康度得分TS：
其中，i表示预设监测周期内的第i个软件实体，n表示预设监测周期内的软件实体的总个数，Si(t)表示t时刻第i个软件实体与目标监测维度对应的健康度得分，而Si(t+T)表示一个预设监测周期T后第i个软件实体与目标监测维度对应的健康度得分，a1和a2分别代表对应的计算权值，二者的和为1；current_time为当前系统时间，T为预设监测周期的时长，weight对应a1，a2对应1-weight。
上述装置可执行本发明前述实施例所提供的软件优化方向的确定方法，具备执行上述方法相应的功能模块和有益效果。未在本发明实施例中详尽描述的技术细节，可参见本发明前述实施例所提供的软件优化方向的确定方法。
实施例四
图4为本发明实施例四提供的一种电子设备的结构示意图，如图4所示，该电子设备包括处理器410、存储器420、输入装置430和输出装置440；电子设备中处理器410的数量可以是一个或多个，图4中以一个处理器410为例；电子设备中的处理器410、存储器420、输入装置430和输出装置440可以通过总线或其他方式连接，图4中以通过总线连接为例。存储器420作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明任意实施例中的一种软件优化方向的确定方法对应的程序指令/模块(例如，一种软件优化方向的确定装置中的状态信息获取模块310、健康度得分获取模块320、健康度关键指标确定模块330和优化方向确定模块340)。处理器410通过运行存储在存储器420中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述的一种软件优化方向的确定方法。
也即，该程序被处理器执行时实现：
获取预设监测周期内目标软件实体的状态信息；
将所述目标软件实体的状态信息输入至预建立的软件实体健康度模型，获取所述软件实体健康度模型输出的所述目标软件实体的健康度得分；
使用主成分分析法，根据所述目标软件实体的状态信息，确定目标软件实体的健康度关键指标；
根据所述目标软件实体的健康度得分和健康度关键指标，确定所述目标软件实体的优化方向。
存储器420可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器420可进一步包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入，可以包括键盘和鼠标等。输出装置440可包括显示屏等显示设备。
实施例五
本发明实施例五还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例所述方法。当然，本发明实施例所提供的一种计算机可读存储介质，其可以执行本发明任意实施例所提供的一种软件优化方向的确定方法中的相关操作。也即，该程序被处理器执行时实现：
获取预设监测周期内目标软件实体的状态信息；
将所述目标软件实体的状态信息输入至预建立的软件实体健康度模型，获取所述软件实体健康度模型输出的所述目标软件实体的健康度得分；
使用主成分分析法，根据所述目标软件实体的状态信息，确定目标软件实体的健康度关键指标；
根据所述目标软件实体的健康度得分和健康度关键指标，确定所述目标软件实体的优化方向。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，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，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台电子设备(可以是个人计算机，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。
值得注意的是，上述软件优化方向的确定装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种软件优化方向的确定方法，其特征在于，包括：
获取预设监测周期内目标软件实体的状态信息；
将所述目标软件实体的状态信息输入至预建立的软件实体健康度模型，获取所述软件实体健康度模型输出的所述目标软件实体的健康度得分；
使用主成分分析法，根据所述目标软件实体的状态信息，确定目标软件实体的健康度关键指标；
根据所述目标软件实体的健康度得分和健康度关键指标，确定所述目标软件实体的优化方向。
2.根据权利要求1所述的方法，其特征在于，在将所述目标软件实体的状态信息输入至预建立的软件实体健康度模型，获取所述软件实体健康度模型输出的所述目标软件实体的健康度得分之前，还包括：
根据预设的监测指标建立软件实体健康度模型；其中，软件实体健康度模型的输入为软件实体的状态信息，软件实体健康度模型的输出为软件实体的健康度得分；
将所述目标软件实体的状态信息输入至预建立的软件实体健康度模型，获取所述软件实体健康度模型输出的所述目标软件实体的健康度得分，包括：
从所述目标软件实体的状态信息中提取各预设的监测指标对应的指标信息；
根据各预设的监测指标对应的指标信息，以及预设的监测指标和监测维度的对应关系，确定各预设的监测维度对应的维度信息；
根据各预设的监测维度对应的维度信息，计算得到各预设的监测维度对应的健康度得分，并根据所述各预设的监测维度对应的健康度得分，计算得到健康度总得分，将所述健康度总得分确定为所述目标软件实体的健康度得分。
3.根据权利要求2所述的方法，其特征在于，所述预设的监测维度包括性能关键绩效指标维度、基础资源关键绩效指标维度、告警维度和重要事件维度；
根据各预设的监测维度对应的维度信息，计算得到各预设的监测维度对应的健康度得分，并根据所述各预设的监测维度对应的健康度得分，计算得到健康度总得分，将所述健康度总得分确定为所述目标软件实体的健康度得分，包括：
基于下述公式计算得到目标软件实体的健康度得分TotalScore：
其中，max和min分别代表标准参考值的最大值和最小值，n表示当前监测维度的衡量因子的数量，x表示性能关键绩效指标KPI维度或者基础资源关键绩效指标KPI维度的衡量因子的数值，Score(x)表示衡量因子的数值为x时，性能KPI维度或者基础资源KPI维度对应的健康度得分，TotalScore(t)表示t时刻下目标软件实体的健康度得分，M表示性能KPI维度和基础资源KPI维度的衡量因子的总数，m表示衡量因子的索引，w表示告警维度，e表示重要事件维度，score(w)表示告警维度的健康度得分，score(e)表示重要事件维度的健康度得分。
4.根据权利要求1所述的方法，其特征在于，使用主成分分析法，根据所述目标软件实体的状态信息，确定目标软件实体的健康度关键指标，包括：
在所述目标软件实体的状态信息中，获取与预设的基础指标对应的基础指标信息；
根据各预设的基础指标对应的基础指标信息，生成目标软件实体对应的状态矩阵；
对所述目标软件实体对应的状态矩阵的每一行数据分别进行零均值化处理，获取零均值化处理后的状态矩阵，并计算得到所述零均值化处理后的状态矩阵对应的状态协方差矩阵；
计算得到所述状态协方差矩阵的特征值和各特征值对应的特征向量，并按照各特征值降序递减的方式，将各特征值对应的特征向量排列成特征向量矩阵，并获取所述特征向量矩阵的前两行，生成降维特征向量矩阵；
根据所述降维特征向量矩阵和目标软件实体对应的状态矩阵，生成降维状态矩阵；
对所述降维状态矩阵的各数据与预统计的样本数据的中值进行矢量计算，并根据矢量计算结果，在所述降维状态矩阵的各数据中获取对应最大矢量差值的目标数据；
将所述目标数据对应的预设的基础指标，确定为所述目标软件实体的健康度关键指标。
5.根据权利要求4所述的方法，其特征在于，根据所述目标软件实体的健康度得分和健康度关键指标，确定所述目标软件实体的优化方向，包括：
获取预设监测周期内其他软件实体分别对应的其他健康度关键指标，以及各其他健康度关键指标对应的矢量差值；
采用波达计数方法，根据预设监测周期内各软件实体对应的健康度关键指标和与健康度关键指标对应的矢量差值，确定各健康度关键指标对应的投票得分；
从所述各健康度关键指标中，获取对应最高投票得分的目标健康度关键指标，并将所述目标健康度关键指标确定为所述目标软件实体的优化方向。
6.根据权利要求4所述的方法，其特征在于，还包括：
将预统计的样本数据按照是否需要进行优化进行划分，以获取需要优化的第一样本集和不需优化的第二样本集；
获取所述第一样本集对应的第一均值向量，以及所述第二样本集对应的第二均值向量；
获取所述目标软件实体的状态信息对应的目标状态向量，并分别计算所述目标状态向量与所述第一均值向量的第一马氏距离，以及所述目标状态向量与所述第二均值向量的第二马氏距离；
若所述第一马氏距离小于所述第二马氏距离，则确定所述目标软件实体需要进行优化；若所述第一马氏距离大于或者等于所述第二马氏距离，则确定所述目标软件实体不需要进行优化。
7.根据权利要求5所述的方法，其特征在于，还包括：
基于下述公式获取预设监测周期内多个软件实体与目标监测维度对应的综合健康度得分TS：
其中，i表示预设监测周期内的第i个软件实体，n表示预设监测周期内的软件实体的总个数，Si(t)表示t时刻第i个软件实体与目标监测维度对应的健康度得分，而Si(t+T)表示一个预设监测周期T后第i个软件实体与目标监测维度对应的健康度得分，a1和a2分别代表对应的计算权值，二者的和为1；current_time为当前系统时间，T为预设监测周期的时长，weight对应a1，a2对应1-weight。
8.一种软件优化方向的确定装置，其特征在于，包括：
状态信息获取模块，用于获取预设监测周期内目标软件实体的状态信息；
健康度得分获取模块，用于将所述目标软件实体的状态信息输入至预建立的软件实体健康度模型，获取所述软件实体健康度模型输出的所述目标软件实体的健康度得分；
健康度关键指标确定模块，用于使用主成分分析法，根据所述目标软件实体的状态信息，确定目标软件实体的健康度关键指标；
优化方向确定模块，用于根据所述目标软件实体的健康度得分和健康度关键指标，确定所述目标软件实体的优化方向。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个计算机程序；
当所述一个或多个计算机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执行所述计算机程序时实现如权利要求1-7中任一所述的软件优化方向的确定方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-7中任一所述的软件优化方向的确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210113877.6A CN114443496A (zh) | 2022-01-30 | 2022-01-30 | 一种软件优化方向的确定方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210113877.6A CN114443496A (zh) | 2022-01-30 | 2022-01-30 | 一种软件优化方向的确定方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114443496A true CN114443496A (zh) | 2022-05-06 |
Family
ID=81371900
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210113877.6A Pending CN114443496A (zh) | 2022-01-30 | 2022-01-30 | 一种软件优化方向的确定方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114443496A (zh) |
-
2022
- 2022-01-30 CN CN202210113877.6A patent/CN114443496A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101984730B1 (ko) | 서버 장애 자동 예측 시스템 및 자동 예측 방법 | |
| CN111212038B (zh) | 基于大数据人工智能的开放数据api网关系统 | |
| KR102522005B1 (ko) | 가상 네트워크 관리를 위한 머신 러닝 기반 vnf 이상 탐지 시스템 및 방법 | |
| CN107707431A (zh) | 一种面向云平台的数据安全监测方法及系统 | |
| KR102118670B1 (ko) | Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법 | |
| US7778715B2 (en) | Methods and systems for a prediction model | |
| CN111310139B (zh) | 行为数据识别方法、装置及存储介质 | |
| CN115270986A (zh) | 数据异常检测方法、装置和计算机设备 | |
| CN113408548A (zh) | 变压器异常数据检测方法、装置、计算机设备和存储介质 | |
| CN112363896A (zh) | 日志异常检测系统 | |
| CN116909712A (zh) | 基于机器学习的智能任务调度系统及其方法 | |
| CN113438110A (zh) | 一种集群性能的评价方法、装置、设备及存储介质 | |
| WO2024066331A1 (zh) | 网络异常检测方法、装置、电子设备及存储介质 | |
| CN115378928B (zh) | 基于云服务的监控方法及系统 | |
| CN118228130B (zh) | 一种基于设备健康状态的监测方法、系统和存储介质 | |
| CN118041661A (zh) | 基于深度学习的异常网络流量监测方法、装置、设备及可读存储介质 | |
| CN114338351B (zh) | 网络异常根因确定方法、装置、计算机设备及存储介质 | |
| CN117391458B (zh) | 基于数据分析的安全生产风险检测预警方法及系统 | |
| CN110413482B (zh) | 检测方法和装置 | |
| CN114443496A (zh) | 一种软件优化方向的确定方法、装置、设备及介质 | |
| CN111614504A (zh) | 基于时间序列和故障树分析的电网调控数据中心业务特性故障定位方法及系统 | |
| CN114745407B (zh) | 电力物联网的安全态势感知方法、装置、设备及介质 | |
| Carlsson et al. | Possibilistic bayes modelling for predictive analytics | |
| CN112907124A (zh) | 一种数据链路异常评测方法、装置、电子设备及存储介质 | |
| CN118467523B (zh) | 针对配电网量测装置的量测数据质量评价方法及系统 |
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 |