[发明专利]训练分类器、预测应用性能扩展性的方法、设备

说明书

本申请提供了一种预测应用性能扩展性的方案，该方案基于多个样本应用的性能拓展信息进行聚类，并通过聚类结果和样本应用的底层特征指标训练分类器，在预测目标应用性能扩展性时，仅需要获得目标应用在标准配置下的底层特征指标，无需在感知不同配置下的性能指标，因此应用场景不会受限于QoS‑aware的场景，不仅可以适用于私有云环境，同样也适用于公有云。并且处理过程中也不需要执行复制操作，而底层特征指标的采集开销也远小于复制操作，因此操作开销小、不存在数据安全隐患。

技术领域

本申请涉及信息技术领域，尤其涉及一种训练分类器、预测应用性能扩展性的方法、设备。

背景技术

资源配置是应用在云平台上部署时的重要步骤，不合理的资源配置会造成资源浪费或者是应用QoS(Quality of Service，服务质量)无法满足的情况。一次合理的资源配置往往会消耗大量的人力物力与时间，现有的资源配置方式存在下列问题：

1、为了解目标应用在不同配置下的性能表现，需要测试该应用在不同配置下的性能数据，这会消耗大量的资源与时间。且一旦目标应用或者运行环境有了更新或变化，之前的资源配置结果将会失效，需要重新为应用进行资源配置，这极大的拉低了效率，加大了人力、物力、时间成本。

2、在资源配置的过程中，需要技术人员对上层的目标应用以及底层的性能、系统等知识都有详细的了解，才能保证规划结果的合理性。这拉高了资源配置的技术门槛。

合理的资源配置的目的是在满足性能要求的前提下，为应用规划合理的配置，使得达到资源和性能之间的平衡，即不浪费资源也不会使得应用的QoS无法满足要求。因此，预测应用性能的扩展性是进行合理资源配置的一项重要前提，若能够准确、方便地预测应用性能扩展性，那么即可降低资源配置的成本和难度。

目前存在一种通过协同过滤的方式来预测应用扩展性的方法，该方案中扩展性预测的模型分为Offline与Online两个部分。Offline的部分会分析一些已知应用集合中的应用(可以是基准应用或实际应用组成)。测量这些应用的在不同规格的配置下的性能，得到每个应用的性能扩展矩阵。当一个未知的目标应用到来，Online的部分会复制一份该目标应用到一台新机器，在新机器上调整分配给该目标应用的资源，得到目标应用在某几个配置下的性能指标，(即性能扩展矩阵中的几个点)。最后使用协同过滤的方式，结合Offline部分保存下的各应用的性能扩展矩阵，将目标应用的已知的稀疏的性能扩展矩阵补全完整，得到目标应用的完整的性能扩展矩阵。但是该方案存在以下缺点：

1、只适用于QoS-aware的场景：上面提到的模型在预测应用的性能扩展矩阵时，需要以目标应用的性能扩展矩阵中的某几个点的值为基础，使用协同过滤补全。在获取这几个点的值的过程中，必须要能够感知到目标应用在这些配置下的QoS，因此只适用于可以获取到应用的性能情况的场景中，如私有云。

2、Online的部分在分析一个未知的目标应用时，需要复制该未知应用以及对应的请求到另一台新机器中。上述操作开销较大，且复制操作可能会引发用户对数据安全的担忧，不适用于公有云的场景。

综上，现有的预测应用性能扩展性的方案中应用场景单一、操作开销较大，且存在数据安全隐患。

申请内容

本申请的一个目的是提供一种训练分类器以及预测应用性能扩展性的方案，用以解决现有方案中应用场景单一、操作开销较大，且存在数据安全隐患的问题。

本申请实施例中提供了一种预测应用性能扩展性的方法，该方法包括：

采集目标应用在标准配置下的底层特征指标；