CN113626241A - 应用程序的异常处理方法、装置、设备及存储介质 - Google Patents

应用程序的异常处理方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113626241A
CN113626241A CN202110914755.2A CN202110914755A CN113626241A CN 113626241 A CN113626241 A CN 113626241A CN 202110914755 A CN202110914755 A CN 202110914755A CN 113626241 A CN113626241 A CN 113626241A
Authority
CN
China
Prior art keywords
abnormal
log
version number
log data
exception
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
Application number
CN202110914755.2A
Other languages
English (en)
Other versions
CN113626241B (zh
Inventor
明小康
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Property and Casualty Insurance Company of China Ltd
Original Assignee
Ping An Property and Casualty Insurance Company of China Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Property and Casualty Insurance Company of China Ltd filed Critical Ping An Property and Casualty Insurance Company of China Ltd
Priority to CN202110914755.2A priority Critical patent/CN113626241B/zh
Publication of CN113626241A publication Critical patent/CN113626241A/zh
Application granted granted Critical
Publication of CN113626241B publication Critical patent/CN113626241B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0766—Error or fault reporting or storing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0793—Remedial or corrective actions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/70—Software maintenance or management
    • G06F8/71—Version control; Configuration management
    • 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

Abstract

本申请涉及人工智能技术领域，公开了一种应用程序的异常处理方法、装置、设备及存储介质，方法包括从数据库的异常日志数据中获取异常变量数据，并基于目标应用程序的版本号对异常变量数据进行分类，以获取对应版本号的训练数据集。采用决策树算法对各个训练数据集进行训练，以获取对应各个版本号的异常分类模型。当接收到目标应用程序的业务处理指令时，执行对应的业务逻辑并生成待处理日志信息。当识别到待处理日志信息为异常日志信息时，根据待处理日志信息获取目标应用程序的版本号，并匹配对应版本号的异常分类模型。通过异常分类模型对异常日志信息进行异常分类，以获取对应的异常分类标签，并根据异常分类标签确定对应的异常处理方案。

Description

应用程序的异常处理方法、装置、设备及存储介质
技术领域
本申请涉及人工智能的技术领域，尤其涉及一种应用程序的异常处理方法、装置、设备及存储介质。
背景技术
现有技术中，保险业务相对复杂，每天出现的问题数量庞大并且种类繁多。在处理问题的过程中，通常根据接口调用所产生的日志来进行问题分析以及定位。因为没有对日志进行分类，造成同类问题无法统一处理，导致同类问题重复处理以及大量人力时间成本消耗，问题处理时效性低。
发明内容
本申请的主要目的在于提供一种应用程序的异常处理方法、装置、设备及存储介质，旨在对异常日志信息进行分类并提高分类准确性。
第一方面，本申请提供一种应用程序的异常处理方法，包括：
基于日志的属性信息，从数据库中获取目标应用程序对应的异常日志数据，以构建异常日志数据集；
获取所述异常日志数据中对应变量的权重配置信息，并根据所述权重配置信息获取所述异常日志数据集中异常日志数据对应的异常变量数据；
基于所述目标应用程序的版本号对所述异常变量数据进行分类，以获取所述目标应用程序对应版本号的训练数据集；
采用决策树算法对各个所述版本号对应的所述训练数据集进行训练，获取各个所述版本号对应的异常分类模型；
当接收到所述目标应用程序的业务处理指令时，根据所述业务处理指令执行对应的业务逻辑，并生成对应的待处理日志信息；
当识别到所述待处理日志信息为异常日志信息时，根据所述待处理日志信息获取所述目标应用程序的版本号，并根据所述版本号匹配对应的所述异常分类模型；
根据所述异常分类模型对所述异常日志信息进行异常分类，以获取对应的异常分类标签；
根据所述异常分类标签确定对应的异常处理方案。
第二方面，本申请还提供一种应用程序的异常处理装置，所述应用程序的异常处理装置包括：
日志选取模块：用于基于日志的属性信息，从数据库中获取目标应用程序对应的异常日志数据，以构建异常日志数据集；
数据提取模块：用于获取所述异常日志数据中对应变量的权重配置信息，并根据所述权重配置信息获取所述异常日志数据集中异常日志数据对应的异常变量数据；
数据分类模块：用于基于所述目标应用程序的版本号对所述异常变量数据进行分类，以获取所述目标应用程序对应版本号的训练数据集；
模型训练模块：用于采用决策树算法对各个所述版本号对应的所述训练数据集进行训练，获取各个所述版本号对应的异常分类模型；
指令处理模块：用于当接收到所述目标应用程序的业务处理指令时，根据所述业务处理指令执行对应的业务逻辑，并生成对应的待处理日志信息；
日志识别模块：用于当识别到所述待处理日志信息为异常日志信息时，根据所述待处理日志信息获取所述目标应用程序的版本号，并根据所述版本号匹配对应的所述异常分类模型；
日志分类模块：用于根据所述异常分类模型对所述异常日志信息进行异常分类，以获取对应的异常分类标签；
方案匹配模块：用于根据所述异常分类标签确定对应的异常处理方案。
第三方面，本申请还提供一种计算机设备，所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如上所述的应用程序的异常处理方法的步骤。
第四方面，本申请还提供一种存储介质，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如上所述的应用程序的异常处理方法的步骤。
本申请提供一种应用程序的异常处理方法、装置、设备及存储介质，本申请从数据库中选取异常日志，从异常日志中提取异常变量数据。并根据目标应用程序的版本号对异常变量数据进行分类，以获取对应版本号的训练数据集。通过决策树算法对训练数据集按版本号分别进行训练，得到对应目标应用程序版本号的异常分类模型。
接受到终端设备目标应用程序发送的业务处理指令后，服务器执行对应的业务处理指令并生成待处理日志信息。当识别到待处理日志信息为异常日志信息时，根据目标应用程序的版本号选取对应的异常分类模型，以对该异常日志信息进行分类并得到对应的异常分类标签，根据异常分类标签可以确定对应的异常处理方案。
本申请根据目标应用程序的版本号对异常日志信息进行分类，通过决策树算法进行训练得到对应版本号的异常分类模型，在后续需要对新的异常日志信息进行分类时，匹配对应版本号的异常分类模型以对其进行分类，可以提高分类准确率，便于定位分析问题。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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为本申请实施例提供的一种应用程序的异常处理方法的步骤流程示意图；
图2是图1中步骤S10的一种具体实施方式对应的步骤流程图；
图3是图1中步骤S11的一种具体实施方式对应的步骤流程图；
图4是图1中步骤S13的一种具体实施方式对应的步骤流程图；
图5为本申请实施例提供的一种应用程序的异常处理装置的示意性框图；
图6为本申请实施例提供的一种计算机设备的结构示意性框图。
本申请目的的实现、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
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。另外，虽然在装置示意图中进行了功能模块的划分，但是在某些情况下，可以以不同于装置示意图中的模块划分。
本申请实施例提供一种应用程序的异常处理方法、装置、设备及存储介质。其中，该应用程序的异常处理方法可应用于服务器中，该服务器可以为单台的服务器，也可以为由多台服务器组成的服务器集群。以下以该应用程序的异常处理方法应用于服务器为例进行解释说明。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
请参照图1，图1为本申请实施例提供的一种应用程序的异常处理方法的步骤流程示意图。
如图1所示，该应用程序的异常处理方法包括步骤S10至步骤S17。
步骤S10、基于日志的属性信息，从数据库中获取目标应用程序对应的异常日志数据，以构建异常日志数据集。
可以理解，所述日志，即为服务器在接收到终端设备中目标应用程序发送的网络请求时，执行对应的业务逻辑后产生的log事件记录，事件记录中记载有大量的相关操作描述信息，并且日志存储于数据库中。
可以理解，所述异常日志数据，即为服务器在接收到终端设备中目标应用程序发送的网络请求时，执行对应的业务逻辑失败所产生的日志。
可以理解，日志的属性信息用于表征对应生成该日志的执行指令的执行过程以及执行结果，记录有对应的业务执行过程中所产生的的异常信息，根据日志的属性信息，可以识别出数据库中的异常日志。所述异常日志数据集，可以为存放有异常日志数据的数组或集合。
在一实施例中，所述属性信息包括异常关键字，如图2所示，步骤S10包括：步骤S101至步骤S102。
步骤S101、从数据库中获取所述目标应用程序对应的日志数据。
步骤S102、基于所述异常关键字从所述日志数据中提取对应的异常日志数据，以构建异常日志数据集。
可以理解，可以通过日志的属性信息中的异常关键字来识别日志数据中的异常日志数据，将异常日志数据提取出来，即可构建异常日志数据集。
在一些实施方式中，所述异常关键字包括但不限于“请求失败”、“请求超时”、“空指针异常”、“数组下表越界”以及“内存溢出”，具体使用可以根据需要进行设置。
进一步地，所述基于所述异常关键字从所述日志数据中提取对应的异常日志数据，包括：
根据所述异常关键字构建异常日志数据的匹配模型，并根据所述匹配模型从所述日志数据中的筛选对应的异常日志数据，以构建异常日志数据集。
可以理解，通过所述异常数据的匹配模型，可以从日志数据中筛选出异常日志数据。
在一些实施方式中，所述异常数据的匹配模型可以为根据异常关键字构建出来的正则表达式，可以通过该正则表达式匹配获取日志数据中带有异常关键字的异常日志数据。根据异常日志数据，可以得到异常日志数据集。
步骤S11、获取所述异常日志数据中对应变量的权重配置信息，并根据所述权重配置信息获取所述异常日志数据集中异常日志数据对应的异常变量数据。
可以理解，异常日志数据中记载有服务器在执行业务指令时的变量以及执行结果。权重配置信息中设置有候选变量及其对应的权重值，根据权重值可以对候选变量进行筛选，从中选出输入变量。所述异常变量数据可以为数组，数组中存放的对象由根据输入变量从异常日志数据集中提取出来的数据信息构成。
示例性的，日志中记载的变量可以包括：“是否正常响应”、“响应时间”、“接口路径”、“接口请求方式”、“是否慢sql”、“日志关键字”、“问题描述”、“操作时间”等。假设根据权重配置信息，从中选出“是否正常响应”、“响应时间”、“接口路径”作为输入变量，则从异常日志数据集中获取这三个输入变量及其对应的值，即可构成对应的异常变量数据。
在一些实施方式中，所述权重配置信息为预设配置信息。
可以理解，所述权重配置信息可以为预先配置并存入到服务器中的配置信息，通过权重配置信息获得输入变量。当权重配置信息中的候选变量的权重值发生改变，或者需要加入新的候选变量时，只需要把修改后的权重配置信息替换进去，即可用于信息提取以及决策树模型训练，过程简单方便。
进一步地，所述权重配置信息是根据所述异常日志数据中对应变量的出现频率设定，且所述变量出现的频率越高，所述变量对应的权重值越大。
可以理解，所述权重配置信息可以为通过对异常日志数据进行大数据分析确定，通过大数据分析可以得到异常日志数据中候选变量出现的频率，如果候选变量出现的频率越高，则该变量对应的权重值越大。因为所得到的权重信息中的候选变量及其对应的权重值，是通过对异常日志数据进行大数据分析获得，可以免去人为的主观判断影响，可以更加客观的获知哪些候选变量是主要影响变量，哪些候选变量是次要影响变量。从中选取输入变量以提取异常变量数据，更有利于对后续的异常原因分析。另外，采用这种异常变量数据通过决策树算法进行训练所获得的异常分类模型，可以具备更准确的分类能力。
可以理解，权重配置信息可以为一个字典，字典中的key为候选变量，value为对应候选变量的权重值，具体使用可以根据需要进行设置。
在一实施例中，如图3所示，步骤S11包括：步骤S111至步骤S112。
步骤S111、从所述权重配置信息获取权重值最大的前N个候选变量作为输入变量，其中，N为大于2的整数。
步骤S112、根据所述输入变量从所述异常日志数据集进行数据提取，得到所述异常变量数据。
可以理解，所述候选变量，即所述权重配置信息中所记录的所有变量。所述输入变量，即是从所述候选变量中选取出来，用于从异常日志数据集进行数据提取，以得到异常变量数据的变量。
可以理解，候选变量对应的权重值越大，则该候选变量越具有参考意义。
示例性的，假设权重配置信息为字典，并且权重配置信息为：{
"是否正常响应":80,
"响应时间":70,
"接口路径":30,
"接口请求方式":20,
"是否慢sql":10,
"日志关键字":60,
"问题描述":50,
"操作时间":40,
"版本号":90
}
可以理解，在该权重配置信息中，"是否正常响应"为权重配置信息中的其中一个候选变量，并且其对应的权重值为80。
对该权重配置信息中的候选变量按权重值从大到小进行排序后，则得到如下数组：[
"版本号":90,
"是否正常响应":80,
"响应时间":70,
"日志关键字":60,
"问题描述":50,
"操作时间":40,
"接口路径":30,
"接口请求方式":20,
"是否慢sql":10]
可以理解，假设N为5，即从该数组中选取前5个候选变量作为输入值，即输入值为："版本号"、“是否正常响应”、“响应时间”、“日志关键字”以及“问题描述”，根据提取出来的输入值，从异常日志数据集进行数据提取，即得到异常变量数据。
通过上述方法对候选变量进行筛选，这样在研究复杂问题时就可以只考虑少数几个变量，从而更容易抓住主要矛盾，揭示事物内部变量之间的规律性，同时使问题得到简化，提高分析效率。
步骤S12、基于所述目标应用程序的版本号对所述异常变量数据进行分类，以获取所述目标应用程序对应版本号的训练数据集。
可以理解，基于目标应用程序的版本号对异常变量数据进行分类，则所得到的的每一个训练数据集都对应一个版本号，即，每个训练数据集中存放的数据所对应的版本号一致。
可以理解，随着业务需求迭代开发，终端设备的目标应用程序以及对应服务器的业务代码会不断的更新迭代。本申请中，对应终端设备的目标应用程序的版本号设置有对应的业务服务器，每个业务服务器对应兼容特定版本号的目标应用程序的网络请求。终端设备通过的目标应用程序发起网络请求后，在网关服务器接收到网络请求时，可以根据网络请求中目标应用程序的版本号信息，选取对应的业务服务器进行网络请求转发，业务服务器根据接收到的网络请求执行对应的业务指令，并生成对应的日志数据。
可以理解，本申请中，所有的业务服务器所生成的日志数据都存储到同一个数据库中。即通过步骤S10至步骤S11、从数据库中获取到的异常变量数据来自各个版本号的异常日志数据。基于目标应用程序的版本号对异常变量数据进行分类，则所得到的的每一个训练数据集的数据，都是从同一个版本号的异常日志数据中提取获得。
示例性的，假设数据库中对应目标应用程序存储有三种版本号的日志数据，分别为1.0.0版本，1.1.0版本以及1.2.0版本。即异常变量数据由这三个版本号的异常日志数据提取得到，则根据目标应用程序的版本号对异常变量数据进行分类，可以获得三个训练数据集，其中，第一个训练数据集存放有对应目标应用程序1.0.0版本号的训练数据，第二个训练数据集存放有对应目标应用程序1.1.0版本号的训练数据，第三个训练数据集存放有对应目标应用程序1.2.0版本号的训练数据。
步骤S13、采用决策树算法对各个所述版本号对应的所述训练数据集进行训练，获取各个所述版本号对应的异常分类模型。
可以理解，决策树也叫分类树，决策树算法有ID3算法，C4.5算法，CART算法。本实施例中选用C4.5算法作为决策树算法，具体使用可以根据需要对决策树算法进行选用。通过决策树算法对训练数据集进行训练，可以获得对应的决策树模型，并且，所得到的决策树模型对结构组成与训练数据集中的数据相同或相近的数据具有分类能力。
可以理解，训练数据集是由异常变量数据根据目标应用程序的版本号进行分类获得，即如果异常变量数据包含多种版本号的数据，则对应获得的训练数据集有多个，并且每一个训练数据集都对应一个目标应用程序的版本号。
可以理解，各个所述版本号对应的异常分类模型，即将训练数据集作为训练样本，通过决策树算法训练学习所获得的多个决策树模型。其中，每个异常分类模型各自对应一个版本号，并且，根据训练所得到的异常分类模型可以对异常日志信息进行分类。
可以理解，按版本号分别训练异常分类模型，因为每一个异常分类模型都是根据某一个特定的版本号的训练数据集去训练获得的，当需要对新的异常日志信息进行分类时，根据异常日志信息的版本号选取对应的异常分类模型以对该异常日志信息进行分类，可以获得更加准确的分类结果。
可以理解，异常分类模型中的数据越丰富，通过训练得到的决策树模型分类能力越强。并且，因为每一个异常分类模型都各自对应一个目标应用程序的版本号，则根据异常分类模型训练出来的异常分类模型，对该版本号的异常日志信息具有更精确的分类能力。根据异常分类模型，可以对后续匹配其版本号并需要处理的异常日志信息进行更准确的分类。
可以理解，每一个迭代需求内容都会发生改变，即与旧的版本号对应的迭代需求相比，新的版本号对应迭代需求的业务接口的入参、相应的业务逻辑以及相应的执行结果也会相应发生改变。
示例性的，假设在目标应用程序的版本号为1.0.0的迭代开发中，第一业务接口的第一入参设置为A时，执行结果为报错E0。假设在目标应用程序的版本号为1.1.0的迭代开发中，第一业务接口的第一入参设置为A，并且新增的第二入参设置为B时，执行结果为报错E1。如果不区分版本号直接采用决策树算法对从异常日志数据中采集到的数据进行训练，因为用于训练的数据版本号不相同，则输入变量及其对应的执行结果也会发生改变，这会导致决策树模型的训练效果不佳，即训练所得到的异常分类模型对后续异常日志信息的分类将没那么准确，不利于问题分析定位。
本申请中，按版本号分别对从异常日志数据中提取到的异常变量数据进行分类，再通过决策树算法按版本号训练得到对应的异常分类模型，则需要对新的异常日志信息进行分类时，可以根据异常日志信息的版本号选取对应的异常分类模型型对其进行分类。通过这种方法，可以提高异常分类模型的分类准确率，更利于问题定位以及分析。
在一实施例中，如图4所示，步骤S13包括：步骤S131至步骤S132。
步骤S131、初始化决策树算法对应的层级参数，并通过所述决策树算法对所述训练数据集进行训练。
步骤S132、当各个版本号对应的决策树的生长层数达到所述层级参数时，获取各个版本号对应的所述异常分类模型。
可以理解，异常分类模型的训练过程中，训练数据集为根节点，通过在每个节点对某个输入变量进行测试验证，算法递归，可以将数据集分成更小的数据子集。其中，每个节点对应的子树对应着原数据集中满足某一属性测试的部分数据集。这个递归过程一直进行下去，直到某一节点对应的子树对应的数据子集都属于同一个类为止。
具体地，本实施例以采用C4.5决策树算法对训练数据集中的数据训练进行说明，但不限于C4.5决策树算法。训练的过程，即决策树的生长过程。由于采用C4.5决策树算法进行模型训练的训练过程包括生长过程和剪枝过程，但本实施例中，在树的生长时会通过初始化的层级参数去限制树的生长，当树的生长层数达到层级参数时，停止模型训练，获取各个版本号对应的异常分类模型。
本实施例中，通过预设决策树算法对应的层级参数，可以防止决策树无限生长，导致得到的异常分类模型过拟合。通过这种方式，可以在相对短的时间内对大量的训练数据集进行高效训练，并且所得到的异常分类模型可以获得比较良好的分类能力。
步骤S14、当接收到所述目标应用程序的业务处理指令时，根据所述业务处理指令执行对应的业务逻辑，并生成对应的待处理日志信息。
可以理解，所述目标应用程序的业务处理指令，可以为服务器接收到的来自终端设备的目标应用程序的网络请求。接收到业务指令时，服务器通过对业务指令进行分析识别，执行对应的业务逻辑处理，并根据执行结果生成日志，所生成的日志即待处理日志信息。
进一步地，步骤S14之后，还包括：将所述待处理日志信息存储至所述数据库中。
可以理解，将待处理日志信息存储到数据库中，可以用于后续追踪查看服务运行情况，如日活统计，bug率分析等等。
在一些实施方式中，可以通过异步执行的方法将待处理日志信息存储至数据库中，通过异步执行存储日志操作不会影响到主线程任务的执行。
在一些实施方式中，存储日志的数据库可以为Mysql，sql，Mongodb等数据库。
步骤S15、当识别到所述待处理日志信息为异常日志信息时，根据所述待处理日志信息获取所述目标应用程序的版本号，并根据所述版本号匹配对应的所述异常分类模型。
可以理解，可以根据待处理日志信息的属性信息是否包含异常关键字，来判断所述待处理日志信息是否为异常日志信息。当判断到所述待处理日志信息为异常日志信息时，根据待处理日志信息获取对应目标应用程序的版本号，并根据该版本号匹配获取对应的异常分类模型。
示例性的，假设待处理日志信息的属性信息中包含“请求失败”等异常关键字，则该待处理日志信息为异常日志信息。假设通过该异常日志信息获取到的对应目标应用程序的版本号为1.0.0，则根据该版本号，获取匹配该版本号的异常分类模型。
步骤S16、根据所述异常分类模型对所述异常日志信息进行异常分类，以获取对应的异常分类标签。
可以理解，异常分类模型对异常日志信息具有分类能力，对异常日志信息进行分类。将异常日志信息分类到对应的数据集后，可以得到异常日志信息对应的异常分类标签。
在一些实施方式中，所述异常分类标签，可以为用于标记分类的唯一标识符。
步骤S17、根据所述异常分类标签确定对应的异常处理方案。
可以理解，通过异常分类模型对异常日志信息进行异常分类，得到异常分类标签，即所获得的异常分类标签对应某一种特定的异常情况，因此，可以根据异常分类标签匹配对应的异常处理方案。
进一步地，预先定义异常分类标签与异常处理方案对应的异常处理方案配置信息，所述根据所述异常分类标签确定对应的异常处理方案，包括：
据异常分类标签及预设的异常处理方案配置信息，匹配所述异常分类标签对应的所述异常处理方案。
可以理解，所述异常处理方案配置信息为预先存储在服务器上的配置表，配置表内定义有异常分类标签及其对应的异常处理方案。在一些实施方式中，异常处理方案配置信息可以为一个字典，也可以根据需要进行设置。其中，当异常处理方案配置信息为字典时，异常处理方案配置信息中的key对应异常分类标签，value对应异常处理方案。可以根据异常分类标签，匹配异常处理方案配置信息中对应的异常处理方案，通过这种方式，可以对同类问题进行统一处理，以提高问题处理效率。
在一些实施方式中，随着业务的发展，当有新增业务时，可能会存在新的异常情况以及对应的新的异常处理方案。当异常处理方案配置信息中的需要加入新的异常分类标签以及对应的异常处理方案时，只需要把配置好的异常处理方案配置信息替换存储进服务器中即可，过程简洁高效。
在一些实施方式中，获取异常分类标签对应的异常处理方案的过程，可以通过遍历异常处理方案配置信息中的key，并判断key是否与异常分类标签的值相等，相等的时候获取对应的value来得到对应的异常处理方案，具体的匹配过程可以根据需要进行设计。
进一步地，预先定义异常分类标签与异常处理方案对应的异常处理方案配置信息，所述根据所述异常分类标签确定对应的异常处理方案，包括：
根据预设的异常处理方案配置信息，匹配异常分类标签对应的纠错指令，并根据所述纠错指令进行纠错处理，其中，所述纠错指令对应所述异常处理方案进行设置。
可以理解，所述异常处理方案配置信息为预先存储在服务器上的配置表，配置表内定义有异常分类标签及其对应的异常处理方案。在一些实施方式中，异常处理方案配置信息可以为一个字典，也可以根据需要进行设置。其中，异常处理方案配置信息中的key对应异常分类标签，value对应纠错指令。根据异常分类标签，匹配到对应的纠错指令后，可以根据纠错指令进行纠错处理，其中，纠错指令对应异常处理方案进行设置。
本申请中，在服务器执行目标应用程序的业务处理指令生成日志之后，当判断到日志信息为异常日志信息时，通过日志信息获取目标应用程序的版本号，并根据版本号匹配对应的异常分类模型。以对该日志信息进行分类并获得对应的异常分类标签。获取到异常分类标签后，可以根据异常分类标签获取对应的纠错指令以进行纠错处理，纠错处理完成后，对发起业务处理指令的终端设备予以响应。通过上述方法，可以在服务器执行业务处理指令的过程中处理问题。
本实施例中，以接口调用网络请求方式错误为例进行说明，但不限于接口调用网络请求方式错误。迭代开发过程中，通常涉及多端开发，比如iOS端，安卓端，PC端，小程序端可能需要同时开发同一个业务需求。业务需求中，在执行同样的业务操作时，这四个端的应用程序都会调用服务器中相同的接口。假设所调用的接口中设定的请求方式为POST请求，而在开发过程中，由于某一个开发人员的疏忽，导致其中一个端发起的网络请求为GET请求，则因为发起请求的方式与服务器接口设定的请求方式不匹配，会导致请求失败，影响用户体验。在这种情况下，通过异常分类模型对异常日志信息进行分类得到异常分类标签，并根据异常分类标签匹配到预设的异常处理方案配置信息中对应的纠错指令为“匹配请求方式并重新处理”，则通过纠错指令进行纠错处理，如修改请求方式后重新调用接口代码并响应发起请求的终端设备，则可以成功执行对应的业务逻辑。通过这种方式，可以提高服务器接口容错能力。
请参照图5，图5为本申请实施例提供的一种应用程序的异常处理装置的示意性框图。
如图5所示，该应用程序的异常处理装置201，包括：
日志选取模块2011：用于基于日志的属性信息，从数据库中获取目标应用程序对应的异常日志数据，以构建异常日志数据集；
数据提取模块2012：用于获取所述异常日志数据中对应变量的权重配置信息，并根据所述权重配置信息获取所述异常日志数据集中异常日志数据对应的异常变量数据；
数据分类模块2013：用于基于所述目标应用程序的版本号对所述异常变量数据进行分类，以获取所述目标应用程序对应版本号的训练数据集；
模型训练模块2014：用于采用决策树算法对各个所述版本号对应的所述训练数据集进行训练，获取各个所述版本号对应的异常分类模型；
指令处理模块2015：用于当接收到所述目标应用程序的业务处理指令时，根据所述业务处理指令执行对应的业务逻辑，并生成对应的待处理日志信息；
日志识别模块2016：用于当识别到所述待处理日志信息为异常日志信息时，根据所述待处理日志信息获取所述目标应用程序的版本号，并根据所述版本号匹配对应的所述异常分类模型；
日志分类模块2017：用于根据所述异常分类模型对所述异常日志信息进行异常分类，以获取对应的异常分类标签；
方案匹配模块2018：用于根据所述异常分类标签确定对应的异常处理方案。
在一些实施方式中，所述属性信息包括异常关键字，所述日志选取模块2011基于日志的属性信息，从数据库中获取目标应用程序对应的异常日志数据，以构建异常日志数据集时，包括：
从数据库中获取所述目标应用程序对应的日志数据；
基于所述异常关键字从所述日志数据中提取对应的异常日志数据，以构建异常日志数据集。
在一些实施方式中，所述日志选取模块2011基于所述异常关键字从所述日志数据中提取对应的异常日志数据，以构建异常日志数据集时，包括：
根据所述异常关键字构建异常日志数据的匹配模型，并根据所述匹配模型从所述日志数据中的筛选对应的异常日志数据，以构建异常日志数据集。
在一些实施方式中，所述数据提取模块2012获取所述异常日志数据中对应变量的权重配置信息时，包括：
所述权重配置信息是根据所述异常日志数据中对应变量的出现频率设定，且所述变量出现的频率越高，所述变量对应的权重值越大。
在一些实施方式中，所述数据提取模块2012根据所述权重配置信息获取所述异常日志数据集中异常日志数据对应的异常变量数据时，包括：
从所述权重配置信息获取权重值最大的前N个候选变量作为输入变量，其中，N为大于2的整数；
根据所述输入变量从所述异常日志数据集进行数据提取，得到所述异常变量数据。
在一些实施方式中，所述模型训练模块2014采用决策树算法对各个所述版本号对应的所述训练数据集进行训练，获取各个所述版本号对应的异常分类模型时，包括：
初始化决策树算法对应的层级参数，并通过所述决策树算法对所述训练数据集进行训练；
当各个版本号对应的决策树的生长层数达到所述层级参数时，获取各个版本号对应的所述异常分类模型。
在一些实施方式中，预先定义异常分类标签与异常处理方案对应的异常处理方案配置信息，所述方案匹配模块2018根据所述异常分类标签确定对应的异常处理方案时，包括：
根据异常分类标签及预设的异常处理方案配置信息，匹配所述异常分类标签对应的所述异常处理方案。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和各模块及单元的具体工作过程，可以参考前述应用程序的异常处理方法实施例中的对应过程，在此不再赘述。
上述实施例提供的装置可以实现为一种计算机程序的形式，该计算机程序可以在如图6所示的计算机设备上运行。
请参阅图6，图6为本申请实施例提供的一种计算机设备的结构示意性框图。该计算机设备包括但不限定于服务器。
如图6所示，该计算机设备301包括通过系统总线连接的处理器3011、存储器和网络接口，其中，存储器可以包括存储介质3012和内存储器3015，存储介质3012可以是非易失性的，也可以是易失性的。
存储介质3012可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器3011执行任意一种应用程序的异常处理方法。
处理器3011用于提供计算和控制能力，支撑整个计算机设备的运行。
内存储器3015为存储介质3012中的计算机程序的运行提供环境，该计算机程序被处理器3011执行时，可使得处理器3011执行任意一种应用程序的异常处理方法。
该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
应当理解的是，处理器3011可以是中央处理单元(Central Processing Unit，CPU)，该处理器3011还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中，在一些实施方式中，所述处理器3011用于运行存储在存储器中的计算机程序，以实现如下步骤：
基于日志的属性信息，从数据库中获取目标应用程序对应的异常日志数据，以构建异常日志数据集；
获取所述异常日志数据中对应变量的权重配置信息，并根据所述权重配置信息获取所述异常日志数据集中异常日志数据对应的异常变量数据；
基于所述目标应用程序的版本号对所述异常变量数据进行分类，以获取所述目标应用程序对应版本号的训练数据集；
采用决策树算法对各个所述版本号对应的所述训练数据集进行训练，获取各个所述版本号对应的异常分类模型；
当接收到所述目标应用程序的业务处理指令时，根据所述业务处理指令执行对应的业务逻辑，并生成对应的待处理日志信息；
当识别到所述待处理日志信息为异常日志信息时，根据所述待处理日志信息获取所述目标应用程序的版本号，并根据所述版本号匹配对应的所述异常分类模型；
根据所述异常分类模型对所述异常日志信息进行异常分类，以获取对应的异常分类标签；
根据所述异常分类标签确定对应的异常处理方案。
在一些实施方式中，所述处理器3011在实现所述属性信息包括异常关键字，所述基于日志的属性信息，从数据库中获取目标应用程序对应的异常日志数据，以构建异常日志数据集时，用于实现：
从数据库中获取所述目标应用程序对应的日志数据；
基于所述异常关键字从所述日志数据中提取对应的异常日志数据，以构建异常日志数据集。
在一些实施方式中，所述处理器3011在实现基于所述异常关键字从所述日志数据中提取对应的异常日志数据，以构建异常日志数据集时，用于实现：
根据所述异常关键字构建异常日志数据的匹配模型，并根据所述匹配模型从所述日志数据中的筛选对应的异常日志数据，以构建异常日志数据集。
在一些实施方式中，所述处理器3011在获取所述异常日志数据中对应变量的权重配置信息时，用于实现：
所述权重配置信息是根据所述异常日志数据中对应变量的出现频率设定，且所述变量出现的频率越高，所述变量对应的权重值越大。
在一些实施方式中，所述处理器3011在根据所述权重配置信息获取所述异常日志数据集中异常日志数据对应的异常变量数据时，用于实现：
从所述权重配置信息获取权重值最大的前N个候选变量作为输入变量，其中，N为大于2的整数；
根据所述输入变量从所述异常日志数据集进行数据提取，得到所述异常变量数据。
在一些实施方式中，所述处理器3011在采用决策树算法对各个所述版本号对应的所述训练数据集进行训练，获取各个所述版本号对应的异常分类模型时，用于实现：
初始化决策树算法对应的层级参数，并通过所述决策树算法对所述训练数据集进行训练；
当各个版本号对应的决策树的生长层数达到所述层级参数时，获取各个版本号对应的所述异常分类模型。
在一些实施方式中，预先定义异常分类标签与异常处理方案对应的异常处理方案配置信息，所述处理器3011在根据所述异常分类标签确定对应的异常处理方案时，用于实现：
根据异常分类标签及预设的异常处理方案配置信息，匹配所述异常分类标签对应的所述异常处理方案。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述计算机设备的具体工作过程，可以参考前述应用程序的异常处理方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供一种存储介质，该存储介质为计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序中包括程序指令，所述程序指令被执行时所实现的方法可参照本申请应用程序的异常处理方法的各个实施例。
其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。
应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种应用程序的异常处理方法，应用于服务器，其特征在于，包括：
基于日志的属性信息，从数据库中获取目标应用程序对应的异常日志数据，以构建异常日志数据集；
获取所述异常日志数据中对应变量的权重配置信息，并根据所述权重配置信息获取所述异常日志数据集中异常日志数据对应的异常变量数据；
基于所述目标应用程序的版本号对所述异常变量数据进行分类，以获取所述目标应用程序对应版本号的训练数据集；
采用决策树算法对各个所述版本号对应的所述训练数据集进行训练，获取各个所述版本号对应的异常分类模型；
当接收到所述目标应用程序的业务处理指令时，根据所述业务处理指令执行对应的业务逻辑，并生成对应的待处理日志信息；
当识别到所述待处理日志信息为异常日志信息时，根据所述待处理日志信息获取所述目标应用程序的版本号，并根据所述版本号匹配对应的所述异常分类模型；
根据所述异常分类模型对所述异常日志信息进行异常分类，以获取对应的异常分类标签；
根据所述异常分类标签确定对应的异常处理方案。
2.根据权利要求1所述的方法，其特征在于，所述属性信息包括异常关键字，所述基于日志的属性信息，从数据库中获取目标应用程序对应的异常日志数据，以构建异常日志数据集，包括：
从数据库中获取所述目标应用程序对应的日志数据；
基于所述异常关键字从所述日志数据中提取对应的异常日志数据，以构建异常日志数据集。
3.根据权利要求2所述的方法，其特征在于，所述基于所述异常关键字从所述日志数据中提取对应的异常日志数据，以构建异常日志数据集，包括：
根据所述异常关键字构建异常日志数据的匹配模型，并根据所述匹配模型从所述日志数据中的筛选对应的异常日志数据，以构建异常日志数据集。
4.根据权利要求1所述的方法，其特征在于，所述权重配置信息是根据所述异常日志数据中对应变量的出现频率设定，且所述变量出现的频率越高，所述变量对应的权重值越大。
5.根据权利要求4所述的方法，其特征在于，所述根据所述权重配置信息获取所述异常日志数据集中异常日志数据对应的异常变量数据，包括：
从所述权重配置信息获取权重值最大的前N个候选变量作为输入变量，其中，N为大于2的整数；
根据所述输入变量从所述异常日志数据集进行数据提取，得到所述异常变量数据。
6.根据权利要求1所述的方法，其特征在于，所述采用决策树算法对各个所述版本号对应的所述训练数据集进行训练，获取各个所述版本号对应的异常分类模型，包括:
初始化决策树算法对应的层级参数，并通过所述决策树算法对所述训练数据集进行训练；
当各个版本号对应的决策树的生长层数达到所述层级参数时，获取各个版本号对应的所述异常分类模型。
7.根据权利要求1所述的方法，其特征在于，预先定义异常分类标签与异常处理方案对应的异常处理方案配置信息，所述根据所述异常分类标签确定对应的异常处理方案，包括：
根据异常分类标签及预设的异常处理方案配置信息，匹配所述异常分类标签对应的所述异常处理方案。
8.一种应用程序的异常处理装置，其特征在于，所述装置包括：
日志选取模块：用于基于日志的属性信息，从数据库中获取目标应用程序对应的异常日志数据，以构建异常日志数据集；
数据提取模块：用于获取所述异常日志数据中对应变量的权重配置信息，并根据所述权重配置信息获取所述异常日志数据集中异常日志数据对应的异常变量数据；
数据分类模块：用于基于所述目标应用程序的版本号对所述异常变量数据进行分类，以获取所述目标应用程序对应版本号的训练数据集；
模型训练模块：用于采用决策树算法对各个所述版本号对应的所述训练数据集进行训练，获取各个所述版本号对应的异常分类模型；
指令处理模块：用于当接收到所述目标应用程序的业务处理指令时，根据所述业务处理指令执行对应的业务逻辑，并生成对应的待处理日志信息；
日志识别模块：用于当识别到所述待处理日志信息为异常日志信息时，根据所述待处理日志信息获取所述目标应用程序的版本号，并根据所述版本号匹配对应的所述异常分类模型；
日志分类模块：用于根据所述异常分类模型对所述异常日志信息进行异常分类，以获取对应的异常分类标签；
方案匹配模块：用于根据所述异常分类标签确定对应的异常处理方案。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如权利要求1至7中任一项所述的应用程序的异常处理方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如权利要求1至7中任一项所述的应用程序的异常处理方法的步骤。
CN202110914755.2A 2021-08-10 2021-08-10 应用程序的异常处理方法、装置、设备及存储介质 Active CN113626241B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110914755.2A CN113626241B (zh) 2021-08-10 2021-08-10 应用程序的异常处理方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110914755.2A CN113626241B (zh) 2021-08-10 2021-08-10 应用程序的异常处理方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113626241A true CN113626241A (zh) 2021-11-09
CN113626241B CN113626241B (zh) 2023-07-14

Family

ID=78384087

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110914755.2A Active CN113626241B (zh) 2021-08-10 2021-08-10 应用程序的异常处理方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113626241B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114139636A (zh) * 2021-12-03 2022-03-04 中国建设银行股份有限公司 异常作业处理方法及装置
CN114389834A (zh) * 2021-11-26 2022-04-22 浪潮通信信息系统有限公司 一种api网关异常调用识别的方法、装置、设备及产品
CN114706709A (zh) * 2022-06-01 2022-07-05 成都运荔枝科技有限公司 一种saas服务异常处理方法、装置及可读存储介质
CN116090808A (zh) * 2023-03-06 2023-05-09 北京神州光大科技有限公司 一种rpa断点重建方法、装置、电子设备和介质
CN114389834B (zh) * 2021-11-26 2024-04-30 浪潮通信信息系统有限公司 一种api网关异常调用识别的方法、装置、设备及产品

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110123100A1 (en) * 2009-11-25 2011-05-26 International Business Machines Corporation Predicting States of Subjects
CN109697158A (zh) * 2019-01-16 2019-04-30 郑州云海信息技术有限公司 一种基于故障的日志分析方法与装置
CN110288004A (zh) * 2019-05-30 2019-09-27 武汉大学 一种基于日志语义挖掘的系统故障诊断方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110123100A1 (en) * 2009-11-25 2011-05-26 International Business Machines Corporation Predicting States of Subjects
CN109697158A (zh) * 2019-01-16 2019-04-30 郑州云海信息技术有限公司 一种基于故障的日志分析方法与装置
CN110288004A (zh) * 2019-05-30 2019-09-27 武汉大学 一种基于日志语义挖掘的系统故障诊断方法及装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114389834A (zh) * 2021-11-26 2022-04-22 浪潮通信信息系统有限公司 一种api网关异常调用识别的方法、装置、设备及产品
CN114389834B (zh) * 2021-11-26 2024-04-30 浪潮通信信息系统有限公司 一种api网关异常调用识别的方法、装置、设备及产品
CN114139636A (zh) * 2021-12-03 2022-03-04 中国建设银行股份有限公司 异常作业处理方法及装置
CN114139636B (zh) * 2021-12-03 2024-04-30 中国建设银行股份有限公司 异常作业处理方法及装置
CN114706709A (zh) * 2022-06-01 2022-07-05 成都运荔枝科技有限公司 一种saas服务异常处理方法、装置及可读存储介质
CN116090808A (zh) * 2023-03-06 2023-05-09 北京神州光大科技有限公司 一种rpa断点重建方法、装置、电子设备和介质

Also Published As

Publication number Publication date
CN113626241B (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
US11165806B2 (en) Anomaly detection using cognitive computing
US9646262B2 (en) Data intelligence using machine learning
US10649882B2 (en) Automated log analysis and problem solving using intelligent operation and deep learning
US20170091673A1 (en) Exporting a Transformation Chain Including Endpoint of Model for Prediction
US9390176B2 (en) System and method for recursively traversing the internet and other sources to identify, gather, curate, adjudicate, and qualify business identity and related data
US20140172754A1 (en) Semi-supervised data integration model for named entity classification
CN105893225A (zh) 一种错误自动处理方法及装置
CN113626241B (zh) 应用程序的异常处理方法、装置、设备及存储介质
US9706005B2 (en) Providing automatable units for infrastructure support
WO2020140624A1 (zh) 从日志中提取数据的方法和相关设备
CN113221960A (zh) 一种高质量漏洞数据收集模型的构建方法及收集方法
US11568344B2 (en) Systems and methods for automated pattern detection in service tickets
Behera et al. Root Cause Analysis Bot using Machine Learning Techniques
CN107330031B (zh) 一种数据存储的方法、装置及电子设备
CN112579755A (zh) 基于人工智能和云计算的信息应答方法及信息互动平台
binti Oseman et al. Data mining in churn analysis model for telecommunication industry
Eken et al. Predicting defects with latent and semantic features from commit logs in an industrial setting
CN113688240B (zh) 威胁要素提取方法、装置、设备及存储介质
CN113723555A (zh) 异常数据的检测方法及装置、存储介质、终端
CN113760864A (zh) 数据模型的生成方法和装置
CN112579756A (zh) 基于云计算和区块链的服务响应方法及人工智能互动平台
AU2020103522A4 (en) DAMA- Dataset Discovery: Dataset Discovery in Data Analytics and Machine Learning Algorithm
AU2020104034A4 (en) IML-Cloud Data Performance: Cloud Data Performance Improved using Machine Learning.
US20210263804A1 (en) Method, device, and computer program product for data protection
US11816112B1 (en) Systems and methods for automated process discovery

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