CN115509880A - 业务系统安全情况预测方法、装置、设备及介质 - Google Patents
业务系统安全情况预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115509880A CN115509880A CN202211278941.2A CN202211278941A CN115509880A CN 115509880 A CN115509880 A CN 115509880A CN 202211278941 A CN202211278941 A CN 202211278941A CN 115509880 A CN115509880 A CN 115509880A
- Authority
- CN
- China
- Prior art keywords
- data
- time period
- safety condition
- historical
- service system
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- G06F11/3447—Performance evaluation by modeling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3051—Monitoring arrangements for monitoring the configuration of the computing system or of the computing system component, e.g. monitoring the presence of processing resources, peripherals, I/O links, software programs
-
- 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
- G06F11/3452—Performance evaluation by statistical analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
本发明实施例公开了一种业务系统安全情况预测方法、装置、设备及介质。该方法包括:获取当前时间段的待检测业务系统的目标运行数据;其中,目标运行数据包括系统资源占用数据、系统服务响应数据、系统环境数据和系统投产数据中的至少一种;根据目标运行数据和训练好的安全情况预测模型,确定当前时间段的下一时间段待检测业务系统的安全情况;其中,安全情况预测模型基于历史时间段下参考业务系统的历史运行数据,以及历史时间段的下一时间段下参考业务系统的安全情况训练得到。上述方案,实现了对待检测业务系统安全情况的提前预测,从而能够提前获知待检测业务系统的安全情况,及时干预,降低了使用风险,减少了经济损失。
Description
技术领域
本发明实施例涉及信息安全技术领域,尤其涉及一种业务系统安全情况预测方法、装置、设备及介质。
背景技术
业务系统安全情况预测是指对当前时间段的下一时间段,业务系统能否安全生产进行预测。业务系统安全情况预测对传统制造业,或高科技产业均具有重要意义。
现有技术中,通过设置阈值,对业务系统的当前运行情况进行定期检查,来确保业务系统安全生产。上述方案,并无法实现对业务系统安全情况的提前预测,且人工检查的过程较为繁琐,存在效率低,人工成本高的问题。
发明内容
本发明提供一种业务系统安全情况预测方法、装置、设备及介质,以实现对业务系统安全情况的预测。
根据本发明的一方面,提供了一种业务系统安全情况预测方法,包括:
获取当前时间段的待检测业务系统的目标运行数据;其中,所述目标运行数据包括系统资源占用数据、系统服务响应数据、系统环境数据和系统投产数据中的至少一种;
根据目标运行数据和训练好的安全情况预测模型,确定所述当前时间段的下一时间段所述待检测业务系统的安全情况;
其中,所述安全情况预测模型基于历史时间段下参考业务系统的历史运行数据,以及所述历史时间段的下一时间段下所述参考业务系统的安全情况训练得到。
根据本发明的另一方面,提供了一种业务系统安全情况预测装置,包括:
目标运行数据获取模块,用于获取当前时间段的待检测业务系统的目标运行数据;其中,所述目标运行数据包括系统资源占用数据、系统服务响应数据、系统环境数据和系统投产数据中的至少一种;
安全情况确定模块,用于根据目标运行数据和训练好的安全情况预测模型,确定所述当前时间段的下一时间段所述待检测业务系统的安全情况;
其中,所述安全情况预测模型基于历史时间段下参考业务系统的历史运行数据,以及所述历史时间段的下一时间段下所述参考业务系统的安全情况训练得到。
根据本发明的另一方面,提供了一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器能够执行本发明实施例所提供的任意一种业务系统安全情况预测方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使处理器执行时实现本发明实施例所提供的任意一种业务系统安全情况预测方法。
本发明实施例提供的一种业务系统安全情况预测方案,通过获取当前时间段的待检测业务系统的目标运行数据;其中,目标运行数据包括系统资源占用数据、系统服务响应数据、系统环境数据和系统投产数据中的至少一种;根据目标运行数据和训练好的安全情况预测模型,确定当前时间段的下一时间段待检测业务系统的安全情况;其中,安全情况预测模型基于历史时间段下参考业务系统的历史运行数据,以及历史时间段的下一时间段下参考业务系统的安全情况训练得到。上述方案,通过使用构建好的安全情况预测模型,对待检测业务系统当前时间段的下一时间段的安全情况进行预测,能够提前获知待检测业务系统的安全情况,及时干预,避免了安全情况发现不及时给系统使用带来的影响,降低了使用风险,减少了经济损失。同时,使用训练好的机器学习模型,进行安全情况的预测,操作便捷,提高了预测效率,降低了人工成本。并且,通过至少一种数据确定目标运行数据,避免了在使用单一数据确定的目标运行数据时,出现预测结果不准确的情况,提高了预测的安全情况的准确度,以及提高了业务系统安全情况预测的可延展性。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种业务系统安全情况预测方法的流程图;
图2是本发明实施例二提供的一种业务系统安全情况预测方法的流程图;
图3是本发明实施例三提供的一种业务系统安全情况预测装置的结构示意图;
图4是本发明实施例四提供的一种实现业务系统安全情况预测方法的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的一种业务系统安全情况预测方法的流程图,本实施例可适用于对待检测业务系统进行安全情况预测的情况,该方法可以由业务系统安全情况预测装置来执行,该装置可以采用软件和/或硬件的方式实现,并可配置于承载业务系统安全情况预测功能的电子设备中。
参见图1所示的业务系统安全情况预测方法,包括:
S110、获取当前时间段的待检测业务系统的目标运行数据。
本发明实施例对当前时间段的单位不作任何限定,可以是技术人员根据需要进行设置。示例性的,当前时间段可以是以月为单位、以周为单位或者以天为单位等。
其中,待检测业务系统是指需要进行安全情况预测的业务系统。可选的,待检测业务系统可以是一个单独的设备,待检测业务系统还可以是至少两个设备的组合。本发明实施例对待检测业务系统的系统类别不作任何限定,可以根据实际需要设置。
其中,目标运行数据是指待检测业务系统在当前时间段内,运行情况的数据。具体的,目标运行数据可以包括系统资源占用数据、系统服务响应数据、系统环境数据和系统投产数据等中的至少一种。
其中,系统资源占用数据是指待检测业务系统中资源的使用数据。示例性的,若目标运行数据包括系统资源占用数据,则系统资源占用数据可以包括CPU(CentralProcessing Unit,中央处理器)使用率、NAS(Network Attached Storage,网络附属存储)使用率和磁盘空间占用量等中的至少一种。
其中,系统服务响应数据是指待检测业务系统对任一服务请求进行响应时的响应过程或响应结果数据。服务请求是指调用待检测业务系统的指令。示例性的,若目标运行数据包括系统服务响应数据,则系统服务响应数据可以包括服务平均响应时间、单位时间的业务成功数量和单位时间的业务失败数量等中的至少一种。本发明实施例对单位时间的长短不作任何限定,可以是技术人员根据经验进行设置,还可以是用户根据需要进行设置。
其中,系统环境数据是指待检测业务系统的周边环境情况的描述数据。示例性的,若目标运行数据包括系统环境数据,则系统环境数据可以包括待检测业务系统所属区域的温度数据和湿度数据等中的至少一种。本发明实施例待检测业务系统所属区域的范围大小不作任何限定,可以是技术人员根据经验进行设置或调整,还可以是用户根据需要进行设置或调整。
其中,系统投产数据是指待检测业务系统投入生产的结果数据。示例性的,若目标运行数据包括系统投产数据,则系统投产数据可以包括系统投产次数、投产灾备数量和投产灾备平均等级等中的至少一种。其中,投产灾备数量是指待检测业务系统投产的数据备份的数量。投产灾备平均等级是指待检测业务系统投产的数据备份的平均级别。
可以理解的是,通过对系统资源占用数据、系统服务响应数据、系统环境数据和系统投产数据中所包括的数据进行细化,提高了目标运行数据的多样性和丰富性,避免了根据单一数据确定的目标运行数据,普适性不高,提高了目标运行数据的适用性。
S120、根据目标运行数据和训练好的安全情况预测模型,确定当前时间段的下一时间段待检测业务系统的安全情况。
其中,安全情况预测模型可以是基于目标运行数据,执行业务系统安全情况预测任务的模型。具体的,安全情况预测模型基于历史时间段下参考业务系统的历史运行数据,以及历史时间段的下一时间段下参考业务系统的安全情况训练得到。
其中,历史时间段可以理解为以往的时间段。本发明实施例对历史时间段的单位不作任何限定,可以是技术人员根据需要进行设置。示例性的,历史时间段可以是以月为单位、以周为单位或者以天为单位等。
其中,参考业务系统是指可以提供训练安全情况预测模型的数据的业务系统。可选的,参考业务系统与待检测业务系统可以是同一个;或者可选的,参考业务系统可以与待检测业务系统的系统类别相同;或者可选的,参考业务系统可以与待检测业务系统的系统类别不同;本发明实施例对此不作任何限定。
其中,历史运行数据是指参考业务系统在历史时间段内,运行情况的数据。具体的,历史运行数据可以包括系统资源占用数据、系统服务响应数据、系统环境数据和系统投产数据等中的至少一种。
其中,此处的系统资源占用数据是指参考业务系统中资源的使用数据。示例性的,若历史运行数据包括系统资源占用数据,则系统资源占用数据可以包括CPU使用率、NAS使用率和磁盘空间占用量等中的至少一种。
其中,此处的系统服务响应数据是指参考业务系统对任一服务请求进行响应时的响应过程或响应结果数据。服务请求是指调用参考业务系统的指令。示例性的,若历史运行数据包括系统服务响应数据,则系统服务响应数据可以包括服务平均响应时间、单位时间的业务成功数量和单位时间的业务失败数量等中的至少一种。本发明实施例对单位时间的长短不作任何限定,可以是技术人员根据经验进行设置,还可以是用户根据需要进行设置。
其中,此处的系统环境数据是指参考业务系统的周边环境情况的描述数据。示例性的,若历史运行数据包括系统环境数据,则系统环境数据可以包括参考业务系统所属区域的温度数据和湿度数据等中的至少一种。本发明实施例参考业务系统所属区域的范围大小不作任何限定,可以是技术人员根据经验进行设置或调整,还可以是用户根据需要进行设置或调整。
其中,此处的系统投产数据是指参考业务系统投入生产的结果数据。示例性的,若历史运行数据包括系统投产数据,则系统投产数据可以包括系统投产次数、投产灾备数量和投产灾备平均等级等中的至少一种。其中,投产灾备数量是指参考业务系统投产的数据备份的数量。投产灾备平均等级是指参考业务系统投产的数据备份的平均级别。
其中,安全情况是指参考业务系统在历史时间段的下一时间段是否正常,或者安全情况是指待检测业务系统在当前时间段的下一时间段是否正常。
具体的,根据目标运行数据和训练好的安全情况预测模型,确定当前时间段的下一时间段待检测业务系统是否正常。举例说明,若当前时间段为8月,则当前时间段的下一时间段为9月,根据8月的待检测业务系统的目标运行数据,以及训练好的安全情况预测模型,确定9月待检测业务系统是否正常。
本发明实施例提供的一种业务系统安全情况预测方案,通过获取当前时间段的待检测业务系统的目标运行数据;其中,目标运行数据包括系统资源占用数据、系统服务响应数据、系统环境数据和系统投产数据中的至少一种;根据目标运行数据和训练好的安全情况预测模型,确定当前时间段的下一时间段待检测业务系统的安全情况;其中,安全情况预测模型基于历史时间段下参考业务系统的历史运行数据,以及历史时间段的下一时间段下参考业务系统的安全情况训练得到。上述方案,通过使用构建好的安全情况预测模型,对待检测业务系统当前时间段的下一时间段的安全情况进行预测,能够提前获知待检测业务系统的安全情况,及时干预,避免了安全情况发现不及时给系统使用带来的影响,降低了使用风险,减少了经济损失。同时,使用训练好的机器学习模型,进行安全情况的预测,操作便捷,提高了预测效率,降低了人工成本。并且,通过至少一种数据确定目标运行数据,避免了在使用单一数据确定的目标运行数据时,出现预测结果不准确的情况,提高了预测的安全情况的准确度,以及提高了业务系统安全情况预测的可延展性。
本发明实施例中,待检测业务系统和参考业务系统均有对应的系统类别。在一个可选实施例中,可以针对不同系统类别,预先构建一个安全情况预测模型,为了实现安全情况预测模型的训练,可以在历史运行数据中添加系统类别的信息,使得训练好的安全情况预测模型,可以对不同系统类别的待检测业务系统的安全情况进行预测。上述方法得到的安全情况预测模型普适性好,能够具备预测各种系统类别的待检测业务系统的安全情况的能力。
当待检测业务系统的系统类别较多时,上述方案训练得到的安全情况预测模型的准确度较低,不能对待检测业务系统的安全情况进行准确预测。为了提高安全情况预测模型训练的准确度,在另一个可选实施例中,可以针对不同系统类别,分别构建对应的安全情况预测模型,并根据相同系统类别的参考业务系统的历史运行数据,进行训练。使用时,可以根据待检测业务系统的系统类别,确定相应训练好的安全情况预测模型。上述方法得到的安全情况预测模型准确度较高,但是安全情况预测模型的训练周期较长,训练时需要的历史运行数据较多。
需要说明的是,技术人员可以根据实际情况,构建一个安全情况预测模型,或构建多个安全情况预测模型,本发明实施例对此不作任何限定。
实施例二
图2是本发明实施例二提供的一种业务系统安全情况预测方法的流程图,本实施例在上述各实施例的基础上,通过添加“安全情况预测模型采用以下方式训练得到:获取参考业务系统在历史时间段下的第一历史运行数据,以及参考业务系统在历史时间段的下一时间段下的第二历史运行数据;根据第二历史运行数据,确定参考业务系统的安全情况标签;根据第一历史运行数据和安全情况标签,对预先构建的安全情况预测模型进行训练”,对安全情况预测模型的确定机制进行了完善。需要说明的是,在本发明实施例中未详述的部分,可参见其他实施例的表述。
参见图2所示的业务系统安全情况预测方法,包括:
S210、获取参考业务系统在历史时间段下的第一历史运行数据,以及参考业务系统在历史时间段的下一时间段下的第二历史运行数据。
其中,第一历史运行数据是指参考业务系统,在历史时间段下的运行情况的数据。第二历史运行数据是指参考业务系统,在历史时间段的下一时间段下的运行情况的数据。
举例说明,若历史时间段为6月,则历史时间段的下一时间段为7月,第一历史运行数据为参考业务系统在6月的运行情况的数据,第二历史运行数据为参考业务系统在7月的运行情况的数据。
本发明实施例中,历史时间段的数量为至少一个,相应的历史时间段的下一时间段的数量为至少一个,则第一历史运行数据和第二历史运行数据的数量为至少一个。具体的,第一历史运行数据和第二历史运行数据,可以是同一参考业务系统在不同历史时间段,以及不同历史时间段的下一时间段的历史运行数据;第一历史运行数据和第二历史运行数据,还可以是不同参考业务系统在同一历史时间段,以及同一历史时间段的下一时间段的历史运行数据;第一历史运行数据和第二历史运行数据,还可以是不同参考业务系统在不同历史时间段,以及不同历史时间段的下一时间段的历史运行数据,本发明实施例对此不作任何限定。
S220、根据第二历史运行数据,确定参考业务系统的安全情况标签。
其中,安全情况标签是指参考业务系统,在历史时间段的下一时间段下的安全情况。具体的,安全情况标签可以是参考业务系统正常,或参考业务系统异常。参考业务系统正常是指参考业务系统的生产过程安全。参考业务系统异常是指参考业务系统的生产过程存在问题。
在一个可选实施例中,可以人为确定参考业务系统的安全情况标签。
在另一个可选实施例中,为了使确定的参考业务系统的安全情况标签更加客观,可以采用设置安全阈值区间的方式实现安全情况标签的确定。具体的,可以根据第二历史运行数据在第二历史运行数据对应安全阈值区间的所属情况,确定参考业务系统的安全情况标签。其中,安全阈值区间是指可以用于确定参考业务系统正常的第一历史运行数据和/或第二历史运行数据的数值范围。本发明实施例对安全阈值区间的范围不作任何限定,可以是技术人员根据经验进行设置,还可以是通过大量试验反复确定。
需要说明的是,第一历史运行数据和/或第二历史运行数据中所包括的所有数据类别,均有对应的安全阈值区间,不同数据类别对应的安全阈值区间的范围可以相同,也可以不同,本发明实施例对此不作任何限定。一般的,不同数据类别对应安全阈值区间不同。
具体的,当第二历史运行数据中所包括的各数据类别对应的字段值,均属于相应的安全阈值区间,则确定相应参考业务系统的安全情况标签为正常;当第二历史运行数据中存在任一数据类别对应的字段值,不属于相应的安全阈值区间,则确定相应参考业务系统的安全情况标签为异常。
举例说明,针对任意一条第二历史运行数据,该第二历史运行数据中包括CPU使用率和服务平均响应时间,该第二历史运行数据的CPU使用率对应安全阈值区间为[0,100%],该第二历史运行数据的服务平均响应时间对应安全阈值区间为[5,40],若该第二历史运行数据的CPU使用率对应的字段值为50%,该第二历史运行数据的服务平均响应时间对应的字段值为30,确定相应参考业务系统的安全情况标签为正常。
延续前例,若该第二历史运行数据的CPU使用率对应的字段值为110%,该第二历史运行数据的服务平均响应时间对应的字段值为30,确定相应参考业务系统的安全情况标签为异常;若该第二历史运行数据的CPU使用率对应的字段值为30%,该第二历史运行数据的服务平均响应时间对应的字段值为100,确定相应参考业务系统的安全情况标签为异常;若该第二历史运行数据的CPU使用率对应的字段值为105%,该第二历史运行数据的服务平均响应时间对应的字段值为1,确定相应参考业务系统的安全情况标签为异常。
可以理解的是,通过引入安全阈值区间,确定参考业务系统的安全情况标签,避免出现人为确定安全情况标签准确度较低的情况,提高了安全情况标签确定结果的准确度。
S230、根据第一历史运行数据和安全情况标签,对预先构建的安全情况预测模型进行训练。
具体的,可以将不同参考业务系统在不同历史时间段下的第一历史运行数据,按照数据类别顺序构建初始训练样本。
其中,数据类别顺序是指第一历史运行数据中数据的类型,按照一定的顺序进行排序。本发明实施例对数据类别顺序不作任何限定,可以是技术人员根据经验进行设置,还可以是用户根据需要进行设置。示例性的,若预先设定好的数据类别顺序依次为CPU使用率、服务平均响应时间、温度数据和系统投产次数,针对任一第一历史运行数据,将该第一历史运行数据中各数据类别对应的字段值,按照上述数据类别顺序进行排序,构建该第一历史运行数据的向量,即该第一历史运行数据的初始训练样本。
延续前例,若该第一历史运行数据中的数据类别对应的字段值,存在缺失情况,如该第一历史运行数据中不包含温度数据对应的字段值,则在构建该第一历史运行数据的向量时,可将温度数据对应的位置设置为空,或设置为默认值,如“Null”。
其中,初始训练样本是指未经标准化处理的第一历史运行数据。
具体的,针对任一参考业务系统在一个历史时间段下的第一历史运行数据,将第一历史运行数据中包括的数据类别,按照数据类别顺序构建初始训练样本。
进一步的,根据构建的各初始训练样本,对各初始训练样本进行标准化处理,得到目标训练样本。其中,目标训练样本是指经过标准化处理的第一历史运行数据。
本发明实施例中,由于构建的各初始训练样本中,不同数据类别下对应的字段值的量纲不同,为了提高安全情况预测模型训练的准确度,需要进行标准化处理,以实现统一量纲。具体的,分别确定各初始训练样本在不同数据类别下的统计数据;根据统计数据,对各初始训练样本进行标准化处理,得到目标训练样本。其中,统计数据是指可以为标准化处理提供依据的具体数值。示例性的,统计数据可以包括任一数据类别下对应的各字段值中的最大值、最小值和中间值等中的至少一种。具体的,统计数据可以根据标准化处理的方式进行确定。
本发明实施例对标准化处理的方式不作任何限定,可以是技术人员根据经验进行选取,还可以是用户根据需要进行选取。可选的,标准化处理的方式可以包括标准化、中心化、归一化和均值化等中的至少一种。
示例性的,以采用正向化处理方式,对某一数据类别对应的各字段值进行标准化处理为例,可以先确定该数据类别下的最大字段值以及最小字段值,并根据最大字段值和最小字段值对该数据类别对应的各字段值进行标准化处理。具体的,如获取该数据类别对应的任一字段值A,通过(字段值A-最小字段值)/(最大字段值-最小字段值),对该字段值A进行标准化处理。
可以理解的是,通过对不同数据类别下的统计数据进行标准化处理,可以避免由于量纲的影响,导致安全情况预测模型的训练准确度较低,提高了训练安全情况预测模型的准确度。
进一步的,对初始训练样本进行标准化处理后,得到目标训练样本。根据目标训练样本和相应安全情况标签,对预先构建的安全情况预测模型进行训练。
具体的,将目标训练样本输入至安全情况预测模型,得到相应的安全情况预测结果,通过使用损失函数,根据损失函数的值,调整安全情况预测模型的参数。其中,安全情况预测结果是指目标训练样本的实际结果。具体的,安全情况预测结果是实际值,安全情况标签是理论值。本发明实施例对损失函数的种类不作任何限定,可以是技术人员根据经验进行选取,还可以是用户根据需要进行选取。示例性的,可以使用均方差损失函数,该均方差损失函数的表达式为:
其中,N为目标训练样本的总数量,n为一条目标训练样本中数据类别的数量,θ为需要调节的参数,xi为第i种安全情况预测结果(包括安全和异常两种),yi为安全情况标签(如安全为1,异常为0),f(xi;θ)为第i种安全情况预测结果的概率。
在一个可选实施方式中,安全情况预测模型的训练过程可以是,将目标训练样本输入安全情况预测模型,该安全情况预测模型会输出安全情况预测结果,通过安全情况预测结果和相应安全情况标签,计算损失函数的值,并基于损失函数的值调节安全情况预测模型的参数配置,按照上述方案对安全情况预测模型进行多次迭代,即可得到训练好的安全情况预测模型。
可以理解的是,通过引入初始训练样本和目标训练样本,基于安全情况标签,对安全情况预测模型进行训练,避免了直接使用初始训练样本进行训练时,出现训练结果不准确的情况,提高了安全情况预测模型训练的准确度。
本发明实施例中,获取到的第一历史运行数据并不是均能较准确的对安全情况预测模型进行训练,需要对第一历史运行数据进行筛选。在一个可选实施方式中,可以通过设置有效阈值区间的方式,实现对第一历史运行数据的筛选。
具体的,根据第一历史运行数据在第一历史运行数据对应有效阈值区间的所属情况,对第一历史运行数据进行筛选;其中,有效阈值区间包含安全阈值区间;根据筛选结果和安全情况标签,对预先构建的安全情况预测模型进行训练。
其中,有效阈值区间是指可以用于训练安全情况预测模型的第一历史运行数据的数值范围。具体的,有效阈值区间中可以包括安全阈值区间和异常阈值区间。本发明实施例对有效阈值区间的大小不作任何限定,只需保证有效阈值区间包含安全阈值区间即可。其中,异常阈值区间是指可以用于确定参考业务系统异常的第一历史运行数据和/或第二历史运行数据的数值范围。具体的,安全阈值区间在有效阈值区间中的补集为异常阈值区间。本发明实施例对异常阈值区间的范围不作任何限定,可以是技术人员根据经验进行设置,还可以是通过大量试验反复确定,只需保证同一数据类别对应的异常阈值区间和安全阈值区间不同。
其中,筛选结果是指对第一历史运行数据进行筛选后的结果。可选的,筛选结果可以是保留整条第一历史运行数据;或者,保留至少部分第一历史运行数据;或者,删除整条第一历史运行数据。
示例性的,针对任一条第一历史运行数据,该第一历史运行数据的数据类别仅有CPU使用率和服务平均响应时间两种类别,若该第一历史运行数据的CPU使用率和服务平均响应时间对应的字段值,均属于对应的有效阈值区间,则该条第一历史运行数据可用;若该第一历史运行数据的CPU使用率对应的字段值不属于对应的有效阈值区间,服务平均响应时间对应的字段值在对应的有效阈值区间,可以删除该第一历史运行数据的CPU使用率对应的字段值,保留服务平均响应时间对应的字段值;或者删除该条第一历史运行数据。
需要说明的是,第一历史运行数据中所包括的所有数据类别,均有对应的有效阈值区间,不同数据类别对应的有效阈值区间的范围可以相同,也可以不同,本发明实施例对此不作任何限定。
可以理解的是,通过引入有效阈值区间,对第一历史运行数据进行筛选,可以避免无效的第一历史运行数据对安全情况预测模型进行训练时,出现训练不准确的情况,提高了安全情况预测模型训练的准确度。
需要说明的是,本发明实施例对筛选第一历史运行数据,和对初始训练样本进行标准化处理的执行顺序不作任何限定,可以是技术人员根据经验进行设置,还可以是用户根据需要进行设置。
S240、获取当前时间段的待检测业务系统的目标运行数据。
S250、根据目标运行数据和训练好的安全情况预测模型,确定当前时间段的下一时间段待检测业务系统的安全情况。
具体的,对目标运行数据进行标准化处理,将处理后的目标运行数据,输入至训练好的安全情况预测模型中,确定当前时间段的下一时间段待检测业务系统的安全情况。
需要说明的是,目标运行数据只需进行标准化处理,无需对目标运行数据进行筛选。
本发明实施例中,通过添加获取参考业务系统在历史时间段下的第一历史运行数据,以及参考业务系统在历史时间段的下一时间段下的第二历史运行数据;根据第二历史运行数据,确定参考业务系统的安全情况标签;根据第一历史运行数据和安全情况标签,对预先构建的安全情况预测模型进行训练,对安全情况预测模型的训练方式进行详细说明。上述方案,通过引入第一历史运行数据、第二历史运行数据和安全情况标签,实现对预先构建的安全情况预测模型进行训练,为安全情况预测模型的训练过程提供了数据支撑,避免了根据单一历史运行数据对安全情况预测模型进行训练时,出现不准确的情况,提高了训练安全情况预测模型的准确度。同时,根据第二历史运行数据,确定参考业务系统的安全情况标签,提高了确定的安全情况标签的客观性和准确性。
实施例三
图3是本发明实施例三提供的一种业务系统安全情况预测装置的结构示意图,本实施例可适用于对待检测业务系统进行安全情况预测的情况,该方法可以由业务系统安全情况预测装置来执行,该装置可以采用软件和/或硬件的方式实现,并可配置于承载业务系统安全情况预测功能的电子设备中。
如图3所示,该装置中包括目标运行数据获取模块310和安全情况确定模块320。其中,
目标运行数据获取模块310,用于获取当前时间段的待检测业务系统的目标运行数据;其中,目标运行数据包括系统资源占用数据、系统服务响应数据、系统环境数据和系统投产数据中的至少一种;
安全情况确定模块320,用于根据目标运行数据和训练好的安全情况预测模型,确定当前时间段的下一时间段待检测业务系统的安全情况;
其中,安全情况预测模型基于历史时间段下参考业务系统的历史运行数据,以及历史时间段的下一时间段下参考业务系统的安全情况训练得到。
本发明实施例提供的一种业务系统安全情况预测方案,通过目标运行数据获取模块获取当前时间段的待检测业务系统的目标运行数据;其中,目标运行数据包括系统资源占用数据、系统服务响应数据、系统环境数据和系统投产数据中的至少一种;通过安全情况确定模块根据目标运行数据和训练好的安全情况预测模型,确定当前时间段的下一时间段待检测业务系统的安全情况;其中,安全情况预测模型基于历史时间段下参考业务系统的历史运行数据,以及历史时间段的下一时间段下参考业务系统的安全情况训练得到。上述方案,通过使用构建好的安全情况预测模型,对待检测业务系统当前时间段的下一时间段的安全情况进行预测,能够提前获知待检测业务系统的安全情况,及时干预,避免了安全情况发现不及时给系统使用带来的影响,降低了使用风险,减少了经济损失。同时,使用训练好的机器学习模型,进行安全情况的预测,操作便捷,提高了预测效率,降低了人工成本。并且,通过至少一种数据确定目标运行数据,避免了在使用单一数据确定的目标运行数据时,出现预测结果不准确的情况,提高了预测的安全情况的准确度,以及提高了业务系统安全情况预测的可延展性。
可选的,所述装置还包括:
历史运行数据获取模块,用于获取参考业务系统在历史时间段下的第一历史运行数据,以及参考业务系统在历史时间段的下一时间段下的第二历史运行数据;
安全情况标签确定模块,用于根据第二历史运行数据,确定参考业务系统的安全情况标签;
模型训练模块,用于根据第一历史运行数据和安全情况标签,对预先构建的安全情况预测模型进行训练。
可选的,安全情况标签确定模块,包括:
安全情况标签确定单元,用于根据第二历史运行数据在第二历史运行数据对应安全阈值区间的所属情况,确定参考业务系统的安全情况标签。
可选的,模型训练模块,包括:
初始训练样本构建单元,用于将不同参考业务系统在不同历史时间段下的第一历史运行数据,按照数据类别顺序构建初始训练样本;
目标训练样本获取单元,用于对各初始训练样本进行标准化处理,得到目标训练样本;
第一模型训练单元,用于根据目标训练样本和相应安全情况标签,对预先构建的安全情况预测模型进行训练。
可选的,目标训练样本获取单元,包括:
统计数据确定子单元,用于分别确定各初始训练样本在不同数据类别下的统计数据;
目标训练样本获取子单元,用于根据统计数据,对各初始训练样本进行标准化处理,得到目标训练样本。
可选的,模型训练模块,包括:
数据筛选单元,用于根据第一历史运行数据在第一历史运行数据对应有效阈值区间的所属情况,对第一历史运行数据进行筛选;其中,有效阈值区间包括安全阈值区间;
第二模型训练单元,用于根据筛选结果和安全情况标签,对预先构建的安全情况预测模型进行训练。
可选的,若目标运行数据包括系统资源占用数据,则系统资源占用数据包括中央处理器CPU使用率、网络附属存储NAS使用率和磁盘空间占用量中的至少一种;
若目标运行数据包括系统服务响应数据,则系统服务响应数据包括服务平均响应时间、单位时间的业务成功数量和单位时间的业务失败数量中的至少一种;
若目标运行数据包括系统环境数据,则系统环境数据包括待检测业务系统所属区域的温度数据和湿度数据中的至少一种;
若目标运行数据包括系统投产数据,则系统投产数据包括系统投产次数、投产灾备数量和投产灾备平均等级中的至少一种。
本发明实施例所提供的业务系统安全情况预测装置,可执行本发明任意实施例所提供的业务系统安全情况预测方法,具备执行各业务系统安全情况预测方法相应的功能模块和有益效果。
本发明的技术方案中,所涉及的目标运行数据和历史运行数据等的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
实施例四
图4是本发明实施例四提供的一种实现业务系统安全情况预测方法的电子设备的结构示意图。电子设备410旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备410包括至少一个处理器411,以及与至少一个处理器411通信连接的存储器,如只读存储器(ROM)412、随机访问存储器(RAM)413等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器411可以根据存储在只读存储器(ROM)412中的计算机程序或者从存储单元418加载到随机访问存储器(RAM)413中的计算机程序,来执行各种适当的动作和处理。在RAM 413中,还可存储电子设备410操作所需的各种程序和数据。处理器411、ROM 412以及RAM 413通过总线414彼此相连。输入/输出(I/O)接口415也连接至总线414。
电子设备410中的多个部件连接至I/O接口415,包括:输入单元416,例如键盘、鼠标等;输出单元417,例如各种类型的显示器、扬声器等;存储单元418,例如磁盘、光盘等;以及通信单元419,例如网卡、调制解调器、无线通信收发机等。通信单元419允许电子设备410通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器411可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器411的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器411执行上文所描述的各个方法和处理,例如业务系统安全情况预测方法。
在一些实施例中,业务系统安全情况预测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元418。在一些实施例中,计算机程序的部分或者全部可以经由ROM 412和/或通信单元419而被载入和/或安装到电子设备410上。当计算机程序加载到RAM 413并由处理器411执行时,可以执行上文描述的业务系统安全情况预测方法的一个或多个步骤。备选地,在其他实施例中,处理器411可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行业务系统安全情况预测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种业务系统安全情况预测方法,其特征在于,包括:
获取当前时间段的待检测业务系统的目标运行数据;其中,所述目标运行数据包括系统资源占用数据、系统服务响应数据、系统环境数据和系统投产数据中的至少一种;
根据目标运行数据和训练好的安全情况预测模型,确定所述当前时间段的下一时间段所述待检测业务系统的安全情况;
其中,所述安全情况预测模型基于历史时间段下参考业务系统的历史运行数据,以及所述历史时间段的下一时间段下所述参考业务系统的安全情况训练得到。
2.根据权利要求1所述的方法,其特征在于,所述安全情况预测模型采用以下方式训练得到:
获取所述参考业务系统在所述历史时间段下的第一历史运行数据,以及所述参考业务系统在所述历史时间段的下一时间段下的第二历史运行数据;
根据所述第二历史运行数据,确定所述参考业务系统的安全情况标签;
根据所述第一历史运行数据和所述安全情况标签,对预先构建的安全情况预测模型进行训练。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第二历史运行数据,确定所述参考业务系统的安全情况标签,包括:
根据所述第二历史运行数据在所述第二历史运行数据对应安全阈值区间的所属情况,确定所述参考业务系统的安全情况标签。
4.根据权利要求2所述的方法,其特征在于,所述根据所述第一历史运行数据和所述安全情况标签,对预先构建的安全情况预测模型进行训练,包括:
将不同参考业务系统在不同历史时间段下的第一历史运行数据,按照数据类别顺序构建初始训练样本;
对各所述初始训练样本进行标准化处理,得到目标训练样本;
根据所述目标训练样本和相应安全情况标签,对预先构建的安全情况预测模型进行训练。
5.根据权利要求4所述的方法,其特征在于,所述对各所述初始训练样本进行标准化处理,得到目标训练样本,包括:
分别确定各所述初始训练样本在不同数据类别下的统计数据;
根据所述统计数据,对各所述初始训练样本进行标准化处理,得到所述目标训练样本。
6.根据权利要求3所述的方法,其特征在于,所述根据所述第一历史运行数据和所述安全情况标签,对预先构建的安全情况预测模型进行训练,包括:
根据所述第一历史运行数据在所述第一历史运行数据对应有效阈值区间的所属情况,对所述第一历史运行数据进行筛选;其中,所述有效阈值区间包含所述安全阈值区间;
根据筛选结果和所述安全情况标签,对预先构建的安全情况预测模型进行训练。
7.根据权利要求1-6任一项所述的方法,其特征在于:
若所述目标运行数据包括所述系统资源占用数据,则所述系统资源占用数据包括中央处理器CPU使用率、网络附属存储NAS使用率和磁盘空间占用量中的至少一种;
若所述目标运行数据包括所述系统服务响应数据,则所述系统服务响应数据包括服务平均响应时间、单位时间的业务成功数量和单位时间的业务失败数量中的至少一种;
若所述目标运行数据包括所述系统环境数据,则所述系统环境数据包括所述待检测业务系统所属区域的温度数据和湿度数据中的至少一种;
若所述目标运行数据包括所述系统投产数据,则所述系统投产数据包括系统投产次数、投产灾备数量和投产灾备平均等级中的至少一种。
8.一种业务系统安全情况预测装置,其特征在于,包括:
目标运行数据获取模块,用于获取当前时间段的待检测业务系统的目标运行数据;其中,所述目标运行数据包括系统资源占用数据、系统服务响应数据、系统环境数据和系统投产数据中的至少一种;
安全情况确定模块,用于根据目标运行数据和训练好的安全情况预测模型,确定所述当前时间段的下一时间段所述待检测业务系统的安全情况;
其中,所述安全情况预测模型基于历史时间段下参考业务系统的历史运行数据,以及所述历史时间段的下一时间段下所述参考业务系统的安全情况训练得到。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7任一项所述的一种业务系统安全情况预测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一项所述的一种业务系统安全情况预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211278941.2A CN115509880A (zh) | 2022-10-19 | 2022-10-19 | 业务系统安全情况预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211278941.2A CN115509880A (zh) | 2022-10-19 | 2022-10-19 | 业务系统安全情况预测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115509880A true CN115509880A (zh) | 2022-12-23 |
Family
ID=84510043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211278941.2A Pending CN115509880A (zh) | 2022-10-19 | 2022-10-19 | 业务系统安全情况预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115509880A (zh) |
-
2022
- 2022-10-19 CN CN202211278941.2A patent/CN115509880A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115033463B (zh) | 一种系统异常类型确定方法、装置、设备和存储介质 | |
CN114662953A (zh) | 物联网设备运维方法、装置、设备及介质 | |
CN115396289A (zh) | 一种故障告警确定方法、装置、电子设备及存储介质 | |
CN115686910A (zh) | 一种故障分析方法、装置、电子设备及介质 | |
CN115034596A (zh) | 一种风险传导预测方法、装置、设备和介质 | |
CN116074183B (zh) | 一种基于规则引擎的c3超时分析方法、装置及设备 | |
CN115048352B (zh) | 一种日志字段提取方法、装置、设备和存储介质 | |
CN116645082A (zh) | 一种系统巡检方法、装置、设备以及存储介质 | |
CN115509797A (zh) | 一种故障类别的确定方法、装置、设备及介质 | |
CN115509880A (zh) | 业务系统安全情况预测方法、装置、设备及介质 | |
CN115687406A (zh) | 一种调用链数据的采样方法、装置、设备及存储介质 | |
CN115426287A (zh) | 一种系统监控和优化方法、装置、电子设备及介质 | |
CN115204733A (zh) | 数据审计方法、装置、电子设备及存储介质 | |
CN114661562A (zh) | 一种数据告警方法、装置、设备及介质 | |
CN114415691A (zh) | 一种机器人调度方法、调度平台及系统 | |
CN117081939A (zh) | 一种流量数据处理方法、装置、设备及存储介质 | |
CN114844920A (zh) | 一种物联网设备盘点方法、装置、电子设备及存储介质 | |
CN114741291A (zh) | 一种漏洞信息自动提交的方法、装置、设备及介质 | |
CN115757275A (zh) | 一种资产信息管理方法、装置、电子设备及存储介质 | |
CN114416418A (zh) | 数据检测方法、装置、电子设备和存储介质 | |
CN116434401A (zh) | 一种入厂用户的通行管理方法、装置、设备及介质 | |
CN116756443A (zh) | 链接退场方法、装置、设备及存储介质 | |
CN115965276A (zh) | 指标集确定方法、装置、电子设备以及存储介质 | |
CN114548077A (zh) | 词库构建方法和装置 | |
CN116502841A (zh) | 一种事件的处理方法、装置、电子设备以及介质 |
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 |