CN114546706A - 一种应用于深度学习的应用程序缺陷分析方法及服务器 - Google Patents
一种应用于深度学习的应用程序缺陷分析方法及服务器 Download PDFInfo
- Publication number
- CN114546706A CN114546706A CN202210218850.3A CN202210218850A CN114546706A CN 114546706 A CN114546706 A CN 114546706A CN 202210218850 A CN202210218850 A CN 202210218850A CN 114546706 A CN114546706 A CN 114546706A
- Authority
- CN
- China
- Prior art keywords
- event
- behavior information
- operation behavior
- service error
- app operation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
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
- G06F11/0706—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
- G06F11/0718—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 an object-oriented system
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明提供一种应用于深度学习的应用程序缺陷分析方法及服务器，可以确定出第j组APP操作行为信息中业务报错事件的第一事件初识别记录；结合在先的业务报错事件定位数据估计所确定的参考型事件初识别记录对第一事件初识别记录进行改进，获得第j组APP操作行为信息的业务报错事件定位数据，这样可以保障业务报错事件识别的质量，进而通过尽可能准确完整的第一事件缺陷关联描述进行应用程序缺陷溯源和修复，保障应用程序的安全稳定运行，避免服务器侧和/或用户侧应用程序数据由于缺陷而受到网络攻击造成损失。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种应用于深度学习的应用程序缺陷分析方法及服务器。
背景技术
应用程序（Application，APP）是指为完成某项或多项特定工作的计算机程序，应用程序运行在用户模式，可以和用户进行交互，具有可视的用户界面。应用程序一般而言可以分为两部分：图形用户接口（GUI）和引擎（engine）。
随着深度学习（Deep Learning）技术的不断发展，深度学习已能够为应用程序分析提供技术支持。深度学习在应用程序领域的其中一个落地技术便是缺陷分析，但是相较于用户画像处理，在利用深度学习进行应用程序缺陷分析时，难以保障其分析质量，更难以准确进行应用程序缺陷修复。
发明内容
本发明提供一种应用于深度学习的应用程序缺陷分析方法及服务器，为实现上述技术目的，本发明采用如下技术方案。
第一方面是一种应用于深度学习的应用程序缺陷分析方法，应用于人工智能服务器，所述方法包括：
对待进行缺陷分析的APP交互会话的第j组APP操作行为信息进行业务报错事件识别，确定所述第j组APP操作行为信息中业务报错事件的第一事件初识别记录，j>1且j为整数；
基于所述第j组APP操作行为信息、所述第一事件初识别记录以及针对所述第j组APP操作行为信息中业务报错事件的参考型事件初识别记录，确定所述第j组APP操作行为信息的第一业务报错事件定位数据，所述第一业务报错事件定位数据涵盖所述第j组APP操作行为信息中业务报错事件的第一事件缺陷关联描述，其中，所述参考型事件初识别记录是基于所述第j组APP操作行为信息在先的i组APP操作行为信息的业务报错事件定位数据估计所确定的，i=j-1且i为正整数。
对于一种可示性且可独立的实施例而言，所述对待进行缺陷分析的APP交互会话的第j组APP操作行为信息进行业务报错事件识别，确定所述第j组APP操作行为信息中业务报错事件的第一事件初识别记录，包括：
基于所述第j组APP操作行为信息中业务报错事件的估计可能性分布，将所述第j组APP操作行为信息拆解为携带业务报错事件的第一行为信息集、不携带业务报错事件的第二行为信息集以及没有判别出是否携带业务报错事件的第三行为信息集；
对所述第j组APP操作行为信息的第一行为信息集及第三行为信息集进行业务报错事件识别，确定所述第j组APP操作行为信息中业务报错事件的第一事件初识别记录。
对于一种可示性且可独立的实施例而言，所述方法还包括：基于在所述第j组APP操作行为信息在先的i组APP操作行为信息的第二业务报错事件定位数据，对所述第j组APP操作行为信息的第一业务报错事件定位数据进行改进，确定所述第j组APP操作行为信息的第二业务报错事件定位数据；
其中，所述方法还包括：基于在所述第j组APP操作行为信息在先的i组APP操作行为信息的第二业务报错事件定位数据，对所述第j组APP操作行为信息中业务报错事件的进程表达进行估计，确定所述第j组APP操作行为信息中业务报错事件的参考型事件初识别记录。
对于一种可示性且可独立的实施例而言，所述方法还包括：基于第j组APP操作行为信息中业务报错事件的参考型事件初识别记录，以及第i组APP操作行为信息，对所述第i组APP操作行为信息中业务报错事件的估计可能性分布进行调整，确定所述第j组APP操作行为信息中业务报错事件的估计可能性分布。
对于一种可示性且可独立的实施例而言，所述对所述第j组APP操作行为信息的第一行为信息集及第三行为信息集进行业务报错事件识别，确定所述第j组APP操作行为信息中业务报错事件的第一事件初识别记录，包括：
对所述第一行为信息集及所述第三行为信息集的APP操作行为信息进行显著内容挖掘，获得第一操作行为显著内容；
对所述第一操作行为显著内容进行业务报错事件识别，确定所述第j组APP操作行为信息中业务报错事件的第二事件初识别记录；
基于每个第二事件初识别记录的可信评价，从所述第二事件初识别记录中确定出指定数目的第一事件初识别记录。
对于一种可示性且可独立的实施例而言，所述基于所述第j组APP操作行为信息、所述第一事件初识别记录以及针对所述第j组APP操作行为信息中业务报错事件的参考型事件初识别记录，确定所述第j组APP操作行为信息的第一业务报错事件定位数据，包括：
对所述第j组APP操作行为信息中每个业务报错事件的参考型事件初识别记录分别进行上采样处理，确定每个业务报错事件的第三事件初识别记录；
对所述第三事件初识别记录与所述第一事件初识别记录分别进行绑定，确定与每个第一事件初识别记录指向的业务报错事件；
基于所述第一事件初识别记录及与所述第一事件初识别记录所在行为信息集指向的第一局部APP操作行为信息，以及所述第三事件初识别记录及与所述第三事件初识别记录所在行为信息集指向的第二局部APP操作行为信息，对所述第j组APP操作行为信息中的每个业务报错事件分别进行事件初识别记录整理，获得所述第j组APP操作行为信息中每个业务报错事件的第一事件缺陷关联描述；
其中，所述对所述第三事件初识别记录与所述第一事件初识别记录分别进行绑定，确定与每个第一事件初识别记录指向的业务报错事件，包括：分别确定每个第三事件初识别记录与每个第一事件初识别记录之间的量化比较结果；将与第一事件初识别记录的量化比较结果不小于量化比较结果判定值的第三事件初识别记录，作为相绑定的第三事件初识别记录；将与第一事件初识别记录相绑定的第三事件初识别记录指向的业务报错事件，作为与所述第一事件初识别记录指向的业务报错事件。
对于一种可示性且可独立的实施例而言，每个第二业务报错事件定位数据包括业务报错事件的第二事件缺陷关联描述，所述基于在所述第j组APP操作行为信息在先的i组APP操作行为信息的第二业务报错事件定位数据，对所述第j组APP操作行为信息的第一业务报错事件定位数据进行改进，确定所述第j组APP操作行为信息的第二业务报错事件定位数据，包括：
确定第一业务报错事件的事件缺陷关联描述簇，所述第一业务报错事件为所述第j组APP操作行为信息中的其中一个业务报错事件，所述第一业务报错事件的事件缺陷关联描述簇涵盖所述第一业务报错事件在i组APP操作行为信息的第二业务报错事件定位数据中的第二事件缺陷关联描述，以及所述第一业务报错事件在第j组APP操作行为信息的第一业务报错事件定位数据中的第一事件缺陷关联描述；
对于所述第一业务报错事件的事件缺陷关联描述簇中其中一个事件缺陷关联描述，将所述事件缺陷关联描述簇中与所述事件缺陷关联描述之间的偏移没有超过偏移判定值的事件缺陷关联描述，作为所述事件缺陷关联描述的期望关联描述；
从所述第一业务报错事件的事件缺陷关联描述簇中确定出期望关联描述数目最大的第三事件缺陷关联描述；
对所述第三事件缺陷关联描述及所述第三事件缺陷关联描述的全部期望关联描述进行整理，确定所述第j组APP操作行为信息中第一业务报错事件的第二事件缺陷关联描述。
对于一种可示性且可独立的实施例而言，所述方法还包括：基于在所述第j组APP操作行为信息在先的i组APP操作行为信息的第二业务报错事件定位数据，以及所述第j组APP操作行为信息的第二业务报错事件定位数据，对第k组APP操作行为信息中业务报错事件的进程表达进行估计，确定所述第k组APP操作行为信息中业务报错事件的参考型事件初识别记录；k=j+1；
其中，所述方法还包括：基于所述第k组APP操作行为信息中业务报错事件的参考型事件初识别记录，以及第j组APP操作行为信息，对所述第j组APP操作行为信息中业务报错事件的估计可能性分布进行调整，确定所述第k组APP操作行为信息中业务报错事件的估计可能性分布。
对于一种可示性且可独立的实施例而言，所述对待进行缺陷分析的APP交互会话的第j组APP操作行为信息进行业务报错事件识别，确定所述第j组APP操作行为信息中业务报错事件的第一事件初识别记录，包括：
对所述第j组APP操作行为信息进行显著内容挖掘，获得第二操作行为显著内容；
对所述第二操作行为显著内容进行业务报错事件识别，确定所述第j组APP操作行为信息中业务报错事件的第四事件初识别记录；
基于每个第四事件初识别记录的可信评价，从所述第四事件初识别记录确定出指定数目的第一事件初识别记录；
其中，所述第一业务报错事件定位数据还涵盖所述第j组APP操作行为信息中业务报错事件的语义关键词，所述基于所述第j组APP操作行为信息、所述第一事件初识别记录以及针对所述第j组APP操作行为信息中业务报错事件的参考型事件初识别记录，确定所述第j组APP操作行为信息的第一业务报错事件定位数据，包括：基于与第二业务报错事件的第一事件缺陷关联描述所在行为信息集指向的第三局部APP操作行为信息，对所述第二业务报错事件进行差异化分析处理，确定所述第二业务报错事件的语义关键词，所述第二业务报错事件为所述第j组APP操作行为信息中的其中一个业务报错事件；
其中，所述待进行缺陷分析的APP交互会话包括在线支付会话，所述第j组APP操作行为信息中的业务报错事件包含用户信息泄露事件，所述第j组APP操作行为信息中业务报错事件的第一事件缺陷关联描述包含可视化行为信息集的缺陷描述。
第二方面是一种人工智能服务器，包括存储器和处理器；所述存储器和所述处理器耦合；所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令；其中，当所述处理器执行所述计算机指令时，使得所述人工智能服务器执行第一方面的方法。
根据本发明的一个实施例，可以确定出第j组APP操作行为信息中业务报错事件的第一事件初识别记录；结合在先的业务报错事件定位数据估计所确定的参考型事件初识别记录对第一事件初识别记录进行改进，获得第j组APP操作行为信息的业务报错事件定位数据，这样可以保障业务报错事件识别的质量，进而通过尽可能准确完整的第一事件缺陷关联描述进行应用程序缺陷溯源和修复，保障应用程序的安全稳定运行，避免服务器侧和/或用户侧应用程序数据由于缺陷而受到网络攻击造成损失。
附图说明
图1为本发明实施例提供的一种应用于深度学习的应用程序缺陷分析方法的流程示意图。
图2为本发明实施例提供的一种应用于深度学习的应用程序缺陷分析装置的模块框图。
具体实施方式
以下，术语“第一”、“第二”和“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”或“第三”等的特征可以明示或者隐含地包括一个或者更多个该特征。
图1示出了本发明实施例提供的一种应用于深度学习的应用程序缺陷分析方法的流程示意图，应用于深度学习的应用程序缺陷分析方法可以通过人工智能服务器实现，人工智能服务器可以包括存储器和处理器；所述存储器和所述处理器耦合；所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令；其中，当所述处理器执行所述计算机指令时，使得所述人工智能服务器执行如下步骤所描述的技术方案。
step11，对待进行缺陷分析的APP交互会话的第j组APP操作行为信息进行业务报错事件识别，确定所述第j组APP操作行为信息中业务报错事件的第一事件初识别记录。
其中，j>1且j为整数。
step12，基于所述第j组APP操作行为信息、所述第一事件初识别记录以及针对所述第j组APP操作行为信息中业务报错事件的参考型事件初识别记录，确定所述第j组APP操作行为信息的第一业务报错事件定位数据。
其中，所述第一业务报错事件定位数据涵盖所述第j组APP操作行为信息中业务报错事件的第一事件缺陷关联描述。
进一步地，所述参考型事件初识别记录是基于所述第j组APP操作行为信息在先的i组APP操作行为信息的业务报错事件定位数据估计所确定的，i=j-1且i为正整数。进一步地，参考型事件初识别记录可以理解为对事件识别的预测结果，而第一事件初识别记录可以理解为初步的识别结果或者候选的识别结果。
举例而言，待进行缺陷分析的APP交互会话可以包括团购业务项目、跨进电商项目等在线支付会话，也可以包括文件传输、项目交互等数字办公会话。待进行缺陷分析的APP交互会话中可能包括各种语义关键词的业务报错事件，比如：业务流程报错事件、业务指引报错事件、业务程序报错事件。本发明实施例对待进行缺陷分析的APP交互会话的语义关键词（类别）及业务报错事件的语义关键词不进行限定。待进行缺陷分析的APP交互会话可以理解为符合缺陷分析条件的目标APP交互会话（通常根据预设的缺陷分析条件选取）。语义关键词可以理解为对业务报错事件进行区分的类别。
可以理解，在对待进行缺陷分析的APP交互会话中的业务报错事件进行识别时，可以借助采集线程（预先编译的具有相关功能的数据信息处理线程）获取待进行缺陷分析的APP交互会话的会话日志，这样便于对会话日志中的业务报错事件进行识别。在进行全局业务报错事件识别的前提下，获取到的会话日志可以包括APP操作行为信息以及APP运行日志信息等。其中，采集线程可以理解为预先设定的采集程序。本发明实施例对采集线程的属性及获取到的会话日志的示例性属性不进行限定。
对于一种可能的实施例而言，可以不间断的获取到待进行缺陷分析的APP交互会话的若干组会话日志，借助人工智能服务器逐一对每组会话日志进行业务报错事件识别。其中，假设会话日志为APP操作行为信息，则可以立马进行处理。假设会话日志为APP运行日志信息，则可以将APP运行日志信息进行逆向映射变更（信息特征的映射处理，可以得到更加便于处理的信息），获得APP操作行为信息后进行处理。
举例而言，对于若干组APP操作行为信息中的第一组，可以在step11中马上对第一组APP操作行为信息进行业务报错事件识别，获得第一组APP操作行为信息中业务报错事件的第一事件初识别记录；并在step12中马上对第一事件初识别记录进行整理（比如：拼接、融合等），获得第一组APP操作行为信息的业务报错事件的第一事件缺陷关联描述。
对于一种可能的实施例而言，对于若干组APP操作行为信息中的第j组（j>1且j为整数），可以在step11中对第j组APP操作行为信息进行业务报错事件识别，确定第j组APP操作行为信息中业务报错事件的第一事件初识别记录。第一事件初识别记录的信息可以包括第一事件初识别记录的事件关键环节约束指标（比如在APP操作行为信息中的分布情况或者信息关联情况）。
对于一种可能的实施例而言，可以通过事先调试的业务报错事件识别模型实现业务报错事件识别的过程，该业务报错事件识别模型可以包括深度学习模型及行为信息集获取模型，应当理解，上述模型可以是人工智能模型，本发明实施例对业务报错事件识别模型的示例性模型架构不作限定。
可以理解，在step11和step12之前，在获得第i组APP操作行为信息的业务报错事件定位数据后，可以基于第j组APP操作行为信息在先的i组APP操作行为信息的业务报错事件定位数据，对在先的i组APP操作行为信息中已经识别出的业务报错事件，在第j组APP操作行为信息中的分布信息进行估计，获得这些业务报错事件在第j组APP操作行为信息中的参考型事件初识别记录。
对于step12而言，基于第j组APP操作行为信息的第一事件初识别记录和参考型事件初识别记录，可以确定出各第一事件初识别记录所指向的业务报错事件。比如，基于各第一事件初识别记录与各参考型事件初识别记录的量化比较结果（比如相同信息和不同信息的统计情况），对第一事件初识别记录和参考型事件初识别记录进行绑定；对于存在绑定的参考型事件初识别记录的第一事件初识别记录，将相绑定的参考型事件初识别记录所指向的业务报错事件，作为该第一事件初识别记录所指向的业务报错事件；对于不存在绑定的参考型事件初识别记录的第一事件初识别记录，确定该第一事件初识别记录对应当前的业务报错事件。
可以理解，对于其中一种业务报错事件，可以基于该业务报错事件的第一事件初识别记录及第一事件初识别记录指向的局部APP操作行为信息，与该业务报错事件的参考型事件初识别记录及参考型事件初识别记录指向的局部APP操作行为信息，进行事件初识别记录整理处理，从而确定出业务报错事件的真实事件缺陷关联描述（可以理解为第一事件缺陷关联描述）。
可以理解，可以通过事先调试的信息处理模型实现事件初识别记录整理，换言之，将业务报错事件的第一事件初识别记录及第一事件初识别记录指向的局部APP操作行为信息，与该业务报错事件的参考型事件初识别记录及参考型事件初识别记录指向的局部APP操作行为信息，加载到信息处理模型中进行处理，导出业务报错事件的第一事件缺陷关联描述。该信息处理模型可以包括GCN（可以适配本发明实施例的可视化行为轨迹分析），本发明实施例对信息处理模型的示例性模型架构不作限定。举例而言，第一事件缺陷关联描述可以理解为与业务报错事件有关的多种特征信息或者关键内容，第一事件缺陷关联描述越丰富，就越能辅助进行应用程序缺陷溯源和修复，通过上述内容，能够在保障第一事件缺陷关联描述的精度的前提下，结合识别过程的时序关联，尽可能地丰富第一事件缺陷关联描述的特征信息/关键内容，以保障应用程序缺陷溯源和修复质量。
对于一种可能的实施例而言，在对第j组APP操作行为信息中的全部业务报错事件进行处理后，可获得第j组APP操作行为信息的第一业务报错事件定位数据，该第一业务报错事件定位数据包括第j组APP操作行为信息中各业务报错事件的第一事件缺陷关联描述。举例而言，第一业务报错事件定位数据可以理解为对APP操作行为信息中的全部业务报错事件进行识别后所得到的识别结果。
基于本发明的实施例，可以确定出第j组APP操作行为信息中业务报错事件的第一事件初识别记录；结合在先的业务报错事件定位数据估计所确定的参考型事件初识别记录对第一事件初识别记录进行改进，获得第j组APP操作行为信息的业务报错事件定位数据，这样可以保障业务报错事件识别的质量，进而通过尽可能准确完整的第一事件缺陷关联描述进行应用程序缺陷溯源和修复，保障应用程序的安全稳定运行，避免服务器侧和/或用户侧应用程序数据由于缺陷而受到网络攻击造成损失。
对于一种可独立实施的技术方案而言，step11所记录的内容可以包括step111和step112所记录的技术方案。
step111，基于所述第j组APP操作行为信息中业务报错事件的估计可能性分布，将所述第j组APP操作行为信息拆解为携带业务报错事件的第一行为信息集、不携带业务报错事件的第二行为信息集以及没有判别出是否携带业务报错事件的第三行为信息集。
step112，对所述第j组APP操作行为信息的第一行为信息集及第三行为信息集进行业务报错事件识别，确定所述第j组APP操作行为信息中业务报错事件的第一事件初识别记录。
在本发明实施例中，在获得第i组APP操作行为信息的业务报错事件定位数据后，可基于在先的i组APP操作行为信息的业务报错事件定位数据，估计获得对于第j组APP操作行为信息中业务报错事件的参考型事件初识别记录。基于该参考型事件初识别记录，可以估计第j组APP操作行为信息的每个分布信息出现业务报错事件的可能性，获得第j组APP操作行为信息中业务报错事件的估计可能性分布。
可以理解，可以事先预设有第一可能性判断值（概率判定值）和第二可能性判断值，第二可能性判断值小于第一可能性判断值。对于APP操作行为信息中的任意分布信息，假设该分布信息出现业务报错事件的可能性大于第一可能性判断值，则表明该分布信息存在业务报错事件；假设该分布信息出现业务报错事件的可能性小于第二可能性判断值，则表明该分布信息不存在业务报错事件；假设该分布信息出现业务报错事件的可能性处于第一可能性判断值与第二可能性判断值之间，则不确定该分布信息是否存在业务报错事件，比如，没有识别过的分布信息，或识别过但仍没有判别出是否携带业务报错事件的分布信息。本发明实施例对第一可能性判断值和第二可能性判断值的示例性取值不进行限定。
在本发明实施例中，基于第j组APP操作行为信息中业务报错事件的估计可能性分布，可以基于第一可能性判断值和第二可能性判断值，将第j组APP操作行为信息拆解为携带业务报错事件的第一行为信息集、不携带业务报错事件的第二行为信息集以及没有判别出是否携带业务报错事件的第三行为信息集。
通过拆解后，第二行为信息集中不存在业务报错事件，可以不对第二行为信息集的APP操作行为信息进行业务报错事件识别。换言之，对所述第j组APP操作行为信息的第一行为信息集及第三行为信息集进行业务报错事件识别，确定第j组APP操作行为信息中业务报错事件的第一事件初识别记录。
如此一来，可以削弱业务报错事件识别所处理的APP操作行为信息的资源量，进而能够保障识别时效性。
对于一种可独立实施的技术方案而言，对所述第j组APP操作行为信息的第一行为信息集及第三行为信息集进行业务报错事件识别，确定第j组APP操作行为信息中业务报错事件的第一事件初识别记录的步骤，示例性的可以包括如下内容：对所述第一行为信息集及所述第三行为信息集的APP操作行为信息进行显著内容挖掘，获得第一操作行为显著内容；对所述第一操作行为显著内容进行业务报错事件识别，确定所述第j组APP操作行为信息中业务报错事件的第二事件初识别记录；基于每个第二事件初识别记录的可信评价（置信度），从所述第二事件初识别记录中确定出指定数目的第一事件初识别记录。
在本发明实施例中，可以将第一行为信息集及第三行为信息集的APP操作行为信息导入业务报错事件识别模型的显著内容挖掘层中进行显著内容挖掘，获得APP操作行为信息的第一操作行为显著内容。该显著内容挖掘层（特征提取层）可以包括若干显著内容挖掘单元，本发明实施例对显著内容挖掘层的架构不进行限定。
对于一种可能的实施例而言，在显著内容挖掘之前，还可对第一行为信息集及第三行为信息集的APP操作行为信息进行抽取，以降低识别的资源量。将抽取后的APP操作行为信息导入显著内容挖掘层中处理，获得第一操作行为显著内容。如此，可以保障识别的时效性。
可以理解，可以将第一操作行为显著内容导入业务报错事件识别模型的行为信息集获取模型进行处理，获得第j组APP操作行为信息中业务报错事件的第二事件初识别记录。
第二事件初识别记录的数目较大，可以进一步进行处理。基于每个第二事件初识别记录的可信评价，可以通过信息精简技术，从第二事件初识别记录中确定出指定数目的第一事件初识别记录。该指定数目可以取值为100个，本发明实施例对此不进行限定。
如此，可以APP操作行为信息中大致评估出业务报错事件指向的事件初识别记录，进而方便进行后期的识别。
对于一种可独立实施的技术方案而言，step11示例性的可以包括如下内容：对所述第j组APP操作行为信息进行显著内容挖掘，获得第二操作行为显著内容；对所述第二操作行为显著内容进行业务报错事件识别，确定所述第j组APP操作行为信息中业务报错事件的第四事件初识别记录；基于每个第四事件初识别记录的可信评价，从所述第四事件初识别记录确定出指定数目的第一事件初识别记录。
在本发明实施例中，在没有对第j组APP操作行为信息拆解行为信息集的前提下，可以马上对第j组APP操作行为信息进行业务报错事件识别。将第j组APP操作行为信息导入业务报错事件识别模型的显著内容挖掘层中进行显著内容挖掘，可获得第j组APP操作行为信息的第二操作行为显著内容。该显著内容挖掘层可以涵盖若干显著内容挖掘单元（卷积核），本发明实施例对显著内容挖掘层的架构不进行限定。
可以理解，在显著内容挖掘之前，还可以对第j组APP操作行为信息进行抽取，以降低识别的资源量。将完成抽取后的APP操作行为信息导入显著内容挖掘层中处理，获得第二操作行为显著内容。如此能够提高识别效率。
对于一种可能的实施例而言，可将第二操作行为显著内容导入业务报错事件识别模型的行为信息集获取模型进行处理，获得第j组APP操作行为信息中业务报错事件的第四事件初识别记录。
比如，第四事件初识别记录的数目较大，可进一步进行处理。基于每个第四事件初识别记录的可信评价，可通过信息精简技术（比如边缘细化），从第四事件初识别记录中确定出指定数目的第一事件初识别记录。该指定数目可取值为100个，本发明实施例对此不进行限定。
如此，可以APP操作行为信息中大致评估出目标指向的事件初识别记录，进而方便进行后期的识别。
对于一种可独立实施的技术方案而言，step12所记录的内容可以包括如下技术方案。
step121，对所述第j组APP操作行为信息中每个业务报错事件的参考型事件初识别记录分别进行上采样处理，确定每个业务报错事件的第三事件初识别记录。
step122，对所述第三事件初识别记录与所述第一事件初识别记录分别进行绑定，确定与每个第一事件初识别记录指向的业务报错事件。
step123，基于所述第一事件初识别记录及与所述第一事件初识别记录所在行为信息集指向的第一局部APP操作行为信息，以及所述第三事件初识别记录及与所述第三事件初识别记录所在行为信息集指向的第二局部APP操作行为信息，对所述第j组APP操作行为信息中的每个业务报错事件分别进行事件初识别记录整理，获得所述第j组APP操作行为信息中每个业务报错事件的第一事件缺陷关联描述。
在本发明实施例中，在对第j组APP操作行为信息进行估计时，为第j组APP操作行为信息的第一行为信息集中的业务报错事件都估计出一个参考型事件初识别记录，换言之，第一行为信息集中的每个业务报错事件对应一个参考型事件初识别记录。在step12的处理中，可以首先对每个业务报错事件的参考型事件初识别记录分别进行上采样处理，以便增加事件初识别记录的数目。
可以理解，基于目标在第j组APP操作行为信息中的参考型事件初识别记录，可确定业务报错事件的状态和维度；基于业务报错事件的状态和维度的可能性记录，可以以指定的量化参考（比如方差，又比如均值）进行抽取，上采样处理（扩展）获得该业务报错事件的多个第三事件初识别记录。如此可以降低参考型事件初识别记录的偏移对后期识别的干扰，提高与第一事件初识别记录绑定的可能性，进而提高业务报错事件定位数据的准确性及识别效率。
对于一种可独立实施的技术方案而言，对第三事件初识别记录与第一事件初识别记录分别进行绑定，确定与每个第一事件初识别记录指向的业务报错事件，示例性的可以包括如下内容：分别确定每个第三事件初识别记录与每个第一事件初识别记录之间的量化比较结果；将与第一事件初识别记录的量化比较结果不小于量化比较结果判定值的第三事件初识别记录，作为相绑定的第三事件初识别记录；将与第一事件初识别记录相绑定的第三事件初识别记录指向的业务报错事件，作为与所述第一事件初识别记录指向的业务报错事件。
在本发明实施例中，可以通过量化比较结果对第三事件初识别记录与第一事件初识别记录进行绑定。可以分别确定每个第三事件初识别记录与每个第一事件初识别记录之间的量化比较结果。事先设定有量化比较结果判定值（比如0.8），对于其中一个第一事件初识别记录，假设存在与该第一事件初识别记录之间的量化比较结果不小于量化比较结果判定值的第三事件初识别记录，则将该第三事件初识别记录作为与该第一事件初识别记录相绑定的事件初识别记录；并将与该第三事件初识别记录指向的业务报错事件，作为与该第一事件初识别记录指向的业务报错事件。将与该第三事件初识别记录指向的业务报错事件的主题词，配置给该第一事件初识别记录，可以认为相绑定的两个事件初识别记录对应于相同业务报错事件。
可以理解，对于其中一个第一事件初识别记录，假设不存在与该第一事件初识别记录之间的量化比较结果不小于量化比较结果判定值的第三事件初识别记录，则表明与第一事件初识别记录指向的业务报错事件为之前没有出现过的新的业务报错事件。鉴于此，可以为与第一事件初识别记录指向的业务报错事件配置其他主题词。
如此，可以确定每个第一事件初识别记录的对应业务报错事件的主题词（用于进行区分），以便对相同主题词的业务报错事件的事件初识别记录进行整理。
在一些示例中，基于所述第一事件初识别记录及与所述第一事件初识别记录所在行为信息集指向的第一局部APP操作行为信息，以及所述第三事件初识别记录及与所述第三事件初识别记录所在行为信息集指向的第二局部APP操作行为信息，对所述第j组APP操作行为信息中的每个业务报错事件分别进行事件初识别记录整理，获得所述第j组APP操作行为信息中每个业务报错事件的第一事件缺陷关联描述。
举例而言，对于第j组APP操作行为信息中的其中一个业务报错事件，假设该业务报错事件存在第一事件初识别记录和第三事件初识别记录，则可从第j组APP操作行为信息中拆解出与该业务报错事件的第一事件初识别记录所在行为信息集指向的第一局部APP操作行为信息，并拆解出与该业务报错事件的第三事件初识别记录所在行为信息集指向的第二局部APP操作行为信息。将该业务报错事件的第一事件初识别记录及第一局部APP操作行为信息，第三事件初识别记录及第二局部APP操作行为信息，加载到事先调试的信息处理模型中处理，导出该业务报错事件的第一事件缺陷关联描述。该第一事件缺陷关联描述包括全局的行为信息集。
举例而言，对于第j组APP操作行为信息中的其中一个业务报错事件，假设该业务报错事件只存在第一事件初识别记录，则可从第j组APP操作行为信息中拆解出与该业务报错事件的第一事件初识别记录所在行为信息集指向的第一局部APP操作行为信息。将该业务报错事件的第一事件初识别记录及第一局部APP操作行为信息，加载到事先调试的信息处理模型中处理，导出该业务报错事件的第一事件缺陷关联描述。
对于一种可能的实施例而言，对第j组APP操作行为信息中的全部业务报错事件进行上述处理，可获得第j组APP操作行为信息中全部业务报错事件的第一事件缺陷关联描述。
可以理解，可将第j组APP操作行为信息中全部业务报错事件的第一事件缺陷关联描述作为第j组APP操作行为信息的业务报错事件定位数据（可理解为第一业务报错事件定位数据）；也可进行其他处理（比如：对业务报错事件进行差异化分析处理/聚类处理），以使第j组APP操作行为信息的业务报错事件定位数据包括更多的内容。本发明实施例对此不进行限定。
如此一来，可确定第j组APP操作行为信息中全部业务报错事件的第一事件缺陷关联描述，实现第j组APP操作行为信息中业务报错事件的全面识别。
对于一种可独立实施的技术方案而言，所述第一业务报错事件定位数据还涵盖所述第j组APP操作行为信息中业务报错事件的语义关键词，基于此，step12示例性的还可以包括如下内容：基于与第二业务报错事件的第一事件缺陷关联描述所在行为信息集指向的第三局部APP操作行为信息，对所述第二业务报错事件进行差异化分析处理，确定所述第二业务报错事件的语义关键词，所述第二业务报错事件为所述第j组APP操作行为信息中的其中一个业务报错事件。
在本发明实施例中，可以在step12中对第j组APP操作行为信息中的业务报错事件进行差异化分析处理。对于第j组APP操作行为信息中的其中一个业务报错事件（可理解为第二业务报错事件），可基于该第二业务报错事件的第一事件缺陷关联描述，从第j组APP操作行为信息中拆解出于第一事件缺陷关联描述所在行为信息集指向的第三局部APP操作行为信息。
可以将该第三局部APP操作行为信息导入事先调试的差异化分析处理模型中处理，确定出第二业务报错事件所对应的语义关键词。该差异化分析处理模型包括显著内容挖掘单元、分类单元等，本发明实施例对差异化分析处理模型的示例性模型架构不作限定。
可以理解，对第j组APP操作行为信息中的全部业务报错事件进行上述处理，可获得第j组APP操作行为信息中全部业务报错事件的语义关键词，从而将业务报错事件的语义关键词添加到第j组APP操作行为信息的第一业务报错事件定位数据。如此，可以能够确保识别出的业务报错事件更加准确。
在step12中获得第j组APP操作行为信息的第一业务报错事件定位数据后，还可以将该第一业务报错事件定位数据与在先的业务报错事件定位数据进行联系，进一步优化第j组APP操作行为信息的业务报错事件定位数据。
对于一种可独立实施的技术方案而言，基于本发明实施例示出的应用于深度学习的应用程序缺陷分析方法还可以包括如下内容：基于在所述第j组APP操作行为信息在先的i组APP操作行为信息的第二业务报错事件定位数据，对所述第j组APP操作行为信息的第一业务报错事件定位数据进行改进，确定所述第j组APP操作行为信息的第二业务报错事件定位数据。
在本发明实施例中，在先的i组APP操作行为信息已经在在先的处理中获得了最后业务报错事件定位数据（可以理解为第二业务报错事件定位数据），每个第二业务报错事件定位数据包括业务报错事件的第二事件缺陷关联描述，第j组APP操作行为信息中的业务报错事件可能在i组APP操作行为信息的第二业务报错事件定位数据中存在指向的第二事件缺陷关联描述。
举例而言，对于第j组APP操作行为信息中的其中一个业务报错事件，假设在在先的i组APP操作行为信息的第二业务报错事件定位数据中存在该业务报错事件的第二事件缺陷关联描述，则可基于该业务报错事件在在先的i组APP操作行为信息中的第二事件缺陷关联描述，对该业务报错事件在第j组APP操作行为信息中的第一事件缺陷关联描述进行改进，获得改进后的事件缺陷关联描述，称为第二事件缺陷关联描述。
举例而言，假设在在先的i组APP操作行为信息的第二业务报错事件定位数据中不存在该业务报错事件的第二事件缺陷关联描述，则可将该业务报错事件在第j组APP操作行为信息中的第一事件缺陷关联描述立马作为第二事件缺陷关联描述。
对于一种可能的实施例而言，对第j组APP操作行为信息中的全部业务报错事件进行上述处理，可获得第j组APP操作行为信息中全部业务报错事件的第二事件缺陷关联描述，从而获得第j组APP操作行为信息的第二业务报错事件定位数据。如此，能够进一步提高业务报错事件识别的准确性。
对于一种可独立实施的技术方案而言，所述基于在所述第j组APP操作行为信息在先的i组APP操作行为信息的第二业务报错事件定位数据，对所述第j组APP操作行为信息的第一业务报错事件定位数据进行改进，确定所述第j组APP操作行为信息的第二业务报错事件定位数据的步骤，示例性的可以包括step41-step44所记录的技术方案。
step41，确定第一业务报错事件的事件缺陷关联描述簇，所述第一业务报错事件为所述第j组APP操作行为信息中的其中一个业务报错事件，所述第一业务报错事件的事件缺陷关联描述簇涵盖所述第一业务报错事件在i组APP操作行为信息的第二业务报错事件定位数据中的第二事件缺陷关联描述，以及所述第一业务报错事件在第j组APP操作行为信息的第一业务报错事件定位数据中的第一事件缺陷关联描述。
step42，对于所述第一业务报错事件的事件缺陷关联描述簇中其中一个事件缺陷关联描述，将所述事件缺陷关联描述簇中与所述事件缺陷关联描述之间的偏移没有超过偏移判定值的事件缺陷关联描述，作为所述事件缺陷关联描述的期望关联描述。
step43，从所述第一业务报错事件的事件缺陷关联描述簇中确定出期望关联描述数目最大的第三事件缺陷关联描述。
step44，对所述第三事件缺陷关联描述及所述第三事件缺陷关联描述的全部期望关联描述进行整理，确定所述第j组APP操作行为信息中第一业务报错事件的第二事件缺陷关联描述。
在本发明实施例中，对于第j组APP操作行为信息中的其中一个业务报错事件（比如第一业务报错事件），可获取该第一业务报错事件的事件缺陷关联描述簇。该事件缺陷关联描述簇中包括第一业务报错事件在i组APP操作行为信息的第二业务报错事件定位数据中的第二事件缺陷关联描述，以及第一业务报错事件在第j组APP操作行为信息的第一业务报错事件定位数据中的第一事件缺陷关联描述。
举例而言，对于第一业务报错事件的事件缺陷关联描述簇中其中一个事件缺陷关联描述，可确定事件缺陷关联描述簇中的其他事件缺陷关联描述与该事件缺陷关联描述之间的偏移（误差）。可事先设定有偏移判定值，与该事件缺陷关联描述之间的偏移没有超过该偏移判定值的事件缺陷关联描述，可作为该事件缺陷关联描述的期望关联描述（核心描述）；反之，与该事件缺陷关联描述之间的偏移大于该偏移判定值的事件缺陷关联描述，可作为该事件缺陷关联描述的非期望关联描述（边缘描述）。
可以理解，可从第一业务报错事件的事件缺陷关联描述簇中确定出期望关联描述数目最大的第三事件缺陷关联描述，将该第三事件缺陷关联描述作为大致评估的事件缺陷关联描述。对第三事件缺陷关联描述及第三事件缺陷关联描述的全部期望关联描述进行整理修正，可获得第一业务报错事件的分布信息信息的最佳评估结果，换言之，获得改进后的第二事件缺陷关联描述。
对于一种可能的实施例而言，可以通过解析表达式逼近离散数据的思路对第三事件缺陷关联描述及第三事件缺陷关联描述的全部期望关联描述进行对整理修正，也可通过线性处理思路对第三事件缺陷关联描述及第三事件缺陷关联描述的全部期望关联描述进行对整理修正，本发明实施例对整理修正的示例性方式不进行限定。
对于一种可能的实施例而言，对第j组APP操作行为信息中的全部业务报错事件进行上述处理，可获得第j组APP操作行为信息中全部业务报错事件的第二事件缺陷关联描述，从而获得第j组APP操作行为信息的第二业务报错事件定位数据。
如此，可以将业务报错事件定位数据与在先的历史业务报错事件定位数据进行联系，进一步优化第j组APP操作行为信息的业务报错事件定位数据，提高业务报错事件识别的准确性。
对于一种可独立实施的技术方案而言，所述方法还可以包括如下内容：基于在所述第j组APP操作行为信息在先的i组APP操作行为信息的第二业务报错事件定位数据，以及所述第j组APP操作行为信息的第二业务报错事件定位数据，对第k组APP操作行为信息中业务报错事件的进程表达进行估计，确定所述第k组APP操作行为信息中业务报错事件的参考型事件初识别记录。
在本发明实施例中，在获得第j组APP操作行为信息的第二业务报错事件定位数据后，可基于历史业务报错事件定位数据对第k组APP操作行为信息进行估计，辅助第k组APP操作行为信息的业务报错事件识别。
举例而言，对于第j组APP操作行为信息中的其中一个业务报错事件（可以理解为第三业务报错事件），可获取该第三业务报错事件在j组APP操作行为信息的第二业务报错事件定位数据中的第二事件缺陷关联描述。假设该第三业务报错事件存在多个第二事件缺陷关联描述，则可基于邻近组的每个第二事件缺陷关联描述之间的偏移，对第k组APP操作行为信息中业务报错事件的进程表达进行估计，估计出该第三业务报错事件在第k组APP操作行为信息中的分布信息，获得该第三业务报错事件在第k组APP操作行为信息中的参考型事件初识别记录。可通过线性处理思路或解析表达式逼近离散数据的思路实现进程表达（事件状态信息）的估计，本发明实施例对此不进行限定。
举例而言，假设该第三业务报错事件只存在一个第二事件缺陷关联描述，换言之，第三业务报错事件为第j组APP操作行为信息中当前的业务报错事件，则可基于该第三业务报错事件关联的其他业务报错事件进行估计，通过其他业务报错事件在第j组APP操作行为信息中的第二事件缺陷关联描述及在第k组APP操作行为信息中的参考型事件初识别记录之间的偏移，来估计获得该第三业务报错事件在第k组APP操作行为信息中的参考型事件初识别记录。
如此一来，对第j组APP操作行为信息中的全部业务报错事件进行估计，可确定出第k组APP操作行为信息的已识别行为信息集中全部业务报错事件的参考型事件初识别记录。此外，可以获得第k组APP操作行为信息中业务报错事件的参考型事件初识别记录，辅助第k组APP操作行为信息的业务报错事件识别，进而提高识别效率。
对于一种可独立实施的技术方案而言，所述方法还可以包括如下内容：基于所述第k组APP操作行为信息中业务报错事件的参考型事件初识别记录以及第j组APP操作行为信息，对所述第j组APP操作行为信息中业务报错事件的估计可能性分布进行调整，确定所述第k组APP操作行为信息中业务报错事件的估计可能性分布。
在本发明实施例中，在获得第k组APP操作行为信息中业务报错事件的参考型事件初识别记录后，可基于该参考型事件初识别记录以及第j组APP操作行为信息，对第j组APP操作行为信息中业务报错事件的估计可能性分布进行调整。换言之，基于业务报错事件在第j组APP操作行为信息中的分布信息和第k组APP操作行为信息中的分布信息（参考型事件初识别记录），确定估计可能性分布中的每个分布信息是否存在业务报错事件，调整每个分布信息可能出现业务报错事件的可能性，从而获得第k组APP操作行为信息中业务报错事件的估计可能性分布。
如此，可获得第k组APP操作行为信息中业务报错事件的估计可能性分布，以方便后期识别时为第k组APP操作行为信息拆解多个行为信息集，从而提高业务报错事件识别的效率。
对于一种可独立实施的技术方案而言，所述方法还可以包括如下内容：基于在所述第j组APP操作行为信息在先的i组APP操作行为信息的第二业务报错事件定位数据，对所述第j组APP操作行为信息中业务报错事件的进程表达进行估计，确定所述第j组APP操作行为信息中业务报错事件的参考型事件初识别记录。
可以理解，在获得第i组APP操作行为信息的第二业务报错事件定位数据后，可基于参考业务报错事件定位数据对第j组APP操作行为信息进行估计，辅助第j组APP操作行为信息的业务报错事件识别。对于第i组APP操作行为信息中的其中一个业务报错事件，可获取该业务报错事件在在先的i组APP操作行为信息的第二业务报错事件定位数据中的第二事件缺陷关联描述，对第j组APP操作行为信息中业务报错事件的进程表达进行估计，估计出该业务报错事件在第j组APP操作行为信息中的分布信息，获得该业务报错事件在第j组APP操作行为信息中的参考型事件初识别记录。该估计过程与对第k组APP操作行为信息的估计过程类似，本发明实施例在此不作过多描述。
如此，可以获得第j组APP操作行为信息中业务报错事件的参考型事件初识别记录，辅助第j组APP操作行为信息的业务报错事件识别，进而能够保障识别时效性。
对于一种可独立实施的技术方案而言，所述方法还可以包括如下内容：基于第j组APP操作行为信息中业务报错事件的参考型事件初识别记录，以及第i组APP操作行为信息，对所述第i组APP操作行为信息中业务报错事件的估计可能性分布进行调整，确定所述第j组APP操作行为信息中业务报错事件的估计可能性分布。
换言之，在获得第j组APP操作行为信息中业务报错事件的参考型事件初识别记录后，可基于该参考型事件初识别记录以及第i组APP操作行为信息，对第i组APP操作行为信息中业务报错事件的估计可能性分布进行调整，获得第j组APP操作行为信息中业务报错事件的估计可能性分布。该调整思路与对第k组APP操作行为信息的估计可能性分布的调整思路类似，本发明实施例在此不作过多描述。
如此设计，可以获得第j组APP操作行为信息中业务报错事件的估计可能性分布，以方便后期识别时为第j组APP操作行为信息拆解多个行为信息集，从而提高业务报错事件识别的效率。
基于同样的发明构思，图2示出了本发明实施例提供的一种应用于深度学习的应用程序缺陷分析装置的模块框图，应用于深度学习的应用程序缺陷分析装置可以包括实施图1所示的相关方法步骤的如下模块。
事件识别模块210，用于对待进行缺陷分析的APP交互会话的第j组APP操作行为信息进行业务报错事件识别，确定所述第j组APP操作行为信息中业务报错事件的第一事件初识别记录。
数据确定模块220，用于基于所述第j组APP操作行为信息、所述第一事件初识别记录以及针对所述第j组APP操作行为信息中业务报错事件的参考型事件初识别记录，确定所述第j组APP操作行为信息的第一业务报错事件定位数据。
应用于本发明的相关实施例可以达到如下技术效果：可以确定出第j组APP操作行为信息中业务报错事件的第一事件初识别记录；结合在先的业务报错事件定位数据估计所确定的参考型事件初识别记录对第一事件初识别记录进行改进，获得第j组APP操作行为信息的业务报错事件定位数据，这样可以保障业务报错事件识别的质量，进而通过尽可能准确完整的第一事件缺陷关联描述进行应用程序缺陷溯源和修复，保障应用程序的安全稳定运行，避免服务器侧和/或用户侧应用程序数据由于缺陷而受到网络攻击造成损失。
以上所述，仅为本发明的具体实施方式。熟悉本技术领域的技术人员根据本发明提供的具体实施方式，可想到变化或替换，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种应用于深度学习的应用程序缺陷分析方法，其特征在于，应用于人工智能服务器，所述方法包括：
对待进行缺陷分析的APP交互会话的第j组APP操作行为信息进行业务报错事件识别，确定所述第j组APP操作行为信息中业务报错事件的第一事件初识别记录，j>1且j为整数；
基于所述第j组APP操作行为信息、所述第一事件初识别记录以及针对所述第j组APP操作行为信息中业务报错事件的参考型事件初识别记录，确定所述第j组APP操作行为信息的第一业务报错事件定位数据，所述第一业务报错事件定位数据涵盖所述第j组APP操作行为信息中业务报错事件的第一事件缺陷关联描述，其中，所述参考型事件初识别记录是基于所述第j组APP操作行为信息在先的i组APP操作行为信息的业务报错事件定位数据估计所确定的，i=j-1且i为正整数。
2.根据权利要求1所述的方法，其特征在于，所述对待进行缺陷分析的APP交互会话的第j组APP操作行为信息进行业务报错事件识别，确定所述第j组APP操作行为信息中业务报错事件的第一事件初识别记录，包括：
基于所述第j组APP操作行为信息中业务报错事件的估计可能性分布，将所述第j组APP操作行为信息拆解为携带业务报错事件的第一行为信息集、不携带业务报错事件的第二行为信息集以及没有判别出是否携带业务报错事件的第三行为信息集；
对所述第j组APP操作行为信息的第一行为信息集及第三行为信息集进行业务报错事件识别，确定所述第j组APP操作行为信息中业务报错事件的第一事件初识别记录。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：基于在所述第j组APP操作行为信息在先的i组APP操作行为信息的第二业务报错事件定位数据，对所述第j组APP操作行为信息的第一业务报错事件定位数据进行改进，确定所述第j组APP操作行为信息的第二业务报错事件定位数据；
其中，所述方法还包括：基于在所述第j组APP操作行为信息在先的i组APP操作行为信息的第二业务报错事件定位数据，对所述第j组APP操作行为信息中业务报错事件的进程表达进行估计，确定所述第j组APP操作行为信息中业务报错事件的参考型事件初识别记录。
4.根据权利要求2所述的方法，其特征在于，所述方法还包括：
基于第j组APP操作行为信息中业务报错事件的参考型事件初识别记录，以及第i组APP操作行为信息，对所述第i组APP操作行为信息中业务报错事件的估计可能性分布进行调整，确定所述第j组APP操作行为信息中业务报错事件的估计可能性分布。
5.根据权利要求4所述的方法，其特征在于，所述对所述第j组APP操作行为信息的第一行为信息集及第三行为信息集进行业务报错事件识别，确定所述第j组APP操作行为信息中业务报错事件的第一事件初识别记录，包括：
对所述第一行为信息集及所述第三行为信息集的APP操作行为信息进行显著内容挖掘，获得第一操作行为显著内容；
对所述第一操作行为显著内容进行业务报错事件识别，确定所述第j组APP操作行为信息中业务报错事件的第二事件初识别记录；
基于每个第二事件初识别记录的可信评价，从所述第二事件初识别记录中确定出指定数目的第一事件初识别记录。
6.根据权利要求5所述的方法，其特征在于，所述基于所述第j组APP操作行为信息、所述第一事件初识别记录以及针对所述第j组APP操作行为信息中业务报错事件的参考型事件初识别记录，确定所述第j组APP操作行为信息的第一业务报错事件定位数据，包括：
对所述第j组APP操作行为信息中每个业务报错事件的参考型事件初识别记录分别进行上采样处理，确定每个业务报错事件的第三事件初识别记录；
对所述第三事件初识别记录与所述第一事件初识别记录分别进行绑定，确定与每个第一事件初识别记录指向的业务报错事件；
基于所述第一事件初识别记录及与所述第一事件初识别记录所在行为信息集指向的第一局部APP操作行为信息，以及所述第三事件初识别记录及与所述第三事件初识别记录所在行为信息集指向的第二局部APP操作行为信息，对所述第j组APP操作行为信息中的每个业务报错事件分别进行事件初识别记录整理，获得所述第j组APP操作行为信息中每个业务报错事件的第一事件缺陷关联描述；
其中，所述对所述第三事件初识别记录与所述第一事件初识别记录分别进行绑定，确定与每个第一事件初识别记录指向的业务报错事件，包括：分别确定每个第三事件初识别记录与每个第一事件初识别记录之间的量化比较结果；将与第一事件初识别记录的量化比较结果不小于量化比较结果判定值的第三事件初识别记录，作为相绑定的第三事件初识别记录；将与第一事件初识别记录相绑定的第三事件初识别记录指向的业务报错事件，作为与所述第一事件初识别记录指向的业务报错事件。
7.根据权利要求3所述的方法，其特征在于，每个第二业务报错事件定位数据包括业务报错事件的第二事件缺陷关联描述，所述基于在所述第j组APP操作行为信息在先的i组APP操作行为信息的第二业务报错事件定位数据，对所述第j组APP操作行为信息的第一业务报错事件定位数据进行改进，确定所述第j组APP操作行为信息的第二业务报错事件定位数据，包括：
确定第一业务报错事件的事件缺陷关联描述簇，所述第一业务报错事件为所述第j组APP操作行为信息中的其中一个业务报错事件，所述第一业务报错事件的事件缺陷关联描述簇涵盖所述第一业务报错事件在i组APP操作行为信息的第二业务报错事件定位数据中的第二事件缺陷关联描述，以及所述第一业务报错事件在第j组APP操作行为信息的第一业务报错事件定位数据中的第一事件缺陷关联描述；
对于所述第一业务报错事件的事件缺陷关联描述簇中其中一个事件缺陷关联描述，将所述事件缺陷关联描述簇中与所述事件缺陷关联描述之间的偏移没有超过偏移判定值的事件缺陷关联描述，作为所述事件缺陷关联描述的期望关联描述；
从所述第一业务报错事件的事件缺陷关联描述簇中确定出期望关联描述数目最大的第三事件缺陷关联描述；
对所述第三事件缺陷关联描述及所述第三事件缺陷关联描述的全部期望关联描述进行整理，确定所述第j组APP操作行为信息中第一业务报错事件的第二事件缺陷关联描述。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
基于在所述第j组APP操作行为信息在先的i组APP操作行为信息的第二业务报错事件定位数据，以及所述第j组APP操作行为信息的第二业务报错事件定位数据，对第k组APP操作行为信息中业务报错事件的进程表达进行估计，确定所述第k组APP操作行为信息中业务报错事件的参考型事件初识别记录；k=j+1；
其中，所述方法还包括：基于所述第k组APP操作行为信息中业务报错事件的参考型事件初识别记录，以及第j组APP操作行为信息，对所述第j组APP操作行为信息中业务报错事件的估计可能性分布进行调整，确定所述第k组APP操作行为信息中业务报错事件的估计可能性分布。
9.根据权利要求1所述的方法，其特征在于，所述对待进行缺陷分析的APP交互会话的第j组APP操作行为信息进行业务报错事件识别，确定所述第j组APP操作行为信息中业务报错事件的第一事件初识别记录，包括：
对所述第j组APP操作行为信息进行显著内容挖掘，获得第二操作行为显著内容；
对所述第二操作行为显著内容进行业务报错事件识别，确定所述第j组APP操作行为信息中业务报错事件的第四事件初识别记录；
基于每个第四事件初识别记录的可信评价，从所述第四事件初识别记录确定出指定数目的第一事件初识别记录；
其中，所述第一业务报错事件定位数据还涵盖所述第j组APP操作行为信息中业务报错事件的语义关键词，所述基于所述第j组APP操作行为信息、所述第一事件初识别记录以及针对所述第j组APP操作行为信息中业务报错事件的参考型事件初识别记录，确定所述第j组APP操作行为信息的第一业务报错事件定位数据，包括：基于与第二业务报错事件的第一事件缺陷关联描述所在行为信息集指向的第三局部APP操作行为信息，对所述第二业务报错事件进行差异化分析处理，确定所述第二业务报错事件的语义关键词，所述第二业务报错事件为所述第j组APP操作行为信息中的其中一个业务报错事件；
其中，所述待进行缺陷分析的APP交互会话包括在线支付会话，所述第j组APP操作行为信息中的业务报错事件包含用户信息泄露事件，所述第j组APP操作行为信息中业务报错事件的第一事件缺陷关联描述包含可视化行为信息集的缺陷描述。
10.一种人工智能服务器，其特征在于，包括：存储器和处理器；所述存储器和所述处理器耦合；所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令；其中，当所述处理器执行所述计算机指令时，使得所述人工智能服务器执行如权利要求1-9中任意一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211118059.1A CN115729736A (zh) | 2022-03-08 | 2022-03-08 | 基于ai的app数据分析方法及服务器 |
| CN202210218850.3A CN114546706B (zh) | 2022-03-08 | 2022-03-08 | 一种应用于深度学习的应用程序缺陷分析方法及服务器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210218850.3A CN114546706B (zh) | 2022-03-08 | 2022-03-08 | 一种应用于深度学习的应用程序缺陷分析方法及服务器 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211118059.1A Division CN115729736A (zh) | 2022-03-08 | 2022-03-08 | 基于ai的app数据分析方法及服务器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114546706A true CN114546706A (zh) | 2022-05-27 |
| CN114546706B CN114546706B (zh) | 2022-11-11 |
Family
ID=81663306
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210218850.3A Active CN114546706B (zh) | 2022-03-08 | 2022-03-08 | 一种应用于深度学习的应用程序缺陷分析方法及服务器 |
| CN202211118059.1A Pending CN115729736A (zh) | 2022-03-08 | 2022-03-08 | 基于ai的app数据分析方法及服务器 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211118059.1A Pending CN115729736A (zh) | 2022-03-08 | 2022-03-08 | 基于ai的app数据分析方法及服务器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (2) | CN114546706B (zh) |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100131745A1 (en) * | 2008-11-25 | 2010-05-27 | Microsoft Corporation | Exceptional events |
| US20120304007A1 (en) * | 2011-05-23 | 2012-11-29 | Hanks Carl J | Methods and systems for use in identifying abnormal behavior in a control system |
| JP2017167578A (ja) * | 2016-03-14 | 2017-09-21 | 株式会社日立製作所 | インシデント管理システム |
| US20170279696A1 (en) * | 2016-03-24 | 2017-09-28 | Cisco Technology, Inc. | Dynamic application degrouping to optimize machine learning model accuracy |
| CN107766167A (zh) * | 2017-10-23 | 2018-03-06 | 郑州云海信息技术有限公司 | 一种故障日志重复报错归并的方法 |
| US20180293125A1 (en) * | 2016-01-03 | 2018-10-11 | Presenso, Ltd. | System and method for unsupervised prediction of machine failures |
| US20190012254A1 (en) * | 2017-07-05 | 2019-01-10 | Juniper Networks, Inc. | Software analytics platform |
| US20190050752A1 (en) * | 2017-08-10 | 2019-02-14 | Ulala Lab. Inc. | Algorithm and method for detecting error data of machine based on machine-learning technique |
| CN110958136A (zh) * | 2019-11-11 | 2020-04-03 | 国网山东省电力公司信息通信公司 | 一种基于深度学习的日志分析预警方法 |
| US20200110619A1 (en) * | 2018-10-05 | 2020-04-09 | Spraoi | Finite state automata that enables continuous delivery of machine learning models |
| US20200285997A1 (en) * | 2019-03-04 | 2020-09-10 | Iocurrents, Inc. | Near real-time detection and classification of machine anomalies using machine learning and artificial intelligence |
| CN112148596A (zh) * | 2020-09-15 | 2020-12-29 | 北京百度网讯科技有限公司 | 生成深度学习框架的报错内容的方法、装置 |
| US11010233B1 (en) * | 2018-01-18 | 2021-05-18 | Pure Storage, Inc | Hardware-based system monitoring |
| US20210182868A1 (en) * | 2019-12-16 | 2021-06-17 | Asapp, Inc. | Trend detection via machine learning models |
| CN113535825A (zh) * | 2021-08-02 | 2021-10-22 | 东莞市道滘钒一电子软件技术服务部 | 一种基于云计算智能化的数据信息风控处理方法及系统 |
| US20210357280A1 (en) * | 2020-05-17 | 2021-11-18 | Jpmorgan Chase Bank, N.A. | Systems and methods for application operational monitoring |
| CN113781068A (zh) * | 2021-09-09 | 2021-12-10 | 平安科技（深圳）有限公司 | 线上问题解决方法、装置、电子设备和存储介质 |
| CN113850070A (zh) * | 2020-06-27 | 2021-12-28 | 英特尔公司 | 用自然语言处理和自动修复进行异常检测的自监督学习系统 |
| US20220019935A1 (en) * | 2020-07-15 | 2022-01-20 | Accenture Global Solutions Limited | Utilizing machine learning models with a centralized repository of log data to predict events and generate alerts and recommendations |
-
2022
- 2022-03-08 CN CN202210218850.3A patent/CN114546706B/zh active Active
- 2022-03-08 CN CN202211118059.1A patent/CN115729736A/zh active Pending
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100131745A1 (en) * | 2008-11-25 | 2010-05-27 | Microsoft Corporation | Exceptional events |
| US20120304007A1 (en) * | 2011-05-23 | 2012-11-29 | Hanks Carl J | Methods and systems for use in identifying abnormal behavior in a control system |
| US20180293125A1 (en) * | 2016-01-03 | 2018-10-11 | Presenso, Ltd. | System and method for unsupervised prediction of machine failures |
| JP2017167578A (ja) * | 2016-03-14 | 2017-09-21 | 株式会社日立製作所 | インシデント管理システム |
| US20170279696A1 (en) * | 2016-03-24 | 2017-09-28 | Cisco Technology, Inc. | Dynamic application degrouping to optimize machine learning model accuracy |
| US20190012254A1 (en) * | 2017-07-05 | 2019-01-10 | Juniper Networks, Inc. | Software analytics platform |
| US20190050752A1 (en) * | 2017-08-10 | 2019-02-14 | Ulala Lab. Inc. | Algorithm and method for detecting error data of machine based on machine-learning technique |
| CN107766167A (zh) * | 2017-10-23 | 2018-03-06 | 郑州云海信息技术有限公司 | 一种故障日志重复报错归并的方法 |
| US11010233B1 (en) * | 2018-01-18 | 2021-05-18 | Pure Storage, Inc | Hardware-based system monitoring |
| US20200110619A1 (en) * | 2018-10-05 | 2020-04-09 | Spraoi | Finite state automata that enables continuous delivery of machine learning models |
| US20200285997A1 (en) * | 2019-03-04 | 2020-09-10 | Iocurrents, Inc. | Near real-time detection and classification of machine anomalies using machine learning and artificial intelligence |
| CN110958136A (zh) * | 2019-11-11 | 2020-04-03 | 国网山东省电力公司信息通信公司 | 一种基于深度学习的日志分析预警方法 |
| US20210182868A1 (en) * | 2019-12-16 | 2021-06-17 | Asapp, Inc. | Trend detection via machine learning models |
| US20210357280A1 (en) * | 2020-05-17 | 2021-11-18 | Jpmorgan Chase Bank, N.A. | Systems and methods for application operational monitoring |
| CN113850070A (zh) * | 2020-06-27 | 2021-12-28 | 英特尔公司 | 用自然语言处理和自动修复进行异常检测的自监督学习系统 |
| US20220019935A1 (en) * | 2020-07-15 | 2022-01-20 | Accenture Global Solutions Limited | Utilizing machine learning models with a centralized repository of log data to predict events and generate alerts and recommendations |
| CN112148596A (zh) * | 2020-09-15 | 2020-12-29 | 北京百度网讯科技有限公司 | 生成深度学习框架的报错内容的方法、装置 |
| CN113535825A (zh) * | 2021-08-02 | 2021-10-22 | 东莞市道滘钒一电子软件技术服务部 | 一种基于云计算智能化的数据信息风控处理方法及系统 |
| CN113781068A (zh) * | 2021-09-09 | 2021-12-10 | 平安科技（深圳）有限公司 | 线上问题解决方法、装置、电子设备和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| MOHAMMAD WARDAT: "<DeepLocalize: Fault Localization for Deep Neural Networks>", 《IEEE》 * |
| 黄军富: "《基于机器学习的跨项目软件缺陷预测》", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114546706B (zh) | 2022-11-11 |
| CN115729736A (zh) | 2023-03-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8676731B1 (en) | Data extraction confidence attribute with transformations | |
| CN111553137B (zh) | 报告生成方法、装置、存储介质及计算机设备 | |
| CN114968727B (zh) | 基于人工智能运维的数据库贯穿基础设施的故障定位方法 | |
| CN106164896B (zh) | 用于发现对手方关系的多维递归方法及系统 | |
| CN112685324B (zh) | 一种生成测试方案的方法及系统 | |
| CN114546975B (zh) | 一种结合人工智能的业务风险处理方法及服务器 | |
| CN115994099B (zh) | 数控机床代码的自动检查方法、装置、设备及存储介质 | |
| CN111340233A (zh) | 机器学习模型的训练方法及装置、样本处理方法及装置 | |
| CN114491034B (zh) | 一种文本分类方法及智能设备 | |
| US11544256B2 (en) | Systems and methods for automating mapping of repair procedures to repair information | |
| CN111324597B (zh) | 一种主数据管理方法和系统 | |
| CN114546706B (zh) | 一种应用于深度学习的应用程序缺陷分析方法及服务器 | |
| CN115345600B (zh) | 一种rpa流程的生成方法和装置 | |
| CN111581299A (zh) | 基于大数据的多源数据仓库的库间数据转换系统及方法 | |
| CN116821672A (zh) | 基于半监督的运维故障样本的数据治理方法 | |
| CN116502084A (zh) | 风险识别方法、装置、存储介质及电子设备 | |
| CN114185938B (zh) | 基于数字金融及大数据溯源的项目溯源分析方法及系统 | |
| CN116069628A (zh) | 一种智能处置的软件自动化回归测试方法、系统及设备 | |
| CN113111075B (zh) | 投融资信息挖掘方法、装置、电子设备和存储介质 | |
| KR102195608B1 (ko) | 인공지능 학습데이터 생성을 위한 크라우드소싱 기반 프로젝트의 오브젝트 반려율을 활용한 자동 반려 방법 | |
| KR102205809B1 (ko) | 인공지능 학습데이터 생성을 위한 다중 할당 방식의 크라우드소싱 기반 프로젝트의 일정 산출 방법 | |
| CN115758135B (zh) | 轨道交通信号系统功能需求追溯方法、装置及电子设备 | |
| CN117112791B (zh) | 一种未知日志分类决策系统、方法、装置及可读存储介质 | |
| CN109977021A (zh) | 一种基于关联规则分析的软件质量管理方法及系统 | |
| CN116737593A (zh) | 一种重复测试案例清除方法及装置 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220803 Address after: No. 216, Yanxing Road, Nangang District, Harbin City, Heilongjiang Province, 150000 Applicant after: Xie Faze Address before: 150000 No. 11, Minjiang Road, Nangang District, Harbin City, Heilongjiang Province Applicant before: Harbin Yuhui culture media Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20221026 Address after: 100000 No. 502, Floor 5, Room 101, Building 2 to 5, Yard 1, Ronghe Road, Chaoyang District, Beijing Applicant after: Geekbang Holdings (Beijing) Co.,Ltd. Address before: No. 216, Yanxing Road, Nangang District, Harbin City, Heilongjiang Province, 150000 Applicant before: Xie Faze |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |