灰色关联度DEA软件效率优化方法、设备及存储介质与流程
本技术涉及软件效率优化,尤其涉及一种灰色关联度dea软件效率优化方法、设备及存储介质。
背景技术:
1、随着软件系统规模的扩大,在不同的时期,系统会呈现出不同的模块数量和调用复杂度的变化。企业需要根据业务需求的变化来逐步调整其系统架构及各模块的资源分配。
2、然而,在实际系统运行过程中,各个软件模块(如用户管理模块、订单模块、支付模块、消息推送模块等)之间存在错综复杂的调用关系和资源竞争。一方面,模块之间的耦合未得到有效简化,另一方面,企业持续追求降本增效(降低云资源消耗、提升吞吐量)。在此背景下,如何评价各个软件模块的运行效率,使得模块的资源投入与业务产出达到相对最优,如何对模块内部的计算工序进行客观的定量分析,提高系统运行效率变得尤为关键。
3、上述内容仅用于辅助理解本技术的技术方案,并不代表承认上述内容是现有技术。
技术实现思路
1、本技术的主要目的在于提供一种灰色关联度dea软件效率优化方法、设备及存储介质,旨在解决现有无法形成科罗迪的优化方案,使得资源配置依赖人工经验,无法在保障系统性能的前提下实现降本增效的技术问题。
2、为实现上述目的,本技术提出一种灰色关联度dea软件效率优化方法,所述的方法包括:
3、获取各评估对象的候选投入指标数据和产出指标数据,采用灰色关联度分析法计算各候选投入指标与各产出指标之间的关联度,将所述关联度最低的一个或多个指标剔除后,得到关键投入指标;
4、将不同运行周期下所述关键投入指标的整体数据和所述产出指标的整体数据作为第一决策单元集,输入dea模型进行整体运行效率评估,得到规模报酬系数及第一松弛变量;
5、在确定所述规模报酬系数和/或所述第一松弛变量满足预设的运行效率改进条件时,将各评估对象的所述关键投入指标数据和所述产出指标数据分别作为第二决策单元集,各自输入所述dea模型进行运行效率评估,根据各评估对象对应的第二松弛变量确定dea无效的目标评估对象;
6、根据所述第二松弛变量确定所述目标评估对象在各投入指标上的投入调整量以及在产出指标上的产出调整量,所述投入调整量用于表征所述目标评估对象在对应投入指标上所需减少的资源量,所述产出调整量用于表征所述目标评估对象在对应产出指标上所需增加的产出量;
7、将所述目标评估对象的运行过程按操作类型拆分为多个工序,根据各工序的实际资源消耗量和标准资源消耗当量确定待优化工序;
8、根据各投入指标的所述投入调整量和所述产出调整量,对所述待优化工序的供需进行优化处理。
9、在一实施例中,所述获取各评估对象的候选投入指标数据和产出指标数据的步骤,包括:
10、采集各评估对象在运行过程中的多项运行状态监测数据,和各评估对象在对应运行周期内的多项运行产出结果数据,所述多项运行状态监测数据包括cpu利用率平均值、内存占用峰值、网络接收字节数、网络发送字节数、磁盘输入输出次数、线程池活跃线程数、线程池队列长度、锁等待时间占比、垃圾回收暂停时长、缓存未命中率及外部调用延迟时长,所述多项运行产出结果数据包括请求处理吞吐量、平均响应时长及请求成功率;
11、基于所述多项运行状态监测数据和所述多项运行产出结果数据,作为所述各评估对象的候选投入指标数据和产出指标数据。
12、在一实施例中,所述基于所述多项运行状态监测数据和所述多项运行产出结果数据,作为所述各评估对象的候选投入指标数据和产出指标数据的步骤之后,还包括:
13、对所述候选投入指标数据和所述产出指标数据进行异常值识别,将超出预设标准差阈值的所述候选投入指标数据和所述产出指标数据作为异常值进行剔除;
14、对剔除异常值后的所述候选投入指标数据和所述产出指标数据进行归一化处理,得出归一化处理后的各候选投入指标与各产出指标。
15、在一实施例中,所述采用灰色关联度分析法计算各候选投入指标与各产出指标之间的关联度,将所述关联度最低的一个或多个指标剔除后,得到关键投入指标的步骤,包括:
16、将同一产出指标在各评估对象上的数据序列作为参考序列,并将同一候选投入指标在各评估对象上的数据序列作为比较序列;
17、计算所述比较序列与所述参考序列在各数据点上的绝对差值;
18、根据所述绝对差值确定各数据点上的关联系数,并取同一候选投入指标对应的所有评估对象上的关联系数的平均值,作为所述候选投入指标与所述产出指标之间的关联度;
19、将关联度大于或等于设定阈值的候选投入指标确定为关键投入指标。
20、在一实施例中,所述将不同运行周期下所述关键投入指标的整体数据和所述产出指标的整体数据作为第一决策单元集的步骤之前,还包括:
21、根据同一运行周期内所有评估对象在同一关键投入指标和同一产出指标上的数据,分别计算所述运行周期下所述关键投入指标和所述产出指标的整体数据;
22、以各运行周期对应的所述关键投入指标的整体数据和所述产出指标的整体数据,分别构建各运行周期对应的第一决策单元;
23、将各运行周期的第一决策单元组合为所述第一决策单元集。
24、在一实施例中,所述确定所述规模报酬系数和/或所述第一松弛变量满足预设的运行效率改进条件的步骤,包括:
25、根据所述规模报酬系数确定各评估对象当前的规模收益状态,并根据所述第一松弛变量确定各评估对象在各投入指标上的投入冗余状态及各产出指标上的产出不足状态;
26、若所述规模收益状态为非规模收益不变状态,或所述投入冗余状态指示任一投入指标存在投入冗余量,或所述产出不足状态指示任一产出指标存在产出不足量,确定满足所述预设的运行效率改进条件。
27、在一实施例中,将所述目标评估对象的运行过程按操作类型拆分为多个工序,根据各工序的实际资源消耗量和标准资源消耗当量确定待优化工序的步骤,包括:
28、将所述目标评估对象的运行过程拆分为请求解析工序、数据读取工序、缓存交互工序、远程调用工序、数据转换工序及日志记录工序中的至少两种工序类型;
29、获取预先标定的,每一工序类型在单位执行次数下的cpu消耗基准值和内存占用基准值,以所述cpu消耗基准值和所述内存占用基准值作为所述工序类型对应的标准资源消耗当量;
30、将同一工序类型在各运行周期内的实际资源消耗量与该工序类型的标准资源消耗当量进行逐期比对,将连续多个运行周期内实际消耗量均超出标准消耗当量的工序标记为待优化工序。
31、在一实施例中,所述根据各投入指标的所述投入调整量和所述产出调整量,对所述待优化供需进行优化处理的步骤之后,还包括:
32、为调整后的各工序重新配置所述目标评估对象的线程池参数及缓存策略;
33、采集配置后所述目标评估对象的实际运行数据,将所述实际运行数据与配置前的历史运行数据进行比对;
34、若比对结果指示所述目标评估对象的dea无效,则重复执行根据各投入指标的所述投入调整量和所述产出调整量,对所述待优化工序的供需进行优化处理的步骤,直至所述目标评估的dea有效;
35、在确定所述目标评估对象的dea有效后,将当前配置参数记录为所述目标评估对象的标准运行配置,并将所述当前配置参数应用于其他评估对象的配置优化过程。
36、此外,为实现上述目的,本技术还提出一种灰色关联度dea软件效率优化设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序配置为实现如上文所述的灰色关联度dea软件效率优化方法的步骤。
37、此外,为实现上述目的,本技术还提出一种存储介质,所述存储介质为计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上文所述的灰色关联度dea软件效率优化方法的步骤。
38、本技术提出的一个或多个技术方案,至少具有以下技术效果:
39、本技术的技术方案,获取各评估对象的候选投入指标数据和产出指标数据,采用灰色关联度分析法计算各候选投入指标与各产出指标之间的关联度,将所述关联度最低的一个或多个指标剔除后,得到关键投入指标;将不同运行周期下所述关键投入指标的整体数据和所述产出指标的整体数据作为第一决策单元集,输入dea模型进行整体运行效率评估,得到规模报酬系数及第一松弛变量;在确定所述规模报酬系数和/或所述第一松弛变量满足预设的运行效率改进条件时,将各评估对象的所述关键投入指标数据和所述产出指标数据分别作为第二决策单元集,各自输入所述dea模型进行运行效率评估,根据各评估对象对应的第二松弛变量确定dea无效的目标评估对象;根据所述第二松弛变量确定所述目标评估对象在各投入指标上的投入调整量以及在产出指标上的产出调整量;将所述目标评估对象的运行过程按操作类型拆分为多个工序,根据各工序的实际资源消耗量和标准资源消耗当量确定待优化工序;根据各投入指标的所述投入调整量和所述产出调整量,对所述待优化工序的供需进行优化处理。
40、本技术的技术方案,实现效率客观评估的同时建立了从宏观评估到微观工序优化的量化传导路径,解决了现有方案评估与优化割裂、无法形成可落地的优化方案的技术难题,实现了从人工经验筛选到数据驱动筛选、从评估止步于模块到逐级细化至工序、从评估与优化割裂到闭环验证固化的技术跨越。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com