CN115904955A - 性能指标的诊断方法、装置、终端设备及存储介质 - Google Patents
性能指标的诊断方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN115904955A CN115904955A CN202211394073.4A CN202211394073A CN115904955A CN 115904955 A CN115904955 A CN 115904955A CN 202211394073 A CN202211394073 A CN 202211394073A CN 115904955 A CN115904955 A CN 115904955A
- Authority
- CN
- China
- Prior art keywords
- index
- data
- performance
- performance index
- analysis
- 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
Abstract
本发明公开一种性能指标的诊断方法、装置、终端设备及存储介质。属于互联网性能测试领域,该性能指标的诊断方法包括:通过获取性能指标数据;对所述性能指标数据进行预处理和/或特征提取,得到指标特征数据;将所述指标特征数据输入到预设的指标分析系统,生成指标分析结果;将所述指标分析结果进行整合,生成性能指标的诊断报告。基于本申请,实现了将性能指标通过专家系统、特征拟合模型计算器、趋势特征计算器进行分析后,生成性能整合的性能指标诊断报告的目的,达到了基于外部测试的性能指标,客观、全面、准确地分析出软件系统多种类型的性能问题的效果。
Description
技术领域
本发明涉及性能指标分析技术领域,尤其涉及性能指标的诊断方法、装置、终端设备及存储介质。
背景技术
随着移动互联网时代的到来和发展,软件系统的接入访问更加便利,各类软件的访问流量日益增大,系统性能面临严峻考验。因此,对系统性能的测试工作覆盖系统整个研发运维生命周期,从测试环境单元压测、模块/子系统压测到线上生产环境的全链路端到端压测。同时,除了在流程上增加对性能压测的覆盖,性能测试的业务场景、范围也不断增长,需要投入更多性能测试人力。鉴于此,各类企业常常采用自动化性能测试的方式,以提高效率和测试覆盖度。自动化性能测试过程中,使用人工手段分析所有场景的性能指标和详细报告,面临成本高、分析结果受制于测试人员能力的问题,无法客观、全面地从指标数据中识别出各种类型的性能问题,时有误诊和漏报的问题发生,影响性能测试的效率和质量。此外,对于软件系统内的各模块和组件性能问题的自动化诊断,也需要外部性能指标的分析结果作为入口,由外而内的识别性能热点并定位问题发生点。
因此,如何基于外部测试的性能指标,客观、全面、准确地分析出软件系统多种类型的性能问题是当前亟待解决的问题。
发明内容
本申请的主要目的在于提供性能指标的诊断方法、装置、终端设备及存储介质,旨在解决如何基于外部测试的性能指标,客观、全面、准确地分析出软件系统多种类型的性能问题。
为实现上述目的,本申请提供性能测试的指标诊断方法,应用于性能指标分析技术领域,所述性能测试的指标诊断方法包括以下步骤:
获取性能指标数据;
对所述性能指标数据进行预处理和/或特征提取,得到指标特征数据;
将所述指标特征数据输入到预设的指标分析系统,生成指标分析结果;
将所述指标分析结果进行整合,生成性能指标的诊断报告。
可选的,所述指标分析结果包括专家分析结果、模型拟合识别结果、趋势特征分析结果,所述将所述指标特征数据输入到预设的指标分析系统,生成指标分析结果的步骤包括:
将所述性能指标数据中的聚合类指标数据、指标时间分布数据、历史和梯度类数据输入到所述专家系统中对应的分析模块进行分析,生成所述专家分析结果;
将所述性能指标数据中的指标问题曲线输入到所述特征拟合模型计算器进行曲线相似度计算,生成所述模型拟合识别结果;
将所述性能指标数据中的指标时间分布数据输入到所述趋势特征计算器进行性能趋势计算,生成所述趋势特征分析结果。
可选的,所述专家系统包括聚合类数据分析模块、时间分布数据分析模块、历史和梯度类数据分析模块,所述将所述性能指标数据中的聚合类指标数据、指标时间分布数据、历史和梯度类数据输入到所述专家系统中对应的分析模块进行分析,生成所述专家分析结果的步骤包括:
基于所述聚合类数据分析模块,分析所述性能指标数据中的聚合类指标数据,生成性能指标点数据的专家分析结果;
基于所述时间分布数据分析模块,分析所述性能指标数据中的指标时间分布数据,生成性能指标线数据的专家分析结果;
基于所述历史和梯度类数据分析模块,分析所述性能指标数据中的历史和梯度类数据,生成性能指标面数据的专家分析结果。
可选的,所述基于所述聚合类数据分析模块,分析所述性能指标数据中的聚合类指标数据,生成性能指标点数据的专家分析结果的步骤包括:
基于所述聚合类数据分析模块,遍历所述性能指标数据中的聚合类指标数据进行分析;
若所述聚合类指标数据中的请求并发数、平均响应时间、TPS和/或RPS中任一数据不符合预设的压测通过值,则生成对应指标数据失败提示的性能指标点数据的专家分析结果;
若所述聚合类指标数据中的压测请求失败率大于预设的压测请求失败率,则生成压测请求失败率告警提示的性能指标点数据的专家分析结果;
若所述聚合类指标数据与预期指标的差值偏移量占比大于预设的第一阈值,则生成所述聚合类指标数据不满足联机应用指标规律告警提示的性能指标点数据的专家分析结果。
可选的,所述基于所述时间分布数据分析模块,分析所述性能指标数据中的指标时间分布数据,生成性能指标线数据的专家分析结果的步骤包括:
基于所述时间分布数据分析模块,遍历所述性能指标数据中各指标的指标时间分布数据进行分析;
当所述指标时间分布数据中第一时间的指标值,与所述指标时间分布数据中指标平均值的差值绝对值大于预设的第二阈值时,标记所述第一时间及对应的指标值为第一问题点;
当所述性能指标数据中的指标时间分布数据遍历完成后,将各指标的相邻第一问题点合并,生成问题波动区间、区间峰值、所述问题波动区间对应问题描述的性能指标线数据的专家分析结果;
若所述问题波动区间不唯一,则按照周期波动规则判断所述问题波动区间的周期性,生成波动区间的性能指标线数据的专家分析结果。
可选的,所述基于所述时间分布数据分析模块,分析所述性能指标数据中的指标时间分布数据,生成性能指标线数据的专家分析结果的步骤还包括:
当遍历所述性能指标数据中的指标时间分布数据为失败指标时间分布数据时,将所述失败指标时间分布数据的时间相邻区间合并,生成失败分布区间和失败数提示的性能指标线数据的专家分析结果;
当遍历所述问题波动区间的各区间的请求并发数指标时间分布数据、平均响应时间指标时间分布数据、TPS和/或RPS指标时间分布数据大于预设的第三阈值时,生成平均响应时间或TPS/RPS性能不达标的专家分析结果;否则,生成成功提示的性能指标线数据的专家分析结果。
可选的,所述基于历史和梯度类数据分析模块分析所述性能指标数据中的历史和梯度类数据,生成性能指标面数据的专家分析结果的步骤包括:
基于所述历史和梯度类数据分析模块,遍历所述性能指标数据中从小到大排序的历史和梯度类数据,所述历史和梯度类数据包括并发数、响应时间、TPS梯度数据;
根据所述从小到大排序的历史和梯度类数据,确定性能上升的指标拐点值;
当所述指标拐点值之后的历史和梯度类数据,不满足预设的第四阈值时,生成梯度不满足联机交易特性提示的性能指标面数据的专家分析结果。
可选的,所述将所述性能指标数据中的指标问题曲线输入到所述特征拟合模型计算器进行曲线相似度计算,生成所述模型拟合识别结果的步骤包括:
将所述指标特征数据中的指标问题曲线按照时间相邻点分段截取,得到若干个指标问题曲线及对应的曲线向量;
计算所述若干个指标问题曲线的曲线向量与对应的历史指标问题曲线的曲线向量的余弦相似度带权算数均值;
将所述余弦相似度带权算数均值归一化,并将归一化的余弦相似度带权算数均值与预设的第五阈值进行对比;
当所述归一化的余弦相似度带权算数均值大于预设的第五阈值,确定所述指标特征数据中的指标问题曲线区间的模型拟合识别结果。
可选的,所述将所述性能指标数据中的指标时间分布数据输入到所述趋势特征计算器进行性能趋势计算,生成所述趋势特征分析结果的步骤包括:
基于所述性能指标数据中的指标时间分布数据,获取按照预设步长计算的相邻指标数据的差值和所述差值符号;
当所述差值绝对值大于对应相邻指标数据的均值预设比例的值时,根据所述差值符号将计算结果置换为预设的固定值;
当按照同一预设步长计算得到的相同固定值连续达到预设个数时,确定所述性能指标数据中的指标时间分布数据的趋势特征分析结果。
可选的,所述将所述指标分析结果进行整合,生成性能指标的诊断报告的步骤包括:
根据所述指标分析结果的问题类别对所述指标分析结果进行分类,得到若干个分析结果集;
按照所述问题类别预设的优先级,将所述若干个分析结果集排序后进行遍历;
当同类分析结果集中相同指标分析结果有时间交集时,将有交集时间的指标分析结果进行合并;
当同类分析结果集中不同指标分析结果有时间交集时,保留不同指标分析结果的时间并集、不同指标分析结果中问题类别是第一优先级的分析结果;;
对所述分析结果集进行格式化处理,生成性能指标的诊断报告。
本申请实施案例还提出一种性能指标的诊断装置,其特征在于,所述性能指标的诊断装置包括:
获取模块:用于获取性能指标数据;
处理模块:用于对所述性能指标数据进行预处理和/或特征提取,生成指标特征数据;
分析模块:用于将所述指标特征数据输入到预设的指标分析系统,生成指标分析结果;
整合模块:用于将所述指标分析结果进行整合,生成性能指标的诊断报告。
本申请实施案例还提出一种终端设备,其特征在于,所述终端设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的性能指标的诊断程序,所述性能指标的诊断程序被所述处理器执行时实现所述性能指标的诊断方法的步骤。
本申请实施案例还提出一种存储介质,其特征在于,所述存储介质上存储有性能指标的诊断程序,所述性能指标的诊断程序被处理器执行时实现所述性能指标的诊断方法的步骤。
本申请提出的性能指标的诊断方法、装置、终端设备及存储介质。通过获取性能指标数据;对所述性能指标数据进行预处理和/或特征提取,得到指标特征数据;将所述指标特征数据输入到预设的指标分析系统,生成指标分析结果;将所述指标分析结果进行整合,生成性能指标的诊断报告。基于本申请,实现了将性能指标通过指标分析系统进行分析后,生成性能整合的性能指标诊断报告的目的,达到了基于外部测试的性能指标数据,客观、全面、准确地分析出软件系统多种类型的性能问题的效果。
附图说明
图1为本申请性能指标的诊断装置所属终端设备的功能模块示意图;
图2为本申请性能指标的诊断方法第一示例性实施例的流程示意图;
图3为本申请性能指标的诊断方法第二示例性实施例的流程示意图;
图4为本申请性能指标的诊断方法第三示例性实施例的流程示意图;
图5为本申请性能指标的诊断方法第四示例性实施例的流程示意图;
图6为本申请性能指标的诊断方法第五示例性实施例的流程示意图;
图7为本申请性能指标的诊断方法第六示例性实施例的流程示意图;
图8为本申请性能指标的诊断方法第七示例性实施例的流程示意图;
图9为本申请性能指标的诊断方法第八示例性实施例的流程示意图;
图10为本申请性能指标的诊断方法第九示例性实施例的流程示意图;
图11为本申请性能指标的诊断方法第十示例性实施例的流程示意图;
图12为本申请性能指标的诊断方法第十一示例性实施例的流程示意图;
图13为本申请性能指标的诊断方法涉及性能趋势分析的曲线分段截取示意图;
图14为本申请性能指标的诊断方法涉及性能趋势分析的步长计算结果图;
图15为本申请性能指标的诊断方法涉及指标分析结果整合的功能流程图;
图16为本申请性能指标的诊断方法涉及的专家系统分析性能问题的功能流程图。
本申请目的的实现、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案例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例的主要解决方案是获取性能指标数据;对所述性能指标数据进行预处理和/或特征提取,得到指标特征数据;将所述指标特征数据输入到预设的指标分析系统,生成指标分析结果;将所述指标分析结果进行整合,生成性能指标的诊断报告。基于本方案,实现了将性能指标通过指标分析系统进行分析后,生成性能整合的性能指标诊断报告的目的,达到了基于外部测试的性能指标数据,客观、全面、准确地分析出软件系统多种类型的性能问题的效果。
具体地,参照图1,图1为本申请性能指标的诊断装置所属终端设备的功能模块示意图。该性能指标的诊断装置为基于终端设备的、能够诊断性能指标,从而达到客观、全面、准确地分析出软件系统多种类型的性能问题的装置,其可以通过硬件或软件的形式承载于终端设备上。
在本实施例中,该性能指标的诊断装置所属终端设备至少包括输出模块110、处理器120、存储器130以及通信模块140。
存储器130中存储有操作系统以及性能指标的诊断程序,所述性能指标的诊断装置可以将获取性能指标数据;对所述性能指标数据进行预处理和/或特征提取,得到指标特征数据;将所述指标特征数据输入到预设的指标分析系统,生成指标分析结果;将所述指标分析结果进行整合,生成性能指标的诊断报告等信息存储于该存储器130中;输出模块110可为显示屏等。通信模块140可以包括WIFI模块、移动通信模块以及蓝牙模块等,通过通信模块140与外部终端设备或服务器进行通信。
其中,存储器130中的性能指标的诊断程序,所述性能指标的诊断程序被处理器执行时实现以下步骤:
获取性能指标数据;
对所述性能指标数据进行预处理和/或特征提取,得到指标特征数据;
将所述指标特征数据输入到预设的指标分析系统,生成指标分析结果;
将所述指标分析结果进行整合,生成性能指标的诊断报告。
进一步地,所述指标分析结果包括专家分析结果、模型拟合识别结果、趋势特征分析结果,存储器130中的性能指标的诊断程序被处理器执行时还实现以下步骤:
将所述性能指标数据中的聚合类指标数据、指标时间分布数据、历史和梯度类数据输入到所述专家系统中对应的分析模块进行分析,生成所述专家分析结果;
将所述性能指标数据中的指标问题曲线输入到所述特征拟合模型计算器进行曲线相似度计算,生成所述模型拟合识别结果;
将所述性能指标数据中的指标时间分布数据输入到所述趋势特征计算器进行性能趋势计算,生成所述趋势特征分析结果。
进一步地,所述专家系统包括聚合类数据分析模块、时间分布数据分析模块、历史和梯度类数据分析模块,存储器130中的性能指标的诊断程序被处理器执行时还实现以下步骤:
基于所述聚合类数据分析模块,分析所述性能指标数据中的聚合类指标数据,生成性能指标点数据的专家分析结果;
基于所述时间分布数据分析模块,分析所述性能指标数据中的指标时间分布数据,生成性能指标线数据的专家分析结果;
基于所述历史和梯度类数据分析模块,分析所述性能指标数据中的历史和梯度类数据,生成性能指标面数据的专家分析结果。
进一步地,存储器130中的性能指标的诊断程序被处理器执行时还实现以下步骤:
基于所述聚合类数据分析模块,遍历所述性能指标数据中的聚合类指标数据进行分析;
若所述聚合类指标数据中的请求并发数、平均响应时间、TPS和/或RPS中任一数据不符合预设的压测通过值,则生成对应指标数据失败提示的性能指标点数据的专家分析结果;
若所述聚合类指标数据中的压测请求失败率大于预设的压测请求失败率,则生成压测请求失败率告警提示的性能指标点数据的专家分析结果;
若所述聚合类指标数据与预期指标的差值偏移量占比大于预设的第一阈值,则生成所述聚合类指标数据不满足联机应用指标规律告警提示的性能指标点数据的专家分析结果。
基于所述时间分布数据分析模块,遍历所述性能指标数据中各指标的指标时间分布数据进行分析;
当所述指标时间分布数据中第一时间的指标值,与所述指标时间分布数据中指标平均值的差值绝对值大于预设的第二阈值时,标记所述第一时间及对应的指标值为第一问题点;
当所述性能指标数据中的指标时间分布数据遍历完成后,将各指标的相邻第一问题点合并,生成问题波动区间、区间峰值、所述问题波动区间对应问题描述的性能指标线数据的专家分析结果;
若所述问题波动区间不唯一,则按照周期波动规则判断所述问题波动区间的周期性,生成波动区间的性能指标线数据的专家分析结果。
进一步地,存储器130中的性能指标的诊断程序被处理器执行时还实现以下步骤:
当遍历所述性能指标数据中的指标时间分布数据为失败指标时间分布数据时,将所述失败指标时间分布数据的时间相邻区间合并,生成失败分布区间和失败数提示的性能指标线数据的专家分析结果;
当遍历所述问题波动区间的各区间的请求并发数指标时间分布数据、平均响应时间指标时间分布数据、TPS和/或RPS指标时间分布数据大于预设的第三阈值时,生成平均响应时间或TPS/RPS性能不达标的专家分析结果;否则,生成成功提示的性能指标线数据的专家分析结果。
进一步地,存储器130中的性能指标的诊断程序被处理器执行时还实现以下步骤:
基于所述历史和梯度类数据分析模块,遍历所述性能指标数据中从小到大排序的历史和梯度类数据,所述历史和梯度类数据包括并发数、响应时间、TPS梯度数据;
根据所述从小到大排序的历史和梯度类数据,确定性能上升的指标拐点值;
当所述指标拐点值之后的历史和梯度类数据,不满足预设的第四阈值时,生成梯度不满足联机交易特性提示的性能指标面数据的专家分析结果。
进一步地,存储器130中的性能指标的诊断程序被处理器执行时还实现以下步骤:
将所述指标特征数据中的指标问题曲线按照时间相邻点分段截取,得到若干个指标问题曲线及对应的曲线向量;
计算所述若干个指标问题曲线的曲线向量与对应的历史指标问题曲线的曲线向量的余弦相似度带权算数均值;
将所述余弦相似度带权算数均值归一化,并将归一化的余弦相似度带权算数均值与预设的第五阈值进行对比;
当所述归一化的余弦相似度带权算数均值大于预设的第五阈值,确定所述指标特征数据中的指标问题曲线区间的模型拟合识别结果。
进一步地,存储器130中的性能指标的诊断程序被处理器执行时还实现以下步骤:
基于所述性能指标数据中的指标时间分布数据,获取按照预设步长计算的相邻指标数据的差值和所述差值符号;
当所述差值绝对值大于对应相邻指标数据的均值预设的比例的值时,根据所述差值符号将计算结果置换为预设的固定值;
当按照同一预设步长计算得到的相同固定值连续达到预设个数时,确定所述性能指标数据中的指标时间分布数据的趋势特征分析结果。
进一步地,存储器130中的性能指标的诊断程序被处理器执行时还实现以下步骤:
根据所述指标分析结果的问题类别对所述指标分析结果进行分类,得到若干个分析结果集;
按照所述问题类别预设的优先级,将所述若干个分析结果集排序后进行遍历;
当同类分析结果集中相同指标分析结果有时间交集时,将有交集时间的指标分析结果进行合并;
当同类分析结果集中不同指标分析结果有时间交集时,保留不同指标分析结果的时间并集、不同指标分析结果中问题类别是第一优先级的分析结果;
对所述分析结果集进行格式化处理,生成性能指标的诊断报告。
基于上述终端设备架构但不限于上述架构,提出本申请方法实施例。
参照图2,图2为性能指标的诊断方法第一示例性实施例的流程示意图。所述性能指标的诊断方法包括以下步骤:
步骤S110,获取性能指标数据;
具体地,性能指标数据包括三大类,作为性能问题分析的输入项。第1类来源于压力聚合报告中的性能指标线数据,包括整个压测过程中的请求并发数、平均响应时间、TPS/RPS等;第2类为性能指标线数据,主要是性能指标的时间分布数据,即性能各指标在对应时间点的变化数据;第3类性能指标面数据为不同并发数的梯度压测数据或历史压测数据。
步骤S120,对所述性能指标数据进行预处理和/或特征提取,得到指标特征数据;
具体地,去掉所述性能指标数据中无意义的脏数据,对所述性能指标数据中的时间分布指标数据的均值和特征模型曲线库中的均值进行比对,把时间分布的指标值数据进行同比例放大/缩小处理,减少后续区间特征模型拟合计算的数据误差;对输入趋势特征计算器和特征拟合模型计算器的时间分布的指标数据,去掉启停压测前后的5个时间点数据,以免算法误判;预处理和特征提取为后续输入到指标分析系统做数据准备,可以根据实际需要执行预处理和/或特征提取操作。
步骤S130,将所述指标特征数据输入到预设的指标分析系统,生成指标分析结果;
具体地,性能指标分析结果包括但不限于表1所示的性能问题类型指标分析系统包括但不限于专家系统、趋势特征计算器、特征拟合模型计算器;专家系统是基于规则库并通过规则引擎对性能数据进行匹配,从而找到与性能数据相对应的性能问题;规则集是利用机器学习算法,学习不同软件性能问题在实践中总结出的专家分析经验,训练出决策性能问题的规则集,并通用泛化最后形成规则库;针对不同性能问题,除了区分在压测中和压测后的应用规则,还有从性能指标数据点数据即聚合类指标数据、线数据即指标时间分布数据、面数据即历史和梯度类数据,设置分析规则,以获得全面的分析结果供用户决策;特征拟合模型计算器,主要针对时间分布指标数据提供一种快速的基于余弦相似度带权算数均值的波形拟合方法,该方法融合历史性能问题经验,通过人工标注的方式截取历史问题曲线用于预定义问题曲线,保存到历史指标问题曲线中,在性能指标数据分析时,把待分析的时间分布指标曲线分段提取特征向量和历史指标问题曲线做相似度计算;趋势特征计算器,为提取性能指标数据中的时间分布数据的趋势变化,以识别被测试系统在压测时的性能渐进变化为上升或下降的趋势及发生时间。
表1:性能问题类型
步骤S140,将所述指标分析结果进行整合,生成性能指标的诊断报告。
具体地,指标分析结果包括了对各指标分析得到的性能问题相关描述,通过对指标分析结果的重复问题进行整合,去掉不必要的冗余、冲突的指标分析结果,合并问题发生的有时间交集区间的指标分析结果,最终生成性能指标的诊断报告。
本实施例通过上述方案,具体通过获取性能指标数据;对所述性能指标数据进行预处理和/或特征提取,得到指标特征数据;将所述指标特征数据输入到预设的指标分析系统,生成指标分析结果;将所述指标分析结果进行整合,生成性能指标的诊断报告。基于本方案,实现了将性能指标通过指标分析系统进行分析后,生成性能整合的性能指标诊断报告的目的,达到了基于外部测试的性能指标,客观、全面、准确地分析出软件系统多种类型的性能问题的效果。
进一步地,参照图3,图3为性能指标的诊断方法第二示例性实施例的流程示意图,所述预设的指标分析系统包括专家系统、特征拟合模型计算器、趋势特征计算器,所述指标分析结果包括专家分析结果、模型拟合识别结果、趋势特征分析结果,所述将所述指标特征数据输入到预设的指标分析系统,生成指标分析结果的步骤包括:
步骤S1301,将所述性能指标数据中的聚合类指标数据、指标时间分布数据、历史和梯度类数据输入到所述专家系统中对应的分析模块进行分析,生成所述专家分析结果;
具体地,聚合类指标数据主要包括请求并发数、请求总数、平均响应时间、最大响应时间、错误率、SLA指标、TPS/RPS等数据;所述指标时间分布数据主要包括TPS时间点分布曲线、错误率分布曲线等等;历史和梯度类数据主要包括并发数、响应时间、TPS梯度等按照从小到大顺序依次排列的性能指标数据。专家系统会根据不同的性能指标数据用不同的功能模块进行分析;专家系统主要由规则库和规则引擎两部分组成,其中,规则库是利用机器学习算法学习不同软件性能问题在实践中总结出的专家分析经验,训练出决策性能问题的规则集,并通用泛化最后形成规则库,规则引擎则是接收指标特征数据并基于规则集进行匹配,最终分析中指标特征数据中的性能问题;具体包括但不限于聚合类数据分析模块、时间分布数据分析模块、历史和梯度类数据分析模块。基于所述聚合类数据分析模块,分析所述性能指标数据中的聚合类指标数据,生成性能指标点数据的专家分析结果;基于所述时间分布数据分析模块,分析所述性能指标数据中的指标时间分布数据,生成性能指标线数据的专家分析结果;基于所述历史和梯度类数据分析模块,分析所述性能指标数据中的历史和梯度类数据,生成性能指标面数据的专家分析结果。
步骤S1302,将所述性能指标数据中的指标问题曲线输入到所述特征拟合模型计算器进行曲线相似度计算,生成所述模型拟合识别结果;
具体地,将所述指标特征数据中的指标问题曲线按照时间相邻点分段截取,得到若干个指标问题曲线及对应的曲线向量;所述特征拟合模型计算器计算所述若干个指标问题曲线的曲线向量与对应的历史指标问题曲线的曲线向量的余弦相似度带权算数均值;将所述余弦相似度带权算数均值归一化,并将归一化的余弦相似度带权算数均值与预设的第五阈值进行对比;当所述归一化的余弦相似度带权算数均值大于预设的第五阈值,确定所述指标特征数据中的指标问题曲线区间的模型拟合识别结果。其中归一化把余弦相似度带权算数均值置换为[0,1]区间的数据;第五阈值是为了衡量曲线相似度的一个预设值,具体可根据需要设定。
步骤S1303,将所述性能指标数据中的指标时间分布数据输入到所述趋势特征计算器进行性能趋势计算,生成所述趋势特征分析结果。
具体地,所述趋势特征计算器用于判断系统性能的变化趋势,从而能够当发现危险性能趋势时,能够发现问题并生成报告给相关人员,以便提前处理问题,所述性能指标数据中的指标时间分布数据包括但不限于TPS分布、响应时间分布、错误率分布等数据,即性能各指标在对应时间点的变化数据;所述趋势特征计算器通过获取按照预设步长计算的指标数据的差值和所述差值符号;当所述差值大于对应指标数据的均值预设比例的值时,根据所述差值符号将计算结果置换为预设的固定值;当同一预设步长的计算得到固定值连续达到预设个数时,生成所述趋势特征分析结果。
本实施例通过上述方案,具体通过将所述性能指标数据中的聚合类指标数据、指标时间分布数据、历史和梯度类数据输入到所述专家系统中对应的分析模块进行分析,生成所述专家分析结果;将所述性能指标数据中的指标问题曲线输入到所述特征拟合模型计算器进行曲线相似度计算,生成所述模型拟合识别结果;将所述性能指标数据中的指标时间分布数据输入到所述趋势特征计算器进行性能趋势计算,生成所述趋势特征分析结果。基于本方案,通过将性能指标数据按照数据特征输入到性能指标系统中进行分析,生成了不同指标的性能指标分析结果,达到了基于外部测试的性能指标数据,客观、全面、准确地分析出软件系统多种类型的性能问题的效果。
进一步地,参照图4,图4为性能指标的诊断方法第三示例性实施例的流程示意图,所述专家系统包括聚合类数据分析模块、时间分布数据分析模块、历史和梯度类数据分析模块,所述将所述性能指标数据中的聚合类指标数据、指标时间分布数据、历史和梯度类数据输入到所述专家系统中对应的分析模块进行分析,生成所述专家分析结果的步骤包括:
步骤S13011,基于所述聚合类数据分析模块,分析所述性能指标数据中的聚合类指标数据,生成性能指标点数据的专家分析结果;
具体地,所述聚合类数据分析模块主要针对性能指标点数据即聚合类指标数据进行分析,包括但不限于整体SLA分析、失败率分析、并发数和/或TPS和/或平均响应时间的合法性检查等分析功能,最终得到对于性能指标点数据的问题分析告警或问题描述。
步骤S13012,基于所述时间分布数据分析模块,分析所述性能指标数据中的指标时间分布数据,生成性能指标线数据的专家分析结果;
具体地,所述时间分布数据分析模块主要针对性能指标线数据即指标时间分布数据进行分析,包括但不限于性能指标波动识别、周期波动识别、失败率区间识别、局部SLA达标分析,通过上述分析最终生成时间指标分布问题区间的告警提示和问题描述。
步骤S13013,基于所述历史和梯度类数据分析模块,分析所述性能指标数据中的历史和梯度类数据,生成性能指标面数据的专家分析结果。
具体地,所述历史和梯度类数据分析模块主要针对性能指标面数据进行分析,通过规则引擎包括但不限于对各个指标的梯度拐点值分析后续波动情况,从而判断系统性能的稳定性。
本实施例通过上述方案,具体通过基于所述聚合类数据分析模块,分析所述性能指标数据中的聚合类指标数据,生成性能指标点数据的专家分析结果;基于所述时间分布数据分析模块,分析所述性能指标数据中的指标时间分布数据,生成性能指标线数据的专家分析结果;基于所述历史和梯度类数据分析模块,分析所述性能指标数据中的历史和梯度类数据,生成性能指标面数据的专家分析结果。基于本方案,通过专家系统分别对性能指标的点、线、面数据进行分析,从而得到基于点数据的预设阈值不符合标准情况的问题描述、指标时间分布数据中的性能问题区间、系统性能的稳定性等问题点的专家分析结果,高效、准确地发现性能问题,得到了对性能指标高质量诊断的性能问题分析结果。
进一步地,参照图5,图5为性能指标的诊断方法第四示例性实施例的流程示意图,所述基于所述聚合类数据分析模块,分析所述性能指标数据中的聚合类指标数据,生成性能指标点数据的专家分析结果的步骤包括:
步骤S130111,基于所述聚合类数据分析模块,遍历所述性能指标数据中的聚合类指标数据进行分析;
具体地,一次压测的每一个指标的性能指标数据都要进行遍历,并进行分析。
步骤S130112,若所述聚合类指标数据中的请求并发数、平均响应时间、TPS和/或RPS中任一数据不符合预设的压测通过值,则生成对应指标数据失败提示的性能指标点数据的专家分析结果;
具体地,预设的压测通过值又被称为整体SLA,是一个系统性能达标的标准值,是人为根据系统性能需要设定地。当聚合类指标数据都满足整体对应的SLA时,返回成功;否则返回对应指标数据的失败提示的性能指标点数据不达标结果的专家分析结果。
步骤S130113,若所述聚合类指标数据中的压测请求失败率大于预设的压测请求失败率,则生成压测请求失败率告警提示的性能指标点数据的专家分析结果;
具体地,预设的压测请求失败率为经验规则值,在此不做限定,以实际需要为准;若超过经验规则值即生成失败率高的提示,作为性能指标点数据的专家分析结果。
步骤S130114,若所述聚合类指标数据与预期指标的差值偏移量占比大于预设的第一阈值,则生成所述聚合类指标数据不满足联机应用指标规律告警提示的性能指标点数据的专家分析结果。
具体地,预设的第一阈值TPS为并发数/平均响应时间,计算TPS和预期TPS差值偏移量占比|TPS-预期TPS|/预期TPS,如果超过预设的占比,则说明实际TPS与预期TPS相差较大,生成并发数、TPS、平均响应时间不满足联机应用指标规律告警提示。
本实施例通过上述方案,具体通过基于所述聚合类数据分析模块,遍历所述性能指标数据中的聚合类指标数据进行分析;若所述聚合类指标数据中的请求并发数、平均响应时间、TPS和/或RPS中任一数据不符合预设的压测通过值,则生成对应指标数据失败提示的性能指标点数据的专家分析结果;若所述聚合类指标数据中的压测请求失败率大于预设的压测请求失败率,则生成压测请求失败率告警提示的性能指标点数据的专家分析结果;若所述聚合类指标数据与预期指标的差值偏移量占比大于预设的第一阈值,则生成所述聚合类指标数据不满足联机应用指标规律告警提示的性能指标点数据的专家分析结果。基于本方案,基于所述聚合类数据分析模块,分析所述性能指标数据中的聚合类指标数据,生成性能指标点数据的专家分析结果,达到了对一次压测请求中的性能指标点数据准确、高质量地诊断的效果。
进一步地,参照图6,图6为性能指标的诊断方法第五示例性实施例的流程示意图,所述基于所述时间分布数据分析模块,分析所述性能指标数据中的指标时间分布数据,生成性能指标线数据的专家分析结果的步骤包括:
步骤S130121,基于所述时间分布数据分析模块,遍历所述性能指标数据中各指标的指标时间分布数据进行分析;
步骤S130122,当所述指标时间分布数据中第一时间的指标值,与所述指标时间分布数据中指标平均值的差值绝对值大于预设的第二阈值时,标记所述第一时间及对应的指标值为第一问题点;
具体地,指标时间分布数据中不同时间点对应不同的指标值,对各指标计算均值,并计算各指标各个时间点的指标值与各指标均值的差值绝对值,如果大于预设的第二阈值,则说明指标波动较大,将波动较大的指标值和对应的第一时间记录为问题点。
步骤S130123,当所述性能指标数据中的指标时间分布数据遍历完成后,将各指标的相邻第一问题点合并,生成问题波动区间、区间峰值、所述问题波动区间对应问题描述的性能指标线数据的专家分析结果;
具体地,所述问题波动区间对应问题描述包括第一问题点之间的波动区间的波动幅度,通过合并相邻的第一问题点,产生了以时间点划分的区间,从而生成了问题波动区间,所述区间峰值之区间波峰的值,即区间中的指标最大值。
步骤S130124,若所述问题波动区间不唯一,则按照周期波动规则判断所述问题波动区间的周期性,生成波动区间的性能指标线数据的专家分析结果。
具体地,若所述问题波动区间不唯一,则判断所述问题波动区间的指标标准差与区间指标均值的均值之比,是否小于预设的第三阈值;当小于预设的第三阈值时,则说明各波动区间具有相似性,此时判断所述波动区间各区间的时间间隔标准差与时间间隔均值之比,是否小于预设的第四阈值;若小于预设的第四阈值,则说明各波动区间间隔具有相似性,则生成周期性波动提示告警的专家分析结果。
本实施例通过上述方案,具体通过基于所述时间分布数据分析模块,遍历所述性能指标数据中各指标的指标时间分布数据进行分析;当所述指标时间分布数据中第一时间的指标值,与所述指标时间分布数据中指标平均值的差值绝对值大于预设的第二阈值时,标记所述第一时间及对应的指标值为第一问题点;当所述性能指标数据中的指标时间分布数据遍历完成后,将各指标的相邻第一问题点合并,生成问题波动区间、区间峰值、所述问题波动区间对应问题描述的性能指标线数据的专家分析结果;若所述问题波动区间不唯一,则按照周期波动规则判断所述问题波动区间的周期性,生成波动区间的性能指标线数据的专家分析结果。基于本方案,实现了对所述性能指标数据中的指标时间分布数据进行波动区间的划分和周期性的判断,达到了高质量、准确、高效地诊断指标时间分布数据中的性能问题的效果。
进一步地,参照图7,图7为性能指标的诊断方法第六示例性实施例的流程示意图,所述基于所述时间分布数据分析模块,分析所述性能指标数据中的指标时间分布数据,生成性能指标线数据的专家分析结果的步骤还包括:
步骤S130125,当遍历所述性能指标数据中的指标时间分布数据为失败指标时间分布数据时,将所述失败指标时间分布数据的时间相邻区间合并,生成失败分布区间和失败数提示的性能指标线数据的专家分析结果;
步骤S130126,当遍历所述问题波动区间的各区间的请求并发数指标时间分布数据、平均响应时间指标时间分布数据、TPS和/或RPS指标时间分布数据大于预设的第三阈值时,生成平均响应时间或TPS/RPS性能不达标的专家分析结果;否则,生成成功提示的性能指标线数据的专家分析结果。
具体地,第三阈值为局部SLA值。
本实施例通过上述方案,具体通过当遍历所述性能指标数据中的指标时间分布数据为失败指标时间分布数据时,将所述失败指标时间分布数据的时间相邻区间合并,生成失败分布区间和失败数提示的性能指标线数据的专家分析结果;当遍历所述问题波动区间的各区间的请求并发数指标时间分布数据、平均响应时间指标时间分布数据、TPS和/或RPS指标时间分布数据大于预设的第三阈值时,生成平均响应时间或TPS/RPS性能不达标的专家分析结果;否则,生成成功提示的性能指标线数据的专家分析结果。基于本方案,通过对指标时间分布数据中的失败指标时间分布数据划分失败指标区间并进行失败提醒,和/或通过对所述问题波动区间中各区间的并发数、平均响应时间等数据与局部SLA值进行比对,得到关于请求失败率、并发数等性能指标点数据的局部分析结果。达到了对压测请求中的指标时间分布数据准确、高质量地性能诊断的效果。
进一步地,参照图8,图8为性能指标的诊断方法第七示例性实施例的流程示意图,所述基于历史和梯度类数据分析模块分析所述性能指标数据中的历史和梯度类数据,生成性能指标面数据的专家分析结果的步骤包括:
步骤S130131,基于所述历史和梯度类数据分析模块,遍历所述性能指标数据中从小到大排序的历史和梯度类数据,所述历史和梯度类数据包括并发数、响应时间、TPS梯度数据;
步骤S130132,根据所述从小到大排序的历史和梯度类数据,确定性能上升的指标拐点值;
步骤S130133,当所述指标拐点值之后的历史和梯度类数据,不满足预设的第四阈值时,生成梯度不满足联机交易特性提示的性能指标面数据的专家分析结果。
具体地,第四阈值取值可以是指标值在性能稳定后应该达到的值域范围。
本实施例通过上述方案,具体通过基于所述历史和梯度类数据分析模块,遍历所述性能指标数据中从小到大排序的历史和梯度类数据,所述历史和梯度类数据包括并发数、响应时间、TPS梯度数据;根据所述从小到大排序的历史和梯度类数据,确定性能上升的指标拐点值;当所述指标拐点值之后的历史和梯度类数据,不满足预设的第四阈值时,生成梯度不满足联机交易特性提示的性能指标面数据的专家分析结果。达到了便捷、有效地诊断所述性能指标数据中历史和梯度类数据的面数据所存在的性能指标问题。
进一步地,参照图9,图9为性能指标的诊断方法第八示例性实施例的流程示意图,所述将所述性能指标数据中的指标问题曲线输入到所述特征拟合模型计算器进行曲线相似度计算,生成所述模型拟合识别结果的步骤包括:
步骤S13020,将所述指标特征数据中的指标问题曲线按照时间相邻点分段截取,得到若干个指标问题曲线及对应的曲线向量;
具体地,通过指标的时间和对应的指标值,将步骤S120同比例缩小或放大的指标问题曲线,按照时间相邻点截取,并根据曲线段的初始和终止位置以时间为横坐标,以指标值为纵坐标构建向量。
步骤S13021,计算所述若干个指标问题曲线的曲线向量与对应的历史指标问题曲线的曲线向量的余弦相似度带权算数均值;
具体地,对待检测曲线相邻A、B两个点,(t1,xa),(t2,xb)计算向量AB即为(t2-t1,xb-xa),根据特征模型曲线库中的历史特征曲线的每个曲线的长度,遍历待测曲线向量。分段对指标问题曲线对应的曲线向量分别检测,即依次计算曲线所有相邻点的向量a和模型对应的向量b的余弦距离,取值范围[-1,1],越接近1或-1代表向量越相似。再计算所有向量余弦距离和算术均值。如下表2曲线向量分段对比示例表所示,待测曲线截取不同分段后,将所有指标问题曲线的曲线向量与历史指标问题曲线的曲线向量一一对应计算余弦相似度带权算数均值。具体地,余弦相似度计算公式如下:
所述向量的余弦相似度带权算数均值计算公式如下:
其中wi为向量权重:
其含义为值越大特征突出,占比权重越高。
表2:曲线向量分段对比示例表
步骤S13022,将所述余弦相似度带权算数均值归一化,并将归一化的余弦相似度带权算数均值与预设的第五阈值进行对比;
具体地,对计算出的所有线段向量的余弦相似度带权算数均值Discos,通过Discos*0.5+0.5归一化到[0,1]区间,与第五阈值T比对结果,其中第五阈值是一个落在[0,1]之间的值,与曲线拟合程度相关。
步骤S13023,当所述归一化的余弦相似度带权算数均值大于预设的第五阈值,确定所述指标特征数据中的指标问题曲线区间的模型拟合识别结果。
具体地,当所述归一化的余弦相似度带权算数均值大于预设的第五阈值时,则说明指标问题曲线与历史指标问题曲线拟合度高,可以根据拟合度高的历史指标问题曲线确定当前的指标问题曲线的性能问题。
本实施例通过上述方案,具体通过将所述指标特征数据中的指标问题曲线按照时间相邻点分段截取,得到若干个指标问题曲线及对应的曲线向量;计算所述若干个指标问题曲线的曲线向量与对应的历史指标问题曲线的曲线向量的余弦相似度带权算数均值;将所述余弦相似度带权算数均值归一化,并将归一化的余弦相似度带权算数均值与预设的第五阈值进行对比;当所述归一化的余弦相似度带权算数均值大于预设的第五阈值,确定所述指标特征数据中的指标问题曲线区间的模型拟合识别结果。实现了通过将指标特征数据中的指标问题曲线分段后构建向量并与历史特征问题曲线进行拟合,找到拟合度高的历史特征问题曲线,进而分析出指标特征数据中的指标问题曲线的性能问题,达到了有效、便捷地分析指标特征数据中指标问题曲线区间的性能问题的效果。
进一步地,参照图10,图10为性能指标的诊断方法第九示例性实施例的流程示意图,所述将所述性能指标数据中的指标时间分布数据输入到所述趋势特征计算器进行性能趋势计算,生成所述趋势特征分析结果的步骤包括:
步骤S13031,基于所述性能指标数据中的指标时间分布数据,获取按照预设步长计算的相邻指标数据的差值和所述差值符号;
具体地,针对每种指标分布曲线,将数据指标按采集时间列出:x1,x2……,xn,即分别在时刻t1,t2......tn表示得到的数据,确定不同步长差值(xj-xk)的符号,其中j>k,步长分别为1,2,…,D,设置sgn(xj-xk)作为指示函数,求得(xj-xk)的正负号,计算不同步长的sgn值。
步骤S13032,当所述差值绝对值大于对应相邻指标数据的均值预设比例的值时,根据所述差值符号将计算结果置换为预设的固定值;
具体地,若(xj-xk)绝对值须大于二者和的均值的预设比例时,则根据求得的正负号将计算结果置为1或-1;否则一律置为0。
步骤S13033,当按照同一预设步长计算得到的相同固定值连续达到预设个数时,确定所述性能指标数据中的指标时间分布数据的趋势特征分析结果。
具体地,对于每个步长计算并置换得到的固定值,得出其中超过预设次连续为正或负固定值的区间,连续为正即为单调上升趋势,为负即为单调下降趋势,保存不同步长结果,并对有交集的时间对应的指标分布曲线区间求并集。
本实施例通过上述方案,具体通过基于所述性能指标数据中的指标时间分布数据,获取按照预设步长计算的相邻指标数据的差值和所述差值符号;当所述差值绝对值大于对应相邻指标数据的均值预设比例的值时,根据所述差值符号将计算结果置换为预设的固定值;当按照同一预设步长计算得到的相同固定值连续达到预设个数时,确定所述性能指标数据中的指标时间分布数据的趋势特征分析结果。达到了通过对指标时间分布数据每一个时间点按照不同步长计算差值绝对值,当差值绝对值达到一定阈值,确定置换固定值,从而根据固定值的连续性判断性能趋势的目的,达到了有效地判定性能趋势的效果。
进一步地,参照图11,图11为性能指标的诊断方法第十示例性实施例的流程示意图,所述将所述指标分析结果进行整合,生成性能指标的诊断报告的步骤包括:
步骤S1401,根据所述指标分析结果的问题类别对所述指标分析结果进行分类,得到若干个分析结果集;
具体地,所述的问题类别包括但不限于平均响应时间或TPS/RPS性能不达标结果、压测请求失败率高、并发数、TPS、平均响应时间不满足联机应用指标规律告警提示、周期波动提示告警、性能趋势告警等问题,按照问题内容将问题分类。
步骤S1402,按照所述问题类别预设的优先级,将所述若干个分析结果集排序后进行遍历;
具体地,问题类别优先级的高低通过相关人员根据经验设置。
步骤S1403,当同类分析结果集中相同指标分析结果有时间交集时,将有交集时间的指标分析结果进行合并;
步骤S1404,当同类分析结果集中不同指标分析结果有时间交集时,保留不同指标分析结果的时间并集、不同指标分析结果中问题类别是第一优先级的分析结果;
具体地,当同类分析结果集中有时间交集的指标分析结果不同时,将有时间交集的区间合并,得到并集时间区间,并保留相对于其他分析结果优先级更高的指标分析结果作为并集时间区间对应的指标分析结果。
步骤S1405,对所述分析结果集进行格式化处理,生成性能指标的诊断报告。
具体地,分析结果集的格式化处理使得性能指标的诊断报告展示内容更加规范化。
本实施例通过上述方案,具体通过根据所述指标分析结果的问题类别对所述指标分析结果进行分类,得到若干个分析结果集;按照所述问题类别预设的优先级,将所述若干个分析结果集排序后进行遍历;当同类分析结果集中相同指标分析结果有时间交集时,将有交集时间的指标分析结果进行合并;当同类分析结果集中不同指标分析结果有时间交集时,保留不同指标分析结果的时间并集、不同指标分析结果中问题类别是第一优先级的分析结果;对所述分析结果集进行格式化处理,生成性能指标的诊断报告。基于本方案,达到了对性能分析结果进行整合的目的,去除了重复诊断的问题,避免冗余,使得性能指标的诊断报告展示的内容更加规范化。
进一步地,参照图12,图12为性能指标的诊断方法第十一示例性实施例的功能流程示意图,图13为本申请性能指标的诊断方法涉及性能趋势分析的曲线分段截取示意图,图14为本申请性能指标的诊断方法涉及性能趋势分析的步长计算结果图,第十一示例性实施例的具体功能流程如下:
首先,将时间分布数据中的TPS分布、响应时间分布、错误率分布等数据进行预处理和特征提取;
接着,将处理后的时间分布数据中的TPS分布、响应时间分布、错误率分布等数据通过模型拟合计算、趋势计算、规则计算,得到性能指标诊断结果;模型拟合计算具体如图13所示将曲线分段然后进行拟合计算;趋势计算则是将指标时间分布数据通过预设变化的步长求差值,步长大小代表了时间点间隔,将差值结果与差值绝对值按照一定比例计算得到的值进行对比,并将比较结果置换为+1或-1或0,置换后如图14所示,通过连续相同的固定值确定性能的升降趋势值;
接着,聚合报告中的并发数、请求总数、平均TPS/RPS、平均响应时间、最大响应时间、错误率等数据和历史指标、调度测试结果(同一系统、同类系统)通过规则计算,得到性能指标诊断结果;
接着,将性能指标诊断结果合并去重、去冲突,在合并去重、去冲突的同时将性能指标诊断结果排序和按照优先级别划分,最终得到排序、划分后的性能指标诊断结果,即图12中的外部指标诊断结果,将划分的结果集中冗余结果整合,最终向用户展示结果或输入子系统、应用、组件进行诊断。
进一步地,参照图15、图16,图16为性能指标的诊断方法涉及的专家系统分析性能问题的功能流程图,图15为性能指标的诊断方法第十二示例性实施例的功能流程示意图,实现了对性能分析结果的整合,生成性能诊断报告,具体功能流程如下:
首先,读取规则分析结果,规则分析结果是将所述性能指标数据中的聚合类指标数据、指标时间分布数据、历史和梯度类数据输入到专家系统中对应的分析模块进行分析而得到的。进一步地,利用机器学习算法,学习不同软件性能问题在实践中总结出的专家分析经验,训练出决策性能问题的规则集,并通用泛化最后形成规则库。专家系统则是基于规则库并通过规则引擎对性能数据进行匹配,从而找到与性能数据相对应的性能问题;除了区分在压测中和压测后的应用规则,还有如图16所示的聚合指标数据(点)即上述聚合类指标数据,时间分布数据(曲线)即上述指标时间分布数据,历史数据、梯度压测数据即上述历史和梯度类数据,进行分析得到的规则集,以获得全面的问题分析结果供用户决策;
然后,读取模型拟合识别结果,模型拟合识别结果是将性能指标数据中的指标问题曲线输入到特征拟合模型计算器进行曲线相似度计算生成的;
接着,读取趋势分析结果,趋势分析结果是将性能指标数据中的指标时间分布数据输入到趋势特征计算器进行性能趋势计算而得到的;
接着,对上述分析结果按问题类型分类、按问题优先级从高优先级到低优先级排序;
接着,遍历同类问题结果集,从中选取2个分析结果,判断时间是否有重合,如果重合就删除2个分析结果,重新合并分析结果放入结果集中;查找时间有交集的分析结果,分析内容是否有冲突,如果有冲突以优先级高、规则集识别的为准,删除冲突分析结果,
最终,得到去重、排序、冲突处理后的分析结果。
此外,本申请实施例还提出一种性能指标的诊断装置,所述性能指标的诊断装置包括:
获取模块:用于获取性能指标数据;
处理模块:用于对所述性能指标数据进行预处理和/或特征提取,生成指标特征数据;
分析模块:用于将所述指标特征数据输入到预设的指标分析系统,生成指标分析结果;
整合模块:用于将所述指标分析结果进行整合,生成性能指标的诊断报告。
此外,本申请实施例还提出一种终端设备,所述终端设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的性能指标的诊断程序,所述性能指标的诊断程序被所述处理器执行时实现所述性能指标的诊断方法的步骤。
由于本性能指标的诊断程序被处理器执行时,采用了前述所有实施例的全部技术方案,因此至少具有前述所有实施例的全部技术方案所带来的所有有益效果,在此不再一一赘述。
此外,本申请实施例还提出一种可读存储介质,所述存储介质上存储有性能指标的诊断程序,所述性能指标的诊断程序被处理器执行时实现如上所述的性能指标的诊断方法的步骤。
由于本性能指标的诊断程序被处理器执行时,采用了前述所有实施例的全部技术方案,因此至少具有前述所有实施例的全部技术方案所带来的所有有益效果,在此不再一一赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
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。
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如上的一个存储介质(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,被控终端,或者网络终端设备等)执行本申请每个实施例的方法。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (13)
1.一种性能指标的诊断方法,其特征在于,所述性能指标分析的方法包括以下步骤:
获取性能指标数据;
对所述性能指标数据进行预处理和/或特征提取,得到指标特征数据;
将所述指标特征数据输入到预设的指标分析系统,生成指标分析结果;
将所述指标分析结果进行整合,生成性能指标的诊断报告。
2.根据权利要求1所述的性能指标的诊断方法,其特征在于所述预设的指标分析系统包括专家系统、特征拟合模型计算器、趋势特征计算器,所述指标分析结果包括专家分析结果、模型拟合识别结果、趋势特征分析结果,所述将所述指标特征数据输入到预设的指标分析系统,生成指标分析结果的步骤包括:
将所述性能指标数据中的聚合类指标数据、指标时间分布数据、历史和梯度类数据输入到所述专家系统中对应的分析模块进行分析,生成所述专家分析结果;
将所述性能指标数据中的指标问题曲线输入到所述特征拟合模型计算器进行曲线相似度计算,生成所述模型拟合识别结果;
将所述性能指标数据中的指标时间分布数据输入到所述趋势特征计算器进行性能趋势计算,生成所述趋势特征分析结果。
3.根据权利要求2所述的性能指标的诊断方法,其特征在于,所述专家系统包括聚合类数据分析模块、时间分布数据分析模块、历史和梯度类数据分析模块,所述将所述性能指标数据中的聚合类指标数据、指标时间分布数据、历史和梯度类数据输入到所述专家系统中对应的分析模块进行分析,生成所述专家分析结果的步骤包括:
基于所述聚合类数据分析模块,分析所述性能指标数据中的聚合类指标数据,生成性能指标点数据的专家分析结果;
基于所述时间分布数据分析模块,分析所述性能指标数据中的指标时间分布数据,生成性能指标线数据的专家分析结果;
基于所述历史和梯度类数据分析模块,分析所述性能指标数据中的历史和梯度类数据,生成性能指标面数据的专家分析结果。
4.根据权利要求3所述的性能指标的诊断方法,其特征在于,所述基于所述聚合类数据分析模块,分析所述性能指标数据中的聚合类指标数据,生成性能指标点数据的专家分析结果的步骤包括:
基于所述聚合类数据分析模块,遍历所述性能指标数据中的聚合类指标数据进行分析;
若所述聚合类指标数据中的请求并发数、平均响应时间、TPS和/或RPS中任一数据不符合预设的压测通过值,则生成对应指标数据失败提示的性能指标点数据的专家分析结果;
若所述聚合类指标数据中的压测请求失败率大于预设的压测请求失败率,则生成压测请求失败率告警提示的性能指标点数据的专家分析结果;
若所述聚合类指标数据与预期指标的差值偏移量占比大于预设的第一阈值,则生成所述聚合类指标数据不满足联机应用指标规律告警提示的性能指标点数据的专家分析结果。
5.根据权利要求3所述的性能指标的诊断方法,其特征在于,所述基于所述时间分布数据分析模块,分析所述性能指标数据中的指标时间分布数据,生成性能指标线数据的专家分析结果的步骤包括:
基于所述时间分布数据分析模块,遍历所述性能指标数据中各指标的指标时间分布数据进行分析;
当所述指标时间分布数据中第一时间的指标值,与所述指标时间分布数据中指标平均值的差值绝对值大于预设的第二阈值时,标记所述第一时间及对应的指标值为第一问题点;
当所述性能指标数据中的指标时间分布数据遍历完成后,将各指标的相邻第一问题点合并,生成问题波动区间、区间峰值、所述问题波动区间对应问题描述的性能指标线数据的专家分析结果;
若所述问题波动区间不唯一,则按照周期波动规则判断所述问题波动区间的周期性,生成波动区间的性能指标线数据的专家分析结果。
6.根据权利要求5所述的性能指标的诊断方法,其特征在于,所述基于所述时间分布数据分析模块,分析所述性能指标数据中的指标时间分布数据,生成性能指标线数据的专家分析结果的步骤还包括:
当遍历所述性能指标数据中的指标时间分布数据为失败指标时间分布数据时,将所述失败指标时间分布数据的时间相邻区间合并,生成失败分布区间和失败数提示的性能指标线数据的专家分析结果;
当遍历所述问题波动区间的各区间的请求并发数指标时间分布数据、平均响应时间指标时间分布数据、TPS和/或RPS指标时间分布数据大于预设的第三阈值时,生成平均响应时间或TPS/RPS性能不达标的专家分析结果;否则,生成成功提示的性能指标线数据的专家分析结果。
7.根据权利要求3所述的性能指标的诊断方法,其特征在于,所述基于历史和梯度类数据分析模块分析所述性能指标数据中的历史和梯度类数据,生成性能指标面数据的专家分析结果的步骤包括:
基于所述历史和梯度类数据分析模块,遍历所述性能指标数据中从小到大排序的历史和梯度类数据,所述历史和梯度类数据包括并发数、响应时间、TPS梯度数据;
根据所述从小到大排序的历史和梯度类数据,确定性能上升的指标拐点值;
当所述指标拐点值之后的历史和梯度类数据,不满足预设的第四阈值时,生成梯度不满足联机交易特性提示的性能指标面数据的专家分析结果。
8.根据权利要求2所述的性能指标的诊断方法,其特征在于,所述将所述性能指标数据中的指标问题曲线输入到所述特征拟合模型计算器进行曲线相似度计算,生成所述模型拟合识别结果的步骤包括:
将所述指标特征数据中的指标问题曲线按照时间相邻点分段截取,得到若干个指标问题曲线及对应的曲线向量;
计算所述若干个指标问题曲线的曲线向量与对应的历史指标问题曲线的曲线向量的余弦相似度带权算数均值;
将所述余弦相似度带权算数均值归一化,并将归一化的余弦相似度带权算数均值与预设的第五阈值进行对比;
当所述归一化的余弦相似度带权算数均值大于预设的第五阈值,确定所述指标特征数据中的指标问题曲线区间的模型拟合识别结果。
9.根据权利要求2所述的性能指标的诊断方法,其特征在于,所述将所述性能指标数据中的指标时间分布数据输入到所述趋势特征计算器进行性能趋势计算,生成所述趋势特征分析结果的步骤包括:
基于所述性能指标数据中的指标时间分布数据,获取按照预设步长计算的相邻指标数据的差值和所述差值符号;
当所述差值绝对值大于对应相邻指标数据的均值预设比例的值时,根据所述差值符号将计算结果置换为预设的固定值;
当按照同一预设步长计算得到的相同固定值连续达到预设个数时,确定所述性能指标数据中的指标时间分布数据的趋势特征分析结果。
10.根据权利要求1所述的性能指标的诊断方法,其特征在于,所述将所述指标分析结果进行整合,生成性能指标的诊断报告的步骤包括:
根据所述指标分析结果的问题类别对所述指标分析结果进行分类,得到若干个分析结果集;
按照所述问题类别预设的优先级,将所述若干个分析结果集排序后进行遍历;
当同类分析结果集中相同指标分析结果有时间交集时,将有交集时间的指标分析结果进行合并;
当同类分析结果集中不同指标分析结果有时间交集时,保留不同指标分析结果的时间并集、不同指标分析结果中问题类别是第一优先级的分析结果;
对所述分析结果集进行格式化处理,生成性能指标的诊断报告。
11.一种性能指标的诊断装置,其特征在于,所述性能指标的诊断装置包括:
获取模块:用于获取性能指标数据;
处理模块:用于对所述性能指标数据进行预处理和/或特征提取,生成指标特征数据;
分析模块:用于将所述指标特征数据输入到预设的指标分析系统,生成指标分析结果;
整合模块:用于将所述指标分析结果进行整合,生成性能指标的诊断报告。
12.一种终端设备,其特征在于,所述终端设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的性能指标的诊断程序,所述性能指标的诊断程序被所述处理器执行时实现如权利要求1-10中任一项所述性能指标的诊断方法的步骤。
13.一种存储介质,其特征在于,所述存储介质上存储有性能指标的诊断程序,所述性能指标的诊断程序被处理器执行时实现如权利要求1-10中任一项所述性能指标的诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211394073.4A CN115904955A (zh) | 2022-11-08 | 2022-11-08 | 性能指标的诊断方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211394073.4A CN115904955A (zh) | 2022-11-08 | 2022-11-08 | 性能指标的诊断方法、装置、终端设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115904955A true CN115904955A (zh) | 2023-04-04 |
Family
ID=86479686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211394073.4A Pending CN115904955A (zh) | 2022-11-08 | 2022-11-08 | 性能指标的诊断方法、装置、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115904955A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116302897A (zh) * | 2023-05-15 | 2023-06-23 | 合肥联宝信息技术有限公司 | 一种数据集的建立方法、装置、电子设备及存储介质 |
-
2022
- 2022-11-08 CN CN202211394073.4A patent/CN115904955A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116302897A (zh) * | 2023-05-15 | 2023-06-23 | 合肥联宝信息技术有限公司 | 一种数据集的建立方法、装置、电子设备及存储介质 |
CN116302897B (zh) * | 2023-05-15 | 2023-10-17 | 合肥联宝信息技术有限公司 | 一种数据集的建立方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10031829B2 (en) | Method and system for it resources performance analysis | |
CN109934268B (zh) | 异常交易检测方法及系统 | |
CN109816031B (zh) | 一种基于数据不均衡度量的变压器状态评估聚类分析方法 | |
CN107563601A (zh) | 一种智能电能表运行状态评价方法 | |
CN110275878B (zh) | 业务数据检测方法、装置、计算机设备及存储介质 | |
WO2020082516A1 (zh) | 一种运维数据的处理方法、系统及装置 | |
CN115858794B (zh) | 用于网络运行安全监测的异常日志数据识别方法 | |
KR101953558B1 (ko) | 스마트 기기 결함 관리 장치 및 방법 | |
CN116066343A (zh) | 一种输油泵机组故障模型的智能预警方法及系统 | |
CN108763966B (zh) | 一种尾气检测作弊监管系统及方法 | |
CN111178672A (zh) | 一种基于平衡性的智能稽查方法 | |
CN115904955A (zh) | 性能指标的诊断方法、装置、终端设备及存储介质 | |
CN111402236A (zh) | 一种基于图像灰度值的热轧带钢表面缺陷分级方法 | |
CN110490486B (zh) | 一种企业大数据管理系统 | |
CN113283673A (zh) | 一种模型性能衰减评价方法、模型训练方法及装置 | |
CN116503025B (zh) | 一种基于工作流引擎的业务工单流程处理方法 | |
CN115114124A (zh) | 主机风险的评估方法及评估装置 | |
CN112199295A (zh) | 一种基于频谱的深度神经网络缺陷定位方法及系统 | |
CN116319255A (zh) | 一种基于kpi的根因定位方法、装置、设备及存储介质 | |
CN111985826B (zh) | 一种多指标工业产品的可视化质量分级方法和系统 | |
CN114325232A (zh) | 一种故障定位方法和装置 | |
CN112699609A (zh) | 一种基于振动数据的柴油机可靠性模型构建方法 | |
CN110321425A (zh) | 一种电网缺陷类型的判断方法及装置 | |
CN113919799B (zh) | 一种云管理平台审计控制器集群数据的方法及系统 | |
CN113435464B (zh) | 异常数据检测方法、装置、电子设备及计算机存储介质 |
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 |