CN117520132A - 系统性能测试的瓶颈分析方法及装置 - Google Patents
系统性能测试的瓶颈分析方法及装置 Download PDFInfo
- Publication number
- CN117520132A CN117520132A CN202311588796.2A CN202311588796A CN117520132A CN 117520132 A CN117520132 A CN 117520132A CN 202311588796 A CN202311588796 A CN 202311588796A CN 117520132 A CN117520132 A CN 117520132A
- Authority
- CN
- China
- Prior art keywords
- performance
- performance test
- bottleneck
- data
- 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
- 238000011056 performance test Methods 0.000 title claims abstract description 509
- 238000004458 analytical method Methods 0.000 title claims abstract description 454
- 238000012544 monitoring process Methods 0.000 claims abstract description 156
- 238000000034 method Methods 0.000 claims abstract description 131
- 238000012360 testing method Methods 0.000 claims abstract description 128
- 230000008569 process Effects 0.000 claims abstract description 98
- 238000005070 sampling Methods 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 25
- 238000013515 script Methods 0.000 claims description 22
- 238000003860 storage Methods 0.000 claims description 21
- 238000002360 preparation method Methods 0.000 claims description 19
- 230000004044 response Effects 0.000 claims description 17
- 238000011161 development Methods 0.000 claims description 13
- 238000013473 artificial intelligence Methods 0.000 claims description 10
- 238000009530 blood pressure measurement Methods 0.000 description 50
- 230000000875 corresponding effect Effects 0.000 description 41
- 238000005457 optimization Methods 0.000 description 36
- 230000006870 function Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 21
- 238000007726 management method Methods 0.000 description 21
- 238000012545 processing Methods 0.000 description 20
- 238000004891 communication Methods 0.000 description 16
- 230000003993 interaction Effects 0.000 description 13
- 230000008901 benefit Effects 0.000 description 11
- 230000006872 improvement Effects 0.000 description 11
- 230000002829 reductive effect Effects 0.000 description 8
- 238000009825 accumulation Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000002452 interceptive effect Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 239000000872 buffer Substances 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000004807 localization Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000000903 blocking effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000003339 best practice Methods 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012669 compression test Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- FASDKYOPVNHBLU-ZETCQYMHSA-N pramipexole Chemical compound C1[C@@H](NCCC)CCC2=C1SC(N)=N2 FASDKYOPVNHBLU-ZETCQYMHSA-N 0.000 description 1
- 229960003089 pramipexole Drugs 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012430 stability testing Methods 0.000 description 1
- 238000009662 stress testing Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3447—Performance evaluation by modeling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3452—Performance evaluation by statistical analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/042—Backward inferencing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/046—Forward inferencing; Production systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种系统性能测试的瓶颈分析方法及装置,涉及计算机技术领域,该方法包括:接入系统性能测试平台,获取进行系统性能测试过程中的性能数据和性能测试监测指标;将所述性能数据和性能测试监测指标,输入至预设置的性能测试瓶颈分析专家系统;所述性能测试瓶颈分析专家系统用于调用性能测试瓶颈分析知识库中的数据,并使用性能测试瓶颈分析推理机,对性能数据和性能测试监测指标进行推理分析,得到瓶颈分析结果和瓶颈解决方案;系统性能测试平台依据瓶颈分析结果和瓶颈解决方案进行系统调优。本发明用以提升系统级的性能测试瓶颈分析能力和效率,降低性能测试性能瓶颈分析的门槛和难度,提升性能测试问题解决的效率。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及系统性能测试的瓶颈分析方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
性能测试的最终价值,在于系统性能指标是否满足预期的线上流量压力。在遇到性能瓶颈达不到满足预期流量时,需解决瓶颈点,以能支撑线上流量。
现有的性能瓶颈分析方案和装置中,多基于系统局部如数据库部分、网络部分进行分析和判断。虽然局部环节的性能分析基于现有监控装置、对局部开展压测,可以实现逐一排除瓶颈因素。在上述现有方案中,没有提供从整体系统性能测试的瓶颈分析方法、瓶颈定位开展过程、以及对解决瓶颈点的方法和装置。因此,因需要逐一排除瓶颈因素,必然导致性能测试瓶颈分析存在效率低下和存在局限性的问题。
但目前,实际集成系统的性能测试缺乏的是从系统整体视角之上来根据收集到的数据,得到分析结果和解决方案。
发明内容
本发明实施例提供一种系统性能测试的瓶颈分析方法,用以提升系统级的性能测试瓶颈分析能力和效率,降低性能测试性能瓶颈分析的门槛和难度,提升性能测试问题解决的效率,该方法包括:
接入系统性能测试平台,获取进行系统性能测试过程中的性能数据和性能测试监测指标;所述系统性能测试平台用于执行创建的性能测试流程;
将所述性能数据和性能测试监测指标,输入至预设置的性能测试瓶颈分析专家系统;所述性能测试瓶颈分析专家系统用于调用性能测试瓶颈分析知识库中的数据,并使用性能测试瓶颈分析推理机,对性能数据和性能测试监测指标进行推理分析,得到瓶颈分析结果和瓶颈解决方案;所述性能测试瓶颈分析知识库存储有对性能测试瓶颈分析和定位的知识数据;
接收专家系统发出的瓶颈分析结果和瓶颈解决方案,并发出携带有所述瓶颈分析结果和瓶颈解决方案的通知信息;所述通知信息供系统性能测试平台依据瓶颈分析结果和瓶颈解决方案进行系统调优。
本发明实施例还提供一种系统性能测试的瓶颈分析装置,用以提升系统级的性能测试瓶颈分析能力和效率,降低性能测试性能瓶颈分析的门槛和难度,提升性能测试问题解决的效率,该装置包括:
数据和指标获取模块,用于接入系统性能测试平台,获取进行系统性能测试过程中的性能数据和性能测试监测指标;所述系统性能测试平台用于执行创建的性能测试流程;
专家系统数据输入模块,用于将所述性能数据和性能测试监测指标,输入至预设置的性能测试瓶颈分析专家系统;所述性能测试瓶颈分析专家系统用于调用性能测试瓶颈分析知识库中的数据,并使用性能测试瓶颈分析推理机,对性能数据和性能测试监测指标进行推理分析,得到瓶颈分析结果和瓶颈解决方案;所述性能测试瓶颈分析知识库存储有对性能测试瓶颈分析和定位的知识数据;
专家系统数据输出模块,用于接收专家系统发出的瓶颈分析结果和瓶颈解决方案,并发出携带有所述瓶颈分析结果和瓶颈解决方案的通知信息;所述通知信息供系统性能测试平台依据瓶颈分析结果和瓶颈解决方案进行系统调优。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述系统性能测试的瓶颈分析方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述系统性能测试的瓶颈分析方法。
本发明实施例还提供一种计算机程序产品,所述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上述系统性能测试的瓶颈分析方法。
本发明实施例中,接入系统性能测试平台,获取进行系统性能测试过程中的性能数据和性能测试监测指标;所述系统性能测试平台用于执行创建的性能测试流程;将所述性能数据和性能测试监测指标,输入至预设置的性能测试瓶颈分析专家系统;所述性能测试瓶颈分析专家系统用于调用性能测试瓶颈分析知识库中的数据,并使用性能测试瓶颈分析推理机,对性能数据和性能测试监测指标进行推理分析,得到瓶颈分析结果和瓶颈解决方案;所述性能测试瓶颈分析知识库存储有对性能测试瓶颈分析和定位的知识数据;接收专家系统发出的瓶颈分析结果和瓶颈解决方案,并发出携带有所述瓶颈分析结果和瓶颈解决方案的通知信息;所述通知信息供系统性能测试平台依据瓶颈分析结果和瓶颈解决方案进行系统调优,与现有技术中仅能进行性能测试的局部环节的瓶颈分析的技术方案相比,可通过集成系统的性能数据和性能测试监测指标进行瓶颈分析,可以更有效提升系统级的性能测试瓶颈分析能力和效率;避免了现有技术下因需要逐一排除瓶颈因素导致的性能测试瓶颈分析的效率低下和存在局限性的问题,可借助专家系统降低性能测试最关键环节性能瓶颈分析的门槛和难度,提升性能测试人员解决问题的能力;同时,也可有效解决性能测试项目的阻塞,实现提升性能测试问题解决的效率。
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。在附图中:
图1为本发明实施例中一种系统性能测试的瓶颈分析方法的流程示意图;
图2为本发明实施例中一种系统性能测试的瓶颈分析方法的具体示例图;
图3A为本发明实施例中一种智能分析模块的具体示例图;
图3B为本发明实施例中一种智能分析模块的具体示例图;
图3C为本发明实施例中一种智能分析模块的具体示例图;
图4为本发明实施例中一种系统性能测试的瓶颈分析方法的具体示例图;
图5为本发明实施例中一种智能分析模块进行智能瓶颈分析的具体示例图;
图6为本发明实施例中一种专家系统的基本结构图;
图7为本发明实施例中一种性能测试平台的具体示例图;
图8为本发明实施例中一种性能测试平台的具体示例图;
图9为本发明实施例中一种性能测试平台的具体示例图;
图10为本发明实施例中用于系统性能测试的瓶颈分析的计算机设备示意图。
图11为本发明实施例中一种性能测试平台的具体示例图;
图12为本发明实施例中一种性能测试平台的具体示例图;
图13为本发明实施例中一种系统性能测试的瓶颈分析装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
本文中术语“和/或”,仅仅是描述一种关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
在本说明书的描述中,所使用的“包含”、“包括”、“具有”、“含有”等,均为开放性的用语,即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本申请的实施,其中的步骤顺序不作限定,可根据需要作适当调整。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
本发明实施例涉及下列名词,如下进行解释:
性能测试瓶颈分析:对系统进行性能测试发现系统存在的性能问题,对瓶颈点进行解决优化,以提高系统的响应速度、吞吐量、并发性等指标。
专家系统:专家系统被定义为一种交互式可靠的基于计算机的决策系统,它使用事实和启发式方法来解决复杂的分析决策问题。它是一个计算机应用程序,可以解决特定域中复杂的问题。
性能测试的最终价值,在于系统性能指标是否满足预期的线上流量压力。在遇到性能瓶颈达不到满足预期流量时,需解决瓶颈点,以能支撑线上流量。
现有的性能瓶颈分析方案和装置,往往只关注系统的局部部分,比如数据库或者网络部分。这些局部性能分析基于现有的监控装置,通过针对各个局部环节进行压力测试,以期逐一排除可能的瓶颈因素。然而,这种局部性的分析方法忽略了系统整体性能测试的瓶颈分析,使得瓶颈定位过程缺乏全面性和系统性。
更进一步地,现有的方案并未提供一种高效、精确的方法来解决这些瓶颈点。因此,必然会导致性能测试瓶颈分析存在效率低下和存在局限性的问题。这种情况在集成系统中尤为明显,因为集成系统中的各个组件和模块之间的交互和影响更加复杂。
实际上,从系统整体视角出发,通过收集和分析数据来得到瓶颈分析结果和解决方案是更为需要的。因为这可以帮助我们更好地理解整个系统的性能表现,发现并解决那些局部性能测试无法发现的问题。
因此,我们需要一种全新的性能瓶颈分析方案和装置,能够从系统整体视角出发,提高瓶颈分析的效率和精确性。这种新的方案和装置应该能够综合考虑系统的各个部分,包括硬件、软件、网络等,以实现对系统整体性能的全面了解和分析。同时,这种新的方案和装置还应该能够利用现代人工智能技术,实现对大量数据的自动分析和处理,以进一步提高瓶颈分析的效率和精确性。
为了解决上述问题,本发明实施例提供了一种系统性能测试的瓶颈分析方法,用以提升系统级的性能测试瓶颈分析能力和效率,降低性能测试性能瓶颈分析的门槛和难度,提升性能测试问题解决的效率,参见图1,该方法可以包括:
步骤101:接入系统性能测试平台,获取进行系统性能测试过程中的性能数据和性能测试监测指标;所述系统性能测试平台用于执行创建的性能测试流程;
步骤102:将所述性能数据和性能测试监测指标,输入至预设置的性能测试瓶颈分析专家系统;所述性能测试瓶颈分析专家系统用于调用性能测试瓶颈分析知识库中的数据,并使用性能测试瓶颈分析推理机,对性能数据和性能测试监测指标进行推理分析,得到瓶颈分析结果和瓶颈解决方案;所述性能测试瓶颈分析知识库存储有对性能测试瓶颈分析和定位的知识数据;
步骤103:接收专家系统发出的瓶颈分析结果和瓶颈解决方案,并发出携带有所述瓶颈分析结果和瓶颈解决方案的通知信息;所述通知信息供系统性能测试平台依据瓶颈分析结果和瓶颈解决方案进行系统调优。
在步骤101中:为了确保系统性能的稳定性和可靠性,需要将系统接入到性能测试平台,从而获取系统性能测试过程中的性能数据和性能测试监测指标。这个过程需要借助专业的性能测试工具和平台,对系统进行多方面的性能测试,如负载测试、压力测试、稳定性测试等,以全面评估系统的性能表现。
在步骤102中:在获取到性能数据和性能测试监测指标后,需要将这些数据输入到预设置的性能测试瓶颈分析专家系统中。这个专家系统具备智能化的分析功能,能够调用存储在性能测试瓶颈分析知识库中的数据,并使用高性能的推理机进行数据分析。通过这一系列的分析过程,可以得到精确的瓶颈分析结果和相应的瓶颈解决方案。这些结果和方案为我们提供了明确的优化方向和改进措施。
在步骤103中:一旦获得了瓶颈分析结果和解决方案,需要及时接收这些信息,并发出通知。这个通知中包含了瓶颈分析结果和解决方案,供系统性能测试平台依据这些信息进行系统的调优工作。这种自动化的通知机制不仅提高了信息传递的效率,还确保了系统调优工作的及时性和准确性。通过以上三个步骤的执行,我们可以有效地发现系统性能瓶颈,提出相应的解决方案,并确保系统的稳定性和可靠性。
本发明实施例中,接入系统性能测试平台,获取进行系统性能测试过程中的性能数据和性能测试监测指标;所述系统性能测试平台用于执行创建的性能测试流程;将所述性能数据和性能测试监测指标,输入至预设置的性能测试瓶颈分析专家系统;所述性能测试瓶颈分析专家系统用于调用性能测试瓶颈分析知识库中的数据,并使用性能测试瓶颈分析推理机,对性能数据和性能测试监测指标进行推理分析,得到瓶颈分析结果和瓶颈解决方案;所述性能测试瓶颈分析知识库存储有对性能测试瓶颈分析和定位的知识数据;接收专家系统发出的瓶颈分析结果和瓶颈解决方案,并发出携带有所述瓶颈分析结果和瓶颈解决方案的通知信息;所述通知信息供系统性能测试平台依据瓶颈分析结果和瓶颈解决方案进行系统调优,与现有技术中仅能进行性能测试的局部环节的瓶颈分析的技术方案相比,可通过集成系统的性能数据和性能测试监测指标进行瓶颈分析,可以更有效提升系统级的性能测试瓶颈分析能力和效率;避免了现有技术下因需要逐一排除瓶颈因素导致的性能测试瓶颈分析的效率低下和存在局限性的问题,可借助专家系统降低性能测试最关键环节性能瓶颈分析的门槛和难度,提升性能测试人员解决问题的能力;同时,也可有效解决性能测试项目的阻塞,实现提升性能测试问题解决的效率。
本发明实施例中,通过一种创新的系统性能测试平台,我们能够全面获取进行系统性能测试过程中的详尽性能数据和性能测试监测指标。此系统性能测试平台不仅执行创建的性能测试流程,而且具有先进且高效的性能测试流程管理能力,确保了测试的准确性和完整性。
这些性能数据和性能测试监测指标,被精准地输入至我们预设置的性能测试瓶颈分析专家系统中。此专家系统独特之处在于,它能调用性能测试瓶颈分析知识库中的丰富数据,并使用高性能测试瓶颈分析推理机,对性能数据和性能测试监测指标进行深入的推理分析。这不仅揭示了瓶颈分析结果,还提供了瓶颈解决方案。
性能测试瓶颈分析知识库,作为此系统的重要组成部分,储存了大量关于性能测试瓶颈分析和定位的知识数据。这些知识数据经过不断的更新和优化,以确保其始终保持最新状态,满足不断变化的性能测试需求。
一旦专家系统完成了瓶颈分析结果和瓶颈解决方案的生成,这些信息会立即被接收,并发出携带有所述瓶颈分析结果和瓶颈解决方案的通知信息。这个通知信息为系统性能测试平台提供了宝贵的参考,使其能够依据瓶颈分析结果和瓶颈解决方案进行系统调优。
与现有技术中仅能进行性能测试的局部环节的瓶颈分析的技术方案相比,本发明的这种方法通过集成系统的性能数据和性能测试监测指标进行瓶颈分析,无疑更有效提升了系统级的性能测试瓶颈分析能力和效率。它避免了现有技术下因需要逐一排除瓶颈因素导致的性能测试瓶颈分析的效率低下和存在局限性的问题。
本发明不仅能借助专家系统降低性能测试最关键环节性能瓶颈分析的门槛和难度,使性能测试人员能够更轻松地解决问题,同时也能有效解决性能测试项目的阻塞,实现提升性能测试问题解决的效率。这无疑是对现有技术的一次全面的改进和提升,使系统性能测试更加完善,更加高效。
具体实施时,首先接入系统性能测试平台,获取进行系统性能测试过程中的性能数据和性能测试监测指标;所述系统性能测试平台用于执行创建的性能测试流程。
在一个实施例中,所述性能数据包括系统每秒完成的事务数和平均响应时间;所述性能测试监测指标包括服务器指标、网络指标和JVM(Java Virtual Machine,Java虚拟机)指标;
所述系统性能测试过程包括测性能测试的性能场景编辑管理过程、性能脚本开发过程、压测准备过程、监控配置过程和压测配置过程的其中之一或任意组合。
在另一个实施例中,所述性能数据还包括系统在每个事务中的平均请求处理时间;所述性能测试监测指标还包括应用服务器指标和数据库服务器指标。
所述系统性能测试过程可以是测试性能测试场景的编辑管理过程,包括创建、编辑、删除和运行性能测试场景,以及管理性能测试场景中的性能测试用例。
所述系统性能测试过程还可以是性能脚本开发过程,包括使用测试脚本开发语言创建、编辑、调试和运行性能测试脚本。
在另一个实施例中,所述系统性能测试过程包括压测准备过程,包括配置服务器资源、网络带宽、负载生成器、监控系统和日志收集器等。
所述系统性能测试过程还可以包括监控配置过程,包括配置监控指标、监控频率、监控范围和监控报警等。
最后,所述系统性能测试过程还可以包括压测配置过程,包括设置压测目标、压测负载、压测时间、压测次数和压测方式等。
实施例中,可对系统性能场景每次压测执行记录的性能瓶颈分析,并在每个场景设置n次采样点,每次采样点的数据以执行记录存储管理;此外,还可按照场景名称、场景类型搜索底下关联的执行记录。
在实施过程中,首先需要接入一个系统性能测试平台。这个平台的主要功能是获取在进行系统性能测试过程中的性能数据和性能测试监测指标。这些数据和指标包括但不限于系统每秒完成的事务数和平均响应时间等性能数据,以及服务器指标、网络指标和JVM指标等性能测试监测指标。这个性能测试平台主要用于执行创建的性能测试流程。这个流程可能包括多个阶段,如性能场景编辑管理过程、性能脚本开发过程、压测准备过程、监控配置过程和压测配置过程等。这些阶段可以单独执行,也可以任意组合执行,根据实际需要来确定。
在性能测试的过程中,可以对系统性能场景进行每次压测执行记录的性能瓶颈分析。这种分析可以针对每个场景设置n次采样点,每次采样点的数据以执行记录存储管理。此外,还可以按照场景名称、场景类型等条件来搜索相关联的执行记录。通过这样的实施方式,可以更全面地了解系统在不同情况下的性能表现,及时发现并解决潜在的性能问题,确保系统的稳定性和高效性。同时,对性能数据的精细分析和有效存储也可以为后续的性能优化提供有力的数据支持。
在一个实施例中,获取进行系统性能测试过程中的性能数据和性能测试监测指标,包括:
获取进行系统性能测试过程中的不同系统性能场景下每次压测执行记录的性能数据和性能测试监测指标;所述每次压测执行记录的性能数据和性能测试监测指标对应所述系统性能场景下的多个采样点。
在这个实施例中,获取系统性能测试过程中的性能数据和性能测试监测指标是至关重要的。这些数据和指标可以提供关于系统在不同场景下的行为和性能表现的信息,有助于我们更好地了解系统的性能特征和瓶颈。
具体而言,这些性能数据和性能测试监测指标包括每次压测执行记录的性能数据和性能测试监测指标。这些数据和指标对应于系统性能场景下的多个采样点,这意味着我们可以在不同的系统性能场景下,获取每个采样点的性能数据和性能测试监测指标。
这些采样点可以包括系统在处理不同类型任务时的性能数据,如CPU使用率、内存占用率、磁盘I/O、网络I/O等。通过获取这些数据和指标,可以更好地了解系统在不同场景下的性能表现,并找出潜在的性能瓶颈和改进点。
此外,还可以将这些性能数据和性能测试监测指标进行分析和比较,以评估不同系统性能场景下的系统性能和测试结果的可信度。这有助于我们确定系统的最佳配置和参数,并为系统的优化和改进提供有价值的参考。
获取系统性能测试过程中的性能数据和性能测试监测指标是进行系统性能分析和优化的关键步骤。通过这些数据和指标,可以更好地了解系统的性能特征和瓶颈,为系统的优化和改进提供有价值的参考。
具体实施时,在接入系统性能测试平台,获取进行系统性能测试过程中的性能数据和性能测试监测指标后,将所述性能数据和性能测试监测指标,输入至预设置的性能测试瓶颈分析专家系统;所述性能测试瓶颈分析专家系统用于调用性能测试瓶颈分析知识库中的数据,并使用性能测试瓶颈分析推理机,对性能数据和性能测试监测指标进行推理分析,得到瓶颈分析结果和瓶颈解决方案;所述性能测试瓶颈分析知识库存储有对性能测试瓶颈分析和定位的知识数据。
具体实施时,在接入系统性能测试平台,获取进行系统性能测试过程中的性能数据和性能测试监测指标后,将所述性能数据和性能测试监测指标,输入至预设置的性能测试瓶颈分析专家系统;所述性能测试瓶颈分析专家系统用于调用性能测试瓶颈分析知识库中的数据,并使用性能测试瓶颈分析推理机,对性能数据和性能测试监测指标进行推理分析,得到瓶颈分析结果和瓶颈解决方案;所述性能测试瓶颈分析知识库存储有对性能测试瓶颈分析和定位的知识数据。
所述性能测试瓶颈分析专家系统还用于将得到的瓶颈分析结果和瓶颈解决方案,输出至用户界面,提示用户进行相应的优化操作;所述用户界面可以根据用户的需求进行定制,可以包括但不限于图形界面、文本界面、语音界面等。
所述性能测试瓶颈分析专家系统还可以用于根据历史性能测试数据和当前性能测试数据,预测系统未来的性能趋势,并将预测结果输出至用户界面,提示用户进行相应的优化操作。
本发明的系统可以自动进行系统性能测试,并通过对性能数据和性能测试监测指标的分析,得到瓶颈分析结果和瓶颈解决方案,从而为用户提供参考依据,帮助用户更好地了解和优化系统的性能。
在一个实施例中,还包括:
基于人工智能的专家系统,根据不同系统性能测试过程中的性能数据和性能测试监测指标、和对应的瓶颈分析结果和瓶颈解决方案的历史经验数据、以及每一历史经验数据对应的不同专家对性能测试瓶颈分析和定位的知识数据,生成性能测试瓶颈分析知识库。
在上述实施例中,可通过性能测试瓶颈分析专家系统,调用性能测试瓶颈分析知识库中的数据,并使用性能测试瓶颈分析推理机,对性能数据和性能测试监测指标进行推理分析,得到瓶颈分析结果和瓶颈解决方案,从而可提升对计算机软件系统的优化效率、更高效实现计划的线上流量压力。通过智能分析提供的结果和解决方案,帮助有效解决性能测试项目的阻塞,实现提升性能测试问题解决的效率,缩短系统解决瓶颈问题的周期以提高项目效益。
在上述实施例中,性能测试瓶颈分析专家系统可进一步包括:数据预处理模块,用于对性能数据进行预处理,包括数据清洗、数据整理和数据归类,以得到可用于推理分析的性能数据;以及,推理分析模块,调用性能测试瓶颈分析知识库中的数据,并使用性能测试瓶颈分析推理机,对预处理后的性能数据和性能测试监测指标进行推理分析,得到瓶颈分析结果和瓶颈解决方案。
其中,数据预处理模块可进一步包括:数据清洗模块,用于去除无关数据、填充缺失数据、修正错误数据;数据整理模块,用于将不同来源和格式的数据进行转换和整理,以得到统一的格式和标准;数据归类模块,用于将性能数据进行归类整理,以得到针对不同系统和不同应用场景的性能数据。
推理分析模块可进一步包括:推理机模块,用于根据历史经验数据和专家知识数据对性能数据进行推理分析;以及,结果输出模块,用于将推理得到的瓶颈分析结果和瓶颈解决方案进行整理和输出。
通过上述实施例,可实现对性能测试数据的智能化分析和处理,提高性能测试的效率和精度,帮助用户更加有效地优化计算机软件系统和实现线上流量的高效管理。
在上述实施例中,性能测试瓶颈分析专家系统可进一步包括数据可视化模块,用于将瓶颈分析结果和瓶颈解决方案以图表或图形的方式呈现给用户,使用户能够更直观地理解性能测试项目的瓶颈所在以及相应的解决方案。此外,性能测试瓶颈分析专家系统还可进一步包括用户交互模块,用户可通过用户交互模块向系统提交性能测试项目的相关数据,系统根据用户提交的数据进行智能分析并生成相应的瓶颈分析结果和解决方案。
通过这些模块的结合使用,可进一步提升对计算机软件系统的优化效率,更高效地实现计划的线上流量压力。同时,用户也可通过用户交互模块实时获取性能测试项目的相关数据并进行相应的调整,以达到更好的系统性能。通过智能分析提供的结果和解决方案,能够帮助有效解决性能测试项目的阻塞,实现提升性能测试问题解决的效率,缩短系统解决瓶颈问题的周期以提高项目效益。
在一个实施例中,还包括:
持续获取历史经验数据、以及每一持续获取的对应的不同专家对性能测试瓶颈分析和定位的知识数据,对性能测试瓶颈分析知识库进行更新维护。
在具体实施时,我们将性能数据和性能测试监测指标,输入到预设置的性能测试瓶颈分析专家系统中。这个专家系统是一个高度专业化的系统,能够根据输入的性能数据和测试指标,进行深入的分析和研究,并生成详细的瓶颈分析结果和相应的瓶颈解决方案。然后,我们会接收到这个专家系统发出的瓶颈分析结果和瓶颈解决方案,这些结果和方案为我们提供了关于系统性能瓶颈的深入理解和可能的解决策略。
为了使系统性能测试平台能够根据这些瓶颈分析结果和解决方案进行有效的系统调优,我们会将这些结果和解决方案包含在发出的通知信息中。这个通知信息是提供给系统性能测试平台的重要参考,它根据瓶颈分析结果和解决方案,指导性能测试人员如何进行系统的调整和优化。
通过这种方式,我们能够降低性能测试中最关键的环节——性能瓶颈分析的门槛和难度。这不仅提高了性能测试人员解决系统性能问题的能力,也使得他们能够更有效地利用专家系统的知识和经验,从而提升整个性能测试过程的效率和准确性。同时,基于知识库和计算机软件系统的反向赋能,也让性能人员能够更好地掌握和运用现有人类积累总结提炼的性能瓶颈分析知识和经验。
此外,我们还将性能测试瓶颈分析专家系统的分析结果和解决方案,与公司的知识库进行了集成和同步。这个知识库包含了公司多年来在系统性能测试和优化方面的最佳实践和经验总结,它的内容涵盖了各种系统和场景,为性能测试人员提供了宝贵的参考和指导。
下面给出一个具体实施例,来说明本发明的方法的具体应用,该实施例中提供了一种解决性能瓶颈的方案。本实施例结合现有的传统性能测试平台,如图2所示,图2是一种性能测试和性能瓶颈智能分析方案进行交互的完整流程图。又如图4所示,图4是一种性能测试和性能瓶颈智能分析方案进行交互的具体流程图;图2中,可包含性能场景编辑管理、性能脚本开发、压测准备(如压测机管理、服务器管理、数据管理)、监控配置、压测配置(如压测线程、压测时长)的性能测试平台,从而完成对性能测试平台的性能指标的收集。
本实施例中,通过将性能测试平台与性能瓶颈智能分析方案进行交互,实现了性能测试的自动化和智能化。具体流程如下:
1.性能场景编辑管理:首先,通过性能场景编辑管理模块,可以创建和编辑性能测试场景。在创建场景时,可以选择现有的性能测试脚本或者开发新的性能测试脚本。同时,还可以对性能测试场景进行参数化和配置化,以方便后续的压测准备。
2.性能脚本开发:在创建或编辑性能测试场景后,需要进行性能脚本开发。性能脚本是用来模拟用户请求的程序,可以根据实际业务场景的不同来定制开发。在开发过程中,可以使用现有的性能测试工具或者开源工具来实现。
3.压测准备:在完成性能脚本开发后,需要进行压测准备。压测准备包括压测机管理和服务器管理。压测机是指用来执行性能测试的计算机或虚拟机。在压测准备过程中,需要对压测机进行管理和配置,以确保其能够正常运行并提供足够的计算和存储资源。同时,还需要对服务器进行管理和配置,以确保其能够提供正确的服务和数据支持。
4.监控配置:在进行压测准备的同时,需要对监控系统进行配置。监控系统用于收集和监控性能测试过程中的各项指标,如CPU使用率、内存占用率、网络带宽等。通过监控配置,可以指定需要监控的指标和监控频率,并将监控数据存储到数据库中以供后续分析。
5.压测配置:在进行压测准备和监控配置后,需要进行压测配置。压测配置包括压测线程和压测时长等参数。其中,压测线程是指用来模拟用户请求的并发数;压测时长是指性能测试的持续时间。根据实际情况,可以对这些参数进行灵活配置以满足不同的性能测试需求。
6.性能测试执行:在进行完压测准备、监控配置和压测配置后,可以开始进行性能测试执行。在测试执行过程中,性能测试平台会根据预设的场景和参数执行相应的性能测试脚本,并收集性能测试指标数据。同时,监控系统也会实时收集相应的监控数据并存储到数据库中。
7.性能瓶颈智能分析:在完成性能测试执行后,可以利用性能瓶颈智能分析方案对收集到的性能测试指标和监控数据进行智能分析。具体流程如下:首先,对收集到的性能测试指标数据进行统计和分析,以了解系统的整体性能表现;然后,对监控数据进行深入挖掘和分析,以发现潜在的性能瓶颈和问题。在分析过程中,可以利用机器学习和数据挖掘技术来辅助分析和决策。
8.结果展示和报告:最后,将性能瓶颈智能分析的结果进行展示和报告。结果展示包括图表、表格和仪表盘等形式,以便于用户直观地了解系统性能表现和潜在问题。同时,还可以生成详细的报告文档,以供后续查阅和分析。
通过本实施例中提供的方案,可以有效地解决性能瓶颈问题,提高系统的整体性能表现和稳定性。同时,通过与性能测试平台的交互和智能化分析,可以大大减少人工干预和手动分析的时间成本,提高工作效率和质量。
在完成性能测试和数据采集后,可基于得到性能数据如TPS和ART,和各种采集指标如服务器指标、网络指标、JVM指标,进而可依赖知识积累和经验分析判断瓶颈点。
本实施例在瓶颈分析判断环节,通过智能分析模块(即专家系统的一种存在形式)的知识库经验和知识库推理分析,提高性能瓶颈定位分析判断的能力。智能分析模块可以包括但不限于机器学习模型、深度学习模型等,这些模型可以基于历史数据和经验进行训练,并用于预测和识别性能瓶颈。
在进行瓶颈分析判断时,智能分析模块可以接收来自性能测试平台的性能数据和其他采集指标,并利用这些数据和指标进行推理和分析。例如,通过分析TPS(每秒事务处理量)和ART(平均响应时间)等性能数据,以及服务器CPU使用率、内存使用率、网络带宽使用率等采集指标,智能分析模块可以判断出是否存在性能瓶颈。
如果存在性能瓶颈,智能分析模块可以进一步分析瓶颈的原因。例如,如果服务器CPU使用率过高,智能分析模块可以判断出该服务器的CPU存在瓶颈;如果网络带宽使用率过高,智能分析模块可以判断出该网络存在瓶颈。此外,智能分析模块还可以根据知识库中的经验和知识进行推理和分析,以确定可能的瓶颈原因。
在确定瓶颈原因后,智能分析模块可以生成相应的建议或解决方案。例如,如果存在CPU瓶颈,智能分析模块可以建议增加服务器CPU的数量或升级更快的CPU;如果存在网络瓶颈,智能分析模块可以建议增加网络带宽或优化网络结构等。
综上所述,本实施例通过结合现有的传统性能测试平台和智能分析模块(即专家系统的一种存在形式),可以有效地提高性能瓶颈定位分析判断的能力,并提供相应的建议或解决方案。
举一实施例,如图3A所示,该实施例提供了一种解决性能瓶颈的方案,其涉及如下内容:
其一、该实施例中数据输入包括两种方式:1、可以通过性能测试平台调用指标监测模块自动化录入;2、也可以在系统界面手动输入数据,调用和使用专家库的知识库和推理机输出分析结果;
其二、该实施例中输入内容例如可以包括:压测数据和性能监控指标;
其三、该实施例中智能分析模块可以包括:性能测试瓶颈分析知识库、性能测试瓶颈分析规则推理机、交互通信接口;
其中,知识库可通过如下方式进行输入和更新:1、人类专家已有的积累总结;2、技术发展更新的瓶颈分析案例;而交互通信接口则可以输出:主要涉及分析和解决方案;现阶段可通过方式来构建和更新知识库:1、根据现有项目分析经验,进行知识库初始化。2、在日常项目瓶颈分析案例中,新分析逻辑案例,可以手动更新;
此外,我们还可以通过以下方式来进一步丰富和更新知识库:
利用机器学习技术,对大量的项目进行分析,并自动更新知识库中的相关内容;利用自然语言处理技术,从互联网上抓取相关的信息,经过筛选和过滤,更新知识库中的内容;在交互通信接口中,接收用户输入的问题和需求,经过分析后,自动更新知识库中的相关内容。通过以上方式,可以构建一个更加完善、准确、实时的知识库,为工作提供更加全面、准确、及时的支持。同时,可以通过不断的学习和积累,进一步提高知识库的质量和实用性。
其四、该实施例中瓶颈分析可涉及多种性能数据和性能测试监测指标,如监测指标、压测指标、系统架构等;此外,本实施例中进行瓶颈分析的主体还可以包括:不同种类性能数据和性能测试监测指标进行自由组合形成的场景。
进一步地,压测指标可以包括:TPS(Transaction processing systems,事务处理系统)指标、ART指标等;而系统架构可涉及:服务器拓扑图、硬件配置、系统架构、网络带宽、容器个数等。
本实施例中的瓶颈分析涉及多种性能数据和性能测试监测指标,例如监测指标、压测指标以及系统架构等。这些性能数据和测试监测指标可以自由组合形成不同的场景,以便更全面地评估系统性能。具体来说,压测指标可以包括事务处理系统(TPS)指标和ART指标等。TPS指标可以用来衡量系统在处理大量并发请求时的性能表现,而ART指标则可以用来评估系统在处理高并发请求时的响应时间和吞吐量。系统架构方面,可以涉及服务器拓扑图、硬件配置、网络带宽以及容器个数等因素。这些因素对于系统性能具有重要影响,例如服务器拓扑图决定了系统的并发处理能力和响应时间,而硬件配置中的内存大小则直接关系到系统的缓存能力和数据处理速度。
本实施例中的瓶颈分析涵盖了多种性能数据和性能测试监测指标,例如监测指标、压测指标以及系统架构等。这些性能数据和测试监测指标可以自由组合形成不同的场景,以便更全面地评估系统性能。
在具体的应用中,我们可以将这些性能数据和测试监测指标按照不同的组合方式进行排列,从而形成多种场景。例如,我们可以将压测指标中的TPS指标和ART指标进行组合,形成一种评估系统在处理大量并发请求时的性能表现的场景。同时,我们还可以将监测指标中的响应时间和吞吐量指标进行组合,形成一种评估系统在处理高并发请求时的响应时间和吞吐量的场景。
除了压测指标和监测指标外,系统架构也是瓶颈分析中重要的因素之一。我们可以从服务器拓扑图、硬件配置、网络带宽以及容器个数等方面对系统架构进行分析。例如,服务器拓扑图可以表明系统的并发处理能力和响应时间,硬件配置中的内存大小则直接关系到系统的缓存能力和数据处理速度。通过对这些因素的综合考虑,我们可以更加全面地评估系统的性能表现。
综上所述,本实施例中的瓶颈分析涉及多种性能数据和性能测试监测指标,这些指标可以自由组合形成不同的场景,以便更全面地评估系统性能。同时,我们还可以从服务器拓扑图、硬件配置、网络带宽以及容器个数等方面对系统架构进行分析,以便更好地了解系统性能瓶颈并进行优化。
在进行瓶颈分析时,可以将这些性能数据和测试监测指标进行自由组合,以模拟实际应用场景并评估系统在不同情况下的性能表现。通过这种分析方法,我们可以更准确地识别系统中的瓶颈所在,为优化系统的设计和配置提供科学依据。同时,通过不断进行性能测试和瓶颈分析,我们可以逐步提升系统的性能和稳定性,以满足日益增长的业务需求。
进一步地,如图3B所示,监测指标可以包括:top指标(top命令主要用于监视和管理系统中的进程和资源使用情况)、服务端的系统资源、普罗米修斯指标(Prometheus监控指标)、JVM(Java Virtual Machine,Java虚拟机)指标、网络指标等;
此外,压测指标还可以包括负载均衡指标、系统容量指标等;而系统架构方面,可以涉及服务器部署情况、数据库架构、中间件及服务治理架构等。同时,针对微服务架构,还可以进一步细化服务间的调用关系、性能数据等。
在图3B中,我们可以看到普罗米修斯指标是其中一个重要的监控指标,它主要用于收集和存储系统的各种监控数据,如CPU使用率、内存使用率、磁盘使用率等。同时,我们还可以通过Prometheus与Grafana等工具结合,实现可视化监控、告警等功能。
另外,JVM指标也是非常重要的监控指标之一,它可以反映Java应用程序在运行时的状态。通过监控JVM指标,我们可以及时发现和解决Java应用程序的性能问题,如内存泄漏、垃圾回收频繁等问题。
除此之外,网络指标也是一个重要的监控指标,它可以反映网络连接的情况。通过监控网络指标,我们可以及时发现和解决网络延迟、丢包等问题,保证系统运行的稳定性。
在进行系统监控和压测时,需要综合考虑多个方面的指标和架构因素,以便全面地了解系统的运行状态和性能表现。同时,我们也需要不断地优化和完善监控方案和压测方案,以提高系统的可用性和稳定性。
如图3B所示,本发明还提供了一种构建性能测试瓶颈分析专家系统的应用实例。该系统可以调用性能测试瓶颈分析知识库中的数据,并使用性能测试瓶颈分析推理机,对性能数据和性能测试监测指标进行推理分析,从而得到瓶颈分析结果和瓶颈解决方案。
具体来说,该应用实例中,将图3B中的输入1和输入2作为输入数据。其中,输入1为压测指标数据,即响应时间很高,首先要排查是否是网络原因,通过ping服务器的ip发现延时情况、进行排查定位;输入2为监测指标数据,即表示查看服务端的系统资源情况,发现用户态CPU使用率比较高。
然后,对输入数据1和输入数据2进行瓶颈分析,得到瓶颈分析结果。具体来说,该结果建议查看java堆栈,并提供java堆栈查看命令和步骤。这些步骤包括:1、查看进程列表,发现一个ava进程的CPU占用率特别高;2、通过ps命令确认该进程的详细信息;3、通过top-Hp查看该进程的所有线程信息;4、将排在前面的|ava线程号打印成16进制字符串;5、通过jstack打印Java线程栈的信息。
基于上述瓶颈分析结果,可以确定出对应的瓶颈解决方案。具体来说,确定为某一行代码出现问题。因此,需要对代码进行进一步的检查和优化,以降低CPU使用率并提高系统响应速度。
本发明提供的构建性能测试瓶颈分析专家系统的应用实例,通过对输入数据的分析和推理,可以快速准确地找到系统性能瓶颈所在的位置,并提供相应的解决方案,从而有效地提高系统的性能和效率。
如图3C所示,本发明还给出了一种应用上述性能测试瓶颈分析专家系统的实例,如可由工作人员输入如下数据:1、压测数据:TPS很低、响应时间高;2、性能监控指标:网络ip延时很低、用户态cpu使用率比较高;
这些数据被输入到性能测试瓶颈分析专家系统中,该系统能够智能地分析这些数据,并调用知识库中已存储的知识进行匹配。例如,智能分析模块中的知识库可以包括以下知识:
1.TPS很低、响应时间很高。
2.网络延时很低,智能分析判断排除网络问题。
3.用户态CPU使用率较高,推理分析需排查CPU使用影响因素。
经过智能分析模块的分析后,得到的输出结果为:推理分析建议,查看java堆栈,并给出查看方案。这意味着系统已经找到了可能存在的性能瓶颈,并建议工作人员查看java堆栈以进一步了解和解决这个问题。
图5所示的是一种智能分析模块进行瓶颈分析的详细流程图。这个智能分析模块在整个性能测试平台流程中扮演着重要的角色,它能够接收并处理性能测试的压测数据和监控指标,然后输出瓶颈分析的结果以及相应的解决方案。
这个智能分析模块是基于人工智能的专家系统进行构建的,它由三个主要部分组成:知识库、推理机和通信交互模块。
知识库是存储性能测试领域相关知识的数据库,这些知识包括用于瓶颈分析、定位的各种事实和规则。这些知识可以通过人类现有的经验总结中提取,并转化为规则,然后注入到知识库中。此外,知识库中的知识也可以在性能测试的实际操作过程中进行更新和维护。
推理机是智能分析模块的核心部分,它会根据接收到的性能数据和监控指标,依据存储在知识库中的性能瓶颈分析规则,进行智能分析,从而对该性能场景得出瓶颈分析结果和相应的解决方案。
这种基于集成系统整体性能指标和监控数据的瓶颈分析方法和装置,可以更有效地提升系统级的性能测试瓶颈分析能力和效率。这种方法的应用可以带来以下收益:
1.降低性能测试中最关键环节的性能瓶颈分析的门槛和难度,提升性能测试人员解决问题的能力。通过利用知识库和计算机软件系统,这种方法可以帮助性能人员更好地掌握现有的、由人类积累总结提炼的性能瓶颈分析知识和经验。
2.提升对计算机软件系统的优化效率,更高效地实现线上流量压力计划。通过智能分析提供的成果和解决方案,可以帮助有效解决性能测试项目中遇到的问题阻塞,实现提升性能测试问题解决的效率,缩短系统解决瓶颈问题的周期以提高项目效益。
3.通过对系统性能瓶颈的精准定位和分析,这种方法可以减少系统性能测试过程中不必要的资源浪费,提高系统性能测试的效率。通过智能分析,可以快速找出系统性能瓶颈,从而有针对性地进行优化,避免了无头苍蝇般的盲目操作。
4.这种方法还可以帮助系统管理员更好地监控系统性能,及时发现和解决潜在的性能问题。通过对系统监控数据的分析,可以提前预测系统性能的变化趋势,及时采取预防措施,避免系统性能的突然下降。
总之,这种基于集成系统整体性能指标和监控数据的瓶颈分析方法和装置,不仅可以提高系统级的性能测试瓶颈分析能力和效率,还可以帮助系统管理员更好地监控系统性能,及时发现和解决潜在的性能问题。这种方法的应用将带来多方面的收益,为企业的信息化建设提供强有力的支持。
此外,智能分析模块还具有用户友好的交互界面,使得性能测试人员可以轻松地输入性能测试数据和监控指标,并获取瓶颈分析结果和相应的解决方案。同时,该智能分析模块还具有可扩展性,可以根据需要进行更新和维护,以适应不同的性能测试需求。
在性能测试平台流程中,智能分析模块扮演着至关重要的角色。它不仅能够帮助性能测试人员快速准确地定位性能瓶颈,而且还能够提供针对性的解决方案,帮助企业更有效地提升系统级的性能测试瓶颈分析能力和效率。这无疑将为企业带来更高效的性能测试和优化方案,同时降低性能测试的门槛和难度,提升性能测试人员解决问题的能力。
总的来说,这种基于人工智能的专家系统的智能分析模块,将为企业的性能测试工作带来巨大的价值和效益。它不仅能够提升计算机软件系统的优化效率,更能够缩短系统解决瓶颈问题的周期,提高项目效益。因此,这种智能分析模块将成为企业进行性能测试的重要工具和利器。
在性能测试平台流程中,智能分析模块的重要性不言而喻。它的存在为性能测试人员提供了强有力的支持,使得他们能够快速准确地定位性能瓶颈,并提供针对性的解决方案。这种智能分析模块不仅能够提高性能测试的效率和准确性,还能够降低性能测试的门槛和难度,使得性能测试人员能够更轻松地解决问题。
通过智能分析模块,性能测试人员可以更加全面地了解系统性能,从而更好地优化系统。这种智能分析模块能够提供实时的数据分析和诊断,帮助性能测试人员快速定位问题,并且提供有效的解决方案。它能够为性能测试人员提供全方位的支持,包括提供测试计划、测试执行、测试监控和测试报告等一站式服务。
此外,这种智能分析模块还可以提供多维度的性能分析,包括CPU使用率、内存占用率、磁盘IO等各个方面的数据分析和诊断。它还能够根据历史数据进行分析和预测,为性能测试人员提供更加准确和可靠的数据支持。
智能分析模块在性能测试平台流程中扮演着至关重要的角色。它的存在不仅能够提高性能测试的效率和准确性,还能够降低性能测试的门槛和难度,提高性能测试人员解决问题的能力。因此,对于需要进行性能测试的企业来说,这种智能分析模块将成为他们的重要工具和利器。
进一步地,本实施例还提供了一种上述专家系统的基本结构和具体解释:
专家系统(Expert System)是一种在特定领域内具有专家水平解决问题能力的程序系统。它能够有效地运用专家多年积累的有效经验和专门知识,通过模拟专家的思维过程,解决需要专家才能解决的问题。
专家系统是一种高度复杂和智能化的程序系统,能够在特定领域内展现出类似于人类专家的解决问题能力。这些系统经过多年的研究和开发,已经成为了各种行业和领域中不可或缺的工具。专家系统的核心是运用专家多年积累的有效经验和专门知识,通过模拟专家的思维过程,解决那些需要专家才能解决的问题。
专家系统在解决问题时,通常会采用一种类似于人类专家解决问题的推理过程。这种推理过程包括一系列的逻辑步骤和规则,系统会根据这些步骤和规则进行思考和决策。专家系统的推理过程通常是透明的,这意味着系统能够提供清晰的解释和说明,使得人们能够理解和信任其结论。
专家系统通常具有高度的专业性和针对性,能够处理各种复杂的问题和挑战。这些系统经过训练和优化后,能够在特定领域内提供高质量的解决方案。此外,专家系统还具有高效性和准确性,能够快速地处理大量的数据和信息,并得出准确的结论。
专家系统是一种高度智能化的程序系统,具有强大的解决问题能力和专业知识。这些系统在各种领域中都发挥着重要的作用,为人们提供了更加高效、准确和可靠的解决方案。
专家系统的基本结构如图6所示,其中箭头方向为数据流动的方向。专家系统通常由人机交互界面、知识库、推理机、解释器、综合数据库、知识获取等6个部分构成。
知识库用来存放专家提供的知识。专家系统的问题求解过程是通过知识库中的知识来模拟专家的思维方式的,因此,知识库是专家系统质量是否优越的关键所在,即知识库中知识的质量和数量决定着专家系统的质量水平。一般来说,专家系统中的知识库与专家系统程序是相互独立的,用户可以通过改变、完善知识库中的知识内容来提高专家系统的性能。
人工智能中的知识表示形式有产生式、框架、语义网络等,而在专家系统中运用得较为普遍的知识是产生式规则。产生式规则以IF…THEN…的形式出现,就像BASIC等编程语言里的条件语句一样,IF后面跟的是条件(前件),THEN后面的是结论(后件),条件与结论均可以通过逻辑运算AND、OR、NOT进行复合。在这里,产生式规则的理解非常简单:如果前提条件得到满足,就产生相应的动作或结论。
推理机针对当前问题的条件或已知信息,反复匹配知识库中的规则,获得新的结论,以得到问题求解结果。在这里,推理方式可以有正向和反向推理两种。正向推理是从前件匹配到结论,反向推理则先假设一个结论成立,看它的条件有没有得到满足。由此可见,推理机就如同专家解决问题的思维方式,知识库就是通过推理机来实现其价值的。
人机界面是系统与用户进行交流时的界面。通过该界面,用户输入基本信息、回答系统提出的相关问题,并输出推理结果及相关的解释等。
综合数据库专门用于存储推理过程中所需的原始数据、中间结果和最终结论,往往是作为暂时的存储区。解释器能够根据用户的提问,对结论、求解过程做出说明,因而使专家系统更具有人情味。
知识获取是专家系统知识库是否优越的关键,也是专家系统设计的“瓶颈”问题,通过知识获取,可以扩充和修改知识库中的内容,也可以实现自动学习功能。
在专家系统中,知识获取的途径主要有以下几种:
1.手工输入:这是最常用的方式,由领域专家或者专业人士将他们的知识和经验转化为产生式规则,然后手动输入到知识库中。
2.自动学习:通过让系统自动地从大量数据中学习知识,这种方式可以大大提高知识获取的效率。例如,可以使用机器学习算法来从已有的数据中推导出规则。
3.专家指导学习:这种方法结合了手工输入和自动学习的优点,领域专家可以在系统的帮助下,对系统自动学习的结果进行评估和修正,从而不断提高专家系统的性能。
4.实践学习:在专家系统实际运行过程中,可以通过实践来不断修正和完善知识库中的知识。例如,当系统根据已有的知识进行推理时,如果发现有错误或者不完全的地方,可以记录下来并反馈给知识获取部分进行修正。
总的来说,知识获取是专家系统设计中的一个重要环节,它直接影响到专家系统的性能和质量。为了提高效率和质量,需要综合考虑手工输入、自动学习、专家指导学习和实践学习等多种方式,并根据实际情况灵活运用。
进一步地,本实施例还给出了一种上述方案与性能测试平台进行整体交互的实施方案,如下所示:
1、正常创建性能测试流程,如图7所示:
测试方案、测试准备、测试场景、测试脚本、执行采样点测试、压测调度计划、【性能调优】、性能报告。
其中在【性能调优】模块,引入智能分析库。
2、如图8和图9所示,性能智能分析库,作为性能测试平台的公共服务的基础模块,提供分析能力和接口、支持对系统性能场景每次压测执行记录的性能瓶颈分析。
并基于智能瓶颈分析,开展性能调优。
3、如图11所示,每个场景需要n次采样点,每次采样点的数据以执行记录存储管理。
可以按场景名称、场景类型搜索底下关联的执行记录。
4、如图12所示,执行记录进入,可以查看此次采样点的指标数据:性能指标、监控指标、图表。
进一步地,本实施例还给出了一种上述方案与性能测试平台进行整体交互的实施方案,如下所示:
1.创建性能测试流程,该流程包括以下步骤:
*测试方案的制定,明确测试的目标和测试范围
*测试准备的阶段,根据测试方案准备所需的测试环境和测试数据
*测试场景的设置,根据测试方案和测试准备,设定合理的测试场景
*测试脚本的编写,根据测试场景和测试需求,编写相应的测试脚本
*执行采样点测试,在设定的测试场景下,执行测试脚本,并记录测试过程中的关键数据
*压测调度计划的制定,根据采样点测试的结果和性能需求,制定合理的压测调度计划
*【性能调优】的阶段,引入智能分析库,对性能瓶颈进行分析,并采取相应的优化措施
*性能报告的生成,根据采样点测试和压测调度计划的结果,生成性能报告。
2.性能智能分析库作为性能测试平台的公共服务的基础模块,提供分析能力和接口、支持对系统性能场景每次压测执行记录的性能瓶颈分析。该模块基于智能瓶颈分析,为性能调优提供数据支持和优化建议。
3.对于每个场景的性能测试,需要设定多个采样点。每个采样点的数据以执行记录的形式存储和管理。这些执行记录可以根据场景名称、场景类型等条件进行搜索和筛选。
4.进入执行记录界面,可以查看每个采样点的详细指标数据,包括性能指标、监控指标等数据以及相应的图表展示。这些数据可以作为性能分析的依据,帮助发现潜在的性能问题。
5.基于对每个场景的执行记录进行综合分析,可以得出该场景的性能瓶颈分析报告。这份报告能够指出系统在不同场景下的性能瓶颈所在,为性能优化提供明确的目标。
6.根据不同场景的性能瓶颈分析报告,可以针对性地开展性能调优工作。通过优化算法、调整系统配置、改善硬件资源利用等方式,可以有效地提升系统在不同场景下的性能表现。
本实施例提供的上述方案与性能测试平台进行整体交互的实施方案,实现了性能测试的全流程自动化处理。这一方面提高了性能测试的效率,另一方面也通过智能分析库的应用,使得性能瓶颈的定位更加准确,为性能调优提供了有力的支持。
进一步地,本实施例还给出了一种上述方案与性能测试平台进行整体交互的实施方案,如下所示:
1.正常创建性能测试流程,如图7所示:包括测试方案、测试准备、测试场景、测试脚本、执行采样点测试、压测调度计划、性能调优、性能报告。其中在性能调优模块,引入智能分析库。
2.如图8和图9所示,性能智能分析库作为性能测试平台的公共服务的基础模块,提供分析能力和接口,支持对系统性能场景每次压测执行记录的性能瓶颈分析。这种智能分析库可以准确识别系统性能瓶颈,提高性能测试的效率和准确性。通过引入智能分析库,我们可以更有效地进行性能调优,提升系统性能。
3.如图11所示,每个场景需要n次采样点,每次采样点的数据以执行记录存储管理。这些执行记录可以按场景名称、场景类型搜索底下关联的执行记录。这种设计使得用户可以方便地查找和管理采样点的数据,并基于这些数据开展性能调优。
4.如图12所示,执行记录进入后,可以查看此次采样点的指标数据:性能指标、监控指标、图表。这些数据可以直观地展示系统性能情况,帮助用户更好地理解系统性能瓶颈,从而进行有效的性能调优。
综上所述,通过引入智能分析库,本实施例的性能测试方案可以更有效地进行性能调优,提升系统性能。同时,通过执行记录的存储管理和可视化展示,用户可以更方便地查找和管理采样点的数据,并基于这些数据开展性能调优。
此外,性能测试流程还支持对每次压测执行记录的性能瓶颈进行分析,并将分析结果以图表的形式展示出来。这样,用户可以更直观地了解系统性能瓶颈的情况,从而更好地进行性能调优。
性能智能分析库还提供了实时监控功能,可以实时监控系统的性能情况,当发现性能瓶颈时,可以及时提醒用户进行相应的调整和优化。
本实施例的性能测试流程还支持对性能测试结果进行汇总和分析,生成性能报告。性能报告中包含了每次压测的执行记录、性能瓶颈分析结果以及相应的建议和优化方案。这样,用户可以更全面地了解系统的性能情况,并根据报告中的建议和优化方案进行相应的优化和改进。
综上所述,本实施例的性能测试方案通过引入智能分析库,提供了更强大的分析能力和可视化展示功能,使用户可以更方便地进行性能调优和查找管理采样点的数据。同时,实时监控功能还可以及时发现性能瓶颈并提醒用户进行相应的调整和优化。最终,通过汇总和分析性能测试结果生成性能报告,用户可以更全面地了解系统的性能情况并根据报告中的建议和优化方案进行相应的优化和改进。
除此之外,本实施例的性能测试流程还可以支持对性能测试结果进行比较和分析。具体来说,用户可以将多次性能测试的结果进行比较和分析,以评估系统的性能提升或下降趋势。这样,用户可以更准确地了解系统的性能表现,并根据比较结果进行相应的优化和改进。
另外,本实施例的性能测试流程还支持对性能测试过程中的异常数据进行检测和提醒。当性能测试过程中出现异常数据时,系统会及时检测到并提醒用户进行相应的处理和解决。这样,用户可以更及时地发现和处理问题,以保证性能测试的准确性和可靠性。
综上所述,本实施例的性能测试方案通过引入智能分析库和可视化展示功能,提供了更强大的分析能力和展示能力,使用户可以更方便地进行性能调优和查找管理采样点的数据。同时,实时监控功能还可以及时发现性能瓶颈并提醒用户进行相应的调整和优化。最终,通过汇总和分析性能测试结果生成性能报告,用户可以更全面地了解系统的性能情况并根据报告中的建议和优化方案进行相应的优化和改进。此外,本实施例还支持对性能测试结果进行比较和分析以及对异常数据进行检测和提醒,进一步提高了性能测试的准确性和可靠性。
当然,可以理解的是,上述详细流程还可以有其他变化例,相关变化例均应落入本发明的保护范围。
本发明实施例中还提供了一种系统性能测试的瓶颈分析装置,如下面的实施例所表述的。由于该装置解决问题的原理与系统性能测试的瓶颈分析方法相似,因此该装置的实施可以参见系统性能测试的瓶颈分析方法的实施,重复之处不再赘述。
本发明实施例还提供一种系统性能测试的瓶颈分析装置,用以提升系统级的性能测试瓶颈分析能力和效率,降低性能测试性能瓶颈分析的门槛和难度,提升性能测试问题解决的效率,如图13所示,该装置包括:
数据和指标获取模块1301,用于接入系统性能测试平台,获取进行系统性能测试过程中的性能数据和性能测试监测指标;所述系统性能测试平台用于执行创建的性能测试流程;
专家系统数据输入模块1302,用于将所述性能数据和性能测试监测指标,输入至预设置的性能测试瓶颈分析专家系统;所述性能测试瓶颈分析专家系统用于调用性能测试瓶颈分析知识库中的数据,并使用性能测试瓶颈分析推理机,对性能数据和性能测试监测指标进行推理分析,得到瓶颈分析结果和瓶颈解决方案;所述性能测试瓶颈分析知识库存储有对性能测试瓶颈分析和定位的知识数据;
专家系统数据输出模块1303,用于接收专家系统发出的瓶颈分析结果和瓶颈解决方案,并发出携带有所述瓶颈分析结果和瓶颈解决方案的通知信息;所述通知信息供系统性能测试平台依据瓶颈分析结果和瓶颈解决方案进行系统调优。
该装置的核心部分是专家系统数据输入模块和专家系统数据输出模块。专家系统数据输入模块负责将性能数据和性能测试监测指标输入到预设置的性能测试瓶颈分析专家系统中,该专家系统调用性能测试瓶颈分析知识库中的数据,并使用性能测试瓶颈分析推理机对性能数据和性能测试监测指标进行推理分析,得到瓶颈分析结果和瓶颈解决方案。专家系统数据输出模块则接收专家系统发出的瓶颈分析结果和瓶颈解决方案,并发出携带有所述瓶颈分析结果和瓶颈解决方案的通知信息,供系统性能测试平台依据瓶颈分析结果和瓶颈解决方案进行系统调优。
该装置的优点在于,通过接入系统性能测试平台获取性能数据和性能测试监测指标,并利用专家系统和推理机进行瓶颈分析和解决方案生成,可以大大提升系统级的性能测试瓶颈分析能力和效率,降低性能测试性能瓶颈分析的门槛和难度,提升性能测试问题解决的效率。同时,该装置还可以根据不同的系统性能测试需求,灵活配置和扩展相关模块和功能,满足不同场景下的性能测试需求。
在一个实施例中,所述性能数据包括系统每秒完成的事务数和平均响应时间;所述性能测试监测指标包括服务器指标、网络指标和JVM指标;
所述系统性能测试过程包括测性能测试的性能场景编辑管理过程、性能脚本开发过程、压测准备过程、监控配置过程和压测配置过程的其中之一或任意组合。
在一个实施例中,数据和指标获取模块,具体用于:
获取进行系统性能测试过程中的不同系统性能场景下每次压测执行记录的性能数据和性能测试监测指标;所述每次压测执行记录的性能数据和性能测试监测指标对应所述系统性能场景下的多个采样点。
在一个实施例中,数据和指标获取模块还用于:将每次压测执行记录的性能数据和性能测试监测指标进行整理和分析,生成系统性能测试报告。所述系统性能测试报告包括压测结果分析、性能瓶颈分析、性能优化建议等内容,以帮助用户更好地了解系统性能状况,进行性能优化和改进。
该模块通过以下方式获取性能数据和性能测试监测指标:首先,在系统性能测试过程中,通过部署在目标系统上的性能监测工具,对目标系统进行实时监控和采样。这些采样点包括但不限于CPU使用率、内存占用率、磁盘I/O、网络I/O等系统资源使用情况,以及响应时间、吞吐量等业务性能指标。
其次,在每次压测执行过程中,除了获取上述性能数据和指标外,还通过日志记录、异常捕获等方式,收集压测执行过程中的相关信息。这些信息包括但不限于压测命令执行时间、压测脚本执行情况、异常错误信息等。
最后,数据和指标获取模块将收集到的性能数据和指标以及压测执行记录进行整理和分析。通过对不同系统性能场景下的采样点进行比对和分析,可以发现性能瓶颈、优化空间以及异常错误等信息。同时,结合压测执行记录的相关信息,还可以对压测结果进行更全面和深入的解读。
生成的系统性能测试报告不仅包括压测结果分析,还针对每个性能场景下的采样点,提供相应的性能瓶颈分析和优化建议。这些建议可以指导用户针对目标系统进行针对性的性能优化和改进,提高系统的稳定性和性能表现。
在一个实施例中,还包括:
性能测试瓶颈分析知识库生成模块,用于:
基于人工智能的专家系统,根据不同系统性能测试过程中的性能数据和性能测试监测指标、和对应的瓶颈分析结果和瓶颈解决方案的历史经验数据、以及每一历史经验数据对应的不同专家对性能测试瓶颈分析和定位的知识数据,生成性能测试瓶颈分析知识库。
在上述实施例中,性能测试瓶颈分析知识库生成模块的工作流程如下:
1.收集数据:首先,该模块会收集不同系统性能测试过程中的性能数据和性能测试监测指标、对应的瓶颈分析结果和瓶颈解决方案的历史经验数据。这些数据将包括各种系统和应用在不同条件下的性能表现,以及每次性能测试的详细结果,包括瓶颈分析和定位的知识数据。
2.数据处理:收集到的数据将被整理和分析。该模块会使用人工智能算法和专家系统对这些数据进行分析,以提取出有关性能测试瓶颈分析和定位的知识。
3.生成知识库:基于上述处理后的数据,性能测试瓶颈分析知识库生成模块将生成一个全面的知识库。这个知识库将包含各种系统和应用在不同条件下的性能测试瓶颈分析结果、定位方法以及相应的解决方案。
4.更新知识库:随着新数据的不断收集和分析,性能测试瓶颈分析知识库将会不断更新和优化,以适应新的系统和应用需求,提供更准确的分析结果和解决方案。
通过上述步骤,该模块能够为性能测试瓶颈分析提供全面的知识和支持,帮助用户更有效地识别和解决性能问题。同时,由于使用了人工智能和专家系统的技术,该模块能够自动处理和分析数据,减少了人工干预的需求,提高了效率和准确性。
在一个实施例中,还包括:
性能测试瓶颈分析知识库更新维护模块,用于:
持续获取历史经验数据、以及每一持续获取的对应的不同专家对性能测试瓶颈分析和定位的知识数据,对性能测试瓶颈分析知识库进行更新维护。
在一个实施例中,性能测试瓶颈分析知识库维护模块还可以包括:
性能测试瓶颈分析知识库查询模块,用于根据不同系统性能测试过程中的性能数据和性能测试监测指标、和对应的瓶颈分析结果和瓶颈解决方案的历史经验数据,以及每一历史经验数据对应的不同专家对性能测试瓶颈分析和定位的知识数据,查询性能测试瓶颈分析知识库,获取对应的瓶颈分析结果和瓶颈解决方案。
在一个实施例中,性能测试瓶颈分析知识库更新维护模块还可以包括:
性能测试瓶颈分析知识库校验模块,用于校验每一持续获取的历史经验数据和每一持续获取的对应的不同专家对性能测试瓶颈分析和定位的知识数据的准确性和完整性,以确保对性能测试瓶颈分析知识库进行更新维护的准确性和完整性。
本发明实施例提供一种用于实现上述系统性能测试的瓶颈分析方法中的全部或部分内容的计算机设备的实施例所述计算机设备具体包含有如下内容:
处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述通信接口用于实现相关设备之间的信息传输;该计算机设备可以是台式计算机、平板电脑及移动终端等,本实施例不限于此。在本实施例中,该计算机设备可以参照实施例用于实现系统性能测试的瓶颈分析方法的实施例及用于实现系统性能测试的瓶颈分析装置的实施例进行实施,其内容被合并于此,重复之处不再赘述。
图10为本申请实施例的计算机设备1000的系统构成的示意框图。如图10所示,该计算机设备1000可以包括中央处理器1001和存储器1002;存储器1002耦合到中央处理器1001。值得注意的是,该图10是示例性的;还可以使用其他类型的结构,来补充或代替该结构,以实现电信功能或其他功能。
一实施例中,系统性能测试的瓶颈分析功能可以被集成到中央处理器1001中。
其中,中央处理器1001可以被配置为进行如下控制:
接入系统性能测试平台,获取进行系统性能测试过程中的性能数据和性能测试监测指标;所述系统性能测试平台用于执行创建的性能测试流程;
将所述性能数据和性能测试监测指标,输入至预设置的性能测试瓶颈分析专家系统;所述性能测试瓶颈分析专家系统用于调用性能测试瓶颈分析知识库中的数据,并使用性能测试瓶颈分析推理机,对性能数据和性能测试监测指标进行推理分析,得到瓶颈分析结果和瓶颈解决方案;所述性能测试瓶颈分析知识库存储有对性能测试瓶颈分析和定位的知识数据;
接收专家系统发出的瓶颈分析结果和瓶颈解决方案,并发出携带有所述瓶颈分析结果和瓶颈解决方案的通知信息;所述通知信息供系统性能测试平台依据瓶颈分析结果和瓶颈解决方案进行系统调优。
在另一个实施方式中,系统性能测试的瓶颈分析装置可以与中央处理器1001分开配置,例如可以将系统性能测试的瓶颈分析装置配置为与中央处理器1001连接的芯片,通过中央处理器的控制来实现系统性能测试的瓶颈分析功能。
如图10所示,该计算机设备1000还可以包括:通信模块1003、输入单元1004、音频处理器1005、显示器1006、电源1007。值得注意的是,计算机设备1000也并不是必须要包括图10中所示的所有部件;此外,计算机设备1000还可以包括图10中没有示出的部件,可以参考现有技术。
如图10所示,中央处理器1001有时也称为控制器或操作控件,可以包括微处理器或其他处理器装置和/或逻辑装置,该中央处理器1001接收输入并控制计算机设备1000的各个部件的操作。
其中,存储器1002,例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息,此外还可存储执行有关信息的程序。并且中央处理器1001可执行该存储器1002存储的该程序,以实现信息存储或处理等。
输入单元1004向中央处理器1001提供输入。该输入单元1004例如为按键或触摸输入装置。电源1007用于向计算机设备1000提供电力。显示器1006用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器,但并不限于此。
该存储器1002可以是固态存储器,例如,只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器,其即使在断电时也保存信息,可被选择性地擦除且设有更多数据,该存储器的示例有时被称为EPROM等。存储器1002还可以是某种其它类型的装置。存储器1002包括缓冲存储器1021(有时被称为缓冲器)。存储器1002可以包括应用/功能存储部1022,该应用/功能存储部1022用于存储应用程序和功能程序或用于通过中央处理器1001执行计算机设备1000的操作的流程。
存储器1002还可以包括数据存储部1023,该数据存储部1023用于存储数据,例如联系人、数字数据、图片、声音和/或任何其他由计算机设备使用的数据。存储器1002的驱动程序存储部1024可以包括计算机设备的用于通信功能和/或用于执行计算机设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块1003即为经由天线1008发送和接收信号的发送机/接收机1003。通信模块(发送机/接收机)1003耦合到中央处理器1001,以提供输入信号和接收输出信号,这可以和常规移动通信终端的情况相同。
基于不同的通信技术,在同一计算机设备中,可以设置有多个通信模块1003,如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)1003还经由音频处理器1005耦合到扬声器1009和麦克风1010,以经由扬声器1009提供音频输出,并接收来自麦克风1010的音频输入,从而实现通常的电信功能。音频处理器1005可以包括任何合适的缓冲器、解码器、放大器等。另外,音频处理器1005还耦合到中央处理器1001,从而使得可以通过麦克风1010能够在本机上录音,且使得可以通过扬声器1009来播放本机上存储的声音。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述系统性能测试的瓶颈分析方法。
本发明实施例还提供一种计算机程序产品,所述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上述系统性能测试的瓶颈分析方法。
本发明实施例中,接入系统性能测试平台,获取进行系统性能测试过程中的性能数据和性能测试监测指标;所述系统性能测试平台用于执行创建的性能测试流程;将所述性能数据和性能测试监测指标,输入至预设置的性能测试瓶颈分析专家系统;所述性能测试瓶颈分析专家系统用于调用性能测试瓶颈分析知识库中的数据,并使用性能测试瓶颈分析推理机,对性能数据和性能测试监测指标进行推理分析,得到瓶颈分析结果和瓶颈解决方案;所述性能测试瓶颈分析知识库存储有对性能测试瓶颈分析和定位的知识数据;接收专家系统发出的瓶颈分析结果和瓶颈解决方案,并发出携带有所述瓶颈分析结果和瓶颈解决方案的通知信息;所述通知信息供系统性能测试平台依据瓶颈分析结果和瓶颈解决方案进行系统调优,与现有技术中仅能进行性能测试的局部环节的瓶颈分析的技术方案相比,可通过集成系统的性能数据和性能测试监测指标进行瓶颈分析,可以更有效提升系统级的性能测试瓶颈分析能力和效率;避免了现有技术下因需要逐一排除瓶颈因素导致的性能测试瓶颈分析的效率低下和存在局限性的问题,可借助专家系统降低性能测试最关键环节性能瓶颈分析的门槛和难度,提升性能测试人员解决问题的能力;同时,也可有效解决性能测试项目的阻塞,实现提升性能测试问题解决的效率。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (13)
1.一种系统性能测试的瓶颈分析方法,其特征在于,包括:
接入系统性能测试平台,获取进行系统性能测试过程中的性能数据和性能测试监测指标;所述系统性能测试平台用于执行创建的性能测试流程;
将所述性能数据和性能测试监测指标,输入至预设置的性能测试瓶颈分析专家系统;所述性能测试瓶颈分析专家系统用于调用性能测试瓶颈分析知识库中的数据,并使用性能测试瓶颈分析推理机,对性能数据和性能测试监测指标进行推理分析,得到瓶颈分析结果和瓶颈解决方案;所述性能测试瓶颈分析知识库存储有对性能测试瓶颈分析和定位的知识数据;
接收专家系统发出的瓶颈分析结果和瓶颈解决方案,并发出携带有所述瓶颈分析结果和瓶颈解决方案的通知信息;所述通知信息供系统性能测试平台依据瓶颈分析结果和瓶颈解决方案进行系统调优。
2.如权利要求1所述的方法,其特征在于,所述性能数据包括系统每秒完成的事务数和平均响应时间;所述性能测试监测指标包括服务器指标、网络指标和JVM指标;
所述系统性能测试过程包括测性能测试的性能场景编辑管理过程、性能脚本开发过程、压测准备过程、监控配置过程和压测配置过程的其中之一或任意组合。
3.如权利要求1所述的方法,其特征在于,获取进行系统性能测试过程中的性能数据和性能测试监测指标,包括:
获取进行系统性能测试过程中的不同系统性能场景下每次压测执行记录的性能数据和性能测试监测指标;所述每次压测执行记录的性能数据和性能测试监测指标对应所述系统性能场景下的多个采样点。
4.如权利要求1所述的方法,其特征在于,还包括:
基于人工智能的专家系统,根据不同系统性能测试过程中的性能数据和性能测试监测指标、和对应的瓶颈分析结果和瓶颈解决方案的历史经验数据、以及每一历史经验数据对应的不同专家对性能测试瓶颈分析和定位的知识数据,生成性能测试瓶颈分析知识库。
5.如权利要求4所述的方法,其特征在于,还包括:
持续获取历史经验数据、以及每一持续获取的对应的不同专家对性能测试瓶颈分析和定位的知识数据,对性能测试瓶颈分析知识库进行更新维护。
6.一种系统性能测试的瓶颈分析装置,其特征在于,包括:
数据和指标获取模块,用于接入系统性能测试平台,获取进行系统性能测试过程中的性能数据和性能测试监测指标;所述系统性能测试平台用于执行创建的性能测试流程;
专家系统数据输入模块,用于将所述性能数据和性能测试监测指标,输入至预设置的性能测试瓶颈分析专家系统;所述性能测试瓶颈分析专家系统用于调用性能测试瓶颈分析知识库中的数据,并使用性能测试瓶颈分析推理机,对性能数据和性能测试监测指标进行推理分析,得到瓶颈分析结果和瓶颈解决方案;所述性能测试瓶颈分析知识库存储有对性能测试瓶颈分析和定位的知识数据;
专家系统数据输出模块,用于接收专家系统发出的瓶颈分析结果和瓶颈解决方案,并发出携带有所述瓶颈分析结果和瓶颈解决方案的通知信息;所述通知信息供系统性能测试平台依据瓶颈分析结果和瓶颈解决方案进行系统调优。
7.如权利要求6所述的装置,其特征在于,所述性能数据包括系统每秒完成的事务数和平均响应时间;所述性能测试监测指标包括服务器指标、网络指标和JVM指标;
所述系统性能测试过程包括测性能测试的性能场景编辑管理过程、性能脚本开发过程、压测准备过程、监控配置过程和压测配置过程的其中之一或任意组合。
8.如权利要求6所述的装置,其特征在于,数据和指标获取模块,具体用于:
获取进行系统性能测试过程中的不同系统性能场景下每次压测执行记录的性能数据和性能测试监测指标;所述每次压测执行记录的性能数据和性能测试监测指标对应所述系统性能场景下的多个采样点。
9.如权利要求6所述的装置,其特征在于,还包括:
性能测试瓶颈分析知识库生成模块,用于:
基于人工智能的专家系统,根据不同系统性能测试过程中的性能数据和性能测试监测指标、和对应的瓶颈分析结果和瓶颈解决方案的历史经验数据、以及每一历史经验数据对应的不同专家对性能测试瓶颈分析和定位的知识数据,生成性能测试瓶颈分析知识库。
10.如权利要求9所述的装置,其特征在于,还包括:
性能测试瓶颈分析知识库更新维护模块,用于:
持续获取历史经验数据、以及每一持续获取的对应的不同专家对性能测试瓶颈分析和定位的知识数据,对性能测试瓶颈分析知识库进行更新维护。
11.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,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5任一所述方法。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至5任一所述方法。
13.一种计算机程序产品,其特征在于,所述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权利要求1至5任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311588796.2A CN117520132A (zh) | 2023-11-24 | 2023-11-24 | 系统性能测试的瓶颈分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311588796.2A CN117520132A (zh) | 2023-11-24 | 2023-11-24 | 系统性能测试的瓶颈分析方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117520132A true CN117520132A (zh) | 2024-02-06 |
Family
ID=89756468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311588796.2A Pending CN117520132A (zh) | 2023-11-24 | 2023-11-24 | 系统性能测试的瓶颈分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117520132A (zh) |
-
2023
- 2023-11-24 CN CN202311588796.2A patent/CN117520132A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210049092A1 (en) | Analyzing software test failures using natural language processing and machine learning | |
CN108959564B (zh) | 数据仓库元数据管理方法、可读存储介质和计算机设备 | |
US11487539B2 (en) | Systems and methods for automating and monitoring software development operations | |
CN109409533B (zh) | 一种机器学习模型的生成方法、装置、设备及存储介质 | |
US11126938B2 (en) | Targeted data element detection for crowd sourced projects with machine learning | |
US20180046956A1 (en) | Warning About Steps That Lead to an Unsuccessful Execution of a Business Process | |
US10990359B2 (en) | Use and advancements of assistive technology in automation for the visually-impaired workforce | |
US11593372B2 (en) | Automated feedback and continuous learning for query optimization | |
WO2018079225A1 (ja) | 自動予測システム、自動予測方法および自動予測プログラム | |
US10365995B2 (en) | Composing future application tests including test action data | |
CN111582488A (zh) | 一种事件推演方法及装置 | |
US11157246B2 (en) | Code recommender for resolving a new issue received by an issue tracking system | |
CN114090463B (zh) | 基于自然语言处理技术的可定制软件测试分析评价系统 | |
CN111222790A (zh) | 风险事件发生概率的预测方法、装置、设备及存储介质 | |
US11816112B1 (en) | Systems and methods for automated process discovery | |
CN110473530A (zh) | 指令分类方法、装置、电子设备及计算机可读存储介质 | |
CN112181784B (zh) | 基于字节码注入的代码故障分析方法及系统 | |
WO2022134001A1 (zh) | 基于容器化技术的机器学习模型框架的开发方法与系统 | |
CN107908525B (zh) | 告警处理方法、设备及可读存储介质 | |
US20120078912A1 (en) | Method and system for event correlation | |
CN117235527A (zh) | 端到端容器化的大数据模型构建方法、装置、设备及介质 | |
CN112799949A (zh) | 一种模型优化方法、装置、系统及设备 | |
CN117520132A (zh) | 系统性能测试的瓶颈分析方法及装置 | |
CN113127312B (zh) | 用于数据库性能测试的方法、装置、电子设备及存储介质 | |
CN113010339A (zh) | 联机交易测试中故障自动处理方法及装置 |
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 |