系统性能分析方法、装置及服务器与流程

本发明涉及计算机
技术领域：
，尤其涉及一种系统性能分析方法、装置及服务器。
背景技术：
：随着科技的发展和计算机技术水平的提高，计算机应用软件得到了广泛的发展。通常，计算机应用软件在运行过程中，可能由于各种原因，导致应用系统性能下降，从而影响用户的使用。以网站为例，http响应时间是衡量网站性能的主要依据，而在实际生产环境中，http响应时间可能会在cpu使用率、session数量、线程数、内存使用率等因素的综合影响下升高，使得用户不能顺利访问网站。因此，如何快速找到影响系统性能的根源性问题，确定关键影响因素，对于系统的维护及系统性能的提高，具有重要意义。技术实现要素：本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的第一个目的在于提出一种系统性能分析方法，实现了根据相关性分析及网络拓扑，综合确定目标变量对应的运行数据异常时的根源变量，提高了分析结果的准确性，且通过根据根源变量对系统进行优化更新，提高了系统的可靠性。本发明的第二个目的在于提出一种系统性能分析装置。本发明的第三个目的在于提出一种服务器。本发明的第四个目的在于提出一种计算机可读存储介质。本发明的第五个目的在于提出一种计算机程序产品。为达上述目的，本发明第一方面实施例提出了一种系统性能分析方法，包括：获取系统历史运行数据及待分析的目标变量；对所述系统历史运行数据进行相关性分析，确定与所述目标变量的相关性满足预设条件的变量集，所述变量集中包括至少一个非目标变量；对所述目标变量及所述变量集中各变量进行学习，确定所述目标变量与所述变量集中各变量间的网络拓扑；根据所述网络拓扑及所述系统历史运行数据，确定所述网络拓扑中各变量间的初始条件概率表；根据所述初始条件概率表，确定目标变量对应的运行数据异常时的根源变量。在本发明一种可能的实现形式中，所述确定与所述目标变量的相关性满足预设条件的变量集之后，还包括：根据所述系统的属性特征，对所述变量集进行更新。在本发明另一种可能的实现形式中，所述确定目标变量对应的运行数据异常时的根源变量，包括：根据所述初始条件概率表，分别确定所述变量集中各变量处于满负荷状态时，所述目标变量的各期望值；根据所述目标变量的各期望值，确定所述目标变量对应的运行数据异常时的根源变量。在本发明另一种可能的实现形式中，所述网络拓扑中各变量分别对应n种状态，所述初始条件概率表中由各变量间的条件概率矩阵组成，各变量间的条件概率矩阵中包括n×n个概率值，其中n为大于1的正整数；所述分别确定所述变量集中各变量处于满负荷状态时，所述目标变量的各期望值，包括：获取所述变量集中第一变量与所述目标变量间的第一条件概率矩阵；根据所述第一条件概率矩阵，确定所述第一变量处于满负荷状态时，所述目标变量的期望值。在本发明另一种可能的实现形式中，所述确定所述网络拓扑中各变量间的初始条件概率表之后，还包括：确定所述系统的压力指标；根据所述压力指标，将所述网络拓扑中的一个或多个变量对应的运行数据，分别扩大相应的倍数进行更新；利用更新后的数据，确定所述网络拓扑中各变量间更新后的条件概率表；根据所述更新后的条件概率表，确定所述系统在所述压力指标下状态。在本发明另一种可能的实现形式中，所述确定目标变量对应的运行数据异常时的根源变量之后，还包括：根据所述根源变量，对所述系统进行优化更新。本发明实施例的系统性能分析方法，首先获取系统历史运行数据及待分析的目标变量；然后对系统历史运行数据进行相关性分析，确定与目标变量的相关性满足预设条件的变量集；再对目标变量及变量集中各变量进行学习，确定目标变量与变量集中各变量间的网络拓扑；再根据网络拓扑及系统历史运行数据，确定网络拓扑中各变量间的初始条件概率表；最后根据初始条件概率表，确定目标变量对应的运行数据异常时的根源变量。由此，实现了根据相关性分析及网络拓扑，综合确定目标变量对应的运行数据异常时的根源变量，提高了分析结果的准确性，且通过根据根源变量对系统进行优化更新，提高了系统的可靠性。为达上述目的，本发明第二方面实施例提出了一种系统性能分析装置，包括：获取模块，用于获取系统历史运行数据及待分析的目标变量；第一确定模块，用于对所述系统历史运行数据进行相关性分析，确定与所述目标变量的相关性满足预设条件的变量集，所述变量集中包括至少一个非目标变量；第二确定模块，用于对所述目标变量及所述变量集中各变量进行学习，确定所述目标变量与所述变量集中各变量间的网络拓扑；第三确定模块，用于根据所述网络拓扑及所述系统历史运行数据，确定所述网络拓扑中各变量间的初始条件概率表；第四确定模块，用于根据所述初始条件概率表，确定目标变量对应的运行数据异常时的根源变量。在本发明一种可能的实现形式中，该装置，还包括：第一更新模块，用于根据所述系统的属性特征，对所述变量集进行更新。在本发明另一种可能的实现形式中，所述第四确定模块，包括：第一确定单元，用于根据所述初始条件概率表，分别确定所述变量集中各变量处于满负荷状态时，所述目标变量的各期望值；第二确定单元，用于根据所述目标变量的各期望值，确定所述目标变量对应的运行数据异常时的根源变量。在本发明另一种可能的实现形式中，所述网络拓扑中各变量分别对应n种状态，所述初始条件概率表中由各变量间的条件概率矩阵组成，各变量间的条件概率矩阵中包括n×n个概率值，其中n为大于1的正整数；所述第一确定单元，具体用于：获取所述变量集中第一变量与所述目标变量间的第一条件概率矩阵；根据所述第一条件概率矩阵，确定所述第一变量处于满负荷状态时，所述目标变量的期望值。在本发明另一种可能的实现形式中，该装置，还包括：第五确定模块，用于确定所述系统的压力指标；第二更新模块，用于根据所述压力指标，将所述网络拓扑中的一个或多个变量对应的运行数据，分别扩大相应的倍数进行更新；第六确定模块，用于利用更新后的数据，确定所述网络拓扑中各变量间更新后的条件概率表；第七确定模块，用于根据所述更新后的条件概率表，确定所述系统在所述压力指标下状态。在本发明另一种可能的实现形式中，该装置，还包括：第三更新模块，用于根据所述根源变量，对所述系统进行优化更新。本发明实施例的系统性能分析装置，首先获取系统历史运行数据及待分析的目标变量；然后对系统历史运行数据进行相关性分析，确定与目标变量的相关性满足预设条件的变量集；再对目标变量及变量集中各变量进行学习，确定目标变量与变量集中各变量间的网络拓扑；再根据网络拓扑及系统历史运行数据，确定网络拓扑中各变量间的初始条件概率表；最后根据初始条件概率表，确定目标变量对应的运行数据异常时的根源变量。由此，实现了根据相关性分析及网络拓扑，综合确定目标变量对应的运行数据异常时的根源变量，提高了分析结果的准确性，且通过根据根源变量对系统进行优化更新，提高了系统的可靠性。为达上述目的，本发明第三方面实施例提出了一种服务器，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，当所述处理器执行所述程序时实现如第一方面所述的系统性能分析方法。为达上述目的，本发明第四方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的系统性能分析方法。为达上述目的，本发明第五方面实施例提出了一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时，执行如第一方面所述的系统性能分析方法。附图说明本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：图1是本发明一个实施例的系统性能分析方法的流程图；图1a是本发明一个实施例的贝叶斯网络的网络拓扑图；图2是本发明另一个实施例的系统性能分析方法的流程图；图3是本发明一个实施例的系统性能分析装置的结构示意图；图4是本发明另一个实施例的系统性能分析装置的结构示意图；图5是本发明一个实施例的服务器的结构示意图。具体实施方式下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。具体的，本发明各实施例针对计算机应用软件在运行过程中，可能由于各种原因，导致应用系统性能下降，从而影响用户使用的问题，提出一种系统性能分析方法。本发明实施例提供的系统性能分析方法，首先获取系统历史运行数据及待分析的目标变量，然后对获取的系统历史运行数据进行相关性分析，确定对目标变量存在一定影响的变量集，再通过对变量集中各变量及目标变量进行学习，确定目标变量与变量集中各变量间的网络拓扑，并确定网络拓扑中各变量间的初始条件概率表，从而根据初始条件概率表，确定目标变量对应的运行数据异常时的根源变量。实现了根据相关性分析及网络拓扑，综合确定影响系统性能的根源变量，提高了分析结果的准确性，且通过根据根源变量对系统进行优化更新，提高了系统的可靠性。下面参考附图描述本发明实施例的系统性能分析方法、装置及服务器。图1是本发明一个实施例的系统性能分析方法的流程图。如图1所示，该系统性能分析方法包括：步骤101，获取系统历史运行数据及待分析的目标变量。其中，本发明实施例提供的系统性能分析方法的执行主体为本发明实施例提供的系统性能分析装置，该装置可以被配置在任何终端中，比如，设置在应用服务器中，以实现对系统性能的分析。其中，待分析的目标变量，可以是衡量系统性能主要依据的变量。比如，衡量网站性能的http响应时间、衡量web服务器处理能力的点击数，等等。步骤102，对所述系统历史运行数据进行相关性分析，确定与所述目标变量的相关性满足预设条件的变量集，所述变量集中包括至少一个非目标变量。可以理解的是，系统中可能包括大量的变量，而并不是所有的变量都会对目标变量造成影响，为了确定影响目标变量的关键变量即根源变量，可以先对系统历史运行数据进行相关性分析，从而预先确定对目标变量具有一定影响的变量，以缩小分析范围，加快分析效率。具体的，可以首先获取所有系统观测变量对应的历史运行数据，然后根据历史运行数据，分析目标变量与其它各系统观测变量之间的相关性，从而根据相关性，从多个系统观测变量中选取与目标变量的相关性大于预设范围的变量集。举例来说，假设系统历史运行数据为x＝{x1，x2，...，xn}，其中，xi为第i个系统观测变量对应的历史运行数据。首先，可以根据以下公式，对系统历史运行数据进行归一化处理。然后，对归一化数据进行皮尔森(pearson)相关性分析，得到下面的相关性矩阵。cpuhttp_timessession_countthread_countused_memorycpu10.105472240.0883060980.1108195220.026441579http_times0.10547210.5671035920.4844172750.639504609session_count0.0883060.5671035910.6659382710.703912576thread_count0.110820.484417280.66593827110.759832286used_memory0.0264420.639504610.7039125760.7598322861其中，http_times为目标变量，cpu、session_count、thread_count、used_memory为系统观测变量。通过对相关性进行排序，可以确定各系统观测变量与目标变量http_times的相关性为假设预先设置变量集包括与目标变量的相关性大于0.4的系统观测变量，则根据上述分析，由于used_memory、session_count、thread_count与http_times有很高的线性相关性，可能引起http相应过慢，因此，可以确定变量集中的各变量为used_memory、session_count、thread_count。可以理解的是，系统中的某些重要变量，可能由于与目标变量的相关性较小，并未包括在根据相关性分析确定的变量集中。那么，在本发明实施例中，还可以根据需要，向变量集中添加变量，即，步骤102之后，还可以包括：根据所述系统的属性特征，对所述变量集进行更新。其中，系统的属性特征，可以指系统的类型、系统所处的环境等等。具体实现时，运维人员可以根据经验及系统的属性特征，确定需要考虑的变量，从而将需要考虑的变量添加到已确定的变量集中，以实现对变量集的更新。步骤103，对所述目标变量及所述变量集中各变量进行学习，确定所述目标变量与所述变量集中各变量间的网络拓扑。步骤104，根据所述网络拓扑及所述系统历史运行数据，确定所述网络拓扑中各变量间的初始条件概率表。具体实现时，可以采用任意可对不确定知识进行表达或者推理的模型，对目标变量及变量集中各变量进行学习，以确定目标变量与变量集中各变量间的网络拓扑。比如，可以是贝叶斯网络、隐马尔可夫模型等。下面以贝叶斯网络为例，对确定目标变量与变量集中各变量间的网络拓扑，并根据网络拓扑及系统历史运行数据，确定网络拓扑中各变量间的初始条件概率表的过程进行详细说明。具体的，贝叶斯网络是一种概率图模型，能够图形化地表示一组变量间的联合概率分布函数。贝叶斯网络中包括一个结构模型和阈值相关的一组条件概率分布函数。结构模型是一个有向无环图，其中的结点表示随机变量，并描述了变量的状态。边表示变量间的概率依赖关系。概率图中的每个节点都有一个给定其父节点情况下该节点的条件概率分布函数。这样，一个贝叶斯网络就可以用图形化的形式表示，并将与一系列节点相关的条件概率函数组合成为整体的联合概率分布函数。贝叶斯网络具有以下优点：1)贝叶斯网络将有向无环图与概率理论有机结合，不但具有了正式的概率理论基础，同时也具有更加直观的知识表示形式。2)贝叶斯网络与一般知识表示方法不同的是对于问题域的建模，因此当条件或行为等发生变化时，不用对模型进行修正。3)贝叶斯网络可以图形化表示随机变量间的联合概率，因此能够处理各种不确定性信息。4)贝叶斯网络中没有确定的输入或输出节点，节点之间是相互影响的，任何节点观测值的获得或者对于任何节点的干涉，都会对其他节点造成影响，并可以利用贝叶斯网络推理来进行估计预测。5)贝叶斯网络的推理是以贝叶斯概率理论为基础的，不需要外界的任何推理机制，不但具有理论依据，而且将知识表示与知识推理结合起来，形成统一的整体。基于贝叶斯网络的诸多优点，在本发明实施例中，可以对目标变量及变量集中各变量进行贝叶斯网络学习，以确定目标变量与变量集中各变量间的网络拓扑，从而利用网络拓扑及系统历史运行数据，确定网络拓扑中各变量间的初始条件概率表。具体的，可以从多个角度进行贝叶斯网络学习，在本发明实施例中，可以采用基于评价与搜索的方法，对目标变量及变量集中各变量进行贝叶斯网络学习，以确定目标变量与变量集中各变量间的网络拓扑。举例来说，假设z是n个离散变量的集合，xi有ri个可能值：d是有m个样例的数据集。bs是一个包含z中变量的贝叶斯网络。bs中的每一个变量都有一个父节点集πi。用wij代表πi的第j个不同状态。假设有qi个这样的不同状态。定义nijk是d中变量xi的值为vik且πi处于wij状态的样本个数。用贝叶斯-狄里克雷打分函数来表示数据的极大似然。打分函数如下：其中，p(bs)是网络结构先验概率。具体的，为了得到具有最大后验概率的网络结构，可以假设q是z中变量构成的所有贝叶斯网络结构的集合。q的规模随z的规模快速增长。考虑对于且|y|很小，如果y的取值非常有效，p(bs|d)会很接近最优值，计算也会很有效率。通过对变量集中的各变量session_count、used_memory、thread_count、cpu及目标变量http_times进行贝叶斯网络学习，可以得到如图1a所示的网络拓扑。进而根据网络拓扑及系统历史运行数据，即可确定各变量间的初始条件概率表。步骤105，根据所述初始条件概率表，确定目标变量对应的运行数据异常时的根源变量。具体的，步骤105可以包括：步骤105a，根据所述初始条件概率表，分别确定所述变量集中各变量处于满负荷状态时，所述目标变量的各期望值。可以理解的是，利用目标变量及变量集中各变量进行学习时，可以将目标变量及变量集中各变量等频率离散化成n个值，代表n个系统状态，从而，确定的网络拓扑中各变量分别对应n种状态，初始条件概率表中由各变量间的条件概率矩阵组成，各变量间的条件概率矩阵中包括n×n个概率值，其中n为大于1的正整数。相应的，步骤105a具体可以包括：获取所述变量集中第一变量与所述目标变量间的第一条件概率矩阵；根据所述第一条件概率矩阵，确定所述第一变量处于满负荷状态时，所述目标变量的期望值。举例来说，假设将目标变量http_times及变量集中各变量session_count、used_memory、thread_count、cpu等频率离散化成0、1、2三个值，即网络拓扑中各变量分别对应低、中、高3种状态，则初始条件概率表中由上述5个变量间的条件概率矩阵组成，各变量间的条件概率矩阵分别包括9个概率值。假设第一变量为session_count，则第一变量与目标变量http_times间的第一条件概率矩阵c可以表示成：其中，c11c12c13分别指第一变量session_count分别在低、中、高3个状态下时，http_times在低状态下的条件概率；c21c22c23分别指第一变量session_count分别在低、中、高3个状态下时，http_times在中状态下的条件概率；c31c32c33分别指第一变量session_count分别在低、中、高3个状态下时，http_times在高状态下的条件概率。根据第一条件概率矩阵c，即可通过2*c13+2*c23+2*c33,，确定第一变量session_count处于满负荷状态(高状态)时，目标变量的期望值。通过变量集中各变量与目标变量间的条件概率矩阵，即可确定变量集中各变量分别处于满负荷状态时，目标变量的期望值。步骤105b，根据所述目标变量的各期望值，确定所述目标变量对应的运行数据异常时的根源变量。具体的，确定了目标变量的各期望值后，可以将变量集中期望值最大的变量，确定为目标变量对应的运行数据异常时的根源变量。举例来说，假设变量集中各变量session_count、used_memory、thread_count、cpu分别处于满负荷状态时，目标变量http_times的期望值，即每个变量的弹性风险如下表，则可以确定目标变量对应的运行数据异常时的根源变量为session_count。具体的，确定了目标变量对应的运行数据异常时的根源变量之后，即可根据根源变量，对系统进行维护及优化，以提高系统的性能。即，在步骤105之后，还可以包括：根据所述根源变量，对所述系统进行优化更新。本发明实施例的系统性能分析方法，首先获取系统历史运行数据及待分析的目标变量；然后对系统历史运行数据进行相关性分析，确定与目标变量的相关性满足预设条件的变量集；再对目标变量及变量集中各变量进行学习，确定目标变量与变量集中各变量间的网络拓扑；再根据网络拓扑及系统历史运行数据，确定网络拓扑中各变量间的初始条件概率表；最后根据初始条件概率表，确定目标变量对应的运行数据异常时的根源变量。由此，实现了根据相关性分析及网络拓扑，综合确定目标变量对应的运行数据异常时的根源变量，提高了分析结果的准确性，且通过根据根源变量对系统进行优化更新，提高了系统的可靠性。通过上述分析可知，可以根据对系统历史运行数据进行的相关性分析，及对目标变量及变量集中各变量进行学习，确定的网络拓扑，综合确定目标变量对应的运行数据异常时的根源变量，从而对系统进行优化更新。在一种可能的实现形式中，还可以根据网络拓扑，对系统进行压力测试，下面结合图2，对上述情况进行详细说明。图2是本发明另一个实施例的系统性能分析方法的流程图。如图2所示，该方法包括：步骤201，获取系统历史运行数据及待分析的目标变量。步骤202，对所述系统历史运行数据进行相关性分析，确定与所述目标变量的相关性满足预设条件的变量集，所述变量集中包括至少一个非目标变量。步骤203，对所述目标变量及所述变量集中各变量进行学习，确定所述目标变量与所述变量集中各变量间的网络拓扑。步骤204，根据所述网络拓扑及所述系统历史运行数据，确定所述网络拓扑中各变量间的初始条件概率表。其中，上述步骤201-步骤204的实现原理及过程，可以参照上述步骤101-步骤104的详细描述，此处不再赘述。步骤205，确定所述系统的压力指标。其中，压力指标，指对系统进行压力测试的压力等级，具体的，可以是并发访问系统的用户量，交易量等等。步骤206，根据所述压力指标，将所述网络拓扑中的一个或多个变量对应的运行数据，分别扩大相应的倍数进行更新。步骤207，利用更新后的数据，确定所述网络拓扑中各变量间更新后的条件概率表。步骤208，根据所述更新后的条件概率表，确定所述系统在所述压力指标下状态。可以理解的是，为了确定系统的瓶颈或者最大使用极限，可以对系统进行压力测试。通常进行压力测试时，可以模拟一定数量的用户并发访问系统，记录并分析系统响应时间；或者模拟仅有一个用户访问系统并使用相同的操作，对不同的数据量进行测试，记录不同的数据量及对应的资源占用率等等，以确定系统在极端条件下的表现。然而通过这种方式进行压力测试，由于直接对实际系统进行压力测试，可能对系统造成一定程度的损害，影响系统的性能。在本发明实施例中，可以根据确定的目标变量与变量集中各变量间的网络拓扑，确定系统在不同压力指标下的状态，从而实现利用理论分析，对系统进行压力测试，避免了测试过程对系统造成的损害，节约了开发的时间和人力成本。具体的，可以先根据压力指标，将网络拓扑中各变量对应的运行数据，分别扩大相应的倍数进行更新，从而利用更新后的数据，确定网络拓扑中更新后的条件概率表。举例来说，假设当前压力下，变量session_count与used_memory的条件概率表c为：假设确定的系统的压力指标为当前压力的1.5倍，则可以根据压力指标，将网络拓扑中各变量对应的运行数据扩大1.5倍，从而得到更新后的数据，并根据以下公式，对条件概率表c进行更新。其中，si指变量session_count对应的运行数据扩大1.5倍后，变量used_memory在i状态下的概率值；cij指变量session_count在j状态下时，used_memory在i状态下的概率；c′ij指更新后的变量session_count在j状态下时，used_memory在i状态下的概率。具体的，确定了网络拓扑中各变量间更新后的条件概率表后，即可根据更新后的条件概率表，确定系统在压力指标下的状态。举例来说，假设系统中某变量在当前压力下的状态为：j＝012p＝0.3329634360.3197336490.347302943假设压力指标为当前压力的1.5倍，则根据压力指标，将网络拓扑中各变量对应的运行数据分别扩大1.5倍进行更新，并利用更新后的数据，确定网络拓扑中各变量间更新后的条件概率表后，可以得到该变量在压力指标下的状态：j＝012p′＝0.1080477460.4332934310.458658844本发明实施例的系统性能分析方法，在确定网络拓扑中各变量间的初始条件概率表后，首先确定系统的压力指标，然后根据压力指标，将网络拓扑中的一个或多个变量对应的运行数据，分别扩大相应的倍数进行更新，再利用更新的数据，确定网络拓扑中各变量间更新后的条件概率表，从而根据更新后的条件概率表，确定系统在压力指标下的状态。由此，实现了根据相关性分析及网络拓扑，对系统进行压力测试，避免了测试过程对系统造成的损害，节约了开发的时间和人力成本，提高了系统的可靠性。图3是本发明一个实施例的系统性能分析装置的结构示意图。如图3所示，该系统性能分析装置包括：获取模块31，用于获取系统历史运行数据及待分析的目标变量；第一确定模块32，用于对所述系统历史运行数据进行相关性分析，确定与所述目标变量的相关性满足预设条件的变量集，所述变量集中包括至少一个非目标变量；第二确定模块33，用于对所述目标变量及所述变量集中各变量进行学习，确定所述目标变量与所述变量集中各变量间的网络拓扑；第三确定模块34，用于根据所述网络拓扑及所述系统历史运行数据，确定所述网络拓扑中各变量间的初始条件概率表；第四确定模块35，用于根据所述初始条件概率表，确定目标变量对应的运行数据异常时的根源变量。具体的，本实施例提供的系统性能分析装置，可以被配置在任何终端中，用于执行如上述实施例所示的系统性能分析方法，以实现对系统性能的分析。在本申请实施例一种可能的实现形式中，上述第四确定模块35，包括：第一确定单元，用于根据所述初始条件概率表，分别确定所述变量集中各变量处于满负荷状态时，所述目标变量的各期望值；第二确定单元，用于根据所述目标变量的各期望值，确定所述目标变量对应的运行数据异常时的根源变量。在本申请实施例一种可能的实现形式中，所述网络拓扑中各变量分别对应n种状态，所述初始条件概率表中由各变量间的条件概率矩阵组成，各变量间的条件概率矩阵中包括n×n个概率值，其中n为大于1的正整数；上述第一确定单元，具体用于：获取所述变量集中第一变量与所述目标变量间的第一条件概率矩阵；根据所述第一条件概率矩阵，确定所述第一变量处于满负荷状态时，所述目标变量的期望值。需要说明的是，前述对系统性能分析方法实施例的解释说明也适用于该实施例的系统性能分析装置，此处不再赘述。本发明实施例的系统性能分析装置，首先获取系统历史运行数据及待分析的目标变量；然后对系统历史运行数据进行相关性分析，确定与目标变量的相关性满足预设条件的变量集；再对目标变量及变量集中各变量进行学习，确定目标变量与变量集中各变量间的网络拓扑；再根据网络拓扑及系统历史运行数据，确定网络拓扑中各变量间的初始条件概率表；最后根据初始条件概率表，确定目标变量对应的运行数据异常时的根源变量。由此，实现了根据相关性分析及网络拓扑，综合确定目标变量对应的运行数据异常时的根源变量，提高了分析结果的准确性，且通过根据根源变量对系统进行优化更新，提高了系统的可靠性。图4是本发明另一个实施例的系统性能分析装置的结构示意图。如图4所示，在图3所示的基础上，该系统性能分析装置，还可以包括：第一更新模块41，用于根据所述系统的属性特征，对所述变量集进行更新。第五确定模块42，用于确定所述系统的压力指标；第二更新模块43，用于根据所述压力指标，将所述网络拓扑中的一个或多个变量对应的运行数据，分别扩大相应的倍数进行更新；第六确定模块44，用于利用更新后的数据，确定所述网络拓扑中各变量间更新后的条件概率表；第七确定模块45，用于根据所述更新后的条件概率表，确定所述系统在所述压力指标下状态。第三更新模块46，用于根据所述根源变量，对所述系统进行优化更新。需要说明的是，前述对系统性能分析方法实施例的解释说明也适用于该实施例的系统性能分析装置，此处不再赘述。本发明实施例的系统性能分析装置，首先获取系统历史运行数据及待分析的目标变量；然后对系统历史运行数据进行相关性分析，确定与目标变量的相关性满足预设条件的变量集；再对目标变量及变量集中各变量进行学习，确定目标变量与变量集中各变量间的网络拓扑；再根据网络拓扑及系统历史运行数据，确定网络拓扑中各变量间的初始条件概率表；最后根据初始条件概率表，确定目标变量对应的运行数据异常时的根源变量。由此，实现了根据相关性分析及网络拓扑，综合确定目标变量对应的运行数据异常时的根源变量，提高了分析结果的准确性，且通过根据根源变量对系统进行优化更新，提高了系统的可靠性。为达上述目的，本发明第三方面实施例提出了一种服务器。图5是本发明一个实施例的服务器的结构示意图。如图5所示，该服务器包括：存储器51、处理器52及存储在存储器51上并可在处理器52上运行的计算机程序。处理器52执行所述程序时实现上述实施例中提供的应用状态监控方法。进一步地，服务器还包括：通信接口53，用于存储器51和处理器52之间的通信。存储器51，用于存放可在处理器52上运行的计算机程序。存储器51可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。处理器52，用于执行所述程序时实现上述实施例所述的浏览器页面测试方法。如果存储器51、处理器52和通信接口53独立实现，则通信接口53、存储器51和处理器52可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构(industrystandardarchitecture，简称isa)总线、外部设备互连(peripheralcomponentinterconnect，简称pci)总线或扩展工业标准体系结构(extendedindustrystandardarchitecture，简称eisa)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅以一条粗线表示，但并不表示仅有一根总线或一种类型的总线。可选地，在具体实现时，如果存储器51、处理器52及通信接口53，集成在一块芯片上实现，则存储器51、处理器52及通信接口53可以通过内部接口完成相互间的通信。处理器52可以是一个中央处理器(centralprocessingunit，简称cpu)，或者是特定集成电路(applicationspecificintegratedcircuit，简称asic)，或者是被配置成实施本发明实施例的一个或多个集成电路。为达上述目的，本发明第四方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，当该程序被处理器执行时实现如前述实施例中的系统性能分析方法。为达上述目的，本发明第五方面实施例提出了一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时，执行如前述实施例中的系统性能分析方法。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属
技术领域：
的技术人员所理解。在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。本
技术领域：
的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。当前第1页12