CN113778818A - 优化系统的方法、装置、设备和计算机可读介质 - Google Patents
优化系统的方法、装置、设备和计算机可读介质 Download PDFInfo
- Publication number
- CN113778818A CN113778818A CN202011027104.3A CN202011027104A CN113778818A CN 113778818 A CN113778818 A CN 113778818A CN 202011027104 A CN202011027104 A CN 202011027104A CN 113778818 A CN113778818 A CN 113778818A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- logs
- analyzed
- preset
- log
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000002159 abnormal effect Effects 0.000 claims abstract description 216
- 238000007619 statistical method Methods 0.000 claims abstract description 21
- 239000013598 vector Substances 0.000 claims description 67
- 238000012216 screening Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 230000005856 abnormality Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 230000004931 aggregating effect Effects 0.000 claims description 8
- 238000003064 k means clustering Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 12
- 238000005457 optimization Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3452—Performance evaluation by statistical analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Computational Linguistics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了优化系统的方法、装置、设备和计算机可读介质，涉及计算机技术领域。该方法的一具体实施方式包括：在系统执行应用软件产生业务异常的异常日志中，按照预设查询条件，查询得到待分析的异常日志；将所述待分析的异常日志分为多个初选类别；在所述初选类别中，采用预设有效范围筛选出无效异常日志，重新对所述无效异常日志分类，以将所述待分析的异常日志分为多个最终类别；按照所述最终类别中的日志数量从大到小的顺序，生成统计分析报告以优化所述系统。该实施方式能够及时发现业务问题，进而及时优化系统。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种优化系统的方法、装置、设备和计算机可读介质。
背景技术
每个互联网产品涉及的更新，通常是从运营团队提出需求开始。运营团队在日常工作过程中，通常会接到客户反馈的各种各样问题，这些问题由运营团队产品经理汇总，提炼后形成商业需求描述(Business Requirement Document，BRD)。
BRD用来与技术团队的产品经理进行沟通，评审通过后产品经理再将BRD转化为系统的产品需求文档(Product Requirement Document，PRD)。研发人员根据PRD进行设计、开发，最终通过优化系统完成更新互联网产品。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：到达研发人员的PRD经过多次整理，与实际更新互联网产品的需求不同，难以及时发现业务问题，进而导致无法及时优化系统。
发明内容
有鉴于此，本发明实施例提供一种优化系统的方法、装置、设备和计算机可读介质，能够及时发现业务问题，进而及时优化系统。
为实现上述目的，根据本发明实施例的一个方面，提供了一种优化系统的方法，包括：
在系统执行应用软件产生业务异常的异常日志中，按照预设查询条件，查询得到待分析的异常日志；
将所述待分析的异常日志分为多个初选类别；
在所述初选类别中，采用预设有效范围筛选出无效异常日志，重新对所述无效异常日志分类，以将所述待分析的异常日志分为多个最终类别；
按照所述最终类别中的日志数量从大到小的顺序，生成统计分析报告以优化所述系统。
所述在所述初选类别中，采用预设有效范围筛选出无效异常日志，重新对所述无效异常日志分类，以将所述待分析的异常日志分为多个最终类别，包括：
在所述初选类别中，将所述预设有效范围之外的异常日志作为无效异常日志；
对所述无效异常日志聚类，再次采用所述预设有效范围进行筛选，直至无效异常日志的数量小于预设异常参数，以将所述待分析的异常日志分为多个最终类别。
所述在所述初选类别中，采用预设有效范围筛选出无效异常日志，重新对所述无效异常日志分类之前，还包括：
根据人工分类的异常日志，计算每类异常日志的有效相似度；
基于所述每类异常日志的有效相似度，获知所述预设有效范围。
所述将所述待分析的异常日志分为多个初选类别，包括：
计算所述待分析的异常日志的句向量；
利用预设聚类算法，将所述待分析的异常日志的句向量聚合为多个初选类别。
所述计算所述待分析的异常日志的句向量，包括：
根据所述待分析的异常日志中每个词的词向量和所述词向量对应的预设权重，计算所述待分析的异常日志的句向量。
所述利用预设聚类算法，将所述待分析的异常日志的句向量聚合为多个初选类别，包括：
利用K-means聚类算法，将所述待分析的异常日志的句向量聚合为多个初选类别，其中，所述K-means聚类算法的中k值是预先设置的。
所述在系统执行应用软件产生业务异常的异常日志中，按照预设查询条件，查询得到待分析的异常日志之前，还包括：
通过消息队列，接收所述系统执行应用软件产生业务异常的异常日志。
根据本发明实施例的第二方面，提供了一种优化系统的装置，包括：
查询模块，用于在系统执行应用软件产生业务异常的异常日志中，按照预设查询条件，查询得到待分析的异常日志；
初选模块，用于将所述待分析的异常日志分为多个初选类别；
筛选模块，用于在所述初选类别中，采用预设有效范围筛选出无效异常日志，重新对所述无效异常日志分类，以将所述待分析的异常日志分为多个最终类别；
输出模块，用于按照所述最终类别中的日志数量从大到小的顺序，生成统计分析报告以优化所述系统。
所述筛选模块，具体用于在所述初选类别中，将所述预设有效范围之外的异常日志作为无效异常日志；
对所述无效异常日志聚类，再次采用所述预设有效范围进行筛选，直至无效异常日志的数量小于预设异常参数，以将所述待分析的异常日志分为多个最终类别。
根据本发明实施例的第三方面，提供了一种优化系统的电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述的方法。
根据本发明实施例的第四方面，提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述的方法。
上述发明中的一个实施例具有如下优点或有益效果：在系统执行应用软件产生业务异常的异常日志中，按照预设查询条件，查询得到待分析的异常日志；将待分析的异常日志分为多个初选类别；在初选类别中，采用预设有效范围筛选出无效异常日志，重新对无效异常日志分类，待分析的异常日志分为多个最终类别；按照最终类别中的日志数量从大到小的顺序，生成统计分析报告以优化系统。异常日志记录业务异常，通过异常日志能够及时发现业务问题，并生成包括日志数量的统计分析报告，基于统计分析报告能够及时优化系统。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明实施例的优化系统的方法的主要流程的示意图；
图2是根据本发明实施例的消息队列的传输示意图；
图3是根据本发明实施例的将待分析的异常日志分为多个初选类别的流程示意图；
图4是根据本发明实施例的重新对无效异常日志分类的流程示意图；
图5是根据本发明实施例的获知预设有效范围的流程示意图；
图6是根据本发明实施例的初选类别的示意图；
图7是根据本发明实施例的优化系统的装置的主要结构的示意图；
图8是本发明实施例可以应用于其中的示例性系统架构图；
图9是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
互联网产品的更新过程中，通过BRD与技术团队进行沟通。即，从业务问题产生到最终落地实现，促成互联网产品更新的全过程。其中，经过两个重要节点，一是业务问题的汇总提炼；二是技术产品的理解转化。通常是依靠产品经理的思考加上一些简单数据统计来完成。
然而，采用BRD、PRD和开发上线，这一产品更新流程存在如下几方面的问题：
第一方面：运营人员将工作中发现的系统问题上报，产品经理汇总问题后进行一些数据分析最终提炼出BRD，这个过程对产品、业务理解和总结归纳能力要求非常高，否则提出来的需求很可能耗费大量研发资源最终无法真正解决业务痛点问题，收效甚微。
第二方面：产品需求经过一次次的传递，由于每个人的理解及语言表达能力不同，最终到达开发者手中的PRD在经过一次次信息丢失，可能与最初产品需求已经大相径庭。
第三方面：上述过程中产生的产品需求，往往都已经是在发生业务问题之后。发生业务问题就意味着可能已经遭到投诉。
综上所述，由于到达研发人员的PRD经过多次整理，与实际更新互联网产品的需求不同，难以及时发现业务问题，进而导致无法及时优化系统。
为了解决难以及时发现业务问题，进而导致无法及时优化系统的技术问题，可以采用以下本发明实施例中的技术方案。
参见图1，图1是根据本发明实施例的优化系统的方法主要流程的示意图，从业务异常的异常日志入手，通过将异常日志分为多个最终类别，生成统计分析报告以优化系统。如图1所示，具体包括以下步骤：
S101、在系统执行应用软件产生业务异常的异常日志中，按照预设查询条件，查询得到待分析的异常日志。
在应用软件的开发和运营过程中，涉及前台、中台和后台，共计三个层次。作为一个示例，应用软件可以是安装在移动终端上的应用(APP)。
前台包括为应用软件服务的服务器。每个应用软件的服务器仅处理该应用软件的业务。中台上游对接多个应用软件的服务器，下游对接后台的数据库。中台负责维护多个应用软件共有的代码逻辑。后台负责数据库相关系统开发，提供底层的数据存取服务，不涉及应用软件的具体业务。
在本发明实施例中，系统是指前台中应用软件对应的服务器。上述服务器的业务性较强，在应用软件的业务处理过程中产生对应的日志。通过系统执行应用软件产生业务异常的异常日志，能够及时获知应用软件的运行情况，进而进行分析以优化系统。
需要说明的是，图1中各步骤的执行主体可以设置在系统中的软件。作为一个示例，该软件可以负责日志分析工作。
在本发明的一个实施例中，在系统执行应用软件产生业务异常的异常日志的情况下，可以通过消息队列(Message Queue，MQ)，接收系统执行应用软件产生业务异常的异常日志。
参见图2，图2是根据本发明实施例的消息队列的传输示意图。其中，MQ是中间件，其核心为生产者、消费者、MQ系统三个部分。
生产者负责生产消息，并将消息推送至MQ系统。MQ系统负责消息的接收、存放和调度，保证消息能够正常被消费。消费者负责从MQ系统中获取需要的消息进行消费。
MQ具备解耦和削峰量大特点。解耦即生产者不需要依赖消费者的处理逻辑，消息生产完成之后便可以做其他事情。至于消费者何时消费、如何消费、消费是否成功都不需要关心，有效提高系统吞吐量。
削峰即在对实时性要求不高的场景下，生产者在峰值期间产生大量消息放入MQ，消费者按自己的消费能力取用消费，不必要求在短时间内消费完成，有助于维护消费者系统稳定。
MQ的实现可以采用以下任意一种，Kafka、RocketMQ、RabbitMQ和ActiveMQ。
可以理解的是，采用通过消息队列，接收系统执行应用软件产生业务异常的异常日志，可以有效提高系统吞吐量。
在实际应用中，因具体业务层面产生问题所记录的错误日志，为了方便排查通常都用中文记录。作为一个示例，异常日志包括但不限于以下几种：“电话号码格式错误”、“身份证格式错误”、“无权限查看审核页面”、“无权限进行当前操作”、“调用实名信息验证接口超时”和“调用地址信息查询接口异常”。
在本发明实施例中，通过消息队列接收到异常日志后，可以保存至数据库中，以供查询使用。
在需要优化系统的情况下，研发人员可以设置查询条件，在数据库的异常日志中，查询得到待分析的异常日志。待分析的异常日志是用于分析以优化系统的日志。
作为一个示例，预设查询条件包括在1月1日0点至1月5日0点产生业务异常的异常日志，查询得到异常日志1和异常日志2，异常日志1和异常日志2称为待分析的异常日志。
S102、将待分析的异常日志分为多个初选类别。
在本发明实施例中，通过将待分析的异常日志分为多个类别，能够生产统计分析报告。
具体来说，异常日志分类可以包括S102和S103两个步骤。S102是将异常日志初次分类，S103是初次分类的基础上筛选出无效异常日志，以重新确定无效异常日志的分类。
参见图3，图3是根据本发明实施例的将待分析的异常日志分为多个初选类别的流程示意图，具体包括以下步骤：
S301、计算待分析的异常日志的句向量。
在初次分类的过程中，可以将异常日志转换为向量。对于每条待分析的异常日志都需要计算出句向量，用于后续的聚类。
在本发明实施例中，根据待分析的异常日志中每个词的词向量和词向量对应的预设权重，计算待分析的异常日志的句向量。
首先，需要对待分析的异常日志进行分词。作为一个示例，利用中文分词工具进行分词。如：异常日志“用户名已存在”，分词结果为：“用户名”、“已”、“存在”。其中，中文分词工具是开源软件。
然后，将分词结果中的每个词单独输入模型中，模型输出该词对应的词向量。作为一个示例，该模型可以是word2vec模型。
对于每个词来说，均有对应的词向量，可以预先设置词向量的权重。作为一个示例，按照词性设置词向量的权重。考虑到名词和动词能够表示句子的主要语义，所以需设置更高权重，其他词性则权重较低。如：设置名词的词向量权重为0.2，动词的词向量权重为0.25，其他词性的词向量权重为0.1。
然后，将所有词向量根据词性进行加权平均，加权平均之后的求得的值为异常日志的句向量。
作为一个示例：
词向量：VEC1＝[v11，v12…v1n]权重：K1；
词向量：VEC2＝[v21，v22…v2n]权重：K2；…
词向量：VECm＝[vm1，vm2…vmn]权重：Km；
句向量：
在本发明的实施例中，句向量可以在查询得到待分析的异常日志后计算，也可以在异常日志保存在数据库的情况下计算。为了加快分析异常日志的速度，可以采用上述第二种方式。
S302、利用预设聚类算法，将待分析的异常日志的句向量聚合为多个初选类别。
可以利用聚类算法，将待分析的异常日志的句向量聚合为多个初选类别。其中，初选类别是异常日志的首次所属类别，在后续过程中异常日志的类别可能会调整。
作为一个示例，聚类算法可以采用以下任意一种，直接聚类法、最短距离聚类法、最远距离聚类法和k-means聚类法。
下面以聚类算法是k-means聚类算法为例，进行示例性地说明。
首先需要选择一个k值，也就是将待分析的异常日志分成多少类。k值的选择对结果的影响很大，选择方法通常有两种：一种是elbowmethod，简单的说就是根据聚类的结果和k的函数关系判断k为多少的时候效果最好；另一种则是根据具体的需求确定。如：衬衫尺寸的聚类，k值为3，具体分成三类，L，M，S。可以理解的是，K-means聚类算法的中k值是预先设置的。
其次，需要选择最初的聚类点，作为一个示例，可以随机选择最初的聚类点。如：多次取均值随机选择最初的聚类点，或采用改进算法bisecting K-means随机选择最初的聚类点。
然后，对于待分析的异常日志的句向量计算与聚类点的距离，将待分析的异常日志分配到距离最近聚类点所属初选类别中。最后，需要计算出每个初选类别中句向量与聚类点的平均值，将上述平均值对应的点作为新的聚类点。反复执行上述步骤，在新的聚类点与旧的聚类点完全相同，则确定将待分析的异常日志的句向量聚合为多个初选类别。
需要说明的是，对于待分析的异常日志的句向量计算与聚类点的距离，上述距离可以理解为两个句向量的语义相似度。
其中，可以采用公式(1)计算语义相似度。作为一个示例，对于语义相似度计算通常采用余弦距离公式：
其中，VECS1是一个句向量，VECS2是另一个句向量。VECS1i是VECS1中的词向量，VECS2i是VECS2中的词向量。
需要说明的是，还可以采用欧氏距离、曼哈顿距离、切比雪夫距离等公式计算语义相似度。
采用余弦距离计算语义相似度，余弦距离越大，则语义相似度越高；采用欧氏距离、曼哈顿距离或切比雪夫距离计算语义相似度，距离越大，则语义相似度越小。
在上述图3的实施例中，利用预设聚类算法，可以将待分析的异常日志分为多个初选类别。
S103、在初选类别中，采用预设有效范围筛选出无效异常日志，重新对无效异常日志分类，以将待分析的异常日志分为多个最终类别。
确定初选类别之后，落入某个类别的向量并不能确定与所在初选类别的聚类点向量语义相近。可能只是与所在初选类别的聚类点的相似度，比其他初选类别的聚类点的相似度更高。因此，可以采用预设有效范围进行筛选。
参见图4，图4是根据本发明实施例的重新对无效异常日志分类的流程示意图，具体包括：
S401、在初选类别中，将预设有效范围之外的异常日志作为无效异常日志。
在本发明实施例中，可以预先设置有效范围。在初选类别中，将预设有效范围之外的异常日志作为无效异常日志。相应地，在预设有效范围之内的异常日志作为有效异常日志。
参见图5，图5是根据本发明实施例的获知预设有效范围的流程示意图，具体包括以下步骤：
S501、根据人工分类的异常日志，计算每类异常日志的有效相似度。
为了能够筛选出无效异常日志，可以参照人工分类的异常日志确定预设有效范围。
可以选择一段时间内的系统执行应用软件产生业务异常的异常日志，人工将上述异常日志按照语义分为多个类别。计算出每条异常日志的句向量，对于每个类别中的异常日志，两两按照公式(1)计算相似度，再求该类别中相似度的平均值，即该类别异常日志的有效相似度threshold。
S502、基于每类异常日志的有效相似度，获知预设有效范围。
然后，可以计算获得包括所有类别的最终有效相似度。
其中，disti是一个类别异常日志的有效相似度，共计n个类别。对于由余弦距离计算语义相似度，预设有效范围的半径等于最终有效相似度的倒数。
对于由欧氏距离、曼哈顿距离或切比雪夫距离计算语义相似度，预设有效范围的半径等于最终有效相似度。
也就是说，预设有效范围是以初选类别的聚类点为圆心，预设有效范围的半径所覆盖的区域。
在图5的实施例中，从人的语义认知角度出发，先找到语义相近的句子，计算每个异常日志的有效相似度，进而获知预设有效范围。
S402、对无效异常日志聚类，再次采用预设有效范围进行筛选，直至无效异常日志的数量小于预设异常参数，以将待分析的异常日志分为多个最终类别。
对于有效异常日志而言，初选类别即最终类别；对于无效异常日志而言，初选类别并非最终类别，则需要对无效异常日志继续聚类。作为一个示例，按照预设聚类算法继续聚类。
完成聚类后，再次采用预设有效范围进行筛选。随着多次筛选，无效异常日志的数量越来越少，在无效异常日志的数量小于预设异常参数的情况下，停止聚类。最终，将待分析的异常日志分为多个最终类别。其中，预设异常参数可以按照实际情况预先设置。
参见图6，图6是根据本发明实施例的初选类别的示意图。图6在初次聚类完成后，所有向量被分为4类，A、B、C、D分别为每个类别的聚类点。以聚类点为圆心和预设半径得到预设有效范围。预设有效范围即虚线标记的区域。
在预设有效范围之内的向量的最终类别即初选类别，如：向量1、向量3、向量5和向量7。在预设有效范围之外向量的日志是无效异常日志，即向量2、向量4、向量6和向量8的日志是无效异常日志。
对上述无效异常日志再次聚类，采用预设有效范围进行筛选，直至无效异常日志的数量小于预设异常参数，以将待分析的异常日志分为多个最终类别。
在图4的实施例中，筛选出无效异常日志，通过无效异常日志的再次聚类，提高分类的精确性。
S104、按照最终类别中的日志数量从大到小的顺序，生成统计分析报告以优化系统。
最终类别中日志数量越多，则说明该类别产生的问题较多，有较大的优化空间。
需要按最终类别中包含日志数量从大到小，排列生成统计分析报表。其中排序靠前的类别，说明该类别线上产生的问题较多，相关功能很可能有较大的优化空间。
这样，技术产品经理可依据上述统计分析报告确定优化点，撰写PRD后交由技术人员进行开发，优化系统。
在上述实施例中，在系统执行应用软件产生业务异常的异常日志中，按照预设查询条件，查询得到待分析的异常日志；将待分析的异常日志分为多个初选类别；在初选类别中，采用预设有效范围筛选出无效异常日志，重新对无效异常日志分类，待分析的异常日志分为多个最终类别；按照最终类别中的日志数量从大到小的顺序，生成统计分析报告以优化系统。异常日志记录业务异常，通过异常日志能够及时发现业务问题，并生成包括日志数量的统计分析报告，基于统计分析报告能够及时优化系统。
参见图7，图7是根据本发明实施例的优化系统的装置的主要结构的示意图，优化系统的装置可以实现优化系统的方法，如图7所示，优化系统的装置具体包括：
查询模块701，用于在系统执行应用软件产生业务异常的异常日志中，按照预设查询条件，查询得到待分析的异常日志；
初选模块702，用于将所述待分析的异常日志分为多个初选类别；
筛选模块703，用于在所述初选类别中，采用预设有效范围筛选出无效异常日志，重新对所述无效异常日志分类，以将所述待分析的异常日志分为多个最终类别；
输出模块704，用于按照所述最终类别中的日志数量从大到小的顺序，生成统计分析报告以优化所述系统。
在本发明的一个实施例中，筛选模块703，具体用于在所述初选类别中，将所述预设有效范围之外的异常日志作为无效异常日志；
对所述无效异常日志聚类，再次采用所述预设有效范围进行筛选，直至无效异常日志的数量小于预设异常参数，以将所述待分析的异常日志分为多个最终类别。
在本发明的一个实施例中，筛选模块703，还用于根据人工分类的异常日志，计算每类异常日志的有效相似度；
基于所述每类异常日志的有效相似度，获知所述预设有效范围。
在本发明的一个实施例中，初选模块702，具体用于计算所述待分析的异常日志的句向量；
利用预设聚类算法，将所述待分析的异常日志的句向量聚合为多个初选类别。
在本发明的一个实施例中，初选模块702，具体用于根据所述待分析的异常日志中每个词的词向量和所述词向量对应的预设权重，计算所述待分析的异常日志的句向量。
在本发明的一个实施例中，初选模块702，具体用于利用K-means聚类算法，将所述待分析的异常日志的句向量聚合为多个初选类别，其中，所述K-means聚类算法的中k值是预先设置的。
在本发明的一个实施例中，查询模块701，具体用于通过消息队列，接收所述系统执行应用软件产生业务异常的异常日志。
图8示出了可以应用本发明实施例的优化系统的方法或优化系统的装置的示例性系统架构800。
如图8所示，系统架构800可以包括终端设备801、802、803，网络804和服务器805。网络804用以在终端设备801、802、803和服务器805之间提供通信链路的介质。网络804可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备801、802、803通过网络804与服务器805交互，以接收或发送消息等。终端设备801、802、803上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备801、802、803可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器805可以是提供各种服务的服务器，例如对用户利用终端设备801、802、803所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是，本发明实施例所提供的优化系统的方法一般由服务器805执行，相应地，优化系统的装置一般设置于服务器805中。
应该理解，图8中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图9，其示出了适于用来实现本发明实施例的终端设备的计算机系统900的结构示意图。图9示出的终端设备仅仅是一个示例，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9所示，计算机系统900包括中央处理单元(CPU)901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中，还存储有系统900操作所需的各种程序和数据。CPU 901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
以下部件连接至I/O接口905：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被中央处理单元(CPU)901执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机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。而在本发明中，计算机可读的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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、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。计算机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、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括发送单元、获取单元、确定单元和第一处理单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，发送单元还可以被描述为“向所连接的服务端发送图片获取请求的单元”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：
在系统执行应用软件产生业务异常的异常日志中，按照预设查询条件，查询得到待分析的异常日志；
将所述待分析的异常日志分为多个初选类别；
在所述初选类别中，采用预设有效范围筛选出无效异常日志，重新对所述无效异常日志分类，以将所述待分析的异常日志分为多个最终类别；
按照所述最终类别中的日志数量从大到小的顺序，生成统计分析报告以优化所述系统。
根据本发明实施例的技术方案，在系统执行应用软件产生业务异常的异常日志中，按照预设查询条件，查询得到待分析的异常日志；将待分析的异常日志分为多个初选类别；在初选类别中，采用预设有效范围筛选出无效异常日志，重新对无效异常日志分类，待分析的异常日志分为多个最终类别；按照最终类别中的日志数量从大到小的顺序，生成统计分析报告以优化系统。异常日志记录业务异常，通过异常日志能够及时发现业务问题，并生成包括日志数量的统计分析报告，基于统计分析报告能够及时优化系统。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (11)
1.一种优化系统的方法，其特征在于，包括：
在系统执行应用软件产生业务异常的异常日志中，按照预设查询条件，查询得到待分析的异常日志；
将所述待分析的异常日志分为多个初选类别；
在所述初选类别中，采用预设有效范围筛选出无效异常日志，重新对所述无效异常日志分类，以将所述待分析的异常日志分为多个最终类别；
按照所述最终类别中的日志数量从大到小的顺序，生成统计分析报告以优化所述系统。
2.根据权利要求1所述优化系统的方法，其特征在于，所述在所述初选类别中，采用预设有效范围筛选出无效异常日志，重新对所述无效异常日志分类，以将所述待分析的异常日志分为多个最终类别，包括：
在所述初选类别中，将所述预设有效范围之外的异常日志作为无效异常日志；
对所述无效异常日志聚类，再次采用所述预设有效范围进行筛选，直至无效异常日志的数量小于预设异常参数，以将所述待分析的异常日志分为多个最终类别。
3.根据权利要求1所述优化系统的方法，其特征在于，所述在所述初选类别中，采用预设有效范围筛选出无效异常日志，重新对所述无效异常日志分类之前，还包括：
根据人工分类的异常日志，计算每类异常日志的有效相似度；
基于所述每类异常日志的有效相似度，获知所述预设有效范围。
4.根据权利要求1所述优化系统的方法，其特征在于，所述将所述待分析的异常日志分为多个初选类别，包括：
计算所述待分析的异常日志的句向量；
利用预设聚类算法，将所述待分析的异常日志的句向量聚合为多个初选类别。
5.根据权利要求4所述优化系统的方法，其特征在于，所述计算所述待分析的异常日志的句向量，包括：
根据所述待分析的异常日志中每个词的词向量和所述词向量对应的预设权重，计算所述待分析的异常日志的句向量。
6.根据权利要求4所述优化系统的方法，其特征在于，所述利用预设聚类算法，将所述待分析的异常日志的句向量聚合为多个初选类别，包括：
利用K-means聚类算法，将所述待分析的异常日志的句向量聚合为多个初选类别，其中，所述K-means聚类算法的中k值是预先设置的。
7.根据权利要求1所述优化系统的方法，其特征在于，所述在系统执行应用软件产生业务异常的异常日志中，按照预设查询条件，查询得到待分析的异常日志之前，还包括：
通过消息队列，接收所述系统执行应用软件产生业务异常的异常日志。
8.一种优化系统的装置，其特征在于，包括：
查询模块，用于在系统执行应用软件产生业务异常的异常日志中，按照预设查询条件，查询得到待分析的异常日志；
初选模块，用于将所述待分析的异常日志分为多个初选类别；
筛选模块，用于在所述初选类别中，采用预设有效范围筛选出无效异常日志，重新对所述无效异常日志分类，以将所述待分析的异常日志分为多个最终类别；
输出模块，用于按照所述最终类别中的日志数量从大到小的顺序，生成统计分析报告以优化所述系统。
9.根据权利要求8所述优化系统的装置，其特征在于，所述筛选模块，具体用于在所述初选类别中，将所述预设有效范围之外的异常日志作为无效异常日志；
对所述无效异常日志聚类，再次采用所述预设有效范围进行筛选，直至无效异常日志的数量小于预设异常参数，以将所述待分析的异常日志分为多个最终类别。
10.一种优化系统的电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
11.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011027104.3A CN113778818A (zh) | 2020-09-25 | 2020-09-25 | 优化系统的方法、装置、设备和计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011027104.3A CN113778818A (zh) | 2020-09-25 | 2020-09-25 | 优化系统的方法、装置、设备和计算机可读介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113778818A true CN113778818A (zh) | 2021-12-10 |
Family
ID=78835077
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011027104.3A Pending CN113778818A (zh) | 2020-09-25 | 2020-09-25 | 优化系统的方法、装置、设备和计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113778818A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114553962A (zh) * | 2022-02-21 | 2022-05-27 | 重庆伏特猫科技有限公司 | 一种基于消息队列的移动设备数据处理方法及系统 |
| CN114742051A (zh) * | 2022-04-25 | 2022-07-12 | 京东科技信息技术有限公司 | 日志处理方法、装置、计算机系统及可读存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105183912A (zh) * | 2015-10-12 | 2015-12-23 | 北京百度网讯科技有限公司 | 异常日志确定方法和装置 |
| US20170139806A1 (en) * | 2015-11-18 | 2017-05-18 | Nec Laboratories America, Inc. | Automated Anomaly Detection Service on Heterogeneous Log Streams |
| US20190095417A1 (en) * | 2017-09-28 | 2019-03-28 | Nec Laboratories America, Inc. | Content aware heterogeneous log pattern comparative analysis engine |
| CN109634818A (zh) * | 2018-10-24 | 2019-04-16 | 中国平安人寿保险股份有限公司 | 日志分析方法、系统、终端及计算机可读存储介质 |
| CN111427743A (zh) * | 2020-03-13 | 2020-07-17 | 苏州浪潮智能科技有限公司 | 一种bmc监控日志处理方法、装置、设备和介质 |
-
2020
- 2020-09-25 CN CN202011027104.3A patent/CN113778818A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105183912A (zh) * | 2015-10-12 | 2015-12-23 | 北京百度网讯科技有限公司 | 异常日志确定方法和装置 |
| US20170139806A1 (en) * | 2015-11-18 | 2017-05-18 | Nec Laboratories America, Inc. | Automated Anomaly Detection Service on Heterogeneous Log Streams |
| US20190095417A1 (en) * | 2017-09-28 | 2019-03-28 | Nec Laboratories America, Inc. | Content aware heterogeneous log pattern comparative analysis engine |
| CN109634818A (zh) * | 2018-10-24 | 2019-04-16 | 中国平安人寿保险股份有限公司 | 日志分析方法、系统、终端及计算机可读存储介质 |
| CN111427743A (zh) * | 2020-03-13 | 2020-07-17 | 苏州浪潮智能科技有限公司 | 一种bmc监控日志处理方法、装置、设备和介质 |
Non-Patent Citations (2)
| Title |
|---|
| RUI REN等: "Deep Convolutional Neural Networks for Log Event Classification on Distributed Cluster Systems", 《2018 IEEE INTERNATIONAL CONFERENCE ON BIG DATA (BIG DATA)》, 20 December 2018 (2018-12-20) * |
| 祝蓓;李静;方晓蓉;王亮;: "LSC-TGT:基于字符串聚类和模板生成树的在线日志解析方法", 小型微型计算机系统, no. 08, 15 August 2020 (2020-08-15) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114553962A (zh) * | 2022-02-21 | 2022-05-27 | 重庆伏特猫科技有限公司 | 一种基于消息队列的移动设备数据处理方法及系统 |
| CN114742051A (zh) * | 2022-04-25 | 2022-07-12 | 京东科技信息技术有限公司 | 日志处理方法、装置、计算机系统及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10645022B2 (en) | Methods and systems providing a scalable process for anomaly identification and information technology infrastructure resource optimization | |
| US20190340190A1 (en) | Configurable tool for facilitating a plurality of cloud services | |
| US20180276553A1 (en) | System for querying models | |
| US20210174277A1 (en) | Compliance management for emerging risks | |
| CN112527649A (zh) | 一种测试用例的生成方法和装置 | |
| US11429603B2 (en) | Using artificial intelligence and natural language processing for data collection in message oriented middleware frameworks | |
| CN110321252B (zh) | 一种技能服务资源调度的方法和装置 | |
| US20170286377A1 (en) | Narrative generation using pattern recognition | |
| CN113778818A (zh) | 优化系统的方法、装置、设备和计算机可读介质 | |
| CN112861529A (zh) | 错误码管理的方法和装置 | |
| CN110852057A (zh) | 一种计算文本相似度的方法和装置 | |
| US20230153357A1 (en) | Method of processing an observation information, electronic device and storage medium | |
| CN115952050A (zh) | 机构服务埋点数据的上报方法和装置 | |
| WO2022089321A1 (zh) | 调度接入点的方法、装置、服务器以及存储介质 | |
| WO2022078397A1 (zh) | 通信的方法、装置、设备及存储介质 | |
| CN113656812A (zh) | 一种基于大数据技术的数据管理系统和方法 | |
| US11461400B2 (en) | Using artificial intelligence and natural language processing for data collection in message oriented middleware frameworks | |
| CN113612777A (zh) | 训练方法、流量分级方法、装置、电子设备以及存储介质 | |
| CN113778977A (zh) | 数据处理方法和数据处理装置 | |
| CN113761182A (zh) | 一种确定业务问题的方法和装置 | |
| CN113626175A (zh) | 数据处理的方法和装置 | |
| CN112862554A (zh) | 一种订单数据的处理方法和装置 | |
| KR20210000041A (ko) | 로그 데이터의 실시간 분석 방법 및 그 장치 | |
| CN113066479A (zh) | 一种评测模型的方法和装置 | |
| CN113362097B (zh) | 一种用户确定方法和装置 |
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 |