CN115118631A - 链路异常处理方法、装置、电子设备及存储介质 - Google Patents

链路异常处理方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN115118631A
CN115118631A CN202210745109.2A CN202210745109A CN115118631A CN 115118631 A CN115118631 A CN 115118631A CN 202210745109 A CN202210745109 A CN 202210745109A CN 115118631 A CN115118631 A CN 115118631A
Authority
CN
China
Prior art keywords
abnormal
service
node
service node
link
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
CN202210745109.2A
Other languages
English (en)
Other versions
CN115118631B (zh
Inventor
华盛
胡永峰
吴学亮
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.)
Ping An Bank Co Ltd
Original Assignee
Ping An Bank 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 Ping An Bank Co Ltd filed Critical Ping An Bank Co Ltd
Priority to CN202210745109.2A priority Critical patent/CN115118631B/zh
Publication of CN115118631A publication Critical patent/CN115118631A/zh
Application granted granted Critical
Publication of CN115118631B publication Critical patent/CN115118631B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0823—Errors, e.g. transmission errors
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0677—Localisation of faults
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Environmental & Geological Engineering (AREA)
  • Computer And Data Communications (AREA)

Abstract

本申请实施例提供了一种链路异常处理方法、装置、电子设备及存储介质，属于互联网技术领域。其中方法包括：获取业务链路的全链接数据，业务链路包括多个业务节点，全链接数据包括各业务节点的业务数据和节点状态；通过异常检测神经网络模型对各业务节点的业务数据和节点状态进行分类计算，得到异常业务节点；根据异常业务节点确定异常处理推荐人联系信息；向客户端发送异常业务节点和异常处理推荐人联系信息。这样，可以通过业务链路的全链接数据，快速定位出现问题的异常业务节点，能高效查找异常业务节点的异常处理推荐人，快速地向客户端发送异常业务节点和异常处理推荐人联系信息，提高业务节点异常处理效率。

Description

链路异常处理方法、装置、电子设备及存储介质
技术领域
本申请涉及互联网技术领域，尤其涉及一种链路异常处理方法、装置、电子设备及存储介质。
背景技术
现有技术中，语音中台测试链路非常长，测试过程中关联系统较多，链路不通时，需要逐步联系对应的技术人人，经过多方定位才能找到异常节点。现有语音中台测试过程中，系统依赖多，不方便确认异常节点，定位异常节点主要依赖人工，人工成本高。
发明内容
为了解决上述技术问题，本申请实施例提供了一种链路异常处理方法、装置、电子设备及存储介质。
第一方面，本申请实施例提供了一种链路异常处理方法，所述方法包括：
获取业务链路的全链接数据，所述业务链路包括多个业务节点，所述全链接数据包括各所述业务节点的业务数据和节点状态；
通过异常检测神经网络模型对各所述业务节点的业务数据和节点状态进行分类计算，得到异常业务节点；
根据所述异常业务节点确定异常处理推荐人联系信息；
向客户端发送所述异常业务节点和所述异常处理推荐人联系信息。
在一实施方式中，所述通过异常检测神经网络模型对各所述业务节点的业务数据和节点状态进行分类计算，得到异常业务节点，包括：
通过所述异常检测神经网络模型根据各所述业务节点的业务数据和节点状态计算各所述业务节点的异常分值；
根据各所述业务节点的异常分值确定所述异常业务节点。
在一实施方式中，所述根据各所述业务节点的异常分值确定所述异常业务节点，包括：
判断各所述业务节点的异常分值中是否存在分值误差在预设分值阈值内的多个目标异常分值；
若存在多个所述目标异常分值时，确定各所述目标异常分值对应的目标业务节点；
确定各所述目标业务节点对应的相邻业务节点；
分别获取各所述相邻业务节点的当前业务数据和当前节点状态；
通过所述异常检测神经网络模型基于各所述相邻业务节点的当前业务数据和当前节点状态计算各所述相邻业务节点的异常分值；
根据各所述相邻业务节点的异常分值确定所述异常业务节点。
在一实施方式中，所述根据所述异常业务节点确定异常处理推荐人联系信息，包括：
根据所述异常业务节点确定异常处理人；
在有至少2个异常处理人时，将各异常处理人的关键信息输入所述处理人推荐模型，通过所述处理人推荐模型确定异常处理推荐人，并根据所述异常处理推荐人确定所述异常处理推荐人通信联系信息。
在一实施方式中，所述根据所述异常业务节点确定异常处理推荐人联系信息，还包括：
在有1个异常处理人时，将所述1个异常处理人的通信联系信息作为所述异常处理推荐人通信联系信息。
在一实施方式中，所述方法还包括：
从所述客户端接收异常处理结果反馈，所述异常处理结果反馈包括异常处理进度及异常处理操作信息。
在一实施方式中，所述方法还包括：
从所述客户端接收用户操作数据，所述用户操作数据由所述客户端的用户操作埋点采集得到；
将所述用户操作数据和所述异常处理结果反馈输入处理人推荐模型，对所述处理人推荐模型进行训练，调整异常处理人的推荐优先级。
第二方面，本申请实施例提供了一种链路异常处理装置，所述装置包括：
获取模块，获取业务链路的全链接数据，所述业务链路包括多个业务节点，所述全链接数据包括各所述业务节点的业务数据和节点状态；
分类模块，用于通过异常检测神经网络模型对各所述业务节点的业务数据和节点状态进行分类计算，得到异常业务节点；
确定模块，用于根据所述异常业务节点确定异常处理推荐人联系信息；
发送模块，用于向客户端发送所述异常业务节点和所述异常处理推荐人联系信息。
第三方面，本申请实施例提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述计算机程序在所述处理器运行时执行第一方面提供的链路异常处理方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序在处理器上运行时执行第一方面提供的链路异常处理方法。
上述本申请提供的链路异常处理方法、装置、电子设备及存储介质，获取业务链路的全链接数据，所述业务链路包括多个业务节点，所述全链接数据包括各所述业务节点的业务数据和节点状态；通过异常检测神经网络模型对各所述业务节点的业务数据和节点状态进行分类计算，得到异常业务节点；根据所述异常业务节点确定异常处理推荐人联系信息；向客户端发送所述异常业务节点和所述异常处理推荐人联系信息。这样，可以通过业务链路的全链接数据，快速定位出现问题的异常业务节点，能高效查找异常业务节点的异常处理推荐人，快速地向用户的客户端发送异常业务节点和所述异常处理推荐人联系信息，无需人工定位异常节点，自动实现异常业务节点定位和异常处理推荐人联系信息推送，提高业务节点异常处理效率。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对本申请保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。
图1示出了本申请实施例提供的链路异常处理方法的一流程示意图；
图2示出了本申请实施例提供的链路异常处理方法的另一流程示意图；
图3示出了本申请实施例提供的链路异常处理方法的另一流程示意图；
图4示出了本申请实施例提供的链路异常处理装置的一结构示意图；
图5示出了本申请实施例提供的电子设备的一结构示意图。
图标：400-链路异常处理装置，401-获取模块，402-分类模块，403-确定模块，404-发送模块，500-电子设备，501-处理器，502-收发机，503-存储器。
具体实施方式
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。
通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
在下文中，可在本申请的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本申请的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本申请的各种实施例中被清楚地限定。
实施例1
本公开实施例提供了一种链路异常处理方法。
参见图1，链路异常处理方法包括：
步骤S101，获取业务链路的全链接数据，所述业务链路包括多个业务节点，所述全链接数据包括各所述业务节点的业务数据和节点状态。
在本实施例中，业务链路可以为语音中台测试链路，也可以为其他链路，在此不做限制。举例来说，语音中台测试链路可以包括多个语音测试节点，各语音测试节点存储有对应的语音数据和节点状态。需要说明的是，业务链路的各业务节点也可以理解为业务链路上的各业务系统。
步骤S102，通过异常检测神经网络模型对各所述业务节点的业务数据和节点状态进行分类计算，得到异常业务节点。
在本实施例中，异常检测神经网络模型可以由预先设置好的神经网络模型进行训练得到。预先设置好的神经网络模型可以为预先设置好的卷积神经网络(ConvolutionalNeural Network，CNN)模型，也可以为预先设置好的多层前馈(Back Propagation，BP)，还可以为其他类型神经网络模型，在此不做限制。
请参阅图2，步骤S102可以包括以下步骤：
步骤S1021，通过所述异常检测神经网络模型根据各所述业务节点的业务数据和节点状态计算各所述业务节点的异常分值；
步骤S1022，根据各所述业务节点的异常分值确定所述异常业务节点。
在本实施例中，定义业务链路的各个业务节点，从各业务节点中获取对应的节点状态，对各个节点状态分类，用1描述存在异常的节点状态，用0描述不存在异常的节点状态，通过异常检测神经网络模型进行初步分类，输入各个业务节点的异常分值，基于异常分值确定异常业务节点。示范性的，可以通过设置异常分值阈值确定异常业务节点。例如，业务节点的异常分值接近1，说明该业务节点为异常业务节点。
需要说明的是，当各所述业务节点的异常分值中是否存在分值误差在预设分值阈值内的多个目标异常分值时，需要进一步基于多个目标异常分值确定异常业务节点。
请参阅图3，步骤S1022可以包括以下步骤：
步骤S10221，判断各所述业务节点的异常分值中是否存在分值误差在预设分值阈值内的多个目标异常分值；
步骤S10222，若存在多个所述目标异常分值时，确定各所述目标异常分值对应的目标业务节点；
步骤S10223，确定各所述目标业务节点对应的相邻业务节点；
步骤S10224，分别获取各所述相邻业务节点的当前业务数据和当前节点状态；
步骤S10225，通过所述异常检测神经网络模型基于各所述相邻业务节点的当前业务数据和当前节点状态计算各所述相邻业务节点的异常分值；
步骤S10226，根据各所述相邻业务节点的异常分值确定所述异常业务节点。
在本实施例中，各所述目标业务节点对应的相邻业务节点可以理解为在业务链路中，各所述目标业务节点的前一个业务节点和/或下一个业务节点。分别获取各所述目标业务节点的前一个业务节点和/或下一个业务节点的当前业务数据和当前节点状态，通过所述异常检测神经网络模型基于各个所述目标业务节点的前一个业务节点和/或下一个业务节点的当前业务数据和当前节点状态计算得到各目标业务节点的前一个业务节点和/或下一个业务节点的异常分值，根据计算得到的异常分值从各目标业务节点的前一个业务节点和/或下一个业务节点中确定异常业务节点。
步骤S103，根据所述异常业务节点确定异常处理推荐人联系信息。
在本实施例中，可以预先将业务节点与异常处理人的关系表存储在数据库中，根据业务节点与异常处理人的关系表查询与异常业务节点对应的异常处理人，再基于异常处理人得到异常处理推荐人联系信息。
在一实施方式中，步骤S103包括以下步骤：
根据所述异常业务节点确定异常处理人；
在有至少2个异常处理人时，将各异常处理人的关键信息输入所述处理人推荐模型，通过所述处理人推荐模型确定异常处理推荐人，并根据所述异常处理推荐人确定所述异常处理推荐人通信联系信息。
需要说明的是，异常处理人的关键信息可以包括处理人姓名、处理人异常处理经验数据和处理人通信联系信息。
在一实施方式中，步骤S103还包括以下步骤：
在有1个异常处理人时，将所述1个异常处理人的通信联系信息作为所述异常处理推荐人通信联系信息。
在本实施例中，从业务节点与异常处理人的关系表中查询与异常业务节对应的异常处理人为1个时，直接将1个异常处理人作为最终推荐人，将异常处理人的通信联系信息作为所述异常处理推荐人通信联系信息。
步骤S104，向客户端发送所述异常业务节点和所述异常处理推荐人联系信息。
在本实施例中，异常处理推荐人联系信息可以包括电话、邮件联系信息。客户端可以接收用户输入的业务操作，进行业务处理。通过客户端接收异常业务节点和所述异常处理推荐人联系信息，用户可以快速联系相应异常处理推荐人快速解决节点异常问题，提高异常处理效率。
在一实施方式中，链路异常处理方法还包括：
从所述客户端接收异常处理结果反馈，所述异常处理结果反馈包括异常处理进度及异常处理操作信息。
举例来说，异常处理进度包括异常处理结束和异常处理中等进度信息。异常处理操作信息包括处理操作人、处理步骤等。
在一实施方式中，链路异常处理方法还包括：
从所述客户端接收用户操作数据，所述用户操作数据由所述客户端的用户操作埋点采集得到；
将所述用户操作数据和所述异常处理结果反馈输入处理人推荐模型，对所述处理人推荐模型进行训练，调整异常处理人的推荐优先级。
在本实施例中，可以预先建立处理人推荐模型，处理人推荐模型可以为神经网络模型。该处理人推荐模型可以得出具体异常节点对应的处理负责人的知识经验数据，通过用户操作数据和异常处理结果反馈输入处理人推荐模型，在遇到相似度较高的异常时，能调整异常处理人的推荐优先级，产生能推荐出解决异常的人，提高推荐处理异常业务节点的匹配度。
本实施例提供的链路异常处理方法，获取业务链路的全链接数据，所述业务链路包括多个业务节点，所述全链接数据包括各所述业务节点的业务数据和节点状态；通过异常检测神经网络模型对各所述业务节点的业务数据和节点状态进行分类计算，得到异常业务节点；根据所述异常业务节点确定异常处理推荐人联系信息；向客户端发送所述异常业务节点和所述异常处理推荐人联系信息。这样，可以通过业务链路的全链接数据，快速定位出现问题的异常业务节点，能高效查找异常业务节点的异常处理推荐人，快速地向用户的客户端发送异常业务节点和所述异常处理推荐人联系信息，无需人工定位异常节点，自动实现异常业务节点定位和异常处理推荐人联系信息推送，提高业务节点异常处理效率。
实施例2
此外，本公开实施例提供了一种链路异常处理装置。
如图4所示，链路异常处理装置400包括：
获取模块401，获取业务链路的全链接数据，所述业务链路包括多个业务节点，所述全链接数据包括各所述业务节点的业务数据和节点状态；
分类模块402，用于通过异常检测神经网络模型对各所述业务节点的业务数据和节点状态进行分类计算，得到异常业务节点；
确定模块403，用于根据所述异常业务节点确定异常处理推荐人联系信息；
发送模块404，用于向客户端发送所述异常业务节点和所述异常处理推荐人联系信息。
在一实施方式中，分类模块402，用于通过所述异常检测神经网络模型根据各所述业务节点的业务数据和节点状态计算各所述业务节点的异常分值；
根据各所述业务节点的异常分值确定所述异常业务节点。
在一实施方式中，分类模块402，还用于判断各所述业务节点的异常分值中是否存在分值误差在预设分值阈值内的多个目标异常分值；
若存在多个所述目标异常分值时，确定各所述目标异常分值对应的目标业务节点；
确定各所述目标业务节点对应的相邻业务节点；
分别获取各所述相邻业务节点的当前业务数据和当前节点状态；
通过所述异常检测神经网络模型基于各所述相邻业务节点的当前业务数据和当前节点状态计算各所述相邻业务节点的异常分值；
根据各所述相邻业务节点的异常分值确定所述异常业务节点。
在一实施方式中，确定模块403，还用于根据所述异常业务节点确定异常处理人；
在有至少2个异常处理人时，将各异常处理人的关键信息输入所述处理人推荐模型，通过所述处理人推荐模型确定异常处理推荐人，并根据所述异常处理推荐人确定所述异常处理推荐人通信联系信息。
在一实施方式中，确定模块403，还用于在有1个异常处理人时，将所述1个异常处理人的通信联系信息作为所述异常处理推荐人通信联系信息。
在一实施方式中，链路异常处理装置400还包括：
接收模块，用于从所述客户端接收异常处理结果反馈，所述异常处理结果反馈包括异常处理进度及异常处理操作信息。
在一实施方式中，接收模块，还用于从所述客户端接收用户操作数据，所述用户操作数据由所述客户端的用户操作埋点采集得到；
链路异常处理装置400还包括：
调整模块，用于将所述用户操作数据和所述异常处理结果反馈输入处理人推荐模型，对所述处理人推荐模型进行训练，调整异常处理人的推荐优先级。
本实施例提供的链路异常处理装置400可以实现实施例1所提供的链路异常处理方法，为避免重复，在此不再赘述。
本实施例提供的链路异常处理装置，获取业务链路的全链接数据，所述业务链路包括多个业务节点，所述全链接数据包括各所述业务节点的业务数据和节点状态；通过异常检测神经网络模型对各所述业务节点的业务数据和节点状态进行分类计算，得到异常业务节点；根据所述异常业务节点确定异常处理推荐人联系信息；向客户端发送所述异常业务节点和所述异常处理推荐人联系信息。这样，可以通过业务链路的全链接数据，快速定位出现问题的异常业务节点，能高效查找异常业务节点的异常处理推荐人，快速地向用户的客户端发送异常业务节点和所述异常处理推荐人联系信息，无需人工定位异常节点，自动实现异常业务节点定位和异常处理推荐人联系信息推送，提高业务节点异常处理效率。
实施例3
此外，本公开实施例提供了一种电子设备，包括存储器以及处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器上运行时执行实施例1所提供的链路异常处理方法。
参见图5，所述电子设备500包括：收发机502、总线接口及处理器501，所述处理器501，用于：获取业务链路的全链接数据，所述业务链路包括多个业务节点，所述全链接数据包括各所述业务节点的业务数据和节点状态；
通过异常检测神经网络模型对各所述业务节点的业务数据和节点状态进行分类计算，得到异常业务节点；
根据所述异常业务节点确定异常处理推荐人联系信息；
向客户端发送所述异常业务节点和所述异常处理推荐人联系信息。
在一实施方式中，所述处理器501还用于：通过所述异常检测神经网络模型根据各所述业务节点的业务数据和节点状态计算各所述业务节点的异常分值；
根据各所述业务节点的异常分值确定所述异常业务节点。
在一实施方式中，所述处理器501还用于：判断各所述业务节点的异常分值中是否存在分值误差在预设分值阈值内的多个目标异常分值；
若存在多个所述目标异常分值时，确定各所述目标异常分值对应的目标业务节点；
确定各所述目标业务节点对应的相邻业务节点；
分别获取各所述相邻业务节点的当前业务数据和当前节点状态；
通过所述异常检测神经网络模型基于各所述相邻业务节点的当前业务数据和当前节点状态计算各所述相邻业务节点的异常分值；
根据各所述相邻业务节点的异常分值确定所述异常业务节点。
在一实施方式中，所述处理器501还用于：根据所述异常业务节点确定异常处理人；
在有至少2个异常处理人时，将各异常处理人的关键信息输入所述处理人推荐模型，通过所述处理人推荐模型确定异常处理推荐人，并根据所述异常处理推荐人确定所述异常处理推荐人通信联系信息。
在一实施方式中，所述处理器501还用于：在有1个异常处理人时，将所述1个异常处理人的通信联系信息作为所述异常处理推荐人通信联系信息。
在一实施方式中，所述处理器501还用于：从所述客户端接收异常处理结果反馈，所述异常处理结果反馈包括异常处理进度及异常处理操作信息。
在一实施方式中，所述处理器501还用于：从所述客户端接收用户操作数据，所述用户操作数据由所述客户端的用户操作埋点采集得到；
将所述用户操作数据和所述异常处理结果反馈输入处理人推荐模型，对所述处理人推荐模型进行训练，调整异常处理人的推荐优先级。
在本发明实施例中，电子设备500还包括：存储器503。在图5中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器501代表的一个或多个处理器和存储器503代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机502可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元。处理器501负责管理总线架构和通常的处理，存储器503可以存储处理器501在执行操作时所使用的数据。
本发明实施例提供的电子设备500，可以执行上述方法实施例中的云服务器可以执行的步骤，不再赘述。
本实施例提供的电子设备，获取业务链路的全链接数据，所述业务链路包括多个业务节点，所述全链接数据包括各所述业务节点的业务数据和节点状态；通过异常检测神经网络模型对各所述业务节点的业务数据和节点状态进行分类计算，得到异常业务节点；根据所述异常业务节点确定异常处理推荐人联系信息；向客户端发送所述异常业务节点和所述异常处理推荐人联系信息。这样，可以通过业务链路的全链接数据，快速定位出现问题的异常业务节点，能高效查找异常业务节点的异常处理推荐人，快速地向用户的客户端发送异常业务节点和所述异常处理推荐人联系信息，无需人工定位异常节点，自动实现异常业务节点定位和异常处理推荐人联系信息推送，提高业务节点异常处理效率。
实施例4
本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现实施例1所提供的链路异常处理方法。
在本实施例中，计算机可读存储介质可以为只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。
本实施例提供的计算机可读存储介质可以实现实施例1所提供的链路异常处理方法，为避免重复，在此不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者终端中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。

Claims (10)

1.一种链路异常处理方法，其特征在于，所述方法包括：
获取业务链路的全链接数据，所述业务链路包括多个业务节点，所述全链接数据包括各所述业务节点的业务数据和节点状态；
通过异常检测神经网络模型对各所述业务节点的业务数据和节点状态进行分类计算，得到异常业务节点；
根据所述异常业务节点确定异常处理推荐人联系信息；
向客户端发送所述异常业务节点和所述异常处理推荐人联系信息。
2.根据权利要求1所述的方法，其特征在于，所述通过异常检测神经网络模型对各所述业务节点的业务数据和节点状态进行分类计算，得到异常业务节点，包括：
通过所述异常检测神经网络模型根据各所述业务节点的业务数据和节点状态计算各所述业务节点的异常分值；
根据各所述业务节点的异常分值确定所述异常业务节点。
3.根据权利要求2所述的方法，其特征在于，所述根据各所述业务节点的异常分值确定所述异常业务节点，包括：
判断各所述业务节点的异常分值中是否存在分值误差在预设分值阈值内的多个目标异常分值；
若存在多个所述目标异常分值时，确定各所述目标异常分值对应的目标业务节点；
确定各所述目标业务节点对应的相邻业务节点；
分别获取各所述相邻业务节点的当前业务数据和当前节点状态；
通过所述异常检测神经网络模型基于各所述相邻业务节点的当前业务数据和当前节点状态计算各所述相邻业务节点的异常分值；
根据各所述相邻业务节点的异常分值确定所述异常业务节点。
4.根据权利要求1所述的方法，其特征在于，所述根据所述异常业务节点确定异常处理推荐人联系信息，包括：
根据所述异常业务节点确定异常处理人；
在有至少2个异常处理人时，将各异常处理人的关键信息输入所述处理人推荐模型，通过所述处理人推荐模型确定异常处理推荐人，并根据所述异常处理推荐人确定所述异常处理推荐人通信联系信息。
5.根据权利要求4所述的方法，其特征在于，所述根据所述异常业务节点确定异常处理推荐人联系信息，还包括：
在有1个异常处理人时，将所述1个异常处理人的通信联系信息作为所述异常处理推荐人通信联系信息。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
从所述客户端接收异常处理结果反馈，所述异常处理结果反馈包括异常处理进度及异常处理操作信息。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
从所述客户端接收用户操作数据，所述用户操作数据由所述客户端的用户操作埋点采集得到；
将所述用户操作数据和所述异常处理结果反馈输入处理人推荐模型，对所述处理人推荐模型进行训练，调整异常处理人的推荐优先级。
8.一种链路异常处理装置，其特征在于，所述装置包括：
获取模块，获取业务链路的全链接数据，所述业务链路包括多个业务节点，所述全链接数据包括各所述业务节点的业务数据和节点状态；
分类模块，用于通过异常检测神经网络模型对各所述业务节点的业务数据和节点状态进行分类计算，得到异常业务节点；
确定模块，用于根据所述异常业务节点确定异常处理推荐人联系信息；
发送模块，用于向客户端发送所述异常业务节点和所述异常处理推荐人联系信息。
9.一种电子设备，其特征在于，包括存储器以及处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器运行时执行权利要求1至7中任一项所述的链路异常处理方法。
10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序在处理器上运行时执行权利要求1至7中任一项所述的链路异常处理方法。
CN202210745109.2A 2022-06-27 2022-06-27 链路异常处理方法、装置、电子设备及存储介质 Active CN115118631B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210745109.2A CN115118631B (zh) 2022-06-27 2022-06-27 链路异常处理方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210745109.2A CN115118631B (zh) 2022-06-27 2022-06-27 链路异常处理方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN115118631A true CN115118631A (zh) 2022-09-27
CN115118631B CN115118631B (zh) 2023-09-01

Family

ID=83329828

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210745109.2A Active CN115118631B (zh) 2022-06-27 2022-06-27 链路异常处理方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115118631B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117724891A (zh) * 2024-02-07 2024-03-19 荣耀终端有限公司 业务数据处理方法和业务数据处理系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111314121A (zh) * 2020-02-03 2020-06-19 支付宝(杭州)信息技术有限公司 链路异常检测方法以及装置
CN112019932A (zh) * 2020-08-27 2020-12-01 广州华多网络科技有限公司 网络故障根因定位方法、装置、计算机设备及存储介质
CN112860968A (zh) * 2021-02-02 2021-05-28 北京三快在线科技有限公司 一种异常检测的方法以及装置
WO2021213247A1 (zh) * 2020-04-24 2021-10-28 华为技术有限公司 一种异常检测方法及装置
CN114627627A (zh) * 2020-12-14 2022-06-14 深圳Tcl新技术有限公司 设备异常处理方法、装置、终端及计算机可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111314121A (zh) * 2020-02-03 2020-06-19 支付宝(杭州)信息技术有限公司 链路异常检测方法以及装置
WO2021213247A1 (zh) * 2020-04-24 2021-10-28 华为技术有限公司 一种异常检测方法及装置
CN112019932A (zh) * 2020-08-27 2020-12-01 广州华多网络科技有限公司 网络故障根因定位方法、装置、计算机设备及存储介质
CN114627627A (zh) * 2020-12-14 2022-06-14 深圳Tcl新技术有限公司 设备异常处理方法、装置、终端及计算机可读存储介质
CN112860968A (zh) * 2021-02-02 2021-05-28 北京三快在线科技有限公司 一种异常检测的方法以及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117724891A (zh) * 2024-02-07 2024-03-19 荣耀终端有限公司 业务数据处理方法和业务数据处理系统

Also Published As

Publication number Publication date
CN115118631B (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
CN110851308A (zh) 一种测试方法、装置、电子设备及存储介质
CN110807085B (zh) 故障信息的查询方法及装置、存储介质、电子装置
CN112966081B (zh) 处理问答信息的方法、装置、设备和存储介质
CN110135590B (zh) 信息处理方法、装置、介质及电子设备
CN113656315B (zh) 数据测试方法、装置、电子设备和存储介质
US8488481B2 (en) System reliability evaluation method for transmission by two minimal paths in time restriction
CN114091610A (zh) 智能决策方法及装置
CN115118631A (zh) 链路异常处理方法、装置、电子设备及存储介质
CN114389969B (zh) 客户端的测试方法、装置、电子设备和存储介质
CN109740789B (zh) 布线管理方法、装置、设备和存储介质
CN110493736A (zh) 短信发送方法、装置和存储介质
CN110929133A (zh) 运维信息查询系统及方法
CN108021713B (zh) 一种文档聚类的方法和装置
CN109902196B (zh) 一种商标类别推荐方法、装置、计算机设备及存储介质
CN112035286A (zh) 故障原因的确定方法及装置、存储介质、电子装置
CN111368050A (zh) 文档页面的推送方法、装置
CN115098362B (zh) 页面测试方法、装置、电子设备以及存储介质
CN107818419B (zh) 一种功能测试范围的确定方法及装置
CN113064966B (zh) 用于故障定位的方法、系统及装置
CN113672776B (zh) 一种故障分析方法及装置
CN111815339B (zh) 一种营销信息推送方法及设备
CN108256753B (zh) 一种应急物资调配方法及装置
CN111880949A (zh) 一种业务信息的处理方法、系统、装置、服务器及终端
Lin Measure the quality level for a supplier-demand system by a multicommodity stochastic-flow network
CN116436106B (zh) 低压配电检测系统、方法、终端设备及计算机存储介质

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