CN116245406A - 基于运维质量管理数据库的软件运维质量评价方法及系统 - Google Patents

基于运维质量管理数据库的软件运维质量评价方法及系统 Download PDF

Info

Publication number
CN116245406A
CN116245406A CN202310091804.6A CN202310091804A CN116245406A CN 116245406 A CN116245406 A CN 116245406A CN 202310091804 A CN202310091804 A CN 202310091804A CN 116245406 A CN116245406 A CN 116245406A
Authority
CN
China
Prior art keywords
quality management
maintenance
maintenance quality
management data
management database
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
Application number
CN202310091804.6A
Other languages
English (en)
Other versions
CN116245406B (zh
Inventor
卜意磊
庞文迪
南乐
郭锦华
朱涛
殷文浩
成建峰
施勤
宋方方
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Information Center Of Jiangsu Administration For Industry And Commerce
Original Assignee
Information Center Of Jiangsu Administration For Industry And Commerce
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Information Center Of Jiangsu Administration For Industry And Commerce filed Critical Information Center Of Jiangsu Administration For Industry And Commerce
Priority to CN202310091804.6A priority Critical patent/CN116245406B/zh
Publication of CN116245406A publication Critical patent/CN116245406A/zh
Application granted granted Critical
Publication of CN116245406B publication Critical patent/CN116245406B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/302—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a software system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3051—Monitoring arrangements for monitoring the configuration of the computing system or of the computing system component, e.g. monitoring the presence of processing resources, peripherals, I/O links, software programs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
    • G06F11/3072—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

本发明涉及一种软件运维质量评价方法，尤其为基于运维质量管理数据库的软件运维质量评价方法及系统，所述方法包括如下步骤：S1.1：建立运维质量管理数据库；S1.2：对运维质量管理数据库中的运维质量管理数据进行更新及分析；S1.3：对运维质量管理数据库中更新的运维质量管理数据进行备份；S1.4：根据运维质量管理数据库的运维质量管理数据对软件运维质量进行评价。建立运维质量管理数据库，通过随机过程理论学习更新运维质量管理数据库数据，并对运维质量管理数据进行评价，规范日常软件运维数据，优化软件运维质量评分细则，为进一步优化软件运维质量管理指标工作提供研究数据基础，进而形成软件运维质量管理的行业标准。

Description

基于运维质量管理数据库的软件运维质量评价方法及系统
技术领域
本发明涉及一种软件运维质量评价方法，尤其是基于运维质量管理数据库的软件运维质量评价方法及系统。
背景技术
软件运维管理，指的是相关部门采用合理的管理方法，对硬软件环境和网络环境进行的综合管理。通常情况下，管理人员通过文档管理、项目动态、进度监控和知识管理等各个方面对软件进行运维，使其更加符合企业对软件系统的使用要求。目前软件运维服务管理过程中存在的首要问题是，缺乏对软件运行维护工作的规范性管理。作为软件管理团队，如果没有统一的管理规范和集中监控和管理平台，将会极大地影响软件运维服务管理的效率和准确性。在软件运维管理质量管理的规范化研究中，如何评价软件运维管理规范程度的指标设计研究的重要问题。目前，已有相关研究对软件运维管理过程中的费用测算问题做了相关研究，然而，这些研究忽视了对服务质量指标、数据备份指标、升级加固指标、重大时间灾难恢复指标的定量化科学研究。显然，对相关指标的研究与在科学界对可靠性理论的研究有相似之处，比如，日本在本世纪初就开始利用可靠性理论研究数据库备份模型，部分模型随后被IBM数据库管理系统采用，然而，在国内，相关理论和应用研究较为缺乏，只有任务负责人相关研究所提及。此外，目前软件运维管理没有形成数据库管理平台，导致在优化软件运维指标时具有主观性。在大数据时代，积累运维数据以及对运维数据的挖掘与分析，对软件运维指标的优化和标准化具有较大的作用。针对当前软件运维质量管理指标存在重复性和难以落实的现状，提出基于运维质量管理数据库的软件运维质量评价方法及系统，研究软件运维质量管理的评价指标，包括指标设置、评分细则、评价分值，评价调整分值。建立软件运维质量管理数据库，规范日常软件运维数据，为不断优化软件运维质量管理指标工作提供研究数据基础，进而形成软件运维质量管理标准。
发明内容
本发明的目的是通过提出基于运维质量管理数据库的软件运维质量评价方法及系统，以解决上述背景技术中提出的缺陷。
本发明采用的技术方案如下：
提供基于运维质量管理数据库的软件运维质量评价方法，包括如下步骤：
S1.1：建立运维质量管理数据库；
S1.2：对运维质量管理数据库中的运维质量管理数据进行更新及分析；
S1.3：对运维质量管理数据库中更新的运维质量管理数据进行备份；
S1.4：根据运维质量管理数据库的运维质量管理数据对软件运维质量进行评价。
作为本发明的一种优选技术方案：所述S1.1中，通过分布式数据格存储运维质量管理数据。
作为本发明的一种优选技术方案：所述S1.1中，运维质量管理数据按层级分类存储，用于计算基于层次分析的评价指标权重及进行模糊综合评判，最后得出评价结果。
作为本发明的一种优选技术方案：所述S1.2采集资源监控、应用状态监控、数据库备份、运维服务响应等基础运维质量数据，通过随机过程更新运维质量管理数据库的运维质量管理数据，所述随机过程通过构建运维质量管理数据库的LSTM循环神经网络对运维质量管理数据库内的运维质量管理数据进行学习。
作为本发明的一种优选技术方案：所述LSTM循环神经网络中，每个LSTM单元的计算公式如下：
it＝σ(Wxixt+Whiht-1+Wcict-1+bi)
ft＝σ(Wxf+Whi·ht-1+Wcfct-1+bf)
ct＝ftct-1+ittanh(Wxcxt+Whcht-1+bc)
ot＝σ(Wxoxt+Whoht-1+Wcoct+bo)
ht＝ottanh(ct)
其中，it表示输入门，ft表示遗忘门，ct表示学习细胞状态，ot表示输出门，ht表示当前单元的输出，ht-1表示上一时刻当前单元的输出，ct-1表示上一时刻学习细胞状态，xt表示当前时刻输入的软件质量运维管理数据，Wxi表示输入输入门的运维质量管理数据权重系数，Whi表示输入输入门的上一时刻单元输出权重系数，Wci表示输入输入门的上一时刻学习细胞状态的权重系数，Wxf表示输入遗忘门的运维质量管理数据权重系数，Wcf表示输入遗忘门的上一时刻学习细胞状态的权重系数，Wxc表示输入学习细胞的运维质量管理数据权重系数，Whc表示输入学习细胞的上一时刻单元输出权重系数，Wxo表示输入输出门的运维质量管理数据权重系数，Who表示输入输出门的上一时刻单元输出权重系数，Wco表示输入输出门的上一时刻学习细胞状态的权重系数，bi表示输入门的偏置项，bf表示遗忘门的偏置项，bc表示学习细胞状态的偏置项，bo表示输出门的偏置项，σ为sigmoid函数，tanh为双曲正切激活函数；
所述LSTM循环神经网络中通过均方根误差衡量预测误差R的大小：
Figure BDA0004085962230000031
其中，Xi代表第i个实际值，Yi代表第i个预测值，n代表总的运维质量管理数据个数；
运维质量管理数据预测过程中存在波动情况，通过峰度衡量误差的波动特征K：
Figure BDA0004085962230000032
其中，Zi＝Xi-Yi表示第i个误差值，Z表示n个运维质量管理数据误差值的平均值。
作为本发明的一种优选技术方案：所述S1.3中，对分布式数据格中初始运维质量管理数据进行备份，通过构建LSTM循环神经网络学习并预测运维质量管理数据库中数据格的运维质量管理数据更新时间，根据预测时间检测运维质量管理数据库中更新的运维质量管理数据的最新值，根据运维质量指标计算方法计算并更新运维质量管理数据，并对更新的分布式数据格内的运维质量管理数据进行备份。
作为本发明的一种优选技术方案：所述S1.4中，根据运维质量管理数据库中的原始数据划分软件运维质量评分细则，根据评分细则对更新的运维质量管理数据通过RF随机森林模型进行评分，并根据运维质量管理数据库内运维质量管理数据更新趋势调整评分分值。
作为本发明的一种优选技术方案：所述RF随机森林模型评价步骤如下：
S2.1：从原始样本集(包含M个样本)中抽取k个采样集；
S2.2：分别对这k个采样集进行训练形成对应的k个弱学习器；
S2.3：将这k个弱学习器通过结合策略得到最终的模型输出。
作为本发明的一种优选技术方案：所述RF随机森林模型中，每个采样集的生成方法为：使用随机采样的方法从原始样本集中抽取M个训练样本，进行k轮抽取，得到k个采样集；
在训练决策树模型的节点时，在节点上所有样本特征中选择一部分样本特征，在选择的部分样本特征中选择一个预测误差最小、波动特征最稳定的特征来作为决策树的左右子树划分；
所述结合策略中，对于分类问题采用投票法获得模型输出；对于回归问题，通过对k个弱学习器得到的回归结果进行算术平均获得最终的模型输出。
提供基于运维质量管理数据库的软件运维质量评价系统，包括：
数据库构建模块：用于构建运维质量管理数据库；
数据更新模块：用于对运维质量管理数据库内的运维质量管理数据进行预测更新；
数据备份模块：用于对运维质量管理数据进行备份；
质量评价模块：用于根据运维质量管理数据库的运维质量管理数据对软件运维质量进行评价。
本发明提供的基于运维质量管理数据库的软件运维质量评价方法及系统，与现有技术相比，其有益效果有：
建立运维质量管理数据库，通过随机过程理论学习更新运维质量管理数据库数据，并对运维质量管理数据进行评价，规范日常软件运维数据，优化软件运维质量评分细则，为进一步优化软件运维质量管理指标工作提供研究数据基础，进而形成软件运维质量管理的行业标准。
附图说明
图1为本发明优选实施例的方法流程图；
图2为本发明优选实施例中的系统框图。
图中各个标记的意义为：100、数据库构建模块；200、数据更新模块；300、数据备份模块；400、质量评价模块。
具体实施方式
需要说明的是，在不冲突的情况下，本实施例中的实施例及实施例中的特征可以相互组合，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参照图1，本发明优选实施例提供了基于运维质量管理数据库的软件运维质量评价方法，包括如下步骤：
S1.1：建立运维质量管理数据库；
S1.2：对运维质量管理数据库中的运维质量管理数据进行更新及分析；
S1.3：对运维质量管理数据库中更新的运维质量管理数据进行备份；
S1.4：根据运维质量管理数据库的运维质量管理数据对软件运维质量进行评价。
所述S1.1中，通过分布式数据格存储运维质量管理数据。
所述S1.1中，运维质量管理数据按层级分类存储，用于计算基于层次分析的评价指标权重及进行模糊综合评判，最后得出评价结果。
所述S1.2采集资源监控、应用状态监控、数据库备份、运维服务响应等基础运维质量数据，通过随机过程更新运维质量管理数据库的运维质量管理数据，所述随机过程通过构建运维质量管理数据库的LSTM循环神经网络对运维质量管理数据库内的运维质量管理数据进行学习。
所述LSTM循环神经网络中，每个LSTM单元的计算公式如下：
it＝σ(Wxixt+Whiht-1+Wcict-1+bi)
ft＝σ(Wxf+Whi·ht-1+Wcfct-1+bf)
ct＝ftct-1+ittanh(Wxcxt+Whcht-1+bc)
ot＝σ(Wxoxt+Whoht-1+Wcoct+bo)
ht＝ottanh(ct)
其中，it表示输入门，ft表示遗忘门，ct表示学习细胞状态，ot表示输出门，ht表示当前单元的输出，ht-1表示上一时刻当前单元的输出，ct-1表示上一时刻学习细胞状态，xt表示当前时刻输入的运维质量管理数据，Wxi表示输入输入门的运维质量管理数据权重系数，Whi表示输入输入门的上一时刻单元输出权重系数，Wci表示输入输入门的上一时刻学习细胞状态的权重系数，Wxf表示输入遗忘门的运维质量管理数据权重系数，Wcf表示输入遗忘门的上一时刻学习细胞状态的权重系数，Wxc表示输入学习细胞的运维质量管理数据权重系数，Whc表示输入学习细胞的上一时刻单元输出权重系数，Wxo表示输入输出门的运维质量管理数据权重系数，Who表示输入输出门的上一时刻单元输出权重系数，Wco表示输入输出门的上一时刻学习细胞状态的权重系数，bi表示输入门的偏置项，bf表示遗忘门的偏置项，bv表示学习细胞状态的偏置项，bo表示输出门的偏置项，σ为sigmoid函数，tanh为双曲正切激活函数；
所述LSTM循环神经网络中通过均方根误差衡量预测误差R的大小：
Figure BDA0004085962230000051
其中，Xi代表第i个实际值，Yi代表第i个预测值，n代表总的运维质量管理数据个数；
运维质量管理数据预测过程中存在波动情况，通过峰度衡量误差的波动特征K：
Figure BDA0004085962230000052
其中，Zi＝Xi-Yi表示第i个误差值，Z表示n个运维质量管理数据误差值的平均值。
所述S1.3中，对分布式数据格中初始运维质量管理数据进行备份，通过构建LSTM循环神经网络学习并预测运维质量管理数据库中数据格的运维质量管理数据更新时间，根据预测时间检测运维质量管理数据库中更新的运维质量管理数据的最新值，根据运维质量指标计算方法计算并更新运维质量管理数据，并对更新的分布式数据格内的运维质量管理数据进行备份。
所述S1.4中，根据运维质量管理数据库中的原始数据划分软件运维质量评分细则，根据评分细则对更新的运维质量管理数据通过RF随机森林模型进行评分，并根据运维质量管理数据库内运维质量管理数据更新趋势调整评分分值。
所述RF随机森林模型评价步骤如下：
S2.1：从原始样本集(包含M个样本)中抽取k个采样集；
S2.2：分别对k个采样集进行训练形成对应的k个弱学习器；
S2.3：将k个弱学习器通过结合策略得到最终的模型输出。
所述RF随机森林模型中，每个采样集的生成方法为：使用随机采样的方法从原始样本集中抽取M个训练样本，进行k轮抽取，得到k个采样集；
在训练决策树模型的节点时，在节点上所有样本特征中选择一部分样本特征，在选择的部分样本特征中选择一个预测误差最小、波动特征最稳定的特征来作为决策树的左右子树划分；
所述结合策略中，对于分类问题采用投票法获得模型输出；对于回归问题，通过对k个弱学习器得到的回归结果进行算术平均获得最终的模型输出。
参照图2，本发明优选实施例提供了基于运维质量管理数据库的软件运维质量评价系统，包括：
数据库构建模块100：用于构建运维质量管理数据库；
数据更新模块200：用于对运维质量管理数据库内的运维质量管理数据进行预测更新；
数据备份模块300：用于对运维质量管理数据进行备份；
质量评价模块400：用于根据运维质量管理数据库的运维质量管理数据对软件运维质量进行评价。
本实施例中，构建运维质量管理数据库，并通过分布式数据格进行存储，运维质量管理数据按层级分类存储，用于计算基于层次分析的评价指标权重及进行模糊综合评判，最后得出评价结果。对于存储值分布式数据格的初始化软件质量运维管理数据进行备份，对运维质量管理数据库中的软件质量运维管理数据进行深度学习，构建LSTM循环神经网络，每个LSTM单元的计算公式如下：
it＝σ(Wxixt+Whiht-1+Wcict-1+bi)
ft＝σ(Wxf+Whi·ht-1+Wcfct-1+bf)
ct＝ftct-1+ittanh(Wxcxt+Whcht-1+bc)
ot＝σ(Wxoxt+Whoht-1+Wcoct+bo)
ht＝ottanh(ct)
其中，it表示输入门，ft表示遗忘门，ct表示学习细胞状态，ot表示输出门，ht表示当前单元的输出，ht-1表示上一时刻当前单元的输出，ct-1表示上一时刻学习细胞状态，xt表示当前时刻输入的运维质量管理数据，Wxi表示输入输入门的运维质量管理数据权重系数，Whi表示输入输入门的上一时刻单元输出权重系数，Wci表示输入输入门的上一时刻学习细胞状态的权重系数，Wxf表示输入遗忘门的运维质量管理数据权重系数，Wcf表示输入遗忘门的上一时刻学习细胞状态的权重系数，Wxc表示输入学习细胞的运维质量管理数据权重系数，Whc表示输入学习细胞的上一时刻单元输出权重系数，Wxo表示输入输出门的运维质量管理数据权重系数，Who表示输入输出门的上一时刻单元输出权重系数，Wco表示输入输出门的上一时刻学习细胞状态的权重系数，bi表示输入门的偏置项，bf表示遗忘门的偏置项，bc表示学习细胞状态的偏置项，bo表示输出门的偏置项，σ为sigmoid函数，tanh为双曲正切激活函数。
并对更新的软件质量管理数据进行评价，通过均方根误差衡量预测误差R的大小：
Figure BDA0004085962230000071
其中，Xi代表第i个实际值，Yi代表第i个预测值，n代表总的运维质量管理数据个数。
运维质量管理数据预测过程中存在波动情况，通过峰度衡量误差的波动特征K，
Figure BDA0004085962230000072
其中，Zi＝Xi-Yi表示第i个误差值，Z表示n个运维质量管理数据误差值的平均值。
通过随机过程理论描述实际数据库更新更新状态并估计相关参数，有助于发生故障的数据库中数据的恢复以及软件运维质量评价。
同样根据LSTM循环神经网络学习软件运维管理数据库的分布式数据格中数据的更新时间，并对数据格下次更新时间进行预测，根据预测时间对数据格中的软件质量运维管理数据进行备份，合理的安排数据备份时间，将数据丢失的比例降至最小，同样使故障恢复的成本最低，形成数据备份与安全的可靠性管理标准。
基于建立的运维质量管理数据库，划分软件运维质量评分细则，通过RF随机森林模型对软件运维质量进行评价，并根据运维质量管理数据库的波动调整评分细则，相应的对软件运维质量评价进行调整。
从原始样本集(包含M个样本)中抽取k个采样集，每个采样集的生成使用随机采样的方法抽取M个训练样本，进行k轮抽取，得到k个采样集；
分别对这k个采样集进行训练形成对应的k个弱学习器，在训练决策树模型的节点时，在节点上所有样本特征中选择一部分样本特征，在选择的部分样本特征中选择一个预测误差最小、波动特征最稳定的特征来作为决策树的左右子树划分；
将这k个弱学习器通过结合策略得到最终的模型输出。结合策略中，对于分类问题采用投票法获得模型输出；对于回归问题，通过对k个弱学习器得到的回归结果进行算术平均获得最终的模型输出。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (10)

1.基于运维质量管理数据库的软件运维质量评价方法，其特征在于：所述方法包括如下步骤：
S1.1：建立运维质量管理数据库；
S1.2：对运维质量管理数据库中的运维质量管理数据进行更新及分析；
S1.3：对运维质量管理数据库中更新的运维质量管理数据进行备份；
S1.4：根据运维质量管理数据库的运维质量管理数据对软件运维质量进行评价。
2.根据权利要求1所述的基于运维质量管理数据库的软件运维质量评价方法，其特征在于：所述S1.1中，通过分布式数据格存储运维质量管理数据。
3.根据权利要求2所述的基于运维质量管理数据库的软件运维质量评价方法，其特征在于：所述S1.1中，运维质量管理数据按层级分类存储，用于计算基于层次分析的评价指标权重及进行模糊综合评判，最后得出评价结果。
4.根据权利要求1所述的基于运维质量管理数据库的软件运维质量评价方法，其特征在于：所述S1.2中采集基础运维质量管理数据，所述基础运维质量管理数据包括资源监控、应用状态监控、数据库备份和运维服务响应，通过随机过程更新运维质量管理数据库的运维质量管理数据，所述随机过程通过构建运维质量管理数据库的LSTM循环神经网络对运维质量管理数据库内的运维质量管理数据进行学习。
5.根据权利要求4所述的基于运维质量管理数据库的软件运维质量评价方法，其特征在于：所述LSTM循环神经网络中，每个LSTM单元的计算公式如下：
it＝σ(Wxixt+Whiht-1+Wcict-1+bi)
ft＝σ(Wxf+Whi·ht-1+Wcfct-1+bf)
ct＝ftct-1+ittanh(Wxcxt+Whcht-1+bc)
ot＝σ(Wxoxt+Whoht-1+Wcoct+bo)
ht＝ottanh(ct)
其中，it表示输入门，ft表示遗忘门，ct表示学习细胞状态，ot表示输出门，ht表示当前单元的输出，ht-1表示上一时刻当前单元的输出，ct-1表示上一时刻学习细胞状态，xt表示当前时刻输入的运维质量管理数据，Wxi表示输入输入门的运维质量管理数据权重系数，Whi表示输入输入门的上一时刻单元输出权重系数，Wci表示输入输入门的上一时刻学习细胞状态的权重系数，Wxf表示输入遗忘门的运维质量管理数据权重系数，Wcf表示输入遗忘门的上一时刻学习细胞状态的权重系数，Wxc表示输入学习细胞的运维质量管理数据权重系数，Whc表示输入学习细胞的上一时刻单元输出权重系数，Wxo表示输入输出门的运维质量管理数据权重系数，Who表示输入输出门的上一时刻单元输出权重系数，Wco表示输入输出门的上一时刻学习细胞状态的权重系数，bi表示输入门的偏置项，bf表示遗忘门的偏置项，bc表示学习细胞状态的偏置项，bo表示输出门的偏置项，σ为sigmoid函数，tanh为双曲正切激活函数；
所述LSTM循环神经网络中通过均方根误差衡量预测误差R的大小：
Figure FDA0004085962220000021
其中，Xi代表第i个实际值，Yi代表第i个预测值，n代表总的运维质量管理数据个数；
运维质量管理数据预测过程中存在波动情况，通过峰度衡量误差的波动特征K：
Figure FDA0004085962220000022
其中，Zi＝Xi-Yi表示第i个误差值，Z表示n个运维质量管理数据误差值的平均值。
6.根据权利要求1所述的基于运维质量管理数据库的软件运维质量评价方法，其特征在于：所述S1.3中，对分布式数据格中初始运维质量管理数据进行备份，通过构建LSTM循环神经网络学习并预测运维质量管理数据库中数据格的运维质量管理数据的最新值，根据运维质量指标计算方法计算并更新运维质量管理数据，并对更新的分布式数据格内的运维质量管理数据进行备份。
7.根据权利要求1所述的基于运维质量管理数据库的软件运维质量评价方法，其特征在于：所述S1.4中，根据运维质量管理数据库中的原始数据划分软件运维质量评分细则，根据评分细则对更新的运维质量管理数据通过RF随机森林模型进行评分，并根据运维质量管理数据库内运维质量管理数据更新趋势调整评分分值。
8.根据权利要求7所述的基于运维质量管理数据库的软件运维质量评价方法，其特征在于：所述RF随机森林模型评价步骤如下：
S2.1：从原始样本集中抽取k个采样集；
S2.2：分别对k个采样集进行训练形成对应的k个弱学习器；
S2.3：将k个弱学习器通过结合策略得到最终的模型输出。
9.根据权利要求8所述的基于运维质量管理数据库的软件运维质量评价方法，其特征在于：所述RF随机森林模型中，每个采样集的生成方法为：使用随机采样的方法从原始样本集中抽取M个训练样本，进行k轮抽取，得到k个采样集；
在训练决策树模型的节点时，在节点上所有样本特征中选择一部分样本特征，在选择的部分样本特征中选择一个预测误差最小、波动特征最稳定的特征来作为决策树的左右子树划分；
所述结合策略中，对于分类问题采用投票法获得模型输出；对于回归问题，通过对k个弱学习器得到的回归结果进行算术平均获得最终的模型输出。
10.用于权利要求1-9任意一项所述的基于运维质量管理数据库的软件运维质量评价方法的评价系统，其特征在于：所述系统包括：
数据库构建模块(100)：用于构建运维质量管理数据库；
数据更新模块(200)：用于对运维质量管理数据库内的运维质量管理数据进行预测更新；
数据备份模块(300)：用于对运维质量管理数据进行备份；
质量评价模块(400)：用于根据运维质量管理数据库的运维质量管理数据对软件运维质量进行评价。
CN202310091804.6A 2023-02-09 2023-02-09 基于运维质量管理数据库的软件运维质量评价方法及系统 Active CN116245406B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310091804.6A CN116245406B (zh) 2023-02-09 2023-02-09 基于运维质量管理数据库的软件运维质量评价方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310091804.6A CN116245406B (zh) 2023-02-09 2023-02-09 基于运维质量管理数据库的软件运维质量评价方法及系统

Publications (2)

Publication Number Publication Date
CN116245406A true CN116245406A (zh) 2023-06-09
CN116245406B CN116245406B (zh) 2023-09-19

Family

ID=86632444

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310091804.6A Active CN116245406B (zh) 2023-02-09 2023-02-09 基于运维质量管理数据库的软件运维质量评价方法及系统

Country Status (1)

Country Link
CN (1) CN116245406B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117056182A (zh) * 2023-07-13 2023-11-14 北京新数科技有限公司 一种SQL Server数据库性能评价方法
CN117667585A (zh) * 2023-12-05 2024-03-08 江苏省工商行政管理局信息中心 一种基于运维质量管理数据库的运维效率评估方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631522A (zh) * 2015-12-23 2016-06-01 北京安托软件技术有限公司 It系统运维管理系统
CN109347668A (zh) * 2018-10-17 2019-02-15 网宿科技股份有限公司 一种服务质量评估模型的训练方法及装置
CN110008046A (zh) * 2019-04-04 2019-07-12 安徽汇迈信息科技有限公司 一种基于物联网的it运维管理方法
CN112527604A (zh) * 2020-12-16 2021-03-19 广东昭阳信息技术有限公司 一种基于深度学习的运维检测方法、系统、电子设备及介质
CN113554298A (zh) * 2021-07-19 2021-10-26 同济大学 一种深部地下地铁车站综合评价及智能运维方法
WO2022227566A1 (zh) * 2021-04-30 2022-11-03 深圳前海微众银行股份有限公司 一种数据库变更脚本的评估方法及装置
CN115660431A (zh) * 2022-09-21 2023-01-31 中国信息通信研究院 用于评估智能运维系统的方法、装置、电子设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631522A (zh) * 2015-12-23 2016-06-01 北京安托软件技术有限公司 It系统运维管理系统
CN109347668A (zh) * 2018-10-17 2019-02-15 网宿科技股份有限公司 一种服务质量评估模型的训练方法及装置
CN110008046A (zh) * 2019-04-04 2019-07-12 安徽汇迈信息科技有限公司 一种基于物联网的it运维管理方法
CN112527604A (zh) * 2020-12-16 2021-03-19 广东昭阳信息技术有限公司 一种基于深度学习的运维检测方法、系统、电子设备及介质
WO2022227566A1 (zh) * 2021-04-30 2022-11-03 深圳前海微众银行股份有限公司 一种数据库变更脚本的评估方法及装置
CN113554298A (zh) * 2021-07-19 2021-10-26 同济大学 一种深部地下地铁车站综合评价及智能运维方法
CN115660431A (zh) * 2022-09-21 2023-01-31 中国信息通信研究院 用于评估智能运维系统的方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙皓晨;: "人工智能在网络运维优化中的应用探讨", 计算机产品与流通, no. 03 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117056182A (zh) * 2023-07-13 2023-11-14 北京新数科技有限公司 一种SQL Server数据库性能评价方法
CN117056182B (zh) * 2023-07-13 2024-05-03 北京新数科技有限公司 一种SQL Server数据库性能评价方法
CN117667585A (zh) * 2023-12-05 2024-03-08 江苏省工商行政管理局信息中心 一种基于运维质量管理数据库的运维效率评估方法及系统

Also Published As

Publication number Publication date
CN116245406B (zh) 2023-09-19

Similar Documents

Publication Publication Date Title
CN116245406B (zh) 基于运维质量管理数据库的软件运维质量评价方法及系统
CN109766583A (zh) 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法
CN111259947A (zh) 一种基于多模态学习的电力系统故障预警方法和系统
CN111950585A (zh) 一种基于XGBoost的地下综合管廊安全状况评估方法
CN108830417B (zh) 一种基于arma和回归分析的生活能源消费预测方法及系统
CN112256761A (zh) 一种基于电梯全生命周期的大数据挖掘和故障预测方法
CN112785091A (zh) 一种对油田电潜泵进行故障预测与健康管理的方法
CN113779272A (zh) 基于知识图谱的数据处理方法、装置、设备及存储介质
CN111178585A (zh) 基于多算法模型融合的故障接报量预测方法
CN111914943B (zh) 倾倒式岩溶危岩稳定综合判别的信息向量机方法及装置
CN113706328A (zh) 基于fassa-bp算法的智能制造能力成熟度评价方法
CN113537807A (zh) 一种企业智慧风控方法及设备
CN111915022A (zh) 滑移式岩溶危岩稳定系数快速识别的高斯过程方法及装置
CN116245367A (zh) 基于层次模糊神经网络的危货车运输风险评估方法及系统
CN113281229B (zh) 一种基于小样本下多模型自适应大气pm2.5浓度预测方法
CN114595883A (zh) 基于元学习的油浸式变压器剩余寿命个性化动态预测方法
CN116204779B (zh) 一种判断储能盐穴运行状态的方法、系统及可读存储介质
CN109165854B (zh) 空管运行效率等级评估方法及其装置
CN113891342A (zh) 基站巡检方法、装置、电子设备及存储介质
CN116227786A (zh) 一种无人机综合效能评估系统
CN116451170A (zh) 一种基于多源异构数据的配电网检测方法
CN115600695A (zh) 一种计量设备的故障诊断方法
CN113807587B (zh) 一种基于多梯核深度神经网络模型积分预警方法以及系统
CN115056829A (zh) 多车型连续学习的列车运动状态估计方法
CN114511250A (zh) 一种基于机器学习的企业外迁风险预警方法及系统

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Pang Wendi

Inventor after: Bu Yilei

Inventor after: Nan Le

Inventor after: Guo Jinhua

Inventor after: Zhu Tao

Inventor after: Yin Wenhao

Inventor after: Cheng Jianfeng

Inventor after: Shi Qin

Inventor after: Song Fangfang

Inventor before: Bu Yilei

Inventor before: Pang Wendi

Inventor before: Nan Le

Inventor before: Guo Jinhua

Inventor before: Zhu Tao

Inventor before: Yin Wenhao

Inventor before: Cheng Jianfeng

Inventor before: Shi Qin

Inventor before: Song Fangfang

GR01 Patent grant
GR01 Patent grant