CN109634661A - 服务器底层数据变更方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本发明提出一种底层数据变更方法、装置、计算机设备和存储介质，属于数据同步技术领域，该方法包括：通过检索第一金融机构服务器数据库中所有数据，找到符合第一金融机构服务器底层数据格式规则的数据；根据所述数据库的处理日志，确定曾经访问过符合第一金融机构服务器底层数据格式规则的数据的所有程序代码块；确定所述程序代码块中出现的所述符合第一金融机构服务器底层数据格式规则的数据；基于第二金融机构服务器底层数据格式规则，将确定出的所述程序代码块中出现的所述符合第一金融机构服务器底层数据格式规则的数据修改成符合第二金融机构底层数据格式规则的数据。这样，就实现了这些程序在新环境中的快速移植，避免了人工排查的繁琐。

Description

服务器底层数据变更方法、装置、计算机设备和存储介质

技术领域

本发明涉及数据同步技术领域，特别是涉及金融机构服务器底层数据变更方法、装置、计算机设备和存储介质。

背景技术

金融系统中，经常出现以下情况：为一个金融机构开发的金融业务管理系统需要被另一个金融机构使用。例如，一个金融机构将自己的一套金融业务管理系统卖给另一个金融机构。又例如，由于共同合作，需要让另一个金融系统来使用自己的金融业务管理系统。这时，为一个金融机构开发的系统上就要运行另一个金融机构的数据。但是，不同的金融机构上底层数据的基础格式不一样。例如，甲公司的总部的机构代码为2，一级部门的机构代码为201、202、203……；乙公司的总的部机构代码为0000000，一级部门的机构代码为0000010、0000020、0000030……。这时就需要人工逐一排查系统中的所有程序代码中涉及金融机构的底层数据的部分，将其转换为另一个金融机构的底层数据格式。例如，人工逐一排查系统中程序代码调用总部、或一级部门。或二级部门、或三级部门的机构代码部分，将该机构代码修改成按照另一个金融机构规则命名的机构代码。这个工作量是巨大的。

发明内容

基于此，为解决相关技术中将一个金融机构的系统给另一个金融机构使用时修改程序代码中的基础数据格式带来的工作量巨大的技术问题，本发明提供了一种金融机构服务器底层数据变更方法、装置、计算机设备和存储介质。

第一方面，提供了一种金融机构服务器底层数据变更方法，包括：

通过检索第一金融机构服务器的数据库中所有数据，找到符合第一金融机构服务器底层数据格式规则的数据；

根据所述数据库的处理日志，确定曾经访问过符合第一金融机构服务器底层数据格式规则的数据的所有程序代码块；

确定所述程序代码块中出现的所述符合第一金融机构服务器底层数据格式规则的数据；

基于第二金融机构服务器底层数据格式规则，将确定出的所述程序代码块中出现的所述符合第一金融机构服务器底层数据格式规则的数据修改成符合第二金融机构底层数据格式规则的数据。

在其中一个实施例中，所述找到符合第一金融机构服务器底层数据格式规则的数据包括：

将第一金融机构服务器的数据库中的语句逐一输入第一机器学习模型，所述第一机器学习模型输出该语句是否是包含符合所述第一金融机构服务器底层数据格式规则的数据的结果。

在其中一个实施例中，在将第一金融机构服务器的数据库中的语句逐一输入第一机器学习模型之前，所述第一机器学习模型如下训练出：

用包含所述符合第一金融机构服务器底层数据格式规则的数据的语句作为正样本、不包含所述符合第一金融机构服务器底层数据格式规则的数据的语句作为负样本，构成第一语句样本集；

将所述语句样本集中的每一个语句样本，逐一输入第一机器学习模型中进行学习，所述第一机器学习模型输出是否包含符合所述第一金融机构服务器底层数据格式规则的数据的判断结果，如果对于正样本输出不包含符合所述第一金融机构服务器底层数据格式规则的数据的判断结果，或对于负样本输出包含符合所述第一金融机构服务器底层数据格式规则的数据的判断结果，调整第一机器学习模型，使第一机器学习模型输出相反判断结果。

在其中一个实施例中，所述找到符合第一金融机构服务器底层数据格式规则的数据还包括：

将所述包含符合所述第一金融机构服务器底层数据格式规则的数据的语句输入第二机器学习模型，第二机器学习模型输出符合第一金融机构服务器底层数据格式规则的数据。

在其中一个实施例中，在将所述包含符合所述第一金融机构服务器底层数据格式规则的数据的语句输入第二机器学习模型之前，所述第二机器学习模型如下训练出：

将带有预判的符合第一金融机构底层数据格式规则的数据的语句作为样本，构成第二语句样本集；

将所述第二语句样本集中的每一个语句样本，逐一输入第二机器学习模型中进行学习，所述第二机器学习模型输出符合所述第一金融机构底层数据格式规则的数据，将将所述第二机器学习模型输出的数据与所述预判的符合第一金融机构底层数据格式规则的数据进行比对，从而对第二机器学习模型进行调整，使第二机器学习模型输出的数据与所述预判的符合第一金融机构底层数据格式规则的数据一致。

在其中一个实施例中，每个金融机构服务器均为一个区块链节点，所述方法在将确定出的所述程序代码块中出现的所述符合第一金融机构服务器底层数据格式规则的数据修改成符合第二金融机构底层数据格式规则的数据之后还包括：

将所述第一金融机构服务器底层数据格式和/或第二金融机构服务器底层数据格式均同步到其他区块链节点，以便其他区块链节点按照同步过来的金融机构服务器底层数据格式对底层数据进行变更。

第二方面，提供了一种金融机构服务器底层数据变更装置，包括：

检索单元，用于通过检索第一金融机构服务器的数据库中所有数据，找到符合第一金融机构服务器底层数据格式规则的数据；

代码块确认单元，用于根据所述数据库的处理日志，确定曾经访问过符合第一金融机构服务器底层数据格式规则的数据的所有程序代码块；

数据确认单元，用于确定所述程序代码块中出现的所述符合第一金融机构服务器底层数据格式规则的数据；

修改单元，用于基于第二金融机构服务器底层数据格式规则，将确定出的所述程序代码块中出现的所述符合第一金融机构服务器底层数据格式规则的数据修改成符合第二金融机构底层数据格式规则的数据。

第三方面，提供了一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述所述保单分配方法的步骤。

第四方面，提供了一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述所述保单分配方法的步骤。

本公开的实施例提供的技术方案可以包括以下有益效果：

上述金融机构服务器底层数据变更方法、装置、计算机设备和存储介质，通过检索第一金融机构服务器的数据库中所有数据，找到符合第一金融机构服务器底层数据格式规则的数据；根据所述数据库的处理日志，确定曾经访问过符合第一金融机构服务器底层数据格式规则的数据的所有程序代码块；确定所述程序代码块中出现的所述符合第一金融机构服务器底层数据格式规则的数据；基于第二金融机构服务器底层数据格式规则，将确定出的所述程序代码块中出现的所述符合第一金融机构服务器底层数据格式规则的数据修改成符合第二金融机构底层数据格式规则的数据。从数据库中符合第一金融机构的底层数据格式规则的数据入手，追溯曾访问其的程序，再修改这些程序中引用的底层数据格式，就实现了这些程序在新环境中的快速移植，避免了现有技术人工排查带来的巨大工作量。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。

附图说明

图1是一个实施例中提供的金融机构服务器底层数据变更方法的实施环境图。

图2是根据一示例性实施例示出的一种金融机构服务器底层数据变更方法的流程图。

图3是根据图2对应实施例示出的金融机构服务器底层数据变更方法中步骤S110的一种具体实现步骤中的第一机器学习模型训练的一种具体实现流程图。

图4是根据图2对应实施例示出的金融机构服务器底层数据变更方法中步骤S110的一种具体实现步骤中的第二机器学习模型训练的一种具体实现流程图。

图5是根据图2对应实施例示出的一种金融机构服务器底层数据变更方法的流程图。

图6是根据一示例性实施例示出的一种金融机构服务器底层数据变更装置的框图。

图7示意性示出一种用于实现上述金融机构服务器底层数据变更方法的电子设备示例框图。

图8示意性示出一种用于实现上述金融机构服务器底层数据变更方法的计算机可读存储介质。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，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为一个实施例中提供的金融机构服务器底层数据变更方法的实施环境图，如图1所示，该实施环境包括第一金融服务器100以及第二金融服务器200，所述第一金融服务器中包括有业务系统300，所述业务系统300经过数据变更后迁移到所述第二金融服务器中。

相关技术人员在通过检索第一金融机构服务器100的数据库中所有数据，找到符合第一金融机构100服务器底层数据格式规则的数据后，根据所述数据库的处理日志，确定曾经访问过符合第一金融机构服务器底层数据格式规则的数据的所有程序代码块。然后确定所述程序代码块中出现的所述符合第一金融机构服务器底层数据格式规则的数据。最后基于第二金融机构服务器200底层数据格式规则，将确定出的所述程序代码块中出现的所述符合第一金融机构服务器底层数据格式规则的数据修改成符合第二金融机构200底层数据格式规则的数据。这样就完成了业务系统300的迁移。

所述第一金融服务器100和所述第二金融服务器200可为台式计算机服务器、大型计算机服务器、云服务器、服务器集群等，但并不局限于此。所述第一金融服务器100以及所述第二金融服务器200可以通过有线、无线或者其他通讯连接方式以及U盘、软盘等媒介进行联系，本发明在此不做限制。

如图2所示，在一个实施例中，提出了一种金融机构服务器底层数据变更方法，所述金融机构服务器底层数据变更方法可以应用于上述的第二金融服务器200中，具体可以包括以下步骤：

步骤S110，通过检索第一金融机构服务器的数据库中所有数据，找到符合第一金融机构服务器底层数据格式规则的数据；

步骤S120，根据所述数据库的处理日志，确定曾经访问过符合第一金融机构服务器底层数据格式规则的数据的所有程序代码块；

步骤S130，确定所述程序代码块中出现的所述符合第一金融机构服务器底层数据格式规则的数据；

步骤S140，基于第二金融机构服务器底层数据格式规则，将确定出的所述程序代码块中出现的所述符合第一金融机构服务器底层数据格式规则的数据修改成符合第二金融机构底层数据格式规则的数据。

所述第一金融机构服务器的底层数据格式规则由相关维护人员在相关输入界面人工手动输入，所述第一金融机构服务器的底层数据格式规则例如是：

所有机构代码以2开头；

机构代码最多是7位，且机构代码的位数为奇数位，即总部机构代码为1位，一级部门的机构代码为3位，二级部门的机构代码为5位，三级部门的机构代码为7位；

机构代码第一位代表总部，第2、3位代表所属的一级部门，第4、5位代表所属的二级部门，第6、7位代表所属的三级部门。

因为系统完成底层数据的转换，最重要的是其中的程序代码原引用到总部机构代码、一级部门机构代码等的地方现在仍能引用到正确的总部机构代码、一级部门机构代码等。例如，原程序代码块(即第一金融机构服务器的程序代码块)有一条程序是“读取所有总部人员的工资”，其语句中用总部机构代码代表总部，如果机构代码不更换，在第二金融机构服务器中就难以找到或者容易找错所述代码表示的部门。如果进行更换，则其就能完美兼容第二金融机构服务器。因此本发明从符合第一金融机构服务器的底层数据格式规则的数据入手，追溯曾访问过所述符合第一金融机构服务器底层数据格式规则的数据的程序，在修改所述程序中引用的底层数据格式，实现了所述程序在新环境中的快速移植。

这样，就完成了将一个金融机构的系统给另一个金融系统使用时数据基础格式的自动转换，避免了人工排查的工作量，大大提高了效率。

可选的，步骤S110的具体实现方式可以包括以下步骤：

将第一金融机构服务器的数据库中的语句逐一输入第一机器学习模型，所述第一机器学习模型输出该语句是否是包含符合所述第一金融机构服务器底层数据格式规则的数据的结果。

图3示出了所述金融机构服务器底层数据变更方法中的上述步骤中所述第一机器学习模型的训练步骤，，在将第一金融机构服务器的数据库中的语句逐一输入第一机器学习模型之前，所述第一机器学习模型如下训练出：

步骤S210，用包含所述符合第一金融机构服务器底层数据格式规则的数据的语句作为正样本、不包含所述符合第一金融机构服务器底层数据格式规则的数据的语句作为负样本，构成第一语句样本集；

步骤S220，将所述语句样本集中的每一个语句样本，逐一输入第一机器学习模型中进行学习，所述第一机器学习模型输出是否包含符合所述第一金融机构服务器底层数据格式规则的数据的判断结果，如果对于正样本输出不包含符合所述第一金融机构服务器底层数据格式规则的数据的判断结果，或对于负样本输出包含符合所述第一金融机构服务器底层数据格式规则的数据的判断结果，调整第一机器学习模型，使第一机器学习模型输出相反判断结果。

由于输入的样本是已知的，可以确定其是正样本还是负样本，所以是否带有符合所述格式规则的数据是已知的。则，将所述已知结果作为期望输出，就可以训练所述第一机器学习模型。

其中步骤S220中学习的具体方式即为在外界输入样本的刺激下不断改变网络的连接权值。其本质是对各连接权重的动态调整。由于期望的输出是已知的，如果机器学习模型输出的结果与该所述期望的输出不符，就自动调整各连接的权重，直到得到的输出结果和期望的输出一致。这样，就训练好了第一机器学习模型。当第一机器学习模型训练的足够好以后，就不需要由相关系统维护人员输入第一金融机构服务器的格式规则，只要将系统中所有程序代码分成语句，一句一句输入第一机器学习模型，第一机器学习模型就会自动输出所述语句是否带有符合所述格式规则的数据的判断结果。

经过上述步骤仅找到了带有符合所述格式规则的数据的语句，若需要在所述语句中定位符合所述格式规则的数据，还可以训练第二机器学习模型。

可选的，步骤S110的具体实现方式还可以包括以下步骤：

将所述包含符合所述第一金融机构服务器底层数据格式规则的数据的语句输入第二机器学习模型，第二机器学习模型输出符合第一金融机构服务器底层数据格式规则的数据。

图4示出了所述金融机构服务器底层数据变更方法中的上述步骤中所述第二机器学习模型的训练步骤，在将所述包含符合所述第一金融机构服务器底层数据格式规则的数据的语句输入第二机器学习模型之前，所述第二机器学习模型如下训练出：

步骤S310，将带有预判的符合第一金融机构底层数据格式规则的数据的语句作为样本，构成第二语句样本集；

步骤S320，将所述第二语句样本集中的每一个语句样本，逐一输入第二机器学习模型中进行学习，所述第二机器学习模型输出符合所述第一金融机构底层数据格式规则的数据，将将所述第二机器学习模型输出的数据与所述预判的符合第一金融机构底层数据格式规则的数据进行比对，从而对第二机器学习模型进行调整，使第二机器学习模型输出的数据与所述预判的符合第一金融机构底层数据格式规则的数据一致。

其中，步骤S320中学习的具体方式即为在外界输入样本的刺激下不断改变网络的连接权值。其本质是对各连接权重的动态调整。由于每个语句中的符合所述格式规则的数据已经找出，如果机器学习模型输出的结果与所述期望的输出不符，则自动调整各连接权重，直到得到的输出结果和期望的输出一致。这样，就训练好了第二机器学习模型。这样，当如上所述找到了带有符合所述格式规则的数据的语句后，把所述语句输入第二机器学习模型，第二机器学习模型就输出符合所述格式规则的数据。通过所述实施方式，实现了不用相关系统维护人员输入第一金融机构服务器的格式规则，就可以自动完成将一个金融机构的系统给另一个金融机构使用时数据基础格式的自动转换。

图5示出了在一示例性实施例中，所述第一金融服务器100和所述第二金融服务器200均是区块链的一个节点，图2对应实施例中的步骤S140后，所述金融机构服务器底层数据变更的方法，还包括：

步骤S150，将所述第一金融机构服务器底层数据格式和/或第二金融机构服务器底层数据格式均同步到其他区块链节点，以便其他区块链节点按照同步过来的金融机构服务器底层数据格式对底层数据进行变更。

由于所述第一金融机构服务器与第二金融机构服务器均是区块链的一个节点，而每一个区块链节点记录的数据自动向其他区块链节点备份，所有区块链节点都会有这一数据。因此，当需要第一金融机构服务器的底层数据格式规则和第二金融机构服务器的底层数据格式规则时，可以查找其它区块链节点历史上在系统合作的情况下是否已经输入了所述两个金融机构服务器的底层数据格式，从而避免了要相关维护任务重新手动输入相关数据格式的问题，减少重复输入，提高处理效率。

例如，A金融公司的一套业务管理系统要卖给B公司使用，而A金融公司以前曾经卖过一套业务管理系统给C公司，则，A金融公司的底层数据格式以前是输入过的，并且被每一个区块链节点存储。B公司的购买的业务管理系统就可以根据区块链中存储的A公司的底层数据格式进行底层数据变更。通过这种方式，大大避免了重复的工作。

如图6所示，在一个实施例中，提供了一种金融机构服务器底层数据变更装置，所述金融机构服务器底层数据变更装置可以集成于上述的第二金融机构服务器200中，具体可以包括检索单元210、代码确认单元220、数据确认单元230以及修改单元240。

检索单元210，用于通过检索第一金融机构服务器的数据库中所有数据，找到符合第一金融机构服务器底层数据格式规则的数据；

代码块确认单元220，用于根据所述数据库的处理日志，确定曾经访问过符合第一金融机构服务器底层数据格式规则的数据的所有程序代码块；

数据确认单元230，用于确定所述程序代码块中出现的所述符合第一金融机构服务器底层数据格式规则的数据；

修改单元240，用于基于第二金融机构服务器底层数据格式规则，将确定出的所述程序代码块中出现的所述符合第一金融机构服务器底层数据格式规则的数据修改成符合第二金融机构底层数据格式规则的数据。

上述装置中各个模块的功能和作用的实现过程具体详见上述保单分配方法中对应步骤的实现过程，在此不再赘述。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。

在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图7来描述根据本发明的这种实施方式的电子设备500。图7显示的电子设备500仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图7所示，电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于：上述至少一个处理单元510、上述至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元510执行，使得所述处理单元510执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元510可以执行如图2中所示的步骤S110：通过检索第一金融机构服务器的数据库中所有数据，找到符合第一金融机构服务器底层数据格式规则的数据；步骤S120：根据所述数据库的处理日志，确定曾经访问过符合第一金融机构服务器底层数据格式规则的数据的所有程序代码块；步骤S130：确定所述程序代码块中出现的所述符合第一金融机构服务器底层数据格式规则的数据；步骤S140：基于第二金融机构服务器底层数据格式规则，将确定出的所述程序代码块中出现的所述符合第一金融机构服务器底层数据格式规则的数据修改成符合第二金融机构底层数据格式规则的数据。

存储单元520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)5201和/或高速缓存存储单元5202，还可以进一步包括只读存储单元(ROM)5203。

存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204，这样的程序模块5205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线530可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备500也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备500交互的设备通信，和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行。并且，电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器560通过总线530与电子设备500的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。

参考图8所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品600，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种金融机构服务器底层数据变更方法，其特征在于，所述方法包括：

通过检索第一金融机构服务器的数据库中所有数据，找到符合第一金融机构服务器底层数据格式规则的数据；

根据所述数据库的处理日志，确定曾经访问过符合第一金融机构服务器底层数据格式规则的数据的所有程序代码块；

确定所述程序代码块中出现的所述符合第一金融机构服务器底层数据格式规则的数据；

基于第二金融机构服务器底层数据格式规则，将确定出的所述程序代码块中出现的所述符合第一金融机构服务器底层数据格式规则的数据修改成符合所述第二金融机构底层数据格式规则的数据。

2.如权利要求1所述的方法，其特征在于，所述找到符合第一金融机构服务器底层数据格式规则的数据包括：

将第一金融机构服务器的数据库中的语句逐一输入第一机器学习模型，所述第一机器学习模型输出该语句是否是包含符合所述第一金融机构服务器底层数据格式规则的数据的结果。

3.如权利要求2所述的方法，其特征在于，在将第一金融机构服务器的数据库中的语句逐一输入第一机器学习模型之前，所述第一机器学习模型如下训练出：

用包含所述符合第一金融机构服务器底层数据格式规则的数据的语句作为正样本、不包含所述符合第一金融机构服务器底层数据格式规则的数据的语句作为负样本，构成第一语句样本集；

将所述语句样本集中的每一个语句样本，逐一输入第一机器学习模型中进行学习，所述第一机器学习模型输出是否包含符合所述第一金融机构服务器底层数据格式规则的数据的判断结果，如果对于正样本输出不包含符合所述第一金融机构服务器底层数据格式规则的数据的判断结果，或对于负样本输出包含符合所述第一金融机构服务器底层数据格式规则的数据的判断结果，调整第一机器学习模型，使第一机器学习模型输出相反判断结果。

4.如权利要求2所述的方法，其特征在于，所述找到符合第一金融机构服务器底层数据格式规则的数据还包括：

将所述包含符合所述第一金融机构服务器底层数据格式规则的数据的语句输入第二机器学习模型，第二机器学习模型输出符合第一金融机构服务器底层数据格式规则的数据。

5.如权利要求4所述的方法，其特征在于，在将所述包含符合所述第一金融机构服务器底层数据格式规则的数据的语句输入第二机器学习模型之前，所述第二机器学习模型如下训练出：

将带有预判的符合第一金融机构底层数据格式规则的数据的语句作为样本，构成第二语句样本集；

将所述第二语句样本集中的每一个语句样本，逐一输入第二机器学习模型中进行学习，所述第二机器学习模型输出符合所述第一金融机构底层数据格式规则的数据，将将所述第二机器学习模型输出的数据与所述预判的符合第一金融机构底层数据格式规则的数据进行比对，从而对第二机器学习模型进行调整，使第二机器学习模型输出的数据与所述预判的符合第一金融机构底层数据格式规则的数据一致。

6.如权利要求1所述的方法，其特征在于，每个金融机构服务器均为一个区块链节点，所述方法在将确定出的所述程序代码块中出现的所述符合第一金融机构服务器底层数据格式规则的数据修改成符合第二金融机构底层数据格式规则的数据之后还包括：

将所述第一金融机构服务器底层数据格式和/或第二金融机构服务器底层数据格式均同步到其他区块链节点，以便其他区块链节点按照同步过来的金融机构服务器底层数据格式对底层数据进行变更。

7.一种金融机构服务器底层数据变更装置，其特征在于，所述装置包括：

检索单元，用于通过检索第一金融机构服务器的数据库中所有数据，找到符合第一金融机构服务器底层数据格式规则的数据；

代码块确认单元，用于根据所述数据库的处理日志，确定曾经访问过符合第一金融机构服务器底层数据格式规则的数据的所有程序代码块；

数据确认单元，用于确定所述程序代码块中出现的所述符合第一金融机构服务器底层数据格式规则的数据；

修改单元，用于基于第二金融机构服务器底层数据格式规则，将确定出的所述程序代码块中出现的所述符合第一金融机构服务器底层数据格式规则的数据修改成符合第二金融机构底层数据格式规则的数据。

8.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至6中任一项所述的方法。

9.一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至6中任一项所述的方法。