一种系统容量预测方法及装置制造方法及图纸

本发明专利技术提供了一种系统容量预测方法及装置，系统容量预测方法包括：获取系统的交易线信息、系统的架构信息、系统的CPU数据以及TPS数据；根据所述交易线信息、架构信息、CPU数据、TPS数据以及预生成的容量预测模型对系统进行容量预测。本申请对于多个子系统之间复杂的关系进行分析，找到子系统之间性能影响的关键因子，从而可以精准的预付复杂系统的容量。

【技术实现步骤摘要】
一种系统容量预测方法及装置
本专利技术涉及计算机技术
，特别是涉及大数据运维相关
，具体涉及一种系统容量预测方法及装置。
技术介绍
现有技术中，IT系统规划中关于系统容量预测一是基于业务量与CPU使用量之间建立相关系数，通过简单的方法进行容量预测。另一方面，比较通用的方法是建立测试环境与生产环境的比对模型，通过测试环境的数据来进行生产环境容量的预测。但随着系统复杂度越来越大，上述两种方法已经不能精确预测系统容量。
技术实现思路
针对现有技术中的问题，本专利技术所提供的系统容量预测方法在充分考虑了系统中CPU以及TPS的前提下，对于多个子系统之间复杂的关系进行分析，找到子系统之间性能影响的关键因子，从而可以精准的预付复杂系统的容量。为解决上述技术问题，本专利技术提供以下技术方案：第一方面，本专利技术提供一种系统容量预测方法，包括：获取系统的交易线信息、系统的架构信息、系统的CPU数据以及TPS数据；根据所述交易线信息、架构信息、CPU数据、TPS数据以及预生成的容量预测模型对系统进行容量预测。一实施例中，系统容量预测方法还包括：对所述交易线信息、架构信息、CPU数据以及TPS数据进行预处理。一实施例中，生成所述容量预测模型包括以下步骤：根据预处理后的交易线信息、架构信息、CPU数据以及TPS数据确定所述容量预测模型的网络层数以及每层的神经元数目；根据所述网络层数以及每层的神经元数目以及神经网络算法建立所述容量预测模型的初始模型；根据所述预处理后的交易线信息、架构信息、CPU数据以及TPS数据以及预设的训练结束条件对所述初始模型进行训练，以生成所述容量预测模型。一实施例中，所述预设的训练结束条件包括：全局误差趋向最小值及/或迭代次数达到预设数值。一实施例中，所述交易线信息包括交易代码、响应时间、调用方代码以及调用概率；所述架构信息包括部署单元信息以及采集周期信息。一实施例中，所述根据所述预处理后的交易线信息、架构信息、CPU数据以及TPS数据以及预设的训练结束条件对所述初始模型进行训练，以生成所述容量预测模型，包括：以预设时间段分批采集所述交易线信息、系统的架构信息、系统的CPU数据以及TPS数据，以生成所述初始模型的训练数据；按照顺传播的方法将所述训练数据输入至所述初始模型，以生成训练结果；按照误差逆传播的方式输出所述训练结果；判断所述训练结果是否达到所述预设的训练结束条件。一实施例中，所述按照顺传播的方法将所述训练数据输入至所述初始模型，包括：将所述训练数据由所述初始模型的输入层经隐含层向输出层传播。一实施例中，所述按照误差逆传播的方式输出所述训练结果，包括：将所述误差由所述输出层经所述初始模型的隐含层向所述输入层传播。第二方面，本专利技术提供一种系统容量预测装置，该装置包括：系统数据获取单元，用于获取系统的交易线信息、系统的架构信息、系统的CPU数据以及TPS数据；系统容量预测单元，用于根据所述交易线信息、架构信息、CPU数据、TPS数据以及预生成的容量预测模型对系统进行容量预测。一实施例中，系统容量预测装置还包括：预处理单元，用于对所述交易线信息、架构信息、CPU数据以及TPS数据进行预处理。一实施例中，系统容量预测装置还包括：模型生成单元，用于生成所述容量预测模型，所述模型生成单元包括：数据确定模块，用于根据预处理后的交易线信息、架构信息、CPU数据以及TPS数据确定所述容量预测模型的网络层数以及每层的神经元数目；初始模型建立模块，用于根据所述网络层数以及每层的神经元数目以及神经网络算法建立所述容量预测模型的初始模型；预测模型生成模块，用于根据所述预处理后的交易线信息、架构信息、CPU数据以及TPS数据以及预设的训练结束条件对所述初始模型进行训练，以生成所述容量预测模型。一实施例中，所述预设的训练结束条件包括：全局误差趋向最小值及/或迭代次数达到预设数值。一实施例中，所述交易线信息包括交易代码、响应时间、调用方代码以及调用概率；所述架构信息包括部署单元信息以及采集周期信息。一实施例中，所述预测模型生成模块包括：数据采集模块，用于以预设时间段分批采集所述交易线信息、系统的架构信息、系统的CPU数据以及TPS数据，以生成所述初始模型的训练数据；训练结果生成模块，用于按照顺传播的方法将所述训练数据输入至所述初始模型，以生成训练结果；训练结果输出模块，用于按照误差逆传播的方式输出所述训练结果；训练结果判断模块，用于判断所述训练结果是否达到所述预设的训练结束条件。一实施例中，所述训练结果生成模块具体用于将所述训练数据由所述初始模型的输入层经隐含层向输出层传播。一实施例中，所述训练结果输出模块具体用于将所述误差由所述输出层经所述初始模型的隐含层向所述输入层传播。第三方面，本专利技术提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现系统容量预测方法的步骤。第四方面，本专利技术提供一种计算机可读存储介质，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系统容量预测方法的步骤。从上述描述可知，本专利技术实施例提供系统容量预测方法及装置，首先获取系统的交易线信息、系统的架构信息、系统的CPU数据以及TPS数据；最后根据所述交易线信息、架构信息、CPU数据、TPS数据以及预生成的容量预测模型对系统进行容量预测。本申请根据系统固定周期内的监测数据，通过梳理系统中不同组件之间的调用关系，并通过人工智能的算法训练数据，从而可以精准预测复杂系统的容量。具体地，本申请具有以下有益效果：1)对于多系统之间复杂的关系进行分析，找到系统之间性能影响的关键因子。2)通过引入BP人工智能算法，提高了系统预测的精度。3)通过对生产监控数据的采集，不会导致生产系统产生压力，也避免测试环境和生产环境差异导致的测试结果不准确。附图说明为了更清楚地说明本专利技术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，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本申请实施例的一种系统容量预测系统的第一种结构示意图；图2为本申请实施例的一种系统容量预测系统的第二种结构示意图；图3为本专利技术的实施例中系统容量预测预测方法的流程示意图一；图4为本专利技术的实施例中系统容量预测预测方法的流程示意图二；图5为本专利技术的实施例中系统容量预测预测方法的流程示意图三；图6为本专利技术的实施例中的系统容量预测方法步骤400的流程示意图；图7为本专利技术的实施例中的系统容量预测方法步骤403的流程本文档来自技高网...

【技术保护点】
1.一种系统容量预测方法，其特征在于，包括：/n获取系统的交易线信息、系统的架构信息、系统的CPU数据以及TPS数据；/n根据所述交易线信息、架构信息、CPU数据、TPS数据以及预生成的容量预测模型对系统进行容量预测。/n

【技术特征摘要】
1.一种系统容量预测方法，其特征在于，包括：
获取系统的交易线信息、系统的架构信息、系统的CPU数据以及TPS数据；
根据所述交易线信息、架构信息、CPU数据、TPS数据以及预生成的容量预测模型对系统进行容量预测。


2.如权利要求1所述的系统容量预测方法，其特征在于，还包括：对所述交易线信息、架构信息、CPU数据以及TPS数据进行预处理。


3.如权利要求2所述的系统容量预测方法，其特征在于，生成所述容量预测模型包括以下步骤：
根据预处理后的交易线信息、架构信息、CPU数据以及TPS数据确定所述容量预测模型的网络层数以及每层的神经元数目；
根据所述网络层数以及每层的神经元数目以及神经网络算法建立所述容量预测模型的初始模型；
根据所述预处理后的交易线信息、架构信息、CPU数据以及TPS数据以及预设的训练结束条件对所述初始模型进行训练，以生成所述容量预测模型。


4.如权利要求3所述的系统容量预测方法，其特征在于，所述预设的训练结束条件包括：全局误差趋向最小值及/或迭代次数达到预设数值。


5.如权利要求1所述的系统容量预测方法，其特征在于，
所述交易线信息包括交易代码、响应时间、调用方代码以及调用概率；
所述架构信息包括部署单元信息以及采集周期信息。


6.如权利要求3所述的系统容量预测方法，其特征在于，所述根据所述预处理后的交易线信息、架构信息、CPU数据以及TPS数据以及预设的训练结束条件对所述初始模型进行训练，以生成所述容量预测模型，包括：
以预设时间段分批采集所述交易线信息、系统的架构信息、系统的CPU数据以及TPS数据，以生成所述初始模型的训练数据；
按照顺传播的方法将所述训练数据输入至所述初始模型，以生成训练结果；
按照误差逆传播的方式输出所述训练结果；
判断所述训练结果是否达到所述预设的训练结束条件。


7.如权利要求6所述的系统容量预测方法，其特征在于，所述按照顺传播的方法将所述训练数据输入至所述初始模型，包括：
将所述训练数据由所述初始模型的输入层经隐含层向输出层传播。


8.如权利要求6所述的系统容量预测方法，其特征在于，所述按照误差逆传播的方式输出所述训练结果，包括：
将所述误差由所述输出层经所述初始模型的隐含层向所述输入层传播。


9.一种系统容量预测装置...

【专利技术属性】
技术研发人员：董卫华，李华，张同虎，李东晓，
申请(专利权)人：中国建设银行股份有限公司，建信金融科技有限责任公司，
类型：发明
国别省市：北京;11