CN116501531A - 用于监测软件运行数据安全的软件插件配置方法和系统 - Google Patents

用于监测软件运行数据安全的软件插件配置方法和系统 Download PDF

Info

Publication number
CN116501531A
CN116501531A CN202310720281.7A CN202310720281A CN116501531A CN 116501531 A CN116501531 A CN 116501531A CN 202310720281 A CN202310720281 A CN 202310720281A CN 116501531 A CN116501531 A CN 116501531A
Authority
CN
China
Prior art keywords
software
data
abnormal
node
monitoring
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
CN202310720281.7A
Other languages
English (en)
Other versions
CN116501531B (zh
Inventor
蔡云龙
何格
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.)
Chengdu Yixintong Technology Co ltd
Original Assignee
Chengdu Yixintong Technology Co ltd
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 Chengdu Yixintong Technology Co ltd filed Critical Chengdu Yixintong Technology Co ltd
Priority to CN202310720281.7A priority Critical patent/CN116501531B/zh
Publication of CN116501531A publication Critical patent/CN116501531A/zh
Application granted granted Critical
Publication of CN116501531B publication Critical patent/CN116501531B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0793—Remedial or corrective actions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • 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
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3466—Performance evaluation by tracing or monitoring
    • G06F11/3476—Data logging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/445—Program loading or initiating
    • G06F9/44521—Dynamic linking or loading; Link editing at or after load time, e.g. Java class loading
    • G06F9/44526—Plug-ins; Add-ons
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Computer Hardware Design (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本发明涉及软件管理技术领域，提供了用于监测软件运行数据安全的软件插件配置方法和系统，从软件的工作记录生成有效运行数据，对深度学习模型进行训练，得到软件运行监测模型，用于确定软件运行异常事件，实现对软件全局化运行监测；基于运行异常事件，确定软件运行过程中的异常节点，再映射追溯得到异常代码环节，从代码层面对软件进行分析，并对异常代码环节进行代码内容识别确定bug源，以此对软件加载匹配的补丁插件，实现软件的代码bug修复，最大限度保证软件正常运行；还基于异常节点的数据状态，判断是否存在数据处理异常事件，对异常节点进行数据处理流程识别，从中确定遗漏处理的数据部分，为软件运行过程的数据处理提供可靠全面的监测。

Description

用于监测软件运行数据安全的软件插件配置方法和系统
技术领域
本发明涉及软件管理的技术领域，尤其涉及用于监测软件运行数据安全的软件插件配置方法和系统。
背景技术
软件由不同代码环节组成，每个代码环节对应于软件的一个运行节点。正常情况下，输入到软件的数据依次经过所有运行节点后，输出得到软件整体的运算结果。当软件内部的代码环节存在代码bug时，会使对应的运行节点无法对数据进行正确的运算处理，导致数据运算错误或数据遗漏运算的情况发生，无法保证软件的数据处理正确性和安全性。由于软件包含的代码众多，一旦软件发生上述问题时，将难以精确反演追溯软件存在问题的运行节点，从而无法对软件进行针对性的修复，降低软件运行的可靠性和正确性，不能对软件运行过程中的数据处理提供可靠全面的监测。
发明内容
针对上述现有技术存在的缺陷，本发明提供了一种用于监测软件运行数据安全的软件插件配置方法和系统，其从软件的工作记录生成有效运行数据，对深度学习模型进行训练，得到软件运行监测模型，用于确定软件的运行异常事件，实现对软件的全局化运行监测；还基于运行异常事件，确定软件运行过程中的异常节点，再映射追溯得到异常代码环节，从代码层面上对软件进行分析，并对异常代码环节进行代码内容识别确定bug源，以此对软件加载匹配的补丁插件，实现软件的代码bug修复，最大限度保证软件的正常运行；还基于异常节点的数据状态，判断是否存在数据处理异常事件，对异常节点进行数据处理流程的识别，从中确定遗漏处理的数据部分，实现对软件的数据流追踪识别，且对数据处理结果进行筛选，提取其中的正确有效结果，为软件运行过程的数据处理提供可靠全面的监测。
本发明提供了一种用于监测软件运行数据安全的软件插件配置方法，包括如下步骤：
步骤S1，获取软件的工作记录，基于所述工作记录，生成有效运行数据，以此形成运行数据训练集；基于所述运行数据训练集，对深度学习模型进行训练，得到软件运行监测模型；将所述软件的实时运行数据输入至所述软件运行监测模型，确定所述软件的实时运行异常事件；
步骤S2，基于所述实时运行异常事件，确定所述软件运行过程的异常节点；基于所述异常节点，确定所述软件存在的异常代码环节；对所述异常代码环节进行代码内容识别，得到所述软件的bug源，以此确定与所述软件匹配的补丁插件，并将所述补丁插件加载至所述软件；
步骤S3，基于所述异常节点在所述软件运行过程的位置，对所述软件进行定向监测，得到所述异常节点的数据状态信息；基于所述数据状态信息，判断所述异常节点是否还存在数据处理异常事件；
步骤S4，基于所述数据处理异常事件的判断结果，对所述软件的数据处理结果进行标记；基于所述标记的结果，对所述数据处理结果进行筛选。
进一步，在所述步骤S1中，获取软件的工作记录，基于所述工作记录，生成有效运行数据，以此形成运行数据训练集；基于所述运行数据训练集，对深度学习模型进行训练，得到软件运行监测模型，包括：
从软件的工作日志中，获取预设时间范围内的工作记录，并基于预设数据类型集合，从所述工作记录选择匹配的运行数据，并对所述运行数据进行数据筛选，生成有效运行数据；再按照运行数据生成时间先后顺序，将所有有效运行数据组合形成运行数据训练集；
将运行数据训练集包含的所有有效运行数据转换为数据向量，再将所述数据向量输入至深度学习模型的训练池中进行训练，得到软件运行监测模型。
进一步，在所述步骤S1中，将所述软件的实时运行数据输入至所述软件运行监测模型，确定所述软件的实时运行异常事件，包括：
从后台端获取所述软件包含的所有运行节点的实时运行数据；其中，所述运行节点是指所述软件对数据进行运算处理的节点；
将所述实时运行数据输入至所述软件运行监测模型，得到每个运行节点对数据的运算处理过程记录；
基于所述运算处理过程记录，得到运行节点的数据运算卡顿持续时间和数据运算出错率；若所述数据运算卡顿持续时间大于或等于预设时间阈值或者所述数据运算出错率大于或等于预设比率阈值，则确定所述运行节点发生运行异常事件。
进一步，在所述步骤S2中，基于所述实时运行异常事件，确定所述软件运行过程的异常节点；基于所述异常节点，确定所述软件存在的异常代码环节，包括：
获取所述实时运行异常事件于所述软件的发生所在运行节点，并将所述运行节点确定为所述软件运行过程的异常节点；
基于所述异常节点在所述软件的运行流程顺序，从所述软件的完整代码中调取与所述异常节点对应的异常代码环节。
进一步，在所述步骤S2中，对所述异常代码环节进行代码内容识别，得到所述软件的bug源，以此确定与所述软件匹配的补丁插件，并将所述补丁插件加载至所述软件，包括：
对所述异常代码环节进行代码内容溯源识别，定位出所述软件的bug源；基于所述bug源的类型，确定能够修复所述bug源的补丁插件类型；
基于所述补丁插件类型和所述软件的类型，确定与所述软件匹配的补丁插件，并将所述补丁插件加载至所述软件。
