CN116680201B - 一种基于机器学习的系统压力测试方法 - Google Patents
一种基于机器学习的系统压力测试方法 Download PDFInfo
- Publication number
- CN116680201B CN116680201B CN202310943169.XA CN202310943169A CN116680201B CN 116680201 B CN116680201 B CN 116680201B CN 202310943169 A CN202310943169 A CN 202310943169A CN 116680201 B CN116680201 B CN 116680201B
- Authority
- CN
- China
- Prior art keywords
- state
- learning
- action
- agent
- tested
- 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.)
- Active
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 44
- 238000010801 machine learning Methods 0.000 title claims abstract description 12
- 230000009471 action Effects 0.000 claims abstract description 55
- 230000035945 sensitivity Effects 0.000 claims abstract description 24
- 238000013526 transfer learning Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 15
- 238000000034 method Methods 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 11
- 230000006978 adaptation Effects 0.000 claims description 8
- 230000007774 longterm Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000005012 migration Effects 0.000 claims description 4
- 238000013508 migration Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 2
- 239000003795 chemical substances by application Substances 0.000 description 26
- 239000004973 liquid crystal related substance Substances 0.000 description 16
- 230000008859 change Effects 0.000 description 4
- 230000002787 reinforcement Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000009662 stress testing Methods 0.000 description 1
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
- G06F11/3668—Software testing
- G06F11/3672—Test management
-
- 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
- G06F11/3684—Test management for test design, e.g. generating new test cases
-
- 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
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于机器学习的系统压力测试方法,包括以下步骤:设计状态检测器,根据被测系统和运行环境来检测系统的当前状态;基于Q‑learning算法的智能体,Agent根据系统状态施加影响系统性能的动作;在每个动作之后,Agent计算所应用的动作产生有效性的奖励信号;设计系统性能灵敏度检测器,接收一个性能灵敏度指标,表示被测系统的灵敏度类型,借助于迁移学习,选择相应的经验知识库,用于在被测系统上生成压力测试用例。
Description
技术领域
本发明涉及机器学习技术领域,尤其涉及一种基于机器学习的系统压力测试方法。
背景技术
压力测试是系统测试工作中十分重要的一项任务,它是确保系统稳定性的重要保障。目前基于模型的分析作为一种常见的压测方法会对系统测试提供有用的信息,但推断精确的性能模型是一项挑战,尤其是对于复杂系统。
现有技术中,为了模拟现实生活中高并发压力请求的情景,压力测试会模拟用户请求,然后逐渐增大请求量级,使被测服务器在较长的一段时间内处于高负荷状态。整个过程中,测试系统还会收集被测系统的资源,如CPU使用率、内存使用率、网络IO和磁盘IO等,以及使用情况和延时数据,通过这些数据来衡量系统的性能表现。被测系统的性能表现不会一直线型增加,当并发压力到达一定阈值之后,被测系统的性能表现不会随着并发压力的增大而增大,反而会有下降趋势,此时到达了系统的瓶颈,从而确定了被测系统能够提供的最大服务量级。
因此,如何将压力测试用于各种系统性能测试,以找到系统性能突破点,为不同类型的系统生成压力测试用例的最佳策略,具有重要的实际应用意义。
发明内容
本发明所要解决的问题是:提供一种基于机器学习的系统压力测试方法,用于为不同类型的系统自适应生成压力测试用例。
为实现上述目的,本发明采用以下技术方案:
一种基于机器学习的系统压力测试方法,包括以下四个步骤:
步骤1、系统状态检测:设计系统状态检测器,根据被测系统和运行环境检测系统当前状态;
步骤2、动作应用:基于Q-learning算法的智能体Agent根据系统状态通过执行器向被测系统施加影响系统性能的动作;
步骤3、奖励计算:在步骤2应用每个动作之后Agent计算所应用的动作产生有效性的奖励信号。
步骤4、经验适配:设计系统性能灵敏度检测器,借助于迁移学习,选择相应的经验知识库,用于在被测系统上生成压力测试用例。
具体的,在步骤1中,设计状态检测器,根据被测系统和运行环境来检测系统的当前状态,被测系统和运行环境包括:CPU、内存、磁盘利用率,以及测试系统响应时间;
状态检测器,用于接收参数元组作为系统状态的输入,所述参数元组表示为:
(1)
其中,/>,/>,/>分别表示被测系统的CPU、内存、磁盘利用率和系统响应时间;
所述连续的参数元组构成系统状态空间,将系统状态空间划分为多个离散状态。
具体的,在步骤2中,基于Q-learning算法的智能体Agent根据系统状态施加影响系统性能的动作,所述动作为智能体通过执行器应用于被测系统的操作,用于改变可用系统资源,或改变影响性能的因素,所述系统资源包括:被测系统的CPU核心、内存和磁盘资源,所述影响性能的因素包括增加系统工作负担的因素。
进一步的,贪婪策略被用作所述动作选择的核心策略,所述动作包括按递减因子修改可用资源的操作,如下公式(2)或(3):
(2)
(3)
其中,mem(disk)表示当前系统可用的内存数量,d表示递减因子。
具体的,步骤3中,在步骤2应用所述每个动作之后,Agent计算所应用的动作产生有效性的奖励信号,为奖励信号导出效用函数,所述效用函数是两个函数的加权线性组合,分别描述响应时间偏离需求和资源使用情况,效用函数如下公式(4):
(4)
其中,表示系统的响应时间偏离可接受区域的程度,/>表示资源利用的效率,参数k表示允许智能体对不同方面的压力条件进行优先级排序的加权参数,/>。
具体的,步骤4,包括如下子步骤:
S4.1、系统性能灵敏度检测,用于接收被测系统的性能灵敏度指标,表示被测系统的灵敏度类型,所述性能灵敏度包括:CPU、内存及磁盘的性能灵敏度;
S4.2、迁移学习,在迁移学习过程中,智能体Agent依赖于所获得的经验,同时探索环境以保持所获得的知识的更新,所述经验根据策略来定义,所述策略包括CPU、内存和磁盘密集型系统学习策略,分别对应于被测系统CPU、内存或磁盘密集型系统;
S4.3、经验适配,借助于迁移学习,智能体Agent在与被测系统的交互过程中使用学习到的策略,选择并激活相应的经验知识库,在被测系统上生成压力测试用例。
进一步的,在步骤4.2中,所述策略定义为状态和行动之间的映射,并指定在每个状态下应该采取的行动,效用值是根据策略π在给定状态s下选择行动a,所述作为搭配(s,a)状态行动对的预期长期回报,定义如下公式(5)和(6):
(5)
(6)
其中,,/>,/>分别是当前状态、行动和预期的奖励;/>是折扣因子,表示与立即实现的奖励相比,智能体对未来奖励的重视程度;
进一步的,所述(s,a)状态行动对的Q值被存储在查找表Qt表中,作为所述智能体的经验,当智能体依赖于使用其经验时,Q值用于决定不同的行动,使用如下公式(7)进行Q学习:
(7)
其中,δ指的是学习率,指在状态/>处采取行动/>后,智能体获得的即时回报,/>指下一个可能的行动;
在Q学习期间,Q值通过时间差分被递增地更新,Q学习的目标是找到一种策略,使状态和行动搭配对的预期长期回报最大化。
本发明的有益效果是:
1:本发明使用无模型强化学习(RL),即具有多个经验知识库的Q-learning来学习在没有性能模型的情况下寻找不同类型的被测系统的性能断点的策略。
2:本发明提出的智能框架能够学习如何将压力测试有效地应用于不同类型的系统,包括CPU密集型、内存密集型和磁盘密集型等等,以找到性能突破点。
3:本发明的技术方案,弥补了现有技术中对于系统压力测试业务的不足。
附图说明
图1是本发明基于机器学习的系统压力测试方法流程图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图对申请的技术方案做进一步地详尽阐述,所描述的实施例,也只是本发明所涉及实施例的一部分。本领域其他研究人员在该实施例上的所有非创新型实施例,都属于本发明的保护范围。
本发明提供一种基于机器学习的系统压力测试方法,如图1所示,包括以下四个步骤:
步骤1、系统状态检测:设计系统状态检测器,根据被测系统和运行环境检测系统当前状态;
步骤2、动作应用:基于Q-learning算法的智能体Agent根据系统状态通过执行器向被测系统施加影响系统性能的动作;
步骤3、奖励计算:在步骤2应用每个动作之后Agent计算所应用的动作产生有效性的奖励信号。
步骤4、经验适配:设计系统性能灵敏度检测器,借助于迁移学习,选择相应的经验知识库,用于在被测系统上生成压力测试用例。
为优化上述技术方案,本发明的具体实施例包括:
首先,设计状态检测器,根据被测系统和运行环境来检测系统的当前状态。
检测系统的当前状态是基于强化学习(Reinforcement Learning,RL)的算法的主要步骤之一。在本实施例提出的智能框架中,被测系统和运行环境的四个测量值,包括CPU、内存和磁盘利用率,以及测试系统响应时间,用于指定系统的状态。状态检测器组件接收一个元组,该元组由作为指定系统状态的输入,其中/>、、/>、/>分别显示CPU、内存、磁盘利用率和系统响应时间。
这些连续的参数形成了被测系统的状态空间,然后下一步是将状态空间划分为多个离散状态。
在检测到系统状态的基础上,基于Q-learning算法的智能体Agent根据系统的状态施加影响系统性能的动作:
然后,在状态检测之后,智能体对系统应用一个可能的操作。操作是指改变(减少)可用系统资源(包括CPU核心、内存和磁盘),并改变影响性能的因素(如增加工作负载)的操作,贪婪策略被用作行动选择的核心策略。
在本实施例提出的智能框架中,操作包括按递减因子修改可用资源的操作等,如下公式:
其中,mem(disk)表示当前系统可用的内存数量,d表示递减因子。
进一步的,在应用每个动作之后,Agent计算所应用的动作产生有效性的奖励信号:
为奖励信号导出效用函数,该函数是两个函数的加权线性组合,分别描述响应时间偏离需求和资源使用情况使用以下效用函数计算奖励:
其中,表示系统的相应时间偏离可接受区域的程度,/>表示资源利用的效率,对于/>是指允许智能体对不同方面的压力条件进行优先级排序的加权参数。
最后,设计系统性能灵敏度检测器,该部分接收一个性能灵敏度指标,表示被测系统的灵敏度类型。然后借助于迁移学习,选择相应的经验(知识)库,用于在被测系统上生成压力测试用例:
迁移学习过程中,智能体Agent主要依赖于所获得的经验,同时也在一定程度上探索环境以保持所获得的知识的更新,进行经验存储。在与被测系统的交互过程中使用学习到的策略,进行经验适配,使智能体生成压力测试用例及测试条件,在学习试验方面,以较少的精力找到性能突破点,并提高效率。
经验开发是这个阶段的关键概念,它可以提高测试用例生成的效率。对于CPU、内存和磁盘密集型系统学习的策略截然不同,这表明通过分离智能体的经验基础是有益的,在观察到CPU、内存或磁盘密集型被测系统时,智能体会激活相应的经验知识库,以便对观察到的系统实例执行操作。
在RL中获得的经验的概念是根据策略来定义的。策略被定义为状态和行动之间的映射,并指定在每个状态下应该采取的行动。
效用值指的是根据策略π在给定状态s下选择行动a。/>作为搭配(s,a)状态的预期长期回报,定义如下公式:
其中,,/>,/>分别是当前状态、行动和预期的奖励。/>是一个折扣因子,表示与立即实现的奖励相比,智能体对未来奖励的重视程度。
进一步的,所述(s,a)状态行动对的Q值被存储在查找表Qt表中,作为所述智能体的经验,当智能体依赖于使用其经验时,Q值用于决定不同的行动。
在使用如下公式进行Q学习期间,Q值也被递增地更新(通过时间差分)。Q学习(迁移学习)的最终目标是找到一种策略,使状态和行动搭配对的预期长期回报最大化。
其中,δ指的是学习率,指在状态/>处采取行动/>后,智能体获得的即时回报,/>指下一个可能的行动;
Q学习为Q-learning,是一种强化学习算法,通过不断更新Q值来进行优化,目标是找到一个使得在当前任务中的状态-行动配对对的预期长期回报最大化的策略。
需要特别说明的是,本发明的思想为:首先,设计状态检测器,根据被测系统和运行环境来检测系统的当前状态。其次,在检测到系统状态的基础上,基于Q-learning算法的智能体Agent根据系统的状态施加影响系统性能的动作。之后,在应用每个动作之后,Agent计算所应用的动作产生有效性的奖励信号。最后,设计系统性能灵敏度检测器,该部分接收一个性能灵敏度指标,表示被测系统的灵敏度类型。然后借助于迁移学习,选择相应的经验知识库,用于在被测系统上生成压力测试用例。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (3)
1.一种基于机器学习的系统压力测试方法,其特征在于,包括以下步骤:
步骤1、系统状态检测:设计系统状态检测器,根据被测系统和运行环境检测系统当前状态;
步骤2、动作应用:基于Q-learning算法的智能体Agent,根据系统状态通过执行器向被测系统施加影响系统性能的动作;贪婪策略被用作动作选择的核心策略,所述动作包括按递减因子修改可用资源的操作,如下公式(1)或(2):
其中,mem(disk)表示当前系统可用的内存数量,d表示递减因子;
步骤3、奖励计算:在步骤2应用每个动作之后,Agent计算应用的动作产生有效性的奖励信号,为奖励信号导出效用函数,所述效用函数是响应时间偏离需求函数和资源使用情况函数的加权线性组合,效用函数如下公式(3):
U(n)=kUr(n)+(1-k)UE (3)
其中,Ur(n)为响应时间偏离需求函数,表示系统的响应时间偏离可接受区域的程度;UE为资源使用情况函数,表示资源利用的效率;参数k表示允许智能体对不同方面的压力条件进行优先级排序的加权参数,0≤k≤1;
步骤4、经验适配:设计系统性能灵敏度检测器,借助于迁移学习,选择相应的经验知识库,用于在被测系统上生成压力测试用例,包括如下子步骤:
S4.1、系统性能灵敏度检测,用于接收被测系统的性能灵敏度指标,表示被测系统的灵敏度类型,所述性能灵敏度包括:CPU、内存及磁盘的性能灵敏度;
S4.2、迁移学习,在迁移学习过程中,智能体Agent依赖于获得的经验,同时探索环境以保持所获得的知识的更新,所述经验根据策略定义,所述策略包括CPU、内存和磁盘密集型系统学习策略,分别对应于被测系统CPU、内存或磁盘密集型系统;
S4.3、经验适配,借助于所述迁移学习,智能体Agent在与被测系统的交互过程中使用学习到的策略,选择并激活相应经验知识库,在被测系统上生成压力测试用例;
步骤S4.2中,所述策略定义为状态和行动之间的映射,并指定在每个状态下应该采取的行动,效用值Qπ(s,a)是根据策略π在给定状态s下选择行动a,所述Qπ(s,a)作为搭配(s,a)状态行动对的预期长期回报,定义如下公式(4)和(5):
Qπ(s,a)=Eπ[Rn|Sn=s,An=a] (4)
其中,Sn,An,rn+k+1分别是当前状态、行动和预期的奖励;γ∈[0,1]是折扣因子,表示与立即实现的奖励相比,智能体对未来奖励的重视程度;
所述(s,a)状态行动对的Q值被存储在查找表Qt表中,作为所述智能体的经验,当智能体依赖于使用其经验时,Q值用于决定不同的行动,使用如下公式(6)进行Q学习:
其中,δ指的是学习率,rn+1指在状态sn处采取行动an后,智能体获得的即时回报,a′指下一个行动;
通过所述Q学习,Q值通过时间差分被递增地更新,Q学习的目标是找到使状态和行动搭配对的预期长期回报最大化的策略。
2.根据权利要求1所述的一种基于机器学习的系统压力测试方法,其特征在于,在步骤1中,设计状态检测器,根据被测系统和运行环境来检测系统的当前状态,
所述被测系统和运行环境包括:被测系统SUT的CPU状态、内存状态、磁盘利用率,以及测试系统响应时间;
所述状态检测器,用于接收参数元组作为系统状态的输入,所述参数元组表示为:
(CPUU,MemU,DiskU,Rt) (7)
其中CPUU,MemU,DiskU,Rt分别表示被测系统的CPU、内存、磁盘利用率和系统响应时间,连续的参数元组构成系统状态空间,将系统状态空间划分为多个离散状态。
3.根据权利要求2所述的一种基于机器学习的系统压力测试方法,其特征在于,在步骤2中,基于Q-learning算法的智能体Agent根据系统状态通过执行器向被测系统施加影响系统性能的动作;所述动作为智能体通过执行器对被测系统应用的操作,用于改变可用系统资源,或改变影响性能的因素;所述系统资源包括:被测系统的CPU核心、内存和磁盘资源,所述影响性能的因素包括增加被测系统工作负载的因素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310943169.XA CN116680201B (zh) | 2023-07-31 | 2023-07-31 | 一种基于机器学习的系统压力测试方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310943169.XA CN116680201B (zh) | 2023-07-31 | 2023-07-31 | 一种基于机器学习的系统压力测试方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116680201A CN116680201A (zh) | 2023-09-01 |
CN116680201B true CN116680201B (zh) | 2023-10-17 |
Family
ID=87784050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310943169.XA Active CN116680201B (zh) | 2023-07-31 | 2023-07-31 | 一种基于机器学习的系统压力测试方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116680201B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111562972A (zh) * | 2020-04-24 | 2020-08-21 | 西北工业大学 | 一种面向群智感知的泛在操作系统 |
CN111882062A (zh) * | 2020-07-24 | 2020-11-03 | 哈尔滨工业大学(威海) | 一种基于强化学习的Windows窗体应用程序自学习智能机器人及其工作方法 |
CN113392910A (zh) * | 2021-06-17 | 2021-09-14 | 国网江西省电力有限公司供电服务管理中心 | 一种判断违约用电与窃电的多维度智能分析经验算法和分类算法 |
CN113449458A (zh) * | 2021-07-15 | 2021-09-28 | 海南大学 | 一种基于课程学习的多智能体深度确定性策略梯度方法 |
CN114003387A (zh) * | 2021-11-04 | 2022-02-01 | 中国石油大学(华东) | 一种基于强化学习的微服务负载均衡和弹性扩缩容方法 |
CN115392217A (zh) * | 2021-04-26 | 2022-11-25 | 甲骨文国际公司 | 用于保持修辞流的技术 |
WO2022261500A2 (en) * | 2021-06-11 | 2022-12-15 | Jubilant Draximage Inc. | Expert scoring system for measurement of severity, treatment response and prognosis of peripheral arterial disease |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11074829B2 (en) * | 2018-04-12 | 2021-07-27 | Baidu Usa Llc | Systems and methods for interactive language acquisition with one-shot visual concept learning through a conversational game |
-
2023
- 2023-07-31 CN CN202310943169.XA patent/CN116680201B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111562972A (zh) * | 2020-04-24 | 2020-08-21 | 西北工业大学 | 一种面向群智感知的泛在操作系统 |
CN111882062A (zh) * | 2020-07-24 | 2020-11-03 | 哈尔滨工业大学(威海) | 一种基于强化学习的Windows窗体应用程序自学习智能机器人及其工作方法 |
CN115392217A (zh) * | 2021-04-26 | 2022-11-25 | 甲骨文国际公司 | 用于保持修辞流的技术 |
WO2022261500A2 (en) * | 2021-06-11 | 2022-12-15 | Jubilant Draximage Inc. | Expert scoring system for measurement of severity, treatment response and prognosis of peripheral arterial disease |
CN113392910A (zh) * | 2021-06-17 | 2021-09-14 | 国网江西省电力有限公司供电服务管理中心 | 一种判断违约用电与窃电的多维度智能分析经验算法和分类算法 |
CN113449458A (zh) * | 2021-07-15 | 2021-09-28 | 海南大学 | 一种基于课程学习的多智能体深度确定性策略梯度方法 |
CN114003387A (zh) * | 2021-11-04 | 2022-02-01 | 中国石油大学(华东) | 一种基于强化学习的微服务负载均衡和弹性扩缩容方法 |
Non-Patent Citations (2)
Title |
---|
Learning to Predict Consequences as a Method of Knowledge Transfer in Reinforcement Learning;E. Chalmers 等;《IEEE Transactions on Neural Networks and Learning Systems》;第29卷(第06期);2259-2270 * |
移动Agent迁移机制及主机负载测试;杨永健 等;《仪器仪表学报》;498-501 * |
Also Published As
Publication number | Publication date |
---|---|
CN116680201A (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107967204B (zh) | 线下压测的方法、系统及终端设备 | |
US20070022142A1 (en) | System and method to generate domain knowledge for automated system management by combining designer specifications with data mining activity | |
CN102129397A (zh) | 一种自适应磁盘阵列故障预测方法及系统 | |
JP6404909B2 (ja) | 技術的な系の出力量のモデルを算出する方法 | |
Moghadam et al. | Machine learning to guide performance testing: An autonomous test framework | |
CN108038040A (zh) | 计算机集群性能指标检测方法、电子设备及存储介质 | |
JP6985833B2 (ja) | データ処理装置、制御システム、データ処理方法及びプログラム | |
Díaz et al. | Observability analysis in water transport networks: Algebraic approach | |
CN109840671A (zh) | 运行改进效果计算设备、运行改进效果计算方法和记录介质 | |
JPWO2014080598A1 (ja) | 運用管理装置、及び、運用管理方法 | |
CN107480040A (zh) | 工作流稳定性测试方法及设备 | |
CN110147315A (zh) | 并发性能测试方法、装置、计算机设备及存储介质 | |
CN116680201B (zh) | 一种基于机器学习的系统压力测试方法 | |
Zhang et al. | Health condition assessment for pumped storage units using multihead self-attentive mechanism and improved radar chart | |
CN113589172A (zh) | 一种电网元器件的寿命预估方法 | |
CN104601385A (zh) | 基于地理位置的WebService服务质量预测方法 | |
JP2012504812A (ja) | ストレージシステム | |
CN116629918A (zh) | 一种基于跨境电商的用户消费预测方法及系统 | |
CN115373836A (zh) | 计算网络、算力度量方法、调度装置及相关产品 | |
CN111598390B (zh) | 服务器高可用性评估方法、装置、设备和可读存储介质 | |
Brandt et al. | Using probabilistic characterization to reduce runtime faults in HPC systems | |
CN108255688A (zh) | 应用程序日志的显示方法、存储介质、电子设备及系统 | |
Hanagal et al. | Modeling and statistical inference on generalized inverse Weibull software reliability growth model | |
CN111967938A (zh) | 云资源推荐方法、装置、计算机设备及可读存储介质 | |
JPWO2013141018A1 (ja) | 最適システム設計支援装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |