CN114791823B - 基于人工智能的软件工程数据库维护与预警方法及系统 - Google Patents
基于人工智能的软件工程数据库维护与预警方法及系统 Download PDFInfo
- Publication number
- CN114791823B CN114791823B CN202210505586.1A CN202210505586A CN114791823B CN 114791823 B CN114791823 B CN 114791823B CN 202210505586 A CN202210505586 A CN 202210505586A CN 114791823 B CN114791823 B CN 114791823B
- Authority
- CN
- China
- Prior art keywords
- software engineering
- engineering database
- program
- characteristic
- determining
- 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.)
- Active
Links
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3466—Performance evaluation by tracing or monitoring
- G06F11/3495—Performance evaluation by tracing or monitoring for systems
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Stored Programmes (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种基于人工智能的软件工程数据库维护与预警方法及系统，其方法包括：获取软件工程数据库的预设程序行为，对所述预设程序行为进行解析获得其对应的程序特征，根据所述程序特征和软件工程数据库的连接情况判断所述软件工程数据库内存储数据的调取异常情况，根据所述软件工程数据库内存储数据的调取异常情况适应性地发出预警提示并启动软件工程数据库的紧急维护功能。可以更加精确地根据软件工程数据库的自身参数最准确地确定软件工程数据库的异常情况，提高了检测效率和准确度，可以最大程度地去除误差数据的影响，保证判断结果的客观性和准确性，为后续数据库维护人员的决策提供了参考基础。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的软件工程数据库维护与预警方法及系统。
背景技术
数据库是存放数据的仓库。它的存储空间很大，可以存放百万条、千万条、上亿条数据。但是数据库并不是随意地将数据进行存放，是有一定的规则的，否则查询的效率会很低。当今世界是一个充满着数据的互联网世界，充斥着大量的数据。即这个互联网世界就是数据世界。数据的来源有很多，比如出行记录、消费记录、浏览的网页、发送的消息等等。除了文本类型的数据，图像、音乐、声音都是数据。用户终端可以通过连接数据库进行数据的下载使用，既避免了用户终端自身存储大量数据造成内存不足导致运行速度变慢的情况的发生同时还使得用户终端随时随地可以获得自己所需要的数据，极大地提高了便利性和用户的体验感，随着大量终端对于数据库的接入使用，数据库的维护问题越来越重要，现有的维护方法为通过检测用户终端是否可以顺利接收数据库内的数据来评估出数据库是否出现故障，其存在以下缺点：检测效率较慢并且无法从数据库本身参数来第一时间确定其是否发生异常，同时不可避免地出现误差导致判断结果错误进而进行无效维护，提高了运营成本。
发明内容
针对上述所显示出来的问题，本发明提供了一种基于人工智能的软件工程数据库维护与预警方法及系统用以解决背景技术中提到的检测效率较慢并且无法从数据库本身参数来第一时间确定其是否发生异常，同时不可避免地出现误差导致判断结果错误进而进行无效维护，提高了运营成本的问题。
一种基于人工智能的软件工程数据库维护与预警方法，包括以下步骤：
获取软件工程数据库的预设程序行为；
对所述预设程序行为进行解析获得其对应的程序特征；
根据所述程序特征和软件工程数据库的连接情况判断所述软件工程数据库内存储数据的调取异常情况；
根据所述软件工程数据库内存储数据的调取异常情况适应性地发出预警提示并启动软件工程数据库的紧急维护功能。
优选的，所述获取软件工程数据库的预设程序行为，包括：
确定所述软件工程数据库的多个工作节点及每个工作节点的工作模式；
根据每个工作节点的工作模式调取出该工作节点的工作指令；
确定每个工作节点的工作指令对应的预设程序代码，根据所述预设程序代码确定每个工作节点的第一程序行为；
将所有工作节点的第一程序行为进行合并获得第二程序行为，将所述第二程序行为确认为软件工程数据库的预设程序行为。
优选的，所述对所述预设程序行为进行解析获得其对应的程序特征，包括：
确定所述预设程序行为的协议类型；
根据所述协议类型确定预设程序行为对应的程序报文数据；
将所述程序报文数据输入到预设设计模型中获得预设程序行为对应的特征阵列；
提取所述特征阵列中的特征信息进行编程以生成预设程序行为对应的程序特征。
优选的，在获取软件工程数据库的预设程序行为之前，所述方法还包括：
获取所述软件工程数据库的服务架构；
根据所述服务架构确定用户终端连接软件工程数据库的登录模板信息；
基于所述登录模板信息，根据每个用户终端发出的连接请求获得该用户终端的目标登录信息；
对每个用户终端的目标登录信息进行验证，根据验证结果确定具有软件工程数据库访问权限的目标用户终端并为其授予连接权限。
优选的，所述根据所述程序特征和软件工程数据库的连接情况判断所述软件工程数据库内存储数据的调取异常情况，包括：
根据所述软件工程数据库的连接情况确定其工作负载；
基于所述工作负载，确定软件工程数据库在其连接情况下的程序特征的字符特征变化和执行特征变化；
确认所述程序特征的字符特征变化和执行特征变化是否在各自的预设变化区间内，获取确认结果；
若所述确认结果为二者在各自的预设变化区间内，确认软件工程数据库内存储数据的调取工作正常，否则，确认确认软件工程数据库内存储数据的调取工作异常。
优选的，所述根据所述软件工程数据库内存储数据的调取异常情况适应性地发出预警提示并启动软件工程数据库的紧急维护功能，包括：
但所述软件工程数据库内存储数据的调取异常情况为调取工作异常时，生成预警指令；
根据所述预警指令发出预警提示；
调取所述软件工程数据库数据传输通道的编译路径，检测所述编译路径的损坏情况；
基于所述损坏情况，启动所述软件工程数据库的紧急维护功能对所述编译路径进行路径修复。
优选的，所述方法还包括：
将所述软件工程数据库的内存分区分割为第一分区和第二分区；
将软件工程数据库的存储数据统一导入到所述第一分区中，将所述软件工程数据库的系统资源平均分配到所述第一分区和第二分区中；
对所述第一分区中的存储数据进行元数据保护，将软件工程数据库的紧急维护功能对应执行程序写入到所述第二分区中；
利用所述紧急维护功能对应执行程序对软件工程数据库进行故障修复。
优选的，所述提取所述特征阵列中的特征信息进行编程以生成预设程序行为对应的程序特征，包括：
读取所述特征阵列中的阵列信息；
根据所述阵列信息确定获得预设程序行为的行为轨迹；
基于所述行为轨迹获取预设程序行为的动态系统调用序列；
根据所述动态系统调用序列确定所述特征阵列的特征序列信息；
获取所述预设程序行为对应的执行信息，根据所述执行信息确定预设程序行为的运行结构；
根据所述运行结构确定预设程序行为的监测特征指标；
根据所述监测特征指标确定特征阵列的特征序列信息中的连续特征序列信息和离散特征序列信息；
分别对特征序列信息中的连续特征序列信息和离散特征序列信息进行向量化以获得二者各自对应的高维特征向量；
扫描所述高维特征向量中与编程程序相关的特征编号向量；
根据所述特征编号向量构建连续特征序列信息和离散特征序列信息各自对应的可编程逻辑阵列；
根据所述可编程逻辑阵列获取特征序列信息的编程算法配置文件；
通过所述编程算法配置文件对所述特征序列信息进行编程，获取编程结果；
确定所述预设程序行为对应的程序特征语言；
将所述编程结果转化为与所程序特征语言相同的程序特征。
一种基于人工智能的软件工程数据库维护与预警系统，该系统包括：
获取模块，用于获取软件工程数据库的预设程序行为；
解析模块，用于对所述预设程序行为进行解析获得其对应的程序特征；
判断模块，用于根据所述程序特征和软件工程数据库的连接情况判断所述软件工程数据库内存储数据的调取异常情况；
启动模块，用于根据所述软件工程数据库内存储数据的调取异常情况适应性地发出预警提示并启动软件工程数据库的紧急维护功能。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明所提供的一种基于人工智能的软件工程数据库维护与预警方法的工作流程图；
图2为本发明所提供的一种基于人工智能的软件工程数据库维护与预警方法的另一工作流程图；
图3为本发明所提供的一种基于人工智能的软件工程数据库维护与预警方法的又一工作流程图；
图4为本发明所提供的一种基于人工智能的软件工程数据库维护与预警系统的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
数据库是存放数据的仓库。它的存储空间很大，可以存放百万条、千万条、上亿条数据。但是数据库并不是随意地将数据进行存放，是有一定的规则的，否则查询的效率会很低。当今世界是一个充满着数据的互联网世界，充斥着大量的数据。即这个互联网世界就是数据世界。数据的来源有很多，比如出行记录、消费记录、浏览的网页、发送的消息等等。除了文本类型的数据，图像、音乐、声音都是数据。用户终端可以通过连接数据库进行数据的下载使用，既避免了用户终端自身存储大量数据造成内存不足导致运行速度变慢的情况的发生同时还使得用户终端随时随地可以获得自己所需要的数据，极大地提高了便利性和用户的体验感，随着大量终端对于数据库的接入使用，数据库的维护问题越来越重要，现有的维护方法为通过检测用户终端是否可以顺利接收数据库内的数据来评估出数据库是否出现故障，其存在以下缺点：检测效率较慢并且无法从数据库本身参数来第一时间确定其是否发生异常，同时不可避免地出现误差导致判断结果错误进而进行无效维护，提高了运营成本。为了解决上述问题，本实施例公开了一种基于人工智能的软件工程数据库维护与预警方法。
一种基于人工智能的软件工程数据库维护与预警方法，如图1所示，包括以下步骤：
步骤S101、获取软件工程数据库的预设程序行为；
步骤S102、对所述预设程序行为进行解析获得其对应的程序特征；
步骤S103、根据所述程序特征和软件工程数据库的连接情况判断所述软件工程数据库内存储数据的调取异常情况；
步骤S104、根据所述软件工程数据库内存储数据的调取异常情况适应性地发出预警提示并启动软件工程数据库的紧急维护功能。
上述技术方案的工作原理为：获取软件工程数据库的预设程序行为，对所述预设程序行为进行解析获得其对应的程序特征，根据所述程序特征和软件工程数据库的连接情况判断所述软件工程数据库内存储数据的调取异常情况，根据所述软件工程数据库内存储数据的调取异常情况适应性地发出预警提示并启动软件工程数据库的紧急维护功能。
上述技术方案的有益效果为：通过根据软件工程数据库的程序特征结合其终端连接情况来综合地评估出其是否出现数据调取异常情况可以更加精确地根据软件工程数据库的自身参数最准确地确定软件工程数据库的异常情况，提高了检测效率和准确度，进一步地，通过多参数判定可以最大程度地去除误差数据的影响，保证判断结果的客观性和准确性，为后续数据库维护人员的决策提供了参考基础。解决了现有技术中检测效率较慢并且无法从数据库本身参数来第一时间确定其是否发生异常，同时不可避免地出现误差导致判断结果错误进而进行无效维护，提高了运营成本的问题。
在一个实施例中，如图2所示，所述获取软件工程数据库的预设程序行为，包括：
步骤S201、确定所述软件工程数据库的多个工作节点及每个工作节点的工作模式；
步骤S202、根据每个工作节点的工作模式调取出该工作节点的工作指令；
步骤S203、确定每个工作节点的工作指令对应的预设程序代码，根据所述预设程序代码确定每个工作节点的第一程序行为；
步骤S204、将所有工作节点的第一程序行为进行合并获得第二程序行为，将所述第二程序行为确认为软件工程数据库的预设程序行为。
上述技术方案的有益效果为：通过根据工作节点的预设程序代码来获得每个工作节点的程序行为可以就每个工作节点的预设工作参数来获得软件工程数据库的预设程序行为，从而保证获取结果的准确性，提高了数据精确度。
在一个实施例中，如图3所示，所述对所述预设程序行为进行解析获得其对应的程序特征，包括：
步骤S301、确定所述预设程序行为的协议类型；
步骤S302、根据所述协议类型确定预设程序行为对应的程序报文数据；
步骤S303、将所述程序报文数据输入到预设设计模型中获得预设程序行为对应的特征阵列；
步骤S304、提取所述特征阵列中的特征信息进行编程以生成预设程序行为对应的程序特征。
上述技术方案的有益效果为：通过利用特征阵列的方式来获得预设程序行为对应的程序特征可以全方面地获得所有的程序特征，避免数据遗漏导致后续工作无法进行，提高了工作效率，同时也提高了整体运行的稳定性。
在一个实施例中，在获取软件工程数据库的预设程序行为之前，所述方法还包括：
获取所述软件工程数据库的服务架构；
根据所述服务架构确定用户终端连接软件工程数据库的登录模板信息；
基于所述登录模板信息，根据每个用户终端发出的连接请求获得该用户终端的目标登录信息；
对每个用户终端的目标登录信息进行验证，根据验证结果确定具有软件工程数据库访问权限的目标用户终端并为其授予连接权限。
上述技术方案的有益效果为：通过利用每个用户终端的登录信息来验证每个终端是否具有软件工程数据库的访问权限可以合理地评估出每个用户终端的安全性，进而侧面的保证了软件工程数据库内存储数据的安全性和隐私性，提高了实用性。
在一个实施例中，所述根据所述程序特征和软件工程数据库的连接情况判断所述软件工程数据库内存储数据的调取异常情况，包括：
根据所述软件工程数据库的连接情况确定其工作负载；
基于所述工作负载，确定软件工程数据库在其连接情况下的程序特征的字符特征变化和执行特征变化；
确认所述程序特征的字符特征变化和执行特征变化是否在各自的预设变化区间内，获取确认结果；
若所述确认结果为二者在各自的预设变化区间内，确认软件工程数据库内存储数据的调取工作正常，否则，确认确认软件工程数据库内存储数据的调取工作异常。
上述技术方案的有益效果为：通过根据程序特征的字符特征变化和执行特征变化来确定软件工程数据库内存储数据的调取工作是否正常可以以程序特征在正常数据传输情况下的特征变化作为参考向量来合理地评估出软件工程数据库内存储数据的传输异常，提高评估效率和评估稳定性，就软件工程数据库自身特征参数为自变量来进行评估，提高了评估结果的客观性的同时降低了其他影响因素的干扰，保证了评估结果的合理性。
在一个实施例中，所述根据所述软件工程数据库内存储数据的调取异常情况适应性地发出预警提示并启动软件工程数据库的紧急维护功能，包括：
但所述软件工程数据库内存储数据的调取异常情况为调取工作异常时，生成预警指令；
根据所述预警指令发出预警提示；
调取所述软件工程数据库数据传输通道的编译路径，检测所述编译路径的损坏情况；
基于所述损坏情况，启动所述软件工程数据库的紧急维护功能对所述编译路径进行路径修复。
上述技术方案的有益效果为：通过对软件工程数据库数据传输通道的编译路径进行路径修复可以快速地解决软件工程数据库内存储数据无法传输的故障，提高了工作效率，为后续工作及时止损。
在一个实施例中，所述方法还包括：
将所述软件工程数据库的内存分区分割为第一分区和第二分区；
将软件工程数据库的存储数据统一导入到所述第一分区中，将所述软件工程数据库的系统资源平均分配到所述第一分区和第二分区中；
对所述第一分区中的存储数据进行元数据保护，将软件工程数据库的紧急维护功能对应执行程序写入到所述第二分区中；
利用所述紧急维护功能对应执行程序对软件工程数据库进行故障修复。
上述技术方案的有益效果为：通过对软件工程数据库进行分区从而同时进行数据保护和故障修复工作，既避免了软件工程数据库内数据的丢失和损坏情况的发生，同时使得软件工程数据库的紧急维护功能的执行程序有足够的系统资源进行维护工作，提高了实用性的同时也提高了维护效率和数据的私密性和安全性。
在一个实施例中，所述提取所述特征阵列中的特征信息进行编程以生成预设程序行为对应的程序特征，包括：
读取所述特征阵列中的阵列信息；
根据所述阵列信息确定获得预设程序行为的行为轨迹；
基于所述行为轨迹获取预设程序行为的动态系统调用序列；
根据所述动态系统调用序列确定所述特征阵列的特征序列信息；
获取所述预设程序行为对应的执行信息，根据所述执行信息确定预设程序行为的运行结构；
根据所述运行结构确定预设程序行为的监测特征指标；
根据所述监测特征指标确定特征阵列的特征序列信息中的连续特征序列信息和离散特征序列信息；
分别对特征序列信息中的连续特征序列信息和离散特征序列信息进行向量化以获得二者各自对应的高维特征向量；
扫描所述高维特征向量中与编程程序相关的特征编号向量；
根据所述特征编号向量构建连续特征序列信息和离散特征序列信息各自对应的可编程逻辑阵列；
根据所述可编程逻辑阵列获取特征序列信息的编程算法配置文件；
通过所述编程算法配置文件对所述特征序列信息进行编程，获取编程结果；
确定所述预设程序行为对应的程序特征语言；
将所述编程结果转化为与所程序特征语言相同的程序特征。
上述技术方案的有益效果为：通过根据预设程序行为对应的特征信息来确定编程算法配置文件可以快速稳定并且高效地对特征信息进行编程，提高了编程效率，进一步地，通过将编程结果转化为与所程序特征语言相同的程序特征可以大大地提高预设程序行为与其程序特征之间的容错率，进一步地提高了稳定性。
本实施例还公开了一种基于人工智能的软件工程数据库维护与预警系统，如图4所示，该系统包括：
获取模块401，用于获取软件工程数据库的预设程序行为；
解析模块402，用于对所述预设程序行为进行解析获得其对应的程序特征；
判断模块403，用于根据所述程序特征和软件工程数据库的连接情况判断所述软件工程数据库内存储数据的调取异常情况；
启动模块404，用于根据所述软件工程数据库内存储数据的调取异常情况适应性地发出预警提示并启动软件工程数据库的紧急维护功能。
上述技术方案的工作原理及有益效果在方法权利要求中已经说明，此处不再赘述。
本领域技术用户员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (7)
1.一种基于人工智能的软件工程数据库维护与预警方法，其特征在于，包括以下步骤：
获取软件工程数据库的预设程序行为；
对所述预设程序行为进行解析获得其对应的程序特征；
根据所述程序特征和软件工程数据库的连接情况判断所述软件工程数据库内存储数据的调取异常情况；
根据所述软件工程数据库内存储数据的调取异常情况适应性地发出预警提示并启动软件工程数据库的紧急维护功能；
所述对所述预设程序行为进行解析获得其对应的程序特征，包括：
确定所述预设程序行为的协议类型；
根据所述协议类型确定预设程序行为对应的程序报文数据；
将所述程序报文数据输入到预设设计模型中获得预设程序行为对应的特征阵列；
提取所述特征阵列中的特征信息进行编程以生成预设程序行为对应的程序特征；
其中，所述提取所述特征阵列中的特征信息进行编程以生成预设程序行为对应的程序特征，包括：
读取所述特征阵列中的阵列信息；
根据所述阵列信息确定获得预设程序行为的行为轨迹；
基于所述行为轨迹获取预设程序行为的动态系统调用序列；
根据所述动态系统调用序列确定所述特征阵列的特征序列信息；
获取所述预设程序行为对应的执行信息，根据所述执行信息确定预设程序行为的运行结构；
根据所述运行结构确定预设程序行为的监测特征指标；
根据所述监测特征指标确定特征阵列的特征序列信息中的连续特征序列信息和离散特征序列信息；
分别对特征序列信息中的连续特征序列信息和离散特征序列信息进行向量化以获得二者各自对应的高维特征向量；
扫描所述高维特征向量中与编程程序相关的特征编号向量；
根据所述特征编号向量构建连续特征序列信息和离散特征序列信息各自对应的可编程逻辑阵列；
根据所述可编程逻辑阵列获取特征序列信息的编程算法配置文件；
通过所述编程算法配置文件对所述特征序列信息进行编程，获取编程结果；
确定所述预设程序行为对应的程序特征语言；
将所述编程结果转化为与所程序特征语言相同的程序特征。
2.根据权利要求1所述基于人工智能的软件工程数据库维护与预警方法，其特征在于，所述获取软件工程数据库的预设程序行为，包括：
确定所述软件工程数据库的多个工作节点及每个工作节点的工作模式；
根据每个工作节点的工作模式调取出该工作节点的工作指令；
确定每个工作节点的工作指令对应的预设程序代码，根据所述预设程序代码确定每个工作节点的第一程序行为；
将所有工作节点的第一程序行为进行合并获得第二程序行为，将所述第二程序行为确认为软件工程数据库的预设程序行为。
3.根据权利要求1所述基于人工智能的软件工程数据库维护与预警方法，其特征在于，在获取软件工程数据库的预设程序行为之前，所述方法还包括：
获取所述软件工程数据库的服务架构；
根据所述服务架构确定用户终端连接软件工程数据库的登录模板信息；
基于所述登录模板信息，根据每个用户终端发出的连接请求获得该用户终端的目标登录信息；
对每个用户终端的目标登录信息进行验证，根据验证结果确定具有软件工程数据库访问权限的目标用户终端并为其授予连接权限。
4.根据权利要求3所述基于人工智能的软件工程数据库维护与预警方法，其特征在于，所述根据所述程序特征和软件工程数据库的连接情况判断所述软件工程数据库内存储数据的调取异常情况，包括：
根据所述软件工程数据库的连接情况确定其工作负载；
基于所述工作负载，确定软件工程数据库在其连接情况下的程序特征的字符特征变化和执行特征变化；
确认所述程序特征的字符特征变化和执行特征变化是否在各自的预设变化区间内，获取确认结果；
若所述确认结果为二者在各自的预设变化区间内，确认软件工程数据库内存储数据的调取工作正常，否则，确认软件工程数据库内存储数据的调取工作异常。
5.根据权利要求1所述基于人工智能的软件工程数据库维护与预警方法，其特征在于，所述根据所述软件工程数据库内存储数据的调取异常情况适应性地发出预警提示并启动软件工程数据库的紧急维护功能，包括：
但所述软件工程数据库内存储数据的调取异常情况为调取工作异常时，生成预警指令；
根据所述预警指令发出预警提示；
调取所述软件工程数据库数据传输通道的编译路径，检测所述编译路径的损坏情况；
基于所述损坏情况，启动所述软件工程数据库的紧急维护功能对所述编译路径进行路径修复。
6.根据权利要求1所述基于人工智能的软件工程数据库维护与预警方法，其特征在于，所述方法还包括：
将所述软件工程数据库的内存分区分割为第一分区和第二分区；
将软件工程数据库的存储数据统一导入到所述第一分区中，将所述软件工程数据库的系统资源平均分配到所述第一分区和第二分区中；
对所述第一分区中的存储数据进行元数据保护，将软件工程数据库的紧急维护功能对应执行程序写入到所述第二分区中；
利用所述紧急维护功能对应执行程序对软件工程数据库进行故障修复。
7.一种基于人工智能的软件工程数据库维护与预警系统，其特征在于，该系统包括：
获取模块，用于获取软件工程数据库的预设程序行为；
解析模块，用于对所述预设程序行为进行解析获得其对应的程序特征；
判断模块，用于根据所述程序特征和软件工程数据库的连接情况判断所述软件工程数据库内存储数据的调取异常情况；
启动模块，用于根据所述软件工程数据库内存储数据的调取异常情况适应性地发出预警提示并启动软件工程数据库的紧急维护功能；
所述解析模块，用于对所述预设程序行为进行解析获得其对应的程序特征的具体方法包括：
确定所述预设程序行为的协议类型；
根据所述协议类型确定预设程序行为对应的程序报文数据；
将所述程序报文数据输入到预设设计模型中获得预设程序行为对应的特征阵列；
提取所述特征阵列中的特征信息进行编程以生成预设程序行为对应的程序特征；
其中，所述提取所述特征阵列中的特征信息进行编程以生成预设程序行为对应的程序特征，包括：
读取所述特征阵列中的阵列信息；
根据所述阵列信息确定获得预设程序行为的行为轨迹；
基于所述行为轨迹获取预设程序行为的动态系统调用序列；
根据所述动态系统调用序列确定所述特征阵列的特征序列信息；
获取所述预设程序行为对应的执行信息，根据所述执行信息确定预设程序行为的运行结构；
根据所述运行结构确定预设程序行为的监测特征指标；
根据所述监测特征指标确定特征阵列的特征序列信息中的连续特征序列信息和离散特征序列信息；
分别对特征序列信息中的连续特征序列信息和离散特征序列信息进行向量化以获得二者各自对应的高维特征向量；
扫描所述高维特征向量中与编程程序相关的特征编号向量；
根据所述特征编号向量构建连续特征序列信息和离散特征序列信息各自对应的可编程逻辑阵列；
根据所述可编程逻辑阵列获取特征序列信息的编程算法配置文件；
通过所述编程算法配置文件对所述特征序列信息进行编程，获取编程结果；
确定所述预设程序行为对应的程序特征语言；
将所述编程结果转化为与所程序特征语言相同的程序特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210505586.1A CN114791823B (zh) | 2022-05-10 | 2022-05-10 | 基于人工智能的软件工程数据库维护与预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210505586.1A CN114791823B (zh) | 2022-05-10 | 2022-05-10 | 基于人工智能的软件工程数据库维护与预警方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114791823A CN114791823A (zh) | 2022-07-26 |
| CN114791823B true CN114791823B (zh) | 2023-03-24 |
Family
ID=82463571
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210505586.1A Active CN114791823B (zh) | 2022-05-10 | 2022-05-10 | 基于人工智能的软件工程数据库维护与预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114791823B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106341486A (zh) * | 2016-09-29 | 2017-01-18 | 郑州云海信息技术有限公司 | 一种Oracle数据库自动部署工具及方法 |
| CN113495903A (zh) * | 2021-09-08 | 2021-10-12 | 西安热工研究院有限公司 | 电力时序数据库缓存方法、系统、设备及可读存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106202444A (zh) * | 2016-07-14 | 2016-12-07 | 浪潮软件股份有限公司 | 一种数据库运维监控的实现方法 |
| US11003444B2 (en) * | 2019-06-28 | 2021-05-11 | Intel Corporation | Methods and apparatus for recommending computer program updates utilizing a trained model |
| CN114003612A (zh) * | 2021-10-29 | 2022-02-01 | 北京房江湖科技有限公司 | 针对数据库异常状况的处理方法及处理系统 |
| CN114024764A (zh) * | 2021-11-12 | 2022-02-08 | 中国工商银行股份有限公司 | 数据库异常访问的监控方法、监控系统、设备和存储介质 |
-
2022
- 2022-05-10 CN CN202210505586.1A patent/CN114791823B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106341486A (zh) * | 2016-09-29 | 2017-01-18 | 郑州云海信息技术有限公司 | 一种Oracle数据库自动部署工具及方法 |
| CN113495903A (zh) * | 2021-09-08 | 2021-10-12 | 西安热工研究院有限公司 | 电力时序数据库缓存方法、系统、设备及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114791823A (zh) | 2022-07-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108153603B (zh) | 数据库服务器故障处理方法、装置和存储介质 | |
| CN108427632B (zh) | 自动测试方法及装置 | |
| CN111260504B (zh) | 智能电网监控方法、系统及智能电网控制器 | |
| CN109144835A (zh) | 一种应用服务故障的自动预测方法、装置、设备及介质 | |
| KR20180108446A (ko) | Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법 | |
| 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 | |
| CN112597014A (zh) | 基于数据驱动的自动化测试方法、装置、介质及电子设备 | |
| CN111338876B (zh) | 一种故障模式与影响分析的决策方法、系统及存储介质 | |
| CN115114064A (zh) | 一种微服务故障分析方法、系统、设备及存储介质 | |
| CN107679423A (zh) | 分区完整性检查方法及装置 | |
| CN111080484A (zh) | 一种配电网异常数据监测方法及装置 | |
| CN114791823B (zh) | 基于人工智能的软件工程数据库维护与预警方法及系统 | |
| CN116882790B (zh) | 一种矿山生态修复区域的碳排放设备管理方法及系统 | |
| CN109784629B (zh) | 一种基于神经网络的变电站工控网络故障定位方法 | |
| CN105335266B (zh) | 用于确定被检测设备的故障的方法 | |
| US20200310897A1 (en) | Automatic optimization fault feature generation method | |
| CN113472881B (zh) | 在线终端设备的统计方法和装置 | |
| CN114936054A (zh) | 一种车辆的调试工艺文件的生成方法及装置、轨道车辆 | |
| CN112737120B (zh) | 区域电网控制报告的生成方法、装置和计算机设备 | |
| CN113344246B (zh) | 一种核电厂监督要求优化方法 | |
| CN111783487A (zh) | 一种读卡器设备的故障预警方法及装置 | |
| CN117171364B (zh) | 运维知识图谱更新方法及装置 | |
| CN116383020B (zh) | 一种基于区块链的互联网数据分析管理系统及方法 | |
| CN110716101A (zh) | 电力线路故障定位方法、装置、计算机和存储介质 | |
| Carvalho et al. | Performance Testing Guide for IoT Applications. |
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 |