进一步，在所述步骤S3中，基于所述异常节点在所述软件运行过程的位置，对所述软件进行定向监测，得到所述异常节点的数据状态信息，包括：
基于所述异常节点在所述软件运行过程的位置，对所述软件进行定向监测，获取所述软件在所述异常节点运算之前和运算之后的数据流信息。
进一步，在所述步骤S3中，基于所述数据状态信息，判断所述异常节点是否还存在数据处理异常事件，包括：
对所述软件在所述异常节点运算之前和运算之后的数据流信息进行对照分析，判断所述异常节点是否对运算之前的所有数据流均进行全面运算处理；若否，则确定所述异常节点存在数据处理遗漏异常事件；若是，则确定所述异常节点不存在数据处理遗漏异常事件。
进一步，在所述步骤S4中，基于所述数据处理异常事件的判断结果，对所述软件的数据处理结果进行标记，包括：
当所述异常节点存在数据处理遗漏异常事件，则基于所述软件在所述异常节点运算之前和运算之后的数据流信息的对照结果，确定所述异常节点未处理的数据，并对所述未处理的数据进行关于在所述软件的数据流标记。
进一步，在所述步骤S4中，基于所述标记的结果，对所述数据处理结果进行筛选，包括：
基于所述数据流标记的结果，从所述数据处理结果中筛选出未经过所述软件包含的全部运行节点的数据结果。
本发明还提供一种用于监测软件运行数据安全的软件插件配置系统，包括：
软件运行监测模型构建模块，用于获取软件的工作记录，基于所述工作记录，生成有效运行数据，以此形成运行数据训练集；基于所述运行数据训练集，对深度学习模型进行训练，得到软件运行监测模型；
运行异常事件识别模块，用于将所述软件的实时运行数据输入至所述软件运行监测模型，确定所述软件的实时运行异常事件；
异常代码环节确定模块，用于基于所述实时运行异常事件，确定所述软件运行过程的异常节点；基于所述异常节点，确定所述软件存在的异常代码环节；
插件配置模块，用于对所述异常代码环节进行代码内容识别，得到所述软件的bug源，以此确定与所述软件匹配的补丁插件，并将所述补丁插件加载至所述软件；
数据处理异常事件识别模块，用于基于所述异常节点在所述软件运行过程的位置，对所述软件进行定向监测，得到所述异常节点的数据状态信息；基于所述数据状态信息，判断所述异常节点是否还存在数据处理异常事件；
数据处理结果筛选模块，用于基于所述数据处理异常事件的判断结果，对所述软件的数据处理结果进行标记；基于所述标记的结果，对所述数据处理结果进行筛选。
相比于现有技术，本发明的用于监测软件运行数据安全的软件插件配置方法和系统从软件的工作记录生成有效运行数据，对深度学习模型进行训练，得到软件运行监测模型，用于确定软件的运行异常事件，实现对软件的全局化运行监测；还基于运行异常事件，确定软件运行过程中的异常节点，再映射追溯得到异常代码环节，从代码层面上对软件进行分析，并对异常代码环节进行代码内容识别确定bug源，以此对软件加载匹配的补丁插件，实现软件的代码bug修复，最大限度保证软件的正常运行；还基于异常节点的数据状态，判断是否存在数据处理异常事件，对异常节点进行数据处理流程的识别，从中确定遗漏处理的数据部分，实现对软件的数据流追踪识别，且对数据处理结果进行筛选，提取其中的正确有效结果，为软件运行过程的数据处理提供可靠全面的监测。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或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申请的一些实施例，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。
图1为本发明提供的用于监测软件运行数据安全的软件插件配置方法的流程示意图。
图2为本发明提供的用于监测软件运行数据安全的软件插件配置系统的结构示意图。
具体实施方式
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作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。
参阅图1，为本发明提供的用于监测软件运行数据安全的软件插件配置方法的流程示意图。该用于监测软件运行数据安全的软件插件配置方法包括如下步骤：
步骤S1，获取软件的工作记录，基于工作记录，生成有效运行数据，以此形成运行数据训练集；基于运行数据训练集，对深度学习模型进行训练，得到软件运行监测模型；将软件的实时运行数据输入至软件运行监测模型，确定软件的实时运行异常事件；
步骤S2，基于实时运行异常事件，确定软件运行过程的异常节点；基于异常节点，确定软件存在的异常代码环节；对异常代码环节进行代码内容识别，得到软件的bug源，以此确定与软件匹配的补丁插件，并将补丁插件加载至软件；
步骤S3，基于异常节点在软件运行过程的位置，对软件进行定向监测，得到异常节点的数据状态信息；基于数据状态信息，判断异常节点是否还存在数据处理异常事件；
步骤S4，基于数据处理异常事件的判断结果，对软件的数据处理结果进行标记；基于标记的结果，对数据处理结果进行筛选。
上述技术方案的有益效果为：该用于监测软件运行数据安全的软件插件配置方法从软件的工作记录生成有效运行数据，对深度学习模型进行训练，得到软件运行监测模型，用于确定软件的运行异常事件，实现对软件的全局化运行监测；还基于运行异常事件，确定软件运行过程中的异常节点，再映射追溯得到异常代码环节，从代码层面上对软件进行分析，并对异常代码环节进行代码内容识别确定bug源，以此对软件加载匹配的补丁插件，实现软件的代码bug修复，最大限度保证软件的正常运行；还基于异常节点的数据状态，判断是否存在数据处理异常事件，对异常节点进行数据处理流程的识别，从中确定遗漏处理的数据部分，实现对软件的数据流追踪识别，且对数据处理结果进行筛选，提取其中的正确有效结果，为软件运行过程的数据处理提供可靠全面的监测。
优选地，在步骤S1中，获取软件的工作记录，基于工作记录，生成有效运行数据，以此形成运行数据训练集；基于运行数据训练集，对深度学习模型进行训练，得到软件运行监测模型，包括：
从软件的工作日志中，获取预设时间范围内的工作记录，并基于预设数据类型集合，从工作记录选择匹配的运行数据，并对运行数据进行数据筛选，生成有效运行数据；再按照运行数据生成时间先后顺序，将所有有效运行数据组合形成运行数据训练集；
将运行数据训练集包含的所有有效运行数据转换为数据向量，再将数据向量输入至深度学习模型的训练池中进行训练，得到软件运行监测模型。
上述技术方案的有益效果为：从运行软件的设备终端获取工作日志，并对工作日志进行日志信息时间筛选，提取在预设历史时间范围内的工作记录。提取的工作记录包含软件对不同类型数据进行运算处理的过程记录信息，为了对深度学习模型进行全面化训练，以预设数据类型集合为基准，从工作记录中选择对预设数据类型集合包含的数据类型的数据进行运算处理的运行数据，从而得到有效运行数据，再按照运行数据生成时间由先到后的顺序，将所有有效运行数据排列形成运行数据训练集，便于对深度学习模型进行循序渐进的训练。此外，从运行数据训练集中提取所有有效运行数据的数据特征，并将数据特征转换为数据向量，其中该数据特征可为但不限于是有效运行数据包含的所有数据属性的特征值，再将数据向量输入至深度学习模型的训练池中进行训练，使得构建的软件运行监测模型能够对软件进行全局化的监测。其中，上述关于数据特征的提取，数据向量的生成均属于深度学习模型训练的常用手段，其具体实现过程是本领域技术人员所熟知的，这里不做详细的叙述。
优选地，在步骤S1中，将软件的实时运行数据输入至软件运行监测模型，确定软件的实时运行异常事件，包括：
从后台端获取软件包含的所有运行节点的实时运行数据；其中，运行节点是指软件对数据进行运算处理的节点；
将实时运行数据输入至软件运行监测模型，得到每个运行节点对数据的运算处理过程记录；
基于运算处理过程记录，得到运行节点的数据运算卡顿持续时间和数据运算出错率；若数据运算卡顿持续时间大于或等于预设时间阈值或者数据运算出错率大于或等于预设比率阈值，则确定运行节点发生运行异常事件。
上述技术方案的有益效果为：从运行软件的设备终端的后台获取软件在运行过程中，其包含的所有运行节点的实时运行数据，通过对软件包含的对数据进行运算处理的节点的运行数据进行提取，能够对软件的整个数据运算过程进行全局化的分析，而将所有运行节点的实时运行数据输入至软件运行监测模型，能够以实时运行数据为基础，将每个运行节点对数据的运算处理进行反演，以此得到每个运行节点的运算处理过程记录，实现对运行节点的模拟分析，保证得到的运算处理过程记录与运行节点的真实运算处理过程高度匹配。此外，从运算处理过程记录中提取得到运行节点的数据运算卡顿持续时间和数据运算出错率，并进行相应的阈值对比，能够准确快速地确定运行节点中发生的运行异常事件。
优选地，在步骤S2中，基于实时运行异常事件，确定软件运行过程的异常节点；基于异常节点，确定软件存在的异常代码环节，包括：
获取实时运行异常事件于软件的发生所在运行节点，并将运行节点确定为软件运行过程的异常节点；
基于异常节点在软件的运行流程顺序，从软件的完整代码中调取与异常节点对应的异常代码环节。
上述技术方案的有益效果为：软件包含的所有运行节点与软件的完整代码包含的所有代码环节存在一一对应关系，将软件中发生运行异常事件的运行节点确定为异常节点，再以软件的运行流程顺序为基准，从软件的完整代码中调取与异常节点对应的异常代码环节，便于后续从代码层面上对软件进行修复。
优选地，在步骤S2中，对异常代码环节进行代码内容识别，得到软件的bug源，以此确定与软件匹配的补丁插件，并将补丁插件加载至软件，包括：
对异常代码环节进行代码内容溯源识别，定位出软件的bug源；基于bug源的类型，确定能够修复bug源的补丁插件类型；
基于补丁插件类型和软件的类型，确定与软件匹配的补丁插件，并将补丁插件加载至软件。
上述技术方案的有益效果为：对异常代码环节进行代码内容溯源识别，定位出软件的bug源，这样能够准确选择匹配的补丁插件并加载至软件，从而对软件进行可靠准确的修复。
优选地，在步骤S3中，基于异常节点在软件运行过程的位置，对软件进行定向监测，得到异常节点的数据状态信息，包括：
基于异常节点在软件运行过程的位置，对软件进行定向监测，获取软件在异常节点运算之前和运算之后的数据流信息。
上述技术方案的有益效果为：以异常节点在软件运行过程的位置为基准，对软件原来的异常节点进行运算前后的数据流信息提取，便于后续对异常节点是否存在数据处理遗漏分析提供充足的数据。
优选地，在步骤S3中，基于数据状态信息，判断异常节点是否还存在数据处理异常事件，包括：
对软件在异常节点运算之前和运算之后的数据流信息进行对照分析，判断异常节点是否对运算之前的所有数据流均进行全面运算处理；若否，则确定异常节点存在数据处理遗漏异常事件；否是，则确定异常节点不存在数据处理遗漏异常事件。
上述技术方案的有益效果为：在实际操作中，对软件在异常节点运算之前和运算之后的数据流信息进行对照分析，判断异常节点是否对运算之前的所有数据流均进行全面运算处理，若某一数据流在运算之后与运算之前是相同，则确定异常节点并未处理该数据流，即对于该数据流存在数据遗漏处理的情况，从而对异常节点是否存在数据处理遗漏异常事件进行准确确定。
优选地，在步骤S4中，基于数据处理异常事件的判断结果，对软件的数据处理结果进行标记，包括：
当异常节点存在数据处理遗漏异常事件，则基于软件在异常节点运算之前和运算之后的数据流信息的对照结果，确定异常节点未处理的数据，并对未处理的数据进行关于在软件的数据流标记。
上述技术方案的有益效果为：当异常节点存在数据处理遗漏异常事件，则确定异常节点未处理的数据，并进一步确定未处理的数据在软件整个运行过程中的数据流动方向，从而对该未处理的数据在软件整个运行过程进行数据流追踪，便于在软件最终输出的数据结果中准确识别未处理的数据。
优选地，在步骤S4中，基于标记的结果，对数据处理结果进行筛选，包括：
基于数据流标记的结果，从数据处理结果中筛选出未经过软件包含的全部运行节点的数据结果。
上述技术方案的有益效果为：根据数据流标记的结果，从数据处理结果中筛选出未经过软件包含的全部运行节点的数据结果，这样能够准确从软件最终输出的数据处理结果中区分被软件包含的全部运行节点完全处理的数据结果和未经过软件包含的全部运行节点的数据结果。
参阅图2，为本发明提供的用于监测软件运行数据安全的软件插件配置系统的结构示意图。该用于监测软件运行数据安全的软件插件配置系统包括：
软件运行监测模型构建模块，用于获取软件的工作记录，基于工作记录，生成有效运行数据，以此形成运行数据训练集；基于运行数据训练集，对深度学习模型进行训练，得到软件运行监测模型；
运行异常事件识别模块，用于将软件的实时运行数据输入至软件运行监测模型，确定软件的实时运行异常事件；
异常代码环节确定模块，用于基于实时运行异常事件，确定软件运行过程的异常节点；基于异常节点，确定软件存在的异常代码环节；
插件配置模块，用于对异常代码环节进行代码内容识别，得到软件的bug源，以此确定与软件匹配的补丁插件，并将补丁插件加载至软件；
数据处理异常事件识别模块，用于基于异常节点在软件运行过程的位置，对软件进行定向监测，得到异常节点的数据状态信息；基于数据状态信息，判断异常节点是否还存在数据处理异常事件；
数据处理结果筛选模块，用于基于数据处理异常事件的判断结果，对软件的数据处理结果进行标记；基于标记的结果，对数据处理结果进行筛选。
上述用于监测软件运行数据安全的软件插件配置系统与上述用于监测软件运行数据安全的软件插件配置方法的工作过程以及实现的功能与效果是完全相同的，这里不做重复的叙述。
从上述实施例的内容可知，该用于监测软件运行数据安全的软件插件配置方法和系统从软件的工作记录生成有效运行数据，对深度学习模型进行训练，得到软件运行监测模型，用于确定软件的运行异常事件，实现对软件的全局化运行监测；还基于运行异常事件，确定软件运行过程中的异常节点，再映射追溯得到异常代码环节，从代码层面上对软件进行分析，并对异常代码环节进行代码内容识别确定bug源，以此对软件加载匹配的补丁插件，实现软件的代码bug修复，最大限度保证软件的正常运行；还基于异常节点的数据状态，判断是否存在数据处理异常事件，对异常节点进行数据处理流程的识别，从中确定遗漏处理的数据部分，实现对软件的数据流追踪识别，且对数据处理结果进行筛选，提取其中的正确有效结果，为软件运行过程的数据处理提供可靠全面的监测。

Claims (10)

1.用于监测软件运行数据安全的软件插件配置方法，其特征在于，包括如下步骤：
步骤S1，获取软件的工作记录，基于所述工作记录，生成有效运行数据，以此形成运行数据训练集；基于所述运行数据训练集，对深度学习模型进行训练，得到软件运行监测模型；将所述软件的实时运行数据输入至所述软件运行监测模型，确定所述软件的实时运行异常事件；
步骤S2，基于所述实时运行异常事件，确定所述软件运行过程的异常节点；基于所述异常节点，确定所述软件存在的异常代码环节；对所述异常代码环节进行代码内容识别，得到所述软件的bug源，以此确定与所述软件匹配的补丁插件，并将所述补丁插件加载至所述软件；
步骤S3，基于所述异常节点在所述软件运行过程的位置，对所述软件进行定向监测，得到所述异常节点的数据状态信息；基于所述数据状态信息，判断所述异常节点是否还存在数据处理异常事件；
步骤S4，基于所述数据处理异常事件的判断结果，对所述软件的数据处理结果进行标记；基于所述标记的结果，对所述数据处理结果进行筛选。
2.根据权利要求1所述的用于监测软件运行数据安全的软件插件配置方法，其特征在于：
在所述步骤S1中，获取软件的工作记录，基于所述工作记录，生成有效运行数据，以此形成运行数据训练集；基于所述运行数据训练集，对深度学习模型进行训练，得到软件运行监测模型，包括：
从软件的工作日志中，获取预设时间范围内的工作记录，并基于预设数据类型集合，从所述工作记录选择匹配的运行数据，并对所述运行数据进行数据筛选，生成有效运行数据；再按照运行数据生成时间先后顺序，将所有有效运行数据组合形成运行数据训练集；
将运行数据训练集包含的所有有效运行数据转换为数据向量，再将所述数据向量输入至深度学习模型的训练池中进行训练，得到软件运行监测模型。
3.根据权利要求2所述的用于监测软件运行数据安全的软件插件配置方法，其特征在于：
在所述步骤S1中，将所述软件的实时运行数据输入至所述软件运行监测模型，确定所述软件的实时运行异常事件，包括：
从后台端获取所述软件包含的所有运行节点的实时运行数据；其中，所述运行节点是指所述软件对数据进行运算处理的节点；
将所述实时运行数据输入至所述软件运行监测模型，得到每个运行节点对数据的运算处理过程记录；
基于所述运算处理过程记录，得到运行节点的数据运算卡顿持续时间和数据运算出错率；若所述数据运算卡顿持续时间大于或等于预设时间阈值或者所述数据运算出错率大于或等于预设比率阈值，则确定所述运行节点发生运行异常事件。
4.根据权利要求1所述的用于监测软件运行数据安全的软件插件配置方法，其特征在于：
在所述步骤S2中，基于所述实时运行异常事件，确定所述软件运行过程的异常节点；基于所述异常节点，确定所述软件存在的异常代码环节，包括：
获取所述实时运行异常事件于所述软件的发生所在运行节点，并将所述运行节点确定为所述软件运行过程的异常节点；
基于所述异常节点在所述软件的运行流程顺序，从所述软件的完整代码中调取与所述异常节点对应的异常代码环节。
5.根据权利要求4所述的用于监测软件运行数据安全的软件插件配置方法，其特征在于：
在所述步骤S2中，对所述异常代码环节进行代码内容识别，得到所述软件的bug源，以此确定与所述软件匹配的补丁插件，并将所述补丁插件加载至所述软件，包括：
对所述异常代码环节进行代码内容溯源识别，定位出所述软件的bug源；基于所述bug源的类型，确定能够修复所述bug源的补丁插件类型；
基于所述补丁插件类型和所述软件的类型，确定与所述软件匹配的补丁插件，并将所述补丁插件加载至所述软件。
6.根据权利要求1所述的用于监测软件运行数据安全的软件插件配置方法，其特征在于：
在所述步骤S3中，基于所述异常节点在所述软件运行过程的位置，对所述软件进行定向监测，得到所述异常节点的数据状态信息，包括：
基于所述异常节点在所述软件运行过程的位置，对所述软件进行定向监测，获取所述软件在所述异常节点运算之前和运算之后的数据流信息。
7.根据权利要求6所述的用于监测软件运行数据安全的软件插件配置方法，其特征在于：
在所述步骤S3中，基于所述数据状态信息，判断所述异常节点是否还存在数据处理异常事件，包括：
对所述软件在所述异常节点运算之前和运算之后的数据流信息进行对照分析，判断所述异常节点是否对运算之前的所有数据流均进行全面运算处理；若否，则确定所述异常节点存在数据处理遗漏异常事件；若是，则确定所述异常节点不存在数据处理遗漏异常事件。
8.根据权利要求7所述的用于监测软件运行数据安全的软件插件配置方法，其特征在于：
在所述步骤S4中，基于所述数据处理异常事件的判断结果，对所述软件的数据处理结果进行标记，包括：
当所述异常节点存在数据处理遗漏异常事件，则基于所述软件在所述异常节点运算之前和运算之后的数据流信息的对照结果，确定所述异常节点未处理的数据，并对所述未处理的数据进行关于在所述软件的数据流标记。
9.根据权利要求8所述的用于监测软件运行数据安全的软件插件配置方法，其特征在于：
在所述步骤S4中，基于所述标记的结果，对所述数据处理结果进行筛选，包括：
基于所述数据流标记的结果，从所述数据处理结果中筛选出未经过所述软件包含的全部运行节点的数据结果。
10.用于监测软件运行数据安全的软件插件配置系统，其特征在于，包括：
软件运行监测模型构建模块，用于获取软件的工作记录，基于所述工作记录，生成有效运行数据，以此形成运行数据训练集；基于所述运行数据训练集，对深度学习模型进行训练，得到软件运行监测模型；
运行异常事件识别模块，用于将所述软件的实时运行数据输入至所述软件运行监测模型，确定所述软件的实时运行异常事件；
异常代码环节确定模块，用于基于所述实时运行异常事件，确定所述软件运行过程的异常节点；基于所述异常节点，确定所述软件存在的异常代码环节；
插件配置模块，用于对所述异常代码环节进行代码内容识别，得到所述软件的bug源，以此确定与所述软件匹配的补丁插件，并将所述补丁插件加载至所述软件；
数据处理异常事件识别模块，用于基于所述异常节点在所述软件运行过程的位置，对所述软件进行定向监测，得到所述异常节点的数据状态信息；基于所述数据状态信息，判断所述异常节点是否还存在数据处理异常事件；
数据处理结果筛选模块，用于基于所述数据处理异常事件的判断结果，对所述软件的数据处理结果进行标记；基于所述标记的结果，对所述数据处理结果进行筛选。
CN202310720281.7A 2023-06-19 2023-06-19 用于监测软件运行数据安全的软件插件配置方法和系统 Active CN116501531B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310720281.7A CN116501531B (zh) 2023-06-19 2023-06-19 用于监测软件运行数据安全的软件插件配置方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310720281.7A CN116501531B (zh) 2023-06-19 2023-06-19 用于监测软件运行数据安全的软件插件配置方法和系统

Publications (2)

Publication Number Publication Date
CN116501531A true CN116501531A (zh) 2023-07-28
CN116501531B CN116501531B (zh) 2023-09-08

Family

ID=87323273

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310720281.7A Active CN116501531B (zh) 2023-06-19 2023-06-19 用于监测软件运行数据安全的软件插件配置方法和系统

Country Status (1)

Country Link
CN (1) CN116501531B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105677572A (zh) * 2016-02-04 2016-06-15 华中科技大学 基于自组织映射模型云软件性能异常错误诊断方法与系统
WO2018099356A1 (zh) * 2016-11-30 2018-06-07 武汉斗鱼网络科技有限公司 一种用于分析Android端应用运行流畅度的方法和系统
CN108595952A (zh) * 2018-03-30 2018-09-28 全球能源互联网研究院有限公司 一种电力移动应用软件漏洞的检测方法及系统
CN109936470A (zh) * 2017-12-18 2019-06-25 中国电子科技集团公司第十五研究所 一种异常检测方法
CN110389875A (zh) * 2019-03-29 2019-10-29 中国银联股份有限公司 用于监控计算机系统运行状态的方法、装置和存储介质
CN110531963A (zh) * 2019-08-28 2019-12-03 上海交通大学 一种基于数据的工业软件系统行为模型还原方法
CN111523117A (zh) * 2020-04-10 2020-08-11 西安电子科技大学 一种安卓恶意软件检测和恶意代码定位系统及方法
CN112181767A (zh) * 2020-09-27 2021-01-05 深圳前海微众银行股份有限公司 软件系统异常的确定方法、装置和存储介质
CN114328101A (zh) * 2021-12-24 2022-04-12 武汉众智数字技术有限公司 一种软件故障定位与修复的方法与系统
CN114816912A (zh) * 2022-04-14 2022-07-29 北京航空航天大学 软件运行状态检测方法及装置
CN115203014A (zh) * 2022-05-16 2022-10-18 中国第一汽车股份有限公司 一种基于深度学习的生态服务异常修复系统及修复方法
CN115470069A (zh) * 2022-08-08 2022-12-13 山东日照发电有限公司 一种软件运行状态监测方法及系统
CN115525235A (zh) * 2022-11-04 2022-12-27 上海威固信息技术股份有限公司 一种基于存储结构的数据运算方法及系统
CN115904698A (zh) * 2022-10-19 2023-04-04 慧之安信息技术股份有限公司 使用yaml格式文件对opc ua架构的管理方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105677572A (zh) * 2016-02-04 2016-06-15 华中科技大学 基于自组织映射模型云软件性能异常错误诊断方法与系统
WO2018099356A1 (zh) * 2016-11-30 2018-06-07 武汉斗鱼网络科技有限公司 一种用于分析Android端应用运行流畅度的方法和系统
CN109936470A (zh) * 2017-12-18 2019-06-25 中国电子科技集团公司第十五研究所 一种异常检测方法
CN108595952A (zh) * 2018-03-30 2018-09-28 全球能源互联网研究院有限公司 一种电力移动应用软件漏洞的检测方法及系统
CN110389875A (zh) * 2019-03-29 2019-10-29 中国银联股份有限公司 用于监控计算机系统运行状态的方法、装置和存储介质
CN110531963A (zh) * 2019-08-28 2019-12-03 上海交通大学 一种基于数据的工业软件系统行为模型还原方法
CN111523117A (zh) * 2020-04-10 2020-08-11 西安电子科技大学 一种安卓恶意软件检测和恶意代码定位系统及方法
CN112181767A (zh) * 2020-09-27 2021-01-05 深圳前海微众银行股份有限公司 软件系统异常的确定方法、装置和存储介质
CN114328101A (zh) * 2021-12-24 2022-04-12 武汉众智数字技术有限公司 一种软件故障定位与修复的方法与系统
CN114816912A (zh) * 2022-04-14 2022-07-29 北京航空航天大学 软件运行状态检测方法及装置
CN115203014A (zh) * 2022-05-16 2022-10-18 中国第一汽车股份有限公司 一种基于深度学习的生态服务异常修复系统及修复方法
CN115470069A (zh) * 2022-08-08 2022-12-13 山东日照发电有限公司 一种软件运行状态监测方法及系统
CN115904698A (zh) * 2022-10-19 2023-04-04 慧之安信息技术股份有限公司 使用yaml格式文件对opc ua架构的管理方法
CN115525235A (zh) * 2022-11-04 2022-12-27 上海威固信息技术股份有限公司 一种基于存储结构的数据运算方法及系统

Also Published As

Publication number Publication date
CN116501531B (zh) 2023-09-08

Similar Documents

Publication Publication Date Title
CN111563606A (zh) 一种设备预测性维护方法及装置
CN111930903A (zh) 基于深度日志序列分析的系统异常检测方法及系统
CN111597122B (zh) 一种基于历史缺陷数据挖掘的软件故障注入方法
CN107862327B (zh) 一种基于多特征的安全缺陷识别系统和方法
CN112579437B (zh) 一种程序运行过程符合性验证方法
CN110990788A (zh) 一种基于三元维纳过程的轴承剩余寿命预测方法
CN111400505A (zh) 一种用电信息采集系统匹配故障消缺方案的方法及系统
CN117421217A (zh) 一种软件功能自动测试方法、系统、终端及介质
WO2021047184A1 (zh) 系统故障分析处理方法、装置、存储介质及电子设备
CN115952081A (zh) 一种软件测试方法、装置、存储介质及设备
CN116383833A (zh) 软件程序代码的测试方法及其装置、电子设备、存储介质
CN111752833A (zh) 一种软件质量体系准出方法、装置、服务器及存储介质
CN109815124B (zh) 基于mbse的联锁功能缺陷分析的方法及装置、联锁系统
CN111078457A (zh) 一种基于大数据的存储故障分析方法与装置
CN116501531B (zh) 用于监测软件运行数据安全的软件插件配置方法和系统
CN113328914A (zh) 工控协议的模糊测试方法、装置、存储介质及处理器
CN116107794B (zh) 一种舰船软件故障自动诊断方法、系统及存储介质
CN111309584B (zh) 数据处理方法、装置、电子设备及存储介质
CN116932389A (zh) 一种基于大型预训练语言模型的求解器缺陷检测方法
CN111522705A (zh) 一种工业大数据智能运维解决方法
CN116594801A (zh) 一种大数据云计算的故障分析系统
CN113836539A (zh) 基于精准测试的电力工控系统漏洞全流程处置系统及方法
CN115129495A (zh) 故障处理方法、装置、终端设备及计算机可读存储介质
CN112433947A (zh) 一种基于网络数据的混沌工程方法及系统
Werner-Stark et al. Agent-based analysis and detection of functional faults of vehicle industry processes: a process mining approach

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