CN114564523A - 针对智慧虚拟场景的大数据漏洞分析方法及云端ai系统 - Google Patents

针对智慧虚拟场景的大数据漏洞分析方法及云端ai系统 Download PDF

Info

Publication number
CN114564523A
CN114564523A CN202210226585.3A CN202210226585A CN114564523A CN 114564523 A CN114564523 A CN 114564523A CN 202210226585 A CN202210226585 A CN 202210226585A CN 114564523 A CN114564523 A CN 114564523A
Authority
CN
China
Prior art keywords
error
vulnerability
crash
end service
service error
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210226585.3A
Other languages
English (en)
Other versions
CN114564523B (zh
Inventor
杨映
尹辉
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.)
Zhen Vision Health Industry Technology Wuhan Hubei Co ltd
Original Assignee
Daqing Chenglongda Technology Co 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 Daqing Chenglongda Technology Co ltd filed Critical Daqing Chenglongda Technology Co ltd
Priority to CN202211117746.1A priority Critical patent/CN115455426A/zh
Priority to CN202210226585.3A priority patent/CN114564523B/zh
Publication of CN114564523A publication Critical patent/CN114564523A/zh
Application granted granted Critical
Publication of CN114564523B publication Critical patent/CN114564523B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
    • G06F21/57—Certifying or maintaining trusted computer platforms, e.g. secure boots or power-downs, version controls, system software checks, secure updates or assessing vulnerabilities
    • G06F21/577—Assessing vulnerabilities and evaluating computer system security
    • 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
    • G06F11/0712—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 virtual computing platform, e.g. logically partitioned 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0793—Remedial or corrective actions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本发明实施例提供一种针对智慧虚拟场景的大数据漏洞分析方法及云端AI系统，获得虚拟业务错误图谱之后输出虚拟业务运行优化任务，并将用于虚拟业务运行优化的虚拟业务运行优化任务下发至智慧虚拟服务系统，即，该虚拟业务运行优化任务是随着该虚拟业务错误图谱而用于生成虚拟业务运行优化的一个虚拟业务错误改善任务，该虚拟业务错误改善任务可以符合虚拟业务运行进程的虚拟业务运行崩溃数据的虚拟业务错误，由此可以无需进行不断重复的虚拟业务错误分析上报工作和虚拟业务错误与下发改善任务的对接工作，即可高效输出匹配推定虚拟业务错误的虚拟业务运行崩溃数据的虚拟业务错误的虚拟业务运行优化任务，从而提高业务运行优化效率。

Description

针对智慧虚拟场景的大数据漏洞分析方法及云端AI系统
技术领域
本发明涉及大数据技术领域，具体而言，涉及一种针对智慧虚拟场景的大数据漏洞分析方法及云端AI系统。
背景技术
元宇宙（Metaverse）是利用科技手段进行链接与创造的，与现实世界映射与交互的虚拟世界，具备新型社会体系的数字生活空间。
例如，针对用于创造虚拟世界（如以虚拟化形式映射的电商服务购物世界、智慧医疗就诊世界等）的智慧虚拟服务系统而言，在虚拟业务运行进程的服务过程中可能会由于各种运行错误导致虚拟业务运行崩溃，影响业务运行稳定性，因此需要及时进行错误漏洞的分析和修复。相关技术中通常需要进行不断重复的虚拟业务错误分析上报工作和虚拟业务错误与下发改善任务的对接工作，导致业务运行优化效率较低。
发明内容
为了至少克服现有技术中的上述不足，本发明的目的在于提供一种针对智慧虚拟场景的大数据漏洞分析方法及云端AI系统。
第一方面，本发明提供一种针对智慧虚拟场景的大数据漏洞分析方法，应用于云端AI系统，所述云端AI系统与多个智慧虚拟服务系统通信连接，所述方法包括：
获取所述智慧虚拟服务系统在虚拟业务运行过程中生成的虚拟业务运行进程的虚拟业务运行崩溃数据；
将所述虚拟业务运行崩溃数据加载至完成模型训练开发的虚拟业务错误分析模型中，输出所述虚拟业务运行崩溃数据对应的虚拟业务错误图谱，其中，所述虚拟业务错误图谱包括前端业务错误漏洞图谱和后端业务错误漏洞图谱；
基于所述虚拟业务错误图谱输出被配置于虚拟业务运行优化的虚拟业务运行优化任务，并将所述用于虚拟业务运行优化的虚拟业务运行优化任务下发至所述智慧虚拟服务系统，下发指令协同所述智慧虚拟服务系统依据所述虚拟业务运行优化任务执行对应的业务运行固件程序加载进行业务运行优化。
第二方面，本发明实施例还提供一种针对智慧虚拟场景的大数据漏洞分析系统，所述针对智慧虚拟场景的大数据漏洞分析系统包括云端AI系统以及与所述云端AI系统通信连接的多个智慧虚拟服务系统；
所述云端AI系统，用于：
获取所述智慧虚拟服务系统在虚拟业务运行过程中生成的虚拟业务运行进程的虚拟业务运行崩溃数据；
将所述虚拟业务运行崩溃数据加载至完成模型训练开发的虚拟业务错误分析模型中，输出所述虚拟业务运行崩溃数据对应的虚拟业务错误图谱，其中，所述虚拟业务错误图谱包括前端业务错误漏洞图谱和后端业务错误漏洞图谱；
基于所述虚拟业务错误图谱输出被配置于虚拟业务运行优化的虚拟业务运行优化任务，并将所述用于虚拟业务运行优化的虚拟业务运行优化任务下发至所述智慧虚拟服务系统，下发指令协同所述智慧虚拟服务系统依据所述虚拟业务运行优化任务执行对应的业务运行固件程序加载进行业务运行优化。
基于上述任意一个方面，本发明在获得虚拟业务错误图谱之后，可以针对性地输出被配置于虚拟业务运行优化的虚拟业务运行优化任务，并将用于虚拟业务运行优化的虚拟业务运行优化任务下发至智慧虚拟服务系统，即，该虚拟业务运行优化任务是随着该虚拟业务错误图谱而用于生成虚拟业务运行优化的一个虚拟业务错误改善任务，该虚拟业务错误改善任务可以符合虚拟业务运行进程的虚拟业务运行崩溃数据的虚拟业务错误，由此可以无需进行不断重复的虚拟业务错误分析上报工作和虚拟业务错误与下发改善任务的对接工作，即可高效输出匹配推定虚拟业务错误的虚拟业务运行崩溃数据的虚拟业务错误的虚拟业务运行优化任务，从而提高业务运行优化效率。
附图说明
图1为本发明实施例提供的针对智慧虚拟场景的大数据漏洞分析方法的流程示意图；
图2为本发明实施例提供的用于实现上述的针对智慧虚拟场景的大数据漏洞分析方法的云端AI系统的结构示意框图。
具体实施方式
在对本实施例的方法进行详细介绍之前，首先针对本发明实施例的应用场景进行简要说明。本实施例中，针对智慧虚拟场景的大数据漏洞分析系统10可以包括云端AI系统100以及与云端AI系统100通信连接的智慧虚拟服务系统200。一些可能的实施例中，针对智慧虚拟场景的大数据漏洞分析系统10中的云端AI系统100和智慧虚拟服务系统200可以依据配合执行以下方法实施例所描述的针对智慧虚拟场景的大数据漏洞分析方法，具体云端AI系统100和智慧虚拟服务系统200的执行步骤部分可以参照以下方法实施例的详细描述。
图1为本发明实施例提供的针对智慧虚拟场景的大数据漏洞分析方法的流程示意图，本实施例提供的针对智慧虚拟场景的大数据漏洞分析方法可以由云端AI系统100执行，下面对该针对智慧虚拟场景的大数据漏洞分析方法进行详细介绍。
STEP110，获取智慧虚拟服务系统在虚拟业务运行过程中生成的虚拟业务运行进程的虚拟业务运行崩溃数据。
一些可能的实施例中，对于智慧虚拟服务系统而言，在进行虚拟业务服务（如基于虚拟VR或者AR显示的电商购物商场的场景服务）提供过程中，在出现业务运行错误、崩溃时，通常会输出相关的虚拟业务运行崩溃数据。其中，虚拟业务运行崩溃数据中可以包括一个或者多个业务运行崩溃数据段，业务运行崩溃数据段可以以多种可用于数据挖掘的数据形式进行输出，从而生成虚拟业务运行崩溃数据。例如，针对某个电商购物的购物订单下单活动，一个购物订单下单活动的崩溃数据可以分别代表一个业务运行崩溃数据段。
STEP120，将虚拟业务运行崩溃数据加载至完成模型训练开发的虚拟业务错误分析模型中，输出虚拟业务运行崩溃数据对应的虚拟业务错误图谱。
一些可能的实施例中，虚拟业务错误图谱例如可以包括前端业务错误漏洞图谱和后端业务错误漏洞图谱。其中，前端业务错误漏洞图谱可以包括一个或者多个前端业务错误，后端业务错误漏洞图谱可以包括一个或者多个后端业务错误，前端业务错误代表该虚拟业务的虚拟业务运行崩溃数据中与前端业务活动（如业务场景渲染活动、贴图资源展示活动）相关的业务错误。依据虚拟业务错误分析模型的深度学习分析，可以学习到虚拟业务运行崩溃数据中的虚拟业务运行活动可能涉及的前端业务错误，并输出为前端业务错误，这些前端业务错误。此外，后端业务错误代表该虚拟业务的虚拟业务运行崩溃数据中与后端业务活动相关的业务错误，。
STEP130，基于虚拟业务错误图谱输出被配置于虚拟业务运行优化的虚拟业务运行优化任务，并将用于虚拟业务运行优化的虚拟业务运行优化任务下发至智慧虚拟服务系统，下发指令协同所述智慧虚拟服务系统依据所述虚拟业务运行优化任务执行对应的业务运行固件程序加载进行业务运行优化。
基于以上步骤，在获得虚拟业务错误图谱之后，可以针对性地输出被配置于虚拟业务运行优化的虚拟业务运行优化任务，并将用于虚拟业务运行优化的虚拟业务运行优化任务下发至智慧虚拟服务系统，例如，该虚拟业务运行优化任务是随着该虚拟业务错误图谱而用于生成虚拟业务运行优化的一个虚拟业务错误改善任务，该虚拟业务错误改善任务可以符合虚拟业务运行进程的虚拟业务运行崩溃数据的虚拟业务错误，由此可以无需进行不断重复的虚拟业务错误分析上报工作和虚拟业务错误与下发改善任务的对接工作，即可高效输出匹配推定虚拟业务错误的虚拟业务运行崩溃数据的虚拟业务错误的虚拟业务运行优化任务，从而提高业务运行优化效率。
一些可能的实施例中，以上针对智慧虚拟场景的大数据漏洞分析方法还可以包括以下步骤。
STEP101，获取涵盖示例业务运行崩溃数据段的第一示例运行崩溃日志和第二示例运行崩溃日志，第一示例运行崩溃日志为携带标注了示例业务运行崩溃数据段的示例前端业务错误和示例后端业务错误的示例运行崩溃日志。
其中，示例业务运行崩溃数据段可以依据实际需求进行配置，具体内容在此处不做限定。第一示例运行崩溃日志可以是涵盖示例业务运行崩溃数据段且携带标注了示例业务运行崩溃数据段的示例前端业务错误和示例后端业务错误的示例运行崩溃日志，第二示例运行崩溃日志可以是涵盖示例业务运行崩溃数据段且未携带标注了示例业务运行崩溃数据段的示例前端业务错误和示例后端业务错误的示例运行崩溃日志，第一示例运行崩溃日志可以包括一个或者多个，第二示例运行崩溃日志可以包括一个或者多个。
第一示例运行崩溃日志和第二示例运行崩溃日志的获取方式可以依据实际需求进行配置，例如，可以从本地或者远程云端获取预先配置的第一示例运行崩溃日志和第二示例运行崩溃日志，或者，可以从运行崩溃存储服务器中调取第一示例运行崩溃日志和第二示例运行崩溃日志等。
STEP102，依据第一示例漏洞分析模型对第一示例运行崩溃日志中的示例业务运行崩溃数据段进行前端业务错误和后端业务错误分析，获得第一推定前端业务错误和第一推定后端业务错误。
其中，第一示例漏洞分析模型为尚未进行模型开发，或者只进行初始化模型参数权重更新的深度学习模型，该深度学习模型的结构和类型等可以依据实际需求进行配置，例如，该深度学习模型可以包括变量挖掘分支、漏洞分析分支以及自适应漏洞修复学习分支等。变量挖掘分支可以包括由至少两个LSTM单元构成的LSTM学习分支，漏洞分析分支可以包括标签映射分支、后端业务错误分析分支和前端业务错误分析分支等，以及自适应漏洞修复学习分支可以包括生成器和由三层LSTM构成的判别器等，以下将对深度学习模型的各个分支对针对智慧虚拟场景的大数据漏洞分析的过程进行详细说明。
一些可能的实施例中，依据第一示例漏洞分析模型对第一示例运行崩溃日志中的示例业务运行崩溃数据段进行前端业务错误和后端业务错误分析，获得第一推定前端业务错误和第一推定后端业务错误可以包括：依据第一示例漏洞分析模型对第一示例运行崩溃日志进行运行崩溃路径变量挖掘，获得第一示例运行崩溃日志对应的第一运行崩溃路径变量；依据第一示例漏洞分析模型依据第一运行崩溃路径变量对第一示例运行崩溃日志中的示例业务运行崩溃数据段进行前端业务错误和后端业务错误分析，获得第一推定前端业务错误和第一推定后端业务错误。
例如，首先依据第一示例漏洞分析模型对第一示例运行崩溃日志进行运行崩溃路径变量挖掘，获得第一示例运行崩溃日志对应的第一运行崩溃路径变量。一些可能的实施例中，第一示例漏洞分析模型包括变量挖掘分支，变量挖掘分支包括由至少两个LSTM单元构成的LSTM学习分支，依据第一示例漏洞分析模型对第一示例运行崩溃日志进行运行崩溃路径变量挖掘，获得第一示例运行崩溃日志对应的第一运行崩溃路径变量可以包括：分别依据LSTM学习分支的至少两个LSTM单元对第一示例运行崩溃日志进行路径变量挖掘，获得第一示例运行崩溃日志对应的第一运行崩溃路径变量。
为了提高第一运行崩溃路径变量挖掘的可靠性，可以将第一示例运行崩溃日志加载至第一示例漏洞分析模型中变量挖掘分支的LSTM学习分支内包含的至少两个LSTM单元，分别依据至少两个LSTM单元对第一示例运行崩溃日志进行路径变量挖掘，获得第一示例运行崩溃日志对应的第一运行崩溃路径变量。
在此基础上，可以依据第一示例漏洞分析模型依据第一运行崩溃路径变量对第一示例运行崩溃日志中的示例业务运行崩溃数据段进行前端业务错误和后端业务错误分析，获得第一推定前端业务错误和第一推定后端业务错误。一些可能的实施例中，第一示例漏洞分析模型包括漏洞分析分支，漏洞分析分支包括标签映射分支、后端业务错误分析分支和前端业务错误分析分支，依据第一示例漏洞分析模型依据第一运行崩溃路径变量对第一示例运行崩溃日志中的示例业务运行崩溃数据段进行前端业务错误和后端业务错误分析，获得第一推定前端业务错误和第一推定后端业务错误可以包括：依据标签映射分支依据第一运行崩溃路径变量对第一示例运行崩溃日志中的示例业务运行崩溃数据段进行漏洞标签映射，获得第一漏洞标签映射信息；依据后端业务错误分析分支依据第一运行崩溃路径变量和第一漏洞标签映射信息，对第一示例运行崩溃日志中的示例业务运行崩溃数据段的运行崩溃触发点到示例业务运行崩溃数据段的运行崩溃终结点的后端前向业务错误和后端后向业务错误进行输出，获得示例业务运行崩溃数据段在第一示例运行崩溃日志中的第一推定后端业务错误；依据前端业务错误分析分支依据第一运行崩溃路径变量和第一漏洞标签映射信息，对第一示例运行崩溃日志中的示例业务运行崩溃数据段进行前端业务错误分析，获得示例业务运行崩溃数据段的第一推定前端业务错误。
为了提高第一推定前端业务错误和第一推定后端业务错误获取的可靠性，可以依据第一示例漏洞分析模型中漏洞分析分支的标签映射分支依据第一运行崩溃路径变量对第一示例运行崩溃日志中的示例业务运行崩溃数据段进行漏洞标签映射，获得第一漏洞标签映射信息，其中，第一漏洞标签映射信息可以用于表征存在漏洞标签的判别值。
以及，依据第一示例漏洞分析模型中漏洞分析分支的后端业务错误分析分支依据第一运行崩溃路径变量和第一漏洞标签映射信息，识别第一示例运行崩溃日志中的示例业务运行崩溃数据段的运行崩溃触发点和运行崩溃终结点等，以对第一示例运行崩溃日志中的示例业务运行崩溃数据段的运行崩溃触发点到示例业务运行崩溃数据段的运行崩溃终结点的后端前向业务错误和后端后向业务错误进行输出，获得示例业务运行崩溃数据段在第一示例运行崩溃日志中的第一推定后端业务错误，第一推定后端业务错误可以包括示例业务运行崩溃数据段在第一示例运行崩溃日志中所在的聚团，该聚团内可以包括一个或多个崩溃业务运行活动。
以及，依据第一示例漏洞分析模型中漏洞分析分支的前端业务错误分析分支依据第一运行崩溃路径变量和第一漏洞标签映射信息，对第一示例运行崩溃日志中的示例业务运行崩溃数据段进行前端业务错误分析，获得示例业务运行崩溃数据段的第一推定前端业务错误。其中，每个漏洞分析分支对应一个关联分支，每个关联分支有一个用于执行漏洞分析分支的漏洞分析节点和模型精度度量函数。三个漏洞分析分支的漏洞分析节点的结构可以相同，可以单独地更新各自的节点权重信息，该漏洞分析分支的综合漏洞分析精度可以为三个关联分支的模型精度度量函数的函数值之和，在进行模型开发时可以同时更新三个关联分支的节点权重信息。
其中，在对第一示例运行崩溃日志中的示例业务运行崩溃数据段进行前端业务错误分析时，可以得到一个或多个模糊推定前端业务错误以及对应的可靠度（即可靠度可靠度），当模糊推定前端业务错误为一个时，可以直接将该模糊推定前端业务错误确定为示例业务运行崩溃数据段的第一推定前端业务错误，当模糊推定前端业务错误为多个时，可以从多个模糊推定前端业务错误中提取可靠度最大的模糊推定前端业务错误确定为示例业务运行崩溃数据段的第一推定前端业务错误。
STEP103，将第一推定前端业务错误与示例前端业务错误确定对应的漏洞分析精度，并且基于第一推定后端业务错误与示例后端业务错误确定对应的漏洞分析精度，由此更新第一示例漏洞分析模型的第一漏洞分析函数信息，并依据第一示例漏洞分析模型对第一示例运行崩溃日志和第二示例运行崩溃日志进行GAN（对抗）学习，由此更新第一示例漏洞分析模型的第二漏洞分析函数信息，获得第一目标示例漏洞分析模型。
例如，可以依据模型精度度量函数（该模型精度度量函数的虚拟业务错误可以依据实际需求进行配置）将第一推定前端业务错误与示例前端业务错误确定对应的漏洞分析精度，并且基于第一推定后端业务错误与示例后端业务错误确定对应的漏洞分析精度，由此更新第一示例漏洞分析模型的第一漏洞分析函数信息，使得第一示例漏洞分析模型可以进行有监督地训练学习。以及，依据第一示例漏洞分析模型对第一示例运行崩溃日志和第二示例运行崩溃日志进行对抗生成开发训练，由此更新第一示例漏洞分析模型的第二漏洞分析函数信息，使得第一示例漏洞分析模型学习具有域不变性的特征，获得第一目标示例漏洞分析模型。
一些可能的实施例中，第一示例运行崩溃日志为示例源域运行崩溃日志，第二示例运行崩溃日志为示例目标域运行崩溃日志，示例源域运行崩溃日志为携带标注了示例业务运行崩溃数据段的示例前端业务错误和示例后端业务错误的示例运行崩溃日志，示例目标域运行崩溃日志为未携带标注了示例业务运行崩溃数据段的示例前端业务错误和示例后端业务错误的示例运行崩溃日志；第一示例漏洞分析模型包括自适应漏洞修复学习分支，自适应漏洞修复学习分支包括梯度反转单元；将第一推定前端业务错误与示例前端业务错误确定对应的漏洞分析精度，并且基于第一推定后端业务错误与示例后端业务错误确定对应的漏洞分析精度，由此更新第一示例漏洞分析模型的第一漏洞分析函数信息，并依据第一示例漏洞分析模型对第一示例运行崩溃日志和第二示例运行崩溃日志进行对抗生成开发训练，由此更新第一示例漏洞分析模型的第二漏洞分析函数信息，获得第一目标示例漏洞分析模型可以包括：依据第一示例漏洞分析模型对第二示例运行崩溃日志进行运行崩溃路径变量挖掘，获得第二示例运行崩溃日志对应的第二运行崩溃路径变量；依据第一漏洞标签映射信息、第一推定后端业务错误以及第一推定前端业务错误确定综合漏洞分析精度；依据综合漏洞分析精度将第一推定前端业务错误与示例前端业务错误确定对应的漏洞分析精度，并且基于第一推定后端业务错误与示例后端业务错误确定对应的漏洞分析精度，由此更新第一示例漏洞分析模型的第一漏洞分析函数信息；以及，依据自适应漏洞修复学习分支解析第一运行崩溃路径变量和第二运行崩溃路径变量相关联的示例源域运行崩溃日志或示例目标域运行崩溃日志，获得解析信息，依据梯度反转单元对解析信息进行进行特征变量反转传递，以学习每一特征变量以及所述每一特征变量相关联的前向特征变量和后向特征变量，依据每一特征变量以及所述每一特征变量相关联的前向特征变量和后向特征变量对第一示例运行崩溃日志和第二示例运行崩溃日志的虚拟业务错误进行对抗生成开发训练，由此更新第一示例漏洞分析模型的第二漏洞分析函数信息，获得第一目标示例漏洞分析模型。
为了提高对深度学习模型训练的精准性，可以将示例运行崩溃日志定义为两个不同域的示例运行崩溃日志，即将示例运行崩溃日志分为两组，一组为示例源域运行崩溃日志，另一组为示例目标域运行崩溃日志，示例源域运行崩溃日志为涵盖示例业务运行崩溃数据段且携带标注了示例业务运行崩溃数据段的示例前端业务错误和示例后端业务错误的示例运行崩溃日志（即有训练样本的示例运行崩溃日志），示例目标域运行崩溃日志为涵盖示例业务运行崩溃数据段且未携带标注了示例业务运行崩溃数据段的示例前端业务错误和示例后端业务错误的示例运行崩溃日志（即无训练样本的示例运行崩溃日志）。依据第一示例漏洞分析模型的变量挖掘分支对第二示例运行崩溃日志进行运行崩溃路径变量挖掘，获得第二示例运行崩溃日志对应的第二运行崩溃路径变量，该变量挖掘分支的深度运行崩溃路径变量挖掘主要学习的是深度变量分布等。例如，可以将第二示例运行崩溃日志加载至第一示例漏洞分析模型中变量挖掘分支的LSTM学习分支内包含的至少两个LSTM单元，分别依据至少两个LSTM单元对第二示例运行崩溃日志进行路径变量挖掘，获得第二示例运行崩溃日志对应的第二运行崩溃路径变量。
依据第一示例漏洞分析模型中漏洞分析分支的标签映射分支的第一漏洞标签映射信息、后端业务错误分析分支输出的第一推定后端业务错误以及前端业务错误分析分支输出的第一推定前端业务错误确定综合漏洞分析精度，即该漏洞分析分支的综合漏洞分析精度可以为三个关联分支的模型精度度量函数的函数值之和，该综合漏洞分析精度的虚拟业务错误可以依据实际需求进行配置。然后可以依据综合漏洞分析精度将第一推定前端业务错误与示例前端业务错误确定对应的漏洞分析精度，并且基于第一推定后端业务错误与示例后端业务错误确定对应的漏洞分析精度，由此更新第一示例漏洞分析模型的第一漏洞分析函数信息。
以及，依据自适应漏洞修复学习分支解析第一运行崩溃路径变量和第二运行崩溃路径变量相关联的示例源域运行崩溃日志或示例目标域运行崩溃日志，获得解析信息，即解析信息可以包括第一运行崩溃路径变量来源于源域的第一示例运行崩溃日志，或者第二运行崩溃路径变量来源于目标域的第二示例运行崩溃日志。此时可以依据梯度反转单元对解析信息进行进行特征变量反转传递，以学习每一特征变量以及所述每一特征变量相关联的前向特征变量和后向特征变量，依据每一特征变量以及所述每一特征变量相关联的前向特征变量和后向特征变量对第一示例运行崩溃日志和第二示例运行崩溃日志的虚拟业务错误进行对抗生成开发训练，由此更新第一示例漏洞分析模型的第二漏洞分析函数信息，获得第一目标示例漏洞分析模型。
STEP104，依据第一目标示例漏洞分析模型获取第二示例运行崩溃日志中示例业务运行崩溃数据段对应的可靠度满足预设条件的前端业务错误和后端业务错误分别确定为模糊示例前端业务错误和模糊示例后端业务错误。
其中，模糊示例前端业务错误和模糊示例后端业务错误可以是模糊训练样本，以便深度学习模型可以依据模糊训练样本进行自学习。模糊示例前端业务错误可以是第二示例运行崩溃日志中示例业务运行崩溃数据段对应的可靠度满足预设条件的前端业务错误，模糊示例后端业务错误可以是第二示例运行崩溃日志中示例业务运行崩溃数据段对应的可靠度满足预设条件的后端业务错误。
一些可能的实施例中，依据第一目标示例漏洞分析模型获取第二示例运行崩溃日志中示例业务运行崩溃数据段对应的可靠度满足预设条件的前端业务错误和后端业务错误分别确定为模糊示例前端业务错误和模糊示例后端业务错误位可以包括：依据第一目标示例漏洞分析模型对第二示例运行崩溃日志进行运行崩溃路径变量挖掘，获得第三运行崩溃路径变量；依据第三运行崩溃路径变量对第二示例运行崩溃日志中的示例业务运行崩溃数据段进行前端业务错误和后端业务错误分析，获得至少一个模糊推定前端业务错误以及对应的可靠度和至少一个模糊推定后端业务错误以及对应的可靠度；从模糊推定前端业务错误中提取可靠度满足预设条件的前端业务错误确定为第二示例运行崩溃日志中示例业务运行崩溃数据段对应的模糊示例前端业务错误，以及从模糊推定后端业务错误中提取可靠度满足预设条件的后端业务错误确定为第二示例运行崩溃日志中示例业务运行崩溃数据段对应的模糊示例后端业务错误。
例如，可以将第二示例运行崩溃日志加载至第一目标示例漏洞分析模型中变量挖掘分支的LSTM学习分支内包含的至少两个LSTM单元，分别依据至少两个LSTM单元对第二示例运行崩溃日志进行路径变量挖掘，获得第二示例运行崩溃日志对应的第三运行崩溃路径变量。
依据第三运行崩溃路径变量对第二示例运行崩溃日志中的示例业务运行崩溃数据段进行前端业务错误和后端业务错误分析，获得至少一个模糊推定前端业务错误以及对应的可靠度和至少一个模糊推定后端业务错误以及对应的可靠度。例如，可以依据第一目标示例漏洞分析模型中漏洞分析分支的标签映射分支依据第二运行崩溃路径变量对第二示例运行崩溃日志中的示例业务运行崩溃数据段进行漏洞标签映射，获得第一漏洞标签映射信息，其中，第一漏洞标签映射信息可以包括示例业务运行崩溃数据段与非示例业务运行崩溃数据段的漏洞标签映射信息，即第二示例运行崩溃日志中每个崩溃业务运行活动是否是示例业务运行崩溃数据段的结果，例如，若第二示例运行崩溃日志中某个崩溃业务运行活动是示例业务运行崩溃数据段所在聚团内的崩溃业务运行活动，则输出该崩溃业务运行活动对应的第一漏洞标签映射信息为1；若第二示例运行崩溃日志中某个崩溃业务运行活动不是示例业务运行崩溃数据段所在聚团内的崩溃业务运行活动，则输出该崩溃业务运行活动对应的第一漏洞标签映射信息为0。
以及，依据第一目标示例漏洞分析模型中漏洞分析分支的后端业务错误分析分支依据第二运行崩溃路径变量和第一漏洞标签映射信息，识别第二示例运行崩溃日志中的示例业务运行崩溃数据段的运行崩溃触发点和运行崩溃终结点等，以对第二示例运行崩溃日志中的示例业务运行崩溃数据段的运行崩溃触发点到示例业务运行崩溃数据段的运行崩溃终结点的后端前向业务错误和后端后向业务错误进行输出，获得示例业务运行崩溃数据段在第二示例运行崩溃日志中的至少一个模糊推定后端业务错误以及对应的可靠度，至少一个模糊推定后端业务错误可以包括示例业务运行崩溃数据段在第二示例运行崩溃日志中所在的聚团，该聚团内可以包括一个或多个崩溃业务运行活动。以及，依据第一目标示例漏洞分析模型中漏洞分析分支的前端业务错误分析分支依据第二运行崩溃路径变量和第一漏洞标签映射信息，对第二示例运行崩溃日志中的示例业务运行崩溃数据段进行前端业务错误分析，获得示例业务运行崩溃数据段的至少一个模糊推定前端业务错误以及对应的可靠度。
此时，可以从模糊推定前端业务错误中提取可靠度满足预设条件的前端业务错误确定为第二示例运行崩溃日志中示例业务运行崩溃数据段对应的模糊示例前端业务错误，以及从模糊推定后端业务错误中提取可靠度满足预设条件的后端业务错误确定为第二示例运行崩溃日志中示例业务运行崩溃数据段对应的模糊示例后端业务错误，从而提高了模糊示例后端业务错误和模糊示例前端业务错误获取的可靠性。
STEP105，将第二示例运行崩溃日志加载至第一目标示例漏洞分析模型进行前端业务错误和后端业务错误分析，获得第二推定前端业务错误和第二推定后端业务错误。
一些可能的实施例中，将第二示例运行崩溃日志加载至第一目标示例漏洞分析模型进行前端业务错误和后端业务错误分析，获得第二推定前端业务错误和第二推定后端业务错误可以包括：依据第一目标示例漏洞分析模型对第二示例运行崩溃日志进行运行崩溃路径变量挖掘，获得第二示例运行崩溃日志对应的第四运行崩溃路径变量；依据第一目标示例漏洞分析模型依据第四运行崩溃路径变量，对第二示例运行崩溃日志中的示例业务运行崩溃数据段进行漏洞标签映射、以及前端业务错误和后端业务错误分析，获得示例业务运行崩溃数据段的第二推定前端业务错误和第二推定后端业务错误。
例如，可以将第二示例运行崩溃日志加载至第一目标示例漏洞分析模型中变量挖掘分支的LSTM学习分支内包含的至少两个LSTM单元，分别依据至少两个LSTM单元对第二示例运行崩溃日志进行路径变量挖掘，获得第二示例运行崩溃日志对应的第四运行崩溃路径变量。然后可以依据第一目标示例漏洞分析模型中漏洞分析分支的标签映射分支依据第四运行崩溃路径变量对第二示例运行崩溃日志中的示例业务运行崩溃数据段进行漏洞标签映射，获得第一漏洞标签映射信息，其中，第一漏洞标签映射信息可以包括示例业务运行崩溃数据段与非示例业务运行崩溃数据段的漏洞标签映射信息，即第二示例运行崩溃日志中每个崩溃业务运行活动是否是示例业务运行崩溃数据段的结果。
以及，依据第一目标示例漏洞分析模型中漏洞分析分支的后端业务错误分析分支依据第四运行崩溃路径变量和第一漏洞标签映射信息，识别第二示例运行崩溃日志中的示例业务运行崩溃数据段的运行崩溃触发点和运行崩溃终结点等，以对第二示例运行崩溃日志中的示例业务运行崩溃数据段的运行崩溃触发点到示例业务运行崩溃数据段的运行崩溃终结点的后端前向业务错误和后端后向业务错误进行输出，获得示例业务运行崩溃数据段在第二示例运行崩溃日志中的第二推定后端业务错误，第二推定后端业务错误可以包括示例业务运行崩溃数据段在第二示例运行崩溃日志中所在的聚团，该聚团内可以包括一个或多个崩溃业务运行活动。以及，依据第一目标示例漏洞分析模型中漏洞分析分支的前端业务错误分析分支依据第四运行崩溃路径变量和第一漏洞标签映射信息，对第二示例运行崩溃日志中的示例业务运行崩溃数据段进行前端业务错误分析，获得示例业务运行崩溃数据段的第二推定前端业务错误。
STEP106，将第二推定前端业务错误与模糊示例前端业务错误确定对应的漏洞分析精度，并且基于第二推定后端业务错误与模糊示例后端业务错误确定对应的漏洞分析精度，以对第一目标示例漏洞分析模型进行模型开发，获得第二目标示例漏洞分析模型，以依据第二目标示例漏洞分析模型对示例运行崩溃日志中示例业务运行崩溃数据段的前端业务错误和后端业务错误进行分析。
一些可能的实施例中，将第二推定前端业务错误与模糊示例前端业务错误确定对应的漏洞分析精度，并且基于第二推定后端业务错误与模糊示例后端业务错误确定对应的漏洞分析精度，以对第一目标示例漏洞分析模型进行模型开发，获得第二目标示例漏洞分析模型可以包括：依据第一模型精度度量函数对第二推定前端业务错误与模糊示例前端业务错误确定对应的漏洞分析精度，获得第一漏洞分析精度；依据第二模型精度度量函数对第二推定后端业务错误与模糊示例后端业务错误确定对应的漏洞分析精度，获得第二漏洞分析精度；依据第一漏洞分析精度和第二漏洞分析精度构建目标综合漏洞分析精度，依据目标综合漏洞分析精度调整第一目标示例漏洞分析模型的漏洞分析函数信息，并将调整完成的第一目标示例漏洞分析模型确定为第一示例漏洞分析模型，返回执行依据第一示例漏洞分析模型对第一示例运行崩溃日志中的示例业务运行崩溃数据段进行前端业务错误和后端业务错误分析，获得第一推定前端业务错误和第一推定后端业务错误，直至目标综合漏洞分析精度的漏洞分析精度收敛，获得第二目标示例漏洞分析模型。
其中，第一模型精度度量函数、第二模型精度度量函数和目标综合漏洞分析精度的具体类型可以依据实际需求进行配置，具体内容在此处不做限定。例如，可以依据第一模型精度度量函数对第二推定前端业务错误与模糊示例前端业务错误确定对应的漏洞分析精度，获得第一漏洞分析精度；并依据第二模型精度度量函数对第二推定后端业务错误与模糊示例后端业务错误确定对应的漏洞分析精度，获得第二漏洞分析精度；依据第一漏洞分析精度和第二漏洞分析精度构建目标综合漏洞分析精度，以依据目标综合漏洞分析精度调整第一目标示例漏洞分析模型的漏洞分析函数信息，获得调整完成的第一目标示例漏洞分析模型。实现了依据目标域的第二示例运行崩溃日志利用模糊训练样本（包括模糊示例前端业务错误和模糊示例后端业务错误）对深度学习模型进行模型开发，获得调整完成的第一目标示例漏洞分析模型。
然后可以将调整完成的第一目标示例漏洞分析模型确定为第一示例漏洞分析模型，返回执行依据第一示例漏洞分析模型对第一示例运行崩溃日志中的示例业务运行崩溃数据段进行前端业务错误和后端业务错误分析，获得第一推定前端业务错误和第一推定后端业务错误，将第一推定前端业务错误与示例前端业务错误确定对应的漏洞分析精度，并且基于第一推定后端业务错误与示例后端业务错误确定对应的漏洞分析精度，并依据第一示例漏洞分析模型对第一示例运行崩溃日志和第二示例运行崩溃日志进行对抗生成开发训练，以对第一示例漏洞分析模型进行模型开发，获得第一目标示例漏洞分析模型；依据第一目标示例漏洞分析模型获取第二示例运行崩溃日志中示例业务运行崩溃数据段对应的可靠度满足预设条件的前端业务错误和后端业务错误分别确定为模糊示例前端业务错误和模糊示例后端业务错误，将第二示例运行崩溃日志加载至第一目标示例漏洞分析模型进行前端业务错误和后端业务错误分析，获得第二推定前端业务错误和第二推定后端业务错误；将第二推定前端业务错误与模糊示例前端业务错误确定对应的漏洞分析精度，并且基于第二推定后端业务错误与模糊示例后端业务错误确定对应的漏洞分析精度，以对第一目标示例漏洞分析模型进行模型开发，直至目标综合漏洞分析精度的漏洞分析精度收敛，获得第二目标示例漏洞分析模型。
一些可能的实施例中，针对智慧虚拟场景的大数据漏洞分析方法还可以包括：获取涵盖示例业务运行崩溃数据段的候选示例运行崩溃日志；依据第二目标示例漏洞分析模型对候选示例运行崩溃日志进行运行崩溃路径变量挖掘，获得目标运行崩溃路径变量；依据第二目标示例漏洞分析模型依据目标运行崩溃路径变量识别候选示例运行崩溃日志中的示例业务运行崩溃数据段的前端业务错误和后端业务错误。
在得到第二目标示例漏洞分析模型后，可以利用第二目标示例漏洞分析模型对示例运行崩溃日志进行生成，例如，可以本地或者远程云端上获取涵盖示例业务运行崩溃数据段的候选示例运行崩溃日志。在此基础上，可以依据第二目标示例漏洞分析模型对候选示例运行崩溃日志进行运行崩溃路径变量挖掘，获得目标运行崩溃路径变量。例如，可以将候选示例运行崩溃日志加载至第二目标示例漏洞分析模型中变量挖掘分支的LSTM学习分支内包含的至少两个LSTM单元，分别依据至少两个LSTM单元对候选示例运行崩溃日志进行路径变量挖掘，获得候选示例运行崩溃日志对应的目标运行崩溃路径变量。依据第二目标示例漏洞分析模型依据目标运行崩溃路径变量识别候选示例运行崩溃日志中的示例业务运行崩溃数据段的前端业务错误和后端业务错误。例如，可以依据依据第二目标示例漏洞分析模型的漏洞分析分支依据目标运行崩溃路径变量识别候选示例运行崩溃日志中的示例业务运行崩溃数据段的前端业务错误和后端业务错误。
本发明实施例可以获取涵盖示例业务运行崩溃数据段的第一示例运行崩溃日志和第二示例运行崩溃日志，第一示例运行崩溃日志为携带标注了示例业务运行崩溃数据段的示例前端业务错误和示例后端业务错误的示例运行崩溃日志；然后可以依据第一示例漏洞分析模型对第一示例运行崩溃日志中的示例业务运行崩溃数据段进行前端业务错误和后端业务错误分析，获得第一推定前端业务错误和第一推定后端业务错误；并且基于第一推定前端业务错误与示例前端业务错误确定对应的漏洞分析精度，并且基于第一推定后端业务错误与示例后端业务错误确定对应的漏洞分析精度，由此更新第一示例漏洞分析模型的第一漏洞分析函数信息，并依据第一示例漏洞分析模型对第一示例运行崩溃日志和第二示例运行崩溃日志进行对抗生成开发训练，由此更新第一示例漏洞分析模型的第二漏洞分析函数信息，获得第一目标示例漏洞分析模型。其次，可以依据第一目标示例漏洞分析模型获取第二示例运行崩溃日志中示例业务运行崩溃数据段对应的可靠度满足预设条件的前端业务错误和后端业务错误分别确定为模糊示例前端业务错误和模糊示例后端业务错误；将第二示例运行崩溃日志加载至第一目标示例漏洞分析模型进行前端业务错误和后端业务错误分析，获得第二推定前端业务错误和第二推定后端业务错误；此时可以将第二推定前端业务错误与模糊示例前端业务错误确定对应的漏洞分析精度，并且基于第二推定后端业务错误与模糊示例后端业务错误确定对应的漏洞分析精度，以对第一目标示例漏洞分析模型进行模型开发，获得第二目标示例漏洞分析模型，以依据第二目标示例漏洞分析模型对示例运行崩溃日志中示例业务运行崩溃数据段的前端业务错误和后端业务错误进行分析。该方案可以依据第一示例运行崩溃日志生成得到的第一推定前端业务错误和第一推定后端业务错误，并依据第一示例运行崩溃日志和第二示例运行崩溃日志的对抗生成开发训练，对第一示例漏洞分析模型进行模型开发，获得第一目标示例漏洞分析模型，并依据第二示例运行崩溃日志生成得到的模糊示例前端业务错误、模糊示例后端业务错误、第二推定前端业务错误和第二推定后端业务错误对第一目标示例漏洞分析模型进行模型开发，获得第二目标示例漏洞分析模型，提高了对深度学习模型的训练可靠性和收敛性，从而提高了第二目标示例漏洞分析模型对示例运行崩溃日志中示例业务运行崩溃数据段进行解析的准确度。实现了利用已有示例前端业务错误和示例后端业务错误的示例运行崩溃日志的第一示例运行崩溃日志（即有训练样本的示例运行崩溃日志），依据无监督适应的漏洞修复学习，将将深度学习模型在有训练样本的第一示例运行崩溃日志上学习的知识漏洞修复运用到无训练样本的第二示例运行崩溃日志对示例业务运行崩溃数据段识别上，从而达到对涵盖示例业务运行崩溃数据段的无训练样本的示例运行崩溃日志进行生成的效果，提高了对第二示例运行崩溃日志（即无训练样本的示例运行崩溃日志）且有差异的示例运行崩溃日志进行漏洞标签映射的准确率。
一些可能的实施例中，本发明实施例提供一种基于业务运行大数据漏洞挖掘的运行优化方法，该方法可以包括以下步骤。
STEP310，基于虚拟业务错误图谱中的前端业务错误漏洞图谱和后端业务错误漏洞图谱，输出后端业务错误漏洞图谱中每个后端业务错误下与前端业务错误漏洞图谱中任意一个前端业务错误存在联系的业务错误漏洞优化域，确定每个后端业务错误对应的业务错误漏洞优化域。
一些可能的实施例中，关于前端业务错误漏洞图谱和后端业务错误漏洞图谱可以参照以上说明。依据确定后端业务错误漏洞图谱中每个后端业务错误下与前端业务错误漏洞图谱中任意一个前端业务错误存在联系的业务错误漏洞优化域，可以获得每个后端业务错误对应的业务错误漏洞优化域。其中，前端业务错误与业务错误漏洞优化域匹配可以是指：前端业务错误与业务错误漏洞优化域存在关联的业务运行变量，例如前端业务错误为某运行活动的运行崩溃标签，那么业务错误漏洞优化域应当存在与某运行活动的业务运行错误信息相关的虚拟业务运行优化的业务运行变量。
STEP320，获取每个后端业务错误在业务错误漏洞修复程序中的漏洞修复固件序列，并获取每个后端业务错误对应的业务错误漏洞优化域匹配于漏洞修复固件序列中的目标漏洞修复固件，以及获取目标漏洞修复固件的固件参考信息。
STEP330，生成每个后端业务错误对应的业务错误漏洞优化域的业务运行优化实例，并针对业务运行优化实例生成与对应的业务错误漏洞优化域匹配的目标漏洞修复固件的漏洞优化知识点，以依据固件参考信息配置漏洞优化知识点后，将各个漏洞优化知识点聚合后输出被配置于虚拟业务运行优化的虚拟业务运行优化任务。
一些可能的实施例中，业务运行优化实例可以构成虚拟业务运行优化任务中的一个任务成员。如此，可以针对业务运行优化实例生成与对应的业务错误漏洞优化域匹配的目标漏洞修复固件的漏洞优化知识点，然后依据固件参考信息配置漏洞优化知识点后，将各个漏洞优化知识点聚合后输出被配置于虚拟业务运行优化的虚拟业务运行优化任务，这样下发至虚拟业务后，可以符合虚拟业务运行进程的虚拟业务运行崩溃数据的虚拟业务错误，由此可以无需进行不断重复的虚拟业务错误分析上报工作和虚拟业务错误与下发改善任务的对接工作，即可高效输出匹配推定虚拟业务错误的虚拟业务运行崩溃数据的虚拟业务错误的虚拟业务运行优化任务，从而提高业务运行优化效率。
譬如，一些可能的实施例中，对于获取目标漏洞修复固件的固件参考信息的过程，可以包括以下步骤。
STEP401，获取业务错误漏洞修复程序中的目标漏洞修复固件在第一模拟修复节点存在联系的第一漏洞修复扩展指令序列。
一些可能的实施例中，第一模拟修复节点为目标漏洞修复固件当前关联于业务错误漏洞修复程序的任意模拟修复节点。第一漏洞修复扩展指令序列中包含多个与目标漏洞修复固件存在修复调度关系的漏洞修复扩展指令。每个漏洞修复扩展指令均在第二模拟修复节点与目标漏洞修复固件之间存在修复调度关系。第二模拟修复节点为第一模拟修复节点补充的模拟修复节点。第一漏洞修复扩展指令序列为目标漏洞修复固件在第二模拟修复节点存在联系的与目标漏洞修复固件存在连续修复调度关系的多个漏洞修复扩展指令所形成的漏洞修复扩展指令序列。
STEP402，依次将第一漏洞修复扩展指令序列的多个漏洞修复扩展指令确定为目标漏洞修复扩展指令，并采集目标模拟修复配置数据内每个目标漏洞修复扩展指令与目标漏洞修复固件之间产生的目标漏洞修复表项数据。
STEP403，依据目标漏洞修复表项数据分析每个目标漏洞修复扩展指令与目标漏洞修复固件之间的漏洞修复表项是否满足在先设置的漏洞修复扩展应用要求，若满足在先设置的漏洞修复扩展应用要求，则确定目标漏洞修复扩展指令为应用漏洞修复扩展指令。
STEP404，在第一漏洞修复扩展指令序列中标记应用漏洞修复扩展指令的应用ID信息，并将应用漏洞修复扩展指令的应用ID信息加载到应用漏洞修复扩展指令序列。
STEP405，将应用漏洞修复扩展指令序列中的各应用漏洞修复扩展指令确定为目标漏洞修复固件的固件应用信息，加载到业务错误漏洞修复程序中与目标漏洞修复固件对应的固件参考信息中。
譬如，在STEP402中，可以依据以下的方法在目标模拟修复配置数据内采集目标漏洞修复扩展指令与目标漏洞修复固件之间产生的目标漏洞修复表项数据，可以参照以下示例：
首先，基于第一模拟修复节点确定目标模拟修复配置数据，目标模拟修复配置数据包含目标漏洞修复固件关联于业务错误漏洞修复程序的预设修复节点且包含第二模拟修复节点。 在此基础上，依据目标漏洞修复固件与各目标漏洞修复扩展指令在目标模拟修复配置数据内的在先漏洞修复表项，提取目标漏洞修复固件与目标漏洞修复扩展指令之间的目标漏洞修复表项数据。 最后，将提取的目标漏洞修复表项数据确定为目标漏洞修复扩展指令与目标漏洞修复固件之间产生的目标漏洞修复表项数据。
一些可能的实施例中，目标漏洞修复表项数据依据目标漏洞修复固件与目标漏洞修复扩展指令在目标模拟修复配置数据内的漏洞修复表项进行数据采集得到。目标漏洞修复表项数据可以包括以下至少一种：目标漏洞修复固件与目标漏洞修复扩展指令之间进行漏洞修复表项产生的第一目标漏洞修复表项数据、目标漏洞修复固件和目标漏洞修复扩展指令在漏洞修复聚团中进行漏洞修复表项产生的第二目标漏洞修复表项数据、以及目标漏洞修复扩展指令在目标漏洞修复固件的修复启用进程启用的第三目标漏洞修复表项数据。依据此，STEP403中依据目标漏洞修复表项数据分析目标漏洞修复扩展指令与目标漏洞修复固件之间的漏洞修复表项是否满足在先设置的漏洞修复扩展应用要求，可以依据以下方式实现：
基于目标漏洞修复表项数据确定各目标漏洞修复扩展指令与目标漏洞修复固件之间的扩展支持度，并基于扩展支持度判断各目标漏洞修复扩展指令与目标漏洞修复固件之间的漏洞修复表项是否满足在先设置的漏洞修复扩展应用要求。
例如，示例1中，目标漏洞修复表项数据可以包括目标漏洞修复固件与目标漏洞修复扩展指令之间进行漏洞修复表项产生的第一目标漏洞修复表项数据。依据此，在STEP403中，基于目标漏洞修复表项数据确定各目标漏洞修复扩展指令与目标漏洞修复固件之间的扩展支持度，并基于扩展支持度判断各目标漏洞修复扩展指令与目标漏洞修复固件之间的漏洞修复表项是否满足在先设置的漏洞修复扩展应用要求，具体示例可以依据以下STEP4031-S4034实现，具体描述如下。
STEP4031，针对各目标漏洞修复扩展指令对应的第一目标漏洞修复表项数据，获取第一目标漏洞修复表项数据中目标漏洞修复扩展指令与目标漏洞修复固件之间的历史修复扩展次数。
STEP4032，将第一目标漏洞修复表项数据与预设的漏洞修复频繁项序列进行匹配，提取第一目标漏洞修复表项数据中包含的漏洞修复频繁项序列中配置的目标漏洞修复频繁项。
STEP4033，对第一目标漏洞修复表项数据进行漏洞修复协同代价特征挖掘，获得第一目标漏洞修复表项数据对应的漏洞修复协同代价特征。
STEP4034，基于各目标漏洞修复扩展指令对应的第一目标漏洞修复表项数据所得到的历史修复扩展次数、目标漏洞修复频繁项以及漏洞修复协同代价特征确定各目标漏洞修复扩展指令与目标漏洞修复固件之间的扩展支持度，并基于扩展支持度判断各目标漏洞修复扩展指令与目标漏洞修复固件之间的漏洞修复表项是否满足在先设置的漏洞修复扩展应用要求。
在本发明的另一些可能的实施例中，目标漏洞修复表项数据包括目标漏洞修复固件与目标漏洞修复扩展指令之间进行漏洞修复表项产生的第一目标漏洞修复表项数据、以及目标漏洞修复固件和目标漏洞修复扩展指令在漏洞修复聚团中进行漏洞修复表项产生的第二目标漏洞修复表项数据。依据此，上述STEP403中，基于目标漏洞修复表项数据确定各目标漏洞修复扩展指令与目标漏洞修复固件之间的扩展支持度，并基于扩展支持度判断各目标漏洞修复扩展指令与目标漏洞修复固件之间的漏洞修复表项是否满足在先设置的漏洞修复扩展应用要求，具体的实现方式可以包括以下的步骤（1）-（4），具体描述如下。
（1）针对各目标漏洞修复扩展指令对应的目标漏洞修复表项数据，基于第一目标漏洞修复表项数据确定第一支持度。
一些可能的实施例中，据第一目标漏洞修复表项数据确定第一支持度，一种可实现的方式描述如下：
首先，获取第一目标漏洞修复表项数据中目标漏洞修复扩展指令与目标漏洞修复固件之间的历史修复扩展次数，基于历史修复扩展次数按照预设的可靠度函数确定第一修复扩展可靠度。在此基础上，将第一目标漏洞修复表项数据与预设的漏洞修复频繁项序列进行匹配，提取第一目标漏洞修复表项数据中包含的漏洞修复频繁项序列中配置的目标漏洞修复频繁项，将目标漏洞修复频繁项与预设的漏洞修复频繁项的可靠度映射规则进行匹配，获得第一目标漏洞修复表项数据对应的第二修复扩展可靠度。接着，对第一目标漏洞修复表项数据进行漏洞修复协同代价特征挖掘，获得第一目标漏洞修复表项数据对应的漏洞修复协同代价特征，基于第一目标漏洞修复表项数据对应的漏洞修复协同代价特征，输出第三修复扩展可靠度。最后，基于第一修复扩展可靠度、第二修复扩展可靠度、以及第三修复扩展可靠度确定各目标漏洞修复扩展指令与目标漏洞修复固件之间的第一支持度。
（2）基于第二目标漏洞修复表项数据，输出第二支持度。
一些可能的实施例中，基于第二目标漏洞修复表项数据，输出第二支持度，一种可实现的方式描述如下：
首先，从第二目标漏洞修复表项数据中获取各目标漏洞修复扩展指令分别与目标漏洞修复固件所共有的漏洞修复聚团的共有漏洞修复聚团数量、各目标漏洞修复扩展指令分别与目标漏洞修复固件在漏洞修复聚团中彼此进行调度的调度频次、以及各目标漏洞修复扩展指令分别与目标漏洞修复固件在所共有的漏洞修复聚团中产生的漏洞修复行为的漏洞修复活动数量。在此基础上，基于共有漏洞修复聚团数量、调度频次以及漏洞修复活动数量确定各目标漏洞修复扩展指令分别与目标漏洞修复固件之间的第二支持度。
（3）基于第一支持度以及第二支持度，输出各目标漏洞修复扩展指令与目标漏洞修复固件的扩展支持度。
一些可能的实施例中，可分别对第一支持度、第二支持度进行数值统一处理，获得数值统一处理后的第一目标支持度、第二目标支持度。在此基础上，基于预设的分别针对第一支持度、第二支持度的第一支持度系数、第二支持度系数将第一目标支持度、第二目标支持度进行权重融合，获得各目标漏洞修复扩展指令与目标漏洞修复固件之间的扩展支持度。
（4）基于各目标漏洞修复扩展指令与目标漏洞修复固件之间的扩展支持度，判断各目标漏洞修复扩展指令与目标漏洞修复固件之间的漏洞修复表项是否满足在先设置的漏洞修复扩展应用要求。
进一步地，目标漏洞修复表项数据包括目标漏洞修复固件与目标漏洞修复扩展指令之间进行漏洞修复表项产生的第一目标漏洞修复表项数据、目标漏洞修复固件和目标漏洞修复扩展指令在漏洞修复聚团中进行漏洞修复表项产生的第二目标漏洞修复表项数据、以及目标漏洞修复扩展指令在目标漏洞修复固件的修复启用进程启用的第三目标漏洞修复表项数据。修复启用进程例如可以是目标漏洞修复固件使用业务错误漏洞修复程序提供的漏洞修复功能建立的漏洞修复流程，但不限于此。依据此，在上述STEP403中，基于目标漏洞修复表项数据确定各目标漏洞修复扩展指令与目标漏洞修复固件之间的扩展支持度，并基于扩展支持度判断各目标漏洞修复扩展指令与目标漏洞修复固件之间的漏洞修复表项是否满足在先设置的漏洞修复扩展应用要求，具体示例可以依据以下的步骤（1）-（5）实现。
（1）针对各目标漏洞修复扩展指令对应的目标漏洞修复表项数据，基于第一目标漏洞修复表项数据确定第一支持度。
例如，基于第一目标漏洞修复表项数据确定第一支持度，包括：获取第一目标漏洞修复表项数据中目标漏洞修复扩展指令与目标漏洞修复固件之间的历史修复扩展次数，基于历史修复扩展次数按照预设的可靠度函数确定第一修复扩展可靠度。将第一目标漏洞修复表项数据与预设的漏洞修复频繁项序列进行匹配，提取第一目标漏洞修复表项数据中包含的漏洞修复频繁项序列中配置的目标漏洞修复频繁项，将目标漏洞修复频繁项与预设的漏洞修复频繁项的可靠度映射规则进行匹配，获得第一目标漏洞修复表项数据对应的第二修复扩展可靠度。对第一目标漏洞修复表项数据进行漏洞修复协同代价特征挖掘，获得第一目标漏洞修复表项数据对应的漏洞修复协同代价特征，基于第一目标漏洞修复表项数据对应的漏洞修复协同代价特征，输出第三修复扩展可靠度。基于第一修复扩展可靠度、第二修复扩展可靠度、以及第三修复扩展可靠度确定各目标漏洞修复扩展指令与目标漏洞修复固件之间的第一支持度。
（2）基于第二目标漏洞修复表项数据，输出第二支持度。
一些可能的实施例中，基于第二目标漏洞修复表项数据，输出第二支持度，包括：从第二目标漏洞修复表项数据中获取各目标漏洞修复扩展指令分别与目标漏洞修复固件所共有的漏洞修复聚团的共有漏洞修复聚团数量、各目标漏洞修复扩展指令分别与目标漏洞修复固件在漏洞修复聚团中彼此进行调度的调度频次、以及各目标漏洞修复扩展指令分别与目标漏洞修复固件在所共有的漏洞修复聚团中产生的漏洞修复行为的漏洞修复活动数量。基于共有漏洞修复聚团数量、调度频次以及漏洞修复活动数量确定各目标漏洞修复扩展指令分别与目标漏洞修复固件之间的第二支持度。
（3）基于第三目标漏洞修复表项数据，输出第三支持度。
一些可能的实施例中，基于第三目标漏洞修复表项数据，输出第三支持度，包括：从第三目标漏洞修复表项数据中获取各目标漏洞修复扩展指令在目标漏洞修复固件的修复启用进程执行的具有目标漏洞修复启用活动的目标漏洞修复启用频次、在修复启用进程的漏洞修复任务所产生的业务运行错误信息的漏洞修复引用数量、以及业务运行错误信息中所包括目标漏洞修复频繁项。业务运行错误信息例如可以是在漏洞修复区中产生的业务运行错误信息。基于目标漏洞修复启用频次、漏洞修复引用数量、以及目标漏洞修复频繁项，输出各目标漏洞修复扩展指令分别与目标漏洞修复固件之间第三支持度。
（4）基于第一支持度、第二支持度、以及第三支持度，输出各目标漏洞修复扩展指令与目标漏洞修复固件的扩展支持度。
（5）基于各目标漏洞修复扩展指令与目标漏洞修复固件之间的扩展支持度，判断各目标漏洞修复扩展指令与目标漏洞修复固件之间的漏洞修复表项是否满足在先设置的漏洞修复扩展应用要求。
一些可能的实施例中，可以依据以下两种方式中的任意一种方式，基于各目标漏洞修复扩展指令与目标漏洞修复固件之间的扩展支持度，判断各目标漏洞修复扩展指令与目标漏洞修复固件之间的漏洞修复表项是否满足在先设置的漏洞修复扩展应用要求，具体描述如下。
方案一、基于各目标漏洞修复扩展指令分别与目标漏洞修复固件之间的扩展支持度，对各目标漏洞修复扩展指令进行降序排序，基于排序结果将排序靠前的预设数量个目标漏洞修复扩展指令确定为与目标漏洞修复固件之间的漏洞修复表项满足在先设置的漏洞修复扩展应用要求。
方案二、判断各目标漏洞修复扩展指令分别与目标漏洞修复固件之间的扩展支持度是否满足预设支持度，若满足预设支持度，则判定对应的目标漏洞修复扩展指令与目标漏洞修复固件之间的漏洞修复表项满足在先设置的漏洞修复扩展应用要求，若未满足预设支持度，则判定对应的目标漏洞修复扩展指令与目标漏洞修复固件之间的漏洞修复表项未满足在先设置的漏洞修复扩展应用要求。
图2示出了本申请实施例提供的用于实现上述的针对智慧虚拟场景的大数据漏洞分析方法的云端AI系统100的硬件结构意图，如图2所示，云端AI系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。
一种可能的设计中，云端AI系统100可以是单个服务器，也可以是服务器组。所述服务器组可以是集中式的，也可以是分布式的(例如，云端AI系统100可以是分布式的系统)。在一些实施例中，云端AI系统100可以是本地的，也可以是远程的。例如，云端AI系统100可以经由网络访问存储于机器可读存储介质120中的信息和/或数据。又例如，云端AI系统100可以直接连接到机器可读存储介质120以访问存储的信息和/或数据。在一些实施例中，云端AI系统100可以在云平台上实施。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
机器可读存储介质120可以存储数据和/或指令。在一些实施例中，机器可读存储介质120可以存储从外部终端获取的数据。在一些实施例中，机器可读存储介质120可以存储云端AI系统100用来执行或使用来完成本申请中描述的示例性方法的数据及/或指令。在一些实施例中，机器可读存储介质120可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取内存(RAM)。示例性RAM可包括主动随机存取存储器(DRAM)、双倍数据速率同步主动随机存取存储器(DDR SDRAM)、被动随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性只读存储器可以包括掩模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(PEROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。在一些实施例中，机器可读存储介质120可以在云平台上实现。仅作为示例，云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云，多层云等，或其任意组合。
在具体实现过程中，一个或多个处理器110执行机器可读存储介质120存储的计算机可执行指令，使得处理器110可以执行如上方法实施例的针对智慧虚拟场景的大数据漏洞分析方法，处理器110、机器可读存储介质120以及通信单元140通过总线130连接，处理器110可以用于控制通信单元140的收发动作。
处理器110的具体实现过程可参见上述云端AI系统100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
此外，本申请实施例还提供一种可读存储介质，所述可读存储介质中预设有计算机可执行指令，当处理器执行所述计算机可执行指令时，实现如上针对智慧虚拟场景的大数据漏洞分析方法。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质可以是下述介质中的至少一种：只读存储器（英文：Read-only Memory，缩写：ROM）、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是，本说明书中的每个实施例均采用递进的方式描述，每个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备及系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的设备及系统实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本申请的一种具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种针对智慧虚拟场景的大数据漏洞分析方法，其特征在于，应用于云端AI系统，所述方法包括：
获取所述智慧虚拟服务系统在虚拟业务运行过程中生成的虚拟业务运行进程的虚拟业务运行崩溃数据；
将所述虚拟业务运行崩溃数据加载至完成模型训练开发的虚拟业务错误分析模型中，输出所述虚拟业务运行崩溃数据对应的虚拟业务错误图谱，所述虚拟业务错误图谱包括前端业务错误漏洞图谱和后端业务错误漏洞图谱；
基于所述虚拟业务错误图谱输出被配置于虚拟业务运行优化的虚拟业务运行优化任务，并将所述用于虚拟业务运行优化的虚拟业务运行优化任务下发至所述智慧虚拟服务系统，下发指令协同所述智慧虚拟服务系统依据所述虚拟业务运行优化任务执行对应的业务运行固件程序加载进行业务运行优化。
2.根据权利要求1所述的针对智慧虚拟场景的大数据漏洞分析方法，其特征在于，所述基于所述虚拟业务错误图谱输出被配置于虚拟业务运行优化的虚拟业务运行优化任务，具体包括：
基于所述虚拟业务错误图谱中的前端业务错误漏洞图谱和后端业务错误漏洞图谱，输出所述后端业务错误漏洞图谱中每个后端业务错误下与所述前端业务错误漏洞图谱中任意一个前端业务错误存在联系的业务错误漏洞优化域，确定每个后端业务错误对应的业务错误漏洞优化域；
获取每个后端业务错误在业务错误漏洞修复程序中的漏洞修复固件序列，并获取每个后端业务错误对应的业务错误漏洞优化域匹配于所述漏洞修复固件序列中的目标漏洞修复固件，以及获取所述目标漏洞修复固件的固件参考信息；
生成每个后端业务错误对应的业务错误漏洞优化域的业务运行优化实例，并针对所述业务运行优化实例生成与对应的所述业务错误漏洞优化域匹配的目标漏洞修复固件的漏洞优化知识点，以依据所述固件参考信息配置所述漏洞优化知识点后，将各个漏洞优化知识点聚合后生成所述用于虚拟业务运行优化的虚拟业务运行优化任务。
3.根据权利要求1或2所述的针对智慧虚拟场景的大数据漏洞分析方法，其特征在于，所述将所述虚拟业务运行崩溃数据加载至完成模型训练开发的虚拟业务错误分析模型中，输出所述虚拟业务运行崩溃数据对应的虚拟业务错误图谱，具体包括：
将所述虚拟业务运行崩溃数据加载至完成模型训练开发的虚拟业务错误分析模型中，依据所述虚拟业务错误分析模型对所述虚拟业务运行崩溃数据中每个业务运行崩溃数据段的前端业务错误和后端业务错误进行分析，输出所述虚拟业务运行崩溃数据中每个业务运行崩溃数据段的前端业务错误漏洞图谱和后端业务错误漏洞图谱，确定为所述虚拟业务运行崩溃数据对应的虚拟业务错误图谱。
4.根据权利要求1-3中任意一项所述的针对智慧虚拟场景的大数据漏洞分析方法，其特征在于，所述方法还包括：
获取涵盖示例业务运行崩溃数据段的第一示例运行崩溃日志和第二示例运行崩溃日志，所述第一示例运行崩溃日志为携带标注了所述示例业务运行崩溃数据段的示例前端业务错误和示例后端业务错误的示例运行崩溃日志；
依据第一示例漏洞分析模型对所述第一示例运行崩溃日志中的所述示例业务运行崩溃数据段进行前端业务错误和后端业务错误分析，获得第一推定前端业务错误和第一推定后端业务错误；
将所述第一推定前端业务错误与所述示例前端业务错误确定对应的漏洞分析精度，并且基于所述第一推定后端业务错误与所述示例后端业务错误确定对应的漏洞分析精度，由此更新所述第一示例漏洞分析模型的第一漏洞分析函数信息，并依据所述第一示例漏洞分析模型对所述第一示例运行崩溃日志和所述第二示例运行崩溃日志进行对抗生成开发训练，由此更新所述第一示例漏洞分析模型的第二漏洞分析函数信息，获得第一目标示例漏洞分析模型；
依据所述第一目标示例漏洞分析模型获取所述第二示例运行崩溃日志中所述示例业务运行崩溃数据段对应的可靠度满足预设条件的前端业务错误和后端业务错误分别确定为模糊示例前端业务错误和模糊示例后端业务错误；
将所述第二示例运行崩溃日志加载至所述第一目标示例漏洞分析模型进行前端业务错误和后端业务错误分析，获得第二推定前端业务错误和第二推定后端业务错误；
将所述第二推定前端业务错误与所述模糊示例前端业务错误确定对应的漏洞分析精度，并且基于所述第二推定后端业务错误与所述模糊示例后端业务错误确定对应的漏洞分析精度，以对所述第一目标示例漏洞分析模型进行模型开发，获得第二目标示例漏洞分析模型，以依据所述第二目标示例漏洞分析模型确定为所述虚拟业务错误分析模型对所述虚拟业务运行崩溃数据中每个业务运行崩溃数据段的前端业务错误和后端业务错误进行分析。
5.根据权利要求4所述的针对智慧虚拟场景的大数据漏洞分析方法，其特征在于，所述依据第一示例漏洞分析模型对所述第一示例运行崩溃日志中的所述示例业务运行崩溃数据段进行前端业务错误和后端业务错误分析，获得第一推定前端业务错误和第一推定后端业务错误，具体包括：
依据所述第一示例漏洞分析模型对所述第一示例运行崩溃日志进行运行崩溃路径变量挖掘，获得所述第一示例运行崩溃日志对应的第一运行崩溃路径变量；
依据所述第一示例漏洞分析模型依据所述第一运行崩溃路径变量对所述第一示例运行崩溃日志中的所述示例业务运行崩溃数据段进行前端业务错误和后端业务错误分析，获得第一推定前端业务错误和第一推定后端业务错误；
其中，所述第一示例漏洞分析模型包括变量挖掘分支，所述变量挖掘分支包括由至少两个LSTM单元构成的LSTM学习分支，所述依据所述第一示例漏洞分析模型对所述第一示例运行崩溃日志进行运行崩溃路径变量挖掘，获得所述第一示例运行崩溃日志对应的第一运行崩溃路径变量，具体包括：
分别依据所述LSTM学习分支的至少两个LSTM单元对所述第一示例运行崩溃日志进行路径变量挖掘，获得所述第一示例运行崩溃日志对应的第一运行崩溃路径变量；
其中，所述第一示例漏洞分析模型包括漏洞分析分支，所述漏洞分析分支包括标签映射分支、后端业务错误分析分支和前端业务错误分析分支，所述依据所述第一示例漏洞分析模型依据所述第一运行崩溃路径变量对所述第一示例运行崩溃日志中的所述示例业务运行崩溃数据段进行前端业务错误和后端业务错误分析，获得第一推定前端业务错误和第一推定后端业务错误，具体包括：
依据所述标签映射分支依据所述第一运行崩溃路径变量对所述第一示例运行崩溃日志中的所述示例业务运行崩溃数据段进行漏洞标签映射，获得第一漏洞标签映射信息；
依据所述后端业务错误分析分支依据所述第一运行崩溃路径变量和所述第一漏洞标签映射信息，对所述第一示例运行崩溃日志中的所述示例业务运行崩溃数据段的运行崩溃触发点到所述示例业务运行崩溃数据段的运行崩溃终结点的后端前向业务错误和后端后向业务错误进行输出，获得所述示例业务运行崩溃数据段在所述第一示例运行崩溃日志中的第一推定后端业务错误；
依据所述前端业务错误分析分支依据所述第一运行崩溃路径变量和所述第一漏洞标签映射信息，对所述第一示例运行崩溃日志中的所述示例业务运行崩溃数据段进行前端业务错误分析，获得所述示例业务运行崩溃数据段的第一推定前端业务错误。
6.根据权利要求5所述的针对智慧虚拟场景的大数据漏洞分析方法，其特征在于，所述第一示例运行崩溃日志为示例源域运行崩溃日志，所述第二示例运行崩溃日志为示例目标域运行崩溃日志，所述示例源域运行崩溃日志为携带标注了所述示例业务运行崩溃数据段的示例前端业务错误和示例后端业务错误的示例运行崩溃日志，所述示例目标域运行崩溃日志为未携带标注了所述示例业务运行崩溃数据段的示例前端业务错误和示例后端业务错误的示例运行崩溃日志；
所述第一示例漏洞分析模型包括自适应漏洞修复学习分支，所述自适应漏洞修复学习分支包括梯度反转单元；
所述将所述第一推定前端业务错误与所述示例前端业务错误确定对应的漏洞分析精度，并且基于所述第一推定后端业务错误与所述示例后端业务错误确定对应的漏洞分析精度，由此更新所述第一示例漏洞分析模型的第一漏洞分析函数信息，并依据所述第一示例漏洞分析模型对所述第一示例运行崩溃日志和所述第二示例运行崩溃日志进行对抗生成开发训练，由此更新所述第一示例漏洞分析模型的第二漏洞分析函数信息，获得第一目标示例漏洞分析模型，具体包括：
依据所述第一示例漏洞分析模型对所述第二示例运行崩溃日志进行运行崩溃路径变量挖掘，获得所述第二示例运行崩溃日志对应的第二运行崩溃路径变量；
依据所述第一漏洞标签映射信息、所述第一推定后端业务错误以及所述第一推定前端业务错误确定综合漏洞分析精度；
依据所述综合漏洞分析精度将所述第一推定前端业务错误与所述示例前端业务错误确定对应的漏洞分析精度，并且基于所述第一推定后端业务错误与所述示例后端业务错误确定对应的漏洞分析精度，由此更新所述第一示例漏洞分析模型的第一漏洞分析函数信息；
以及，依据所述自适应漏洞修复学习分支解析所述第一运行崩溃路径变量和所述第二运行崩溃路径变量相关联的所述示例源域运行崩溃日志或所述示例目标域运行崩溃日志，获得解析信息，依据所述梯度反转单元对所述解析信息进行进行特征变量反转传递，以学习每一特征变量以及所述每一特征变量相关联的前向特征变量和后向特征变量，依据所述每一特征变量以及所述每一特征变量相关联的前向特征变量和后向特征变量对所述第一示例运行崩溃日志和所述第二示例运行崩溃日志的虚拟业务错误进行对抗生成开发训练，由此更新所述第一示例漏洞分析模型的第二漏洞分析函数信息，获得第一目标示例漏洞分析模型。
7.根据权利要求4所述的针对智慧虚拟场景的大数据漏洞分析方法，其特征在于，所述依据所述第一目标示例漏洞分析模型获取所述第二示例运行崩溃日志中所述示例业务运行崩溃数据段对应的可靠度满足预设条件的前端业务错误和后端业务错误分别确定为模糊示例前端业务错误和模糊示例后端业务错误，具体包括：
依据所述第一目标示例漏洞分析模型对所述第二示例运行崩溃日志进行运行崩溃路径变量挖掘，获得第三运行崩溃路径变量；
依据所述第三运行崩溃路径变量对所述第二示例运行崩溃日志中的所述示例业务运行崩溃数据段进行前端业务错误和后端业务错误分析，获得至少一个模糊推定前端业务错误以及对应的可靠度和至少一个模糊推定后端业务错误以及对应的可靠度；
从所述模糊推定前端业务错误中提取可靠度满足预设条件的前端业务错误确定为所述第二示例运行崩溃日志中所述示例业务运行崩溃数据段对应的模糊示例前端业务错误，以及从所述模糊推定后端业务错误中提取可靠度满足预设条件的后端业务错误确定为所述第二示例运行崩溃日志中所述示例业务运行崩溃数据段对应的模糊示例后端业务错误。
8.根据权利要求4所述的针对智慧虚拟场景的大数据漏洞分析方法，其特征在于，所述将所述第二示例运行崩溃日志加载至所述第一目标示例漏洞分析模型进行前端业务错误和后端业务错误分析，获得第二推定前端业务错误和第二推定后端业务错误，具体包括：
依据所述第一目标示例漏洞分析模型对所述第二示例运行崩溃日志进行运行崩溃路径变量挖掘，获得所述第二示例运行崩溃日志对应的第四运行崩溃路径变量；
依据所述第一目标示例漏洞分析模型依据所述第四运行崩溃路径变量，对所述第二示例运行崩溃日志中的所述示例业务运行崩溃数据段进行漏洞标签映射、以及前端业务错误和后端业务错误分析，获得所述示例业务运行崩溃数据段的第二推定前端业务错误和第二推定后端业务错误。
9.根据权利要求4所述的针对智慧虚拟场景的大数据漏洞分析方法，其特征在于，所述将所述第二推定前端业务错误与所述模糊示例前端业务错误确定对应的漏洞分析精度，并且基于所述第二推定后端业务错误与所述模糊示例后端业务错误确定对应的漏洞分析精度，以对所述第一目标示例漏洞分析模型进行模型开发，获得第二目标示例漏洞分析模型，具体包括：
依据第一模型精度度量函数对所述第二推定前端业务错误与所述模糊示例前端业务错误确定对应的漏洞分析精度，获得第一漏洞分析精度；
依据第二模型精度度量函数对所述第二推定后端业务错误与所述模糊示例后端业务错误确定对应的漏洞分析精度，获得第二漏洞分析精度；
依据所述第一漏洞分析精度和所述第二漏洞分析精度构建目标综合漏洞分析精度，依据所述目标综合漏洞分析精度调整所述第一目标示例漏洞分析模型的漏洞分析函数信息，并将调整完成的第一目标示例漏洞分析模型确定为第一示例漏洞分析模型，返回执行依据第一示例漏洞分析模型对所述第一示例运行崩溃日志中的所述示例业务运行崩溃数据段进行前端业务错误和后端业务错误分析，获得第一推定前端业务错误和第一推定后端业务错误，直至所述目标综合漏洞分析精度的漏洞分析精度收敛，获得第二目标示例漏洞分析模型。
10.一种云端AI系统，其特征在于，所述云端AI系统包括处理器以及机器可读存储介质；一个或多个程序被存储在所述机器可读存储介质中并被配置为由所述处理器执行以实现权利要求1-9中任意一项的针对智慧虚拟场景的大数据漏洞分析方法。
CN202210226585.3A 2022-03-09 2022-03-09 针对智慧虚拟场景的大数据漏洞分析方法及云端ai系统 Active CN114564523B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211117746.1A CN115455426A (zh) 2022-03-09 2022-03-09 基于漏洞分析模型开发的业务错误分析方法及云端ai系统
CN202210226585.3A CN114564523B (zh) 2022-03-09 2022-03-09 针对智慧虚拟场景的大数据漏洞分析方法及云端ai系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210226585.3A CN114564523B (zh) 2022-03-09 2022-03-09 针对智慧虚拟场景的大数据漏洞分析方法及云端ai系统

