趋势确定和识别制造技术

一种系统包括处理器和耦合到该处理器的警报模块。该处理器监视性能数据；确定该性能数据的子集，该子集与性能不佳的量度相关；确定该子集的趋势，该趋势与该量度相关；以及识别所述趋势的发生。该警报模块基于该识别输出警报。

【技术实现步骤摘要】
【国外来华专利技术】
技术介绍
在信息处理环境中，大量的各种性能数据是可用的。系统性能监视器在硬件级别、 操作系统级别、数据库级别、中间件级别和应用级别收集性能数据。收集和使用大量可用的性能数据是一项要求相当多资源的繁重任务。在一些情况下，收集和使用性能数据不利地影响性能以及因此影响性能数据本身。高效的收集和使用性能数据是希望的。附图说明 对于本专利技术的实施例的具体说明现在将参照附图进行，附图中 图IA示出了根据至少一些实施例的用于趋势确定和识别的系统。图IB示出了根据至少一些实施例的用于趋势确定和识别的系统。图IC示出了提供用于趋势确定和识别的性能数据的栈。图2示出了根据至少一些实施例的具有用于趋势确定和识别的计算机可读介质的系统。图3示出了根据至少一些实施例的趋势确定和识别的方法。注释和术语 在以下权利要求书和说明书中通篇使用某些术语来表示特定组件。本领域普通技术人员会理解，不同的实体可能使用不同的名字来表示组件。本文件不打算区分名字不同而非功能不同的组件。在以下讨论和权利要求中，术语“包括”和“包含”以开放的方式被使用，并且因此应当解释为意指“包括，但不限于…”。而且，术语“耦合”意欲表示光学的、 无线的、间接电连接、或直接电连接。因此，如果第一设备耦合到第二设备，该连接可以是通过经由其它设备和连接的间接电连接，通过直接光学连接等。此外，术语“系统”表示两个或更多个硬件组件的集合，并且可以用于表示电子设备。具体实施例方式以下讨论针对本专利技术的各种实施例。尽管这些实施例的一个或多个可能是优选的，但是公开的实施例不应解释为或以其他方式用作限制包括权利要求的本公开的范围， 除非另有说明。此外，本领域普通技术人员会理解以下说明具有广泛应用，并且任意实施例的讨论仅意欲例证该实施例，并且不意欲暗示包括权利要求的本公开的范围限于该实施例。公开了趋势确定和识别。基于机器学习的自调节预测性能模型采用性能数据来监视系统性能水平，在各个层面控制监视水平以使得动态地决定收集的性能数据的种类和细节，并且确定潜在的服务水平目标违背。这样，模型在不同的部署情形、配置和工作负荷下捕获性能数据。模型自身调节和改善以提高预测性能。此外，大量性能数据中的每一条数据可用于被收集，但是避免了过度的不必要的监视，节省了时间和资源。因此，模型的实施导致更少的违背以及相对于竞争者的时间和资源优势。参考图1A，系统100包括处理器102和耦合至处理器102的警报模块104。参考图1B，在至少一个实施例中，系统100是计算机。这样，处理器102是计算机处理器，以及警报模块104是计算机显示器。许多处理器和警报模块是可能的。例如，在至少一个实施例中，处理器102包括多个计算机处理器，以及警报模块104包括耦合至音频扬声器的发光二极管。处理器102优选地监视性能数据。图IC示出提供用于趋势确定和识别的性能数据189的栈199。栈199包括从其测量性能数据189的各层硬件和软件。性能数据189优选地由系统性能监视器在硬件层197、操作系统层195、中间件层193和应用层191收集。这些层的每一层提供多种类型的性能数据。硬件层197提供硬件性能数据187，例如硬件性能计数器等。操作系统层195提供操作系统性能数据185，例如I/O/秒，存储器分配，页面故障，页面命中Oiits)，驻留存储器大小，CPU使用，分组/秒等。中间件层193提供中间件性能数据183，例如查询/秒，读取的元组(tuples read)，高速缓冲存储器中的页面命中，盘 1/0，表扫描，请求/秒，连接等。应用层191提供应用性能数据，例如响应时间，未完成的请求，先前事务等。许多类型的性能数据是可能的。在至少一个实施例中，从网络收集性能数据。这样，硬件层197提供了用于整个网络的硬件的硬件性能数据187。类似地，其它层提供了整个网络的性能数据。在至少一个实施例中，性能数据包括应用度量和操作系统度量。 然而，监视任意类型的性能数据都是可能的。处理器102优选地基于监视的性能数据构造符合SLO的模型。对于给定的SL0，令 S= {符合SL0，违背SL0}为可能状态的集合。在任意时间t，SL0的状态St可以是这两个状态中的一个。令Mt表示值的矢量Dvivm2,...，mn]t，所述值由处理器102使用被监视的性能指示符收集。处理器102优选地构造模型F (M，k，Δ)，该模型将输入矢量[Mt_k，Mt_k+1，...， MJ映射到SLO在时间t+Δ的状态St+,。在至少一个实施例中，阈值k和Δ是参数。在至少一个其他实施例中，参数k无穷大，并且处理器102使用性能指示符值的所有可用的历史来构造模型F(M，k，Δ)。存在处理器102用来构造模型F (M，k，Δ)的各种机器学习技术。 例如，处理器102中使用的机器学习技术包括，但不限于，朴素贝叶斯分类器，支持矢量机器，决策树，贝叶斯网络或神经网络。对于这些技术的细节，参考Τ. Hastie,R. Tibrishani, 禾口 J. Friedman 的 The elements of statistical learning, Springer, 2001。在至少一个实施例中，处理器102优选地基于给定的训练集在近似函数F(M，k，Δ)的分类器C中构造模型F (M，k，△)，该训练集包括性能指示符的过去观测结果和SLO度量的观测状态。在至少一个实施例中，处理器102将性能指示符的值与这些值随时间的方向性进行组合。令 Dt = [{+,=,-I1, {+，=，_}2，{+，=，-}3，...，{+，=，_}n]t 为方向性矢量，指示 Mt和Mw之间的方向差异。Dt中的每个元素e」指示Mt中的对应度量j是否已经增加({+} 值)，减少({_}值)，或保持相同({ = }值)。在至少一个实施例中，处理器102构造模型 F(M，k，Δ )，该模型将输入矢量[Mt，Dt_k，Dt_k+1，. . . ,DJ映射到SLO在时间t+ Δ的状态St+,。尽管监视每一条性能数据是可能的，但是当性能数据的量增加时监视成本将非常高。这样，处理器102确定与性能不佳(imderperformance)的量度相关的性能数据的子集。在至少一个实施例中，性能不佳的量度基于服务水平目标(“SLO”)。SLO优选地是服务提供方和客户之间的服务水平协定(“SLA”)的一部分。SLO是测量服务提供方的性能的协定手段，并且有助于管理期望并且避免双方之间的争执。在至少一个实施例中，SLA是指定SLO的整个协定，即提供什么服务，和如何支持服务，以及时间，地点，成本，性能，和涉及的各方的责任。SLO是SLA的具体可测量特性，例如可用性，吞吐量，频率，响应时间和质量。例如，网站主控服务和网站拥有者之间的SLO可以是应当在一秒以下完成所提交的事务的99%，并且性能不佳的量度准确追踪SL0。换句话说，与性能不佳的量度相关的性能数据的子集可以是例如在少于10分钟内使网站业务增至三倍。在至少一个实施例中，处理器102使用特征选择技术选择性能指示符的子集。 处理器102选择M的子集虬，以使得它们对应的模型F*(MJ和F(M)之间的差异相对于训练集是最小的。处理器102优选地使用在每一步消除单一度量m的贪婪算法本文档来自技高网...

【技术保护点】
１．一种系统，包括：处理器；以及耦合到该处理器的警报模块；其中，该处理器：监视性能数据，在该性能数据中确定与性能不佳的量度相关的子集，在该子集中确定与该量度相关的趋势，以及识别所述趋势的发生；以及其中该警报模块基于该识别输出警报。

【技术特征摘要】
【国外来华专利技术】1.一种系统，包括 处理器；以及耦合到该处理器的警报模块；其中，该处理器监视性能数据，在该性能数据中确定与性能不佳的量度相关的子集， 在该子集中确定与该量度相关的趋势，以及识别所述趋势的发生；以及其中该警报模块基于该识别输出警报。2.如权利要求1的系统，其中该处理器在确定趋势之后停止监视除了该子集之外的性能数据。3.如权利要求2的系统，其中该处理器在识别了趋势的发生之后监视性能数据的第二子集，该第二子集包括至少一个不在该子集中的元素。4.如权利要求1的系统，其中该量度是性能的子量度的组合。5.如权利要求1的系统，其中该趋势是子集的子趋势的组合。6.如权利要求1的系统，其中该性能不佳的量度是基于服务水平目标的。7.如权利要求1的系统，其中性能数据包括应用度量，操作系统度量，中间件度量和硬件度量。8.如权利要求7的系统，其中中间件度量选自由每秒的查询，读取的元组，高速缓冲存储器中的页面命中，盘输入/输出，页面命中，每秒的请求，连接和表扫描组成的组中。9.如权利要求7的系统，其中操作系统度量选自由每秒的输入/输出操作，存储器分配，页面故障，页面命中，驻留存储器大小，中央处理单...

【专利技术属性】
技术研发人员：M·乌伊萨尔，V·史密斯，A·A·默尚，
申请(专利权)人：惠普开发有限公司，
类型：发明
国别省市：US