一种系统配置优化参数方法、装置、电子设备及存储介质与流程

1.本发明涉及计算机技术领域，尤其涉及一种系统配置优化参数方法、装置、电子设备及存储介质。


背景技术：

2.目前，随着信息网络技术的逐步普及，计算机在工作以及生活中得到了广泛应用。但是，计算机的系统配置在很多情况下无法满足用户的需要，比如响应速度太慢，容量较小等问题。
3.为此，现阶段的解决方案是通过人工获取系统平台的性能参数以及系统配置参数，然后进行人为分析之后，根据两者之间的关联，对系统配置进行相应的优化，从而解决上述的技术问题。然而，目前采用的系统配置优化方法用于进行问题分析的数据较少，分析结果不够准确，进而导致优化方案较差。并且，人工进行数据采集过程较为困难，花费时间较长，且后续的分析过程也相当繁琐耗时，因此目前对系统配置参数进行优化的方案存在耗时较长，效率低下这一难题。
4.因此，如何对快速获取系统配置优化参数成为了目前亟待解决的一个技术问题。


技术实现要素：

5.有鉴于此，本发明实施例提供一种系统配置优化参数方法、装置、电子设备及存储介质，能够快速获取系统配置优化参数。
6.第一方面，本发明实施例提供一种系统配置优化参数方法，所述方法包括：
7.获取当前系统平台的性能参数；
8.将所述当前系统平台的性能参数输入至系统配置参数预测模型中，获得对应的当前系统配置优化参数。
9.可选的，在所述获取当前系统平台的性能参数之前，所述方法还包括：
10.利用大数据技术，获取系统配置参数以及所述系统配置参数相关的性能参数；
11.基于所述系统配置参数以及所述系统配置参数相关的性能参数，生成所述系统配置参数预测模型。
12.可选的，所述获取系统配置参数以及所述系统配置参数相关的性能参数，包括：
13.获取网络交互数据，从所述网络交互数据中筛选出系统配置参数以及所述系统配置参数相关的性能参数。
14.可选的，所述获取网络交互数据，包括：
15.从网络运营商侧获取网络交互数据，和/或，
16.获取友商共享的网络交互数据。
17.可选的，所述基于所述系统配置参数以及所述性能参数，生成系统配置参数预测模型，包括：
18.根据所述系统配置参数以及所述性能参数，生成系统配置参数初始预测模型；
19.提取所述系统配置参数以及所述性能参数之间的关联特征；
20.根据所述关联特征，对所述初始预测模型进行训练，获得系统配置参数预测模型。
21.可选的，所述根据所述关联特征，对所述初始预测模型进行训练，获得系统配置参数预测模型，包括：
22.对所述关联特征进行向量化处理，获得向量化处理结果；
23.采用所述向量化处理结果，对所述初始预测模型进行训练，获得系统配置参数预测模型。
24.可选的，所述采用所述向量化处理结果，对所述初始预测模型进行训练，获得系统配置参数预测模型，包括：
25.选用所述向量化处理结果中的部分内容，对所述初始预测模型进行训练，获得系统配置参数预测模型；
26.采用所述向量化处理结果中的剩余内容，对所述系统配置参数预测模型进行验证；
27.若通过验证，则保留所述系统配置参数预测模型；
28.若未通过验证，则删除所述系统配置参数预测模型。
29.可选的，所述获取当前系统平台的性能参数，包括：
30.从所述当前系统平台的网络交互数据中获取当前系统平台的性能参数。
31.可选的，所述将所述当前系统平台的性能参数输入至系统配置参数预测模型中，获得对应的当前系统配置优化参数，包括：
32.将所述当前系统平台的性能参数输入至系统配置参数预测模型中，获得对应的预期系统配置参数；
33.将所述预期系统配置参数与相应的实际系统配置参数相对比，生成对应的当前系统配置优化参数。
34.可选的，所述将所述当前系统平台的性能参数输入至系统配置参数预测模型中，获得对应的当前系统配置优化参数之后，包括：
35.将所述当前系统配置优化参数在web页面进行展示。
36.第二方面，本发明实施例提供一种系统配置优化参数装置，所述装置包括：
37.获取单元，用于获取当前系统平台的性能参数；
38.输入单元，用于将所述当前系统平台的性能参数输入至系统配置参数预测模型中，获得对应的当前系统配置优化参数。
39.可选的，所述装置还包括：
40.收集单元，用于利用大数据技术，获取系统配置参数以及所述系统配置参数相关的性能参数；
41.生成单元，用于基于所述系统配置参数以及所述系统配置参数相关的性能参数，生成所述系统配置参数预测模型。
42.可选的，所述收集单元包括：
43.获取子单元，用于获取网络交互数据；
44.筛选子单元，用于从所述网络交互数据中筛选出系统配置参数以及所述系统配置参数相关的性能参数。
45.可选的，所述获取子单元具体用于：
46.从网络运营商侧获取网络交互数据，和/或，
47.获取友商共享的网络交互数据。
48.可选的，所述生成单元，包括：
49.初始预测模型生成子单元，用于根据所述系统配置参数以及所述性能参数，生成系统配置参数初始预测模型；
50.提取子单元，用于提取所述系统配置参数以及所述性能参数之间的关联特征；
51.训练子单元，用于根据所述关联特征，对所述初始预测模型进行训练，获得系统配置参数预测模型。
52.可选的，所述训练子单元，包括：
53.处理模块，用于对所述关联特征进行向量化处理，获得向量化处理结果；
54.获取模块，用于采用所述向量化处理结果，对所述初始预测模型进行训练，获得系统配置参数预测模型。
55.可选的，所述获取模块具体用于：
56.选用所述向量化处理结果中的部分内容，对所述初始预测模型进行训练，获得系统配置参数预测模型；
57.采用所述向量化处理结果中的剩余内容，对所述系统配置参数预测模型进行验证；
58.若通过验证，则保留所述系统配置参数预测模型；
59.若未通过验证，则删除所述系统配置参数预测模型。
60.可选的，所述获取单元具体用于：
61.从所述当前系统平台的网络交互数据中获取当前系统平台的性能参数。
62.可选的，所述输入单元具体用于：
63.将所述当前系统平台的性能参数输入至系统配置参数预测模型中，获得对应的预期系统配置参数；
64.将所述预期系统配置参数与相应的实际系统配置参数相对比，生成对应的当前系统配置优化参数。
65.可选的，所述装置包括：
66.展示单元，用于将所述当前系统配置优化参数在web页面进行展示。
67.第三方面，本发明实施例提供一种电子设备，所述电子设备包括：壳体、处理器、存储器、电路板和电源电路，其中，电路板安置在壳体围成的空间内部，处理器和存储器设置在电路板上；电源电路，用于为上述电子设备的各个电路或器件供电；存储器用于存储可执行程序代码；处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行本发明的任一实施例提供的系统配置优化参数方法。
68.第四方面，本发明的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存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现前述任一实现方式所述的方法。
69.本发明的实施例提供的系统配置优化参数方法、装置、电子设备及存储介质，能够获取当前系统平台的性能参数；将所述当前系统平台的性能参数输入至系统配置参数预测
模型中，获得对应的当前系统配置优化参数。这样一来，通过将当前系统平台的性能参数输入至系统配置参数预测模型中，即可直接获得当前系统配置优化参数，即具体需要对当前系统的哪些系统配置参数如何进行优化。而无需通过人工方式收集性能参数以及关联的系统配置参数，并进行分析的繁琐过程，因而能够快速获取系统配置优化参数。
附图说明
70.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，下面将对实施例或现有技术描述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的前提下，还可以根据这些附图获得其它的附图。
71.图1为本发明实施例提供的一种系统配置优化参数方法的流程示意图；
72.图2为本发明实施例提供的一种系统配置优化参数装置的结构示意图；
73.图3为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
74.下面结合附图对本发明实施例进行详细描述。
75.应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
76.本发明实施例提供了一种系统配置优化参数方法，参见图1，该方法可以包括：
77.s11，获取当前系统平台的性能参数；
78.具体而言，当前系统平台为用户需要进行系统配置优化的电子设备，如计算机等。性能参数可以是系统平台的响应速度，容量大小等参数。
79.在本步骤中，用户可以根据实际需要，基于系统平台存在具体问题，确定需要获取的系统平台的性能参数。例如，客户认为当前系统平台的响应速度偏慢，无法满足办公需要，可以获取响应速度的具体值，例如1s。
80.s12，将所述当前系统平台的性能参数输入至系统配置参数预测模型中，获得对应的当前系统配置优化参数。
81.本步骤中，系统配置参数预测模型可以为预先建立的模型，通过该模型可以根据当前系统平台的性能参数对需要进行优化的系统配置参数进行确定。基于前面的举例，例如性能参数为响应速度，系统配置参数预测模型可以根据1s这一响应速度，获取跟响应速度相关的参数，比如，cpu处理能力，内存容量，网络带宽值，进而测算如何对上述三个参数进行改进，从而实现提高响应速度这一性能参数。类似的，系统配置优化参数还可以包括硬盘扩容、硬盘缩容、修改数据结构、增加中间件、增删功能、调整参数等。
82.因此，用户在将需要改进的性能参数输入至系统配置参数预测模型中之后，系统配置参数预测模型可以自动测算出需要对哪些系统配置参数进行优化，以及如何进行优化。相比于现有技术中，在需要对系统平台的某项性能参数进行提升时，需要预先对该性能参数以及与之关联的系统配置参数进行获取，并进行人工分析，才能对系统配置参数的改进提出相应措施。本发明实施例可直接获得当前系统配置优化参数，即具体需要对当前系
统的哪些参数如何进行优化，因而能够快速获取系统配置优化参数。
83.本发明的实施例提供的系统配置优化参数方法，能够获取当前系统平台的性能参数；将所述当前系统平台的性能参数输入至系统配置参数预测模型中，获得对应的当前系统配置优化参数。这样一来，通过将当前系统平台的性能参数输入至系统配置参数预测模型中，即可直接获得当前系统配置优化参数，即具体需要对当前系统的哪些系统配置参数如何进行优化。而无需通过人工方式收集性能参数以及关联的系统配置参数，并进行分析的繁琐过程，因而能够快速获取系统配置优化参数。
84.可选的，在本发明的一个实施例中，在步骤s11中，所述获取当前系统平台的性能参数之前，本发明实施例还可以包括：利用大数据技术，获取系统配置参数以及所述系统配置参数相关的性能参数；基于所述系统配置参数以及所述系统配置参数相关的性能参数，生成所述系统配置参数预测模型。
85.在本发明实施例中，在使用系统配置参数预测模型之前，需要首先通过大数据技术，获取系统配置参数以及所述系统配置参数相关的性能参数，生成系统配置参数预测模型。
86.具体的，通过大数据技术，能够快速获取到关于性能参数以及系统配置参数的海量数据，而无需采用人工方式对这些数据进行收集，大大提高了数据收集的效率。并且从另一角度而言，通过海量数据生成的系统配置参数预测模型具有更好的预测性能，相比于人工收集的少量数据而言，能够在使用预测模型时，获得更准确的系统配置优化参数，达到对系统平台性能的更好优化效果。
87.可选的，在本发明的一个实施例中，获取系统配置参数以及所述系统配置参数相关的性能参数，可以采用以下具体方式实现：获取网络交互数据，从所述网络交互数据中筛选出系统配置参数以及所述系统配置参数相关的性能参数。
88.在本发明实施例中，系统平台的大量数据都通过网络与其他设备进行交互，因此在网络交互数据中的大量数据中存在着系统平台的系统配置参数以及性能参数。通过数据的过滤筛选以及分析，可以获得大量性能参数以及与之关联的系统配置参数。
89.举例而言，为了获取网络交互数据，在本发明的一个实施例中，可以采用以下具体方式获取网络交互数据：从网络运营商侧获取网络交互数据，和/或，获取友商共享的网络交互数据。
90.在本发明实施例中，可以在在网络运营商部署旁路流量检测设备，以对系统平台的网络交互数据进行获取。由于友商的很多网络交互数据与本发明实施例中的系统平台的数据相同或者相似，因此可以借鉴友商共享的数据，以扩大采集的数据量。
91.可选的，在本发明的一个实施例中，所述基于所述系统配置参数以及所述性能参数，生成系统配置参数预测模型，可以包括：根据所述系统配置参数以及所述性能参数，生成系统配置参数初始预测模型；提取所述系统配置参数以及所述性能参数之间的关联特征；根据所述关联特征，对所述初始预测模型进行训练，获得系统配置参数预测模型。
92.在本发明实施例中，根据前述步骤中获取到的多项性能参数以及系统配置参数，可以生成与两者相关的系统配置参数初始预测模型。为了在系统配置参数初始预测模型进一步建立两者的关联关系，可以获取两者之间的关联特征，并根据关联特征对系统配置参数初始预测模型采用专门的算法进行训练，在本发明实施例中具体可以采用采用朴素贝叶
斯算法进行训练，训练完成之后即可获得系统配置参数预测模型。一般而言，训练过程中采用的训练数据越多，所建立的系统配置参数预测模型的预测能力越强。
93.上述训练过程即为系统配置参数初始预测模型进行机器学习的过程。机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。具体的，在本发明实施例中，系统配置参数初始预测模型通过机器学习可以习得性能参数和系统配置参数之间的关联关系，从而生成了系统配置参数初始模型。
94.由于计算机程序难以对系统配置参数以及性能参数之间的关联特征进行直接处理，为此，在本发明的一个实施例中，所述根据所述关联特征，对所述初始预测模型进行训练，获得系统配置参数预测模型，可以包括：对所述关联特征进行向量化处理，获得向量化处理结果；采用所述向量化处理结果，对所述初始预测模型进行训练，获得系统配置参数预测模型。
95.在本发明实施例中，为了使得计算机程序能够直接对系统配置参数以及性能参数之间的关联特征进行处理，可以将关联特征进行向量化处理，具体可以将关联特征采用特定规则的代码进行表征，从而生成向量化处理结果。进而可以根据向量化处理结果对系统配置参数初始预测模型进行训练，从而提高了系统配置参数预测模型的生成效率。
96.为了保证系统配置参数预测模型的正确性，在本发明的一个实施例中，所述采用所述向量化处理结果，对所述初始预测模型进行训练，获得系统配置参数预测模型，可以包括：选用所述向量化处理结果中的部分内容，对所述初始预测模型进行训练，获得系统配置参数预测模型；采用所述向量化处理结果中的剩余内容，对所述系统配置参数预测模型进行验证；若通过验证，则保留所述系统配置参数预测模型；若未通过验证，则删除所述系统配置参数预测模型。
97.在本发明实施例中，可以将前述的向量化处理结果分成两部分，第一部分处理结果用于对前面步骤中生成的初始预测模型进行训练，从而获得系统配置参数预测模型；而后，可以在第二部分处理结果中查找到存在对应关系的性能参数与系统配置参数，并将性能参数输入至系统配置参数预测模型中，从系统配置参数预测模型的输出结果中获取相应的系统配置参数输出值。进而将该输出值与前述的系统配置参数相对比，根据两者的一致性即可判定系统配置参数预测模型是否训练成功。如果训练成功，则表明预测模型的预测准确度能够达到要求，则可以在后续步骤中使用系统配置参数预测模型。如果训练不成功，则表明预测模型的预测准确度未能达到要求，则无法在后续步骤中使用系统配置参数预测模型。在这种情况下，可以重新对系统配置参数预测模型进行训练以及验证，直至获得符合要求的系统配置参数预测模型。
98.为了获取当前系统平台的性能参数，在本发明的一个实施例中，所述获取当前系统平台的性能参数，可以包括：从所述当前系统平台的网络交互数据中获取当前系统平台的性能参数。
99.在本发明实施例中，为了获得需要提升的性能参数，需要首先获取到该性能参数的数值，例如，系统平台的响应速度，具体的，可以从该系统平台的网络交互数据中获取到该性能参数的值，然后才能将获取到的性能参数值输入到系统配置参数预测模型中。
100.可选的，在本发明的一个实施例中，所述将所述当前系统平台的性能参数输入至系统配置参数预测模型中，获得对应的当前系统配置优化参数，包括：将所述当前系统平台的性能参数输入至系统配置参数预测模型中，获得对应的预期系统配置参数；将所述预期系统配置参数与相应的实际系统配置参数相对比，生成对应的当前系统配置优化参数。
101.在本发明实施例中，为了获取具体的优化参数值，可以在将系统平台的性能参数值，例如，响应速度为1s，输入至系统配置参数预测模型中。由于预测模型在训练过程中通过机器学习的方式获得了响应速度这一参数及与其相关的系统配置参数之间的关联关系，因此通过系统配置参数预测模型可以根据响应速度为1s这一参数值，确定目标优化值，例如0.1s，再根据目标优化值，通过系统配置参数预测模型计算出预期系统配置参数值，例如预期带宽值a，预期cpu处理能力b，预期内存大小c。然后将三项上述值与系统平台的实际带宽值a，实际cpu处理能力b，实际内存大小c相对比，计算两者的差值，即可获取相应的优化参数值。例如a-a即为带宽优化参数值，b-b即为cpu处理能力优化参数值，c-c即为内存容量优化参数值。
102.为了能够直观清晰地将当前系统配置优化参数展示给用户，在本发明的一个实施例中，所述将所述当前系统平台的性能参数输入至系统配置参数预测模型中，获得对应的当前系统配置优化参数之后，可以包括：将所述当前系统配置优化参数在web页面进行展示。
103.在本发明实施例中，可以将当前系统配置优化参数转换成json(javascript object notation,js对象简谱)格式，并传输至web页面，以图表或者图形的方式向用户展示优化参数，从而使得用户能够直观清晰地获取到相关优化参数，进而用户可以对优化参数进行审核，并决策如何对系统平台根据优化参数进行优化。
104.相应的，如图2所示，本发明的实施例还提供一种系统配置优化参数装置2，包括：
105.获取单元21，用于获取当前系统平台的性能参数；
106.输入单元22，用于将所述当前系统平台的性能参数输入至系统配置参数预测模型中，获得对应的当前系统配置优化参数。
107.本发明的实施例提供的系统配置优化参数装置，能够获取当前系统平台的性能参数；将所述当前系统平台的性能参数输入至系统配置参数预测模型中，获得对应的当前系统配置优化参数。这样一来，通过将当前系统平台的性能参数输入至系统配置参数预测模型中，即可直接获得当前系统配置优化参数，即具体需要对当前系统的哪些系统配置参数如何进行优化。而无需通过人工方式收集性能参数以及关联的系统配置参数，并进行分析的繁琐过程，因而能够快速获取系统配置优化参数。
108.可选的，所述装置还包括：
109.收集单元，用于利用大数据技术，获取系统配置参数以及所述系统配置参数相关的性能参数；
110.生成单元，用于基于所述系统配置参数以及所述系统配置参数相关的性能参数，生成所述系统配置参数预测模型。
111.可选的，所述收集单元包括：
112.获取子单元，用于获取网络交互数据；
113.筛选子单元，用于从所述网络交互数据中筛选出系统配置参数以及所述系统配置
参数相关的性能参数。
114.可选的，所述获取子单元具体用于：
115.从网络运营商侧获取网络交互数据，和/或，
116.获取友商共享的网络交互数据。
117.可选的，所述生成单元，包括：
118.初始预测模型生成子单元，用于根据所述系统配置参数以及所述性能参数，生成系统配置参数初始预测模型；
119.提取子单元，用于提取所述系统配置参数以及所述性能参数之间的关联特征；
120.训练子单元，用于根据所述关联特征，对所述初始预测模型进行训练，获得系统配置参数预测模型。
121.可选的，所述训练子单元，包括：
122.处理模块，用于对所述关联特征进行向量化处理，获得向量化处理结果；
123.获取模块，用于采用所述向量化处理结果，对所述初始预测模型进行训练，获得系统配置参数预测模型。
124.可选的，所述获取模块具体用于：
125.选用所述向量化处理结果中的部分内容，对所述初始预测模型进行训练，获得系统配置参数预测模型；
126.采用所述向量化处理结果中的剩余内容，对所述系统配置参数预测模型进行验证；
127.若通过验证，则保留所述系统配置参数预测模型；
128.若未通过验证，则删除所述系统配置参数预测模型。
129.可选的，获取单元21具体用于：
130.从所述当前系统平台的网络交互数据中获取当前系统平台的性能参数。
131.可选的，输入单元22具体用于：
132.将所述当前系统平台的性能参数输入至系统配置参数预测模型中，获得对应的预期系统配置参数；
133.将所述预期系统配置参数与相应的实际系统配置参数相对比，生成对应的当前系统配置优化参数。
134.可选的，所述装置包括：
135.展示单元，用于将所述当前系统配置优化参数在web页面进行展示。
136.本发明实施例提供的系统配置优化参数装置与前述的系统配置优化参数方法属于同一发明构思，未在系统配置优化参数装置中描述的技术细节可参见前述的系统配置优化参数方法中的相关描述，在此不再赘述。
137.相应的，本发明实施例还提供一种电子设备，图3为本发明电子设备一个实施例的结构示意图，可以实现本发明图1所示实施例的流程。如图3所示，上述电子设备可以包括：壳体31、处理器32、存储器33、电路板34和电源电路35，其中，电路板34安置在壳体31围成的空间内部，处理器32和存储器33设置在电路板34上；电源电路35，用于为上述电子设备的各个电路或器件供电；存储器33用于存储可执行程序代码；处理器32通过读取存储器33中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行前述任一实施例所述
的方法。
138.处理器32对上述步骤的具体执行过程以及处理器32通过运行可执行程序代码来进一步执行的步骤，可以参见本发明图1所示实施例的描述，在此不再赘述。
139.该电子设备以多种形式存在，包括但不限于：
140.(1)移动通信设备：这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括：智能手机(例如iphone)、多媒体手机、功能性手机，以及低端手机等。
141.(2)超移动个人计算机设备：这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括：pda、mid和umpc设备等，例如ipad。
142.(3)便携式娱乐设备：这类设备可以显示和播放多媒体内容。该类设备包括：音频、视频播放器(例如ipod)，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。
143.(4)服务器：提供计算服务的设备，服务器的构成包括处理器、硬盘、内存、系统总线等，服务器和通用的计算机架构类似，但是由于需要提供高可靠的服务，因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
144.(5)其他具有数据交互功能的电子设备。
145.此外，本发明的实施例还提供一种计算机程序介质，该计算机程序介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现本发明任一实施例提供的方法，因此也能实现相应的有益技术效果，前文已经进行了相应说明，此处不再赘述。
146.本发明实施例提供的系统配置优化参数方法、装置、电子设备及介质，能够获取当前系统平台的性能参数；将所述当前系统平台的性能参数输入至系统配置参数预测模型中，获得对应的当前系统配置优化参数。这样一来，通过将当前系统平台的性能参数输入至系统配置参数预测模型中，即可直接获得当前系统配置优化参数，即具体需要对当前系统的哪些系统配置参数如何进行优化。而无需通过人工方式收集性能参数以及关联的系统配置参数，并进行分析的繁琐过程，因而能够快速获取系统配置优化参数。进一步地，本发明实施例还可以在使用系统配置参数预测模型之前，采用利用大数据技术，获取系统配置参数以及所述系统配置参数相关的性能参数，基于所述系统配置参数以及所述系统配置参数相关的性能参数，生成所述系统配置参数预测模型这一具体方式生成系统配置参数预测模型。具体的，本发明实施例可以获取网络交互数据，并从所述网络交互数据中筛选出系统配置参数以及所述系统配置参数相关的性能参数，从而可以获得大量性能参数以及与之关联的系统配置参数。更具体的，本发明实施例可以从网络运营商侧获取网络交互数据，和/或，获取友商共享的网络交互数据，从而能快速便捷地获取网络交互数据。进一步的，本发明实施例还提供了一种获取系统配置参数预测模型的具体方式为：根据所述系统配置参数以及所述性能参数，生成系统配置参数初始预测模型；提取所述系统配置参数以及所述性能参数之间的关联特征；根据所述关联特征，对所述初始预测模型进行训练，获得系统配置参数预测模型。并且，本发明实施例还可以对所述关联特征进行向量化处理，获得向量化处理结果，进而可以根据向量化处理结果对系统配置参数初始预测模型进行训练，从而使得计算机程序能够直接对系统配置参数以及性能参数之间的关联特征进行处理，提高了系统配置参数预测模型的生成效率。为了保证能够获取成功的系统配置参数预测模型，本发明实施
例选用所述向量化处理结果中的部分内容，对所述初始预测模型进行训练，获得系统配置参数预测模型；采用所述向量化处理结果中的剩余内容，对所述系统配置参数预测模型进行验证；若通过验证，则保留所述系统配置参数预测模型；若未通过验证，则删除所述系统配置参数预测模型。本发明实施例还可以从所述当前系统平台的网络交互数据中快速获取当前系统平台的性能参数。进而，本发明实施例还提供了一种获取当前系统配置优化参数的便捷方式为：获取将所述当前系统平台的性能参数输入至系统配置参数预测模型中，获得对应的预期系统配置参数；将所述预期系统配置参数与相应的实际系统配置参数相对比，生成对应的当前系统配置优化参数。本发明实施例在获取当前系统配置优化参数之后，可以将所述当前系统配置优化参数在web页面进行展示，从而使得用户能够直观清晰地获取到相关优化参数，进而对系统平台根据优化参数进行优化。
147.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
148.本发明实施例中术语“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
149.本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
150.尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
151.为了描述的方便，描述以上装置是以功能分为各种单元/模块分别描述。当然，在实施本发明时可以把各单元/模块的功能在同一个或多个软件和/或硬件中实现。
152.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random access memory，ram)等。
153.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。