CN112434308A - 应用漏洞检测方法、装置、电子设备及计算机存储介质 - Google Patents
应用漏洞检测方法、装置、电子设备及计算机存储介质 Download PDFInfo
- Publication number
- CN112434308A CN112434308A CN202011465927.4A CN202011465927A CN112434308A CN 112434308 A CN112434308 A CN 112434308A CN 202011465927 A CN202011465927 A CN 202011465927A CN 112434308 A CN112434308 A CN 112434308A
- Authority
- CN
- China
- Prior art keywords
- performance data
- data
- data set
- service
- performance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 103
- 230000002159 abnormal effect Effects 0.000 claims abstract description 92
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000000926 separation method Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 32
- 238000000605 extraction Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000009877 rendering Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
- G06F21/57—Certifying or maintaining trusted computer platforms, e.g. secure boots or power-downs, version controls, system software checks, secure updates or assessing vulnerabilities
- G06F21/577—Assessing vulnerabilities and evaluating computer system security
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明涉及软件监控技术,揭露了一种应用漏洞检测方法,包括:对应用服务运行过程产生的数据进行监测,得到运行数据集;对所述运行数据集进行性能数据分离,得到性能数据集;提取所述性能数据集中各数据之间的依赖关系,根据所述依赖关系将所述性能数据集划分为多个服务性能数据;分别对所述多个服务性能数据进行性能指标检测,得到异常服务性能数据;对所述异常服务性能数据进行异常节点检测,根据异常节点检测的结果确定应用漏洞。本发明还提出一种应用漏洞检测装置、电子设备以及计算机可读存储介质。本发明可以解决检测应用漏洞时的精确度较低的问题。
Description
技术领域
本发明涉及软件监控技术领域,尤其涉及一种应用漏洞检测方法、装置、电子设备及计算机可读存储介质。
背景技术
应用在被设计并投入使用后,会随着实际使用而产生诸多漏洞,如无法调用正确数据,服务响应迟钝等。对产品漏洞进行改进有利于提升用户体验,因此如何快速找出现有产品的漏洞成为了人们亟待解决的问题。
现有的定位应用问题缺陷的方法多为宏观状态分析方法,即根据应用的整体状态来对应用的漏洞进行判断。例如,对应用整体状态进行分析得到应用中数据调用服务的总调用时长,却无法显示数据调用服务中在具体对每个数据进行调用时的调用时长,导致了该方法无法精确定位应用的漏洞所在。
发明内容
本发明提供一种应用漏洞检测方法、装置及计算机可读存储介质,其主要目的在于解决检测应用漏洞时的精确度较低的问题。
为实现上述目的,本发明提供的一种应用漏洞检测方法,包括:
对应用服务运行过程产生的数据进行监测,得到运行数据集;
对所述运行数据集进行性能数据分离,得到性能数据集;
提取所述性能数据集中各数据之间的依赖关系,根据所述依赖关系将所述性能数据集划分为多个服务性能数据;
分别对所述多个服务性能数据进行性能指标检测,得到异常服务性能数据;
对所述异常服务性能数据进行异常节点检测,根据异常节点检测的结果确定应用漏洞。
可选地,所述对所述运行数据集进行性能数据分离,得到性能数据集,包括:
对所述运行数据集进行字段划分,得到字段集;
提取所述字段集中各字段的字段类型参数;
计算所述字段类型参数与预设的性能类型参数的距离值;
汇集所述距离值大于预设距离阈值的字段类型参数对应的字段为性能数据集。
可选地,所述对所述运行数据集进行字段划分,得到字段集,包括:
遍历所述运行数据集并确定所述运行数据集中字段分隔符的位置;
根据所述字段分隔符的位置对所述运行数据集进行字段拆分,得到字段集。
可选地,所述提取所述性能数据集中各数据之间的依赖关系,包括:
获取训练性能数据集以及所述训练性能数据集对应的标准依赖关系;
利用预设的依赖关系提取模型对所述训练性能数据集进行依赖关系提取,得到预测依赖关系;
计算所述预测依赖关系和所述标准依赖关系之间的差异值;
若所述差异值大于误差阈值,则调整所述依赖关系提取模型的参数后重新进行依赖关系提取;
若所述差异值小于所述误差阈值,则生成训练完成的依赖关系提取模型;
利用训练完成的依赖关系提取模型对所述性能数据集进行依赖关系提取,得到性能数据集中各数据之间的依赖关系。
可选地,所述分别对所述多个服务性能数据进行性能指标检测,包括:
顺序地从所述多个服务性能数据中选取服务性能数据;
根据所述服务性能数据计算多个局部性能指数;
对所述多个局部性能指数进行算数运算,得到性能指标;
当所述性能指标小于或等于预设的指标阈值时,确定所述服务性能数据为正常服务性能数据;
当所述性能指标大于所述指标阈值时,确定所述服务性能数据为异常服务性能数据。
可选地,所述对所述异常服务性能数据进行异常节点检测,包括:
依次选择所述异常服务性能数据中的其中一个数据为目标数据;
利用对比算法计算所述异常服务性能数据中选择的目标数据与邻近数据之间的局部可达密度比值;
判断所述局部可达密度比值是否小于或等于预设比值;
若所述局部可达密度比值大于预设比值时,确定选择的所述目标数据为正常节点数据;
若所述局部可达密度比值小于或等于预设比值时,确定选择的所述目标数据为异常节点数据。
可选地,所述所述根据异常节点检测的结果确定应用漏洞,包括:
利用匹配算法计算所述异常节点数据与预设的标准漏洞列表中漏洞的匹配值;
在所述匹配值大于或等于预设匹配阈值时,确定所述异常节点数据与所述产漏洞相匹配;
确定所述漏洞为应用漏洞。
为了解决上述问题,本发明还提供一种应用漏洞检测装置,所述装置包括:
数据检测模块,用于对应用服务运行过程产生的数据进行监测,得到运行数据集;
数据分离模块,用于对所述运行数据集进行性能数据分离,得到性能数据集;
数据划分模块,用于提取所述性能数据集中各数据之间的依赖关系,根据所述依赖关系将所述性能数据集划分为多个服务性能数据;
指标计算模块,用于分别对所述多个服务性能数据进行性能指标检测,得到异常服务性能数据;
漏洞检测模块,用于对所述异常服务性能数据进行异常节点检测,根据异常节点检测的结果确定应用漏洞。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述所述的应用漏洞检测方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的应用漏洞检测方法。
本发明实施例通过对运行数据集进行性能数据分离,得到性能数据集,可去除运行数据集中与性能无关的数据,有利于提高利用性能数据集对应用服务的性能进行分析的效率;提取性能数据集中各数据之间的依赖关系,根据依赖关系将性能数据集划分为多个服务性能数据,有利于后续根据多个服务性能数据定位应用漏洞,提高应用漏洞定位的精确度;通过对异常服务性能数据进行异常节点检测,根据异常节点检测的结果确定应用漏洞,可将应用漏洞确定至具体的应用服务中某一节点,有利于提高应用漏洞检测的精确度。因此本发明提出的应用漏洞检测方法、装置、电子设备及计算机可读存储介质,可以解决检测应用漏洞时的精确度较低的问题。
附图说明
图1为本发明一实施例提供的应用漏洞检测方法的流程示意图;
图2为本发明一实施例提供的应用漏洞检测装置的功能模块图;
图3为本发明一实施例提供的实现所述应用漏洞检测方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
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。
本申请实施例提供一种应用漏洞检测方法。所述应用漏洞检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述应用漏洞检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示,为本发明一实施例提供的应用漏洞检测方法的流程示意图。在本实施例中,所述应用漏洞检测方法包括:
S1、对应用服务运行过程产生的数据进行监测,得到运行数据集。
本发明实施例中,所述对应用服务可为任意软件应用中包含的服务,例如购物软件中提供的产品查询服务、订购服务和评价服务等。
所述时运行数据集是应用服务在运行过程中所产生的数据,例如,在运行产品查询服务时产生的查询数据,在运行订购服务时产生的订单数据等。
较佳地,本发明实施例通过预先安装的数据检测系统来对应用服务运行过程产生的数据进行监测,得到运行数据集,例如,通过SCADA(supervisory control and dataacquisition,数据采集与监控系统)来获取应用服务运行过程产生的运行数据集。
S2、对所述运行数据集进行性能数据分离,得到性能数据集。
本发明实施例中,由于监测到的运行数据集中包含大量对分析设备运行性能无用的数据,因此本发明实施例对所述运行数据集进行性能数据分离,进而提取出运行数据集中的性能数据。
详细地,所述性能数据集中包括多个性能数据,例如在运行产品查询服务时,应用服务对用户请求的响应时长、在运行订购服务时,应用服务生成订单的时长等。
具体地,所述对所述运行数据集进行性能数据分离,得到性能数据集,包括:
对所述运行数据集进行字段划分,得到字段集;
提取所述字段集中各字段的字段类型参数;
计算所述字段类型参数与预设的性能类型参数的距离值;
汇集所述距离值大于预设距离阈值的字段类型参数对应的字段为性能数据集。
本发明实施例中,所述对所述运行数据集进行字段划分,得到字段集,包括:
遍历所述运行数据集并确定所述运行数据集中字段分隔符的位置;
根据所述字段分隔符的位置对所述运行数据集进行字段拆分,得到字段集。
发明实施例中,所述字段分隔符可由业务人员自定定义,例如,运行数据集中包括数据:“qwe<rt<yuio<pl”,其中,<为字段分隔符,则按照运行数据集中字段分隔符的位置将运行数据集进行字段拆分为:“qwe”、“rt”、“yuio”和“pl”四个拆分字段。
本发明实施例对运行数据集进行字段拆分,可实现将长度较长的运行数据集拆分为多个长度较短的字段,进而减少每个字段中包含的参数量,有利于提高对运行数据集进行性能数据分离的效率。
详细地,本发明实施例可利用具有参数提取功能的java语句提取字段集中各字段的字段类型参数,所述字段类型参数包括请求类型参数、网络类型参数等,其中,请求类型参数包括但不限于请求时间、相应时长、请求地址等,网络类型参数包括但不限于网络丢包率,网络地址、网络状态等。
但由于字段类型参数中仅部的字段类型参数属于性能类型的参数,例如,请求类型参数中的请求时间、相应时长等,网络类型参数中的丢包率等。因此,为了提高对运行数据集分析的效率,本发明实施例通过计算字段类型参数与预设的性能类型参数的距离值,通过距离值筛选出运行数据集中的性能数据。
具体地,所述计算所述字段类型参数与预设的性能类型参数的距离值,包括:
利用如下距离算法计算所述字段类型参数与预设的性能类型参数的距离值:
其中,L(A,B)为所述距离值,A为所述字段类型参数,B为所述预设的性能类型参数。
本发明实施例汇集述距离值大于预设距离阈值的字段类型参数对应的字段为性能数据集。
本发明实施例中,对运行数据集进行性能数据分离,得到性能数据集,可去除运行数据集中与性能无关的数据,有利于提高利用性能数据集对应用服务的性能进行分析的效率。
S3、提取所述性能数据集中各数据之间的依赖关系,根据所述依赖关系将所述性能数据集划分为多个服务性能数据。
本发明实施例中,所述依赖关系是指性能数据集中不同性能数据对于不同应用服务的归属关系,例如,所述性能数据集中包括性能数据A、性能数据B、性能数据C和性能数据D,其中,性能数据A和性能数据B均是属于应用服务1的性能数据,性能数据C和性能数据D均是属于应用服务2的性能数据。
详细地,所述提取所述性能数据集中各数据之间的依赖关系,包括:
获取训练性能数据集以及所述训练性能数据集对应的标准依赖关系;
利用预设的依赖关系提取模型对所述训练性能数据集进行依赖关系提取,得到预测依赖关系;
计算所述预测依赖关系和所述标准依赖关系之间的差异值;
若所述差异值大于误差阈值,则调整所述依赖关系提取模型的参数后重新进行依赖关系提取;
若所述差异值小于所述误差阈值,则生成训练完成的依赖关系提取模型;
利用训练完成的依赖关系提取模型对所述性能数据集进行依赖关系提取,得到性能数据集中各数据之间的依赖关系。
详细地,所述计算所述预测依赖关系和所述标准依赖关系之间的差异值,包括:
具体地,本发明实施例通过梯度下降算法调整依赖关系提取模型的参数,所述梯度下降算法包括但不限于批量梯度下降算法、随机梯度下降算法和小批量梯度下降算法。
本发明实施例通过性能数据集中各数据之间的依赖关系将性能数据集中的数据进行划分,即将属于同一应用服务的性能数据划分至一起,得到应用中多个应用服务的服务性能数据。
本发明实施例提取性能数据集中各数据之间的依赖关系,根据依赖关系将性能数据集划分为多个服务性能数据,有利于后续根据多个服务性能数据定位应用漏洞,提高应用漏洞定位的精确度。
S4、分别对所述多个服务性能数据进行性能指标检测,得到异常服务性能数据。
本发明实施例中,所述分别对所述多个服务性能数据进行性能指标检测,得到异常服务性能数据,包括:
顺序地从所述多个服务性能数据中选取服务性能数据;
根据所述服务性能数据计算多个局部性能指数;
对所述多个局部性能指数进行算数运算,得到性能指标;
当所述性能指标小于或等于预设的指标阈值时,确定所述服务性能数据为正常服务性能数据;
当所述性能指标大于所述指标阈值时,确定所述服务性能数据为异常服务性能数据。
例如,多个服务性能数据包括应用服务1的服务性能数据、应用服务2的服务性能数据和应用服务3的服务性能数据,先选取应用服务1的服务性能数据,根据应用服务1的服务性能数据计算应用服务1的多个局部性能指数,并根据多个局部性能指数计算应用服务1的性能指标,依次类推,计算应用服务2和应用服务的性能指标。
详细地,服务性能数据中包括多个可用于计算服务性能的数据,例如,resopnseStart用于表示应用服务接受收到第一个字节的时间(或本地缓存返回第一个字节的时间);responseEnd用于表示应用服务收到最后一个字节的时间(或本地缓存读取最后一个字节的时间);domainLookupStart用于表示数据开始查询的时间;domInteractive用于表示当前页面解析完毕数据结构,开始加载数据的时间;domContentLoadEventEnd用于表示当前应用服务中的事件触发结束的时间;fetchStart用于表示http请求页面文档的生成时间;loadEventStart用于表示当前应用服务中事件开始触发的时间。
具体地,所述局部性能指数是指能代表应用服务的局部性能的指标,将所有局部性能的指标进行算数运算,即可生成代表应用服务整体的性能指标,所述局部性能指数包括但不限于首包耗时、首次渲染时间、首次可交互时间、页面完全加载时间和资源加载耗时等。
所述根据所述服务性能数据计算多个局部性能指数,例如:
首包耗时=responseStart-domainLookupStart
首次渲染时间=responseEnd-fetchStart
首次可交互时间=domInteractive-fetchStart
页面完全加载时间=loadEventStart-fetchStart
资源加载耗时=loadEventStart–domContentLoadedEventEnd
进一步地,本发明实施例可采用性能指数APDEX(Application PerformanceIndex,应用性能指标)算法对多个局部性能指数进行算数运算,得到性能指标。所述APDEX算法是一个国际通用的应用性能指标计算的标准,利用APDEX算法对多个局部性能指数进行算数运算,可提高计算得到的性能指标的精确性。
S5、对所述异常服务性能数据进行异常节点检测,根据异常节点检测的结果确定应用漏洞。
本发明实施例中,所述对所述异常服务性能数据进行异常节点检测,包括:
依次选择所述异常服务性能数据中的其中一个数据为目标数据;
利用对比算法计算所述异常服务性能数据中选择的目标数据与邻近数据之间的局部可达密度比值;
判断所述局部可达密度比值是否小于或等于预设比值;
若所述局部可达密度比值大于预设比值时,确定选择的所述目标数据为正常节点数据;
若所述局部可达密度比值小于或等于预设比值时,确定选择的所述目标数据为异常节点数据。
详细地,本发明实施例利用如下对比算法计算选择的所述目标数据与邻近数据之间的局部可达密度比值LFk(q):
其中,p为目标数据,Nk(q)为所述目标数据的邻近数据的集合,q为Nk(q)中任一个邻近数据,ldk(q)为Nk(q)内的数据密度,ld(p)为所述目标数据的自身密度,k为Nk(q)中邻近数据的个数,reach-distk(p,q)为用于计算p,q之间的距离的运算。
进一步地,所述根据异常节点检测的结果确定应用漏洞,包括:
利用匹配算法计算所述异常节点数据与预设的标准漏洞列表中漏洞的匹配值;
在所述匹配值大于或等于预设匹配阈值时,确定所述异常节点数据与所述产漏洞相匹配;
确定所述漏洞为应用漏洞。
详细地,所述标准漏洞列可由用户预先定义,所述标准漏洞列表中包含多个应用的漏洞。
具体地,所述利用匹配算法计算所述异常节点数据与预设的标准漏洞列表中漏洞的匹配值,包括:
利用如下匹配算法计算所述异常节点数据与预设的标准漏洞列表中漏洞的匹配值:
d(x,y)2=‖x-y‖2
其中,x为异常节点数据,y为预设的标准漏洞列表中漏洞。
本发明实施例通过对异常服务性能数据进行异常节点检测,根据异常节点检测的结果确定应用漏洞,可将应用漏洞确定至具体的应用服务中某一节点,有利于提高应用漏洞检测的精确度。
本发明实施例通过对运行数据集进行性能数据分离,得到性能数据集,可去除运行数据集中与性能无关的数据,有利于提高利用性能数据集对应用服务的性能进行分析的效率;提取性能数据集中各数据之间的依赖关系,根据依赖关系将性能数据集划分为多个服务性能数据,有利于后续根据多个服务性能数据定位应用漏洞,提高应用漏洞定位的精确度;通过对异常服务性能数据进行异常节点检测,根据异常节点检测的结果确定应用漏洞,可将应用漏洞确定至具体的应用服务中某一节点,有利于提高应用漏洞检测的精确度。因此本发明提出的应用漏洞检测方法,可以解决检测应用漏洞时的精确度较低的问题。
如图2所示,是本发明一实施例提供的应用漏洞检测装置的功能模块图。
本发明所述应用漏洞检测装置100可以安装于电子设备中。根据实现的功能,所述应用漏洞检测装置100可以包括数据检测模块101、数据分离模块102、数据划分模块103、指标计算模块104及漏洞检测模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述数据检测模块101,用于对应用服务运行过程产生的数据进行监测,得到运行数据集。
本发明实施例中,所述对应用服务可为任意软件应用中包含的服务,例如购物软件中提供的产品查询服务、订购服务和评价服务等。
所述时运行数据集是应用服务在运行过程中所产生的数据,例如,在运行产品查询服务时产生的查询数据,在运行订购服务时产生的订单数据等。
较佳地,本发明实施例通过预先安装的数据检测系统来对应用服务运行过程产生的数据进行监测,得到运行数据集,例如,通过SCADA(supervisory control and dataacquisition,数据采集与监控系统)来获取应用服务运行过程产生的运行数据集。
所述数据分离模块102,用于对所述运行数据集进行性能数据分离,得到性能数据集。
本发明实施例中,由于监测到的运行数据集中包含大量对分析设备运行性能无用的数据,因此本发明实施例对所述运行数据集进行性能数据分离,进而提取出运行数据集中的性能数据。
详细地,所述性能数据集中包括多个性能数据,例如在运行产品查询服务时,应用服务对用户请求的响应时长、在运行订购服务时,应用服务生成订单的时长等。
具体地,所述数据分离模块102具体用于:
对所述运行数据集进行字段划分,得到字段集;
提取所述字段集中各字段的字段类型参数;
计算所述字段类型参数与预设的性能类型参数的距离值;
汇集所述距离值大于预设距离阈值的字段类型参数对应的字段为性能数据集。
本发明实施例中,所述对所述运行数据集进行字段划分,得到字段集,包括:
遍历所述运行数据集并确定所述运行数据集中字段分隔符的位置;
根据所述字段分隔符的位置对所述运行数据集进行字段拆分,得到字段集。
发明实施例中,所述字段分隔符可由业务人员自定定义,例如,运行数据集中包括数据:“qwe<rt<yuio<pl”,其中,<为字段分隔符,则按照运行数据集中字段分隔符的位置将运行数据集进行字段拆分为:“qwe”、“rt”、“yuio”和“pl”四个拆分字段。
本发明实施例对运行数据集进行字段拆分,可实现将长度较长的运行数据集拆分为多个长度较短的字段,进而减少每个字段中包含的参数量,有利于提高对运行数据集进行性能数据分离的效率。
详细地,本发明实施例可利用具有参数提取功能的java语句提取字段集中各字段的字段类型参数,所述字段类型参数包括请求类型参数、网络类型参数等,其中,请求类型参数包括但不限于请求时间、相应时长、请求地址等,网络类型参数包括但不限于网络丢包率,网络地址、网络状态等。
但由于字段类型参数中仅部的字段类型参数属于性能类型的参数,例如,请求类型参数中的请求时间、相应时长等,网络类型参数中的丢包率等。因此,为了提高对运行数据集分析的效率,本发明实施例通过计算字段类型参数与预设的性能类型参数的距离值,通过距离值筛选出运行数据集中的性能数据。
具体地,所述计算所述字段类型参数与预设的性能类型参数的距离值,包括:
利用如下距离算法计算所述字段类型参数与预设的性能类型参数的距离值:
其中,L(A,B)为所述距离值,A为所述字段类型参数,B为所述预设的性能类型参数。
本发明实施例汇集述距离值大于预设距离阈值的字段类型参数对应的字段为性能数据集。
本发明实施例中,对运行数据集进行性能数据分离,得到性能数据集,可去除运行数据集中与性能无关的数据,有利于提高利用性能数据集对应用服务的性能进行分析的效率。
所述数据划分模块103,用于提取所述性能数据集中各数据之间的依赖关系,根据所述依赖关系将所述性能数据集划分为多个服务性能数据。
本发明实施例中,所述依赖关系是指性能数据集中不同性能数据对于不同应用服务的归属关系,例如,所述性能数据集中包括性能数据A、性能数据B、性能数据C和性能数据D,其中,性能数据A和性能数据B均是属于应用服务1的性能数据,性能数据C和性能数据D均是属于应用服务2的性能数据。
详细地,所述数据划分模块103具体用于:
获取训练性能数据集以及所述训练性能数据集对应的标准依赖关系;
利用预设的依赖关系提取模型对所述训练性能数据集进行依赖关系提取,得到预测依赖关系;
计算所述预测依赖关系和所述标准依赖关系之间的差异值;
若所述差异值大于误差阈值,则调整所述依赖关系提取模型的参数后重新进行依赖关系提取;
若所述差异值小于所述误差阈值,则生成训练完成的依赖关系提取模型;
利用训练完成的依赖关系提取模型对所述性能数据集进行依赖关系提取,得到性能数据集中各数据之间的依赖关系。
详细地,所述计算所述预测依赖关系和所述标准依赖关系之间的差异值,包括:
具体地,本发明实施例通过梯度下降算法调整依赖关系提取模型的参数,所述梯度下降算法包括但不限于批量梯度下降算法、随机梯度下降算法和小批量梯度下降算法。
本发明实施例通过性能数据集中各数据之间的依赖关系将性能数据集中的数据进行划分,即将属于同一应用服务的性能数据划分至一起,得到应用中多个应用服务的服务性能数据。
本发明实施例提取性能数据集中各数据之间的依赖关系,根据依赖关系将性能数据集划分为多个服务性能数据,有利于后续根据多个服务性能数据定位应用漏洞,提高应用漏洞定位的精确度。
所述指标计算模块104,用于分别对所述多个服务性能数据进行性能指标检测,得到异常服务性能数据。
本发明实施例中,所述指标计算模块104具体用于:
顺序地从所述多个服务性能数据中选取服务性能数据;
根据所述服务性能数据计算多个局部性能指数;
对所述多个局部性能指数进行算数运算,得到性能指标;
当所述性能指标小于或等于预设的指标阈值时,确定所述服务性能数据为正常服务性能数据;
当所述性能指标大于所述指标阈值时,确定所述服务性能数据为异常服务性能数据。
例如,多个服务性能数据包括应用服务1的服务性能数据、应用服务2的服务性能数据和应用服务3的服务性能数据,先选取应用服务1的服务性能数据,根据应用服务1的服务性能数据计算应用服务1的多个局部性能指数,并根据多个局部性能指数计算应用服务1的性能指标,依次类推,计算应用服务2和应用服务的性能指标。
详细地,服务性能数据中包括多个可用于计算服务性能的数据,例如,resopnseStart用于表示应用服务接受收到第一个字节的时间(或本地缓存返回第一个字节的时间);responseEnd用于表示应用服务收到最后一个字节的时间(或本地缓存读取最后一个字节的时间);domainLookupStart用于表示数据开始查询的时间;domInteractive用于表示当前页面解析完毕数据结构,开始加载数据的时间;domContentLoadEventEnd用于表示当前应用服务中的事件触发结束的时间;fetchStart用于表示http请求页面文档的生成时间;loadEventStart用于表示当前应用服务中事件开始触发的时间。
具体地,所述局部性能指数是指能代表应用服务的局部性能的指标,将所有局部性能的指标进行算数运算,即可生成代表应用服务整体的性能指标,所述局部性能指数包括但不限于首包耗时、首次渲染时间、首次可交互时间、页面完全加载时间和资源加载耗时等。
所述根据所述服务性能数据计算多个局部性能指数,例如:
首包耗时=responseStart-domainLookupStart
首次渲染时间=responseEnd-fetchStart
首次可交互时间=domInteractive-fetchStart
页面完全加载时间=loadEventStart-fetchStart
资源加载耗时=loadEventStart–domContentLoadedEventEnd
进一步地,本发明实施例可采用性能指数APDEX(Application PerformanceIndex,应用性能指标)算法对多个局部性能指数进行算数运算,得到性能指标。所述APDEX算法是一个国际通用的应用性能指标计算的标准,利用APDEX算法对多个局部性能指数进行算数运算,可提高计算得到的性能指标的精确性。
所述漏洞检测模块105,用于对所述异常服务性能数据进行异常节点检测,根据异常节点检测的结果确定应用漏洞。
本发明实施例中,所述漏洞检测模块105具体用于:
依次选择所述异常服务性能数据中的其中一个数据为目标数据;
利用对比算法计算所述异常服务性能数据中选择的目标数据与邻近数据之间的局部可达密度比值;
判断所述局部可达密度比值是否小于或等于预设比值;
若所述局部可达密度比值大于预设比值时,确定选择的所述目标数据为正常节点数据;
若所述局部可达密度比值小于或等于预设比值时,确定选择的所述目标数据为异常节点数据。
详细地,本发明实施例利用如下对比算法计算选择的所述目标数据与邻近数据之间的局部可达密度比值LFk(q):
其中,p为目标数据,Nk(q)为所述目标数据的邻近数据的集合,q为Nk(q)中任一个邻近数据,ldk(q)为Nk(q)内的数据密度,ld(p)为所述目标数据的自身密度,k为Nk(q)中邻近数据的个数,reach-distk(p,q)为用于计算p,q之间的距离的运算。
进一步地,所述根据异常节点检测的结果确定应用漏洞,包括:
利用匹配算法计算所述异常节点数据与预设的标准漏洞列表中漏洞的匹配值;
在所述匹配值大于或等于预设匹配阈值时,确定所述异常节点数据与所述产漏洞相匹配;
确定所述漏洞为应用漏洞。
详细地,所述标准漏洞列可由用户预先定义,所述标准漏洞列表中包含多个应用的漏洞。
具体地,所述利用匹配算法计算所述异常节点数据与预设的标准漏洞列表中漏洞的匹配值,包括:
利用如下匹配算法计算所述异常节点数据与预设的标准漏洞列表中漏洞的匹配值:
d(x,y)2=‖x-y‖2
其中,x为异常节点数据,y为预设的标准漏洞列表中漏洞。
本发明实施例通过对异常服务性能数据进行异常节点检测,根据异常节点检测的结果确定应用漏洞,可将应用漏洞确定至具体的应用服务中某一节点,有利于提高应用漏洞检测的精确度。
本发明实施例通过对运行数据集进行性能数据分离,得到性能数据集,可去除运行数据集中与性能无关的数据,有利于提高利用性能数据集对应用服务的性能进行分析的效率;提取性能数据集中各数据之间的依赖关系,根据依赖关系将性能数据集划分为多个服务性能数据,有利于后续根据多个服务性能数据定位应用漏洞,提高应用漏洞定位的精确度;通过对异常服务性能数据进行异常节点检测,根据异常节点检测的结果确定应用漏洞,可将应用漏洞确定至具体的应用服务中某一节点,有利于提高应用漏洞检测的精确度。因此本发明提出的应用漏洞检测装置,可以解决检测应用漏洞时的精确度较低的问题。
如图3所示,是本发明一实施例提供的实现应用漏洞检测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如应用漏洞检测程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如应用漏洞检测程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如应用漏洞检测程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的应用漏洞检测程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
对应用服务运行过程产生的数据进行监测,得到运行数据集;
对所述运行数据集进行性能数据分离,得到性能数据集;
提取所述性能数据集中各数据之间的依赖关系,根据所述依赖关系将所述性能数据集划分为多个服务性能数据;
分别对所述多个服务性能数据进行性能指标检测,得到异常服务性能数据;
对所述异常服务性能数据进行异常节点检测,根据异常节点检测的结果确定应用漏洞。
具体地,所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
对应用服务运行过程产生的数据进行监测,得到运行数据集;
对所述运行数据集进行性能数据分离,得到性能数据集;
提取所述性能数据集中各数据之间的依赖关系,根据所述依赖关系将所述性能数据集划分为多个服务性能数据;
分别对所述多个服务性能数据进行性能指标检测,得到异常服务性能数据;
对所述异常服务性能数据进行异常节点检测,根据异常节点检测的结果确定应用漏洞。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种应用漏洞检测方法,其特征在于,所述方法包括:
对应用服务运行过程产生的数据进行监测,得到运行数据集;
对所述运行数据集进行性能数据分离,得到性能数据集;
提取所述性能数据集中各数据之间的依赖关系,根据所述依赖关系将所述性能数据集划分为多个服务性能数据;
分别对所述多个服务性能数据进行性能指标检测,得到异常服务性能数据;
对所述异常服务性能数据进行异常节点检测,根据异常节点检测的结果确定应用漏洞。
2.如权利要求1所述的应用漏洞检测方法,其特征在于,所述对所述运行数据集进行性能数据分离,得到性能数据集,包括:
对所述运行数据集进行字段划分,得到字段集;
提取所述字段集中各字段的字段类型参数;
计算所述字段类型参数与预设的性能类型参数的距离值;
汇集所述距离值大于预设距离阈值的字段类型参数对应的字段为性能数据集。
3.如权利要求2所述的应用漏洞检测方法,其特征在于,所述对所述运行数据集进行字段划分,得到字段集,包括:
遍历所述运行数据集并确定所述运行数据集中字段分隔符的位置;
根据所述字段分隔符的位置对所述运行数据集进行字段拆分,得到字段集。
4.如权利要求1所述的应用漏洞检测方法,其特征在于,所述提取所述性能数据集中各数据之间的依赖关系,包括:
获取训练性能数据集以及所述训练性能数据集对应的标准依赖关系;
利用预设的依赖关系提取模型对所述训练性能数据集进行依赖关系提取,得到预测依赖关系;
计算所述预测依赖关系和所述标准依赖关系之间的差异值;
若所述差异值大于误差阈值,则调整所述依赖关系提取模型的参数后重新进行依赖关系提取;
若所述差异值小于所述误差阈值,则生成训练完成的依赖关系提取模型;
利用训练完成的依赖关系提取模型对所述性能数据集进行依赖关系提取,得到性能数据集中各数据之间的依赖关系。
5.如权利要求1至4中任一项所述的应用漏洞检测方法,其特征在于,所述分别对所述多个服务性能数据进行性能指标检测,包括:
顺序地从所述多个服务性能数据中选取服务性能数据;
根据所述服务性能数据计算多个局部性能指数;
对所述多个局部性能指数进行算数运算,得到性能指标;
当所述性能指标小于或等于预设的指标阈值时,确定所述服务性能数据为正常服务性能数据;
当所述性能指标大于所述指标阈值时,确定所述服务性能数据为异常服务性能数据。
6.如权利要求1至4中任一项所述的应用漏洞检测方法,其特征在于,所述对所述异常服务性能数据进行异常节点检测,包括:
依次选择所述异常服务性能数据中的其中一个数据为目标数据;
利用对比算法计算所述异常服务性能数据中选择的目标数据与邻近数据之间的局部可达密度比值;
判断所述局部可达密度比值是否小于或等于预设比值;
若所述局部可达密度比值大于预设比值时,确定选择的所述目标数据为正常节点数据;
若所述局部可达密度比值小于或等于预设比值时,确定选择的所述目标数据为异常节点数据。
7.如权利要求6所述的应用漏洞检测方法,其特征在于,所述所述根据异常节点检测的结果确定应用漏洞,包括:
利用匹配算法计算所述异常节点数据与预设的标准漏洞列表中漏洞的匹配值;
在所述匹配值大于或等于预设匹配阈值时,确定所述异常节点数据与所述产漏洞相匹配;
确定所述漏洞为应用漏洞。
8.一种应用漏洞检测装置,其特征在于,所述装置包括:
数据检测模块,用于对应用服务运行过程产生的数据进行监测,得到运行数据集;
数据分离模块,用于对所述运行数据集进行性能数据分离,得到性能数据集;
数据划分模块,用于提取所述性能数据集中各数据之间的依赖关系,根据所述依赖关系将所述性能数据集划分为多个服务性能数据;
指标计算模块,用于分别对所述多个服务性能数据进行性能指标检测,得到异常服务性能数据;
漏洞检测模块,用于对所述异常服务性能数据进行异常节点检测,根据异常节点检测的结果确定应用漏洞。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的应用漏洞检测方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的应用漏洞检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011465927.4A CN112434308B (zh) | 2020-12-14 | 2020-12-14 | 应用漏洞检测方法、装置、电子设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011465927.4A CN112434308B (zh) | 2020-12-14 | 2020-12-14 | 应用漏洞检测方法、装置、电子设备及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112434308A true CN112434308A (zh) | 2021-03-02 |
CN112434308B CN112434308B (zh) | 2024-02-20 |
Family
ID=74692575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011465927.4A Active CN112434308B (zh) | 2020-12-14 | 2020-12-14 | 应用漏洞检测方法、装置、电子设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112434308B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113485970A (zh) * | 2021-06-29 | 2021-10-08 | 平安信托有限责任公司 | 数据监控方法、装置、电子设备及存储介质 |
CN113590801A (zh) * | 2021-08-23 | 2021-11-02 | 中国银行股份有限公司 | 手机银行的问题追踪方法及装置 |
CN116775364A (zh) * | 2023-08-16 | 2023-09-19 | 中国电子信息产业集团有限公司第六研究所 | 一种应用服务健康管理方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190020674A1 (en) * | 2017-07-12 | 2019-01-17 | Symantec Corporation | Systems and methods for detecting vulnerabilities on servers |
CN111444060A (zh) * | 2020-03-25 | 2020-07-24 | 北京奇艺世纪科技有限公司 | 异常检测模型训练方法、异常检测方法及相关装置 |
CN111913848A (zh) * | 2020-07-24 | 2020-11-10 | 上海泛微网络科技股份有限公司 | 一种数据监测分析方法及相关设备 |
-
2020
- 2020-12-14 CN CN202011465927.4A patent/CN112434308B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190020674A1 (en) * | 2017-07-12 | 2019-01-17 | Symantec Corporation | Systems and methods for detecting vulnerabilities on servers |
CN111444060A (zh) * | 2020-03-25 | 2020-07-24 | 北京奇艺世纪科技有限公司 | 异常检测模型训练方法、异常检测方法及相关装置 |
CN111913848A (zh) * | 2020-07-24 | 2020-11-10 | 上海泛微网络科技股份有限公司 | 一种数据监测分析方法及相关设备 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113485970A (zh) * | 2021-06-29 | 2021-10-08 | 平安信托有限责任公司 | 数据监控方法、装置、电子设备及存储介质 |
CN113590801A (zh) * | 2021-08-23 | 2021-11-02 | 中国银行股份有限公司 | 手机银行的问题追踪方法及装置 |
CN116775364A (zh) * | 2023-08-16 | 2023-09-19 | 中国电子信息产业集团有限公司第六研究所 | 一种应用服务健康管理方法、装置、电子设备及存储介质 |
CN116775364B (zh) * | 2023-08-16 | 2023-12-05 | 中国电子信息产业集团有限公司第六研究所 | 一种应用服务健康管理方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112434308B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112434308B (zh) | 应用漏洞检测方法、装置、电子设备及计算机存储介质 | |
CN107967205B (zh) | 一种内存分析方法、装置、系统以及计算设备 | |
CN111240876B (zh) | 微服务的故障定位方法、装置、存储介质及终端 | |
CN109670091B (zh) | 一种基于数据标准的元数据智能维护方法和装置 | |
CN111930962A (zh) | 文献数据价值评估方法、装置、电子设备及存储介质 | |
CN111782900B (zh) | 异常业务检测方法、装置、电子设备及存储介质 | |
CN113327136B (zh) | 归因分析方法、装置、电子设备及存储介质 | |
CN112395251A (zh) | 数据文件的智能解析方法、装置、电子设备及存储介质 | |
CN113506045A (zh) | 基于移动设备的风险用户识别方法、装置、设备及介质 | |
CN112650909A (zh) | 产品展示方法、装置、电子设备及存储介质 | |
CN112506910A (zh) | 多源数据采集方法、装置、电子设备及存储介质 | |
CN113282854A (zh) | 数据请求响应方法、装置、电子设备及存储介质 | |
CN111460293B (zh) | 信息推送方法、装置及计算机可读存储介质 | |
CN111949646A (zh) | 基于大数据的设备运行状况分析方法、装置、设备及介质 | |
CN111814106A (zh) | 时序数据滞后性处理方法、装置、电子设备及存储介质 | |
CN112148566A (zh) | 计算引擎的监控方法、装置、电子设备及存储介质 | |
CN111522707A (zh) | 大数据平台调度预警方法、装置及计算机可读存储介质 | |
CN115794744A (zh) | 一种日志展示方法、装置、设备和存储介质 | |
CN113485711A (zh) | 基于依赖关系的任务触发方法、装置、电子设备及介质 | |
CN111193617B (zh) | 网页篡改识别方法、装置、电子设备及存储介质 | |
CN113220551A (zh) | 指标趋势预测及预警方法、装置、电子设备及存储介质 | |
CN112416306A (zh) | 多应用依赖树生成方法、装置、电子设备及计算机介质 | |
CN115242662B (zh) | 基于云计算的数据资源分配方法及装置 | |
CN111339063A (zh) | 假设数据智能管理方法、装置及计算机可读存储介 | |
CN113672483B (zh) | 一种设备日志存储方法、装置、电子设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |