CN117081965B - 一种内网应用负载在线监测系统 - Google Patents
一种内网应用负载在线监测系统 Download PDFInfo
- Publication number
- CN117081965B CN117081965B CN202311351876.6A CN202311351876A CN117081965B CN 117081965 B CN117081965 B CN 117081965B CN 202311351876 A CN202311351876 A CN 202311351876A CN 117081965 B CN117081965 B CN 117081965B
- Authority
- CN
- China
- Prior art keywords
- monitoring
- response time
- time data
- moment
- data
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 340
- 230000004044 response Effects 0.000 claims abstract description 217
- 230000008859 change Effects 0.000 claims abstract description 69
- 238000000034 method Methods 0.000 claims description 41
- 230000008569 process Effects 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 6
- 230000006641 stabilisation Effects 0.000 claims description 6
- 238000011105 stabilization Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 18
- 238000004364 calculation method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
- H04L43/0888—Throughput
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/06—Generation of reports
- H04L43/067—Generation of reports using time frame reporting
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0805—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability
- H04L43/0817—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability by checking functioning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0852—Delays
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及数据处理技术领域，具体涉及一种内网应用负载在线监测系统，包括：获取若干个监测时刻的响应时间数据和每个监测时刻的用户人数值；获取每个监测时刻的响应时间数据自身的变化程度；根据每个监测时刻的响应时间数据和用户人数整体真实变化量、每个监测时刻的响应时间数据和用户人数相关性和每个监测时刻的数据影响时间变化程度的稳定性，获取第个监测时刻的响应时间不稳定程度；根据每个监测时刻的响应时间不稳定程度对每个监测时刻的内网应用负载进行监测。本发明可以对网络延迟因素和内网应用负载异常因素造成的影响进行区分，最终达到对内网应用负载异常检测的目的。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种内网应用负载在线监测系统。
背景技术
在企业和组织的内网环境中，存在着复杂的应用系统和网络架构，对应用负载的实时监测和管理需求日益增长；内网应用负载通常涉及多个应用服务、数据库、网络设备等，而且受限于内网的隔离性，无法直接访问外部的云服务或公共网络资源。内网应用负载监测是企业管理和运维中的一项重要任务，在线监测内网应用负载时，对于应用响应时间的监测通常会使用应用程序性能监测工具，这些工具专注于实时监测和分析应用程序的性能指标，以评估其在内网中的负载情况。
现有的技术在监测内网应用负载时，只可以笼统地监测分析出异常的数据点，在利用应用响应时间来反应对内网应用负载的检测情况时，网络延迟对应用响应时间造成影响与内网应用负载异常时造成影响，在直观体现上较为相似，在现有的相关技中术无法监测分析出更准确的异常数据。
发明内容
本发明提供一种内网应用负载在线监测系统，以解决现有的问题。
本发明的一种内网应用负载在线监测系统采用如下技术方案：
包括以下模块：
数据采集模块，用于获取若干个监测时刻的响应时间数据和每个监测时刻的用户人数值；
数据特征获取模块，用于根据若干个监测时刻的响应时间数据获取每个监测时刻的响应时间数据自身的变化程度；
数据特征分析模块，用于根据每个监测时刻的响应时间数据和每个监测时刻的用户人数值获取每个监测时刻的响应时间数据和用户人数相关性；根据每个监测时刻的响应时间数据自身的变化程度获取每个监测时刻的加权因子；根据每个监测时刻的加权因子和每个监测时刻的响应时间数据和用户人数相关性，获取每个监测时刻的响应时间数据和用户人数整体真实变化量；获取每个监测时刻响应时间数据函数曲线；根据每个监测时刻响应时间数据函数曲线获取每个监测时刻的响应时间数据稳定因子；根据每个监测时刻的响应时间数据稳定因子获取每个监测时刻的数据影响时间变化程度的稳定性；根据每个监测时刻的响应时间数据和用户人数整体真实变化量、每个监测时刻的响应时间数据和用户人数相关性以及每个监测时刻的数据影响时间变化程度的稳定性，获取每个监测时刻的响应时间不稳定程度；
数据监测结果模块，用于根据每个监测时刻的响应时间不稳定程度对每个监测时刻的内网应用负载进行监测。
优选的，所述根据若干个监测时刻的响应时间数据获取每个监测时刻的响应时间数据自身的变化程度具体公式为：
式中，表示第/>个监测时刻的响应时间数据自身的变化程度；/>表示第/>个监测时刻的响应时间数据；/>表示第/>个监测时刻的响应时间数据；/>表示所有监测时刻的响应时间数据的总数量；/>表示取绝对值。
优选的，所述根据每个监测时刻的响应时间数据和每个监测时刻的用户人数值获取每个监测时刻的响应时间数据和用户人数相关性的具体公式为：
式中，表示第/>个监测时刻的响应时间数据和用户人数相关性；/>表示第/>个监测时刻的响应时间数据；/>表示第/>个监测时刻的响应时间数据；/>表示第/>个监测时刻的用户人数值；/>表示第/>个监测时刻的用户人数值；/>表示取绝对值。
优选的，所述根据每个监测时刻的响应时间数据自身的变化程度获取每个监测时刻的加权因子，包括的具体方法为：
将第个监测时刻的响应时间数据自身的变化程度的倒数与第/>个监测时刻的响应时间数据自身的变化程度的倒数的和作为第/>个监测时刻的加权因子。
优选的，所述根据每个监测时刻的加权因子和每个监测时刻的响应时间数据和用户人数相关性，获取每个监测时刻的响应时间数据和用户人数整体真实变化量的具体公式为：
式中，表示第/>个监测时刻的响应时间数据和用户人数整体真实变化量；/>表示第/>个监测时刻之前所有监测时刻的总数量；/>表示第/>个监测时刻的响应时间数据自身的变化程度；/>表示第/>个监测时刻的响应时间数据自身的变化程度；/>表示第/>个监测时刻的响应时间数据和用户人数相关性；/>表示取绝对值；/>表示第/>个监测时刻的加权因子。
优选的，所述获取每个监测时刻响应时间数据函数曲线，包括的具体方法为：
对于第个监测时刻，根据第/>个监测时刻之前所有监测时刻的响应时间数据，构建第/>个监测时刻响应时间数据函数曲线，其中，自变量为监测时刻，函数值为每个监测时刻对应的响应时间数据；同理，获取每个监测时刻响应时间数据函数曲线。
优选的，所述根据每个监测时刻响应时间数据函数曲线获取每个监测时刻的响应时间数据稳定因子，包括的具体方法为：
将第个监测时刻响应时间数据函数曲线的极值点数量作为第/>个监测时刻的响应时间数据稳定因子；同理，获取每个监测时刻的响应时间数据稳定因子。
优选的，所述根据每个监测时刻的响应时间数据稳定因子获取每个监测时刻的数据影响时间变化程度的稳定性具体公式为：
式中，表示第/>个监测时刻的数据影响时间变化程度的稳定性；/>表示第/>个监测时刻的响应时间数据稳定因子；/>表示第/>个监测时刻之前所有监测时刻的总数量；/>表示第/>个监测时刻响应时间数据函数曲线上第/>个数据点的斜率；/>表示第/>个监测时刻响应时间数据函数曲线上第/>个数据点的斜率；/>表示第/>个数据点的序号；/>表示取绝对值；/>表示线性归一化函数。
优选的，所述根据每个监测时刻的响应时间数据和用户人数整体真实变化量、每个监测时刻的响应时间数据和用户人数相关性以及每个监测时刻的数据影响时间变化程度的稳定性，获取每个监测时刻的响应时间不稳定程度的具体公式为：
式中，表示第/>个监测时刻的响应时间不稳定程度；/>表示第/>个监测时刻的数据影响时间变化程度的稳定性；/>表示第/>个监测时刻的响应时间数据和用户人数相关性；表示线性归一化函数。
优选的，所述根据每个监测时刻的响应时间不稳定程度对每个监测时刻的内网应用负载进行监测，包括的具体方法为：
对于任意一个监测时刻，若所述监测时刻的响应时间不稳定程度大于等于预设阈值,则所述监测时刻的内网应用负载情况发生异常；若所述监测时刻的响应时间不稳定程度小于预设阈值/>，则所述监测时刻的内网应用负载情况未发生异常。
本发明的技术方案的有益效果是：针对在利用应用响应时间来反应对内网应用负载的检测情况时，网络延迟对应用响应时间造成影响与内网应用负载异常时造成影响，在直观体现上较为相似，在现有的相关技中术无法监测分析出更准确的异常数据的问题；本发明通过对响应时间进行监测，利用对应用响应时间的变化特征以及应用响应时间同用户人数变化的相关性分析得到应用响应时间的不稳定程度，通过这一指标可以对网络延迟因素和内网应用负载异常因素造成的影响进行区分，最终达到对内网应用负载异常检测的目的。
附图说明
为了更清楚地说明本发明实施例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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明一种内网应用负载在线监测系统的结构框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种内网应用负载在线监测系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种内网应用负载在线监测系统具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种内网应用负载在线监测系统的结构框图，该系统包括以下模块：
数据采集模块101，用于获取若干个监测时刻的响应时间数据和每个监测时刻的用户人数值。
需要说明的是，在线监测内网应用负载时，对于应用响应时间的监测，会出现一类受到网络延迟影响的数据点的分布和正常情况下应用响应时间的数据点分布相似的情况。所以在这个场景下，本实施例需要排除受网络延迟影响的数据点对监测系统的干扰，完成对内网应用负载的在线监测。
由于需要在线监测内网应用负载情况，所以首先需确定一个监测指标作为参考标准。本实施例将对内网应用的响应时间进行检测，同时并对同一时间段的用户人数进行监测；其中，APM工具可以监测应用程序的性能，并提供详细的性能指标和数据。它们通常具有实时监测、事务跟踪、错误分析、资源利用率等功能，可以帮助识别应用中潜在的性能问题和瓶颈，并提供有关应用响应时间的数据。
为了实现本实施例提出的一种内网应用负载在线监测系统，首先需要采集若干个监测时刻的响应时间数据和每个监测时刻的用户人数值，具体过程为：
选择监测代理工具APM，在每台应用服务器上安装选定的监测代理；完成安装后，并进行监测代理的配置；在配置完成后，启动监测代理服务；将收集应用服务器的数据和指标，发送到指定的监测平台中，进而获得若干个监测时刻的响应时间数据和每个监测时刻的用户人数值。
至此，通过上述方法得到若干个监测时刻的响应时间数据和每个监测时刻的用户人数值。
数据特征获取模块102，用于获取每个监测时刻的响应时间数据自身的变化程度。
需要说明的是，对内网应用负载过大的在线监测，主要通过响应时间的变化特征来构建模型进行分析计算。首先，需要依据响应时间自身在一段时间内的变化程度来初步表现其是否异常。其中每个相邻的监测时刻的响应时间的变化程度越大，就可以说明内网应用负载过大的可能性越大。
通过利用每一个监测时刻的响应时间数据相较于上一监测时刻的变化量与上一监测时刻之前的每一个相邻监测时刻的响应时间数据的变化量的平均值作比较，也即利用二者差值的绝对值与上一监测时刻之前的每一个相邻监测时刻的响应时间数据的变化量的平均值作比值，即可求出每一个监测时刻的响应时间数据在时间序列上自身的变化程度。
具体的，第个监测时刻的响应时间数据自身的变化程度的计算表达式为：
式中，表示第/>个监测时刻的响应时间数据自身的变化程度；/>表示第/>个监测时刻的响应时间数据；/>表示第/>个监测时刻的响应时间数据；/>表示所有监测时刻的响应时间数据的总数量；/>表示取绝对值。
需要说明的是，当前监测时刻响应时间数据相较于上一个监测时刻的响应时间数据的变化量越大，该监测时刻的响应时间数据在时间序列上自身的变化程度越大，说明该监测时刻发生内网应用负载过大的可能性越大。
至此，通过上述方法得到每个监测时刻的响应时间数据自身的变化程度。
数据特征分析模块103，用于根据每个监测时刻的响应时间数据和用户人数整体真实变化量、每个监测时刻的响应时间数据和用户人数相关性和每个监测时刻的数据影响时间变化程度的稳定性，获取第个监测时刻的响应时间不稳定程度。
需要说明的是，通过上述方法，获得每个监测时刻的响应时间数据自身的变化程度，其只能初步地表现响应时间的异常性。但是网络延迟对响应时间的影响以及内网应用负载对响应时间的影响效果是相似的，都会使得响应时间异常而被监测到；但网络延迟对于响应时间的干扰是较为稳定的，它会使得响应时间随着并发用户数量的增多而均匀地增高；而内网应用负载对于响应时间的干扰则是相对不稳定的，它对响应时间长短的影响不由并发用户人数决定，而是由CPU、内存、磁盘等来决定的，所以在响应时间与并发用户数量的相对关系中内网应用所造成的影响是很不稳定的。那么可以通过计算每个监测时刻的响应时间不稳定程度来反应监测时刻的响应时间数据自身的变化程度是由内网应用负载过大造成的可能性。
1.获取每个监测时刻的响应时间数据和用户人数相关性。
需要说明的是，对于任意一个监测时刻，通过利用该监测时刻的用户人数数据与响应时间数据相较于上一个监测时刻的变化量的比值，去表示单位用户人数变化量下响应时间的变化量，具体反映相邻两个监测时刻的用户人数数据与响应时间数据变化的相关关系。
具体的，第个监测时刻的响应时间数据和用户人数相关性的计算表达式为：
式中，表示第/>个监测时刻的响应时间数据和用户人数相关性；/>表示第/>个监测时刻的响应时间数据；/>表示第/>个监测时刻的响应时间数据；/>表示第/>个监测时刻的用户人数值；/>表示第/>个监测时刻的用户人数值；/>表示取绝对值。
至此，获得每个监测时刻的响应时间数据和用户人数相关性。
2.获取每个监测时刻的响应时间数据和用户人数整体真实变化量。
需要说明的是，由于在对所有监测时刻的响应时间与用户人数数据的变化相对关系求均值时，每一个监测时刻的数据的自身变化程度越大就会对整体求得的均值的准确性产生影响，所以有必要引入加权因子，对其进行加权修正。相邻监测时刻的响应时间数据自身的变化程度越大，响应时间变化程度越大，异常的可能性越大，所以作为参考数据的可信度越小。
通过每个监测时刻的响应时间数据和用户人数相关性与每个监测时刻的加权因子乘积均值去表示每个监测时刻的响应时间数据和用户人数整体真实变化量；具体反映相邻两个监测时刻的用户人数数据与响应时间数据变化的真实相关关系。
具体的，第个监测时刻的响应时间数据和用户人数整体真实变化量的计算表达式为：
式中，表示第/>个监测时刻的响应时间数据和用户人数整体真实变化量；/>表示第/>个监测时刻之前所有监测时刻的总数量；/>表示第/>个监测时刻的响应时间数据自身的变化程度；/>表示第/>个监测时刻的响应时间数据自身的变化程度；/>表示第/>个监测时刻的响应时间数据和用户人数相关性；/>表示取绝对值；/>表示第/>个监测时刻的加权因子。
至此，获得每个监测时刻的响应时间数据和用户人数整体真实变化量。
3.获取每个监测时刻的数据影响时间变化程度的稳定性。
需要说明的是，利用每个监测时刻的加权因子对当前监测时刻的响应时间数据和用户人数相关性相较于之前多个监测时刻的响应时间数据和用户人数相关性的差异进行加权修正。现有做法直接作差求得的差异值具有一定的偶然性，具体表现为可能存在一段变化程度很小的数据，而当前监测时刻发生较大的变化时，那么上述由该变化求得的差异值的代表性就会变差。若监测时刻的数据影响时间变化程度的稳定性越大，说明监测时刻之前的数据变化程度越大，那么由在监测时刻发生变化的数据计算得到的差异值的代表性就会变大，其不稳定程度也会越大。
每个监测时刻的数据影响时间变化程度的稳定性，具体受当前监测时刻之前相邻监测时刻数据响应时间变化稳定性的影响，具体反映响应时间变化的稳定上升以及稳定下降，其响应时间变化受用户人数的影响越大，则其影响不稳定程度表现越低。
具体的，对于第个监测时刻，根据第/>个监测时刻之前所有监测时刻的响应时间数据，构建第/>个监测时刻响应时间数据函数曲线，其中，自变量为监测时刻，函数值为每个监测时刻对应的响应时间数据；将第/>个监测时刻响应时间数据函数曲线的极值点数量作为第/>个监测时刻的响应时间数据稳定因子；则第/>个监测时刻的数据影响时间变化程度的稳定性的计算表达式为：
式中，表示第/>个监测时刻的数据影响时间变化程度的稳定性；/>表示第/>个监测时刻的响应时间数据稳定因子；/>表示第/>个监测时刻之前所有监测时刻的总数量；/>表示第/>个监测时刻响应时间数据函数曲线上第/>个数据点的斜率；/>表示第/>个监测时刻响应时间数据函数曲线上第/>个数据点的斜率；/>表示第/>个数据点的序号，也即第/>个数据点对应的监测时刻；/>表示取绝对值；/>表示线性归一化函数。
至此，获得每个监测时刻的数据影响时间变化程度的稳定性。
4.获取每个监测时刻的响应时间不稳定程度。
需要说明的是，对于任意一个监测时刻；可以通过利用该监测时刻的数据影响时间变化程度的稳定性对该监测时刻的响应时间数据和用户人数相关性与该监测时刻的响应时间数据和用户人数整体真实变化量差异值去表述该监测时刻的响应时间不稳定程度，该监测时刻的响应时间数据和用户人数相关性与该监测时刻的响应时间数据和用户人数整体真实变化量差异值越大；其响应时间不稳定程度越大。
具体的，根据第个监测时刻的响应时间数据和用户人数整体真实变化量、第/>个监测时刻的响应时间数据和用户人数相关性和第/>个监测时刻的数据影响时间变化程度的稳定性，获取第/>个监测时刻的响应时间不稳定程度的计算表达式为：
式中，表示第/>个监测时刻的响应时间不稳定程度；/>表示第/>个监测时刻的数据影响时间变化程度的稳定性；/>表示第/>个监测时刻的响应时间数据和用户人数相关性；表示线性归一化函数。
至此，通过上述方法得到每个监测时刻的响应时间不稳定程度。
数据监测结果模块104，用于根据每个监测时刻的响应时间不稳定程度对每个监测时刻的内网应用负载进行监测。
预设一个阈值，其中本实施例以/>例进行叙述，本实施例不进行具体限定，其中/>根据具体实施情况而定。
具体的，对于任意一个监测时刻，若所述监测时刻的响应时间不稳定程度大于等于预设阈值，则所述监测时刻的内网应用负载情况发生异常；若所述监测时刻的响应时间不稳定程度小于预设阈值/>，则所述监测时刻的内网应用负载情况未发生异常。
对于内网应用负载情况发生异常时，需要针对应用进行代码优化、数据库查询优化、缓存机制的设计、资源的合理配置等。这样能够提升应用的执行效率，提高系统的吞吐量。同时可以加强内网应用的安全防护，包括及时修复漏洞、设置访问控制、使用防火墙等安全措施，保护应用免受恶意攻击和数据泄露。最后定期对内网应用进行维护和更新，包括操作系统的更新、软件版本的升级、数据库的优化等。这样可以修复可能存在的漏洞和错误，并保持应用处于最新和可靠的状态。
至此，本实施例完成。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种内网应用负载在线监测系统，其特征在于，该系统包括以下模块：
数据采集模块，用于获取若干个监测时刻的响应时间数据和每个监测时刻的用户人数值；
数据特征获取模块，用于根据若干个监测时刻的响应时间数据获取每个监测时刻的响应时间数据自身的变化程度；
数据特征分析模块，用于根据每个监测时刻的响应时间数据和每个监测时刻的用户人数值获取每个监测时刻的响应时间数据和用户人数相关性；根据每个监测时刻的响应时间数据自身的变化程度获取每个监测时刻的加权因子；根据每个监测时刻的加权因子和每个监测时刻的响应时间数据和用户人数相关性，获取每个监测时刻的响应时间数据和用户人数整体真实变化量；获取每个监测时刻响应时间数据函数曲线；根据每个监测时刻响应时间数据函数曲线获取每个监测时刻的响应时间数据稳定因子；根据每个监测时刻的响应时间数据稳定因子获取每个监测时刻的数据影响时间变化程度的稳定性；根据每个监测时刻的响应时间数据和用户人数整体真实变化量、每个监测时刻的响应时间数据和用户人数相关性以及每个监测时刻的数据影响时间变化程度的稳定性，获取每个监测时刻的响应时间不稳定程度；
数据监测结果模块，用于根据每个监测时刻的响应时间不稳定程度对每个监测时刻的内网应用负载进行监测。
2.根据权利要求1所述一种内网应用负载在线监测系统，其特征在于，所述根据若干个监测时刻的响应时间数据获取每个监测时刻的响应时间数据自身的变化程度具体公式为：
；
式中，表示第/>个监测时刻的响应时间数据自身的变化程度；/>表示第/>个监测时刻的响应时间数据；/>表示第/>个监测时刻的响应时间数据；/>表示所有监测时刻的响应时间数据的总数量；/>表示取绝对值。
3.根据权利要求1所述一种内网应用负载在线监测系统，其特征在于，所述根据每个监测时刻的响应时间数据和每个监测时刻的用户人数值获取每个监测时刻的响应时间数据和用户人数相关性的具体公式为：
；
式中，表示第/>个监测时刻的响应时间数据和用户人数相关性；/>表示第/>个监测时刻的响应时间数据；/>表示第/>个监测时刻的响应时间数据；/>表示第/>个监测时刻的用户人数值；/>表示第/>个监测时刻的用户人数值；/>表示取绝对值。
4.根据权利要求1所述一种内网应用负载在线监测系统，其特征在于，所述根据每个监测时刻的响应时间数据自身的变化程度获取每个监测时刻的加权因子，包括的具体方法为：
将第个监测时刻的响应时间数据自身的变化程度的倒数与第/>个监测时刻的响应时间数据自身的变化程度的倒数的和作为第/>个监测时刻的加权因子。
5.根据权利要求1所述一种内网应用负载在线监测系统，其特征在于，所述根据每个监测时刻的加权因子和每个监测时刻的响应时间数据和用户人数相关性，获取每个监测时刻的响应时间数据和用户人数整体真实变化量的具体公式为：
；
式中，表示第/>个监测时刻的响应时间数据和用户人数整体真实变化量；/>表示第/>个监测时刻之前所有监测时刻的总数量；/>表示第/>个监测时刻的响应时间数据自身的变化程度；/>表示第/>个监测时刻的响应时间数据自身的变化程度；/>表示第/>个监测时刻的响应时间数据和用户人数相关性；/>表示取绝对值；/>表示第/>个监测时刻的加权因子。
6.根据权利要求1所述一种内网应用负载在线监测系统，其特征在于，所述获取每个监测时刻响应时间数据函数曲线，包括的具体方法为：
对于第个监测时刻，根据第/>个监测时刻之前所有监测时刻的响应时间数据，构建第/>个监测时刻响应时间数据函数曲线，其中，自变量为监测时刻，函数值为每个监测时刻对应的响应时间数据；同理，获取每个监测时刻响应时间数据函数曲线。
7.根据权利要求1所述一种内网应用负载在线监测系统，其特征在于，所述根据每个监测时刻响应时间数据函数曲线获取每个监测时刻的响应时间数据稳定因子，包括的具体方法为：
将第个监测时刻响应时间数据函数曲线的极值点数量作为第/>个监测时刻的响应时间数据稳定因子；同理，获取每个监测时刻的响应时间数据稳定因子。
8.根据权利要求7所述一种内网应用负载在线监测系统，其特征在于，所述根据每个监测时刻的响应时间数据稳定因子获取每个监测时刻的数据影响时间变化程度的稳定性具体公式为：
；
式中，表示第/>个监测时刻的数据影响时间变化程度的稳定性；/>表示第/>个监测时刻的响应时间数据稳定因子；/>表示第/>个监测时刻之前所有监测时刻的总数量；/>表示第/>个监测时刻响应时间数据函数曲线上第/>个数据点的斜率；/>表示第/>个监测时刻响应时间数据函数曲线上第/>个数据点的斜率；/>表示第/>个数据点的序号；/>表示取绝对值；/>表示线性归一化函数。
9.根据权利要求1所述一种内网应用负载在线监测系统，其特征在于，所述根据每个监测时刻的响应时间数据和用户人数整体真实变化量、每个监测时刻的响应时间数据和用户人数相关性以及每个监测时刻的数据影响时间变化程度的稳定性，获取每个监测时刻的响应时间不稳定程度的具体公式为：
；
式中，表示第/>个监测时刻的响应时间不稳定程度；/>表示第/>个监测时刻的数据影响时间变化程度的稳定性；/>表示第/>个监测时刻的响应时间数据和用户人数相关性；/>表示线性归一化函数。
10.根据权利要求1所述一种内网应用负载在线监测系统，其特征在于，所述根据每个监测时刻的响应时间不稳定程度对每个监测时刻的内网应用负载进行监测，包括的具体方法为：
对于任意一个监测时刻，若所述监测时刻的响应时间不稳定程度大于等于预设阈值，则所述监测时刻的内网应用负载情况发生异常；若所述监测时刻的响应时间不稳定程度小于预设阈值/>，则所述监测时刻的内网应用负载情况未发生异常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311351876.6A CN117081965B (zh) | 2023-10-19 | 2023-10-19 | 一种内网应用负载在线监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311351876.6A CN117081965B (zh) | 2023-10-19 | 2023-10-19 | 一种内网应用负载在线监测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117081965A CN117081965A (zh) | 2023-11-17 |
| CN117081965B true CN117081965B (zh) | 2024-01-16 |
Family
ID=88713913
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311351876.6A Active CN117081965B (zh) | 2023-10-19 | 2023-10-19 | 一种内网应用负载在线监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117081965B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117828408B (zh) * | 2024-03-04 | 2024-05-14 | 新风光电子科技股份有限公司 | 一种储能容量数据处理方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9507887B1 (en) * | 2013-03-13 | 2016-11-29 | EMC IP Holding Company LLC | Adaptive techniques for workload distribution across multiple storage tiers |
| CN113658415A (zh) * | 2021-07-30 | 2021-11-16 | 南京凡科信息科技有限公司 | 一种智能网关的预警方法和系统 |
| CN114896926A (zh) * | 2022-07-12 | 2022-08-12 | 沐曦集成电路(上海)有限公司 | 一种纳秒级快速调整芯片内部负载的系统 |
| CN116599858A (zh) * | 2023-05-22 | 2023-08-15 | 广东外语外贸大学 | 一种响应时间保障型集群系统及其规模调整方法 |
| CN116781583A (zh) * | 2023-07-28 | 2023-09-19 | 飞思达技术（北京）有限公司 | 一种基于负载变化的业务质量变异检测方法和装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022018467A1 (en) * | 2020-07-22 | 2022-01-27 | Citrix Systems, Inc. | Determining changes in a performance of a server |
-
2023
- 2023-10-19 CN CN202311351876.6A patent/CN117081965B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9507887B1 (en) * | 2013-03-13 | 2016-11-29 | EMC IP Holding Company LLC | Adaptive techniques for workload distribution across multiple storage tiers |
| CN113658415A (zh) * | 2021-07-30 | 2021-11-16 | 南京凡科信息科技有限公司 | 一种智能网关的预警方法和系统 |
| CN114896926A (zh) * | 2022-07-12 | 2022-08-12 | 沐曦集成电路(上海)有限公司 | 一种纳秒级快速调整芯片内部负载的系统 |
| CN116599858A (zh) * | 2023-05-22 | 2023-08-15 | 广东外语外贸大学 | 一种响应时间保障型集群系统及其规模调整方法 |
| CN116781583A (zh) * | 2023-07-28 | 2023-09-19 | 飞思达技术（北京）有限公司 | 一种基于负载变化的业务质量变异检测方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 基于OGSA的网格工作负载监测系统研究;刘晓明;饶;;电子科技大学学报(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117081965A (zh) | 2023-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022068645A1 (zh) | 数据库故障发现方法、装置、电子设备及存储介质 | |
| US9940190B2 (en) | System for automated computer support | |
| US7624174B2 (en) | Self-learning method and system for detecting abnormalities | |
| EP1661047B1 (en) | Systems and methods for automated computer support | |
| CN117081965B (zh) | 一种内网应用负载在线监测系统 | |
| CN113407371B (zh) | 数据异常监测方法、装置、计算机设备和存储介质 | |
| KR100982034B1 (ko) | 데이터베이스 성능 모니터링 방법 및 시스템 | |
| US20110161048A1 (en) | Method to Optimize Prediction of Threshold Violations Using Baselines | |
| CN113671909A (zh) | 一种钢铁工控设备安全监测系统和方法 | |
| CN117235743B (zh) | 一种基于安全风险的智慧电力管理方法及系统 | |
| CN117687884A (zh) | 一种电网调度自动化主站运维操作票智能优化方法及系统 | |
| CN117117780A (zh) | 基于变电站一二次信息融合的断路器防拒动方法及系统 | |
| CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
| CN114548769B (zh) | 一种智能电网it资产大数据监测系统及方法 | |
| Jha et al. | Holistic measurement-driven system assessment | |
| ZA200601938B (en) | Systems and methods for creation and use of an adaptive reference model | |
| CN116304763B (zh) | 一种电力数据预分析方法、系统、设备及介质 | |
| CN118246740A (zh) | 用于评估电网风险的方法、装置和设备 | |
| CN115293481A (zh) | 一种基于集成学习lscp算法的台区户变关系纠查方法及系统 | |
| Wang et al. | Network Abnormality Location Algorithm Based on Greedy Monte Carlo Tree | |
| CN114024699A (zh) | 一种复杂网络环境下异常流量检测方法 | |
| CN117971474A (zh) | 一种自适应能效及资源动态配置的数据中心口才训练系统 | |
| CN117792903A (zh) | 基于深度强化学习的企业中台服务评估与动态治理方法 | |
| CN118211943A (zh) | 一种注塑产品生产管理方法及系统 | |
| CN118313688A (zh) | 核电设备的可靠性评估方法、系统、设备、介质和程序 |
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 |