CN106779441A - 一种预测变更风险方法和装置 - Google Patents

Abstract

本发明实施例涉及通信技术领域，尤其涉及一种预测变更风险的方法和装置，包括：获取包括至少一个变更操作项和每个变更操作项所对应的配置项的变更实施数据；从变更实施数据中提取变更操作项及配置项；建立包括相互一一对应的变更操作项与配置项的变更行为单元；根据变更操作项以及与该变更操作项对应的配置项，确定变更行为单元的风险值；根据变更行为单元的风险值，确定变更的风险值。可以看出，并不需要通过人工手段在变更实施前对变更实施操作可能带来的风险进行评估，能够提高变更实施操作的评估效率，进而能够提高运维工作人员的工作效率，又由于利用相关的历史数据建立风险变更库，还能够降低相似风险重现的可能。

Description

一种预测变更风险方法和装置

技术领域

本发明实施例涉及计算机技术领域，尤其涉及一种预测变更风险的方法和装置。

背景技术

随着互联网的不断发展，企业在信息化建设方面的投入也越来越大，新技术的层出不穷和生成业务的快速拓展，导致数据中心在日常运营工作中面临大量生成变更上线的工作任务，而变更实施操作通常会对数据中心的IT系统及其支撑组件的稳定状态造成影响，还可能导致系统发生故障或对外服务中断，因此，需要在变更实施前对变更实施操作可能带来的风险进行评估，从而对变更进行提前干预和控制，以确保数据中心对外的服务正常运行。

现有技术中，通过如下三个方法在变更实施前对变更实施操作可能带来的风险进行评估。

方法一、组织技术小组对变更实施方案和实施步骤进行设计和技术验证。

方法二、在运营流程框架中组通过各层审批对风险进行审核与授权

方法三、组织相关领域的技术专家对变更实施进行风险评审。

可以看出，上述三个方法均是通过人工手段在变更实施前对变更实施操作可能带来的风险进行评估，因此，影响了对变更实施操作的评估效率。

发明内容

本发明实施例提供一种预测变更风险的方法和装置，用以提高变更实施操作的评估效率。

本发明实施例提供一种预测变更风险的方法，包括：

获取包括至少一个变更操作项和每个所述变更操作项所对应的配置项的变更实施数据，每个所述变更操作项对应至少一个配置项；

从所述变更实施数据中提取所述变更操作项及所述配置项；

建立包括相互一一对应的所述变更操作项与所述配置项的变更行为单元；

根据所述变更操作项以及与该变更操作项对应的配置项，确定所述变更行为单元的风险值；

根据所述变更行为单元的风险值，确定变更的风险值。

较佳的，所述根据所述变更操作项以及与该变更操作项对应的配置项，确定所述变更行为单元的风险值，包括：

根据如下公式，确定所述变更行为单元的风险值；

R＝w₁u+w₂p+w₃t+w₄c+w₅o+w₆b

其中，u为在实施所述变更行为单元前，根据所述变更行为单元的变更环境预先设定的环境风险值，w₁为变更环境在所述变更行为单元的风险值中所占的权重值；p为在实施所述变更行为单元前，根据实施所述变更行为单元的人员预先设定的人员风险值，w₂为变更实施人员在所述变更行为单元的风险值中所占的权重值；t为在实施所述变更行为单元前，根据所述变更行为单元所带来的测试风险预先设定的测试风险值，w₃为测试风险在所述变更行为单元的风险值中所占的权重值；c为根据所述变更操作项对应的配置项所确定的配置项风险值，w₄为所述配置项在所述变更行为单元的风险值中所占的权重值；o为根据所述变更操作项所确定的操作风险值，w₅为所述操作项在所述变更行为单元的风险值中所占的权重值；b为根据所述变更操作项以及与该变更操作项对应的配置项所确定组合风险值，w₆为所述配置项和所述操作项的结合在所述变更行为单元的风险值中所占的权重值。

较佳的，

将所述变更操作项作为输入参数输入至变更风险库，从变更风险库中查询该变更操作项的操作风险值；

将所述变更操作项对应的配置项作为输入参数输入至变更风险库，从变更风险库中查询该配置项的配置风险值；

将所述变更操作项以及该变更操作项对应的配置项共同作为输入参数输入至变更风险库，从变更风险库中查询组合风险值。

较佳的，所述变更风险库通过以下方式得到：

通过机器学习算法，确定权重值w₁、w₂、w₃、w₄、w₅、w₆；

根据确定的权重值w₁、w₂、w₃、w₄、w₅、w₆，计算历史变更行为单元的预测风险值；

获取所述历史变更行为单元的实际风险值；

根据所述历史变更行为单元的实际风险值，调整所述历史变更行为单元的预测风险值；

根据调整后的历史变更行为单元的预测风险值，建立变更风险库。

较佳的，所述根据所述变更行为单元的风险值，确定变更的风险值，包括：

获取所有的变更行为单元的风险值，根据所有的变更行为单元的风险值，确定变更的风险值。

本发明实施例提供一种预测变更风险的装置，包括：

获取模块，用于获取包括至少一个变更操作项和每个所述变更操作项所对应的配置项的变更实施数据，每个所述变更操作项对应至少一个配置项；

提取模块，用于从所述变更实施数据中提取所述变更操作项及所述配置项；

建立模块，用于建立包括相互一一对应的所述变更操作项与所述配置项的变更行为单元；

确定模块，用于根据所述变更操作项以及与该变更操作项对应的配置项，确定所述变更行为单元的风险值；

还用于根据所述变更行为单元的风险值，确定变更的风险值。

较佳的，所述确定模块，具体用于：

根据如下公式，确定所述变更行为单元的风险值；

R＝w₁u+w₂p+w₃t+w₄c+w₅o+w₆b

其中，u为在实施所述变更行为单元前，根据所述变更行为单元的变更环境预先设定的环境风险值，w₁为变更环境在所述变更行为单元的风险值中所占的权重值；p为在实施所述变更行为单元前，根据实施所述变更行为单元的人员预先设定的人员风险值，w₂为变更实施人员在所述变更行为单元的风险值中所占的权重值；t为在实施所述变更行为单元前，根据所述变更行为单元所带来的测试风险预先设定的测试风险值，w₃为测试风险在所述变更行为单元的风险值中所占的权重值；c为根据所述变更操作项对应的配置项所确定的配置项风险值，w₄为所述配置项在所述变更行为单元的风险值中所占的权重值；o为根据所述变更操作项所确定的操作风险值，w₅为所述操作项在所述变更行为单元的风险值中所占的权重值；b为根据所述变更操作项以及与该变更操作项对应的配置项所确定组合风险值，w₆为所述配置项和所述操作项的结合在所述变更行为单元的风险值中所占的权重值。

较佳的，

将所述变更操作项作为输入参数输入至变更风险库，从变更风险库中查询该变更操作项的操作风险值；

将所述变更操作项对应的配置项作为输入参数输入至变更风险库，从变更风险库中查询该配置项的配置风险值；

将所述变更操作项以及该变更操作项对应的配置项共同作为输入参数输入至变更风险库，从变更风险库中查询组合风险值。

较佳的，所述变更风险库通过以下方式得到：

通过机器学习算法，确定权重值w₁、w₂、w₃、w₄、w₅、w₆；

根据确定的权重值w₁、w₂、w₃、w₄、w₅、w₆，计算历史变更行为单元的预测风险值；

获取所述历史变更行为单元的实际风险值；

根据所述历史变更行为单元的实际风险值，调整所述历史变更行为单元的预测风险值；

根据调整后的历史变更行为单元的预测风险值，建立变更风险库。

较佳的，所述确定模块，具体用于：

获取所有的变更行为单元的风险值，根据所有的变更行为单元的风险值，确定变更的风险值。

上述实施例提供的一种预测变更风险的方法和装置，包括：获取包括至少一个变更操作项和每个所述变更操作项所对应的配置项的变更实施数据，每个所述变更操作项对应至少一个配置项；从所述变更实施数据中提取所述变更操作项及所述配置项；建立包括相互一一对应的所述变更操作项与所述配置项的变更行为单元；根据所述变更操作项以及与该变更操作项对应的配置项，确定所述变更行为单元的风险值；根据所述变更行为单元的风险值，确定变更的风险值。可以看出，在获取变更实施数据以后，可将相互一一对应的变更操作项与配置项建立变更行为单元，然后再根据变更操作项与配置项，自动确定变更行为单元的分享值，从而确定在实施变更数据时的变更风险值，并不需要通过人工手段在在变更实施前对变更实施操作可能带来的风险进行评估，从而能够提高变更实施操作的评估效率。此外，通过数据分析和机器学习的方法，将复杂的变更风险评估进行标准化和自动化，还能够快速的对多个变更进行风险评估预测，提高了运维工作人员的工作效率。又由于利用相关的历史数据建立风险变更库，还能够降低相似风险重现的可能。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍。

