CN115576586A

CN115576586A - 一种智能运营与维护服务器的服务端程序的方法

Info

Publication number: CN115576586A
Application number: CN202211420699.8A
Authority: CN
Inventors: 张光谱; 王星; 吴娟
Original assignee: Sichuan Shutian Information Technology Co ltd
Current assignee: Sichuan Shutian Information Technology Co ltd
Priority date: 2022-11-15
Filing date: 2022-11-15
Publication date: 2023-01-06
Anticipated expiration: 2042-11-15
Also published as: CN115576586B

Abstract

一种智能运营与维护服务器的服务端程序的方法，涉及数据处理技术领域，实现所述方法的具体步骤如下：步骤一、强化服务端程序运行的稳定性；步骤二、抓取服务端程序运行的特征；步骤三、优化服务端程序；步骤四、升级服务端程序。卷积神经网络备份服务端程序的代码，起到及时弥补的功能；采用所述服务端程序处理数据的效能值，作为升级所述服务端程序的标准；对服务端程序处理数据的行为进行量化，直观了解问题的症结；以无时间间隙的方式升级所述服务端程序，提高客户的体验感。

Description

一种智能运营与维护服务器的服务端程序的方法

技术领域

本发明涉及数据处理技术领域，具体为一种智能运营与维护服务器的服务端程序的方法。

背景技术

随着信息化技术的不断深入发展，万物互联将会产生大量的数据，各种商务网站的发展，各种小程序的发展，都需要服务器的服务端程序的支持，服务端程序是指设置在服务器上的程序，且是用于服务客户端的程序。

当服务器的数量，达到几十台甚至是上百台，服务器的服务端程序的日常管理会逐渐繁杂；在服务器上对服务端程序进行升级，会关闭服务端程序的相应的服务，肯定会影响客户的体验感；服务器上安装的服务端程序，所述服务端程序存储在服务器上的硬盘上，存在丢失所述服务端程序的代码的几率，造成所述服务端程序崩溃，无法给客户提供服务，肯定会影响客户的体验感；每天，如果以人工方式去频繁地升级服务器上的所述服务端程序，或者部署和管理服务器的服务端程序的业务系统，就会耗费大量的时间，并且，人在处理这些周期性、重复性、规律性的工作，由于疲劳或者注意力不集中等人为因素，会造成某些疏忽或者遗漏，造成一定的损失，提高运维成本，降低运维效率，同时，不能给所述服务端程序的优化升级提供科学的数据。

发明内容

针对以上问题，本发明的目的在于通过卷积神经网络备份服务端程序的代码，模拟服务端程序的流程，标注和统计数据处理的矢量路径，优化服务端程序，无时间间隙升级服务端程序，提供一种智能运营与维护服务器的服务端程序的方法。

实现本发明目的的技术解决方案为：

一种智能运营与维护服务器的服务端程序的方法，实现所述方法的具体步骤如下：

步骤一、强化服务端程序运行的稳定性，卷积神经网络备份服务端程序的代码，服务端程序的代码或者备份的服务端程序的代码，在丢失部分代码的情况下，由所述卷积神经网络及时相互弥补丢失的所述代码；需要说明的是，所述卷积神经网络备份的服务端程序的代码，可以放在同一个服务器的硬盘上，也可以放在不同服务器的硬盘上；所述服务器硬盘上的服务端程序的代码，存在丢失代码的几率，所述卷积神经网络备份服务端程序的代码，也存在丢失代码的几率，当所述服务器硬盘上的服务端程序的代码部分丢失时，所述卷积神经网络提取对应的备份服务端程序的代码，弥补到所述服务器硬盘上的服务端程序的代码中；当所述卷积神经网络备份服务端程序的代码部分丢失时，所述卷积神经网络提取对应的服务端程序的代码，弥补到所述卷积神经网络备份服务端程序的代码中；弥补丢失的代码，要体现及时性，避免所述服务端程序的崩溃，增强用户的体验感；

进一步地，所述卷积神经网络学习所述服务端程序的代码的具体含义，首先将编程语言的知识内置到所述卷积神经网络，其次训练所述卷积神经网络删减程序代码、增加程序代码、自编程序代码；需要说明的是，所述卷积神经网络要具有识别所述服务端程序的代码完整性，就是需要具有编程语言的基本常识和逻辑；

步骤二、抓取服务端程序运行的特征，所述卷积神经网络计算所述服务端程序处理数据的效能值，标注和统计所述服务端程序处理数据的矢量路径；需要说明的是，对所述服务端程序处理数据的能力进行量化，有利于进行程序代码效率的对比验证；对所述服务端程序处理数据的矢量路径进行标注和统计，给我们升级所述服务端程序，提供基础的数据；

进一步地，所述服务端程序处理数据的效能值f（w）的数学公式为：

f（w）= f（cp）×v%×m×s= g×h×k×v%×m×s

CPU或者GPU的算力大小为f（cp）、在一个时间段内CPU或者GPU的算力的平均使用率为v%、在单位时间内内存的平均使用量为m、运行一段单位数据的时间为s；

在单位时间内CPU或者GPU的平均使用率为v%，在一个时间段内，CPU或者GPU的使用率随时间变化而变化的实时使用率：v₁%、v₂%、v₃%、……、v_n %，在单位时间内CPU或者GPU的平均使用率为v%的数学公式为：

v%=（v₁%+v₂%+v₃%+……+v_n %）÷n

其中，n表示自然数；

在单位时间内内存的平均使用量为m，在一个时间段内，内存的使用量随时间变化而变化的实时使用量：m₁、m₂、m₃、……、m_n，在单位时间内内存的平均使用量m的数学公式为：

m=（m₁+m₂+m₃+……+m_n）÷n

其中，n表示自然数；

CPU或者GPU的算力大小f（cp）的数学公式为：

f（cp）=g×h×k

CPU或者GPU的算力大小为f（cp），CPU或者GPU的核数为g， CPU或者GPU的单核主频为h， CPU或者GPU单个周期浮点计算值为k；需要说明的是，处理相同的数据，得到相同的结论，所述服务端程序处理数据的效能值f（w）越小，所述服务端程序处理这类数据的能力越强，反之，所述服务端程序处理数据的效能值f（w）越大，所述服务端程序处理这类数据的能力越弱；

步骤三、优化服务端程序，所述卷积神经网络将所述服务端程序的一段代码或者一行代码抽象为拓扑节点，按照时间的先后顺序进行矢量化，将所述拓扑节点采用映射函数映射到统计函数，结合所述服务端程序处理数据的效能值，优化、验证所述服务端程序；需要说明的是，将所述服务端程序拓扑化，将所述服务端程序的一段代码或者一行代码抽象为拓扑节点，这是将所述服务端程序量化的基础，按照所述拓扑节点处理数据的先后顺序，用矢量的方式描述数据在所述拓扑节点上的先后顺序，标注和统计所述服务端程序处理数据的矢量路径，将所述拓扑节点处理数据的行为进行量化，并采用一一映射的方式，映射到统计函数，比如，在统计函数中，我们可以很直观地看到处理数据的过程中，某一个所述拓扑节点处理数据出现排队等待的问题，在优化设计阶段，我们可以增加进程的方式或者采用并行计算的方式，解决排队等待的问题；

步骤四、升级服务端程序，采用所述卷积神经网络分别管理现在运行的现存版所述服务端程序和将要升级的升级版所述服务端程序，以无时间间隙的方式，将现存版所述服务端程序升级到升级版所述服务端程序；需要说明的是，现存版所述服务端程序表示现阶段正在使用的所述服务端程序，升级版所述服务端程序表示在现存版所述服务端程序的基础之上开发的具有性能提升的所述服务端程序，由于所述卷积神经网络标注和统计所述服务端程序处理数据的矢量路径，因此，所述卷积神经网络能够区分现在运行的现存版所述服务端程序和将要升级的升级版所述服务端程序的所述拓扑节点。

与现有技术相比，本发明的有益效果包括：

（1）、服务器的硬盘存在丢失数据的几率，卷积神经网络备份服务端程序的代码，预防服务端程序的部分代码突然丢失，起到及时弥补的功能，避免所述服务端程序的崩溃，增强用户的体验感；

（2）、采用所述服务端程序处理数据的效能值，评定所述服务端程序的优劣，作为设置所述服务端程序参数的依据，作为升级所述服务端程序的标准；

（3）、对服务端程序处理数据的行为进行量化，采用直观的方式了解，服务端程序处理数据的量化指标，直观了解问题的症结；

（4）、以无时间间隙的方式升级所述服务端程序，提高客户的体验感。

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是一种智能运营与维护服务器的服务端程序的方法的流程示意图；

图2是一种智能运营与维护服务器的服务端程序的方法的拓扑节点矢量模型示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图，对本发明实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。

因此，以下对本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的部分实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征和技术方案可以相互组合。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

下面结合实施例对本发明作进一步详细描述。

实施例：

如图1至图2所示，本发明提供了一种智能运营与维护服务器的服务端程序的方法，实现所述方法的具体步骤如下：

步骤一、强化服务端程序运行的稳定性，卷积神经网络备份服务端程序的代码，服务端程序的代码或者备份的服务端程序的代码，在丢失部分代码的情况下，由所述卷积神经网络及时相互弥补丢失的所述代码；

步骤二、抓取服务端程序运行的特征，所述卷积神经网络计算所述服务端程序处理数据的效能值，标注和统计所述服务端程序处理数据的矢量路径；

步骤三、优化服务端程序，所述卷积神经网络将所述服务端程序的一段代码或者一行代码抽象为拓扑节点，按照时间的先后顺序进行矢量化，将所述拓扑节点采用映射函数映射到统计函数，结合所述服务端程序处理数据的效能值，优化、验证所述服务端程序；

步骤四、升级服务端程序，采用所述卷积神经网络分别管理现在运行的现存版所述服务端程序和将要升级的升级版所述服务端程序，以无时间间隙的方式，将现存版所述服务端程序升级到升级版所述服务端程序。

其中，步骤一, 包括强化服务端程序运行的稳定性，卷积神经网络备份服务端程序的代码，服务端程序的代码或者备份的服务端程序的代码，在丢失部分代码的情况下，由所述卷积神经网络及时相互弥补丢失的所述代码；以代码段1为例，如下：

public void onCreate(Bundle icicle) {

super.onCreate(icicle);

setContentView(R.layout.print_dialog);

dialogWebView = (WebView) findViewById(R.id.webview);

cloudPrintIntent = this.getIntent();

WebSettings settings = dialogWebView.getSettings();

settings.setJavaScriptEnabled(true);

dialogWebView.setWebViewClient(new PrintDialogWebClient());

dialogWebView.addJavascriptInterface(

new PrintDialogJavaScriptInterface(), JS_INTERFACE);

dialogWebView.loadUrl(PRINT_DIALOG_URL);

}

服务端程序的代码如上所述代码段1所示，所述卷积神经网络备份服务端程序的代码如上所述代码段1所示；

代码段1丢失部分代码，如代码段2所示，如下：

public void onCreate(Bundle icicle) {

super.onCreate(icicle);

dialogWebView.loadUrl(PRINT_DIALOG_URL);

}

当服务端程序的代码从所述代码段1丢失为所述代码段2时，所述卷积神经网络提取对应的备份服务端程序的代码的所述代码段1，将服务端程序的代码从所述代码段2弥补为所述代码段1；或者，当所述卷积神经网络备份服务端程序的代码从所述代码段1丢失为所述代码段2时，所述卷积神经网络提取对应的服务端程序的代码所述代码段1，将备份服务端程序的代码从所述代码段2弥补为所述代码段1。

进一步地，其中，在步骤一中，安装在服务器硬盘上的服务端程序的代码，存在丢失所述代码的几率，例如，第一种存在丢失所述代码的可能，由于人工运营维护的误操作，比如，工作人员的误删除代码、误增加代码，第二种存在丢失所述代码的可能，病毒和恶意软件的入侵，比如，删除程序代码、增加程序代码、修改程序代码；第三种存在丢失所述代码的可能，机械硬盘的物理性损坏，比如磁盘的划伤、磁组的损坏，固态硬盘处于高温环境造成所述代码的丢失。

更进一步地，其中，在步骤一中，所述卷积神经网络学习所述服务端程序的代码的具体含义，首先将编程语言的知识内置到所述卷积神经网络，其次训练所述卷积神经网络删减程序代码、增加程序代码、自编程序代码，编程语言包括C语言、C++语言、Java、C#、PHP等等。

为了更好的实现本发明的目的，步骤二：抓取服务端程序运行的特征，所述卷积神经网络计算所述服务端程序处理数据的效能值，标注和统计所述服务端程序处理数据的矢量路径；根据所述服务端程序处理数据的效能值f（w）的数学公式为：

f（w）= f（cp）×v%×m×s= g×h×k×v%×m×s

CPU或者GPU的算力大小为f（cp）、在一个时间段内CPU或者GPU的算力的平均使用率为v%、在单位时间内内存的平均使用量为m、运行一段单位数据的时间为s；检验一段代码，或者是检验所述服务端程序，采用所述服务端程序处理数据的效能值f（w）来定量描述，例如，处理相同的数据，得到相同的结论，有两段代码，分为甲段代码和乙段代码，如果测试的结果，是甲段代码的效能值大于乙段代码的效能值，那么乙段代码处理这类数据的能力大于甲段代码，乙段代码可以作为甲段代码的升级版；同理，处理相同的数据，得到相同的结论，有两个完整的程序，分为甲程序和乙程序，如果测试的结果，是甲程序的效能值大于乙程序的效能值，那么乙程序处理这类数据的能力大于甲程序，乙程序可以作为甲程序的升级版；

为了更好的实现本发明的目的，步骤三：优化服务端程序，所述卷积神经网络将所述服务端程序的一段代码或者一行代码抽象为拓扑节点，按照时间的先后顺序进行矢量化，将所述拓扑节点采用映射函数映射到统计函数，结合所述服务端程序处理数据的效能值，优化、验证所述服务端程序。需要说明的是，如图2所示，所述卷积神经网络将所述服务端程序的一段代码或者一行代码抽象为拓扑节点，所述服务端程序的所述拓扑节点为A₁、A₂、A₃、A₄、A₅、……、A_n，n表示自然数，在现存版所述服务端程序的模式下，处理数据，经过的所述拓扑节点的矢量路径描述如下：A₁→A₂→A₃→A₄→A₅→、……、→A_n，A₁→A₂→A₃→A₄→A₅，A₁→A₂→A₃→A₄，A₁→A₂→A₃，A₁→A₂等等；处理相同的数据，得到相同的结果，在现存版所述服务端程序中的所述拓扑节点的矢量路径为A₁→A₂→A₃，A₃→A₄→A₅，对应的，在升级版所述服务端程序中的所述拓扑节点的矢量路径为A₁→A₃，A₃→A₅；以A₁→A₂为例，数据经过所述拓扑节点的处理，得到一个数据结果，→表示方向，数据依次经过所述拓扑节点A₁、A₂得到一个数据结果，依次类推，得到推广的结果；以A₁→A₂→A₃为例，映射函数采用一一映射的方式，将A₁、A₂、A₃的所述拓扑节点数，数据经过所述拓扑节点的矢量路径A₁→A₂→A₃、A₁→A₂、A₂→A₃，数据经过所述拓扑节点的矢量路径的量，映射到统计函数，依次类推，得到推广的结果。

为了更好的实现本发明的目的，步骤四：升级服务端程序，采用所述卷积神经网络分别管理现在运行的现存版所述服务端程序和将要升级的升级版所述服务端程序，以无时间间隙的方式，将现存版所述服务端程序升级到升级版所述服务端程序；所述卷积神经网络能够区分现在运行的现存版所述服务端程序和将要升级的升级版所述服务端程序的所述拓扑节点，所述卷积神经网络控制现存版所述服务端程序和升级版所述服务端程序之间的切换，在所述服务端程序升级之前，现存版所述服务端程序处理的数据写入数据库，升级版所述服务端程序处理的数据不写入数据库，对升级版所述服务端程序进行步骤二和步骤三的验证，符合验证要求后，进行现存版所述服务端程序和升级版所述服务端程序的切换；在所述服务端程序升级之中，现存版所述服务端程序和升级版所述服务端都接收数据，现存版所述服务端程序处理的数据写入数据库，升级版所述服务端程序处理的数据写入数据库，现存版所述服务端程序停止接收数据；在所述服务端程序升级之后，卸载现存版所述服务端程序，由升级版所述服务端程序接收数据和处理数据，完成升级服务端程序工作。

以上实施例仅用以说明本发明而并非限制本发明所描述的技术方案，尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明，但本发明不局限于上述具体实施方式，因此任何对本发明进行修改或等同替换；而一切不脱离发明的精神和范围的技术方案及其改进，其均涵盖在本发明的权利要求范围当中。

Claims

1.一种智能运营与维护服务器的服务端程序的方法，其特征在于，实现所述方法的具体步骤如下：

2.根据权利要求1所述的一种智能运营与维护服务器的服务端程序的方法，其特征在于：在步骤一中，所述卷积神经网络学习所述服务端程序的代码的具体含义。

3.根据权利要求2所述的一种智能运营与维护服务器的服务端程序的方法，其特征在于：在步骤一中，首先将编程语言的知识内置到所述卷积神经网络，其次训练所述卷积神经网络删减程序代码、增加程序代码、自编程序代码。

4.根据权利要求1所述的一种智能运营与维护服务器的服务端程序的方法，其特征在于：在步骤二中，所述服务端程序处理数据的效能值f（w）的数学公式为：

f（w）= f（cp）×v%×m×s= g×h×k×v%×m×s

CPU或者GPU的算力大小为f（cp），在一个时间段内CPU或者GPU的算力的平均使用率为v%，在单位时间内内存的平均使用量为m，运行一段单位数据的时间为s，CPU或者GPU的核数为g， CPU或者GPU的单核主频为h， CPU或者GPU单个周期浮点计算值为k。

5.根据权利要求4所述的一种智能运营与维护服务器的服务端程序的方法，其特征在于：在步骤二中，在一个时间段内，CPU或者GPU的使用率随时间变化而变化的实时使用率：v₁%、v₂%、v₃%、……、v_n %，在单位时间内CPU或者GPU的平均使用率为v%的数学公式为：

v%=（v₁%+v₂%+v₃%+……+v_n %）÷n

其中，n表示自然数。

6.根据权利要求4所述的一种智能运营与维护服务器的服务端程序的方法，其特征在于：在步骤二中，在一个时间段内，内存的使用量随时间变化而变化的实时使用量：m₁、m₂、m₃、……、m_n，在单位时间内内存的平均使用量m的数学公式为：

m=（m₁+m₂+m₃+……+m_n）÷n

其中，n表示自然数。

7.根据权利要求4所述的一种智能运营与维护服务器的服务端程序的方法，其特征在于：在步骤二中，CPU或者GPU的算力大小f（cp）的数学公式为：

f（cp）=g×h×k

CPU或者GPU的算力大小为f（cp），CPU或者GPU的核数为g， CPU或者GPU的单核主频为h，CPU或者GPU单个周期浮点计算值为k。

8.根据权利要求1所述的一种智能运营与维护服务器的服务端程序的方法，其特征在于：在步骤二中，所述卷积神经网络采用拓扑、映射函数和统计函数，标注和统计所述服务端程序处理数据的矢量路径。

9.根据权利要求1所述的一种智能运营与维护服务器的服务端程序的方法，其特征在于：在步骤三中，按照所述拓扑节点处理数据的先后顺序，用矢量的方式描述数据在所述拓扑节点上的先后顺序，标注和统计所述服务端程序处理数据的矢量路径，将所述拓扑节点处理数据的行为进行量化，并采用一一映射的方式，映射到统计函数。

10.根据权利要求1所述的一种智能运营与维护服务器的服务端程序的方法，其特征在于：在步骤四中，所述卷积神经网络控制现存版所述服务端程序和升级版所述服务端程序之间的切换。