【技術(shù)實(shí)現(xiàn)步驟摘要】
本文屬于計(jì)算機(jī)，具體涉及一種基于元學(xué)習(xí)的web前端性能優(yōu)化方法及系統(tǒng)。
技術(shù)介紹
1、隨著web技術(shù)的不斷發(fā)展，前端技術(shù)已經(jīng)成為網(wǎng)絡(luò)應(yīng)用開(kāi)發(fā)的重要部分。然而，隨著用戶對(duì)于web應(yīng)用程序響應(yīng)速度和運(yùn)行效率的期望不斷提升，前端性能優(yōu)化變得越來(lái)越重要。盡管開(kāi)發(fā)者可以采用各種技術(shù)來(lái)優(yōu)化前端性能，如代碼壓縮、圖片優(yōu)化、使用cdn、減少http請(qǐng)求等，但這些都需要開(kāi)發(fā)者具有深厚的經(jīng)驗(yàn)和技術(shù)知識(shí)。另外，由于每個(gè)web應(yīng)用的特性不同，一個(gè)優(yōu)化方案可能在一個(gè)應(yīng)用上效果顯著，在另一個(gè)應(yīng)用上效果可能就不明顯。
2、此外，前端性能優(yōu)化是一項(xiàng)復(fù)雜的任務(wù)，需要考慮許多因素，包括網(wǎng)絡(luò)帶寬、服務(wù)器性能、瀏覽器性能、用戶設(shè)備性能等。這就使得手動(dòng)優(yōu)化變得既耗時(shí)又復(fù)雜。當(dāng)前的解決方案大多數(shù)基于固定的規(guī)則和經(jīng)驗(yàn)進(jìn)行優(yōu)化，而這些規(guī)則和經(jīng)驗(yàn)可能并不適用于所有的web應(yīng)用。
3、針對(duì)上述問(wèn)題，業(yè)界提出了許多解決方案。例如，使用自動(dòng)化工具進(jìn)行性能優(yōu)化，使用云服務(wù)進(jìn)行負(fù)載均衡，或者采用配置更高的硬件。但這些方法都有其缺點(diǎn)。自動(dòng)化工具往往只能針對(duì)一些常見(jiàn)問(wèn)題進(jìn)行優(yōu)化，無(wú)法處理復(fù)雜或特定的性能問(wèn)題。使用云服務(wù)進(jìn)行負(fù)載均衡會(huì)增加運(yùn)維復(fù)雜度，同時(shí)也會(huì)增加成本。而采用更高配置的硬件也并非萬(wàn)能，有時(shí)候問(wèn)題的關(guān)鍵在于軟件本身的優(yōu)化。
技術(shù)實(shí)現(xiàn)思路
1、針對(duì)現(xiàn)有技術(shù)的上述問(wèn)題，本文的目的在于，提供一種基于元學(xué)習(xí)的web前端性能優(yōu)化方法及系統(tǒng)，以提高web前端性能優(yōu)化的效率。
2、為了解決上述技術(shù)問(wèn)題，本文的具體
3、一方面，本文提供一種基于元學(xué)習(xí)的web前端性能優(yōu)化方法，所述方法包括：
4、獲取web前端性能數(shù)據(jù)，所述性能數(shù)據(jù)至少包括動(dòng)態(tài)性能數(shù)據(jù)和靜態(tài)性能數(shù)據(jù)；
5、對(duì)所述性能數(shù)據(jù)進(jìn)行特征提取，得到輸入特征向量，所述輸入特征向量由詞義向量、位置向量以及段落向量拼接得到的；
6、將所述輸入特征向量輸入到基于元學(xué)習(xí)的性能優(yōu)化模型中，得到針對(duì)web前端的優(yōu)化策略；
7、執(zhí)行所述優(yōu)化策略，并獲取用戶的反饋評(píng)價(jià)；
8、當(dāng)所述反饋評(píng)價(jià)滿足預(yù)設(shè)條件時(shí)，則將所述優(yōu)化策略作為目標(biāo)優(yōu)化策略，當(dāng)所述反饋評(píng)價(jià)不滿于預(yù)設(shè)條件時(shí)，則更新所述優(yōu)化策略。
9、進(jìn)一步地，獲取web前端性能數(shù)據(jù)，包括：
10、構(gòu)建基于lighthouse框架的靜態(tài)性能數(shù)據(jù)采集程序；
11、構(gòu)建基于agent探針的動(dòng)態(tài)數(shù)據(jù)采集程序。
12、進(jìn)一步地，所述構(gòu)建基于agent探針的動(dòng)態(tài)數(shù)據(jù)采集程序，包括：
13、封裝navigation?timing?api、自定義監(jiān)聽(tīng)事件至web前端代碼片段中，以獲取第一動(dòng)態(tài)性能數(shù)據(jù)，所述第一動(dòng)態(tài)性能數(shù)據(jù)至少包括頁(yè)面加載時(shí)間、屏渲染時(shí)間、用戶交互延遲；
14、重寫(xiě)網(wǎng)絡(luò)請(qǐng)求回調(diào)函數(shù)，以獲得網(wǎng)絡(luò)請(qǐng)求回調(diào)時(shí)間。
15、進(jìn)一步地，對(duì)所述性能數(shù)據(jù)進(jìn)行特征提取，得到輸入特征向量，包括：
16、根據(jù)預(yù)設(shè)聚類方法對(duì)所述性能數(shù)據(jù)進(jìn)行聚類處理，并將異常數(shù)據(jù)剔除，以獲得更新后的性能數(shù)據(jù)；
17、將所述更新后的性能數(shù)據(jù)轉(zhuǎn)換成文本數(shù)據(jù)；
18、按照bert-transform-fc數(shù)據(jù)提取模型分別獲得每個(gè)文本數(shù)據(jù)的位置向量表示、段落向量表示和詞義向量表示；
19、將所述位置向量表示、所述段落向量表示和所述詞義向量表示進(jìn)行拼接處理，得到所述輸入特征向量。
20、進(jìn)一步地，所述基于元學(xué)習(xí)的性能優(yōu)化模型通過(guò)步驟訓(xùn)練得到：
21、獲取web前端歷史性能數(shù)據(jù)及對(duì)應(yīng)的性能標(biāo)簽，形成訓(xùn)練集；
22、初始化基于元學(xué)習(xí)的性能優(yōu)化模型參數(shù)；
23、將所述訓(xùn)練集帶入到初始化的基于元學(xué)習(xí)的性能優(yōu)化模型中，通過(guò)預(yù)設(shè)損失函數(shù)計(jì)算損失；
24、根據(jù)計(jì)算得到的損失，結(jié)合自適應(yīng)梯度下降更新性能優(yōu)化模型的參數(shù)，得到最終收斂的基于元學(xué)習(xí)的性能優(yōu)化模型。
25、進(jìn)一步地，按照如下規(guī)則更新性能優(yōu)化模型的參數(shù)：
26、
27、其中，parameter表示參數(shù)，renewal表示需要更新，not?update表示不需要更新，change表示參數(shù)連續(xù)更新次數(shù)。
28、進(jìn)一步地，所述預(yù)設(shè)損失函數(shù)為：
29、
30、其中，表示預(yù)測(cè)結(jié)果，y表示真是結(jié)果，sin表示sin函數(shù)，eval表示損失函數(shù)結(jié)果。
31、進(jìn)一步地，執(zhí)行所述優(yōu)化策略，并獲取用戶的反饋評(píng)價(jià)，包括：
32、向用戶反饋評(píng)價(jià)彈窗和/或根據(jù)用戶的操作行為信息，以獲得用戶的反饋評(píng)價(jià)；
33、根據(jù)所述反饋評(píng)價(jià)對(duì)所述基于元學(xué)習(xí)的性能優(yōu)化策略進(jìn)行調(diào)整，得到調(diào)整后的模型。
34、另一方面，本文還提供一種基于元學(xué)習(xí)的web前端性能優(yōu)化裝置，所述裝置包括：
35、數(shù)據(jù)獲取模塊，用于獲取web前端性能數(shù)據(jù)，所述性能數(shù)據(jù)至少包括動(dòng)態(tài)性能數(shù)據(jù)和靜態(tài)性能數(shù)據(jù)；
36、特征向量獲得模塊，用于對(duì)所述性能數(shù)據(jù)進(jìn)行特征提取，得到輸入特征向量，所述輸入特征向量由詞義向量、位置向量以及段落向量拼接得到的；
37、優(yōu)化模塊，用于將所述輸入特征向量輸入到基于元學(xué)習(xí)的性能優(yōu)化模型中，得到針對(duì)web前端的優(yōu)化策略；
38、反饋模塊，用于執(zhí)行所述優(yōu)化策略，并獲取用戶的反饋評(píng)價(jià)；
39、反饋處理模塊，用于當(dāng)所述反饋評(píng)價(jià)滿足預(yù)設(shè)條件時(shí)，則將所述優(yōu)化策略作為目標(biāo)優(yōu)化策略，當(dāng)所述反饋評(píng)價(jià)不滿于預(yù)設(shè)條件時(shí)，則更新所述優(yōu)化策略。
40、最后，本文還提供一種計(jì)算機(jī)系統(tǒng)，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)如上述所述的方法。
41、采用上述技術(shù)方案，本文所述的一種基于元學(xué)習(xí)的web前端性能優(yōu)化方法及系統(tǒng)，通過(guò)獲取web前端性能數(shù)據(jù)，所述性能數(shù)據(jù)至少包括動(dòng)態(tài)性能數(shù)據(jù)和靜態(tài)性能數(shù)據(jù)；對(duì)所述性能數(shù)據(jù)進(jìn)行特征提取，得到輸入特征向量，所述輸入特征向量由詞義向量、位置向量以及段落向量拼接得到的；將所述輸入特征向量輸入到基于元學(xué)習(xí)的性能優(yōu)化模型中，得到針對(duì)web前端的優(yōu)化策略；執(zhí)行所述優(yōu)化策略，并獲取用戶的反饋評(píng)價(jià)；當(dāng)所述反饋評(píng)價(jià)滿足預(yù)設(shè)條件時(shí)，則將所述優(yōu)化策略作為目標(biāo)優(yōu)化策略，當(dāng)所述反饋評(píng)價(jià)不滿于預(yù)設(shè)條件時(shí)，則更新所述優(yōu)化策略，本文提供的方法相比傳統(tǒng)的基于固定規(guī)則和經(jīng)驗(yàn)的優(yōu)化方法，其優(yōu)化效果更加顯著，適應(yīng)性更強(qiáng)。系統(tǒng)自動(dòng)生成的優(yōu)化方案不僅減輕了開(kāi)發(fā)者的技術(shù)壓力，降低了優(yōu)化工作的復(fù)雜性和耗時(shí)，也大大降低了優(yōu)化效果的不確定性。
42、為讓本文的上述和其他目的、特征和優(yōu)點(diǎn)能更明顯易懂，下文特舉較佳實(shí)施例，并配合所附圖式，作詳細(xì)說(shuō)明如下。
本文檔來(lái)自技高網(wǎng)...【技術(shù)保護(hù)點(diǎn)】
1.一種基于元學(xué)習(xí)的web前端性能優(yōu)化方法，其特征在于，所述方法包括：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，獲取web前端性能數(shù)據(jù)，包括：
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述構(gòu)建基于Agent探針的動(dòng)態(tài)數(shù)據(jù)采集程序，包括：
4.根據(jù)權(quán)利要求1所述的方法，其特征在于，對(duì)所述性能數(shù)據(jù)進(jìn)行特征提取，得到輸入特征向量，包括：
5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于元學(xué)習(xí)的性能優(yōu)化模型通過(guò)步驟訓(xùn)練得到：
6.根據(jù)權(quán)利要求5所述的方法，其特征在于，按照如下規(guī)則更新性能優(yōu)化模型的參數(shù)：
7.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述預(yù)設(shè)損失函數(shù)為：
8.根據(jù)權(quán)利要求1所述的方法，其特征在于，執(zhí)行所述優(yōu)化策略，并獲取用戶的反饋評(píng)價(jià)，包括：
9.一種基于元學(xué)習(xí)的web前端性能優(yōu)化裝置，其特征在于，所述裝置包括：
10.一種計(jì)算機(jī)系統(tǒng)，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，其特征在于，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)如權(quán)利要求1至8任
...【技術(shù)特征摘要】
1.一種基于元學(xué)習(xí)的web前端性能優(yōu)化方法，其特征在于，所述方法包括：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，獲取web前端性能數(shù)據(jù)，包括：
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述構(gòu)建基于agent探針的動(dòng)態(tài)數(shù)據(jù)采集程序，包括：
4.根據(jù)權(quán)利要求1所述的方法，其特征在于，對(duì)所述性能數(shù)據(jù)進(jìn)行特征提取，得到輸入特征向量，包括：
5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于元學(xué)習(xí)的性能優(yōu)化模型通過(guò)步驟訓(xùn)練得到：
6.根據(jù)權(quán)利要求5...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：袁赟，馬思峻，鄭榮，陳國(guó)潤(rùn)，
申請(qǐng)(專利權(quán))人：上海理想信息產(chǎn)業(yè)集團(tuán)有限公司，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。