虚拟服务节点性能测试方法、装置和计算机可读存储介质与流程

[0001]
本发明涉及移动通信技术领域，尤其涉及一种虚拟服务节点性能测试方法、装置和计算机可读存储介质。


背景技术：

[0002]
对于传统数据中心中的业务服务节点(service function，sf)，例如：负载均衡器、防火墙、网络地址转换等，因为其使用专有硬件设备，在测试其性能时，一般通过模拟实际使用的场景进行测试。对在虚拟机上部署的软件业务服务节也是采用此种方法进行测试。
[0003]
目前应用部署的环境外部干扰少，测试值和实际使用值偏差较小。但在虚拟化的环境下，业务服务节点以软件的形式部署在虚拟机上。虽然虚拟机之间严格隔离，互相不可知地运行在一起，也可以设置一定的资源保障，但虚拟机性能却没有实现完全隔离，同一物理服务器上的所有虚拟机实际是共享底层的物理资源。在其它虚拟机不运行时，能测试到服务节点的理想性能；但在其它虚拟机运行时会在硬件资源上产生严重竞争，导致业务服务节点的性能下降，其能力远远达不到理想状态的测试值。由上可见，相关方案难以真实反映业务服务节点在有干扰情况下的性能。


技术实现要素：

[0004]
有鉴于此，本发明实施例期望提供一种虚拟服务节点性能测试方法、装置和计算机可读存储介质。
[0005]
为达到上述目的，本发明实施例的技术方案是这样实现的：
[0006]
本发明实施例提供了一种虚拟服务节点性能测试方法，该方法应用于单个虚拟服务节点，包括：
[0007]
基于预设的干扰参数生成干扰机测试脚本，用于模拟所述虚拟服务节点运行时的干扰条件；
[0008]
在不同干扰条件下，基于预设时间内业务流量的统计值确定所述虚拟服务节点的性能值。
[0009]
其中，所述在不同干扰条件下，基于预设时间内业务流量的统计值确定所述虚拟服务节点的性能值，包括：
[0010]
在测试过程中，通过修改预设的干扰参数的数值来获得不同的干扰条件；
[0011]
在相应的干扰条件下，根据预设时间内业务流量的统计值确定该干扰条件下所述虚拟服务节点的性能值。干扰参数
[0012]
其中，所述预设的包括但不限于如下一种或多种：
[0013]
物理服务器上虚拟服务节点未启动时的中央处理器cpu占用率x1；
[0014]
物理服务器上虚拟服务节点未启动时的存储使用率x2；
[0015]
物理服务器上虚拟服务节点未启动时的输入/输出i/o使用率x3。
[0016]
可选的，该方法还包括：
[0017]
基于所述预设的干扰参数和所述虚拟服务节点的性能值，建立干扰条件下虚拟服务节点的性能模型。
[0018]
可选的，所述建立干扰条件下虚拟服务节点的性能模型时，该方法包括：
[0019]
采用分段多元线性回归模型进行拟合，然后在每个分段区间内应用最小二乘法对模型中的参数进行估计；
[0020]
所述每个分段区间根据预设的干扰参数的取值进行设置。
[0021]
其中，所述预设的干扰参数包括：物理服务器上虚拟服务节点未启动时的cpu占用率x1、存储使用率x2和i/o使用率x3时，所述每个分段区间内的多元线性回归模型对应的方程为：
[0022]
y＝b0+b1x1+b2x2+b3x3+e；
[0023]
其中，y是虚拟服务节点实例在干扰条件下的性能；b0为虚拟服务节点实例在无干扰条件下的最大性能值；b1、b2、b3为多元线性模型的参数；e为模型的预测残差，通过最小二乘法获得。
[0024]
其中，基于分段区间内所述虚拟服务节点的性能值和所述多元线性回归模型对应的方程，得到如下矩阵：
[0025]
y＝bx+e；
[0026]
其中，y为n
×
1矩阵，由分段区间内测试得到的各个性能值构成；x为n
×
3矩阵，由各个干扰参数构成；b为模型参数向量；e为n
×
1矩阵，是残差项量，服从正态分布，n为分段区间内性能值的个数；
[0027]
基于上述矩阵获得b的值，得到分段区间内该虚拟服务节点的性能模型。
[0028]
本发明实施例还提供了一种虚拟服务节点性能测试装置，该装置应用于单个虚拟服务节点，包括：
[0029]
干扰模块，用于基于预设的干扰参数生成干扰机测试脚本，用于模拟所述虚拟服务节点运行时的干扰条件；
[0030]
确定模块，用于在不同干扰条件下，基于预设时间内业务流量的统计值确定所述虚拟服务节点的性能值。
[0031]
本发明实施例还提供了一种虚拟服务节点性能测试装置，该装置包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，
[0032]
其中，所述处理器用于运行所述计算机程序时，执行上述方法的步骤。
[0033]
本发明实施例还提供了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上述方法的步骤。
[0034]
本发明实施例提供的虚拟服务节点性能测试方法、装置和计算机可读存储介质，基于预设的干扰参数生成干扰机测试脚本，用于模拟所述虚拟服务节点运行时的干扰条件；在不同干扰条件下，基于预设时间内业务流量的统计值确定所述虚拟服务节点的性能值。本发明实施例应用于单个虚拟服务节点，在测试虚拟服务节点性能时考虑环境干扰，提高在干扰条件下业务服务节点性能测试的有效性，测试值更加真实地反映业务服务节点的性能。
[0035]
此外，通过建立虚拟服务节点性能模型来预测某种环境干扰虚拟服务节点的性
能，无需遍历所有干扰条件，可用性高。
附图说明
[0036]
图1为本发明实施例所述虚拟服务节点性能测试方法流程示意图一；
[0037]
图2为本发明实施例所述虚拟服务节点性能装置结构示意图一；
[0038]
图3为本发明实施例所述虚拟服务节点性能装置结构示意图二；
[0039]
图4为本发明实施例所述虚拟服务节点的性能测试系统示意图；
[0040]
图5为本发明实施例所述虚拟服务节点性能测试方法流程图二；
[0041]
图6为本发明实施例所述虚拟服务节点部署结构示意图。
具体实施方式
[0042]
下面结合附图和实施例对本发明进行描述。
[0043]
本发明实施例提供了一种虚拟服务节点性能测试方法，如图1所示，该方法应用于单个虚拟服务节点，包括：
[0044]
步骤101：基于预设的干扰参数生成干扰机测试脚本，用于模拟所述虚拟服务节点运行时的干扰条件；
[0045]
步骤102：在不同干扰条件下，基于预设时间内业务流量的统计值确定所述虚拟服务节点的性能值。
[0046]
本发明实施例在测试虚拟服务节点性能时考虑环境干扰，提高在干扰条件下业务服务节点性能测试的有效性，测试值更加真实地反映业务服务节点的性能。
[0047]
本发明实施例中，所述在不同干扰条件下，基于预设时间内业务流量的统计值确定所述虚拟服务节点的性能值，包括：
[0048]
在测试过程中，通过修改预设的干扰参数的数值来获得不同的干扰条件；
[0049]
在相应的干扰条件下，根据预设时间内业务流量的统计值确定该干扰条件下所述虚拟服务节点的性能值。
[0050]
本发明实施例中，所述预设的干扰参数包括但不限于如下一种或多种：
[0051]
物理服务器上虚拟服务节点未启动时的中央处理器cpu占用率x1；
[0052]
物理服务器上虚拟服务节点未启动时的存储使用率x2；
[0053]
物理服务器上虚拟服务节点未启动时的输入/输出i/o使用率x3。
[0054]
一个实施例中，该方法还包括：
[0055]
基于所述预设的干扰参数和所述虚拟服务节点的性能值，建立干扰条件下虚拟服务节点的性能模型。
[0056]
本发明实施例中，所述建立干扰条件下虚拟服务节点的性能模型时，该方法包括：
[0057]
采用分段多元线性回归模型进行拟合，然后在每个分段区间内应用最小二乘法对模型中的参数进行估计；
[0058]
所述每个分段区间根据预设的干扰参数的取值进行设置。
[0059]
本发明实施例中，所述预设的干扰参数包括：物理服务器上虚拟服务节点未启动时的cpu占用率x1、存储使用率x2和i/o使用率x3时，所述每个分段区间内的多元线性回归模型对应的方程为：
[0060]
y＝b0+b1x1+b2x2+b3x3+e；
[0061]
其中，y是虚拟服务节点实例在干扰条件下的性能；b0为虚拟服务节点实例在无干扰条件下的最大性能值；b1、b2、b3为多元线性模型的参数；e为模型的预测残差，通过最小二乘法获得。
[0062]
本发明实施例中，基于分段区间内所述虚拟服务节点的性能值和所述多元线性回归模型对应的方程，得到如下矩阵：
[0063]
y＝bx+e；
[0064]
其中，y为n
×
1矩阵，由分段区间内测试得到的各个性能值构成；x为n
×
3矩阵，由各个干扰参数构成；b为模型参数向量；e为n
×
1矩阵，是残差项量，服从正态分布，n为分段区间内性能值的个数；
[0065]
基于上述矩阵获得b的值，得到分段区间内该虚拟服务节点的性能模型。
[0066]
为了实现上述方法实施例，本发明实施例还提供了一种虚拟服务节点性能测试装置，如图2所示，该装置应用于单个虚拟服务节点，包括：
[0067]
干扰模块201，用于基于预设的干扰参数生成干扰机测试脚本，用于模拟所述虚拟服务节点运行时的干扰条件；
[0068]
确定模块202，用于在不同干扰条件下，基于预设时间内业务流量的统计值确定所述虚拟服务节点的性能值。
[0069]
本发明实施例中，所述确定模块202在不同干扰条件下，基于预设时间内业务流量的统计值确定所述虚拟服务节点的性能值，包括：
[0070]
在测试过程中，通过修改预设的干扰参数的数值来获得不同的干扰条件；
[0071]
在相应的干扰条件下，根据预设时间内业务流量的统计值确定该干扰条件下所述虚拟服务节点的性能值。
[0072]
本发明实施例中，所述预设的干扰参数包括但不限于如下一种或多种：
[0073]
物理服务器上虚拟服务节点未启动时的中央处理器cpu占用率x1；
[0074]
物理服务器上虚拟服务节点未启动时的存储使用率x2；
[0075]
物理服务器上虚拟服务节点未启动时的输入/输出i/o使用率x3。
[0076]
一个实施例中，如图3所示，该装置还包括：建立模块203；
[0077]
所述建立模块203，用于基于所述预设的干扰参数和所述虚拟服务节点的性能值，建立干扰条件下虚拟服务节点的性能模型。
[0078]
本发明实施例中，所述建立模块203建立干扰条件下虚拟服务节点的性能模型时，包括：
[0079]
采用分段多元线性回归模型进行拟合，然后在每个分段区间内应用最小二乘法对模型中的参数进行估计；
[0080]
所述每个分段区间根据预设的干扰参数的取值进行设置。
[0081]
本发明实施例中，所述预设的干扰参数包括：物理服务器上虚拟服务节点未启动时的cpu占用率x1、存储使用率x2和i/o使用率x3时，所述每个分段区间内的多元线性回归模型对应的方程为：
[0082]
y＝b0+b1x1+b2x2+b3x3+e；
[0083]
其中，y是虚拟服务节点实例在干扰条件下的性能；b0为虚拟服务节点实例在无干
扰条件下的最大性能值；b1、b2、b3为多元线性模型的参数；e为模型的预测残差，通过最小二乘法获得。
[0084]
本发明实施例中，建立模块203基于分段区间内所述虚拟服务节点的性能值和所述多元线性回归模型对应的方程，得到如下矩阵：
[0085]
y＝bx+e；
[0086]
其中，y为n
×
1矩阵，由分段区间内测试得到的各个性能值构成；x为n
×
3矩阵，由各个干扰参数构成；b为模型参数向量；e为n
×
1矩阵，是残差项量，服从正态分布，n为分段区间内性能值的个数；
[0087]
基于上述矩阵获得b的值，得到分段区间内该虚拟服务节点的性能模型。
[0088]
本发明实施例还提供了一种虚拟服务节点性能测试装置，该装置包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，
[0089]
其中，所述处理器用于运行所述计算机程序时，执行：
[0090]
基于预设的干扰参数生成干扰机测试脚本，用于模拟所述虚拟服务节点运行时的干扰条件；
[0091]
在不同干扰条件下，基于预设时间内业务流量的统计值确定所述虚拟服务节点的性能值。
[0092]
所述在不同干扰条件下，基于预设时间内业务流量的统计值确定所述虚拟服务节点的性能值时，所述处理器还用于运行所述计算机程序时，执行：
[0093]
在测试过程中，通过修改预设的干扰参数的数值来获得不同的干扰条件；
[0094]
在相应的干扰条件下，根据预设时间内业务流量的统计值确定该干扰条件下所述虚拟服务节点的性能值。
[0095]
其中，所述预设的干扰参数包括但不限于如下一种或多种：
[0096]
物理服务器上虚拟服务节点未启动时的中央处理器cpu占用率x1；
[0097]
物理服务器上虚拟服务节点未启动时的存储使用率x2；
[0098]
物理服务器上虚拟服务节点未启动时的输入/输出i/o使用率x3。
[0099]
所述处理器还用于运行所述计算机程序时，执行：
[0100]
基于所述预设的干扰参数和所述虚拟服务节点的性能值，建立干扰条件下虚拟服务节点的性能模型。
[0101]
所述建立干扰条件下虚拟服务节点的性能模型时，所述处理器还用于运行所述计算机程序时，执行：
[0102]
采用分段多元线性回归模型进行拟合，然后在每个分段区间内应用最小二乘法对模型中的参数进行估计；
[0103]
所述每个分段区间根据预设的干扰参数的取值进行设置。
[0104]
其中，所述预设的干扰参数包括：物理服务器上虚拟服务节点未启动时的cpu占用率x1、存储使用率x2和i/o使用率x3时，所述每个分段区间内的多元线性回归模型对应的方程为：
[0105]
y＝b0+b1x1+b2x2+b3x3+e；
[0106]
其中，y是虚拟服务节点实例在干扰条件下的性能；b0为虚拟服务节点实例在无干扰条件下的最大性能值；b1、b2、b3为多元线性模型的参数；e为模型的预测残差，通过最小二
乘法获得。
[0107]
其中，基于分段区间内所述虚拟服务节点的性能值和所述多元线性回归模型对应的方程，得到如下矩阵：
[0108]
y＝bx+e；
[0109]
其中，y为n
×
1矩阵，由分段区间内测试得到的各个性能值构成；x为n
×
3矩阵，由各个干扰参数构成；b为模型参数向量；e为n
×
1矩阵，是残差项量，服从正态分布，n为分段区间内性能值的个数；
[0110]
基于上述矩阵获得b的值，得到分段区间内该虚拟服务节点的性能模型。
[0111]
需要说明的是：上述实施例提供的装置在进行虚拟服务节点性能测试时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将设备的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的装置与相应方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
[0112]
在示例性实施例中，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质可以是fram、rom、prom、eprom、eeprom、flash memory、磁表面存储器、光盘、或cd-rom等存储器；也可以是包括上述存储器之一或任意组合的各种设备，如移动电话、计算机、平板设备、个人数字助理等。
[0113]
本发明实施例还提供了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，执行：
[0114]
基于预设的干扰参数生成干扰机测试脚本，用于模拟所述虚拟服务节点运行时的干扰条件；
[0115]
在不同干扰条件下，基于预设时间内业务流量的统计值确定所述虚拟服务节点的性能值。
[0116]
所述在不同干扰条件下，基于预设时间内业务流量的统计值确定所述虚拟服务节点的性能值时，所述计算机程序被处理器运行时，还执行：
[0117]
在测试过程中，通过修改预设的干扰参数的数值来获得不同的干扰条件；
[0118]
在相应的干扰条件下，根据预设时间内业务流量的统计值确定该干扰条件下所述虚拟服务节点的性能值。
[0119]
其中，所述预设的干扰参数包括但不限于如下一种或多种：
[0120]
物理服务器上虚拟服务节点未启动时的中央处理器cpu占用率x1；
[0121]
物理服务器上虚拟服务节点未启动时的存储使用率x2；
[0122]
物理服务器上虚拟服务节点未启动时的输入/输出i/o使用率x3。
[0123]
所述计算机程序被处理器运行时，还执行：
[0124]
基于所述预设的干扰参数和所述虚拟服务节点的性能值，建立干扰条件下虚拟服务节点的性能模型。
[0125]
所述建立干扰条件下虚拟服务节点的性能模型时，所述计算机程序被处理器运行时，还执行：
[0126]
采用分段多元线性回归模型进行拟合，然后在每个分段区间内应用最小二乘法对模型中的参数进行估计；
[0127]
所述每个分段区间根据预设的干扰参数的取值进行设置。
[0128]
其中，所述预设的干扰参数包括：物理服务器上虚拟服务节点未启动时的cpu占用率x1、存储使用率x2和i/o使用率x3时，所述每个分段区间内的多元线性回归模型对应的方程为：
[0129]
y＝b0+b1x1+b2x2+b3x3+e；
[0130]
其中，y是虚拟服务节点实例在干扰条件下的性能；b0为虚拟服务节点实例在无干扰条件下的最大性能值；b1、b2、b3为多元线性模型的参数；e为模型的预测残差，通过最小二乘法获得。
[0131]
其中，基于分段区间内所述虚拟服务节点的性能值和所述多元线性回归模型对应的方程，得到如下矩阵：
[0132]
y＝bx+e；
[0133]
其中，y为n
×
1矩阵，由分段区间内测试得到的各个性能值构成；x为n
×
3矩阵，由各个干扰参数构成；b为模型参数向量；e为n
×
1矩阵，是残差项量，服从正态分布，n为分段区间内性能值的个数；
[0134]
基于上述矩阵获得b的值，得到分段区间内该虚拟服务节点的性能模型。
[0135]
下面结合场景实施例对本发明进行描述。
[0136]
业务链(service-chain)技术使得数据报文在网络中按照业务需求有选择有顺序的通过各业务服务节点，提供给用户灵活、稳定的网络服务。传统数据中心中的业务服务节点为专有硬件设备，通过物理连接部署到网络中完成各种业务服务。当前云数据中心网络的软件定义网络(software defined network，sdn)化和网络功能虚拟化(network function virtualization，nfv)技术促使业务链技术有了全新的发展。业务服务节点(如负载均衡器、防火墙、网络地址转换等)由传统的专有硬件逐步转变为由通用物理服务器构建的虚拟业务资源池。在物理服务器的虚拟机上部署的专有软件提供业务服务，从而大大提高了业务部署的灵活性，缩短业务部署时间，资源利用更加有效。
[0137]
在服务器的虚拟机上部署软件业务服务节点，虚拟机之间会产生严重的共享计算资源竞争以及性能干扰，进而造成大幅度的负载性能下降以及波动，极大地影响了用户负载应用的服务等级协议(service level agreement,sla)。实时了解业务服务节点在干扰下运行时的性能是保证用户服务质量的关键。通过准确估算业务服务节点性能，可以提高物理服务器的资源利用率，从而降低数据中心的能耗。
[0138]
因此，本发明实施例提供一种业务链中虚拟服务节点的性能测试方法及系统，其系统架构如图4所示，包括：被测设备(即虚拟服务节点)、用于下发干扰机测试脚本的干扰下发单元、客户(client)端侧的业务流量发生单元和业务监控单元，以及服务器(server)端的业务流量接收单元和业务监控单元。
[0139]
下面结合图5所示的虚拟服务节点的性能测试流程图，对上述系统的应用进行描述，具体步骤如下：
[0140]
步骤一：搭建虚拟服务节点的性能测试拓扑；
[0141]
如图6是虚拟服务节点(即图4中的被测设备)的部署结构图，决定服务节点性能的因素是其软硬件配置。硬件配置包括：物理服务器硬件型号和给服务节点分配的硬件资源，如cpu、内存和网卡等。软件配置相对复杂，主要可以归结为其采用的host os软件及版本、
hypervisor软件及版本、网卡交付模式(sr-iov或ovs)、网卡驱动版本等。在无干扰条件下，固定的软硬件配置测试出的性能是不变的。因此搭建测试环境时仿真现实运行场景，采用相同的物理服务器配置和软件配置。
[0142]
步骤二：部署虚拟服务节点；
[0143]
这里，可在物理服务器上拉起测试虚拟机，在其上部署软件业务服务节点。虚拟机分配的硬件资源参考现实运行场景。
[0144]
步骤三：下发干扰测试脚本；
[0145]
这里，可在物理服务器上拉起测试干扰机，并在其上部署干扰生成工具。根据设定的干扰参数得到对应干扰机测试脚本，将此脚本下发至干扰机上的干扰生成工具，模拟虚拟服务节点运行时的干扰。
[0146]
业务服务节点性能主要是由每秒最大新建连接数、每秒最大并发用户数和每秒最大吞吐量三个指标构成。每秒最大新建连接数主要消耗cpu资源，每秒最大并发用户数主要消耗存储资源(包含缓存和内存)，每秒最大吞吐量主要消耗网卡i/o资源。
[0147]
对于同一物理服务器上其他虚拟机性能干扰可以分为cpu干扰、存储干扰、网卡i/o干扰三种。将cpu干扰参数定义为物理服务器上虚拟服务节点未启动时的cpu占用率x1，存储干扰参数为物理服务器上虚拟服务节点未启动时的存储使用率x2，网卡i/o干扰参数为物理服务器上虚拟服务节点未启动时的i/o使用率x3，实际的干扰为x1、x2和x3的组合值。以cpu占用率x1为例，可以对应得到干扰机测试脚本的配置参数，将此参数下发至干扰机，使得物理服务器的cpu占用率达到设定值时，完全模拟虚拟服务节点的实际部署环境。
[0148]
步骤四：发送业务流量；
[0149]
图4所示的业务流量发生单元模拟用户行为，向被测设备发起一定压力模型的业务请求。根据业务性能指标，可以是每秒最大新建连接数、每秒最大并发用户数、每秒最大吞吐量或三者的叠加测试。在client端和server端将业务监控单元串入系统，实时统计节点上业务处理的新建连接数、并发用户数、吞吐量以及业务成功数和失败数。
[0150]
步骤五：停止发送业务流量；
[0151]
持续发送一定时间后，停止流量。根据流量持续期间业务监控单元的统计值，计算出在该干扰条件下业务节点的最大性能值。
[0152]
步骤六：修改干扰参数；
[0153]
所述修改干扰参数即修改cpu占用率x1、存储使用率x2和i/o使用率x3，重复步骤三至步骤五，直至完成所有干扰条件下性能值的测试。
[0154]
步骤七：根据干扰参数和测试得到的性能值，建立干扰条件下业务节点的性能模型。
[0155]
业务节点实例在干扰下的性能与干扰之间是一个非线性的关系，综合考虑建立模型的代价和精度，采用分段多元线性回归模型进行拟合，然后在每个区间内应用最小二乘法对模型中的参数进行估计。本专利中所谓的分段是以cpu占用率x1、存储使用率x2和i/o使用率x3来定义，如假定在30％≤cpu占用率x1≤40％、40％≤存储使用率x2≤50％、40％≤i/o使用率x3≤50％的区间内，业务节点实例在干扰下的性能与干扰可以用一个多元线性关系来描述。分段的力度越小则模型的精度越高，可以根据实际需要进行选择。
[0156]
在每个分段区间内，通过回归模型建立应用在干扰下的性能和运行时系统特征参
数的线性回归方程如下：
[0157]
y＝b0+b1x1+b2x2+b3x3+e；
[0158]
其中，y是业务节点实例在干扰下的性能，b0为业务节点实例在无干扰下的最大性能值，b1、b2、b3为多元线性模型的参数，e为模型的预测残差。多元线性模型的参数可以采用最小二乘法。其基本思想是使残差平方和∑e2达到最小。
[0159]
∑e2＝∑(y-b
0-b1x
1-b2x
2-b3x3)2[0160]
将步骤六中在分段区间内测试得到的性能值带入模型可以得到如下矩阵：
[0161]
y＝bx+e；
[0162]
其中
[0163][0164]
式中，y是n
×
1矩阵，由分段区间内测试得到的各个性能值构成；x是n
×
3矩阵，由各个干扰参数(各分段区间内的x1、x2、x3)构成；b是模型参数向量；e是n
×
1矩阵，是残差项量，服从正态分布，n为分段区间内性能值的个数。
[0165]
由此得到的参数估计值：
[0166]
b＝(x
′
x)-1
x
′
y；
[0167]
式中x
′
是x的转置矩阵；(x
′
x)-1
是矩阵(x
′
x)的逆矩阵。
[0168]
求出矩阵b的值后，分段区间内性能预测模型可以确定。在使用时，只需观测到业务节点实例部署环境的干扰值，即cpu占用率x1、存储使用率x2和i/o使用率x3，就可以得到此干扰下部署业务节点实例的性能。
[0169]
本发明实施例在测试虚拟服务节点性能时考虑环境干扰，提高在干扰条件下业务服务节点性能测试的有效性，测试值更加真实地反映业务服务节点的性能。
[0170]
此外，通过建立虚拟服务节点性能模型来预测某种环境干扰虚拟服务节点的性能，无需遍历所有干扰条件，可用性高。
[0171]
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。