CN115795342A - 一种业务场景分类的方法、装置、存储介质及电子设备 - Google Patents
一种业务场景分类的方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN115795342A CN115795342A CN202211430256.7A CN202211430256A CN115795342A CN 115795342 A CN115795342 A CN 115795342A CN 202211430256 A CN202211430256 A CN 202211430256A CN 115795342 A CN115795342 A CN 115795342A
- Authority
- CN
- China
- Prior art keywords
- determining
- service scene
- category
- calling
- historical
- 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 81
- 238000003860 storage Methods 0.000 title claims description 20
- 238000009826 distribution Methods 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 16
- 230000009467 reduction Effects 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 13
- 230000006872 improvement Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000001934 delay Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Landscapes
- Telephonic Communication Services (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
在本说明书提供的业务场景分类的方法中,针对历史上通过待分析接口接收的每个历史调用流量,确定该历史调用流量调用的各子应用,进而确定该历史调用流量对应的调用拓扑图,以各历史调用流量对应的调用拓扑图为依据,对各历史调用流量进行聚类,聚类的出的每一个类别可看作每一个业务场景类别。从上述方法可以看出,本说明书不再将同一个接口接收到的调用流量归为同一个业务场景类别,而是确定每个通过待分析接口接收的历史调用流量所调用的各子应用,并据此来绘制各历史调用流量对应的调用拓扑图,进而对各历史调用流量进行聚类,聚类出的每一个类别就代表一个业务场景类别,从而达到将同一个接口接收到的调用流量划分为不同业务场景分类的目的。
Description
技术领域
本申请涉及计算机领域,特别涉及一种业务场景分类的方法、装置、存储介质及电子设备。
背景技术
随着业务系统承载的业务场景不断增加,业务系统中的每个接口不断地被调用,每个接口接收的调用请求越来越多。
即便是同一个接口接收到的调用请求,这些调用请求所属的业务场景也可能不同。由于每个业务场景类别对应的监控指标、故障检测标准和方式、测试样例构造等都有所不同,因此,同一个接口接收到的调用请求,所对应的监控指标、故障检测标准和方式、测试样例构造等也有所不同。给每个调用请求都对应一种指标,一条一条地处理同一接口接收到的调用请求显然是不现实的,这种做法既占用空间又浪费时间。
但如果将这些调用请求都归于一类讨论,批量地处理同一接口接收到的所有调用请求,得到的数据既不准确,还会产生大量的误报,导致很多错误且无用的工作。除此之外,当测试业务系统时,需要选取对所有业务场景类别都具有代表性的调用请求,才能全面测试一个业务系统。
因此,如何进行业务场景分类就成为了一个亟需解决的问题。
发明内容
本说明书提供一种业务场景分类的方法、装置、存储介质及电子设备的方法、装置、存储介质及电子设备,以至少部分的解决上述问题。
本说明书采用下述技术方案:
本说明书提供了一种业务场景分类的方法,所述方法包括:
确定历史上通过待分析接口接收的历史调用流量;
针对每个历史调用流量,确定该历史调用流量所调用的各子应用;
根据该历史调用流量所调用的各子应用,确定该历史调用流量对应的调用拓扑图;
根据各历史调用流量对应的调用拓扑图,对各历史调用流量进行聚类,其中,聚类出的每一个类别对应一个业务场景类别。
可选地,确定该历史调用流量对应的调用拓扑图,具体包括:
以该历史调用流量调用的各子应用为节点,以所述各子应用之间的调用关系作为边,确定该历史调用流量对应的调用拓扑图。
可选地,对各历史调用流量进行聚类,具体包括:
针对每两个历史调用流量对应的调用拓扑图,根据该两个调用拓扑图的嵌入向量和/或延时向量和/或图编辑距离,确定该两个调用拓扑图之间的距离;
根据每两个调用拓扑图之间的距离,对各历史调用流量进行聚类。
可选地,所述方法还包括:
针对聚类出的各业务场景类别,确定该业务场景类别内的各历史调用流量;
根据该业务场景类别内的各历史调用流量,确定该业务场景类别内各历史调用流量中指定参数;
根据该业务场景类别内各历史调用流量中指定参数,确定该业务场景类别的画像。
可选地,确定该业务场景类别内各历史调用流量中指定参数,具体包括:
确定该业务场景类别内各历史调用流量中每个参数;
针对每个参数,确定每个业务场景类别中含有该参数的历史调用流量的数量;
根据每个业务场景类别中含有该参数的历史调用流量的数量,确定每个业务场景类别中该参数的数量分布;
根据每个业务场景类别中的历史调用流量的数量,确定每个业务场景类别中的历史调用流量的数量分布;
根据所述历史调用流量的数量分布和该参数的数量分布的差异,确定该业务场景类别中的指定参数。
可选地,确定该业务场景类别中的指定参数,具体包括:
按照所述差异从大到小的顺序,依次选择指定数量的参数,作为该业务场景类别的指定参数。
可选地,根据该业务场景类别中的指定参数,确定该业务场景类别的画像,具体包括:
针对该业务场景类别中选取的每个指定参数,确定该指定参数包含的键;
根据该键对应的所有可选值,对该键进行编码,得到该键对应的编码数据;
根据每个键对应的编码数据,对该业务场景类别中选取的各键进行聚类,得到若干个键类别;
针对每个键类别,在该键类别的聚类中心的键对应的可选值中,确定最终值,将该键类别的聚类中心的键与所述最终值作为最终键值对;
根据该业务场景类别的最终键值对,确定该业务场景类别的画像。
可选地,对该选取的各键进行聚类,具体包括:
对每个键的编码数据进行降维;
根据降维后的每个键对应的编码数据,对各键进行聚类。
可选地,在该键类别的聚类中心的键对应的可选值中,确定最终值,具体包括:
将降维后的该键类别的聚类中心的键的编码数据进行升维;
针对升维后的该键类别的聚类中心的键的编码数据中的每个元素,判断该元素是否大于预设阈值;
若是,则在该键类别的聚类中心的键对应的可选值中,将该元素对应的值确定为最终值。
可选地,所述方法还包括:
确定当前通过待分析接口接收的当前调用流量;
确定所述当前调用流量所调用的各子应用;
根据所述当前调用流量所调用的各子应用,确定所述当前调用流量对应的调用拓扑图;
根据已聚类出的各业务场景类别的聚类中心,确定所述当前调用流量对应的调用拓扑图与所述各业务场景类别的聚类中心对应的调用拓扑图的距离;
根据所述当前调用流量对应的调用拓扑图与所述各业务场景类别的聚类中心对应的调用拓扑图的距离,确定当前调用流量所属业务场景类别。
可选地,确定当前调用流量所属业务场景类别,具体包括:
确定在所述各业务场景类别中,聚类中心对应的调用拓扑图与所述当前调用流量对应的调用拓扑图距离最小的业务场景类别,作为指定类别,并确定所述指定类别的聚类中心对应的调用拓扑图与所述当前调用流量对应的调用拓扑图的距离,作为最小距离;
若所述最小距离大于预设的距离阈值,则生成除已聚类出的各业务场景类别以外的新的业务场景类别,并将所述当前调用流量作为所述新的业务场景类别的聚类中心;若所述最小距离不大于所述距离阈值,则将当前调用流量所属的业务场景类别确定为所述指定类别。
本说明书提供了一种业务场景分类的装置,所述装置包括:
接收模块,用于确定历史上通过待分析接口接收的历史调用流量;
确定模块,用于针对每个历史调用流量,确定该历史调用流量所调用的各子应用;
绘图模块,用于根据该历史调用流量所调用的各子应用,确定该历史调用流量对应的调用拓扑图;
聚类模块,用于根据各历史调用流量对应的调用拓扑图,对各历史调用流量进行聚类,其中,聚类出的每一个类别对应一个业务场景类别。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述业务场景分类方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述业务场景分类方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的业务场景分类的方法中,针对历史上通过待分析接口接收的每个历史调用流量,确定该历史调用流量调用的各子应用,进而确定该历史调用流量对应的调用拓扑图,以各历史调用流量对应的调用拓扑图为依据,对各历史调用流量进行聚类,聚类的出的每一个类别可以看作每一个业务场景类别。
从上述方法可以看出,本说明书不再将同一个接口接收到的调用流量归为同一个业务场景类别,而是确定每个通过待分析接口接收的历史调用流量所调用的各子应用,并据此来绘制各历史调用流量对应的调用拓扑图,进而对各历史调用流量进行聚类,聚类出的每一个类别就代表一个业务场景类别,从而达到将同一个接口接收到的调用流量划分为不同业务场景分类的目的。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中一种业务场景分类方法的流程示意图;
图2A为本说明书提供的调用支付方法的调用拓扑图;
图2B为本说明书提供的调用身份认证方法和支付方法的调用拓扑图;
图3为本说明书中一种业务场景类别画像的流程示意图;
图4为本说明书提供的一种业务场景分类装置的示意图;
图5为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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,都属于本申请保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书提供的一种业务场景分类方法的流程示意图,具体包括以下步骤:
S100:确定历史上通过待分析接口接收的历史调用流量。
当业务系统需要完成某项业务时,可能需要调用其他应用的接口,借用该其他应用的功能来实现该业务(将其他应用的功能作为子应用),因此,业务系统需要向其他应用的接口发送调用请求,例如,当用户使用某电商应用购买商品时,该电商应用需要完成来自用户的购买商品的业务,为了完成购买商品的业务,该电商应用需要调用某支付应用的支付子应用,则该电商应用向支付应用的接口发送调用请求,然后,该接口会接收该调用请求,并响应于该调用请求向电商应用提供支付子应用。
则在需要将某个应用的待分析接口接收到的调用流量进行业务场景分类时,可先在该应用的日志中查找历史上通过该待分析接口接收到的各历史调用流量,一个历史调用流量就是一个历史调用请求。
S102:针对每个历史调用流量,确定该历史调用流量所调用的各子应用。
业务系统通过调用其他应用的子应用来实现业务,可以看作业务系统调用其他应用中可以提供该子应用对应的功能的程序(该程序在代码中也称为方法),通过执行该程序为业务系统提供该子应用。例如,当使用某电商应用购买商品的时候,电商应用向某支付应用的待分析接口发送调用请求,根据该调用请求,待分析接口会调用支付应用的支付子应用,而当使用该电商应用购买基金时,电商应用仍然向支付应用的待分析接口发送调用请求,根据本次发送的调用请求,待分析接口会调用支付应用的身份认证子应用和支付子应用。
由此可知,一个历史调用流量所调用的子应用不仅仅是一种,同时,即使是由同一个业务系统发送,同一个待分析接口接收的若干个历史调用流量,每个历史调用流量所调用的各子应用也可能不同。
综上所述,在对待分析接口进行业务场景分类的时候,需要针对待分析接口接收到的每个历史调用流量,确定该历史调用流量所调用的各子应用,包括但不限于:该历史调用流量调用了哪些子应用,该历史调用流量调用各子应用的顺序,该历史调用流量调用各子应用的时间等等。
S104:根据该历史调用流量所调用的各子应用,确定该历史调用流量对应的调用拓扑图。
根据上述步骤S102确定了该历史调用流量所调用的各子应用后,可通过整理该历史调用流量所调用的各子应用来绘制该历史调用流量对应的调用拓扑图。
具体地,将该历史调用流量所调用的各子应用作为调用拓扑图的节点,将该历史调用流量所调用的各子应用之间的调用关系作为边,绘制该历史调用流量对应的调用拓扑图,进一步的,可将该待分析接口所在的应用作为根节点,或者将该待分析接口直接作为根节点,再根据各子应用之间的调用关系以及调用顺序,绘制有向图,作为调用拓扑图。
继续沿用上例,当电商应用向支付应用发送调用请求,以调用支付子应用时,可以待分析接口作为根节点,绘制图2A所示的调用拓扑图。当电商应用向支付应用发送调用请求,以调用身份认证子应用和支付子应用时,可以待分析接口作为根节点,绘制图2B所示的调用拓扑图,在图2B中,由于待分析接口接收到调用请求后,先调用身份认证子应用,在执行身份认证子应用后,由身份认证子应用调用支付子应用,因此,图2B所示的调用拓扑图根节点与身份认证子应用之间有边,身份认证子应用与支付子应用之间有边。
S106:根据各历史调用流量对应的调用拓扑图,对各历史调用流量进行聚类,其中,聚类出的每一个类别对应一个业务场景类别。
因为不同业务场景类别对应不同的业务,所以根据上述S100~S102所述的步骤可知,完成不同业务场景类别对应的不同业务,所需要调用的各子应用不同,也就意味着,对每两个历史调用流量来说,如果该两个历史调用流量所属业务场景类别不同,该两个历史调用流量所调用各子应用也不同,综上所述,可以根据同一待分析接口接收到的每个历史调用流量所调用的各子应用的不同,对该待分析接口接收到的每个历史调用流量进行分类。
根据上述S104所述的步骤可知,对同一待分析接口接收到的每个历史调用流量,都根据每个历史调用流量所调用的各子应用,绘制了每个历史调用流量对应的调用拓扑图,因此,可以根据每个历史调用流量对应的调用拓扑图来对每个历史调用流量进行分类。
对各历史调用流量进行分类的问题,可以看作对各历史调用流量进行聚类的问题,通过聚类可以将各历史调用流量划分为若干个聚类出的类别,每一个聚类出的类别就是一个业务场景类别。
具体地,可以通过对各历史调用流量对应的调用拓扑图之间的距离对各历史调用流量聚类,聚类方法可以包括但不限于使用DBSCAN的方式,根据各历史调用流量对应的调用拓扑图之间的距离,对各历史调用流量进行聚类,得到若干个聚类出的业务场景类别。
总而言之,针对以往认为同一待分析接口接收到的所有调用流量都发生在同一个业务场景类别,从而将该待分析接口接收到的所有调用流量都一概而论的情况,本说明书通过上述步骤S100~S106,先是确定了由同一待分析接口接收到的历史调用流量,然后通过确定每个历史调用流量所调用的各子应用,绘制出各历史调用流量对应的调用拓扑图,以各历史调用流量对应的调用拓扑图对各历史调用流量进行聚类,从而将每个历史调用流量都根据其所调用的各子应用划分为不同业务场景类别,这样做,不仅可以将同一待分析接口接收到的调用流量根据所属业务场景类别的不同分类讨论,而且使得一个业务场景类别内的每个历史调用流量都在一定程度上具有对该业务场景类别内所有历史调用流量的代表性。
进一步的,在上述图1所示的步骤S106中,需要先确定每两个调用拓扑图之间的距离,再根据每两个调用拓扑图之间的距离,对各历史调用流量进行聚类。其中,确定任意两个调用拓扑图之间的距离的方法可以为:确定该两个调用拓扑图的嵌入向量,再根据该两个调用拓扑图的嵌入向量确定该两个调用拓扑图之间的距离。
具体地,首先针对任意两个历史调用流量的调用拓扑图,确定该两个调用拓扑图中每个节点的嵌入向量,例如,可以使用诸如DeepWalk算法等方法将调用拓扑图中每个节点都表示为向量的形式,在得到该两个调用拓扑图中每个节点的嵌入向量之后,确定同一个调用拓扑图中所有节点的嵌入向量的平均值,作为该调用拓扑图的嵌入向量,通过所述该两个调用拓扑图的嵌入向量来计算该两个调用拓扑图之间的距离,例如,可以通过该两个调用拓扑图的嵌入向量之间的欧氏距离,或者该两个调用拓扑图的嵌入向量之间夹角的余弦值,来确定该两个调用拓扑图之间的距离等等。
除了上述提出的确定任意两个调用拓扑图之间的距离的方法以外,本说明书还提出了一种确定任意两个调用拓扑图之间的距离的方法:首先确定该两个调用拓扑图的延时向量,进而确定该两个调用拓扑图之间的距离。
具体地,首先统计每个调用拓扑图中所有节点的调用延时,针对每个调用拓扑图所有节点的调用延时,采用例如,筛选该调用拓扑图所有节点的调用延时中的最小值,1/4分位数,1/2分位数,3/4分位数,最大值等的方法来表示每个调用拓扑图的延时向量,通过每两个调用拓扑图的延时向量来确定该两个调用拓扑图之间的距离,比如,根据如上例所述的该两个调用拓扑图的延时向量,进而确定该两个调用拓扑图的延时向量中各分位数的差值,根据所述该两个调用拓扑图的延时向量中各分位数的差值,确定该两个调用拓扑图之间的距离。
本说明书还提供了第三种确定任意两个调用拓扑图之间的距离的方法:首先确定该两个调用拓扑图之间的图编辑距离,然后根据所述该两个调用拓扑图之间的图编辑距离,确定该两个调用拓扑图之间的距离。
另外,可以通过诸如加权的方式,选取上述三个方法中至少一个方法,确定该至少一个方法的加权系数,对该至少一个方法进行加权,例如,选取上述三个方法用来确定调用拓扑图G1和调用拓扑图G2之间的距离dist(G1,G2),确定上述三个方法所得该两个调用拓扑图之间的图编辑距离edit(G1,G2),确定该两个调用拓扑图的嵌入向量分别为gv1、gv2,确定该两个调用拓扑图的延时向量分别为gt1、gt2,确定三个方法的加权系数分别为ω1,ω2,ω3,根据公式dist(G1,G2)=ω1*edit(G1,G2)+ω2*||gt1-gt2||+ω3*||gv1-gv2||,确定该两个调用拓扑图之间的距离。
通过上述步骤S100~S106,将同一待分析接口接收到的历史调用流量划分为若干个业务场景类别,针对获得的每个业务场景类别,还需要对该业务场景类别进行刻画,为此,本说明书还提出了一种业务场景类别画像的方法,图3为本说明书提供的一种业务场景画像的流程示意图,具体包括以下步骤:
S300:针对聚类出的各业务场景类别,确定该业务场景类别内的各历史调用流量。
对每个业务场景类别画像其实是,对该业务场景类别内各历史调用流量进行概括性描述,该描述包括但不限于各历史调用流量调用各子应用时需要输入的参数,所调用的子应用返回的参数等等,因此,在对每个业务场景类别进行画像的时候,首先要确定该业务场景类别内的所有历史调用流量。
S302:根据该业务场景类别内的各历史调用流量,确定该业务场景类别内各历史调用流量中指定参数。
对业务场景类别的画像,需要对每个业务场景类别内各历史调用流量进行概括性描述,因此,需要知道每个历史调用流量调用各子应用输入的参数,所调用的子应用返回的参数,即每个历史调用流量调用各子应用的入参和出参。
具体地,首先确定业务系统发送的每个历史调用流量调用各子应用的入参和出参,作为每个参数。
将每个参数的键的所有可能的取值作为该参数的键对应的可选值,例如,确定一个参数的键为姓名,该参数的键的所有可能的取值分别为张三、李四、王五,则将张三、李四、王五作为该参数的键对应的可选值,将每个参数的键和其所对应的每个可选值确定为每个键值对,由此可以获得,每个业务场景类别内各历史调用流量所包含的每个键值对,一个键值对就是一个参数。
进一步的,因为是针对同一待分析接口接收到的历史调用流量进行业务场景分类得到业务场景类别,所以针对每个参数,存在每个业务场景类别内都含有该参数的情况,那么该参数不一定能作为业务场景类别画像的依据,在此基础上,需要确定每个业务场景类别内每个参数是否适合作为该业务场景类别画像的依据,因此,对每个参数进行筛选,选取指定参数对该业务场景类别画像。
具体地,针对每个参数,确定每个业务场景类别内含有该参数的历史调用流量的数量,进而确定每个业务场景类别内该参数的数量分布;确定每个业务场景类别内历史调用流量的数量,进而确定每个业务场景类别中历史调用流量的数量分布,根据所述两个数量分布的差异,将该差异按照从大到小的顺序排列,按照所述差异从大到小的顺序,针对每个业务场景类别,都分别选取指定数量的参数,作为指定参数,认为该指定参数适合作为该业务场景类别画像的依据。
可选地,当使用每个键值对作为每个参数时,针对每个业务场景类别内的每个键值对,确定每个业务场景类别内含有该键值对的历史调用流量的数量,进而确定每个业务场景类别内该键值对的数量分布,同样的,确定每个业务场景类别内历史调用流量的数量,进而确定每个业务场景类别中历史调用流量的数量分布,根据每个业务场景类别内历史调用流量的数量分布和每个键值对的数量分布的差异,选择指定数量的键值对,作为指定键值对,也就是指定参数,认为该指定参数适合作为该业务场景类别画像的依据。
确定每个业务场景类别内历史调用流量的数量分布和每个键值对的数量分布以及该两个数量分布的差异的方法,例如,将业务场景类别用y表示,分别选取业务场景类别yA、yB、yC,业务场景类别yA、yB、yC中分别含有4、4、3个历史调用流量,针对同一参数的键Fi选取两个可选值vij,作为键值对U、O,业务场景类别yA、yB、yC中含有键值对U的历史调用流量的数量分别为3、2、3,含有键值对O的历史调用流量的数量分别为2、2、3,根据公式P(y|Fi=vij)得到,键值对U在业务场景类别yA、yB、yC中数量分布分别为3/8、1/4、3/8,键值对O在业务场景类别yA、yB、yC中数量分布分别为2/7、2/7、3/7,根据公式P(y)得到,业务场景类别yA、yB、yC中历史调用流量的数量分布分别是4/11、4/11、3/11,将Di作为该两个数量分布的差异,将DKL作为KL散度,根据公式Di=∑jP(Fi=vij)DKL(P(y|Fi=vij),P(y)),确定该两个数量分布的差异。
S304:根据该业务场景类别内各历史调用流量中指定参数,确定该业务场景类别的画像。
由上述步骤S100~S106可知,同一个业务场景类别内的各历史调用流量所调用的各子应用会有相似的情况,即同一业务场景类别内各历史调用流量中选取的指定参数可能存在相似的情况,在这种情况下,对该业务场景类别的画像只需要从相似的指定参数中选取若干个指定参数即可。
通过上述步骤S300可知,对每个业务场景类别的画像参考了每个业务场景类别内的各历史调用流量,所以,业务场景类别画像具有对该业务场景类别内所有历史调用流量的代表性;又因为对每个参数进行筛选,所以,每个业务场景类别画像所使用的指定参数都足够独特,使得对每个业务场景类别的画像与其他业务场景类别有所区分。
进一步的,为了使得业务场景类别的画像更加精确,步骤S304对步骤S302得到的指定参数,进行进一步筛选,确定最终键值对,对每一个业务场景类别进行画像,而每一个业务场景类别内的最终键值对可以代表该业务场景类别内相似的指定参数。
具体地,根据步骤S302得到的指定参数,确定每个指定参数包含的键,根据每个指定参数的键的可选值,对每个键进行聚类,得到键类别,根据得到的键类别的聚类中心,确定最终键值对,用来对业务场景类别进行画像。
在步骤S304中,对键进行聚类的方法包括但不限于:使用包括但不限于one-hot编码的方式对选取的每个键进行编码,得到每个键对应的编码数据,使用包括但不限于PCA对编码数据进行降维,得到降维后的每个键对应的编码数据,然后使用包括但不限于k-means聚类的方法对降维后的每个键对应的编码数据进行聚类,得到若干个键类别。
进一步的,确定最终键值对的方法包括但不限于:对降维后每个键类别的聚类中心对应的键的编码数据进行升维,得到升维后每个键类别的聚类中心对应的键的编码数据,将所述升维后每个键类别的聚类中心对应的键的编码数据中的每个元素与预设阈值相比较,若该元素大于预设阈值,则可以将该元素对应的键的可选值确定为最终值,该元素所属编码数据对应的键和最终值的组合作为最终键值对。
通过上述图1和图3所示的方法,在对待分析接口接收到的历史调用流量进行业务场景分类以及对业务场景类别进行画像后,若该待分析接口再接收到调用流量(即当前接收到的调用流量)则针对当前通过该待分析接口接收的当前调用流量,可以根据已经对历史调用流量聚类出的各业务场景类别,对该当前调用流量所属的业务场景进行分类,具体方法如下:
确定当前正在通过待分析接口接收的调用流量,作为当前调用流量,然后根据当前调用流量所调用的各子应用,确定该当前调用流量对应的调用拓扑图,方法如上述步骤S104所示;同时确定已聚类出的每个业务场景类别的聚类中心所对应的调用拓扑图,根据该当前调用流量对应的调用拓扑图和已聚类出的每个业务场景类别的聚类中心所对应的调用拓扑图,确定当前调用流量对应的调用拓扑图和每个业务场景类别的聚类中心所对应的调用拓扑图之间的距离,根据该距离确定当前调用流量所属业务场景类别。
进一步的,根据当前调用流量对应的调用拓扑图和每个业务场景类别的聚类中心所对应的调用拓扑图之间的距离,确定该当前调用流量所属业务场景类别,包括但不限于,确定在所述每个业务场景类别中,聚类中心对应的调用拓扑图与所述当前调用流量对应的调用拓扑图距离最小的业务场景类别,作为指定类别,确定当前调用流量对应的调用拓扑图与所述指定类别的聚类中心所对应的调用拓扑图之间的距离,作为最小距离,若最小距离不大于预设距离阈值,则将当前调用流量所属业务场景类别确定为指定类别,若最小距离大于预设距离阈值,则确定一个新的业务场景类别,并将当前调用流量作为新确定的业务场景类别的聚类中心。
在此基础上,对于所述新确定的业务场景类别,可以根据如图3所示的业务场景类别画像的流程示意图,对所述新确定的业务场景类别进行画像。
以上为本说明书的一个或多个实施例提供的业务场景分类方法,基于同样的思路,本说明书还提供了相应的业务场景分类装置,如图4所示。
图4为本说明书提供的一种业务场景分类装置示意图,具体包括:
接收模块401,用于确定历史上通过待分析接口接收的历史调用流量;
确定模块402,用于针对每个历史调用流量,确定该历史调用流量所调用的各子应用;
绘图模块403,用于根据该历史调用流量所调用的各子应用,确定该历史调用流量对应的调用拓扑图;
聚类模块404,用于根据各历史调用流量对应的调用拓扑图,对各历史调用流量进行聚类,其中,聚类出的每一个类别对应一个业务场景类别。
可选地,所述绘图模块403具体用于,以该历史调用流量调用的各子应用为节点,以所述各子应用之间的调用关系作为边,确定该历史调用流量对应的调用拓扑图。
可选地,所述聚类模块404具体用于,针对每两个历史调用流量对应的调用拓扑图,根据该两个调用拓扑图的嵌入向量和/或延时向量和/或图编辑距离,确定该两个调用拓扑图之间的距离;根据每两个调用拓扑图之间的距离,对各历史调用流量进行聚类。
可选地,所述装置还包括:
画像模块405,具体用于针对聚类出的各业务场景类别,确定该业务场景类别内的各历史调用流量;根据该业务场景类别内的各历史调用流量,确定该业务场景类别内各历史调用流量中指定参数;根据该业务场景类别内各历史调用流量中指定参数,确定该业务场景类别的画像。
可选地,所述画像模块405具体用于,确定该业务场景类别内各历史调用流量中每个参数;针对每个参数,确定每个业务场景类别中含有该参数的历史调用流量的数量;根据每个业务场景类别中含有该参数的历史调用流量的数量,确定每个业务场景类别中该参数的数量分布;根据每个业务场景类别中的历史调用流量的数量,确定每个业务场景类别中的历史调用流量的数量分布;根据所述历史调用流量的数量分布和该参数的数量分布的差异,确定该业务场景类别中的指定参数。
可选地,所述画像模块405具体用于,按照所述差异从大到小的顺序,依次选择指定数量的参数,作为该业务场景类别的指定参数。
可选地,所述画像模块405具体用于,针对该业务场景类别中选取的每个指定参数,确定该指定参数包含的键;根据该键对应的所有可选值,对该键进行编码,得到该键对应的编码数据;根据每个键对应的编码数据,对该业务场景类别中选取的各键进行聚类,得到若干个键类别;针对每个键类别,在该键类别的聚类中心的键对应的可选值中,确定最终值,将该键类别的聚类中心的键与所述最终值作为最终键值对;根据该业务场景类别的最终键值对,确定该业务场景类别的画像。
可选地,所述画像模块405具体用于,对每个键的编码数据进行降维;根据降维后的每个键对应的编码数据,对各键进行聚类。
可选地,所述画像模块405具体用于,将降维后的该键类别的聚类中心的键的编码数据进行升维;针对升维后的该键类别的聚类中心的键的编码数据中的每个元素,判断该元素是否大于预设阈值;若是,则在该键类别的聚类中心的键对应的可选值中,将该元素对应的值确定为最终值。
可选地,所述装置还包括:
分类模块406,具体用于确定当前通过待分析接口接收的当前调用流量;确定所述当前调用流量所调用的各子应用;根据所述当前调用流量所调用的各子应用,确定所述当前调用流量对应的调用拓扑图;根据已聚类出的各业务场景类别的聚类中心,确定所述当前调用流量对应的调用拓扑图与所述各业务场景类别的聚类中心对应的调用拓扑图的距离;根据所述当前调用流量对应的调用拓扑图与所述各业务场景类别的聚类中心对应的调用拓扑图的距离,确定当前调用流量所属业务场景类别。
可选地,所述分类模块406具体用于,确定在所述各业务场景类别中,聚类中心对应的调用拓扑图与所述当前调用流量对应的调用拓扑图距离最小的业务场景类别,作为指定类别,并确定所述指定类别的聚类中心对应的调用拓扑图与所述当前调用流量对应的调用拓扑图的距离,作为最小距离;若所述最小距离大于预设的距离阈值,则生成除已聚类出的各业务场景类别以外的新的业务场景类别,并将所述当前调用流量作为所述新的业务场景类别的聚类中心;若所述最小距离不大于所述距离阈值,则将当前调用流量所属的业务场景类别确定为所述指定类别。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的业务场景分类方法。
本说明书还提供了图5所示的电子设备的结构示意图。如图5所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的业务场景分类方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商品或者设备不仅包括那些要素,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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (14)
1.一种业务场景分类方法,所述方法包括:
