WO2020211359A1 - 系统性能瓶颈定位方法及系统 - Google Patents

系统性能瓶颈定位方法及系统 Download PDF

Info

Publication number
WO2020211359A1
WO2020211359A1 PCT/CN2019/118050 CN2019118050W WO2020211359A1 WO 2020211359 A1 WO2020211359 A1 WO 2020211359A1 CN 2019118050 W CN2019118050 W CN 2019118050W WO 2020211359 A1 WO2020211359 A1 WO 2020211359A1
Authority
WO
WIPO (PCT)
Prior art keywords
target
code segment
performance bottleneck
system performance
resource scheduling
Prior art date
Application number
PCT/CN2019/118050
Other languages
English (en)
French (fr)
Inventor
陈珍妮
Original Assignee
平安科技（深圳）有限公司
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
Application filed by 平安科技（深圳）有限公司 filed Critical 平安科技（深圳）有限公司
Publication of WO2020211359A1 publication Critical patent/WO2020211359A1/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3051—Monitoring 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3466—Performance evaluation by tracing or monitoring
    • G06F11/3476—Data logging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/10—File systems; File servers
    • G06F16/18—File system types
    • G06F16/1805—Append-only file systems, e.g. using logs or journals to store data
    • G06F16/1815—Journaling file systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Definitions

  • This application relates to the field of data modeling technology, and in particular to a method and system for locating system performance bottlenecks.
  • the system When the system responds to the user's operation on the system, it will generate a corresponding log file in the relevant server, where the log file includes at least system performance information such as system response time, system response service type, and system throughput.
  • system performance information such as system response time, system response service type, and system throughput.
  • system maintenance personnel need to obtain these system performance information to monitor system performance, they can query and obtain it in the log file of the server.
  • the present application provides a method and system for positioning system performance bottlenecks.
  • a method for locating a system performance bottleneck comprising: obtaining system performance indicators and user operation data of a target system in a log file of a server, where the user operation data is that the user is in the target system The data generated by the above operations; input the system performance indicators and the user operation data into the target machine learning model, and obtain the user operation module corresponding to the system performance bottleneck output by the target machine learning model, where the system performance bottleneck is Describe the performance bottleneck of the target system; Locate the target code segment that matches the user operation module in the system code corresponding to the target system.
  • a system performance bottleneck locating system the system includes: a first obtaining unit configured to obtain system performance indicators and user operation data of a target system in a log file of a server, the user operation The data is data generated by a user operating on the target system; the second acquiring unit is configured to input the system performance index and the user operation data into a target machine learning model, and obtain the output of the target machine learning model A user operation module corresponding to a system performance bottleneck, where the system performance bottleneck is a performance bottleneck of the target system; a positioning unit configured to locate the target code that matches the user operation module in the system code corresponding to the target system segment.
  • an electronic device includes: a processor; a memory, where computer-readable instructions are stored in the memory, and when the computer-readable instructions are executed by the processor, the implementation is as follows The method described earlier.
  • a computer non-volatile readable storage medium stores a computer program, and the computer program enables a computer to execute the method as described above.
  • the method for locating system performance bottlenecks includes the following steps: obtaining system performance indicators and user operation data of the target system in a log file of the server, and the user operation data is data generated by the user operating on the target system; Input system performance indicators and user operation data into the target machine learning model, and obtain the user operation module corresponding to the system performance bottleneck output by the target machine learning model.
  • the system performance bottleneck is the performance bottleneck of the target system; locate the user in the system code corresponding to the target system The target code segment that matches the operation module.
  • the system performance indicators and user operation data are input into the target machine learning model, and the user operation module corresponding to the system performance bottleneck output by the target machine learning model is obtained, and the system corresponding to the target system Locate the target code segment that matches the user operation module in the code.
  • This process automatically locates the target code segment that matches the system performance bottleneck in the system code corresponding to the target system.
  • Using the target machine learning model to locate improves the efficiency and accuracy of system performance bottleneck locating, and facilitates subsequent resolution of system performance Bottleneck, improve the reliability of system operation.
  • FIG. 1 is a schematic diagram showing a device for operating a system performance bottleneck locating system according to an exemplary embodiment
  • FIG. 2 is a flow chart showing a method for locating a system performance bottleneck according to an exemplary embodiment
  • FIG. 3 is a flowchart of another method for locating system performance bottlenecks according to an exemplary embodiment
  • FIG. 4 is a block diagram of a system for locating system performance bottlenecks according to an exemplary embodiment
  • FIG. 5 is a block diagram showing another system performance bottleneck locating system according to an exemplary embodiment.
  • the implementation environment of this application may be a portable mobile device, such as a smart phone, a tablet computer, or a desktop computer
  • FIG. 1 is a schematic diagram of an apparatus for locating a system performance bottleneck of an operating system according to an exemplary embodiment.
  • the apparatus 100 may be the aforementioned portable mobile device.
  • the device 100 may include one or more of the following components: a processing component 102, a memory 104, a power supply component 106, a multimedia component 108, an audio component 110, a sensor component 114, and a communication component 116.
  • the processing component 102 generally controls the overall operations of the device 100, such as operations associated with display, telephone calls, data communications, camera operations, and recording operations.
  • the processing component 102 may include one or more processors 118 to execute instructions to complete all or part of the steps of the following method.
  • the processing component 102 may include one or more modules for It is convenient to process the interaction between the component 102 and other components.
  • the processing component 102 may include a multimedia module to facilitate the interaction between the multimedia component 108 and the processing component 102.
  • the memory 104 is configured to store various types of data to support the operation of the device 100. Examples of these data include instructions for any application or method operating on the device 100.
  • the memory 104 may be implemented by any type of volatile or non-volatile storage device or a combination thereof, such as static random access memory (Static Random Access Memory, referred to as SRAM), electrically erasable programmable read-only memory (Electrically erasable programmable read-only memory). Erasable Programmable Read-Only Memory, EEPROM for short)
  • Erasable Programmable Read Only Memory Erasable Programmable Read Only Memory
  • One or more modules are also stored in the memory 104, and the one or more modules are configured to be executed by the one or more processors 118 to complete all or part of the steps in the method shown below.
  • the power supply component 106 provides power to various components of the device 100.
  • the power supply component 106 may include a power management system, one or more power supplies, and other components associated with the generation, management, and distribution of power for the device 100.
  • the multimedia component 108 includes a screen that provides an output interface between the device 100 and the user.
  • the screen may include a liquid crystal display (Liquid Crystal Display, LCD for short) and a touch panel. If the screen includes a touch panel, the screen may be implemented as a touch screen to receive input signals from the user.
  • the touch panel includes one or more touch sensors to sense touch, sliding, and gestures on the touch panel. The touch sensor may not only sense the boundary of the touch or slide action, but also detect the duration and pressure related to the touch or slide operation.
  • the screen may also include an Organic Light Emitting Display (OLED for short).
  • OLED Organic Light Emitting Display
  • the audio component 110 is configured to output and/or input audio signals.
  • the audio component 110 includes a microphone (Microphone, MIC for short), and when the device 100 is in an operation mode, such as a call mode, a recording mode, and a voice recognition mode, the microphone is configured to receive an external audio signal.
  • the received audio signal can be further stored in the memory 104 or sent via the communication component 116.
  • the audio component 110 further includes a speaker for outputting audio signals.
  • the sensor component 114 includes one or more sensors for providing the device 100 with various aspects of state evaluation.
  • the sensor component 114 can detect the open/close state of the device 100 and the relative positioning of components, and the sensor component 114 can also detect the position change of the device 100 or one component of the device 100 and the temperature change of the device 100.
  • the sensor component 114 may also include a magnetic sensor, a pressure sensor or a temperature sensor.
  • the communication component 116 is configured to facilitate wired or wireless communication between the apparatus 100 and other devices.
  • the device 100 can access a wireless network based on a communication standard, such as WiFi (Wireless-Fidelity, wireless fidelity).
  • the communication component 116 receives a broadcast signal or broadcast related information from an external broadcast management system via a broadcast channel.
  • the communication component 116 further includes a near field communication (Near Field Communication, NFC for short) module for facilitating short-range communication.
  • the NFC module can be based on radio frequency identification (Radio Frequency
  • RFID Infrared Data Association
  • IrDA Infrared Data Association
  • UWB Ultra-wideband
  • Bluetooth Bluetooth technology
  • the apparatus 100 may be implemented by one or more application specific integrated circuits (Application Specific Integrated Circuit, ASIC for short), digital signal processor, digital signal processing equipment, programmable logic device, field programmable A gate array, a controller, a microcontroller, a microprocessor, or other electronic components are implemented to implement the following methods.
  • ASIC Application Specific Integrated Circuit
  • FIG. 2 is a flow chart showing a method for locating a system performance bottleneck according to an exemplary embodiment. As shown in Figure 2, this method includes the following steps:
  • Step 201 The system performance bottleneck locating system obtains the system performance indicators and user operation data of the target system in the log file of the server, and the user operation data is data generated by the user operating on the target system.
  • the target system may be a financial system or other systems, etc., which is not limited in the embodiments of this application.
  • System performance indicators may include, but are not limited to, system access time, system response time, and system throughput.
  • Step 202 the system performance bottleneck positioning system inputs the system performance indicators and user operation data into the target machine learning model, and obtains the user operation module corresponding to the system performance bottleneck output by the target machine learning model, and the system performance bottleneck is the performance bottleneck of the target system .
  • the target system includes The dry user operation module can obtain the user operation module corresponding to the system performance bottleneck according to the system performance index and user operation data.
  • the user operation module corresponding to the system performance bottleneck can be one or more.
  • the system performance bottleneck locating system determines the test system performance indicators and the test user operation data To input data, and determine the user operation module corresponding to the system performance bottleneck matching the test system performance index and test user operation data as output data; the system performance bottleneck positioning system inputs the input data into the machine learning model, and continuously adjusts the machine Learn the parameters of the model to make the machine learning model output the above output data, and record the target parameters when the machine learning model outputs the above output data; the system performance bottleneck positioning system sets the machine learning model according to the target parameters to obtain the target machine learning model.
  • Step 203 The system performance bottleneck locating system locates the target code segment that matches the user operation module in the system code corresponding to the target system.
  • FIG. 3 is a flowchart showing a method for locating a system performance bottleneck according to another exemplary embodiment.
  • this method includes the following steps: Step 301, the system performance bottleneck locating system obtains the system performance indicators and user operation data of the target system in the log file of the server, and the user operation data is the operation performed by the user on the target system The data generated.
  • Step 302 The system performance bottleneck positioning system inputs the system performance indicators and user operation data into the target machine learning model, and obtains the target machine learning model output The system performance bottleneck corresponds to the user operation module, and the system performance bottleneck is the performance bottleneck of the target system.
  • the system performance bottleneck locating system generates an optimization solution matching the target code segment according to the system performance bottleneck, which may include: the system performance bottleneck locating system determines the system performance bottleneck and target code segment in a preset optimization solution database Matching optimization template; The system performance bottleneck positioning system uses the parameters of the target code segment to change the parameter information of the optimization template, obtains the target optimization template, and determines the optimization plan containing the target optimization template.
  • the system performance bottleneck positioning system obtains the user operation module corresponding to the system performance bottleneck output by the target machine learning model
  • the following steps may be performed: When the number of user operation modules is greater than or equal to In two cases, the system performance bottleneck locating system obtains the system resource scheduling status of the user operation module based on system performance indicators and user operation data; the system performance bottleneck locating system determines whether there is a system resource scheduling conflict in the system resource scheduling status; if Yes, the system performance bottleneck locating system adjusts the system resource scheduling situation to the target system resource scheduling situation according to the system resource scheduling conflict to resolve the system resource scheduling conflict; if not, the system performance bottleneck locating system executes the above in the preset optimization plan database Determine the optimized template that matches the system performance bottleneck and target code segment.
  • the system performance bottleneck locating system judging whether there is a system resource scheduling conflict in the system resource scheduling situation may include: the system performance bottleneck locating system obtains the resource scheduling list of each user operation module, where each resource scheduling The list can at least include the name of the scheduled resource and the scheduling period, and by analyzing the resource scheduling list of each user operation module, it is determined whether there are contradictory resources in the scheduled resources, where contradictory resources are two or more than two at the same time. The resources scheduled by the operation module, and when there are conflicting resources, determine that there is a system resource scheduling conflict in the system resource scheduling situation .
  • system performance bottleneck locating system adjusting the system resource scheduling situation to the target system resource scheduling situation according to the system resource scheduling conflict may include: the system performance bottleneck locating system obtains the priority level of the user operation module, and operates according to each user The priority level of the module sets the scheduling priority of the operation module for contradictory resources to obtain the target system resource scheduling situation.
  • the system resource scheduling conflict can be resolved first .
  • code optimization can not only optimize the code of the target code segment corresponding to the user operation module, but also resolve the system resource scheduling conflicts of multiple user operation modules, with richer and more complete functions.
  • the system performance bottleneck locating system determines the target system adjusted to the resource scheduling situation of the target system as the second system to be tested; the system performance bottleneck locating system determines whether there is a system performance bottleneck in the second system to be tested; if so, execute the aforementioned pre-test Determine the optimization template that matches the system performance bottleneck and target code segment in the optimization plan database; if not, store the target system resource scheduling situation and system performance bottleneck to the system performance bottleneck database.
  • the system performance bottleneck locating system judging whether there is a system performance bottleneck in the second system to be tested may include: obtaining performance indicators and user operation data of the second system to be tested, and comparing the performance indicators of the second system to be tested And user operation data are input to the target machine learning model to obtain a test result for the second system to be tested, and when the test result indicates that there is no user operation module corresponding to the system performance bottleneck, it is determined that the second system to be tested does not have a system A performance bottleneck, and when the test result indicates that there is a user operation module corresponding to the system performance bottleneck, it is determined that the second system to be tested has a system performance bottleneck.
  • the target system adjusted to the target system resource scheduling situation still has a system performance bottleneck
  • the above-mentioned code tuning operation is performed to ensure that the system performance bottleneck can be solved and improved
  • the efficiency of solving system performance bottlenecks is improved.
  • the target system resource scheduling situation and system performance bottleneck can be stored in the system performance bottleneck database to facilitate subsequent retrieval of system performance bottleneck data
  • the database determines the system resource scheduling situation that matches the system performance bottleneck, and improves the efficiency of solving the system performance bottleneck.
  • Step 305 the system performance bottleneck positioning system control target code segment is optimized according to the optimization plan, and the target system including the optimized target code segment is determined as the first system to be tested.
  • Step 306 the system performance bottleneck locating system determines whether there is a system performance bottleneck in the first system to be tested, if yes, execute step 307, if not, execute step 308.
  • Step 307 The system performance bottleneck locating system sends to the code maintenance personnel corresponding to the target code segment a tuning instruction for instructing to tune the target code segment.
  • system performance bottleneck locating system After the system performance bottleneck locating system sends a tuning instruction for instructing the target code segment to tune the target code segment to the code maintenance personnel corresponding to the target code segment, the following steps may be performed: system performance bottleneck locating system Determine the calling code segment that has a calling relationship with the target code segment. The calling relationship includes calling or being called; the system performance bottleneck locating system sends a detection instruction for instructing the calling code segment to be detected to the calling code maintenance personnel corresponding to the calling code segment.
  • Step 308 the system performance bottleneck positioning system outputs prompt information for prompting that the system performance bottleneck has been resolved.
  • FIG. 4 is a block diagram showing a system performance bottleneck locating system according to an exemplary embodiment.
  • the system includes: a first obtaining unit 401 configured to obtain system performance indicators and user operation data of the target system in a log file of the server, and the user operation data is data generated by the user operating on the target system .
  • the second obtaining unit 402 is configured to input system performance indicators and user operation data into the target machine learning model, and obtain the user operation module corresponding to the system performance bottleneck output by the target machine learning model, where the system performance bottleneck is the performance bottleneck of the target system.
  • the second obtaining unit 402 may also be configured to: determine the test system performance indicators and the test user operation data Input data, and determine the user operation module corresponding to the system performance bottleneck matching the test system performance indicators and test user operation data as output data; input the input data into the machine learning model, and continuously adjust the parameters of the machine learning model to Make the machine learning model output the above output data, and record the target parameters when the machine learning model outputs the above output data; set the machine learning model according to the target parameters, and obtain the target machine learning model.
  • the positioning unit 403 is configured to locate the target code segment that matches the user operation module in the system code corresponding to the target system.
  • system performance bottleneck locating system By implementing the system performance bottleneck locating system described in FIG. 4, based on data modeling technology, system performance indicators and user operation data are input to the target machine learning model, and user operations corresponding to the system performance bottleneck output by the target machine learning model are obtained Module, and locate the target code segment that matches the user operation module in the system code corresponding to the target system. This process automatically locates the target code segment that matches the system performance bottleneck in the system code corresponding to the target system. Using the target machine learning model to locate improves the efficiency and accuracy of system performance bottleneck locating, and facilitates subsequent resolution of system performance Bottleneck, improve the reliability of system operation.
  • FIG. 5 is a block diagram showing another system performance bottleneck locating system according to an exemplary embodiment.
  • FIG. 5 is optimized on the basis of FIG. 4.
  • the system performance bottleneck positioning system shown in FIG. 5 may further include: a generating unit 404 configured as a positioning unit 403 At present After locating the target code segment that matches the user operation module in the system code corresponding to the target system, an optimization solution that matches the target code segment is generated according to the system performance bottleneck.
  • the generating unit 404 generating an optimization solution that matches the target code segment according to the system performance bottleneck may include: the generating unit 404 determines an optimization that matches the system performance bottleneck and the target code segment in a preset optimization solution database Template; The generating unit 404 uses the parameters of the target code segment to change the parameter information of the optimization template, obtains the target optimization template, and determines an optimization scheme that includes the target optimization template.
  • the second obtaining unit 402 may also be configured to: When the number of modules is greater than or equal to two, obtain the system resource scheduling situation of the user operation module based on system performance indicators and user operation data; determine whether there is a system resource scheduling conflict in the system resource scheduling situation; if so, according to the system resource The scheduling conflict adjusts the system resource scheduling situation to the target system resource scheduling situation to resolve the system resource scheduling conflict; if not, trigger the generation unit 404 to execute the above-mentioned determination in the preset optimization scheme database to match the system performance bottleneck and target code segment Optimized template.
  • the second obtaining unit 402 is configured to determine whether there is a system resource scheduling conflict in the system resource scheduling situation.
  • the second obtaining unit 402 is configured to obtain information about each user operation module. Resource scheduling list, where each resource scheduling list may at least include the name and scheduling period of the scheduled resource, and by analyzing the resource scheduling list of each user operation module, it is determined whether there are contradictory resources in the scheduled resources, where contradictory resources For resources scheduled by two or more operating modules at the same time, and when there are conflicting resources, it is determined that there is a system resource scheduling conflict in the system resource scheduling situation.
  • the second acquiring unit 402 is configured to adjust the system resource scheduling situation to the target system resource scheduling situation according to the system resource scheduling conflict.
  • the second acquiring unit 402 is configured to acquire information from the user operation module. Priority level, and according to the priority level of each user’s operation module, the scheduling priority of the operation module for contradictory resources is set to obtain the goal Standard system resource scheduling situation.
  • the system resource scheduling conflict can be resolved first .
  • code optimization can not only optimize the code of the target code segment corresponding to the user operation module, but also resolve the system resource scheduling conflicts of multiple user operation modules, with richer and more complete functions.
  • the second acquiring unit 402 adjusts the system resource scheduling situation to the target system resource scheduling situation according to the system resource scheduling conflict, so as to resolve the system resource scheduling conflict
  • the second acquiring unit 402 It may also be configured to: determine the target system adjusted to the resource scheduling situation of the target system as the second system to be tested; determine whether the second system to be tested has a system performance bottleneck; if so, trigger the generation unit 404 to execute the above preset
  • an optimization template that matches the system performance bottleneck and the target code segment is determined, and if not, the target system resource scheduling situation and the system performance bottleneck are stored in the system performance bottleneck database.
  • the manner in which the second obtaining unit 402 is configured to determine whether there is a system performance bottleneck in the second system to be tested may specifically be: the second obtaining unit 402 is configured to obtain performance indicators of the second system to be tested And user operation data, and input the performance indicators and user operation data of the second system to be tested into the target machine learning model to obtain the test result for the second system to be tested, and when the test result indicates that there is no system performance bottleneck corresponding
  • the user operates the module it is determined that the second system to be tested does not have a system performance bottleneck, and when the test result indicates that there is a user operation module corresponding to the system performance bottleneck, it is determined that the second system to be tested has a system performance bottleneck.
  • the code tuning operation described above is performed to ensure that the system performance bottleneck can be solved and improved The efficiency of solving system performance bottlenecks is improved.
  • the target system resource scheduling situation and system performance bottleneck can be stored in the system performance bottleneck database to facilitate subsequent determination and system performance from the system performance bottleneck database. The system resource scheduling situation that matches the bottleneck improves the efficiency of solving the system performance bottleneck.
  • the optimization unit 405 is configured to control the target code segment to be optimized according to the optimization plan, and will include optimization
  • the target system of the subsequent target code segment is determined as the first system to be tested.
  • the determining unit 406 is configured to determine whether the first system to be tested has a system performance bottleneck.
  • the sending unit 407 is configured to, when the determining unit 406 determines that the first to-be-tested system has a system performance bottleneck, send a tuning instruction configured to instruct the target code segment to be tuned to the code maintainer corresponding to the target code segment
  • the judging unit 406 judges that the first to-be-tested system does not have a system performance bottleneck, it outputs a prompt message configured to prompt that the system performance bottleneck has been resolved.
  • the sending unit 407 may also be configured It is: determining the calling code segment that has a calling relationship with the target code segment, the calling relationship includes calling or being called; and sending a detection instruction configured to instruct the calling code segment to be detected to the calling code maintenance personnel corresponding to the calling code segment.
  • the system performance indicators and user operation data are input into the target machine learning model to obtain the system performance bottleneck output of the target machine learning model.
  • User operation module and locate the target code segment matching the user operation module in the system code corresponding to the target system. This process automatically locates the target code segment that matches the system performance bottleneck in the system code corresponding to the target system.
  • Using the target machine learning model to locate improves the efficiency and accuracy of system performance bottleneck locating, and facilitates subsequent resolution of system performance Bottleneck, improve the reliability of system operation.
  • the present application also provides an electronic device, the electronic device includes: a processor; a memory, the memory stores computer readable instructions, when the computer readable instructions are executed by the processor, the system as shown above is implemented Performance bottleneck positioning method.
  • the electronic device may be the apparatus 100 shown in FIG. 1.
  • the present application also provides a computer non-volatile readable storage medium on which A computer program is stored, and when the computer program is executed by the processor, the method for locating the system performance bottleneck as shown above is realized.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Debugging And Monitoring (AREA)

Abstract

一种系统性能瓶颈定位方法及系统，涉及数据建模领域。该方法包括：在服务器的日志文件中获取目标系统的系统性能指标与用户操作数据，用户操作数据为用户在目标系统上进行操作产生的数据；将系统性能指标与用户操作数据输入目标机器学习模型，获取目标机器学习模型输出的系统性能瓶颈对应的用户操作模块，系统性能瓶颈为目标系统的性能瓶颈；在目标系统对应的系统代码中定位用户操作模块相匹配的目标代码段。此方法下，基于数据建模技术实现自动化地在目标系统对应的系统代码中定位与系统性能瓶颈相匹配的目标代码段，利用目标机器学习模型进行定位提高了系统性能瓶颈定位的效率以及准确率。

Description

系统性能瓶颈定位方法及系统 技术领域
[0001] 本申请要求 2019年 4月 19日递交、 发明名称为“一种系统性能瓶颈定位方法及系 统”的中国专利申请 CN201910318471.X的优先权， 在此通过弓 I用将其全部内容合 并于此。
[0002] 本申请涉及数据建模技术领域， 特别涉及一种系统性能瓶颈定位方法及系统。
背景技术
[0003] 系统响应用户在系统上的操作时， 会在相关服务器中产生相应的日志文件， 其 中， 日志文件至少包括系统响应时间、 系统响应业务类型和系统吞吐量等系统 性能信息， 通常的， 当系统维护人员需要获取这些系统性能信息来监控系统性 能时， 可以在服务器的日志文件中查询获取。
[0004] 发明人意识到： 系统需要处理的数据数量庞大， 高负荷的数据处理可能会导致 系统性能瓶颈的现象， 现在人们应对系统性能瓶颈的现象时， 往往会人工分析 系统性能瓶颈问题来对系统性能瓶颈定位。 然而， 人工分析系统性能瓶颈来定 位的效率低下并且容易出错。 发明概述
技术问题
问题的解决方案
技术解决方案
[0005] 为了解决相关技术中存在的人工定位系统性能瓶颈效率低下且容易出错的问题 ， 本申请提供了一种系统性能瓶颈定位方法及系统。
[0006] 第一方面， 一种系统性能瓶颈定位方法， 所述方法包括： 在服务器的日志文件 中获取目标系统的系统性能指标与用户操作数据， 所述用户操作数据为用户在 所述目标系统上进行操作产生的数据； 将所述系统性能指标与所述用户操作数 据输入目标机器学习模型， 获取所述目标机器学习模型输出的系统性能瓶颈对 应的用户操作模块， 所述系统性能瓶颈为所述目标系统的性能瓶颈； 在所述目 标系统对应的系统代码中定位所述用户操作模块相匹配的目标代码段。
[0007] 第二方面， 一种系统性能瓶颈定位系统， 所述系统包括： 第一获取单元， 被配 置为在服务器的日志文件中获取目标系统的系统性能指标与用户操作数据， 所 述用户操作数据为用户在所述目标系统上进行操作产生的数据； 第二获取单元 ， 被配置为将所述系统性能指标与所述用户操作数据输入目标机器学习模型， 获取所述目标机器学习模型输出的系统性能瓶颈对应的用户操作模块， 所述系 统性能瓶颈为所述目标系统的性能瓶颈； 定位单元， 被配置为在所述目标系统 对应的系统代码中定位所述用户操作模块相匹配的目标代码段。
[0008] 第三方面， 一种电子设备， 所述电子设备包括： 处理器； 存储器， 所述存储器 上存储有计算机可读指令， 所述计算机可读指令被所述处理器执行时， 实现如 前所述的方法。
[0009] 第四方面， 一种计算机非易失性可读存储介质， 其存储计算机程序， 所述计算 机程序使得计算机执行如前所述的方法。
[0010] 本申请的实施例提供的技术方案可以包括以下有益效果：
[0011] 本申请所提供的系统性能瓶颈定位方法包括如下步骤， 在服务器的日志文件中 获取目标系统的系统性能指标与用户操作数据， 用户操作数据为用户在目标系 统上进行操作产生的数据； 将系统性能指标与用户操作数据输入目标机器学习 模型， 获取目标机器学习模型输出的系统性能瓶颈对应的用户操作模块， 系统 性能瓶颈为目标系统的性能瓶颈； 在目标系统对应的系统代码中定位用户操作 模块相匹配的目标代码段。
[0012] 此方法下， 基于数据建模技术， 将系统性能指标与用户操作数据输入目标机器 学习模型， 获取目标机器学习模型输出的系统性能瓶颈对应的用户操作模块， 并在目标系统对应的系统代码中定位用户操作模块相匹配的目标代码段。 这一 过程实现自动化地在目标系统对应的系统代码中定位与系统性能瓶颈相匹配的 目标代码段， 利用目标机器学习模型进行定位提高了系统性能瓶颈定位的效率 以及准确率， 便于后续解决系统性能瓶颈， 提高系统运行的可靠性。
[0013] 应当理解的是， 以上的一般描述和后文的细节描述仅是示例性的， 并不能限制 本申请。 发明的有益效果
对附图的简要说明
附图说明
[0014] 此处的附图被并入说明书中并构成本说明书的一部分， 示出了符合本申请的实 施例， 并于说明书一起用于解释本申请的原理。
[0015] 图 1是根据一示例性实施例示出的一种运行系统性能瓶颈定位系统的装置的示 意图；
[0016] 图 2是根据一示例性实施例示出的一种系统性能瓶颈定位方法的流程图；
[0017] 图 3是根据一示例性实施例示出的另一种系统性能瓶颈定位方法的流程图； [0018] 图 4是根据一示例性实施例示出的一种系统性能瓶颈定位系统的框图；
[0019] 图 5是根据一示例性实施例示出的另一种系统性能瓶颈定位系统的框图。
发明实施例
本发明的实施方式
[0020] 这里将详细地对示例性实施例执行说明， 其示例表示在附图中。 下面的描述涉 及附图时， 除非另有表示， 不同附图中的相同数字表示相同或相似的要素。 以 下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式 。 相反， 它们仅是与如所附权利要求书中所详述的、 本申请的一些方面相一致 的装置和方法的例子。
[0021] 本申请的实施环境可以是便携移动设备， 例如智能手机、 平板电脑、 台式电脑
[0022] 图 1是根据一示例性实施例示出的一种运行系统性能瓶颈定位系统的装置示意 图。 装置 100可以是上述便携移动设备。 如图 1所示， 装置 100可以包括以下一个 或多个组件： 处理组件 102， 存储器 104， 电源组件 106， 多媒体组件 108， 音频 组件 110, 传感器组件 114以及通信组件 116。 处理组件 102通常控制装置 100的整 体操作， 诸如与显示， 电话呼叫， 数据通信， 相机操作以及记录操作相关联的 操作等。 处理组件 102可以包括一个或多个处理器 118来执行指令， 以完成下述 的方法的全部或部分步骤。 此外， 处理组件 102可以包括一个或多个模块， 用于 便于处理组件 102和其他组件之间的交互。 例如， 处理组件 102可以包括多媒体 模块， 用于以方便多媒体组件 108和处理组件 102之间的交互。
[0023] 存储器 104被配置为存储各种类型的数据以支持在装置 100的操作。 这些数据的 示例包括用于在装置 100上操作的任何应用程序或方法的指令。 存储器 104可以 由任何类型的易失性或非易失性存储设备或者它们的组合实现， 如静态随机存 取存储器 (Static Random Access Memory, 简称 SRAM) ， 电可擦除可编程只读 存储器 (Electrically Erasable Programmable Read-Only Memory , 简称 EEPROM)
, 可擦除可编程只读存储器 (Erasable Programmable Read Only
Memory , 简称 EPROM) ， 可编程只读存储器 (Programmable Red- Only Memory ， 简称 PROM) ， 只读存储器 (Read-Only Memory， 简称 ROM) ， 磁存储器， 快闪存储器， 磁盘或光盘。 存储器 104中还存储有一个或多个模块， 用于该一个 或多个模块被配置成由该一个或多个处理器 118执行， 以完成如下所示方法中的 全部或者部分步骤。
[0024] 电源组件 106为装置 100的各种组件提供电力。 电源组件 106可以包括电源管理 系统， 一个或多个电源， 及其他与为装置 100生成、 管理和分配电力相关联的组 件。
[0025] 多媒体组件 108包括在所述装置 100和用户之间的提供一个输出接口的屏幕。 在 一些实施例中， 屏幕可以包括液晶显示器 (Liquid Crystal Display， 简称 LCD) 和触摸面板。 如果屏幕包括触摸面板， 屏幕可以被实现为触摸屏， 以接收来自 用户的输入信号。 触摸面板包括一个或多个触摸传感器以感测触摸、 滑动和触 摸面板上的手势。 所述触摸传感器可以不仅感测触摸或滑动动作的边界， 而且 还检测与所述触摸或滑动操作相关的持续时间和压力。 屏幕还可以包括有机电 致发光显示器 (Organic Light Emitting Display, 简称 OLED) 。 音频组件 110被配 置为输出和 /或输入音频信号。 例如， 音频组件 110包括一个麦克风 (Microphone ， 简称 MIC) ， 当装置 100处于操作模式， 如呼叫模式、 记录模式和语音识别模 式时， 麦克风被配置为接收外部音频信号。 所接收的音频信号可以被进一步存 储在存储器 104或经由通信组件 116发送。 在一些实施例中， 音频组件 110还包括 一个扬声器， 用于输出音频信号。 [0026] 传感器组件 114包括一个或多个传感器， 用于为装置 100提供各个方面的状态评 估。 例如， 传感器组件 114可以检测到装置 100的打开 /关闭状态， 组件的相对定 位， 传感器组件 114还可以检测装置 100或装置 100—个组件的位置改变以及装置 100的温度变化。 在一些实施例中， 该传感器组件 114还可以包括磁传感器， 压 力传感器或温度传感器。
[0027] 通信组件 116被配置为便于装置 100和其他设备之间有线或无线方式的通信。 装 置 100可以接入基于通信标准的无线网络， 如 WiFi (Wireless-Fidelity, 无线保真 ) 。 在一个示例性实施例中， 通信组件 116经由广播信道接收来自外部广播管理 系统的广播信号或广播相关信息。 在一个示例性实施例中， 所述通信组件 116还 包括近场通信 (Near Field Communication， 简称 NFC) 模块， 用于以促进短程通 信。 例如， 在 NFC模块可基于射频识别 (Radio Frequency
Identification , 简称 RFID) 技术， 红外数据协会 (Infrared Data Association, 简 称 IrDA) 技术， 超宽带 (Ultra Wideband， 简称 UWB) 技术， 蓝牙技术和其他技 术来实现。
[0028] 在示例性实施例中， 装置 100可以被一个或多个应用专用集成电路 (Application Specific Integrated Circuit, 简称 ASIC) 、 数字信号处理器、 数字信号处理设备、 可编程逻辑器件、 现场可编程门阵列、 控制器、 微控制器、 微处理器或其他电 子元件实现， 用于执行下述方法。
[0029] 图 2是根据一示例性实施例示出的一种系统性能瓶颈定位方法的流程图。 如图 2 所示， 此方法包括以下步骤：
[0030] 步骤 201， 系统性能瓶颈定位系统在服务器的日志文件中获取目标系统的系统 性能指标与用户操作数据， 用户操作数据为用户在目标系统上进行操作产生的 数据。 本申请实施例中， 目标系统可以为金融系统， 也可以为其它系统等， 本 申请实施例中不做限定。 系统性能指标可以包括但不限于系统访问时间、 系统 响应时间和系统吞吐量等。
[0031] 步骤 202, 系统性能瓶颈定位系统将系统性能指标与用户操作数据输入目标机 器学习模型， 获取目标机器学习模型输出的系统性能瓶颈对应的用户操作模块 ， 系统性能瓶颈为目标系统的性能瓶颈。 本申请实施例中， 目标系统中包括若 干用户操作模块， 根据系统性能指标与用户操作数据可以获取系统性能瓶颈对 应的用户操作模块， 系统性能瓶颈对应的用户操作模块可以为一个， 也可以为 多个。
[0032] 可选的， 在系统性能瓶颈定位系统将系统性能指标与用户操作数据输入目标机 器学习模型之前， 还可以执行以下步骤： 系统性能瓶颈定位系统将测试系统性 能指标和测试用户操作数据确定为输入数据， 以及将与该测试系统性能指标和 测试用户操作数据相匹配的系统性能瓶颈对应的用户操作模块确定为输出数据 ; 系统性能瓶颈定位系统将输入数据输入机器学习模型， 并不断调整机器学习 模型的参数以使机器学习模型输出上述输出数据， 以及记录机器学习模型输出 上述输出数据时的目标参数； 系统性能瓶颈定位系统根据目标参数设置机器学 习模型， 获取目标机器学习模型。
[0033] 通过实施这种可选的实施方式， 可以利用大量预设的测试数据对机器学习模型 进行数据建模， 最终得到目标机器学习模型， 能够实现对输入的系统性能指标 与用户操作数据确定与其匹配的系统性能瓶颈对应的用户操作模块， 实现快速 定位系统性能瓶颈。
[0034] 步骤 203， 系统性能瓶颈定位系统在目标系统对应的系统代码中定位用户操作 模块相匹配的目标代码段。
[0035] 基于数据建模技术， 将系统性能指标与用户操作数据输入目标机器学习模型， 获取目标机器学习模型输出的系统性能瓶颈对应的用户操作模块， 并在目标系 统对应的系统代码中定位用户操作模块相匹配的目标代码段。 这一过程实现自 动化地在目标系统对应的系统代码中定位与系统性能瓶颈相匹配的目标代码段 ， 利用目标机器学习模型进行定位提高了系统性能瓶颈定位的效率、 准确率， 便于后续解决系统性能瓶颈， 提高系统运行的可靠性。
[0036] 图 3是根据另一示例性实施例示出的一种系统性能瓶颈定位方法的流程图。 如 图 3所示， 此方法包括以下步骤： 步骤 301， 系统性能瓶颈定位系统在服务器的 曰志文件中获取目标系统的系统性能指标与用户操作数据， 用户操作数据为用 户在目标系统上进行操作产生的数据。 步骤 302, 系统性能瓶颈定位系统将系统 性能指标与用户操作数据输入目标机器学习模型， 获取目标机器学习模型输出 的系统性能瓶颈对应的用户操作模块， 系统性能瓶颈为目标系统的性能瓶颈。 步骤 303 , 系统性能瓶颈定位系统在目标系统对应的系统代码中定位用户操作模 块相匹配的目标代码段。 步骤 304, 系统性能瓶颈定位系统根据系统性能瓶颈生 成与目标代码段相匹配的优化方案。
[0037] 可选的， 系统性能瓶颈定位系统根据系统性能瓶颈生成与目标代码段相匹配的 优化方案可以包括： 系统性能瓶颈定位系统在预置优化方案数据库中确定与系 统性能瓶颈和目标代码段相匹配的优化模板； 系统性能瓶颈定位系统利用目标 代码段的参数更改优化模板的参数信息， 获得目标优化模板， 并确定包含目标 优化模板的优化方案。
[0038] 通过实施这种可选的实施方式， 可以自动根据目标代码段的参数更改优化模板 的参数信息获得目标优化模板， 相较于只利用完全模式化的模板， 这种自动更 改参数信息的优化模板智能化程度更高， 与当前系统的匹配度性能好， 有利于 系统的业务支撑。
[0039] 作为另一种可选的实施方式， 在系统性能瓶颈定位系统获取目标机器学习模型 输出的系统性能瓶颈对应的用户操作模块之后， 还可以执行以下步骤： 当用户 操作模块的数量大于等于两个时， 系统性能瓶颈定位系统以系统性能指标与用 户操作数据为依据， 获取用户操作模块的系统资源调度情况； 系统性能瓶颈定 位系统判断系统资源调度情况是否存在系统资源调度冲突的情况； 如果是， 系 统性能瓶颈定位系统根据系统资源调度冲突调整系统资源调度情况至目标系统 资源调度情况， 用以解决系统资源调度冲突； 如果否， 系统性能瓶颈定位系统 执行上述的在预置优化方案数据库中确定与系统性能瓶颈和目标代码段相匹配 的优化模板。
[0040] 可选的， 系统性能瓶颈定位系统判断系统资源调度情况是否存在系统资源调度 冲突的情况可以包括： 系统性能瓶颈定位系统获取每一用户操作模块的资源调 度清单， 其中， 每一资源调度清单至少可以包括被调度资源的名称和调度时段 ， 以及通过分析每一用户操作模块的资源调度清单， 判断被调度资源中是否存 在矛盾资源， 其中， 矛盾资源为同时被两个或者两个以上的操作模块所调度的 资源， 以及存在矛盾资源时， 确定系统资源调度情况中存在系统资源调度冲突 。 进一步可选的， 系统性能瓶颈定位系统根据系统资源调度冲突调整系统资源 调度情况至目标系统资源调度情况可以包括： 系统性能瓶颈定位系统获取用户 操作模块到的优先级等级， 并依据每一用户操作模块的优先级等级设置该操作 模块针对矛盾资源的调度优先级， 以得到目标系统资源调度情况。
[0041] 通过实施这种可选的实施方式， 当用户操作模块的数量大于等于两个且用户操 作模块对于系统资源调度的系统资源调度情况存在系统资源调度冲突时， 可以 先解决系统资源调度冲突， 不存在系统资源调度冲突时再去进行代码优化。 这 一过程不仅能对用户操作模块对应的目标代码段进行代码优化， 还可以解决多 个用户操作模块的系统资源调度冲突， 功能更加丰富、 完善。
[0042] 作为另一种可选的实施方式， 在系统性能瓶颈定位系统根据系统资源调度冲突 调整系统资源调度情况至目标系统资源调度情况， 用以解决系统资源调度冲突 之后， 还可以执行以下步骤： 系统性能瓶颈定位系统将调整至目标系统资源调 度情况的目标系统确定为第二待测试系统； 系统性能瓶颈定位系统判断第二待 测试系统是否存在系统性能瓶颈； 如果是， 执行上述的在预置优化方案数据库 中确定与系统性能瓶颈和目标代码段相匹配的优化模板； 如果否， 将目标系统 资源调度情况与系统性能瓶颈存储至系统性能瓶颈数据库。
[0043] 可选的， 系统性能瓶颈定位系统判断第二待测试系统是否存在系统性能瓶颈可 以包括： 获取第二待测试系统的性能指标和用户操作数据， 并将第二待测试系 统的性能指标和用户操作数据输入至目标机器学习模型， 以得到针对第二待测 试系统的测试结果， 以及当该测试结果指示不存在系统性能瓶颈对应的用户操 作模块时， 确定第二待测试系统不存在系统性能瓶颈， 以及当该测试结果指示 存在系统性能瓶颈对应的用户操作模块时， 确定第二待测试系统存在系统性能 瓶颈。
[0044] 通过实施这种可选的实施方式， 如果调整至目标系统资源调度情况的目标系统 依然存在系统性能瓶颈， 则执行上述的代码调优操作， 以此确保系统性能瓶颈 能够予以解决， 提高了解决系统性能瓶颈的效率。 此外， 如果调整至目标系统 资源调度情况的目标系统不存在系统性能瓶颈， 可以将目标系统资源调度情况 与系统性能瓶颈存储至系统性能瓶颈数据库， 以便于后续从系统性能瓶颈数据 库中确定与系统性能瓶颈相匹配的系统资源调度情况， 提高解决系统性能瓶颈 的效率。
[0045] 步骤 305 , 系统性能瓶颈定位系统控制目标代码段按照优化方案进行优化， 将 包含优化后的目标代码段的目标系统确定为第一待测试系统。
[0046] 步骤 306 , 系统性能瓶颈定位系统判断第一待测试系统是否存在系统性能瓶颈 ， 如果是， 执行步骤 307， 如果否， 执行步骤 308。
[0047] 步骤 307 , 系统性能瓶颈定位系统向目标代码段对应的代码维护人员发送用于 指示对目标代码段进行调优的调优指令。
[0048] 可选的， 在系统性能瓶颈定位系统向目标代码段对应的代码维护人员发送用于 指示对目标代码段进行调优的调优指令之后， 还可以执行以下步骤： 系统性能 瓶颈定位系统确定与目标代码段存在调用关系的调用代码段， 调用关系包括调 用或者被调用； 系统性能瓶颈定位系统向调用代码段对应的调用代码维护人员 发送用于指示对调用代码段进行检测的检测指令。
[0049] 通过实施这种可选的实施方式， 当其它代码段调用该目标代码段时， 由于目标 代码段的性能不佳导致了系统性能瓶颈， 此时需要其它与该目标代码段相互调 用的代码进行检测是否受到该性能影响， 以及在目标代码段进行性能调优之后 如果涉及到目标代码段的调用地址等的变更， 需要其它代码段做出相应的变更 ， 从而减小由于目标代码段调优造成调用目标代码段或者被目标代码段调用的 调用代码段异常导致系统异常的情况出现的概率， 提高系统的稳健性。
[0050] 步骤 308 , 系统性能瓶颈定位系统输出用于提示系统性能瓶颈已解决的提示信 息。
[0051] 基于数据建模技术， 将系统性能指标与用户操作数据输入目标机器学习模型， 获取目标机器学习模型输出的系统性能瓶颈对应的用户操作模块， 并在目标系 统对应的系统代码中定位用户操作模块相匹配的目标代码段。 这一过程实现自 动化地在目标系统对应的系统代码中定位与系统性能瓶颈相匹配的目标代码段 ， 利用目标机器学习模型进行定位提高了系统性能瓶颈定位的效率以及准确率 ， 便于后续解决系统性能瓶颈， 提高系统运行的可靠性。
[0052] 以下是本申请的系统实施例。 [0053] 图 4是根据一示例性实施例示出的一种系统性能瓶颈定位系统的框图。 如图 4所 示， 该系统包括： 第一获取单元 401， 配置为在服务器的日志文件中获取目标系 统的系统性能指标与用户操作数据， 用户操作数据为用户在目标系统上进行操 作产生的数据。 第二获取单元 402, 配置为将系统性能指标与用户操作数据输入 目标机器学习模型， 获取目标机器学习模型输出的系统性能瓶颈对应的用户操 作模块， 系统性能瓶颈为目标系统的性能瓶颈。
[0054] 可选的， 在第二获取单元 402将系统性能指标与用户操作数据输入目标机器学 习模型之前， 第二获取单元 402还可以被配置为： 将测试系统性能指标和测试用 户操作数据确定为输入数据， 以及将与该测试系统性能指标和测试用户操作数 据相匹配的系统性能瓶颈对应的用户操作模块确定为输出数据； 将输入数据输 入机器学习模型， 并不断调整机器学习模型的参数以使机器学习模型输出上述 输出数据， 以及记录机器学习模型输出上述输出数据时的目标参数； 根据目标 参数设置机器学习模型， 获取目标机器学习模型。
[0055] 通过实施这种可选的实施方式， 可以利用大量预设的测试数据对机器学习模型 进行数据建模， 最终得到目标机器学习模型， 能够实现对输入的系统性能指标 与用户操作数据确定与其匹配的系统性能瓶颈对应的用户操作模块， 实现快速 定位系统性能瓶颈。 定位单元 403 , 被配置为在目标系统对应的系统代码中定位 用户操作模块相匹配的目标代码段。
[0056] 通过实施图 4所描述的系统性能瓶颈定位系统， 基于数据建模技术， 将系统性 能指标与用户操作数据输入目标机器学习模型， 获取目标机器学习模型输出的 系统性能瓶颈对应的用户操作模块， 并在目标系统对应的系统代码中定位用户 操作模块相匹配的目标代码段。 这一过程实现自动化地在目标系统对应的系统 代码中定位与系统性能瓶颈相匹配的目标代码段， 利用目标机器学习模型进行 定位提高了系统性能瓶颈定位的效率以及准确率， 便于后续解决系统性能瓶颈 ， 提高系统运行的可靠性。
[0057] 图 5是根据一示例性实施例示出的另一种系统性能瓶颈定位系统的框图。 图 5是 在图 4基础上优化得到的， 与图 4所示的系统性能瓶颈定位系统相比， 图 5所示的 系统性能瓶颈定位系统还可以包括： 生成单元 404, 被配置为定位单元 403在目 标系统对应的系统代码中定位用户操作模块相匹配的目标代码段之后， 根据系 统性能瓶颈生成与目标代码段相匹配的优化方案。
[0058] 可选的， 生成单元 404根据系统性能瓶颈生成与目标代码段相匹配的优化方案 可以包括： 生成单元 404在预置优化方案数据库中确定与系统性能瓶颈和目标代 码段相匹配的优化模板； 生成单元 404利用目标代码段的参数更改优化模板的参 数信息， 获得目标优化模板， 并确定包含目标优化模板的优化方案。
[0059] 通过实施这种可选的实施方式， 可以自动根据目标代码段的参数更改优化模板 的参数信息获得目标优化模板， 相较于只利用完全模式化的模板， 这种自动更 改参数信息的优化模板智能化程度更高， 与当前系统的匹配度性能好， 有利于 系统的业务支撑。
[0060] 作为另一种可选的实施方式， 在第二获取单元 402获取目标机器学习模型输出 的系统性能瓶颈对应的用户操作模块之后， 第二获取单元 402还可以被配置为： 当用户操作模块的数量大于等于两个时， 以系统性能指标与用户操作数据为依 据， 获取用户操作模块的系统资源调度情况； 判断系统资源调度情况是否存在 系统资源调度冲突的情况； 如果是， 根据系统资源调度冲突调整系统资源调度 情况至目标系统资源调度情况， 用以解决系统资源调度冲突； 如果否， 触发生 成单元 404执行上述的在预置优化方案数据库中确定与系统性能瓶颈和目标代码 段相匹配的优化模板。
[0061] 可选的， 第二获取单元 402被配置为判断系统资源调度情况是否存在系统资源 调度冲突的情况的方式具体可以为： 第二获取单元 402, 被配置为获取每一用户 操作模块的资源调度清单， 其中， 每一资源调度清单至少可以包括被调度资源 的名称和调度时段， 以及通过分析每一用户操作模块的资源调度清单， 判断被 调度资源中是否存在矛盾资源， 其中， 矛盾资源为同时被两个或者两个以上的 操作模块所调度的资源， 以及存在矛盾资源时， 确定系统资源调度情况中存在 系统资源调度冲突。 进一步可选的， 第二获取单元 402被配置为根据系统资源调 度冲突调整系统资源调度情况至目标系统资源调度情况的方式具体可以为： 第 二获取单元 402, 被配置为获取用户操作模块到的优先级等级， 并依据每一用户 操作模块的优先级等级设置该操作模块针对矛盾资源的调度优先级， 以得到目 标系统资源调度情况。
[0062] 通过实施这种可选的实施方式， 当用户操作模块的数量大于等于两个且用户操 作模块对于系统资源调度的系统资源调度情况存在系统资源调度冲突时， 可以 先解决系统资源调度冲突， 不存在系统资源调度冲突时再去进行代码优化。 这 一过程不仅能对用户操作模块对应的目标代码段进行代码优化， 还可以解决多 个用户操作模块的系统资源调度冲突， 功能更加丰富、 完善。
[0063] 作为另一种可选的实施方式， 在第二获取单元 402根据系统资源调度冲突调整 系统资源调度情况至目标系统资源调度情况， 用以解决系统资源调度冲突之后 ， 第二获取单元 402还可以被配置为： 将调整至目标系统资源调度情况的目标系 统确定为第二待测试系统； 判断第二待测试系统是否存在系统性能瓶颈； 如果 是， 触发生成单元 404执行上述的在预置优化方案数据库中确定与系统性能瓶颈 和目标代码段相匹配的优化模板， 如果否， 将目标系统资源调度情况与系统性 能瓶颈存储至系统性能瓶颈数据库。
[0064] 可选的， 第二获取单元 402被配置为判断第二待测试系统是否存在系统性能瓶 颈的方式具体可以为： 第二获取单元 402, 被配置为获取第二待测试系统的性能 指标和用户操作数据， 并将第二待测试系统的性能指标和用户操作数据输入至 目标机器学习模型， 以得到针对第二待测试系统的测试结果， 以及当该测试结 果指示不存在系统性能瓶颈对应的用户操作模块时， 确定第二待测试系统不存 在系统性能瓶颈， 以及当该测试结果指示存在系统性能瓶颈对应的用户操作模 块时， 确定第二待测试系统存在系统性能瓶颈。
[0065] 通过实施这种可选的实施方式， 如果调整至目标系统资源调度情况的目标系统 依然存在系统性能瓶颈， 则执行上述的代码调优操作， 以此确保系统性能瓶颈 能够予以解决， 提高了解决系统性能瓶颈的效率。 此外， 如果调整至目标系统 资源调度情况的目标系统不存在系统性能瓶颈， 可以将目标系统资源调度情况 与系统性能瓶颈存储至系统性能瓶颈数据库， 以便于后续从系统性能瓶颈数据 库中确定与系统性能瓶颈相匹配的系统资源调度情况， 提高解决系统性能瓶颈 的效率。
[0066] 优化单元 405 , 被配置为控制目标代码段按照优化方案进行优化， 将包含优化 后的目标代码段的目标系统确定为第一待测试系统。 判断单元 406 , 被配置为判 断第一待测试系统是否存在系统性能瓶颈。 发送单元 407 , 被配置为当判断单元 406判断出第一待测是系统存在系统性能瓶颈时， 向目标代码段对应的代码维护 人员发送被配置为指示对目标代码段进行调优的调优指令； 当判断单元 406判断 出第一待测是系统不存在系统性能瓶颈时， 输出被配置为提示系统性能瓶颈已 解决的提示信息。
[0067] 作为一种可选的实施方式， 在发送单元 407向目标代码段对应的代码维护人员 发送被配置为指示对目标代码段进行调优的调优指令之后， 发送单元 407还可以 被配置为： 确定与目标代码段存在调用关系的调用代码段， 调用关系包括调用 或者被调用； 向调用代码段对应的调用代码维护人员发送被配置为指示对调用 代码段进行检测的检测指令。
[0068] 通过实施这种可选的实施方式， 当其它代码段调用该目标代码段时， 由于目标 代码段的性能不佳导致了系统性能瓶颈， 此时需要其它与该目标代码段相互调 用的代码进行检测是否受到该性能影响， 以及在目标代码段进行性能调优之后 如果涉及到目标代码段的调用地址等的变更， 需要其它代码段做出相应的变更 ， 从而减小由于目标代码段调优造成调用目标代码段或者被目标代码段调用的 调用代码段异常导致系统异常的情况出现的概率， 提高系统的稳健性。
[0069] 可见， 通过实施图 5所描述的系统性能瓶颈定位系统， 基于数据建模技术， 将 系统性能指标与用户操作数据输入目标机器学习模型， 获取目标机器学习模型 输出的系统性能瓶颈对应的用户操作模块， 并在目标系统对应的系统代码中定 位用户操作模块相匹配的目标代码段。 这一过程实现自动化地在目标系统对应 的系统代码中定位与系统性能瓶颈相匹配的目标代码段， 利用目标机器学习模 型进行定位提高了系统性能瓶颈定位的效率以及准确率， 便于后续解决系统性 能瓶颈， 提高系统运行的可靠性。
[0070] 本申请还提供一种电子设备， 该电子设备包括： 处理器； 存储器， 该存储器上 存储有计算机可读指令， 该计算机可读指令被处理器执行时， 实现如前所示的 系统性能瓶颈定位方法。 该电子设备可以是图 1所示装置 100。
[0071] 在一示例性实施例中， 本申请还提供一种计算机非易失性可读存储介质， 其上 存储有计算机程序， 该计算机程序被处理器执行时， 实现如前所示的系统性能 瓶颈定位方法。
[0072] 应当理解的是， 本申请并不局限于上面已经描述并在附图中示出的精确结构， 并且可以在不脱离其范围执行各种修改和改变。 本申请的范围仅由所附的权利 要求来限制。

Claims

权利要求书
[权利要求 1] 一种系统性能瓶颈定位方法， 所述方法包括： 在服务器的日志文件中 获取目标系统的系统性能指标与用户操作数据， 所述用户操作数据为 用户在所述目标系统上进行操作产生的数据； 将所述系统性能指标与 所述用户操作数据输入目标机器学习模型， 获取所述目标机器学习模 型输出的系统性能瓶颈对应的用户操作模块， 所述系统性能瓶颈为所 述目标系统的性能瓶颈； 在所述目标系统对应的系统代码中定位所述 用户操作模块相匹配的目标代码段。
[权利要求 2] 根据权利要求 1所述的方法， 其特征在于， 在所述目标系统对应的系 统代码中定位所述用户操作模块相匹配的目标代码段之后， 所述方法 还包括： 根据所述系统性能瓶颈生成与所述目标代码段相匹配的优 化方案； 控制所述目标代码段按照所述优化方案进行优化， 将包含优 化后的所述目标代码段的所述目标系统确定为第一待测试系统； 判断 所述第一待测试系统是否存在所述系统性能瓶颈； 如果是， 向所述目 标代码段对应的代码维护人员发送用于指示对所述目标代码段进行调 优的调优指令； 如果否， 输出用于提示所述系统性能瓶颈已解决的提 示信息。
[权利要求 3] 根据权利要求 2所述的方法， 其特征在于， 在所述向所述目标代码段 对应的代码维护人员发送用于指示对所述目标代码段进行调优的调优 指令之后， 所述方法还包括：
确定与所述目标代码段存在调用关系的调用代码段， 所述调用关系包 括调用或者被调用； 向所述调用代码段对应的调用代码维护人员发送 用于指示对所述调用代码段进行检测的检测指令。
[权利要求 4] 根据权利要求 2或 3所述的方法， 其特征在于， 所述根据所述系统性能 瓶颈生成与所述目标代码段相匹配的优化方案， 包括： 在预置优化方 案数据库中确定与所述系统性能瓶颈和所述目标代码段相匹配的优化 模板； 利用所述目标代码段的参数更改所述优化模板的参数信息， 获 得目标优化模板， 并确定包含所述目标优化模板的优化方案。
[权利要求 5] 根据权利要求 4所述的方法， 其特征在于， 在所述获取所述目标机器 学习模型输出的系统性能瓶颈对应的用户操作模块之后， 所述方法还 包括： 当所述用户操作模块的数量大于等于两个时， 以所述系统性能 指标与所述用户操作数据为依据， 获取所述用户操作模块的系统资源 调度情况； 判断所述系统资源调度情况是否存在系统资源调度冲突的 情况； 如果是， 根据所述系统资源调度冲突调整所述系统资源调度情 况至目标系统资源调度情况， 用以解决所述系统资源调度冲突； 如果 否， 执行所述的在预置优化方案数据库中确定与所述系统性能瓶颈和 所述目标代码段相匹配的优化模板。
[权利要求 6] 根据权利要求 5所述的方法， 其特征在于， 在所述根据所述系统资源 调度冲突调整所述系统资源调度情况至目标系统资源调度情况， 用以 解决所述系统资源调度冲突之后， 所述方法还包括： 将调整至所述目 标系统资源调度情况的所述目标系统确定为第二待测试系统； 判断所 述第二待测试系统是否存在所述系统性能瓶颈； 如果是， 执行所述的 在预置优化方案数据库中确定与所述系统性能瓶颈和所述目标代码段 相匹配的优化模板。
[权利要求 7] 根据权利要求 6所述的方法， 其特征在于， 在判断出所述第二待测试 系统不存在所述系统性能瓶颈之后， 所述方法还包括： 将所述目标系 统资源调度情况与所述系统性能瓶颈存储至系统性能瓶颈数据库。
[权利要求 8] 一种系统性能瓶颈定位系统， 所述系统包括： 第一获取单元， 被配置 为在服务器的日志文件中获取目标系统的系统性能指标与用户操作数 据， 所述用户操作数据为用户在所述目标系统上进行操作产生的数据 ; 第二获取单元， 被配置为将所述系统性能指标与所述用户操作数据 输入目标机器学习模型， 获取所述目标机器学习模型输出的系统性能 瓶颈对应的用户操作模块， 所述系统性能瓶颈为所述目标系统的性能 瓶颈； 定位单元， 被配置为在所述目标系统对应的系统代码中定位所 述用户操作模块相匹配的目标代码段。
[权利要求 9] 根据权利要求 8所述的系统， 其特征在于， 在所述目标系统对应的系 统代码中定位所述用户操作模块相匹配的目标代码段之后， 所述系统 还包括生成单元， 被配置为执行以下步骤： 根据所述系统性能瓶颈生 成与所述目标代码段相匹配的优化方案； 控制所述目标代码段按照所 述优化方案进行优化， 将包含优化后的所述目标代码段的所述目标系 统确定为第一待测试系统； 判断所述第一待测试系统是否存在所述系 统性能瓶颈； 如果是， 向所述目标代码段对应的代码维护人员发送被 配置为指示对所述目标代码段进行调优的调优指令； 如果否， 输出被 配置为提示所述系统性能瓶颈已解决的提示信息。
[权利要求 10] 根据权利要求 9所述的系统， 其特征在于， 在所述向所述目标代码段 对应的代码维护人员发送被配置为指示对所述目标代码段进行调优的 调优指令的步骤之后， 所述生成单元还被配置为： 确定与所述目标代码段存在调用关系的调用代码段， 所述调用关系包 括调用或者被调用； 向所述调用代码段对应的调用代码维护人员发送 被配置为指示对所述调用代码段进行检测的检测指令。
[权利要求 11] 根据权利要求 9或 10所述的系统， 其特征在于， 在所述根据所述系统 性能瓶颈生成与所述目标代码段相匹配的优化方案的步骤中， 所述生 成单元被配置为：
在预置优化方案数据库中确定与所述系统性能瓶颈和所述目标代码段 相匹配的优化模板； 利用所述目标代码段的参数更改所述优化模板的 参数信息， 获得目标优化模板， 并确定包含所述目标优化模板的优化 方案。
[权利要求 12] 根据权利要求 11所述的系统， 其特征在于， 在所述获取所述目标机器 学习模型输出的系统性能瓶颈对应的用户操作模块的步骤之后， 所述 第二获取单元还被配置为： 当所述用户操作模块的数量大于等于 两个时， 以所述系统性能指标与所述用户操作数据为依据， 获取所述 用户操作模块的系统资源调度情况； 判断所述系统资源调度情况是否 存在系统资源调度冲突的情况； 如果是， 根据所述系统资源调度冲突 调整所述系统资源调度情况至目标系统资源调度情况， 用以解决所述 系统资源调度冲突； 如果否， 执行所述的在预置优化方案数据库中确 定与所述系统性能瓶颈和所述目标代码段相匹配的优化模板。
[权利要求 13] 根据权利要求 12所述的系统， 其特征在于， 在所述根据所述系统资源 调度冲突调整所述系统资源调度情况至目标系统资源调度情况， 用以 解决所述系统资源调度冲突之后， 所述第二获取单元还被配置为： 将调整至所述目标系统资源调度情况的所述目标系统确定为第二待测 试系统； 判断所述第二待测试系统是否存在所述系统性能瓶颈； 如果 是， 执行所述的在预置优化方案数据库中确定与所述系统性能瓶颈和 所述目标代码段相匹配的优化模板。
[权利要求 14] 根据权利要求 13所述的系统， 其特征在于， 在判断出所述第二待测试 系统不存在所述系统性能瓶颈的步骤之后， 所述第二获取单元还被配 置为：
将所述目标系统资源调度情况与所述系统性能瓶颈存储至系统性能瓶 颈数据库。
[权利要求 15] 一种电子设备， 所述电子设备包括： 处理器； 存储器， 所述存储器上 存储有计算机可读指令， 所述计算机可读指令被所述处理器执行时， 实现如下的步骤：
在服务器的日志文件中获取目标系统的系统性能指标与用户操作数据 ， 所述用户操作数据为用户在所述目标系统上进行操作产生的数据； 将所述系统性能指标与所述用户操作数据输入目标机器学习模型， 获 取所述目标机器学习模型输出的系统性能瓶颈对应的用户操作模块， 所述系统性能瓶颈为所述目标系统的性能瓶颈； 在所述目标系统对应 的系统代码中定位所述用户操作模块相匹配的目标代码段。
[权利要求 16] 根据权利要求 15所述的电子设备， 其特征在于， 在所述目标系统对应 的系统代码中定位所述用户操作模块相匹配的目标代码段的步骤之后 ， 所述处理器还被配置为： 根据所述系统性能瓶颈生成与所述目 标代码段相匹配的优化方案； 控制所述目标代码段按照所述优化方案 进行优化， 将包含优化后的所述目标代码段的所述目标系统确定为第 一待测试系统； 判断所述第一待测试系统是否存在所述系统性能瓶颈 ; 如果是， 向所述目标代码段对应的代码维护人员发送用于指示对所 述目标代码段进行调优的调优指令； 如果否， 输出用于提示所述系统 性能瓶颈已解决的提示信息。
[权利要求 17] 根据权利要求 16所述的电子设备， 其特征在于， 在所述向所述目标代 码段对应的代码维护人员发送用于指示对所述目标代码段进行调优的 调优指令的步骤之后， 所述处理器还被配置为： 确定与所述目标代码段存在调用关系的调用代码段， 所述调用关系包 括调用或者被调用； 向所述调用代码段对应的调用代码维护人员发送 用于指示对所述调用代码段进行检测的检测指令。
[权利要求 18] 根据权利要求 16或 17所述的电子设备， 其特征在于， 在所述根据所述 系统性能瓶颈生成与所述目标代码段相匹配的优化方案的步骤中， 所 述处理器被配置为：
在预置优化方案数据库中确定与所述系统性能瓶颈和所述目标代码段 相匹配的优化模板； 利用所述目标代码段的参数更改所述优化模板的 参数信息， 获得目标优化模板， 并确定包含所述目标优化模板的优化 方案。
[权利要求 19] 根据权利要求 18所述的电子设备， 其特征在于， 在所述获取所述目标 机器学习模型输出的系统性能瓶颈对应的用户操作模块的步骤之后， 所述处理器被配置为： 当所述用户操作模块的数量大于等于两个 时， 以所述系统性能指标与所述用户操作数据为依据， 获取所述用户 操作模块的系统资源调度情况； 判断所述系统资源调度情况是否存在 系统资源调度冲突的情况； 如果是， 根据所述系统资源调度冲突调整 所述系统资源调度情况至目标系统资源调度情况， 用以解决所述系统 资源调度冲突； 如果否， 执行所述的在预置优化方案数据库中确定与 所述系统性能瓶颈和所述目标代码段相匹配的优化模板。
[权利要求 20] 根据权利要求 19所述的电子设备， 其特征在于， 在所述根据所述系统 资源调度冲突调整所述系统资源调度情况至目标系统资源调度情况， 用以解决所述系统资源调度冲突的步骤之后， 所述处理器还被配置为 将调整至所述目标系统资源调度情况的所述目标系统确定为第二待测 试系统； 判断所述第二待测试系统是否存在所述系统性能瓶颈； 如果 是， 执行所述的在预置优化方案数据库中确定与所述系统性能瓶颈和 所述目标代码段相匹配的优化模板。
[权利要求 21] 根据权利要求 20所述的电子设备， 其特征在于， 在判断出所述第二待 测试系统不存在所述系统性能瓶颈的步骤之后， 所述处理器还被配置 为：
将所述目标系统资源调度情况与所述系统性能瓶颈存储至系统性能瓶 颈数据库。
[权利要求 22] 一种计算机非易失性可读存储介质， 其上存储有计算机程序， 所述程 序被处理器执行时实现下步骤：
在服务器的日志文件中获取目标系统的系统性能指标与用户操作数据 ， 所述用户操作数据为用户在所述目标系统上进行操作产生的数据； 将所述系统性能指标与所述用户操作数据输入目标机器学习模型， 获 取所述目标机器学习模型输出的系统性能瓶颈对应的用户操作模块， 所述系统性能瓶颈为所述目标系统的性能瓶颈； 在所述目标系统对应 的系统代码中定位所述用户操作模块相匹配的目标代码段。
[权利要求 23] 根据权利要求 22所述的计算机非易失性可读存储介质， 其特征在于， 在所述目标系统对应的系统代码中定位所述用户操作模块相匹配的目 标代码段的步骤之后， 所述处理器还被配置为： 根据所述系统性 能瓶颈生成与所述目标代码段相匹配的优化方案； 控制所述目标代码 段按照所述优化方案进行优化， 将包含优化后的所述目标代码段的所 述目标系统确定为第一待测试系统； 判断所述第一待测试系统是否存 在所述系统性能瓶颈； 如果是， 向所述目标代码段对应的代码维护人 员发送用于指示对所述目标代码段进行调优的调优指令； 如果否， 输 出用于提示所述系统性能瓶颈已解决的提示信息。
[权利要求 24] 根据权利要求 23所述的计算机非易失性可读存储介质， 其特征在于， 在所述向所述目标代码段对应的代码维护人员发送用于指示对所述目 标代码段进行调优的调优指令的步骤之后， 所述处理器还被配置为： 确定与所述目标代码段存在调用关系的调用代码段， 所述调用关系包 括调用或者被调用； 向所述调用代码段对应的调用代码维护人员发送 用于指示对所述调用代码段进行检测的检测指令。
[权利要求 25] 根据权利要求 23或 24所述的计算机非易失性可读存储介质， 其特征在 于， 在所述根据所述系统性能瓶颈生成与所述目标代码段相匹配的优 化方案的步骤中， 所述处理器被配置为：
在预置优化方案数据库中确定与所述系统性能瓶颈和所述目标代码段 相匹配的优化模板； 利用所述目标代码段的参数更改所述优化模板的 参数信息， 获得目标优化模板， 并确定包含所述目标优化模板的优化 方案。
[权利要求 26] 根据权利要求 25所述的计算机非易失性可读存储介质， 其特征在于， 在所述获取所述目标机器学习模型输出的系统性能瓶颈对应的用户操 作模块的步骤之后， 所述处理器还被配置为： 当所述用户操作模 块的数量大于等于两个时， 以所述系统性能指标与所述用户操作数据 为依据， 获取所述用户操作模块的系统资源调度情况； 判断所述系统 资源调度情况是否存在系统资源调度冲突的情况； 如果是， 根据所述 系统资源调度冲突调整所述系统资源调度情况至目标系统资源调度情 况， 用以解决所述系统资源调度冲突； 如果否， 执行所述的在预置优 化方案数据库中确定与所述系统性能瓶颈和所述目标代码段相匹配的 优化模板。
[权利要求 27] 根据权利要求 26所述的计算机非易失性可读存储介质， 其特征在于， 在所述根据所述系统资源调度冲突调整所述系统资源调度情况至目标 系统资源调度情况， 用以解决所述系统资源调度冲突的步骤之后， 所 述处理器还被配置为：
将调整至所述目标系统资源调度情况的所述目标系统确定为第二待测 试系统； 判断所述第二待测试系统是否存在所述系统性能瓶颈； 如果 是， 执行所述的在预置优化方案数据库中确定与所述系统性能瓶颈和 所述目标代码段相匹配的优化模板。
[权利要求 28] 根据权利要求 27所述的计算机非易失性可读存储介质， 其特征在于， 在判断出所述第二待测试系统不存在所述系统性能瓶颈的步骤之后， 所述处理器还被配置为：
将所述目标系统资源调度情况与所述系统性能瓶颈存储至系统性能瓶 颈数据库。
PCT/CN2019/118050 2019-04-19 2019-11-13 系统性能瓶颈定位方法及系统 WO2020211359A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910318471.X 2019-04-19
CN201910318471.XA CN110162442B (zh) 2019-04-19 2019-04-19 一种系统性能瓶颈定位方法及系统

Publications (1)

Publication Number Publication Date
WO2020211359A1 true WO2020211359A1 (zh) 2020-10-22

Family

ID=67639675

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/118050 WO2020211359A1 (zh) 2019-04-19 2019-11-13 系统性能瓶颈定位方法及系统

Country Status (2)

Country Link
CN (1) CN110162442B (zh)
WO (1) WO2020211359A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113886205A (zh) * 2021-09-28 2022-01-04 招商银行股份有限公司 数据库性能瓶颈定位分析方法、装置、系统及存储介质

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110162442B (zh) * 2019-04-19 2022-09-27 平安科技（深圳）有限公司 一种系统性能瓶颈定位方法及系统
CN112463576B (zh) * 2019-09-09 2023-09-12 北京东土科技股份有限公司 云计算性能测试方法、装置、设备及存储介质
CN111881007B (zh) * 2019-10-11 2022-11-15 马上消费金融股份有限公司 操作行为判断方法、装置、设备及计算机可读存储介质
US11593178B2 (en) * 2021-01-13 2023-02-28 Dell Products, L.P. ML-to-ML orchestration system and method for system wide information handling system (IHS) optimization
CN113626073B (zh) * 2021-08-06 2022-06-10 航天中认软件测评科技（北京）有限责任公司 一种基于知识库的软件适配优化方法
CN115878439B (zh) * 2023-01-06 2023-05-09 北京仁科互动网络技术有限公司 系统性能瓶颈定位方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101316185A (zh) * 2007-06-01 2008-12-03 阿里巴巴集团控股有限公司 一种基于日志文件的分析结果定位系统资源瓶颈的方法
US9436589B2 (en) * 2013-03-15 2016-09-06 Microsoft Technology Licensing, Llc Increasing performance at runtime from trace data
CN106407078A (zh) * 2016-09-26 2017-02-15 中国工商银行股份有限公司 基于信息交互的客户端性能监控装置及方法
CN108491320A (zh) * 2018-03-05 2018-09-04 平安普惠企业管理有限公司 应用程序的异常分析方法、装置、计算机设备和存储介质
CN109408364A (zh) * 2018-08-28 2019-03-01 深圳壹账通智能科技有限公司 软件产品的性能分析方法、装置、终端及计算机存储介质
CN110162442A (zh) * 2019-04-19 2019-08-23 平安科技（深圳）有限公司 一种系统性能瓶颈定位方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9032375B2 (en) * 2011-04-27 2015-05-12 International Business Machines Corporation Performance bottleneck identification tool
CN106855844B (zh) * 2015-12-09 2020-07-31 北京神州泰岳软件股份有限公司 一种性能测试方法和系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101316185A (zh) * 2007-06-01 2008-12-03 阿里巴巴集团控股有限公司 一种基于日志文件的分析结果定位系统资源瓶颈的方法
US9436589B2 (en) * 2013-03-15 2016-09-06 Microsoft Technology Licensing, Llc Increasing performance at runtime from trace data
CN106407078A (zh) * 2016-09-26 2017-02-15 中国工商银行股份有限公司 基于信息交互的客户端性能监控装置及方法
CN108491320A (zh) * 2018-03-05 2018-09-04 平安普惠企业管理有限公司 应用程序的异常分析方法、装置、计算机设备和存储介质
CN109408364A (zh) * 2018-08-28 2019-03-01 深圳壹账通智能科技有限公司 软件产品的性能分析方法、装置、终端及计算机存储介质
CN110162442A (zh) * 2019-04-19 2019-08-23 平安科技（深圳）有限公司 一种系统性能瓶颈定位方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113886205A (zh) * 2021-09-28 2022-01-04 招商银行股份有限公司 数据库性能瓶颈定位分析方法、装置、系统及存储介质

Also Published As

Publication number Publication date
CN110162442A (zh) 2019-08-23
CN110162442B (zh) 2022-09-27

Similar Documents

Publication Publication Date Title
WO2020211359A1 (zh) 系统性能瓶颈定位方法及系统
CN110069401B (zh) 基于数据建模的系统测试异常定位方法及系统
US11195529B2 (en) System and method for managing speech recognition
CN110134593B (zh) 软件测试方法、装置、电子设备及存储介质
CN110147318B (zh) 一种生成测试数据的方法及装置、电子设备
CN109951512B (zh) 用户偏好确定方法、系统、电子设备及存储介质
WO2020233065A1 (zh) 网络环境测试方法、装置及终端设备
CN110334008B (zh) 一种数据自动化处理方法、装置、电子设备及存储介质
CN108365982A (zh) 设备异常调试方法、装置、设备和存储介质
CN110347565B (zh) 一种应用程序的异常分析方法及装置、电子设备
CN110046095B (zh) 基于测试流程改进的系统集成方法及装置
CN111209195B (zh) 一种生成测试用例的方法及装置
CN110716914B (zh) 数据库配置方法、系统、计算机可读存储介质及终端设备
CN110362459B (zh) 一种基于SpringAop的系统性能监控方法及装置、电子设备
US20200272550A1 (en) Computing device and method for analyzing device
CN114584261B (zh) 数据处理方法、装置及存储介质
CN109783332B (zh) 基于数据建模的服务器告警方法及系统
CN117480492A (zh) 设备性能监测系统
CN109981406B (zh) 测试方法、装置、系统和计算机可读存储介质
CN109902023B (zh) 一种测试代码移交控制方法及装置
CN109783313B (zh) 一种系统异常处理方法及系统
CN106911497A (zh) 识别、适配系统更新设备的方法和装置
CN111611156B (zh) 功能测试方法、功能测试装置及计算机可读存储介质
CN105471942A (zh) 黄页信息的显示方法、装置及系统
CN111427566B (zh) 适于模拟接口平台的数据处理方法和装置、服务器

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19925420

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19925420

Country of ref document: EP

Kind code of ref document: A1