CN104657130A

CN104657130A - 一种对业务支撑系统进行分层分级的方法

Info

Publication number: CN104657130A
Application number: CN201510018606.2A
Authority: CN
Inventors: 江星; 屈强; 容仕灵
Original assignee: China Mobile Group Guangdong Co Ltd
Current assignee: China Mobile Group Guangdong Co Ltd
Priority date: 2015-01-14
Filing date: 2015-01-14
Publication date: 2015-05-27

Abstract

本发明公开了一种对业务支撑系统进行分层分级的方法，包括如下步骤：a)先对业务支撑系统进行分层，每一层具有性质相同或相近的实体；b)再对每层中实体按照属性和类，根据决策树算法进行分级；c)最后通过邻接矩阵算法标示相邻两层之间实体的关系；所述步骤a)中的业务支撑系统分为业务层、应用层、逻辑层和物理层。本发明提供的对业务支撑系统进行分层分级的方法，通过将性质相同或相近的实体归入同一层，使用决策树ID3算法根据层内实体的属性对其进行分类，让层内实体更均匀地分布在树形结构中，最后使用邻接矩阵算法解释相邻两层间的实体关系，从而形成明确清晰的层次结构和递推式的结构，提高问题定位和解决问题的速度。

Description

一种对业务支撑系统进行分层分级的方法

技术领域

本发明涉及一种业务支撑系统处理方法，尤其涉及一种对业务支撑系统进行分层分级的方法。

背景技术

伴随信息化技术突飞猛进的发展，通信业也越来越发达，软件功能也呈现出多样化和复杂化的趋势，软件功能模块间的复杂组合，软件系统也越来越复杂，对硬件系统的维护要求也越来越高，在整个系统项目都越来越庞大的情况下，对系统的管理、对文档的管理、对库表的管理、对主机的管理就显得越来越重要。如何对庞大的系统进行精准的问题定位，如何对项目进行高效的管理，已经成为当前软件行业面临的重要问题。因此需要在原有的基础上进一步抽象，建立层次结构。恰当的软件分层，将会提高软件的性能。常见的分层模式包括：1.三层模型：用户表示层、业务逻辑层、数据层；2.多层结构的技术组成模型：表现层、中间层、数据层；3.网络系统常用的三层结构：核心层、汇聚层和接入层；4.RUP典型分层方法：应用层、专业业务层、中间件层、系统软件层。

现有分层技术的缺点如下：1.现有技术不能全面解释业务支撑系统软硬件，例如三层模型、技术组织模型等未涉及硬件物理层；2.在业务支撑系统中业务层是与用户直接关联的一层，对于电信、金融、医疗等各行业，业务复杂多变。但在现有技术中，业务层的相关说明很少，三层结构、RUP典型分层方法等基本未涉及业务层；3.通常业务开发或故障处理，与多个层内实体有关联，层间关系的梳理显得尤为重要，但现有技术未详细阐述各层关系。

发明内容

本发明所要解决的技术问题是提供一种对业务支撑系统进行分层分级的方法，能够形成明确清晰的层次结构和递推式的结构，提高管理的效率、提高问题定位和解决问题的速度。

本发明为解决上述技术问题而采用的技术方案是提供一种对业务支撑系统进行分层分级的方法，包括如下步骤：a)先对业务支撑系统进行分层，每一层具有性质相同或相近的实体；b)再对每层中实体按照属性和类，根据决策树算法进行分级；c)最后通过邻接矩阵算法标示相邻两层之间实体的关系。

上述的对业务支撑系统进行分层分级的方法，其中，所述步骤a)中的业务支撑系统分为业务层、应用层、逻辑层和物理层。

上述的对业务支撑系统进行分层分级的方法，其中，所述业务层内的实体为与用户直接接触的业务，所述应用层内的实体包括前台应用、后台应用和基础组件，所述逻辑层内的实体包括进程、中间件和数据库，所述物理层内的实体为硬件设备。

上述的对业务支撑系统进行分层分级的方法，其中，所述步骤b)以层为一个主体，把层作为决策树的根结点，对层中的实体颗粒划分属性后，使用决策树ID3算法计算出每个属性的信息增益值，并根据属性的信息增益值进行分级。

上述的对业务支撑系统进行分层分级的方法，其中，所述步骤b)中的决策树由历史样本集生成，所述步骤b)还包括：用新的样本数扼集中的数据校验决策树生成过程中产生的初步规则，并剪除影响预衡准确性的分枝。

上述的对业务支撑系统进行分层分级的方法，其中，所述步骤b)将每一层最高信息增益对应的属性选为测试属性，创建一个节点，并对每个属性值引出一个分支得出子节点，最后一层子节点为该层中最小颗粒度单元实体，所述步骤c)通过邻接矩阵算法展示相邻两层最小颗粒度单元实体之间的关系。

上述的对业务支撑系统进行分层分级的方法，其中，所述步骤c)将业务层，应用层，逻辑层，物理层相邻层中的最小颗粒单元实体，运用邻接矩阵A进行表示，若A(n_(i-1)j,n_ij)＝1，则不同层中的两个颗粒度有相关性；若A(n_(i-1)j,n_ij)为0，则不同层中的颗粒度没有相关性,i为邻接矩阵行号，j为邻接矩阵列号，n_(i-1)j为第i-1层分级后的最小颗粒单元实体,n_ij为第i层分级后的最小颗粒单元实体，i,j为自然数。

上述的对业务支撑系统进行分层分级的方法，其中，所述业务层中最小颗粒度单元实体包括集团客户管理、集团业务受理和综合查询，所述应用层中的最小颗粒单元实体包括web前台应用实例、客管应用和订单应用，所述逻辑层中的最小颗粒单元实体包括短信发送进程、缓存数据库进程和数据库实例，所述物理层中的最小颗粒单元实体包括交换机、数据库、网站服务器和IPS防病毒设备。

本发明对比现有技术有如下的有益效果：本发明提供的对业务支撑系统进行分层分级的方法，通过将性质相同或相近的实体归入同一层，使用决策树ID3算法根据层内实体的属性对其进行分类，让层内实体更均匀地分布在树形结构中，最后使用邻接矩阵算法解释相邻两层间的实体关系，从而形成明确清晰的层次结构和递推式的结构，提高管理的效率、提高问题定位和解决问题的速度。

附图说明

图1为本发明业务支撑系统的分层分级流程示意图；

图2为本发明用树杈结构表示层内的分级结构示意图；

图3为本发明的决策树结构示意图；

图4为本发明采用ID3算法后的业务支撑系统的决策树结构示意图；

图5为本发明采用邻接矩阵算法得出的分层理论图；

图6为本发明的分层分级方法显示的业务支撑系统中业务层和应用层之间的关联示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的描述。

图1为本发明业务支撑系统的分层分级流程示意图。

请参见图1，本发明提供的对业务支撑系统进行分层分级的方法包括如下步骤：

步骤S1：先对业务支撑系统进行分层，每一层具有性质相同或相近的实体；具体可将业务支撑系统分为业务层、应用层、逻辑层和物理层。

步骤S2：再对每层中实体按照属性和类，根据决策树算法进行分级；以层为主体，对层中的实体颗粒划分属性后，使用决策树ID3算法计算出每个属性的信息增益值，根据属性信息增益值从而进行分级。

步骤S3：最后通过邻接矩阵算法标示层间实体关系；运用邻接矩阵算法解释第i层与第i-1层内实体关系，根据邻接矩阵算法：

A(n_(i-1)j,n_ij)＝1→若(n_(i-1)j,n_ij)或<n_(i-1)j,n_ij>是E(G)中的边；

若A(n_(i-1)j,n_ij)为1，则不同层中的2个颗粒度有相关性；若A(n_(i-1)j,n_ij)为0，则不同层中的颗粒度没有相关性。

本发明使用分层分级的方法对系统结构进行规范的管理，覆盖软件的整个生命周期，从项目的建立、开发、测试、上线、维护。首先是对系统进行一个明确的分层，在以层级为基础，进行分级，形成一个清晰的层次结构和递推式的结构，从而解决大型系统软硬件的管理问题，提高管理的效率、提高问题定位和解决问题的速度。

一、系统分层

在业务支撑系统中，系统内实体包括与用户直接接触的业务、前台应用、后台应用、基础组件、进程、中间件、数据库、设备等。分层是将性质相同或相近的实体，归入同一层，因此业务支撑系统被分为四层结构。

1)业务层：将与用户接触的部分归入业务层；

2)应用层：将前台应用、后台应用、基础组件等归入应用层；应用层是直接为应用进程提供服务的，其作用是在实现多个系统应用进程相互通信的同时,完成一系列业务处理所需的服务。

3)逻辑层：将进程、中间件、数据库归入逻辑层；

4)物理层：将硬件设备归入物理层；物理层是计算机系统的基础层，在计算机系统中起到很重要的作用，物理层为设备之间的数据通信提供传输媒体及互连设备，为数据传输提供可靠的环境。

二、层内分级与决策树算法

分级法是一种在分层的基础上结合决策树算法对层进行分级的方法。在对系统分层后的基础上，以层为一个主体，把层作为决策树的根结点，对层中的实体颗粒划分属性后，使用决策树ID3算法计算出每个属性的信息增益值，根据属性信息增益值从而进行分级；用树杈结构表示层内的分级结构如图2所示。

在决策树的形成的过程中包括两个部分：

决策树的生成：由样本集生成决策树的过程。一般情况下，样本数据集是根据实际需要有历史的、有一定综合程度的，用于数据分析处理的数据集。

决策树的剪技：决策树的剪枝是对上一阶段生成的决策树进行检验、校正和修改的过程，主要是用新的样本数扼集(称为测试数据集)中的数据校验决策树生成过程中产生的初步规则，将那些影响预衡准确性的分枝剪除。以业务支撑系统为例，使用决策树中的ID3算法作为依据对系统中的各层进行分级。例如，在业务支撑系统中，使用ID3算法对业务层进行分级的具体步骤：

步骤1：对业务支撑系统进行样本采集,样本数据来源于业务支撑系统，以业务层为根结点，根据决策树ID3算法以及决策树的结构，对业务层进行分析分类后，如下表所示，通过对分析出的结果进行计算，生成第一级和第二级的决策树图：

编号	业务名称	面向对象	面向用户	渠道	类(操作类型)
						1	集团业务受理	营业员	集团	营业前台	受理
2	集团营销活动受理	营业员	集团	营业前台	受理
						3	新增集团客户	营业员	集团	营业前台	受理
4	订购手机动漫	用户	个人	网厅	受理
						5	退订号簿管家	用户	个人	网厅	退订
6	密码重置	用户	个人	网厅	变更
						7	流量查询	用户	个人	网厅	查询
8	家庭网组建	营业员	家庭	营业前台	受理
						9	家庭网撒网	营业员	家庭	营业前台	退订
10	家庭信息查询	营业员	家庭	营业前台	查询
						11	查询余额	用户	个人	短厅	查询
12	账单查询	用户	个人	短厅	查询
						13	空中充值	用户	个人	短厅	受理
14	WLAN密码修改	用户	个人	短厅	变更
						15	申请开机	客服人员	个人	客服系统	变更
16	申请停机	客服人员	个人	客服系统	变更
						17	个人业务套餐变更	客服人员	个人	客服系统	变更
18	单条订购	客服人员	个人	客服系统	受理
						19	现金缴费	用户	个人	自助终端	受理
20	储蓄卡缴费	用户	个人	自助终端	受理
						21	密码修改	用户	个人	自助终端	变更
22	密码重置	用户	个人	自助终端	变更

由上述实例可知道：s＝22，属性“操作类型”有四个不同值(即{查询，受理，变更、退订})，因此有四个不同的类(即m＝4)。设类C1对应于“查询”，类C2对应于“受理”，类C3对应于“变更”，类C4对应于“退订”则s1＝4，s2＝9，s3＝7，s4＝2,p1＝4/22，p2＝9/22,p3＝7/22,p3＝4/22，计算对给定样本分类所需的期望信息：

\begin{matrix} I (S_{1}, S_{2}, S_{3}, S_{4}) = - Σ_{i = 1}^{m} P_{i} lo g_{2} (P_{i}) =- \frac{4}{22} lo g_{2} \frac{4}{22} - \frac{9}{22} lo g_{2} \frac{9}{22} - \frac{7}{22} lo g_{2} \frac{7}{22} - \\ \frac{2}{22} lo g_{2} \frac{2}{22} = 1.815 \end{matrix}

计算“面向对象”的熵

对于面向对象为“营业员”，S11＝1，S21＝4，S31＝0，S41＝1,P11＝1/6，P21＝4/6，P31＝0/6,P41＝1/6；

I (S_{11}, S_{21}, S_{31}, S_{41}) = - \frac{1}{6} lo g_{2} \frac{1}{6} - \frac{4}{6} lo g_{2} \frac{4}{6} - 0 - \frac{1}{6} lo g_{2} \frac{1}{6} = 2.831;

对于面向对象为“用户”，S12＝3，S22＝4，S32＝4，S42＝1,P12＝3/12，P22＝4/12，P32＝4/12,P42＝1/12；

\begin{matrix} I (S_{12}, S_{22}, S_{32}, S_{42}) = - \frac{3}{12} lo g_{2} \frac{3}{12} - \frac{4}{12} lo g_{2} \frac{4}{12} - \frac{4}{12} lo g_{2} \frac{4}{12} - \frac{1}{12} lo g_{2} \frac{1}{12} \\ = 1.856 \end{matrix}

对于面向对象为“客服人员”，S13＝0，S23＝1，S33＝3，S43＝0,P13＝0/4，P23＝1/4，P33＝3/4,P43＝0/4；

I (S_{13}, S_{23}, S_{33}, S_{43}) = 0 - \frac{1}{4} lo g_{2} \frac{1}{4} - \frac{3}{4} lo g_{2} \frac{3}{4} - 0 = 0.811

如果按照面向对象划分，对一个给定样本分类所需要的期望信息为：

因此，这种划分的信息增益是

Gain(面向对象)＝I(s1,s2,s3,s4)-E(面向对象)＝1.815-1.931＝-0.116。

计算“面向用户”的熵

对于面向用户为“集团”，S11＝0，S21＝3，S31＝0，S41＝0,P11＝0，P21＝3/3，P31＝0,P41＝0

I (S_{11}, S_{21}, S_{31}, S_{41}) = 0 - \frac{3}{3} lo g_{2} \frac{3}{3} - 0 - 0 = 0;

对于面向用户为“家庭”，S12＝1，S22＝1，S32＝0，S42＝1,P12＝1/3，P22＝1/3，P32＝0,P42＝1/3；

I (S_{12}, S_{22}, S_{32} S_{42}) = - \frac{1}{3} lo g_{2} \frac{1}{3} - \frac{1}{3} lo g_{2} \frac{1}{3} - 0 - \frac{1}{3} lo g_{2} \frac{1}{3} = 1.585;

对于面向用户为“个人”，S13＝3，S23＝5，S33＝7，S43＝1,P13＝3/16，P23＝5/16，P33＝7/16,P43＝1/16；

\begin{matrix} I (S_{13}, S_{23}, S_{33}, S_{43}) = - \frac{3}{16} lo g_{2} \frac{3}{16} - \frac{5}{16} lo g_{2} \frac{5}{16} - \frac{7}{16} lo g_{2} - \frac{1}{16} lo g_{2} \frac{1}{16} \\ = 1.749 \end{matrix}

如果按照面向用户划分，对一个给定样本分类所需要的期望信息为：

因此，这种划分的信息增益是

Gain(面向用户)＝I(s1,s2,s3,s4)-E(面向用户)＝1.815-1.488＝0.327。

计算“渠道”的熵

对于渠道为“营业前台”，S11＝1,S21＝4,S31＝0,S41＝1,P11＝1/6,P21＝4/6,P31＝0,P41＝1/6；

I (S_{11}, S_{21}, S_{31}, S_{41}) = \frac{1}{6} lo g_{2} \frac{1}{6} - \frac{4}{6} lo g_{2} \frac{4}{6} - 0 - \frac{1}{6} lo g_{2} \frac{1}{6} = 0.389;

对于渠道为“网厅”，S12＝1,S22＝1,S32＝1,S42＝1,P12＝1/4,P22＝1/4,P32＝1/4,P42＝1/4；

I (S_{12}, S_{22}, S_{32}, S_{42}) = \frac{1}{4} lo g_{2} \frac{1}{4} - \frac{1}{4} lo g_{2} \frac{1}{4} - \frac{1}{4} lo g_{2} \frac{1}{4} - \frac{1}{4} lo g_{2} \frac{1}{4} = 1

对于渠道为“短厅”S13＝2,S23＝1,S33＝1,S43＝0,P13＝2/4,P23＝1/4,P33＝1/4,P43＝0；

I (S_{13}, S_{23}, S_{33}, S_{43}) = \frac{2}{4} lo g_{2} \frac{2}{4} - \frac{1}{4} lo g_{2} \frac{1}{4} - \frac{1}{4} lo g_{2} \frac{1}{4} - 0 = 0.5;

对于渠道为“客服系统”S14＝0,S24＝1,S34＝3,S44＝0,p14＝0,p24＝1/4,p34＝3/4,p44＝0；

I (S_{14}, S_{24}, S_{34}, S_{44}) = 0 - - \frac{1}{4} lo g_{2} \frac{1}{4} - \frac{3}{4} lo g_{2} \frac{3}{4} - 0 = 0.811;

对于渠道为“自助终端”S15＝0,S25＝2,S35＝2,S45＝0,p15＝0,p25＝2/4,p35＝2/4,p45＝0；

I (S_{15}, S_{25}, S_{35}, S_{45}) = 0 - \frac{2}{4} lo g_{2} \frac{2}{4} - \frac{2}{4} lo g_{2} \frac{2}{4} - 0 = 1;

如果按照渠道划分，对一个给定样本分类所需要的期望信息为：

因此，这种划分的信息增益是

Gain(渠道)＝I(s1,s2,s3,s4)-E(面向用户)＝1.815-0.708＝1.107。

由上可见，由于‘渠道’属性具有最高信息增益，将被选为测试属性，创建一个节点，用渠道标记，并对每个属性值引出一个分支，并据此划分样本。得出业务层下的子节点有5个(渠道)，分别是短厅、客服系统、网厅、营业前台、自助终端，并划分出样本。因此得出如图3所示的决策树结构图。

步骤2：在步骤1中，得出渠道的信息增益值最大，为测试属性。在划分出的5种不同的样本中，每一种样本重复步骤1中的算法进行计算，得出第3级、第4级的测试属性。最终在ID3算法下形成的决策树结构如图4所示。

步骤3：在步骤1,2后，完成了对整个CRM系统的决策树的生成后，决策树的准确性，需要进行检验、校正和修改的过程，主要是用新的样本数扼集(称为测试数据集)中的数据校验决策树生成过程中产生的初步规则，将那些影响预衡准确性的分枝剪除，得出最优决策树结构。

在完成以上的步骤1、步骤2、步骤3后，得出的最优决策树结构，将是层内分级的最佳展示，也可以以此作为业务支撑系统的目录划分依据。同时层内的第4级节点(层内最小颗粒度)，将会与其他层的节点关联，以及展示各层最小颗粒度之间的关系，为开发和维护过程中的快速定位问题提供便利。

三、层间关系与邻接矩阵算法

1、层间关系与邻接矩阵算法

在业务支撑系统中的分层中，依据邻接矩阵算法理论结合实际的业务支撑系统，将系统进行分层，同时相邻层之间的层间关系，可以使用邻接矩阵算法表示，设G＝(V，E)是具有n个顶点的图，其中V＝{V₁₁，V₁₂，…,V_1j，V₂₁，…V_ij}。则G的邻接矩阵是具有如下性质的n阶方阵：

若A(n_(i-1)j,n_ij)为1，则不同层中的2个颗粒度有相关性；若A(n_(i-1)j,n_ij)为0，则不同层中的颗粒度没有相关性。根据邻接矩阵算法得出如图5所示的分层理论图，其中n1，n2，n3，n4代表不同的层次；n₁₁,n₁₂,n₁₃代表n1层的顶点；n₂₁,n₂₂,n₂₃代表n2层的顶点，n₃₁,n₃₂,n₃₃,n₃₄,n₃₅代表n3层的顶点，n₄₁,n₄₂,n₄₃,n₄₄,n₄₅代表n4层的顶点。相邻层间的顶点才互相有关联，顶点间不能跨层关联。

2、邻接矩阵算法结合业务支撑系统说明层间关系步骤：

步骤1:结合层内分级，将各层的业务梳理出来，将系统中的最小颗粒单元实体取出，例如，对于业务层，最小颗粒单元为层级结构中的第四层，如集团客户管理，集团业务受理，综合查询等。应用层中的最小颗粒单元实体为web前台应用实例，客管应用，订单应用等。逻辑层中的最小颗粒单元实体为短信发送进程，缓存数据库进程，数据库实例等。物理层中的最小颗粒单元实体为交换机，数据库，网站服务器，IPS防病毒设备等。

步骤2：将业务层，应用层，逻辑层，物理层相邻层中的最小颗粒单元实体，运用邻接矩阵的公式表达出来。以业务层和应用层为例：

A(集团客户管理，web前台应用实例)＝1

A(集团业务受理，web前台应用实例)＝1

A(综合查询，web前台应用实例)＝1

A(ESOP,web前台应用实例)＝0

......

步骤3：结合邻接矩阵算法若A(n_(i-1)j,n_ij)＝1，则不同层中的2个颗粒度有相关性；若A(n_(i-1)j,n_ij)为0，则不同层中的颗粒度没有相关性。分析步骤2中的表达式，则有如下结果(及图5)：

A(集团客户管理，web前台应用实例)＝1代表业务层的集团客户管理依赖于应用层的web前台应用实例，

A(集团业务受理，web前台应用实例)＝1代表业务层的集团业务受理依赖于应用层的web前台应用实例，

A(综合查询，web前台应用实例)＝1代表业务层的综合查询依赖于应用层的web前台应用实例，

A(ESOP,web前台应用实例)＝0代表业务层的ESOP和web前台应用实例无关联，如图6所示。

综上所述，本发明提供的对业务支撑系统进行分层分级的方法，将性质相同或相近的实体，归入同一层，从日常开发与维护角度出发，将业务支撑系统分层为四层:业务层、应用层、逻辑层、物理层，应给与保护；使用决策树ID3算法，根据层内实体的属性对其进行分类，绘制层内树形结构，让层内实体更均匀地分布在树形结构中；使用邻接矩阵算法，解释第n层与第n-1层内的实体关系。具体优点如下：1、通过使用数学处理方法明确了业务支撑系统的软硬件的关系，对系统划分了四层结构：业务层、应用层、逻辑层、物理层；引入了物理层的观念，对系统的管理，更全面更规范；2、运用合理的数据方法对层内分级，达到最均匀的分级结果；3、明确了层间实体关系，为在开发和维护过程中快速定位问题提供了便利。

虽然本发明已以较佳实施例揭示如上，然其并非用以限定本发明，任何本领域技术人员，在不脱离本发明的精神和范围内，当可作些许的修改和完善，因此本发明的保护范围当以权利要求书所界定的为准。

Claims

1.一种对业务支撑系统进行分层分级的方法，其特征在于，包括如下步骤：

a)先对业务支撑系统进行分层，每一层具有性质相同或相近的实体；

b)再对每层中实体按照属性和类，根据决策树算法进行分级；

c)最后通过邻接矩阵算法标示相邻两层之间实体的关系。

2.如权利要求1所述的对业务支撑系统进行分层分级的方法，其特征在于，所述步骤a)中的业务支撑系统分为业务层、应用层、逻辑层和物理层。

3.如权利要求2所述的对业务支撑系统进行分层分级的方法，其特征在于，所述业务层内的实体为与用户直接接触的业务，所述应用层内的实体包括前台应用、后台应用和基础组件，所述逻辑层内的实体包括进程、中间件和数据库，所述物理层内的实体为硬件设备。

4.如权利要求2所述的对业务支撑系统进行分层分级的方法，其特征在于，所述步骤b)以层为一个主体，把层作为决策树的根结点，对层中的实体颗粒划分属性后，使用决策树ID3算法计算出每个属性的信息增益值，并根据属性的信息增益值进行分级。

5.如权利要求4所述的对业务支撑系统进行分层分级的方法，其特征在于，所述步骤b)中的决策树由历史样本集生成，所述步骤b)还包括：用新的样本数扼集中的数据校验决策树生成过程中产生的初步规则，并剪除影响预衡准确性的分枝。

6.如权利要求5所述的对业务支撑系统进行分层分级的方法，其特征在于，所述步骤b)将每一层最高信息增益对应的属性选为测试属性，创建一个节点，并对每个属性值引出一个分支得出子节点，最后一层子节点为该层中最小颗粒度单元实体，所述步骤c)通过邻接矩阵算法展示相邻两层最小颗粒度单元实体之间的关系。

7.如权利要求6所述的对业务支撑系统进行分层分级的方法，其特征在于，所述步骤c)将业务层，应用层，逻辑层，物理层相邻层中的最小颗粒单元实体，运用邻接矩阵A进行表示，若A(n_(i-1)j,n_ij)＝1，则不同层中的两个颗粒度有相关性；若A(n_(i-1)j,n_ij)为0，则不同层中的颗粒度没有相关性,i为邻接矩阵行号，j为邻接矩阵列号，n_(i-1)j为第i-1层分级后的最小颗粒单元实体,n_ij为第i层分级后的最小颗粒单元实体，i,j为自然数。

8.如权利要求6所述的对业务支撑系统进行分层分级的方法，其特征在于，所述业务层中最小颗粒度单元实体包括集团客户管理、集团业务受理和综合查询，所述应用层中的最小颗粒单元实体包括web前台应用实例、客管应用和订单应用，所述逻辑层中的最小颗粒单元实体包括短信发送进程、缓存数据库进程和数据库实例，所述物理层中的最小颗粒单元实体包括交换机、数据库、网站服务器和IPS防病毒设备。