[發明專利]服務器性能預測方法和裝置

有效

• 申請號: 201710484892.0
• 申請日: 2017-06-23
• 公開（公告）號: CN109117352B
• 公開（公告）日: 2020-08-07
• 發明（設計）人: 程捷;黃征;彭家駿
• 申請（專利權）人: 華為技術有限公司
• 主分類號: G06F11/34
• 分類號: G06F11/34
• 代理公司: 北京中博世達專利商標代理有限公司 11274
• 代理人: 申健

本申請公開了一種服務器性能預測方法和裝置，涉及計算機領域，用于實現結合用戶行為來預測服務器性能。該方法包括：對第一訪問日志中的用戶請求進行過濾得到第一請求序列；根據第一請求序列得到第一特征向量集合，第一特征向量集合中的每個特征向量對應第一請求序列中的一個用戶請求，用于指示對應用戶請求所屬的種類；根據負載生成模型和第一特征向量集合得到預測請求序列，并根據預測請求序列和時間概率模型得到第二請求序列，預測請求序列用于指示預測的用戶請求所屬的種類，第二請求序列用于指示預測的用戶請求的時間序列；根據性能預測模型和第二請求序列得到預測的服務器性能指標。本申請實施例應用于服務器性能預測。

技術領域

本申請涉及計算機領域，尤其涉及一種服務器性能預測方法和裝置。

背景技術

隨著計算機應用的日益增長和普及，應用系統變得越來越復雜。同時，隨著瀏覽器/服務器(Browser/Server，B/S)應用結構的推廣，數據處理進一步向服務器集中，這對服務器的性能管理提出了新的挑戰，而正確有效地預測服務器性能負載，確保服務器的服務質量，是計算機系統性能管理系統的一個重要環節。

傳統的服務器性能預測方法包括最小二乘法、二次指數平滑法、遞歸神經網絡(Recurrent Neural Network，RNN)等。這些方法的原理是采集服務器性能隨時間的變化曲線，之后通過算法進行擬合以建立性能與時間軸的關系，以此來對未來時間的服務器性能進行預測。

上述方法相當于認為影響服務器性能的僅僅是時間因素，而這與網站架設的一般規律相違背，例如購物節、降價促銷等活動期間會因為用戶行為因素介入使得服務器性能劇烈變化，此時的服務器性能與時間不再符合擬合出的關系。

發明內容

本申請的實施例提供一種服務器性能預測方法和裝置，用于實現結合用戶行為來預測服務器性能。

為達到上述目的，本申請的實施例采用如下技術方案：

第一方面，提供了一種服務器性能預測方法和裝置，該方法包括：對第一訪問日志中的用戶請求進行過濾，得到第一請求序列；根據第一請求序列得到對應的第一特征向量集合，第一特征向量集合中的每個特征向量對應于第一請求序列中的一個用戶請求，并且用于指示對應的用戶請求所屬的種類；根據負載生成模型和第一特征向量集合得到預測請求序列，并根據預測請求序列和時間概率模型得到第二請求序列，預測請求序列用于指示預測的各個用戶請求所屬的種類，第二請求序列用于指示預測的各個用戶請求的時間序列；根據性能預測模型和第二請求序列得到預測的服務器性能指標，性能預測模型用于指示用戶請求與服務器性能指標的對應關系。本申請實施例提供的服務器性能預測方法，通過訪問日志中的用戶請求進行數學抽象后得到向量集合，輸入負載生成模型以得到估計的未來的用戶請求，結合時間概率模型得到未來的具體的用戶請求序列，最后輸入性能預測模型得到預測的服務器性能指標。由于預測結果不僅與時間相關，而且與具體的用戶請求(用戶行為相關)，實現結合用戶行為來預測服務器性能。

在一種可能的設計中，在對第一訪問日志中的用戶請求進行過濾，得到第一請求序列之前，該方法還包括：對第二訪問日志中的用戶請求進行過濾，得到第二請求序列；根據第二請求序列得到對應的第二特征向量集合，第二特征向量集合中的每個特征向量對應于第二請求序列中的一個用戶請求，并且用于指示對應的用戶請求所屬的種類；根據第二特征向量集合和目標函數對負載生成模型進行訓練；根據第二請求序列構造時間概率模型。該設計提供了訓練負載生成模型的方法。

在一種可能的設計中，根據第二特征向量集合和目標函數對負載生成模型進行訓練，包括：將第二特征向量集合按照時序順序排序，或者按照用戶排序；將經排序后的第二特征向量集合劃分為長度均為M的子集合；以各個子集合中的第1～a個特征向量作為輸入來獲取負載生成模型的模擬輸出，以第a+1～M個特征向量作為實際輸出；將模擬輸出和實際輸出根據目標函數對負載生成模型進行訓練，其中，1＝aM，a、M為整數。該設計提供了訓練負載生成模型的具體方式。