CN117130815A - 云桌面卡顿分析方法、装置、设备和介质 - Google Patents

Abstract

本公开提供了一种云桌面卡顿分析方法，涉及人工智能领域。该方法包括：响应于云桌面的卡顿行为，获得特定时间内宿主机的运维数据，所述云桌面依托于所述宿主机运行；将所述运维数据输入决策树模型，所述决策树模型通过将N个运维指标构造为N个条件节点获得，N为大于或等于1的整数；利用所述决策树模型将所述运维数据与所述N个条件节点中至少一个节点进行匹配，输出匹配决策路径，所述匹配决策路径包括依次匹配到的所有条件节点；根据所述匹配决策路径确定所述云桌面的卡顿原因。本公开还提供了一种云桌面卡顿分析装置、设备、存储介质和程序产品。

Description

云桌面卡顿分析方法、装置、设备和介质

技术领域

本公开涉及人工智能领域，更具体地，涉及一种云桌面卡顿分析方法、装置、设备、介质和程序产品。

背景技术

云桌面又称桌面虚拟化、云电脑，是替代传统电脑的一种模式。采用云桌面后，用户可以通过网络访问，实现跨设备、跨平台的办公体验。云桌面已经成为一些企业或用户的重要办公和开发环境，由于资源负载、服务器配置、网络质量、应用软件和用户使用习惯等因素，云桌面有时出现卡顿现象。

云桌面卡顿问题一般是通过用户信息反馈后，针对性的进行分析，把分析结果进行汇总对比；同时，每季度开展满意度调查，引导所有用户反馈使用体验，根据集中反馈结果进行人工分析。

在实现本公开发明构思的过程中，发明人发现，现有方案主要是基于无法集中的告警信息进行人工判断，没有办法发现隐藏数据关系，以及解析深度云桌面卡顿原因，运维人员只能基于当前信息分析，依据比较片面，得出的分析结果可能不准确，且对于复杂问题分析费时费力。

发明内容

鉴于上述问题，本公开提供了一种云桌面卡顿分析方法、装置、设备、介质和程序产品。

本公开实施例的一个方面，提供了一种云桌面卡顿分析方法，包括：响应于云桌面的卡顿行为，获得特定时间内宿主机的运维数据，所述云桌面依托于所述宿主机运行；将所述运维数据输入决策树模型，所述决策树模型通过将N个运维指标构造为N个条件节点获得，N为大于或等于1的整数；利用所述决策树模型将所述运维数据与所述N个条件节点中至少一个节点进行匹配，输出匹配决策路径，所述匹配决策路径包括依次匹配到的所有条件节点；根据所述匹配决策路径确定所述云桌面的卡顿原因。

根据本公开的实施例，在将所述运维数据输入决策树模型之前，所述决策树模型被配置为预先通过如下操作构建得到：基于历史运维信息确定M条逻辑化等式，其中每条逻辑化等式包括至少一个历史运维指标，且用于表征云桌面卡顿现象，M为大于或等于1的整数；根据所述M条逻辑化等式构造出M条决策路径，得到所述决策树模型，其中每条决策路径包括与对应逻辑化等式中所有运维指标一一对应地至少一个条件节点。

根据本公开的实施例，基于历史运维信息确定M条逻辑化等式包括：从所述历史运维信息中得到S条云桌面卡顿记录，S为大于或等于1的整数；对于每条云桌面卡顿记录，确定特定时间内该云桌面宿主机的历史运维数据，得到S个历史运维数据；根据所述S个历史运维数据确定所述M条逻辑化等式。

根据本公开的实施例，根据所述S个历史运维数据确定所述M条逻辑化等式包括：从所述S个历史运维数据确定出K个历史运维指标，K为大于或等于1的整数；根据指标出现频率筛选所述K个历史运维指标，确定构建所述M条逻辑化等式的至少一个历史运维指标。

根据本公开的实施例，在确定构建所述M条逻辑化等式的至少一个历史运维指标之后，构建所述M条逻辑化等式，具体包括：将每个历史运维数据中筛选出的所有历史运维指标构建出一条逻辑化等式；将任两个具有相同内容的逻辑化等式合并，得到所述M条逻辑化等式，M小于或等于S。

根据本公开的实施例，根据所述M条逻辑化等式构造出M条决策路径，得到所述决策树模型包括：将所述M条决策路径拼装得到初始状态的决策树模型；从所述历史运维信息中确定训练样本集，所述训练样本集包括至少一条训练样本，其中每条训练样本包括基于云桌面卡顿记录或云桌面非卡顿记录确定的历史运维数据及卡顿标签；基于所述训练样本集训练初始状态的决策树模型，得到训练完成的决策树模型。

根据本公开的实施例，在得到训练完成的决策树模型之后，所述方法还包括：对训练完成的决策树模型进行剪枝处理，得到经剪枝的决策树模型，其中经剪枝的决策树模型被配置为处理所述运维数据。

本公开实施例的另一方面提供了一种云桌面卡顿分析装置，包括：数据获取模块，用于响应于云桌面的卡顿行为，获得特定时间内宿主机的运维数据，所述云桌面依托于所述宿主机运行；数据输入模块，用于将所述运维数据输入决策树模型，所述决策树模型通过将N个运维指标构造为N个条件节点获得，N为大于或等于1的整数；节点匹配模块，用于利用所述决策树模型将所述运维数据与所述N个条件节点中至少一个节点进行匹配，输出匹配决策路径，所述匹配决策路径包括依次匹配到的所有条件节点；卡顿分析模块，用于根据所述匹配决策路径确定所述云桌面的卡顿原因。

本公开实施例的另一方面提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行如上所述的方法。

本公开实施例的另一方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行如上所述的方法。

本公开实施例的另一方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如上所述的方法。

上述一个或多个实施例具有如下有益效果：在云桌面出现卡顿行为时，根据运维数据结合决策树模型实现条件节点匹配，根据得到的匹配决策路径确定云桌面的卡顿原因，能够深层次发掘隐藏的数据关系，提供可靠的卡顿原因结果，提高云桌面卡顿原因分析的效率，从而解决云桌面卡顿分析难度大，人工分析成本过高等问题。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的云桌面卡顿分析的应用场景图；

图2示意性示出了根据本公开实施例的云桌面卡顿分析方法的流程图；

图3示意性示出了根据本公开实施例的预先构建决策树模型的流程图；

图4示意性示出了根据本公开实施例的确定逻辑化等式的流程图；

图5示意性示出了根据本公开另一实施例的确定逻辑化等式的流程图；

图6示意性示出了根据本公开另一实施例的确定逻辑化等式的流程图；

图7示意性示出了根据本公开实施例的训练决策树模型的流程图；

图8示意性示出了根据本公开实施例的实现云桌面卡顿分析方法的架构图；

图9示意性示出了根据本公开另一实施例的云桌面卡顿分析方法的流程图；

图10示意性示出了根据本发明实施例的云桌面卡顿分析装置的结构框图；以及

图11示意性示出了根据本公开实施例的适于实现云桌面卡顿分析方法的电子设备的方框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

首先对本公开一些实施例中涉及的术语释义如下：

数据挖掘：从海量数据中发掘出有价值信息的过程。

数据仓库：为企业所有级别的决策的制定，提供所有的数据集合。

信息增益：用于度量两种概率分布的差异。

剪枝：为了提高决策树算法模型的适用性，将极端数据去除的过程。

噪声数据：无意义的数据，通常是指损坏的数据。

过拟合：指模型训练表现良好，交叉验证表现一般。

欠拟合：算法模型在训练样本集上的效果很差。

图1示意性示出了根据本公开实施例的云桌面卡顿分析的应用场景图。需要注意的是，图1所示仅为可以应用本公开实施例的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，根据该实施例的应用场景100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

服务器105可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或分布式系统，还可以是提供云服务、云计算、网络服务、中间件服务等基础云计算服务的云服务器。

用户可以使用终端设备101、102、103通过网络104使用云桌面，在云桌面卡顿时，可以利用服务器105收集云桌面宿主机的运维数据，以运行决策模型处理运维数据进行卡顿原因分析。

需要说明的是，本公开实施例所提供的云桌面卡顿分析方法一般可以由服务器105或终端设备101、102、103执行。相应地，本公开实施例所提供的云桌面卡顿分析装置一般可以设置于服务器105或终端设备101、102、103中。本公开实施例所提供的云桌面卡顿分析方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的云桌面卡顿分析装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

以下将基于图1描述的场景，通过图2～图9对本公开实施例的云桌面卡顿分析方法进行详细描述。

图2示意性示出了根据本公开实施例的云桌面卡顿分析方法的流程图。如图2所示，该实施例的云桌面卡顿分析方法包括：

在操作S210，响应于云桌面的卡顿行为，获得特定时间内宿主机的运维数据，云桌面依托于宿主机运行。

在一些实施例中，云桌面是基于云计算技术实现的一种数据处理方式，其在宿主机(如云服务器)部署CPU(中央处理器)、内存等器件并虚拟化形成虚拟机(VM)。宿主机的虚拟机接收来自用户终端的指令并进行相应运算，将运算得到的云桌面(即运算后显示器应显示的内容)基于spice桌面传输协议等以图像形式传输至用户终端，供用户终端的显示器显示。

例如，卡顿行为可以通过云桌面运行状态，如利用云桌面的流畅程度、时延情况、画面显示状态等确定。本公开对如何检测卡顿行为以及卡顿标准不进行具体限定。

可选的，特定时间可以包括时间点，例如云桌面发生卡顿行为的时间点，获取时间点对应的运维数据可以减小计算量。可选的，特定时间还可以包括时间段，例如云桌面发生卡顿行为的时间点为终点，向前推预定时间长度(如1分钟，仅为示例)来获得运维数据，可得到较为全面的数据内容。

运维数据包括宿主机在支撑云桌面提供服务过程中的各种不同形式的数据。例如，云桌面运行时，可以对其宿主机的CPU、内存的占用率进行监控，在终端设备与服务器间传输探测包，根据探测包的往返时间(即延迟)、丢包率、吞吐量等确定网络状态，从而得到运维数据。

在操作S220，将运维数据输入决策树模型，决策树模型通过将N个运维指标构造为N个条件节点获得，N为大于或等于1的整数。

例如，决策树模型包括一颗由多个节点组成的树型结构。通常，一棵决策树包含一个根结点、若干条件节点和若干叶节点，从根节点经由一个或多个条件节点进行特征判断，进而在每条决策路径的最末枝确定出叶节点，能够对所关心卡顿原因作出分析。

运维指标包括对运维数据的状态进行评估的指标。例如，运维指标包括主机负载、网络状态、特定软件使用情况或内存性能等各个维度指标。运维指标可以包括阈值来判断对应维度的运维状态好坏。运维指标构造为条件节点时，可以根据该阈值构建判断条件实现后续匹配。

在操作S230，利用决策树模型将运维数据与N个条件节点中至少一个节点进行匹配，输出匹配决策路径，匹配决策路径包括依次匹配到的所有条件节点。

可选的，匹配决策路径包括从根节点开始经由一个或多个条件节点到某叶节点结束的一条节点序列。例如，树形结构的叶节点可以包括会导致卡顿或不导致卡顿。

可选的，匹配决策路径包括从根节点开始经由一个或多个条件节点的一条节点序列。例如，树形结构不包括叶节点。

在一些实施例中，基于分布式计算框架实现匹配过程，首先需要将运维数据的匹配计算任务进行切片，多个任务切片依赖于分布式计算框架并行迭代计算。

操作S230中匹配的过程包括沿着某条决策路径进行一次或多次条件判断，根据每次条件节点输出的判断结果决定分支的走向，并最终在最末枝确定匹配到的叶节点。

在操作S240，根据匹配决策路径确定云桌面的卡顿原因。

可选的，匹配决策路径包括匹配到的多个运维指标对应的条件节点以及叶节点，若叶节点为卡顿，则将该匹配决策路径中各个运维指标作为造成卡顿的原因，或者将该匹配决策路径呈现给运维人员进行分析。

可选的，无论匹配决策路径是否包括叶节点，都将该匹配决策路径呈现给运维人员进行分析。例如，展示给运维人员以树形结构，并将匹配决策路径在树形结构上突出展示，例如是将匹配决策路径与非匹配决策路径以不同的方式展示，如连接线条的粗细、形式、颜色等不同，或者仅显示出匹配决策路径。在将匹配决策路径进行展示之后，运维人员可以直观的看到自动分析的结果，以及匹配决策路径中可能导致卡顿的运维指标之间的逻辑关系。

进一步地，在展示的匹配决策路径基础上，还可以向用户提供可交互的选中方式，以便基于用户的选中操作确定出卡顿原因。例如运维人员通过查看日志、连接宿主机后台等方式，然后查看运维指标对应数据描述确定是否异常，进一步对匹配决策路径进行修整，进行准确的卡顿原因分析，且修整后的路径可以用来优化决策树模型。能够先进行自动分析，再通过人机交互的方式进行卡顿原因分析，避免了自动分析不准确的情况，提高了卡顿分析效率，并通过卡顿路径形象的展示出了卡顿出现的因果关系，使运维人员能够自主分析卡顿原因，提前规避已知风险，从而降低卡顿分析过程中的人工成本。

在一些实施例中，还可以根据匹配决策路径，调用对应的应急预案对卡顿原因进行应急处理。应用预案包括针对卡顿原因预先部署的策略，可以响应于调用请求或触发条件自动执行策略中的操作。应急处理用于解决导致卡顿出现的原因，使云桌面恢复正常服务。例如降低云桌面画质，或者利用弹性伸缩技术增加宿主机的性能配置。

根据本公开的实施例，在云桌面出现卡顿行为时，根据运维数据结合决策树模型实现条件节点匹配，根据得到的匹配决策路径确定云桌面的卡顿原因，能够深层次发掘隐藏的数据关系，提供可靠的卡顿原因结果，提高云桌面卡顿原因分析的效率，从而解决云桌面卡顿分析难度大，人工分析成本过高等问题。

图3示意性示出了根据本公开实施例的预先构建决策树模型的流程图。在将运维数据输入决策树模型之前，如图3所示，决策树模型被配置为预先通过如下操作构建得到：

在操作S310，基于历史运维信息确定M条逻辑化等式，其中每条逻辑化等式包括至少一个历史运维指标，且用于表征云桌面卡顿现象，M为大于或等于1的整数。

尤其说明的是，为便于区分，历史运维信息包括用于确定M条逻辑化等式的所有历史数据。下述历史运维数据包括出现一次云桌面卡顿时特定时间内该云桌面宿主机的历史数据。历史运维指标与运维指标的含义相同，区别在于来源不同，历史运维指标是从历史数据中整理提取得到，运维指标来自于推理场景中响应于云桌面的卡顿行为实时获得的运维数据。

例如云桌面卡顿现象包括存在卡顿和不存在卡顿。逻辑化等式是指通过一个或多个历史运维指标的组合，得到表征云桌面卡顿现象的结果的等式。例如，“＝”左边为一个或多个历史运维指标的组合，“＝”右边为云桌面卡顿现象的结果，当然，“＝”左右内容的顺序可以互换。

在操作S320，根据M条逻辑化等式构造出M条决策路径，得到决策树模型，其中每条决策路径包括与对应逻辑化等式中所有运维指标一一对应地至少一个条件节点。

根据本公开的实施例，可以从历史运维信息中挖掘出潜藏的数据关系，提供可靠的逻辑化等式构造出决策路径。从而得到决策树模型的过程中将逻辑化等式作为先验知识，有助于提高决策树模型输出结果的准确性。

图4示意性示出了根据本公开实施例的确定逻辑化等式的流程图。如图4所示，该实施例是操作S310的其中一个实施例，包括：

在操作S410，从历史运维信息中得到S条云桌面卡顿记录，S为大于或等于1的整数。

例如云桌面运行过程中，若出现卡顿行为则记录在日志中。故可以从日志中获取S条云桌面卡顿记录。可以预先通过数据筛选、过滤预处理等方法，从日志中去除海噪音数据。

在操作S420，对于每条云桌面卡顿记录，确定特定时间内该云桌面宿主机的历史运维数据，得到S个历史运维数据。

与操作S210相同，操作S420的特定时间可以是时间点，也可以是时间段。

在操作S430，根据S个历史运维数据确定M条逻辑化等式。

根据本公开的实施例，针对性的根据卡顿记录对应的历史运维数据确定逻辑化等式，能够发现出现卡顿行为时潜在的运维指标间关系。

在另一些实施例中，可以获取至少一条非卡顿记录，并获取历史运维数据并构建逻辑化等式，可以与操作S430中M条逻辑化等式形成参照。

图5示意性示出了根据本公开另一实施例的确定逻辑化等式的流程图。如图5所示，该实施例是操作S430的其中一个实施例，包括：

在操作S510，从S个历史运维数据确定出K个历史运维指标，K为大于或等于1的整数。

例如可以对每个历史运维数据处理得到宿主机的CPU、内存的占用率、延迟、吞吐量、特定软件使用数量等历史运维指标。

在操作S520，根据指标出现频率筛选K个历史运维指标，确定构建M条逻辑化等式的至少一个历史运维指标。

指标出现频率是指在S个历史运维数据中超过阈值的次数。例如CPU的占用率的阈值为80％，则统计CPU的占用率超过80％在S个历史运维数据中出现了多少次，该次数为指标出现频率。

进一步，例如S为1000，频率阈值为100，则去除指标出现频率小于100的历史运维指标，反之则保留，用于构建M条逻辑化等式。

根据本公开的实施例，通过筛选的方式能够去除噪音，提高准确性，还能够降低决策树模型运行时的计算资源消耗，提高决策效率。

图6示意性示出了根据本公开另一实施例的确定逻辑化等式的流程图。在确定构建M条逻辑化等式的至少一个历史运维指标之后，如图6所示，该实施例是操作S310的其中一个实施例，构建M条逻辑化等式包括：

在操作S610，将每个历史运维数据中筛选出的所有历史运维指标构建出一条逻辑化等式。

在操作S620，将任两个具有相同内容的逻辑化等式合并，得到M条逻辑化等式，M小于或等于S。

根据本公开的实施例，先以大数据为依据，基于指标出现频率进行筛选，然后以每个历史运维数据为粒度，构建每个卡顿记录的逻辑化等式，最后将相同内容(所有指标均相同)的逻辑化等式合并，能够提高初始状态的决策树模型的准确性及适用范围，更进一步减少了冗余数据。

示例性地，参照图3～图6，基于人工无法发觉隐藏的数据关系来确定卡顿原因，根据历史运维信息将云桌面的卡顿原因构建“逻辑化等式”，以“逻辑化等式”为基础，作为决策树算法的判断节点。

首先，逻辑化等式示例如下：

主机负载高+网络不稳定+开发软件+E视讯＝桌面云卡顿

主机负载高+网络不稳定+开发软件+非E视讯＝桌面云不卡顿主机负载高+网络不稳定+开发软件+用外设＝桌面云卡顿

主机负载高+网络不稳定+开发软件+不用外设＝桌面云卡顿主机负载高+网络稳定+开发软件+E视讯＝桌面云卡顿

主机负载高+网络稳定+开发软件+非E视讯＝桌面云不卡顿主机负载高+网络稳定+开发软件+用外设＝桌面云卡顿

主机负载高+网络稳定+开发软件+不用外设＝桌面云卡顿

上述各条逻辑化等式可以作为决策树模型的各个决策路径。在一些实施例中，在操作S230输出的匹配决策路径可以是如上任一条逻辑化等式的形式。

然后，根据逻辑化等式，从数据仓库中截取出样本数据。例如，取出1000条样本数据构建训练样本集。接着，根据“逻辑化等式”构建决策树的枝叶，用样本数据进行训练。最后，根据决策树“剪枝”的方法，保留符合业务场景且准确率高的“逻辑化等式”，并且用于卡顿原因分析。

图7示意性示出了根据本公开实施例的训练决策树模型的流程图。如图7所示，该实施例是操作S320的其中一个实施例，包括：

在操作S710，将M条决策路径拼装得到初始状态的决策树模型。

在操作S710，将M条决策路径根据ID3、C4.5、CART等算法构建得到决策树模型。

首先，根据所有相关指标参数，通过ID3、C4.5、CART等算法计算出样本数据的信息熵，信息熵越大代表数据价值越大，再结合指标出现的频率确定决策路径中条件节点(根节点)的位置。

其次，将M条决策路径根据相同历史运维指标得到的条件节点合并为一个节点。相应的，各个路径中该条件节点后面的节点则作为子节点。在子节点之间，若同时出现在一次卡顿记录中，则按照指标出现频率结合信息熵的大小确定父子关系，构建出多个子节点。构建出的子节点如果出现矛盾关系，可根据实际业务情况进行剪枝(去除不合理的子节点)来提高决策树模型的准确性。

在某个父节点存在多个子节点的情况下，可以根据任两个父子节点出现在同条卡顿记录中时，父节点对应指标的数据细化判断条件，即确定各个子节点与各个判断条件之间的映射关系和分支权重。

最后，拼装得到初始状态的决策树模型。

在操作S720，从历史运维信息中确定训练样本集，训练样本集包括至少一条训练样本，其中每条训练样本包括基于云桌面卡顿记录或云桌面非卡顿记录确定的历史运维数据及卡顿标签。

在操作S730，基于训练样本集训练初始状态的决策树模型，得到训练完成的决策树模型。

例如，可以使用ID3算法、C4.5决策树算法和CART算法中的任一个进行训练，确定根节点和条件节点。在训练过程中，可以利用信息熵等进一步选择条件节点及节点间的关系，对基于指标出现频率拼接出的决策树进行修正，得到修正后的各条决策路径。

根据本公开的实施例，根据大量的历史运维数据输出“逻辑化等式”，并在此基础上训练出算法模型。能够深层次发掘隐藏的数据关系，提供可靠的判断依据，能够有效提高云桌面卡顿原因分析的效率。

在一些实施例中，在得到训练完成的决策树模型之后，还包括：对训练完成的决策树模型进行剪枝处理，得到经剪枝的决策树模型，其中经剪枝的决策树模型被配置为处理运维数据。

例如，训练完成的决策树模型为剪枝过程中的初始决策树模型。如果初始决策树模型的复杂度较多，则初始决策树模型可能存在过拟合的问题。

对初始决策树模型进行剪枝处理，得到目标决策树模型(即经剪枝的决策树模型)，其中，剪枝处理用于去除初始决策树模型中的部分树节点，以得到初始决策树模型对应的至少一个子决策树模型，目标决策树模型为在初始决策树模型和至少一个子决策树模型中损失值最小的决策树模型。

根据本公开的实施例，由于目标决策树模型为在初始决策树模型和至少一个子决策树模型中损失值最小的决策树模型，因此可以保证目标决策树模型的拟合效果较好，不会存在过拟合的状况。从而降低了训练完成的决策树模型的复杂度，提高匹配决策路径的准确性。

图8示意性示出了根据本公开实施例的实现云桌面卡顿分析方法的架构图。图9示意性示出了根据本公开另一实施例的云桌面卡顿分析方法的流程图。

参照图8，物理层主要包含宿主机系统参数、云桌面性能参数、网络设备参数，是样本数据的来源。根据物理层数据属性，采用不同的数据捕获方式，将捕获的样本数据传到数据层。数据层根据不同样本数据的数据属性以及分析目标，将数据按照不同的数据形式(数据库、数据仓库、文本数据)存储起来，进行数据集成，为应用层提供分析数据。根据数据存储形式的不同，应用层从数据层获取分析数据。应用层主要是将样本数据传入决策树算法模型，经过多次模型训练后，对决策树算法进行“剪枝”，随后就能得到最优的决策树算法模型。最后就能应用模型，把卡顿的现象参数化传入决策树算法模型，就能得出卡顿的原因。

参照图9，按照分析目标，将相关样本数据(CPU性能数据、内存性能数据、网络性能数据、其他数据)进行数据抽取。由于网络传输、误操作、数据加密、时效性等因素，样本数据中肯定存在大量低质量数据。低质量数据包括但不限于缺失值、错误值、重复值、不可解释值、噪声数据等。

数据预处理就是通过缺失值填空、数据规约、数据集成等手段提高数据质量。高质量数据是保证算法分析结果准确和计算效率的基石。得到高质量样本数据后加载到分布式计算框架进行数据分析。

数据分析的过程，首先要进行数据切分，将数据切分为训练样本集和检验集，一般按照7∶3的比例进行切分。将训练样本集的数据传入到构造好的决策树算法模型进行训练，并完成“剪枝”动作。模型训练好后，将检验集的数据传入，检验决策树算法模型的训练结果。根据检验集的计算结果，对决策树算法模型进行评估，选出最优的算法模型。将训练好的模型用于数据分析，得出云桌面卡顿的原因。

参照图8和图9，本公开一些实施例中的卡顿分析方法包括如下步骤：

步骤1，首先要获取大量数据样本，包括但不限于系统性能参数、网络性能参数、运行软件信息等。获取的方式包括到不限于数据导出、内存储数据捕获、网络数据抓取、图片(视频)数据截取、监控数据等。

步骤2，准备环境，采用开源大数据软件，搭建一套分布式计算框架和部署数据仓库软件。

步骤3，数据预处理，数据存在大量的“脏数据”，需要进行数据清洗。从而保证样本数据的质量，去除掉缺失、错误、无法解释的数据等。

例如，数据预处理包括数据归一法。在探究桌面云卡顿原因的过程中，某些因素对训练结果影响比较大，其数据值有特别大(例如，谋内存指针的计算次数为9886238476次)，严重影响训练结果。在探究内存指针计算次的过程中，可以采用“数据归一法”处理数据，把样本数据归一到“0～1”范围，防止计算结果的偏差过大。具体过程如下：

A.获得一个较大的样本数为a＝9886238476。

B.归一后的值为a/(a+1)＝0.999999998988493

C.获得一个数值范围小于1的新样本数据。

例如，数据预处理还包括缺失值填空法。

在探究桌面云卡顿原因的过程中，首先需要获取样本数据。由于网络传输、格式错误、数据错误等原因，会造成大量的缺失数据。直接忽略缺失数据会导致原始样本数据失真，缺失数据也同样会影响计算模型的计算效率。才可以采用“缺失值填空法”完成数据补充。具体过程如下：

A.首先获取样本数据的个数10000(存在一个缺失值)。

B.将样本数据排序，并且按照顺序平均分成100个数列。

C.获取每个数列的众数，得到100个众数。

D.计算100个众数的平均值，该平均值即为缺失值。

步骤4，数据加载，将不同来源(类型)的样本数据导入到数据仓库中，构建样本数据仓库，为决策树训练、评估、应用提供数据。

步骤5，模型训练，利用样本数据训练决策树模型，并且进行模型评估。

步骤6，模型应用，将训练好的算法模型应用于数据分析，并完成数据展示。

下面对步骤5中所涉及的决策树算法进一步说明。

决策树算法是一种逼近离散函数值的方法，它是一种有监督学习。决策树的本质是通过一系列规则，对数据进行分类。决策树类似于树形结构，每一个根节点都是一个属性，每一个分支都是由条件节点的一次属性判断来决定走向，每一个完整的支线就代表当前条件下分类评估。根据样本数据的属性，将数据代入决策树模型训练器，进行桌面云卡顿原因的分析训练。其中，决策树根节点的选择可以通过ID3、C4.5等算法进行评估，选择信息增益大的作为根节点。为了防止数据过拟合或欠拟合，还需要根据ID3、C4.5等算法结果对决策树算法模型进行迭代训练和剪枝。

相关技术中，部分云桌面卡顿场景无法百分之百复现，对于偶发问题，分析难度较大。同时，所有的分析过程都是基于人工参与，对于复杂问题分析费时费力。

随着云规模越来越大，云上的数据量也越来越大，海量的运维数据潜藏很大的参考价值。用数据挖掘的手段能够得出较为科学的结论，可以为决策支持提供有价值的数据参考。通过各种数据捕获、提取、导出等方式，获取大量样本数据，该样本数据包括但不限于环境告警信息、主机负载数据、管理数据库数据、用户卡顿反馈对话记录、卡顿现象截图(照片)等。获取样本数据后，进行数据预处理，提高数据的质量。接着将样本数据进行分类，并且导入数据仓库，用于决策树算法模型训练以及评估。从而解决，大量运维数据价值无法挖掘，云桌面卡顿分析系难度大，人工分析成本过高等难题。

基于上述云桌面卡顿分析方法，本公开还提供了一种云桌面卡顿分析装置。以下将结合图10对该装置进行详细描述。

图10示意性示出了根据本发明实施例的云桌面卡顿分析装置1000的结构框图。

如图10，云桌面卡顿分析装置1000可以包括数据获取模块1010、数据输入模块1020、节点匹配模块1030和卡顿分析模块1040。

数据获取模块1010可以执行操作S210，用于响应于云桌面的卡顿行为，获得特定时间内宿主机的运维数据，云桌面依托于宿主机运行。

数据输入模块1020可以执行操作S220，用于将运维数据输入决策树模型，决策树模型通过将N个运维指标构造为N个条件节点获得，N为大于或等于1的整数。

节点匹配模块1030可以执行操作S230，用于利用决策树模型将运维数据与N个条件节点中至少一个节点进行匹配，输出匹配决策路径，匹配决策路径包括依次匹配到的所有条件节点。

卡顿分析模块1040可以执行操作S240，用于根据匹配决策路径确定云桌面的卡顿原因。

在一些实施例中，云桌面卡顿分析装置1000还可以包括决策树模型模块，该模块可以包括决策树构造单元、模型训练单元和模型剪枝单元。

决策树构造单元可以执行操作S310～操作S320，操作S410～操作S430，操作S510～操作S520，操作S610～操作S620，在此不再赘述。

模型训练单元可以执行操作S710～操作S730，在此不再赘述。

模型剪枝单元可以用于对训练完成的决策树模型进行剪枝处理，得到经剪枝的决策树模型，其中经剪枝的决策树模型被配置为处理运维数据。

需要说明的是，云桌面卡顿分析装置1000包括分别用于执行如上图2～图9描述的任意一个实施例的各个步骤的模块。装置部分实施例中各模块/单元/子单元等的实施方式、解决的技术问题、实现的功能、以及达到的技术效果分别与方法部分实施例中各对应的步骤的实施方式、解决的技术问题、实现的功能、以及达到的技术效果相同或类似，在此不再赘述。

根据本公开的实施例，数据获取模块1010、数据输入模块1020、节点匹配模块1030和卡顿分析模块1040中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。

根据本公开的实施例，数据获取模块1010、数据输入模块1020、节点匹配模块1030和卡顿分析模块1040中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，数据获取模块1010、数据输入模块1020、节点匹配模块1030和卡顿分析模块1040中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图11示意性示出了根据本公开实施例的适于实现云桌面卡顿分析方法的电子设备的方框图。

如图11所示，根据本公开实施例的电子设备1100包括处理器1101，其可以根据存储在只读存储器(ROM)1102中的程序或者从存储部分1108加载到随机访问存储器(RAM)1103中的程序而执行各种适当的动作和处理。处理器1101例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器1101还可以包括用于缓存用途的板载存储器。处理器1101可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 1103中，存储有电子设备1100操作所需的各种程序和数据。处理器1101、ROM 1102以及RAM 1103通过总线1104彼此相连。处理器1101通过执行ROM 1102和/或RAM1103中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，程序也可以存储在除ROM 1102和RAM 1103以外的一个或多个存储器中。处理器1101也可以通过执行存储在一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备1100还可以包括输入/输出(I/O)接口1105，输入/输出(I/O)接口1105也连接至总线1104。电子设备1100还可以包括连接至I/O接口1105的以下部件中的一项或多项：包括键盘、鼠标等的输入部分1106。包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1107。包括硬盘等的存储部分1108。以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至I/O接口1105。可拆卸介质1111，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1110上，以便于从其上读出的计算机程序根据需要被安装入存储部分1108。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的。也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 1102和/或RAM 1103和/或ROM 1102和RAM 1103以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的方法。

在该计算机程序被处理器1101执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分1109被下载和安装，和/或从可拆卸介质1111被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

在这样的实施例中，该计算机程序可以通过通信部分1109从网络上被下载和安装，和/或从可拆卸介质1111被安装。在该计算机程序被处理器1101执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (11)

1.一种云桌面卡顿分析方法，包括：

响应于云桌面的卡顿行为，获得特定时间内宿主机的运维数据，所述云桌面依托于所述宿主机运行；

将所述运维数据输入决策树模型，所述决策树模型通过将N个运维指标构造为N个条件节点获得，N为大于或等于1的整数；

利用所述决策树模型将所述运维数据与所述N个条件节点中至少一个节点进行匹配，输出匹配决策路径，所述匹配决策路径包括依次匹配到的所有条件节点；

根据所述匹配决策路径确定所述云桌面的卡顿原因。

2.根据权利要求1所述的方法，其中，在将所述运维数据输入决策树模型之前，所述决策树模型被配置为预先通过如下操作构建得到：

基于历史运维信息确定M条逻辑化等式，其中每条逻辑化等式包括至少一个历史运维指标，且用于表征云桌面卡顿现象，M为大于或等于1的整数；

根据所述M条逻辑化等式构造出M条决策路径，得到所述决策树模型，其中每条决策路径包括与对应逻辑化等式中所有运维指标一一对应地至少一个条件节点。

3.根据权利要求2所述的方法，其中，基于历史运维信息确定M条逻辑化等式包括：

从所述历史运维信息中得到S条云桌面卡顿记录，S为大于或等于1的整数；

对于每条云桌面卡顿记录，确定特定时间内该云桌面宿主机的历史运维数据，得到S个历史运维数据；

根据所述S个历史运维数据确定所述M条逻辑化等式。

4.根据权利要求3所述的方法，其中，根据所述S个历史运维数据确定所述M条逻辑化等式包括：

从所述S个历史运维数据确定出K个历史运维指标，K为大于或等于1的整数；

根据指标出现频率筛选所述K个历史运维指标，确定构建所述M条逻辑化等式的至少一个历史运维指标。

5.根据权利要求4所述的方法，其中，在确定构建所述M条逻辑化等式的至少一个历史运维指标之后，构建所述M条逻辑化等式，具体包括：

将每个历史运维数据中筛选出的所有历史运维指标构建出一条逻辑化等式；

将任两个具有相同内容的逻辑化等式合并，得到所述M条逻辑化等式，M小于或等于S。

6.根据权利要求2所述的方法，其中，根据所述M条逻辑化等式构造出M条决策路径，得到所述决策树模型包括：

将所述M条决策路径拼装得到初始状态的决策树模型；

从所述历史运维信息中确定训练样本集，所述训练样本集包括至少一条训练样本，其中每条训练样本包括基于云桌面卡顿记录或云桌面非卡顿记录确定的历史运维数据及卡顿标签；

基于所述训练样本集训练初始状态的决策树模型，得到训练完成的决策树模型。

7.根据权利要求6所述的方法，其中，在得到训练完成的决策树模型之后，所述方法还包括：

对训练完成的决策树模型进行剪枝处理，得到经剪枝的决策树模型，其中经剪枝的决策树模型被配置为处理所述运维数据。

8.一种云桌面卡顿分析装置，包括：

数据获取模块，用于响应于云桌面的卡顿行为，获得特定时间内宿主机的运维数据，所述云桌面依托于所述宿主机运行；

数据输入模块，用于将所述运维数据输入决策树模型，所述决策树模型通过将N个运维指标构造为N个条件节点获得，N为大于或等于1的整数；

节点匹配模块，用于利用所述决策树模型将所述运维数据与所述N个条件节点中至少一个节点进行匹配，输出匹配决策路径，所述匹配决策路径包括依次匹配到的所有条件节点；

卡顿分析模块，用于根据所述匹配决策路径确定所述云桌面的卡顿原因。

9.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1～7中任一项所述的方法。

10.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1～7中任一项所述的方法。

11.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1～7中任一项所述的方法。