CN115292191A - 应用的性能指标评估方法及装置 - Google Patents
应用的性能指标评估方法及装置 Download PDFInfo
- Publication number
- CN115292191A CN115292191A CN202211008991.9A CN202211008991A CN115292191A CN 115292191 A CN115292191 A CN 115292191A CN 202211008991 A CN202211008991 A CN 202211008991A CN 115292191 A CN115292191 A CN 115292191A
- Authority
- CN
- China
- Prior art keywords
- test data
- performance index
- preset
- application
- order 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
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
-
- 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
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3692—Test management for test results analysis
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请涉及性能测试技术领域,提供一种应用的性能指标评估方法及装置。所述方法包括:获取应用在进行多次性能测试后得到的测试数据集;将测试数据集中根据时间序列进行排序的各测试数据,以及预设p阶值、预设q阶值和自相关系数输入构建好的ARI MA模型,获取未来时刻的多个目标测试数据;根据各目标测试数据,确定应用在未来时刻的性能指标;其中,测试数据从性能测试得到的测试结果中获取。本申请实施例提供的应用的性能指标评估方法能够预测应用在未来某个时刻的性能指标,降低应用的投产风险。
Description
技术领域
本申请涉及性能测试技术领域,具体涉及一种应用的性能指标评估方法及装置。
背景技术
应用在正式上线之前,通常都需要进行性能测试,来对该应用进行性能指标评估。相关技术中,应用的性能指标评估,是通过应用的客户端向服务器发送请求,然后基于客户端的请求发送时间,以及服务器的响应结束时间,来确定应用的性能测试指标,从而基于该性能测试指标来对应用进行性能指标的评估。然而,这种方式只能评估应用在某段时间的性能指标,无法预测应用在未来某个时刻的性能指标,导致无法准确地评估应用的性能,使应用的投产风险增高。
发明内容
本申请旨在至少解决相关技术中存在的技术问题之一。为此,本申请提出一种应用的性能指标评估方法,能够预测应用在未来某个时刻的性能指标,降低应用的投产风险。
本申请还提出一种应用的性能指标评估装置。
本申请还提出一种电子设备。
本申请还提出一种计算机可读存储介质。
根据本申请第一方面实施例的应用的性能指标评估方法,包括:
获取应用在进行多次性能测试后得到的测试数据集;
将所述测试数据集中根据时间序列进行排序的各测试数据,以及预设p阶值、预设q阶值和自相关系数输入构建好的ARIMA模型,获取未来时刻的多个目标测试数据;
根据各所述目标测试数据,确定所述应用在所述未来时刻的性能指标;
其中,所述测试数据从所述性能测试得到的测试结果中获取。
本申请实施例提供的应用的性能指标评估方法,通过将多次性能测试后得到的根据时间序列进行排序的各测试数据,以及预设p阶值、预设q阶值和自相关系数输入构建好的ARIMA模型,来利用ARIMA模型获取未来时刻的多个目标数据,并根据多个目标数据来确定未来时刻的性能指标,从而能够利用时间序列预估的方式来有效预测应用在未来某个时刻的性能指标,降低应用的投产风险。
根据本申请的一个实施例,所述测试数据包括TPS性能指标数据;
将所述测试数据集中根据时间序列进行排序的各测试数据,以及预设p阶值、预设q阶值和自相关系数输入构建好的ARIMA模型,获取未来时刻的多个目标测试数据,包括:
根据各所述TPS性能指标数据,获取所述TPS性能指标数据的方差,并根据各所述TPS性能指标数据与基于各所述TPS性能指标数据确定的各RT指标数据,获取所述TPS性能指标数据与RT指标数据之间的协方差;
确定所述方差小于第一预设值,且所述协方差小于第二预设值,将根据时间序列进行排序的各TPS性能指标数据,以及预设p阶值、预设q阶值和自相关系数输入构建好的ARIMA模型,获取未来时刻的多个目标测试数据。
根据本申请的一个实施例,将所述测试数据集中根据时间序列进行排序的各测试数据,以及预设p阶值、预设q阶值和自相关系数输入构建好的ARIMA模型,获取未来时刻的多个目标测试数据,包括:
将各所述测试数据、所述预设p阶值以及各所述测试数据的自相关系数输入ARIMA模型中的自回归子模型中,并将各测试数据、所述预设p阶值以及预设q阶值输入ARIMA模型的平移子模型中,以及将各测试数据、所述预设p阶值、预设q阶值以及各所述测试数据的自相关系数输入自回归移动平均子模型中,获取未来时刻的多个目标测试数据;
其中,yt表示所述目标测试数据,μ表示常数项,γi表示p阶自回归过程的自相关系数,yt-i表示各所述测试数据中根据时间序列进行排序后的第t-i个测试数据,i≥1,εt表示误差常数,θi表示q阶平移过程的误差项系数。
根据本申请的一个实施例,根据各所述目标测试数据,确定所述应用在所述未来时刻的性能指标,包括:
从各所述目标测试数据中,获取最小的所述目标测试数据标记为所述应用在所述未来时刻的性能指标。
根据本申请的一个实施例,所述预设q阶值根据自相关函数ACF确定。
根据本申请的一个实施例,所述预设p阶值根据偏自相关函数PACF确定。
根据本申请的一个实施例,将所述未来时刻的性能指标添加至所述测试数据集中,更新所述测试数据集中的各所述测试数据,以根据更新后的各所述测试数据,获取所述未来时刻的下一时刻的性能指标。
根据本申请第二方面实施例的应用的性能指标评估装置,包括:
测试数据获取模块,用于获取应用在进行多次性能测试后得到的测试数据集;
测试数据处理模块,用于将所述测试数据集中根据时间序列进行排序的各测试数据,以及预设p阶值、预设q阶值和自相关系数输入构建好的ARIMA模型,获取未来时刻的多个目标测试数据;
性能指标评估模块,用于根据各所述目标测试数据,确定所述应用在所述未来时刻的性能指标;
其中,所述测试数据从所述性能测试得到的测试结果中获取。
根据本申请第三方面实施例的电子设备,包括处理器和存储有计算机程序的存储器,所述处理器执行所述计算机程序时实现上述任一实施例所述的应用的性能指标评估方法。
根据本申请第四方面实施例的计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一实施例所述的应用的性能指标评估方法。
根据本申请第五方面实施例的计算机程序产品,包括:所述计算机程序被处理器执行时实现如上述任一实施例所述的应用的性能指标评估方法。
本申请实施例中的上述一个或多个技术方案,至少具有如下技术效果之一:
通过将多次性能测试后得到的根据时间序列进行排序的各测试数据,以及预设p阶值、预设q阶值和自相关系数输入构建好的ARIMA模型,来利用ARIMA模型获取未来时刻的多个目标数据,并根据多个目标数据来确定未来时刻的性能指标,从而能够利用时间序列预估的方式来有效预测应用在未来某个时刻的性能指标,降低应用的投产风险。
进一步的,通过将TPS性能指标数据的方差与第一预设值进行比较,以及将TPS性能指标数据与基于TPS性能指标数据确定的RT指标数据之间的协方差,与第二预设值进行比较,并在确定方差小于第一预设值,且协方差小于第二预设值时,再将各TPS性能指标数据输入ARIMA模型进行未来时刻的目标测试数据的评估,从而能够确保输入ARIMA模型的各TPS性能指标数据足够稳定,进而提高基于各测试数据进行未来时刻的目标测试数据的准确性。
进一步的,通过ARIMA模型中的自回归子模型、平移子模型以及自回归移动平均子模型,来对各测试数据进行处理,从而能够基于各测试数据组成的时间序列,来准确地预测未来时刻的目标测试数据,从而进一步提高后续根据目标测试数据获取到的应用在未来时刻的性能指标的准确性。
进一步的,通过将各目标测试数据中最小的目标测试数据作为应用在未来时刻的性能指标,从而使确定的未来时刻的性能指标足够稳定,进而使获取到的未来时刻的性能指标更为准确。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,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是本申请实施例提供的应用的性能指标评估方法的流程示意图;
图2是本申请实施例中对图1的应用的性能指标评估方法中目标测试数据获取的流程示意图;
图3是本申请实施例中通过ARIMA模型获取到的多个目标测试数据形成的数据组示意图;
图4是本申请实施例提供的应用的性能指标评估装置的结构示意图;
图5是本申请实施例提供的电子设备的结构示意图。
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,下面将结合本申请实施例中的附图,对本申请中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
下面,将通过几个具体的实施例对本申请实施例提供的应用的性能指标评估方法及装置进行详细介绍和说明。
在一实施例中,提供了一种应用的性能指标评估方法,该方法应用于服务器,用于进行应用的性能指标评估。其中,服务器可以是独立的服务器或者是多个服务器组成的服务器集群来实现,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、CDN、以及大数据和人工智能采样点设备等基础云计算服务的云服务器。
如图1所示,本实施例提供的一种应用的性能指标评估方法包括:
步骤101,获取应用在进行多次性能测试后得到的测试数据集;
步骤102,将所述测试数据集中根据时间序列进行排序的各测试数据,以及预设p阶值、预设q阶值和自相关系数输入构建好的ARIMA模型,获取未来时刻的多个目标测试数据;
步骤103,根据各所述目标测试数据,确定所述应用在所述未来时刻的性能指标;
其中,所述测试数据从所述性能测试得到的测试结果中获取。
通过将多次性能测试后得到的根据时间序列进行排序的各测试数据,以及预设p阶值、预设q阶值和自相关系数输入构建好的ARIMA模型,来利用ARIMA模型获取未来时刻的多个目标数据,并根据多个目标数据来确定未来时刻的性能指标,从而能够利用时间序列预估的方式来有效预测应用在未来某个时刻的性能指标,降低应用的投产风险。
在一实施例中,预先对应用依次进行多次性能测试,以依次获取每次性能测试后得到的测试数据,组成测试数据集。其中,测试数据为表示应用性能指标的数据,如可以是TPS(Transactions Per Second,系统的吞吐量)性能指标数据。示例性的,对应用依次实施10次性能测试,可依次获取10个TPS性能指标数据,每个TPS性能指标数据对应的性能测试的先后依次排序,从而形成按照时间序列进行排序的测试数据集,如:
TPS=[203.5,207.6,201.2,210.0,208.9,203.7,204.9,207,206.5,207.8]。
在获取到测试数据集后,即可将各测试数据、预设p阶值、预设q阶值和自相关系数输入构建好的ARIMA模型,以基于各测试数据进行未来时刻的目标测试数据的预测。
而考虑到若测试数据集中的各测试数据存在波动,会影响基于各测试数据进行未来时刻的目标测试数据的准确性,为此,在一实施例中,如图2所示,将所述测试数据集中根据时间序列进行排序的各测试数据,以及预设p阶值、预设q阶值和自相关系数输入构建好的ARIMA模型,获取未来时刻的多个目标测试数据,包括:
步骤201,根据各所述TPS性能指标数据,获取所述TPS性能指标数据的方差,并根据各所述TPS性能指标数据与基于各所述TPS性能指标数据确定的各RT指标数据,获取所述TPS性能指标数据与RT指标数据之间的协方差;
步骤202,确定所述方差小于第一预设值,且所述协方差小于第二预设值,将根据时间序列进行排序的各TPS性能指标数据,以及预设p阶值、预设q阶值和自相关系数输入构建好的ARIMA模型,获取未来时刻的多个目标测试数据。
在一实施例中,在获取到各TPS性能指标数据后,基于各TPS性能指标数据的倒数,可得到与各TPS性能指标数据一一对应的各RT指标数据。如各TPS性能指标数据为:
TPS=[203.5,207.6,201.2,210.0,208.9,203.7,204.9,207,206.5,207.8];
则各RT指标数据为:
RT=[0.48,0.47,0.51,0.45,0.48,0.52,0.52,0.47,0.46,0.47]。
在得到各TPS性能指标数据和各RT指标数据后,将各TPS性能指标数据采用方差计算公式进行方差计算,从而得到TPS性能指标数据的方差S。其中,xi表示第i个TPS性能指标数据,表示各TPS性能指标数据的平均值。
同时,将各TPS性能指标数据和各RT指标数据,通过 进行协方差运算,确定由各TPS性能指标数据组成的TPS性能指标数据集X,与各RT指标数据组成的RT指标数据集Y之间的相关系数,即协方差Cov(X,Y)。其中,yi表示第i个RT指标数据,表示各RT指标数据的平均值。
在获取到TPS性能指标数据的方差,以及TPS性能指标数据与RT指标数据之间的协方差后,对该方差和协方差分别进行检测。
若检测到该方差大于或等于第一预设值,或协方差大于或等于第二预设值,则表示各TPS性能指标数据是非稳态的,此时则将当前的各TPS性能指标数据删除,并重新进行多次性能测试,以获取各新的TPS性能指标数据进行检测。
若检测到该方差小于第一预设值,且协方差小于第二预设值,则表示TPS性能指标数据的变化是平稳的,此时即可将TPS性能指标数据,以及预设p阶值、预设q阶值和自相关系数输入构建好的ARIMA模型,来获取未来时刻的多个目标测试数据。
其中,第一预设值和第二预设值可根据实际情况进行设定。
通过将TPS性能指标数据的方差与第一预设值进行比较,以及将TPS性能指标数据与基于TPS性能指标数据确定的RT指标数据之间的协方差,与第二预设值进行比较,并在确定方差小于第一预设值,且协方差小于第二预设值时,再将各TPS性能指标数据输入ARIMA模型进行未来时刻的目标测试数据的评估,从而能够确保输入ARIMA模型的各TPS性能指标数据足够稳定,进而提高基于各测试数据进行未来时刻的目标测试数据的准确性。
在一实施例中,将所述测试数据集中根据时间序列进行排序的各测试数据,以及预设p阶值、预设q阶值和自相关系数输入构建好的ARIMA模型,获取未来时刻的多个目标测试数据,包括:
将各所述测试数据、所述预设p阶值以及各所述测试数据的自相关系数输入ARIMA模型中的自回归子模型中,并将各测试数据、所述预设p阶值以及预设q阶值输入ARIMA模型的平移子模型中,以及将各测试数据、所述预设p阶值、预设q阶值以及各所述测试数据的自相关系数输入自回归移动平均子模型中,获取未来时刻的多个目标测试数据;
其中,yt表示所述目标测试数据,μ表示常数项,γi表示p阶自回归过程的自相关系数,yt-i表示各所述测试数据中根据时间序列进行排序后的第t-i个测试数据,i≥1,εt表示误差常数,θi表示q阶平移过程的误差项系数。
在一实施例中,预先建立P阶的自回归子模型AR:
其中,yt表示目标测试数据,μ表示常数项,P是阶数,γip阶自回归过程的自相关系数,εt是误差。
以及,预先建立q阶的平移子模型MA:
以及,预先建立自回归移动平均子模型ARMA:
在完成自回归子模型AR、平移子模型MA以及自回归移动平均子模型ARMA后,即可将各测试数据、预设p阶值以及各测试数据的自相关系数输入自回归子模型AR,将各测试数据、预设p阶值以及预设q阶值输入平移子模型MA,将各测试数据、预设p阶值、预设q阶值以及各测试数据的自相关系数输入自回归移动平均子模型,从而将输入的多个数据yt确定为未来时刻的多个目标测试数据。其中,预设p阶值以及预设q阶值可根据实际情况确定。
通过ARIMA模型中的自回归子模型、平移子模型以及自回归移动平均子模型,来对各测试数据进行处理,从而能够基于各测试数据组成的时间序列,来准确地预测未来时刻的目标测试数据,从而进一步提高后续根据目标测试数据获取到的应用在未来时刻的性能指标的准确性。
为使输入的q阶值更为准确,在一实施例中,预设q阶值根据自相关函数ACF确定。
具体的,自相关函数ACF取值为:
ρk的取值范围为[-1,1],置信区间取值范围为90%。在将各测试数据输入平移子模型MA进行处理的过程中,实时获取自相关函数ACF的值,若q阶后截尾落在置信区间之内,衰减接近0,则可以确定波动稳定,此刻的q值即为预设q阶值。
同理,可基于偏相关函数PACF,确定预设p阶值。
示例性的,当预设q阶值以及预设p阶值均为3,则从0阶到3阶可以得到的各目标测试数据如图3所示。
在一实施例中,在获取到各目标测试数据后,即可对各目标测试数据进行加权平均,从而将得到的值作为应用在未来时刻的性能指标。
或者,为使获取到的未来时刻的性能指标更为准确,在一实施例中,根据各所述目标测试数据,确定所述应用在所述未来时刻的性能指标,包括:
从各所述目标测试数据中,获取最小的所述目标测试数据标记为所述应用在所述未来时刻的性能指标。
在一实施例中,在获取到各目标测试数据后,基于ARIMA模型中的贝叶斯信息准则,可确定目标测试数据越小,其表示的性能指标越稳定,此时可将各目标测试数据中最小的目标测试数据作为应用在未来时刻的性能指标,如选取图3中的最小值216.8作为应用在未来时刻的性能指标。
通过将各目标测试数据中最小的目标测试数据作为应用在未来时刻的性能指标,从而使确定的未来时刻的性能指标足够稳定,进而使获取到的未来时刻的性能指标更为准确。
在一实施例中,在获取到应用在所述未来时刻的性能指标后,还可以将该性能指标添加至测试数据集中,更新测试数据集中的测试数据。如测试数据集为TPS=[213.7,218,211.3,220.5,219.3,213.9,215.1,217.4,216.8,218.2],而未来时刻的性能指标为216.8,则此时将未来时刻的性能指标按时间序列添加至测试数据集中,形成新的测试数据集TPS’=[213.7,218,211.3,220.5,219.3,213.9,215.1,217.4,216.8,218.2,216.8]。然后,在将该测试数据集TPS’重新输入构建好的ARIMA模型中,以预测下一时刻应用的性能指标,依次类推,从而能够有效地预测未来一段时间内应用的性能指标。
下面对本申请提供的应用的性能指标评估装置进行描述,下文描述的应用的性能指标评估装置与上文描述的应用的性能指标评估方法可相互对应参照。
在一实施例中,如图4所示,提供了一种应用的性能指标评估装置,包括:
测试数据获取模块210,用于获取应用在进行多次性能测试后得到的测试数据集;
测试数据处理模块220,用于将所述测试数据集中根据时间序列进行排序的各测试数据,以及预设p阶值、预设q阶值和自相关系数输入构建好的ARIMA模型,获取未来时刻的多个目标测试数据;
性能指标评估模块230,用于根据各所述目标测试数据,确定所述应用在所述未来时刻的性能指标;
其中,所述测试数据从所述性能测试得到的测试结果中获取。
通过将多次性能测试后得到的根据时间序列进行排序的各测试数据,以及预设p阶值、预设q阶值和自相关系数输入构建好的ARIMA模型,来利用ARIMA模型获取未来时刻的多个目标数据,并根据多个目标数据来确定未来时刻的性能指标,从而能够利用时间序列预估的方式来有效预测应用在未来某个时刻的性能指标,降低应用的投产风险。
在一实施例中,所述测试数据包括TPS性能指标数据;
测试数据处理模块220具体用于:
将所述测试数据集中根据时间序列进行排序的各测试数据,以及预设p阶值、预设q阶值和自相关系数输入构建好的ARIMA模型,获取未来时刻的多个目标测试数据,包括:
根据各所述TPS性能指标数据,获取所述TPS性能指标数据的方差,并根据各所述TPS性能指标数据与基于各所述TPS性能指标数据确定的各RT指标数据,获取所述TPS性能指标数据与RT指标数据之间的协方差;
确定所述方差小于第一预设值,且所述协方差小于第二预设值,将根据时间序列进行排序的各TPS性能指标数据,以及预设p阶值、预设q阶值和自相关系数输入构建好的ARIMA模型,获取未来时刻的多个目标测试数据。
在一实施例中,测试数据处理模块220具体用于:
将各所述测试数据、所述预设p阶值以及各所述测试数据的自相关系数输入ARIMA模型中的自回归子模型中,并将各测试数据、所述预设p阶值以及预设q阶值输入ARIMA模型的平移子模型中,以及将各测试数据、所述预设p阶值、预设q阶值以及各所述测试数据的自相关系数输入自回归移动平均子模型中,获取未来时刻的多个目标测试数据;
其中,yt表示所述目标测试数据,μ表示常数项,γi表示p阶自回归过程的自相关系数,yt-i表示各所述测试数据中根据时间序列进行排序后的第t-i个测试数据,i≥1,εt表示误差常数,θi表示q阶平移过程的误差项系数。
在一实施例中,性能指标评估模块230具体用于:
从各所述目标测试数据中,获取最小的所述目标测试数据标记为所述应用在所述未来时刻的性能指标。
在一实施例中,所述预设q阶值根据自相关函数ACF确定。
在一实施例中,所述预设p阶值根据偏自相关函数PACF确定。
在一实施例中,性能指标评估模块230还用于:
将所述未来时刻的性能指标添加至所述测试数据集中,更新所述测试数据集中的各所述测试数据,以根据更新后的各所述测试数据,获取所述未来时刻的下一时刻的性能指标。
图5示例了一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)810、通信接口(Communication Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的计算机程序,以执行应用的性能指标评估方法,例如包括:
获取应用在进行多次性能测试后得到的测试数据集;
将所述测试数据集中根据时间序列进行排序的各测试数据,以及预设p阶值、预设q阶值和自相关系数输入构建好的ARIMA模型,获取未来时刻的多个目标测试数据;
根据各所述目标测试数据,确定所述应用在所述未来时刻的性能指标;
其中,所述测试数据从所述性能测试得到的测试结果中获取。
此外,上述的存储器830中的逻辑指令可以通过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取存储介质中。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或者该技术方案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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本申请实施例还提供一种存储介质,存储介质包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,计算机程序被处理器执行时,计算机能够执行上述各实施例所提供的应用的性能指标评估方法,例如包括:
获取应用在进行多次性能测试后得到的测试数据集;
将所述测试数据集中根据时间序列进行排序的各测试数据,以及预设p阶值、预设q阶值和自相关系数输入构建好的ARIMA模型,获取未来时刻的多个目标测试数据;
根据各所述目标测试数据,确定所述应用在所述未来时刻的性能指标;
其中,所述测试数据从所述性能测试得到的测试结果中获取。
另一方面,本申请实施例还提供一种处理器可读存储介质,处理器可读存储介质存储有计算机程序,计算机程序用于使处理器执行上述各实施例提供的方法,例如包括:
获取应用在进行多次性能测试后得到的测试数据集;
将所述测试数据集中根据时间序列进行排序的各测试数据,以及预设p阶值、预设q阶值和自相关系数输入构建好的ARIMA模型,获取未来时刻的多个目标测试数据;
根据各所述目标测试数据,确定所述应用在所述未来时刻的性能指标;
其中,所述测试数据从所述性能测试得到的测试结果中获取。
处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备,包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NAND FLASH)、固态硬盘(SSD))等。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
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各实施方式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。基于这样的理解,上述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ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例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同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种应用的性能指标评估方法,其特征在于,包括:
获取应用在进行多次性能测试后得到的测试数据集;
将所述测试数据集中根据时间序列进行排序的各测试数据,以及预设p阶值、预设q阶值和自相关系数输入构建好的ARIMA模型,获取未来时刻的多个目标测试数据;
根据各所述目标测试数据,确定所述应用在所述未来时刻的性能指标;
其中,所述测试数据从所述性能测试得到的测试结果中获取。
2.根据权利要求1所述的应用的性能指标评估方法,其特征在于,所述测试数据包括TPS性能指标数据;
将所述测试数据集中根据时间序列进行排序的各测试数据,以及预设p阶值、预设q阶值和自相关系数输入构建好的ARIMA模型,获取未来时刻的多个目标测试数据,包括:
根据各所述TPS性能指标数据,获取所述TPS性能指标数据的方差,并根据各所述TPS性能指标数据与基于各所述TPS性能指标数据确定的各RT指标数据,获取所述TPS性能指标数据与RT指标数据之间的协方差;
确定所述方差小于第一预设值,且所述协方差小于第二预设值,将根据时间序列进行排序的各TPS性能指标数据,以及预设p阶值、预设q阶值和自相关系数输入构建好的ARIMA模型,获取未来时刻的多个目标测试数据。
3.根据权利要求1或2所述的应用的性能指标评估方法,其特征在于,将所述测试数据集中根据时间序列进行排序的各测试数据,以及预设p阶值、预设q阶值和自相关系数输入构建好的ARIMA模型,获取未来时刻的多个目标测试数据,包括:
将各所述测试数据、所述预设p阶值以及各所述测试数据的自相关系数输入ARIMA模型中的自回归子模型中,并将各测试数据、所述预设p阶值以及预设q阶值输入ARIMA模型的平移子模型中,以及将各测试数据、所述预设p阶值、预设q阶值以及各所述测试数据的自相关系数输入自回归移动平均子模型中,获取未来时刻的多个目标测试数据;
其中,yt表示所述目标测试数据,μ表示常数项,γi表示p阶自回归过程的自相关系数,yt-i表示各所述测试数据中根据时间序列进行排序后的第t-i个测试数据,i≥1,εt表示误差常数,θi表示q阶平移过程的误差项系数。
4.根据权利要求1所述的应用的性能指标评估方法,其特征在于,根据各所述目标测试数据,确定所述应用在所述未来时刻的性能指标,包括:
从各所述目标测试数据中,获取最小的所述目标测试数据标记为所述应用在所述未来时刻的性能指标。
5.根据权利要求1所述的应用的性能指标评估方法,其特征在于,所述预设q阶值根据自相关函数ACF确定。
6.根据权利要求1或4所述的应用的性能指标评估方法,其特征在于,所述预设p阶值根据偏自相关函数PACF确定。
7.根据权利要求1所述的应用的性能指标评估方法,其特征在于,还包括:
将所述未来时刻的性能指标添加至所述测试数据集中,更新所述测试数据集中的各所述测试数据,以根据更新后的各所述测试数据,获取所述未来时刻的下一时刻的性能指标。
8.一种应用的性能指标评估装置,其特征在于,包括:
测试数据获取模块,用于获取应用在进行多次性能测试后得到的测试数据集;
测试数据处理模块,用于将所述测试数据集中根据时间序列进行排序的各测试数据,以及预设p阶值、预设q阶值和自相关系数输入构建好的ARIMA模型,获取未来时刻的多个目标测试数据;
性能指标评估模块,用于根据各所述目标测试数据,确定所述应用在所述未来时刻的性能指标;
其中,所述测试数据从所述性能测试得到的测试结果中获取。
9.一种电子设备,包括处理器和存储有计算机程序的存储器,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的应用的性能指标评估方法。
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,所述计算机程序被处理器执行时实现权利要求1至7任一项所述的应用的性能指标评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211008991.9A CN115292191A (zh) | 2022-08-22 | 2022-08-22 | 应用的性能指标评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211008991.9A CN115292191A (zh) | 2022-08-22 | 2022-08-22 | 应用的性能指标评估方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115292191A true CN115292191A (zh) | 2022-11-04 |
Family
ID=83830262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211008991.9A Pending CN115292191A (zh) | 2022-08-22 | 2022-08-22 | 应用的性能指标评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115292191A (zh) |
-
2022
- 2022-08-22 CN CN202211008991.9A patent/CN115292191A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180121275A1 (en) | Method and apparatus for detecting and managing faults | |
CN110457175B (zh) | 业务数据处理方法、装置、电子设备及介质 | |
CN110351299B (zh) | 一种网络连接检测方法和装置 | |
CN110633194B (zh) | 一种硬件资源在特定环境下的性能评估方法 | |
CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
CN112907128A (zh) | 基于ab测试结果的数据分析方法、装置、设备及介质 | |
CN111858265A (zh) | 一种存储系统的存储故障预测方法、系统及装置 | |
CN112036051A (zh) | 磁悬浮系统剩余使用寿命预测方法、装置、设备及介质 | |
CN110083518B (zh) | 一种基于AdaBoost-Elman的虚拟机软件老化预测方法 | |
CN111340287A (zh) | 配电柜运行状态预测方法及装置 | |
CN114090204A (zh) | 一种资源预测方法及装置 | |
CN111783883A (zh) | 一种异常数据的检测方法及装置 | |
CN116743637B (zh) | 一种异常流量的检测方法、装置、电子设备及存储介质 | |
CN113296992A (zh) | 异常原因确定方法、装置、设备和存储介质 | |
CN117593115A (zh) | 信贷风险评估模型的特征值确定方法、装置、设备和介质 | |
CN115292191A (zh) | 应用的性能指标评估方法及装置 | |
CN115409245A (zh) | 电力系统的预测辅助状态估计方法、装置、设备及介质 | |
CN114553587A (zh) | 一种应对云服务威胁的大数据分析方法及服务器 | |
JP7331938B2 (ja) | 学習装置、推定装置、学習方法及び学習プログラム | |
CN113127803A (zh) | 业务集群容量预估模型的建立方法、装置及电子设备 | |
CN116149971B (zh) | 设备故障预测方法、装置、电子设备及存储介质 | |
CN115001997B (zh) | 基于极值理论的智慧城市网络设备性能异常阈值评估方法 | |
CN117992834B (zh) | 一种数据分析方法以及相关装置 | |
CN117132177B (zh) | 基于多重假设检验的径流预报模型构建和径流预报方法 | |
CN107218964B (zh) | 一种试验子样容量性状的判定方法 |
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 |