基于先進(jìn)的AI邊緣計算技術(shù)，巧妙融合了目標(biāo)檢測類的AI機(jī)器視覺檢測模型，并經(jīng)過精心設(shè)計適配的外殼而成。
一般來說，軟件測試往往是比較簡單的：每個輸入=>已知輸出。然而，縱觀整個軟件測試的歷史，會發(fā)現(xiàn)很多測試往往都停留在猜測水平上。也就是說，測試時由開發(fā)者構(gòu)想出用戶的操作流程，估計可能出現(xiàn)的負(fù)載并分析需要耗費的時間，然后運行測試，并將當(dāng)前結(jié)果與基準(zhǔn)答案進(jìn)行比較。如果我們發(fā)現(xiàn)不存在回歸，那么就認(rèn)為當(dāng)前構(gòu)建方案是正確的；然后，繼續(xù)后面的測試。如果存在回歸，就返回。大多數(shù)時候，我們已經(jīng)知道了輸出結(jié)果，盡管它需要更好的定義——回歸的邊界清晰，并不那么模糊。其實，這正是機(jī)器學(xué)習(xí)（ML）系統(tǒng)和預(yù)測分析的切入點——結(jié)束歧義。
測試完成后，性能工程師所做的工作不僅是查看結(jié)果的算術(shù)平均值和幾何平均值，他們還會查看有關(guān)百分比數(shù)據(jù)。例如，系統(tǒng)運行過程中，往往10%的最慢請求都是由系統(tǒng)錯誤導(dǎo)致的——該錯誤會產(chǎn)生一個總是影響程序運行速度的條件。
雖然我們可以手動關(guān)聯(lián)數(shù)據(jù)中可用的屬性，但是ML可能會比您以更快的速度鏈接數(shù)據(jù)屬性。在確定導(dǎo)致10%的錯誤請求的條件后，性能工程師便可以構(gòu)建測試場景來重現(xiàn)該行為。在修復(fù)之前和之后運行測試能夠幫助確定修復(fù)已經(jīng)得到更正。
機(jī)器學(xué)習(xí)有助于促進(jìn)軟件開發(fā)，使有關(guān)開發(fā)技術(shù)更堅固、更好地滿足用戶在不同領(lǐng)域和行業(yè)的需求。我們可以通過將管道和環(huán)境中的數(shù)據(jù)輸入到深度學(xué)習(xí)算法來暴露因果模式。預(yù)測分析算法與性能工程方法相結(jié)合，可實現(xiàn)更高效、更快的吞吐量，深入了解終端用戶如何在自然場景下使用軟件，并幫助開發(fā)者降低帶有缺陷的產(chǎn)品應(yīng)用于生產(chǎn)環(huán)境的可能性。通過及早發(fā)現(xiàn)問題及其原因，您可以在開發(fā)生命周期的早期進(jìn)行問題糾正，并防止對生產(chǎn)產(chǎn)生影響?？傮w來看，您可以通過以下方式利用預(yù)測分析來提高應(yīng)用程序性能。
（一）確定根本原因
您可以使用機(jī)器學(xué)習(xí)技術(shù)來確定可用性或性能問題的根本原因，從而關(guān)注其他需要注意的領(lǐng)域。然后，預(yù)測分析可以分析每個集群的各種特征，提供我們需要進(jìn)行更改的見解，以達(dá)到理想的性能并避免瓶頸。
（二）監(jiān)視應(yīng)用程序運行狀況
使用機(jī)器學(xué)習(xí)技術(shù)執(zhí)行實時應(yīng)用程序監(jiān)控，有助于企業(yè)能夠及時發(fā)現(xiàn)系統(tǒng)性能降級并迅速作出響應(yīng)。大多數(shù)應(yīng)用程序依賴于多個服務(wù)來獲得完整應(yīng)用程序的狀態(tài)；預(yù)測分析模型能夠在應(yīng)用程序運行正常時關(guān)聯(lián)并分析數(shù)據(jù)，以識別傳入數(shù)據(jù)是否為異常值。
（三）預(yù)測用戶負(fù)載
我們依靠峰值用戶流量來調(diào)整基礎(chǔ)設(shè)施的規(guī)模，以適應(yīng)未來訪問應(yīng)用程序的用戶數(shù)量。這種方法有局限性，因為它不考慮變化或其他未知因素。預(yù)測分析有助于顯示用戶負(fù)載，并更好地做好應(yīng)對準(zhǔn)備，幫助團(tuán)隊規(guī)劃其基礎(chǔ)設(shè)施需求和容量利用率。
（四）在為時已晚之前預(yù)測停機(jī)
在應(yīng)用程序停機(jī)或停電發(fā)生之前預(yù)測它們將有助于采取預(yù)防措施。預(yù)測分析模型將遵循先前的停電情形，并繼續(xù)監(jiān)測類似情況，以預(yù)測未來的故障。
（五）停止查看閾值，開始分析數(shù)據(jù)
可觀測性和監(jiān)測產(chǎn)生的大量數(shù)據(jù)每周最多需要幾百兆字節(jié)。即使使用現(xiàn)代分析工具，您也必須事先知道自己在尋找什么。這導(dǎo)致團(tuán)隊不直接查看數(shù)據(jù)，而是設(shè)置閾值作為行動的觸發(fā)因素。即使是成熟的團(tuán)隊也會尋找例外情況，而不是鉆研他們的數(shù)據(jù)。為了緩解這種情況，我們將模型與可用數(shù)據(jù)源集成。
然后，模型將篩選數(shù)據(jù)并計算隨時間推移的閾值。使用這種技術(shù)，模型被饋送并匯總歷史數(shù)據(jù)，提供基于季節(jié)性而不是由人類設(shè)定的閾值?；谒惴▉碓O(shè)置閾值有助于觸發(fā)更少的警報；另一方面，這也帶來更好的可操作性和更高價值。
（六）跨數(shù)據(jù)集分析和關(guān)聯(lián)
您的數(shù)據(jù)大多是時間序列，因此可以更容易地查看隨時間變化的單個變量。許多趨勢來自多種措施的相互作用。例如，只有在同一目標(biāo)同時進(jìn)行各種事務(wù)時，響應(yīng)時間才會下降。對于人類來說，這幾乎是不可能的，但經(jīng)過適當(dāng)訓(xùn)練的算法卻有助于發(fā)現(xiàn)這些相關(guān)性。
“大數(shù)據(jù)”通常指的是數(shù)據(jù)集。不錯，是大數(shù)據(jù)集，速度提升很快，內(nèi)容變化也很大。對于這樣數(shù)據(jù)的分析需要專門的方法，以便我們能夠從中提取模式和信息。近些年來，存儲、處理器、進(jìn)程并行化以及算法設(shè)計的改進(jìn)都使得系統(tǒng)能夠在合理的時間內(nèi)處理大量數(shù)據(jù)，從而允許更廣泛地使用這些方法。為了獲得有意義的結(jié)果，您必須確保數(shù)據(jù)的一致性。
例如，每個項目必須使用相同的排名系統(tǒng)，因此，如果一個項目使用1作為關(guān)鍵值，而另一個項目使用5——就像人們使用“DEFCON 5”表示“DEFCON 1”時一樣；那么，必須在處理之前對這些值進(jìn)行規(guī)范化處理。預(yù)測算法由算法及其輸入的數(shù)據(jù)組成，而軟件開發(fā)產(chǎn)生了大量數(shù)據(jù)，直到最近，這些數(shù)據(jù)仍處于閑置狀態(tài)，等待刪除。然而，預(yù)測分析算法可以處理這些文件，針對我們無法檢測到的模式，根據(jù)這些數(shù)據(jù)提出和回答問題，例如：
我們是否在浪費時間測試未使用的場景嗎？
（一）性能改進(jìn)如何與用戶幸福感相關(guān)聯(lián)？
（二）修復(fù)特定缺陷需要多長時間？
這些問題及其答案就是預(yù)測分析的用途——更好地理解可能發(fā)生的事情。
預(yù)測分析的另一個主要組成部分是算法；您需要仔細(xì)選擇或?qū)崿F(xiàn)它。從簡單開始是至關(guān)重要的，因為模型往往會變得越來越復(fù)雜，對輸入數(shù)據(jù)的變化越來越敏感，并有可能扭曲預(yù)測。它們可以解決兩類問題：分類和回歸。
分類：分類用于預(yù)測集合的結(jié)果，方法是從輸入數(shù)據(jù)中推斷標(biāo)簽（如“向下”或“向上”）開始，將集合劃分為不同的類別。
回歸：當(dāng)輸出變量是一組實值時，回歸用于預(yù)測集合的結(jié)果。它將處理輸入數(shù)據(jù)來進(jìn)行預(yù)測——例如，使用的內(nèi)存量、開發(fā)人員編寫的代碼行等。最常用的預(yù)測模型是神經(jīng)網(wǎng)絡(luò)、決策樹以及線性和邏輯回歸。
神經(jīng)網(wǎng)絡(luò)通過實例學(xué)習(xí)，并使用歷史數(shù)據(jù)和當(dāng)前數(shù)據(jù)來預(yù)測未來價值。它們的架構(gòu)允許它們識別隱藏在數(shù)據(jù)中的復(fù)雜關(guān)系，以復(fù)制我們大腦檢測模式的方式。它們包含許多層，這些層接受數(shù)據(jù)、計算預(yù)測并作為單個預(yù)測提供輸出。
決策樹是一種分析方法，它將結(jié)果呈現(xiàn)在一系列“if/then”選項中，以預(yù)測特定選項的潛在風(fēng)險和收益。它可以解決所有分類問題并回答復(fù)雜問題。
決策樹類似于由算法生成的自頂向下的樹，該算法能夠識別將數(shù)據(jù)分割成分支狀劃分的各種方式，以說明未來的決策并幫助識別決策路徑。
回歸是最流行的統(tǒng)計方法之一。在估算數(shù)字時，這一點至關(guān)重要，例如在“黑色星期五”大促活動期間，我們需要為每項服務(wù)增加多少資源。許多回歸算法被設(shè)計來估計變量之間的關(guān)系，在龐大的和混合的數(shù)據(jù)集中找到關(guān)鍵模式，以及它們之間的關(guān)系。它的范圍從簡單的線性回歸模型（計算擬合數(shù)據(jù)的直線函數(shù)）到邏輯回歸（計算曲線）
使用以前的算法來衡量消費者對產(chǎn)品和應(yīng)用程序的看法，使得性能工程更加以消費者為中心。收集所有信息后，必須通過適當(dāng)?shù)墓ぞ吆退惴▽ζ溥M(jìn)行存儲和分析。這些數(shù)據(jù)可以包括錯誤日志、測試用例、測試結(jié)果、生產(chǎn)事件、應(yīng)用程序日志文件、項目文檔、事件日志、跟蹤，等等。然后，我們可以將其應(yīng)用于數(shù)據(jù)中，以獲得各種見解：
（一）分析環(huán)境中的缺陷
（二）評估對客戶體驗的影響
（三）確定問題模式
（四）創(chuàng)建更準(zhǔn)確的測試場景，等等
該技術(shù)支持質(zhì)量方面的左移（shift-left）方法，允許您預(yù)測執(zhí)行性能測試所需的時間、可能識別的缺陷數(shù)量以及可能導(dǎo)致生產(chǎn)的缺陷數(shù)量，從而實現(xiàn)性能測試的更好覆蓋，并創(chuàng)建真實的用戶體驗。可防止和糾正可用性、兼容性、性能和安全性等問題，而不會影響用戶。
以下是一些有助于提高質(zhì)量的信息類型的示例：
（一）缺陷類型
（二）在哪個階段發(fā)現(xiàn)了缺陷
（三）缺陷的根本原因是什么
（四）缺陷是否可再現(xiàn)
一旦您了解了這一點，就可以進(jìn)行更改并創(chuàng)建測試，以更快地防止類似問題。
自編程誕生以來，軟件工程師已經(jīng)做出了成百上千的假設(shè)。但是，今天的數(shù)字用戶們更加意識到這一點，而且對錯誤和失敗的容忍度也進(jìn)一步降低。另一方面，企業(yè)也在競相通過量身定制的服務(wù)和越來越難測試的復(fù)雜軟件，力圖提供更具吸引力和完美的用戶體驗。
今天，一切都需要無縫工作，并支持所有流行的瀏覽器、移動設(shè)備和應(yīng)用程序。即使是幾分鐘的撞車事故也可能造成數(shù)千或數(shù)百萬美元的損失。為了防止出現(xiàn)問題，團(tuán)隊必須在整個軟件生命周期中整合可觀測性解決方案和用戶體驗。管理復(fù)雜系統(tǒng)的質(zhì)量和性能需要的不僅僅是執(zhí)行測試用例和運行負(fù)載測試。趨勢可以幫助您判斷情況是否得到控制、好轉(zhuǎn)或惡化，以及改善或惡化的速度。機(jī)器學(xué)習(xí)技術(shù)可以幫助預(yù)測性能問題，使團(tuán)隊能夠正確進(jìn)行方案調(diào)整。最后，讓我們來引用本杰明·富蘭克林（Benjamin Franklin）的一句話作為結(jié)束語：“一盎司預(yù)防抵得上一磅治療?！?/p>
文章來源于51CTO,版權(quán)歸作者所有。
https://www.51cto.com/article/741239.html
