CN115878362A - 一种操作系统异常定位方法、装置、设备及存储介质 - Google Patents
一种操作系统异常定位方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115878362A CN115878362A CN202211735383.8A CN202211735383A CN115878362A CN 115878362 A CN115878362 A CN 115878362A CN 202211735383 A CN202211735383 A CN 202211735383A CN 115878362 A CN115878362 A CN 115878362A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- log information
- computer
- sample
- trained
- 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
Landscapes
- Debugging And Monitoring (AREA)
Abstract
本公开提供了一种操作系统异常定位方法、装置、设备及存储介质,所述方法包括:当检测到计算机出现异常状态时,获取计算机的Linux内核及系统的日志信息;将日志信息输入预先训练的异常定位模型,得到异常状态对应的解决策略;基于解决策略调整Linux内核及系统的源码,以修正异常状态。采用该方法,利用异常定位模型可以对计算机出现异常状态时的Linux内核及系统的日志信息进行分析,确定出异常状态对应的解决策略,解决策略可以辅助内核工程师定位导致计算机异常的问题、修正异常状态,从而提高计算机异常的定位及解决效率。因此,该方法在减少了时间资源和人力资源消耗的前提下,实现了Linux内核及系统的bug定位。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种操作系统异常定位方法、装置、设备及存储介质。
背景技术
计算机系统是一个硬件和软件的共生体。计算机的硬件包括外围设备、处理器、内存和硬盘等。计算机的硬件需要通过计算的软件控制驱动才能进行工作,而完成这个控制驱动工作的计算机软件被称为操作系统。Linux就是一套类Unix操作系统的计算机操作系统。
Linux内核及系统庞大而复杂,其代码总量已超过3000万行。而由于Linux内核及系统过于复杂,导致Linux内核及系统中很多bug难以被定位、分析和解决,从而成为了长期不能被解决的疑难bug,也被称为死bug。其中,bug是指计算机系统的一些缺陷或问题。
目前常用的定位Linux内核及系统bug的方法是通过内核工程师筛查Linux内核及系统的日志信息进行bug定位。然而,Linux内核及系统的日志信息的信息量巨大,通过日志信息进行bug定位需要消耗巨大的时间资源和人力资源。
因此,如何在减少时间资源和人力资源消耗的前提下,实现Linux内核及系统的bug定位成为了一个亟待解决的问题。
发明内容
本公开提供了一种操作系统异常定位方法、装置、设备及存储介质,以至少解决现有技术中存在的以上技术问题。
根据本公开的第一方面,提供了一种操作系统异常定位方法,所述方法包括:
当检测到计算机出现异常状态时,获取所述计算机的Linux内核及系统的日志信息;
将所述日志信息输入预先训练的异常定位模型,得到所述异常状态对应的解决策略;
基于所述解决策略调整所述Linux内核及系统的源码,以修正所述异常状态;
其中,异常定位模型为:基于所述计算机对应的样本异常日志信息和所述样本异常日志信息对应的异常解决策略,对待训练神经网络模型进行训练得到的模型。
在一可实施方式中,所述异常定位模型的训练方式包括:
获取所述计算机对应的样本异常日志信息,以及所述样本异常日志信息对应的异常解决策略;
将所述样本异常日志信息输入待训练神经网络,得到预测的日志信息异常解决策略;
根据所述日志信息异常解决策略和所述异常解决策略,确定所述待训练神经网络的损失函数值;
如果所述损失函数值小于预设损失阈值,将所述待训练神经网络确定为所述异常定位模型;
如果所述损失函数值不小于所述预设损失阈值,调整所述待训练神经网络的参数,并返回确定为所述获取所述计算机对应的样本异常日志信息,以及所述样本异常日志信息对应的异常解决策略的步骤。
在一可实施方式中,所述获取所述计算机对应的样本异常日志信息,以及所述样本异常日志信息对应的异常解决策略,包括:
当计算机工作异常时,获取所述计算机的Linux内核及系统的日志;
从所述日志中筛选出与所述计算机工作异常相关的多个信息,作为疑似错误信息;
按照所述疑似错误信息对应的权重大小,从多个所述疑似错误信息中选择预设数量个疑似错误信息,作为样本异常日志信息;
确定各个所述样本异常日志信息在所述Linux内核及系统的源码中对应的代码位置;
基于所述代码位置确定各个所述样本异常日志信息对应的异常解决策略。
在一可实施方式中,所述方法还包括:
基于所述日志信息和所述解决策略更新所述异常定位模型。
根据本公开的第二方面,提供了一种操作系统异常定位装置,所述装置包括:
日志获取模块,用于当检测到计算机出现异常状态时,获取所述计算机的Linux内核及系统的日志信息;
策略确定模块,用于将所述日志信息输入预先训练的异常定位模型,得到所述异常状态对应的解决策略;
异常修正模块,用于基于所述解决策略调整所述Linux内核及系统的源码,以修正所述异常状态;
其中,异常定位模型为:基于所述计算机对应的样本异常日志信息和所述样本异常日志信息对应的异常解决策略,对待训练神经网络模型进行训练得到的模型。
在一可实施方式中,所述装置还包括:
模型训练模块,用于获取所述计算机对应的样本异常日志信息,以及所述样本异常日志信息对应的异常解决策略;将所述样本异常日志信息输入待训练神经网络,得到预测的日志信息异常解决策略;根据所述日志信息异常解决策略和所述异常解决策略,确定所述待训练神经网络的损失函数值;如果所述损失函数值小于预设损失阈值,将所述待训练神经网络确定为所述异常定位模型;如果所述损失函数值不小于所述预设损失阈值,调整所述待训练神经网络的参数,并返回确定为所述获取所述计算机对应的样本异常日志信息,以及所述样本异常日志信息对应的异常解决策略的步骤。
在一可实施方式中,所述模型训练模块,具体用于当计算机工作异常时,获取所述计算机的Linux内核及系统的日志;从所述日志中筛选出与所述计算机工作异常相关的多个信息,作为疑似错误信息;按照所述疑似错误信息对应的权重大小,从多个所述疑似错误信息中选择预设数量个疑似错误信息,作为样本异常日志信息;确定各个所述样本异常日志信息在所述Linux内核及系统的源码中对应的代码位置;基于所述代码位置确定各个所述样本异常日志信息对应的异常解决策略。
在一可实施方式中,所述装置还包括:
模型更新模块,用于基于所述日志信息和所述解决策略更新所述异常定位模型。
根据本公开的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开所述的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使计算机执行本公开所述的方法。
采用本公开实施例提供的方法,当检测到计算机出现异常状态时,获取计算机的Linux内核及系统的日志信息;将日志信息输入预先训练的异常定位模型,得到异常状态对应的解决策略;基于解决策略调整Linux内核及系统的源码,以修正异常状态。本公开预先基于计算机对应的样本异常日志信息和样本异常日志信息对应的异常解决策略,对待训练神经网络模型进行训练得到了异常定位模型。利用异常定位模型可以对计算机出现异常状态时的Linux内核及系统的日志信息进行分析,确定出异常状态对应的解决策略,解决策略可以辅助内核工程师快速精准地定位导致计算机异常的问题、修正异常状态,从而提高计算机异常的定位及解决效率。因此,本公开在减少了时间资源和人力资源消耗的前提下,实现了Linux内核及系统的bug定位。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开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
通过参考附图阅读下文的详细描述,本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本公开的若干实施方式,其中:
在附图中,相同或对应的标号表示相同或对应的部分。
图1示出了本公开实施例提供的操作系统异常定位方法的一种实现流程示意图;
图2示出了本公开实施例提供的异常定位模型的一种训练流程示意图;
图3示出了本公开实施例提供的操作系统异常定位装置的一种结构示意图;
图4示出了本公开实施例一种电子设备的组成结构示意图。
具体实施方式
为使本公开的目的、特征、优点能够更加的明显和易懂,下面将结合本公开实施例中的附图,对本公开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公开一部分实施例,而非全部实施例。基于本公开中的实施例,本领域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,都属于本公开保护的范围。
由于目前常用的定位Linux内核及系统的bug的方法需要消耗巨大的时间资源和人力资源。因此,为了在减少时间资源和人力资源消耗的前提下实现Linux内核及系统的bug定位,本公开提供了一种操作系统异常定位方法、装置、设备及存储介质。本公开提供的方法可以应用于手机、电脑和服务器等电子设备。
下面将结合本公开实施例中的附图,对本公开实施例的技术方案进行描述。
图1示出了本公开实施例提供的操作系统异常定位方法的一种实现流程示意图,如图1所示,所述方法包括:
S101,当检测到计算机出现异常状态时,获取所述计算机的Linux内核及系统的日志信息。
计算机的异常状态可以包括死机、重启、驱动程序故障、软件运行速度缓慢和软件中毒等。
S102,将所述日志信息输入预先训练的异常定位模型,得到所述异常状态对应的解决策略。
其中,异常定位模型为:基于所述计算机对应的样本异常日志信息和所述样本异常日志信息对应的异常解决策略,对待训练神经网络模型进行训练得到的模型。
S103,基于所述解决策略调整所述Linux内核及系统的源码,以修正所述异常状态。
所述解决策略可以包括:所述异常状态对应的日志字段在所述Linux内核及系统的源码中对应代码的位置信息,以及该代码对应的修改方式。
内核工程师可以根据所述解决策略,针对所述Linux内核及系统的源码中与所述异常状态相关的各个代码,根据该代码的位置信息查找到该代码,然后按照该代码对应的修改方式对该代码进行调整,实现修正所述异常状态。
采用本公开实施例提供的方法,当检测到计算机出现异常状态时,获取计算机的Linux内核及系统的日志信息;将日志信息输入预先训练的异常定位模型,得到异常状态对应的解决策略;基于解决策略调整Linux内核及系统的源码,以修正异常状态。本公开预先基于计算机对应的样本异常日志信息和样本异常日志信息对应的异常解决策略,对待训练神经网络模型进行训练得到了异常定位模型。利用异常定位模型可以对计算机出现异常状态时的Linux内核及系统的日志信息进行分析,确定出异常状态对应的解决策略,解决策略可以辅助内核工程师快速精准地定位导致计算机异常的问题、修正异常状态,从而提高计算机异常的定位及解决效率。因此,本公开在减少了时间资源和人力资源消耗的前提下,实现了Linux内核及系统的bug定位。
在一可实施方式中,图2示出了本公开实施例提供的异常定位模型的一种训练流程示意图。如图2所示,所述异常定位模型的训练方式包括:
S201,获取所述计算机对应的样本异常日志信息,以及所述样本异常日志信息对应的异常解决策略。
本公开中,所述获取所述计算机对应的样本异常日志信息,以及所述样本异常日志信息对应的异常解决策略,可以包括如下步骤A1-A5:
步骤A1,当计算机工作异常时,获取所述计算机的Linux内核及系统的日志。
例如,在计算机死机或重启时,可以获取计算机的Linux内核及系统的日志,用于确定计算机死机或重启的原因以及解决策略。
步骤A2,从所述日志中筛选出与所述计算机工作异常相关的多个信息,作为疑似错误信息。
本步骤中,可以由内核工程师对日志进行粗筛,从日志中筛选出与计算机工作异常相关的信息作为疑似错误信息。或者,也可以将日志中与计算机工作异常对应的日志信息均作为疑似错误信息,例如,若计算机死机,则可以将日志中与计算机开机和关机有关的日志信息均作为疑似错误信息。
步骤A3,按照所述疑似错误信息对应的权重大小,从多个所述疑似错误信息中选择预设数量个疑似错误信息,作为样本异常日志信息。
本公开中,可以根据计算机出现异常前后疑似错误信息在日志中所对应的位置变化程度,该疑似错误信息对计算机工作的影响程度,将该疑似错误信息5对计算机工作的影响程度确定为该疑似错误信息对应的权重大小。具体的,疑似错误信息在计算机出现异常前后所对应的位置变化程度越大,表示该疑似错误信息对计算机工作的影响程度越大,则该疑似错误信息对应的权重越大。
具体的,本步骤中可以按照疑似错误信息对应的权重大小,对各个疑似错误信息进行排序;然后根据排序结果,从所有疑似错误信息中选择对应权重大0的预设数量个疑似错误信息,作为样本异常日志信息。其中,预设数量可以设置为5或10等。若疑似错误信息数量不大于预设数量,则可以将疑似错误信息全部确定为样本异常日志信息。
举例说明,若预设数量设置为5,且假设计算机出现了死机问题,则在强制重启计算机后可以获取计算机的Linux内核及系统的日志,从日志中筛选出5与计算机工作异常相关的多个信息作为疑似错误信息,例如,从日志筛选出包含“error”、“failed”和“panic”等关键字的信息作为疑似错误信息。
根据计算机出现异常前后“error(错误)”、“failed(失败)”和“panic(死机)”等关键字的信息在日志中所对应的位置变化程度,确定出各个疑似错误
信息对应的权重大小,然后,按照权重大小对各个疑似错误信息进行排序,并0选取权重最大的5个疑似错误信息作为样本异常日志信息。若疑似错误信息数量不足5个,则可以将疑似错误信息全部确定为样本异常日志信息。
步骤A4,确定各个所述样本异常日志信息在所述Linux内核及系统的源码中对应的代码位置。
由于只有定位出样本异常日志信息对应的所述Linux内核及系统的源代码,,5才能确定计算机异常的直接原因和/或根本原因。因此,本公开中需要确定各个所述样本异常日志信息在所述Linux内核及系统的源码中对应的代码位置。
本公开中,可以通过模糊搜索的方式,在Linux内核及系统的源码中搜索各个样本异常日志信息对应的内核及系统的源码的位置,即代码位置。其中,模糊搜索是指通过提取样本异常日志信息的关键字符,利用关键字符在Linux内核及系统的源码中搜索各个样本异常日志信息对应的内核及系统的源码的位置的方式。
举例说明,Linux内核及系统的日志中包括以下样本异常日志信息“Ding-Perlis-MP26JBT0 kernel”、“[97816.202281]ideapad_acpi”和“VPC2004:00:kbd bl event:12”,如果直接在Linux内核及系统的源码中检索“Ding-Perlis-MP26JBT0 kernel”、“[97816.202281]ideapad_acpi”和“VPC2004:00:kbd bl event:12”对应的源码,检索不出,因此,可以采用样本异常日志信息中的一些可能会出现在Linux内核及系统的源码中的关键字符,检索样本异常日志信息对应的源码。例如,针对样本异常日志信息“VPC2004:00:kbd bl event:12”,可以提取其关键字符“kbd bl event”,利用关键字“kbd bl event”检索样本异常日志信息“VPC2004:00:kbd bl event:12”对应的源码。
以上述样本异常日志信息“[97816.202281]ideapad_acpi”为例,通过上述模糊搜索方法,可以确定出该样本异常日志信息在Linux内核及系统的源码中对应的代码位置为:在<内核源码根目录>/drivers/platform/x86/ideapad-laptop.c的ideapad_acpi_notify函数中。
步骤A5,基于所述代码位置确定各个所述样本异常日志信息对应的异常解决策略。
本步骤中,内核工程师可以根据所述代码位置制定出各个样本异常日志信息对应的异常解决策略。例如,若样本异常日志信息“[97816.202281]ideapad_acpi”在Linux内核及系统的源码中对应的代码位置为在<内核源码根目录>/drivers/platform/x86/ideapad-laptop.c的ideapad_acpi_notify函数中。内核工程师根据代码位置可以精准快速查找到样本异常日志信息“[97816.202281]ideapad_acpi”对应的Linux内核的源码部分,进而针对该源码部分制定出异常解决策略,例如,异常解决策略为修改该源码部分的某些字符、增加该源码部分的某些字符或删去该源码部分的某些字符。
在确定出计算机对应的样本异常日志信息以及样本异常日志信息对应的异常解决策略后,可以采用NLP(Natural Language Processing,自然语言处理)算法,将样本异常日志信息和对应的异常解决策略转换为能够利用自然语言处理的数据,并基于转换后的数据对待训练神经网络进行训练。
S202,将所述样本异常日志信息输入待训练神经网络,得到预测的日志信息异常解决策略。
S203,根据所述日志信息异常解决策略和所述异常解决策略,确定所述待训练神经网络的损失函数值。
损失函数可以采用交叉熵损失函数、对数损失函数或绝对值损失函数等,此处不做具体限定。
S204,如果所述损失函数值小于预设损失阈值,将所述待训练神经网络确定为所述异常定位模型。
其中,预设损失函数阈值可以根据实际应用场景进行设置,其设置原则为:可以将预设损失函数阈值设置为损失函数趋于收敛区间内的值。
S205,如果所述损失函数值不小于所述预设损失阈值,调整所述待训练神经网络的参数,并返回确定为所述获取所述计算机对应的样本异常日志信息,以及所述样本异常日志信息对应的异常解决策略的步骤。
具体的,可以优先调整所述待训练神经网络中与预测日志信息异常解决策略关系较大的参数。
在一可实施方式中,所述操作系统异常定位方法还包括如下步骤B1:
步骤B1,基于所述日志信息和所述解决策略更新所述异常定位模型。
具体的,可以将日志信息作为样本日志信息,将所述解决策略作为样本日志信息对应的实际解决策略,按照上述S202-S205的方式对异常定位模型进行迭代。
采用本公开提供的方法,随着异常日志以及对应的解决策略的增加,利用这些异常日志以及对应的解决策略对异常定位模型进行训练更新,可以异常定5位模型的输出结果更为准确,使得计算机异常定位更精准快速,从而进一步提升了处理计算机异常的效率。
基于同一发明构思,根据本公开上述实施例提供的操作系统异常定位方法,相应地,本公开另一实施例还提供了一种操作系统异常定位装置,其结构示意图如图3所示,具体包括:
0日志获取模块301,用于当检测到计算机出现异常状态时,获取所述计算机的Linux内核及系统的日志信息;
策略确定模块302,用于将所述日志信息输入预先训练的异常定位模型,得到所述异常状态对应的解决策略;
异常修正模块303,用于基于所述解决策略调整所述Linux内核及系统的5源码,以修正所述异常状态;
其中,异常定位模型为:基于所述计算机对应的样本异常日志信息和所述样本异常日志信息对应的异常解决策略,对待训练神经网络模型进行训练得到的模型。
采用本公开实施例提供的装置,当检测到计算机出现异常状态时,获取计0算机的Linux内核及系统的日志信息;将日志信息输入预先训练的异常定位模型,得到异常状态对应的解决策略;基于解决策略调整Linux内核及系统的源码,以修正异常状态。本公开预先基于计算机对应的样本异常日志信息和样本异常日志信息对应的异常解决策略,对待训练神经网络模型进行训练得到了异
常定位模型。利用异常定位模型可以对计算机出现异常状态时的Linux内核及5系统的日志信息进行分析,确定出异常状态对应的解决策略,解决策略可以辅助内核工程师快速精准地定位导致计算机异常的问题、修正异常状态,从而提高计算机异常的定位及解决效率。因此,本公开在减少了时间资源和人力资源消耗的前提下,实现了Linux内核及系统的bug定位。
在一可实施方式中,所述装置还包括:
模型训练模块(图中未示出),用于获取所述计算机对应的样本异常日志信息,以及所述样本异常日志信息对应的异常解决策略;将所述样本异常日志信息输入待训练神经网络,得到预测的日志信息异常解决策略;根据所述日志信息异常解决策略和所述异常解决策略,确定所述待训练神经网络的损失函数值;如果所述损失函数值小于预设损失阈值,将所述待训练神经网络确定为所述异常定位模型;如果所述损失函数值不小于所述预设损失阈值,调整所述待训练神经网络的参数,并返回确定为所述获取所述计算机对应的样本异常日志信息,以及所述样本异常日志信息对应的异常解决策略的步骤。
在一可实施方式中,所述模型训练模块,具体用于当计算机工作异常时,获取所述计算机的Linux内核及系统的日志;从所述日志中筛选出与所述计算机工作异常相关的多个信息,作为疑似错误信息;按照所述疑似错误信息对应的权重大小,从多个所述疑似错误信息中选择预设数量个疑似错误信息,作为样本异常日志信息;确定各个所述样本异常日志信息在所述Linux内核及系统的源码中对应的代码位置;基于所述代码位置确定各个所述样本异常日志信息对应的异常解决策略。
在一可实施方式中,所述装置还包括:
模型更新模块(图中未示出),用于基于所述日志信息和所述解决策略更新所述异常定位模型。
采用本公开提供的装置,随着异常日志以及对应的解决策略的增加,利用这些异常日志以及对应的解决策略对异常定位模型进行训练更新,可以异常定位模型的输出结果更为准确,使得计算机异常定位更精准快速,从而进一步提升了处理计算机异常的效率。
根据本公开的实施例,本公开还提供了一种电子设备和一种可读存储介质。
图4示出了可以用来实施本公开的实施例的示例电子设备400的示意性框图。电子设备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/或者要求的本公开的实现。
如图4所示,设备400包括计算单元401,其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序,来执行各种适当的动作和处理。在RAM 403中,还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405,包括:输入单元406,例如键盘、鼠标等;输出单元407,例如各种类型的显示器、扬声器等;存储单元408,例如磁盘、光盘等;以及通信单元409,例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400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。
计算单元401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。计算单元401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计算单元、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。计算单元401执行上文所描述的各个方法和处理,例如操作系统异常定位方法。例如,在一些实施例中,操作系统异常定位方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元408。在一些实施例中,计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元
401执行时,可以执行上文描述的操作系统异常定位方法的一个或多个步骤。
备选地,在其他实施例中,计算单元401可以通过其他任何适当的方式(例如,5借助于固件)而被配置为执行操作系统异常定位方法。
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)、片上系统(SOC)、复杂可编程逻辑设备(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:实施在一0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。
5用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码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或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码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0器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读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程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机
器可读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5半导体系统、装置或设备,或者上述内容的任何合适组合。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,可以在计算机上实施此处描述的系统和技术,该计算机具有: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计算机。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)和互联网。
计算机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,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
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,本发公开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,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本公开的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种操作系统异常定位方法,其特征在于,所述方法包括:
当检测到计算机出现异常状态时,获取所述计算机的Linux内核及系统的日志信息;
将所述日志信息输入预先训练的异常定位模型,得到所述异常状态对应的解决策略;
基于所述解决策略调整所述Linux内核及系统的源码,以修正所述异常状态;
其中,异常定位模型为:基于所述计算机对应的样本异常日志信息和所述样本异常日志信息对应的异常解决策略,对待训练神经网络模型进行训练得到的模型。
2.根据权利要求1所述的方法,其特征在于,所述异常定位模型的训练方式包括:
获取所述计算机对应的样本异常日志信息,以及所述样本异常日志信息对应的异常解决策略;
将所述样本异常日志信息输入待训练神经网络,得到预测的日志信息异常解决策略;
根据所述日志信息异常解决策略和所述异常解决策略,确定所述待训练神经网络的损失函数值;
如果所述损失函数值小于预设损失阈值,将所述待训练神经网络确定为所述异常定位模型;
如果所述损失函数值不小于所述预设损失阈值,调整所述待训练神经网络的参数,并返回确定为所述获取所述计算机对应的样本异常日志信息,以及所述样本异常日志信息对应的异常解决策略的步骤。
3.根据权利要求2所述的方法,其特征在于,所述获取所述计算机对应的样本异常日志信息,以及所述样本异常日志信息对应的异常解决策略,包括:
当计算机工作异常时,获取所述计算机的Linux内核及系统的日志;
从所述日志中筛选出与所述计算机工作异常相关的多个信息,作为疑似错误信息;
按照所述疑似错误信息对应的权重大小,从多个所述疑似错误信息中选择预设数量个疑似错误信息,作为样本异常日志信息;
确定各个所述样本异常日志信息在所述Linux内核及系统的源码中对应的代码位置;
基于所述代码位置确定各个所述样本异常日志信息对应的异常解决策略。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述日志信息和所述解决策略更新所述异常定位模型。
5.一种操作系统异常定位装置,其特征在于,所述装置包括:
日志获取模块,用于当检测到计算机出现异常状态时,获取所述计算机的Linux内核及系统的日志信息;
策略确定模块,用于将所述日志信息输入预先训练的异常定位模型,得到所述异常状态对应的解决策略;
异常修正模块,用于基于所述解决策略调整所述Linux内核及系统的源码,以修正所述异常状态;
其中,异常定位模型为:基于所述计算机对应的样本异常日志信息和所述样本异常日志信息对应的异常解决策略,对待训练神经网络模型进行训练得到的模型。
6.根据权利要求5所述的装置,其特征在于,所述装置还包括:
模型训练模块,用于获取所述计算机对应的样本异常日志信息,以及所述样本异常日志信息对应的异常解决策略;将所述样本异常日志信息输入待训练神经网络,得到预测的日志信息异常解决策略;根据所述日志信息异常解决策略和所述异常解决策略,确定所述待训练神经网络的损失函数值;如果所述损失函数值小于预设损失阈值,将所述待训练神经网络确定为所述异常定位模型;如果所述损失函数值不小于所述预设损失阈值,调整所述待训练神经网络的参数,并返回确定为所述获取所述计算机对应的样本异常日志信息,以及所述样本异常日志信息对应的异常解决策略的步骤。
7.根据权利要求6所述的装置,其特征在于,所述模型训练模块,具体用于当计算机工作异常时,获取所述计算机的Linux内核及系统的日志;从所述日志中筛选出与所述计算机工作异常相关的多个信息,作为疑似错误信息;按照所述疑似错误信息对应的权重大小,从多个所述疑似错误信息中选择预设数量个疑似错误信息,作为样本异常日志信息;确定各个所述样本异常日志信息在所述Linux内核及系统的源码中对应的代码位置;基于所述代码位置确定各个所述样本异常日志信息对应的异常解决策略。
8.根据权利要求5所述的装置,其特征在于,所述装置还包括:
模型更新模块,用于基于所述日志信息和所述解决策略更新所述异常定位模型。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使计算机执行根据权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211735383.8A CN115878362A (zh) | 2022-12-31 | 2022-12-31 | 一种操作系统异常定位方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211735383.8A CN115878362A (zh) | 2022-12-31 | 2022-12-31 | 一种操作系统异常定位方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115878362A true CN115878362A (zh) | 2023-03-31 |
Family
ID=85757726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211735383.8A Pending CN115878362A (zh) | 2022-12-31 | 2022-12-31 | 一种操作系统异常定位方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115878362A (zh) |
-
2022
- 2022-12-31 CN CN202211735383.8A patent/CN115878362A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113342345A (zh) | 深度学习框架的算子融合方法、装置 | |
CN109471783B (zh) | 预测任务运行参数的方法和装置 | |
CN110673936B (zh) | 编排业务的断点续作方法、装置、存储介质及电子设备 | |
CN112084110A (zh) | 数据处理方法、装置、设备以及存储介质 | |
CN113127365A (zh) | 确定网页质量的方法、装置、电子设备和计算机可读存储介质 | |
CN114881129A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
CN114861039A (zh) | 一种搜索引擎的参数配置方法、装置、设备及存储介质 | |
CN113495825A (zh) | 线路告警的处理方法、装置、电子设备及可读存储介质 | |
CN116755974A (zh) | 云计算平台运维方法、装置、电子设备及存储介质 | |
CN115878362A (zh) | 一种操作系统异常定位方法、装置、设备及存储介质 | |
CN116049524A (zh) | 网页数据抓取方法、装置、设备以及存储介质 | |
CN114706622A (zh) | 启动模型服务的方法、装置、设备、介质及产品 | |
CN114998649A (zh) | 图像分类模型的训练方法、图像分类方法及装置 | |
CN115269431A (zh) | 一种接口测试方法、装置、电子设备及存储介质 | |
CN113887101A (zh) | 网络模型的可视化方法、装置、电子设备及存储介质 | |
CN114676062A (zh) | 用于接口的差异数据测试方法及装置、电子设备和介质 | |
CN114546799A (zh) | 埋点日志校验方法、装置、电子设备、存储介质及产品 | |
CN113051479A (zh) | 文件处理、推荐信息生成方法、装置、设备及存储介质 | |
CN113360407B (zh) | 函数的定位方法、装置、电子设备及可读存储介质 | |
CN115604091A (zh) | 数据处理方法、装置、基板控制管理系统及电子设备 | |
CN113553407B (zh) | 事件追溯方法、装置、电子设备及存储介质 | |
US20230132618A1 (en) | Method for denoising click data, electronic device and storage medium | |
CN115146201A (zh) | 页面时间作弊筛选方法及装置、电子设备和介质 | |
CN116974940A (zh) | 一种接口测试方法、装置、设备及存储介质 | |
CN114064002A (zh) | 软件开发工具包的生成方法、装置、设备以及存储介质 |
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 |