CN114721703A - 一种基于大数据的软件维护方法及系统 - Google Patents
一种基于大数据的软件维护方法及系统 Download PDFInfo
- Publication number
- CN114721703A CN114721703A CN202210581760.0A CN202210581760A CN114721703A CN 114721703 A CN114721703 A CN 114721703A CN 202210581760 A CN202210581760 A CN 202210581760A CN 114721703 A CN114721703 A CN 114721703A
- Authority
- CN
- China
- Prior art keywords
- maintenance
- list
- event
- software
- maintenance event
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012423 maintenance Methods 0.000 claims abstract description 278
- 238000005315 distribution function Methods 0.000 claims abstract description 58
- 238000012544 monitoring process Methods 0.000 claims description 30
- 238000005457 optimization Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims 3
- 230000007547 defect Effects 0.000 abstract description 19
- 230000000694 effects Effects 0.000 description 6
- 238000013024 troubleshooting Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000007689 inspection Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/70—Software maintenance or management
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明提供了一种基于大数据的软件维护方法及系统，涉及软件智能维护领域，方法包括：通过应用端上传软件维护记录，其中，软件维护记录包括软件类型和维护事件列表；遍历软件类型统计预设时间粒度之内的所述维护事件列表，生成维护事件分布函数对维护事件列表权重分配，生成权重分布结果；通过权重分布结果和维护事件列表，构建维护频率分布列表；遍历维护事件列表，提取事件敏感因素列表；根据维护事件分布函数和事件敏感因素列表，计算敏感因素发生率；将维护频率分布列表和敏感因素发生率发送至终端，生成软件维护策略。解决了现有技术中由于需要系统性的对大量的缺陷排查，进而导致存在效率低，方向性差的技术问题。
Description
技术领域
本发明涉及软件智能维护相关技术领域，具体涉及一种基于大数据的软件维护方法及系统。
背景技术
软件维护是保证软件可稳定运行且满足用户需求的必要保证，软件维护主要是排查缺陷对软件进行持续优化更新的过程，在软件维护过程中需要对特定的缺陷进行监测，并且准备相应的优化代码等信息便于缺陷出现时可及时做出优化。
目前的软件维护技术中通常依赖于软件维护工作人员周期性的对软件进行缺陷排查和优化，但是此类方式需要系统性的对大量的缺陷排查，进而导致效率较低。
现有技术中由于需要系统性的对大量的缺陷排查，进而导致存在效率低，方向性差的技术问题。
发明内容
本申请实施例通过提供了一种基于大数据的软件维护方法及系统，解决了现有技术中由于需要系统性的对大量的缺陷排查，进而导致存在效率低，方向性差的技术问题。
鉴于上述问题，本申请实施例提供了一种基于大数据的软件维护方法及系统。
第一方面，本申请实施例提供了一种基于大数据的软件维护方法，其中，所述方法应用于一种基于大数据的软件维护系统，所述系统包括应用端和终端，所述方法包括：通过应用端上传软件维护记录，其中，所述软件维护记录包括软件类型和维护事件列表；遍历所述软件类型统计预设时间粒度之内的所述维护事件列表，生成维护事件分布函数；根据所述维护事件分布函数对所述维护事件列表权重分配，生成权重分布结果；通过所述权重分布结果和所述维护事件列表，构建维护频率分布列表；遍历所述维护事件列表，提取事件敏感因素列表；根据所述维护事件分布函数和所述事件敏感因素列表，计算敏感因素发生率；将所述维护频率分布列表和所述敏感因素发生率发送至终端，生成软件维护策略。
另一方面，本申请实施例提供了一种基于大数据的软件维护系统，所述系统包括应用端和终端，所述系统包括：数据加载模块，用于通过应用端上传软件维护记录，其中，所述软件维护记录包括软件类型和维护事件列表；函数构建模块，用于遍历所述软件类型统计预设时间粒度之内的所述维护事件列表，生成维护事件分布函数；权重分布模块，用于根据所述维护事件分布函数对所述维护事件列表权重分配，生成权重分布结果；维护频率列表构建模块，用于通过所述权重分布结果和所述维护事件列表，构建维护频率分布列表；敏感因素列表提取模块，用于遍历所述维护事件列表，提取事件敏感因素列表；数据处理模块，用于根据所述维护事件分布函数和所述事件敏感因素列表，计算敏感因素发生率；数据发送模块，用于将所述维护频率分布列表和所述敏感因素发生率发送至终端，生成软件维护策略。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了从应用端上传软件维护记录，包括软件类型和表征缺陷的维护事件列表；根据预设时间粒度之内的维护事件列表和软件类型，统计在限定软件类型上的维护事件分布函数；根据维护事件分布函数对维护事件列表权重分配，得到权重分布结果；通过权重分布结果和维护事件列表，确定各事件的维护频率列表；根据维护事件列表，提取表征缺陷发生原因的事件敏感因素列表；根据维护事件分布函数和事件敏感因素列表，计算敏感因素发生率，将维护频率分布列表和敏感因素发生率发送至终端，生成软件维护策略的技术方案，通过对软件类型和维护事件质检构建分布函数，进而确定不同维护事件的维护频率，更进一步的采集敏感因素发生率，进而确定不同维护事件主导因素，为最终生成准确的软件维护策略奠定数据基础，达到了得到自动化程度较高，效率较高的软件维护方案的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种基于大数据的软件维护方法流程示意图；
图2为本申请实施例提供了一种基于大数据的软件维护方法中优化数据集合的匹配流程示意图；
图3为本申请实施例提供了一种基于大数据的软件维护系统结构示意图。
附图标记说明：数据加载模块11，函数构建模块12，权重分布模块13，维护频率列表构建模块14，敏感因素列表提取模块15，数据处理模块16，数据发送模块17，用户端001，终端002。
具体实施方式
本申请实施例通过提供了一种基于大数据的软件维护方法及系统，解决了现有技术中由于需要系统性的对大量的缺陷排查，进而导致存在效率较低的技术问题。通过对软件类型和维护事件质检构建分布函数，进而确定不同维护事件的维护频率，更进一步的采集敏感因素发生率，进而确定不同维护事件主导因素，为最终生成准确的软件维护策略奠定数据基础，达到了得到自动化程度较高，效率较高的软件维护方案的技术效果。
申请概述
目前的软件维护过程主要通过工作人员进行周期性的排查，进而发现缺陷得以优化和更新，但是此种方式排查效率较低，如何提出一种方向性较强且准确率较高的缺陷排查方式是亟需解决的一个问题。
针对上述技术问题，本申请提供的技术方案总体思路如下：
本申请实施例通过提供了一种基于大数据的软件维护方法及系统，解决了现有技术中由于需要系统性的对大量的缺陷排查，进而导致存在效率较低的技术问题。由于采用了从应用端上传软件维护记录，包括软件类型和表征缺陷的维护事件列表；根据预设时间粒度之内的维护事件列表和软件类型，统计在限定软件类型上的维护事件分布函数；根据维护事件分布函数对维护事件列表权重分配，得到权重分布结果；通过权重分布结果和维护事件列表，确定各事件的维护频率列表；根据维护事件列表，提取表征缺陷发生原因的事件敏感因素列表；根据维护事件分布函数和事件敏感因素列表，计算敏感因素发生率，将维护频率分布列表和敏感因素发生率发送至终端，生成软件维护策略的技术方案，通过对软件类型和维护事件质检构建分布函数，进而确定不同维护事件的维护频率，更进一步的采集敏感因素发生率，进而确定不同维护事件主导因素，为最终生成准确的软件维护策略奠定数据基础，达到了得到方向性强，效率较高的软件维护方案的技术效果。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示，本申请实施例提供了一种基于大数据的软件维护方法，其中，所述方法应用于一种基于大数据的软件维护系统，所述系统包括应用端和终端，所述方法包括步骤：
S100：通过应用端上传软件维护记录，其中，所述软件维护记录包括软件类型和维护事件列表；
具体而言，应用端指的是存储待维护软件更新优化记录信息的功能模块，可通过应用端确定软件的维护记录等信息；软件维护记录指的是表征待维护软件更新优化记录的数据，包括软件类型和维护事件列表，软件类型指的是表征软件类型，即表征软件的分类结果，包括但不限于：各类名称的软件系列等软件类型；维护事件列表指的是表征软件类型对应的各项维护过程发生过的缺陷事件，示例性地：卡退、账户无法注册、运行不流畅等事件，优选将维护事件以列表的形式存储，和软件类型为一对多的关系，即同一软件类型，可对应于多项维护事件，置为待响应状态，等待后步调用。
S200：遍历所述软件类型统计预设时间粒度之内的所述维护事件列表，生成维护事件分布函数；
进一步的，基于所述遍历所述软件类型统计预设时间粒度之内的所述维护事件列表，生成维护事件分布函数，步骤S200包括步骤：
S210：构建维护事件分布函数结构式：
其中，
表征软件类型，
表征任意一种维护事件，
表示预设时间粒度内的
个发生
的样本中的任意一个样本，
表示维护事件
在软件类型
上由原因
导致的分布概率；
S220：通过所述预设时间粒度之内的所述维护事件列表对维护事件分布函数结构式赋值，生成所述维护事件分布函数。
具体而言，预设时间为工作人员可自定义设定的采集数据的时间区间，避免采集到时效性较差的数据；维护事件分布函数用于表征预设时间粒度之内维护事件列表和软件类型之间的分布函数关系，即表征任意一种维护事件在软件类型中的分布概率的离散型函数，构建过程优选的如下：
确定维护事件分布函数结构式，即表征任意一种维护事件在软件类型中的分布概率的离散型函数的结构式：
，其中，
表征软件类型，
表征任意一种维护事件，
表示预设时间粒度内的
个发生
的样本中的任意一个样本，
表示维护事件
在软件类型
上由原因
导致的分布概率，优选使用预设时间粒度内维护事件
在样本
上的软件类型
上由原因
导致发生的频率表征。预设时间粒度内的不同的样本中具有不同的分布概率，而相同样本中不同原因
具有不同的分布概率。
进一步的，通过预设时间粒度之内的维护事件列表对维护事件分布函数结构式赋值确定维护事件分布函数表征，置为待响应状态，等待后步快速调用，数据采集方式优选的基于大数据进行采集，可保证分析数据的全面性和分析结果的准确性。
S300：根据所述维护事件分布函数对所述维护事件列表权重分配，生成权重分布结果；
进一步的，基于所述根据所述维护事件分布函数对所述维护事件列表权重分配，生成权重分布结果，步骤S300包括步骤：
S310：根据所述维护事件分布函数，确定所述维护事件分布概率列表；
S320：根据预设分布概率遍历所述维护事件分布概率列表对所述维护事件列表进行筛选，生成筛余维护事件列表；
S330：根据所述维护事件分布概率列表对所述筛余维护事件列表进行权重分配，生成所述权重分布结果。
具体而言，维护事件分布概率列表指的是根据维护事件分布函数确定的表征各项维护事件分布概率的数据，优选的确定过程：通过对Y组样本中维护事件的分布概率相加再除以Y求取均值，确定维护事件分布概率列表，其中，Y组任意一组样本中的任意一维护事件的分布概率等于多种因素导致的分布概率加和结果。
预设分布概率指的是预设的对维护事件进行筛选的最低分布概率；将维护事件分布概率列表中的分布概率依次和预设分布概率比较，将小于预设分布概率对应的维护事件筛除，将大于等于预设分布概率对应的维护事件筛余，进而确定筛余维护事件列表，通过筛余维护事件列表可表征相应软件类型中出现频率较高的维护事件，而出现频率较低的维护事件，不进行针对性排查，进而可提高软件维护效率。
权重分布结果指的是通过维护事件分布概率列表对筛余维护事件列表进行权重分配后确定的表征维护事件和相应的软件类型关联度的权重信息，权重越大，则维护事件和相应的软件类型关联度越大，就表示相应的软件类型越容易出现对应的维护事件，则对应的维护事件在相应的软件类型需要更加受重视，其中，权重分配过程优选的为：
进一步的，基于所述根据所述维护事件分布概率列表对所述筛余维护事件列表进行权重分配，生成所述权重分布结果，步骤S330还包括步骤：
S331：从所述维护事件分布概率列表匹配所述筛余维护事件列表对应的筛余维护事件分布概率列表；
S332：对所述筛余维护事件分布概率列表进行加和计算，生成概率加和结果；
S333：遍历所述筛余维护事件分布概率列表和所述概率加和结果，生成所述权重分布结果。
具体而言，筛余维护事件分布概率列表指的是和筛余维护事件列表对应的维护事件分布概率列表；概率加和结果指的是将筛余维护事件分布概率列表中的发生概率加和计算得到的概率总和，由于经过多次筛选，此处加和不为1；优选的通过：筛余维护事件权重=筛余维护事件分布概率列表任意一项筛余维护事件分布概率/概率加和结果，确定任意筛余维护事件的权重数据。记为权重分布结果，等待后步调用。
S400：通过所述权重分布结果和所述维护事件列表，构建维护频率分布列表；
具体而言，维护频率分布列表指的是表征维护事件列表中的不同维护事件维护频率的分布列表，优选的确定方式为：自定义维护事件列表的维护总周期，表征在维护总周期之内维护事件列表任意一维护事件至少维护一次；根据权重分布结果对维护周期进行分配，确定各个维护事件的维护时长，维护时长和权重分布结果一一对应，进一步，在各自的维护时长设定和权重分布结果一一对应的维护频率，进而存储得到维护频率分布列表，置为待响应状态，等待后步调用，便于针对性对各项事件进行差异性的维护，以提高维护效率。
S500：遍历所述维护事件列表，提取事件敏感因素列表；
具体而言，事件敏感因素指的是基于大数据采集的预设时间粒度内的软件维护记录确定的不同事件的出现原因，示例性地如：代码bug、信息流转错误位置、线程过多等原因。通过对事件敏感因素进行整理，得到和维护事件列表一一对应的事件敏感因素列表，得以确定任意一项维护事件对应的事件敏感因素信息，便于后步快速调用。
S600：根据所述维护事件分布函数和所述事件敏感因素列表，计算敏感因素发生率；
进一步的，基于所述根据所述维护事件分布函数和所述事件敏感因素列表，计算敏感因素发生率，步骤S600包括步骤：
S610：获取敏感因素发生率结构式：
其中，
表示预设时间粒度内第n类型维护事件中第m敏感因素的发生率，
表征统计第n类型维护事件
在第
组样本内由第m敏感因素导致的分布概率，
；
S620：通过所述事件敏感因素列表对所述敏感因素发生率结构式进行赋值，生成所述敏感因素发生率。
具体而言，敏感因素发生率指的是表征预设时间粒度内第n类型维护事件中第m敏感因素的发生率，确定方式优选的通过：
敏感因素发生率结构式：
其中，
表示预设时间粒度内第n类型维护事件中第m敏感因素的发生率，
表征统计第n类型维护事件
在第
组样本内由第m敏感因素导致的分布概率，
。进一步的，通过事件敏感因素列表对敏感因素发生率结构式进行赋值，生成敏感因素发生率，当敏感因素发生率越大，则敏感因素会在相应软件类型中导致相应事件的发生概率越大，则应该对相应的敏感因素进行预见性的预防。
S700：将所述维护频率分布列表和所述敏感因素发生率发送至终端，生成软件维护策略。
进一步的，基于所述将所述维护频率分布列表和所述敏感因素发生率发送至终端，生成软件维护策略，步骤S700包括步骤：
S710：通过所述维护频率分布列表，确定维护事件监控周期；
S720：当所述敏感因素发生率大于等于预设发生率，将所述敏感因素设为主要监控因子；
S730：所述终端基于大数据平台对所述主要监控因子，匹配优化数据集合；
S740：通过所述维护事件监控周期-所述主要监控因子-所述优化数据集合，构建所述软件维护策略。
具体而言，维护事件监控周期指的是表征各项维护事件维护频率分布列表对应的监控周期；将敏感因素发生率大于等于预设发生率的敏感因素设为主要监控因子；通过大数据平台对主要监控因子，匹配优化数据集合，可选的为：优化代码等信息集，便于及时可对相应的事件进行维护；通过将维护事件监控周期-主要监控因子-优化数据集合存储构建软件维护策略，等待后步调用，实现软件维护。
进一步的，如图2所示，基于所述终端基于大数据平台对所述主要监控因子，匹配优化数据集合，步骤S730还包括步骤：
S731：根据所述大数据平台，调用第一区块链节点，第二区块链节点直到第N区块链节点；
S732：将所述主要监控因子和所述软件类型输入所述第一区块链节点，生成第一节点优化数据；
S733：将所述主要监控因子和所述软件类型输入所述第N区块链节点，生成第N节点优化数据；
S734：通过所述第一节点优化数据直到所述第N节点优化数据，生成所述优化数据集合。
具体而言，第一区块链节点，第二区块链节点直到第N区块链节点指的是基于区块链上用于提供优化数据的节点参与方；通过将主要监控因子和软件类型输入第一区块链节点，第二区块链节点直到第N区块链节点，得到第一节点优化数据直到第N节点优化数据，存储记为优化数据集合，等到后步快速调用。由于软件优化数据需要具备一定的专业性，进而需要通过专门用于软件优化数据提供的区块链进行处理，区块链上的各参与方，通过数据共享，打破数据孤岛，进而实现软件维护的同步运行，便于提高维护效率和维护准确性。
综上所述，本申请实施例所提供的一种基于大数据的软件维护方法及系统具有如下技术效果：
1. 由于采用了从应用端上传软件维护记录，包括软件类型和表征缺陷的维护事件列表；根据预设时间粒度之内的维护事件列表和软件类型，统计在限定软件类型上的维护事件分布函数；根据维护事件分布函数对维护事件列表权重分配，得到权重分布结果；通过权重分布结果和维护事件列表，确定各事件的维护频率列表；根据维护事件列表，提取表征缺陷发生原因的事件敏感因素列表；根据维护事件分布函数和事件敏感因素列表，计算敏感因素发生率，将维护频率分布列表和敏感因素发生率发送至终端，生成软件维护策略的技术方案，通过对软件类型和维护事件质检构建分布函数，进而确定不同维护事件的维护频率，更进一步的采集敏感因素发生率，进而确定不同维护事件主导因素，为最终生成准确的软件维护策略奠定数据基础，达到了得到方向性强，效率较高的软件维护方案的技术效果。
实施例二
基于与前述实施例中一种基于大数据的软件维护方法相同的发明构思，如图3所示，本申请实施例提供了一种基于大数据的软件维护系统，其中，所述系统包括应用端001和终端002，所述系统包括：
数据加载模块11，用于通过应用端001上传软件维护记录，其中，所述软件维护记录包括软件类型和维护事件列表；
函数构建模块12，用于遍历所述软件类型统计预设时间粒度之内的所述维护事件列表，生成维护事件分布函数；
权重分布模块13，用于根据所述维护事件分布函数对所述维护事件列表权重分配，生成权重分布结果；
维护频率列表构建模块14，用于通过所述权重分布结果和所述维护事件列表，构建维护频率分布列表；
敏感因素列表提取模块15，用于遍历所述维护事件列表，提取事件敏感因素列表；
数据处理模块16，用于根据所述维护事件分布函数和所述事件敏感因素列表，计算敏感因素发生率；
数据发送模块17，用于将所述维护频率分布列表和所述敏感因素发生率发送至终端002，生成软件维护策略。
进一步的，所述函数构建模块12执行步骤包括：
构建维护事件分布函数结构式：
其中，
表征软件类型，
表征任意一种维护事件，
表示预设时间粒度内的
个发生
的样本中的任意一个样本，
表示维护事件
在软件类型
上由原因
导致的分布概率；
通过所述预设时间粒度之内的所述维护事件列表对维护事件分布函数结构式赋值，生成所述维护事件分布函数。
进一步的，所述权重分布模块13执行步骤包括：
根据所述维护事件分布函数，确定所述维护事件分布概率列表；
根据预设分布概率遍历所述维护事件分布概率列表对所述维护事件列表进行筛选，生成筛余维护事件列表；
根据所述维护事件分布概率列表对所述筛余维护事件列表进行权重分配，生成所述权重分布结果。
进一步的，所述权重分布模块13执行步骤还包括：
从所述维护事件分布概率列表匹配所述筛余维护事件列表对应的筛余维护事件分布概率列表；
对所述筛余维护事件分布概率列表进行加和计算，生成概率加和结果；
遍历所述筛余维护事件分布概率列表和所述概率加和结果，生成所述权重分布结果。
进一步的，所述数据处理模块16执行步骤包括：
获取敏感因素发生率结构式：
其中，
表示预设时间粒度内第n类型维护事件中第m敏感因素的发生率，
表征统计第n类型维护事件
在第
组样本内由第m敏感因素导致的分布概率，
；
通过所述事件敏感因素列表对所述敏感因素发生率结构式进行赋值，生成所述敏感因素发生率。
进一步的，所述数据发送模块17执行步骤包括：
通过所述维护频率分布列表，确定维护事件监控周期；
当所述敏感因素发生率大于等于预设发生率，将所述敏感因素设为主要监控因子；
所述终端基于大数据平台对所述主要监控因子，匹配优化数据集合；
通过所述维护事件监控周期-所述主要监控因子-所述优化数据集合，构建所述软件维护策略。
进一步的，所述数据发送模块17执行步骤还包括：
根据所述大数据平台，调用第一区块链节点，第二区块链节点直到第N区块链节点；
将所述主要监控因子和所述软件类型输入所述第一区块链节点，生成第一节点优化数据；
将所述主要监控因子和所述软件类型输入所述第N区块链节点，生成第N节点优化数据；
通过所述第一节点优化数据直到所述第N节点优化数据，生成所述优化数据集合。
可选的，本申请实施例中的方法步骤可作为计算机执行指令或计算机程序存储在任意计算机存储器中，通过任意计算机处理器从前述计算机存储器中调取并执行，本申请实施例对此不作具体限定。
本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分，并不用来限制本申请实施例的范围，也不表示先后顺序。“和/或”，描述关联对象的关联关系，表示可以存在三种关系。
尽管结合具体特征及其实施例对本申请进行了描述，显而易见的，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附所界定的本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (8)
1.一种基于大数据的软件维护方法，其中，所述方法应用于一种基于大数据的软件维护系统，所述系统包括应用端和终端，所述方法包括：
通过应用端上传软件维护记录，其中，所述软件维护记录包括软件类型和维护事件列表；
遍历所述软件类型统计预设时间粒度之内的所述维护事件列表，生成维护事件分布函数；
根据所述维护事件分布函数对所述维护事件列表权重分配，生成权重分布结果；
通过所述权重分布结果和所述维护事件列表，构建维护频率分布列表；
遍历所述维护事件列表，提取事件敏感因素列表；
根据所述维护事件分布函数和所述事件敏感因素列表，计算敏感因素发生率；
将所述维护频率分布列表和所述敏感因素发生率发送至终端，生成软件维护策略。
2.如权利要求1所述的方法，其中，所述遍历所述软件类型统计预设时间粒度之内的所述维护事件列表，生成维护事件分布函数，包括：
构建维护事件分布函数结构式：
其中，
表征软件类型，
表征任意一种维护事件，
表示预设时间粒度内的
个发生
的样本中的任意一个样本，
表示维护事件
在软件类型
上由原因
导致的分布概率；
通过所述预设时间粒度之内的所述维护事件列表对维护事件分布函数结构式赋值，生成所述维护事件分布函数。
3.如权利要求1所述的方法，其中，所述根据所述维护事件分布函数对所述维护事件列表权重分配，生成权重分布结果，包括：
根据所述维护事件分布函数，确定所述维护事件分布概率列表；
根据预设分布概率遍历所述维护事件分布概率列表对所述维护事件列表进行筛选，生成筛余维护事件列表；
根据所述维护事件分布概率列表对所述筛余维护事件列表进行权重分配，生成所述权重分布结果。
4.如权利要求3所述的方法，其中，所述根据所述维护事件分布概率列表对所述筛余维护事件列表进行权重分配，生成所述权重分布结果，包括：
从所述维护事件分布概率列表匹配所述筛余维护事件列表对应的筛余维护事件分布概率列表；
对所述筛余维护事件分布概率列表进行加和计算，生成概率加和结果；
遍历所述筛余维护事件分布概率列表和所述概率加和结果，生成所述权重分布结果。
5.如权利要求2所述的方法，其中，所述根据所述维护事件分布函数和所述事件敏感因素列表，计算敏感因素发生率，包括：
获取敏感因素发生率结构式：
其中，
表示预设时间粒度内第n类型维护事件中第m敏感因素的发生率，
表征统计第n类型维护事件
在第
组样本内由第m敏感因素导致的分布概率，
；
通过所述事件敏感因素列表对所述敏感因素发生率结构式进行赋值，生成所述敏感因素发生率。
6.如权利要求1所述的方法，其中，所述将所述维护频率分布列表和所述敏感因素发生率发送至终端，生成软件维护策略，包括：
通过所述维护频率分布列表，确定维护事件监控周期；
当所述敏感因素发生率大于等于预设发生率，将所述敏感因素设为主要监控因子；
所述终端基于大数据平台对所述主要监控因子，匹配优化数据集合；
通过所述维护事件监控周期-所述主要监控因子-所述优化数据集合，构建所述软件维护策略。
7.如权利要求6所述的方法，其中，所述终端基于大数据平台对所述主要监控因子，匹配优化数据集合，包括：
根据所述大数据平台，调用第一区块链节点，第二区块链节点直到第N区块链节点；
将所述主要监控因子和所述软件类型输入所述第一区块链节点，生成第一节点优化数据；
将所述主要监控因子和所述软件类型输入所述第N区块链节点，生成第N节点优化数据；
通过所述第一节点优化数据直到所述第N节点优化数据，生成所述优化数据集合。
8.一种基于大数据的软件维护系统，其中，所述系统包括应用端和终端，所述系统包括：
数据加载模块，用于通过应用端上传软件维护记录，其中，所述软件维护记录包括软件类型和维护事件列表；
函数构建模块，用于遍历所述软件类型统计预设时间粒度之内的所述维护事件列表，生成维护事件分布函数；
权重分布模块，用于根据所述维护事件分布函数对所述维护事件列表权重分配，生成权重分布结果；
维护频率列表构建模块，用于通过所述权重分布结果和所述维护事件列表，构建维护频率分布列表；
敏感因素列表提取模块，用于遍历所述维护事件列表，提取事件敏感因素列表；
数据处理模块，用于根据所述维护事件分布函数和所述事件敏感因素列表，计算敏感因素发生率；
数据发送模块，用于将所述维护频率分布列表和所述敏感因素发生率发送至终端，生成软件维护策略。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210581760.0A CN114721703B (zh) | 2022-05-26 | 2022-05-26 | 一种基于大数据的软件维护方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210581760.0A CN114721703B (zh) | 2022-05-26 | 2022-05-26 | 一种基于大数据的软件维护方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114721703A true CN114721703A (zh) | 2022-07-08 |
| CN114721703B CN114721703B (zh) | 2024-02-23 |
Family
ID=82230645
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210581760.0A Active CN114721703B (zh) | 2022-05-26 | 2022-05-26 | 一种基于大数据的软件维护方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114721703B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170181677A1 (en) * | 2015-12-28 | 2017-06-29 | Medtronic Minimed, Inc. | Methods, systems, and devices for sensor fusion |
| US20170323392A1 (en) * | 2016-05-05 | 2017-11-09 | Lance Kasper | Consensus system for manipulation resistant digital record keeping |
| CN110309657A (zh) * | 2019-06-20 | 2019-10-08 | 四川大学 | 区块链的安全风险评估方法 |
| CN110879889A (zh) * | 2019-11-27 | 2020-03-13 | 武汉虹旭信息技术有限责任公司 | Windows平台的恶意软件的检测方法及系统 |
| CN111435240A (zh) * | 2019-01-15 | 2020-07-21 | 费希尔-罗斯蒙特系统公司 | 在过程控制系统中使用分布式账本维护质量控制、监管和参数测量数据 |
| CN112861762A (zh) * | 2021-02-25 | 2021-05-28 | 山东大学 | 基于生成对抗网络的铁路道口异常事件检测方法及系统 |
| CN113051180A (zh) * | 2021-04-30 | 2021-06-29 | 中国平安人寿保险股份有限公司 | 测试任务的监测方法、装置、设备及存储介质 |
| CN114238474A (zh) * | 2021-12-15 | 2022-03-25 | 平安国际智慧城市科技股份有限公司 | 基于排水系统的数据处理方法、装置、设备及存储介质 |
-
2022
- 2022-05-26 CN CN202210581760.0A patent/CN114721703B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170181677A1 (en) * | 2015-12-28 | 2017-06-29 | Medtronic Minimed, Inc. | Methods, systems, and devices for sensor fusion |
| US20170323392A1 (en) * | 2016-05-05 | 2017-11-09 | Lance Kasper | Consensus system for manipulation resistant digital record keeping |
| CN111435240A (zh) * | 2019-01-15 | 2020-07-21 | 费希尔-罗斯蒙特系统公司 | 在过程控制系统中使用分布式账本维护质量控制、监管和参数测量数据 |
| CN110309657A (zh) * | 2019-06-20 | 2019-10-08 | 四川大学 | 区块链的安全风险评估方法 |
| CN110879889A (zh) * | 2019-11-27 | 2020-03-13 | 武汉虹旭信息技术有限责任公司 | Windows平台的恶意软件的检测方法及系统 |
| CN112861762A (zh) * | 2021-02-25 | 2021-05-28 | 山东大学 | 基于生成对抗网络的铁路道口异常事件检测方法及系统 |
| CN113051180A (zh) * | 2021-04-30 | 2021-06-29 | 中国平安人寿保险股份有限公司 | 测试任务的监测方法、装置、设备及存储介质 |
| CN114238474A (zh) * | 2021-12-15 | 2022-03-25 | 平安国际智慧城市科技股份有限公司 | 基于排水系统的数据处理方法、装置、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| N. LIMAM 等: "Assessing Software Service Quality and Trustworthiness at Selection Time", 《IEEE TRANSACTIONS ON SOFTWARE ENGINEERING》, vol. 36, no. 04, 15 January 2010 (2010-01-15), pages 559 - 574 * |
| 马融 等: "针对Cpk软件中正态分布函数应用要求的实现", 《计算机技术与发展》, vol. 16, no. 03, 13 April 2006 (2006-04-13), pages 188 - 190 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114721703B (zh) | 2024-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110519365B (zh) | 一种变更设备业务的方法和业务变更系统 | |
| CN113836044B (zh) | 一种软件故障采集和分析的方法及系统 | |
| US20080195614A1 (en) | Proactive Analysis of Communication Network Problems | |
| CN110728525B (zh) | 一种网络批量用户投诉的定界处理方法及装置 | |
| CN112766550A (zh) | 基于随机森林的停电敏感用户预测方法、系统、存储介质及计算机设备 | |
| US10325236B2 (en) | Semiconductor bullet lot dispatch systems and methods | |
| US20090234482A1 (en) | System, program and method for calculating equipment load factor | |
| CN112433122A (zh) | 充电桩可用状态检测方法、装置、设备及存储介质 | |
| CN114401523B (zh) | 故障处理方法、装置及电子设备 | |
| CN113947392B (zh) | 交通数据审核任务中的异常确定方法和装置 | |
| CN113448805A (zh) | 基于cpu动态阈值的监控方法、装置、设备及存储介质 | |
| CN114429256A (zh) | 数据监测方法、装置、电子设备及存储介质 | |
| CN115640107A (zh) | 运行维护方法、装置、设备及介质 | |
| CN114721703A (zh) | 一种基于大数据的软件维护方法及系统 | |
| CN113825162B (zh) | 电信网络故障原因定位方法及装置 | |
| CN113010310A (zh) | 作业数据的处理方法、装置和服务器 | |
| CN116684452A (zh) | 一种基于aigc大模型的知识中台构建方法及系统 | |
| CN115545500A (zh) | 一种用于工程监理的钢筋工程质量检测方法及系统 | |
| CN115718658A (zh) | 一种时效优化方法及装置 | |
| CN115495309A (zh) | 共用存储服务器的数据库服务器io处理方法及装置 | |
| CN111246568B (zh) | 室内定位衰减监控方法、装置、设备及存储介质 | |
| CN112765553A (zh) | 一种基于大数据的工程项目管理系统 | |
| CN112988504A (zh) | 一种报警策略的设定方法、装置、电子设备及存储介质 | |
| CN117291400B (zh) | 一种基于mes的生产管理方法及系统 | |
| CN111988807A (zh) | 基于大数据的网络问题定位方法、装置及计算设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |