CN108470242A - 风险管控方法、装置、及服务器 - Google Patents

Abstract

本说明书实施例提供一种风险管控方法、装置、及服务器。该方法包括：获取业务系统中的调用数据，调用数据包括第一数量的特征参数；对第一数量的特征参数的按照特征参数的特征值进行组合处理，得到包含第一数量的特征值的组合特征参数；基于故障测试模型对所述组合特征参数进行故障测试，得到所述组合特征参数的故障数据；利用所述故障数据计算相应的特征值的故障概率；基于所述故障概率对所述业务系统进行风险管控。

Description

风险管控方法、装置、及服务器

技术领域

本说明书实施例涉及计算机处理技术领域，特别涉及一种风险管控方法、装置、及服务器。

背景技术

随着互联网技术的日新月异，促进了互联网业务系统的不断改进和发展，业务系统在不断提升的过程中面临着各种故障带来的系统风险。如何对互联网业务系统进行有效的风险管控，以防范和降低这些故障带来的影响已经是迫待解决的问题。

现有技术中常常采用回归测试对业务系统进行风险管控处理，具体的，需要人工尽可能多的“覆盖”参数，测试出引发系统故障的情况；然后，采取相应的修复处理。但由于业务系统中业务复杂多变，引发故障的参数数量庞大，回归测试进行风险管控处理时，测试过程完全是靠人工的，存在耗时、费力，“覆盖”参数不全面的问题，无法对业务系统风险进行有效管控。因此，需要提供更可靠的方案。

发明内容

本说明书实施例的目的是提供一种风险管控方法、装置、及服务器，可以对业务系统进行有效的风险管控。

本说明书实施例是这样实现的：

一种风险管控方法，包括：

获取业务系统中的调用数据，所述调用数据包括第一数量的特征参数；

对所述第一数量的特征参数的按照特征参数的特征值进行组合处理，得到包含第一数量的特征值的组合特征参数；

基于故障测试模型对所述组合特征参数进行故障测试，得到所述组合特征参数的故障数据；

利用所述故障数据计算相应的特征值的故障概率；

基于所述故障概率对所述业务系统进行风险管控。

一种风险管控装置，包括：

调用数据获取模块，用于获取业务系统中的调用数据，所述调用数据包括第一数量的特征参数；

组合处理模块，用于对所述第一数量的特征参数的按照特征参数的特征值进行组合处理，得到包含第一数量的特征值的组合特征参数；

故障测试模块，用于基于故障测试模型对所述组合特征参数进行故障测试，得到所述组合特征参数的故障数据；

故障概率计算模块，用于利用所述故障数据计算相应的特征值的故障概率；

风险管控模块，用于基于所述故障概率对所述业务系统进行风险管控。

一种风险管控服务器，包括处理器及存储器，所述存储器存储由所述处理器执行的计算机程序指令，所述计算机程序指令包括：

获取业务系统中的调用数据，所述调用数据包括第一数量的特征参数；

对所述第一数量的特征参数的按照特征参数的特征值进行组合处理，得到包含第一数量的特征值的组合特征参数；

基于故障测试模型对所述组合特征参数进行故障测试，得到所述组合特征参数的故障数据；

利用所述故障数据计算相应的特征值的故障概率；

基于所述故障概率对所述业务系统进行风险管控。

由以上可见，本说明书一个或多个实施例通过将引发故障的特征参数的特征值引发故障的情况进行量化，可以直观的确定出业务系统存在的风险情况，进而可以根据该量化的数值对业务系统进行有效的风险管控。

附图说明

为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本说明书提供的风险管控方法的一种实施例的流程示意图；

图2是本说明书提供的基于故障测试模型对所述组合特征参数进行故障测试，得到所述组合特征参数的故障数据一种示例图；

图3是本说明书提供的故障测试模型训练及应用的一种实施例的示意图；

图4是本说明书提供的风险管控方法另一实施例的流程示意图；

图5是本说明书提供的风险管控装置的一种实施例的结构示意图；

图6是根据本说明书的一示例性实施例的风险管控服务器的示意结构图。

具体实施方式

本说明书实施例提供一种风险管控方法、装置、及服务器。

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。

在实际应用中，业务系统的故障往往是由系统调用时某些特征参数发生了变化引起的，例如，应该出现的特征参数的特征值缺失、应该缺失的特征参数的特征值出现、某两个或多个特征参数的特征值互斥但同时出现等。基于此，本说明书实施例中，可以通过对特征参数的特征值引发故障的情况进行量化以达到对业务系统进行风险管控。

以下介绍本说明书一种风险管控方法的一种具体实施例。图1是本说明书提供的风险管控方法的一种实施例的流程示意图，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或服务器产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图1所示，所述方法可以包括：

S102：获取业务系统中的调用数据，所述调用数据包括第一数量的特征参数。

本说明书实施例中，可以通过捕捉业务系统的调用链路来获取系统调用过程中的调用数据；具体的，所述调用数据可以包括业务处理过程中的第一数量的特征参数。具体的，所述第一数量，即，每一调用数据中的特征参数的数量可以结合实际应用业务确定。例如，某一调用数据包括：特征参数A、特征参数B和特征参数C三个特征参数。

在实际应用中，所述调用数据还可以包括特征参数的特征值(所述特征值即特征参数的具体取值)。另外，每一特征参数的特征值可以包括一个或多个。

S104：对所述第一数量的特征参数的按照相应的特征值进行组合处理，得到包含第一数量的特征值的组合特征参数。

本说明书实施例中，考虑到特征参数可以取不同的特征值，相应的，系统调用包含相同特征参数的调用数据时，实际调用的数据可以结合特征参数的不同特征值有所不同。基于此，本说明书实施例中，可以对所述第一数量的特征参数的按照特征参数的特征值进行组合处理，得到包含第一数量的特征值的组合特征参数。

在一个具体的实施例中，如表1所示，调用数据可以包括：特征参数A、特征参数B和特征参数C，且特征参数A包括1和2两个特征值，特征参数B包括3和4两个特征值，特征参数C包括一个特征值5。相应的，将所述3个特征参数的特征值进行组合处理可以得到的组合特征参数可以包括：(1、3、5)，(2、3、5)，(1、4、5)，(2、4、5)四个组合特征参数。

特征参数A	特征参数B	特征参数C
			1	3	5
2	4

表1

S106：基于故障测试模型对所述组合特征参数进行故障测试，得到所述组合特征参数的故障数据。

本说明书实施例中，在确定组合特征参数之后，可以基于故障测试模型对所述组合特征参数进行故障测试，以确定业务系统在调用该组合特征参数时是否会引发故障。

具体的，本说明书实施例中所述故障数据可以用于表征业务系统在进行业务处理时，调用相应的组合特征参数时是否会引发故障。例如，故障数据1可以用于表征业务系统在进行业务处理时，调用相应的组合特征参数时会引发故障。

在一个具体的实施例中，所述故障测试模型可以包括用于运行所述组合特征参数所对应的业务程序的应用系统；如图2所示，图2是本说明书提供的基于故障测试模型对所述组合特征参数进行故障测试，得到所述组合特征参数的故障数据一种示例图。从图2中可见，将所述组合特征参数输入所述故障测试模型就可以根据运行结果输出相应的故障数据。

在另一个具体的实施例中，所述故障测试模型可以包括基于机器学习对历史组合特征参数和历史组合特征参数的历史故障数据进行训练确定的模型。

具体的，所述历史组合特征参数可以包括：业务系统实际应用过程中调用的调用数据所对应的特征参数的特征值；相应的，所述历史组合特征参数的历史故障数据可以包括业务系统实际应用过程中在调用该调用数据所对应的特征参数的特征值时的故障数据。

具体的，这里的机器学习可以包括但不限于卷积神经网络，逻辑回归算法等。在一个具体的实施例中，以利用卷积神经网络对历史组合特征参数以及历史组合特征参数的历史故障数据进行训练得到的故障测试模型为例，具体的可以包括以下步骤：

将历史组合特征参数输入预先设置的卷积神经网络进行训练；

调整所述卷积神经网络中各层的参数直至所述卷积神经网络的当前输出的故障数据与预设故障数据相匹配，将当前卷积神经网络作为使用概率识别模型。

具体的，这里的预设故障数据可以包括相应的历史组合特征参数的历史故障数据。

如图3所示，图3是本说明书提供的故障测试模型训练及应用的一种实施例的示意图。从图中3可见，在得到基于机器学习历史组合特征参数以及历史组合特征参数的历史故障数据进行训练确定的故障测试模型后，后续，将一个新的组合特征参数输入该故障测试模型，该故障测试模型可以输出该新的新的组合特征参数的故障数据。

S108：利用所述故障数据计算相应的特征值的故障概率。

本说明书实施例中利用所述故障数据计算相应的特征值的故障概率可以包括但不限于采用信息增益、故障引发频率统计法、互信息法、随机森林法等。具体的，所述特征值的故障概率可以用于表征相应的特征参数在取该特征值时引发故障的概率。

在一个具体的实施例中，以采用故障引发频率统计法为例，所述利用所述故障数据计算相应的特征值的故障概率可以包括：

根据所述故障数据统计相应的特征值引发故障次数和未引发故障次数；

将特征值的引发故障次数与未引发故障次数相减得到差值；

当所述差值大于零时，将所述差值除以相应的调用数据所对应的故障次数，将得到的商作为相应的特征值的故障概率。

在另一些实施例中，所述方法还可以包括：

当所述差值小于等于零时，将零作为相应的特征值的故障概率。

具体的实施例中，假设组合特征参数(1、3、5)，(2、3、5)，(1、4、5)，(2、4、5)，且上述四个组合特征参数的故障数据依次为：引发故障、引发故障、未引发故障和未引发故障。相应的，上述的组合特征参数中包括特征值1、2、3、4、5，利用上述的故障引发频率统计法计算得到特征值的故障概率可以如表2所示。

从表2可见，本说明书实施例中将特征值引发故障的情况量化为具体的数值，以便于直观的确定出业务系统存在的风险情况，进而可以对引发故障概率较高的情况进行相应的修复处理，降低业务系统的故障风险。

表2

S110：基于所述故障概率对所述业务系统进行风险管控。

本说明书实施例，所述基于所述故障概率对所述业务系统进行风险管控可以包括：

确定出故障概率大于等于第一阈值的特征值；

对所述故障概率大于等于第一阈值的特征值所对应的业务程序进行相应的修复处理。

具体的，本说明书实施例中，所述第一阈值可以结合实际业务系统对故障控制情况的要求进行设置，一般的，当所述第一阈值设置的越小，对业务系统的风险管控效果越好。

由此可见，本说明书一种风险管控方法的实施例通过将引发故障的特征参数的特征值引发故障的情况进行量化，可以直观的确定出业务系统存在的风险情况，进而可以根据该量化的数值对业务系统进行有效的风险管控。

在实际应用中，现有的回归测试往往不能全面的覆盖业务系统业务处理时调用的特征参数的特征值。当回归测试没有覆盖到引发故障概率较高的特征参数的特征值时，业务系统依然存在较大的无法管控的风险。基于此，本说明书实施例中可以对未覆盖的特征值引发故障的情况进行量化以达到对业务系统的风险管控。

如图4所示，图4是本说明书提供的风险管控方法另一实施例的流程示意图。具体的，在上述的风险管控方法的基础上，所述方法还可以包括：

S112：确定所述业务系统中回归测试未覆盖的特征值。

S114：利用所述未覆盖的特征值的故障概率计算所述业务系统的风险敞口率。

在一个具体的实施例中，利用所述未覆盖的特征值的故障概率计算所述业务系统的风险敞口率可以包括：

对所述未覆盖的特征值的故障概率进行求和处理，得到未覆盖的特征值的故障概率和；

将所述故障概率和除以所述业务系统的故障概率和，将得到的商作为所述业务系统的风险敞口率。

具体的，这里所述业务系统的故障概率和可以包括上述业务系统中调用数据所对应的特征参数的特征值的故障概率和。以上述表2为例，所述业务系统的故障概率和可以为：100％+0％+0％+0％+0％＝100％。

另外，需要说明的是，上述实施例中仅仅以业务系统中的一组调用数据为例，在实际应用中，还可以包括多组调用数据，当包括多组调用数据时，所述未覆盖的特征值可以为多组调用数据的特征参数的特征。

在一个具体的实施例中，假设回归测试时，对(2、3、5)和(2、4、5)进行了测试，但该测试并未覆盖特征值1，相应的，利用本说明书实施例的方案可以确定出未覆盖的特征值为1，进一步的，未覆盖的特征值的故障概率为100％，进一步的，计算得到风险敞口率为：100％/100％＝100％。

有上述可见，通过未覆盖的特征值的故障概率计算出风险敞口率，可以对回归测试没有覆盖到特征参数的特征值引发故障的情况进行量化，进而可以对业务系统进行有效的风险管控。

另外，需要说明的是，本说明书实施例中，所述风险敞口率的计算方式并不仅限于上述的方式，在实际应用中还可以包括其他基于未覆盖的特征的故障概率计算的方式，本说明书实施例并不以上述为限。

S116：基于所述风险敞口率对所述业务系统进行风险管控。

本说明书实施例中，所述基于所述故障概率对所述业务系统进行风险管控可以包括：基于所述风险敞口率对所述业务系统进行风险管控。

具体的实施例中，所述基于所述风险敞口率对所述业务系统进行风险管控可以包括：

判断所述风险敞口率是否大于等于第二阈值；

当判断的结果为是时，对所述业务系统进行相应的修复处理。

具体的，本说明书实施例中，所述第二阈值可以结合实际业务系统对故障控制情况的要求进行设置，一般的，当所述第二阈值设置的越小，对业务系统的风险管控效果越好。

由此可见，本说明书一种风险管控方法的实施例通过未覆盖的特征值的故障概率计算出风险敞口率，可以对回归测试没有覆盖到特征参数的特征值引发故障的情况进行量化，直观的确定出业务系统存在的风险情况，进而可以根据该量化的数值对业务系统进行有效的风险管控。

本说明书另一方面还提供一种风险管控装置，图5是本说明书提供的风险管控装置的一种实施例的结构示意图，如图5所示，所述装置500可以包括：

调用数据获取模块510，可以用于获取业务系统中的调用数据，所述调用数据包括第一数量的特征参数；

组合处理模块520，可以用于对所述第一数量的特征参数的按照特征参数的特征值进行组合处理，得到包含第一数量的特征值的组合特征参数；

故障测试模块530，可以用于基于故障测试模型对所述组合特征参数进行故障测试，得到所述组合特征参数的故障数据；

故障概率计算模块540，可以用于利用所述故障数据计算相应的特征值的故障概率；

风险管控模块550，可以用于基于所述故障概率对所述业务系统进行风险管控。

另一实施例中，所述装置500还可以包括：

特征值确定模块，可以用于确定所述业务系统中回归测试未覆盖的特征值；

风险敞口率计算模块，可以用于利用所述未覆盖的特征值的故障概率计算所述业务系统的风险敞口率；

相应的，所述风险管控模块550还可以用于基于所述风险敞口率对所述业务系统进行风险管控。

另一实施例中，所述风险敞口率计算模块包括：

第一计算单元，用于对所述未覆盖的特征值的故障概率进行求和处理，得到未覆盖的特征值的故障概率和；

第二计算单元，用于将所述故障概率和除以所述业务系统的故障概率和，将得到的商作为所述业务系统的风险敞口率。

另一实施例中，所述风险管控模块550可以包括：

判断单元，可以用于判断所述风险敞口率是否大于等于第二阈值；

第一修复处理单元，可以用于当所述判断单元判断的结果为是时，对所述业务系统进行相应的修复处理。

另一实施例中，所述故障测试模型至少可以包括下述之一：

用于运行所述组合特征参数所对应的业务程序的应用系统；

或，

基于机器学习对历史组合特征参数和历史组合特征参数的历史故障数据进行训练确定的模型。

另一实施例中，所述故障概率计算模块540可以包括：

第三计算单元，可以用于根据所述故障数据统计相应的特征值引发故障次数和未引发故障次数；

第四计算单元，可以用于将特征值的引发故障次数与未引发故障次数相减得到差值；

第一故障概率确定单元，可以用于当所述差值大于零时，将所述差值除以相应的调用数据所对应的故障次数，将得到的商作为相应的特征值的故障概率。

另一实施例中，所述装置500还可以包括：

第二故障概率确定单元，可以用于当所述差值小于等于零时，将零作为相应的特征值的故障概率。

另一实施例中，所述风险管控模块550可以包括：

特征值确定单元，可以用于确定出故障概率大于等于第一阈值的特征值；

第二修复处理单元，可以用于对所述故障概率大于等于第一阈值的特征值所对应的业务程序进行相应的修复处理。

本说明书实施例提供的上述风险管控方法或装置可以在计算机中由处理器执行相应的程序指令来实现，如使用windows操作系统的c++语言在PC端实现，或其他例如使用android、iOS系统程序设计语言在智能终端实现，以及基于量子计算机的处理逻辑实现等。如图6所示，图6是根据本说明书的一示例性实施例的风险管控服务器的示意结构图。在硬件层面，该服务器可以包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成风险管控装置。当然，除了软件实现方式之外，本申请并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

具体的，本说明书另一方面还提供一种风险管控服务器，包括处理器及存储器，所述存储器存储由所述处理器执行的计算机程序指令，所述计算机程序指令可以包括：

获取业务系统中的调用数据，所述调用数据包括第一数量的特征参数；

对所述第一数量的特征参数的按照特征参数的特征值进行组合处理，得到包含第一数量的特征值的组合特征参数；

基于故障测试模型对所述组合特征参数进行故障测试，得到所述组合特征参数的故障数据；

利用所述故障数据计算相应的特征值的故障概率；

基于所述故障概率对所述业务系统进行风险管控。

本说明书实施例中，所述的处理器可以包括中央处理器(CPU)或图形处理器(GPU)，当然也可以包括其他的具有逻辑处理能力的单片机、逻辑门电路、集成电路等，或其适当组合。本申请实施例所述的存储器可以是用于保存信息的记忆设备。在数字系统中，能保存二进制数据的设备可以是存储器；在集成电路中，一个没有实物形式的具有存储功能的电路也可以为存储器，如RAM、FIFO等；在系统中，具有实物形式的存储设备也可以叫存储器等。实现的时候，该存储器也可以采用云存储器的方式实现，具体实现方式，本说明书不错限定。

由此可见，本说明书一种风险管控方法、装置或服务器的实施例通过未覆盖的特征值的故障概率计算出风险敞口率，可以对回归测试没有覆盖到特征参数的特征值引发故障的情况进行量化，直观的确定出业务系统存在的风险情况，进而可以根据该量化的数值对业务系统进行有效的风险管控。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

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、装置、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(装置)、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。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储、石墨烯存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、装置或计算机程序产品。因此，本说明书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，本说明书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。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置和服务器实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在权利要求范围之内。

Claims (17)

1.一种风险管控方法，包括：

获取业务系统中的调用数据，所述调用数据包括第一数量的特征参数；

对所述第一数量的特征参数的按照特征参数的特征值进行组合处理，得到包含第一数量的特征值的组合特征参数；

基于故障测试模型对所述组合特征参数进行故障测试，得到所述组合特征参数的故障数据；

利用所述故障数据计算相应的特征值的故障概率；

基于所述故障概率对所述业务系统进行风险管控。

2.根据权利要求1所述的方法，其中，所述方法还包括：

确定所述业务系统中回归测试未覆盖的特征值；

利用所述未覆盖的特征值的故障概率计算所述业务系统的风险敞口率；

相应的，所述基于所述故障概率对所述业务系统进行风险管控包括：

基于所述风险敞口率对所述业务系统进行风险管控。

3.根据权利要求2所述的方法，其中，所述利用所述未覆盖的特征值的故障概率计算所述业务系统的风险敞口率包括：

对所述未覆盖的特征值的故障概率进行求和处理，得到未覆盖的特征值的故障概率和；

将所述故障概率和除以所述业务系统的故障概率和，将得到的商作为所述业务系统的风险敞口率。

4.根据权利要求2所述的方法，其中，所述基于所述风险敞口率对所述业务系统进行风险管控包括：

判断所述风险敞口率是否大于等于第二阈值；

当判断的结果为是时，对所述业务系统进行相应的修复处理。

5.根据权利要求1或2所述的方法，其中，所述故障测试模型至少包括下述之一：

用于运行所述组合特征参数所对应的业务程序的应用系统；

或，

基于机器学习对历史组合特征参数和历史组合特征参数的历史故障数据进行训练确定的模型。

6.根据权利要求1或2所述的方法，其中，所述利用所述故障数据计算相应的特征值的故障概率包括：

根据所述故障数据统计相应的特征值引发故障次数和未引发故障次数；

将特征值的引发故障次数与未引发故障次数相减得到差值；

当所述差值大于零时，将所述差值除以相应的调用数据所对应的故障次数，将得到的商作为相应的特征值的故障概率。

7.根据权利要求6所述的方法，其中，所述方法还包括：

当所述差值小于等于零时，将零作为相应的特征值的故障概率。

8.根据权利要求1或2所述的方法，其中，所述基于所述故障概率对所述业务系统进行风险管控包括：

确定出故障概率大于等于第一阈值的特征值；

对所述故障概率大于等于第一阈值的特征值所对应的业务程序进行相应的修复处理。

9.一种风险管控装置，包括：

调用数据获取模块，用于获取业务系统中的调用数据，所述调用数据包括第一数量的特征参数；

组合处理模块，用于对所述第一数量的特征参数的按照特征参数的特征值进行组合处理，得到包含第一数量的特征值的组合特征参数；

故障测试模块，用于基于故障测试模型对所述组合特征参数进行故障测试，得到所述组合特征参数的故障数据；

故障概率计算模块，用于利用所述故障数据计算相应的特征值的故障概率；

风险管控模块，用于基于所述故障概率对所述业务系统进行风险管控。

10.根据权利要求9所述的装置，其中，所述装置还包括：

特征值确定模块，用于确定所述业务系统中回归测试未覆盖的特征值；

风险敞口率计算模块，用于利用所述未覆盖的特征值的故障概率计算所述业务系统的风险敞口率；

相应的，所述风险管控模块还用于基于所述风险敞口率对所述业务系统进行风险管控。

11.根据权利要求10所述的装置，其中，所述风险敞口率计算模块包括：

第一计算单元，用于对所述未覆盖的特征值的故障概率进行求和处理，得到未覆盖的特征值的故障概率和；

第二计算单元，用于将所述故障概率和除以所述业务系统的故障概率和，将得到的商作为所述业务系统的风险敞口率。

12.根据权利要求10所述的装置，其中，所述风险管控模块包括：

判断单元，用于判断所述风险敞口率是否大于等于第二阈值；

第一修复处理单元，用于当所述判断单元判断的结果为是时，对所述业务系统进行相应的修复处理。

13.根据权利要求9或10所述的装置，其中，所述故障测试模型至少包括下述之一：

用于运行所述组合特征参数所对应的业务程序的应用系统；

或，

基于机器学习对历史组合特征参数和历史组合特征参数的历史故障数据进行训练确定的模型。

14.根据权利要求9或10所述的装置，其中，所述故障概率计算模块包括：

第三计算单元，用于根据所述故障数据统计相应的特征值引发故障次数和未引发故障次数；

第四计算单元，用于将特征值的引发故障次数与未引发故障次数相减得到差值；

第一故障概率确定单元，用于当所述差值大于零时，将所述差值除以相应的调用数据所对应的故障次数，将得到的商作为相应的特征值的故障概率。

15.根据权利要求14所述的装置，其中，所述装置还包括：

第二故障概率确定单元，用于当所述差值小于等于零时，将零作为相应的特征值的故障概率。

16.根据权利要求9或10所述的装置，其中，所述风险管控模块包括：

特征值确定单元，用于确定出故障概率大于等于第一阈值的特征值；

第二修复处理单元，用于对所述故障概率大于等于第一阈值的特征值所对应的业务程序进行相应的修复处理。

17.一种风险管控服务器，包括处理器及存储器，所述存储器存储由所述处理器执行的计算机程序指令，所述计算机程序指令包括：

获取业务系统中的调用数据，所述调用数据包括第一数量的特征参数；

对所述第一数量的特征参数的按照特征参数的特征值进行组合处理，得到包含第一数量的特征值的组合特征参数；

基于故障测试模型对所述组合特征参数进行故障测试，得到所述组合特征参数的故障数据；

利用所述故障数据计算相应的特征值的故障概率；

基于所述故障概率对所述业务系统进行风险管控。