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202211117746.1A Division CN115455426A (zh) 2022-03-09 2022-03-09 基于漏洞分析模型开发的业务错误分析方法及云端ai系统

Publications (2)

Publication Number Publication Date
CN114564523A true CN114564523A (zh) 2022-05-31
CN114564523B CN114564523B (zh) 2022-10-14

Family

ID=81718029

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202211117746.1A Withdrawn CN115455426A (zh) 2022-03-09 2022-03-09 基于漏洞分析模型开发的业务错误分析方法及云端ai系统
CN202210226585.3A Active CN114564523B (zh) 2022-03-09 2022-03-09 针对智慧虚拟场景的大数据漏洞分析方法及云端ai系统

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202211117746.1A Withdrawn CN115455426A (zh) 2022-03-09 2022-03-09 基于漏洞分析模型开发的业务错误分析方法及云端ai系统

Country Status (1)

Country Link
CN (2) CN115455426A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116578442A (zh) * 2023-05-05 2023-08-11 天津筑铭智能科技有限公司 基于人工智能决策的应用崩溃分析方法及大数据存储系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021003982A1 (zh) * 2019-07-05 2021-01-14 深圳壹账通智能科技有限公司 业务系统漏洞处理方法、装置、计算机设备和存储介质
CN113407951A (zh) * 2021-07-08 2021-09-17 广州市信恒软件技术有限公司 基于人工智能的云服务漏洞修复方法及大数据分析系统
CN113592035A (zh) * 2021-08-23 2021-11-02 广州梦源信息科技有限公司 基于ai辅助决策的大数据挖掘方法及ai辅助决策系统
CN113609210A (zh) * 2021-08-23 2021-11-05 广州梦源信息科技有限公司 基于人工智能的大数据可视化处理方法及可视化服务系统
CN114095273A (zh) * 2021-12-06 2022-02-25 青岛力口互联网科技有限公司 基于深度学习的互联网漏洞挖掘方法及大数据挖掘系统
CN114124567A (zh) * 2021-12-07 2022-03-01 哈尔滨班竹科技有限公司 基于大数据漏洞挖掘的云服务处理方法及人工智能系统
CN114117452A (zh) * 2021-12-06 2022-03-01 蓬莱市泽涛互联网服务有限公司 基于智慧医疗安全服务的防护升级方法及大数据挖掘系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021003982A1 (zh) * 2019-07-05 2021-01-14 深圳壹账通智能科技有限公司 业务系统漏洞处理方法、装置、计算机设备和存储介质
CN113407951A (zh) * 2021-07-08 2021-09-17 广州市信恒软件技术有限公司 基于人工智能的云服务漏洞修复方法及大数据分析系统
CN113592035A (zh) * 2021-08-23 2021-11-02 广州梦源信息科技有限公司 基于ai辅助决策的大数据挖掘方法及ai辅助决策系统
CN113609210A (zh) * 2021-08-23 2021-11-05 广州梦源信息科技有限公司 基于人工智能的大数据可视化处理方法及可视化服务系统
CN114095273A (zh) * 2021-12-06 2022-02-25 青岛力口互联网科技有限公司 基于深度学习的互联网漏洞挖掘方法及大数据挖掘系统
CN114117452A (zh) * 2021-12-06 2022-03-01 蓬莱市泽涛互联网服务有限公司 基于智慧医疗安全服务的防护升级方法及大数据挖掘系统
CN114124567A (zh) * 2021-12-07 2022-03-01 哈尔滨班竹科技有限公司 基于大数据漏洞挖掘的云服务处理方法及人工智能系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116578442A (zh) * 2023-05-05 2023-08-11 天津筑铭智能科技有限公司 基于人工智能决策的应用崩溃分析方法及大数据存储系统
CN116578442B (zh) * 2023-05-05 2024-02-06 北京无限自在文化传媒股份有限公司 基于人工智能决策的应用崩溃分析方法及大数据存储系统

Also Published As

Publication number Publication date
CN114564523B (zh) 2022-10-14
CN115455426A (zh) 2022-12-09

Similar Documents

Publication Publication Date Title
CN114692169B (zh) 应用大数据和ai分析的页面漏洞处理方法及页面服务系统
CN112083933A (zh) 一种基于强化学习的服务功能链部署方法
CN113868010B (zh) 应用于业务系统的异常数据处理方法及系统
CN110798467B (zh) 目标对象识别方法、装置、计算机设备及存储介质
US11687540B2 (en) Fast, approximate conditional distribution sampling
CN113821332B (zh) 自动机器学习系统效能调优方法、装置、设备及介质
CN113706180B (zh) 欺诈社团识别方法及系统
CN114531298B (zh) 基于ai和大数据分析的威胁漏洞预测方法及云端ai系统
CN103164529B (zh) 一种基于Voronoi图的反k最近邻查询方法
CN114564523B (zh) 针对智慧虚拟场景的大数据漏洞分析方法及云端ai系统
CN112559291A (zh) 一种资源监控方法、装置及电子设备和存储介质
CN108228197A (zh) 一种在集群中安装软件的方法和装置
CN115730507A (zh) 模型引擎的构建、核函数处理方法、设备及存储介质
CN116627773B (zh) 产销差统计平台系统的异常分析方法及系统
CN111090401B (zh) 存储设备性能预测方法及装置
CN112783508A (zh) 文件的编译方法、装置、设备以及存储介质
CN114691630A (zh) 一种智慧供应链大数据共享方法及系统
CN106330556B (zh) 一种用于生成服务模块调用关联信息的方法与装置
CN114781517A (zh) 风险识别的方法、装置及终端设备
CN112818241A (zh) 一种内容推广方法、装置、计算机设备和存储介质
CN115408427A (zh) 用于数据搜索的方法、装置及设备
CN113515465B (zh) 基于区块链技术的软件兼容性测试方法及系统
CN113706181B (zh) 基于用户行为特征的业务处理检测方法及系统
CN111291464A (zh) 一种电力系统动态等值方法及装置
US11316746B1 (en) Generating a representation of program processes executing on an information technology environment

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
TA01 Transfer of patent application right

Effective date of registration: 20220816

Address after: No. 5-9, Xinfeng Road, High-tech Zone, Daqing City, Heilongjiang Province, 163000

Applicant after: Yang Min

Address before: 163000 No. 25, Jiaqing building, Chuangye new street, high tech Zone, Daqing City, Heilongjiang Province

Applicant before: Daqing chenglongda Technology Co.,Ltd.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220919

Address after: No. 2F-205, 2nd Floor, 2nd Floor, 1st Floor, Building 3-13, Building 3-13, Optics Valley.Core Center, No. 303, Optics Valley Avenue, Donghu New Technology Development Zone, Wuhan City, Hubei Province, 430205

Applicant after: Yuansheng Shiguang (Hubei) Biotechnology Co.,Ltd.

Address before: No. 5-9, Xinfeng Road, High-tech Zone, Daqing City, Heilongjiang Province, 163000

Applicant before: Yang Min

GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: No. 2F-205, 2nd floor, 1st plant unit, 1st floor, Building 3-13, Phase III (2014-071), Optics Valley Core Center, No. 303, Optics Valley Avenue, Donghu New Technology Development Zone, Wuhan City, 430000 Hubei Province

Patentee after: Zhen Vision Health Industry Technology (Wuhan, Hubei) Co.,Ltd.

Address before: No. 2F-205, 2nd Floor, 2nd Floor, 1st Floor, Building 3-13, Building 3-13, Optics Valley.Core Center, No. 303, Optics Valley Avenue, Donghu New Technology Development Zone, Wuhan City, Hubei Province, 430205

Patentee before: Yuansheng Shiguang (Hubei) Biotechnology Co.,Ltd.