DE202017105807U1 - Window Abweichungsanalysierer - Google Patents

Window Abweichungsanalysierer Download PDF

Info

Publication number
DE202017105807U1
DE202017105807U1 DE202017105807.7U DE202017105807U DE202017105807U1 DE 202017105807 U1 DE202017105807 U1 DE 202017105807U1 DE 202017105807 U DE202017105807 U DE 202017105807U DE 202017105807 U1 DE202017105807 U1 DE 202017105807U1
Authority
DE
Germany
Prior art keywords
user
tolerance
regression
delta
median
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
Application number
DE202017105807.7U
Other languages
English (en)
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Google LLC
Original Assignee
Google LLC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Priority to US15/361,565 priority Critical patent/US10157116B2/en
Priority to US15/361,565 priority
Application filed by Google LLC filed Critical Google LLC
Publication of DE202017105807U1 publication Critical patent/DE202017105807U1/de
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00Error detection; Error correction; Monitoring
    • G06F11/30Monitoring
    • G06F11/34Recording 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
    • G06F11/3409Recording 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 for performance assessment
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00Error detection; Error correction; Monitoring
    • G06F11/07Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0751Error or fault detection not based on redundancy
    • G06F11/0754Error or fault detection not based on redundancy by exceeding limits
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00Error detection; Error correction; Monitoring
    • G06F11/30Monitoring
    • G06F11/3003Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3024Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a central processing unit [CPU]
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00Error detection; Error correction; Monitoring
    • G06F11/30Monitoring
    • G06F11/3051Monitoring arrangements for monitoring the configuration of the computing system or of the computing system component, e.g. monitoring the presence of processing resources, peripherals, I/O links, software programs
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00Error detection; Error correction; Monitoring
    • G06F11/30Monitoring
    • G06F11/34Recording 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
    • G06F11/3409Recording 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 for performance assessment
    • G06F11/3419Recording 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 for performance assessment by assessing time
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00Error detection; Error correction; Monitoring
    • G06F11/36Preventing errors by testing or debugging software
    • G06F11/3604Software analysis for verifying properties of programs
    • G06F11/3612Software analysis for verifying properties of programs by runtime analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00Arrangements for program control, e.g. control units
    • G06F9/06Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44Arrangements for executing specific programs
    • G06F9/445Program loading or initiating
    • G06F9/44505Configuring for program initiating, e.g. using registry, configuration files

Abstract

System (100), umfassend:Datenverarbeitungshardware (700) eines verteilten Systems (140);Speicherhardware (720) in Kommunikation mit der Datenverarbeitungshardware (700), wobei die Speicherhardware (720) Anweisungen speichert, die dann, wenn sie auf der Datenverarbeitungshardware (700) ausgeführt werden, veranlassen, dass die Datenverarbeitungshardware (700) Operationen durchführt, die umfassen:Empfangen von Proben von Daten über einem Zeitbereich von einer Startzeit (204) zu einer Endzeit (208);Bestimmen eines Mittelwerts/Medianwerts der Datenproben (202) innerhalb eines historischen Zeitfensters (210), das sich von der Startzeit (204) zu einer mittleren Zeit (206) zwischen der Startzeit (204) und der Endzeit (208) erstreckt;Bestimmen eines Mittelwerts/Medianwerts der Datenproben (202) innerhalb eines letzten Zeitfensters (220), das sich von der mittleren Zeit (206) zur Endzeit (208) erstreckt;Bestimmen eines Datenprobendeltas basierend auf einer Differenz zwischen dem Mittelwert/Medianwert der Datenproben (202) innerhalb des letzten Zeitfensters (220) und dem Mittelwert/Medianwert der Datenproben (202) innerhalb des historischen Zeitfensters (210);Bestimmen, ob das Datenprobendelta eine Deltatoleranz übersteigt; undwenn das Datenprobendelta die Deltatoleranz übersteigt:Bestimmen einer Regression bezüglich einer Leistungsfähigkeit; undSenden eines Regressionsalarms (402) zu einer Anwendervorrichtung (110) in Kommunikation mit der Datenverarbeitungshardware (700), wobei die Anwendervorrichtung (110) konfiguriert ist, um einen Anwender (10), der mit der Anwendervorrichtung (110) assoziiert ist, über die Regression bezüglich einer Leistungsfähigkeit in Reaktion auf ein Empfangen des Regressionsalarms (402) zu benachrichtigen.A system (100) comprising: a distributed system data processing hardware (700); memory hardware (720) in communication with the data processing hardware (700), wherein the memory hardware (720) stores instructions that, when stored on the data processing hardware (700 ), causing the data processing hardware (700) to perform operations including: receiving samples of data over a time range from a start time (204) to an end time (208); determining an average / median value of the data samples (202) within a historical time window (210) extending from the start time (204) to a middle time (206) between the start time (204) and the end time (208); determining an average / median value of the data samples (202) within a last time window (220) extending from the middle time (206) to the end time (208); determining a data sample delta based on a difference between the mean / Me dian value of the data samples (202) within the last time window (220) and the average / median value of the data samples (202) within the historical time window (210); determining whether the data sample delta exceeds a delta tolerance; andwhen the data sample delta exceeds the delta tolerance: determining a regression in terms of performance; and transmitting a regression alert (402) to a user device (110) in communication with the computing hardware (700), wherein the user device (110) is configured to prompt a user (10) associated with the user device (110) via the regression regarding performance in response to receiving the regression alarm (402).

Description

  • TECHNISCHES GEBIETTECHNICAL AREA
  • Diese Offenbarung betrifft ein Bestimmen von Leistungsfähigkeitsregressionen für ein entferntes System.This disclosure relates to determining performance regressions for a remote system.
  • HINTERGRUNDBACKGROUND
  • Ein verteiltes System (z.B. eine Cloud-Umgebung) enthält allgemein viele lose gekoppelte Computer, von welchen jeder typischerweise eine Computerressource (z.B. einen oder mehrere Computerprozessoren) und/oder Speicherressourcen (z.B. einen Speicher, einen Flash-Speicher und/oder Scheiben bzw. Platten) enthält. Ein verteiltes Speichersystem kann den Speicherressourcen eine Speicherabstraktion (z.B. einen Schlüssel/Wert-Speicher oder ein Dateiensystem) überlagern. Darüber hinaus kann ein Serverprozess, der auf einem oder mehreren der Computer läuft, seine Fähigkeiten zu Client-Prozessen exportieren, die auf anderen Computern laufen. Die Client-Prozesse resultieren in einer Last auf den Computerressourcen und/oder den Speicherressourcen. Ein verteiltes System garantiert typischerweise ein extensives Überwachen und Management, um eine erwartete Leistungsfähigkeit und Zuverlässigkeit zur Verfügung zu stellen.A distributed system (eg, a cloud environment) generally includes many loosely coupled computers, each of which typically includes a computer resource (eg, one or more computer processors) and / or storage resources (eg, memory, flash memory, and / or disks) ) contains. A distributed storage system may overlay the storage resources with a storage abstraction (e.g., a key / value store or a file system). In addition, a server process running on one or more of the computers can export its capabilities to client processes running on other computers. The client processes result in a load on the computer resources and / or storage resources. A distributed system typically guarantees extensive monitoring and management to provide expected performance and reliability.
  • ZUSAMMENFASSUNGSUMMARY
  • Ein verteiltes System kann eine Regression bzw. einen Rückschritt bezüglich einer Leistungsfähigkeit erfahren, wenn das verteilte System noch in Betrieb ist, aber eine verfügbare Kapazität für das verteilte System verschlechtert und/oder reduziert ist. Entwicklern, die Softwareanwendungen oder Dienste zur Ausführung auf dem verteilten System erzeugen, fehlen oft Werkzeuge zum Identifizieren und Beheben von Leistungsfähigkeitsregressionen auf einer Stufe während des Entwicklungszyklus. Als Ergebnis identifizieren Entwickler oft Leistungsfähigkeitsregressionen lange nach einem Integrieren von verletzenden bzw. angreifenden Teilbereichen eines Codes, um dadurch den Entwickler die lästige bzw. beschwerliche Aufgabe zu lassen, nach hinten bzw. rückwärts zu arbeiten, um Leistungsfähigkeitsregressionen zu verfolgen. Diese Aufgabe ist schwierig und kostspielig und es kann nahezu unmöglich sein, einen Punkt oder eine Ursache einer Leistungsfähigkeitsregression zu verfolgen. Die vorliegende Offenbarung stellt Systeme und Verfahren zum Identifizieren von Leistungsfähigkeitsregressionen zur Verfügung.A distributed system may experience a regression in performance when the distributed system is still operating but an available capacity for the distributed system is degraded and / or reduced. Developers that create software applications or services for execution on the distributed system often lack tools to identify and resolve performance regressions at a stage during the development cycle. As a result, developers often identify performance regressions long after integrating infringing portions of a code, thereby leaving the developer with the cumbersome task of working backwards to track performance regressions. This task is difficult and costly, and it may be nearly impossible to trace a point or cause of performance regression. The present disclosure provides systems and methods for identifying performance regressions.
  • Ein Aspekt der Offenbarung stellt ein Verfahren zum Bestimmen einer Regression bezüglich einer Leistungsfähigkeit zur Verfügung. Das Verfahren enthält ein Empfangen, bei einer Datenverarbeitungshardware, von Proben von Daten über einen Zeitbereich ab einer Startzeit bis zu einer Endzeit und ein Bestimmen, durch die Datenverarbeitungshardware, eines Mittelwerts/Medianwerts der Datenproben innerhalb eines historischen Zeitfensters, das sich von der Startzeit zu einer mittleren Zeit zwischen der Startzeit und der Endzeit erstreckt. Das Verfahren enthält auch: Bestimmen, durch die Datenverarbeitungshardware, eines Mittelwerts/Medianwerts der Datenproben innerhalb eines letzten Zeitfensters, das sich von der mittleren Zeit zur Endzeit erstreckt; Bestimmen, durch die Datenverarbeitungshardware, eines Datenprobendeltas basierend auf einer Differenz zwischen dem Mittelwert/Medianwert der Datenproben innerhalb des letzten Zeitfensters und dem Mittelwert/Medianwert der Datenproben innerhalb des historischen Zeitfensters; und Bestimmen, ob das Datenprobendelta eine Deltatoleranz übersteigt. Wenn das Datenprobendelta die Deltatoleranz übersteigt, enthält das Verfahren ein Bestimmen, durch die Datenverarbeitungshardware, einer Regression bezüglich einer Leistungsfähigkeit und ein Senden eines Regressionsalarms von der Datenverarbeitungshardware zu einer Anwendervorrichtung in Kommunikation mit der Datenverarbeitungshardware. Die Anwendervorrichtung ist konfiguriert, um einen Anwender, der mit der Anwendervorrichtung assoziiert ist, über die Regression bezüglich einer Leistungsfähigkeit in Reaktion auf ein Empfangen des Regressionsalarms zu benachrichtigen.One aspect of the disclosure provides a method for determining a regression in performance. The method includes receiving, in a data processing hardware, samples of data over a time range from a start time to an end time and determining, by the data processing hardware, an average / median value of the data samples within a historical time window extending from the start time to a time period middle time between the start time and the end time. The method also includes: determining, by the computing hardware, an average / median value of the data samples within a last time window extending from the middle time to the end time; Determining, by the computing hardware, a data sample delta based on a difference between the mean / median value of the data samples within the last time window and the mean / median value of the data samples within the historical time window; and determining if the data sample delta exceeds a delta tolerance. When the data sample delta exceeds the delta tolerance, the method includes determining, by the computing hardware, a performance regression, and sending a regression alert from the computing hardware to a user device in communication with the computing hardware. The user device is configured to notify a user associated with the user device of the regression regarding performance in response to receiving the regression alarm.
  • Implementierungen der Offenbarung können ein oder mehrere der folgenden optionalen Merkmale enthalten. Bei einigen Implementierungen enthält das Verfahren ein Empfangen einer Toleranzkonfiguration bei der Datenverarbeitungshardware von der Anwendervorrichtung. Die Toleranzkonfiguration kann einen Deltatoleranztyp identifizieren und die anwenderdefinierten Toleranzbeschränkungen für den identifizierten Toleranztyp enthalten. Das Verfahren kann auch ein Bestimmen, durch die Datenverarbeitungshardware, der Deltatoleranz für den identifizierten Toleranztyp basierend auf den anwenderdefinierten Toleranzbeschränkungen und dem Mittelwert/Medianwert der Datenproben innerhalb des historischen Zeitfensters enthalten. Der identifizierte Toleranztyp kann eine mittelwertbasierte Deltatoleranz enthalten und die anwenderdefinierten Toleranzbeschränkungen können wenigstens eines von einem konstanten Ausdruck, einem Mittelwertkoeffizienten oder einem Standardabweichungskoeffizienten enthalten. Der identifizierte Toleranztyp kann auch eine medianwertbasierte Deltatoleranz enthalten und die anwenderdefinierten Toleranzbeschränkungen können wenigstens eines von einem konstanten Ausdruck, einem Medianwertkoeffizienten oder einem Koeffizienten für eine absolute Abweichung des Medianwerts enthalten. Die empfangene Toleranzkonfiguration kann weiterhin eine gerichtete Verzerrung bzw. einen gerichteten systematischen Fehler für das Datenprobendelta einschließlich einer Verzerrung für ein Ignorieren einer Erhöhung oder einer Verzerrung für ein Ignorieren einer Erniedrigung anzeigen.Implementations of the disclosure may include one or more of the following optional features. In some implementations, the method includes receiving a tolerance configuration on the computing hardware from the user device. The tolerance configuration may identify a delta tolerance type and include the user-defined tolerance constraints for the identified tolerance type. The method may also include determining, by the computing hardware, the delta tolerance for the identified tolerance type based on the user defined tolerance constraints and the mean / median value of the data samples within the historical time window. The identified tolerance type may include a mean-based delta tolerance, and the user-defined tolerance constraints may include at least one of a constant term, a mean coefficient, or a standard deviation coefficient. The identified tolerance type can also be a and the user-defined tolerance constraints may include at least one of a constant expression, a median coefficient, or a coefficient for an absolute deviation of the median. The received tolerance configuration may further indicate a directional bias for the data sample delta including a distortion for ignoring an increase or a distortion for ignoring a decrease.
  • Bei einigen Beispielen enthält, wenn die gerichtete Verzerrung für das Datenprobendelta die Verzerrung für ein Ignorieren einer Erhöhung enthält und wenn das Datenprobendelta die Deltatoleranz übersteigt, das Verfahren ein Bestimmen, durch die Datenverarbeitungshardware, ob das Datenprobendelta größer als Null oder kleiner als Null ist. Wenn das Datenprobendelta größer als Null ist, kann das Verfahren ein Bestimmen, durch die Datenverarbeitungshardware, enthalten, dass keine Regression bezüglich einer Leistungsfähigkeit existiert. Wenn das Datenprobendelta kleiner als Null ist, kann das Verfahren ein Bestimmen der Regression bezüglich einer Leistungsfähigkeit und ein Senden des Regressionsalarms von der Datenverarbeitungshardware zur Anwendervorrichtung enthalten.In some examples, if the directional bias for the data sample delta includes the distortion for ignoring an increase and the data sample delta exceeds the delta tolerance, the method includes determining by the computing hardware whether the data sample delta is greater than zero or less than zero. If the data sample delta is greater than zero, the method may include determining, by the computing hardware, that there is no regression in performance. If the data sample delta is less than zero, the method may include determining the regression for performance and sending the regression alert from the computing hardware to the user device.
  • Wenn die gerichtete Verzerrung für das Datenprobendelta die Verzerrung für ein Ignorieren einer Erniedrigung enthält und wenn das Datenprobendelta die Deltatoleranz übersteigt, kann das Verfahren ein Bestimmen, durch die Datenverarbeitungshardware, enthalten, ob das Datenprobendelta größer als Null oder kleiner als Null ist. Wenn das Datenprobendelta größer als Null ist, kann das Verfahren ein Bestimmen der Regression bezüglich einer Leistungsfähigkeit und ein Senden des Regressionsalarms von der Datenverarbeitungshardware zur Anwendervorrichtung enthalten. Wenn das Datenprobendelta kleiner als Null ist, kann das Verfahren ein Bestimmen, durch die Datenverarbeitungshardware, enthalten, dass keine Regression bezüglich einer Leistungsfähigkeit existiert. Jede empfangene Datenprobe kann eine Zeitdauer für einen Dienst enthalten, der auf der Datenverarbeitungshardware ausführt, um eine Datendatei, die eine spezifizierte Kapazität hat, aus einer Speicherhardware in Kommunikation mit der Datenverarbeitungshardware auszulesen bzw. wiederzugewinnen.If the directional distortion for the data sample delta includes the distortion for ignoring a decrease, and if the data sample delta exceeds the delta tolerance, the method may include determining, by the data processing hardware, whether the data sample delta is greater than zero or less than zero. If the data sample delta is greater than zero, the method may include determining the regression for performance and sending the regression alert from the computing hardware to the user device. If the data sample delta is less than zero, the method may include determining, by the computing hardware, that there is no regression in performance. Each received data sample may include a period of time for a service executing on the computing hardware to retrieve a data file having a specified capacity from storage hardware in communication with the computing hardware.
  • Bei einigen Beispielen enthält das Verfahren ein Empfangen, bei der Datenverarbeitungshardware, eines Updates für einen Dienst, der auf der Datenverarbeitungshardware ausführt, von der Anwendervorrichtung und ein Einstellen, durch die Datenverarbeitungshardware, der mittleren Zeit zwischen der Startzeit und der Endzeit gleich einer Zeit von da an, wenn das Update für den Dienst von der Anwendervorrichtung empfangen wurde. Die Anwendervorrichtung kann in Reaktion auf ein Empfangen des Regressionsalarms von der Datenverarbeitungshardware konfiguriert sein, um eine Regressionsbenachrichtigung zur Anzeige bei einer graphischen Anwenderschnittstelle auszuführen, die auf der Anwendervorrichtung ausführt. Die Regressionsbenachrichtigung kann den Anwender, der mit der Anwendervorrichtung assoziiert ist, über die Regression bezüglich einer Leistungsfähigkeit benachrichtigen. Die Anwendervorrichtung kann in Reaktion auf ein Empfangen des Regressionsalarms von der Datenverarbeitungshardware konfiguriert sein, um einen oder mehrere Lautsprecher der Anwendervorrichtung zu steuern, um ein Audiosignal zu erzeugen, das mit dem Alarmsignal assoziiert ist, wobei das Audiosignal den Anwender, der mit der Anwendervorrichtung assoziiert ist, über die Regression bezüglich der Leistungsfähigkeit benachrichtigt. Das historische Zeitfenster und das letzte Zeitfenster können unterschiedliche Zeiten enthalten und können im Wesentlichen in derselben Größe sein.In some examples, the method includes receiving data processing hardware, updating a service executing on the computing hardware from the user device, and setting, by the computing hardware, the average time between the start time and the end time equal to a time from there if the update for the service was received from the user device. The user device may be configured in response to receiving the regression alert from the computing hardware to execute a regression notification for display at a graphical user interface executing on the user device. The regression notification can alert the user to the User device is notified about the regression in terms of performance. The user device may be configured in response to receiving the regression alert from the computing hardware to control one or more speakers of the user device to generate an audio signal associated with the alert signal, the audio signal associating the user with the user device is notified about the regression in terms of performance. The historical time window and the last time window may contain different times and may be substantially the same size.
  • Ein weiterer Aspekt der Offenbarung stellt ein System zum Bestimmen einer Regression bezüglich einer Leistungsfähigkeit zur Verfügung. Das System enthält eine Datenverarbeitungshardware eines verteilten Systems und Speicherhardware in Kommunikation mit der Datenverarbeitungshardware. Die Speicherhardware speichert Anweisungen, die dann, wenn sie auf der Datenverarbeitungshardware ausgeführt werden, veranlassen, dass die Datenverarbeitungshardware Operationen durchführt. Die Operationen enthalten ein Empfangen von Proben von Daten über einem Zeitbereich von einer Startzeit zu einer Endzeit, ein Bestimmen eines Mittelwerts/Medianwerts der Datenproben innerhalb eines historischen Zeitfensters, das sich von der Startzeit zu einer Zwischenzeit bzw. mittleren Zeit zwischen der Startzeit und der Endzeit erstreckt, und ein Bestimmen eines Mittelwerts/Medianwerts der Datenproben innerhalb eines letzten Zeitfensters, das sich von der mittleren Zeit zur Endzeit erstreckt. Die Operationen enthalten auch ein Bestimmen eines Datenprobendeltas basierend auf einer Differenz zwischen dem Mittelwert/Medianwert der Datenproben innerhalb des letzten Zeitfensters und dem Mittelwert/Medianwert der Datenproben innerhalb des historischen Zeitfensters und ein Bestimmen, ob das Datenprobendelta eine Deltatoleranz übersteigt. Wenn das Datenprobendelta die Deltatoleranz übersteigt, enthalten die Operationen ein Bestimmen einer Regression bezüglich einer Leistungsfähigkeit und ein Senden eines Regressionsalarms zu einer Anwendervorrichtung in Kommunikation mit der Datenverarbeitungshardware. Die Anwendervorrichtung ist konfiguriert, um einen Anwender, der mit der Anwendervorrichtung assoziiert ist, über die Regression bezüglich einer Leistungsfähigkeit in Reaktion auf ein Empfangen des Regressionsalarms zu benachrichtigen.Another aspect of the disclosure provides a system for determining a regression in performance. The system includes distributed system computing hardware and memory hardware in communication with the computing hardware. The storage hardware stores instructions that, when executed on the computing hardware, cause the computing hardware to perform operations. The operations include receiving samples of data over a time range from a start time to an end time, determining an average / median value of the data samples within a historical time window extending from the start time to an intermediate time between the start time and the end time and determining an average / median value of the data samples within a last time window extending from the middle time to the end time. The operations also include determining a data sample delta based on a difference between the mean / median value of the data samples within the last time window and the mean / median value of the data samples within the historical time window and determining whether the data sample delta exceeds a delta tolerance. When the data sample delta exceeds the delta tolerance, the operations include determining a regression in performance and sending a regression alert to a user device in communication with the computing hardware. The user device is configured to notify a user associated with the user device of the regression regarding performance in response to receiving the regression alarm.
  • Bei einigen Implementierungen enthalten die Operationen ein Empfangen einer Toleranzkonfiguration von der Anwendervorrichtung und ein Bestimmen der Deltatoleranz für den identifizierten Toleranztyp basierend auf den anwenderdefinierten Toleranzbeschränkungen und dem Mittelwert/Medianwert der Datenproben innerhalb des historischen Zeitfensters. Die Toleranzkonfiguration kann einen Deltatoleranztyp identifizieren und die anwenderdefinierten Toleranzbeschränkungen für den identifizierten Toleranztyp enthalten. Der identifizierte Toleranztyp kann eine mittelwertbasierte Deltatoleranz enthalten und die anwenderdefinierten Toleranzbeschränkungen können wenigstens eines von einem konstanten Ausdruck, einem Mittelwertkoeffizienten oder einem Standardabweichungskoeffizienten enthalten. Der identifizierte Toleranztyp kann auch eine medianwertbasierte Deltatoleranz enthalten und die anwenderdefinierten Toleranzbeschränkungen können wenigstens eines von einem konstanten Ausdruck, einem Medianwertkoeffizienten oder einem Koeffizienten für eine absolute Abweichung des Medianwerts enthalten. Die empfangene Toleranzkonfiguration kann auch eine gerichtete Verzerrung für das Datenprobendelta umfassend einer von einer Verzerrung für ein Ignorieren einer Erhöhung oder von einer Verzerrung für ein Ignorieren einer Erniedrigung anzeigen.In some implementations, the operations include receiving a tolerance configuration from the user device and determining the delta tolerance for the identified tolerance type based on the user defined tolerance constraints and the mean / median value of the data samples within the historical time window. The tolerance configuration may identify a delta tolerance type and include the user-defined tolerance constraints for the identified tolerance type. The identified tolerance type may include a mean-based delta tolerance, and the user-defined tolerance constraints may include at least one of a constant term, a mean coefficient, or a standard deviation coefficient. The identified tolerance type may also include a median-based delta tolerance, and the user-defined tolerance constraints may include at least one of a constant expression, a median coefficient, or a coefficient for an absolute deviation of the median. The received tolerance configuration may also indicate a directional distortion for the data sample delta comprising one of a distortion for ignoring an increase or a distortion for ignoring a decrease.
  • Die Operationen können, wenn die gerichtete Verzerrung für das Datenprobendelta die Verzerrung für ein Ignorieren einer Erhöhung enthält und wenn das Datenprobendelta die Deltatoleranz übersteigt, auch ein Bestimmen enthalten, ob das Datenprobendelta größer als Null oder kleiner als Null ist. Wenn das Datenprobendelta kleiner als Null ist, können die Operationen ein Bestimmen der Regression bezüglich einer Leistungsfähigkeit und ein Senden des Regressionsalarms von der Datenverarbeitungshardware zur Anwendervorrichtung enthalten. Wenn die gerichtete Verzerrung für das Datenprobendelta die Verzerrung für ein Ignorieren einer Erniedrigung enthält und wenn das Datenprobendelta die Deltatoleranz übersteigt, können die Operationen ein Bestimmen, durch die Datenverarbeitungshardware, enthalten, ob das Datenprobendelta größer als Null oder kleiner als Null ist. Wenn das Datenprobendelta größer als Null ist, können die Operationen ein Bestimmen der Regression bezüglich einer Leistungsfähigkeit und ein Senden des Regressionsalarms von der Datenverarbeitungshardware zur Anwendervorrichtung enthalten. Wenn das Datenprobendelta kleiner als Null ist, können die Operationen ein Bestimmen enthalten, dass keine Regression bezüglich einer Leistungsfähigkeit existiert. Jede empfangene Datenprobe kann eine Zeitdauer für einen Dienst enthalten, der auf der Datenverarbeitungshardware ausführt, um eine Datendatei auszulesen, die eine spezifizierte Kapazität hat, aus einer Speicherhardware in Kommunikation mit der Datenverarbeitungshardware.The operations, if the directional bias for the data sample delta includes the distortion for ignoring an increase and if the data sample delta exceeds the delta tolerance, may also include determining whether the data sample delta is greater than zero or less than zero. If the data sample delta is less than zero, the operations may include determining the regression for performance and sending the regression alert from the computing hardware to the user device. If the directional distortion for the data sample delta includes the distortion for ignoring a decrease, and if the data sample delta exceeds the delta tolerance, the operations may include determining, by the data processing hardware, whether the data sample delta is greater than zero or less than zero. If the data sample delta is greater than zero, the operations may include determining the regression for performance and sending the regression alert from the computing hardware to the user device. If the data sample delta is less than zero, the operations may include determining that there is no regression in performance. Each received data sample may include a period of time for a service executing on the computing hardware to retrieve a data file having a specified capacity from a storage hardware in communication with the computing hardware.
  • Bei einigen Implementierungen enthalten die Operationen ein Empfangen eines Updates für einen Dienst, der auf der Datenverarbeitungshardware ausführt, von der Anwendervorrichtung und ein Einstellen der mittleren Zeit zwischen der Startzeit und der Endzeit gleich einer Zeit von da an, wenn das Update für den Dienst von der Anwendervorrichtung empfangen wurde. In Reaktion auf ein Empfangen des Regressionsalarms von der Datenverarbeitungshardware kann die Anwendervorrichtung konfiguriert sein, eine Regressionsbenachrichtigung zur Anzeige auf einer graphischen Anwenderschnittstelle auszuführen, die auf der Anwendervorrichtung ausführt. Die Regressionsbenachrichtigung kann den Anwender, der mit der Anwendervorrichtung assoziiert ist, über die Regression bezüglich einer Leistungsfähigkeit benachrichtigen. In Reaktion auf ein Empfangen des Regressionsalarms von der Datenverarbeitungshardware kann die Anwendervorrichtung auch konfiguriert sein, einen oder mehrere Lautsprecher der Anwendervorrichtung zu steuern, um ein Audiosignal zu erzeugen, das mit dem Alarmsignal assoziiert ist. Das Audiosignal kann den Anwender, der mit der Anwendervorrichtung assoziiert ist, über die Regression bezüglich einer Leistungsfähigkeit benachrichtigen. Das historische Zeitfenster und das letzte Zeitfenster können unterschiedliche Größen enthalten. Zusätzlich oder alternativ können das historische Zeitfenster und das letzte Zeitfenster im Wesentlichen dieselbe Größe enthalten.In some implementations, the operations include receiving an update to a service running on the computing hardware from the user device and setting the mean time between the start time and the end time equal to a time from then when the update for the service from the User device was received. In response to receiving the regression alert from the computing hardware, the user device may be configured to execute a regression notification for display on a graphical user interface executing on the user device. The regression notification may notify the user associated with the user device of the performance regression. In response to receiving the regression alert from the computing hardware, the user device may also be configured to control one or more speakers of the user device to generate an audio signal associated with the alert signal. The audio signal may notify the user associated with the user device of the performance regression. The historical time window and the last time window may contain different sizes. Additionally or alternatively, the historical time window and the last time window may be substantially the same size.
  • Die Details von einer oder mehreren Implementierungen der Offenbarung sind in den beigefügten Zeichnungen und der nachstehenden Beschreibung dargelegt. Andere Aspekte, Merkmale und Vorteile werden aus der Beschreibung und den Zeichnungen und aus den Ansprüchen offensichtlich werden.The details of one or more implementations of the disclosure are set forth in the accompanying drawings and the description below. Other aspects, features, and advantages will become apparent from the description and drawings, and from the claims.
  • Figurenlistelist of figures
    • 1 ist eine schematische Ansicht eines beispielhaften Systems zum Senden eines Regressionsalarms in Reaktion auf ein Bestimmen einer Regression bezüglich einer Leistungsfähigkeit. 1 FIG. 10 is a schematic view of an exemplary system for transmitting a regression alert in response to determining a regression in performance. FIG.
    • 2 ist eine schematische Ansicht einer beispielhaften graphischen Darstellung von Datenproben innerhalb eines historischen Zeitfensters, das sich von einer Startzeit zu einer mittleren Zeit erstreckt, und eines letzten Zeitfensters, das sich von der mittleren Zeit zu einer Endzeit erstreckt. 2 FIG. 12 is a schematic view of an exemplary graphical representation of data samples within a historical time window extending from a start time to a middle time and a last time window extending from the middle time to an end time. FIG.
    • 3A und 3B zeigen schematische Ansichten einer Anwendervorrichtung, die eine Toleranzkonfiguration zu einem Fenster-Abweichungsanalysierer zum Bestimmen einer Deltatoleranz sendet. 3A and 3B 10 are schematic views of a user device sending a tolerance configuration to a window deviation analyzer for determining a delta tolerance.
    • 4A zeigt eine schematische Ansicht eines Fenster-Abweichungsanalysierers, der einen Regressionsalarm zu einer Anwendervorrichtung sendet, wenn ein Datenprobendelta eine Deltatoleranz übersteigt. 4A FIG. 12 is a schematic view of a window deviation analyzer that sends a regression alert to a user device when a data sample delta exceeds a delta tolerance.
    • 4B zeigt eine schematische Ansicht eines Fenster-Abweichungsanalysierers, der bestimmt, dass keine Regression bezüglich einer Leistungsfähigkeit existiert, wenn ein Datenprobendelta mit einer gerichteten Verzerrung assoziiert ist. 4B Figure 12 is a schematic view of a window deviation analyzer that determines that there is no regression in performance when a data sample delta is associated with directional distortion.
    • 5 zeigt eine schematische Ansicht eines Fenster-Abweichungsanalysierers, der einen Regressionsalarm zu einer Anwendervorrichtung in Reaktion auf ein Bestimmen einer Regression bezüglich einer Leistungsfähigkeit sendet. 5 FIG. 12 is a schematic view of a window deviation analyzer sending a regression alert to a user device in response to determining a regression in performance. FIG.
    • 6 ist ein Ablaufdiagramm eines beispielhaften Verfahrens zum Senden eines Regressionsalarms in Reaktion auf ein Bestimmen einer Regression bezüglich einer Leistungsfähigkeit. 6 FIG. 10 is a flowchart of an example method of sending a regression alert in response to determining a regression in performance. FIG.
    • 7 ist eine schematische Ansicht einer beispielhaften Computervorrichtung, die eine Fenster-Abweichung bei einem Analysierer ausführt. 7 FIG. 12 is a schematic view of an exemplary computing device that performs window deviation on an analyzer. FIG.
  • Gleiche Bezugszeichen in den verschiedenen Zeichnungen zeigen gleiche Elemente an.Like reference numerals in the various drawings indicate like elements.
  • DETAILLIERTE BESCHREIBUNGDETAILED DESCRIPTION
  • Ein Fenster-Abweichungsanalysierer kann Datenproben innerhalb eines historischen Zeitfensters gegenüber Datenproben in einem letzten Zeitfenster analysieren, um Leistungsfähigkeitsregressionen auf einem verteilten System beim Vorhandensein von Rauschen zu erfassen. Der Fenster-Abweichungsanalysierer kann auf Toleranzbeschränkungen beruhen, die Werte haben, die durch einen Anwender definiert sind, um eine Toleranz zu bestimmen, die dann, wenn sie durch eine Größe einer Änderung bezüglich der letzten Datenproben von den historischen Datenproben überschritten wird, veranlasst, dass der Fenster-Abweichungsanalysierer eine Leistungsfähigkeitsregression erfasst. Der Fenster-Abweichungsanalysierer kann einen Regressionsalarm zu einem Anwender (z.B. Entwickler) senden, um den Anwender über die erfasste Leistungsfähigkeitsregression zu informieren. Demgemäß kann der Fenster-Abweichungsanalysierer automatisch eine Leistungsfähigkeitsregression erfassen und den Anwender benachrichtigen, so dass der Anwender die Leistungsfähigkeitsregression beheben kann, bevor er mit der Leistungsfähigkeitsregression assoziierte Teilbereiche eines Codes vollständig zu Diensten/Anwendungen integriert, die auf dem verteilten System ausführen.A window deviation analyzer can analyze data samples within a historical time window against data samples in a last time window to detect performance regressions on a distributed system in the presence of noise. The window deviation analyzer may be based on tolerance constraints having values defined by a user to determine a tolerance that, when exceeded by a magnitude of a change in the last data samples from the historical data samples, causes the window deviation analyzer detects a performance regression. The window deviation analyzer may send a regression alert to a user (e.g., developer) to inform the user of the detected performance regression. Accordingly, the window deviation analyzer can automatically detect a performance regression and notify the user so that the user can fix the performance regression before fully integrating performance-regression associated portions of code into services / applications executing on the distributed system.
  • Nimmt man Bezug auf die 1 und 2, enthält ein System 100 bei einigen Implementierungen eine mit einem Anwender 10 assoziierte Anwendervorrichtung 110, die über ein Netzwerk 130 mit einem entfernten System 140 kommunizieren kann. Das entfernte System 140 kann ein verteiltes System (z.B. eine Cloud-Umgebung) mit skalierbaren/elastischen Ressourcen 142 sein. Die Ressourcen 142 enthalten Computerressourcen 144 und/oder Speicherressourcen 146. Das entfernte System 140 kann ein verteiltes Speichersystem mit einem skalierbaren/elastischen nichtflüchtigen Datenspeicher 150 zum Speichern von Datendateien 205 darauf enthalten. Bei einigen Beispielen führt das entfernte System 140 einen oder mehrere Dienste 170 aus, der oder die einen Zugriff auf den Datenspeicher 150 und die darauf gespeicherten Datendateien 205 managt oder managen. Der Dienst (die Dienste) 170 kann (können) auf Datenverarbeitungshardware 700 (7) ausführen.If one refers to the 1 and 2 , contains a system 100 in some implementations, one with a user 10 associated user device 110 that have a network 130 with a remote system 140 can communicate. The remote system 140 can be a distributed system (eg a cloud environment) with scalable / resilient resources 142 be. The resources 142 contain computer resources 144 and / or storage resources 146 , The remote system 140 can be a distributed storage system with a scalable / elastic nonvolatile data storage 150 for storing data files 205 included. In some examples, the remote system performs 140 one or more services 170 out, or the one accessing the data store 150 and the data files stored on it 205 manage or manage. The service (s) 170 may be on computing hardware 700 ( 7 ) To run.
  • Bei einigen Implementierungen führt die Datenverarbeitungshardware 700 einen Fenster-Abweichungsanalysierer (WDA) 160 aus, der Proben von Daten 202 innerhalb eines historischen Zeitfensters 210 auf einer graphischen Darstellung 200 gegenüber Proben von Daten 202 innerhalb eines letzten Zeitfensters 220 auf der graphischen Darstellung 200 analysiert. Der WDA 160 kann eine Toleranzkonfiguration 300 von der Anwendervorrichtung 110 zur Verwendung durch den WDA 160 beim Bestimmen einer Deltatoleranz empfangen. Die Deltatoleranz kann einen Toleranztyp 302 (3A und 3B) entsprechend einer von einer mittelwertbasierten Deltatoleranz TMean oder von einer medianwertbasierten Deltatoleranz TMedian oder von irgendeiner anderen metrikbasierten Deltatoleranz enthalten.In some implementations, the data processing hardware leads 700 a window deviation analyzer (WDA) 160 out, the samples of data 202 within a historical time window 210 on a graphic representation 200 versus samples of data 202 within a last time window 220 on the graphic representation 200 analyzed. The WDA 160 can be a tolerance configuration 300 from the user device 110 for use by the WDA 160 when determining a delta tolerance. The delta tolerance can be a tolerance type 302 ( 3A and 3B ) according to one of a mean-based delta tolerance T Mean, or a median-based delta tolerance T median, or any other metric-based delta tolerance.
  • Bei einigen Implementierungen bestimmt der WDA 160 eine Regression bezüglich einer Leistungsfähigkeit auf dem entfernten System 140, wenn ein Mittelwert oder Medianwert der Datenproben 202 innerhalb des letzten Zeitfensters 220 von einem entsprechenden Mittelwert oder Medianwert der Datenproben 202 innerhalb des historischen Zeitfensters 210 um eine Größe abweicht, die die entsprechende mittelwertbasierte Deltatoleranz TMean oder medianwertbasierte Deltatoleranz TMedian übersteigt. Demgemäß kann die Deltatoleranz einen Schwellenwert definieren, der eine gewisse Abweichung zwischen den Proben der Daten 202 jeweils innerhalb des historischen und des letzten Zeitfensters 210, 220 zulässt. 1 zeigt den WDA 160, der einen Regressionsalarm 402 zur Anwendervorrichtung 110 sendet, wenn der WDA 160 die Regression bezüglich einer Leistungsfähigkeit bestimmt. Die Anwendervorrichtung 110 ist konfiguriert, um den Anwender 10 über die Regression bezüglich der Leistungsfähigkeit in Reaktion auf ein Empfangen des Regressionsalarms 402 zu benachrichtigen. Bei einigen Beispielen führt die Anwendervorrichtung 110 eine Regressionsbenachrichtigung 450 (4A) zur Anzeige auf einer auf der Anwendervorrichtung 110 ausführenden graphischen Anwenderschnittstelle (GUI) 112 aus, die den Anwender 10 über die Regression bezüglich der Leistungsfähigkeit benachrichtigt. Zusätzlich oder alternativ kann die Anwendervorrichtung 110 einen oder mehrere Lautsprecher 114 steuern, um ein Audiosignal 452 (4A) zu erzeugen, das mit dem Regressionsalarm 402 assoziiert ist, um den Anwender 10 über die Regression bezüglich der Leistungsfähigkeit zu benachrichtigen.In some implementations, the WDA determines 160 a regression in terms of performance on the remote system 140 if an average or median of the data samples 202 within the last time window 220 from a corresponding mean or median of the data samples 202 within the historical time window 210 differs by a quantity that exceeds the corresponding mean-based delta tolerance T Mean or median-based delta tolerance T median . Accordingly, the delta tolerance may define a threshold that some deviation between the samples of the data 202 each within the historical and the last time window 210 . 220 allows. 1 shows the WDA 160 that has a regression alert 402 to the user device 110 sends when the WDA 160 determines the regression in terms of performance. The user device 110 is configured to the user 10 on regression in performance in response to receiving the regression alarm 402 to notify. In some examples, the user device performs 110 a regression notification 450 ( 4A ) for display on one of the user device 110 executing graphical user interface (GUI) 112 out to the user 10 notified about the regression in terms of performance. Additionally or alternatively, the user device 110 one or more speakers 114 control to an audio signal 452 ( 4A ), with the regression alarm 402 is associated to the user 10 to inform about the regression in terms of performance.
  • 2 zeigt die graphische Darstellung 200 von Datenproben 202, die durch den WDA 160 empfangen sind, über einem Zeitbereich von einer Startzeit 204 zu einer Endzeit 208. Die vertikale y-Achse bezeichnet ein spezifiziertes Maß für die Daten 202 und die horizontale x-Achse bezeichnet eine Zeit, die von links nach rechts größer wird. Demgemäß enthält jede Datenprobe 202 einen entsprechenden Zeitstempel 203 (1) und einen entsprechenden Wert des spezifizierten Maßes für die Daten 202. Bei einigen Beispiel ist das spezifizierte Maß mit einem oder mehreren Leistungsfähigkeitsmaßen assoziiert, die durch den WDA 160 (und/oder den Dienst 170) gemessen sind, während ein Leistungsfähigkeitstest auf dem entfernten System 140 ausgeführt wird. Beispielsweise kann jede Datenprobe mit einem Konglomerat von unterschiedlichen Leistungsfähigkeitsmaßen assoziiert sein, die dann, wenn sie allein genommen werden, nicht miteinander vergleichbar sind. Bei einem Beispiel entspricht das spezifizierte Maß für jede Datenprobe 202 einer Zeitdauer für einen Dienst 170, um 100 Megabyte-(MB-)Datendatei 205 aus dem Datenspeicher 150 auszulesen. Bei einem weiteren Beispiel entspricht das spezifizierte Maß für jede Datenprobe 202 einer Zeitdauer für den Dienst 170, um einen Prozess (z.B. einen Algorithmus) auszuführen. Bei einigen Implementierungen entspricht die Endzeit 208 einer aktuellen Zeit. 2 shows the graph 200 of data samples 202 by the WDA 160 are received over a time range from a start time 204 at an end time 208 , The vertical y-axis denotes a specified measure of the data 202 and the horizontal x-axis denotes a time that increases from left to right. Accordingly, each data sample contains 202 a corresponding timestamp 203 ( 1 ) and a corresponding value of the specified measure for the data 202 , In some examples, the specified measure is associated with one or more performance measures provided by the WDA 160 (and / or the service 170 ) during a performance test on the remote system 140 is performed. For example, each data sample may be associated with a conglomeration of different performance measures that are not comparable when taken alone. In one example, the specified measure corresponds to each data sample 202 a period of time for a service 170 to 100 megabytes (MB) data file 205 from the data store 150 read. In another example, the specified measure corresponds to each data sample 202 a period of time for the service 170 to execute a process (eg an algorithm). In some implementations, the end time is equivalent 208 a current time.
  • Das historische Zeitfenster 210 erstreckt sich von der Startzeit 204 zu einer mittleren Zeit 206 zwischen der Startzeit 204 und der Endzeit 208. Das letzte Zeitfenster 220 erstreckt sich von der mittleren Zeit 206 zur Endzeit 208. Demgemäß ist jede Datenprobe 202 zeitlich in eine Reihenfolge gebracht und innerhalb von einem des historischen Zeitfensters 210 oder des letzten Zeitfensters 220 angeordnet, so dass jede Datenprobe 202 innerhalb des historischen Zeitfensters 210 mit einer früheren Zeit (z.B. kleinerer Zeitstempel 203) als die Datenproben 202 innerhalb des letzten Zeitfensters 220 assoziiert ist. Bei einigen Beispielen stellt das historische Zeitfenster 210 einen Zeitbereich dar, der eine Gruppe von Datenproben 202 als normal erachtet bewertet. Bei diesem Beispiel kann das letzte Zeitfenster 220 direkt nachfolgend dazu beginnen oder nicht, wenn das historische Zeitfenster 210 endet. Die graphische Darstellung 200 der 2 zeigt das historische Zeitfenster 210, das einen längeren Zeitbereich als das letzte Zeitfenster 220 überspannt. Jedoch kann sich das letzte Zeitfenster 220 erhöhen, während ein entsprechender Leistungsfähigkeitstest damit fortfährt, auf der WDA 160 oder dem Dienst 170 auszuführen. Demgemäß können das historische Zeitfenster 210 und das letzte Zeitfenster 220 im Wesentlichen dieselben oder unterschiedliche Größen enthalten.The historical time window 210 extends from the start time 204 at a medium time 206 between the start time 204 and the end times 208 , The last time window 220 extends from the middle time 206 at the end time 208 , Accordingly, every data sample is 202 timed in order and within one of the historical time window 210 or the last time window 220 arranged so that each data sample 202 within the historical time window 210 with an earlier time (eg smaller timestamp 203 ) as the data samples 202 within the last time window 220 is associated. In some examples, this is the historical time window 210 a time range representing a group of data samples 202 rated as normal. In this example, the last time window 220 directly following this or not, if the historical time window 210 ends. The graphic representation 200 of the 2 shows the historical time window 210 that has a longer time range than the last time window 220 spans. However, the last time window may be 220 as a corresponding proficiency test continues on the WDA 160 or the service 170 perform. Accordingly, the historical time window 210 and the last time window 220 contain substantially the same or different sizes.
  • Nimmt man Bezug auf die 1 und 2, bestimmt der WDA 160 bei einigen Implementierungen einen historischen Mittelwert der Datenproben 202 innerhalb des historischen Zeitfensters 210 und bestimmt einen letzten Mittelwert der Datenproben 202 innerhalb des letzten Zeitfensters 220. Danach bestimmt der WDA 160 ein Datenprobendelta basierend auf einer Differenz zwischen dem letzten Mittelwert der Datenproben 202 innerhalb des letzten Zeitfensters 220 und dem historischen Mittelwert der Datenproben 202 innerhalb des historischen Zeitfensters 210 und bestimmt dann, ob ein Absolutwert des Datenprobendeltas die mittelwertbasierte Deltatoleranz TMean übersteigt, zum Teil basierend auf der von der Anwendervorrichtung 110 empfangenen Toleranzkonfiguration 300. Wenn ein Absolutwert des Datenprobendeltas TMean übersteigt, kann der WDA 160 die Regression bezüglich einer Leistungsfähigkeit bestimmen und den Regressionsalarm 402 zur Anwendervorrichtung 110 senden, um den Anwender 10 über die Regression bezüglich der Leistungsfähigkeit zu benachrichtigen. Der WDA 160 kann eine mittelwertbasierte Regression bezüglich der Leistungsfähigkeit gemäß der folgenden Gleichung berechnen: R I P ( a b s ( R M e a n H M e a n ) ) > T M e a n
    Figure DE202017105807U1_0001
    wobei RIP eine Regression bezüglich einer Leistungsfähigkeit ist, RMean ein letzter Mittelwert der Datenproben 202 innerhalb des letzten Zeitfensters 220 ist und HMean ein Mittelwert der Datenproben 202 innerhalb des historischen Zeitfensters 210 ist. Die Anwendervorrichtung 110 oder der Anwender 10, der mit der Anwendervorrichtung 110 assoziiert ist, kann eine geeignete Aktion vornehmen, um die Regression bezüglich einer Leistungsfähigkeit auf dem entfernten System 140 aufzulösen.
    If one refers to the 1 and 2 , determines the WDA 160 in some implementations, a historical mean of the data samples 202 within the historical time window 210 and determines a last average of the data samples 202 within the last time window 220 , After that determines the WDA 160 a data sample delta based on a difference between the last average of the data samples 202 within the last time window 220 and the historical mean of the data samples 202 within the historical time window 210 and then determines if an absolute value of the data sample delta exceeds the mean-based delta tolerance T Mean , based in part on that of the user device 110 received tolerance configuration 300 , If an absolute value of the data sample delta exceeds T Mean , the WDA 160 determine the regression in terms of performance and the regression alarm 402 to the user device 110 send to the user 10 to inform about the regression in terms of performance. The WDA 160 can calculate a mean-based regression in terms of performance according to the following equation: R I P - ( a b s ( R M e a n - H M e a n ) ) > T M e a n
    Figure DE202017105807U1_0001
    where RIP is a regression in performance, R Mean is a last average of the data samples 202 within the last time window 220 and H Mean is an average of the data samples 202 within the historical time window 210 is. The user device 110 or the user 10 who with the user device 110 can take an appropriate action to the regression in terms of performance on the remote system 140 dissolve.
  • Bei zusätzlichen Implementierungen bestimmt der WDA 160 einen historischen Medianwert der Datenproben 202 innerhalb des historischen Zeitfensters 210 und bestimmt einen letzten Medianwert der Datenproben 202 innerhalb des letzten Zeitfensters 220. Bei diesen Implementierungen bestimmt der WDA 160 das Datenprobendelta basierend auf einer Differenz zwischen dem letzten Medianwert der Datenproben 202 innerhalb des letzten Zeitfensters 220 und dem historischen Medianwert der Datenproben 202 innerhalb des historischen Zeitfensters 210 und bestimmt dann, ob das Datenprobendelta die medianwertbasierte Deltatoleranz TMedian übersteigt, zum Teil basierend auf der von der Anwendervorrichtung 110 empfangenen Toleranzkonfiguration 300. In einigen Szenarien bestimmt der WDA 160 die Regression bezüglich einer Leistungsfähigkeit, wenn ein Absolutwert des Datenprobendeltas TMedian übersteig, und sendet den Regressionsalarm 402 zur Anwendervorrichtung 110, um den Anwender 10 über die Regression bezüglich der Leistungsfähigkeit zu benachrichtigen. Der WDA 160 kann eine Medianwertbasierte Regression bezüglich einer Leistungsfähigkeit gemäß der folgenden Gleichung berechnen: R I P = ( a b s ( R M e d i a n H M e d i a n ) ) > T M e d i a n
    Figure DE202017105807U1_0002

    wobei RMedian der letzte Medianwert der Datenproben 202 innerhalb des letzten Zeitfensters 220 ist und HMedian der Medianwert der Datenproben 202 innerhalb des historischen Zeitfensters 210 ist. Während der WDA 160 das Datenprobendelta basierend auf dem Mittelwert/Medianwert der Datenproben 202 innerhalb von jeweils dem historischen und dem letzten Zeitfenster 210, 220 bestimmen kann, kann der WDA 160 andere Maße bestimmen, wie beispielsweise, aber nicht darauf beschränkt, eine Standardabweichung und/oder einige Perzentile des spezifizierten Maßes, das mit den Datenproben 202 assoziiert ist, zur Verwendung beim Bestimmen, ob Abweichungen zwischen den zwei Zeitfenstern 210 und 220 existieren oder nicht.
    For additional implementations, the WDA will determine 160 a historical median of the data samples 202 within the historical time window 210 and determines a last median of the data samples 202 within the last time window 220 , In these implementations, the WDA determines 160 the data sample delta based on a difference between the last median of the data samples 202 within the last time window 220 and the historical median of the data samples 202 within the historical time window 210 and then determines whether the data sample delta exceeds the median- based delta tolerance T median , based in part on that of the user device 110 received tolerance configuration 300 , In some scenarios, the WDA determines 160 the regression on performance when an absolute value of the data sample delta T exceeds median , and sends the regression alarm 402 to the user device 110 to the user 10 to inform about the regression in terms of performance. The WDA 160 can compute a median based regression on performance according to the following equation: R I P = ( a b s ( R M e d i a n H M e d i a n ) ) > T M e d i a n
    Figure DE202017105807U1_0002

    where R median is the last median of the data samples 202 within the last time window 220 and H median is the median of the data samples 202 within the historical time window 210 is. During the WDA 160 the data sample delta based on the mean / median of the data samples 202 within each of the historical and the last timeslots 210 . 220 can determine the WDA 160 other measures, such as, but not limited to, determining a standard deviation and / or a few percentiles of the specified measure associated with the data samples 202 for use in determining if deviations between the two time windows 210 and 220 exist or not.
  • Nimmt man Bezug auf die 3A und 3B, empfängt der WDA 160 bei einigen Implementierungen eine Toleranzkonfiguration 300, 300a-b von der Anwendervorrichtung 110, die den Deltatoleranztyp 302 und eine oder mehrere Toleranzbeschränkungen 304 zur Verwendung beim Bestimmen der durch den Deltatoleranztyp 302 spezifizierten Deltatoleranz identifiziert. Die Toleranzbeschränkungen 304 können durch den Anwender 10, der mit der Anwendervorrichtung 110 assoziiert ist, definiert werden, um individuell anzupassen, wie groß eine Abweichung zwischen den Datenproben 202 innerhalb von jeweils dem historischen und dem letzten Zeitfenster 210, 220 für den WDA 160 erforderlich ist, um die Regression bezüglich einer Leistungsfähigkeit zu bestimmen. Beispielsweise können die Toleranzbeschränkungen 304 eine minimale Toleranz, einen zulässigen Prozentsatz einer Änderung von den Datenproben 202 im historischen Zeitfenster 210 und/oder ein Konto bzw. einen Beitrag für ein Rauschen innerhalb des historischen Zeitfensters 210 definieren. Der WDA 160 kann die Deltatoleranz (z.B. TMean oder TMedian) für den identifizierten Toleranztyp 302 basierend auf der einen oder den mehreren Toleranzbeschränkungen 304 und dem Mittelwert/Medianwert der Datenproben 202 innerhalb des historischen Zeitfensters 210 bestimmen. Wie er hierin verwendet ist, kann der Ausdruck „historische Datenproben 202“ verwendet werden, um sich auf die Datenproben 202 innerhalb des historischen Zeitfensters 210 der graphischen Darstellung 200 der 1 und 2 zu beziehen.If one refers to the 3A and 3B , the WDA receives 160 in some implementations, a tolerance configuration 300 . 300a-b from the user device 110 , which is the delta tolerance type 302 and one or more tolerance constraints 304 for use in determining the delta tolerance type 302 identified delta tolerance identified. The tolerance restrictions 304 can by the user 10 that with the user device 110 can be defined to customize, how large a deviation between the data samples 202 within each of the historical and the last timeslots 210 . 220 for the WDA 160 is required to determine the regression in terms of performance. For example, the tolerance restrictions 304 a minimum tolerance, a permissible percentage of a change from the data samples 202 in historical time window 210 and / or an account for noise within the historical time window 210 define. The WDA 160 can be the delta tolerance (eg T Mean or T median ) for the identified tolerance type 302 based on the one or more tolerance constraints 304 and the mean / median of the data samples 202 within the historical time window 210 determine. As used herein, the term "historical data samples 202" may be used to refer to the data samples 202 within the historical time window 210 the graphic representation 200 of the 1 and 2 to acquire.
  • 3A zeigt den WDA 160, der die Toleranzkonfiguration 300a empfängt, die den Deltatoleranztyp 302 als die mittelwertbasierte Deltatoleranz TMean und die anwenderdefinierten Toleranzbeschränkungen 304 einschließlich eines konstanten Ausdrucks CT, eines Mittelwertkoeffizienten CMean und eines Standardabweichungskoeffizienten CStdDev identifiziert. Wenn der WDA 160 die Toleranzkonfiguration 300a von der Anwendervorrichtung 110 empfängt, bestimmt der WDA 160 den historischen Mittelwert (HMean) der historischen Datenproben 202, bestimmt die historische Standardabweichung der historischen Datenproben 202 und bestimmt die mittelwertbasierte Deltatoleranz TMean gemäß der folgenden Gleichung: T M e a n = C T + ( C M e a n × H M e a n ) + ( C S t d D e v × H S t d D e v )
    Figure DE202017105807U1_0003
    wobei HStdDev eine historische Standardabweichung der historischen Datenproben 202 ist, d.h. die Standardabweichung der Datenproben 202 innerhalb des historischen Zeitfensters 210 der graphischen Darstellung 200, ist.
    3A shows the WDA 160 that the tolerance configuration 300a receives the delta tolerance type 302 as the mean-based delta tolerance T Mean and the user-defined tolerance constraints 304 including a constant term C T , an average coefficient C Mean, and a standard deviation coefficient C StdDev . If the WDA 160 the tolerance configuration 300a from the user device 110 receives, determines the WDA 160 the historical mean (H Mean ) of historical data samples 202 , determines the historical standard deviation of historical data samples 202 and determines the mean-based delta tolerance T Mean according to the following equation: T M e a n = C T + ( C M e a n × H M e a n ) + ( C S t d D e v × H S t d D e v )
    Figure DE202017105807U1_0003
    where H StdDev is a historical standard deviation of historical data samples 202 is, ie the standard deviation of the data samples 202 within the historical time window 210 the graphic representation 200 , is.
  • Der konstante Ausdruck CT arbeitet als fester Ausdruck innerhalb von GL. 2A, während der zweite Ausdruck, der mit CMean assoziiert ist, und der dritte Ausdruck, der mit CStdDev assoziiert ist, mit den Werten der historischen Datenproben 202 variieren können. In einigen Szenarien wird jeder von dem Mittelwertkoeffizienten CMean und dem Standardabweichungskoeffizienten CStdDev auf Null eingestellt, während der konstante Ausdruck CT auf eine ganze Zahl von nicht Null eingestellt wird. Hier definiert der konstante Ausdruck CT eine feste Toleranz für die mittelwertbasierte Deltatoleranz TMean. Die Verwendung von nur CT zum Bestimmen der mittelwertbasierten Deltatoleranz in GL. 2A kann nützlich sein, wenn die historischen Datenproben 202 relativ rauschfrei sind. Andererseits ist CT mit einer minimalen Toleranz für die mittelwertbasierte Deltatoleranz TMean von GL. 2A assoziiert, wenn der Mittelwertkoeffizient CMean und/oder der Standardabweichungskoeffizient CStdDev auch auf eine ganze Zahl von nicht Null eingestellt sind/ist. Der Wert CT kann die Deltatoleranz definieren, wenn die historischen Datenproben 202 mit niedrigeren Größen assoziiert sind. Wenn beispielsweise ein typisches Maß für eine Latenzoperation 10 Millisekunden (ms) ist, kann eine Erhöhung 50 Prozent (50%) bei dieser Latenz nicht eine Regression bezüglich einer Leistungsfähigkeit garantieren. Demgemäß würde ein Einstellen des konstanten Ausdrucks CT auf 5 ms verhindern, dass der WDA 160 die Regression bezüglich einer Leistungsfähigkeit bestimmt, ungeachtet dessen, auf was die anderen anwenderdefinierten Beschränkungen 304 (z.B. CMean und/oder CStdDev) zur Verwendung durch die GL. 2A beim Berechnen der mittelwertbasierten Deltatoleranz TMean eingestellt sind. 3A zeigt CT auf fünf (5) eingestellt. The constant expression C T operates as a fixed expression within GL. 2A, while the second term associated with C Mean and the third term associated with C StdDev compare with the historical data sample values 202 can vary. In some scenarios, each of the mean coefficient C Mean and the standard deviation coefficient C StdDev is set to zero, while the constant term C T is set to a non-zero integer. Here, the constant term C T defines a fixed tolerance for the mean-based delta tolerance T Mean . Using only C T to determine the mean-based delta tolerance in GL. 2A may be useful if the historical data samples 202 are relatively noise-free. On the other hand, C T is with a minimum tolerance for the mean-based delta tolerance T Mean of GL. 2A if the average coefficient C Mean and / or the standard deviation coefficient C StdDev are also set to a non-zero integer. The value C T can define the delta tolerance when the historical data samples 202 associated with lower sizes. For example, if a typical measure of a latency operation 10 Milliseconds (ms) is an increase 50 Percent (50%) at this latency does not guarantee a regression in terms of performance. Accordingly, setting the constant term C T to 5 ms would prevent the WDA 160 Regardless of which, other than the user-defined constraints, the regression on performance determines 304 (eg C Mean and / or C StdDev ) for use by the GL. 2A are set in calculating the mean-based delta tolerance T Mean . 3A C T points to five ( 5 ).
  • Der Mittelwertkoeffizient CMean arbeitet, um eine Toleranz basierend auf einer prozentualen Abweichung vom historischen Mittelwert HMean der Datenproben 202 innerhalb des historischen Zeitfensters 210 einzustellen. Beispielsweise erfordert ein Einstellen des Mittelwertkoeffizienten CMean auf einen Wert gleich 0,05, dass der letzte Mittelwert RMean der Datenproben 202 innerhalb des letzten Zeitfensters 220 um mehr als fünf Prozent (5%) vom historischen Mittelwert HMean der Datenproben 202 innerhalb des historischen Zeitfensters 210 abweicht, bevor der WDA 160 eine Regression bezüglich einer Leistungsfähigkeit garantieren kann, d.h. unter der Annahme, dass Werte für CT und CStdDev auf Null eingestellt sind. In einigen Szenarien können dann, wenn die historischen Datenproben 202 relativ rauschfrei sind, der konstante Ausdruck CT und der Standardabweichungskoeffizient CStdDev auf Null eingestellt sein, während der Mittelwertkoeffizient CMean auf eine ganze Zahl von nicht Null eingestellt sein kann (z.B. 0,05). CMean kann auf irgendeinen Prozentsatz einer akzeptierbaren Änderung/Abweichung vom historischen Mittelwert HMean der Datenproben 202 innerhalb des historischen Zeitfensters 210 eingestellt sein. 3A zeigt CMean auf einen Wert gleich 0,05 eingestellt.The mean coefficient C Mean works by a tolerance based on a percentage deviation from the historical mean H Mean of the data samples 202 within the historical time window 210 adjust. For example, setting the mean value coefficient C Mean to a value equal to 0.05 requires that the last average value R Mean of the data samples 202 within the last time window 220 by more than five percent (5%) of the historical mean H Mean of the data samples 202 within the historical time window 210 deviates before the WDA 160 can guarantee a regression in terms of performance, ie, assuming that values for C T and C StdDev are set to zero. In some scenarios, then, if the historical data samples 202 are relatively noise-free, the constant term C T and the standard deviation coefficient C StdDev are set to zero, while the average coefficient C Mean can be set to a non-zero integer (eg, 0.05). C Mean can be at any percentage of an acceptable change / deviation from the historical mean H Mean of the data samples 202 within the historical time window 210 be set. 3A shows C Mean set to a value equal to 0.05.
  • Bei einigen Implementierungen enthalten die anwenderdefinierten Beschränkungen 304 den Standardabweichungskoeffizienten CStdDev auf eine ganze Zahl von nicht Null eingestellt, um ein Ausmaß an Toleranz hinzuzufügen, das mit Rauschen um den historischen Mittelwert HMean der Datenproben 202 innerhalb des historischen Zeitfensters 210 assoziiert ist. Allgemein ist der Standardabweichungskoeffizient CStdDev auf eine ganze Zahl von nicht Null eingestellt, wenn der konstante Ausdruck CT und/oder der Mittelwertkoeffizient CMean auch auf eine ganze Zahl von nicht Null eingestellt sind/ist. Solange für die historischen Datenproben 202, die durch den WDA 160 empfangen sind, nicht garantiert ist, dass sie ein Rauschen haben, wird ein Verwenden von nur dem Standardabweichungskoeffizienten CStdDev in GL. 2A nicht empfohlen, weil sich HStdDev Null nähern kann und daher zu empfindlich für geringfügigere Änderungen/Abweichungen bezüglich der letzten Datenproben 202 von den historischen Datenproben 202 werden. Da ein Zweifaches der Standardabweichung ein typisches Maß für eine Verwendung beim Definieren eines Überschusses eines Fehlers in einer Normalverteilung ist, kann der Standardabweichungskoeffizient CStdDev auf einen empfohlenen Wert gleich Zwei (2,0) empfohlen werden. Somit werden etwa 95 Prozent (95%) der Datenproben 202 innerhalb des historischen Zeitfensters 210 in einen Bereich gleich HMean plus/minus 2,0, multipliziert mit HStdDev, fallen. 3A zeigt CStdDev auf 2,0 eingestellt. Bei anderen Beispielen kann der Standardabweichungskoeffizient CStdDev einen Wert innerhalb des Bereichs von 1,0 bis 2,0 enthalten.In some implementations, the user-defined restrictions include 304 set the standard deviation coefficient C StdDev to a nonzero integer to add an amount of tolerance to noise around the historical mean H Mean of the data samples 202 within the historical time window 210 is associated. Generally, the standard deviation coefficient C StdDev is set to an integer of non-zero when the constant term C T and / or the average coefficient C Mean is also set to a non-zero integer. As long as for the historical data samples 202 by the WDA 160 is not guaranteed to have noise, using only the standard deviation coefficient C StdDev in GL. 2A is not recommended because H StdDev can approach zero and therefore too sensitive to minor changes / discrepancies in the last data samples 202 from the historical data samples 202 become. Since two times the standard deviation is a typical measure of use in defining an excess of error in a normal distribution, the standard deviation coefficient C StdDev can be recommended to a recommended value equal to two (2.0). Thus, about 95 percent (95%) of the data samples 202 within the historical time window 210 fall into a range equal to H Mean plus / minus 2.0 multiplied by H StdDev . 3A shows C StdDev set to 2.0. In other examples, the standard deviation coefficient C StdDev may include a value within the range of 1.0 to 2.0.
  • 3B zeigt den WDA 160, der die Toleranzkonfiguration 300b empfängt, die den Deltatoleranztyp 302 als die medianwertbasierte Deltatoleranz TMedian und die anwenderdefinierten Toleranzbeschränkungen 304 einschließlich wenigstens eines von dem konstanten Ausdruck CT, einem Medianwertkoeffizienten CMedian oder einem Koeffizienten für eine absolute Abweichung des Medianwerts CMAD identifiziert. Wenn der WDA 160 die Toleranzkonfiguration 300b von der Anwendervorrichtung 110 empfängt, bestimmt der WDA 160 den historischen Medianwert (HMedian) der historischen Datenproben 202, bestimmt er eine absolute Abweichung des Medianwerts der historischen Datenproben 202 und bestimmt er die medianwertbasierte Deltatoleranz TMean gemäß der folgenden Gleichung: T M e d i a n = C T + ( C M e d i a n × H M e d i a n ) + ( C M A D × H M A D )
    Figure DE202017105807U1_0004
    wobei HMAD die absolute Abweichung des Medianwerts der historischen Datenproben 202 ist, d.h. die absolute Abweichung des Medianwerts der Datenproben 202 innerhalb des historischen Zeitfensters 210 der graphischen Darstellung 200.
    3B shows the WDA 160 that the tolerance configuration 300b receives the delta tolerance type 302 as the median-based delta tolerance T median and the user-defined tolerance constraints 304 including at least one of the constant term C T , a median coefficient C median, or a coefficient for an absolute deviation of the median C MAD . If the WDA 160 the tolerance configuration 300b from the user device 110 receives, determines the WDA 160 the historical median (H median ) of historical data samples 202 , it determines an absolute deviation of the median value of the historical data samples 202 and determines the median-based delta tolerance T Mean according to the following equation: T M e d i a n = C T + ( C M e d i a n × H M e d i a n ) + ( C M A D × H M A D )
    Figure DE202017105807U1_0004
    where H MAD is the absolute deviation of the median value of the historical data samples 202 is, ie the absolute deviation of the median value of the data samples 202 within the historical time window 210 the graphic representation 200 ,
  • Wie bei der GL. 2A arbeitet der konstante Ausdruck CT als ein fester Ausdruck innerhalb von GL. 2B, während der zweite Ausdruck, der mit CMedian assoziiert ist, und der dritte Ausdruck, der mit CMAD assoziiert ist, mit den Werten der historischen Datenproben 202 variieren können. In einigen Szenarien arbeitet der konstante Ausdruck CT als eine feste Toleranz für die medianwertbasierte Deltatoleranz TMedian, wenn die anwenderdefinierten Toleranzbeschränkungen 304 den Medianwertkoeffizienten CMedian und den Koeffizienten für eine absolute Abweichung des Medianwerts CMAD auf Null eingestellt enthalten, während der konstante Ausdruck CT auf eine ganze Zahl von nicht Null eingestellt ist. In anderen Szenarien ist CT mit einer minimalen Toleranz für die medianwertbasierte Deltatoleranz TMedian von GL. 2B assoziiert, wenn die anwenderdefinierten Toleranzbeschränkungen 304 den Medianwertkoeffizienten CMedian und/oder den Koeffizienten für eine absolute Abweichung des Medianwerts CMAD auch auf eine ganze Zahl von nicht Null eingestellt enthalten. 3B zeigt den konstanten Ausdruck CT auf Null (0) eingestellt.As with the GL. 2A, the constant term C T operates as a fixed term within GL. 2B, while the second term associated with C median and the third term associated with C MAD compare with the historical data sample values 202 can vary. In some scenarios, the constant term C T operates as a fixed tolerance for the median-based delta tolerance T median when the user-defined tolerance constraints 304 the median value coefficient C median and the coefficient for an absolute deviation of the median value C MAD set to zero, while the constant expression C T is set to a nonzero integer. In other scenarios, C T is at a minimum tolerance for the median-based delta tolerance T median of GL. 2B, if the user-defined tolerance constraints 304 the median coefficient C median and / or the coefficient for an absolute deviation of the median C MAD also be set to an integer of nonzero. 3B shows the constant expression C T to zero ( 0 ).
  • Der Medianwertkoeffizient CMedian arbeitet, um eine Toleranz basierend auf einer prozentualen Abweichung vom historischen Medianwert HMedian der Datenproben 202 innerhalb des historischen Zeitfensters 210 einzustellen. Beispielsweise erfordert ein Einstellen des Medianwertkoeffizienten CMedian auf einen Wert gleich 0,03, dass der letzte Medianwert RMedian der Datenproben 202 innerhalb des letzten Zeitfensters 220 um mehr als fünf Prozent (3%) vom historischen Medianwert HMedian der Datenproben 202 innerhalb des historischen Zeitfensters 210 abweicht, bevor der WDA 160 eine Regression bezüglich einer Leistungsfähigkeit garantieren kann, d.h. unter der Annahme von Werten für CT und CMAD eingestellt auf Null. In einigen Szenarien enthalten, wenn die historischen Datenproben 202 relativ rauschfrei sind, die anwenderdefinierten Toleranzbeschränkungen 304 den konstanten Ausdruck CT und den Koeffizienten für eine absolute Abweichung des Medianwerts CMAD auf Null eingestellt und den Medianwertkoeffizienten CMedian auf eine ganze Zahl von nicht Null (z.B. 0,03) eingestellt. Wie bei CMean der GL. 2A kann der Anwender 10, d.h. über die anwenderdefinierten Toleranzbeschränkungen 304 der Toleranzkonfiguration 300, CMedian auf irgendeinen Prozentsatz einer akzeptierbaren Änderung vom historischen Medianwert HMedian der Datenproben 202 des historischen Zeitfensters 210 einstellen. 3B zeigt CMedian auf einen Wert 0,03 eingestellt.The median coefficient C median operates to set a tolerance based on a percentage deviation from the historical median H median of the data samples 202 within the historical time window 210 adjust. For example, setting the median coefficient C median to a value equal to 0.03 requires that the last median R median of the data samples 202 within the last time window 220 by more than five percent (3%) of the historical median H median of the data samples 202 within the historical time window 210 deviates before the WDA 160 can guarantee a regression in terms of performance, ie assuming values for C T and C MAD set to zero. In some scenarios included when the historical data samples 202 are relatively noise-free, the user-defined tolerance restrictions 304 the constant expression C T and the coefficient for an absolute deviation of the median value C MAD are set to zero and the median coefficient C median is set to a nonzero integer (eg 0.03). As with C Mean of GL. 2A can be the user 10 , ie via the user-defined tolerance restrictions 304 the tolerance configuration 300 , C median to any percentage of an acceptable change from the historical median H median of the data samples 202 of the historical time window 210 to adjust. 3B shows C median set to 0.03.
  • Bei einigen Implementierungen enthalten die anwenderdefinierten Beschränkungen 304 den Koeffizienten für eine absolute Abweichung des Medianwerts CMAD auf eine ganze Zahl von nicht Null eingestellt, um ein Ausmaß an Toleranz, die mit Rauschen assoziiert ist, um den historischen Medianwert HMedian der Datenproben 202 innerhalb des historischen Zeitfensters 210 hinzuzufügen. Wie bei der Standardabweichung stellt eine absolute Abweichung des Medianwerts gleichermaßen ein Maß einer Variabilität für eine Verteilung von Daten 202 zur Verfügung. Jedoch fokussiert sich die absolute Abweichung des Medianwerts auf Medianwerte und stellt typischerweise ein robusteres Maß einer Variabilität im Vergleich mit einer Standardabweichung zur Verfügung. Allgemein ist der Koeffizient für eine absolute Abweichung des Medianwerts CMAD auf eine ganze Zahl von nicht Null eingestellt, wenn der konstante Ausdruck CT und/oder der Medianwertkoeffizient CMedian auch auf eine ganze Zahl von nicht Null eingestellt sind/ist, um als ein Überschuss eines Fehlers um den historischen Medianwert HMedian zu dienen. Solange für die historischen Datenproben 202, die durch den WDA 160 empfangen sind, nicht garantiert wird, dass sie ein Rauschen haben, wird eine Verwendung des Koeffizienten für eine absolute Abweichung des Medianwerts CMAD in GL. 2B durch sich selbst nicht empfohlen, weil HMAD sich Null nähern kann und daher zu empfindlich für geringfügigere Änderungen/Abweichungen bezüglich der letzten Datenproben 202 wird. Da die Hälfte von allen Datenproben 202 innerhalb des historischen Zeitfensters 210 typischerweise in akzeptierbare Rauschpegel fallen, kann der Koeffizient für eine absolute Abweichung des Medianwerts CMAD auf einen empfohlenen Wert gleich Eins (1,0) eingestellt werden. Somit werden etwa fünfzig Prozent (50%) der Datenproben 202 innerhalb des historischen Zeitfensters 210 in einen Bereich gleich HMedian plus/minus 1,0, multipliziert mit HMAD, fallen. 3B zeigt CMAD auf 1,0 eingestellt. Größere Zeitfenster werden durch Rauschen weniger beeinflusst. Demgemäß wird bei einigen Beispielen CMAD auf 0,0 eingestellt, wenn der Zeitbereich für das letzte Zeitfenster 220 groß genug ist, um nicht durch Rauschen beeinflusst zu werden.In some implementations, the user-defined restrictions include 304 set the coefficient for an absolute deviation of the median C MAD to a nonzero integer, an amount of tolerance associated with noise, around the historical median H median of the data samples 202 within the historical time window 210 add. As with standard deviation, an absolute deviation of the median value also provides a measure of variability for a distribution of data 202 to disposal. However, the absolute deviation of the median focuses on median values and typically provides a more robust measure of variability compared to a standard deviation. Generally, the coefficient for an absolute deviation of the median C MAD is set to an integer of non-zero when the constant term C T and / or the median coefficient C median is also set to a non-zero integer, to be a Excess of an error to serve the historical median H median . As long as for the historical data samples 202 by the WDA 160 is not guaranteed to have noise, use is made of the coefficient for an absolute deviation of the median C MAD in GL. 2B is not recommended by itself because H MAD can approach zero and therefore too sensitive to minor changes / discrepancies in the last data samples 202 becomes. As half of all data samples 202 within the historical time window 210 typically fall within acceptable noise levels, the coefficient for an absolute deviation of the median C MAD can be set to a recommended value equal to one (1.0). Thus, about fifty percent (50%) of the data samples become 202 within the historical time window 210 fall into a range equal to H median plus / minus 1.0 multiplied by H MAD . 3B shows C MAD set to 1.0. Larger time windows are less affected by noise. Accordingly, in some examples, C MAD is set to 0.0 when the time range for the last time window 220 big enough not to be affected by noise.
  • Nimmt man Bezug auf 4A, sendet der WDA 160 bei einigen Implementierungen den Regressionsalarm 402 in Reaktion auf ein Bestimmen, dass das Datenprobendelta die Deltatoleranz übersteigt. Wenn beispielsweise die empfangene Toleranzkonfiguration 300 die mittelwertbasierte Deltatoleranz TMean anzeigt, bestimmt der WDA 160 ein mittelwertbasiertes Datenprobendelta basierend auf einer Differenz zwischen dem letzten Mittelwert RMean der Datenproben 202 innerhalb des letzten Zeitfensters 220 und dem historischen Mittelwert HMean der Datenproben 202 innerhalb des historischen Zeitfensters 210. Danach verwendet der WDA 160 GL. 1A, um zu bestimmen, ob das Datenprobendelta die mittelwertbasierte Deltatoleranz TMean übersteigt. Wenn das Datenprobendelta (z.B. abs(Rmean - Hmean)) TMean übersteigt, bestimmt der WDA 160 die Regression bezüglich einer Leistungsfähigkeit und sendet darauffolgend den Regressionsalarm 402 zur Anwendervorrichtung 110. Der Regressionsalarm 402 zeigt die Regression bezüglich einer Leistungsfähigkeit an, die durch den WDA 160 bestimmt ist. Bei einigen Beispielen ist der Regressionsalarm 402 eine Email oder eine Textnachricht, die zur Anwendervorrichtung 110 gesendet ist.If you take reference 4A , the WDA sends 160 in some implementations, the regression alarm 402 in response to determining that the data sample delta exceeds the delta tolerance. For example, if the received tolerance configuration 300 indicates the mean-based delta tolerance T Mean determined by the WDA 160 a mean-based data sample delta based on a difference between the last average R Mean of the data samples 202 within the last time window 220 and the historical mean H Mean of the data samples 202 within the historical time window 210 , After that, the WDA uses 160 GL. 1A to determine if the data sample delta exceeds the mean-based delta tolerance T Mean . If the data sample delta (eg abs (R mean -H mean )) exceeds T Mean , the WDA determines 160 the regression in terms of performance and subsequently sends the regression alarm 402 to the user device 110 , The regression alarm 402 indicates the regression in terms of performance provided by the WDA 160 is determined. In some examples, the regression alert is 402 an email or a text message to the user device 110 is sent.
  • Bei einigen Beispielen stellt der WDA 160 in Reaktion auf ein Empfangen des Regressionsalarms 402 von der Anwendervorrichtung 110 eine Regressionsbenachrichtigung 450 dem Anwender 10 zur Verfügung, der mit der Anwendervorrichtung 110 assoziiert ist. Die Regresionsbenachrichtigung 450 informiert den Anwender 10 über die Regression bezüglich einer Leistungsfähigkeit auf dem entfernten System 140 basierend auf den Datenproben 202, die von einem Testen einer Leistungsfähigkeit zurückgebracht sind. Bei einigen Implementierungen stellt die Anwendervorrichtung 110 die Regressionsbenachrichtigung 450 durch Anzeigen der Regressionsbenachrichtigung 450 auf der GUI 112 zur Verfügung, die auf der Anwendervorrichtung 110 ausführt. Zusätzlich oder alternativ kann die Anwendervorrichtung 110 den einen oder die mehreren Lautsprecher 114 steuern, um das Audiosignal 452 zu erzeugen, das mit der Regressionsbenachrichtigung 450 assoziiert ist. Das bedeutet, dass das Audiosignal 452 ein spezielles Regressionsbenachrichtigungs-Audiosignal 452 enthält, um den Anwender 10 über die Regression bezüglich einer Leistungsfähigkeit auf dem entfernten System 140 zu informieren, mit oder ohne dass der Anwender 10 die Regressionsbenachrichtigung 450 bei der GUI 112 visuell anschauen muss. Somit kann der bei der Anwendervorrichtung 110 empfangene Regressionsalarm 402 veranlassen, dass die Anwendervorrichtung 110 die visuelle Regressionsbenachrichtigung 450 auf der GUI 112 anzeigt, und/oder veranlassen, dass die Anwendervorrichtung 110 die Lautsprecher 114 steuert, um das Regressionsbenachrichtigungs-Audiosignal 452 auszugeben.In some examples, the WDA 160 in response to receiving the regression alert 402 from the user device 110 a regression notification 450 the user 10 available with the user device 110 is associated. The regression notification 450 informs the user 10 about the regression in terms of performance on the remote system 140 based on the data samples 202 that are returned from testing a performance. In some implementations, the user device provides 110 the regression notification 450 by displaying the regression notification 450 on the GUI 112 available on the user device 110 performs. Additionally or alternatively, the user device 110 the one or more speakers 114 control the audio signal 452 to generate that with the regression notification 450 is associated. That means the audio signal 452 a special regression notification audio signal 452 contains to the user 10 about the regression in terms of performance on the remote system 140 to inform, with or without the user 10 the regression notification 450 at the GUI 112 visually. Thus, in the user device 110 received regression alarm 402 cause the user device 110 the visual regression notification 450 on the GUI 112 indicates, and / or cause the user device 110 the speaker 114 controls the regression notification audio signal 452 issue.
  • In einigen Szenarien ist ein Testen einer Leistungsfähigkeit resultierend darin, dass sich der Mittelwert/Medianwert der letzten Datenproben 202 erhöht oder erniedrigt vom Mittelwert/Medianwert der historischen Datenproben 202, erwünscht, während das andere von sich erhöht oder sich erniedrigt mit einer Regression bezüglich einer Leistungsfähigkeit assoziiert sein kann. Beispielsweise kann der WDA 160 bestimmen, dass keine Regression bezüglich einer Leistungsfähigkeit existiert, wenn ein Datenprobendelta (z.B. RMean - HMean) größer als Null ist, und somit mit einer Erhöhung von den historischen Datenproben 202 assoziiert ist. Gegensätzlich dazu kann der WDA 160 die Regression bezüglich einer Leistungsfähigkeit bestimmen, wenn das Datenprobendelta die Deltatoleranz übersteigt, aber kleiner als Null ist, und somit mit einer Erniedrigung von den historischen Datenproben 202 assoziiert ist.In some scenarios, testing performance is a result of the mean / median of the last data samples 202 increased or decreased from the mean / median of historical data samples 202 , desired while the other of itself may increase or decrease associated with a regression in performance. For example, the WDA 160 determine that there is no regression in performance if a data sample delta (eg, R Mean -H Mean ) is greater than zero, and thus with an increase from the historical data samples 202 is associated. In contrast, the WDA 160 determine the regression in performance when the data sample delta exceeds the delta tolerance but is less than zero, and thus with a decrease from the historical data samples 202 is associated.
  • Nimmt man Bezug auf 4B, empfängt der WDA 160 bei einigen Implementierungen die Toleranzkonfiguration 300 von der Anwendervorrichtung 110, was eine gerichtete Verzerrung 306 für das Datenprobendelta anzeigt, zusätzlich zu dem Deltatoleranztyp 302 und der einen oder den mehreren anwenderdefinierten Toleranzbeschränkungen 304. Die gerichtete Verzerrung 306 spezifiziert eine von einer Verzerrung für ein Ignorieren einer Erhöhung, einer Verzerrung für ein Ignorieren einer Erniedrigung oder von überhaupt keiner gerichteten Verzerrung. Die gerichtete Verzerrung 306 kann durch den Anwender 10 definiert sein, um den WDA 160 anzuweisen, zu bestimmen, dass keine Regression bezüglich einer Leistungsfähigkeit existiert, wenn der Mittelwert/Medianwert der letzten Datenproben 202 vom Mittelwert/Medianwert der historischen Datenproben 202 in einer von einer positiven (z.B. erhöhend) oder negativen (z.B. erniedrigend) Richtung abweicht/sich ändert.If you take reference 4B , the WDA receives 160 in some implementations, the tolerance configuration 300 from the user device 110 what a directional distortion 306 for the data sample delta, in addition to the delta tolerance type 302 and the one or more user-defined tolerance constraints 304 , The directional distortion 306 specifies one of distortion for ignoring increase, distortion for ignoring degradation, or no biased distortion at all. The directional distortion 306 can by the user 10 be defined to the WDA 160 to instruct to determine that there is no regression in performance when the mean / median of the last data samples 202 from the mean / median of historical data samples 202 deviates / changes in one of a positive (eg, increasing) or negative (eg, degrading) direction.
  • Die Verzerrung Ignorieren_Erniedrigen weist den WDA 160 an, zu bestimmen, dass keine Regression bezüglich einer Leistungsfähigkeit für letzte Datenproben 202 existiert, die sich von den historischen Datenproben 202 erniedrigen, selbst wenn die Größe einer Abweichung (z.B. Datenprobendelta) die Deltatoleranz (z.B. TMean oder TMedian) übersteigt. Jedoch wird der WDA 160 noch die Regression bezüglich einer Leistungsfähigkeit (z.B. über GL. 1A oder GL. 1B) bestimmen, wenn sich die letzten Datenproben 202 von den historischen Datenproben 202 um eine Größe erhöhen, die die Deltatoleranz übersteigt, wenn die gerichtete Verzerrung 306 die Verzerrung Ignorieren_Erniedrigen enthält.The Ignore_Reflow distortion points the WDA 160 to determine that there is no regression in performance for final data samples 202 exists, different from the historical data samples 202 even if the size of a deviation (eg data sample delta) exceeds the delta tolerance (eg T Mean or T median ). However, the WDA will 160 nor determine the regression in terms of performance (eg, via GL.1A or GL.1B) when the last data samples 202 from the historical data samples 202 increase by a quantity that exceeds the delta tolerance when the directional distortion 306 contains the distortion Ignore_Reduce.
  • Andererseits weist die Verzerrung Ignorieren_Erhöhen den WDA 160 an, zu bestimmen, dass keine Regression bezüglich einer Leistungsfähigkeit für letzte Datenproben 202 existiert, die sich von den historischen Datenproben 202 erhöhen, selbst wenn die Größe einer Abweichung (z.B. Datenprobendelta) die Deltatoleranz (z.B. TMean oder TMedian) übersteigt. Jedoch wird der WDA 160 noch die Regression bezüglich einer Leistungsfähigkeit (z.B. über GL. 1A oder GL. 1B) bestimmen, wenn sich die letzten Datenproben 202 von den historischen Datenproben 202 um eine Größe erniedrigen, die die Deltatoleranz übersteigt, wenn die gerichtete Verzerrung 306 die Verzerrung Ignorieren_Erhöhen enthält. 4B zeigt die gerichtete Verzerrung 306, die die Verzerrung Ignorieren_Erhöhen spezifiziert. Demgemäß bestimmt der WDA 160 dann, wenn der WDA 160 bestimmt, dass das Datenprobendelta (z.B. (RMean - HMean) oder (RMedian - HMedian)) größer als Null ist, dass keine Regression bezüglich einer Leistungsfähigkeit existiert, ungeachtet dessen, dass das Datenprobendelta die Deltatoleranz übersteigt (z.B. TMean oder TMedian). Demgemäß wird der WDA 160 keinen Regressionsalarm 402 zur Anwendervorrichtung 110 senden. Wenn andererseits die gerichtete Verzerrung 306 stattdessen als „keine Verzerrung“ oder Ignorieren_Erniedrigen spezifizierte, würde dasselbe Datenprobendelta einschließlich eines Werts größer als Null und die Deltatoleranz übersteigend den WDA 160 veranlassen, die Regression bezüglich einer Leistungsfähigkeit zu bestimmen und den Regressionsalarm 402 zur Anwendervorrichtung 110 zu senden.On the other hand, the distortion Ignore_Highlights indicates the WDA 160 to determine that there is no regression in performance for final data samples 202 exists, different from the historical data samples 202 increase, even if the size of a deviation (eg data sample delta) exceeds the delta tolerance (eg T Mean or T median ). However, the WDA will 160 nor determine the regression in terms of performance (eg, via GL.1A or GL.1B) when the last data samples 202 from the historical data samples 202 to degrade a size that exceeds the delta tolerance when the directional distortion 306 Contains Ignore_Height Distortion. 4B shows the directional distortion 306 , the specify the distortion Ignore_Highlights. Accordingly, the WDA determines 160 then, if the WDA 160 determines that the data sample delta (eg, (R Mean -H Mean ) or (R median -H median )) is greater than zero, that there is no regression in performance, despite the data sample delta exceeding the delta tolerance (eg, T Mean or T median ). Accordingly, the WDA 160 no regression alarm 402 to the user device 110 send. On the other hand, if the directional distortion 306 instead, specified as "no distortion" or ignore_lower, the same data sample delta, including a value greater than zero and the delta tolerance, would exceed the WDA 160 to determine the regression in terms of performance and the regression alarm 402 to the user device 110 to send.
  • 5 zeigt eine schematische Ansicht 500 des Dienstes 170, der einen Leistungsfähigkeitstest durch Messen einer Zeitdauer ausführt, um eine spezifizierte Kapazität einer Datendatei 205 aus dem nichtflüchtigen Datenspeicher 150 auszulesen, und durch Berichten von Datenproben 202 zu dem WDA 160, was jeweils die Zeitdauer eines entsprechenden Zeitstempels 203 anzeigt, der mit der Datenprobe 202 assoziiert ist. Beispielsweise kann der Dienst 170 eine Leistungsfähigkeitstestanfrage 502 zur Verfügung stellen, die die Zeitdauer misst, um die Datendatei 205 der spezifizierten Kapazität aus dem Datenspeicher 150 auszulesen. Bei einigen Beispielen enthält die spezifizierte Kapazität eine 100-MB-Datendatei 205. Bei anderen Konfigurationen ist der Leistungsfähigkeitstest mit einer Mikrobewertung eines Prozesses assoziiert, der auf dem Dienst 170 ausführt, der eine Zeitdauer für den Dienst 170 misst, um den Prozess auszuführen, oder irgendein anderes Maß misst, das mit einem Ausführen des Prozesses assoziiert ist. Der Dienst 170 kann den Leistungsfähigkeitstest kontinuierlich ausführen. 5 shows a schematic view 500 of the service 170 performing a performance test by measuring a time duration to a specified capacity of a data file 205 from the non-volatile data store 150 and by reporting data samples 202 to the WDA 160 what each time period of a corresponding timestamp 203 indicating that with the data sample 202 is associated. For example, the service may 170 a performance test request 502 provide that measures the length of time to the data file 205 the specified capacity from the data store 150 read. In some examples, the specified capacity includes a 100 MB data file 205. In other configurations, the performance test is associated with a microevaluation of a process running on the service 170 performs a period of time for the service 170 measures to execute the process or measures any other measure associated with executing the process. The service 170 can run the performance test continuously.
  • Der WDA 160 kann (z.B. über eine graphische Darstellung 200 der 1 und 2) die Werte für die Zeitdauer und den Zeitstempel 203, der mit jeder empfangenen Datenprobe 202 assoziiert ist, über einen Zeitbereich von einer Startzeit 204 zu einer Endzeit 208, die mit einer aktuellen Zeit assoziiert ist, ausdrücken. Der Zeitbereich kann sich dynamisch erhöhen, wenn sich die Endzeit 208 während einer Ausführung des Leistungsfähigkeitstests erhöht. Während eines Ausführens des Leistungsfähigkeitstests zeigt 5 den Dienst 170, der ein Dienstupdate 504 von der Anwendervorrichtung 110 empfängt, die konfiguriert ist, um eine Version und/oder einen Softwarecode auf dem Dienst 170 upzudaten. Gleichzeitig stellt der WDA 160 eine mittlere Zeit 206 gleich einen Zeitstempel des Dienstupdates 504 auf dem Dienst 170 ein. Bei einigen Beispielen verteilt der WDA 160 die Datenproben 202, die vor dem Dienstupdate 504 empfangen sind, in ein historisches Zeitfenster 210 (2) und verteilt die Datenproben 202, die nach dem Dienstupdate 504 empfangen sind, in ein letztes Zeitfenster 220 (2). Hier erstreckt sich das historische Zeitfenster 210 zwischen der Startzeit 204 und der mittleren Zeit 206 und erstreckt sich das letzte Zeitfenster 220 zwischen der mittleren Zeit 206 und der Endzeit 208. Der WDA 160 kann einen Mittelwert/Medianwert der Datenproben 202 innerhalb des historischen Zeitfensters 210 bestimmen und einen Mittelwert/Medianwert der Datenproben 202 innerhalb des letzten Zeitfensters 220 bestimmen.The WDA 160 can (eg via a graphical representation 200 of the 1 and 2 ) the values for the time duration and the time stamp 203 that with every received data sample 202 is associated over a time range from a start time 204 at an end time 208 expressing that is associated with a current time. The time range can increase dynamically when the end time 208 during an execution of the proficiency test. While performing the proficiency test 5 the service 170 that a service update 504 from the user device 110 that is configured to receive a version and / or software code on the service 170 update. At the same time, the WDA 160 a middle time 206 a timestamp of the service update 504 on the service 170 one. In some examples, the WDA distributes 160 the data samples 202 that before the service update 504 are received, in a historical time window 210 ( 2 ) and distributes the data samples 202 after the service update 504 are received, in a last time window 220 ( 2 ). This is the historical window of opportunity 210 between the start time 204 and middle time 206 and extends the last time window 220 between the middle time 206 and the end times 208 , The WDA 160 may be a mean / median of the data samples 202 within the historical time window 210 determine and a mean / median of the data samples 202 within the last time window 220 determine.
  • Bei einigen Implementierungen bewertet der WDA 160 das Dienstupdate 504 auf dem Dienst 170 durch Bestimmen eines Datenprobendeltas basierend auf einer Differenz zwischen dem Mittelwert/Medianwert der Datenproben 202 innerhalb des letzten Zeitfensters 220 und dem Mittelwert/Medianwert der Datenproben 202 innerhalb des historischen Zeitfensters 210. Danach bestimmt der WDA 160, ob das Datenprobendelta eine Deltatoleranz (z.B. TMean oder TMedian) übersteigt, basierend auf dem Mittelwert/Medianwert der historischen Datenproben 202 und anwenderdefinierten Toleranzbeschränkungen 304 (3A und 3B). Die Bestimmung der Deltatoleranz ist oben unter Bezugnahme auf die 3A und 3B beschrieben. Wenn das Datenprobendelta größer als die Deltatoleranz ist, bestimmt der WDA 160 eine Regression bezüglich einer Leistungsfähigkeit und sendet den Regressionsalarm 402 zur Anwendervorrichtung 110. Demgemäß bestimmt der WDA 160, dass das Dienstupdate 504 in einer Verschlechterung bezüglich einer Leistungsfähigkeit zu dem Dienst 170 resultierte, basierend auf einer Größe einer Änderung an dem Mittelwert/Medianwert der letzten Datenproben 202 aus dem Mittelwert/Medianwert der historischen Datenproben 202. Beispielsweise kann die Zeitdauer für den Dienst 170, um die Datendatei 205, die die spezifizierte Kapazität hat, aus dem Datenspeicher 150 nach dem Dienstupdate 504 auszulesen, länger als die Zeitdauer vor dem Dienstupdate 504 sein.In some implementations, the WDA rates 160 the service update 504 on the service 170 by determining a data sample delta based on a difference between the mean / median value of the data samples 202 within the last time window 220 and the mean / median of the data samples 202 within the historical time window 210 , After that determines the WDA 160 whether the data sample delta exceeds a delta tolerance (eg, T Mean or T median ) based on the mean / median of the historical data samples 202 and user-defined tolerance limits 304 ( 3A and 3B ). The determination of delta tolerance is described above with reference to FIGS 3A and 3B described. If the data sample delta is greater than the delta tolerance, the WDA determines 160 a regression in terms of performance and sends the regression alarm 402 to the user device 110 , Accordingly, the WDA determines 160 that the service update 504 in a deterioration in performance to the service 170 resulted, based on a magnitude of a change in the mean / median value of the last data samples 202 from the mean / median of historical data samples 202 , For example, the length of time for the service 170 to the data file 205 that has the specified capacity, from the data store 150 after the service update 504 read longer than the time before the service update 504 be.
  • 6 stellt eine beispielhafte Anordnung von Operationen für ein Verfahren 600 zum Bestimmen einer Regression bezüglich einer Leistungsfähigkeit auf einem System 140 zur Verfügung. Bei einem Block 602 enthält das Verfahren 600 ein Empfangen, bei einem Fenster-Abweichungsanalysierer (WDA) 160, der auf einer Datenverarbeitungshardware 700 (7) ausführt, Proben von Daten 202 über einem Zeitbereich von einer Startzeit 204 zu einer Endzeit 208, und bei einem Block 604 ein Bestimmen, durch den WDA 160, eines Mittelwerts/Medianwerts der Datenproben 202 innerhalb eines historischen Zeitfensters 210, das sich von der Startzeit 204 zu einer mittleren Zeit 206 zwischen der Startzeit 204 und der Endzeit 208 erstreckt. Das Verfahren 600 enthält bei einem Block 606 auch ein Bestimmen, durch den WDA 160, eines Mittelwerts/Medianwerts der Datenproben 202 innerhalb eines letzten Zeitfensters 220, das sich zwischen der mittleren Zeit 206 und der Endzeit 208 erstreckt, und bei einem Block 608 ein Bestimmen, durch den WDA 160, eines Datenprobendeltas (z.B. (RMean - HMedian) oder (RMedian - HMedian)) basierend auf einer Differenz zwischen dem Mittelwert/Medianwert der letzten Datenproben 202 (z.B. innerhalb des letzten Zeitfensters 220) und dem Mittelwert/Medianwert der historischen Datenproben 202 (z.B. innerhalb des historischen Zeitfensters 210). 6 FIG. 10 illustrates an example arrangement of operations for a method. FIG 600 for determining a regression in terms of performance on a system 140 to disposal. At a block 602 contains the procedure 600 receiving, in a window deviation analyzer (WDA) 160 that's on a computing hardware 700 ( 7 ), samples of data 202 over a time range from a start time 204 at an end time 208 , and at a block 604 determining by the WDA 160 , an average / median of the data samples 202 within a historical time window 210 that is different from the start time 204 at a medium time 206 between the start time 204 and the end times 208 extends. The method 600 contains at a block 606 also determining by the WDA 160 , an average / median of the data samples 202 within a last time window 220 that is between the middle time 206 and the end times 208 extends, and at a block 608 determining by the WDA 160 , a data sample delta (eg (R Mean -H median ) or (R median -H median )) based on a difference between the mean / median value of the last data samples 202 (eg within the last time window 220 ) and the mean / median of the historical data samples 202 (eg within the historical time window 210 ).
  • Bei einem Block 610 enthält das Verfahren 600 ein Bestimmen, durch den WDA 160, ob das Datenprobendelta eine Deltatoleranz übersteigt, z.B. unter Verwendung von GL. 1A oder GL. 1B. Bei einigen Beispielen empfängt der WDA 160 eine Toleranzkonfiguration 300 (3A und 3B), die einen Toleranztyp 302 anzeigt, und eine oder mehrere Toleranzbeschränkungen 304, die mit dem Toleranztyp assoziiert sind. Der Toleranztyp 302 kann eine mittelwertbasierte Deltatoleranz TMean (3A) basierend auf einem historischen Mittelwert (HMean) der Datenproben 202 innerhalb des historischen Zeitfensters 210 und die Toleranzbeschränkungen 304 einschließlich wenigstens von einem eines konstanten Ausdrucks CT, eines Mittelwertkoeffizienten CMean oder eines Standardabweichungskoeffizienten CStdDev enthalten. In anderen Szenarien enthält der Toleranztyp 302 eine medianwertbasierte Deltatoleranz TMedian (3B) basierend auf einem historischen Medianwert (HMedian) der Datenproben 202 innerhalb des historischen Zeitfensters 210 und die Toleranzbeschränkungen 304 einschließlich wenigstens von einem eines konstanten Ausdrucks CT, eines Medianwertkoeffizienten CMedian oder eines Koeffizienten für eine absolute Abweichung des Medianwerts CMAD.At a block 610 contains the procedure 600 determining by the WDA 160 whether the data sample delta exceeds a delta tolerance, eg using GL. 1A or GL. 1B. In some examples, the WDA receives 160 a tolerance configuration 300 ( 3A and 3B ), which is a tolerance type 302 and one or more tolerance limits 304 that are associated with the tolerance type. The tolerance type 302 can a mean-based delta tolerance T Mean ( 3A ) based on a historical mean (H Mean ) of the data samples 202 within the historical time window 210 and the tolerance restrictions 304 including at least one of a constant term C T , an average coefficient C Mean, or a standard deviation coefficient C StdDev . In other scenarios, the tolerance type is included 302 a median-based delta tolerance T median ( 3B ) based on a historical median (H median ) of the data samples 202 within the historical time window 210 and the tolerance restrictions 304 including at least one of a constant term C T , a median coefficient C median, or a coefficient for an absolute deviation of the median C MAD .
  • Bei einem Block 612 enthält das Verfahren 600 ein Bestimmen der Regression bezüglich einer Leistungsfähigkeit auf dem System 140, wenn das Datenprobendelta die Deltatoleranz übersteigt, das Verfahren 600. Bei einem Block 614 enthält das Verfahren 600 ein Senden eines Regressionsalarms 402 (4A) von der Datenverarbeitungshardware 700 zu einer Anwendervorrichtung 110, die mit einem Anwender 10 assoziiert ist. Die Anwendervorrichtung 110 ist in Kommunikation mit der Datenverarbeitungshardware 700. Beispielsweise kann die Datenverarbeitungshardware 700 den Regressionsalarm 402 zur Anwendervorrichtung 110 über ein Netzwerk 130 senden. Die Anwendervorrichtung 110 ist konfiguriert, um den Anwender 10 über die Regression bezüglich einer Leistungsfähigkeit in Reaktion auf ein Empfangen des Regressionsalarms 402 zu benachrichtigen. Beispielsweise kann die Anwendervorrichtung 110 eine Regressionsbenachrichtigung 450 (4A) zur Anzeige auf einer graphischen Anwenderschnittstelle (GUI) 112 ausführen, die auf der Anwendervorrichtung 110 ausführt. Zusätzlich oder alternativ kann die Anwendervorrichtung 110 einen oder mehrere Lautsprecher 114 der Anwendervorrichtung 110 steuern, um ein Audiosignal 452 zu erzeugen, das mit dem Regressionsalarm 402 assoziiert ist.At a block 612 contains the procedure 600 determining the regression in terms of performance on the system 140 if the data sample delta exceeds the delta tolerance, the procedure 600 , At a block 614 contains the procedure 600 sending a regression alarm 402 ( 4A ) from the computing hardware 700 to a user device 110 that with a user 10 is associated. The user device 110 is in communication with the computing hardware 700 , For example, the data processing hardware 700 the regression alarm 402 to the user device 110 over a network 130 send. The user device 110 is configured to the user 10 on the regression of performance in response to receiving the regression alarm 402 to notify. For example, the user device 110 a regression notification 450 ( 4A ) for display on a graphical user interface (GUI) 112 execute on the user device 110 performs. Additionally or alternatively, the user device 110 one or more speakers 114 the user device 110 control to an audio signal 452 to generate that with the regression alarm 402 is associated.
  • Bei einigen Implementierungen enthält das Verfahren 600 ein Empfangen einer Toleranzkonfiguration 300 bei der Datenverarbeitungshardware 700 von der Anwendervorrichtung 110. Die Toleranzkonfiguration 300 kann einen Deltatoleranztyp 302 identifizieren und die anwenderdefinierten Toleranzbeschränkungen 304 für den identifizierten Toleranztyp enthalten. Das Verfahren 600 kann auch ein Bestimmen, durch die Datenverarbeitungshardware 700, der Deltatoleranz TMedian für den identifizierten Toleranztyp basierend auf den anwenderdefinierten Toleranzbeschränkungen 304 und dem Mittelwert/Medianwert der Datenproben 202 innerhalb des historischen Zeitfensters 210 enthalten. Der identifizierte Toleranztyp kann eine mittelwertbasierte Deltatoleranz TMean enthalten und die anwenderdefinierten Toleranzbeschränkungen 304 können wenigstens einen von einem konstanten Ausdruck CT, einem Mittelwertkoeffizienten CMean oder einem Standardabweichungskoeffizienten CStdDev enthalten. Darüber hinaus kann das Verfahren 600 ein Berechnen der mittelwertbasierten Deltatoleranz TMean unter Verwendung von GL. 2A enthalten. Der identifizierte Toleranztyp kann auch eine medianwertbasierte Deltatoleranz TMedian enthalten und die anwenderdefinierten Toleranzbeschränkungen 304 können wenigstens einen von einem konstanten Ausdruck CT, einem Medianwertkoeffizienten CMedian oder einem Koeffizienten für eine absolute Abweichung des Medianwerts CMAD enthalten. In solchen Fällen kann das Verfahren 600 ein Berechnen der medianwertbasierten Deltatoleranz TMedian unter Verwendung von GL. 2B enthalten. Die empfangene Toleranzkonfiguration 300 kann weiterhin eine gerichtete Verzerrung 306 für das Datenprobendelta einschließlich von einem von einer Verzerrung für ein Ignorieren einer Erhöhung oder von einer Verzerrung für ein Ignorieren einer Erniedrigung anzeigen.In some implementations, the method includes 600 receiving a tolerance configuration 300 in the data processing hardware 700 from the user device 110 , The tolerance configuration 300 can be a delta tolerance type 302 identify and the user-defined tolerance constraints 304 included for the identified tolerance type. The procedure 600 can also be determined by the computing hardware 700 , the delta tolerance T median for the identified tolerance type based on the user-defined tolerance constraints 304 and the mean / median of the data samples 202 within the historical time window 210 contain. The identified tolerance type may include a mean-based delta tolerance T Mean and the user-defined tolerance constraints 304 may include at least one of a constant term C T , an average coefficient C Mean, or a standard deviation coefficient C StdDev . In addition, the procedure can 600 calculating the mean-based delta tolerance T Mean using GL. 2A included. The identified tolerance type may also include a median-based delta tolerance T median and the user-defined tolerance constraints 304 may include at least one of a constant expression C T , a median coefficient C median, or a coefficient for an absolute deviation of the median C MAD . In such cases, the procedure can 600 calculating the median-based delta tolerance T median using GL. 2B included. The received tolerance configuration 300 may continue to be a directional distortion 306 for the data sample delta including one of a distortion for ignoring an increase or a distortion for ignoring a decrease.
  • Bei einigen Beispielen enthält das Verfahren 600 dann, wenn die gerichtete Verzerrung 306 für das Datenprobendelta die Verzerrung für ein Ignorieren einer Erhöhung enthält und wenn das Datenprobendelta die Deltatoleranz übersteigt, ein Bestimmen, durch die Datenverarbeitungshardware 700, ob das Datenprobendelta größer als Null oder kleiner als Null ist. Wenn das Datenprobendelta größer als Null ist, kann das Verfahren 600 ein Bestimmen, durch die Datenverarbeitungshardware 700, enthalten, das keine Regression bezüglich einer Leistungsfähigkeit existiert. Wenn das Datenprobendelta kleiner als Null ist, kann das Verfahren 600 ein Bestimmen der Regression bezüglich einer Leistungsfähigkeit und ein Senden des Regressionsalarms 402 von der Datenverarbeitungshardware 700 zur Anwendervorrichtung 110 enthalten.In some examples, the process includes 600 then, if the directional distortion 306 for the data sample delta, containing the distortion for ignoring an increase, and if the data sample delta exceeds the delta tolerance, determining, by the computing hardware 700 whether the data sample delta is greater than zero or less than zero. If the data sample delta is greater than zero, the procedure may be 600 determining, by the computing hardware 700 , that there is no regression in performance. If the data sample delta is less than zero, that can method 600 determining the regression in terms of performance and sending the regression alarm 402 from the computing hardware 700 to the user device 110 contain.
  • Wenn die gerichtete Verzerrung 306 für das Datenprobendelta die Verzerrung für ein Ignorieren einer Erniedrigung enthält und wenn das Datenprobendelta die Deltatoleranz übersteigt, kann das Verfahren 600 ein Bestimmen, durch die Datenverarbeitungshardware 700, enthalten, ob das Datenprobendelta größer als Null oder kleiner als Null ist. Wenn das Datenprobendelta größer als Null ist, kann das Verfahren 600 ein Bestimmen der Regression bezüglich einer Leistungsfähigkeit und ein Senden des Regressionsalarms 402 von der Datenverarbeitungshardware 700 zur Anwendervorrichtung 110 enthalten. Wenn das Datenprobendelta kleiner als Null ist, kann das Verfahren 600 ein Bestimmen, durch die Datenverarbeitungshardware 700, enthalten, dass keine Regression bezüglich einer Leistungsfähigkeit existiert. Jede empfangene Datenprobe 202 kann eine Zeitdauer für einen Dienst enthalten, der auf der Datenverarbeitungshardware 700 ausführt, um eine Datendatei 205, die eine spezifizierte Kapazität hat, aus einer Speicherhardware in Kommunikation mit der Datenverarbeitungshardware 700 auszulesen.If the directional distortion 306 for the data sample delta contains the distortion for ignoring a decrease, and if the data sample delta exceeds the delta tolerance, the method may 600 determining, by the computing hardware 700 , whether the data sample delta is greater than zero or less than zero. If the data sample delta is greater than zero, the procedure may be 600 determining the regression in terms of performance and sending the regression alarm 402 from the computing hardware 700 to the user device 110 contain. If the data sample delta is less than zero, the procedure may be 600 determining, by the computing hardware 700 , that there is no regression in terms of performance. Each received data sample 202 may include a period of time for a service based on the computing hardware 700 executes a data file 205 having a specified capacity from a storage hardware in communication with the data processing hardware 700 read.
  • Bei einigen Beispielen enthält das Verfahren 600 ein Empfangen, bei der Datenverarbeitungshardware 700, eines Updates für einen Dienst, der auf der Datenverarbeitungshardware 700 ausführt, von der Anwendervorrichtung 110 und ein Einstellen, durch die Datenverarbeitungshardware 700, der mittleren Zeit 206 zwischen der Startzeit 204 und der Endzeit 208 gleich einer Zeit von da an, wenn das Update für den Dienst von der Anwendervorrichtung 110 empfangen wurde. Die Anwendervorrichtung 110 kann in Reaktion auf ein Empfangen des Regressionsalarms 402 von der Datenverarbeitungshardware 700 konfiguriert sein, um eine Regressionsbenachrichtigung 450 zur Anzeige auf einer graphischen Anwenderschnittstelle 112 auszuführen, die auf der Anwendervorrichtung 110 ausführt. Die Regressionsbenachrichtigung 450 kann den Anwender 10, der mit der Anwendervorrichtung 110 assoziiert ist, über die Regression bezüglich der Leistungsfähigkeit benachrichtigen. Die Anwendervorrichtung 110 kann in Reaktion auf ein Empfangen des Regressionsalarms 402 von der Datenverarbeitungshardware 700 konfiguriert sein, um einen oder mehrere Lautsprecher 114 der Anwendervorrichtung 110 zu steuern, um ein Audiosignal 452 zu erzeugen, das mit dem Alarmsignal assoziiert ist, wobei das Audiosignal 452 den Anwender 10, der mit der Anwendervorrichtung 110 assoziiert ist, über die Regression bezüglich einer Leistungsfähigkeit benachrichtigt. Das historische Zeitfenster 210 und das letzte Zeitfenster 220 können unterschiedliche Zeiten enthalten und können im Wesentlichen von gleicher Größe sein.In some examples, the process includes 600 receiving, in the data processing hardware 700 , an update to a service based on the computing hardware 700 executed by the user device 110 and adjusting, by the computing hardware 700 , the middle time 206 between the start time 204 and the end times 208 equal to a time from then on, when the update for the service from the user device 110 was received. The user device 110 may be in response to receiving the regression alert 402 from the computing hardware 700 be configured to do a regression notification 450 for display on a graphical user interface 112 execute on the user device 110 performs. The regression notification 450 can the user 10 that with the user device 110 notify about the regression in terms of performance. The user device 110 may be in response to receiving the regression alert 402 from the computing hardware 700 be configured to one or more speakers 114 the user device 110 to steer to an audio signal 452 which is associated with the alarm signal, wherein the audio signal 452 the user 10 that with the user device 110 is notified about the regression in terms of performance. The historical time window 210 and the last time window 220 may contain different times and may be substantially the same size.
  • 7 ist eine schematische Ansicht eines Beispiels der Datenverarbeitungshardware (z.B. einer Computervorrichtung) 700, die verwendet werden kann, um die Systeme und Verfahren zu implementieren, die in diesem Dokument beschrieben sind. Es ist beabsichtigt, dass die Datenverarbeitungshardware 700 verschiedene Formen von digitalen Computern darstellt, wie beispielsweise Laptops, Desktops, Workstations, persönliche digitale Assistenten, Server, Bladeserver, Großrechner und andere geeignete Computer. Die hier gezeigten Komponenten, ihre Verbindungen und Beziehungen und ihre Funktionen haben die Bedeutung, dass sie nur beispielhaft sind, und haben nicht die Bedeutung, dass sie Implementierungen der Erfindungen beschränken, die in diesem Dokument beschrieben und/oder beansprucht sind. 7 Figure 4 is a schematic view of an example of the computing hardware (eg, a computing device) 700 that may be used to implement the systems and methods described in this document. It is intended that the computing hardware 700 represent various forms of digital computers, such as laptops, desktops, workstations, personal digital assistants, servers, blade servers, mainframes and other suitable computers. The components shown herein, their connections and relationships, and their functions are meant to be exemplary only, and are not intended to limit implementations of the inventions described and / or claimed in this document.
  • Die Datenverarbeitungshardware 700 enthält einen Prozessor 750, einen Speicher 720, eine Speichervorrichtung 730, eine Hochgeschwindigkeits-Schnittstelle/Steuerung 740, die mit dem Speicher 720 verbindet, und Hochgeschwindigkeits-Erweiterungsports 750, und eine Niedergeschwindigkeits-Schnittstelle/Steuerung 760, die mit einem Niedergeschwindigkeitsbus 770 und einer Speichervorrichtung 730 verbindet. Jede der Komponenten 710, 720, 730, 740, 750 und 760 ist unter Verwendung verschiedener Busse miteinander verbunden und kann auf einer gemeinsamen Hauptplatine oder auf andere Weisen, wie es geeignet ist, angebracht sein. Der Prozessor 710 kann Anweisungen zur Ausführung innerhalb der Computervorrichtung 700 verarbeiten, einschließlich Anweisungen, die im Speicher 720 oder auf der Speichervorrichtung 730 gespeichert sind, um graphische Information für eine GUI auf einer externen Eingabe/Ausgabe-Vorrichtung anzuzeigen, wie beispielsweise einer Anzeige 780, die mit einer Hochgeschwindigkeits-Schnittstelle 740 gekoppelt ist. Bei anderen Implementierungen können mehrere Prozessoren und/oder mehrere Busse verwendet werden, wie es geeignet ist, zusammen mit mehreren Speichern und Typen eines Speichers. Ebenso können mehrere Datenverarbeitungshardwarevorrichtungen 700 verbunden sein, wobei jede Vorrichtung Teilbereiche der nötigen Operationen zur Verfügung stellt (z.B. als eine Serverbank, eine Gruppe von Bladeservern oder ein Mehrprozessorsystem).The data processing hardware 700 contains a processor 750 , a store 720 , a storage device 730 , a high-speed interface / controller 740 that with the memory 720 connects, and high-speed expansion ports 750 , and a low-speed interface / controller 760 that with a low-speed bus 770 and a storage device 730 combines. Each of the components 710 . 720 . 730 . 740 . 750 and 760 is interconnected using various buses and may be mounted on a common motherboard or in other ways as appropriate. The processor 710 may be instructions for execution within the computing device 700 process, including instructions stored in memory 720 or on the storage device 730 are stored to display graphical information for a GUI on an external input / output device, such as a display 780 that with a high-speed interface 740 is coupled. In other implementations, multiple processors and / or multiple buses may be used, as appropriate, along with multiple memories and types of memory. Likewise, multiple data processing hardware devices may 700 Each device provides portions of the necessary operations (eg, as a server bank, a group of blade servers, or a multiprocessor system).
  • Der Speicher 720 (z.B. Speicherhardware) enthält Hardware, die Information nichtflüchtig innerhalb der Datenverarbeitungshardware 700 enthält. Der Speicher 720 kann ein computerlesbares Medium, eine flüchtige Speichereinheit (flüchtige Speichereinheiten) oder eine nichtflüchtige Speichereinheit (nichtflüchtige Speichereinheiten) sein. Der nichtflüchtige Speicher 720 kann physikalisehe Vorrichtungen sein, die verwendet werden, um Programme (z.B. Sequenzen von Anweisungen) oder Daten (z.B. Progammzustandsinformation) auf einer temporären oder permanenten Basis zur Verwendung durch die Datenverarbeitungshardware 700 zu speichern. Beispiele eines nichtflüchtigen Speichers enthalten, sind aber nicht darauf beschränkt, einen Flash-Speicher und einen Nurlese-(ROM)/einen programmierbaren Nurlesespeicher (PROM)/einen löschbaren, programmierbaren Nurlesespeicher (EPROM)/einen elektronisch löschbaren, programmierbaren Nurlesespeicher (EEPROM) (z.B. typischerweise für Firmware verwendet, wie beispielsweise als Boot-Programme), sowie Platten oder Bänder. Beispiele eines flüchtigen Speichers enthalten, sind aber nicht darauf beschränkt, einen Direktzugriffsspeicher (RAM), einen dynamischen Direktzugriffsspeicher (DRAM), einen statischen Direktzugriffsspeicher (SRAM), einen Phasenänderungsspeicher (PCM).The memory 720 (eg, storage hardware) contains hardware that stores information non-volatile within the computing hardware 700 contains. The memory 720 may be a computer-readable medium, a volatile memory unit (volatile memory units) or a non-volatile memory unit (non-volatile memory unit) Storage units). The non-volatile memory 720 may be physical devices used to program (eg, sequences of instructions) or data (eg, program state information) on a temporary or permanent basis for use by the computing hardware 700 save. Nonvolatile memory examples include, but are not limited to, a flash memory and Read Only (ROM) / Programmable Read Only Memory (PROM) / Erasable Programmable Read Only Memory (EPROM) / Electronic Erasable Programmable Read Only Memory (EEPROM) ( typically used for firmware, such as boot programs), as well as disks or tapes. Examples of volatile memory include, but are not limited to, Random Access Memory (RAM), Dynamic Random Access Memory (DRAM), Static Random Access Memory (SRAM), Phase Change Memory (PCM).
  • Die Speichervorrichtung 730 kann einen Massenspeicher für die Datenverarbeitungshardware 700 zur Verfügung stellt. Bei einigen Implementierungen ist die Speichervorrichtung 730 ein computerlesbares Medium. Bei verschiedenen anderen Implementierungen kann die Speichervorrichtung 730 eine Floppydiskvorrichtung, eine Festplattenvorrichtung, eine optische Plattenvorrichtung oder eine Bandvorrichtung, ein Flash-Speicher oder eine ähnliche Festkörperspeichervorrichtung oder eine Anordnung von Vorrichtungen sein, einschließlich Vorrichtungen in einem Speicherbereichsnetzwerk oder anderen Konfigurationen. Bei zusätzlichen Implementierungen ist ein Computerprogrammprodukt greifbar in einem Informationsträger verkörpert. Das Computerprogrammprodukt enthält Anweisungen, die dann, wenn sie ausgeführt werden, ein oder mehrere Verfahren durchführen, wie beispielsweise diejenigen, die oben beschrieben sind. Der Informationsträger ist ein computer- oder maschinenlesbares Medium, wie beispielsweise der Speicher 720, die Speichervorrichtung 730 oder ein Speicher auf dem Prozessor 710.The storage device 730 can be a mass storage for the data processing hardware 700 provides. In some implementations, the storage device is 730 a computer readable medium. In various other implementations, the memory device 730 a floppy disk device, hard disk device, optical disk device or tape device, flash memory or similar solid state storage device, or an array of devices, including devices in a storage area network or other configurations. In additional implementations, a computer program product is tangibly embodied in an information carrier. The computer program product includes instructions that, when executed, perform one or more methods, such as those described above. The information carrier is a computer- or machine-readable medium, such as the memory 720 , the storage device 730 or a memory on the processor 710 ,
  • Die Hochgeschwindigkeits-Steuerung 740 managt bandbreitenintensive Operationen für die Computervorrichtung 700, während die Niedergeschwindigkeits-Steuerung 760 Operationen mit weniger Bandbreitenintensität managt. Eine solche Zuteilung von Aufgaben ist nur beispielhaft. Bei einigen Implementierungen ist die Hochgeschwindigkeits-Steuerung 740 mit dem Speicher 720, der Anzeige 780 (z.B. durch einen Graphikprozessor oder einen Akzelerator) und mit den Hochgeschwindigkeits-Erweiterungsports 750 gekoppelt, die verschiedene Erweiterungskarten (nicht gezeigt) aufnehmen können. Bei einigen Implementierungen ist die Niedergeschwindigkeits-Steuerung 760 mit der Speichervorrichtung 730 und dem Niedergeschwindigkeits-Erweiterungsport 770 gekoppelt. Das Niedergeschwindigkeits-Erweiterungsport 770, das verschiedene Kommunikationsports (z.B. USB, Bluetooth, Ethernet, drahtloses Ethernet) enthalten kann, kann mit einer oder mehreren Eingabe/Ausgabe-Vorrichtungen gekoppelt sein, wie beispielsweise einer Tastatur, einer Zeigevorrichtung, einen Scanner oder einer Netzwerkvorrichtung, wie beispielsweise einer Leitungsvermittlungsstelle bzw. einem Switch oder einem Router, z.B. durch einen Netzwerkadapter.The high-speed control 740 manages bandwidth intensive operations for the computing device 700 while the low-speed control 760 Manage operations with less bandwidth intensity. Such an allocation of tasks is only an example. In some implementations, the high-speed control is 740 with the memory 720 , the ad 780 (eg by a graphics processor or an accelerator) and with the high-speed expansion ports 750 coupled, which can accommodate various expansion cards (not shown). In some implementations, the low-speed control is 760 with the storage device 730 and the low speed expansion port 770 coupled. The low-speed expansion port 770 , which may include various communication ports (eg, USB, Bluetooth, Ethernet, wireless Ethernet), may be coupled to one or more input / output devices, such as a keyboard, a pointing device, a scanner, or a network device, such as a circuit switch a switch or a router, eg through a network adapter.
  • Die Datenverarbeitungshardware 700 kann in einer Anzahl von unterschiedlichen Formen implementiert sein, wie es in der Figur gezeigt ist. Beispielsweise kann sie als ein standardmäßiger Server oder mehrere Male in einer Gruppe von solchen Servern, als ein Laptop-Computer oder als ein Teil eines Rackserversystems implementiert sein.The data processing hardware 700 can be implemented in a number of different forms, as shown in the figure. For example, it may be implemented as a standard server or multiple times in a group of such servers, as a laptop computer, or as part of a rack server system.
  • Bei einigen Implementierungen ist die Datenverarbeitungshardware 700, die den Fenster-Abweichungsanalysierer (WDA) 160 und den Dienst 170 implementiert, in Kommunikation mit Speicherhardware im Speicher 720 zum Implementieren eines Datenspeichers 150, der Datendateien 205 speichert. Der Prozessor 710 führt den WDA 160 und den Dienst 170 aus. Beispielsweise kann der Dienst 170 einen Leistungsfähigkeitstest an dem Datenspeicher 150 ausführen und kann der WDA 160 Proben von Daten 202 empfangen, die jeweils ein spezifiziertes Maß (z.B. eine Zeitdauer) enthalten, das mit dem Leistungsfähigkeitstest assoziiert ist, und einen Zeitstempel 203, der mit der entsprechenden Datenprobe 202 assoziiert ist. Der WDA 160 kann die Datenproben 202 in ein historisches Zeitfenster 210 und ein letztes Zeitfenster 220 basierend auf den Zeitstempeln 203 aufteilen und bestimmen, ob die Datenproben im letzten Zeitfenster 220 von den Datenproben 202 im historischen Zeitfenster 210 abweichen. Wenn die Größe einer Abweichung groß ist (z.B. größer als eine Deltatoleranz), dann kann der WDA 160 eine Regression bezüglich einer Leistungsfähigkeit bestimmen und einen Regressionsalarm 402 zu einer Anwendervorrichtung 110 in Kommunikation mit dem WDA 160 senden.In some implementations, the computing hardware is 700 Using the Window Variance Analyzer (WDA) 160 and the service 170 implemented in communication with storage hardware in memory 720 to implement a data store 150 , the data files 205 stores. The processor 710 leads the WDA 160 and the service 170 out. For example, the service may 170 a performance test on the data store 150 run and can the WDA 160 Samples of data 202 each containing a specified measure (eg, a period of time) associated with the performance test and a timestamp 203 that with the appropriate data sample 202 is associated. The WDA 160 can the data samples 202 in a historical time window 210 and a last time window 220 based on the timestamps 203 split and determine if the data samples in the last time window 220 from the data samples 202 in the historical time window 210 differ. If the size of a deviation is large (eg greater than a delta tolerance), then the WDA 160 determine a regression in terms of performance and a regression alarm 402 to a user device 110 in communication with the WDA 160 send.
  • Eine Softwareanwendung (d.h. eine Softwareressource 110s) kann sich auf Computersoftware beziehen, die veranlasst, dass eine Computervorrichtung eine Aufgabe durchführt. Bei einigen Beispielen kann auf eine Softwareanwendung als eine „Anwendung“, eine „App“ oder ein „Programm“ Bezug genommen werden. Beispielhafte Anwendungen enthalten, sind aber nicht darauf beschränkt, mobile Anwendungen, Systemdiagnoseanwendungen, Systemmanagementanwendungen, Systemwartungsanwendungen, Textverarbeitungsanwendungen, Tabellenkalkulationsanwendungen, Nachrichtenanwendungen, Medienstreaminganwendungen, Anwendungen für soziale Netzwerke und Spielanwendungen.A software application (ie a software resource 110s ) may refer to computer software that causes a computing device to perform a task. In some examples, a software application may be referred to as an "application,""app," or "program." Exemplary applications include, but are not limited to, mobile applications, system diagnostic applications, system management applications, system maintenance applications, Word processing applications, spreadsheet applications, news applications, media streaming applications, social networking applications, and game applications.
  • Die Speicherhardware 110hm kann physikalische Vorrichtungen sein, die verwendet werden, um Programme (z.B. Sequenzen von Anweisungen) oder Daten (z.B. Programmzustandsinformation) auf einer temporären oder permanenten Basis zur Verwendung durch eine Computervorrichtung 110hc zu speichern. Der nichtflüchtige Speicher 110hm kann ein flüchtiger und/oder nichtflüchtiger adressierbarer Halbleiterspeicher sein. Beispiele eines nichtflüchtigen Speichers enthalten, sind aber nicht darauf beschränkt, einen Flash-Speicher und einen Nurlesespeicher (ROM)/einen programmierbaren Nurlesespeicher (PROM)/einen löschbaren programmierbaren Nurlesespeicher (EPROM)/einen elektrisch löschbaren, programmierbaren Nurlesespeicher (EEPROM) (z.B. typischerweise für Firmware verwendet, wie beispielsweise als Boot-Programme). Beispiele eines flüchtigen Speichers enthalten, sind aber nicht darauf beschränkt, einen Direktzugriffsspeicher (RAM), einen dynamischen Direktzugriffsspeicher (DRAM), einen statischen Direktzugriffsspeicher (SRAM), einen Phasenänderungsspeicher (PCM), sowie Platten oder Bänder.The storage hardware 110hm may be physical devices used to store programs (e.g., sequences of instructions) or data (e.g., program state information) on a temporary or permanent basis for use by a computing device 110hc. The nonvolatile memory 110hm may be a volatile and / or nonvolatile semiconductor addressable memory. Examples of nonvolatile memory include, but are not limited to, flash memory and read only memory (ROM) / programmable read only memory (PROM) / erasable programmable read only memory (EPROM) / electrically erasable programmable read only memory (EEPROM) (eg, typically used for firmware, such as boot programs). Examples of volatile memory include, but are not limited to, Random Access Memory (RAM), Dynamic Random Access Memory (DRAM), Static Random Access Memory (SRAM), Phase Change Memory (PCM), and disks or tapes.
  • Verschiedene Implementierungen der hierin beschriebenen Systeme und Techniken können in einer digitalen elektronischen und/oder optischen Schaltung, einer integrierten Schaltung, speziell entwickelten ASICs (anwendungsspezifischen integrierten Schaltungen), Computerhardware, -firmare, -software und/oder Kombinationen davon realisiert werden. Diese verschiedenen Implementierungen können eine Implementierung in einem oder mehreren Computerprogrammen enthalten, die ausführbar und/oder interpretierbar sind auf einem programmierbaren System, das wenigstens einen programmierbaren Prozessor enthält, der speziell oder allgemein sein kann, gekoppelt, um Daten und Anweisungen von einem Speichersystem zu empfangen und diese zu diesem zu senden, wenigstens eine Eingabevorrichtung und wenigstens eine Ausgabevorrichtung.Various implementations of the systems and techniques described herein may be implemented in a digital electronic and / or optical circuit, an integrated circuit, specially designed ASICs (application specific integrated circuits), computer hardware, firmware, software, and / or combinations thereof. These various implementations may include implementation in one or more computer programs executable and / or interpretable on a programmable system including at least one programmable processor, which may be special or general, coupled to receive data and instructions from a memory system and to send them to, at least one input device and at least one output device.
  • Diese Computerprogramme (die auch als Programme, Software, Softwareanwendungen oder Code bekannt sind) enthalten Maschinenanweisungen für einen programmierbaren Prozessor und können in einer höheren verfahrens- und/oder objektorientierten Programmiersprache implementiert sein und/oder in Assembler/Maschinensprache. Wie sie hierin verwendet sind, beziehen sich die Ausdrücke „maschinenlesbares Medium“ und „computerlesbares Medium“ auf irgendein Computerprogrammprodukt, ein nichtflüchtiges computerlesbares Medium, ein Gerät und/oder eine Vorrichtung (z.B. magnetische Platten, optische Platten, einen Speicher, programmierbare Logikvorrichtungen (PLDs)), die verwendet werden, um Maschinenanweisungen und/oder Daten zu einem programmierbaren Prozessor zu liefern, einschließlich eines maschinenlesbaren Mediums, das Maschinenanweisungen als ein maschinenlesbares Signal empfängt. Der Ausdruck „maschinenlesbares Signal“ bezieht sich auf irgendein Signal, das verwendet wird, um Maschinenanweisungen und/oder Daten zu einem programmierbaren Prozessor zu liefern.These computer programs (also known as programs, software, software applications, or code) contain machine instructions for a programmable processor and may be implemented in a higher-level procedural and / or object-oriented programming language and / or in assembler / machine language. As used herein, the terms "machine-readable medium" and "computer-readable medium" refer to any computer program product, non-transitory computer-readable medium, device, and / or device (eg, magnetic disks, optical disks, memory, programmable logic devices (PLDs) )) that are used to provide machine instructions and / or data to a programmable processor, including a machine-readable medium that receives machine instructions as a machine-readable signal. The term "machine-readable signal" refers to any signal used to provide machine instructions and / or data to a programmable processor.
  • Die Prozesse und logischen Abläufe, die in dieser Beschreibung beschrieben sind, können durch einen oder mehrere programmierbare Prozessoren durchgeführt werden, der oder die ein oder mehrere Computerprogramme ausführt oder ausführen, um Funktionen durchzuführen, durch Arbeiten an eingegebenen Daten und Erzeugen einer Ausgabe. Die Prozesse und logischen Abläufe können auch durch eine spezielle Logikschaltung durchgeführt werden, z.B. ein FPGA (feldprogrammierbares Gate-Array) oder eine ASIC (anwendungsspezifische integrierte Schaltung). Prozessoren, die für die Ausführung eines Computerprogramms geeignet sind, enthalten, anhand eines Beispiels, sowohl allgemeine als auch spezielle Mikroprozessoren, und irgendeinen oder mehrere Prozessoren von irgendeiner Art von digitalem Computer. Allgemein wird ein Prozessor Anweisungen und Daten von einem Nurlesespeicher oder einem Direktzugriffsspeicher oder von beiden empfangen. Die wesentlichen Elemente eines Computers sind ein Prozessor zum Durchführen von Anweisungen und ein oder mehrere Speichervorrichtungen zum Speichern von Anweisungen und Daten. Allgemein wird ein Computer auch eine oder mehrere Massenspeichervorrichtungen zum Speichern von Daten enthalten oder operativ damit gekoppelt sein, um Daten von diesen zu empfangen oder Daten zu diesen zu transferieren, oder beides, wie z.B. magnetische, magnetooptische Platten oder optische Platten. Jedoch muss ein Computer solche Vorrichtungen nicht haben. Computerlesbare Medien, die zum Speichern von Computerprogrammanweisungen und Daten geeignet sind, enthalten alle Formen von nichtflüchtigem Speicher, Medien und Speichervorrichtungen, einschließlich, anhand eines Beispiels, Halbleiterspeichervorrichtungen, z.B. EPROM, EEPROM und Flash-Speichervorrichtungen; magnetischer Platten, z.B. interner Festplatten oder entfernbarer Platten; magnetooptischer Platten; und CD-ROM- und DVD-ROM-Scheiben. Der Prozessor und der Speicher können ergänzt sein durch oder enthalten sein in einer speziellen Logikschaltung.The processes and logical operations described in this specification may be performed by one or more programmable processors executing or executing one or more computer programs to perform functions by working on input data and generating an output. The processes and logical operations may also be performed by a special logic circuit, e.g. an FPGA (field programmable gate array) or an ASIC (application specific integrated circuit). Processors suitable for executing a computer program include, by way of example, both general and specific microprocessors, and any one or more processors of any type of digital computer. Generally, a processor will receive instructions and data from a read only memory or random access memory, or both. The essential elements of a computer are a processor for executing instructions and one or more memory devices for storing instructions and data. Generally, a computer will also include or be operably coupled to one or more mass storage devices for storing data for receiving data from or transferring data thereto, or both, e.g. magnetic, magneto-optical disks or optical disks. However, a computer does not have to have such devices. Computer-readable media suitable for storing computer program instructions and data include all forms of nonvolatile memory, media and memory devices including, by way of example, semiconductor memory devices, e.g. EPROM, EEPROM and flash memory devices; magnetic plates, e.g. internal hard disks or removable disks; magneto-optical disks; and CD-ROM and DVD-ROM discs. The processor and memory may be supplemented by or included in a special logic circuit.
  • Um für eine Interaktion mit einem Anwender zu sorgen, können ein oder mehrere Aspekte der Offenbarung auf einem Computer mit einer Anzeigevorrichtung implementiert sein, wie z.B. einem CRT-(Kathodenstrahlröhren-), LCD-(Flüssigkristallanzeige-)Monitor oder einem Berührungsbildschirm zum Anzeigen von Information zum Anwender und optional einer Tastatur und einer Zeigevorrichtung, z.B. einer Maus oder einem Trackball, wodurch der Anwender eine Eingabe zum Computer liefern kann. Andere Arten von Vorrichtungen können ebenso gut verwendet werden, um eine Interaktion mit einem Anwender zur Verfügung zu stellen; beispielsweise kann eine Rückkopplung, die zum Anwender geliefert wird, irgendeine Form von sensorischer Rückkopplung sein, wie z.B. eine visuelle Rückkopplung, eine Audio-Rückkopplung oder eine taktile Rückkopplung; und eine Eingabe vom Anwender kann in irgendeiner Form empfangen werden, einschließlich einer akustischen, einer sprachlichen oder einer taktilen Eingabe. Zusätzlich kann ein Computer mit einem Anwender durch Senden von Dokumenten zu und Empfangen von Dokumenten von einer Vorrichtung interagieren, die durch den Anwender verwendet wird; beispielsweise durch Senden von Web-Seiten zu einem Web-Browser auf einer Client-Vorrichtung eines Anwenders in Reaktion auf Anfragen, die vom Web-Browser empfangen werden.To provide for interaction with a user, one or more aspects of the disclosure may be implemented on a computer with a display device, such as a display device. a CRT (cathode ray tube), LCD (liquid crystal display) monitor or touch screen for displaying information to the user and optionally a keyboard and a pointing device, e.g. a mouse or trackball, allowing the user to provide input to the computer. Other types of devices may equally well be used to provide interaction with a user; For example, feedback provided to the user may be some form of sensory feedback, such as e.g. visual feedback, audio feedback, or tactile feedback; and an input from the user may be received in any form, including audible, verbal or tactile input. In addition, a computer may interact with a user by sending documents to and receiving documents from a device used by the user; for example, by sending web pages to a web browser on a client device of a user in response to requests received from the web browser.
  • Ein Verfahren 600 enthält ein Empfangen von Proben von Daten 202 über einen Zeitbereich von einer Startzeit 204 zu einer Endzeit 208, ein Bestimmen eines Mittelwerts/Medianwerts der Datenproben innerhalb eines historischen Zeitfensters 210 und ein Bestimmen eines Mittelwerts/Medianwerts der Datenproben innerhalb eines letzten Zeitfensters 220. Das Verfahren enthält auch ein Bestimmen eines Datenprobendeltas basierend auf einer Differenz zwischen dem Mittelwert/Medianwert der Datenproben innerhalb des letzten Zeitfensters und dem Mittelwert/Medianwert der Datenproben innerhalb des historischen Zeitfensters. Das Verfahren enthält auch ein Bestimmen, ob das Datenprobendelta eine Deltatoleranz übersteigt, und wenn das Datenprobendelta die Deltatoleranz übersteigt, ein Bestimmen einer Regression bezüglich einer Leistungsfähigkeit. Das Verfahren enthält auch ein Senden eines Regressionsalarms 402 zu einer Anwendervorrichtung 110. Die Anwendervorrichtung ist konfiguriert, um einen Anwender 10, der mit der Anwendervorrichtung assoziiert ist, über die Regression bezüglich einer Leistungsfähigkeit zu benachrichtigen.A procedure 600 contains receiving samples of data 202 over a time range from a start time 204 at an end time 208 determining an average / median value of the data samples within a historical time window 210 and determining an average / median value of the data samples within a last time window 220 , The method also includes determining a data sample delta based on a difference between the mean / median value of the data samples within the last time window and the mean / median value of the data samples within the historical time window. The method also includes determining if the data sample delta exceeds a delta tolerance, and if the data sample delta exceeds the delta tolerance, determining a regression in terms of performance. The method also includes sending a regression alarm 402 to a user device 110 , The user device is configured to be a user 10 that is associated with the user device to notify about the regression in terms of performance.
  • Eine Anzahl von Implementierungen ist beschrieben worden. Nichtsdestoweniger wird es verstanden werden, dass verschiedene Modifikationen durchgeführt werden können, ohne vom Sinngehalt und Schutzumfang der Offenbarung abzuweichen. Demgemäß sind andere Implementierungen innerhalb des Schutzumfangs der folgenden Ansprüche.A number of implementations have been described. Nevertheless, it will be understood that various modifications can be made without departing from the spirit and scope of the disclosure. Accordingly, other implementations are within the scope of the following claims.

Claims (15)

  1. System (100), umfassend: Datenverarbeitungshardware (700) eines verteilten Systems (140); Speicherhardware (720) in Kommunikation mit der Datenverarbeitungshardware (700), wobei die Speicherhardware (720) Anweisungen speichert, die dann, wenn sie auf der Datenverarbeitungshardware (700) ausgeführt werden, veranlassen, dass die Datenverarbeitungshardware (700) Operationen durchführt, die umfassen: Empfangen von Proben von Daten über einem Zeitbereich von einer Startzeit (204) zu einer Endzeit (208); Bestimmen eines Mittelwerts/Medianwerts der Datenproben (202) innerhalb eines historischen Zeitfensters (210), das sich von der Startzeit (204) zu einer mittleren Zeit (206) zwischen der Startzeit (204) und der Endzeit (208) erstreckt; Bestimmen eines Mittelwerts/Medianwerts der Datenproben (202) innerhalb eines letzten Zeitfensters (220), das sich von der mittleren Zeit (206) zur Endzeit (208) erstreckt; Bestimmen eines Datenprobendeltas basierend auf einer Differenz zwischen dem Mittelwert/Medianwert der Datenproben (202) innerhalb des letzten Zeitfensters (220) und dem Mittelwert/Medianwert der Datenproben (202) innerhalb des historischen Zeitfensters (210); Bestimmen, ob das Datenprobendelta eine Deltatoleranz übersteigt; und wenn das Datenprobendelta die Deltatoleranz übersteigt: Bestimmen einer Regression bezüglich einer Leistungsfähigkeit; und Senden eines Regressionsalarms (402) zu einer Anwendervorrichtung (110) in Kommunikation mit der Datenverarbeitungshardware (700), wobei die Anwendervorrichtung (110) konfiguriert ist, um einen Anwender (10), der mit der Anwendervorrichtung (110) assoziiert ist, über die Regression bezüglich einer Leistungsfähigkeit in Reaktion auf ein Empfangen des Regressionsalarms (402) zu benachrichtigen.System (100) comprising: Data processing hardware (700) of a distributed system (140); Storage hardware (720) in communication with the computing hardware (700), wherein the storage hardware (720) stores instructions that, when executed on the computing hardware (700), cause the computing hardware (700) to perform operations including: Receiving samples of data over a time range from a start time (204) to an end time (208); Determining an average / median value of the data samples (202) within a historical time window (210) extending from the start time (204) to a middle time (206) between the start time (204) and the end time (208); Determining an average / median value of the data samples (202) within a last time window (220) extending from the middle time (206) to the end time (208); Determining a data sample delta based on a difference between the average / median value of the data samples (202) within the last time window (220) and the mean / median value of the data samples (202) within the historical time window (210); Determining if the data sample delta exceeds a delta tolerance; and if the data sample delta exceeds the delta tolerance: Determining a regression in terms of performance; and Sending a regression alert (402) to a user device (110) in communication with the data processing hardware (700), the user device (110) configured to prompt a user (10) associated with the user device (110) via the regression regarding performance in response to receiving the regression alarm (402).
  2. System (100) nach Anspruch 1, wobei die Operationen weiterhin umfassen: Empfangen einer Toleranzkonfiguration (300) von der Anwendervorrichtung (110), wobei die Toleranzkonfiguration (300) einen Deltatoleranztyp (302) identifiziert und die anwenderdefinierten Toleranzbeschränkungen (304) für den identifizierten Toleranztyp (302) enthält; und Bestimmen einer Deltatoleranz für den identifizierten Toleranztyp (302) basierend auf den anwenderdefinierten Toleranzbeschränkungen (304) und dem Mittelwert/Medianwert der Datenproben (202) innerhalb des historischen Zeitfensters (210).System (100) after Claim 1 wherein the operations further comprise: receiving a tolerance configuration (300) from the user device (110), the tolerance configuration (300) identifying a delta tolerance type (302) and including the user defined tolerance limits (304) for the identified tolerance type (302); and determining a delta tolerance for the identified tolerance type (302) based on the user defined tolerance limits (304) and the mean / median value of the data samples (202) within the historical time window (210).
  3. System (100) nach Anspruch 2, wobei der identifizierte Toleranztyp (302) eine mittelwertbasierte Toleranz umfasst und die anwenderdefinierten Toleranzbeschränkungen (304) wenigstens eines von einem konstanten Ausdruck, einem Mittelwertkoeffizienten oder einem Standardabweichungskoeffizienten umfassen. System (100) after Claim 2 wherein the identified tolerance type (302) comprises a mean-based tolerance and the user-defined tolerance limits (304) include at least one of a constant term, a mean coefficient, or a standard deviation coefficient.
  4. System (100) nach Anspruch 3, wobei die mittelwertbasierte Deltatoleranz wie folgt berechnet wird: T M e a n = C T + ( C M e a n × H M e a n ) + ( C S t d D e v × H S t d D e v ) ,
    Figure DE202017105807U1_0005
    wobei TMEAN die mittelwertbasierte Deltatoleranz ist, CT der konstante Ausdruck ist, CMean der Mittelwertkoeffizient ist, HMean ein Mittelwert der historischen Datenproben (202) ist, CStdDev ein Standardabweichungskoeffizient ist und HStdDev eine Standardabweichung der historischen Datenproben (202) ist.
    System (100) after Claim 3 , where the mean-based delta tolerance is calculated as follows: T M e a n = C T + ( C M e a n × H M e a n ) + ( C S t d D e v × H S t d D e v ) .
    Figure DE202017105807U1_0005
    where T MEAN is the mean-based delta tolerance, C T is the constant expression, C Mean is the mean coefficient, H Mean is an average of the historical data samples (202), C StdDev is a standard deviation coefficient , and H StdDev is a standard deviation of the historical data samples (202) ,
  5. System (100) nach Anspruch 2, wobei die identifizierte Toleranztyp (302) eine medianwertbasierte Deltatoleranz umfasst und die anwenderdefinierten Toleranzbeschränkungen (304) wenigstens eines von einem konstanten Ausdruck, einem Medianwertkoeffizienten oder einem Koeffizienten für eine absolute Abweichung des Medianwerts umfassen.System (100) after Claim 2 wherein the identified tolerance type (302) comprises a median-based delta tolerance, and the user-defined tolerance constraints (304) include at least one of a constant expression, a median coefficient, or a median absolute deviation coefficient.
  6. System (100) nach Anspruch 5, wobei die medianwertbasierte Deltatoleranz wie folgt berechnet wird: T M e a n = C T + ( C M e d i a n × H M e d i a n ) + ( C M A D × H M A D ) ,
    Figure DE202017105807U1_0006
    wobei TMedian die Medianwertbasierte Deltatoleranz ist, CT der konstante Ausdruck ist, CMedian der Medianwertkoeffizient ist, HMedian ein Medianwert der historischen Datenproben (202) ist, CMAD der Koeffizient für eine absolute Abweichung des Medianwerts ist und HMAD eine absolute Abweichung des Medianwerts der historischen Datenproben (202) ist.
    System (100) after Claim 5 , where the median-based delta tolerance is calculated as follows: T M e a n = C T + ( C M e d i a n × H M e d i a n ) + ( C M A D × H M A D ) .
    Figure DE202017105807U1_0006
    where T median is the median-based delta tolerance, C T is the constant expression, C median is the median coefficient, H median is a median of the historical data samples (202), C MAD is the coefficient for an absolute deviation of the median, and H MAD is an absolute deviation of the median value of the historical data samples (202).
  7. System (100) nach Anspruch 2, wobei die empfangene Toleranzkonfiguration (300) weiterhin eine gerichtete Verzerrung (306) für das Datenprobendelta anzeigt, das eines von einer Verzerrung für ein Ignorieren einer Erhöhung oder von einer Verzerrung für ein Ignorieren einer Erniedrigung umfasst.System (100) after Claim 2 wherein the received tolerance configuration (300) further indicates a directional bias (306) for the data sample delta comprising one of a distortion for ignoring an increase or a distortion for ignoring a decrease.
  8. System (100) nach Anspruch 7, wobei die Operationen, wenn die gerichtete Verzerrung (306) für das Datenprobendelta die Verzerrung für ein Ignorieren einer Erhöhung umfasst und wenn das Datenprobendelta die Deltatoleranz übersteigt, weiterhin umfassen: Bestimmen, ob das Datenprobendelta größer als Null oder kleiner als Null ist; wenn das Datenprobendelta größer als Null ist, Bestimmen, dass keine Regression bezüglich einer Leistungsfähigkeit existiert; und wenn das Datenprobendelta kleiner als Null ist: Bestimmen der Regression bezüglich einer Leistungsfähigkeit; und Senden des Regressionsalarms (402) von der Datenverarbeitungshardware (700) zur Anwendervorrichtung (110).System (100) after Claim 7 wherein when the directional bias (306) for the data sample delta includes the distortion for ignoring an increase and when the data sample delta exceeds the delta tolerance, the operations further comprise: determining whether the data sample delta is greater than zero or less than zero; if the data sample delta is greater than zero, determining that no regression exists with respect to performance; and if the data sample delta is less than zero: determining the regression in terms of performance; and sending the regression alert (402) from the computing hardware (700) to the user device (110).
  9. System (100) nach Anspruch 7, das, wenn die gerichtete Verzerrung (306) für das Datenprobendelta die Verzerrung für ein Ignorieren einer Erniedrigung umfasst und wenn das Datenprobendelta die Deltatoleranz übersteigt, weiterhin umfasst: Bestimmen, ob das Datenprobendelta größer als Null oder kleiner als Null ist; wenn das Datenprobendelta größer als Null ist: Bestimmen der Regression bezüglich einer Leistungsfähigkeit; und Senden des Regressionsalarms (402) von der Datenverarbeitungshardware (700) zur Anwendervorrichtung (110); und wenn das Datenprobendelta kleiner als Null ist, Bestimmen, dass keine Regression bezüglich einer Leistungsfähigkeit existiert.System (100) after Claim 7 which, when the directional bias (306) for the data sample delta includes the distortion for ignoring a decrease, and when the data sample delta exceeds the delta tolerance further comprises: determining whether the data sample delta is greater than zero or less than zero; if the data sample delta is greater than zero: determining the regression in terms of performance; and sending the regression alert (402) from the computing hardware (700) to the user device (110); and if the data sample delta is less than zero, determining that there is no regression in performance.
  10. System (100) nach einem der Ansprüche 1-9, wobei jede empfangene Datenprobe (202) eine Zeitdauer für einen Dienst (170) umfasst, der auf der Datenverarbeitungshardware (700) ausführt, um eine Datendatei (205), die eine spezifizierte Kapazität hat, aus Speicherhardware (720) in Kommunikation mit der Datenverarbeitungshardware (700) auszulesen.System (100) according to one of Claims 1 - 9 wherein each received data sample (202) comprises a period of time for a service (170) executing on the computing hardware (700) to obtain a data file (205) having a specified capacity from storage hardware (720) in communication with the computing hardware (700).
  11. System (100) nach einem der Ansprüche 1-10, wobei die Operationen weiterhin umfassen: Empfangen eines Updates für einen Dienst (170), der auf der Datenverarbeitungshardware (700) ausführt, von der Anwendervorrichtung (110); und Einstellen der mittleren Zeit (206) zwischen der Startzeit (204) und der Endzeit (208) gleich einer Zeit von da an, wenn das Update für den Dienst (170) von der Anwendervorrichtung (110) empfangen wurde.System (100) according to one of Claims 1 - 10 wherein the operations further include: Receiving an update to a service (170) running on the computing hardware (700) from the user device (110); and setting the average time (206) between the start time (204) and the end time (208) equal to a time from when the update for the service (170) was received from the user device (110).
  12. System (100) nach einem der Ansprüche 1-11, wobei die Anwendervorrichtung (110) in Reaktion auf ein Empfangen des Regressionsalarms (402) von der Datenverarbeitungshardware (700) konfiguriert ist, um eine Regressionsbenachrichtigung (450) zur Anzeige auf einer graphischen Anwenderschnittstelle (112) auszuführen, die auf der Anwendervorrichtung (110) ausführt, wobei die Regressionsbenachrichtigung (450) den Anwender (10), der mit der Anwendervorrichtung (110) assoziiert ist, über die Regression bezüglich einer Leistungsfähigkeit benachrichtigt.System (100) according to one of Claims 1 - 11 wherein the user device (110) is configured in response to receiving the regression alarm (402) from the computing hardware (700) to execute a regression notification (450) for display on a graphical user interface (112) that is stored on the user device (110). wherein the regression notification (450) notifies the user (10) associated with the user device (110) of the performance regression.
  13. System (100) nach einem der Ansprüche 1-12, wobei die Anwendervorrichtung (110) in Reaktion auf ein Empfangen des Regressionsalarms (402) von der Datenverarbeitungshardware (700) konfiguriert ist, um einen oder mehrere Lautsprecher (114) der Anwendervorrichtung (110) zu steuern, um ein Audiosignal (452) zu erzeugen, das mit dem Regressionsalarm (402) assoziiert ist, wobei das Audiosignal (452) den Anwender (10), der mit der Anwendervorrichtung (110) assoziiert ist, über die Regression bezüglich einer Leistungsfähigkeit benachrichtigt.System (100) according to one of Claims 1 - 12 wherein the user device (110) is configured in response to receiving the regression alarm (402) from the computing hardware (700) to control one or more speakers (114) of the user device (110) to generate an audio signal (452) associated with the regression alarm (402), wherein the audio signal (452) notifies the user (10) associated with the user device (110) of the performance regression.
  14. System (100) nach einem der Ansprüche 1-13 wobei das historische Zeitfenster (210) und das letzte Zeitfenster (220) unterschiedliche Größen umfassen.System (100) according to one of Claims 1 - 13 wherein the historical time window (210) and the last time window (220) comprise different sizes.
  15. System (100) nach einem der Ansprüche 1-14 wobei das historische Zeitfenster (210) und das letzte Zeitfenster (220) im Wesentlichen dieselbe Größe umfassen.System (100) according to one of Claims 1 - 14 wherein the historical time window (210) and the last time window (220) are substantially the same size.
DE202017105807.7U 2016-11-28 2017-09-25 Window Abweichungsanalysierer Active DE202017105807U1 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US15/361,565 US10157116B2 (en) 2016-11-28 2016-11-28 Window deviation analyzer
US15/361,565 2016-11-28

Publications (1)

Publication Number Publication Date
DE202017105807U1 true DE202017105807U1 (de) 2018-03-06

Family

ID=60022185

Family Applications (1)

Application Number Title Priority Date Filing Date
DE202017105807.7U Active DE202017105807U1 (de) 2016-11-28 2017-09-25 Window Abweichungsanalysierer

Country Status (4)

Country Link
US (1) US10157116B2 (de)
CN (1) CN108121643A (de)
DE (1) DE202017105807U1 (de)
WO (1) WO2018097877A1 (de)

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7437446B2 (en) 2002-09-30 2008-10-14 Electronic Data Systems Corporation Reporting of abnormal computer resource utilization data
US20060130044A1 (en) 2004-12-01 2006-06-15 Alberto Avritzer System and method for triggering software rejuvenation using a customer affecting performance metric
US7577875B2 (en) 2005-09-14 2009-08-18 Microsoft Corporation Statistical analysis of sampled profile data in the identification of significant software test performance regressions
US7620523B2 (en) * 2007-04-30 2009-11-17 Integrien Corporation Nonparametric method for determination of anomalous event states in complex systems exhibiting non-stationarity
US7506312B1 (en) * 2008-01-31 2009-03-17 International Business Machines Corporation Method and system for automatically determining risk areas to retest
US20090217282A1 (en) 2008-02-26 2009-08-27 Vikram Rai Predicting cpu availability for short to medium time frames on time shared systems
CA2760050A1 (en) * 2008-05-13 2009-11-19 Thomas Jefferson University Guanylyl cyclase c qrt-pcr
US8682631B2 (en) * 2009-09-03 2014-03-25 Henry Chung-herng Chang Specifications-driven platform for analog, mixed-signal, and radio frequency verification
US9176759B1 (en) 2011-03-16 2015-11-03 Google Inc. Monitoring and automatically managing applications
US10554077B2 (en) * 2011-12-13 2020-02-04 Schneider Electric USA, Inc. Automated monitoring for changes in energy consumption patterns
JP5848597B2 (ja) 2011-12-21 2016-01-27 インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation Cmdbを利用したソフトウェア構成値の最適化方法、装置、システムおよびプログラム
US20140325480A1 (en) * 2013-04-29 2014-10-30 SuccessFactors Software Regression Testing That Considers Historical Pass/Fail Events
US9400732B2 (en) 2014-05-20 2016-07-26 Red Hat Israel, Ltd. Performance regression testing in presence of noise
US9645916B2 (en) 2014-05-30 2017-05-09 Apple Inc. Performance testing for blocks of code
US9613197B2 (en) * 2014-11-10 2017-04-04 Wipro Limited Biometric user authentication system and a method therefor

Also Published As

Publication number Publication date
CN108121643A (zh) 2018-06-05
US20180150373A1 (en) 2018-05-31
WO2018097877A1 (en) 2018-05-31
US10157116B2 (en) 2018-12-18

Similar Documents

Publication Publication Date Title
US9882793B2 (en) Active waterfall charts for continuous, real-time visualization of website performance data
US10298477B2 (en) Flexible and safe monitoring of computers
Floratou et al. Dhalion: self-regulating stream processing in heron
US9323652B2 (en) Iterative bottleneck detector for executing applications
Krätschmer et al. Comparative and qualitative robustness for law-invariant risk measures
US20150234816A1 (en) Method, system, and computer program for monitoring performance of applications in a distributed environment
US20150309908A1 (en) Generating an interactive visualization of metrics collected for functional entities
US8719796B2 (en) Parametric trace slicing
US9264443B2 (en) Browser based method of assessing web application vulnerability
US9372688B1 (en) Automatic discovery of a JavaScript API
US6901442B1 (en) Methods, system and computer program products for dynamic filtering of network performance test results
US7568023B2 (en) Method, system, and data structure for monitoring transaction performance in a managed computer network environment
DE60010906T2 (de) METHOD FOR TESTING WEB BASED SOFTWARE OBJECTS
EP2590081A2 (de) Verfahren, Computerprogramm und Informationsverarbeitungsvorrichtung zur Analyse der Leistung eines Computersystems
US8195931B1 (en) Application change control
US7689628B2 (en) Monitoring several distributed resource elements as a resource pool
DE202015009779U1 (de) Implementation of semi-structured data as a first class database element
US7412349B2 (en) Interface for series of tests
US9170860B2 (en) Parallel incident processing
US8676818B2 (en) Dynamic storage and retrieval of process graphs representative of business processes and extraction of formal process models therefrom
US20140033176A1 (en) Methods for predicting one or more defects in a computer program and devices thereof
US7703019B2 (en) Visual administrator for specifying service references to support a service
DE69813123T2 (de) Monitoring the coherence of financial information on a communication network
US8842119B2 (en) Displaying system performance information
US8261278B2 (en) Automatic baselining of resource consumption for transactions

Legal Events

Date Code Title Description
R082 Change of representative

Representative=s name: BETTEN & RESCH PATENT- UND RECHTSANWAELTE PART, DE

R207 Utility model specification
R150 Utility model maintained after payment of first maintenance fee after three years