CN113687972B - 业务系统异常数据的处理方法、装置、设备及存储介质 - Google Patents

业务系统异常数据的处理方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113687972B
CN113687972B CN202111003947.4A CN202111003947A CN113687972B CN 113687972 B CN113687972 B CN 113687972B CN 202111003947 A CN202111003947 A CN 202111003947A CN 113687972 B CN113687972 B CN 113687972B
Authority
CN
China
Prior art keywords
fault
initial
service system
target
feature vector
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.)
Active
Application number
CN202111003947.4A
Other languages
English (en)
Other versions
CN113687972A (zh
Inventor
李明凡
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 Life Insurance Company of China Ltd
Original Assignee
Ping An Life 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 Life Insurance Company of China Ltd filed Critical Ping An Life Insurance Company of China Ltd
Priority to CN202111003947.4A priority Critical patent/CN113687972B/zh
Publication of CN113687972A publication Critical patent/CN113687972A/zh
Application granted granted Critical
Publication of CN113687972B publication Critical patent/CN113687972B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本发明涉及人工智能技术领域，提供一种业务系统异常数据的处理方法、装置、设备及存储介质，用于提高业务系统异常数据的故障归因分析准确性。业务系统异常数据的处理方法包括：对初始业务系统样本数据依次进行特征矢量融合和特征矢量叠加，得到目标虚拟特征矢量，初始业务系统样本数据用于指示业务系统的调用异常数据和运行异常数据；通过目标虚拟特征矢量，对预置的初始故障归因模型进行训练得到目标故障归因模型；调用目标故障归因模型对待处理的业务系统异常数据进行故障归因分析，得到初始分析结果；通过参考故障信息对初始分析结果进行验证得到目标分析结果。此外，本发明还涉及区块链技术，待处理的业务系统异常数据可存储于区块链中。

Description

业务系统异常数据的处理方法、装置、设备及存储介质
技术领域
本发明涉及人工智能的智能决策领域，尤其涉及一种业务系统异常数据的处理方法、装置、设备及存储介质。
背景技术
大数据的时代，随着业务需求的逐渐增大，各业务系统被广泛运用，而业务系统的故障处理也成为了一个关注的方向。目前，一般都是通过故障分析模型，对业务系统的数据进行故障分析，来实现业务系统的故障处理。
但是，故障分析模型在训练时，只应用了单个样本和深度学习模型当前状态的信息，没有利用原始的样本与其它样本之间关联的信息，导致了故障分析模型的特征辨别能力和显著性判断能力较低，从而导致了业务系统异常数据的故障归因分析准确性低。
发明内容
本发明提供一种业务系统异常数据的处理方法、装置、设备及存储介质，用于提高业务系统异常数据的故障归因分析准确性。
本发明第一方面提供了一种业务系统异常数据的处理方法，包括：
获取初始业务系统样本数据，对所述初始业务系统样本数据依次进行特征矢量融合和特征矢量叠加，得到目标虚拟特征矢量，所述初始业务系统样本数据用于指示业务系统的调用异常数据和运行异常数据；
通过所述目标虚拟特征矢量，对预置的初始故障归因模型进行训练，得到目标故障归因模型；
获取待处理的业务系统异常数据，调用所述目标故障归因模型，对所述待处理的业务系统异常数据进行故障归因分析，得到初始分析结果；
获取参考故障信息，通过所述参考故障信息对所述初始分析结果进行验证，得到目标分析结果。
可选的，在本发明第一方面的第一种实现方式中，所述获取初始业务系统样本数据，对所述初始业务系统样本数据依次进行特征矢量融合和特征矢量叠加，得到目标虚拟特征矢量，所述初始业务系统样本数据用于指示业务系统的调用异常数据和运行异常数据，包括：
获取初始业务系统样本数据，对所述初始业务系统样本数据依次进行预处理、特征提取和特征矢量运算，得到初始特征矢量，所述初始业务系统样本数据用于指示业务系统的调用异常数据和运行异常数据；
对所述初始特征矢量进行均值计算，得到已融合特征矢量，并按照预设比例，将所述已融合特征矢量叠加至所述初始特征矢量，得到目标虚拟特征矢量。
可选的，在本发明第一方面的第二种实现方式中，所述通过所述目标虚拟特征矢量，对预置的初始故障归因模型进行训练，得到目标故障归因模型，包括：
通过预置的初始故障归因模型，对所述目标虚拟特征矢量进行故障的前向预测和故障信息匹配，得到故障预测结果，所述故障预测结果包括故障概率值、故障原因和故障类型；
获取所述初始业务系统样本数据的标签故障信息，将所述故障预测结果与所述标签故障信息进行对比，得到新损失函数值，所述标签故障信息用于指示标签信息中标记的故障信息；
获取基于所述初始业务系统样本数据的原始损失函数值，根据所述新损失函数值和所述原始损失函数值确定目标损失函数值；
调用预置的梯度反向传播算法，基于所述目标损失函数值，对所述初始故障归因模型进行参数调整，得到目标故障归因模型。
可选的，在本发明第一方面的第三种实现方式中，所述获取参考故障信息，通过所述参考故障信息对所述初始分析结果进行验证，得到目标分析结果，包括：
获取参考故障信息，并将所述初始分析结果与所述参考故障信息进行匹配，得到目标匹配度；
判断所述目标匹配度是否大于预设阈值，若所述目标匹配度大于预设阈值，则将所述初始分析结果确定为目标分析结果。
可选的，在本发明第一方面的第四种实现方式中，所述获取参考故障信息，并将所述初始分析结果与所述参考故障信息进行匹配，得到目标匹配度，包括：
对所述待处理的业务系统异常数据依次进行分类和故障贡献度的计算，得到目标故障贡献度；
从预置故障信息库中匹配与所述目标故障贡献度对应的参考故障信息，并通过预置的相似度算法，计算所述初始分析结果与所述参考故障信息的相似度，得到目标匹配度。
可选的，在本发明第一方面的第五种实现方式中，所述获取待处理的业务系统异常数据，调用所述目标故障归因模型，对所述待处理的业务系统异常数据进行故障归因分析，得到初始分析结果，包括：
获取待处理的业务系统异常数据，调用所述目标故障归因模型，对所述待处理的业务系统异常数据进行特征提取，得到异常特征信息；
按照预设的多个故障指标因子计算所述异常特征信息的故障概率值；
将所述故障概率值与各预置故障信息对应的故障值进行对比，并将大于或等于所述故障概率值的故障值对应的预置故障信息确定为初始分析结果。
可选的，在本发明第一方面的第六种实现方式中，所述获取参考故障信息，通过所述参考故障信息对所述初始分析结果进行验证，得到目标分析结果之后，还包括：
根据所述目标分析结果匹配对应的系统故障处理策略，并获取所述系统故障处理策略执行后的反馈信息；
根据所述反馈信息，对所述目标故障归因模型以及与所述目标分析结果对应的执行过程进行优化。
本发明第二方面提供了一种业务系统异常数据的处理装置，包括：
融合叠加模块，用于获取初始业务系统样本数据，对所述初始业务系统样本数据依次进行特征矢量融合和特征矢量叠加，得到目标虚拟特征矢量，所述初始业务系统样本数据用于指示业务系统的调用异常数据和运行异常数据；
训练模块，用于通过所述目标虚拟特征矢量，对预置的初始故障归因模型进行训练，得到目标故障归因模型；
分析模块，用于获取待处理的业务系统异常数据，调用所述目标故障归因模型，对所述待处理的业务系统异常数据进行故障归因分析，得到初始分析结果；
验证模块，用于获取参考故障信息，通过所述参考故障信息对所述初始分析结果进行验证，得到目标分析结果。
可选的，在本发明第二方面的第一种实现方式中，所述融合叠加模块包括：
运算单元，用于获取初始业务系统样本数据，对所述初始业务系统样本数据依次进行预处理、特征提取和特征矢量运算，得到初始特征矢量，所述初始业务系统样本数据用于指示业务系统的调用异常数据和运行异常数据；
叠加单元，用于对所述初始特征矢量进行均值计算，得到已融合特征矢量，并按照预设比例，将所述已融合特征矢量叠加至所述初始特征矢量，得到目标虚拟特征矢量。
可选的，在本发明第二方面的第二种实现方式中，所述训练模块具体用于：
通过预置的初始故障归因模型，对所述目标虚拟特征矢量进行故障的前向预测和故障信息匹配，得到故障预测结果，所述故障预测结果包括故障概率值、故障原因和故障类型；
获取所述初始业务系统样本数据的标签故障信息，将所述故障预测结果与所述标签故障信息进行对比，得到新损失函数值，所述标签故障信息用于指示标签信息中标记的故障信息；
获取基于所述初始业务系统样本数据的原始损失函数值，根据所述新损失函数值和所述原始损失函数值确定目标损失函数值；
调用预置的梯度反向传播算法，基于所述目标损失函数值，对所述初始故障归因模型进行参数调整，得到目标故障归因模型。
可选的，在本发明第二方面的第三种实现方式中，所述验证模块包括：
匹配单元，用于获取参考故障信息，并将所述初始分析结果与所述参考故障信息进行匹配，得到目标匹配度；
判断单元，用于判断所述目标匹配度是否大于预设阈值，若所述目标匹配度大于预设阈值，则将所述初始分析结果确定为目标分析结果。
可选的，在本发明第二方面的第四种实现方式中，所述匹配单元具体用于：
对所述待处理的业务系统异常数据依次进行分类和故障贡献度的计算，得到目标故障贡献度；
从预置故障信息库中匹配与所述目标故障贡献度对应的参考故障信息，并通过预置的相似度算法，计算所述初始分析结果与所述参考故障信息的相似度，得到目标匹配度。
可选的，在本发明第二方面的第五种实现方式中，所述分析模块具体用于：
获取待处理的业务系统异常数据，调用所述目标故障归因模型，对所述待处理的业务系统异常数据进行特征提取，得到异常特征信息；
按照预设的多个故障指标因子计算所述异常特征信息的故障概率值；
将所述故障概率值与各预置故障信息对应的故障值进行对比，并将大于或等于所述故障概率值的故障值对应的预置故障信息确定为初始分析结果。
可选的，在本发明第二方面的第六种实现方式中，所述业务系统异常数据的处理装置，还包括：
匹配执行模块，用于根据所述目标分析结果匹配对应的系统故障处理策略，并获取所述系统故障处理策略执行后的反馈信息；
优化模块，用于根据所述反馈信息，对所述目标故障归因模型以及与所述目标分析结果对应的执行过程进行优化。
本发明第三方面提供了一种业务系统异常数据的处理设备，包括：存储器和至少一个处理器，所述存储器中存储有计算机程序；所述至少一个处理器调用所述存储器中的所述计算机程序，以使得所述业务系统异常数据的处理设备执行上述的业务系统异常数据的处理方法。
本发明的第四方面提供了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计算机程序，当其在计算机上运行时，使得计算机执行上述的业务系统异常数据的处理方法。
本发明提供的技术方案中，获取初始业务系统样本数据，对所述初始业务系统样本数据依次进行特征矢量融合和特征矢量叠加，得到目标虚拟特征矢量，所述初始业务系统样本数据用于指示业务系统的调用异常数据和运行异常数据；通过所述目标虚拟特征矢量，对预置的初始故障归因模型进行训练，得到目标故障归因模型；获取待处理的业务系统异常数据，调用所述目标故障归因模型，对所述待处理的业务系统异常数据进行故障归因分析，得到初始分析结果；获取参考故障信息，通过所述参考故障信息对所述初始分析结果进行验证，得到目标分析结果。本发明实施例中，通过对初始业务系统样本数据依次进行特征矢量融合和特征矢量叠加，并对预置的初始故障归因模型进行训练，应用了初始业务系统样本数据的多个样本和深度学习模型(即初始故障归因模型)当前状态的信息，利用了初始业务系统样本数据的原始样本与其它样本之间关联的信息，提高了目标故障归因模型对复杂度高的待处理的业务系统异常数据的故障归因分析准确度，提高了目标故障归因模型的特征辨别能力和显著性判断能力；以及通过参考故障信息对初始分析结果进行验证，得到目标分析结果，提高了目标分析结果的准确度，从而提高了业务系统异常数据的故障归因分析准确性。
附图说明
图1为本发明实施例中业务系统异常数据的处理方法的一个实施例示意图；
图2为本发明实施例中业务系统异常数据的处理方法的另一个实施例示意图；
图3为本发明实施例中业务系统异常数据的处理装置的一个实施例示意图；
图4为本发明实施例中业务系统异常数据的处理装置的另一个实施例示意图；
图5为本发明实施例中业务系统异常数据的处理设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种业务系统异常数据的处理方法、装置、设备及存储介质，提高了业务系统异常数据的故障归因分析准确性。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中业务系统异常数据的处理方法的一个实施例包括：
101、获取初始业务系统样本数据，对初始业务系统样本数据依次进行特征矢量融合和特征矢量叠加，得到目标虚拟特征矢量，初始业务系统样本数据用于指示业务系统的调用异常数据和运行异常数据。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
可以理解的是，本发明的执行主体可以为业务系统异常数据的处理装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content deliverynetwork，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
服务器获得各业务系统的授权后，从预置数据库中或区块链的链上数据中提取历史存储的业务系统异常数据，业务系统异常数据用于指示业务系统的调用异常数据和运行异常数据，该历史存储的业务系统异常数据标注有对应的故障原因和故障类型；对提取的业务系统异常数据上的标注信息依次进行异常信息检测和分类，得到异常标注信息和非异常标注信息，异常标注信息包括但不限于标注信息为空、标注信息不完整和标注信息乱码等；将异常标注信息以及异常标注信息对应的业务系统异常数据发送至审核端，通过审核端进行人工审核和人工修订，得到审核修订完成后的业务系统异常数据，并接收审核端发送的审核修订完成后的业务系统异常数据，将审核修订完成后的业务系统异常数据与非异常标注信息对应的业务系统异常数据进行融合，得到初始业务系统样本数据，初始业务系统样本数据用于指示业务系统的调用异常数据和运行异常数据，初始业务系统样本数据包括训练集、测试集和验证集。
服务器将初始业务系统样本数据输入至预置的初始故障归因模型，通过初始故障归因模型，对初始业务系统样本数据进行特征提取和矢量转换，得到业务系统特征矢量；对业务系统特征矢量进行归一化处理或者均值计算，以实现特征矢量融合，得到融合后的特征矢量；通过预置的注意力机制，将融合后的特征矢量和业务系统特征矢量进行注意力矩阵计算和注意力矩阵相加，以实现特征矢量叠加，从而得到目标虚拟特征矢量。
102、通过目标虚拟特征矢量，对预置的初始故障归因模型进行训练，得到目标故障归因模型。
其中，目标虚拟特征矢量包括训练集、测试集和验证集分别对应的混合虚拟特征矢量，按照预设划分比例将目标虚拟特征矢量划分为训练集、测试集和验证集分别对应的混合虚拟特征矢量。服务器通过预置的初始故障归因模型，该初始故障归因模型为基于人工智能的深度学习模型，对目标虚拟特征矢量进行故障概率和故障类型的运算(即故障归因分析)，得到故障归因分析结果，并通过预置的损失函数计算故障归因分析结果的损失函数值，得到新的损失函数值；通过初始故障归因模型对初始业务系统样本数据进行故障归因分析，并通过预置的损失函数进行损失值计算，得到原始损失函数值；将新的损失函数值与原始损失函数值进行相加，得到目标损失函数值；通过目标损失函数值，对初始故障归因模型进行模型结构优化、超参数修改和/或权重值调整，从而得到目标故障归因模型，目标故障归因模型可用于基于预置的分类算法对业务系统异常数据进行人工智能的故障分类，也可用于基于预置的回归算法对业务系统异常数据进行人工智能的故障回归(故障归因分析)。通过目标虚拟特征矢量对初始故障归因模型进行训练，可以有效地提升目标故障归因模型的效果。
103、获取待处理的业务系统异常数据，调用目标故障归因模型，对待处理的业务系统异常数据进行故障归因分析，得到初始分析结果。
服务器获取待处理的业务系统异常数据后，调用目标故障归因模型对待处理的业务系统异常数据依次进行特征提取、特征值计算、矩阵转换和预设特征空间映射，得到待处理特征矢量；获取待处理特征矢量的加权系数，对待处理特征矢量的加权系数进行故障概率的预测，以实现故障的前向预测，得到故障预测概率值；通过预置的分类器对故障预测概率值进行故障类型分类，得到故障预测类型；根据故障预测类型匹配对应的故障原因信息，将故障预测概率值、故障预测类型和故障原因信息确定为初始分析结果。或者，服务器得到故障预测概率值后，通过故障预测概率值与预置故障信息对应的故障值进行匹配，从而得到对应的初始分析结果。
104、获取参考故障信息，通过参考故障信息对初始分析结果进行验证，得到目标分析结果。
服务器将待处理的业务系统异常数据和初始分析结果发送至验证端，通过验证端基于预设的验证策略对初始分析结果进行验证和修正，得到验证信息，或者通过验证端对初始分析结果进行人工验证和修正，并输入验证信息，该验证信息为对初始分析结果中存在错误的内容进行修正后的信息，将验证信息发送至服务器；服务器接收到该验证信息后，根据验证信息对初始分析结果进行更新，得到目标分析结果。或者，服务器获取参考故障信息，通过参考故障信息对初始分析结果进行验证，验证通过后，将对应的初始分析结果确定为目标分析结果。
本发明实施例中，通过对初始业务系统样本数据依次进行特征矢量融合和特征矢量叠加，并对预置的初始故障归因模型进行训练，应用了初始业务系统样本数据的多个样本和深度学习模型(即初始故障归因模型)当前状态的信息，利用了初始业务系统样本数据的原始样本与其它样本之间关联的信息，提高了目标故障归因模型对复杂度高的待处理的业务系统异常数据的故障归因分析准确度，提高了目标故障归因模型的特征辨别能力和显著性判断能力；以及通过参考故障信息对初始分析结果进行验证，得到目标分析结果，提高了目标分析结果的准确度，从而提高了业务系统异常数据的故障归因分析准确性。
请参阅图2，本发明实施例中业务系统异常数据的处理方法的另一个实施例包括：
201、获取初始业务系统样本数据，对初始业务系统样本数据依次进行预处理、特征提取和特征矢量运算，得到初始特征矢量，初始业务系统样本数据用于指示业务系统的调用异常数据和运行异常数据。
服务器获取初始业务系统样本数据，初始业务系统样本数据用于指示业务系统的调用异常数据和运行异常数据，对初始业务系统样本数据进行去重、数据清洗和安全性检测，得到预处理样本数据；调用预置的初始故障归因模型，该初始故障归因模型有深度学习的神经卷积网络构成，初始故障归因模型用于对异常数据进行造成故障的归因分析，对预处理样本数据依次进行特征提取、特征值计算、矩阵转换和预设特征空间映射(即特征降维处理)，以实现特征提取和特征矢量运算，得到初始特征矢量，以提高初始特征矢量的准确性。
202、对初始特征矢量进行均值计算，得到已融合特征矢量，并按照预设比例，将已融合特征矢量叠加至初始特征矢量，得到目标虚拟特征矢量。
服务器对初始特征矢量进行算术平均值计算或者加权平均值计算，以实现特征矢量融合，从而得到混合特征矢量(即已融合特征矢量)，该已融合特征矢量包含了这个批次里各个初始业务系统样本数据的特征，因而初始故障归因模型不能轻易地把这个混合特征矢量分类(或回归预测)到具体的某个故障类别；按照预设比例对已融合特征矢量和初始特征矢量进行加权求和，以实现按照预设比例将已融合特征矢量叠加至初始特征矢量，例如：初始特征矢量为A，已融合特征矢量为B，预设比例为0.3，则目标虚拟特征矢量＝A*(1-0.3)+B*0.3。
将这个混合特征矢量以预设比例叠加到原来的样本(即初始业务系统样本数据)里，就相当于给原来的样本(即初始业务系统样本数据)加了一种噪声，得到了一批比原来的样本(即初始业务系统样本数据)更困难的样本(即目标虚拟特征矢量对应的业务系统异常数据)，便于提高后续得到的目标故障归因模型的效果。
203、通过目标虚拟特征矢量，对预置的初始故障归因模型进行训练，得到目标故障归因模型。
具体地，服务器通过预置的初始故障归因模型，对目标虚拟特征矢量进行故障的前向预测和故障信息匹配，得到故障预测结果，故障预测结果包括故障概率值、故障原因和故障类型；获取初始业务系统样本数据的标签故障信息，将故障预测结果与标签故障信息进行对比，得到新损失函数值，标签故障信息用于指示标签信息中标记的故障信息；获取基于初始业务系统样本数据的原始损失函数值，根据新损失函数值和原始损失函数值确定目标损失函数值；调用预置的梯度反向传播算法，基于目标损失函数值，对初始故障归因模型进行参数调整，得到目标故障归因模型。
服务器获取目标虚拟特征矢量的加权系数，调用预置的初始故障归因模型，对目标虚拟特征矢量的加权系数进行故障概率的预测，以实现故障的前向预测计算，得到故障预测概率值，通过故障预测概率值匹配对应的故障信息，从而得到故障预测结果；调用预置的标签提取算法(可为文本标签提取算法、自动提取Tag算法或标签传播算法)，对初始业务系统样本数据进行标签关键信息提取，得到标签故障信息，标签故障信息用于指示标签信息中标记的故障信息；将故障预测结果与标签故障信息进行相减(即对比)，得到新损失函数值；调用初始故障归因模型对初始业务系统样本数据进行故障归因分析，并通过预置的损失函数进行损失值计算，得到原始损失函数值；将原始损失函数值于新损失函数值进行相加，得到目标损失函数值。
预置的梯度反向传播算法可为深度网络的误差反向传播算法、调用预置的梯度反向传播算法，基于目标损失函数值，对初始故障归因模型的参数进行损失函数对参数的偏导计算，得到参数偏导数，判断参数偏导数是否符合预设条件，若是，则不对参数进行修改，若否，则对参数进行修改，直至修改后的参数符合预设条件，从而得到目标故障归因模型，其中，参数可包括但不限于模型的超参数、权重值和网络结构参数。提高了目标故障归因模型的效果，进而提高了业务系统异常数据的故障归因分析准确性。
204、获取待处理的业务系统异常数据，调用目标故障归因模型，对待处理的业务系统异常数据进行故障归因分析，得到初始分析结果。
具体地，服务器获取待处理的业务系统异常数据，调用目标故障归因模型，对待处理的业务系统异常数据进行特征提取，得到异常特征信息；按照预设的多个故障指标因子计算异常特征信息的故障概率值；将故障概率值与各预置故障信息对应的故障值进行对比，并将大于或等于故障概率值的故障值对应的预置故障信息确定为初始分析结果。
服务器接收业务系统对应的终端发送的待处理的业务系统异常数据，或者，服务器通过预置的监控池对业务系统的调用状况或运行状况进行监控，当监控到调用异常或运行异常时，读取对应的异常数据，从而得到待处理的业务系统异常数据。调用目标故障归因模型对待处理的业务系统异常数据进行特征提取，得到异常特征信息；按照预设的多个故障指标因子对异常特征信息进行多维度的故障概率分析，从而得到故障概率值，其中，该多个故障指标因子用于预测异常特征信息造成故障的概率，故障概率值为预测待处理的业务系统异常数据形成故障的概率；获取各预置故障信息对应的故障值，并判断故障概率值是否大于或等于各预置故障信息对应的故障值，若是，则将对应的预置故障信息确定为初始分析结果，若否，则返回的初始分析结果为空值，每个预置故障信息包括业务系统异常数据所会导致的故障类型以及对应的故障原因。提高了对待处理的业务系统异常数据依次进行故障归因分析的准确性。
205、获取参考故障信息，通过参考故障信息对初始分析结果进行验证，得到目标分析结果。
具体地，服务器获取参考故障信息，并将初始分析结果与参考故障信息进行匹配，得到目标匹配度；判断目标匹配度是否大于预设阈值，若目标匹配度大于预设阈值，则将初始分析结果确定为目标分析结果。
服务器从预置故障信息库中获取与待处理的业务系统异常数据对应的参考故障信息，该预置故障信息库中存储有历史业务系统异常数据以及历史业务系统异常数据对应的故障归因分析信息，参考故障信息为与待处理的业务系统异常数据对应的历史业务系统异常数据所对应的故障归因分析信息。通过预置的相似度算法(可为余弦相似度算法、皮尔逊相关系数算法、欧几里德距离算法、曼哈顿距离算法等任意一种算法)，计算初始分析结果与参考故障信息的相似度，得到目标匹配度；判断目标匹配度是否大于预设阈值，若是，则将对应的初始分析结果确定为目标分析结果，若否，则将对应的初始分析结果确定为非目标分析结果。
具体地，服务器对待处理的业务系统异常数据依次进行分类和故障贡献度的计算，得到目标故障贡献度；从预置故障信息库中匹配与目标故障贡献度对应的参考故障信息，并通过预置的相似度算法，计算初始分析结果与参考故障信息的相似度，得到目标匹配度。
服务器按照异常类型对待处理的业务系统异常数据进行分类，得到多组异常类型数据；按照预置的归因分析规则，对多组异常类型数据分别进行故障贡献度计算，得到每组组异常类型数据对应的故障贡献度；将多组异常类型数据对应的故障贡献度进行加权求和，得到目标故障贡献度；从预置故障信息库中匹配与目标故障贡献度对应的参考故障信息，并通过预置的相似度算法，该相似度算法可为编辑距离算法，计算初始分析结果与参考故障信息的相似度，得到目标匹配度。
具体地，服务器获取参考故障信息，通过参考故障信息对初始分析结果进行验证，得到目标分析结果之后，根据目标分析结果匹配对应的系统故障处理策略，并获取系统故障处理策略执行后的反馈信息；根据反馈信息，对目标故障归因模型以及与目标分析结果对应的执行过程进行优化。
服务器通过目标分析结果对预置的故障决策库进行检索，得到对应的系统故障处理策略，具体地，服务器生成目标分析结果的索引，通过索引对预置的故障决策库进行检索，得到对应的系统故障处理策略；或者，服务器生成目标分析结果的键值，通过键值对预置的故障处理决策树进行遍历，得到对应的故障处理策略。服务器将故障处理策略发送至对应的处理端，并按照预设通知方式通知处理端，通过处理端对系统故障处理策略进行检测和调整，并通过检测和调整后的系统故障处理策略，对待处理的业务系统异常数据对应的业务系统依次进行运维和调试，并生成运维和调试的评估报告，以及获取运维人员对系统故障处理策略执行的评价信息，将运维和调试的评估报告以及评价信息确定为反馈信息，将反馈信息发送至服务器。
服务器接收处理端发送的反馈信息，按照预设字段对反馈信息进行信息提取，得到目标信息，预设字段为不良信息对应的字段，不良信息用于指示：系统故障处理策略执行后，对于待处理的业务系统异常数据对应的业务系统的运维效果、调试效果达不到预设效果，以及系统故障处理策略与待处理的业务系统异常数据的匹配度达不到预设值，目标信息用于指示表示目标故障归因模型和与目标分析结果对应的执行过程需进行优化的信息；根据反馈信息，对与目标分析结果对应的执行过程和目标故障归因模型进行优化。提高了目标分析结果的准确性和目标故障归因模型的效果，提高了业务系统异常数据的故障归因分析准确性，进而提高了系统故障处理策略的准确性。
本发明实施例中，通过对初始业务系统样本数据依次进行特征矢量融合和特征矢量叠加，并对预置的初始故障归因模型进行训练，应用了初始业务系统样本数据的多个样本和深度学习模型(即初始故障归因模型)当前状态的信息，利用了初始业务系统样本数据的原始样本与其它样本之间关联的信息，提高了目标故障归因模型对复杂度高的待处理的业务系统异常数据的故障归因分析准确度，提高了目标故障归因模型的特征辨别能力和显著性判断能力；以及通过参考故障信息对初始分析结果进行验证，得到目标分析结果，提高了目标分析结果的准确度，从而提高了业务系统异常数据的故障归因分析准确性。
上面对本发明实施例中业务系统异常数据的处理方法进行了描述，下面对本发明实施例中业务系统异常数据的处理装置进行描述，请参阅图3，本发明实施例中业务系统异常数据的处理装置一个实施例包括：
融合叠加模块301，用于获取初始业务系统样本数据，对初始业务系统样本数据依次进行特征矢量融合和特征矢量叠加，得到目标虚拟特征矢量，初始业务系统样本数据用于指示业务系统的调用异常数据和运行异常数据；
训练模块302，用于通过目标虚拟特征矢量，对预置的初始故障归因模型进行训练，得到目标故障归因模型；
分析模块303，用于获取待处理的业务系统异常数据，调用目标故障归因模型，对待处理的业务系统异常数据进行故障归因分析，得到初始分析结果；
验证模块304，用于获取参考故障信息，通过参考故障信息对初始分析结果进行验证，得到目标分析结果。
上述业务系统异常数据的处理装置中各个模块的功能实现与上述业务系统异常数据的处理方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。
本发明实施例中，通过对初始业务系统样本数据依次进行特征矢量融合和特征矢量叠加，并对预置的初始故障归因模型进行训练，应用了初始业务系统样本数据的多个样本和深度学习模型(即初始故障归因模型)当前状态的信息，利用了初始业务系统样本数据的原始样本与其它样本之间关联的信息，提高了目标故障归因模型对复杂度高的待处理的业务系统异常数据的故障归因分析准确度，提高了目标故障归因模型的特征辨别能力和显著性判断能力；以及通过参考故障信息对初始分析结果进行验证，得到目标分析结果，提高了目标分析结果的准确度，从而提高了业务系统异常数据的故障归因分析准确性。
请参阅图4，本发明实施例中业务系统异常数据的处理装置的另一个实施例包括：
融合叠加模块301，用于获取初始业务系统样本数据，对初始业务系统样本数据依次进行特征矢量融合和特征矢量叠加，得到目标虚拟特征矢量，初始业务系统样本数据用于指示业务系统的调用异常数据和运行异常数据；
其中，融合叠加模块301具体包括：
运算单元3011，用于获取初始业务系统样本数据，对初始业务系统样本数据依次进行预处理、特征提取和特征矢量运算，得到初始特征矢量，初始业务系统样本数据用于指示业务系统的调用异常数据和运行异常数据；
叠加单元3012，用于对初始特征矢量进行均值计算，得到已融合特征矢量，并按照预设比例，将已融合特征矢量叠加至初始特征矢量，得到目标虚拟特征矢量；
训练模块302，用于通过目标虚拟特征矢量，对预置的初始故障归因模型进行训练，得到目标故障归因模型；
分析模块303，用于获取待处理的业务系统异常数据，调用目标故障归因模型，对待处理的业务系统异常数据进行故障归因分析，得到初始分析结果；
验证模块304，用于获取参考故障信息，通过参考故障信息对初始分析结果进行验证，得到目标分析结果。
可选的，训练模块302还可以具体用于：
通过预置的初始故障归因模型，对目标虚拟特征矢量进行故障的前向预测和故障信息匹配，得到故障预测结果，故障预测结果包括故障概率值、故障原因和故障类型；
获取初始业务系统样本数据的标签故障信息，将故障预测结果与标签故障信息进行对比，得到新损失函数值，标签故障信息用于指示标签信息中标记的故障信息；
获取基于初始业务系统样本数据的原始损失函数值，根据新损失函数值和原始损失函数值确定目标损失函数值；
调用预置的梯度反向传播算法，基于目标损失函数值，对初始故障归因模型进行参数调整，得到目标故障归因模型。
可选的，验证模块304包括：
匹配单元3041，用于获取参考故障信息，并将初始分析结果与参考故障信息进行匹配，得到目标匹配度；
判断单元3042，用于判断目标匹配度是否大于预设阈值，若目标匹配度大于预设阈值，则将初始分析结果确定为目标分析结果。
可选的，匹配单元3041还可以具体用于：
对待处理的业务系统异常数据依次进行分类和故障贡献度的计算，得到目标故障贡献度；
从预置故障信息库中匹配与目标故障贡献度对应的参考故障信息，并通过预置的相似度算法，计算初始分析结果与参考故障信息的相似度，得到目标匹配度。
可选的，分析模块303还可以具体用于：
获取待处理的业务系统异常数据，调用目标故障归因模型，对待处理的业务系统异常数据进行特征提取，得到异常特征信息；
按照预设的多个故障指标因子计算异常特征信息的故障概率值；
将故障概率值与各预置故障信息对应的故障值进行对比，并将大于或等于故障概率值的故障值对应的预置故障信息确定为初始分析结果。
可选的，业务系统异常数据的处理装置，还包括：
匹配执行模块305，用于根据目标分析结果匹配对应的系统故障处理策略，并获取系统故障处理策略执行后的反馈信息；
优化模块306，用于根据反馈信息，对目标故障归因模型以及与目标分析结果对应的执行过程进行优化。
上述业务系统异常数据的处理装置中各模块和各单元的功能实现与上述业务系统异常数据的处理方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。
本发明实施例中，通过对初始业务系统样本数据依次进行特征矢量融合和特征矢量叠加，并对预置的初始故障归因模型进行训练，应用了初始业务系统样本数据的多个样本和深度学习模型(即初始故障归因模型)当前状态的信息，利用了初始业务系统样本数据的原始样本与其它样本之间关联的信息，提高了目标故障归因模型对复杂度高的待处理的业务系统异常数据的故障归因分析准确度，提高了目标故障归因模型的特征辨别能力和显著性判断能力；以及通过参考故障信息对初始分析结果进行验证，得到目标分析结果，提高了目标分析结果的准确度，从而提高了业务系统异常数据的故障归因分析准确性。
上面图3和图4从模块化功能实体的角度对本发明实施例中的业务系统异常数据的处理装置进行详细描述，下面从硬件处理的角度对本发明实施例中业务系统异常数据的处理设备进行详细描述。
图5是本发明实施例提供的一种业务系统异常数据的处理设备的结构示意图，该业务系统异常数据的处理设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)510(例如，一个或一个以上处理器)和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对业务系统异常数据的处理设备500中的一系列计算机程序操作。更进一步地，处理器510可以设置为与存储介质530通信，在业务系统异常数据的处理设备500上执行存储介质530中的一系列计算机程序操作。
业务系统异常数据的处理设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作系统531，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图5示出的业务系统异常数据的处理设备结构并不构成对业务系统异常数据的处理设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本申请还提供一种业务系统异常数据的处理设备，包括：存储器和至少一个处理器，所述存储器中存储有计算机程序，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述计算机程序，以使得所述业务系统异常数据的处理设备执行上述业务系统异常数据的处理方法中的步骤。本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，计算机可读存储介质中存储有计算机程序，当计算机程序在计算机上运行时，使得计算机执行业务系统异常数据的处理方法的步骤。
进一步地，计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
集成的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取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干计算机程序用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种业务系统异常数据的处理方法，其特征在于，所述业务系统异常数据的处理方法包括：
获取初始业务系统样本数据，对所述初始业务系统样本数据依次进行特征矢量融合和特征矢量叠加，得到目标虚拟特征矢量，所述初始业务系统样本数据用于指示业务系统的调用异常数据和运行异常数据；
通过所述目标虚拟特征矢量，对预置的初始故障归因模型进行训练，得到目标故障归因模型；
获取待处理的业务系统异常数据，调用所述目标故障归因模型，对所述待处理的业务系统异常数据进行故障归因分析，得到初始分析结果；
获取参考故障信息，通过所述参考故障信息对所述初始分析结果进行验证，得到目标分析结果；
所述获取初始业务系统样本数据，对所述初始业务系统样本数据依次进行特征矢量融合和特征矢量叠加，得到目标虚拟特征矢量，包括：
获取初始业务系统样本数据，对所述初始业务系统样本数据依次进行预处理、特征提取和特征矢量运算，得到初始特征矢量；
对所述初始特征矢量进行均值计算，得到已融合特征矢量；
根据预置的注意力机制，将所述已融合特征矢量和所述初始特征矢量进行注意力矩阵计算，从而将所述已融合特征矢量叠加至所述初始特征矢量，得到目标虚拟特征矢量；
所述通过所述目标虚拟特征矢量，对预置的初始故障归因模型进行训练，得到目标故障归因模型，包括：
通过预置的初始故障归因模型，对所述目标虚拟特征矢量进行故障的前向预测和故障信息匹配，得到故障预测结果，所述故障预测结果包括故障概率值、故障原因和故障类型；
获取所述初始业务系统样本数据的标签故障信息，将所述故障预测结果与所述标签故障信息进行对比，通过预置的损失函数计算故障归因分析结果的损失函数值，得到新损失函数值，所述标签故障信息用于指示标签信息中标记的故障信息；
通过所述初始故障归因模型对初始业务系统样本数据进行故障归因分析，并通过预置的损失函数进行损失值计算，得到原始损失函数值；
将所述新损失函数值和所述原始损失函数值进行相加，得到目标损失函数值；
调用预置的梯度反向传播算法，基于所述目标损失函数值，对所述初始故障归因模型进行参数调整，得到目标故障归因模型。
2.根据权利要求1所述的业务系统异常数据的处理方法，其特征在于，所述获取参考故障信息，通过所述参考故障信息对所述初始分析结果进行验证，得到目标分析结果，包括：
获取参考故障信息，并将所述初始分析结果与所述参考故障信息进行匹配，得到目标匹配度；
判断所述目标匹配度是否大于预设阈值，若所述目标匹配度大于预设阈值，则将所述初始分析结果确定为目标分析结果。
3.根据权利要求1所述的业务系统异常数据的处理方法，其特征在于，所述获取参考故障信息，并将所述初始分析结果与所述参考故障信息进行匹配，得到目标匹配度，包括：
对所述待处理的业务系统异常数据依次进行分类和故障贡献度的计算，得到目标故障贡献度；
从预置故障信息库中匹配与所述目标故障贡献度对应的参考故障信息，并通过预置的相似度算法，计算所述初始分析结果与所述参考故障信息的相似度，得到目标匹配度。
4.根据权利要求1所述的业务系统异常数据的处理方法，其特征在于，所述获取待处理的业务系统异常数据，调用所述目标故障归因模型，对所述待处理的业务系统异常数据进行故障归因分析，得到初始分析结果，包括：
获取待处理的业务系统异常数据，调用所述目标故障归因模型，对所述待处理的业务系统异常数据进行特征提取，得到异常特征信息；
按照预设的多个故障指标因子计算所述异常特征信息的故障概率值；
将所述故障概率值与各预置故障信息对应的故障值进行对比，并将大于或等于所述故障概率值的故障值对应的预置故障信息确定为初始分析结果。
5.根据权利要求1-4中任一项所述的业务系统异常数据的处理方法，其特征在于，所述获取参考故障信息，通过所述参考故障信息对所述初始分析结果进行验证，得到目标分析结果之后，还包括：
根据所述目标分析结果匹配对应的系统故障处理策略，并获取所述系统故障处理策略执行后的反馈信息；
根据所述反馈信息，对所述目标故障归因模型以及与所述目标分析结果对应的执行过程进行优化。
6.一种业务系统异常数据的处理装置，其特征在于，所述业务系统异常数据的处理装置包括：
融合叠加模块，用于获取初始业务系统样本数据，对所述初始业务系统样本数据依次进行特征矢量融合和特征矢量叠加，得到目标虚拟特征矢量，所述初始业务系统样本数据用于指示业务系统的调用异常数据和运行异常数据；
训练模块，用于通过所述目标虚拟特征矢量，对预置的初始故障归因模型进行训练，得到目标故障归因模型；
分析模块，用于获取待处理的业务系统异常数据，调用所述目标故障归因模型，对所述待处理的业务系统异常数据进行故障归因分析，得到初始分析结果；
验证模块，用于获取参考故障信息，通过所述参考故障信息对所述初始分析结果进行验证，得到目标分析结果；
所述融合叠加模块包括：
运算单元，用于获取初始业务系统样本数据，对所述初始业务系统样本数据依次进行预处理、特征提取和特征矢量运算，得到初始特征矢量；
叠加单元，用于对所述初始特征矢量进行均值计算，得到已融合特征矢量；根据预置的注意力机制，将所述已融合特征矢量和所述初始特征矢量进行注意力矩阵计算，从而将所述已融合特征矢量叠加至所述初始特征矢量，得到目标虚拟特征矢量；
所述训练模块，具体用于通过预置的初始故障归因模型，对所述目标虚拟特征矢量进行故障的前向预测和故障信息匹配，得到故障预测结果，所述故障预测结果包括故障概率值、故障原因和故障类型；
获取所述初始业务系统样本数据的标签故障信息，将所述故障预测结果与所述标签故障信息进行对比，通过预置的损失函数计算故障归因分析结果的损失函数值，得到新损失函数值，所述标签故障信息用于指示标签信息中标记的故障信息；
通过所述初始故障归因模型对初始业务系统样本数据进行故障归因分析，并通过预置的损失函数进行损失值计算，得到原始损失函数值；
将所述新损失函数值和所述原始损失函数值进行相加，得到目标损失函数值；
调用预置的梯度反向传播算法，基于所述目标损失函数值，对所述初始故障归因模型进行参数调整，得到目标故障归因模型。
7.一种业务系统异常数据的处理设备，其特征在于，所述业务系统异常数据的处理设备包括：存储器和至少一个处理器，所述存储器中存储有计算机程序；
所述至少一个处理器调用所述存储器中的所述计算机程序，以使得所述业务系统异常数据的处理设备执行如权利要求1-5中任意一项所述的业务系统异常数据的处理方法。
8.一种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，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1-5中任一项所述业务系统异常数据的处理方法。
CN202111003947.4A 2021-08-30 2021-08-30 业务系统异常数据的处理方法、装置、设备及存储介质 Active CN113687972B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111003947.4A CN113687972B (zh) 2021-08-30 2021-08-30 业务系统异常数据的处理方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111003947.4A CN113687972B (zh) 2021-08-30 2021-08-30 业务系统异常数据的处理方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113687972A CN113687972A (zh) 2021-11-23
CN113687972B true CN113687972B (zh) 2023-07-25

Family

ID=78583884

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111003947.4A Active CN113687972B (zh) 2021-08-30 2021-08-30 业务系统异常数据的处理方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113687972B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114547133B (zh) * 2022-01-17 2023-03-28 北京元年科技股份有限公司 基于多维数据集的对话式归因分析方法、装置及设备
CN114841789B (zh) * 2022-06-27 2022-09-09 国网浙江省电力有限公司金华供电公司 基于区块链的审计审价故障数据在线编辑方法及系统
CN116092577B (zh) * 2023-01-09 2024-01-05 中国海洋大学 一种基于多源异质信息聚合的蛋白质功能预测方法
CN117076915B (zh) * 2023-10-17 2024-01-09 中海油能源发展股份有限公司采油服务分公司 Fpso原油工艺系统的智能故障归因分析方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109376778A (zh) * 2018-10-09 2019-02-22 宁波大学 一种基于特征变量加权的故障分类诊断方法
WO2019230282A1 (ja) * 2018-05-30 2019-12-05 横河電機株式会社 異常検出装置、異常検出方法、異常検出プログラム及び記録媒体
CN110672323A (zh) * 2019-09-02 2020-01-10 佛山科学技术学院 一种基于神经网络的轴承健康状态评估方法及装置
CN111813618A (zh) * 2020-05-28 2020-10-23 平安科技（深圳）有限公司 数据异常检测方法、装置、设备及存储介质
CN112001440A (zh) * 2020-08-20 2020-11-27 苏州鸿哲智能科技有限公司 一种故障诊断逻辑算法及系统
CN113033639A (zh) * 2021-03-16 2021-06-25 江苏保旺达软件技术有限公司 一种异常数据检测模型的训练方法、电子设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019230282A1 (ja) * 2018-05-30 2019-12-05 横河電機株式会社 異常検出装置、異常検出方法、異常検出プログラム及び記録媒体
CN109376778A (zh) * 2018-10-09 2019-02-22 宁波大学 一种基于特征变量加权的故障分类诊断方法
CN110672323A (zh) * 2019-09-02 2020-01-10 佛山科学技术学院 一种基于神经网络的轴承健康状态评估方法及装置
CN111813618A (zh) * 2020-05-28 2020-10-23 平安科技（深圳）有限公司 数据异常检测方法、装置、设备及存储介质
CN112001440A (zh) * 2020-08-20 2020-11-27 苏州鸿哲智能科技有限公司 一种故障诊断逻辑算法及系统
CN113033639A (zh) * 2021-03-16 2021-06-25 江苏保旺达软件技术有限公司 一种异常数据检测模型的训练方法、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于深度学习的故障预测技术研究;吴立金;夏冉;詹红燕;韩新宇;;计算机测量与控制(第02期);全文 *

Also Published As

Publication number Publication date
CN113687972A (zh) 2021-11-23

Similar Documents

Publication Publication Date Title
CN113687972B (zh) 业务系统异常数据的处理方法、装置、设备及存储介质
CN113965404B (zh) 一种网络安全态势自适应主动防御系统及方法
CN113657545B (zh) 用户业务数据的处理方法、装置、设备及存储介质
CN111614491B (zh) 一种面向电力监控系统安全态势评估指标选取方法及系统
CN110909811A (zh) 一种基于ocsvm的电网异常行为检测、分析方法与系统
Sharma et al. A novel multi-classifier layered approach to improve minority attack detection in IDS
CN111047173B (zh) 基于改进d-s证据理论的社团可信度评估方法
CN113778894B (zh) 测试用例的构建方法、装置、设备及存储介质
CN113822421A (zh) 基于神经网络的异常定位方法、系统、设备及存储介质
CN113918367A (zh) 一种基于注意力机制的大规模系统日志异常检测方法
CN116414948A (zh) 基于云数据和人工智能的异常数据挖掘方法及软件产品
CN115237717A (zh) 一种微服务异常检测方法和系统
CN113472754A (zh) 基于网络安全大数据的安全防护配置方法及网络安全系统
CN115865483A (zh) 一种基于机器学习的异常行为分析方法和装置
CN115309575A (zh) 基于图卷积神经网络的微服务故障诊断方法、装置及设备
Bolon-Canedo et al. A combination of discretization and filter methods for improving classification performance in KDD Cup 99 dataset
CN113434855A (zh) 一种安全事件的处理方法及装置、可读存储介质
Akshaya Intrusion detection system using machine learning approach
CN110808947B (zh) 一种自动化的脆弱性量化评估方法及系统
CN116030955B (zh) 基于物联网的医疗设备状态监测方法及相关装置
Kumar et al. Change-proneness of object-oriented software using combination of feature selection techniques and ensemble learning techniques
CN116545679A (zh) 一种工业情境安全基础框架及网络攻击行为特征分析方法
CN116361191A (zh) 一种基于人工智能的软件兼容性处理方法
CN116737436A (zh) 面向混合部署场景的微服务系统根因定位方法及系统
Gao et al. The use of ensemble-based data preprocessing techniques for software defect prediction

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