一种面向政企服务系统的性能预测方法及系统与流程

1.本发明涉及计算机技术领域，具体涉及一种面向政企服务系统的性能预测方法及系统。


背景技术：

2.目前，许多职能部门都在不断加强政企服务系统的建设，以方便企业能够在线申报和办理相关业务。为了保障政企服务系统的稳定运行，运维人员必须时刻监测政企服务系统的性能。在侦测到政企服务系统出现性能问题时，运维人员需要及时地进行处理，从而保障系统的正常业务不受到影响。因此，高效地掌握政企服务系统的性能具有非常重要的意义。
3.然而，传统政企服务系统的性能监测方法往往是在系统已经出现性能问题时，才能够给运维人员发出提醒。因此，传统政企服务系统的性能监测方法具有一定的滞后性，这样在很大程度上影响了政企服务系统的稳定性和可用性。


技术实现要素：

4.本发明目的在于提供一种面向政企服务系统的性能预测方法及系统，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
5.为了实现上述目的，本发明提供以下技术方案：
6.一种面向政企服务系统的性能预测方法，所述方法包括以下步骤：
7.步骤s100、从政企服务系统中导出性能数据集；
8.步骤s200、对性能数据集进行预处理，将预处理后的性能数据集划分为训练数据集和测试数据集；
9.步骤s300、确定用于预测政企服务系统性能的性能预测模型，以及所述性能预测模型中待优化的训练参数；
10.步骤s400、利用适应性鲸鱼优化算法搜索性能预测模型中待优化的训练参数，得到最优训练参数；
11.步骤s500、利用最优训练参数训练性能预测模型，得到训练好的性能预测模型；
12.步骤s600、利用训练好的性能预测模型对政企服务系统进行性能预测。
13.进一步，所述步骤s400包括：
14.步骤s401、确定性能预测模型中待优化的训练参数的数量fd；
15.步骤s402、确定种群规模wpz和最大搜索代数msg；
16.步骤s403、设置搜索代数g＝0；
17.步骤s404、随机产生种群pop＝{fx1,fx2,...,fx
wi
,...,fx
wpz
}，其中，fx
wi
表示种群中的第wi个个体，个体fx
wi
中存储了性能预测模型中fd个待优化的训练参数，个体下标wi＝1,2,...,wpz；
18.步骤s405、确定种群中每个个体的适应值；
19.步骤s406、从种群中选取适应值最小的个体，记为最优个体bfx；
20.步骤s407、设置交叉率fcr
wi
；
21.步骤s408、按照公式(1)计算当前交叉率ucr
wi
：
[0022][0023]
其中，rdt
wi
表示正弦递增量，rand表示随机实数产生函数，sin表示正弦函数，π表示圆周率；
[0024]
步骤s409、在[0,1]之间随机产生一个实数prv；
[0025]
步骤s410、按照公式(2)更新当前交叉率ucr
wi
：
[0026][0027]
步骤s411、在[0,1]之间随机产生一个实数rup；
[0028]
步骤s412、设置操作标记exk＝1；
[0029]
步骤s413、比较实数rup和0.5的大小，如果rup小于0.5则转到步骤s417，否则转到步骤s414；
[0030]
步骤s414、在[1,wpz]之间随机产生三个互不相等的正整数r1，r2和r3；
[0031]
步骤s415、按公式(3)执行交叉捕猎操作，产生新个体ux
wi
：
[0032][0033]
其中，维度下标tj＝1,2,...,fd；rf1为[
‑
1,1]之间的随机实数；exp表示以自然常数e为底的指数函数；cos表示余弦函数；bfx
tj
表示最优个体bfx所存储的性能预测模型中第tj个待优化的训练参数；fx
wi,tj
表示种群中的第wi个个体所存储的性能预测模型中第tj个待优化的训练参数；fx
r1,tj
表示种群中的第r1个个体所存储的性能预测模型中第tj个待优化的训练参数；fx
r2,tj
表示种群中的第r2个个体所存储的性能预测模型中第tj个待优化的训练参数；fx
r3,tj
表示种群中的第r3个个体所存储的性能预测模型中第tj个待优化训练参数；
[0034]
步骤s416、转到步骤s422；
[0035]
步骤s417、设置搜索系数aw＝2
×
dv
×
rf2
‑
dv；
[0036]
其中，rf2为[0,1]之间的随机实数；dv为收敛系数；
[0037][0038]
步骤s418、比较搜索系数aw的绝对值和1的大小，如果搜索系数aw的绝对值小于1则转到步骤s419，否则转到步骤s421；
[0039]
步骤s419、按公式(4)执行包围操作，以产生新个体ux
wi
：
[0040]
[0041]
其中，rf3为[0,1]之间的随机实数；
[0042]
步骤s420、转到步骤s422；
[0043]
步骤s421、设置操作标记exk＝0，然后按公式(5)执行猎物搜索操作产生新个体ux
wi
：
[0044]
ux
wi
＝fx
rsi
‑
aw
×
|2
×
rf3
×
fx
wi
‑
fx
rsi
|
ꢀꢀꢀ
(5)；
[0045]
其中，fx
rsi
表示从种群中随机选择的一个个体；
[0046]
步骤s422、将新个体ux
wi
的适应值与个体fx
wi
的适应值进行比较，如果新个体ux
wi
的适应值小于个体fx
wi
的适应值，则在种群中用新个体ux
wi
替换个体fx
wi
，否则保持个体fx
wi
不变；
[0047]
步骤s423、比较操作标记exk和1的大小，如果操作标记exk等于1，则转到步骤s424，否则转到步骤s425；
[0048]
步骤s424、比较新个体ux
wi
的适应值与个体fx
wi
的适应值的大小，如果新个体ux
wi
的适应值小于个体fx
wi
的适应值，则设置交叉率fcr
wi
＝ucr
wi
，否则保持交叉率fcr
wi
不变；
[0049]
步骤s425、从种群中找出适应值最小的个体记为最优个体bfx，然后设置搜索代数g＝g+1；
[0050]
步骤s426、如果搜索代数g小于msg，则转到步骤s408，否则转到步骤s427；
[0051]
步骤s427、从最优个体bfx中提取出性能预测模型中待优化的训练参数，作为搜索到的最优训练参数。
[0052]
进一步，所述确定种群中每个个体的适应值，包括：
[0053]
对于种群中的第wi个个体fx
wi
，从个体fx
wi
中提取出待优化的训练参数；
[0054]
根据从个体fx
wi
中提取出的待优化的训练参数在训练数据集上训练出性能预测模型pmd
wi
；
[0055]
计算性能预测模型pmd
wi
在测试数据集上的均方误差fse
wi
，将该均方误差fse
wi
设置为个体fx
wi
的适应值。
[0056]
一种计算机可读存储介质，所述计算机可读存储介质上存储有面向政企服务系统的性能预测程序，所述面向政企服务系统的性能预测程序被处理器执行时实现如上述任意一项所述的面向政企服务系统的性能预测方法的步骤。
[0057]
一种面向政企服务系统的性能预测系统，所述系统包括：
[0058]
至少一个处理器；
[0059]
至少一个存储器，用于存储至少一个程序；
[0060]
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述任一项所述的面向政企服务系统的性能预测方法。
[0061]
本发明的有益效果是：本发明公开一种面向政企服务系统的性能预测方法及系统，本发明利用机器学习方法建立政企服务系统的性能预测模型，从而较准确地预测出政企服务系统在下一时刻的性能指标值。实现对政企服务系统进行性能预测，保证政企服务系统的稳定性和可用性。
附图说明
[0062]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所
需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0063]
图1是本发明实施例中面向政企服务系统的性能预测方法的流程示意图。
具体实施方式
[0064]
以下将结合实施例和附图对本技术的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本技术的目的、方案和效果。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
[0065]
参考图1，如图1所示为本技术实施例提供的一种面向政企服务系统的性能预测方法，所述方法包括以下步骤：
[0066]
步骤s100、从政企服务系统中导出性能数据集；
[0067]
其中，所述性能数据集包括以下至少一种：服务器的中央处理器的利用率、服务器的内存空闲率、服务器的网络带宽利用率、服务器的并发访问量、服务器的访问响应时间。
[0068]
步骤s200、对性能数据集进行预处理，将预处理后的性能数据集划分为训练数据集和测试数据集；
[0069]
步骤s300、确定用于预测政企服务系统性能的性能预测模型，以及所述性能预测模型中待优化的训练参数；
[0070]
在一些实施例中，所述性能预测模型为xgboost模型；所述性能预测模型中待优化的训练参数包括：xgboost模型的学习率、xgboost模型中决策树的最大深度、以及xgboost模型中决策树的数量；
[0071]
步骤s400、利用适应性鲸鱼优化算法搜索性能预测模型中待优化的训练参数，得到最优训练参数；
[0072]
步骤s500、利用最优训练参数训练性能预测模型，得到训练好的性能预测模型；
[0073]
步骤s600、利用训练好的性能预测模型对政企服务系统进行性能预测。
[0074]
在一个优选的实施例中，所述步骤s400包括：
[0075]
步骤s401、确定性能预测模型中待优化的训练参数的数量fd；
[0076]
在一实施例中，待优化训练参数的数量fd＝3；
[0077]
步骤s402、确定种群规模wpz和最大搜索代数msg；
[0078]
在一实施例中，输入种群规模wpz＝30，最大搜索代数msg＝1500；
[0079]
步骤s403、设置搜索代数g＝0；
[0080]
步骤s404、随机产生种群pop＝{fx1,fx2,...,fx
wi
,...,fx
wpz
}，其中，fx
wi
表示种群中的第wi个个体，个体fx
wi
中存储了性能预测模型中fd个待优化的训练参数，个体下标wi＝1,2,...,wpz；
[0081]
步骤s405、确定种群中每个个体的适应值；
[0082]
在一个优选的实施例中，所述确定种群中每个个体的适应值，包括：
[0083]
对于种群中的第wi个个体fx
wi
，从个体fx
wi
中提取出待优化的训练参数；
[0084]
根据从个体fx
wi
中提取出的待优化的训练参数在训练数据集上训练出个体fx
wi
的性能预测模型pmd
wi
；
[0085]
计算性能预测模型pmd
wi
在测试数据集上的均方误差fse
wi
，将该均方误差fse
wi
设置为个体fx
wi
的适应值。
[0086]
在一实施例中，所述性能预测模型的输入变量为服务器在第一时间段内多个时刻下的性能数据集；所述性能预测模型的输出变量为服务器在第二时刻下的访问响应时间；所述第二时刻在第一时间段之后。
[0087]
在一实施例中，所述第一时间段内多个时刻包括当前时刻，以及当前时刻之前的多个时刻；示例性的，所述多个时刻包括：当前时刻t0、当前时刻的2分钟前(即，t0
‑
2min)、以及当前时刻的1分钟前(即，t0
‑
1min)；所述第二时刻为当前时刻的2分钟后(即，t0+min)。
[0088]
步骤s406、从种群中选取适应值最小的个体，记为最优个体bfx；
[0089]
步骤s407、设置交叉率fcr
wi
；
[0090]
在一实施例中，设置交叉率fcr
wi
＝0.5；
[0091]
步骤s408、按照公式(1)计算当前交叉率ucr
wi
：
[0092][0093]
其中，rdt
wi
表示正弦递增量，rand表示随机实数产生函数，sin表示正弦函数，π表示圆周率；
[0094]
步骤s409、在[0,1]之间随机产生一个实数prv；
[0095]
步骤s410、按照公式(2)更新当前交叉率ucr
wi
：
[0096][0097]
步骤s411、在[0,1]之间随机产生一个实数rup；
[0098]
步骤s412、设置操作标记exk＝1；
[0099]
步骤s413、比较实数rup和0.5的大小，如果rup小于0.5则转到步骤s417，否则转到步骤s414；
[0100]
步骤s414、在[1,wpz]之间随机产生三个互不相等的正整数r1，r2和r3；
[0101]
步骤s415、按公式(3)执行交叉捕猎操作，产生新个体ux
wi
：
[0102][0103]
其中，维度下标tj＝1,2,...,fd；rf1为[
‑
1,1]之间的随机实数；exp表示以自然常数e为底的指数函数；cos表示余弦函数；bfx
tj
表示最优个体bfx所存储的性能预测模型中第tj个待优化的训练参数；fx
wi,tj
表示种群中的第wi个个体所存储的性能预测模型中第tj个待优化的训练参数；fx
r1,tj
表示种群中的第r1个个体所存储的性能预测模型中第tj个待优化的训练参数；fx
r2,tj
表示种群中的第r2个个体所存储的性能预测模型中第tj个待优化的训练参数；fx
r3,tj
表示种群中的第r3个个体所存储的性能预测模型中第tj个待优化训练参数；
[0104]
步骤s416、转到步骤s422；
[0105]
步骤s417、设置搜索系数aw＝2
×
dv
×
rf2
‑
dv；
[0106]
其中，rf2为[0,1]之间的随机实数；dv为收敛系数；
[0107][0108]
步骤s418、比较搜索系数aw的绝对值和1的大小，如果搜索系数aw的绝对值小于1则转到步骤s419，否则转到步骤s421；
[0109]
步骤s419、按公式(4)执行包围操作，以产生新个体ux
wi
：
[0110][0111]
其中，rf3为[0,1]之间的随机实数；
[0112]
步骤s420、转到步骤s422；
[0113]
步骤s421、设置操作标记exk＝0，然后按公式(5)执行猎物搜索操作产生新个体ux
wi
：
[0114]
ux
wi
＝fx
rsi
‑
aw
×
|2
×
rf3
×
fx
wi
‑
fx
rsi
|
ꢀꢀꢀ
(5)；
[0115]
其中，fx
rsi
表示从种群中随机选择的一个个体；
[0116]
步骤s422、将新个体ux
wi
的适应值与个体fx
wi
的适应值进行比较，如果新个体ux
wi
的适应值小于个体fx
wi
的适应值，则在种群中用新个体ux
wi
替换个体fx
wi
，否则保持个体fx
wi
不变；
[0117]
步骤s423、比较操作标记exk和1的大小，如果操作标记exk等于1，则转到步骤s424，否则转到步骤s425；
[0118]
步骤s424、比较新个体ux
wi
的适应值与个体fx
wi
的适应值的大小，如果新个体ux
wi
的适应值小于个体fx
wi
的适应值，则设置交叉率fcr
wi
＝ucr
wi
，否则保持交叉率fcr
wi
不变；
[0119]
步骤s425、从种群中找出适应值最小的个体记为最优个体bfx，然后设置搜索代数g＝g+1；
[0120]
步骤s426、如果搜索代数g小于msg，则转到步骤s408，否则转到步骤s427；
[0121]
步骤s427、从最优个体bfx中提取出性能预测模型中待优化的训练参数，作为搜索到的最优训练参数。
[0122]
本发明提供的实施例中，通过应用机器学习方法来构建政企服务系统的性能预测模型，并利用适应性鲸鱼优化算法来求解机器学习模型的训练参数，提升政企服务系统的性能预测模型的精度。本发明可以较准确地预测出政企服务系统在下一时刻的性能指标值，能够提高政企服务系统性能测量的效率。克服了传统政企服务系统性能测量方法的缺点。
[0123]
与图1的方法相对应，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有面向政企服务系统的性能预测程序，所述面向政企服务系统的性能预测程序被处理器执行时实现如上述任意一实施例所述的面向政企服务系统的性能预测方法的步骤。
[0124]
与图1的方法相对应，本发明实施例还提供一种面向政企服务系统的性能预测系统，所述系统包括：
[0125]
至少一个处理器；
[0126]
至少一个存储器，用于存储至少一个程序；
[0127]
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述任一实施例所述的面向政企服务系统的性能预测方法。
[0128]
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
[0129]
所述处理器可以是中央处理单元(central
‑
processing
‑
unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital
‑
signal
‑
processor，dsp)、专用集成电路(application
‑
specific
‑
integrated
‑
circuit，asic)、现场可编程门阵列(field
‑
programmable
‑
gate
‑
arr ay，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述面向政企服务系统的性能预测系统的控制中心，利用各种接口和线路连接整个面向政企服务系统的性能预测系统可运行装置的各个部分。
[0130]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述面向政企服务系统的性能预测系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart
‑
media
‑
card，smc)，安全数字(secure
‑
di gital，sd)卡，闪存卡(flash
‑
card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0131]
尽管本技术的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求，考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本技术的预定范围。此外，上文以发明人可预见的实施例对本技术进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本技术的非实质性改动仍可代表本技术的等效改动。