网页应用质量分析优化方法、系统、计算机设备和存储介质与流程

摘要: 本技术涉及网页应用优化,特别是涉及一种网页应用质量分析优化方法、系统、计算机设备和存储介质。背景技术:1、随着web应用的快速发展,浏览器加载页面时产生的htt...
网页应用质量分析优化方法、系统、计算机设备和存储介质与流程

本技术涉及网页应用优化,特别是涉及一种网页应用质量分析优化方法、系统、计算机设备和存储介质。

背景技术:

1、随着web应用的快速发展,浏览器加载页面时产生的http请求质量直接影响用户体验和应用性能,web网络质量分析已成为性能优化领域的重要课题。

2、传统技术中,为了评估web应用的网络质量,通常采用如下方案:一类是基于渲染性能指标体系,通过浏览器api从渲染结果层面评估页面性能,能够反映用户可感知的渲染效果,但也仅停留在渲染结果层面;一类是基于http日志进行离线聚合分析,通过对请求url、耗时、状态码等字段进行统计,能够给出整体性能画像,但难以揭示请求间的因果链路与并行化程度;还有一类则是采用预定义静态规则对页面资源进行逐项审计,能够覆盖常见的资源配置问题,但无法知晓请求之间的动态依赖关系与运行时行为模式。可见,上述方案对于web网络质量分析仍然停留于表面,难以自动识别根因和给出有效优化建议。

3、由此可见,现有技术中仍然存在网络质量分析优化的精细度和准确度较低的问题。

技术实现思路

1、基于此,有必要针对上述技术问题,提供一种能够提高网络质量分析优化的精细度和准确度的网页应用质量分析优化方法、系统、计算机设备和存储介质。

2、第一个方面,本技术提供了一种网页应用质量分析优化方法,所述网页应用质量分析优化方法包括:

3、基于自动化浏览器引擎,采集目标网页应用加载过程中的http事件,得到原始执行日志集合;

4、基于所述原始执行日志集合,构建执行轨迹图;所述执行轨迹图包括请求节点和有向边;所述有向边包括触发依赖边、资源依赖边、时序依赖边、缓存复用边中的一种或多种;

5、基于所述执行轨迹图,计算多维网络质量特征,得到综合质量评分;

6、当所述综合质量评分不满足预设评分条件时,基于所述执行轨迹图进行模拟优化,得到目标优化策略。

7、在其中一个实施例中,所述基于自动化浏览器引擎,采集目标网页应用加载过程中的http事件,得到原始执行日志集合包括:

8、在自动化浏览器引擎的网络域中,分别采集所述目标网页应用加载过程中的请求发起事件、响应到达事件和传输完成事件;

9、基于所述请求发起事件、所述响应到达事件、所述传输完成事件以及每个事件的时间戳,确定当前所述目标网页应用加载过程的http事件;

10、基于http事件的统一资源定位符以及时间戳,对多次采集的所述http事件进行去重融合,得到所述原始执行日志集合。

11、在其中一个实施例中,所述基于所述原始执行日志集合,构建执行轨迹图包括:

12、对每个所述http事件进行解析,确定每个http事件对应的请求节点和节点属性;

13、基于所述http事件的触发来源标识,确定所述请求节点之间的触发依赖边和/或资源依赖边;

14、基于所述http事件的起止时间,确定所述请求节点之间的时序依赖边;

15、基于所述http事件中对应同一url的多次请求和缓存头信息,确定所述请求节点之间的缓存复用边。

16、在其中一个实施例中,在当前所述请求节点的调用栈不完整时,所述确定所述请求节点之间的触发依赖边和/或资源依赖边包括:

17、将以所述请求节点的起始时间为止的预设事件窗口内的脚本类型请求节点作为候选父请求节点集合;

18、基于所述候选父请求节点的引用来源、安全获取元数据、响应体引用和时间窗口约束中的一种或多种,计算各候选父请求节点的加权得分;

19、将加权得分最高且不低于预设置信度阈值的候选父请求节点,确定为目标父请求节点;

20、在所述当前请求节点与所述目标父请求节点之间建立触发依赖边。

21、在其中一个实施例中,所述多维网络质量特征包括请求冗余特征、扇出请求特征、串行瀑布结构特征、缓存缺失特征、响应体超量特征和第三方依赖特征中的一种或多种,所述基于所述执行轨迹图,计算多维网络质量特征,得到综合质量评分包括:

22、基于所述执行轨迹图,计算多维网络质量特征;

23、基于所述多维网络质量特征以及每个维度对应的预设权重值和惩罚函数,计算所述目标网页应用的综合质量评分。

24、在其中一个实施例中,所述多维网络质量特征包括扇出请求特征,所述基于所述执行轨迹图,计算多维网络质量特征包括:

25、获取每个所述请求节点对应的符合预设资源类型条件的直接子节点,得到各所述请求节点对应的直接子节点集合;

26、基于绝对时间跨度、相对事件离散度和响应体结构相似度,对各所述直接子节点集合进行筛选,得到扇出请求节点组;

27、根据各所述扇出请求节点组,确定扇出请求特征。

28、在其中一个实施例中,所述基于绝对时间跨度、相对事件离散度和响应体结构相似度,对各所述直接子节点集合进行筛选,得到扇出请求节点组包括:

29、基于统一资源定位符的路径段,对所述直接子节点集合进行分类,得到统一资源定位符模式分组;

30、分别计算每个所述统一资源定位符模式分组的绝对时间跨度和相对时间离散度,并将所述绝对时间跨度低于预设时间紧凑度阈值、且所述相对时间离散度低于预设离散度阈值的统一资源定位符模式分组确定为目标子节点组;

31、计算所述目标子节点组的响应体结构相似度,若所述响应体结构相似度不低于预设同构阈值,则将所述目标子节点组确定为扇出请求节点组。

32、在其中一个实施例中,所述计算所述目标子节点组的响应体结构相似度包括:

33、两两计算所述目标子节点组中每个直接子节点的json响应体的键路径集合的jaccard相似度,并基于各所述jaccard相似度,得到各json响应体对的平均jaccard相似度;或,根据所述目标子节点组中各直接子节点的非json响应体的响应体大小均值和响应体大小标准差,确定各非json响应体的变异系数;

34、基于所述平均jaccard相似度或所述变异系数,确定所述目标子节点组的响应体结构相似度。

35、在其中一个实施例中,所述根据各所述扇出请求节点组,确定扇出请求特征包括:

36、基于各所述扇出请求节点组之间的嵌套关系,识别多级扇出请求链;

37、基于所述多级扇出请求链的子节点数量和嵌套深度,确定所述多级扇出请求链的扇出严重度评分;

38、基于各所述扇出请求节点组、所述多级扇出请求链和所述扇出严重度评分,确定所述扇出请求特征。

39、在其中一个实施例中,所述基于所述执行轨迹图进行模拟优化,得到目标优化策略包括:

40、基于预设图重写规则,对所述执行轨迹图中的反模式子图进行图变换操作,得到模拟优化轨迹图;所述反模式子图包括扇出请求子图、串行瀑布结构子图、缓存缺失子图中的一种或多种;

41、计算所述模拟优化轨迹图的多维网络质量特征,得到所述模拟优化轨迹图的综合质量评分;

42、以所述模拟优化轨迹图的综合质量评分为预收益值,对各所述模拟优化轨迹图进行优先级排序筛选,确定目标优化策略。

43、在其中一个实施例中,所述基于预设图重写规则,对所述执行轨迹图中的反模式子图进行图变换操作包括:

44、对于扇出请求子图,将所述扇出请求子图中的多个子节点替换为批量请求节点,并基于所述多个子节点的响应体大小均值和起止时间,确定所述批量请求节点的响应体大小和起止时间;

45、对于串行瀑布结构子图,将所述串行瀑布结构子图中的时序依赖边调整为并行触发边,将被重写的子节点的起始时间调整为前一节点的起始时间;

46、对于缓存缺失子图,将所述缓存缺失子图中的缓存缺失节点标记为缓存命中状态;将所述缓存缺失节点的响应体大小调整为预设值、起止时间调整为本地缓存读取耗时。

47、在其中一个实施例中,所述得到目标优化策略之后还包括:

48、基于自动化浏览器引擎,对经过所述目标优化策略实施优化后的所述目标网页应用加载过程,进行http事件采集,得到待验证执行日志集合;

49、基于所述待验证执行日志集合,构建待验证执行轨迹图;

50、基于所述待验证执行轨迹图,计算多维网络质量特征,得到所述待验证执行日志集合对应的综合质量评分;

51、基于多维网络质量特征和所述综合质量评分,将所述待验证执行日志集合与所述原始执行日志集合进行比对,确定所述目标优化策略的优化验证结果。

52、第二个方面,本技术提供了一种网页应用质量分析优化系统,所述网页应用质量分析优化系统包括:

53、日志采集模块,用于基于自动化浏览器引擎,采集目标网页应用加载过程中的http事件,得到原始执行日志集合;

54、轨迹图构建模块,用于基于所述原始执行日志集合,构建执行轨迹图;所述执行轨迹图包括请求节点和有向边;所述有向边包括触发依赖边、资源依赖边、时序依赖边、缓存复用边中的一种或多种;

55、质量评分模块,用于基于所述执行轨迹图,计算多维网络质量特征,得到综合质量评分;

56、优化策略生成模块,用于当所述综合质量评分不满足预设评分条件时,基于所述执行轨迹图进行模拟优化,得到目标优化策略。

57、上述网页应用质量分析优化方法、系统、计算机设备和存储介质,通过基于自动化浏览器引擎采集http事件获得原始执行日志集合,基于原始执行日志集合构建包含请求节点以及触发依赖边、资源依赖边、时序依赖边、缓存复用边中的一种或多种有向边的执行轨迹图,基于执行轨迹图计算多维网络质量特征得到综合质量评分,当综合质量评分不满足预设评分条件时基于执行轨迹图进行模拟优化得到目标优化策略,相较于传统方法中仅从渲染结果、离线统计或静态规则层面分析网络质量的局限性,本实施例可以将网页加载过程中的网络请求从孤立日志提升为结构化关系模型,自动识别请求间的因果链路与并行化模式,量化关键路径上的瓶颈环节,从而可以在无需实际部署测试的情况下给出数据驱动的优化建议,达到提升网络质量分析优化的精细度和准确度的技术效果。