CN115981910B - 处理异常请求的方法、装置、电子设备和计算机可读介质 - Google Patents
处理异常请求的方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN115981910B CN115981910B CN202310266740.9A CN202310266740A CN115981910B CN 115981910 B CN115981910 B CN 115981910B CN 202310266740 A CN202310266740 A CN 202310266740A CN 115981910 B CN115981910 B CN 115981910B
- Authority
- CN
- China
- Prior art keywords
- service request
- cluster
- target
- abnormal
- processing scheme
- 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
Images
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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了处理异常请求的方法、装置、电子设备和计算机可读介质,涉及运维及数据分析、大数据、数据分析与挖掘技术领域。该方法的一具体实施方式包括:接收并处理目标业务请求;响应于所述目标业务请求的处理结果为异常,获取当前的系统运行数据,根据所述当前的系统运行数据计算所述目标业务请求的特征向量;根据所述目标业务请求的特征向量计算所述目标业务请求与各个异常簇的相似度,从而筛选出与所述目标业务请求的相似度最高的目标异常簇;从方案库中获取所述目标异常簇对应的目标处理方案,执行所述目标处理方案,以正常处理所述目标业务请求。该实施方式能够解决分析效率和处理效率较低的技术问题。
Description
技术领域
本发明涉及运维及数据分析、大数据、数据分析与挖掘技术领域,尤其涉及一种处理异常请求的方法、装置、电子设备和计算机可读介质。
背景技术
目前,当系统的请求处理异常时,没有迅速对交易异常提供分析结果以及处理方案的手段,普遍方法是登陆生产集群,查询数据库状态及数据库语句执行情况,同时查询应用日志、中间件日志、公共组件日志,从而分析出异常原因并采取处理方案使请求的处理恢复正常。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
异常分析效率和异常处理效率均受限于分析人员水平,导致分析效率和处理效率较低;而且分析过程和处理过程需多人同时完成,导致人力消耗过大。
发明内容
有鉴于此,本发明实施例提供一种处理异常请求的方法、装置、电子设备和计算机可读介质,以解决分析效率和处理效率较低的技术问题。
为实现上述目的,根据本发明实施例的一个方面,提供了一种处理异常请求的方法,包括:
接收并处理目标业务请求;
响应于所述目标业务请求的处理结果为异常,获取当前的系统运行数据,根据所述当前的系统运行数据计算所述目标业务请求的特征向量;
根据所述目标业务请求的特征向量计算所述目标业务请求与各个异常簇的相似度,从而筛选出与所述目标业务请求的相似度最高的目标异常簇;
从方案库中获取所述目标异常簇对应的目标处理方案,执行所述目标处理方案,以正常处理所述目标业务请求;其中,所述目标处理方案为所述目标异常簇靠近正常簇时所采用的处理方案。
可选地,接收业务请求之前,还包括:
从日志文件中获取各个业务请求的处理结果为异常时的系统运行数据;
对于每个业务请求,根据所述业务请求对应的系统运行数据,计算所述业务请求的特征向量;
基于所述各个业务请求的特征向量并采用聚类算法对所述各个业务请求进行聚类,从而得到至少一个异常簇;
生成所述各个异常簇靠近正常簇时所采用的处理方案;
其中,每个异常簇包括至少一个处理结果为异常的业务请求,所述正常簇包括至少一个处理结果为正常的业务请求。
可选地,生成所述各个异常簇靠近正常簇时所采用的处理方案,包括:
根据方案库中各个处置操作生成处理方案集合,所述处理方案集合包括各个处置操作以及所述各个处置操作的排列组合操作;
对于每个异常簇,采用Q-learning算法从所述处理方案集合中找出所述异常簇靠近正常簇时所采用的处理方案。
可选地,采用Q-learning算法从所述处理方案集合中找出所述异常簇靠近正常簇时所采用的处理方案,包括:
对于所述处理方案集合中的每个处理方案,计算采用所述处理方案后所述异常簇中的各个业务请求被正常处理的期望奖励值;
筛选出期望奖励值最高的处理方案作为所述异常簇靠近正常簇时所采用的处理方案。
可选地,计算采用所述处理方案后所述异常簇中的各个业务请求被正常处理的期望奖励值,包括:
计算采用所述处理方案后所述异常簇中的各个业务的特征向量与正常簇中的各个业务请求的特征向量的相似度,从而得到所述处理方案对应的期望奖励值;其中,所述相似度越高,所述期望奖励值越大。
可选地,根据所述目标业务请求的特征向量计算所述目标业务请求与各个异常簇的相似度,从而筛选出与所述目标业务请求的相似度最高的目标异常簇,包括:
根据所述目标业务请求的特征向量计算所述目标业务请求与各个异常簇的相似度;
筛选出相似度最高的异常簇;
响应于所述相似度大于等于相似度阈值,将所述相似度最高的异常簇作为目标异常簇;
响应于所述相似度小于相似度阈值,根据目标业务请求生成新的异常簇并将所述新的异常簇作为目标异常簇。
可选地,所述系统运行数据包括以下至少一种:
请求响应时间、请求量、中间件状态、公共组件状态、数据库状态、数据库语句执行情况。
另外,根据本发明实施例的另一个方面,提供了一种处理异常请求的装置,包括:
处理模块,用于接收并处理目标业务请求;
计算模块,用于响应于所述目标业务请求的处理结果为异常,获取当前的系统运行数据,根据所述当前的系统运行数据计算所述目标业务请求的特征向量;
筛选模块,用于根据所述目标业务请求的特征向量计算所述目标业务请求与各个异常簇的相似度,从而筛选出与所述目标业务请求的相似度最高的目标异常簇;
方案模块,用于从方案库中获取所述目标异常簇对应的目标处理方案,执行所述目标处理方案,以正常处理所述目标业务请求;其中,所述目标处理方案为所述目标异常簇靠近正常簇时所采用的处理方案。
可选地,还包括创建模块,用于:
从日志文件中获取各个业务请求的处理结果为异常时的系统运行数据;
对于每个业务请求,根据所述业务请求对应的系统运行数据,计算所述业务请求的特征向量;
基于所述各个业务请求的特征向量并采用聚类算法对所述各个业务请求进行聚类,从而得到至少一个异常簇;
生成所述各个异常簇靠近正常簇时所采用的处理方案;
其中,每个异常簇包括至少一个处理结果为异常的业务请求,所述正常簇包括至少一个处理结果为正常的业务请求。
可选地,所述创建模块还用于:
根据方案库中各个处置操作生成处理方案集合,所述处理方案集合包括各个处置操作以及所述各个处置操作的排列组合操作;
对于每个异常簇,采用Q-learning算法从所述处理方案集合中找出所述异常簇靠近正常簇时所采用的处理方案。
可选地,所述创建模块还用于:
对于所述处理方案集合中的每个处理方案,计算采用所述处理方案后所述异常簇中的各个业务请求被正常处理的期望奖励值;
筛选出期望奖励值最高的处理方案作为所述异常簇靠近正常簇时所采用的处理方案。
可选地,所述创建模块还用于:
计算采用所述处理方案后所述异常簇中的各个业务的特征向量与正常簇中的各个业务请求的特征向量的相似度,从而得到所述处理方案对应的期望奖励值;其中,所述相似度越高,所述期望奖励值越大。
可选地,所述筛选模块还用于:
根据所述目标业务请求的特征向量计算所述目标业务请求与各个异常簇的相似度;
筛选出相似度最高的异常簇;
响应于所述相似度大于等于相似度阈值,将所述相似度最高的异常簇作为目标异常簇;
响应于所述相似度小于相似度阈值,根据目标业务请求生成新的异常簇并将所述新的异常簇作为目标异常簇。
可选地,所述系统运行数据包括以下至少一种:
请求响应时间、请求量、中间件状态、公共组件状态、数据库状态、数据库语句执行情况。
根据本发明实施例的另一个方面,还提供了一种电子设备,包括:
一个或多个处理器;
存储装置,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时,所述一个或多个处理器实现上述任一实施例所述的方法。
根据本发明实施例的另一个方面,还提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现上述任一实施例所述的方法。
根据本发明实施例的另一个方面,还提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现上述任一实施例所述的方法。
上述发明中的一个实施例具有如下优点或有益效果:因为采用响应于目标业务请求的处理结果为异常,获取当前的系统运行数据,根据当前的系统运行数据计算目标业务请求的特征向量,从而筛选出与目标业务请求的相似度最高的目标异常簇,从方案库中获取目标异常簇对应的目标处理方案,从而执行目标处理方案的技术手段,所以克服了现有技术中分析效率和处理效率较低的技术问题。本发明实施例通过系统运行数据来匹配异常簇,结合预先建立的方案库查找出异常簇对应的处理方案并执行处理方案,无需人员参与,不仅提升了效率也显著减少了人力消耗。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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。其中:
图1是根据本发明实施例的处理异常请求的方法的流程图;
图2是根据本发明一个可参考实施例的处理异常请求的方法的流程图;
图3是根据本发明另一个可参考实施例的处理异常请求的方法的流程图;
图4是根据本发明再一个可参考实施例的处理异常请求的方法的流程图;
图5是根据本发明实施例的处理异常请求的装置的示意图;
图6是本发明实施例可以应用于其中的示例性系统架构图;
图7是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,本发明的技术方案中,所涉及的用户个人信息的采集、分析、使用、传输、存储等方面,均符合相关法律法规的规定,被用于合法且合理的用途,不在这些合法使用等方面之外共享、泄露或出售,并且接受监管部门的监督管理。应当对用户个人信息采取必要措施,以防止对此类个人信息数据的非法访问,确保有权访问个人信息数据的人员遵守相关法律法规的规定,确保用户个人信息安全。一旦不再需要这些用户个人信息数据,应当通过限制甚至禁止数据收集和/或删除数据的方式将风险降至最低。
当适用时,包括在某些相关应用程序中,通过对数据去标识来保护用户隐私,例如在适用时通过移除特定标识符(例如,账户标识、用户姓名等)、控制数据如何被存储、和/或其他方法去标识。
图1是根据本发明实施例的处理异常请求的方法的流程图。作为本发明的一个实施例,如图1所示,所述处理异常请求的方法可以包括:
S101,接收并处理目标业务请求。
首先,接收终端发送的目标业务请求,对所述目标业务请求进行解析,从而得到所述目标业务请求中携带的业务参数,然后基于所述业务参数进行业务处理。如果业务处理成功,则将处理结果返回至终端,如果业务处理异常,则执行S102。
S102,响应于所述目标业务请求的处理结果为异常,获取当前的系统运行数据,根据所述当前的系统运行数据计算所述目标业务请求的特征向量。
如果目标业务请求的处理结果为异常,则获取当前的系统运行数据,所述系统运行数据包括以下至少一种:请求响应时间、请求量、中间件状态、公共组件状态、数据库状态、数据库语句执行情况。在该步骤中,对当前的系统运行数据进行特征计算,比如进行归一化处理,将系统运行数据分别归一化为a、b、c、d、e、f,从而得到所述目标业务请求的特征向量可以表示为[a, b, c, d, e, f]。
在本发明的一些实施例中,还可以对各个维度的系统运行数据设置权重,比如w1、w2、w3、w4、w5、w6,其中w1+…+w6=1,因此所述目标业务请求的特征向量可以表示为[w1*a, w2*b, w3*c, w4*d, w5*e, w6*f]。需要说明的是,对于特征数量和各个特征权重的取值,可以根据不同系统不同侧重点进行调整,本发明实施例对此不作限制。
S103,根据所述目标业务请求的特征向量计算所述目标业务请求与各个异常簇的相似度,从而筛选出与所述目标业务请求的相似度最高的目标异常簇。
接着计算所述目标业务请求的特征向量计算所述目标业务请求与各个异常簇的相似度,从而筛选出与所述目标业务请求的相似度最高的目标异常簇。具体地,对于每个异常簇,根据所述目标业务请求的特征向量计算所述目标业务请求与该异常簇的中心的相似度,然后筛选出与所述目标业务请求的相似度最高的目标异常簇。
需要说明的是,每个异常簇包括至少一个处理结果为异常的业务请求,对于每个异常簇来说,该异常簇的中心可以是该异常簇中各个异常请求的特征向量的平均值。
S104,从方案库中获取所述目标异常簇对应的目标处理方案,执行所述目标处理方案,以正常处理所述目标业务请求;其中,所述目标处理方案为所述目标异常簇靠近正常簇时所采用的处理方案。
筛选出与所述目标业务请求的相似度最高的目标异常簇后,从方案库中获取目标异常簇对应的目标处理方案,然后执行所述目标处理方案,由于采用了目标处理方案,使得目标业务请求能够被正常处理。
可选地,在S101之前,还包括:从日志文件中获取各个业务请求的处理结果为异常时的系统运行数据;对于每个业务请求,根据所述业务请求对应的系统运行数据,计算所述业务请求的特征向量;基于所述各个业务请求的特征向量并采用聚类算法对所述各个业务请求进行聚类,从而得到至少一个异常簇;生成所述各个异常簇靠近正常簇时所采用的处理方案;其中,每个异常簇包括至少一个处理结果为异常的业务请求,所述正常簇包括至少一个处理结果为正常的业务请求。可以从数据库的日志文件中获取各个业务请求的处理结果为异常时的系统运行数据(比如请求响应时间、请求量、中间件状态、公共组件状态、数据库状态、数据库语句执行情况等),根据每个业务请求的处理结果为异常时的系统运行数据分别计算每个业务请求的特征向量,特征向量的计算过程与S102类似,不再赘述,然后采用K-means算法等聚类算法对所述各个业务请求进行聚类,从而得到至少一个异常簇(每个异常簇包括至少一个处理结果为异常的业务请求),最后分别生成所述各个异常簇靠近正常簇时所采用的处理方案,也就是说,每个异常簇对应于一个处理方案,执行该处理方案后可以使该异常簇中的各个异常请求被正常处理。
在方案库中存储有各种处理方案,可以将各个处理方案标记与对应的异常簇关联起来,从而快速地在方案库中查找出对应的目标处理方案。
因此,当目标业务请求的处理结果为异常时,可根据当前系统运行数据匹配出目标异常簇,然后从方案库中找出与该目标异常簇匹配的目标处理方案并执行目标处理方案,使得该目标业务请求被正常处理,从而快速高效使请求的处理恢复正常。
根据上面所述的各种实施例,可以看出本发明实施例通过响应于目标业务请求的处理结果为异常,获取当前的系统运行数据,根据当前的系统运行数据计算目标业务请求的特征向量,从而筛选出与目标业务请求的相似度最高的目标异常簇,从方案库中获取目标异常簇对应的目标处理方案,从而执行目标处理方案的技术手段,解决了现有技术中分析效率和处理效率较低的技术问题。本发明实施例通过系统运行数据来匹配异常簇,结合预先建立的方案库查找出异常簇对应的处理方案并执行处理方案,无需人员参与,不仅提升了效率也显著减少了人力消耗。
图2是根据本发明一个可参考实施例的处理异常请求的方法的流程图。作为本发明的又一个实施例,如图2所示,所述处理异常请求的方法可以包括:
S201,从日志文件中获取各个业务请求的处理结果为异常时的系统运行数据。
日志文件中记录了各个业务请求的处理结果以及当时的系统运行数据,因此可以从日志文件中获取业务请求的处理结果为异常的当时的系统运行数据,所述系统运行数据包括以下至少一种:请求响应时间、请求量、中间件状态、公共组件状态、数据库状态、数据库语句执行情况。
S202,对于每个业务请求,根据所述业务请求对应的系统运行数据,计算所述业务请求的特征向量。
也就是说,根据每个业务请求的处理结果为异常时的系统运行数据分别计算每个业务请求的特征向量。具体地,对于每个业务请求,对该业务请求对应的系统运行数据进行特征计算,比如进行归一化处理,将系统运行数据分别归一化为a、b、c、d、e、f,从而得到该业务请求的特征向量可以表示为[a, b, c, d, e, f]。
在本发明的一些实施例中,还可以对各个维度的系统运行数据设置权重,比如w1、w2、w3、w4、w5、w6,其中w1+…+w6=1,因此业务请求的特征向量可以表示为[w1*a, w2*b,w3*c, w4*d, w5*e, w6*f]。
S203,基于所述各个业务请求的特征向量并采用聚类算法对所述各个业务请求进行聚类,从而得到至少一个异常簇。
可以采用聚类算法对所述各个业务请求的特征向量进行聚类,从而得到至少一个异常簇,使得相似度高的业务请求都被聚合在一个异常簇中,因此每个异常簇包括至少一个处理结果为异常的业务请求。
S204,生成所述各个异常簇靠近正常簇时所采用的处理方案。
可选地,S204可以包括:根据方案库中各个处置操作生成处理方案集合,所述处理方案集合包括各个处置操作以及所述各个处置操作的排列组合操作;对于每个异常簇,采用Q-learning算法从所述处理方案集合中找出所述异常簇靠近正常簇时所采用的处理方案。方案库中有所有细粒度的处置操作,对这些处置操作进行排列组合,处理方案集合包括单个的处置操作以及多个处置操作的排列组合;接着,对于每个异常簇采用Q-learning算法的奖励惩罚机制从所述处理方案集合中找出所述异常簇靠近正常簇时所采用的处理方案,其中所述正常簇包括至少一个处理结果为正常的业务请求。
