CN115904810B - 基于人工智能的数据复制容灾方法及容灾系统 - Google Patents
基于人工智能的数据复制容灾方法及容灾系统 Download PDFInfo
- Publication number
- CN115904810B CN115904810B CN202211533771.8A CN202211533771A CN115904810B CN 115904810 B CN115904810 B CN 115904810B CN 202211533771 A CN202211533771 A CN 202211533771A CN 115904810 B CN115904810 B CN 115904810B
- Authority
- CN
- China
- Prior art keywords
- expert system
- event element
- system model
- event
- business
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 222
- 238000011084 recovery Methods 0.000 title claims abstract description 54
- 230000010076 replication Effects 0.000 title claims abstract description 48
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 42
- 230000008569 process Effects 0.000 claims description 179
- 230000003993 interaction Effects 0.000 claims description 112
- 230000000694 effects Effects 0.000 claims description 37
- 230000004044 response Effects 0.000 claims description 35
- 238000011144 upstream manufacturing Methods 0.000 claims description 11
- 238000005065 mining Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 241000239290 Araneae Species 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 230000001550 time effect Effects 0.000 claims description 2
- 238000013461 design Methods 0.000 description 40
- 239000013598 vector Substances 0.000 description 29
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000032683 aging Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供的一种基于人工智能的数据复制容灾方法及容灾系统,鉴于通过每一专家系统模型对应的模型性能评分,从若干个专家系统模型中确定处理当前初始业务应用大数据的目标专家系统模型,能够确保若干个专家系统模型的兼容稳定,在全局上提高方案的处理时效性;此外,通过第一事件要素关系集和第二事件要素关系集的上下游关系,在进行事件要素特征确定时,可以综合分析不同层次的事件要素关系集,不仅可以提高事件要素特征确定的精度和时效性,还能够规避对事件要素关系集进行修改。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种基于人工智能的数据复制容灾方法及容灾系统。
背景技术
数据容灾,本质上是异地的数据系统的创建技术,该数据系统是本地关键应用数据的一个实时复制。现目前正跨入信息时代,数据和信息逐渐成为各行各业的业务基础和命脉。如何实现业务数据的共享并在现有业务数据之上建立新兴的增值应用,如数据仓库、客户关系管理等,已经成为了各企业建立信息系统的关键所在。因此,通过数据容灾保护数据安全和提高数据的持续可用性非常重要。
发明内容
为改善相关技术中存在的技术问题,本发明提供了一种基于人工智能的数据复制容灾方法及容灾系统。
第一方面,本发明实施例提供了一种基于人工智能的数据复制容灾方法,应用于基于人工智能的数据复制容灾系统,所述方法包括:获得达到要素挖掘条件的初始业务应用大数据;所述初始业务应用大数据是对处于目标业务会话进程的选定应用交互事件进行数据采集得到的业务应用大数据;在若干个专家系统模型中,通过各所述专家系统模型的模型性能评分确定目标专家系统模型;所述模型性能评分用作反映所述专家系统模型当前的项目应对质量;获得所述目标业务会话进程对应的存在上下游关系的第一事件要素关系集和第二事件要素关系集;所述第二事件要素关系集包含所述第一事件要素关系集;基于采用所述目标专家系统模型和所述初始业务应用大数据从所述第一事件要素关系集中未确定所述选定应用交互事件的事件要素特征,采用所述目标专家系统模型和所述初始业务应用大数据从所述第二事件要素关系集中确定所述选定应用交互事件的事件要素特征。
可见,鉴于通过每一专家系统模型对应的模型性能评分,从若干个专家系统模型中确定处理当前初始业务应用大数据的目标专家系统模型,能够确保若干个专家系统模型的兼容稳定,在全局上提高方案的处理时效性;此外,通过第一事件要素关系集和第二事件要素关系集的上下游关系,在进行事件要素特征确定时,可以综合分析不同层次的事件要素关系集,不仅可以提高事件要素特征确定的精度和时效性,还能够规避对事件要素关系集进行修改。
在一些示例性设计思路下,所述获得达到要素挖掘条件的初始业务应用大数据,包括:获得预设网页蜘蛛爬取的所述目标业务会话进程对应的若干个在线业务应用大数据;对所述在线业务应用大数据进行分团处理,得到所述选定应用交互事件对应的分团记录;所述分团记录包含所述选定应用交互事件对应的不少于一个候选业务应用大数据;通过设定的抽取规则,对所述不少于一个候选业务应用大数据进行抽取,得到所述初始业务应用大数据。
可见,鉴于对爬取的业务应用大数据进行分团处理,并从分团处理后的业务应用大数据中获得初始业务应用大数据,可以规避相同选定应用交互事件对应的若干个业务应用大数据都进行事件要素特征确定的问题,减少不必要的软硬件开销,能提高整体方案的时效性。
在一些示例性设计思路下,所述模型性能评分包括不少于一个描述层面的局部性能评分,所述在若干个专家系统模型中,通过各所述专家系统模型的模型性能评分确定目标专家系统模型,包括:获得各所述专家系统模型对应的不少于一个描述层面的局部性能评分;所述局部性能评分用于在一个所述描述层面下反映所述专家系统模型的项目应对质量;通过所述不少于一个描述层面的局部性能评分,对所述若干个专家系统模型进行抽取,得到所述目标专家系统模型。
在一些示例性设计思路下,所述通过所述不少于一个描述层面的局部性能评分,对所述若干个专家系统模型进行抽取,得到所述目标专家系统模型,包括:获得各所述描述层面对应的评分限值;遍历各所述专家系统模型,在当前专家系统模型中各所述描述层面的局部性能评分都达到对应的评分限值的基础上,将所述当前专家系统模型作为所述目标专家系统模型。
在一些示例性设计思路下,所述通过所述不少于一个描述层面的局部性能评分,对所述若干个专家系统模型进行抽取,得到所述目标专家系统模型,包括:获得各所述描述层面对应的设定性能指标;针对各所述专家系统模型,通过所述专家系统模型中各所述描述层面的局部性能评分和对应的设定性能指标,得到所述专家系统模型对应的请求应答时效评分;通过所述请求应答时效评分,在所述若干个专家系统模型中确定所述目标专家系统模型。
在一些示例性设计思路下,所述局部性能评分包括如下一项或多项:闲置空间变量、运算开销指数、联合分析准确度;所述通过所述不少于一个描述层面的局部性能评分,对所述若干个专家系统模型进行抽取,得到所述目标专家系统模型包括:从所述若干个专家系统模型中遍历当前专家系统模型;判别所述当前专家系统模型是否存在所述闲置空间变量;在所述当前专家系统模型存在所述闲置空间变量的基础上,判别所述当前专家系统模型的运算开销指数是否达到运算开销指数限值;在所述当前专家系统模型的运算开销指数达到运算开销指数限值的基础上,判别所述当前专家系统模型的联合分析准确度是否达到准确度限值;在所述当前专家系统模型的联合分析准确度达到准确度限值的基础上,将所述当前专家系统模型作为所述目标专家系统模型;其中,在所述当前专家系统模型的任何一个描述层面的局部性能评分没有达到对应评分限值的基础上,从所述若干个专家系统模型中遍历最新的当前专家系统模型,并判别所述最新的当前专家系统模型是否为所述目标专家系统模型。
可见,鉴于通过不少于一个描述层面的局部性能评分,对所述若干个专家系统模型进行抽取得到目标专家系统模型,可以提高对该初始业务应用大数据的事件要素特征的获得时效性,就若干个专家系统模型维度而言,能够确保联合模型的全局兼容稳定。
在一些示例性设计思路下,所述获得所述目标业务会话进程对应的存在上下游关系的第一事件要素关系集和第二事件要素关系集,包括:通过所述目标业务会话进程对应的应用场景标签,获得所述应用场景标签所对应的第一业务会话进程和第二业务会话进程;所述第二业务会话进程的业务活动状态包含所述第一业务会话进程的业务活动状态;通过所述第一业务会话进程的业务活动状态确定所述第一业务会话进程对应的第一事件要素关系集,通过所述第二业务会话进程的业务活动状态确定所述第二业务会话进程对应的第二事件要素关系集;通过所述第一业务会话进程和所述第二业务会话进程分别对应的业务活动状态,确定所述第一事件要素关系集和所述第二事件要素关系集分别对应的上下游关系。
可见,鉴于通过业务活动状态的业务会话进程对应的设定要素关系集生成不同业务会话进程对应的事件要素关系集,可以在采用目标专家系统模型在当前上下游关系的事件要素关系集进行事件要素特征获得时,提高事件要素特征获得的正确率,进而规避重复遍历下一个事件要素关系集,提高了事件要素特征的获得时效性。
在一些示例性设计思路下,所述通过所述第一业务会话进程的业务活动状态确定所述第一业务会话进程对应的第一事件要素关系集,包括:通过所述第一业务会话进程的业务活动状态,确定所述第一业务会话进程的不少于一个关联业务会话进程;通过所述第一业务会话进程对应的设定要素关系集和各所述关联业务会话进程的设定要素关系集,生成所述第一业务会话进程对应的第一事件要素关系集;所述通过所述第二业务会话进程的业务活动状态确定所述第二业务会话进程对应的第二事件要素关系集,包括:通过所述第二业务会话进程的业务活动状态,确定所述第二业务会话进程的至少二个关联业务会话进程;通过所述第二业务会话进程对应的设定要素关系集和每二所述关联业务会话进程的设定要素关系集,生成所述第二业务会话进程对应的第二事件要素关系集。
在一些示例性设计思路下,所述基于采用所述目标专家系统模型和所述初始业务应用大数据从所述第一事件要素关系集中未确定所述选定应用交互事件的事件要素特征,采用所述目标专家系统模型和所述初始业务应用大数据从所述第二事件要素关系集中确定所述选定应用交互事件的事件要素特征,包括:采用所述目标专家系统模型和所述初始业务应用大数据从所述第一事件要素关系集中获得所述选定应用交互事件的第一备选事件要素特征和所述第一备选事件要素特征对应的第一可信因子;在所述第一可信因子达到设定的可信因子限值的基础上,将所述第一备选事件要素特征作为所述选定应用交互事件的事件要素特征;在所述第一可信因子没有达到所述设定的可信因子限值,采用所述目标专家系统模型和所述初始业务应用大数据从所述第二事件要素关系集中获得所述选定应用交互事件的第二备选事件要素特征和所述第二备选事件要素特征对应的第二可信因子;在所述第二可信因子达到设定的可信因子限值的基础上,将所述第二备选事件要素特征作为所述选定应用交互事件的事件要素特征。
在一些示例性设计思路下,所述方法还包括如下一项或多项:在所述第二可信因子没有达到设定的可信因子限值的基础上,将目标可信因子对应的备选事件要素特征作为所述选定应用交互事件的事件要素特征;所述目标可信因子为所述第一可信因子和所述第二可信因子中的最大值;在所述第二可信因子没有达到设定的可信因子限值的基础上,在若干个专家系统模型中,通过各所述专家系统模型的模型性能评分确定最新的目标专家系统模型,并采用所述最新的目标专家系统模型和所述初始业务应用大数据从所述第一事件要素关系集和所述第二事件要素关系集中确定所述选定应用交互事件的事件要素特征。
可见,鉴于通过每一事件要素关系集对应的上下游关系,依次从每一事件要素关系集中获得该选定应用交互事件的事件要素特征,不仅能够确保事件要素特征的获得时效性,还能够避免对事件要素关系集的修改和干扰。
第二方面,本发明还提供了一种基于人工智能的数据复制容灾系统,包括处理器和存储器;所述处理器和所述存储器通信连接,所述处理器用于从所述存储器中读取计算机程序并执行,以实现上述的方法。
第三方面,本发明还提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现上述的方法。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并于说明书一起用于解释本发明的原理。
图1是本发明实施例提供的一种基于人工智能的数据复制容灾方法的流程示意图。
图2是本发明实施例提供的一种基于人工智能的数据复制容灾方法的应用环境的通信架构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本发明实施例所提供的方法实施例可以在基于人工智能的数据复制容灾系统、计算机设备或者类似的运算装置中执行。以运行在基于人工智能的数据复制容灾系统上为例,基于人工智能的数据复制容灾系统10可以包括一个或多个处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,可选地,上述基于人工智能的数据复制容灾系统还可以包括用于通信功能的传输装置106。本领域普通技术人员可以理解,上述结构仅为示意,其并不对上述基于人工智能的数据复制容灾系统的结构造成限定。例如,基于人工智能的数据复制容灾系统10还可包括比上述所示更多或者更少的组件,或者具有与上述所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的一种基于人工智能的数据复制容灾方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至基于人工智能的数据复制容灾系统10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括基于人工智能的数据复制容灾系统10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
基于此,请参阅图1,图1是本发明实施例所提供的一种基于人工智能的数据复制容灾方法的流程示意图,该方法应用于基于人工智能的数据复制容灾系统,进一步可以包括步骤一和步骤二描述的技术方案。
步骤一、通过目标业务会话进程对应的事件要素关系集,层次化地确定初始业务应用大数据中选定应用交互事件的事件要素特征。
在本发明实施例中,目标业务会话进程可以理解为不同业务会话对应的会话场景或者会话任务,事件要素关系集可以用于记录和存储不同的事件要素关系特征,便于后期进行调用和比对分析。
进一步地,初始业务应用大数据可以理解为待处理的业务应用大数据,也可以理解为本地的应用大数据,可以涉及电子商务、数字办公、智慧医疗等领域。选定应用交互事件可以理解为目标应用交互事件,比如不同的用户活动事件、业务互动事件等。
在实际应用时,为了保障初始业务应用大数据的数据安全和持续可用性,传统技术通常直接对初始业务应用大数据进行复制容灾处理,但是这样会导致复制处理/容灾处理的开销过大,且发明人在研究和分析过程中发现,根据不同应用交互事件的事件要素特征进行精简化、针对性的复制容灾,不仅能够提高复制处理/容灾处理的效率,减少资源开销,还能够保障复制处理/容灾处理之后的数据的可用性。为此,步骤一可以首先确定初始业务应用大数据中选定应用交互事件的事件要素特征,该事件要素特征能够反映选定应用交互事件的关键数据或者重要信息,便于指导后续的基于人工智能的数据复制容灾处理。
在一些可独立实施的设计思路下,所述通过目标业务会话进程对应的事件要素关系集,层次化地确定初始业务应用大数据中选定应用交互事件的事件要素特征的步骤,示例性地可以通过步骤101-步骤104实现。
步骤101、获得达到要素挖掘条件的初始业务应用大数据;所述初始业务应用大数据是对处于目标业务会话进程的选定应用交互事件进行数据采集得到的业务应用大数据。
在一些示例性设计思路下,可以通过配置在该目标业务会话进程的网页蜘蛛(数据爬虫)获得位于该目标业务会话进程的选定应用交互事件的业务应用大数据。要素挖掘条件可以是针对业务应用大数据的数据量设定的,比如将数据大小超过xxxTB的业务应用大数据作为初始业务应用大数据(也即需要进行精简式的基于人工智能的数据复制容灾处理)。
步骤102、在若干个专家系统模型中,通过各所述专家系统模型的模型性能评分确定目标专家系统模型;所述模型性能评分用作反映所述专家系统模型当前的项目应对质量。
在一些示例性设计思路下,该专家系统模型用作比较分析该初始业务应用大数据中选定应用交互事件与预设事件集合中存在的若干个历史应用交互事件,并得到该选定应用交互事件与每一历史应用交互事件之间的可信因子(比如置信度或者置信权重),该可信因子用作反映该选定应用交互事件与该历史应用交互事件之间的共性值(相似值)。
在一些示例性设计思路下,该若干个专家系统模型对应的模型性能评分用作反映所述专家系统模型当前的项目应对质量(项目处理效率),通过该模型性能评分(比如模型参量),可以确定各所述专家系统模型在当前时间节点的项目应对质量,并将项目应对质量最高的专家系统模型作为该目标专家系统模型。
此外,专家系统模型可以是基于人工智能技术中的专家系统分支搭建的神经网络模型,其搭建可以参考现有技术,在此不作限定。
步骤103、获得所述目标业务会话进程对应的存在上下游关系的第一事件要素关系集和第二事件要素关系集;所述第二事件要素关系集包含所述第一事件要素关系集。
在本发明实施例中,该第一事件要素关系集和第二事件要素关系集为用于确定所述选定应用交互事件的事件要素特征的预设事件集合,与所述选定应用交互事件存在映射关系。举例而言,该第一事件要素关系集和第二事件要素关系集可以为所述选定应用交互事件所对应的目标业务会话进程对应的两个事件要素关系集,还可以为配置在该目标业务会话进程的网页蜘蛛对应的两个事件要素关系集,还可以为同步配置的两个事件要素关系集。在一些示例性设计思路下,该上下游关系(层级关系或者从属顺序)可以反映所述事件要素关系集与所述选定应用交互事件的相关性,事件要素关系集与该选定应用交互事件的相关性越高,该事件要素关系集的上下游关系越靠前,事件要素关系集与该选定应用交互事件的相关性越低,该事件要素关系集的上下游关系越靠后。后续将以所述选定应用交互事件所对应的目标业务会话进程对应的两个事件要素关系集为例进行介绍。
在一些示例性设计思路下,每一事件要素关系集对应上下游关系与该事件要素关系集与目标业务会话进程的相关性相关。其中,事件要素关系集与该目标业务会话进程的相关性越高,该事件要素关系集的上下游关系越靠前,事件要素关系集与该目标业务会话进程的相关性越低,该事件要素关系集的上下游关系越靠后。
举例而言,该第一事件要素关系集和第二事件要素关系集为不同业务会话进程对应的事件要素关系集,其中,业务会话进程越小,该业务会话进程对应的事件要素关系集与该目标业务会话进程的相关性越高,上下游关系越靠前;业务会话进程越大,该业务会话进程对应的事件要素关系集与该目标业务会话进程的相关性越低,上下游关系越靠后。
步骤104、基于采用所述目标专家系统模型和所述初始业务应用大数据从所述第一事件要素关系集中未确定所述选定应用交互事件的事件要素特征,采用所述目标专家系统模型和所述初始业务应用大数据从所述第二事件要素关系集中确定所述选定应用交互事件的事件要素特征。
在一些示例性设计思路下,可以基于该第一事件要素关系集和第二事件要素关系集的由先到后的上下游关系,先将第一事件要素关系集作为当前事件要素关系集,并采用目标专家系统模型和所述初始业务应用大数据从所述当前事件要素关系集中确定所述选定应用交互事件的事件要素特征,如果成功获得到该选定应用交互事件的事件要素特征,则完成事件要素特征确定过程;若未获得到该选定应用交互事件的事件要素特征,则基于上下游关系,将第二事件要素关系集作为当前事件要素关系集,并采用目标专家系统模型和所述初始业务应用大数据从当前事件要素关系集中确定所述选定应用交互事件的事件要素特征,一直到获得到选定应用交互事件的事件要素特征。
在本发明实施例中,鉴于通过每一专家系统模型对应的模型性能评分,从若干个专家系统模型中确定处理当前初始业务应用大数据的目标专家系统模型,能够确保若干个专家系统模型的兼容稳定,在全局上提高方案的处理时效性;此外,通过第一事件要素关系集和第二事件要素关系集的上下游关系,在进行事件要素特征确定时,可以综合分析不同层次的事件要素关系集,不仅可以提高事件要素特征确定的精度和时效性,还能够规避对事件要素关系集进行修改,保障事件要素关系的稳定性。
在一些可独立的设计思路下,步骤101可以包括步骤201-步骤203。
步骤201、获得预设网页蜘蛛爬取的所述目标业务会话进程对应的若干个在线业务应用大数据。
在一些示例性设计思路下,该预设网页蜘蛛可以设置与该目标业务会话进程,并对活跃于目标业务会话进程的应用交互事件进行数据采集,得到该目标业务会话进程对应的若干个在线业务应用大数据。
步骤202、对所述在线业务应用大数据进行分团处理,得到所述选定应用交互事件对应的分团记录;所述分团记录包含所述选定应用交互事件对应的不少于一个候选业务应用大数据。
在一些示例性设计思路下,每一在线业务应用大数据可以包括不少于一个应用交互事件的特征描述向量,并通过每一应用交互事件对应的特征描述向量,对得到的在线业务应用大数据进行分团处理/聚类处理,得到分团处理后的应用交互事件对应的不少于一个候选业务应用大数据。
可以理解的是,对于各在线业务应用大数据,可以采用设定的AI挖掘模型挖掘该在线业务应用大数据中的应用交互事件的特征描述向量。在该在线业务应用大数据中包括若干个应用交互事件的基础上,可以通过每一应用交互事件对应的捕捉窗口信息,对该在线业务应用大数据进行分割,得到每一应用交互事件对应的业务应用事件大数据;并通过所述AI挖掘模型,挖掘每一业务应用事件大数据的特征描述向量。便能够得到该在线业务应用大数据中每一应用交互事件的业务应用事件大数据和对应的特征描述向量。
进一步地,在得到每一在线业务应用大数据对应的每一应用交互事件的业务应用事件大数据和对应的特征描述向量之后,可以通过设定的分团处理规则(比如K均值聚类算法)和每一应用交互事件的特征描述向量,将向量类似的应用交互事件作为分团处理后的应用交互事件,将该分团处理后的应用交互事件对应的每一特征描述向量对应的业务应用事件大数据作为该分团处理后的应用交互事件对应的不少于一个候选业务应用大数据。
在一些示例性设计思路下,所述分团处理规则可以通过每一应用交互事件的特征描述向量之间的相似值,将相似值高的特征描述向量集中在一起。该特征描述向量可以如下一项或多项:事件细节知识,事件类型知识,事件热度知识,事件状态知识,其中,知识可作特征向量或者描述字段理解。
举例而言,在存在三组在线业务应用大数据(包括第一至第三在线业务应用大数据)的基础上,分别对每一在线业务应用大数据进行向量挖掘,可以得到第一在线业务应用大数据对应的应用交互事件case_3ase_1对应的第一业务应用事件大数据和第一特征描述向量、应用交互事件case_3ase_2对应的第二业务应用事件大数据和第二特征描述向量、应用交互事件case_3对应的第三业务应用事件大数据和第三特征描述向量,得到第二在线业务应用大数据对应的应用交互事件case_4对应的第四业务应用事件大数据和第四特征描述向量、应用交互事件case_5对应的第五业务应用事件大数据和第五特征描述向量、应用交互事件case_6对应的第六业务应用事件大数据和第六特征描述向量,得到第三在线业务应用大数据对应的应用交互事件case_7对应的第七业务应用事件大数据和第七特征描述向量、应用交互事件case_8对应的第八业务应用事件大数据和第八特征描述向量。通过所述分团处理规则,对该第一特征描述向量至第八特征描述向量进行分团处理,若第一特征描述向量、第四特征描述向量和第七特征描述向量之间的相似值较高,则将第一业务应用事件大数据、第四业务应用事件大数据和第七业务应用事件大数据作为一个分团处理后的应用交互事件对应的候选业务应用大数据;若第二特征描述向量、第五特征描述向量和第八特征描述向量之间的相似值较高,则将第二业务应用事件大数据、第五业务应用事件大数据和第八业务应用事件大数据作为另一个分团处理后的应用交互事件对应的候选业务应用大数据;若第三特征描述向量和第六特征描述向量之间的相似值较高,则将第三业务应用事件大数据和第六业务应用事件大数据作为再一个分团处理后的应用交互事件对应的候选业务应用大数据。
步骤203、通过设定的抽取规则,对所述不少于一个候选业务应用大数据进行抽取,得到所述初始业务应用大数据。
在一些示例性设计思路下,针对选定应用交互事件对应的不少于一个候选业务应用大数据,可以获得每一候选业务应用大数据对应的业务应用大数据质检指标,该抽取规则用于通过各所述候选业务应用大数据对应的业务应用大数据质检指标,对不少于一个候选业务应用大数据进行抽取,得到所述初始业务应用大数据。
对于本发明实施例而言,该业务应用大数据质检指标可以包括如下一项或多项:业务应用大数据特征识别度,业务应用大数据活跃度,业务应用大数据中选定应用交互事件的活动状态和业务应用大数据中选定应用交互事件的完整度等。其中,可以通过现有技术获得该候选业务应用大数据的业务应用大数据质检指标,在此不作赘述。
在本发明实施例中,鉴于对爬取的业务应用大数据进行分团处理,并从分团处理后的业务应用大数据中获得初始业务应用大数据,可以规避相同选定应用交互事件对应的若干个业务应用大数据都进行事件要素特征确定的问题,减少不必要的软硬件开销,能提高整体方案的时效性。
在另一些可能的设计思路下,步骤102可以包括步骤301-步骤302。
步骤301、获得各所述专家系统模型对应的不少于一个描述层面的局部性能评分;所述局部性能评分用于在一个所述描述层面下反映所述专家系统模型的项目应对质量。
在一些示例性设计思路下,所述局部性能评分包括如下一项或多项:闲置空间变量(闲置运算资源的比例)、运算开销指数(运算资源的利用率)、联合分析准确度(比较分析的准确度)。
在一些示例性设计思路下,可以发送性能确定申请至各所述专家系统模型对应的系统,该性能确定申请用于指示系统获得所述专家系统模型实时的不少于一个描述层面的局部性能评分。
步骤302、通过所述不少于一个描述层面的局部性能评分,对所述若干个专家系统模型进行抽取,得到所述目标专家系统模型。
在一些示例性设计思路下,可以通过步骤3021至步骤3022实现所述通过所述不少于一个描述层面的局部性能评分,对所述若干个专家系统模型进行抽取,得到所述目标专家系统模型。
步骤3021、获得各所述描述层面对应的评分限值。
其中,各所述描述层面对应的局部性能评分均对应一个评分限值。比如,在该不少于一个描述层面的局部性能评分包括运算开销指数的基础上,该运算开销指数对应的评分限值可以为运算开销指数限值;类似的,在该不少于一个描述层面的局部性能评分包括联合分析准确度的基础上,该联合分析准确度对应的评分限值可以为准确度限值。
步骤3022、遍历各所述专家系统模型,在当前专家系统模型中各所述描述层面的局部性能评分都达到对应的评分限值的基础上,将所述当前专家系统模型作为所述目标专家系统模型。
其中,可以依次从若干个专家系统模型中选择该当前专家系统模型,并判别该当前专家系统模型每一描述层面的局部性能评分是否达到该局部性能评分对应的评分限值,在每一描述层面的局部性能评分都达到对应的评分限值的基础上,直接将当前专家系统模型作为目标专家系统模型。
在该当前专家系统模型存在任意一描述层面的局部性能评分没有达到对应的评分限值的基础上,从若干个专家系统模型中选择该当前专家系统模型的下一个专家系统模型,并继续判别该下一个专家系统模型每一描述层面的局部性能评分是否达到该局部性能评分对应的评分限值,如此循环,一直到得到每一描述层面的局部性能评分都达到对应的评分限值的目标专家系统模型。
可以理解,对于各描述层面/描述维度,在判别该描述层面对应的局部性能评分是否达到对应的评分限值时,可以通过该描述层面实际设置的判别(判断)思路,判别该局部性能评分是否达到对应的评分限值。比如,可以设置局部性能评分超过该评分限值时,判定该局部性能评分达到对应的评分限值;还可以设置局部性能评分没有超过该评分限值时,判定该局部性能评分达到对应的评分限值;在该评分限值为限值区间的基础上,可以设置在局部性能评分位于该限值区间的基础上,判定该局部性能评分达到对应的评分限值。
举例而言,若存在专家系统模型model_A、专家系统模型model_B和专家系统模型model_C,每一专家系统模型均存在第一局部性能评分和第二局部性能评分,类似的,第一局部性能评分对应第一评分限值,第二局部性能评分对应第二评分限值。先判别该专家系统模型model_A对应的第一局部性能评分和第二局部性能评分是否都达到该第一评分限值和第二评分限值,若没有达到,则判别专家系统模型model_B对应的第一局部性能评分和第二局部性能评分是否都达到该第一评分限值和第二评分限值,若达到,直接将该专家系统模型model_B作为目标专家系统模型,不用判别专家系统模型model_C对应的第一局部性能评分和第二局部性能评分是否都达到该第一评分限值和第二评分限值。
在一些示例性设计思路下,在所述局部性能评分包括闲置空间变量、运算开销指数、联合分析准确度的基础上,可以通过如下思路实现所述通过所述不少于一个描述层面的局部性能评分,对所述若干个专家系统模型进行抽取,得到所述目标专家系统模型:从所述若干个专家系统模型中遍历当前专家系统模型;判别所述当前专家系统模型是否存在所述闲置空间变量;在所述当前专家系统模型存在所述闲置空间变量的基础上,判别所述当前专家系统模型的运算开销指数是否达到运算开销指数限值;在所述当前专家系统模型的运算开销指数达到运算开销指数限值的基础上,判别所述当前专家系统模型的联合分析准确度是否达到准确度限值;在所述当前专家系统模型的联合分析准确度达到准确度限值的基础上,将所述当前专家系统模型作为所述目标专家系统模型;其中,在所述当前专家系统模型的任何一个描述层面的局部性能评分没有达到对应评分限值的基础上,从所述若干个专家系统模型中遍历最新的当前专家系统模型,并判别所述最新的当前专家系统模型是否为所述目标专家系统模型。
在一些示例性设计思路下,可以通过步骤3023至步骤3025实现所述通过所述不少于一个描述层面的局部性能评分,对所述若干个专家系统模型进行抽取,得到所述目标专家系统模型。
步骤3023、获得各所述描述层面对应的设定性能指标。
可以理解的是,对于各描述层面对应的局部性能评分,可以获得事先配置为该描述层面对应的设定性能指标,该设定性能指标用于将该描述层面对应的局部性能评分量化调整为该描述层面对应的请求应答时效评分。一个描述层面的局部性能评分对应的请求应答时效评分越高,表示该专家系统模型在该描述层面下的性能越佳。其中,该设定性能指标可以是局部性能评分与请求应答时效评分之间的映射指示。
举例而言,在该局部性能评分为运算开销指数V的基础上,对应的设定性能指标为g(1-V),其中,g为设定的变换因子;在该局部性能评分为闲置空间变量的基础上,对应的设定性能指标可以为:在闲置空间变量为null时,请求应答时效评分为0,在闲置空间变量不为null时,请求应答时效评分为20。
步骤3024、针对各所述专家系统模型,通过所述专家系统模型中各所述描述层面的局部性能评分和对应的设定性能指标,得到所述专家系统模型对应的请求应答时效评分。
可以理解的是,针对各所述专家系统模型,在获得各所述描述层面的局部性能评分和对应的设定性能指标之后,可以得到该专家系统模型在每一描述层面对应的请求应答时效评分;通过每一描述层面对应的请求应答时效评分,可以得到所述专家系统模型对应的请求应答时效评分。
其中,还可以获得每一描述层面对应的偏置因子(比如权重系数),通过每一描述层面对应的偏置因子对每一描述层面对应的请求应答时效评分进行全局相加,得到所述专家系统模型对应的请求应答时效评分。
举例而言,如果当前专家系统模型在运算开销指数描述层面上的请求应答时效评分为26、闲置空间变量描述层面上的请求应答时效评分为20的基础上,若运算开销指数描述层面和闲置空间变量描述层面对应的偏置因子为2:1,则当前专家系统模型对应的请求应答时效评分为72。
步骤3025、通过所述请求应答时效评分,在所述若干个专家系统模型中确定所述目标专家系统模型。
在一些示例性设计思路下,可以设置一个数值限值,通过依次确定每一专家系统模型对应的请求应答时效评分,并比对该请求应答时效评分和该数值限值,在当前专家系统模型对应的请求应答时效评分超过该数值限值的基础上,直接将该当前专家系统模型作为目标专家系统模型;在该当前专家系统模型对应的请求应答时效评分没有超过该数值限值的基础上,继续获得下一专家系统模型对应的请求应答时效评分,并继续判别是否超过该数值限值。
举例而言,通过所述举例,若存在数值限值为80,在确定该专家系统模型model_A对应的请求应答时效评分为72,则该专家系统模型model_A没有超过该数值限值,继续确定下一个专家系统模型model_B对应的请求应答时效评分,若得到专家系统模型model_B对应的请求应答时效评分为82,超过了该数值限值,直接将该专家系统模型model_B作为目标专家系统模型,不用确定专家系统模型model_C对应的请求应答时效评分。
在一些示例性设计思路下,还可以分别确定每一专家系统模型对应的请求应答时效评分,将最大的请求应答时效评分对应的专家系统模型作为该目标专家系统模型。
举例而言,通过所述举例,分别确定专家系统模型model_A、专家系统模型model_B和专家系统模型model_C对应的请求应答时效评分,若专家系统模型model_A为72、专家系统模型model_B为82和专家系统模型model_C为83,则将该专家系统模型model_C作为该目标专家系统模型。
在本发明实施例中,鉴于通过不少于一个描述层面的局部性能评分,对所述若干个专家系统模型进行抽取得到目标专家系统模型,可以提高对该初始业务应用大数据的事件要素特征的获得时效性,就若干个专家系统模型维度而言,能够确保联合模型的全局兼容稳定。
在一些可能的设计思路下,步骤103可包括步骤401-步骤402。
步骤401、通过所述目标业务会话进程对应的应用场景标签,获得所述应用场景标签所对应的第一业务会话进程和第二业务会话进程;所述第二业务会话进程的业务活动状态包含所述第一业务会话进程的业务活动状态。
在一些示例性设计思路下,该目标业务会话进程对应的应用场景标签可以同时对应两个业务活动状态对应的业务会话进程。其中,该两个业务活动状态之间存在层次优先级,较大业务活动状态对应的业务会话进程的优先级高于较小业务活动状态对应的业务会话进程的优先级。举例而言,如果当前应用场景标签对应的第一业务会话进程为进程A的阶段B,第二业务会话进程为进程A,可以理解,第二业务会话进程的业务活动状态包含所述第一业务会话进程的业务活动状态。
步骤402、通过所述第一业务会话进程的业务活动状态确定所述第一业务会话进程对应的第一事件要素关系集,通过所述第二业务会话进程的业务活动状态确定所述第二业务会话进程对应的第二事件要素关系集。
在一些示例性设计思路下,可以直接将该第一业务会话进程对应的设定要素关系集作为该第一业务会话进程对应的第一事件要素关系集,将该第二业务会话进程对应的设定要素关系集作为该第二业务会话进程对应的第二事件要素关系集。
举例而言,如果当前应用场景标签对应的第一业务会话进程为进程A的阶段B,第二业务会话进程为进程A;则直接将该进程A的阶段B对应的设定要素关系集作为该第一业务会话进程对应的第一事件要素关系集,将该进程A对应的设定要素关系集作为该第二业务会话进程对应的第二事件要素关系集,可以理解,鉴于进程A对应的设定要素关系集包括该阶段B对应的设定要素关系集,进而该第二事件要素关系集包括该第一事件要素关系集。
在一些示例性设计思路下,可以通过步骤4021至步骤4022实现所述通过所述第一业务会话进程的业务活动状态确定所述第一业务会话进程对应的第一事件要素关系集,通过所述第二业务会话进程的业务活动状态确定所述第二业务会话进程对应的第二事件要素关系集。
可以理解,在确定每一业务会话进程对应的事件要素关系集时,为了尽可能的在当前业务活动状态的事件要素关系集就完成所述初始业务应用大数据的事件要素特征确定过程,因此,在生成事件要素关系集时,不仅需要分析应用场景标签所对应的当前业务会话进程对应的业务活动状态,还要分析该业务会话进程对应的不少于一个关联业务会话进程。
步骤4021、通过所述第一业务会话进程的业务活动状态,确定所述第一业务会话进程的不少于一个关联业务会话进程;通过所述第一业务会话进程对应的设定要素关系集和各所述关联业务会话进程的设定要素关系集,生成所述第一业务会话进程对应的第一事件要素关系集。
对于本发明实施例而言,可以通过该业务会话进程的业务会话进程分布和设定的关联业务会话进程的判定方法,获得该业务会话进程对应的不少于一个关联业务会话进程。其中,该关联业务会话进程的判定方法可以包括:通过该业务会话进程的业务会话进程分布和设定的距离限值,将与该业务会话进程之间的距离小于该距离限值的业务会话进程作为该业务会话进程的关联业务会话进程;通过该业务会话进程的业务会话进程分布,确定所述业务会话进程的业务会话进程边界,将与该业务会话进程共用该业务会话进程边界的不少于一个业务会话进程作为该业务会话进程的关联业务会话进程。
举例而言,以第一业务会话进程为阶段B的“周期C1”,“周期C1”对应的不少于一个关联业务会话进程可以包括“周期C2”和“周期C3”等。
对于本发明实施例而言,可以直接整合该业务会话进程对应的设定要素关系集和各所述关联业务会话进程的对应的设定要素关系集,得到第一业务会话进程对应的第一事件要素关系集。
举例而言,通过所述举例,在确定第一优先级对应的事件要素关系集时,可以直接融合业务会话进程“周期C1”对应的设定要素关系集、关联业务会话进程“周期C2”对应的设定要素关系集和“周期C3”对应的设定要素关系集,得到第一业务会话进程对应的第一事件要素关系集。
步骤4022、通过所述第二业务会话进程的业务活动状态,确定所述第二业务会话进程的至少二个关联业务会话进程;通过所述第二业务会话进程对应的设定要素关系集和每二所述关联业务会话进程的设定要素关系集,生成所述第二业务会话进程对应的第二事件要素关系集。
对于本发明实施例而言,生成所述第二业务会话进程对应的第二事件要素关系集的思路与生成所述第一业务会话进程对应的第一事件要素关系集的思路类似。
步骤403、通过所述第一业务会话进程和所述第二业务会话进程分别对应的业务活动状态,确定所述第一事件要素关系集和所述第二事件要素关系集分别对应的上下游关系。
在本发明实施例中,鉴于通过业务活动状态的业务会话进程对应的设定要素关系集生成不同业务会话进程对应的事件要素关系集,可以在采用目标专家系统模型在当前上下游关系的事件要素关系集进行事件要素特征获得时,提高事件要素特征获得的正确率,进而规避重复遍历下一个事件要素关系集,提高了事件要素特征的获得时效性。
在另一些可能的实施例中,步骤104示例性可以包括步骤501-步骤504。
步骤501、采用所述目标专家系统模型和所述初始业务应用大数据从所述第一事件要素关系集中获得所述选定应用交互事件的第一备选事件要素特征和所述第一备选事件要素特征对应的第一可信因子。
在一些示例性设计思路下,通过选取的目标专家系统模型,在该第一事件要素关系集中匹配该初始业务应用大数据对应的事件要素特征。其中,在匹配该初始业务应用大数据对应的事件要素特征时,可以得到第一事件要素关系集中每一预设事件要素特征对应的可信因子,该事件要素特征对应的可信因子用作反映该事件要素特征为该初始业务应用大数据中选定应用交互事件的事件要素特征的可能性;将可信因子最高的预设事件要素特征作为该第一备选事件要素特征。
步骤502、在所述第一可信因子达到设定的可信因子限值的基础上,将所述第一备选事件要素特征作为所述选定应用交互事件的事件要素特征;在所述第一可信因子没有达到所述设定的可信因子限值,采用所述目标专家系统模型和所述初始业务应用大数据从所述第二事件要素关系集中获得所述选定应用交互事件的第二备选事件要素特征和所述第二备选事件要素特征对应的第二可信因子。
对于本发明实施例而言,在得到该第一备选事件要素特征和所述第一备选事件要素特征对应的第一可信因子之后,可以获得设定的可信因子限值,并通过该第一备选事件要素特征对应的第一可信因子和该可信因子限值,判别该备选事件要素特征是否为所述选定应用交互事件的事件要素特征。
在一些示例性设计思路下,如果该第一备选事件要素特征对应的第一可信因子大于该设定的可信因子限值,则判定该第一备选事件要素特征为所述选定应用交互事件的事件要素特征,如果该第一事件要素关系集对应的第一可信因子不大于该设定的可信因子限值,则采用所述目标专家系统模型和所述初始业务应用大数据从所述第二事件要素关系集中获得所述选定应用交互事件的第二备选事件要素特征和所述第二备选事件要素特征对应的第二可信因子。
步骤503、在所述第二可信因子达到设定的可信因子限值的基础上,将所述第二备选事件要素特征作为所述选定应用交互事件的事件要素特征。
在一些示例性设计思路下,如果该第二备选事件要素特征对应的第二可信因子大于该设定的可信因子限值,则判定该第二备选事件要素特征为所述选定应用交互事件的事件要素特征。
在一些示例性设计思路下,如果该第二备选事件要素特征对应的第二可信因子不大于该设定的该设定的可信因子限值,则执行步骤504或步骤505。
步骤504、在所述第二可信因子没有达到设定的可信因子限值的基础上,将目标可信因子对应的备选事件要素特征作为所述选定应用交互事件的事件要素特征;所述目标可信因子为所述第一可信因子和所述第二可信因子中的最大值。
举例而言,若存在第一事件要素关系集、第二事件要素关系集,依次获得每一事件要素关系集对应的备选事件要素特征和所述备选事件要素特征对应的可信因子包括“第一备选事件要素特征,可信因子为0.55”和“第二备选事件要素特征,可信因子为0.75”,鉴于均没有超过设定的可信因子限值0.8,则将目标可信因子“0.75”对应的第二备选事件要素特征,即第二事件要素关系集中的备选事件要素特征,作为所述选定应用交互事件的事件要素特征。
步骤505、在所述第二可信因子没有达到设定的可信因子限值的基础上,在若干个专家系统模型中,通过各所述专家系统模型的模型性能评分确定最新的目标专家系统模型,并采用所述最新的目标专家系统模型和所述初始业务应用大数据从所述第一事件要素关系集和所述第二事件要素关系集中确定所述选定应用交互事件的事件要素特征。
对于本发明实施例而言,若存在专家系统模型model_A、专家系统模型model_B和专家系统模型model_C,当前确定的目标专家系统模型为专家系统模型model_B,在通过专家系统模型model_B得不到可信因子达到设定的可信因子限值的备选事件要素特征的基础上,则通过所述目标专家系统模型的确定方法,从专家系统模型model_A和专家系统模型model_C中再次确定最新的目标专家系统模型,并采用所述最新的目标专家系统模型和所述初始业务应用大数据从所述两个事件要素关系集中确定所述选定应用交互事件的事件要素特征。
在本发明实施例中,鉴于通过每一事件要素关系集对应的上下游关系,依次从每一事件要素关系集中获得该选定应用交互事件的事件要素特征,不仅能够确保事件要素特征的获得时效性,还能够避免对事件要素关系集的修改和干扰。
本发明实施例不仅综合了第一事件要素关系集较为丰富和第二事件要素关系集比较分析效率高的优点,还引入了各专家系统模型之间的区别进行事件要素特征的分析挖掘,提高了事件要素特征确定的效率和精度。
在上述内容的基础上,可以继续实施步骤二所描述的内容。
步骤二、基于所述选定应用交互事件的事件要素特征,对所述初始业务应用大数据进行基于人工智能的数据复制容灾处理。
在本发明实施例中,可以根据选定应用交互事件的事件要素特征提取初始业务应用大数据中的个性化数据块,然后针对这些个性化数据块进行基于人工智能的数据复制容灾处理。其中,个性化数据块可以是关键信息、重要信息、差异性较高的信息对应的数据块,通过对个性化数据块进行基于人工智能的数据复制容灾处理,能够提高基于人工智能的数据复制容灾处理的效率,无需对初始业务应用大数据全部进行基于人工智能的数据复制容灾处理。在后续出现突发情况丢失初始业务应用大数据时,可以基于个性化数据块预测和衍生得到与初始业务应用大数据一致的完整的内容。基于此,个性化数据块还可以理解为组成初始业务应用大数据的关键数据块,利用这些关键数据块能够实现初始业务应用大数据的还原,在此基础上,基于人工智能的数据复制容灾处理仅需针对个性化数据块实现即可。
在一些可独立实施的设计思路下,基于所述选定应用交互事件的事件要素特征,对所述初始业务应用大数据进行基于人工智能的数据复制容灾处理,可以包括如下内容:基于所述选定应用交互事件的事件要素特征提取所述初始业务应用大数据中的个性化数据块;针对所述个性化数据块进行基于人工智能的数据复制容灾处理。
其中,基于人工智能的数据复制容灾处理可以参考现有的相关技术实现,在此不作赘述。
在一些可独立实施的设计思路下,基于所述选定应用交互事件的事件要素特征提取所述初始业务应用大数据中的个性化数据块,可以包括如下内容:从所述初始业务应用大数据中提取关于事件要素特征的数据块集合,所述数据块集合包括至少两个数据块;获得所述数据块集合中的各个数据块与所述事件要素特征之间的关联程度;根据所述各个数据块对应的关联程度,以及所述各个数据块的类别标识,对所述各个数据块进行顺序调整,得到相应的数据块队列;基于所述数据块队列生成针对所述事件要素特征的目标复制容灾对象序列,所述目标复制容灾对象序列包括至少两个目标个性化数据块。
可以理解的是,由于目标复制容灾对象序列中的目标个性化数据块是按照关联程度以及类别标识确定得到的,因此其具有的顺序性能够指导基于人工智能的数据复制容灾处理的有序、顺利执行,提高基于人工智能的数据复制容灾处理的智能化程度。
在一些可独立实施的设计思路下,所述根据所述各个数据块对应的关联程度,以及所述各个数据块的类别标识,对所述各个数据块进行顺序调整,得到相应的数据块队列,包括:根据所述各个数据块对应的关联程度,以及所述各个数据块的类别标识,对所述各个数据块进行拆解,得到至少两个数据块集群;对各个数据块集群进行顺序调整,并分别对所述各个数据块集群中的各个数据块进行顺序调整,得到所述数据块队列。
基于上述相同或相似的发明构思,请结合参阅图2,还提供了一种基于人工智能的数据复制容灾方法的应用环境30的架构示意图,包括互相之间通信的基于人工智能的数据复制容灾系统10和业务会话端20,基于人工智能的数据复制容灾系统10和业务会话端20在运行时实现或者部分实现上述方法实施例所描述的技术方案。
进一步地,还提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现上述的方法。
在本发明实施例所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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中,包括若干指令用以使得一台计算机设备(可以是个人计算机、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。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、物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、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于人工智能的数据复制容灾方法,其特征在于,应用于数据复制容灾系统,所述方法包括:
通过目标业务会话进程对应的事件要素关系集,层次化地确定初始业务应用大数据中选定应用交互事件的事件要素特征;
基于所述选定应用交互事件的事件要素特征,对所述初始业务应用大数据进行基于人工智能的数据复制容灾处理;
所述通过目标业务会话进程对应的事件要素关系集,层次化地确定初始业务应用大数据中选定应用交互事件的事件要素特征,包括:
获得达到要素挖掘条件的初始业务应用大数据;其中,所述初始业务应用大数据是对处于目标业务会话进程的选定应用交互事件进行数据采集得到的业务应用大数据;
在若干个专家系统模型中,通过各专家系统模型的模型性能评分确定目标专家系统模型;其中,所述模型性能评分用作反映专家系统模型当前的项目应对质量;
获得所述目标业务会话进程对应的存在上下游关系的第一事件要素关系集和第二事件要素关系集;其中,所述第二事件要素关系集包含所述第一事件要素关系集;
基于采用所述目标专家系统模型和所述初始业务应用大数据从所述第一事件要素关系集中未确定所述选定应用交互事件的事件要素特征,采用所述目标专家系统模型和所述初始业务应用大数据从所述第二事件要素关系集中确定所述选定应用交互事件的事件要素特征;
所述基于采用所述目标专家系统模型和所述初始业务应用大数据从所述第一事件要素关系集中未确定所述选定应用交互事件的事件要素特征,采用所述目标专家系统模型和所述初始业务应用大数据从所述第二事件要素关系集中确定所述选定应用交互事件的事件要素特征,包括:
采用所述目标专家系统模型和所述初始业务应用大数据从所述第一事件要素关系集中获得所述选定应用交互事件的第一备选事件要素特征和所述第一备选事件要素特征对应的第一可信因子;
在所述第一可信因子达到设定的可信因子限值的基础上,将所述第一备选事件要素特征作为所述选定应用交互事件的事件要素特征;
在所述第一可信因子没有达到所述设定的可信因子限值,采用所述目标专家系统模型和所述初始业务应用大数据从所述第二事件要素关系集中获得所述选定应用交互事件的第二备选事件要素特征和所述第二备选事件要素特征对应的第二可信因子;
在所述第二可信因子达到设定的可信因子限值的基础上,将所述第二备选事件要素特征作为所述选定应用交互事件的事件要素特征;
其中,所述方法还包括如下一项或多项:
在所述第二可信因子没有达到设定的可信因子限值的基础上,将目标可信因子对应的备选事件要素特征作为所述选定应用交互事件的事件要素特征;其中,所述目标可信因子是所述第一可信因子和所述第二可信因子中的最大值;
在所述第二可信因子没有达到设定的可信因子限值的基础上,在若干个专家系统模型中,通过各专家系统模型的模型性能评分确定最新的目标专家系统模型,并采用所述最新的目标专家系统模型和所述初始业务应用大数据从所述第一事件要素关系集和所述第二事件要素关系集中确定所述选定应用交互事件的事件要素特征。
2.根据权利要求1所述的方法,其特征在于,所述获得达到要素挖掘条件的初始业务应用大数据,包括:
获得预设网页蜘蛛爬取的所述目标业务会话进程对应的若干个在线业务应用大数据;
对所述在线业务应用大数据进行分团处理,得到所述选定应用交互事件对应的分团记录;其中,所述分团记录包含所述选定应用交互事件对应的不少于一个候选业务应用大数据;
通过设定的抽取规则,对所述不少于一个候选业务应用大数据进行抽取,得到所述初始业务应用大数据。
3.根据权利要求1所述的方法,其特征在于,所述模型性能评分包括不少于一个描述层面的局部性能评分,所述在若干个专家系统模型中,通过各专家系统模型的模型性能评分确定目标专家系统模型,包括:
获得各专家系统模型对应的不少于一个描述层面的局部性能评分;其中,所述局部性能评分用于在一个所述描述层面下反映专家系统模型的项目应对质量;
通过所述不少于一个描述层面的局部性能评分,对所述若干个专家系统模型进行抽取,得到所述目标专家系统模型。
4.根据权利要求3所述的方法,其特征在于,所述通过所述不少于一个描述层面的局部性能评分,对所述若干个专家系统模型进行抽取,得到所述目标专家系统模型,包括:
获得各所述描述层面对应的评分限值;
遍历各专家系统模型,在当前专家系统模型中各所述描述层面的局部性能评分都达到对应的评分限值的基础上,将所述当前专家系统模型作为所述目标专家系统模型。
5.根据权利要求4所述的方法,其特征在于,所述通过所述不少于一个描述层面的局部性能评分,对所述若干个专家系统模型进行抽取,得到所述目标专家系统模型,包括:
获得各所述描述层面对应的设定性能指标;
针对各专家系统模型,通过专家系统模型中各所述描述层面的局部性能评分和对应的设定性能指标,得到专家系统模型对应的请求应答时效评分;
通过所述请求应答时效评分,在所述若干个专家系统模型中确定所述目标专家系统模型。
6.根据权利要求5所述的方法,其特征在于,所述局部性能评分包括如下一项或多项:闲置空间变量、运算开销指数、联合分析准确度;
所述通过所述不少于一个描述层面的局部性能评分,对所述若干个专家系统模型进行抽取,得到所述目标专家系统模型包括:
从所述若干个专家系统模型中遍历当前专家系统模型;
判别所述当前专家系统模型是否存在所述闲置空间变量;
在所述当前专家系统模型存在所述闲置空间变量的基础上,判别所述当前专家系统模型的运算开销指数是否达到运算开销指数限值;
在所述当前专家系统模型的运算开销指数达到运算开销指数限值的基础上,判别所述当前专家系统模型的联合分析准确度是否达到准确度限值;
在所述当前专家系统模型的联合分析准确度达到准确度限值的基础上,将所述当前专家系统模型作为所述目标专家系统模型;
其中,在所述当前专家系统模型的任何一个描述层面的局部性能评分没有达到对应评分限值的基础上,从所述若干个专家系统模型中遍历最新的当前专家系统模型,并判别所述最新的当前专家系统模型是否为所述目标专家系统模型。
7.根据权利要求1所述的方法,其特征在于,所述获得所述目标业务会话进程对应的存在上下游关系的第一事件要素关系集和第二事件要素关系集,包括:通过所述目标业务会话进程对应的应用场景标签,获得所述应用场景标签所对应的第一业务会话进程和第二业务会话进程;其中,所述第二业务会话进程的业务活动状态包含所述第一业务会话进程的业务活动状态;通过所述第一业务会话进程的业务活动状态确定所述第一业务会话进程对应的第一事件要素关系集,通过所述第二业务会话进程的业务活动状态确定所述第二业务会话进程对应的第二事件要素关系集;通过所述第一业务会话进程和所述第二业务会话进程分别对应的业务活动状态,确定所述第一事件要素关系集和所述第二事件要素关系集分别对应的上下游关系;
其中,所述通过所述第一业务会话进程的业务活动状态确定所述第一业务会话进程对应的第一事件要素关系集,包括:通过所述第一业务会话进程的业务活动状态,确定所述第一业务会话进程的不少于一个关联业务会话进程;通过所述第一业务会话进程对应的设定要素关系集和各所述关联业务会话进程的设定要素关系集,生成所述第一业务会话进程对应的第一事件要素关系集;所述通过所述第二业务会话进程的业务活动状态确定所述第二业务会话进程对应的第二事件要素关系集,包括:通过所述第二业务会话进程的业务活动状态,确定所述第二业务会话进程的至少二个关联业务会话进程;通过所述第二业务会话进程对应的设定要素关系集和所述关联业务会话进程的设定要素关系集,生成所述第二业务会话进程对应的第二事件要素关系集。
8.一种基于人工智能的数据复制容灾系统,其特征在于,包括处理器和存储器;所述处理器和所述存储器通信连接,所述处理器用于从所述存储器中读取计算机程序并执行,以实现权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211533771.8A CN115904810B (zh) | 2022-12-02 | 2022-12-02 | 基于人工智能的数据复制容灾方法及容灾系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211533771.8A CN115904810B (zh) | 2022-12-02 | 2022-12-02 | 基于人工智能的数据复制容灾方法及容灾系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115904810A CN115904810A (zh) | 2023-04-04 |
CN115904810B true CN115904810B (zh) | 2024-02-06 |
Family
ID=86493581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211533771.8A Active CN115904810B (zh) | 2022-12-02 | 2022-12-02 | 基于人工智能的数据复制容灾方法及容灾系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115904810B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9761222B1 (en) * | 2014-06-11 | 2017-09-12 | Albert Scarasso | Intelligent conversational messaging |
CN115221369A (zh) * | 2022-06-13 | 2022-10-21 | 阿里巴巴(中国)有限公司 | 视觉问答的实现方法和基于视觉问答检验模型的方法 |
CN115374185A (zh) * | 2022-09-29 | 2022-11-22 | 罗师红 | 应用于数据管理仓库的容灾方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8776241B2 (en) * | 2011-08-29 | 2014-07-08 | Kaspersky Lab Zao | Automatic analysis of security related incidents in computer networks |
US9324025B2 (en) * | 2013-06-27 | 2016-04-26 | International Business Machines Corporation | Automating natural-language interactions between an expert system and a user |
-
2022
- 2022-12-02 CN CN202211533771.8A patent/CN115904810B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9761222B1 (en) * | 2014-06-11 | 2017-09-12 | Albert Scarasso | Intelligent conversational messaging |
CN115221369A (zh) * | 2022-06-13 | 2022-10-21 | 阿里巴巴(中国)有限公司 | 视觉问答的实现方法和基于视觉问答检验模型的方法 |
CN115374185A (zh) * | 2022-09-29 | 2022-11-22 | 罗师红 | 应用于数据管理仓库的容灾方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115904810A (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210049512A1 (en) | Explainers for machine learning classifiers | |
US11237913B2 (en) | System and method for data classification during file backup | |
US8554738B2 (en) | Mitigation of obsolescence for archival services | |
US20150120637A1 (en) | Apparatus and method for analyzing bottlenecks in data distributed data processing system | |
US11741413B2 (en) | Digital fingerprint analysis | |
KR102101591B1 (ko) | Ai 기반 백업 데이터 관리 시스템 및 그 방법 | |
CN115048370B (zh) | 用于大数据清洗的人工智能处理方法及大数据清洗系统 | |
WO2019209231A2 (en) | System and method for creating recommendation of splitting and merging microservice | |
CN110134646B (zh) | 知识平台服务数据存储与集成方法及系统 | |
KR101686919B1 (ko) | 빅데이터에 기반한 추론 엔진을 관리하는 방법 및 장치 | |
CN114185761A (zh) | 日志采集方法、装置及设备 | |
CN115904810B (zh) | 基于人工智能的数据复制容灾方法及容灾系统 | |
CN109951326A (zh) | 数据处理方法、装置、存储介质及处理器 | |
CN115712843B (zh) | 基于人工智能的数据匹配检测处理方法及系统 | |
US20210019141A1 (en) | Intelligent application management and decommissioning in a computing environment | |
CN112783417A (zh) | 数据缩减的方法、装置、计算设备和存储介质 | |
US20200076681A1 (en) | Volume allocation management apparatus, volume allocation management method, and volume allocation management program | |
CN113783862B (zh) | 一种边云协同过程中进行数据校验的方法及装置 | |
CN115981807A (zh) | 一种基于区块链的可信分布式计算卸载方法 | |
CN115756968B (zh) | 基于网络的数据备份方法、系统及云平台 | |
US20240012859A1 (en) | Data cataloging based on classification models | |
CN115801338B (zh) | 基于加密流量控制网关的数据处理方法及系统 | |
CN115878439B (zh) | 系统性能瓶颈定位方法、装置、电子设备及存储介质 | |
US20220107869A1 (en) | System and method for selecting a backup plan for newly stored files | |
US20240004993A1 (en) | Malware detection in containerized environments |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20231227 Address after: No. 511, 5th Floor, Unit 1, Building 2, No. 1537, Jiannan Avenue Middle Section, Chengdu High tech Zone, China (Sichuan) Pilot Free Trade Zone, Chengdu, Sichuan Province, 610000 Applicant after: Sichuan Xinghuan Jiyuan Technology Development Co.,Ltd. Address before: No. 6-12, 6th Floor, Yongtai Building, Zhonghua Road, Nancheng Street, Mudan District, Heze City, Shandong Province, 274009 Applicant before: Heze Shengzhe Network Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |