CN114385398A - 一种请求响应状态确定方法、装置、设备和存储介质 - Google Patents

一种请求响应状态确定方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN114385398A
CN114385398A CN202210014939.8A CN202210014939A CN114385398A CN 114385398 A CN114385398 A CN 114385398A CN 202210014939 A CN202210014939 A CN 202210014939A CN 114385398 A CN114385398 A CN 114385398A
Authority
CN
China
Prior art keywords
information
target
state
prediction model
request
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
Application number
CN202210014939.8A
Other languages
English (en)
Inventor
孙晓璇
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.)
Agricultural Bank of China
Original Assignee
Agricultural Bank of China
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 Agricultural Bank of China filed Critical Agricultural Bank of China
Priority to CN202210014939.8A priority Critical patent/CN114385398A/zh
Publication of CN114385398A publication Critical patent/CN114385398A/zh
Pending legal-status Critical Current

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
    • G06F11/0706—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 the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0709—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 the processing taking place on a specific hardware platform or in a specific software environment in a distributed system consisting of a plurality of standalone computer nodes, e.g. clusters, client-server systems
    • 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
    • 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)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开了一种请求响应状态确定方法、装置、设备和存储介质，该方法包括：获取请求信息；对请求信息进行向量化处理，确定目标特征向量序列；将目标特征向量序列输入到预确定的目标状态预测模型中，根据目标状态预测模型的输出确定请求信息的响应状态；解决了故障分析和定位困难的问题，预先训练目标状态预测模型，通过对请求信息进行向量化处理，得到目标特征向量序列，将目标特征向量序列输入至目标状态预测模型进行响应状态预测，实现对请求信息的响应状态的提前预测。避免故障发生后由于交易数据数量较大导致的无法准确定位故障的情况发生，自动预测每个请求信息的响应状态，降低工作人员的工作量，提高工作效率和系统可靠性。

Description

一种请求响应状态确定方法、装置、设备和存储介质
技术领域
本发明实施例涉及计算机技术领域，尤其涉及一种请求响应状态确定方法、装置、设备和存储介质。
背景技术
越来越多核心系统使用分布式架构下移至开放平台，分布式架构有许多优点，但是也有许多不能忽视的难点。分布式系统在运行过程中，由于分布式系统种存在复杂的调用关系，当某个节点发生故障，导致系统中的交易发生失败，如果在性能测试的情况下发生故障，未及时发现故障会错误信息很快就会写满日志，影响整个系统的功能，甚至会导致系统瘫痪。
目前，对于分布式系统的故障分析及失败交易分析通常是通过全链路监控、Dynatrace或者人工方式来定位故障，分析日志查找失败原因。全链路监控工具，排除故障较为困难，需要翻看多台机器并分析其日志，查找报错信息，分析故障原因。如果交易量大，并且没有及时发现故障，可能出现日志被覆盖等问题。Dynatrace可以监控性能，但是当微服务性能不佳，还是需要人工方式定位问题发生节点，分析每个节点的日志，增加了工作人员的工作量，降低工作效率和系统可靠性。
发明内容
本发明提供一种请求响应状态确定方法、装置、设备和存储介质，以实现对用户操作请求的响应状态的准确预测。
第一方面，本发明实施例提供了一种请求响应状态确定方法，所述请求响应状态确定方法包括：
获取请求信息；
对所述请求信息进行向量化处理，确定目标特征向量序列；
将所述目标特征向量序列输入到预确定的目标状态预测模型中，根据所述目标状态预测模型的输出确定所述请求信息的响应状态。
第二方面，本发明实施例还提供了一种请求响应状态确定装置，该请求响应状态确定装置包括：
请求获取模块，用于获取请求信息；
信息处理模块，用于对所述请求信息进行向量化处理，确定目标特征向量序列；
状态确定模块，用于将所述目标特征向量序列输入到预确定的目标状态预测模型中，根据所述目标状态预测模型的输出确定所述请求信息的响应状态。
第三方面，本发明实施例还提供了一种计算机设备，该设备包括：
一个或多个处理器；
存储器，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本发明实施例中任一所述的一种请求响应状态确定方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的一种请求响应状态确定方法。
本发明实施例提供了一种请求响应状态确定方法、装置、设备和存储介质，通过获取请求信息；对所述请求信息进行向量化处理，确定目标特征向量序列；将所述目标特征向量序列输入到预确定的目标状态预测模型中，根据所述目标状态预测模型的输出确定所述请求信息的响应状态；解决了故障分析和定位困难的问题，预先训练目标状态预测模型，通过对请求信息进行向量化处理，得到目标特征向量序列，将目标特征向量序列输入至目标状态预测模型进行响应状态预测，得到响应状态，实现对请求信息的响应状态的提前预测。通过及时预测故障，避免故障发生后由于交易数据数量较大导致的无法准确定位故障的情况发生，自动预测每个请求信息的响应状态，降低工作人员的工作量，提高工作效率和系统可靠性。
附图说明
图1是本发明实施例一中的一种请求响应状态确定方法的流程图；
图2是本发明实施例二中的一种请求响应状态确定方法的流程图；
图3是本发明实施例三中的一种请求响应状态确定装置的结构示意图；
图4是本发明实施例四中的一种计算机设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。应当明确，所描述的实施例仅仅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它实施例，都属于本申请保护的范围。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅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，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
实施例一
图1给出了本申请实施例一提供的一种请求响应状态确定方法的流程示意图，该方法适用于在用户发起操作请求时预测请求的响应状态的情况。该方法可以由计算机设备执行，该计算机设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。一般而言，计算机设备可以是笔记本、台式计算机以及智能平板等。
如图1所示，本实施例一提供的一种游戏画面的拍摄方法，具体包括如下步骤：
S101、获取请求信息。
在本实施例中，请求信息具体可以理解为用户发起操作请求的信息，例如，时间戳、操作内容等，请求信息中也可以包括请求发起时的系统运行数据，例如，内存。
具体的，用户发起操作请求，操作请求由系统中的相应节点执行。以银行系统为例，用户发起转账的操作请求，此操作请求由节点A执行，完成相关的转账操作。确定操作请求的请求信息，例如，操作请求的发起时间，操作内容等。
S102、对请求信息进行向量化处理，确定目标特征向量序列。
在本实施例中，目标特征向量序列具体可以理解为由特征向量构成的序列，用于表示请求信息，向量化处理的目的是为了将请求信息转换为神经网络模型可以识别的信息，使其适用于模型，便于模型训练和应用。
具体的，对请求信息进行解析，并按照一定的规则进行处理，得到符合要求和规范的信息，对处理后所得到的信息进行向量化处理，例如，对信息进行数字化编码处理，得到数字特征向量。根据向量化处理后的信息形成目标特征向量序列，例如，将时间戳、操作内容分别作为key，将时间戳和操作内容对应的具体内容分别作为value，形成键值对，根据键值对形成目标特征向量序列。目标特征向量序列中也可以仅包括具体内容，即value值。
S103、将目标特征向量序列输入到预确定的目标状态预测模型中，根据目标状态预测模型的输出确定请求信息的响应状态。
在本实施例中，目标状态预测模型具体可以理解为预先训练好的神经网络模型，用于预测请求的响应状态。响应状态可以是正常状态或异常状态。
具体的，预先收集历史数据，根据历史数据训练神经网络模型，得到满足收敛要求的目标状态预测模型。训练好的目标状态预测模型可以根据输入的信息预测响应状态。将目标特征向量序列输入到目标状态预测模型中，目标状态预测模型根据学习到的经验进行预测，并将响应状态作为预测结果进行输出，根据目标状态预测模型的输出结果确定请求信息的响应状态。响应状态可用于确定请求信息是否正常处理，或者是否发生故障。在根据响应状态确定请求信息异常时，相应的可以确定执行此操作请求的节点为故障节点，可以快速定位故障。
本发明实施例提供了一种请求响应状态确定方法，通过获取请求信息；对所述请求信息进行向量化处理，确定目标特征向量序列；将所述目标特征向量序列输入到预确定的目标状态预测模型中，根据所述目标状态预测模型的输出确定所述请求信息的响应状态；解决了故障分析和定位困难的问题，预先训练目标状态预测模型，通过对请求信息进行向量化处理，得到目标特征向量序列，将目标特征向量序列输入至目标状态预测模型进行响应状态预测，得到响应状态，实现对请求信息的响应状态的提前预测。通过及时预测故障，避免了故障发生后由于交易数据数量较大导致的无法准确定位故障的情况发生，自动预测每个请求信息的响应状态，降低工作人员的工作量，提高工作效率和系统可靠性。
实施例二
图2为本发明实施例二提供的一种请求响应状态确定方法的流程图。本实施例的技术方案在上述技术方案的基础上进一步细化，具体主要包括如下步骤：
S201、获取请求信息。
S202、根据请求信息生成目标模板。
在本实施例中，目标模板具体可以理解为包含特定类型参数信息的模板。对请求信息进行解析，并对解析后的数据进行有用信息提取，将提取得到的信息按照一定规则形成目标模板。
作为本实施例的一个可选实施例，本可选实施例进一步将根据请求信息生成目标模板优化为：
A1、对请求信息进行解析，得到解析数据。
在本实施例中，解析数据具体可以理解为按照一定方式进行数据解析后得到的数据。操作请求的请求信息是非结构化的，包含各种形式的文本，对请求信息进行解析，得到解析数据，例如，时间戳、操作内容、执行的节点，用户信息、用户权限等。
A2、根据预设模板对各解析数据进行筛选，确定模板信息。
在本实施例中，预设模板具体可以理解为预先确定的模板，用于确定提取的参数类型。根据预设模板可以确定需要提取的数据类型，例如，内存、时间戳、操作内容等。模板信息具体可以理解为数据(参数)类型对应的具体数据，例如，数据类型为时间戳time，对应的模板信息为：2022-01-01-10:00:30。
具体的，预先设计并提供一种预设模板，根据预设模板确定需要提取的数据类型，按照模板中的各数据类型对各解析数据进行筛选，得到相应的模板信息。例如，预设模板中的一个数据类型为time，从各解析数据中确定time对应的模板信息为2022-01-01-10:00:30。
A3、根据预设模板和各模板信息生成目标模板。
将各模板信息填充到预设模板的相应位置处，生成目标模板。目标模板中包含了特定参数。示例性的，请求信息中有CPU、内存等系统运行数据和请求发起时间，通过解析可以将请求信息解析成为下述形式：CPU:28％；内存：30％；time：2022-01-01-10:00:30。
S203、基于目标模板中的各模板信息，结合预设编码算法进行编码，确定目标特征向量序列。
在本实施例中，预设编码算法具体可以理解为预先设置的数据编码方式，例如，将字符串、十进制数据等类型的数据转换为二进制数。将目标模板中的每个模板信息采用预设编码算法进行编码，得到相应的数字特征向量。例如，一条模板信息为time：2022-01-01-10:00:30，对t进行编码，转换为二进制数(十六进制数等)，依次对剩下的字符串或数字进行编码，其中，“：”和“-”可以用设定的数字或字符表示，只要统一编码规则即可。实现将模板信息转换为目标状态预测模型可以识别的数据类型。根据不同的模型信息对应的数字特征向量形成目标特征向量序列。
S204、将目标特征向量序列输入到预确定的目标状态预测模型中，根据目标状态预测模型的输出确定请求信息的响应状态。
将目标特征向量序列输入到目标状态预测模型中进行预测，目标状态预测模型预测并输出请求信息的响应状态。
作为本实施例的一个可选实施例，本可选实施例进一步优化包括：
B1、获取包含至少一个训练样本的训练样本集，训练样本为数字特征向量序列。
在本实施例中，训练样本集具体可以理解为包含一定数量的训练样本的集合，通常情况下，为保证模型精度，所采用的训练样本的数量较大。
进一步地，训练样本集根据系统运行的日志数据确定。
具体的，预先收集系统运行过程中产生的日志数据，通过对日志数据进行处理，得到训练样本，根据多个训练样本形成训练样本集并进行存储，可以存储在本地或者服务器。在模型训练时，直接从相应的存储空间获取训练样本集。
可以知道的是，日志数据中包含不同用户的历史操作请求，每个历史操作请求具有相应的信息，例如，时间戳、操作内容、实际响应消息/响应结果等，通过对日志数据进行向量化处理，得到训练样本。训练样本为向量化处理后的数字特征向量序列，用于进行预测，训练样本还包括作为对照标准的数据，用于对模型进行修正。
B2、根据各训练样本对待训练状态预测模型进行训练，得到目标状态预测模型。
其中，待训练状态预测模型包括：信息预测模型和状态预测模型。
在本实施例中，待训练状态预测模型具体可以理解为需要训练的神经网络模型，用于预测响应状态。信息预测模型具体可以理解为用于预测响应信息的模型，例如，根据时间戳和操作内容预测响应时间；状态预测模型具体可以理解为预测响应状态的模型，例如，根据响应时间预测响应状态。
具体的，从训练样本集中选择当前迭代下的训练样本，将训练样本输入到待训练状态预测模型中的信息预测模型中，通过信息预测模型进行预测，得到与响应相关的信息，并根据此信息调整信息预测模型的损失函数，进行反向传播。将信息预测模型预测的信息输入到状态预测模型中，并将训练样本中标注的标准状态与信息同时输入到状态预测模型中，得到响应状态，根据得到的响应状态调整状态预测模型的损失函数，进行反向传播，最终得到满足收敛要求的信息预测模型和状态预测模型。
作为本实施例的一个可选实施例，本可选实施例进一步根据各训练样本对待训练状态预测模型进行训练，得到目标状态预测模型优化为：
B21、将当前迭代下的训练样本输入信息预测模型，获得相应的预测信息。
在本实施例中，预测信息具体可以理解为对历史操作请求的请求信息的响应信息，例如，信息预测模型根据训练样本中的时间戳和操作内容进行预测，得到的预测信息可以是响应时间，响应结果等信息。获取当前迭代下的训练样本，将训练样本输入到信息预测模型，信息预测模型根据当前的网络参数对训练样本进行预测，得到预测信息。本申请中的信息预测模型优选采用长短期记忆网络LSTM。
B22、将预测信息和对应的标准状态输入状态预测模型，获得相应的预测状态。
在本实施例中，标准状态可以是正常状态或异常状态，标准状态相当于分类标签，对预测状态进行分类。预测状态具体可以理解为预测的请求操作的响应状态。
具体的，标准状态包含在训练样本中，在进行模型训练前进行标注。将预测信息及其对应的标准状态输入到状态预测模型，状态预测模型根据模型当前的网络参数对预测信息进行预测，得到预测状态。
B23、采用给定的第一损失函数表达式，结合预测信息以及对应的标准信息，确定第一损失函数。
在本实施例中，标准信息具体可以理解为用于作为对照标准的响应信息，标准信息预先在训练样本中进行标注。第一损失函数表达式具体可以理解为一种损失函数的表达式。第一损失函数具体可以理解为信息预测模型的损失函数。
具体的，将预测得到的预测信息和对应的标准信息带入第一损失函数表达式中进行计算，得到第一损失函数。第一损失函数可以是一个，也可以是多个损失函数进行拟合，得到最终的损失函数。
B24、采用给定的第二损失函数表达式，结合预测状态以及对应的标准状态，确定第二损失函数。
在本实施例中，标准状态具体可以理解为用于作为对照标准的响应状态，标准状态预先进行标注。第二损失函数表达式具体可以理解为一种损失函数的表达式，第二损失函数表达式与第一损失函数表达式可以相同，也可以不同。第二损失函数具体可以理解为状态预测模型的损失函数。
具体的，将预测得到的预测状态和对应的标准状态带入第二损失函数表达式中进行计算，得到第二损失函数。同理，第二损失函数也可以是一个，也可以是多个损失函数进行拟合，得到最终的损失函数。
B25、通过第一损失函数对信息预测模型进行反向传播，得到用于下一迭代的信息预测模型，直到满足迭代收敛条件，得到目标信息模型。
在本实施例中，目标信息模型具体可以理解为训练完成后得到的模型，用于对预测信息进行预测。在神经网络模型的训练过程中，通过反向传播方法不断更新调整模型的参数，直至模型的输出与目标趋于一致。在确定第一损失函数后，通过第一损失函数对信息预测模型进行反向传播，直到得到满足收敛条件的目标信息模型。本发明实施例对具体的反向传播过程不做限定，可根据具体情况进行设置。
B26、通过第二损失函数对状态预测模型进行反向传播，得到用于下一迭代的状态预测模型，直到满足迭代收敛条件，得到目标状态模型。
在本实施例中，目标状态模型具体可以理解为训练完成后得到的模型，用于根据预测信息对响应状态进行预测。在确定第二损失函数后，通过第二损失函数对状态预测模型进行反向传播，直到得到满足收敛条件的目标状态模型。本发明实施例对具体的反向传播过程不做限定，可根据具体情况进行设置。
B27、将目标信息模型和目标状态模型作为目标状态预测模型。
训练好的目标信息模型和目标状态模型作为目标状态预测模型。
目标状态预测模型训练完成后进行应用时，将请求信息对应的目标特征向量序列输入到目标状态预测模型中的目标信息模型，目标信息模型根据目标特征向量序列进行预测，得到预测的响应信息，将响应信息输入到目标状态模型，目标状态模型进行预测，得到响应状态。
本申请中的LSTM模型基于监督学习，根据系统运行日志生成模型的训练样本集，通过训练样本集进行模型训练，获得的目标状态预测模型在系统中适应性更强。当面对有新开发系统或其他形式的日志，只需要迭代训练模型，即可继续使用，有较好的复用性，且复用方便快捷。
S205、当请求信息的响应状态为异常状态时，生成告警信息并进行告警。
如果通过目标状态预测模型预测的请求信息的响应状态为异常状态，可以确定此时系统的性能较差，生成告警信息，提前进行预警。告警信息中可以包括请求信息对应的操作请求的相关信息，例如，操作内容，还可以包括执行操作请求的节点，用于进行故障定位，告警信息中包括的信息类型可以预先设置，根据信息类型生成告警信息。告警方式可以是发邮件、短信、语音提示，在界面上进行文字显示等方式。实现异常情况的快速检测，并通过告警信息快速定位并返回异常请求，提高系统的可维护性。
本发明实施例提供了一种请求响应状态确定方法，通过获取请求信息；对所述请求信息进行向量化处理，确定目标特征向量序列；将所述目标特征向量序列输入到预确定的目标状态预测模型中，根据所述目标状态预测模型的输出确定所述请求信息的响应状态；解决了故障分析和定位困难的问题，预先训练目标状态预测模型，通过对请求信息进行向量化处理，得到目标特征向量序列，将目标特征向量序列输入至目标状态预测模型进行响应状态预测，得到响应状态，实现对请求信息的响应状态的提前预测。通过及时预测故障，避免故障发生后由于交易数据数量较大导致的无法准确定位故障的情况发生，自动预测每个请求信息的响应状态，降低工作人员的工作量，提高工作效率和系统可靠性。并在请求信息的响应状态为异常状态时，生成告警信息并进行告警，及时对异常状态的请求进行定位和告警。
实施例三
图3为本发明实施例三提供的一种请求响应状态确定装置的结构示意图，该装置包括：请求获取模块31、信息处理模块32和状态确定模块33。
其中，请求获取模块31，用于获取请求信息；
信息处理模块32，用于对所述请求信息进行向量化处理，确定目标特征向量序列；
状态确定模块33，用于将所述目标特征向量序列输入到预确定的目标状态预测模型中，根据所述目标状态预测模型的输出确定所述请求信息的响应状态。
本发明实施例提供了一种请求响应状态确定装置，通过获取请求信息；对所述请求信息进行向量化处理，确定目标特征向量序列；将所述目标特征向量序列输入到预确定的目标状态预测模型中，根据所述目标状态预测模型的输出确定所述请求信息的响应状态；解决了故障分析和定位困难的问题，预先训练目标状态预测模型，通过对请求信息进行向量化处理，得到目标特征向量序列，将目标特征向量序列输入至目标状态预测模型进行响应状态预测，得到响应状态，实现对请求信息的响应状态的提前预测。通过及时预测故障，避免了故障发生后由于交易数据数量较大导致的无法准确定位故障的情况发生，自动预测每个请求信息的响应状态，降低工作人员的工作量，提高工作效率和系统可靠性。
进一步地，信息处理模块32包括：
模板生成单元，用于根据所述请求信息生成目标模板；
向量序列确定单元，用于基于所述目标模板中的各模板信息，结合预设编码算法进行编码，确定目标特征向量序列。
进一步地，模板生成单元，具体用于对所述请求信息进行解析，得到解析数据；根据预设模板对各所述解析数据进行筛选，确定模板信息；根据所述预设模板和各所述模板信息生成目标模板。
进一步地，该装置还包括：
样本集获取模块，用于获取包含至少一个训练样本的训练样本集，所述训练样本为数字特征向量序列；
模型训练模块，用于根据各所述训练样本对待训练状态预测模型进行训练，得到目标状态预测模型；
其中，所述待训练状态预测模型包括：信息预测模型和状态预测模型。
进一步地，模型训练模块，包括：
预测信息确定单元，用于将当前迭代下的训练样本输入信息预测模型，获得相应的预测信息；
预测状态确定单元，用于将所述预测信息和对应的标准状态输入状态预测模型，获得相应的预测状态；
第一函数确定单元，用于采用给定的第一损失函数表达式，结合所述预测信息以及对应的标准信息，确定第一损失函数；
第一函数确定单元，用于采用给定的第二损失函数表达式，结合所述预测状态以及对应的标准状态，确定第二损失函数；
第一反向传播单元，用于通过所述第一损失函数对所述信息预测模型进行反向传播，得到用于下一迭代的信息预测模型，直到满足迭代收敛条件，得到目标信息模型；
第二反向传播单元，用于通过所述第二损失函数对所述状态预测模型进行反向传播，得到用于下一迭代的状态预测模型，直到满足迭代收敛条件，得到目标状态模型；
目标模型确定单元，用于将所述目标信息模型和目标状态模型作为目标状态预测模型。
进一步地，所述训练样本集根据系统运行的日志数据确定。
进一步地，该装置还包括：
告警模块，用于当所述请求信息的响应状态为异常状态时，生成告警信息并进行告警。
本发明实施例所提供的请求响应状态确定装置可执行本发明任意实施例所提供的请求响应状态确定方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4为本发明实施例四提供的一种计算机设备的结构示意图，如图4所示，该设备包括处理器40、存储器41、输入装置42和输出装置43；设备中处理器40的数量可以是一个或多个，图4中以一个处理器40为例；设备中的处理器40、存储器41、输入装置42和输出装置43可以通过总线或其他方式连接，图4中以通过总线连接为例。
存储器41作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的请求响应状态确定方法对应的程序指令/模块(例如，请求响应状态确定装置中的请求获取模块31、信息处理模块32和状态确定模块33)。处理器40通过运行存储在存储器41中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的请求响应状态确定方法。
存储器41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；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器41可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器41可进一步包括相对于处理器40远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置42可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置43可包括显示屏等显示设备。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种请求响应状态确定方法，该方法包括：
获取请求信息；
对所述请求信息进行向量化处理，确定目标特征向量序列；
将所述目标特征向量序列输入到预确定的目标状态预测模型中，根据所述目标状态预测模型的输出确定所述请求信息的响应状态。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的请求响应状态确定方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。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可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令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所述的方法。
值得注意的是，上述请求响应状态确定装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种请求响应状态确定方法，其特征在于，包括：
获取请求信息；
对所述请求信息进行向量化处理，确定目标特征向量序列；
将所述目标特征向量序列输入到预确定的目标状态预测模型中，根据所述目标状态预测模型的输出确定所述请求信息的响应状态。
2.根据权利要求1所述的方法，其特征在于，所述对所述请求信息进行向量化处理，确定目标特征向量序列，包括：
根据所述请求信息生成目标模板；
基于所述目标模板中的各模板信息，结合预设编码算法进行编码，确定目标特征向量序列。
3.根据权利要求2所述的方法，其特征在于，所述根据所述请求信息生成目标模板，包括：
对所述请求信息进行解析，得到解析数据；
根据预设模板对各所述解析数据进行筛选，确定模板信息；
根据所述预设模板和各所述模板信息生成目标模板。
4.根据权利要求1所述的方法，其特征在于，所述目标状态预测模型的训练步骤包括：
获取包含至少一个训练样本的训练样本集，所述训练样本为数字特征向量序列；
根据各所述训练样本对待训练状态预测模型进行训练，得到目标状态预测模型；
其中，所述待训练状态预测模型包括：信息预测模型和状态预测模型。
5.根据权利要求4所述的方法，其特征在于，所述根据各所述训练样本对待训练状态预测模型进行训练，得到目标状态预测模型，包括：
将当前迭代下的训练样本输入信息预测模型，获得相应的预测信息；
将所述预测信息和对应的标准状态输入状态预测模型，获得相应的预测状态；
采用给定的第一损失函数表达式，结合所述预测信息以及对应的标准信息，确定第一损失函数；
采用给定的第二损失函数表达式，结合所述预测状态以及对应的标准状态，确定第二损失函数；
通过所述第一损失函数对所述信息预测模型进行反向传播，得到用于下一迭代的信息预测模型，直到满足迭代收敛条件，得到目标信息模型；
通过所述第二损失函数对所述状态预测模型进行反向传播，得到用于下一迭代的状态预测模型，直到满足迭代收敛条件，得到目标状态模型；
将所述目标信息模型和目标状态模型作为目标状态预测模型。
6.根据权利要求4所述的方法，其特征在于，所述训练样本集根据系统运行的日志数据确定。
7.根据权利要求1-6任一项所述的方法，其特征在于，还包括：
当所述请求信息的响应状态为异常状态时，生成告警信息并进行告警。
8.一种请求响应状态确定装置，其特征在于，包括：
请求获取模块，用于获取请求信息；
信息处理模块，用于对所述请求信息进行向量化处理，确定目标特征向量序列；
状态确定模块，用于将所述目标特征向量序列输入到预确定的目标状态预测模型中，根据所述目标状态预测模型的输出确定所述请求信息的响应状态。
9.一种计算机设备，其特征在于，所述设备包括：
一个或多个处理器；
存储器，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中任一所述的请求响应状态确定方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的请求响应状态确定方法。
CN202210014939.8A 2022-01-07 2022-01-07 一种请求响应状态确定方法、装置、设备和存储介质 Pending CN114385398A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210014939.8A CN114385398A (zh) 2022-01-07 2022-01-07 一种请求响应状态确定方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210014939.8A CN114385398A (zh) 2022-01-07 2022-01-07 一种请求响应状态确定方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN114385398A true CN114385398A (zh) 2022-04-22

Family

ID=81200101

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210014939.8A Pending CN114385398A (zh) 2022-01-07 2022-01-07 一种请求响应状态确定方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN114385398A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115348158A (zh) * 2022-07-05 2022-11-15 南京银行股份有限公司 一种基于银行业非标准化交易报文的交易全链路分析方法与系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115348158A (zh) * 2022-07-05 2022-11-15 南京银行股份有限公司 一种基于银行业非标准化交易报文的交易全链路分析方法与系统

Similar Documents

Publication Publication Date Title
JP6643211B2 (ja) 異常検知システム及び異常検知方法
CN111475370A (zh) 基于数据中心的运维监控方法、装置、设备及存储介质
CN111539493B (zh) 一种告警预测方法、装置、电子设备及存储介质
CN109635292B (zh) 基于机器学习算法的工单质检方法和装置
CN110287316A (zh) 一种告警分类方法、装置、电子设备及存储介质
CN112087334A (zh) 告警根因分析方法、电子设备和存储介质
CN106293798B (zh) 电子装置的自我修复方法、系统及服务器
CN111274084A (zh) 故障诊断方法、装置、设备及计算机可读存储介质
CN115733762A (zh) 具有大数据分析能力的监控系统
CN113722134A (zh) 一种集群故障处理方法、装置、设备及可读存储介质
CN111913824A (zh) 确定数据链路故障原因的方法及相关设备
CN107871055B (zh) 一种数据分析方法和装置
CN114385398A (zh) 一种请求响应状态确定方法、装置、设备和存储介质
CN114357171A (zh) 一种应急事件处理方法、装置、存储介质及电子设备
CN110704614B (zh) 对应用中的用户群类型进行预测的信息处理方法及装置
CN116975081A (zh) 一种日志诊断集更新方法、装置、设备及存储介质
CN117149569A (zh) 一种板卡运行状态预警方法、装置及电子设备
CN112416800A (zh) 智能合约的测试方法、装置、设备及存储介质
CN111476349A (zh) 一种模型测试方法及服务器
CN116414717A (zh) 基于流量回放的自动测试方法、装置、设备、介质及产品
CN116225848A (zh) 日志监测方法、装置、设备和介质
CN113612777B (zh) 训练方法、流量分级方法、装置、电子设备以及存储介质
CN115913710A (zh) 异常检测方法、装置、设备及存储介质
CN114610613A (zh) 一种面向在线实时的微服务调用链异常检测方法
CN112907221B (zh) 一种自服务方法、装置及系统

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