一种系统性能优化方法、装置、电子设备及其可读介质制造方法及图纸

本发明专利技术实施例公开了一种系统性能优化方法，包括：从系统输出的状态信息中提取出系统状态特征信息;根据系统状态特征信息,获取系统出现性能问题的类型和概率；将性能问题的类型和性能问题的概率进行展示。本发明专利技术实施例还提供了一种电子设备，通过实时监测系统性能状态，计算出此时系统出现性能问题的概率并利用学习到的优化策略提供相应的解决方案，以达到系统参数调优、预防系统性能下降、调整系统状态的效果。态的效果。态的效果。

【技术实现步骤摘要】
一种系统性能优化方法、装置、电子设备及其可读介质


[0001]本专利技术涉及计算机领域，尤其涉及一种系统性能优化方法、装置、电子设备及其可读介质。

技术介绍

[0002]移动终端、服务器以及嵌入式系统产品等，都离不开操作系统的支持。然而系统中的各种软件在运行时会消耗系统资源(如CPU、RAM以及存储空间等)，由于软件产品的质量参差不齐，必会导致系统存在性能隐患，如资源耗尽导致系统崩溃等。从而影响企业产品的健壮性，导致产品用户体验差、系统不稳定等。因此减少影响企业形象的致命缺陷志在必行，性能优化的工作即是重中之重。
[0003]然而现行的系统优化方案多是采用的固定的优化值，在系统运行过程中，系统的运行状况会发生变化，不同参数之间除彼此互相影响外，还会共同对系统性能产生影响，因此，系统开发阶段所选的最优值难以持续满足系统的运行需求。

技术实现思路

[0004]为了解决上述技术问题，本专利技术实施例提供一种系统性能优化方法，通过NLP的性能优化模型利用学习到的优化策略对系统进行性能优化。
[0005]为达到上述目的，本专利技术实施例提供的系统性能优化方法，包括：
[0006]从系统输出的状态信息中提取出系统状态特征信息；
[0007]根据系统状态特征信息,获取系统出现性能问题的类型和概率；
[0008]将性能问题的类型和性能问题的概率进行展示。
[0009]为达到上述目的，本专利技术实施例还提供一种系统性能优化装置，包括：系统状态特征提取模块、NLP的性能优化模型、预警处理模块和方案处理设置模块；
[0010]系统状态特征提取模块，过滤并提取处于运行状态的系统状态特征信息；
[0011]NLP的性能优化模型，其根据系统状态特征信息，获取系统出现性能问题的类型和概率；
[0012]预警处理模块，其将性能问题的类型和性能问题的概率进行展示，并可以根据用户的选择进行相应的处理；
[0013]方案处理设置模块，其接收用户输入，设置性能问题类型处理方式。
[0014]为达到上述目的，本专利技术实施例还提供一种电子设备，包括，处理器；以及
[0015]被安排成存储计算机可执行指令的存储器，可执行指令在被执行时使处理器执行上述系统性能优化方法的步骤。
[0016]为达到上述目的，本专利技术实施例还提供一种计算机可读存储介质，计算机可读存储介质存储一个或多个程序，一个或多个程序当被包括多个应用程序的电子设备执行时，使得电子设备执行上述系统性能优化方法的步骤。
[0017]本专利技术实施例的系统性能优化方法有效的解决了性能优化无法自动化的问题，且
将不同系统的优化方案进行了统一和融合，从而也解决了跨平台问题；通过对系统性能状态实时监测，以对系统存在的漏斗、不合理的运行状态、或是造成系统崩溃等隐患时进行优化；
[0018]本专利技术将系统运行的性能状态以及开发人员针对不同系统做出的优化策略通过训练，使NLP的性能优化模型拥有类似于开发人员的系统优化能力，并通过实时监测系统性能状态，计算出此时系统出现性能问题的概率并利用学习到的优化策略提供相应的解决方案，以达到系统参数调优、预防系统性能下降、调整系统状态。
附图说明
[0019]图1为根据本专利技术实施例的系统性能优化方法流程示意图；
[0020]图2为根据本专利技术实施例的基于NLP的性能优化模型的系统性能优化流程示意图；
[0021]图3为根据本专利技术实施例的状态特征提取模块流程示意图；
[0022]图4为根据本专利技术实施例的NLP的性能优化模型训练流程示意图；
[0023]图5为根据本专利技术实施例的预警处理模块流程示意图；
[0024]图6为根据本专利技术实施例的方案处理设置模块示意图；
[0025]图7为根据本专利技术实施例的基于安卓系统状态信息及优化策略的样本及模型训练流程图；
[0026]图8为根据本专利技术实施例的基于安卓系统的自动性能优化系统运行流程示意图；
[0027]图9为根据本专利技术实施例的系统性能优化装置结构框架图；
[0028]图10为根据本专利技术的一个实施例电子设备的结构示意图。
具体实施方式
[0029]以下结合附图对本专利技术的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本专利技术，并不用于限定本专利技术。
[0030]实施例1
[0031]图1为根据本专利技术实施例的系统性能优化方法流程示意图，下面将参考图1，对本专利技术实施例的系统性能优化方法进行详细描述。
[0032]首先，步骤101，从系统输出的状态信息中提取出系统状态特征信息。
[0033]本专利技术实施例中，由于系统状态信息量过大，需要对关键信息进行提取，并将其转化为NLP的性能优化模型能够直接处理的对象类型，保证实时监测的高效性。
[0034]本专利技术实施例中，NLP(Natural Language Processing，自然语言处理，一个AI的子领域)。
[0035]本专利技术实施例中，首先接收到系统状态信息数据后，会将其转化为二进制流，因为二进制流的处理效率相对于其它方式更为高效。其次，由于系统状态数据中可能会含有很多无效(无意义)的信息，如性能无关的参数、特殊符号等，将这些无效信息对应的流编码从源系统状态信息中的流编码中进行过滤并剔除，目的是提高系统状态特征提取的效率。系统状态特征信息的提取依赖于系统状态特征结构，该结构约束了系统状态特征需要包含的信息内容。由于不同的性能问题类型需要提取不同的系统状态特征信息，因此该结构体的内容结构是支持扩展的。系统状态特征结构体的属性包括内容、长度和取值，内容中的时间
戳是必不可少的，它是系统状态特征的根信息，模型的训练及预测均依赖于该值。内容中的特征信息内容的条目不宜过多(条目过多会影响模型训练效率，会呈指数级增长)，内容可以包括内存占有率、CPU占有率、I/O吞吐率等性能指标。内容长度通常为可变的，因为其取值可以是数值、单个词语、标记符号等，并且这些取值内容均作为字符串对象处理。系统状态特征结构体定义完成后，根据结构体的定义从系统状态信息流中抽出符合定义的内容，并将其封装成数据结构对象。最后，将封装成的所有数据结构对象通过word2vec等模型转化为AI模型可以处理的向量对象。
[0036]在步骤102，根据系统状态特征信息,获取系统出现性能问题的类型和概率。
[0037]本专利技术实施例中，基于AI领域中的NLP模型训练完成的PO
‑
NLP模型。
[0038]本专利技术实施例中，上述向量对象在AI模型训练中称之为样本，样本的内容包含系统的运行状态以及在当前状态下开发人员使用的提升系统性能的方法或策略，例如Android(安卓)系统上进程的优化策略、服务器系统的缓存策略、数据库系统的I/O调度优化策略等。PO
‑
NLP在商用之前是根据已知的性能问题和该问题对应的优化策略的样本训练后的成品(如图3所示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种系统性能优化方法，其特征在于，所述方法包括：从系统输出的状态信息中提取出系统状态特征信息;根据所述系统状态特征信息,获取所述系统出现性能问题的类型和概率；将所述性能问题的类型和所述性能问题的概率进行展示。2.如权利要求1所述的系统性能优化方法，其特征在于，在所述从系统输出的状态信息中提取出状态特征信息之前，还包括：设置性能问题类型处理方式；所述性能问题类型处理方式，包括：智能处理、强行停止系统、释放内存，以及扩展处理。3.如权利要求1所述的系统性能优化方法，其特征在于，所述系统状态特征信息包括：内容、长度和取值；所述内容包括时间戳、内存占有率、CPU占有率、I/O吞吐率、进程队列以及系统Log；所述长度为可变的；所述取值为数值、单个词语、标记符号。4.如权利要求1所述的系统性能优化方法，其特征在于，所述从系统输出的状态信息中提取出系统状态特征信息，还包括：将所述状态特征信息的数据转化为二进制流；将所述系统状态信息进行无效信息的过滤并转化为NLP的性能优化模型可识别的向量参数。5.如权利要求1所述的系统性能优化方法，其特征在于，所述根据所述系统状态特征信息,获取系统出现性能问题的类型和概率，还包括：基于NLP的性能优化模型接受的所述系统特征信息，获取所述系统特征信息所属的性能问题特征集合的子集；根据所述性能问题特征集合的子集的覆盖率计算出系统出现性能问题的概率。6.如权利要求5所述的系统性能优化方法，其特征在于，在所述基于NLP的性能优化模型接受的所述系统特征信息，获取所述系统特征信息所属的性能问题特征集合的子集之前，还包括：针对所述系统性能问题类型，...

【专利技术属性】
技术研发人员：刘博，
申请(专利权)人：中兴通讯股份有限公司，
类型：发明
国别省市：