[發明專利]一種基于人工智能的前端性能問題檢測方法

有效

• 申請號: 202010612558.0
• 申請日: 2020-06-30
• 公開（公告）號: CN111667021B
• 公開（公告）日: 2023-07-21
• 發明（設計）人: 周穎穎
• 申請（專利權）人: 上海儀電（集團）有限公司中央研究院
• 主分類號: G06F18/25
• 分類號: G06F18/25;G06F18/214;G06N3/0464
• 代理公司: 上海容慧專利代理事務所(普通合伙) 31287
• 代理人: 于曉菁

1.一種基于人工智能的前端性能問題檢測方法，其特征在于：按照如下步驟進行檢測：

S1采集前端網站運行時參數的時序數據；

S2將采集到的時序數據轉化成多元參數時序圖，并進行圖片標注；S3將標注后的多元參數時序圖輸入深度學習模型，進行異常目標檢測模型訓練，得出處理結論；

S3中所述異常目標檢測模型訓練的具體步驟如下：

S31獲取訓練集，利用訓練集對深度卷積神經網絡進行訓練迭代；S32通過測試集得到識別率，

S33設置閾值；

S34若識別率小于閾值，則用分類器對訓練集樣本進行分類，將出錯率很大的樣本放入錯誤分類池中，提高學習權重，重新返回S31進行訓練，迭代優化模型；

若識別率大于等于閾值，則模型訓練結束；

S4將處理結論進行融合后，根據性能問題知識庫和問題推理單元的推理規則，輸出性能問題結論；

所述參數包括每秒幀數、CPU占用情況、各個請求花費時間中的一種或幾種；

所述推理規則為：將融合處理得到的結論與規則引擎中的規則進行模式匹配，找到最匹配的規則。

2.根據權利要求1所述的一種基于人工智能的前端性能問題檢測方法，其特征在于：S2中所述的圖片標注是指在多元參數時序圖上標記出問題類型，形成數據集，其中80％用于訓練集，剩余20％用于測試集。

3.根據權利要求1所述的一種基于人工智能的前端性能問題檢測方法，其特征在于：S3中所述的深度學習模型為深度卷積神經網絡模型。

4.一種基于人工智能的前端性能問題檢測系統，其特征在于：包括多元信息采集模塊，包括多元信息采集單元和數據預處理單元，其中多元信息采集單元，用于采集前端網站運行時的相關參數的時序數據；數據預處理單元，用于將多元時序數據轉化成多元參數時序圖；

深度學習模塊，其中建立有深度卷積神經網絡模型，用于對多元時序圖進行異常目標檢測；所述異常目標檢測模型訓練的具體步驟如下：

S31獲取訓練集，利用訓練集對深度卷積神經網絡進行訓練迭代；S32通過測試集得到識別率，

S33設置閾值；

S34若識別率小于閾值，則用分類器對訓練集樣本進行分類，將出錯率很大的樣本放入錯誤分類池中，提高學習權重，重新返回S31進行訓練，迭代優化模型；

若識別率大于等于閾值，則模型訓練結束；

故障推理模塊，包括融合聚合單元和問題推理單元，其中融合聚合單元，用于對深度神經網絡輸出的多個結論進行融合處理；問題推理單元，根據性能問題知識庫和推理規則，輸出性能問題結論；所述推理規則為：將融合處理得到的結論與規則引擎中的規則進行模式匹配，找到最匹配的規則。

5.一種基于人工智能的前端性能問題檢測裝置，其特征在于：所述裝置采用客戶/服務器模式，包括終端裝置、Web服務器、后端服務器、模型庫，Web服務器用于提供面向用戶的終端裝置，用戶通過終端裝置上傳前端網站運行時的相關參數的時序數據或者多參數時序圖，后端服務器根據場景，動態調用模型庫，對用戶上傳數據進行處理，將最終結論返回給用戶；

按照如下步驟進行檢測：

S1采集前端網站運行時參數的時序數據；

S2將采集到的時序數據轉化成多元參數時序圖，并進行圖片標注；S3將標注后的多元參數時序圖輸入深度學習模型，進行異常目標檢測模型訓練，得出處理結論；

所述異常目標檢測模型訓練的具體步驟如下：

S31獲取訓練集，利用訓練集對深度卷積神經網絡進行訓練迭代；S32通過測試集得到識別率，

S33設置閾值；

S34若識別率小于閾值，則用分類器對訓練集樣本進行分類，將出錯率很大的樣本放入錯誤分類池中，提高學習權重，重新返回S31進行訓練，迭代優化模型；

若識別率大于等于閾值，則模型訓練結束；

S4將處理結論進行融合后，根據性能問題知識庫和問題推理單元的推理規則，輸出性能問題結論；

所述參數包括每秒幀數、CPU占用情況、各個請求花費時間中的一種或幾種；

所述推理規則為：將融合處理得到的結論與規則引擎中的規則進行模式匹配，找到最匹配的規則。