1.一种基于大数据和AI的计算机性能评估系统，其特征在于：包括请求处理单元（1）、计算时间单元（2）、子集影响单元（3）、性能评估单元（4）；

所述请求处理单元（1）利用日志记录中的数据整合成数据集，计算请求处理速度，利用计算的请求处理速度判断出请求处理速度慢；

所述计算时间单元（2）用于接收请求处理单元（1）中的数据，向数据集中随机选择数据作为初始的子集中心再计算距离，根据距离将数据分配到距离最短的初始的子集中心所对应的子集中，同时记录子集中数据响应时间，计算新子集中心，根据计算的新子集中心进行更新子集，同时记录更新的子集中新数据响应时间，根据新数据响应时间计算平均响应时间，识别出计算平均响应时间长的子集；

所述子集影响单元（3）用于接收请求处理单元（1）和计算时间单元（2）中的数据，对响应时间长子集中的数据进行特征值的提取，根据提取的特征值计算响应时间长子集特征值和影响度，再根据计算的响应时间长子集特征值计算响应时间长子集的综合影响度；

所述性能评估单元（4）用于接收子集影响单元（3）和计算时间单元（2）中的数据，根据计算的综合影响度和计算的平均响应时间评估计算机性能延迟概率。

2.根据权利要求1所述的基于大数据和AI的计算机性能评估系统，其特征在于：所述请求处理单元（1）通过日志记录获取请求时间、请求类型、响应时间、请求来源，再对请求的数据进行处理，并记录吞吐量和请求处理的时间，根据吞吐量和请求处理的时间进行请求处理速度的计算，并利用计算的请求处理速度与设定的请求处理速度阈值进行判断，判断计算的请求处理速度是否低于设定的请求处理速度阈值，当计算的请求处理速度小于设定的请求处理速度阈值时，说明请求处理速度慢。

3.根据权利要求2所述的基于大数据和AI的计算机性能评估系统，其特征在于：所述计算时间单元（2）包括计算分配模块（21）、中心更新模块（22）和响应时间模块（23）；

所述计算分配模块（21）用于接收请求处理单元（1）中请求处理速度慢的命令，计算分配模块（21）向请求处理单元（1）中获取数据集，将数据集分为3个子集，同时向数据集中随机选择数据作为初始的子集中心，再向数据集中随机获取数据，利用大数据技术对随机获取的数据和初始的子集中心进行特征值的提取，并记录特征数量，得出提取的数据特征值和提取的初始子集中心特征值，再根据提取的数据特征值、提取的初始子集中心特征值和特征数量计算距离，计算出随机获取的数据到不同初始的子集中心的距离，再对随机获取的数据到不同初始的子集中心的距离进行依次比较，选取最短距离，根据最低的距离将随机获取的数据分配到距离最短的初始的子集中心所对应的子集，同时记录子集中数据的数量和数据响应时间；

所述中心更新模块（22）用于接收计算分配模块（21）中子集和子集中数据的数量，根据子集和子集中数据的数量计算新子集中心，利用计算的新子集中心与设定的子集中心阈值进行比对，当计算的新子集中心小于设定的子集中心阈值时，将计算的新子集中心进行更新，得出更新的子集，同时记录更新的子集中新数据的数量和新数据响应时间；

所述响应时间模块（23）用于接收中心更新模块（22）中更新的命令，响应时间模块（23）向中心更新模块（22）中获取更新的子集中新数据的数量和新数据响应时间，根据新数据的数量和新数据响应时间计算平均响应时间，计算不同子集的平均响应时间，利用计算不同子集的平均响应时间进行依次比较，识别出计算平均响应时间长的子集。

4.根据权利要求3所述的基于大数据和AI的计算机性能评估系统，其特征在于：所述响应时间模块（23）中计算平均响应时间实现原理：收集新数据的数量和新数据响应时间计算平均响应时间，得出计算的平均响应时间，具体算法公式：

；

其中，指的是第个新数据响应时间，解决平均响应时间长子集中的问题。

5.根据权利要求4所述的基于大数据和AI的计算机性能评估系统，其特征在于：所述子集影响单元（3）包括子集特征模块（31）、影响度模块（32）和综合影响模块（33）；

所述子集特征模块（31）用于接收响应时间模块（23）中响应时间长子集，利用大数据技术对响应时间长子集中的数据进行特征值的提取，再记录响应时间长子集中数据数量，根据提取的特征值和响应时间长子集中数据数量进行响应时间长子集特征值的计算；

所述影响度模块（32）用于接收子集特征模块（31）中提取的特征值、响应时间长子集和请求处理单元（1）中数据集，利用线性回归根据数据建立回归模型，将响应时间长子集中的数据输入回归模型中，回归模型输出相应的模型系数，再根据模型系数和提取的特征值计算影响度；

所述综合影响模块（33）用于接收影响度模块（32）中模型系数和子集特征模块（31）中计算的响应时间长子集特征值，根据模型系数和计算的响应时间长子集特征值进行计算，计算响应时间长子集的综合影响度。

6.根据权利要求5所述的基于大数据和AI的计算机性能评估系统，其特征在于：所述子集特征模块（31）中计算响应时间长子集特征值算法公式：收集提取的特征值和响应时间长子集中数据数量计算响应时间长子集特征值，得出计算的响应时间长子集特征值，具体算法：；

其中，指的是响应时间长子集中第个提取的特征值。

7.根据权利要求5所述的基于大数据和AI的计算机性能评估系统，其特征在于：所述综合影响模块（33）中计算综合影响度的实现原理：收集模型系数和计算的响应时间长子集特征值计算综合影响度，得出计算的综合影响度，具体算法公式：

；

其中，指的是计算的响应时间长子集特征值的数量，指的是第个模型系数。

8.根据权利要求4所述的基于大数据和AI的计算机性能评估系统，其特征在于：所述性能评估单元（4）用于接收综合影响模块（33）中计算的综合影响度和响应时间模块（23）中计算的平均响应时间，接收影响度模块（32）中提取的特征值、响应时间长子集，根据计算的综合影响度和计算的平均响应时间进行计算机性能延迟概率的评估，当评估的性能延迟概率大于1时，说明提取的特征值在响应时间长子集中对计算的平均响应时间的影响显著，则计算机性能存在延迟效果。

9.一种用于操作包括权利要求1-8中任意一项所述的基于大数据和AI的计算机性能评估系统的方法，其特征在于：包括如下方法步骤：S1、请求处理单元（1）利用日志记录中的数据整合成数据集，计算请求处理速度，利用计算的请求处理速度判断出请求处理速度慢，将请求处理速度慢的命令传入计算时间单元（2）中，计算时间单元（2）向数据集中随机选择数据作为初始的子集中心再计算距离，根据距离将数据分配到距离最短的初始的子集中心所对应的子集中，计算新子集中心，根据计算的新子集中心进行更新子集，同时记录更新的子集中新数据响应时间，根据新数据响应时间计算平均响应时间，识别出计算平均响应时间长的子集；

S2、子集影响单元（3）用于接收请求处理单元（1）和计算时间单元（2）中的数据，对响应时间长子集中的数据进行特征值的提取，根据提取的特征值计算响应时间长子集特征值和影响度，再根据计算的响应时间长子集特征值计算综合影响度；

S3、性能评估单元（4）用于接收子集影响单元（3）和计算时间单元（2）中的数据，根据计算的综合影响度和计算的平均响应时间评估计算机性能延迟概率。