确定历史上通过待分析接口接收的历史调用流量;
针对每个历史调用流量,确定该历史调用流量所调用的各子应用;
根据该历史调用流量所调用的各子应用,确定该历史调用流量对应的调用拓扑图;
根据各历史调用流量对应的调用拓扑图,对各历史调用流量进行聚类,其中,聚类出的每一个类别对应一个业务场景类别。
2.如权利要求1所述的方法,确定该历史调用流量对应的调用拓扑图,具体包括:
以该历史调用流量调用的各子应用为节点,以所述各子应用之间的调用关系作为边,确定该历史调用流量对应的调用拓扑图。
3.如权利要求1所述的方法,对各历史调用流量进行聚类,具体包括:
针对每两个历史调用流量对应的调用拓扑图,根据该两个调用拓扑图的嵌入向量和/或延时向量和/或图编辑距离,确定该两个调用拓扑图之间的距离;
根据每两个调用拓扑图之间的距离,对各历史调用流量进行聚类。
4.如权利要求1所述的方法,所述方法还包括:
针对聚类出的各业务场景类别,确定该业务场景类别内的各历史调用流量;
根据该业务场景类别内的各历史调用流量,确定该业务场景类别内各历史调用流量中指定参数;
根据该业务场景类别内各历史调用流量中指定参数,确定该业务场景类别的画像。
5.如权利要求4所述的方法,确定该业务场景类别内各历史调用流量中指定参数,具体包括:
确定该业务场景类别内各历史调用流量中每个参数;
针对每个参数,确定每个业务场景类别中含有该参数的历史调用流量的数量;
根据每个业务场景类别中含有该参数的历史调用流量的数量,确定每个业务场景类别中该参数的数量分布;
根据每个业务场景类别中的历史调用流量的数量,确定每个业务场景类别中的历史调用流量的数量分布;
根据所述历史调用流量的数量分布和该参数的数量分布的差异,确定该业务场景类别中的指定参数。
6.如权利要求5所述的方法,确定该业务场景类别中的指定参数,具体包括:
按照所述差异从大到小的顺序,依次选择指定数量的参数,作为该业务场景类别的指定参数。
7.如权利要求5所述的方法,根据该业务场景类别中的指定参数,确定该业务场景类别的画像,具体包括:
针对该业务场景类别中选取的每个指定参数,确定该指定参数包含的键;
根据该键对应的所有可选值,对该键进行编码,得到该键对应的编码数据;
根据每个键对应的编码数据,对该业务场景类别中选取的各键进行聚类,得到若干个键类别;
针对每个键类别,在该键类别的聚类中心的键对应的可选值中,确定最终值,将该键类别的聚类中心的键与所述最终值作为最终键值对;
根据该业务场景类别的最终键值对,确定该业务场景类别的画像。
8.如权利要求7所述的方法,对该选取的各键进行聚类,具体包括:
对每个键的编码数据进行降维;
根据降维后的每个键对应的编码数据,对各键进行聚类。
9.如权利要求8所述的方法,在该键类别的聚类中心的键对应的可选值中,确定最终值,具体包括:
将降维后的该键类别的聚类中心的键的编码数据进行升维;
针对升维后的该键类别的聚类中心的键的编码数据中的每个元素,判断该元素是否大于预设阈值;
若是,则在该键类别的聚类中心的键对应的可选值中,将该元素对应的值确定为最终值。
10.如权利要求1所述的方法,所述方法还包括:
确定当前通过待分析接口接收的当前调用流量;
确定所述当前调用流量所调用的各子应用;
根据所述当前调用流量所调用的各子应用,确定所述当前调用流量对应的调用拓扑图;
根据已聚类出的各业务场景类别的聚类中心,确定所述当前调用流量对应的调用拓扑图与所述各业务场景类别的聚类中心对应的调用拓扑图的距离;
根据所述当前调用流量对应的调用拓扑图与所述各业务场景类别的聚类中心对应的调用拓扑图的距离,确定当前调用流量所属业务场景类别。
11.如权利要求10所述的方法,确定当前调用流量所属业务场景类别,具体包括:
确定在所述各业务场景类别中,聚类中心对应的调用拓扑图与所述当前调用流量对应的调用拓扑图距离最小的业务场景类别,作为指定类别,并确定所述指定类别的聚类中心对应的调用拓扑图与所述当前调用流量对应的调用拓扑图的距离,作为最小距离;
若所述最小距离大于预设的距离阈值,则生成除已聚类出的各业务场景类别以外的新的业务场景类别,并将所述当前调用流量作为所述新的业务场景类别的聚类中心;若所述最小距离不大于所述距离阈值,则将当前调用流量所属的业务场景类别确定为所述指定类别。
12.一种业务场景分类的装置,所述装置包括:
接收模块,用于确定历史上通过待分析接口接收的历史调用流量;
确定模块,用于针对每个历史调用流量,确定该历史调用流量所调用的各子应用;
绘图模块,用于根据该历史调用流量所调用的各子应用,确定该历史调用流量对应的调用拓扑图;
聚类模块,用于根据各历史调用流量对应的调用拓扑图,对各历史调用流量进行聚类,其中,聚类出的每一个类别对应一个业务场景类别。
13.一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被执行时实现上述权利要求1~11中任一项所述的方法。
14.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述权利要求1~11中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211430256.7A CN115795342B (zh) | 2022-11-15 | 2022-11-15 | 一种业务场景分类的方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211430256.7A CN115795342B (zh) | 2022-11-15 | 2022-11-15 | 一种业务场景分类的方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115795342A true CN115795342A (zh) | 2023-03-14 |
CN115795342B CN115795342B (zh) | 2024-02-06 |
Family
ID=85437971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211430256.7A Active CN115795342B (zh) | 2022-11-15 | 2022-11-15 | 一种业务场景分类的方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115795342B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120026914A1 (en) * | 2010-07-28 | 2012-02-02 | Swapnesh Banerjee | Analyzing Network Activity by Presenting Topology Information with Application Traffic Quantity |
US20120226943A1 (en) * | 2011-03-01 | 2012-09-06 | International Business Machines Corporation | System and method to efficiently identify bad components in a multi-node system utilizing multiple node topologies |
EP2633600A2 (de) * | 2010-10-28 | 2013-09-04 | CBB Software GmbH | Verfahren zur kurzzyklischen datenerfassung zum energiemonitoring und zur netzsteuerung im smart metering/smart grid unter verwendung einer verteilten, intelligenten middleware |
CN106355391A (zh) * | 2015-07-16 | 2017-01-25 | 阿里巴巴集团控股有限公司 | 一种业务处理方法及装置 |
US20170220887A1 (en) * | 2016-01-29 | 2017-08-03 | Pointivo, Inc. | Systems and methods for extracting information about objects from scene information |
WO2018219223A1 (zh) * | 2017-05-31 | 2018-12-06 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置及存储介质 |
CN110175113A (zh) * | 2019-04-18 | 2019-08-27 | 阿里巴巴集团控股有限公司 | 业务场景确定方法和装置 |
CN111459826A (zh) * | 2020-04-03 | 2020-07-28 | 中国建设银行股份有限公司 | 代码缺陷识别方法及系统 |
WO2020155788A1 (zh) * | 2019-01-30 | 2020-08-06 | 阿里巴巴集团控股有限公司 | 一种数据确定方法、装置、设备及介质 |
CN111552509A (zh) * | 2020-04-30 | 2020-08-18 | 深圳前海微众银行股份有限公司 | 一种接口间依赖关系的确定方法及装置 |
WO2020248843A1 (zh) * | 2019-06-14 | 2020-12-17 | 平安科技(深圳)有限公司 | 基于大数据的画像分析方法、装置、计算机设备及存储介质 |
CN112181530A (zh) * | 2020-03-10 | 2021-01-05 | 简吉波 | 基于云平台的虚拟现实场景加载方法及虚拟现实系统 |
CN112837059A (zh) * | 2021-01-12 | 2021-05-25 | 曹燕 | 用于区块链安全防护的支付策略调用方法及数字金融平台 |
CN114553709A (zh) * | 2022-04-28 | 2022-05-27 | 恒生电子股份有限公司 | 拓扑关系展示方法及相关设备 |
CN114826718A (zh) * | 2022-04-19 | 2022-07-29 | 中国人民解放军战略支援部队航天工程大学 | 一种基于多维度信息的内部网络异常检测方法及系统 |
CN115269357A (zh) * | 2022-09-23 | 2022-11-01 | 华南理工大学 | 一种基于调用链的微服务异常检测方法 |
-
2022
- 2022-11-15 CN CN202211430256.7A patent/CN115795342B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120026914A1 (en) * | 2010-07-28 | 2012-02-02 | Swapnesh Banerjee | Analyzing Network Activity by Presenting Topology Information with Application Traffic Quantity |
EP2633600A2 (de) * | 2010-10-28 | 2013-09-04 | CBB Software GmbH | Verfahren zur kurzzyklischen datenerfassung zum energiemonitoring und zur netzsteuerung im smart metering/smart grid unter verwendung einer verteilten, intelligenten middleware |
US20120226943A1 (en) * | 2011-03-01 | 2012-09-06 | International Business Machines Corporation | System and method to efficiently identify bad components in a multi-node system utilizing multiple node topologies |
CN106355391A (zh) * | 2015-07-16 | 2017-01-25 | 阿里巴巴集团控股有限公司 | 一种业务处理方法及装置 |
US20170220887A1 (en) * | 2016-01-29 | 2017-08-03 | Pointivo, Inc. | Systems and methods for extracting information about objects from scene information |
WO2018219223A1 (zh) * | 2017-05-31 | 2018-12-06 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置及存储介质 |
WO2020155788A1 (zh) * | 2019-01-30 | 2020-08-06 | 阿里巴巴集团控股有限公司 | 一种数据确定方法、装置、设备及介质 |
CN110175113A (zh) * | 2019-04-18 | 2019-08-27 | 阿里巴巴集团控股有限公司 | 业务场景确定方法和装置 |
WO2020248843A1 (zh) * | 2019-06-14 | 2020-12-17 | 平安科技(深圳)有限公司 | 基于大数据的画像分析方法、装置、计算机设备及存储介质 |
CN112181530A (zh) * | 2020-03-10 | 2021-01-05 | 简吉波 | 基于云平台的虚拟现实场景加载方法及虚拟现实系统 |
CN111459826A (zh) * | 2020-04-03 | 2020-07-28 | 中国建设银行股份有限公司 | 代码缺陷识别方法及系统 |
CN111552509A (zh) * | 2020-04-30 | 2020-08-18 | 深圳前海微众银行股份有限公司 | 一种接口间依赖关系的确定方法及装置 |
CN112837059A (zh) * | 2021-01-12 | 2021-05-25 | 曹燕 | 用于区块链安全防护的支付策略调用方法及数字金融平台 |
CN114826718A (zh) * | 2022-04-19 | 2022-07-29 | 中国人民解放军战略支援部队航天工程大学 | 一种基于多维度信息的内部网络异常检测方法及系统 |
CN114553709A (zh) * | 2022-04-28 | 2022-05-27 | 恒生电子股份有限公司 | 拓扑关系展示方法及相关设备 |
CN115269357A (zh) * | 2022-09-23 | 2022-11-01 | 华南理工大学 | 一种基于调用链的微服务异常检测方法 |
Non-Patent Citations (2)
Title |
---|
MIREILLE EL GHECHE 等: "OrthoNet: Multilayer Network Data Clustering", 《ARXIV》, vol. 2020, pages 1 - 11 * |
赵季红 等: "面向多业务场景的端到端网络切片安全部署算法", 《电子与信息学报》, vol. 44, no. 4, pages 1421 - 1428 * |
Also Published As
Publication number | Publication date |
---|---|
CN115795342B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110751515A (zh) | 一种基于用户消费行为的决策方法和装置、电子设备及存储介质 | |
CN114419679B (zh) | 基于可穿戴设备数据的数据分析方法、装置及系统 | |
CN112035881B (zh) | 一种基于隐私保护的应用程序识别方法、装置及设备 | |
CN111062431A (zh) | 图像聚类方法、图像聚类装置、电子设备及存储介质 | |
CN115035347A (zh) | 图片识别方法、装置及电子设备 | |
CN116049761A (zh) | 数据处理方法、装置及设备 | |
CN115841335A (zh) | 数据处理方法、装置及设备 | |
CN109376988B (zh) | 一种业务数据的处理方法和装置 | |
CN116029556B (zh) | 一种业务风险的评估方法、装置、设备及可读存储介质 | |
CN115567371B (zh) | 一种异常检测方法、装置、设备及可读存储介质 | |
CN108804563A (zh) | 一种数据标注方法、装置以及设备 | |
CN116957329A (zh) | 一种风险识别方法、装置、设备及可读存储介质 | |
CN115545572B (zh) | 一种业务风控的方法、装置、设备及存储介质 | |
CN116822606A (zh) | 一种异常检测模型的训练方法、装置、设备及存储介质 | |
CN115564450A (zh) | 一种风控方法、装置、存储介质及设备 | |
CN115795342B (zh) | 一种业务场景分类的方法、装置、存储介质及电子设备 | |
CN115827918A (zh) | 一种执行业务的方法、装置、存储介质及电子设备 | |
CN113992429B (zh) | 一种事件的处理方法、装置及设备 | |
CN115204395A (zh) | 数据的处理方法、装置及设备 | |
CN115545938B (zh) | 一种执行风险识别业务的方法、装置、存储介质及设备 | |
CN116109008B (zh) | 一种业务执行的方法、装置、存储介质及电子设备 | |
CN109903165A (zh) | 一种模型合并方法和装置 | |
CN113204664B (zh) | 一种图像聚类方法及装置 | |
CN115828171B (zh) | 一种端云协同执行业务的方法、装置、介质及设备 | |
CN117972436B (zh) | 大语言模型的训练方法、训练装置、存储介质及电子设备 |
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 |