服务器性能预测方法和装置制造方法及图纸

本申请公开了一种服务器性能预测方法和装置，涉及计算机领域，用于实现结合用户行为来预测服务器性能。该方法包括：对第一访问日志中的用户请求进行过滤得到第一请求序列；根据第一请求序列得到第一特征向量集合，第一特征向量集合中的每个特征向量对应第一请求序列中的一个用户请求，用于指示对应用户请求所属的种类；根据负载生成模型和第一特征向量集合得到预测请求序列，并根据预测请求序列和时间概率模型得到第二请求序列，预测请求序列用于指示预测的用户请求所属的种类，第二请求序列用于指示预测的用户请求的时间序列；根据性能预测模型和第二请求序列得到预测的服务器性能指标。本申请实施例应用于服务器性能预测。

Server Performance Prediction Method and Device

This application discloses a method and device for server performance prediction, which relates to the computer field and is used to realize prediction of server performance in combination with user behavior. The method includes: filtering user requests in the first access log to obtain the first request sequence; obtaining the first set of eigenvectors according to the first request sequence; each eigenvector in the first set of eigenvectors corresponds to a user request in the first request sequence, which is used to indicate the type of corresponding user requests; generating the model according to the load and the first set of eigenvectors. The predicted request sequence is obtained, and the second request sequence is obtained according to the predicted request sequence and the time probability model. The predicted request sequence is used to indicate the type of predicted user request, and the second request sequence is used to indicate the predicted user request time sequence. The predicted server performance index is obtained according to the performance prediction model and the second request sequence. The embodiment of this application is applied to server performance prediction.

【技术实现步骤摘要】
服务器性能预测方法和装置
本申请涉及计算机领域，尤其涉及一种服务器性能预测方法和装置。
技术介绍
随着计算机应用的日益增长和普及，应用系统变得越来越复杂。同时，随着浏览器/服务器(Browser/Server，B/S)应用结构的推广，数据处理进一步向服务器集中，这对服务器的性能管理提出了新的挑战，而正确有效地预测服务器性能负载，确保服务器的服务质量，是计算机系统性能管理系统的一个重要环节。传统的服务器性能预测方法包括最小二乘法、二次指数平滑法、递归神经网络(RecurrentNeuralNetwork，RNN)等。这些方法的原理是采集服务器性能随时间的变化曲线，之后通过算法进行拟合以建立性能与时间轴的关系，以此来对未来时间的服务器性能进行预测。上述方法相当于认为影响服务器性能的仅仅是时间因素，而这与网站架设的一般规律相违背，例如购物节、降价促销等活动期间会因为用户行为因素介入使得服务器性能剧烈变化，此时的服务器性能与时间不再符合拟合出的关系。
技术实现思路
本申请的实施例提供一种服务器性能预测方法和装置，用于实现结合用户行为来预测服务器性能。为达到上述目的，本申请的实施例采用如下技术方案：第一方面，提供了一种服务器性能预测方法和装置，该方法包括：对第一访问日志中的用户请求进行过滤，得到第一请求序列；根据第一请求序列得到对应的第一特征向量集合，第一特征向量集合中的每个特征向量对应于第一请求序列中的一个用户请求，并且用于指示对应的用户请求所属的种类；根据负载生成模型和第一特征向量集合得到预测请求序列，并根据预测请求序列和时间概率模型得到第二请求序列，预测请求序列用于指示预测的各个用户请求所属的种类，第二请求序列用于指示预测的各个用户请求的时间序列；根据性能预测模型和第二请求序列得到预测的服务器性能指标，性能预测模型用于指示用户请求与服务器性能指标的对应关系。本申请实施例提供的服务器性能预测方法，通过访问日志中的用户请求进行数学抽象后得到向量集合，输入负载生成模型以得到估计的未来的用户请求，结合时间概率模型得到未来的具体的用户请求序列，最后输入性能预测模型得到预测的服务器性能指标。由于预测结果不仅与时间相关，而且与具体的用户请求(用户行为相关)，实现结合用户行为来预测服务器性能。在一种可能的设计中，在对第一访问日志中的用户请求进行过滤，得到第一请求序列之前，该方法还包括：对第二访问日志中的用户请求进行过滤，得到第二请求序列；根据第二请求序列得到对应的第二特征向量集合，第二特征向量集合中的每个特征向量对应于第二请求序列中的一个用户请求，并且用于指示对应的用户请求所属的种类；根据第二特征向量集合和目标函数对负载生成模型进行训练；根据第二请求序列构造时间概率模型。该设计提供了训练负载生成模型的方法。在一种可能的设计中，根据第二特征向量集合和目标函数对负载生成模型进行训练，包括：将第二特征向量集合按照时序顺序排序，或者按照用户排序；将经排序后的第二特征向量集合划分为长度均为M的子集合；以各个子集合中的第1～a个特征向量作为输入来获取负载生成模型的模拟输出，以第a+1～M个特征向量作为实际输出；将模拟输出和实际输出根据目标函数对负载生成模型进行训练，其中，1<＝a<M，a、M为整数。该设计提供了训练负载生成模型的具体方式。在一种可能的设计中，目标函数为其中，fi(W)为目标函数，L(W)为模拟输出，Yi为实际输出，W为负载生成模型的参数，gj()函数用于统计模拟输出或实际输出的个数，λ为比例系数，i为向量标号，j为gj()函数标号，模拟输出的个数与实际输出的个数相同。该设计提供了目标函数的具体方式。在一种可能的设计中，目标函数为其中，fi(W)为目标函数，L(W)为模拟输出，Yi为实际输出，W为负载生成模型的参数，λ为比例系数，i为向量标号。该设计提供了目标函数的具体方式。在一种可能的设计中，在对第一访问日志中的用户请求进行过滤，得到第一请求序列之前，该方法还包括：对第三访问日志中的用户请求进行过滤，得到第三请求序列；根据第三时间序列得到第三特征向量集合，第三特征向量集合包括至少一个N维特征向量，N维特征向量的一个维度对应一种用户请求在单位时间窗口内的访问次数；根据第三访问日志获得与第三特征向量集合对应的性能指标；根据第三特征向量集合和对应的性能指标对性能预测模型进行训练。该设计提供了训练性能预测模型的方法。第二方面，提供了一种服务器性能预测装置，包括：过滤单元，用于对第一访问日志中的用户请求进行过滤，得到第一请求序列；获取单元，用于根据过滤单元得到的第一请求序列得到对应的第一特征向量集合，第一特征向量集合中的每个特征向量对应于第一请求序列中的一个用户请求，并且用于指示对应的用户请求所属的种类；预测单元，用于根据负载生成模型和抽象单元得到的第一特征向量集合得到预测请求序列，并根据预测请求序列和时间概率模型得到第二请求序列；预测单元，还用于根据性能预测模型和第二请求序列得到预测的服务器性能指标，性能预测模型用于指示用户请求与服务器性能指标的对应关系。基于同一专利技术构思，由于该装置解决问题的原理以及有益效果可以参见上述第一方面和第一方面的各可能的方法实施方式以及所带来的有益效果，因此该装置的实施可以参见上述第一方面和第一方面的各可能的方法的实施方式，重复之处不再赘述。第三方面，提供了一种服务器性能预测装置，包括：处理器、存储器、总线和通信接口；存储器用于存储计算机执行指令，处理器与存储器通过总线连接，当其运行时，处理器执行存储器存储的计算机执行指令，以使其执行如第一方面及其任一种可能的设计所述的方法。第四方面，提供了一种计算机存储介质，包括指令，当其在计算机上运行时，使得计算机执行如第一方面及其任一种可能的设计所述的方法。第五方面，提供了一种包括指令的计算机程序产品，当其在计算机上运行时，使得该计算机执行如第一方面及其任一种可能的设计所述的方法。需要说明的是，第三方面至第五方面所带来的技术效果可参见对应方法所带来的技术效果，此处不再赘述。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。图1为本申请的实施例提供的整体功能描述的示意图；图2为本申请的实施例提供的单个服务器的网络架构的示意图；图3为本申请的实施例提供的级联服务器集群的网络架构的示意图；图4为本申请的实施例提供的核心流程的示意图；图5为本申请的实施例提供的训练负载生成模型并构造时间概率模型的流程示意图；图6为本申请的实施例提供的负载生成模型的示意图；图7为本申请的实施例提供的训练性能预测模型的流程示意图；图8为本申请的实施例提供的性能预测模型的示意图；图9为本申请的实施例提供的服务器性能预测方法的流程示意图；图10为本申请的实施例提供的一种服务器性能预测装置的结构示意图；图11为本申请的实施例提供的另一种服务器性能预测装置的结构示意图；图12为本申请的实施例提供的又一种服务器性能预测装置的结构示意图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。本申请实施例所述的深度学习，其概念源于人工神经网络的研究。含多隐层本文档来自技高网...

【技术保护点】
1.一种服务器性能预测方法，其特征在于，包括：对第一访问日志中的用户请求进行过滤，得到第一请求序列；根据所述第一请求序列得到对应的第一特征向量集合，所述第一特征向量集合中的每个特征向量对应于第一请求序列中的一个用户请求，并且用于指示对应的用户请求所属的种类；根据负载生成模型和所述第一特征向量集合得到预测请求序列，并根据所述预测请求序列和时间概率模型得到第二请求序列，所述预测请求序列用于指示预测的各个用户请求所属的种类，所述第二请求序列用于指示预测的各个用户请求的时间序列；根据性能预测模型和所述第二请求序列得到预测的服务器性能指标，所述性能预测模型用于指示用户请求与服务器性能指标的对应关系。

【技术特征摘要】
1.一种服务器性能预测方法，其特征在于，包括：对第一访问日志中的用户请求进行过滤，得到第一请求序列；根据所述第一请求序列得到对应的第一特征向量集合，所述第一特征向量集合中的每个特征向量对应于第一请求序列中的一个用户请求，并且用于指示对应的用户请求所属的种类；根据负载生成模型和所述第一特征向量集合得到预测请求序列，并根据所述预测请求序列和时间概率模型得到第二请求序列，所述预测请求序列用于指示预测的各个用户请求所属的种类，所述第二请求序列用于指示预测的各个用户请求的时间序列；根据性能预测模型和所述第二请求序列得到预测的服务器性能指标，所述性能预测模型用于指示用户请求与服务器性能指标的对应关系。2.根据权利要求1所述的方法，其特征在于，在所述对第一访问日志中的用户请求进行过滤，得到第一请求序列之前，所述方法还包括：对第二访问日志中的用户请求进行过滤，得到第二请求序列；根据所述第二请求序列得到对应的第二特征向量集合，所述第二特征向量集合中的每个特征向量对应于所述第二请求序列中的一个用户请求，并且用于指示对应的用户请求所属的种类；根据所述第二特征向量集合和目标函数对所述负载生成模型进行训练；根据所述第二请求序列构造所述时间概率模型。3.根据权利要求2所述的方法，其特征在于，所述根据所述第二特征向量集合和目标函数对所述负载生成模型进行训练，包括：将所述第二特征向量集合按照时序顺序排序，或者按照用户排序；将经排序后的第二特征向量集合划分为长度均为M的子集合；以各个子集合中的第1～a个特征向量作为输入来获取所述负载生成模型的模拟输出，以第a+1～M个特征向量作为实际输出；将所述模拟输出和所述实际输出根据所述目标函数对所述负载生成模型进行训练，其中，1<＝a<M，a、M为整数。4.根据权利要求3所述的方法，其特征在于，所述目标函数为其中，fi(W)为所述目标函数，L(W)为所述模拟输出，Yi为所述实际输出，W为所述负载生成模型的参数，gj()函数用于统计所述模拟输出或所述实际输出的个数，λ为比例系数，i为向量标号，j为gj()函数标号，所述模拟输出的个数与所述实际输出的个数相同。5.根据权利要求3所述的方法，其特征在于，所述目标函数为其中，fi(W)为所述目标函数，L(W)为所述模拟输出，Yi为所述实际输出，W为所述负载生成模型的参数，λ为比例系数，i为向量标号。6.根据权利要求1所述的方法，其特征在于，在所述对第一访问日志中的用户请求进行过滤，得到第一请求序列之前，所述方法还包括：对第三访问日志中的用户请求进行过滤，得到第三请求序列；根据所述第三时间序列得到第三特征向量集合，所述第三特征向量集合包括至少一个N维特征向量，所述N维特征向量的一个维度对应一种用户请求在单位时间窗口内的访问次数；根据所述第三访问日志获得与所述第三特征向量集合对应的性能指标；根据所述第三特征向量集合和所述对应的性能指标对所述性能预测模型进行训练。7.一种服务器性能预测装置，其特征在于，包...

【专利技术属性】
技术研发人员：程捷，黄征，彭家骏，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：广东,44