一种基于业务能力模型的模拟仿真方法和装置

摘要

本发明公开了一种基于业务能力模型的模拟仿真方法，包括：对业务能力数据进行预处理；根据预处理后的业务能力数据建立业务能力模型；根据所述业务能力模型，进行结果预测，并展示预测结果。本发明还公开了一种基于业务能力模型的模拟仿真装置，采用本发明，能够对业务能力进行准确的评估，对业务请求量快速积累的情况进行提前预警。

说明书

技术领域

本发明涉及计算机仿真技术领域，尤其涉及一种基于业务能力模型的模拟仿真方法和装置。

背景技术

目前，中国移动已经进入全业务运营，业务支撑网系统的规模和设备数量也随之不断扩展。企业IT部门面临着重要挑战，需要在合理控制成本的同时做好业务规划、响应业务快速变化、保障业务的持续发展，从而进一步提高业务服务水平。

现有的业务支撑系统存在许多业务处理能力瓶颈，业务量一旦在特定情况下超出系统处理能力，往往会出现类似“雪崩”效应，系统运行效率快速下降，业务请求量快速积累并大量超时或失败，引发大面积客户投诉。由于目前没有准确能力评估机制，无法做到有效的提前预警，一旦出现上述情况，在短时间内难以快速完成能力提升，如此，就造成较长时间内客户服务质量的降低。因此，研究和建立业务支撑网业务能力模型评估机制具有十分重要的意义。

发明内容

有鉴于此，本发明实施例期望提供一种基于业务能力模型的模拟仿真方法和装置，能对业务能力进行准确地评估，对业务请求量快速积累的情况进行提前预警。

为达到上述目的，本发明的技术方案是这样实现的：

本发明实施例提供了一种基于业务能力模型的模拟仿真方法，包括：

对业务能力数据进行预处理；

根据预处理后的业务能力数据建立业务能力模型；

根据所述业务能力模型进行结果预测，并展示预测结果。

上述方案中，所述根据业务能力模型进行结果预测之前，所述方法还包括：对所述业务能力模型进行精度验证。

上述方案中，所述对业务能力数据进行预处理包括但不限于：

对能力模型数据进行排序、和/或节假日筛选、和/或重复和缺失处理、和/或数据闲忙时段划分、和/或相关性分析、和/或数据最优时段选取；以及

对能力模型的CPU数据、内存数据、输入输出I/O数据、每秒进行读写I/O操作的次数IOPS数据进行加工。

上述方案中，所述根据预处理后的业务能力数据建立业务能力模型包括：根据预处理后的业务能力数据依次进行业务建模、服务建模和组件建模。

上述方案中，所述业务建模包括：以时间为自变量，以短信话单量、语音话单量、GPRS话单量为因变量建立业务模型；

所述服务建模包括：以业务建模中所述的因变量为自变量，以处理环节话单量为因变量建立能力模型；其中，所述处理环节话单包括但不限于预处理、分拣、查重、批价入库、开打检查、合账、BI文件传输、周期费分拣；

所述组件建模包括：以服务建模中所述的因变量为自变量，以CPU使用率、内存使用率、I/O总量以及IOPS次数为因变量建立组件模型。

上述方案中，所述根据业务能力模型进行结果预测，包括：对各主机资源消耗趋势、各应用环节总体资源消耗趋势、单笔话单处理资源消耗分布进行预测。

本发明实施例还提供了一种基于业务能力模型的模拟仿真装置，包括：数据处理单元、模型建立单元、结果预测单元；其中，

所述数据处理单元，用于对业务能力数据进行预处理；

所述模型建立单元，用于根据预处理后的业务能力数据建立业务能力模型；

所述结果预测单元，用于根据所述业务能力模型进行结果预测，并展示预测结果。

上述方案中，所述装置还包括精度验证单元，用于在所述结果预测单元根据所述业务能力模型进行结果预测之前，对所述业务能力模型进行精度验证。

上述方案中，所述数据处理单元对业务能力数据进行预处理包括但不限于：

对能力模型数据进行排序、和/或节假日筛选、和/或重复和缺失处理、和/或数据闲忙时段划分、和/或相关性分析、和/或数据最优时段选取；

对能力模型的CPU数据、内存数据、输入输出I/O数据、每秒进行读写I/O操作的次数IOPS数据进行加工。

上述方案中，所述模型建立单元根据预处理后的业务能力数据建立业务能力模型包括：根据预处理后的业务能力数据依次进行业务建模、服务建模和组件建模。

上述方案中，所述模型建立单元进行业务建模包括：以时间为自变量，以短信话单量、语音话单量、GPRS话单量为因变量建立业务模型；

所述模型建立单元进行服务建模包括：以业务建模中所述的因变量为自变量，以处理环节话单量为因变量建立能力模型；其中，所述处理环节话单包括但不限于预处理、分拣、查重、批价入库、开打检查、合账、BI文件传输、周期费分拣；

所述模型建立单元进行组件建模包括：以服务建模中所述的因变量为自变量，以CPU使用率、内存使用率、I/O总量以及IOPS次数为因变量建立组件模型。

上述方案中，所述结果预测单元根据业务能力模型，进行结果预测，包括：对各主机资源消耗趋势、各应用环节总体资源消耗趋势、单笔话单处理资源消耗分布进行预测。

本发明实施例提供基于业务能力模型的模拟仿真方法和装置，对业务能力数据进行预处理；根据预处理后的业务能力数据建立业务能力模型；根据业务能力模型进行结果预测并展示预测结果。本发明实施例通过建立科学的业务能力模型，结合历史数据对未来业务支撑网系统的运行情况进行预测，如此，不仅能较好的把控业务支撑网系统运行质量，降低运维风险；还能在充分掌握各项业务吞吐能力的基础上，通过合理的资源分配，使系统资源利用率得到合理的均衡，在很大程度上降低系统投资成本，有效提升业务支撑网运维管理水平。

进一步的，本发明在根据业务能力模型进行结果预测之前，还可以对所建立的业务能力模型进行精度验证，以便进一步了解所述业务能力模型所预测或者拟合的结果与真实结果偏差情况。

附图说明

图1为本发明实施例基于业务能力模型的模拟仿真方法流程示意图；

图2为本发明实施例业务建模方法流程示意图；

图3为本发明实施例服务建模方法流程示意图；

图4为本发明实施例组件建模方法流程示意图；

图5为本发明实施例能力模型精度验证方法流程示意图；

图6-a至6-d为本发明实施例各主机资源消耗趋势预估结果展示图；

图7-a至7-d为本发明实施例各应用环节总体资源消耗趋势预测结果展示图；

图8-a至8-d为本发明实施例单笔话单处理资源消耗分布展示图；

图9为本发明实施例基于业务能力模型的模拟仿真装置结构示意图。

具体实施方式

在本发明实施例中，对业务能力数据进行预处理；根据预处理后的业务能力数据建立业务能力模型；根据所述业务能力模型进行结果预测，并展示预测结果。

进一步的，在根据业务能力模型进行结果预测之前，还可以对所建立的业务能力模型进行精度验证。

本发明实施例基于业务能力模型的模拟仿真方法，是通过建立以回归分析法为核心的数学模型，根据已经采集到的历史数据对未来对应日期业务支撑网系统的运行情况进行预测；在业务数据支持下，对业务支撑网系统进行分析、预警。

本发明实施例首先需要对业务能力指标进行分析与梳理，业务能力建模体系架构主要由业务层、服务层、组件层组成；其中，业务层包括业务指标、业务规划、业务交易种类和单业务工作流，根据业务支撑网系统的运行情况与多个业务类型的关系，筛选出核心的业务交易类型；服务层包括系统响应时间、应用处理量和并发用户数，同时能反映业务支撑网系统组件的性能压力和业务层的交易状态，可以将多业务交易类型的工作流汇总成服务层面的指标，避免业务下线或新增的影响，将业务层的压力转化成服务层的压力；组件层包含业务支撑网系统各个组件的性能数据，能够直接体现业务支撑网系统组件的性能压力负载。在建模的业务能力数据选取上，根据业务层、服务层、组件层的分析梳理情况进行业务能力数据选取，能够有效的提高模型的可信度和精确度。

下面结合附图及具体实施例，对本发明基于业务能力模型的模拟仿真方法进一步详细描述。

本发明实施例基于业务能力模型的模拟仿真方法，如图1所示，包括以下步骤：

步骤101：对业务能力数据进行预处理；

这里，所述业务能力数据包括：过去一段时间内的短信话单量、语音话单量、通用分组无线服务（GPRS，General Packet RadI/O Service)话单量、其它话单量；处理环节话单量，包括预处理、分拣、查重、批价入库、开打检查、合账、BI文件传输、周期费分拣；CPU利用率、内存利用率、输入输出（I/O，input/output）数据、每秒进行读写I/O操作的次数（IOPS，Input/Output OperatI/OnsPer Second）数据；其中，所述过去一段时间内可以是近三年内，也可以是其他时间范围，本发明实施例以近三年内的业务能力数据为例，但并不限于此范围。

相应的，所述对业务能力数据进行预处理包括但不限于：对业务能力数据进行排序、和/或节假日筛选、和/或重复和缺失处理、和/或数据闲忙时段划分、和/或相关性分析、和/或数据最优时段选取；

对业务能力数据进行预处理包括以下过程：

a、将业务能力数据按时间先后顺序进行排序，避免出现时间错乱现象，为后续数据加工提供基础。

b、按照时间字段分别筛选出工作日和节假日的业务能力数据。

c、判断业务能力数据是否存在缺失或重叠，如果存在重叠，即重复出现同一时间段的监控值，则保留其中一条记录，删除冗余的重复记录；

对于业务能力数据缺失的情况，在只缺失一个值的情况下，使用均值插值法进行插值补充，例如：4月份出现缺失值=（3月份里时间控制+5月份历史监控值）/2；缺失一天以上，做假期单独处理，如果数据缺失超过5小时，将整天数据删除，按照缺失一天以上的处理方法处理；若小于5小时之内，可按照下述不同的插值方法进行插值。

具体的，利用最小二乘法确定插值函数：

第一步：分别计算自变量和因变量均值，

其中，X是时间，Y是需要的插值；

第二步：计算其中，n为自变量数量，X_i为第i个自变量；

第三步：计算Y_i为第i个因变量；

第四步：计算斜率因子a，公式为：

第五步：计算截距因子b，公式：

或者，基于拉格朗日插值法确定插值函数，采用公式：y=a*((logx+log(x+1))/2)+b。

d、对数据闲忙时段划分；

这里，对数据进行闲忙时段划分的目的在于可以对闲时和忙时的数据分别进行预测，以降低将所有数据求均值后再预测所带来的不准确性；

根据过去一个时段的数据，挖掘出业务支撑网系统的忙闲规律；所述过去某一时段的数据可以是过去的1～3个月的数据，但并不限于此范围，可以根据实际需求设定所需时间段；

具体的，先将原始数据按小时取均值；例如，以5分钟或1分钟为单位采集监控数据，并按小时取均值；本发明实施例中，以5分钟为例，将系统收集的1～3个月的数据按照不同天同小时的数据进行叠加求均值，统计出同一天内系统运行趋势；

再根据历史数据确定判断闲忙时段的基线；这里，可以根据实际需求确定基线标准，例如，可以将采集到的数据大于历史均值70%以上的时间段作为忙时段，其余时间为闲时段。

e、进行业务能力数据相关性分析，筛选出具有关联关系的业务能力数据；

这里，业务能力数据相关性分析的过程包括：从业务能力数据中的第一组业务能力数据开始，选择1/3的业务能力数据分别建立IT性能数据与业务数据的相关系数。其中，IT性能数据包括：CPU利用率、内存利用率、I/O数据、IOPS数据，业务数据包括：短信话单量、语音话单量、GPRS话单量、其它话单量。在计算相关系数过中，分别选取前1/3的数据，可以按1为步长，直到最后一组数据，分别计算每一组数据的相关系数值。

相关系数判别标准如表1所示：

相关性负值正值不相关-0.09～-0.00.0～0.09低相关-0.3～-0.10.1～0.3中等相关-0.5～-0.30.3～0.5显著相关-1.0～-0.50.5～1.0

表1

实际应用中，会按照实际需求选取相关系数作为相关因素；例如：选择相关系数绝对值为0.3以上的因素作为相关因素。

f、选取能力模型最优数据时段；

这里，由于部分业务支撑网系统的变更没有详细的文献记录和查询，从而会影响到模型数据输入的合理性和科学性，因此，通过历史数据的最优数据选取，提高模型的精确度。

具体计算方法包括如下步骤：

f1、确定m的取值范围：从M组原始数据中的最后一组数据开始，向前选取原始数据的的数据，如原始数据有1号～30号的数据，30号的数据作为最后一组数据，向前选取原始数据的的数据，如果得到数据组数为小数，则向上取整，即其中ceil代表向上取整。例如：当M=31时，$>\frac{2}{3}M=20.6667,$>则$>m_1=\mathrm{ceil}\left(\frac{2}{3}M\right)=21.$>

其中，m的取值范围为：m₁,m₁+1,m₁+2,...,M，如，第一组数据集m1的数据为{20，21，……，30}，第二组数据集m1+1的数据为{19,20，……，30}，以此类推，计算拟合优度

f2、计算拟合优度：

f21.计算样本数据的X轴的均值和Y轴的均值，记为

f22.分别计算样本数据X和Y的残差平方和：

f23.计算异方差和：$>\frac{\underset{i=1}{\overset{n}{\Sigma }}(X_i-\bar{X})(Y_i-\bar{Y})}{n}$>

f24.计算相关系数R_m，具体计算公式：

f25.拟合优度等于标准协方差的平方

f26.选取最优数据集合，根据步骤f25计算的值，筛选出最大值，并得到这个时候的数据组数m，即最合适数据组数m，作为最优数据集合。

上述对业务能力数据进行预处理的步骤并不限定具体的先后顺序，也就是说，步骤a至步骤f可以按照实际需求按照任意顺序执行或并行执行。

所述对业务能力数据进行预处理还包括：对能力模型的CPU数据、内存数据、I/O数据、IOPS数据进行加工；具体包括：对能力模型的CPU数据、内存数据、I/O数据、IOPS数据一日内忙时峰值数据进行加工和一日内闲时谷值数据进行加工；

具体的，根据预处理中确定的忙闲时段，将业务的小时峰值按忙/闲时段取均值；将业务交易最大/小值的时刻映射到组件的CPU性能利用率、组件的MEM性能利用率、组件的I/O、组件的IOPS；将业务和CPU、MEM、I/O、IOPS的日忙/闲时峰值均值按照时间做映射关系。

其中，所述对能力模型的CPU数据进行加工包括对CPU一日内忙时峰值数据进行加工和对闲时谷值数据进行加工。具体的，以业务交易为基础，选择每小时的业务最大/小值；根据预处理中确定的忙闲时段，将业务的小时峰值按忙/闲时段取均值；将业务交易最大/小值的时刻映射到组件的CPU性能利用率；将业务峰/谷值时刻对应的CPU使用率换算成CPU的使用时间；将业务和CPU的日忙/闲时峰/谷值均值，按照时间做好映射。

例如，对CPU一日内忙时峰值数据进行加工包括：以业务交易为基础，选择每小时的业务最大值，即5分钟的业务交易，按小时进行最大值MAX的选取，并记录最大业务值的时间；根据预处理中确定的忙闲时段，将业务的小时峰值按忙时段取均值。例如：忙时段为8:00～23:00，业务交易小时峰值按8:00～23:00进行均值统计；将业务交易最大值的时刻映射到组件的CPU性能利用率，如果是批价和合账系统，应该将业务交易的时刻映射到两台物理机的CPU利用率，并将CPU利用率取均值，即将两台物理机看成一台设备处理；将业务峰值时刻对应的CPU使用率换算成CPU的使用时间，即CPU使用率*300s；将业务和CPU的日忙时峰值均值，按照时间做好映射，便于后面建立业务能力模型。

对CPU一日内闲时谷值数据进行加工包括：以业务交易为基础，选择每小时的业务最小值，即5分钟的业务交易，按小时进行MIN的选取，并记录最小业务值的时间；根据预处理中确定的忙闲时段，将业务的小时谷值按闲时段取均值。例如：闲时段为8:00～23:00，业务交易小时谷值按8:00～23:00进行均值统计；将业务交易最小值的时刻映射到组件的CPU性能利用率，如果是批价和合账系统，应该将业务交易的时刻映射到两台物理机的CPU利用率，并将CPU利用率取均值，即将两台物理机看成一台设备处理；将业务峰值时刻对应的CPU使用率换算成CPU的使用时间，即CPU使用率*300s；将业务和CPU的日闲时谷值均值，按照时间做好映射，便于后面建立业务能力模型。

所述对能力模型的内存数据进行加工包括：对内存一日内忙时峰值数据进行加工和对闲时谷值数据进行加工。具体的，以业务交易为基础，选择每小时的业务最大/小值；根据预处理中确定的忙闲时段，将业务的小时峰值按忙/闲时段取均值；将业务交易最大/小值的时刻映射到组件的MEM性能利用率；将业务峰/谷值时刻对应的MEM使用率换算成MEM的使用容量；将业务和MEM的日忙/闲时峰/谷值均值，按照时间做好映射。

例如，对内存一日内忙时峰值数据进行加工包括：以业务交易为基础，选择每小时的业务最大值，即5分钟的业务交易，按小时进行最大值MAX的选取，并记录最大业务值的时间；根据预处理中确定的忙闲时段，将业务的小时峰值按忙时段取均值。例如：忙时段为8:00～23:00，业务交易小时峰值按8:00～23:00进行均值统计；将业务交易最大值的时刻映射到组件的MEM性能利用率，如果是批价和合账系统，应该将业务交易的时刻映射到两台物理机的MEM利用率，并将MEM利用率取均值，即将两台物理机看成一台设备处理；将业务峰值时刻对应的MEM使用率换算成MEM的使用容量，即MEM使用率*配置容量，对于批价和合账由两台物理机组成的系统，配置容量应为两台物理机的配置之和，如单台物理机的MEM配置容量为6G，两台为12G；将业务和MEM的日忙时峰值均值，按照时间做好映射，便于后面建立业务能力模型。

对内存一日内闲时谷值数据进行加工包括：以业务交易为基础，选择每小时的业务最小值，即5分钟的业务交易，按小时对12个数值进行最小值MIN的选取，并记录最小业务值的时间；根据预处理中确定的忙闲时段，将业务的小时谷值按闲时段取均值。例如：闲时段为8:00～23:00，业务交易小时谷值按8:00～23:00进行均值统计；将业务交易最小值的时刻映射到组件的MEM性能利用率，如果是批价和合账系统，应该将业务交易的时刻映射到两台物理机的MEM利用率，并将MEM利用率取均值，即将两台物理机看成一台设备处理；将业务谷值时刻对应的MEM使用率换算成MEM的使用容量，即MEM使用率*配置容量将业务和MEM的日闲时谷值均值，按照时间做好映射，便于后面建立业务能力模型。

所述对能力模型的I/O数据进行加工包括：对内存一日内忙时峰值数据进行加工和对闲时谷值数据进行加工。具体的，以业务交易为基础，选择每小时的业务最大/小值；根据预处理中确定的忙闲时段，将业务的小时峰值按忙/闲时段取均值；将业务交易最大/小值的时刻映射到组件的I/O；将业务和I/O的日忙/闲时峰/谷值均值，按照时间做好映射。

对I/O一日内忙时峰值数据进行加工包括：以业务交易为基础，选择每小时的业务最大值，即5分钟的业务交易，按小时对12个数值进行最大值MAX的选取，并记录最大业务值的时间；根据预处理中确定的忙闲时段，将业务的小时峰值按忙时段取均值。例如：忙时段为8:00～23:00，业务交易小时峰值按8:00～23:00进行均值统计；将业务交易最大值的时刻映射到组件的I/O，如果是批价和合账系统，应该将业务交易的时刻映射到两台物理机的I/O，并将I/O取和，即将两台物理机看成一台设备处理；将业务和I/O的日忙时峰值均值，按照时间做好映射，便于后面建立业务能力模型。

对I/O一日闲时谷值数据进行加工包括：以业务交易为基础，选择每小时的业务最小值，即5分钟的业务交易，按小时对12个数值进行最小值MIN的选取，并记录最小业务值的时间；根据预处理中确定的忙闲时段，将业务的小时峰值按闲时段取均值。例如：闲时段为8:00～23:00，业务交易小时谷值按8:00～23:00进行均值统计；将业务交易最小值的时刻映射到组件的I/O，如果是批价和合账系统，应该将业务交易的时刻映射到两台物理机的I/O，并将I/O取和，即将两台物理机看成一台设备处理；将业务和I/O的日闲时谷值均值，按照时间做好映射，便于后面建立业务能力模型。

所述对能力模型的IOPS数据进行加工包括：对内存一日内忙时峰值数据进行加工和对闲时谷值数据进行加工。具体的，以业务交易为基础，选择每小时的业务最大/小值；根据预处理中确定的忙闲时段，将业务的小时峰值按忙/闲时段取均值；将业务交易最大/小值的时刻映射到组件的IOPS；将业务和IOPS的日忙/闲时峰/谷值均值，按照时间做好映射。

对IOPS一日内忙时峰值数据进行加工包括：以业务交易为基础，选择每小时的业务最大值，即5分钟的业务交易，按小时对12个数值进行最大值MAX的选取，并记录最大业务值的时间；根据预处理中确定的忙闲时段，将业务的小时峰值按忙时段取均值。例如：忙时段为8:00～23:00，业务交易小时峰值按8:00～23:00进行均值统计；将业务交易最大值的时刻映射到组件的IOPS，如果是批价和合账系统，应该将业务交易的时刻映射到两台物理机的IOPS，并将IOPS取和值，即将两台物理机看成一台设备处理；将业务和IOPS的日忙时峰值均值，按照时间做好映射，便于后面建立业务能力模型。

对IOPS一日内闲时谷值数据进行加工包括：以业务交易为基础，选择每小时的业务最小值，即5分钟的业务交易，按小时对12个数值进行最小值MIN的选取，并记录最小业务值的时间；（注：如果业务指标不止一个，如合账系统的业务指标不止一个，先将该系统的业务指标的数值按统一时间点进行累加，再选取最小值；根据预处理中确定的忙闲时段，将业务的小时谷值按闲时段取均值。例如：闲时段为8:00～23:00，业务交易小时峰值按8:00～23:00进行均值统计；将业务交易最小值的时刻映射到组件的IOPS，如果是批价和合账系统，应该将业务交易的时刻映射到两台物理机的IOPS，并将IOPS取和值，即将两台物理机看成一台设备处理；将业务和IOPS的日闲时谷值均值，按照时间做好映射，便于后面建立业务能力模型。

步骤102：根据预处理后的业务能力数据建立业务能力模型；

具体的，根据预处理后的业务能力数据依次进行业务建模、服务建模和组件建模。

所述业务建模包括：以时间为自变量，以对短信话单量、语音话单量、GPRS话单量为因变量建立业务模型；

这里，业务建模主要依赖于最小二乘法，其自变量X取近三年的时间周期、因变量Y取近三年的短信话单量、语音话单量、GPRS话单量以及其他话单量，图2为本发明实施例业务建模方法流程示意图，如图2所示，本发明实施例业务建模包括以下步骤：

步骤102Aa：分别计算自变量和因变量均值，

步骤102Ab：根据得到的自变量和因变量均值，采用公式计算斜率因子a；其中，n为自变量数量，X_i为第i个自变量，Yi为第i个因变量；

步骤102Ac：根据得到的斜率因子a采用公式计算截距因子b；

步骤102Ad：根据所述斜率因子a和得到的截距因子b，得出业务模型公式：Y=aX+b。

本发明所有实施例中，仅是以三年时间周期为例，并不限定这一时间范围，在实际的数据采集中，可以根据实际需求确定所选取的时间段的长度。

所述服务建模包括：以业务建模中所述的因变量为自变量，以处理环节话单量为因变量建立能力模型；其中，所述处理环节话单包括但不限于预处理、分拣、查重、批价入库、开打检查、合账、BI文件传输、周期费分拣；

服务建模采用多元回归分析法来进行建模，其中，自变量x为业务建模中的因变量y，即短信话单量、语音话单量、GPRS话单量以及其他话单量。y取现有系统中近三年的处理环节话单量，包括预处理、分拣、查重、批价入库、开打检查、合账、BI文件传输、周期费分拣，图3为本发明实施例服务建模方法流程示意图，如图3所示，本发明实施例服务建模，包括以下步骤：

步骤102Ba：确定模型相关性系数r；

$>r=\frac{\underset{i=1}{\overset{n}{\Sigma }}(x_i-\bar{x})(y_i-\bar{y})}{\sqrt{\underset{i=1}{\overset{n}{\Sigma }}{(x_i-\bar{x})}^2\underset{i=1}{\overset{n}{\Sigma }}{(y_i-\bar{y})}^2}}$>

具体的，根据计费系统业务关系确定在同一时段内导致服务器资源消耗的所有业务，计算业务与资源消耗之间的相关系数r，将相关系数绝对值大于阀值r的业务作为自变量，其中：表示自变量均值，表示因变量均值，x_i为第i个自变量，y_i为第i个因变量。

这里，所述同一时段内导致服务器资源消耗的所有业务，包括：预处理、分拣、查重、批价入库、开打检查、合账、BI文件传输、周期费分拣。

步骤102Bb：确定模型多元回归系数；

第一步：由加工后的数据得到输入数据矩阵X，Y：

$>X=\left(\begin{array}{cccc}{x}_{11}& x_{12}& ...& x_{1n}\\ x_{21}& x_{22}& ...& x_{1n}\\ x_{31}& x_{32}& ...& x_{3n}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ x_{m1}& x_{n2}& ...& x_{\mathrm{mn}}\end{array}\right)$>

其中，X的第1列为第1个自变量的m组原始数据，第2列为第2个自变量的m组原始数据，其它列数据依次类推，且输入数据矩阵X是一个m×n的矩阵，n为自变量的个数，即输入自变量数据有m行，n列。m，n的取值将在后面的计算步骤中用到。输入数据矩阵X将在后面的第二步、第六步中用到。

$>Y=\left(\begin{array}{c}{y}_1\\ y_2\\ .\\ .\\ .\\ y_m\end{array}\right)$>

其中，Y矩阵为原始数据中因变量数据的m行数据组成的矩阵。

第二步：对第一步中的矩阵数据X进行QR分解；

采用QR分解算法得到第一步中矩阵X的Q矩阵和R矩阵，且Q矩阵是m×m的矩阵，R矩阵是m×n的矩阵。形式如下：

$>Q=\left(\begin{array}{cccc}{Q}_{11}& Q_{12}& ...& Q_{1m}\\ Q_{21}& Q_{22}& ...& Q_{2m}\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ Q_{m1}& Q_{m2}& ...& Q_{\mathrm{mm}}\end{array}\right)$>

$>R=\left(\begin{array}{cccc}{R}_{11}& R_{12}& ...& R_{1,n}\\ 0& R_{22}& ...& R_{2,n}\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ 0& 0& ...& R_{n,n}\\ 0& 0& ...& 0\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ 0& 0& ...& 0\end{array}\right)$>

第三步：选取第二步的矩阵的部分数据得到新的矩阵R'；

新的矩阵R'是由第二步中R矩阵的前n行和n列组成的矩阵，即：

$>R^{\prime }=\left(\begin{array}{cccc}{R}_{11}& R_{12}& ...& R_{1,n}\\ 0& R_{22}& ...& R_{2,n}\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ 0& 0& ...& R_{n,n}\end{array}\right)$>

第四步：计算矩阵D；

$>D=Q^T\times Y=\left(\begin{array}{c}{D}_1\\ D_2\\ .\\ .\\ .\\ D_m\end{array}\right)$>

其中，Q矩阵为第二步QR分解得到的矩阵Q，Y矩阵为第一步中的原始数据矩阵Y。这里，Q^T采用的是矩阵的转置的计算规则，计算矩阵D是采用了矩阵与矩阵相乘的运算规则。

取矩阵D的前n行数据得到新的矩阵D'：

$>D^{\prime }=\left(\begin{array}{c}{D}_1\\ D_2\\ .\\ .\\ .\\ D_n\end{array}\right)$>

第五步：计算计算输出方程系数：b₁,b₂,...,b_n

用第四步的矩阵D'和第三步的矩阵R带入下面得到方程系数。

$>\left(\begin{array}{c}{b}_n=\frac{D_n}{R_{n,n}}\\ b_{n-1}=\frac{D_{n-1}-R_{n-1,n}·b_n}{R_{n-1,n-1}}\\ b_{n-2}=\frac{D_{n-2}-R_{n-2,n-1}·b_{n-1}-R_{n-2,n}·b_n}{R_{n-2,n-2}}\\ .\\ .\\ .\\ b_k=\frac{D_k-\underset{i=k+1}{\overset{n}{\Sigma }}{R}_{k,i}·b_i}{R_{k,k}}\\ k=\mathrm{1,2},...,n\end{array}\right)$>

在计算b_k的过程中，如果出现R_k,k等于零，则b_k=0；

第六步：计算拟合得到因变量结果

$>{\hat{y}}_i=b_1\times x_{1,i}+b_{2,i}\times x_{2,i}+...+b_n\times x_{n,i},i=\mathrm{1,2},..,m;$>

矩阵运算形式为：

$>\left(\begin{array}{c}{\hat{y}}_1\\ {\hat{y}}_2\\ .\\ .\\ .\\ {\hat{y}}_m\end{array}\right)=X\times \left(\begin{array}{c}{b}_1\\ b_2\\ .\\ .\\ .\\ b_n\end{array}\right)=\left(\begin{array}{cccc}{x}_{11}& x_{12}& ...& x_{1n}\\ x_{21}& x_{22}& ...& x_{1n}\\ x_{31}& x_{32}& ...& x_{3n}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ x_{m1}& x_{n2}& ...& x_{\mathrm{mn}}\end{array}\right)\times \left(\begin{array}{c}{b}_1\\ b_2\\ .\\ .\\ .\\ b_n\end{array}\right)$>

其中，X矩阵为第一步中的自变量输入矩阵X，$>\left(\begin{array}{c}{b}_1\\ b_2\\ .\\ .\\ .\\ b_n\end{array}\right)$>为第五步中计算的到的方程系数。x_1,i,x_1,i,...,x_n,i分别代表自变量x₁,x₂,..,x_n的第i组数据，代表因变量的第i个拟合数据。

第七步：计算拟合优度R²；

$>R^2=\frac{\underset{i=1}{\overset{m}{\Sigma }}{\hat{y}}_i^2}{\underset{i=1}{\overset{m}{\Sigma }}{({\hat{y}}_i-y_i)}^2+\underset{i=1}{\overset{m}{\Sigma }}{\hat{y}}_i^2}$>

其中，代表第六步得到的因变量的第i个拟合数据，y_i代表原始因变量数的中的第i个数据。

第八步：计算标准误差S_y：

$>S_y=\sqrt{\frac{\underset{i=1}{\overset{m}{\Sigma }}{({\hat{y}}_i-y_i)}^2}{m-n}}$>

其中，代表第六步得到的因变量的第i个拟合数据，y_i代表原始因变量数的中的第i个数据。m输入数据的组数，n为自变量的个数，在第一步的输入数据中已经保证了m>n，所以这里不会出现分母为0的情况。

第九步：对输入的新的n个自变量数值分别为x₁₀,x₂₀,...,x_n0，通过计算输出预测因变量的值y₀：y₀=b₁×x₁₀+b_2,i×x₂₀+…+b_n×x_n0；

其中，b₁,b₂,...,b_n为第五步计算得到的结果，x₁₀,x₂₀,...,x_n0为用户需要重新输入的自变量数据。

步骤102Bc：进行模型的数据预测；

这里，多元回归系数强制为0。

首先，确定预测因变量数据的数据条数m；取m=n(1/3)左右的整数，其中，n为计算多元回归系数时的因变量的数据条数。

其次，进行数据预测，将自变量数据X代入方程y=0+b₁x₁+b₂x₂+…+b_px_p，得到预测结果；其中，b₁,b₂…b_p为已经求出的多元回归系数。

所述组件建模包括：以服务建模中所述的因变量为自变量，以对应的CPU使用率、内存使用率、I/O总量以及IOPS次数为因变量建立组件模型。

组件建模与服务建模相同，采用多元回归分析法来进行建模，其中，自变量x为服务建模的因变量y，y取近三年的CPU使用率、内存使用率、I/O总量以及IOPS次数；图4为本发明实施例组件建模方法流程示意图，如图4所示，本发明实施例组件建模方法包括以下步骤：

步骤102Ca：确定模型相关性系数r；

这里，确定模型相关性系数r的步骤与步骤102Ba相同。

步骤102Cb：确定模型多元回归系数；

第一步：由加工后的数据得到输入数据矩阵X，Y：

$>X=\left(\begin{array}{ccccc}1& x_{11}& x_{12}& ...& x_{1n}\\ 1& x_{21}& x_{22}& ...& x_{1n}\\ 1& x_{31}& x_{32}& ...& x_{3n}\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ 1& x_{m1}& x_{n2}& ...& x_{\mathrm{mn}}\end{array}\right)$>

其中，X的第1列全为1，第2列为第1个自变量的m组原始数据，第3列为第2个自变量的m组原始数据，其它列数据依次类推，且输入数据矩阵X是一个m×(n+1)的矩阵，即输入自变量数据有m行，n列。m，n的取值将在后面的计算步骤中用到。输入数据矩阵X将在后面的第二步、第六步中用到。

$>Y=\left(\begin{array}{c}{y}_1\\ y_2\\ .\\ .\\ .\\ y_m\end{array}\right)$>

其中，Y矩阵为原始数据中因变量数据的m行数据组成的矩阵，矩阵Y

第二步：对第一步中的矩阵数据X进行QR分解；

采用QR分解算法得到第一步中矩阵X的Q矩阵和R矩阵，且Q矩阵是m×m的矩阵，R矩阵是m×(n+1)的矩阵；形式如下：

$>Q=\left(\begin{array}{cccc}{Q}_{11}& Q_{12}& ...& Q_{1m}\\ Q_{21}& Q_{22}& ...& Q_{2m}\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ Q_{m1}& Q_{m2}& ...& Q_{\mathrm{mm}}\end{array}\right)$>

$>R=\left(\begin{array}{cccc}{R}_{11}& R_{12}& ...& R_{1,n+1}\\ 0& R_{22}& ...& R_{2,n+1}\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ 0& 0& ...& R_{n+1,n+1}\\ 0& 0& ...& 0\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ 0& 0& ...& 0\end{array}\right)$>

第三步：选取第二步的矩阵的部分数据得到新的矩阵R'；

新的矩阵R'是由第二步中R矩阵的前n+1行和n+1列组成的矩阵，即：

$>R^{\prime }=\left(\begin{array}{cccc}{R}_{11}& R_{12}& ...& R_{1,n+1}\\ 0& R_{22}& ...& R_{2,n+1}\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ 0& 0& ...& R_{n+1,n+1}\end{array}\right)$>

第四步：计算矩阵D；

$>D=Q^T\times Y=\left(\begin{array}{c}{D}_1\\ D_2\\ .\\ .\\ .\\ D_m\end{array}\right)$>

其中，Q矩阵为第二步QR分解得到的矩阵Q，Y矩阵为第一步中的原始数据矩阵Y；取矩阵D的前n+1行数据，得到新的矩阵D'：

$>D^{\prime }=\left(\begin{array}{c}{D}_1\\ D_2\\ .\\ .\\ .\\ D_{n+1}\end{array}\right).$>

第五步：计算输出方程系数：b₀,b₁,b₂,...,b_n；

用第四步的矩阵D'和第三步的矩阵R带入下面得到方程系数。

$>\left(\begin{array}{c}{b}_n=\frac{D_{n+1}}{R_{n+1,n+1}}\\ b_{n-1}=\frac{D_n-R_{n,1+1}·b_n}{R_{n,n}}\\ b_{n-2}=\frac{D_{n-1}-R_{n-1,n}·b_{n-1}-R_{n-1,n+1}·b_n}{R_{n-1,n-1}}\\ .\\ .\\ .\\ b_{k-1}=\frac{D_k-\underset{i=k+1}{\overset{n+1}{\Sigma }}{R}_{k,i}·b_{i-1}}{R_{k,k}}\\ k=\mathrm{1,2},...,n+1\end{array}\right)$>

在计算b_k的过程中，如果出现R_k,k等于零，则b_k=0；

第六步：计算拟合得到因变量结果

$>{\hat{y}}_i=b_0+b_1\times x_{1,i}+b_{2,i}\times x_{2,i}+...+b_n\times x_{n,i},i=\mathrm{1,2},..,m.$>

矩阵运算形式为：

$>\left(\begin{array}{c}{\hat{y}}_1\\ {\hat{y}}_2\\ .\\ .\\ .\\ {\hat{y}}_m\end{array}\right)=X\times \left(\begin{array}{c}{b}_0\\ b_1\\ .\\ .\\ .\\ b_n\end{array}\right)=\left(\begin{array}{ccccc}1& x_{11}& x_{12}& ...& x_{1n}\\ 1& x_{21}& x_{22}& ...& x_{1n}\\ 1& x_{31}& x_{32}& ...& x_{3n}\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ 1& x_{m1}& x_{n2}& ...& x_{\mathrm{mn}}\end{array}\right)\times \left(\begin{array}{c}{b}_0\\ b_1\\ .\\ .\\ .\\ b_n\end{array}\right)$>

其中；X矩阵为第一步中的自变量输入矩阵X，$>\left(\begin{array}{c}{b}_0\\ b_1\\ .\\ .\\ .\\ b_n\end{array}\right)$>为第五步中计算的到的方程系数。这里，x_1,i,x_1,i,...,x_n,i分别代表自变量x₁,x₂,..,x_n的第i组数据，代表因变量的第i个拟合数据。

第七步：计算拟合优度R²；

先计算原始数据中m组数据中因变量y的平均值：

$>\bar{y}=\frac{1}{m}\underset{i=1}{\overset{m}{\Sigma }}{y}_i$>

再计算拟合优度R²：

$>R^2=\frac{\underset{i=1}{\overset{m}{\Sigma }}{({\bar{y}}_i-\bar{y})}^2}{\underset{i=1}{\overset{m}{\Sigma }}{(y_i-\bar{y})}^2}$>

其中，代表第六步得到的因变量的第i个拟合数据，y_i代表原始因变量数的中的第i个数据。

第八步：计算标准误差S_y；

$>S_y=\sqrt{\frac{\underset{i=1}{\overset{m}{\Sigma }}{({\hat{y}}_i-y_i)}^2}{m-n-1}}$>

其中，代表第六步得到的因变量的第i个拟合数据，y_i代表原始因变量数的中的第i个数据。m输入数据的组数，n为自变量的个数，在第一步的输入数据中已经保证了m>n+1，所以这里不会出现分母为0的情况。

第九步：对输入的新的n个自变量数值分别为x₁₀,x₂₀,...,x_n0，通过计算输出预测因变量的值y₀：y₀=b₀+b₁×x₁₀+b_2,i×x₂₀+…+b_n×x_n0；

其中，b₀,b₁,b₂,...,b_n为第五步计算得到的结果，x₁₀,x₂₀,...,x_n0为用户需要新输入的自变量数据。

步骤102Cc：进行模型的数据预测；

这里，多元回归系数强制为0。

首先，确定预测因变量数据的数据条数m；取m=n(1/3)左右的整数，其中n为计算多元回归系数时的因变量的数据条数。

再进行数据预测，将自变量数据X代入方程y=0+b₁x₁+b₂x₂+…+b_px_p，得到预测结果；其中，b₁,b₂…b_p为已经求出的多元回归系数。

步骤103：对所述业务能力模型进行精度验证；

在实际应用中，本步骤可作为可选步骤，本步骤执行精度验证的目的是为了进一步了解所述业务能力模型所预测、或者拟合的结果与真实结果偏差情况。

通过误差累计分布图对预测结果进行精确度验证，相对误差累计分布是用于体现相对误差的分布情况，它衡量了预测结果或者拟合结果与真实结果偏差情况，如果在较小的相对误差内有较大相对误差累积分布，则说明预测结果或者拟合结果越理想即预测结果或拟合更趋向于真实值。

实际应用中可以以“相对误差”为横轴“相对误差累积分布”为纵轴作图，可以通过图表更加直观的观察到预测或拟合的到的结果与真实结果误差情况。图5为本发明实施例能力模型精度验证方法流程示意图，包括以下步骤：

步骤103A：计算临时相对误差：

其中，n为真实结果的个数。

步骤103B：确定RE的最大值Max(RE)和最小值Min(RE)；

步骤103C：计算相对误差a_j：

$>a_j=\mathrm{Min}\left(\mathrm{RE}\right)+(j-1)\frac{\mathrm{Max}\left(\mathrm{RE}\right)-\mathrm{Min}\left(\mathrm{RE}\right)}{m},j=\mathrm{1,2},...,m+1$>

生成m+1个数据，其中m=5n，n为真实结果的个数。

步骤103D：计算相对误差累积分布；

a)计算临时相对误差RE中小于等于a_j的数据个数k，即以RE为整体，找出RE中小于等于a_j的数据个数k。其中，j=1,2,...,m+1；

b)其中，n为真实结果的个数。

步骤103E：以相对误差a_j为横轴，相对误差累积分布CDF_j为纵轴作图。

步骤104：根据所述业务能力模型进行结果预测，并展示预测结果。

所述根据所述业务能力模型进行结果预测包括：对各主机资源消耗趋势、各应用环节总体资源消耗趋势、单笔话单处理资源消耗分布进行预测。

建模公式经过模型精确度验证后，针对现有计费系统的数据进行分析和建模，将模型运用在针对单个主机进行资源消耗的趋势预估，单笔话单的资源消耗的预估以及各个应用的总体资源消耗预估，下面以2011年2月24日的数据为例，对2012年2月24日的数据进行预测，并对处理单笔话单所消耗的CPU、MEM、I/O、IOPS进行分析。

其中，所述各主机资源消耗趋势预估包括：根据能力模型建模步骤，运用组件模型公式y=0+b₁x₁+b₂x₂+…+b_px_p，针对主机as-jf1进行资源消耗计算及预估，取自变量x为查重、分拣和预处理话单量，分别计算出CPU使用率、内存使用率、I/O总量及IOPS总次数；图6-a至6-d为本发明实施例各主机资源消耗趋势预估结果展示图；其中，图6-a为本发明实施例CPU（核数）使用率预测结果示意图；图6-b为本发明实施例MEM（KB）使用率预测结果示意图；图6-c为本发明实施例I/O（KB）预测结果示意图；图6-d为本发明实施例IOPS（次数）预测结果示意图；图6-a至图6-d中，为基础资源开销，为查重，为分拣，为预处理，为配置容量，为可用阈值为总量，

所述各应用环节总体资源消耗趋势预测包括：各应用环节单位时间内总体话单所消耗的主机资源比例及趋势预测图，运用经过模型精度校验后的组件建模公式y=0+b₁x₁+b₂x₂+…+b_px_p进行预测，其中，自变量x为预处理、分拣、查重、批价入库、开打检查、合账、BI文件传输、周期费分拣，计算单位时间内消耗的CPU核数、单位时间内消耗的内存数、单位时间内I/O总量以及单位时间内IOPS读取次数；图7-a至7-d为本发明实施例各应用环节总体资源消耗趋势预测结果展示图；其中，图7-a为本发明实施例各应用环节CPU（核数）总体资源消耗预测结果示意图；图7-b为本发明实施例各应用环节MEM（KB）总体资源消耗预测结果示意图；图7-c为本发明实施例各应用环节I/O（KB）总体资源消耗预测结果示意图；图7-d为本发明实施例各应用环节IOPS（次数）总体资源消耗预测结果示意图；图7-a至图7-d中，为周期费分拣，为BI文件传输，为合账，为打开检查；为入库，为批价，为查重，为分拣，为预处理，

所述单笔话单处理资源消耗分布包括：处理单笔话单所消耗的CPU、MEM、I/O、IOPS分析情况如图8-a至8-d，运用经过模型精度校验后的组件建模公式y=0+b₁x₁+b₂x₂+…+b_px_p进行预测，其中，自变量x为预处理、分拣、查重、批价入库、开打检查、合账、BI文件传输、周期费分拣，计算单位时间内消耗的CPU核数、单位时间内消耗的内存数、单位时间内I/O总量以及单位时间内IOPS读取次数；图8为本发明实施例单笔话单处理资源消耗分布结果展示图；其中，图8-a为本发明实施例单笔话单处理CPU（核数）资源消耗分布示意图；图8-b为本发明实施例各单笔话单处理MEM（KB）资源消耗分布示意图；图8-c为本发明实施例单笔话单处理I/O（KB）资源消耗分布示意图；图8-d为本发明实施单笔话单处理IOPS（次数）资源消耗分布示意图；

本发明实施例还提供了一种基于业务能力模型的模拟仿真装置，所述装置包括：数据处理单元91、模型建立单元92、结果预测单元93，其中，

所述数据处理单元91，用于对业务能力数据进行预处理；

所述数据处理单元91对业务能力数据进行预处理包括但不限于：对能力模型数据进行排序、和/或节假日筛选、和/或重复和缺失处理、和/或数据闲忙时段划分、和/或相关性分析、和/或数据最优时段选取；

具体的，所述数据处理单元91业务能力数据进行预处理包括以下过程：

a、将业务能力数据按时间先后顺序进行排序，避免出现时间错乱现象，为后续数据加工提供基础；

b、按照时间字段，分别筛选出工作日和节假日的业务能力数据；

c、判断业务数据是否存在缺失或重叠，如果存在重叠，即重复出现同一时间段的监控值，则保留其中一条记录，删除冗余的重复记录；

对于业务能力数据缺失的情况，在只缺失一个值的情况下，使用均值插值法进行插值补充，例如：4月份出现缺失值=（3月份里时间控制+5月份历史监控值）/2；缺失一天以上，做假期单独处理，如果数据缺失超过5小时，将整天数据删除，按照缺失一天以上的处理方法处理；若小于5小时之内，可按照下述不同的插值方法进行插值。具体的，

利用最小二乘法确定插值函数：

或者，基于拉格朗日插值法确定插值函数，采用公式为：y=a*((logx+log(x+1))/2)+b。

d、对数据闲忙时段划分；这里，对数据进行闲忙时段划分的目的在于可以对闲时和忙时的数据分别进行预测，以降低将所有数据求均值后再预测所带来的不准确性。根据过去一个时段的数据，挖掘出业务支撑网系统的忙闲规律；所述过去某一时段的数据可以是过去的1～3个月的数据，但并不限于此范围，可以根据实际需求设定所需时间段。

具体的，将原始数据按小时取均值；例如，以5分钟或1分钟为单位采集监控数据，并按小时取均值；本发明实施例中，以5分钟为例，将系统收集的1～3个月的数据按照不同天同小时的数据进行叠加求均值，统计出同一天内系统运行趋势；

根据历史数据，确定判断闲忙时段的基线；这里，可以根据实际需求确定基线标准，例如，可以将采集到的数据大于历史均值70%以上的时间段作为忙时段，其余时间为闲时段；

e、进行业务能力数据相关性分析，筛选出具有关联关系的的业务能力数据；

所述数据处理单元91业务能力数据相关性分析的过程包括：从业务能力数据组中的第一组业务能力数据开始，选择1/3的业务能力数据分别建立IT性能数据与业务数据的相关系数。其中IT性能数据包括：CPU利用率、内存利用率、I/O数据、IOPS数据，业务数据包括：短信话单量、语音话单量、通用分组无线服务（GPRS，General Packet RadI/O Service)话单量、其它话单量。在计算相关系数过中，分别选取前1/3的数据，按1为步长，直到最后一组数据，分别计算每一组数据的相关系数值。

按照实际需求选取相关因素，例如，选择相关系数绝对值为0.3以上的因素作为相关因素。

f、能力模型最优数据时段选取；由于部分系统的变更没有详细的文献记录和查询，从而影响到模型数据输入的合理性和科学性，因此，通过历史数据的最优数据选取，提高模型的精确度。

所述数据处理单元91执行上述对业务能力数据进行预处理的步骤并不限定具体的先后顺序，步骤a至步骤f可以按照实际需求按任意顺序执行或并行执行。

所述数据处理单元91对能力模型数据进行预处理还包括：对能力模型的CPU数据、内存数据、输入输出I/O数据、每秒进行读写I/O操作的次数IOPS数据进行加工；具体包括数据处理单元91具体包括对能力模型的CPU数据、内存数据、I/O数据、IOPS数据一日内忙时峰值数据进行加工和一日内闲时谷值数据进行加工；

具体的，所述数据处理单元91根据预处理中确定的忙闲时段，将业务的小时峰值按忙/闲时段取均值；将业务交易最大/小值的时刻映射到组件的CPU性能利用率、组件的MEM性能利用率、组件的I/O、组件的IOPS；将业务和CPU、MEM、I/O、IOPS的日忙/闲时峰值均值按照时间做映射关系。

其中，所述对能力模型的CPU数据进行加工包括对CPU一日内忙时峰值数据进行加工和对闲时谷值数据进行加工。具体的，以业务交易为基础，选择每小时的业务最大/小值；根据预处理中确定的忙闲时段，将业务的小时峰值按忙/闲时段取均值；将业务交易最大/小值的时刻映射到组件的CPU性能利用率；将业务峰/谷值时刻对应的CPU使用率换算成CPU的使用时间；将业务和CPU的日忙/闲时峰/谷值均值，按照时间做好映射。

所述对能力模型的内存数据进行加工包括对内存一日内忙时峰值数据进行加工和对闲时谷值数据进行加工。具体的，以业务交易为基础，选择每小时的业务最大/小值；根据预处理中确定的忙闲时段，将业务的小时峰值按忙/闲时段取均值；将业务交易最大/小值的时刻映射到组件的MEM性能利用率；将业务峰/谷值时刻对应的MEM使用率换算成MEM的使用容量；将业务和MEM的日忙/闲时峰/谷值均值，按照时间做好映射。

所述对能力模型的I/O数据进行加工包括对内存一日内忙时峰值数据进行加工和对闲时谷值数据进行加工。具体的，以业务交易为基础，选择每小时的业务最大/小值；根据预处理中确定的忙闲时段，将业务的小时峰值按忙/闲时段取均值；将业务交易最大/小值的时刻映射到组件的I/O；将业务和I/O的日忙/闲时峰/谷值均值，按照时间做好映射。

所述对能力模型的IOPS数据进行加工包括对内存一日内忙时峰值数据进行加工和对闲时谷值数据进行加工。具体的，以业务交易为基础，选择每小时的业务最大/小值；根据预处理中确定的忙闲时段，将业务的小时峰值按忙/闲时段取均值；将业务交易最大/小值的时刻映射到组件的IOPS；将业务和IOPS的日忙/闲时峰/谷值均值，按照时间做好映射。

所述模型建立单元92，用于根据预处理后的业务能力数据建立业务能力模型；

所述模型建立单元92根据预处理后的业务能力数据建立业务能力模型包括：根据预处理后的业务能力数据依次进行业务建模、服务建模和组件建模。

所述模型建立单元92进行业务建模包括：以时间为自变量，以短信话单量、语音话单量、GPRS话单量为因变量建立业务模型；

这里，业务建模主要依赖于最小二乘法，其自变量X取近三年的时间周期、因变量Y取近三年的短信话单量、语音话单量、GPRS话单量以及其他话单量。

所述模型建立单元92进行服务建模包括：以业务建模中所述的因变量为自变量，以处理环节话单量为因变量建立能力模型；其中，所述处理环节话单包括但不限于预处理、分拣、查重、批价入库、开打检查、合账、BI文件传输、周期费分拣；

服务建模采用多元回归分析法来进行建模，其中，自变量x为业务建模中的因变量y，即短信话单量、语音话单量、GPRS话单量以及其他话单量。y取现有系统中近三年的处理环节话单量，包括预处理、分拣、查重、批价入库、开打检查、合账、BI文件传输、周期费分拣。

所述模型建立单元92进行组件建模包括：以服务建模中所述的因变量为自变量，以CPU使用率、内存使用率、I/O总量以及IOPS次数为因变量建立组件模型。

组件建模同服务建模，采用多元回归分析法来进行建模，其中，自变量x为服务建模的因变量y，y取近三年的CPU使用率、内存使用率、I/O总量以及IOPS次数。

所述结果预测单元93，用于根据所述业务能力模型进行结果预测，并展示预测结果。

所述结果预测单元93根据业务能力模型进行结果预测，包括：对各主机资源消耗趋势、各应用环节总体资源消耗趋势、单笔话单处理资源消耗分布进行预测。

建模公式经过模型精确度验证后，针对现有计费系统的数据进行分析和建模，将模型运用在针对单个主机进行资源消耗的趋势预估，单笔话单的资源消耗的预估以及各个应用的总体资源消耗预估。

其中，所述各主机资源消耗趋势预估包括：根据能力模型建模步骤，运用组件模型公式y=0+b₁x₁+b₂x₂+…+b_px_p，针对主机as-jf1进行资源消耗计算及预估，取自变量x为查重、分拣和预处理话单量，分别计算出CPU使用率、内存使用率、I/O总量及IOPS总次数。

所述各应用环节总体资源消耗趋势预测包括：

各应用环节单位时间内总体话单所消耗的主机资源比例及趋势预测图如下，运用经过模型精度校验后的组件建模公式y=0+b₁x₁+b₂x₂+…+b_px_p进行预测，其中，自变量x为预处理、分拣、查重、批价入库、开打检查、合账、BI文件传输、周期费分拣，计算单位时间内消耗的CPU核数、单位时间内消耗的内存数、单位时间内I/O总量以及单位时间内IOPS读取次数。

所述单笔话单处理资源消耗分布预测包括：处理单笔话单所消耗的CPU、MEM、I/O、IOPS分析情况如下图，运用经过模型精度校验后的组件建模公式y=0+b₁x₁+b₂x₂+…+b_px_p进行预测，其中，自变量x为预处理、分拣、查重、批价入库、开打检查、合账、BI文件传输、周期费分拣，计算单位时间内消耗的CPU核数、单位时间内消耗的内存数、单位时间内I/O总量以及单位时间内IOPS读取次数。

进一步的，所述装置还包括精度验证单元94，用于对所述业务能力模型进行精度验证；

这里，所述对业务能力模型进行精度验证在所述结果预测单元93根据业务能力模型进行结果预测之前进行，目的是为了进一步了解所述业务能力模型所预测、或者拟合的结果与真实结果偏差情况。

通过误差累计分布图对预测结果进行精确度验证，相对误差累计分布是用于体现相对误差的分布情况，它衡量了预测结果或者拟合结果与真实结果偏差情况，如果在较小的相对误差内有较大相对误差累积分布，则说明预测结果或者拟合结果越理想即预测结果或拟合更趋向于真实值。实际应用中可以以“相对误差”为横轴“相对误差累积分布”为纵轴作图，可以通过图表更加直观的观察到预测或拟合的到的结果与真实结果误差情况。

图9中所示的基于业务能力模型的模拟仿真装置中的各处理模块的实现功能，可参照前述基于业务能力模型的模拟仿真方法的相关描述而理解。本领域技术人员应当理解，图9所示的基于业务能力模型的模拟仿真装置中各处理单元的功能可通过运行于处理器上的程序而实现，也可通过具体的逻辑电路而实现，比如：可由中央处理器（CPU）、微处理器（MPU）、数字信号处理器（DSP）、或现场可编程门阵列（FPGA）实现。

在本发明所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其他的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其他形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明实施例上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。

本发明是实例中记载的基于业务能力模型的模拟仿真方法和装置只以本发明所述实施例为例，但不仅限于此，只要涉及到该基于业务能力模型的模拟仿真方法和装置均在本发明的保护范围。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。