CN114780371A - 基于多曲线拟合的压测指标分析方法、装置、设备及介质 - Google Patents

基于多曲线拟合的压测指标分析方法、装置、设备及介质 Download PDF

Info

Publication number
CN114780371A
CN114780371A CN202210505211.5A CN202210505211A CN114780371A CN 114780371 A CN114780371 A CN 114780371A CN 202210505211 A CN202210505211 A CN 202210505211A CN 114780371 A CN114780371 A CN 114780371A
Authority
CN
China
Prior art keywords
fitting
data
pressure
preset
curve
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
Application number
CN202210505211.5A
Other languages
English (en)
Inventor
赵辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202210505211.5A priority Critical patent/CN114780371A/zh
Publication of CN114780371A publication Critical patent/CN114780371A/zh
Pending legal-status Critical Current

Links

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
    • G06F11/3452—Performance evaluation by statistical analysis
    • 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
    • G06F11/3466—Performance evaluation by tracing or monitoring
    • G06F11/3476—Data logging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Measuring Fluid Pressure (AREA)

Abstract

本发明涉及人工智能技术，揭露了一种基于多曲线拟合的压测指标分析方法，包括：按照第一预设时间对目标系统的业务曝光数据进行正态拟合；根据拟合曲线从业务曝光数据内选取曝光量大于预设第一阈值的数据；按照第二预设时间对第一数据集进行泊松拟合，并根据拟合曲线从第一数据集内选取曝光量大于预设第二阈值的数据；分析被选取的数据的压力预估指标；获取目标系统的同类系统的压力均值，根据压力均值对压力预估值进行数值修正，得到目标系统的压力测试指标。此外，本发明还涉及区块链技术，业务曝光数据可存储于区块链的节点。本发明还提出一种基于多曲线拟合的压测指标分析装置、设备及介质。本发明可以提高进行产品压测时的精细化程度。

Description

基于多曲线拟合的压测指标分析方法、装置、设备及介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于多曲线拟合的压测指标分析方法、装置、电子设备及计算机可读存储介质。
背景技术
随着互联网产品的迅速发展，为了实现利用单独产品向用户提供多样化服务的功能，会造成每个产品的架构十分庞大，进而，为了提升产品运维的效率，越来越多的产品供应商在产品发布前，需对产品进行严格的运维测试。
目前主要的产品测试方法为基于固定指数上调的测试方法。例如，对于产品的访问测试时，先基于经验对产品在预设时间内进行固定次数的曝光访问，并按照固定倍数参数逐步加大对曝光访问曝的次数，以此测试产品的在不同访问曝光的压力下的性能，但该方法按照固定的倍数增长，只能测试出在一定倍数范围内产品面对不同访问曝光的压力下的性能，无法对测试出的性能指标进行细化，即测试出的性能指标的精细化程度较低。
发明内容
本发明提供一种基于多曲线拟合的压测指标分析方法、装置及计算机可读存储介质，其主要目的在于解决进行产品压测时的精细化程度较低的问题。
为实现上述目的，本发明提供的一种基于多曲线拟合的压测指标分析方法，包括：
获取目标系统的业务曝光数据，按照第一预设时间对所述业务曝光数据进行正态拟合，得到第一拟合曲线；
根据所述第一拟合曲线从所述业务曝光数据内选取曝光量大于预设第一阈值的数据为第一数据集；
按照第二预设时间对所述第一数据集进行泊松拟合，得到第二拟合曲线，并根据所述第二拟合曲线从所述第一数据集内选取曝光量大于预设第二阈值的数据为第二数据集；
利用预训练的时序分析模型对所述第一数据集和所述第二数据集进行混合时序分析，得到所述目标系统的压力预估指标；
获取所述目标系统的同类系统的压力均值，根据所述压力均值对所述压力预估值进行数值修正，得到所述目标系统的压力测试指标。
可选地，所述按照第一预设时间对所述业务曝光数据进行正态拟合，得到第一拟合曲线，包括：
将所述业务曝光数据按照每个第一预设时间以及每个第一预设时间对应的曝光量映射至预先构建的坐标系中，得到所述业务曝光数据在不同第一预设时间内曝光量的变动坐标；
利用预设的标准正态函数计算每一个所述变动坐标的拟合坐标；
计算所述拟合坐标与所述变动坐标之间的差异值；
判断所述差异值是否小于预设差异阈值；
当所述差异值大于或等于所述预设差异阈值时，则根据所述差异值对所述初始函数的参数进行调整，并返回利用预设的标准正态函数计算每一个所述变动坐标的拟合坐标的步骤；
当所述差异值小于所述预设差异阈值时，则确定此时的初始函数为第一拟合曲线。
可选地，所述计算所述拟合坐标与所述变动坐标之间的差异值，包括：
利用如下差异算法计算所述拟合坐标与所述变动坐标之间的差异值：
Figure BDA0003637205480000021
其中，D为所述差异值，N为所述变动坐标的数量，ai为第i个变动坐标的横坐标，bi为第i个拟合坐标的横坐标，ci为第i个变动坐标的纵坐标，di为第i个拟合坐标的纵坐标。
可选地，所述按照第二预设时间对所述第一数据集进行泊松拟合，得到第二拟合曲线，包括：
逐个从所述第一数据集内选取选取不同第一预设时间的业务曝光数据为目标数据，将所述目标数据按照第二预设时间进行划分，得到多个第二预设时间数据；
利用预设的泊松分布概率质量函数计算每个所述第二预设时间数据对应的平均发生概率；
按照所述平均发生概率将所述目标数据中每个第二预设时间内的业务曝光数据拟合为第二拟合曲线。
可选地，利用预设的泊松分布概率质量函数计算每个所述第二预设时间数据对应的平均发生概率，包括：
利用如下泊松分布概率质量函数计算每个所述第二预设时间数据对应的平均发生概率
Figure BDA0003637205480000031
其中，P为所述第一数据集内第k个第二预设时间数据对应的平均发生概率，k为所述第一数据集内第k个第二预设时间数据，e为自然底数，λ为预设参数，！为阶乘符号。
可选地，所述利用预训练的时序分析模型对所述第一数据集和所述第二数据集进行混合时序分析，得到所述目标系统的压力预估指标，包括：
将所述第一数据集与所述第二数据集汇集为特征数据；
利用预先构建的时序检测模型将所述特征数据映射至预设特征空间，并统计所述预设特征空间中每一个特征数据的空间坐标；
对所述空间坐标进行曲线拟合，得到拟合函数；
将未来预设时间段作为参数代入所述拟合函数，得到所述未来预设时间段的最大预估曝光量，并将所述最大预估曝光量作为所述目标系统的压力预估指标。
可选地，所述根据所述压力均值对所述压力预估值进行数值修正，得到所述目标系统的压力测试指标，包括：
计算所述压力均值与所述压力预估值的压力差值；
将所述压力差值的倒数绝对值作为所述压力测试指标的修正系数；
计算所述修正系数与所述压力预估值的乘积，并将该乘积结果与所述压力预估值相加，得到所述目标系统的压力测试指标。
为了解决上述问题，本发明还提供一种基于多曲线拟合的压测指标分析装置，所述装置包括：
第一拟合模块，用于获取目标系统的业务曝光数据，按照第一预设时间对所述业务曝光数据进行正态拟合，得到第一拟合曲线；
数据筛选模块，用于根据所述第一拟合曲线从所述业务曝光数据内选取曝光量大于预设第一阈值的数据为第一数据集；
第二拟合模块，用于按照第二预设时间对所述第一数据集进行泊松拟合，得到第二拟合曲线，并根据所述第二拟合曲线从所述第一数据集内选取曝光量大于预设第二阈值的数据为第二数据集；
时序分析模块，用于利用预训练的时序分析模型对所述第一数据集和所述第二数据集进行混合时序分析，得到所述目标系统的压力预估指标；
指标计算模块，用于获取所述目标系统的同类系统的压力均值，根据所述压力均值对所述压力预估值进行数值修正，得到所述目标系统的压力测试指标。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于多曲线拟合的压测指标分析方法。
为了解决上述问题，本发明还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个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于多曲线拟合的压测指标分析方法。
本发明实施例分别按照第一预设时间以及第二预设时间的粒度对目标系统的业务曝光数据进行拟合分析，并利用预训练的时序分析模型将分析得到的两个粒度的分析结果进行时序分析，以得到目标系统的压力预估指标，可提升对该目标系统进行压力测试指标分析的精确度；同时，结合该目标系统的同类系统的压力均值对时序分析得到的压力预估值进行数值修正，有利于进一步提升对该目标系统进行压力测试指标分析的精确度。因此本发明提出的基于多曲线拟合的压测指标分析方法、装置、电子设备及计算机可读存储介质，可以解决进行产品压测时的精细化程度较低的问题。
附图说明
图1为本发明一实施例提供的基于多曲线拟合的压测指标分析方法的流程示意图；
图2为本发明一实施例提供的泊松拟合的流程示意图；
图3为本发明一实施例提供的混合时序分析的流程示意图；
图4为本发明一实施例提供的基于多曲线拟合的压测指标分析装置的功能模块图；
图5为本发明一实施例提供的实现所述基于多曲线拟合的压测指标分析方法的电子设备的结构示意图。
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仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于多曲线拟合的压测指标分析方法。所述基于多曲线拟合的压测指标分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于多曲线拟合的压测指标分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、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(ContentDelivery 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。
参照图1所示，为本发明一实施例提供的基于多曲线拟合的压测指标分析方法的流程示意图。在本实施例中，所述基于多曲线拟合的压测指标分析方法包括：
S1、获取目标系统的业务曝光数据，按照第一预设时间对所述业务曝光数据进行正态拟合，得到第一拟合曲线。
本发明实施例中，所述目标系统可以为任何具有数据响应功能的系统，可供用户进行数据存储、数据传输、数据展示等操作。
详细地，所述业务曝光数据是指所述目标系统在对系统数据数据进行处理的过程中产生的对数据进行展示的记录。例如，所述业务曝光数据包括但不限于该目标系统在将不同业务数据向用户进行展示时，每个业务数据的曝光次数、曝光时长等。
具体地，可利用具有数据抓取功能的计算机语句(如java语句、python语句等)从预先确定的数据存储区域内抓取预先存储的所述业务曝光数据，其中，所述数据存储包括但不限于数据库、区块链节点以及网络缓存等。
本发明其中一个实际应用场景中，为了实现对所述业务曝光数据的精确分析，可按照第一预设时间(24h)为一个时间单位长度对所述业务曝光数据进行正态拟合，以得到所述业务曝光数据对于的第一拟合曲线，该第一拟合曲线用于表示该业务曝光数据在多个第一预设时间中每个第一预设时间的变化情况。
本发明实施例中，所述按照第一预设时间对所述业务曝光数据进行正态拟合，得到第一拟合曲线，包括：将所述业务曝光数据按照每个第一预设时间以及每个第一预设时间对应的曝光量映射至预先构建的坐标系中，得到所述业务曝光数据在不同第一预设时间内曝光量的变动坐标；利用预设的标准正态函数计算每一个所述变动坐标的拟合坐标；计算所述拟合坐标与所述变动坐标之间的差异值；判断所述差异值是否小于预设差异阈值；当所述差异值大于或等于所述预设差异阈值时，则根据所述差异值对所述初始函数的参数进行调整，并返回利用预设的标准正态函数计算每一个所述变动坐标的拟合坐标的步骤；当所述差异值小于所述预设差异阈值时，则确定此时的初始函数为第一拟合曲线。
详细地，可将所述业务曝光数据中每个第一预设时间的曝光量作为因变量，将所述变动时间(第一预设时间)作为自变量映射至预先构建的坐标系中，例如，变动时间为t，曝光量为m，则可将变动时间与曝光量映射至预先构建的坐标系中得到变动坐标(m,t)。
示例性地，所述标准正态函数中，y为所述坐标系中因变量(变动时间)的值，x为所述坐标系中自变量(曝光量)的值，A为预设的待调整参数。
具体地，可将所有变动坐标的横坐标或纵坐标代入所述初始函数，以利用所述初始函数计算得到每一个变动坐标对应的拟合坐标，进而根据所述变动坐标和所述拟合坐标计算得到坐标之间的差异值。
本发明实施例中，所述计算所述拟合坐标与所述变动坐标之间的差异值，包括：
利用如下差异算法计算所述拟合坐标与所述变动坐标之间的差异值：
Figure BDA0003637205480000071
其中，D为所述差异值，N为所述变动坐标的数量，ai为第i个变动坐标的横坐标，bi为第i个拟合坐标的横坐标，ci为第i个变动坐标的纵坐标，di为第i个拟合坐标的纵坐标。
当所述差异值大于或等于预设差异阈值时，可确认该初始函数对所述变动坐标的拟合效果较差，可利用预设的优化函数(如Foundation Toolbox函数、Quick Fit函数等)根据所述差异值对初始函数的参数进行调整，并返回利用预设的初始函数计算每一个所述变动坐标的拟合坐标，重新计算差异值，直至所述差异值小于所述预设差异阈值，确定此时的初始函数为第一拟合曲线。
S2、根据所述第一拟合曲线从所述业务曝光数据内选取曝光量大于预设第一阈值的数据为第一数据集。
本发明其中一个实际应用场景中，当任一业务数据的曝光量越大的时候，说明用户对该业务数据的访问次数越多，此时，也越能体现该目标系统对于用户的访问请求的压力承受水平。
因此，为了实现对目标系统的抗压性能进行精确测试，可按照所述第一拟合曲线对所述业务曝光数据进行筛选，以实现出曝光量大于预设第一阈值的数据，并将筛选出的数据汇集为第一数据集。
本发明实施例中，根据第一拟合曲线从业务曝光数据内选取曝光量大于预设第一阈值的数据为第一数据集，可去除所述业务曝光数据内，曝光量较小的数据，保留该业务曝光数据内曝光量较大的数据，有利于提升后续对利用所述第一数据集对该目标系统的压测性能进行分析的精确度。
S3、按照第二预设时间对所述第一数据集进行泊松拟合，得到第二拟合曲线，并根据所述第二拟合曲线从所述第一数据集内选取曝光量大于预设第二阈值的数据为第二数据集。
本发明其中一个实际应用场景中，由于上述第一数据集是按照第一预设时间的维度对所述业务曝光数据进行分析后得到的，正态分布可显示出所述业务曝光数据集内不同第一预设时间下数据的曝光量，但为了进一步对目标系统的压测性能进行分析，可从第二预设时间的维度对所述第一数据集进行拟合。
详细地，可采用泊松拟合的方式对所述第一数据集进行拟合，得到第二拟合曲线，即将不同数据的曝光事件作为随机事件，利用泊松分布显示出曝光量在不同第二预设时间的发生次数。
本发明实施例中，参图2所示，所述按照第二预设时间对所述第一数据集进行泊松拟合，得到第二拟合曲线，包括：
S21、逐个从所述第一数据集内选取选取不同第一预设时间的业务曝光数据为目标数据，将所述目标数据按照第二预设时间进行划分，得到多个第二预设时间数据；
S22、利用预设的泊松分布概率质量函数计算每个所述第二预设时间数据对应的平均发生概率；
S23、按照所述平均发生概率将所述目标数据中每个第二预设时间内的业务曝光数据拟合为第二拟合曲线。
详细地，所述第二预设时间为1小时(60分钟)。
具体地，所述利用预设的泊松分布概率质量函数计算每个所述第二预设时间数据对应的平均发生概率，包括：
利用如下泊松分布概率质量函数计算每个所述第二预设时间数据对应的平均发生概率
Figure BDA0003637205480000081
其中，P为所述第一数据集内第k个第二预设时间数据对应的平均发生概率，k为所述第一数据集内第k个第二预设时间数据，e为自然底数，λ为预设参数，！为阶乘符号。
本发明实施例中，所述根据所述第二拟合曲线从所述第一数据集内选取曝光量大于预设第二阈值的数据为第二数据集的步骤，与S2中根据所述第一拟合曲线从所述业务曝光数据内选取曝光量大于预设第一阈值的数据为第一数据集的步骤一致，在此不做赘述。
S4、利用预训练的时序分析模型对所述第一数据集和所述第二数据集进行混合时序分析，得到所述目标系统的压力预估指标。
本发明实施例中，所述时序分析模型包括但不限于LightGBM模型、LSTM(Longshort-term memory，长短期记忆)模型。
本发明实施例中，参图3所示，所述利用预训练的时序分析模型对所述第一数据集和所述第二数据集进行混合时序分析，得到所述目标系统的压力预估指标，包括：
S31、将所述第一数据集与所述第二数据集汇集为特征数据；
S32、利用预先构建的时序检测模型将所述特征数据映射至预设特征空间，并统计所述预设特征空间中每一个特征数据的空间坐标；
S33、对所述空间坐标进行曲线拟合，得到拟合函数；
S34、将未来预设时间段作为参数代入所述拟合函数，得到所述未来预设时间段的最大预估曝光量，并将所述最大预估曝光量作为所述目标系统的压力预估指标。
详细地，所述时序检测模型可利用预设的映射函数将所述特征数据映射至预设特征空间，进而确定每一个特征数据在所述预设特征空间中的空间坐标，所述映射函数包括但不限于高斯函数、map函数。
具体地，可利用平滑的曲线对所述预设特征空间中每一个特征数据的空间坐标进行连接，以得到所述空间坐标的拟合函数。
本发明实施例中，得到所述拟合函数之后，可将未来预设时间段作为参数代入所述拟合函数中进行求解，得到未来预设时间段的最大预估曝光量。
S5、获取所述目标系统的同类系统的压力均值，根据所述压力均值对所述压力预估值进行数值修正，得到所述目标系统的压力测试指标。
本发明实施例中，所述同类系统是指与所述目标系统具有相同业务或相似的业务的系统，例如，当所述目标系统为购物系统时，则所述同类系统可以为拥有购物功能的其他计算机系统。
详细地，可获取所述目标系统的同类系统对于的压测指标，并计算该压测指标的均值，得到所述目标系统的同类系统的压力均值。
本发明其中一个实际应用场景中，由于所述压力预估值是对所述目标系统的业务曝光数据进行时序分析后得到的，但为了进一步提升该压力预估值的精确度，可结合该目标系统的同类系统的压力均值，对所述压力预估值进行数值修正。
本发明实施例中，所述根据所述压力均值对所述压力预估值进行数值修正，得到所述目标系统的压力测试指标，包括：
计算所述压力均值与所述压力预估值的压力差值；
将所述压力差值的倒数绝对值作为所述压力测试指标的修正系数；
计算所述修正系数与所述压力预估值的乘积，并将该乘积结果与所述压力预估值相加，得到所述目标系统的压力测试指标。
本发明实施例中，通过结合目标系统的同类系统的压力均值对所述目标系统的压力预估值进行数值修正，有利于提升最终计算得到的压力测试指标的精确度。
本发明实施例分别按照第一预设时间以及第二预设时间的粒度对目标系统的业务曝光数据进行拟合分析，并利用预训练的时序分析模型将分析得到的两个粒度的分析结果进行时序分析，以得到目标系统的压力预估指标，可提升对该目标系统进行压力测试指标分析的精确度；同时，结合该目标系统的同类系统的压力均值对时序分析得到的压力预估值进行数值修正，有利于进一步提升对该目标系统进行压力测试指标分析的精确度。因此本发明提出的基于多曲线拟合的压测指标分析方法，可以解决进行产品压测时的精细化程度较低的问题。
如图4所示，是本发明一实施例提供的基于多曲线拟合的压测指标分析装置的功能模块图。
本发明所述基于多曲线拟合的压测指标分析装置100可以安装于电子设备中。根据实现的功能，所述基于多曲线拟合的压测指标分析装置100可以包括第一拟合模块101、数据筛选模块102、第二拟合模块103、时序分析模块104及指标计算模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述第一拟合模块101，用于获取目标系统的业务曝光数据，按照第一预设时间对所述业务曝光数据进行正态拟合，得到第一拟合曲线；
所述数据筛选模块102，用于根据所述第一拟合曲线从所述业务曝光数据内选取曝光量大于预设第一阈值的数据为第一数据集；
所述第二拟合模块103，用于按照第二预设时间对所述第一数据集进行泊松拟合，得到第二拟合曲线，并根据所述第二拟合曲线从所述第一数据集内选取曝光量大于预设第二阈值的数据为第二数据集；
所述时序分析模块104，用于利用预训练的时序分析模型对所述第一数据集和所述第二数据集进行混合时序分析，得到所述目标系统的压力预估指标；
所述指标计算模块105，用于获取所述目标系统的同类系统的压力均值，根据所述压力均值对所述压力预估值进行数值修正，得到所述目标系统的压力测试指标。
详细地，本发明实施例中所述基于多曲线拟合的压测指标分析装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于多曲线拟合的压测指标分析方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明一实施例提供的实现基于多曲线拟合的压测指标分析方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于多曲线拟合的压测指标分析程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于多曲线拟合的压测指标分析程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11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、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于多曲线拟合的压测指标分析程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图中仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图中示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于多曲线拟合的压测指标分析程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取目标系统的业务曝光数据，按照第一预设时间对所述业务曝光数据进行正态拟合，得到第一拟合曲线；
根据所述第一拟合曲线从所述业务曝光数据内选取曝光量大于预设第一阈值的数据为第一数据集；
按照第二预设时间对所述第一数据集进行泊松拟合，得到第二拟合曲线，并根据所述第二拟合曲线从所述第一数据集内选取曝光量大于预设第二阈值的数据为第二数据集；
利用预训练的时序分析模型对所述第一数据集和所述第二数据集进行混合时序分析，得到所述目标系统的压力预估指标；
获取所述目标系统的同类系统的压力均值，根据所述压力均值对所述压力预估值进行数值修正，得到所述目标系统的压力测试指标。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取目标系统的业务曝光数据，按照第一预设时间对所述业务曝光数据进行正态拟合，得到第一拟合曲线；
根据所述第一拟合曲线从所述业务曝光数据内选取曝光量大于预设第一阈值的数据为第一数据集；
按照第二预设时间对所述第一数据集进行泊松拟合，得到第二拟合曲线，并根据所述第二拟合曲线从所述第一数据集内选取曝光量大于预设第二阈值的数据为第二数据集；
利用预训练的时序分析模型对所述第一数据集和所述第二数据集进行混合时序分析，得到所述目标系统的压力预估指标；
获取所述目标系统的同类系统的压力均值，根据所述压力均值对所述压力预估值进行数值修正，得到所述目标系统的压力测试指标。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明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。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于多曲线拟合的压测指标分析方法，其特征在于，所述方法包括：
获取目标系统的业务曝光数据，按照第一预设时间对所述业务曝光数据进行正态拟合，得到第一拟合曲线；
根据所述第一拟合曲线从所述业务曝光数据内选取曝光量大于预设第一阈值的数据为第一数据集；
按照第二预设时间对所述第一数据集进行泊松拟合，得到第二拟合曲线，并根据所述第二拟合曲线从所述第一数据集内选取曝光量大于预设第二阈值的数据为第二数据集；
利用预训练的时序分析模型对所述第一数据集和所述第二数据集进行混合时序分析，得到所述目标系统的压力预估指标；
获取所述目标系统的同类系统的压力均值，根据所述压力均值对所述压力预估值进行数值修正，得到所述目标系统的压力测试指标。
2.如权利要求1所述的基于多曲线拟合的压测指标分析方法，其特征在于，所述按照第一预设时间对所述业务曝光数据进行正态拟合，得到第一拟合曲线，包括：
将所述业务曝光数据按照每个第一预设时间以及每个第一预设时间对应的曝光量映射至预先构建的坐标系中，得到所述业务曝光数据在不同第一预设时间内曝光量的变动坐标；
利用预设的标准正态函数计算每一个所述变动坐标的拟合坐标；
计算所述拟合坐标与所述变动坐标之间的差异值；
判断所述差异值是否小于预设差异阈值；
当所述差异值大于或等于所述预设差异阈值时，则根据所述差异值对所述初始函数的参数进行调整，并返回利用预设的标准正态函数计算每一个所述变动坐标的拟合坐标的步骤；
当所述差异值小于所述预设差异阈值时，则确定此时的初始函数为第一拟合曲线。
3.如权利要求2所述的基于多曲线拟合的压测指标分析方法，其特征在于，所述计算所述拟合坐标与所述变动坐标之间的差异值，包括：
利用如下差异算法计算所述拟合坐标与所述变动坐标之间的差异值：
Figure FDA0003637205470000021
其中，D为所述差异值，N为所述变动坐标的数量，ai为第i个变动坐标的横坐标，bi为第i个拟合坐标的横坐标，ci为第i个变动坐标的纵坐标，di为第i个拟合坐标的纵坐标。
4.如权利要求1所述的基于多曲线拟合的压测指标分析方法，其特征在于，所述按照第二预设时间对所述第一数据集进行泊松拟合，得到第二拟合曲线，包括：
逐个从所述第一数据集内选取选取不同第一预设时间的业务曝光数据为目标数据，将所述目标数据按照第二预设时间进行划分，得到多个第二预设时间数据；
利用预设的泊松分布概率质量函数计算每个所述第二预设时间数据对应的平均发生概率；
按照所述平均发生概率将所述目标数据中每个第二预设时间内的业务曝光数据拟合为第二拟合曲线。
5.如权利要求4所述的基于多曲线拟合的压测指标分析方法，其特征在于，利用预设的泊松分布概率质量函数计算每个所述第二预设时间数据对应的平均发生概率，包括：
利用如下泊松分布概率质量函数计算每个所述第二预设时间数据对应的平均发生概率
Figure FDA0003637205470000022
其中，P为所述第一数据集内第k个第二预设时间数据对应的平均发生概率，k为所述第一数据集内第k个第二预设时间数据，e为自然底数，λ为预设参数，！为阶乘符号。
6.如权利要求1所述的基于多曲线拟合的压测指标分析方法，其特征在于，所述利用预训练的时序分析模型对所述第一数据集和所述第二数据集进行混合时序分析，得到所述目标系统的压力预估指标，包括：
将所述第一数据集与所述第二数据集汇集为特征数据；
利用预先构建的时序检测模型将所述特征数据映射至预设特征空间，并统计所述预设特征空间中每一个特征数据的空间坐标；
对所述空间坐标进行曲线拟合，得到拟合函数；
将未来预设时间段作为参数代入所述拟合函数，得到所述未来预设时间段的最大预估曝光量，并将所述最大预估曝光量作为所述目标系统的压力预估指标。
7.如权利要求1至6中任一项所述的基于多曲线拟合的压测指标分析方法，其特征在于，所述根据所述压力均值对所述压力预估值进行数值修正，得到所述目标系统的压力测试指标，包括：
计算所述压力均值与所述压力预估值的压力差值；
将所述压力差值的倒数绝对值作为所述压力测试指标的修正系数；
计算所述修正系数与所述压力预估值的乘积，并将该乘积结果与所述压力预估值相加，得到所述目标系统的压力测试指标。
8.一种基于多曲线拟合的压测指标分析装置，其特征在于，所述装置包括：
第一拟合模块，用于获取目标系统的业务曝光数据，按照第一预设时间对所述业务曝光数据进行正态拟合，得到第一拟合曲线；
数据筛选模块，用于根据所述第一拟合曲线从所述业务曝光数据内选取曝光量大于预设第一阈值的数据为第一数据集；
第二拟合模块，用于按照第二预设时间对所述第一数据集进行泊松拟合，得到第二拟合曲线，并根据所述第二拟合曲线从所述第一数据集内选取曝光量大于预设第二阈值的数据为第二数据集；
时序分析模块，用于利用预训练的时序分析模型对所述第一数据集和所述第二数据集进行混合时序分析，得到所述目标系统的压力预估指标；
指标计算模块，用于获取所述目标系统的同类系统的压力均值，根据所述压力均值对所述压力预估值进行数值修正，得到所述目标系统的压力测试指标。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的基于多曲线拟合的压测指标分析方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于多曲线拟合的压测指标分析方法。
CN202210505211.5A 2022-05-10 2022-05-10 基于多曲线拟合的压测指标分析方法、装置、设备及介质 Pending CN114780371A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210505211.5A CN114780371A (zh) 2022-05-10 2022-05-10 基于多曲线拟合的压测指标分析方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210505211.5A CN114780371A (zh) 2022-05-10 2022-05-10 基于多曲线拟合的压测指标分析方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN114780371A true CN114780371A (zh) 2022-07-22

Family

ID=82436870

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210505211.5A Pending CN114780371A (zh) 2022-05-10 2022-05-10 基于多曲线拟合的压测指标分析方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN114780371A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115792653A (zh) * 2023-02-02 2023-03-14 斯润天朗（北京）科技有限公司 锂电池电压曲线的回归拟合方法、装置及计算机设备
WO2024066720A1 (zh) * 2022-09-30 2024-04-04 中兴通讯股份有限公司 指标阈值的确定方法、装置、存储介质及电子装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024066720A1 (zh) * 2022-09-30 2024-04-04 中兴通讯股份有限公司 指标阈值的确定方法、装置、存储介质及电子装置
CN115792653A (zh) * 2023-02-02 2023-03-14 斯润天朗（北京）科技有限公司 锂电池电压曲线的回归拟合方法、装置及计算机设备

Similar Documents

Publication Publication Date Title
CN114780371A (zh) 基于多曲线拟合的压测指标分析方法、装置、设备及介质
CN109309596B (zh) 一种压力测试方法、装置及服务器
CN113504935A (zh) 软件开发质量评估方法、装置、电子设备及可读存储介质
CN112306835A (zh) 用户数据监控分析方法、装置、设备及介质
CN114186132A (zh) 信息推荐方法、装置、电子设备及存储介质
CN114612194A (zh) 产品推荐方法、装置、电子设备及存储介质
CN113868529A (zh) 知识推荐方法、装置、电子设备及可读存储介质
CN112732567A (zh) 基于ip的mock数据测试方法、装置、电子设备及存储介质
CN114880238A (zh) 移动端界面测试方法、装置、设备及存储介质
CN114219023A (zh) 数据聚类方法、装置、电子设备及可读存储介质
CN113434542B (zh) 数据关系识别方法、装置、电子设备及存储介质
CN112486957B (zh) 数据库迁移检测方法、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
CN113627160A (zh) 文本纠错方法、装置、电子设备及存储介质
CN116401602A (zh) 事件检测方法、装置、设备及计算机可读介质
CN113139129B (zh) 虚拟阅读轨迹图生成方法、装置、电子设备及存储介质
CN114461630A (zh) 智能归因分析方法、装置、设备及存储介质
CN115119197A (zh) 基于大数据的无线网络风险分析方法、装置、设备及介质
CN112561500B (zh) 基于用户数据的薪酬数据生成方法、装置、设备及介质
CN115238179A (zh) 项目推送方法、装置、电子设备及计算机可读存储介质
CN114187096A (zh) 基于用户画像的风险评估方法、装置、设备及存储介质
CN114968816A (zh) 基于数据模拟的策略测试方法、装置、设备及存储介质
CN114721952A (zh) 多套测试环境同步部署方法、装置、设备及存储介质
CN114780688A (zh) 基于规则匹配的文本质检方法、装置、设备及存储介质
CN114862140A (zh) 基于行为分析的潜力评估方法、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