可选地,采用Q-learning算法从所述处理方案集合中找出所述异常簇靠近正常簇时所采用的处理方案,包括:对于所述处理方案集合中的每个处理方案,计算采用所述处理方案后所述异常簇中的各个业务请求被正常处理的期望奖励值;筛选出期望奖励值最高的处理方案作为所述异常簇靠近正常簇时所采用的处理方案。将正常簇作为目标态,将异常簇作为当前态,遍历所述处理方案集合中的每个处理方案,对于每个处理方案,计算采用所述处理方案后所述异常簇中的各个业务请求被正常处理的期望奖励值。需要说明的是,采用某一个处理方案后所述异常簇越靠近正常簇,那么该处理方案的期望奖励值就会越高。因此期望奖励值最高的处理方案就是所述异常簇靠近正常簇时所采用的处理方案。
比如,当CPU过高的异常状况发生时,通过方案库中的处理方案进行处置,若某个处理方案能够将CPU降低,以使异常簇靠近正常簇,则该处理方案的期望奖励值较高,若某个处理方案无法降低CPU,则该处理方案的期望奖励值较低,通过遍历所有处理方案(单个处置操作或多个处置操作的排列组合),实现将CPU降低到合理水平,使得异常请求被正常处理。
可选地,计算采用所述处理方案后所述异常簇中的各个业务请求被正常处理的期望奖励值,包括:计算采用所述处理方案后所述异常簇中的各个业务的特征向量与正常簇中的各个业务请求的特征向量的相似度,从而得到所述处理方案对应的期望奖励值;其中,所述相似度越高,所述期望奖励值越大。在本发明的实施例中,可以计算采用所述处理方案后所述异常簇中的各个业务的特征向量与正常簇中的各个业务请求的特征向量的相似度,相似度越高,则期望奖励值越大,这样可以快速地计算出采用各个处理方案后各个异常簇中的各个业务请求被正常处理的期望奖励值,从而为各个异常簇匹配对应的处理方案。
S205,接收并处理目标业务请求。
接收终端发送的目标业务请求,对所述目标业务请求进行解析,从而得到所述目标业务请求中携带的业务参数,然后基于所述业务参数进行业务处理。如果业务处理成功,则将处理结果返回至终端,如果业务处理异常,则执行S206。
S206,响应于所述目标业务请求的处理结果为异常,获取当前的系统运行数据,根据所述当前的系统运行数据计算所述目标业务请求的特征向量。
如果目标业务请求的处理结果为异常,则获取当前的系统运行数据,所述系统运行数据包括以下至少一种:请求响应时间、请求量、中间件状态、公共组件状态、数据库状态、数据库语句执行情况。在该步骤中,对当前的系统运行数据进行特征计算,比如进行归一化处理,将系统运行数据分别归一化为a、b、c、d、e、f,从而得到所述目标业务请求的特征向量可以表示为[a, b, c, d, e, f]。
在本发明的一些实施例中,还可以对各个维度的系统运行数据设置权重,比如w1、w2、w3、w4、w5、w6,其中w1+…+w6=1,因此所述目标业务请求的特征向量可以表示为[w1*a, w2*b, w3*c, w4*d, w5*e, w6*f]。
S207,根据所述目标业务请求的特征向量计算所述目标业务请求与各个异常簇的相似度,从而筛选出与所述目标业务请求的相似度最高的目标异常簇。
对于每个异常簇,根据所述目标业务请求的特征向量计算所述目标业务请求与该异常簇的中心的相似度,然后筛选出与所述目标业务请求的相似度最高的目标异常簇。每个异常簇包括至少一个处理结果为异常的业务请求,对于每个异常簇来说,该异常簇的中心可以是该异常簇中各个异常请求的特征向量的平均值。
S208,从方案库中获取所述目标异常簇对应的目标处理方案,执行所述目标处理方案,以正常处理所述目标业务请求;其中,所述目标处理方案为所述目标异常簇靠近正常簇时所采用的处理方案。
筛选出与所述目标业务请求的相似度最高的目标异常簇后,从方案库中获取目标异常簇对应的目标处理方案,然后执行所述目标处理方案,由于采用了目标处理方案,使得目标业务请求能够被正常处理。
另外,在本发明一个可参考实施例中处理异常请求的方法的具体实施内容,在上面所述处理异常请求的方法中已经详细说明了,故在此重复内容不再说明。
图3是根据本发明另一个可参考实施例的处理异常请求的方法的流程图。作为本发明的另一个实施例,如图3所示,所述处理异常请求的方法可以包括:
S301,从日志文件中获取各个业务请求的处理结果为异常时的系统运行数据。
其中,所述系统运行数据包括以下至少一种:请求响应时间、请求量、中间件状态、公共组件状态、数据库状态、数据库语句执行情况。
S302,对于每个业务请求,根据所述业务请求对应的系统运行数据,计算所述业务请求的特征向量。
S303,基于所述各个业务请求的特征向量并采用聚类算法对所述各个业务请求进行聚类,从而得到至少一个异常簇。其中,每个异常簇包括至少一个处理结果为异常的业务请求。
S304,生成所述各个异常簇靠近正常簇时所采用的处理方案。其中,所述正常簇包括至少一个处理结果为正常的业务请求。
根据方案库中各个处置操作生成处理方案集合,所述处理方案集合包括各个处置操作以及所述各个处置操作的排列组合操作;对于每个异常簇,采用Q-learning算法从所述处理方案集合中找出所述异常簇靠近正常簇时所采用的处理方案。方案库中有所有细粒度的处置操作,对这些处置操作进行排列组合,处理方案集合包括单个的处置操作以及多个处置操作的排列组合;接着,对于每个异常簇采用Q-learning算法的奖励惩罚机制从所述处理方案集合中找出所述异常簇靠近正常簇时所采用的处理方案,其中所述正常簇包括至少一个处理结果为正常的业务请求。
S305,接收并处理目标业务请求。
S306,响应于所述目标业务请求的处理结果为异常,获取当前的系统运行数据,根据所述当前的系统运行数据计算所述目标业务请求的特征向量。
S307,根据所述目标业务请求的特征向量计算所述目标业务请求与各个异常簇的相似度,从而筛选出与所述目标业务请求的相似度最高的异常簇。
S308,判断所述相似度是否大于等于相似度阈值;若是,则执行S309;若否,则执行S310。
S309,将所述相似度最高的异常簇作为目标异常簇并将所述目标业务请求加入其中。
如果S307中筛选出的最高相似度大于等于相似度阈值,则将相似度最高的异常簇作为目标异常簇并将该目标业务请求加入所述目标异常簇中。
S310,根据目标业务请求生成新的异常簇并将所述新的异常簇作为目标异常簇,生成所述目标异常簇靠近正常簇时所采用的处理方案。
具体地,针对新的异常簇,采用Q-learning算法从处理方案集合中找出所述异常簇靠近正常簇时所采用的处理方案,该步骤与S304类似,不再赘述。
S311,从方案库中获取所述目标异常簇对应的目标处理方案,执行所述目标处理方案,以正常处理所述目标业务请求;其中,所述目标处理方案为所述目标异常簇靠近正常簇时所采用的处理方案。
当目标业务请求发生异常时,可以根据当前的系统运行数据计算该目标业务请求的特征向量,并与各个异常簇进行相似度计算,筛选出相似度最高的异常簇,如果该相似度大于等于相似度阈值r,则将该目标业务请求纳入该异常簇,并通过方案库匹配到对应的目标处理方案,然后执行目标处理方案,从而快速高效使请求的处理恢复正常。如果该相似度小于相似度阈值r,那么该目标业务请求将形成一个新的异常簇,针对新的异常簇确定处理方案,然后执行该处理方案。
随着数据的积累以及方案库的完善,可以快速地匹配出异常簇并查找出对应的处理方案,无需人员参与,不仅提升了效率也显著减少了人力消耗。
另外,在本发明另一个可参考实施例中处理异常请求的方法的具体实施内容,在上面所述处理异常请求的方法中已经详细说明了,故在此重复内容不再说明。
图4是根据本发明再一个可参考实施例的处理异常请求的方法的流程图。作为本发明的再一个实施例,如图4所示,所述处理异常请求的方法可以包括:
S401,接收并处理目标业务请求。
S402,响应于所述目标业务请求的处理结果为异常,获取当前的系统运行数据,根据所述当前的系统运行数据计算所述目标业务请求的特征向量。
S403,根据所述目标业务请求的特征向量计算所述目标业务请求与各个异常簇的相似度,从而筛选出与所述目标业务请求的相似度最高的目标异常簇。
S404,从方案库中获取所述目标异常簇对应的目标处理方案。其中,所述目标处理方案为所述目标异常簇靠近正常簇时所采用的处理方案。
S405,将所述目标处理方案推送给运维人员。
S406,接收所述运维人员提交的执行指令。
S407,执行所述目标处理方案,以正常处理所述目标业务请求,并将所述目标处理方案的执行结果推送给运维人员。
另外,在本发明再一个可参考实施例中处理异常请求的方法的具体实施内容,在上面所述处理异常请求的方法中已经详细说明了,故在此重复内容不再说明。
图5是根据本发明实施例的处理异常请求的装置的示意图。如图5所示,所述处理异常请求的装置500包括处理模块501、计算模块502、筛选模块503和方案模块504;其中,处理模块501用于接收并处理目标业务请求;计算模块502用于响应于所述目标业务请求的处理结果为异常,获取当前的系统运行数据,根据所述当前的系统运行数据计算所述目标业务请求的特征向量;筛选模块503用于根据所述目标业务请求的特征向量计算所述目标业务请求与各个异常簇的相似度,从而筛选出与所述目标业务请求的相似度最高的目标异常簇;方案模块504用于从方案库中获取所述目标异常簇对应的目标处理方案,执行所述目标处理方案,以正常处理所述目标业务请求;其中,所述目标处理方案为所述目标异常簇靠近正常簇时所采用的处理方案。
可选地,还包括创建模块,用于:
从日志文件中获取各个业务请求的处理结果为异常时的系统运行数据;
对于每个业务请求,根据所述业务请求对应的系统运行数据,计算所述业务请求的特征向量;
基于所述各个业务请求的特征向量并采用聚类算法对所述各个业务请求进行聚类,从而得到至少一个异常簇;
生成所述各个异常簇靠近正常簇时所采用的处理方案;
其中,每个异常簇包括至少一个处理结果为异常的业务请求,所述正常簇包括至少一个处理结果为正常的业务请求。
可选地,所述创建模块还用于:
根据方案库中各个处置操作生成处理方案集合,所述处理方案集合包括各个处置操作以及所述各个处置操作的排列组合操作;
对于每个异常簇,采用Q-learning算法从所述处理方案集合中找出所述异常簇靠近正常簇时所采用的处理方案。
可选地,所述创建模块还用于:
对于所述处理方案集合中的每个处理方案,计算采用所述处理方案后所述异常簇中的各个业务请求被正常处理的期望奖励值;
筛选出期望奖励值最高的处理方案作为所述异常簇靠近正常簇时所采用的处理方案。
可选地,所述创建模块还用于:
计算采用所述处理方案后所述异常簇中的各个业务的特征向量与正常簇中的各个业务请求的特征向量的相似度,从而得到所述处理方案对应的期望奖励值;其中,所述相似度越高,所述期望奖励值越大。
可选地,所述筛选模块503还用于:
根据所述目标业务请求的特征向量计算所述目标业务请求与各个异常簇的相似度;
筛选出相似度最高的异常簇;
响应于所述相似度大于等于相似度阈值,将所述相似度最高的异常簇作为目标异常簇;
响应于所述相似度小于相似度阈值,根据目标业务请求生成新的异常簇并将所述新的异常簇作为目标异常簇。
可选地,所述系统运行数据包括以下至少一种:
请求响应时间、请求量、中间件状态、公共组件状态、数据库状态、数据库语句执行情况。
需要说明的是,在本发明所述处理异常请求的装置的具体实施内容,在上面所述处理异常请求的方法中已经详细说明了,故在此重复内容不再说明。
图6示出了可以应用本发明实施例的处理异常请求的方法或处理异常请求的装置的示例性系统架构600。
如图6所示,系统架构600可以包括终端设备601、602、603,网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备601、602、603通过网络604与服务器605交互,以接收或发送消息等。终端设备601、602、603上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备601、602、603可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器605可以是提供各种服务的服务器,例如对用户利用终端设备601、602、603所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的物品信息查询请求等数据进行分析等处理,并将处理结果反馈给终端设备。
需要说明的是,本发明实施例所提供的处理异常请求的方法一般由服务器605执行,相应地,所述处理异常请求的装置一般设置在服务器605中。
应该理解,图6中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图7,其示出了适于用来实现本发明实施例的终端设备的计算机系统700的结构示意图。图7示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,计算机系统700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序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,上述模块、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,两个接连地表示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,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操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。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括处理模块、计算模块、筛选模块和方案模块,其中,这些模块的名称在某种情况下并不构成对该模块本身的限定。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,该设备实现如下方法:接收并处理目标业务请求;响应于所述目标业务请求的处理结果为异常,获取当前的系统运行数据,根据所述当前的系统运行数据计算所述目标业务请求的特征向量;根据所述目标业务请求的特征向量计算所述目标业务请求与各个异常簇的相似度,从而筛选出与所述目标业务请求的相似度最高的目标异常簇;从方案库中获取所述目标异常簇对应的目标处理方案,执行所述目标处理方案,以正常处理所述目标业务请求;其中,所述目标处理方案为所述目标异常簇靠近正常簇时所采用的处理方案。
作为另一方面,本发明实施例还提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现上述任一实施例所述的方法。
根据本发明实施例的技术方案,因为采用响应于目标业务请求的处理结果为异常,获取当前的系统运行数据,根据当前的系统运行数据计算目标业务请求的特征向量,从而筛选出与目标业务请求的相似度最高的目标异常簇,从方案库中获取目标异常簇对应的目标处理方案,从而执行目标处理方案的技术手段,所以克服了现有技术中分析效率和处理效率较低的技术问题。本发明实施例通过系统运行数据来匹配异常簇,结合预先建立的方案库查找出异常簇对应的处理方案并执行处理方案,无需人员参与,不仅提升了效率也显著减少了人力消耗。
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,取决于设计要求和其他因素,可以发生各种各样的修改、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 (14)
1.一种处理异常请求的方法,其特征在于,包括:
接收并处理目标业务请求;
响应于所述目标业务请求的处理结果为异常,获取当前的系统运行数据,根据所述当前的系统运行数据计算所述目标业务请求的特征向量;其中,所述目标业务请求的特征向量表示当前的各个维度的系统运行数据的特征组成的向量;
根据所述目标业务请求的特征向量计算所述目标业务请求与各个异常簇的中心的相似度,从而筛选出与所述目标业务请求的相似度最高的目标异常簇;其中,所述异常簇的中心为所述异常簇中各个业务请求的特征向量的平均值;
从方案库中获取所述目标异常簇对应的目标处理方案,执行所述目标处理方案,以正常处理所述目标业务请求;其中,所述目标处理方案为所述目标异常簇靠近正常簇时所采用的处理方案;
接收目标业务请求之前,还包括:
从日志文件中获取各个业务请求的处理结果为异常时的系统运行数据;
对于每个业务请求,根据所述各个业务请求对应的系统运行数据,计算所述各个业务请求的特征向量;
基于所述各个业务请求的特征向量并采用聚类算法对所述各个业务请求进行聚类,从而得到至少一个异常簇;
生成所述各个异常簇靠近正常簇时所采用的处理方案;
其中,每个异常簇包括至少一个处理结果为异常的业务请求,所述正常簇包括至少一个处理结果为正常的业务请求。
2.根据权利要求1所述的方法,其特征在于,生成所述各个异常簇靠近正常簇时所采用的处理方案,包括:
根据方案库中各个处置操作生成处理方案集合,所述处理方案集合包括各个处置操作以及所述各个处置操作的排列组合操作;
对于每个异常簇,采用Q-learning算法从所述处理方案集合中找出所述异常簇靠近正常簇时所采用的处理方案。
3.根据权利要求2所述的方法,其特征在于,采用Q-learning算法从所述处理方案集合中找出所述异常簇靠近正常簇时所采用的处理方案,包括:
对于所述处理方案集合中的每个处理方案,计算采用所述处理方案后所述异常簇中的各个业务请求被正常处理的期望奖励值;
筛选出期望奖励值最高的处理方案作为所述异常簇靠近正常簇时所采用的处理方案。
4.根据权利要求3所述的方法,其特征在于,计算采用所述处理方案后所述异常簇中的各个业务请求被正常处理的期望奖励值,包括:
计算采用所述处理方案后所述异常簇中的各个业务的特征向量与正常簇中的各个业务请求的特征向量的相似度,从而得到所述处理方案对应的期望奖励值;其中,所述相似度越高,所述期望奖励值越大。
5.根据权利要求1所述的方法,其特征在于,根据所述目标业务请求的特征向量计算所述目标业务请求与各个异常簇的中心的相似度,从而筛选出与所述目标业务请求的相似度最高的目标异常簇,包括:
根据所述目标业务请求的特征向量计算所述目标业务请求与各个异常簇的中心的相似度;
筛选出相似度最高的异常簇;
响应于所述相似度大于等于相似度阈值,将所述相似度最高的异常簇作为目标异常簇;
响应于所述相似度小于相似度阈值,根据目标业务请求生成新的异常簇并将所述新的异常簇作为目标异常簇。
6.根据权利要求1所述的方法,其特征在于,所述系统运行数据包括以下至少一种:
请求响应时间、请求量、中间件状态、公共组件状态、数据库状态、数据库语句执行情况。
7.一种处理异常请求的装置,其特征在于,包括:
处理模块,用于接收并处理目标业务请求;
计算模块,用于响应于所述目标业务请求的处理结果为异常,获取当前的系统运行数据,根据所述当前的系统运行数据计算所述目标业务请求的特征向量;其中,所述目标业务请求的特征向量表示当前的各个维度的系统运行数据的特征组成的向量;
筛选模块,用于根据所述目标业务请求的特征向量计算所述目标业务请求与各个异常簇的中心的相似度,从而筛选出与所述目标业务请求的相似度最高的目标异常簇;其中,所述异常簇的中心为所述异常簇中各个业务请求的特征向量的平均值;
方案模块,用于从方案库中获取所述目标异常簇对应的目标处理方案,执行所述目标处理方案,以正常处理所述目标业务请求;其中,所述目标处理方案为所述目标异常簇靠近正常簇时所采用的处理方案;
还包括创建模块,用于:
从日志文件中获取各个业务请求的处理结果为异常时的系统运行数据;
对于每个业务请求,根据所述各个业务请求对应的系统运行数据,计算所述各个业务请求的特征向量;
基于所述各个业务请求的特征向量并采用聚类算法对所述各个业务请求进行聚类,从而得到至少一个异常簇;
生成所述各个异常簇靠近正常簇时所采用的处理方案;
其中,每个异常簇包括至少一个处理结果为异常的业务请求,所述正常簇包括至少一个处理结果为正常的业务请求。
8.根据权利要求7所述的装置,其特征在于,所述创建模块还用于:
根据方案库中各个处置操作生成处理方案集合,所述处理方案集合包括各个处置操作以及所述各个处置操作的排列组合操作;
对于每个异常簇,采用Q-learning算法从所述处理方案集合中找出所述异常簇靠近正常簇时所采用的处理方案。
9.根据权利要求8所述的装置,其特征在于,所述创建模块还用于:
对于所述处理方案集合中的每个处理方案,计算采用所述处理方案后所述异常簇中的各个业务请求被正常处理的期望奖励值;
筛选出期望奖励值最高的处理方案作为所述异常簇靠近正常簇时所采用的处理方案。
10.根据权利要求9所述的装置,其特征在于,所述创建模块还用于:
计算采用所述处理方案后所述异常簇中的各个业务的特征向量与正常簇中的各个业务请求的特征向量的相似度,从而得到所述处理方案对应的期望奖励值;其中,所述相似度越高,所述期望奖励值越大。
11.根据权利要求7所述的装置,其特征在于,所述筛选模块还用于:
根据所述目标业务请求的特征向量计算所述目标业务请求与各个异常簇的中心的相似度;
筛选出相似度最高的异常簇;
响应于所述相似度大于等于相似度阈值,将所述相似度最高的异常簇作为目标异常簇;
响应于所述相似度小于相似度阈值,根据目标业务请求生成新的异常簇并将所述新的异常簇作为目标异常簇。
12.根据权利要求7所述的装置,其特征在于,所述系统运行数据包括以下至少一种:
请求响应时间、请求量、中间件状态、公共组件状态、数据库状态、数据库语句执行情况。
13.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,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时,所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310266740.9A CN115981910B (zh) | 2023-03-20 | 2023-03-20 | 处理异常请求的方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310266740.9A CN115981910B (zh) | 2023-03-20 | 2023-03-20 | 处理异常请求的方法、装置、电子设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115981910A CN115981910A (zh) | 2023-04-18 |
CN115981910B true CN115981910B (zh) | 2023-06-16 |
Family
ID=85962687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310266740.9A Active CN115981910B (zh) | 2023-03-20 | 2023-03-20 | 处理异常请求的方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115981910B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9355007B1 (en) * | 2013-07-15 | 2016-05-31 | Amazon Technologies, Inc. | Identifying abnormal hosts using cluster processing |
JP2017211806A (ja) * | 2016-05-25 | 2017-11-30 | 株式会社日立製作所 | 通信の監視方法、セキュリティ管理システム及びプログラム |
CN110457175A (zh) * | 2019-07-08 | 2019-11-15 | 阿里巴巴集团控股有限公司 | 业务数据处理方法、装置、电子设备及介质 |
CN111966515A (zh) * | 2020-07-16 | 2020-11-20 | 招联消费金融有限公司 | 业务异常数据处理方法、装置、计算机设备和存储介质 |
CN111984499A (zh) * | 2020-08-04 | 2020-11-24 | 中国建设银行股份有限公司 | 一种大数据集群的故障检测方法和装置 |
US11544555B1 (en) * | 2019-07-30 | 2023-01-03 | Intuit Inc. | Invoice data classification and clustering |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10614056B2 (en) * | 2015-03-24 | 2020-04-07 | NetSuite Inc. | System and method for automated detection of incorrect data |
TWI562013B (en) * | 2015-07-06 | 2016-12-11 | Wistron Corp | Method, system and apparatus for predicting abnormality |
CN113506110A (zh) * | 2019-10-28 | 2021-10-15 | 腾讯科技(深圳)有限公司 | 一种数据处理方法及设备 |
CN113986864A (zh) * | 2021-11-11 | 2022-01-28 | 建信金融科技有限责任公司 | 日志数据处理方法、装置、电子设备及存储介质 |
CN114186626A (zh) * | 2021-12-09 | 2022-03-15 | 中国建设银行股份有限公司 | 一种异常检测方法、装置、电子设备及计算机可读介质 |
CN114528845A (zh) * | 2022-02-14 | 2022-05-24 | 中国工商银行股份有限公司 | 异常日志的分析方法、装置及电子设备 |
CN115033463B (zh) * | 2022-08-12 | 2022-11-22 | 北京优特捷信息技术有限公司 | 一种系统异常类型确定方法、装置、设备和存储介质 |
CN115422000A (zh) * | 2022-08-22 | 2022-12-02 | 平安银行股份有限公司 | 异常日志处理方法及装置 |
-
2023
- 2023-03-20 CN CN202310266740.9A patent/CN115981910B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9355007B1 (en) * | 2013-07-15 | 2016-05-31 | Amazon Technologies, Inc. | Identifying abnormal hosts using cluster processing |
JP2017211806A (ja) * | 2016-05-25 | 2017-11-30 | 株式会社日立製作所 | 通信の監視方法、セキュリティ管理システム及びプログラム |
CN110457175A (zh) * | 2019-07-08 | 2019-11-15 | 阿里巴巴集团控股有限公司 | 业务数据处理方法、装置、电子设备及介质 |
US11544555B1 (en) * | 2019-07-30 | 2023-01-03 | Intuit Inc. | Invoice data classification and clustering |
CN111966515A (zh) * | 2020-07-16 | 2020-11-20 | 招联消费金融有限公司 | 业务异常数据处理方法、装置、计算机设备和存储介质 |
CN111984499A (zh) * | 2020-08-04 | 2020-11-24 | 中国建设银行股份有限公司 | 一种大数据集群的故障检测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115981910A (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107908666A (zh) | 一种识别设备标识的方法和装置 | |
CN109901987B (zh) | 一种生成测试数据的方法和装置 | |
CN109901918B (zh) | 一种处理超时任务的方法和装置 | |
CN107819745B (zh) | 异常流量的防御方法和装置 | |
CN107291835B (zh) | 一种搜索词的推荐方法和装置 | |
CN116450622B (zh) | 数据入库的方法、装置、设备和计算机可读介质 | |
CN114297278A (zh) | 批量数据快速写入方法、系统和装置 | |
CN116775167A (zh) | 一种业务处理方法、装置、电子设备及计算机可读介质 | |
CN115981910B (zh) | 处理异常请求的方法、装置、电子设备和计算机可读介质 | |
CN107679096B (zh) | 数据集市间指标共享的方法和装置 | |
CN115965474A (zh) | 业务处理方法、装置、设备及存储介质 | |
CN110895777A (zh) | 一种处理超时服务单的方法和装置 | |
CN114372078A (zh) | 一种数据安全防护方法和装置 | |
CN116861397A (zh) | 一种请求处理方法、装置、电子设备及计算机可读介质 | |
CN113282455A (zh) | 一种监控处理方法和装置 | |
CN113590447A (zh) | 埋点处理方法和装置 | |
CN113704222A (zh) | 一种处理业务请求的方法和装置 | |
CN112862554A (zh) | 一种订单数据的处理方法和装置 | |
CN109213815B (zh) | 控制执行次数的方法、装置、服务器终端以及可读介质 | |
CN113157911A (zh) | 一种服务验证方法和装置 | |
CN116361112B (zh) | 一种告警收敛方法和装置 | |
CN113157828B (zh) | 一种推送数据的方法和装置 | |
CN113239687B (zh) | 一种数据处理方法和装置 | |
CN113362097B (zh) | 一种用户确定方法和装置 | |
CN114844810B (zh) | 心跳数据处理方法、装置、设备及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |