[发明专利]趋势确定和识别

说明书

背景技术

在信息处理环境中，大量的各种性能数据是可用的。系统性能监视器在硬件级别、操作系统级别、数据库级别、中间件级别和应用级别收集性能数据。收集和使用大量可用的性能数据是一项要求相当多资源的繁重任务。在一些情况下，收集和使用性能数据不利地影响性能以及因此影响性能数据本身。高效的收集和使用性能数据是希望的。

附图说明

对于本发明的实施例的具体说明现在将参照附图进行，附图中：

图1A示出了根据至少一些实施例的用于趋势确定和识别的系统。

图1B示出了根据至少一些实施例的用于趋势确定和识别的系统。

图1C示出了提供用于趋势确定和识别的性能数据的栈。

图2示出了根据至少一些实施例的具有用于趋势确定和识别的计算机可读介质的系统。

图3示出了根据至少一些实施例的趋势确定和识别的方法。

注释和术语

在以下权利要求书和说明书中通篇使用某些术语来表示特定组件。本领域普通技术人员会理解，不同的实体可能使用不同的名字来表示组件。本文件不打算区分名字不同而非功能不同的组件。在以下讨论和权利要求中，术语“包括”和“包含”以开放的方式被使用，并且因此应当解释为意指“包括，但不限于…”。而且，术语“耦合”意欲表示光学的、无线的、间接电连接、或直接电连接。因此，如果第一设备耦合到第二设备，该连接可以是通过经由其它设备和连接的间接电连接，通过直接光学连接等。此外，术语“系统”表示两个或更多个硬件组件的集合，并且可以用于表示电子设备。

具体实施方式

以下讨论针对本发明的各种实施例。尽管这些实施例的一个或多个可能是优选的，但是公开的实施例不应解释为或以其他方式用作限制包括权利要求的本公开的范围，除非另有说明。此外，本领域普通技术人员会理解以下说明具有广泛应用，并且任意实施例的讨论仅意欲例证该实施例，并且不意欲暗示包括权利要求的本公开的范围限于该实施例。

公开了趋势确定和识别。基于机器学习的自调节预测性能模型采用性能数据来监视系统性能水平，在各个层面控制监视水平以使得动态地决定收集的性能数据的种类和细节，并且确定潜在的服务水平目标违背。这样，模型在不同的部署情形、配置和工作负荷下捕获性能数据。模型自身调节和改善以提高预测性能。此外，大量性能数据中的每一条数据可用于被收集，但是避免了过度的不必要的监视，节省了时间和资源。因此，模型的实施导致更少的违背以及相对于竞争者的时间和资源优势。

参考图1A，系统100包括处理器102和耦合至处理器102的警报模块104。参考图1B，在至少一个实施例中，系统100是计算机。这样，处理器102是计算机处理器，以及警报模块104是计算机显示器。许多处理器和警报模块是可能的。例如，在至少一个实施例中，处理器102包括多个计算机处理器，以及警报模块104包括耦合至音频扬声器的发光二极管。

处理器102优选地监视性能数据。图1C示出提供用于趋势确定和识别的性能数据189的栈199。栈199包括从其测量性能数据189的各层硬件和软件。性能数据189优选地由系统性能监视器在硬件层197、操作系统层195、中间件层193和应用层191收集。这些层的每一层提供多种类型的性能数据。硬件层197提供硬件性能数据187，例如硬件性能计数器等。操作系统层195提供操作系统性能数据185，例如I/O/秒，存储器分配，页面故障，页面命中(hits)，驻留存储器大小，CPU使用，分组/秒等。中间件层193提供中间件性能数据183，例如查询/秒，读取的元组(tuples read)，高速缓冲存储器中的页面命中，盘I/O，表扫描，请求/秒，连接等。应用层191提供应用性能数据，例如响应时间，未完成的请求，先前事务等。许多类型的性能数据是可能的。在至少一个实施例中，从网络收集性能数据。这样，硬件层197提供了用于整个网络的硬件的硬件性能数据187。类似地，其它层提供了整个网络的性能数据。在至少一个实施例中，性能数据包括应用度量和操作系统度量。然而，监视任意类型的性能数据都是可能的。