性能检测方法、装置、计算机设备和存储介质与流程

1.本技术涉及软件测试和人工智能技术领域，特别是涉及一种性能检测方法、装置、计算机设备、存储介质。


背景技术：

2.随着金融科技技术的不断发展以及it(information technology，互联网技术)架构转型的不断推进与深入，业务系统与业务处理已逐步从以数据集中式的大型主机为核心的设计模式的业务系统，逐渐转变为以分布式平台服务系统为核心的新模式。而随着业务体量的不断迁移，使传统的性能测试过程中对服务性能容量的检测已经无法满足新it架构下，对业务处理逻辑、链路设计逻辑等内容的把控，因此如何提升性能检测的全面性是当前的研究重点
3.传统的性能检测方式是基于原的单个业务系统与业务处理建立的单个性能检测方式。但是该方式由于不适应以数据集中式的大型主机为核心的整体系统，使得该业务系统在异步处理性能的监控信息缺失，在分布式数据存储模式无法监控，从而导致业务系统的性能检测的全面性较差。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种性能检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
5.第一方面，本技术提供了一种性能检测方法。所述方法包括：
6.获取业务系统的各应用程序在不同时间点的历史运行数据、以及每个历史运行数据的类型，并基于不同历史运行数据的类型，确定不同历史运行数据的特征处理方式；
7.基于各所述应用程序在不同时间点的相同特征处理方式的历史运行数据，分别建立所有应用程序在不同时间点的相同特征处理方式对应的目标运行特征向量，并将相同时间点的各特征处理方式对应的目标运行特征向量进行整合标记处理，得到不同时间点的业务系统的特征指标向量；
8.将所有时间点的业务系统的特征指标向量输入性能检测模型，确定所述业务系统的性能检测结果。
9.可选的，所述获取业务系统的各应用程序在不同时间点的历史运行数据，包括：
10.获取业务系统的每个应用程序的运行模块信息，并在数据库中采集每个运行模块信息在预设多个时间点的运行数据，得到每个运行模块信息在不同时间点的子历史运行数据；
11.针对每个应用程序，将所述应用程序对应的各运行模块信息在不同时间点的子历史运行数据，作为所述应用程序在不同时间点的历史运行数据。
12.可选的，在所述历史运行数据的类型属于结构化数据的情况下，所述基于各所述应用程序在不同时间点的相同特征处理方式的历史运行数据，分别建立所有应用程序在不
同时间点的相同特征处理方式对应的目标运行特征向量，包括：
13.针对每个时间点，提取每个应用程序在所述时间点的历史运行数据的特征信息，并基于每个应用程序在所述时间点的特征信息，建立所述特征处理方式对应的所有应用程序的初始运行特征向量；
14.通过特征处理策略，对所述初始运行特征向量进行预处理，得到所有应用程序在所述时间点的所述特征处理方式对应的目标运行特征向量。
15.可选的，在所述历史运行数据的类型属于非结构化数据的情况下，所述基于各所述应用程序在不同时间点的相同特征处理方式的历史运行数据，分别建立所有应用程序在不同时间点的相同特征处理方式对应的目标运行特征向量，包括：
16.针对每个时间点，提取每个应用程序在所述时间点的历史运行数据的关键词信息，并基于所有关键词信息，建立所述特征处理方式对应的所有应用程序的关键词词典；
17.提取所述关键词词典的各关键特征信息，并基于各所述关键特征信息，建立所有应用程序在所述时间点的所述特征处理方式对应的目标运行特征向量。
18.可选的，所述将相同时间点的各特征处理方式对应的目标运行特征向量进行整合标记处理，得到不同时间点的特征指标向量包括：
19.针对每个时间点，将所述时间点的各特征处理方式对应的目标运行特征向量，以所述时间点为关联因素，建立所述时间点的初始特征指标向量；
20.判断所述时间点的初始特征指标向量是否满足性能异常条件，得到每个时间点的初始特征指标向量的判断结果，并将所述判断结果添加至所述初始特征指标向量，得到特征指标向量。
21.可选的，所述将所有时间点的业务系统的特征指标向量输入性能检测模型，确定所述业务系统的性能检测结果，包括：
22.将所有时间点的各运行程序的特征指标向量进行向量整合处理，得到全量特征向量矩阵，并将所述全量特征向量输入性能检测模型，确定的所有运行程序的运行状态；
23.基于所有运行程序的运行状态，通过性能分析策略，确定所述业务系统的性能检测结果。
24.可选的，所述确定每个应用程序的性能检测信息之后，还包括：
25.将所有运行程序的运行状态，划分为各所述时间点对应的所有运行程序的子运行状态，并将所有运行程序的各子运行状态，按照所述时间点的时间顺序进行排列，得到所有运行程序的状态分布时序；
26.基于所有运行程序的状态分布时序，预测目标时段的所有运行程序的预测状态分布时序，并基于所有运行程序的预测状态分布时序、以及所述业务系统的性能检测结果，确定所述业务系统的风险信息，并将所述风险信息传输至工作人员的显示端。
27.第二方面，本技术还提供了一种性能检测装置。所述装置包括：
28.获取模块，用于获取业务系统的各应用程序在不同时间点的历史运行数据、以及每个历史运行数据的类型，并基于不同历史运行数据的类型，确定不同历史运行数据的特征处理方式；
29.处理模块，用于基于各所述应用程序在不同时间点的相同特征处理方式的历史运行数据，分别建立所有应用程序在不同时间点的相同特征处理方式对应的目标运行特征向
量，并将相同时间点的各特征处理方式对应的目标运行特征向量进行整合标记处理，得到不同时间点的业务系统的特征指标向量；
30.确定模块，用于将所有时间点的业务系统的特征指标向量输入性能检测模型，确定所述业务系统的性能检测结果。
31.可选的，所述获取模块，具体用于：
32.获取业务系统的每个应用程序的运行模块信息，并在数据库中采集每个运行模块信息在预设多个时间点的运行数据，得到每个运行模块信息在不同时间点的子历史运行数据；
33.针对每个应用程序，将所述应用程序对应的各运行模块信息在不同时间点的子历史运行数据，作为所述应用程序在不同时间点的历史运行数据。
34.可选的，在所述历史运行数据的类型属于结构化数据的情况下，所述处理模块，具体用于：
35.针对每个时间点，提取每个应用程序在所述时间点的历史运行数据的特征信息，并基于每个应用程序在所述时间点的特征信息，建立所述特征处理方式对应的所有应用程序的初始运行特征向量；
36.通过特征处理策略，对所述初始运行特征向量进行预处理，得到所有应用程序在所述时间点的所述特征处理方式对应的目标运行特征向量。
37.可选的，在所述历史运行数据的类型属于非结构化数据的情况下，所述处理模块，具体用于：
38.针对每个时间点，提取每个应用程序在所述时间点的历史运行数据的关键词信息，并基于所有关键词信息，建立所述特征处理方式对应的所有应用程序的关键词词典；
39.提取所述关键词词典的各关键特征信息，并基于各所述关键特征信息，建立所有应用程序在所述时间点的所述特征处理方式对应的目标运行特征向量。
40.可选的，所述处理模块，具体用于：
41.针对每个时间点，将所述时间点的各特征处理方式对应的目标运行特征向量，以所述时间点为关联因素，建立所述时间点的初始特征指标向量；
42.判断所述时间点的初始特征指标向量是否满足性能异常条件，得到每个时间点的初始特征指标向量的判断结果，并将所述判断结果添加至所述初始特征指标向量，得到特征指标向量。
43.可选的，所述确定模块，具体用于：
44.将所有时间点的各运行程序的特征指标向量进行向量整合处理，得到全量特征向量矩阵，并将所述全量特征向量输入性能检测模型，确定的所有运行程序的运行状态；
45.基于所有运行程序的运行状态，通过性能分析策略，确定所述业务系统的性能检测结果。
46.可选的，所述装置还包括：
47.排列模块，用于将所有运行程序的运行状态，划分为各所述时间点对应的所有运行程序的子运行状态，并将所有运行程序的各子运行状态，按照所述时间点的时间顺序进行排列，得到所有运行程序的状态分布时序；
48.传输模块，用于基于所有运行程序的状态分布时序，预测目标时段的所有运行程
序的预测状态分布时序，并基于所有运行程序的预测状态分布时序、以及所述业务系统的性能检测结果，确定所述业务系统的风险信息，并将所述风险信息传输至工作人员的显示端。
49.第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现第一方面中任一项所述的方法的步骤。
50.第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其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第一方面中任一项所述的方法的步骤。
51.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面中任一项所述的方法的步骤。
52.上述性能检测方法、装置、计算机设备和存储介质，通过获取业务系统的各应用程序在不同时间点的历史运行数据、以及每个历史运行数据的类型，并基于不同历史运行数据的类型，确定不同历史运行数据的特征处理方式；基于各所述应用程序在不同时间点的相同特征处理方式的历史运行数据，分别建立所有应用程序在不同时间点的相同特征处理方式对应的目标运行特征向量，并将相同时间点的各特征处理方式对应的目标运行特征向量进行整合标记处理，得到不同时间点的业务系统的特征指标向量；将所有时间点的业务系统的特征指标向量输入性能检测模型，确定所述业务系统的性能检测结果。通过提取业务系统的各应用程序在不同时间点的历史运行数据的信息，得到不同时间点对应的所有应用程序的特征指标向量，然后，同时通过性能检测模型对不同时间点对应的所有应用程序的特征指标向量进行性能检测处理，得到业务系统的性能检测结果，避免了各应用程序的异步处理过程，并且基于所有应用程序的特征指标向量，对该业务系统的性能进行检测，提升了在分布式数据存储模式下对所有应用程序的历史运行数据进行综合检测的全面性，从而提升了业务系统的性能检测的全面性。
附图说明
53.图1为一个实施例中性能检测方法的流程示意图；
54.图2为一个实施例中性能检测示例的流程示意图；
55.图3为一个实施例中性能检测装置的结构框图；
56.图4为一个实施例中计算机设备的内部结构图。
具体实施方式
57.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
58.本技术实施例提供的性能检测方法，可应用于终端，也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。其中，终端通过提取业务系统的各应用程序在
不同时间点的历史运行数据的信息，得到不同时间点对应的所有应用程序的特征指标向量，然后，同时通过性能检测模型对不同时间点对应的所有应用程序的特征指标向量进行性能检测处理，得到业务系统的性能检测结果，避免了各应用程序的异步处理过程，并且基于所有应用程序的特征指标向量，对该业务系统的性能进行检测，提升了在分布式数据存储模式下对所有应用程序的历史运行数据进行综合检测的全面性，从而提升了业务系统的性能检测的全面性。
59.在一个实施例中，如图1所示，提供了一种性能检测方法，以该方法应用于终端为例进行说明，包括以下步骤：
60.步骤s101，获取业务系统的各应用程序在不同时间点的历史运行数据、以及每个历史运行数据的类型，并基于不同历史运行数据的类型，确定不同历史运行数据的特征处理方式。
61.本实施例中，终端响应于用户的性能检测操作，获取需要进行性能检测的业务系统，并基于该业务系统的存储单元，获取该业务系统的各应用程序在不同时间点的历史运行数据、以及每个历史运行数据的类型。其中应用程序可以但不限于是应用服务器信息、数据库信息、后台服务器信息等。其中各历史运行数据为，应用服务器信息的历史运行数据包括但不限于服务器资源配置信息、测试过程中产生的交易日志信息、服务器cpu(central-processing-unit、中央处理器)信息、内存信息、i/o(input/output，计算机接口)信息、连接池使用信息等；数据库信息的历史运行数据包括但不限于数据库资源配置信息、测试过程中产生的数据处理信息、cpu信息、内存信息、连接数信息等相关资源消耗信息等；后台服务器信息的历史运行数据包括但不限于服务器初始配置信息、线程使用信息、资源消耗信息。然后终端将每个历史运行数据划分为结构类数据、以及非结构类数据(即历史运行数据的类型)。终端预设每个历史运行数据的类型的特征处理方式，并基于该业务系统的不同类型的历史运行数据，确定该业务系统的不同应用程序的历史运行数据的特征处理方式。其中特征处理方式包括基于结构类数据的特征处理方式、以及基于非结构类数据的特征处理方式，具体的不同特征处理方式的过程后续将详细说明。
62.步骤s102，基于各应用程序在不同时间点的相同特征处理方式的历史运行数据，分别建立所有应用程序在不同时间点的相同特征处理方式对应的目标运行特征向量，并将相同时间点的各特征处理方式对应的目标运行特征向量进行整合标记处理，得到不同时间点的业务系统的特征指标向量。
63.本实施例中，终端针对不同特征处理方式的应用程序，将应用程序划分为多个应用程序组，并通过相同组的应用程序的特征处理方式，提取该相同组的所有应用程序在不同时间点的历史运行数据对应的目标运行特征向量。然后终端将相同时间点的各特征处理方式对应的应用程序的目标运行特征向量进行整合标记处理，得到不同时间点的业务系统的特征指标向量。具体的提取过程，以及整合标记过程，后续将详细说明。
64.步骤s103，将所有时间点的业务系统的特征指标向量输入性能检测模型，确定业务系统的性能检测结果。
65.本实施例中，终端建立所有时间点的业务系统的特征指标向量对应的特征向量矩阵，然后将该特征向量矩阵输入性能检测模型，对业务系统的性能，进行检测处理，得到该业务系统的性能检测结果。其中，性能检测模型为通过膨胀隐私参数、一维卷积层、归一化
层、残差卷积层、附加层等构建的深度学习神经网络。
66.基于上述方案，通过提取业务系统的各应用程序在不同时间点的历史运行数据的信息，得到不同时间点对应的所有应用程序的特征指标向量，然后，同时通过性能检测模型对不同时间点对应的所有应用程序的特征指标向量进行性能检测处理，得到业务系统的性能检测结果，避免了各应用程序的异步处理过程，并且基于所有应用程序的特征指标向量，对该业务系统的性能进行检测，提升了在分布式数据存储模式下对所有应用程序的历史运行数据进行综合检测的全面性，从而提升了业务系统的性能检测的全面性。
67.可选的，获取业务系统的各应用程序在不同时间点的历史运行数据，包括：获取业务系统的每个应用程序的运行模块信息，并在数据库中采集每个运行模块信息在预设多个时间点的运行数据，得到每个运行模块信息在不同时间点的子历史运行数据；针对每个应用程序，将应用程序对应的各运行模块信息在不同时间点的子历史运行数据，作为应用程序在不同时间点的历史运行数据。
68.本实施例中，终端预设多个采集时间点，并响应于用户的业务系统性能检测操作，获取需要检测的业务系统的结构信息，然后，终端解析该结构信息，得到该业务系统的每个应用程序。终端识别每个应用程序的运行模块，得到每个应用程序的运行模块信息。然后终端基于每个应用程序的运行模块信息，在该业务系统的运行数据库中，基于每个采集时间点，采集每个运行模块的运行数据，得到每个运行模块信息在各个时间点的子历史运行数据。针对每个应用程序，终端将该应用程序的所有运行模块信息在不同时间点的子历史运行数据的集合，作为该应用程序在不同时间点的历史运行数据。其中，应用程序包括多个运行模块，该运行模块信息为该应用程序对应的每个运行模块的模块信息，例如，在应用程序为应用服务器信息的情况下，该应用程序包括的运行模块信息包括服务器资源配置模块、交易日志记录模块、服务器cpu模块、内存模块、i/o模块、以及连接池使用模块等。
69.基于上述方案，通过预设采集时间点，从而采集各时间点的每个应用程序的运行模块的运行数据，避免了分布式监控的数据存储模式无法监控的情况，提升了对该业务系统的所有运行模块进行性能检测的全面性。
70.可选的，在历史运行数据的类型属于结构化数据的情况下，基于各应用程序在不同时间点的相同特征处理方式的历史运行数据，分别建立所有应用程序在不同时间点的相同特征处理方式对应的目标运行特征向量，包括：针对每个时间点，提取每个应用程序在时间点的历史运行数据的特征信息，并基于每个应用程序在时间点的特征信息，建立特征处理方式对应的所有应用程序的初始运行特征向量；通过特征处理策略，对初始运行特征向量进行预处理，得到所有应用程序在时间点的特征处理方式对应的目标运行特征向量。
71.本实施例中，在历史运行数据的类型属于结构化数据的情况下，终端针对每个时间点，提取每个应用程序在时间点的历史运行数据的特征信息。并基于每个应用程序在时间点的特征信息，建立特征处理方式对应的所有应用程序的初始运行特征向量。
72.具体的，终端以该时间点对应的时间戳tn为维度，抽取每个应用程序的各运行模块中属于结构化数据的运行数据，进行整合，得到每个应用程序在该时间点的历史运行数据的特征信息。其中该特征信息可以但不限于是时间戳，交易id，容器id，cpu配置，cpu使用，内存配置，内存使用，连接池配置，线程池配置，数据库cpu，数据库内存等，终端针对每个时间点，基于所有应用程序在该时间点的历史运行数据的特征信息，建立该时间点对应
的时间戳tn的初始运行特征向量ttn1。
73.然后，终端基于结构化数据的特征处理策略，对上述得到的初始运行特征向量进行预处理，得到该特征处理方式对应的所有应用程序在时间点的目标运行特征向量。其中，针对该初始运行特征向量中的时间戳类字段，该预处理方式为以最小单位秒进行数据预处理；针对资源使用类数据，该预处理方式为归一化处理。
74.基于上述方案，通过针对不同类型的历史运行数据进行不同特征处理策略的特征化处理，提升了对不同历史运行数据的特征化的精准度，从而提升了后续对该业务系统进行性能检测的精准度。
75.可选的，在历史运行数据的类型属于非结构化数据的情况下，基于各应用程序在不同时间点的相同特征处理方式的历史运行数据，分别建立所有应用程序在不同时间点的相同特征处理方式对应的目标运行特征向量，包括：针对每个时间点，提取每个应用程序在时间点的历史运行数据的关键词信息，并基于所有关键词信息，建立特征处理方式对应的所有应用程序的关键词词典；提取关键词词典的各关键特征信息，并基于各关键特征信息，建立所有应用程序在时间点的特征处理方式对应的目标运行特征向量。
76.本实施例中，在历史运行数据的类型属于非结构化数据的情况下，终端针对每个时间点，提取每个应用程序在该时间点的历史运行数据的关键词信息，并基于所有关键词信息，建立该特征处理方式对应的所有应用程序的关键词词典。
77.具体的，终端预设关键词采集策略，然后针对每个时间点，基于该关键词采集策略，分别采集每个应用程序在该时间点的历史运行数据中，属于非结构化数据的历史运行数据的关键词信息，然后，终端将所有时间点的所有关键词信息按照每个关键词的类别进行汇总，得到该特征处理方式对应的所有应用程序的关键词词典。其中，预设关键词采集策略为工作人员上传的基于日常性能检测过程中关注要素规范与测试经验为基础的关键词类别的识别策略，终端基于该识别策略，识别每个历史运行数据中的属于上述关键词类别的关键词，然后对上述关键词进行采集处理，得到每个历史运行数据中的关键词。其中，关键词类别可以但不限于是时间戳，交易id，服务名称，服务内容，连接池使用信息，线程池使用信息，以及连接数使用信息等。
78.终端提取该关键词词典中的各关键特征信息，并对各关键特征信息进行分词处理，然后终端基于每个关键词的类别，针对每个时间点，建立所有应用程序在每个时间点的目标运行特征向量。其中，语言处理策略为自然语言处理技术。终端通过自然语言处理技术对关键词词典中的各关键次进行分词、关键词识别等处理，得到每个关键词对应的关键特征信息，最后，终端针对每个时间点对应的时间戳tn，建立该时间点的所有应用程序的所有关键特征信息对应的初始运行特征向量ttn2。
79.基于上述方案，通过针对不同类型的历史运行数据进行不同特征处理策略的特征化处理，提升了对不同历史运行数据的特征化的精准度，从而提升了后续对该业务系统进行性能检测的精准度。
80.可选的，将相同时间点的各特征处理方式对应的目标运行特征向量进行整合标记处理，得到不同时间点的特征指标向量之后，还包括：针对每个时间点，将时间点的各特征处理方式对应的目标运行特征向量，以时间点为关联因素，建立时间点的初始特征指标向量；判断时间点的初始特征指标向量是否满足性能异常条件，得到每个时间点的初始特征
指标向量的判断结果，并将判断结果添加至初始特征指标向量，得到特征指标向量。
81.本实施例中，终端针对每个时间点，将该时间点对应的每个特征处理方式的应用程序的目标运行特征向量，以时间点为关联因素，建立时间点的初始特征指标向量。
82.具体的，终端针对每个时间点对应的时间戳tn，通过将该时间戳对应的结构化数据的特征处理方式得到的初始运行特征向量ttn1，以及将该时间戳对应的非结构化数据的特征处理方式得到的初始运行特征向量ttn2，基于该时间戳tn为关联因素进行特征向量整合处理，得到改时间点对应的初始特征指标向量ttn。
83.终端针对每个时间点，判断该时间点的初始特征指标向量是否满足性能异常条件。在该时间点的初始特征指标向量不满足性能异常条件的情况下，终端确定该时间点的初始特征指标向量性能正常，然后，终端将该性能正常作为该初始特征指标向量的判断结果。在该时间点的初始特征指标向量满足性能异常条件的情况下，终端确定该时间点的初始特征指标向量性能异常，然后，终端将该性能异常作为该初始特征指标向量的判断结果。最后，终端将改时间点对应的胡思特征指标向量的判断结果添加至初始特征指标向量中，得到特征指标向量。性能异常条件为该时间点对应的时间出戳位置、服务器资源使用、数据库资源使用、交易吞吐量变化、是否大于预设于终端的规范设定阈值，在大于该规范设定阈值的情况下，终端确定该初始特征指标向量性能异常；在不大于该规范设定阈值的情况下，终端确定该初始特征指标向量性能正常。
84.基于上述方案，终端通过将同一时间点的不同初始运行特征向量进行整合，并对整合后得到的初始特征指标向量进行性能异常判断，提升了对每个不同时间点的性能判断的精确度，为后续判断整体业务系统的性能提供数据基础。
85.可选的，将所有时间点的业务系统的特征指标向量输入性能检测模型，确定业务系统的性能检测结果，包括：将所有时间点的各运行程序的特征指标向量进行向量整合处理，得到全量特征向量矩阵，并将全量特征向量输入性能检测模型，确定的所有运行程序的运行状态；基于所有运行程序的运行状态，通过性能分析策略，确定业务系统的性能检测结果。
86.本实施例中，终端将所有时间点的各运行程序的特征指标向量进行向量整合处理，得到全量特征向量矩阵。其中该全量特征向量矩阵表征为特征指标向量矩阵pttn。然后，终端将该全量特征向量输入已训练好的性能检测模型，从而判断该业务系统中的所有运行程序的运行状态。终端基于所有运行程序的运行状态，通过性能分析策略，确定该业务系统的性能检测结果。其中，所有运行程序的运行状态为所有运行程序在每个时间点的运行信息。终端计算该运行状态中的运行信息为性能异常的数目、以及运行信息为性能正常的数目之间的比例值、并计算运行信息为性能异常的时间点的分布信息，然后终端基于该比例值、以及该分布信息，确定该业务系统的性能检测结果。
87.具体的，终端预设多个性能程度，其中，该业务系统性能程度为性能10％、性能30％、性能50％、性能100％。然后终端预设每个性能程度对应的比例值范围，终端将上述分析得到的中的运行信息为性能异常的数目、以及运行信息为性能正常的数目之间的比例值，确定该业务系统所属的比例值范围，从而得到该业务系统所属的性能程度。然后，终端基于每个运行信息的时间点，对各运行信息进行聚类处理，得到多个运行信息组，终端将运行信息为性能异常的数目大于预设于终端的数目阈值的运行信息组对应的时间点的范围，
作为该业务系统的性能异常信息。最后，终端将该业务系统所属的性能程度、以及该业务系统的性能异常信息，作为该业务系统的性能检测结果。
88.基于上述方案，通过性能检测模型检测该业务系统的运行状态，从而确定该业务系统的性能检测结果，提升了检测业务系统的性能的效率。
89.可选的，确定每个应用程序的性能检测信息之后，还包括：将所有运行程序的运行状态，划分为各时间点对应的所有运行程序的子运行状态，并将所有运行程序的各子运行状态，按照时间点的时间顺序进行排列，得到所有运行程序的状态分布时序；基于所有运行程序的状态分布时序，预测目标时段的所有运行程序的预测状态分布时序，并基于所有运行程序的预测状态分布时序、以及业务系统的性能检测结果，确定业务系统的风险信息，并将风险信息传输至工作人员的显示端。
90.本实施例中，终端将所有运行程序的运行状态，按照每个时间点的时间序列进行排序得到的所有运行程序的运行状态分布信息。然后，终端识别该运行状态分布信息中的运行状态分布曲率、以及运行状态分布趋势信息，并基于该运行状态分布曲率、以及运行状态分布趋势信息，预测预设于终端的目标时段之内的所有运行程序的预测状态分布时序。
91.终端基于预测状态分布时序、以及该业务系统的性能检测结果，分析该也许系统在目标时段的预测性能检测结果。终端预设性能检测结果风险分析策略，并基于该性能检测结果风险分析策略分析该预测性能检测结果的风险信息。最后，终端将该风险信息传输至工作人员的显示端。其中性能检测结果风险分析策略为该业务系统的性能程度最低阈值、以及该业务系统的性能异常信息最低阈值。在该预测性能检测结果对应的该业务系统的性能程度低于性能程度最低阈值、以及该业务系统的性能异常信息低于性能异常信息最低阈值的情况下，终端确定该目标时段的业务系统存在风险，并将该业务系统在目标时段存在风险的信息，作为该业务系统的风险信息。
92.基于上述方案，通过预测目标时段的预测状态分布时序，从而分析该业务系统的风险信息，并将该风险信息传输至工作人员的显示端，为后续工作人员对该业务系统进行风险防范处理提供参考数据。
93.在一个实施例中，如图2所示，提供了一种性能检测示例，该示例包括以下步骤：
94.步骤s201，获取业务系统的每个应用程序的运行模块信息，并在数据库中采集每个运行模块信息在预设多个时间点的运行数据，得到每个运行模块信息在不同时间点的子历史运行数据。
95.步骤s202，针对每个应用程序，将应用程序对应的各运行模块信息在不同时间点的子历史运行数据，作为应用程序在不同时间点的历史运行数据。
96.步骤s203，获取每个历史运行数据的类型。
97.步骤s204，基于不同历史运行数据的类型，确定不同历史运行数据的特征处理方式。
98.步骤s205，在历史运行数据的类型属于结构化数据的情况下，针对每个时间点，提取每个应用程序在时间点的历史运行数据的特征信息，并基于每个应用程序在时间点的特征信息，建立特征处理方式对应的所有应用程序的初始运行特征向量。
99.步骤s206，通过特征处理策略，对初始运行特征向量进行预处理，得到所有应用程序在时间点的特征处理方式对应的目标运行特征向量。
100.步骤s207，在历史运行数据的类型属于非结构化数据的情况下，针对每个时间点，提取每个应用程序在时间点的历史运行数据的关键词信息，并基于所有关键词信息，建立特征处理方式对应的所有应用程序的关键词词典。
101.步骤s208，提取关键词词典的各关键特征信息，并基于各关键特征信息，建立所有应用程序在时间点的特征处理方式对应的目标运行特征向量。
102.步骤s209，针对每个时间点，将时间点的各特征处理方式对应的目标运行特征向量，以时间点为关联因素，建立时间点的初始特征指标向量。
103.步骤s210，判断时间点的初始特征指标向量是否满足性能异常条件，得到每个时间点的初始特征指标向量的判断结果，并将判断结果添加至初始特征指标向量，得到特征指标向量。
104.步骤s211，将所有时间点的各运行程序的特征指标向量进行向量整合处理，得到全量特征向量矩阵，并将全量特征向量输入性能检测模型，确定的所有运行程序的运行状态。
105.步骤s212，基于所有运行程序的运行状态，通过性能分析策略，确定业务系统的性能检测结果。
106.步骤s213，将所有运行程序的运行状态，划分为各时间点对应的所有运行程序的子运行状态，并将所有运行程序的各子运行状态，按照时间点的时间顺序进行排列，得到所有运行程序的状态分布时序。
107.步骤s214，基于所有运行程序的状态分布时序，预测目标时段的所有运行程序的预测状态分布时序，并基于所有运行程序的预测状态分布时序、以及业务系统的性能检测结果，确定业务系统的风险信息，并将风险信息传输至工作人员的显示端。
108.应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
109.基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的性能检测方法的性能检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个性能检测装置实施例中的具体限定可以参见上文中对于性能检测方法的限定，在此不再赘述。
110.在一个实施例中，如图3所示，提供了一种性能检测装置，包括：获取模块310、处理模块320和确定模块330，其中：
111.获取模块310，用于获取业务系统的各应用程序在不同时间点的历史运行数据、以及每个历史运行数据的类型，并基于不同历史运行数据的类型，确定不同历史运行数据的特征处理方式；
112.处理模块320，用于基于各所述应用程序在不同时间点的相同特征处理方式的历史运行数据，分别建立所有应用程序在不同时间点的相同特征处理方式对应的目标运行特
征向量，并将相同时间点的各特征处理方式对应的目标运行特征向量进行整合标记处理，得到不同时间点的业务系统的特征指标向量；
113.确定模块330，用于将所有时间点的业务系统的特征指标向量输入性能检测模型，确定所述业务系统的性能检测结果。
114.可选的，所述获取模块310，具体用于：
115.获取业务系统的每个应用程序的运行模块信息，并在数据库中采集每个运行模块信息在预设多个时间点的运行数据，得到每个运行模块信息在不同时间点的子历史运行数据；
116.针对每个应用程序，将所述应用程序对应的各运行模块信息在不同时间点的子历史运行数据，作为所述应用程序在不同时间点的历史运行数据。
117.可选的，在所述历史运行数据的类型属于结构化数据的情况下，所述处理模块320，具体用于：
118.针对每个时间点，提取每个应用程序在所述时间点的历史运行数据的特征信息，并基于每个应用程序在所述时间点的特征信息，建立所述特征处理方式对应的所有应用程序的初始运行特征向量；
119.通过特征处理策略，对所述初始运行特征向量进行预处理，得到所有应用程序在所述时间点的所述特征处理方式对应的目标运行特征向量。
120.可选的，在所述历史运行数据的类型属于非结构化数据的情况下，所述处理模块320，具体用于：
121.针对每个时间点，提取每个应用程序在所述时间点的历史运行数据的关键词信息，并基于所有关键词信息，建立所述特征处理方式对应的所有应用程序的关键词词典；
122.提取所述关键词词典的各关键特征信息，并基于各所述关键特征信息，建立所有应用程序在所述时间点的所述特征处理方式对应的目标运行特征向量。
123.可选的，所述处理模块320，具体用于：
124.针对每个时间点，将所述时间点的各特征处理方式对应的目标运行特征向量，以所述时间点为关联因素，建立所述时间点的初始特征指标向量；
125.判断所述时间点的初始特征指标向量是否满足性能异常条件，得到每个时间点的初始特征指标向量的判断结果，并将所述判断结果添加至所述初始特征指标向量，得到特征指标向量。
126.可选的，所述确定模块330，具体用于：
127.将所有时间点的各运行程序的特征指标向量进行向量整合处理，得到全量特征向量矩阵，并将所述全量特征向量输入性能检测模型，确定的所有运行程序的运行状态；
128.基于所有运行程序的运行状态，通过性能分析策略，确定所述业务系统的性能检测结果。
129.可选的，所述装置还包括：
130.排列模块，用于将所有运行程序的运行状态，划分为各所述时间点对应的所有运行程序的子运行状态，并将所有运行程序的各子运行状态，按照所述时间点的时间顺序进行排列，得到所有运行程序的状态分布时序；
131.传输模块，用于基于所有运行程序的状态分布时序，预测目标时段的所有运行程
access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
140.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
141.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。

技术特征：
1.一种性能检测方法，其特征在于，所述方法包括：获取业务系统的各应用程序在不同时间点的历史运行数据、以及每个历史运行数据的类型，并基于不同历史运行数据的类型，确定不同历史运行数据的特征处理方式；基于各所述应用程序在不同时间点的相同特征处理方式的历史运行数据，分别建立所有应用程序在不同时间点的相同特征处理方式对应的目标运行特征向量，并将相同时间点的各特征处理方式对应的目标运行特征向量进行整合标记处理，得到不同时间点的业务系统的特征指标向量；将所有时间点的业务系统的特征指标向量输入性能检测模型，确定所述业务系统的性能检测结果。2.根据权利要求1所述的方法，其特征在于，所述获取业务系统的各应用程序在不同时间点的历史运行数据，包括：获取业务系统的每个应用程序的运行模块信息，并在数据库中采集每个运行模块信息在预设多个时间点的运行数据，得到每个运行模块信息在不同时间点的子历史运行数据；针对每个应用程序，将所述应用程序对应的各运行模块信息在不同时间点的子历史运行数据，作为所述应用程序在不同时间点的历史运行数据。3.根据权利要求2所述的方法，其特征在于，在所述历史运行数据的类型属于结构化数据的情况下，所述基于各所述应用程序在不同时间点的相同特征处理方式的历史运行数据，分别建立所有应用程序在不同时间点的相同特征处理方式对应的目标运行特征向量，包括：针对每个时间点，提取每个应用程序在所述时间点的历史运行数据的特征信息，并基于每个应用程序在所述时间点的特征信息，建立所述特征处理方式对应的所有应用程序的初始运行特征向量；通过特征处理策略，对所述初始运行特征向量进行预处理，得到所有应用程序在所述时间点的所述特征处理方式对应的目标运行特征向量。4.根据权利要求2所述的方法，其特征在于，在所述历史运行数据的类型属于非结构化数据的情况下，所述基于各所述应用程序在不同时间点的相同特征处理方式的历史运行数据，分别建立所有应用程序在不同时间点的相同特征处理方式对应的目标运行特征向量，包括：针对每个时间点，提取每个应用程序在所述时间点的历史运行数据的关键词信息，并基于所有关键词信息，建立所述特征处理方式对应的所有应用程序的关键词词典；提取所述关键词词典的各关键特征信息，并基于各所述关键特征信息，建立所有应用程序在所述时间点的所述特征处理方式对应的目标运行特征向量。5.根据权利要求1所述的方法，其特征在于，所述将相同时间点的各特征处理方式对应的目标运行特征向量进行整合标记处理，得到不同时间点的特征指标向量，包括：针对每个时间点，将所述时间点的各特征处理方式对应的目标运行特征向量，以所述时间点为关联因素，建立所述时间点的初始特征指标向量；判断所述时间点的初始特征指标向量是否满足性能异常条件，得到每个时间点的初始特征指标向量的判断结果，并将所述判断结果添加至所述初始特征指标向量，得到特征指标向量。
6.根据权利要求5所述的方法，其特征在于，所述将所有时间点的业务系统的特征指标向量输入性能检测模型，确定所述业务系统的性能检测结果，包括：将所有时间点的各运行程序的特征指标向量进行向量整合处理，得到全量特征向量矩阵，并将所述全量特征向量输入性能检测模型，确定的所有运行程序的运行状态；基于所有运行程序的运行状态，通过性能分析策略，确定所述业务系统的性能检测结果。7.根据权利要求6所述的方法，其特征在于，所述确定每个应用程序的性能检测信息之后，还包括：将所有运行程序的运行状态，划分为各所述时间点对应的所有运行程序的子运行状态，并将所有运行程序的各子运行状态，按照所述时间点的时间顺序进行排列，得到所有运行程序的状态分布时序；基于所有运行程序的状态分布时序，预测目标时段的所有运行程序的预测状态分布时序，并基于所有运行程序的预测状态分布时序、以及所述业务系统的性能检测结果，确定所述业务系统的风险信息，并将所述风险信息传输至工作人员的显示端。8.一种性能检测装置，其特征在于，所述装置包括：获取模块，用于获取业务系统的各应用程序在不同时间点的历史运行数据、以及每个历史运行数据的类型，并基于不同历史运行数据的类型，确定不同历史运行数据的特征处理方式；处理模块，用于基于各所述应用程序在不同时间点的相同特征处理方式的历史运行数据，分别建立所有应用程序在不同时间点的相同特征处理方式对应的目标运行特征向量，并将相同时间点的各特征处理方式对应的目标运行特征向量进行整合标记处理，得到不同时间点的业务系统的特征指标向量；确定模块，用于将所有时间点的业务系统的特征指标向量输入性能检测模型，确定所述业务系统的性能检测结果。9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。11.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

技术总结
本申请涉及一种性能检测方法、装置、计算机设备和存储介质。本申请涉及软件测试和人工智能技术领域。方法包括：获取业务系统的各应用程序在不同时间点的历史运行数据、以及每个历史运行数据的类型，并基于不同历史运行数据的类型，确定不同历史运行数据的特征处理方式；基于各应用程序在不同时间点的相同特征处理方式的历史运行数据，分别建立所有应用程序在不同时间点的相同特征处理方式对应的目标运行特征向量，并将相同时间点的各特征处理方式对应的目标运行特征向量进行整合标记处理，得到不同时间点的业务系统的特征指标向量；基于性能检测模型，确定业务系统的性能检测结果。采用本方法能够提升业务系统的性能检测的全面性。全面性。全面性。


技术研发人员：张娇 范鑫禹 杨玉新 汤旭东
受保护的技术使用者：中国工商银行股份有限公司
技术研发日：2023.07.07
技术公布日：2023/10/11