自适应事件聚合制造技术

本发明专利技术公开了一种自适应聚合。使用多个代理监视应用程序网络。执行自适应事件聚合以确定聚合维度的保留值。基于聚合维度生成应用程序网络的报告。

Adaptive Event Aggregation

【技术实现步骤摘要】
自适应事件聚合其他申请的交叉引用本申请要求于2017年10月30日提交的标题为“自适应事件聚合(ADAPTIVEEVENTAGGREGATION)”的美国临时专利申请No.62/579,045的优先权，其出于所有目的通过引用并入本文。
技术介绍
应用程序网络包括与多个客户端计算机耦合的至少一个服务器计算机，通常经由至少一个API(应用程序编程接口)进行通信。应用程序网络的普及可能导致数万个API调用，其表示客户端到服务器的调用。出于监控、故障排除和/或分析的目的，API调用的数量可能非常大。附图说明在下文的具体实施方式和附图中公开了本专利技术的各种实施例。图1是示出根据一些实施例的用于自适应事件聚合的编程的计算机/服务器系统的功能图。图2A是应用程序网络可视化的图示。图2B示出了应用程序网络的样本形状。图3示出了代理和拓扑服务器。图4是用于自适应事件聚合的序列图的图示。图5是示出用于自适应事件聚合的过程的实施例的流程图。图6是示出用于聚合处理的过程的实施例的流程图。具体实施方式本专利技术可以以多种方式实现，包括实现为过程；装置；系统；物质的组成；包含在计算机可读存储介质上的计算机程序产品；和/或处理器，诸如被配置为执行存储在耦合到处理器的存储器上和/或由耦合到处理器的存储器提供的指令的处理器。在本说明书中，这些实现或本专利技术可以采用的任何其他形式可以称为技术。通常，可以在本专利技术的范围内改变所公开的过程的步骤的顺序。除非另有说明，否则组件(诸如描述为被配置为执行任务的处理器或存储器)可以被实现为临时配置为在给定时间执行任务的通用组件或者被制造为执行任务的特定组件。如本文所使用的，术语“处理器”指的是被配置为处理数据(诸如计算机程序指令)的一个或更多个设备、电路和/或处理核。下面提供本专利技术的一个或更多个实施例的详细描述以及说明本专利技术原理的附图。结合这些实施例描述了本专利技术，但是本专利技术不限于任何实施例。本专利技术的范围仅由权利要求限制，并且本专利技术包括许多可选方案、修改和等同物。在以下描述中阐述了许多具体细节，以便提供对本专利技术的透彻理解。提供这些细节是出于示例的目的，并且可以在没有这些具体细节中的部分或全部的情况下根据权利要求来实践本专利技术。为了清楚起见，没有详细描述与本专利技术相关的
中已知的技术材料，从而不会不必要地模糊本专利技术。公开了自适应事件聚合。在一个实施例中，轻量级代理(lightweightagent)监视网络/API通信，其仅需使用主机上的小存储器/处理器资源来捕获相关度量(metric)。在数据流之前不需要具有先验知识，例如，要捕获的度量是否在服务器和具有相对较少的API调用的服务器之间，或要捕获的度量是否在服务器和具有大量API调用的客户端之间。在任何一种情况下，都可以通过完全无损事件报告捕获相关度量，而无需统计采样。对不同计算环境的内联、实时学习确定哪些维度与这种无损报告相关，以及在大量API调用的情况下，哪些维度可能是有损的和/或聚合的/退化的(collapsed)。相比之下，传统上没有关于是否存在大量API调用的先验知识，采样被用于事件监视、故障排除和/或分析。另一种传统方法是捕获所有用于离线和/或后处理的API调用，这在大规模上可能在计算/存储器/时间/网络/财务资源方面是昂贵的。公开了一种运行时间应用程序网络可视化器。可视化器显示软件应用程序实例之间的应用程序间API通信。在运行时间应用程序网络可视化中，每个应用程序实例可以表示为图形节点。可以通过从一个应用程序实例到另一个应用程序实例捕获的API调用事件导出源信息和目的地信息的唯一组合来生成图形边缘。API调用事件的数量可以是每分钟每个应用程序实例单个数字到数万个。每个应用程序实例使用大量API调用事件来导出边缘可能会消耗大量计算资源。公开了一种用于聚合API调用事件以减少边缘生成中使用的计算资源量的系统。该系统自适应地学习和保存重要信息。在一个实施例中，轻量级代理监视网络/API通信和/或监视事件。这些轻量级代理在内存、处理器和/或网络容量方面具有足够的资源。与传统的统计采样相比，这些代理使用无损事件报告捕获相关度量。这些代理针对不同的计算环境执行内联、实时学习，以确定哪些维度与这种无损报告相关，以及哪些维度可能是有损的和/或聚合的/退化的。图1是示出根据一些实施例的用于自适应事件聚合的编程的计算机/服务器系统的功能图。如图所示，图1提供了根据一些实施例的被编程为提供自适应事件聚合的通用计算机系统的功能图。显而易见的是，其他计算机系统架构和配置可以用于自适应事件聚合。包括如下所述的各种子系统的计算机系统100包括至少一个微处理器子系统，也称为处理器或中央处理单元(“CPU”)102。例如，处理器102可以由单芯片处理器或多核和/或处理器实现。在一些实施例中，处理器102是控制计算机系统100的操作的通用数字处理器。使用从存储器110检索的指令，处理器102控制输入数据的接收和操纵，以及数据在输出设备上的输出和显示，例如显示器和图形处理单元(GPU)118。处理器102与存储器110双向耦合，存储器110可包括第一主存储器，通常是随机存取存储器(“RAM”)，以及第二主存储区域，通常是只读存储器(“ROM”)。如本领域所公知的，主存储器可以用作通用存储区域和高速暂存存储器，并且还可以用于存储输入数据和经处理的数据。除了用于在处理器102上操作的进程的其他数据和指令之外，主存储器还可以以数据对象和文本对象的形式存储编程指令和数据。同样如本领域所公知的，主存储器通常包括处理器102用于执行其功能的基本操作指令、程序代码、数据和对象，例如，编程指令。例如，主存储设备110可以包括下面描述的任何合适的计算机可读存储介质，这取决于例如数据访问是否需要是双向的或单向的。例如，处理器102还可以直接且非常快速地检索经常需要的数据并将其存储到高速缓存存储器(未示出)中。处理器102还可以包括协处理器(未示出)作为附加处理组件以辅助处理器和/或存储器110。可移除大容量存储设备112为计算机系统100提供额外的数据存储容量，并且可以双向(读/写)或单向(只读)耦合到处理器102。例如，存储器112可以还包括计算机可读介质，诸如闪存、便携式大容量存储设备、全息存储设备、磁设备、磁光设备、光学设备和其他存储设备。固定大容量存储器120还可以例如提供额外的数据存储容量。大容量存储器120的一个示例是eMMC或microSD设备。在一个实施例中，大容量存储器120是通过总线114连接的固态驱动器。大容量存储器112、120通常存储处理器102通常并不主动使用的附加编程指令、数据等。应当理解，如果需要，可以将大容量存储器112、120中保留的信息以标准方式并入，作为主存储器110(例如RAM)的一部分、作为虚拟存储器。除了向处理器102提供对存储子系统的访问之外，总线114还可用于提供对其他子系统和设备的访问。如图所示，这些可以包括显示监视器118、通信接口116、触摸(或物理)键盘104以及一个或更多个辅助输入/输出设备106(包括音频接口、声卡、麦克风、音频端口、音频记录设备、音频卡、扬声器、触摸(或点击)设备和/或根据需要的其他子系统)。除了触摸屏和/或电本文档来自技高网...

【技术保护点】
1.一种系统，包括：处理器；以及存储器，所述存储器与所述处理器耦合，其中所述存储器被配置为向所述处理器提供指令，所述指令在被执行时使所述处理器：使用多个代理监视应用程序网络；执行自适应事件聚合以确定聚合维度的保留值；以及基于所述聚合维度生成所述应用程序网络的报告。

【技术特征摘要】
2017.10.30 US 62/579,045;2018.01.18 US 15/874,7141.一种系统，包括：处理器；以及存储器，所述存储器与所述处理器耦合，其中所述存储器被配置为向所述处理器提供指令，所述指令在被执行时使所述处理器：使用多个代理监视应用程序网络；执行自适应事件聚合以确定聚合维度的保留值；以及基于所述聚合维度生成所述应用程序网络的报告。2.如权利要求1所述的系统，其中所述多个代理包括多个轻量级代理。3.如权利要求1所述的系统，其中执行自适应事件聚合包括至少部分地基于事件的聚合来确定聚合维度的所述保留值，所述事件与使用所述多个代理监视所述应用程序网络相关联。4.如权利要求1所述的系统，其中所述报告包括以下中的至少一个：所述应用程序网络的可视化，事件监视报告和网络拓扑报告。5.如权利要求1所述的系统，其中执行自适应事件聚合包括执行内联学习和事件数据的收集。6.如权利要求1所述的系统，其中所述处理器包括聚合处理器，并且其中所述自适应事件聚合由所述聚合处理器执行。7.如权利要求6所述的系统，其中所述聚合处理器还被配置为：将数据集合采样到学习缓冲区中；在所述学习缓冲区已满的情况下使用学习来识别所述聚合维度的保留值；使用内联聚合将附加事件存储到溢出缓冲区中；以及从所述学习缓冲区和所述溢出缓冲区中提取聚合结果。8.如权利要求7所述的系统，其中所述聚合维度可配置为以下中的至少一个：无损的维度，有损的维度和退化的维度。9.如权利要求7所述的系统，其中识别所述保留值包括将度量配置为以下中的至少一个：聚合的和未使用的。10.如权利要求7所述的系统，其中以下中的至少一个是可配置的：学习缓冲区大小，学习算法，输出大小和保留值计数。11.如权利要求7所述的系统，其中存储附加事件包括对附加事件的线性计算，所述附加事件包括保留值的无损度量。12.如权利要求7所述的系统，其中使用学习识别包括使用以下中的至少一个...

【专利技术属性】
技术研发人员：江·吴，A·瓦伊拉雅，黄子正，P·G·韦加，
申请(专利权)人：慕莱索夫特公司，
类型：发明
国别省市：美国,US