图1为本发明实施例提供的一种预测变更风险的方法流程示意图；

图2为本发明实施例提供的建立变更风险库的方法流程示意图；

图3为本发明实施例提供的一种通过机器学习算法确定最佳权中值组的方法流程示意图；

图4为本发明实施例提供的一种预测变更风险装置的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

图1示例性示出了本发明实施例提供的一种预测变更风险的方法流程示意图，如图1所示，该方法可包括：

S101、获取包括至少一个变更操作项和每个所述变更操作项所对应的配置项的变更实施数据，每个所述变更操作项对应至少一个配置项。

S102、从变更实施数据中提取变更操作项及配置项。

S103、建立包括相互一一对应的变更操作项与配置项的变更行为单元。

S104、根据变更操作项以及该变更操作项对应的配置项，确定变更行为单元的风险值。

S105、根据变更行为单元的风险值，确定变更的风险值。

具体的，可先获取变更实施数据，该变更实施数据中可包括若干个变更操作项以及若干个变更操作项所对应的配置项，然后将相互一一对应的变更操作项与配置项组成变更行为单元。

例如，可从变更实施数据中获取变更操作项A，并且变更操作项A实施于配置项1，还可从变更实施数据中获取变更操作项B，并且变更操作项B实施于配置项2，实施于配置项3，因此，可将变更操作项A与配置项1组成变更行为单元1，将变更操作项B与配置项2组成变更行为单元2，将变更操作项B与配置项3组成变更行为单元3。其中，变更操作项A可以为扩展容量，配置项1可以为日志系统A，变更操作项B可以为参数调整，配置项2可以为服务器C，因此，在将变更操作项A与配置项1组成变更行为单元1时，变更行为单元1表示对日志系统A进行扩容操作；在将变更操作项B与配置项2组成变更行为单元2时，变更行为单元2表示对服务器C进行参数调整。当然，当变更操作项B为参数调整时，配置项2也可以为日志系统A，此时，在将变更操作项B与配置项2组成变更行为单元2时，变更行为单元2表示对日志系统A进行参数调整。

在上述步骤S104中，根据变更操作项以及与该变更操作项对应的配置项，确定变更行为单元的风险值时，可采用下列公式一，确定变更行为单元的风险值。

R＝w₁u+w₂p+w₃t+w₄c+w₅o+w₆b (公式一)

其中，u为在实施变更行为单元前，根据变更行为单元的变更环境预先设定的环境风险值，w₁为变更环境在变更行为单元的风险值中所占的权重值；p为在实施变更行为单元前，根据实施变更行为单元的人员预先设定的人员风险值，w₂为变更实施人员在变更行为单元的风险值中所占的权重值；t为在实施变更行为单元前，根据变更行为单元所带来的测试风险预先设定的测试风险值，w₃为测试风险在变更行为单元的风险值中所占的权重值；c为根据变更操作项对应的配置项所确定的配置项风险值，w₄为配置项在变更行为单元的风险值中所占的权重值；o为根据变更操作项所确定的操作项风险值，w₅为操作项在变更行为单元的风险值中所占的权重值；b为根据变更操作项以及与该变更操作项对应的配置项所确定组合风险值，w₆为配置项和操作项的结合在变更行为单元的风险值中所占的权重值。

在确定上述公式一中的配置项风险值c时，可将配置项作为输入参数输入至预先建立的变更风险库，从变更风险库中查询该配置项对应的配置风险值c。

在确定上述公式一中的操作风险值o时，可将操作项作为输入参数输入至预先建立的变更风险库，从变更风险库中查询该操作项所对应的操作风险值o。

在确定上述公式一中的组合风险值b时，可将上述配置项和操作项共同作为输入参数输入至预先建立的变更风险库，从变更风险库中查询该操作项和配置项所对应的组合风险值b。

在上述步骤S105中，根据变更行为单元的风险值，确定变更的风险值时，可获取变更实施数据中所包括的所有的变更行为单元风险值，根据所有的变更行为单元的风险值，确定变更的风险值。

可选的，可通过图2所示的方法流程建立变更风险库：

S201、通过机器学习算法，确定最佳权重值组w₁、w₂、w₃、w₄、w₅、w₆。

S202、根据确定的权重值组，计算历史变更行为单元的预测风险值。

S203、获取历史变更行为单元的实际风险值，调整历史变更行为单元的预测风险值。

S204、根据调整后的历史变更行为单元的风险值，建立变更风险库。

上述步骤S201中，在通过机器学习算法，确定最佳权重值组w₁、w₂、w₃、w₄、w₅、w₆，可采用图3所示的方法流程。

图3示例性示出了本发明实施例提供的一种通过机器学习算法确定最佳权中值组的方法流程示意图。

S301、根据历史相关数据，确定若干个变更行为单元的实际风险值。

S302、将若干个行为单元划分成训练集和测试集。

S303、判断权重值集合中是否存在未遍历的权重值组，若是，则转至步骤S304，否则，转至步骤S316。

S304、从权重值集合中选取一组权重值为第一权重值。

其中，权重值集合中包括多组权重值，该多组权重值是基于历史经验值预先进行设定的。

S305、根据第一权重值，遍历训练集中的第一变更行为单元。

S306、判断训练集中的第一变更行为单元是否已遍历完毕，若是，则转至步骤S312，否则转至步骤S307。

S307、判断风险库中是否存储第一变更行为单元的要素风险值，若存在，则转至步骤S308，否则，转至步骤309。

S308、从风险库中获取第一变更行为单元的要素风险值，并根据风险预测模型计算第一变更行为单元的风险值。

S309、将第一变更行为单元中的要素风险值均设置为0，并根据风险预测模型计算第一变更行为单元的风险值。

S310、根据第一变更行为单元的风险值与第一变更行为单元的实际值，计算第一预测误差。

S311、根据第一预测误差，对第一变更行为单元的各项风险值进行调整，并将调整后的第一变更行为单元的各项风险值存储至变更风险库。

S312、根据第一权重值以及变更风险库，遍历测试集中的第二变更行为单元。

S313、从风险库中获取第二变更行为单元的要素风险值，并根据风险预测模型计算第二变更行为单元的风险值。

S314、根据第二变更行为单元的风险值与第二变更行为单元的实际值，计算第二预测误差。

S315、计算测试集中所有第二变更行为单元在第一权重值下的第二预测误差的平均值。

S316、将第二误差的平均值最小时所对应的权重组合作为最佳权重值。

需要说明的是，在上述图3所示的方法流程中，当提到根据风险预测模型计算第一变更行为单元的风险值或计算第二变更行为单元的风险值时，指的是根据公式一计算计算第一变更行为单元的风险值或计算第二变更行为单元的风险值。

此外，上述图3所示的方法流程中的第一变更行为单元可以为训练集中的一个变更行为单元，也可以为训练集中的若干个变更行为单元，即上述图3所示的方法流程中的第一变更行为单元并不仅仅限于训练集中的一个变更行为单元。同理，上述图3所示的方法流程中的第二变更行为单元可以为测试集中的一个变更行为单元，也可以为测试集中的若干个变更行为单元，即上述图3所示的方法流程中的第二变更行为单元并不仅仅限于测试集中的一个变更行为单元。

下面通过一个具体的例子，对上述的方法流程进行详细的解释说明。

假设A企业的数据中心的IT(Information Technology，信息技术)系统包括：日志系统A、日志系统B、日志系统C，现在需要在明天(2016年12月26日)，即在2016年12月26日对日志系统A进行扩展500G的磁盘空间，则需要评估在2016年12月26日对日志系统A扩展500G的磁盘空间的风险值。

进一步假设通过机器学习算法，确定的权重值均为1，并假设预先设置的变更风险库，如下列表格一所示。

表格一

输入参数	风险值
		日志系统A	0.7
日志系统B	0.6
		扩展容量	0.4
日志系统A+扩展容量	0.2
		日志系统B+扩展容量	0.3
日志系统C	0.8

进一步假设预先设定的人员风险值，如表格二所示。

表格二

执行人工作年数	执行人实施变更数量	人员风险值
			5	300	-0.1
5	100	-0.7
			1	80	+0.1
1	5	+0.8

进一步假设预先设定的环境风险值，如表格三所示

表格三

进一步假设预先设定测试风险值，如表格四所示。

表格四

测试通过率	测试风险值
		100％	-0.8
50％	+0.4

进一步假设，在2016年12月26日对日志系统A进行扩展500G的磁盘空间的规划人为张三，张三入职5年，已经实施了300个变更；并且在2016年12月26日对日志系统A进行扩展500G的磁盘空间的执行人为李四，李四入职1年，已经实施了8个变更，因此，在2016年12月26日对日志系统A进行扩展500G的磁盘空间时，人员风险值p＝1-(1-0.1)*(1+0.1)＝0.01。

进一步假设，在2016年12月26日对日志系统A进行扩展500G的磁盘空间的前一周，发生40个变更，其中10个变更发生问题，则查询上述表格三，可确定在2016年12月26日对日志系统A进行扩展500G的磁盘空间时，环境风险值为0.25。

进一步假设，在2016年12月26日对日志系统A进行扩展500G的磁盘空间前，测试通过率为100％，则查询上述表格四，可确定在2016年12月26日对日志系统A进行扩展500G的磁盘空间时，测试风险值为-0.8。

然后，根据日志系统A进行扩展500G的磁盘空间查询上述表格一所示的变更风险库，可确定变更操作项即“扩展容量”的风险值为0.4，配置项即“日志系统A”的风险值为0.7，组合风险项即“日志系统A+扩展容量”的风险值为0.2。

因此，将人员风险值0.01、环境风险值0.25、测试风险值-0.8、扩展容量的风险值0.4、日志系统A风险值0.7、日志系统A+扩展容量的风险值0.2代入上述公式一中，可得到2016年12月26日对日志系统A扩展500G的磁盘空间的风险值R₁

R₁＝1*0.25+1*0.01+1*(-0.8)+1*0.7+1*0.4+1*0.2＝0.76

根据以上内容可以看出，在获取变更实施数据以后，可将相互一一对应的变更操作项与配置项建立变更行为单元，然后再根据变更操作项与配置项，自动确定变更行为单元的分享值，从而确定在实施变更数据时的变更风险值，并不需要通过人工手段在在变更实施前对变更实施操作可能带来的风险进行评估，从而能够提高变更实施操作的评估效率。此外，通过数据分析和机器学习的方法，将复杂的变更风险评估进行标准化和自动化，还能够快速的对多个变更进行风险评估预测，提高了运维工作人员的工作效率。又由于利用相关的历史数据建立风险变更库，还能够降低相似风险重现的可能。

基于相同的技术构思，本发明实施例还提供一种预测变更风险的装置，如图4所示，该装置可包括：

获取模块401，用于获取包括至少一个变更操作项和每个所述变更操作项所对应的配置项的变更实施数据，每个所述变更操作项对应至少一个配置项；

提取模块402，用于从所述变更实施数据中提取所述变更操作项及所述配置项；

建立模块403，用于建立包括相互一一对应的所述变更操作项与所述配置项的变更行为单元；

确定模块404，用于根据所述变更操作项以及与该变更操作项对应的配置项，确定所述变更行为单元的风险值；

还用于根据所述变更行为单元的风险值，确定变更的风险值。

较佳的，确定模块404，具体用于：

根据如下公式，确定所述变更行为单元的风险值；

R＝w₁u+w₂p+w₃t+w₄c+w₅o+w₆b

其中，u为在实施所述变更行为单元前，根据所述变更行为单元的变更环境预先设定的环境风险值，w₁为变更环境在所述变更行为单元的风险值中所占的权重值；p为在实施所述变更行为单元前，根据实施所述变更行为单元的人员预先设定的人员风险值，w₂为变更实施人员在所述变更行为单元的风险值中所占的权重值；t为在实施所述变更行为单元前，根据所述变更行为单元所带来的测试风险预先设定的测试风险值，w₃为测试风险在所述变更行为单元的风险值中所占的权重值；c为根据所述变更操作项对应的配置项所确定的配置项风险值，w₄为所述配置项在所述变更行为单元的风险值中所占的权重值；o为根据所述变更操作项所确定的操作风险值，w₅为所述操作项在所述变更行为单元的风险值中所占的权重值；b为根据所述变更操作项以及与该变更操作项对应的配置项所确定组合风险值，w₆为所述配置项和所述操作项的结合在所述变更行为单元的风险值中所占的权重值。

较佳的，

将所述变更操作项作为输入参数输入至变更风险库，从变更风险库中查询该变更操作项的操作风险值；

将所述变更操作项对应的配置项作为输入参数输入至变更风险库，从变更风险库中查询该配置项的配置风险值；

将所述变更操作项以及该变更操作项对应的配置项共同作为输入参数输入至变更风险库，从变更风险库中查询组合风险值。

较佳的，所述变更风险库通过以下方式得到：

通过机器学习算法，确定权重值w₁、w₂、w₃、w₄、w₅、w₆；

根据确定的权重值w₁、w₂、w₃、w₄、w₅、w₆，计算历史变更行为单元的预测风险值；

获取所述历史变更行为单元的实际风险值；

根据所述历史变更行为单元的实际风险值，调整所述历史变更行为单元的预测风险值；

根据调整后的历史变更行为单元的预测风险值，建立变更风险库。

较佳的，确定模块404，具体用于：

获取所有的变更行为单元的风险值，根据所有的变更行为单元的风险值，确定变更的风险值。

综上，可以看出，在获取变更实施数据以后，可将相互一一对应的变更操作项与配置项建立变更行为单元，然后再根据变更操作项与配置项，自动确定变更行为单元的分享值，从而确定在实施变更数据时的变更风险值，并不需要通过人工手段在在变更实施前对变更实施操作可能带来的风险进行评估，从而能够提高变更实施操作的评估效率。此外，通过数据分析和机器学习的方法，将复杂的变更风险评估进行标准化和自动化，还能够快速的对多个变更进行风险评估预测，提高了运维工作人员的工作效率。又由于利用相关的历史数据建立风险变更库，还能够降低相似风险重现的可能。

本领域内的技术人员应明白，本发明的实施例可提供为方法、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种预测变更风险的方法，其特征在于，包括：

获取包括至少一个变更操作项和每个所述变更操作项所对应的配置项的变更实施数据，每个所述变更操作项对应至少一个配置项；

从所述变更实施数据中提取所述变更操作项及所述配置项；

建立包括相互一一对应的所述变更操作项与所述配置项的变更行为单元；

根据所述变更操作项以及与该变更操作项对应的配置项，确定所述变更行为单元的风险值；

根据所述变更行为单元的风险值，确定变更的风险值。

2.如权利要求1所述的方法，其特征在于，所述根据所述变更操作项以及与该变更操作项对应的配置项，确定所述变更行为单元的风险值，包括：

根据如下公式，确定所述变更行为单元的风险值；

R＝w₁u+w₂p+w₃t+w₄c+w₅o+w₆b

其中，u为在实施所述变更行为单元前，根据所述变更行为单元的变更环境预先设定的环境风险值，w₁为变更环境在所述变更行为单元的风险值中所占的权重值；p为在实施所述变更行为单元前，根据实施所述变更行为单元的人员预先设定的人员风险值，w₂为变更实施人员在所述变更行为单元的风险值中所占的权重值；t为在实施所述变更行为单元前，根据所述变更行为单元所带来的测试风险预先设定的测试风险值，w₃为测试风险在所述变更行为单元的风险值中所占的权重值；c为根据所述变更操作项对应的配置项所确定的配置项风险值，w₄为所述配置项在所述变更行为单元的风险值中所占的权重值；o为根据所述变更操作项所确定的操作风险值，w₅为所述操作项在所述变更行为单元的风险值中所占的权重值；b为根据所述变更操作项以及与该变更操作项对应的配置项所确定组合风险值，w₆为所述配置项和所述操作项的结合在所述变更行为单元的风险值中所占的权重值。

3.如权利要求2所述的方法，其特征在于，

将所述变更操作项作为输入参数输入至变更风险库，从变更风险库中查询该变更操作项的操作风险值；

将所述变更操作项对应的配置项作为输入参数输入至变更风险库，从变更风险库中查询该配置项的配置风险值；

将所述变更操作项以及该变更操作项对应的配置项共同作为输入参数输入至变更风险库，从变更风险库中查询组合风险值。

4.如权利要求3所述的方法，其特征在于，所述变更风险库通过以下方式得到：

通过机器学习算法，确定权重值w₁、w₂、w₃、w₄、w₅、w₆；

根据确定的权重值w₁、w₂、w₃、w₄、w₅、w₆，计算历史变更行为单元的预测风险值；

获取所述历史变更行为单元的实际风险值；

根据所述历史变更行为单元的实际风险值，调整所述历史变更行为单元的预测风险值；

根据调整后的历史变更行为单元的预测风险值，建立变更风险库。

5.如权利要求1所述的方法，其特征在于，所述根据所述变更行为单元的风险值，确定变更的风险值，包括：

获取所有的变更行为单元的风险值，根据所有的变更行为单元的风险值，确定变更的风险值。

6.一种预测变更风险的装置，其特征在于，包括：

获取模块，用于获取包括至少一个变更操作项和每个所述变更操作项所对应的配置项的变更实施数据，每个所述变更操作项对应至少一个配置项；

提取模块，用于从所述变更实施数据中提取所述变更操作项及所述配置项；

建立模块，用于建立包括相互一一对应的所述变更操作项与所述配置项的变更行为单元；

确定模块，用于根据所述变更操作项以及与该变更操作项对应的配置项，确定所述变更行为单元的风险值；

还用于根据所述变更行为单元的风险值，确定变更的风险值。

7.如权利要求6所述的装置，其特征在于，所述确定模块，具体用于：

根据如下公式，确定所述变更行为单元的风险值；

R＝w₁u+w₂p+w₃t+w₄c+w₅o+w₆b

其中，u为在实施所述变更行为单元前，根据所述变更行为单元的变更环境预先设定的环境风险值，w₁为变更环境在所述变更行为单元的风险值中所占的权重值；p为在实施所述变更行为单元前，根据实施所述变更行为单元的人员预先设定的人员风险值，w₂为变更实施人员在所述变更行为单元的风险值中所占的权重值；t为在实施所述变更行为单元前，根据所述变更行为单元所带来的测试风险预先设定的测试风险值，w₃为测试风险在所述变更行为单元的风险值中所占的权重值；c为根据所述变更操作项对应的配置项所确定的配置项风险值，w₄为所述配置项在所述变更行为单元的风险值中所占的权重值；o为根据所述变更操作项所确定的操作风险值，w₅为所述操作项在所述变更行为单元的风险值中所占的权重值；b为根据所述变更操作项以及与该变更操作项对应的配置项所确定组合风险值，w₆为所述配置项和所述操作项的结合在所述变更行为单元的风险值中所占的权重值。

8.如权利要求7所述的装置，其特征在于，

将所述变更操作项作为输入参数输入至变更风险库，从变更风险库中查询该变更操作项的操作风险值；

将所述变更操作项对应的配置项作为输入参数输入至变更风险库，从变更风险库中查询该配置项的配置风险值；

将所述变更操作项以及该变更操作项对应的配置项共同作为输入参数输入至变更风险库，从变更风险库中查询组合风险值。

9.如权利要求8所述的装置，其特征在于，所述变更风险库通过以下方式得到：

通过机器学习算法，确定权重值w₁、w₂、w₃、w₄、w₅、w₆；

根据确定的权重值w₁、w₂、w₃、w₄、w₅、w₆，计算历史变更行为单元的预测风险值；

获取所述历史变更行为单元的实际风险值；

根据所述历史变更行为单元的实际风险值，调整所述历史变更行为单元的预测风险值；

根据调整后的历史变更行为单元的预测风险值，建立变更风险库。

10.如权利要求6所述的装置，其特征在于，所述确定模块，具体用于：

获取所有的变更行为单元的风险值，根据所有的变更行为单元的风险值，确定变更的风险值。