CN116743647A - 云平台服务质量检测方法、装置、设备及存储介质 - Google Patents
云平台服务质量检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116743647A CN116743647A CN202310729753.5A CN202310729753A CN116743647A CN 116743647 A CN116743647 A CN 116743647A CN 202310729753 A CN202310729753 A CN 202310729753A CN 116743647 A CN116743647 A CN 116743647A
- Authority
- CN
- China
- Prior art keywords
- cloud platform
- detection model
- cloud
- data
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 208
- 238000012795 verification Methods 0.000 claims abstract description 70
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000000977 initiatory effect Effects 0.000 claims abstract description 17
- 239000003999 initiator Substances 0.000 claims description 34
- 238000013473 artificial intelligence Methods 0.000 claims description 20
- 230000008439 repair process Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000000586 desensitisation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/50—Testing arrangements
- H04L43/55—Testing of service level quality, e.g. simulating service usage
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
- H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/008—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols involving homomorphic encryption
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种云平台服务质量检测方法、装置、设备及存储介质,该方法根据云服务类型,在联盟链中确定所有满足云服务类型的云平台,并获取云平台信息;在联盟链中获取云平台使用记录,根据使用记录确定云平台的云平台历史使用方;向云平台历史使用方发起使用满意度信息获取请求;接收使用满意度信息,在联盟链中发布人工智能训练白皮书;在接收到至少一个人工智能模型方发送的检测模型后,对检测模型进行模型验证,根据验证结果确定目标检测模型。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种云平台服务质量检测方法、装置、设备及存储介质。
背景技术
云际计算环境中,云存储具有容量大、性能优越等诸多优点。在云际计算中,全球参与所引入的复杂性和不确定性,使得研究云际交易支付记账问题的重要程度和紧迫程度被进一步放大。作为分布式的共享账本和数据库,区块链具有去中心化、不可篡改、全程留痕、可以追溯、集体维护、公开透明等特点,有望破解云际计算构建去中心、防篡改、可追溯的高效可信记账技术的难题。
目前,云平台使用方在使用云平台运营方提供的资源时,大多数是根据云平台运营方的资源承接能力及价格信息进行筛选。
然而,现有技术缺少对云平台的服务质量检测方法,云服务使用的可信度和可靠性低。
发明内容
本申请提供一种云平台服务质量检测方法、装置、设备及存储介质,以解决现有技术缺少对云平台的服务质量检测方法,云服务使用的可信度和可靠性低的技术问题。
第一方面,本申请提供云平台服务质量检测方法,应用于检测模型建立发起方,包括:
根据云服务类型,在联盟链中确定所有满足所述云服务类型的云平台,并获取云平台信息,其中,所述云平台信息包括云平台的标识号、云平台的基本信息集、云平台使用记录故障数据集和云平台故障修复方案集;
在联盟链中获取云平台使用记录,根据所述使用记录确定所述云平台的云平台历史使用方;
向所述云平台历史使用方发起使用满意度信息获取请求,以使所述云平台历史使用方在获取到所述使用满意度信息获取请求后,向所述检测模型建立发起方发送使用满意度信息,其中,所述满意度信息包括同态加密公钥和通过云平台历史使用方的同态加密密钥加密后的满意度结果;
接收所述使用满意度信息,在联盟链中发布人工智能训练白皮书,以使在联盟链中签约的至少一个人工智能模型方根据所述人工智能训练白皮书进行人工智能训练,将训练得到的检测模型发送至所述检测模型建立发起方,其中,所述人工智能训练白皮书包括所述云平台对应的基本信息集、云平台使用记录故障数据集、云平台故障修复方案集、所述满意度信息的集合和预设训练验收目标;
在接收到所述至少一个所述人工智能模型方发送的检测模型后,对所述检测模型进行模型验证,根据验证结果确定目标检测模型。
这里,本申请提供了一种能够评价和检测云平台服务质量的方法,基于人工智能(Artificial Intelligence,AI)和区块链建立对云平台服务质量的目标检测模型,多个云平台历史使用方和多个云平台运营商可以公共构建一个联盟链,联盟链中的检测模型建立发起方确定满足云服务类型的云平台,基于云平台的历史使用情况,结合AI技术建立能够评价满意度的目标检测模型,为了提高数据的安全性、防止满意度信息被篡改,当获取历史数据中的使用满意度信息时,联盟链中的云平台历史使用方预先通过自己的同态密钥对使用满意度信息进行加密,目标检测模型建立的安全性和准确性高,能够准确对云平台的服务质量进行评估,提高了云服务使用的可信度和可靠性。
可选地,所述对所述检测模型进行模型验证,包括:
根据所述云平台使用记录,确定第一待验证数据,其中,所述第一待验证数据包括第一待输入数据和第一待验证结果;将所述第一待输入数据输入至所述检测模型进行预测,得到第一预测结果;将所述第一预测结果与所述第一待验证结果进行同态比对,确定验证结果。
这里,本申请在接收到一个或多个人工智能模型方发送的检测模型后,可以根据历史数据,对检测模型的预测效果进行验证,从而确定检测模型的预测是否准确,进一步地提高了云平台服务质量检测方法的准确性。
可选地,所述根据验证结果确定目标检测模型,包括:
获取检测模型的多个验证结果;根据验证结果的通过率,确定目标检测模型。
这里,本申请通过检测模型的预测通过率来确定该模型是否能够作为云平台服务质量检测的目标检测模型,通过率越高,检测模型的精度越高,进一步地提高了云平台服务质量检测方法的准确性。
可选地,在所述在接收到所述至少一个所述人工智能模型方发送的检测模型后,对所述检测模型进行模型验证,根据验证结果确定目标检测模型之后,还包括:获取待评价云平台的云平台信息;将所述云平台信息输入至所述目标检测模型,得到对所述待评价云平台的预测满意度信息。
这里,本申请能够通过目标检测模型实现对需要检测的待评价云平台的满意度检测,进而便于用户更加可靠地使用云平台资源,进一步地提高了云服务使用的可信度和可靠性。
可选地,在所述在接收到所述至少一个所述人工智能模型方发送的检测模型后,对所述检测模型进行模型验证,根据验证结果确定目标检测模型之后,还包括:根据所述云平台使用记录,确定第二待验证数据,其中,所述第二待验证数据包括第二待输入数据和第二待验证结果;在所述第二待输入数据中剔除验证项数据,得到第三待输入数据;将所述第三待输入数据输入至所述检测模型进行预测,得到第二预测结果;将所述第二预测结果与所述第二待验证结果进行同态比对,根据比对结果确定所述验证项数据对云平台满意度的影响程度。
这里,本申请还可以通过剔除验证项数据的方式,将剔除后的数据输入至目标检测模型,从而确定验证项数据是否对云服务用户的满意度造成影响以及影响程度,便于了解云服务的各项指标,进一步地提高了用户体验。
可选地,所述检测模型建立发起方为联盟链中的云平台历史使用方或者联盟链中的云平台运营方。
这里,联盟链中的云平台历史使用方或者联盟链中的云平台运营方均可以对作为云平台运营方的云平台进行服务质量的检测以及目标检测模型建立的发起,满足不同节点以及不同用户的需求,进一步地提高了用户体验。
可选地,若所述检测模型建立发起方为联盟链中的云平台历史使用方,则在所述根据云服务类型,在联盟链中确定所有满足所述云服务类型的云平台,并获取云平台信息之前,还包括:在联盟链中上传脱敏处理后的云平台使用日志。
这里,联盟链中的云平台历史使用方将自己的云平台使用日志脱敏处理后上传至联盟链,一方面保护了用户数据的安全性以及隐私性,另一方面历史数据便于进行云平台的服务质量检测。
可选地,若所述检测模型建立发起方为联盟链中的云平台运营方,则在所述根据云服务类型,在联盟链中确定所有满足所述云服务类型的云平台,并获取云平台信息之前,还包括:
在联盟链中获取云平台使用记录;
对所述云平台使用记录进行正确性校验。
这里,云平台运营方可对云平台使用方发送的云平台使用记录进行正确性校验,保证了数据的准确性,进一步地提高了云服务使用的可信度和可靠性。
第二方面,本申请提供了一种云平台服务质量检测装置,应用于检测模型建立发起方,包括:
第一获取模块,用于根据云服务类型,在联盟链中确定所有满足所述云服务类型的云平台,并获取云平台信息,其中,所述云平台信息包括云平台的标识号、云平台的基本信息集、云平台使用记录故障数据集和云平台故障修复方案集;
第二获取模块,用于在联盟链中获取云平台使用记录,根据所述使用记录确定所述云平台的云平台历史使用方;
发起模块,用于向所述云平台历史使用方发起使用满意度信息获取请求,以使所述云平台历史使用方在获取到所述使用满意度信息获取请求后,向所述检测模型建立发起方发送使用满意度信息,其中,所述满意度信息包括同态加密公钥和通过云平台历史使用方的同态加密密钥加密后的满意度结果;
发布模块,用于接收所述使用满意度信息,在联盟链中发布人工智能训练白皮书,以使在联盟链中签约的至少一个人工智能模型方根据所述人工智能训练白皮书进行人工智能训练,将训练得到的检测模型发送至所述检测模型建立发起方,其中,所述人工智能训练白皮书包括所述云平台对应的基本信息集、云平台使用记录故障数据集、云平台故障修复方案集、所述满意度信息的集合和预设训练验收目标;
模型确定模块,用于在接收到所述至少一个所述人工智能模型方发送的检测模型后,对所述检测模型进行模型验证,根据验证结果确定目标检测模型。
可选地,所述模型确定模块具体用于:
根据所述云平台使用记录,确定第一待验证数据,其中,所述第一待验证数据包括第一待输入数据和第一待验证结果;
将所述第一待输入数据输入至所述检测模型进行预测,得到第一预测结果;
将所述第一预测结果与所述第一待验证结果进行同态比对,确定验证结果。
可选地,所述模型确定模块还具体用于:
获取检测模型的多个验证结果;
根据验证结果的通过率,确定目标检测模型。
可选地,在所述模型确定模块在接收到所述至少一个所述人工智能模型方发送的检测模型后,对所述检测模型进行模型验证,根据验证结果确定目标检测模型之后,上述装置还包括检测模块,用于:
获取待评价云平台的云平台信息;
将所述云平台信息输入至所述目标检测模型,得到对所述待评价云平台的预测满意度信息。
可选地,在所述模型确定模块在接收到所述至少一个所述人工智能模型方发送的检测模型后,对所述检测模型进行模型验证,根据验证结果确定目标检测模型之后,上述装置还包括验证项数据确定模块,用于:
根据所述云平台使用记录,确定第二待验证数据,其中,所述第二待验证数据包括第二待输入数据和第二待验证结果;
在所述第二待输入数据中剔除验证项数据,得到第三待输入数据;
将所述第三待输入数据输入至所述检测模型进行预测,得到第二预测结果;
将所述第二预测结果与所述第二待验证结果进行同态比对,根据比对结果确定所述验证项数据对云平台满意度的影响程度。
可选地,所述检测模型建立发起方为联盟链中的云平台历史使用方或者联盟链中的云平台运营方。
可选地,若所述检测模型建立发起方为联盟链中的云平台历史使用方,则在所述第一获取模块根据云服务类型,在联盟链中确定所有满足所述云服务类型的云平台,并获取云平台信息之前,上述装置还包括上传模块,用于:
在联盟链中上传脱敏处理后的云平台使用日志。
可选地,若所述检测模型建立发起方为联盟链中的云平台运营方,则在所述第一获取模块根据云服务类型,在联盟链中确定所有满足所述云服务类型的云平台,并获取云平台信息之前,上述装置还包括校验模块,用于:
在联盟链中获取云平台使用记录;
对所述云平台使用记录进行正确性校验。
第三方面,本申请提供一种云平台服务质量检测设备,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如上第一方面以及第一方面各种可能的设计所述的云平台服务质量检测方法。
第四方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上第一方面以及第一方面各种可能的设计所述的云平台服务质量检测方法。
第五方面,本申请提供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,实现如上第一方面以及第一方面各种可能的设计所述的云平台服务质量检测方法。
本申请提供的云平台服务质量检测方法、装置、设备及存储介质,其中该方法基于AI和区块链建立对云平台服务质量的目标检测模型,多个云平台历史使用方和多个云平台运营商可以公共构建一个联盟链,联盟链中的检测模型建立发起方确定满足云服务类型的云平台,基于云平台的历史使用情况,结合AI技术建立能够评价满意度的目标检测模型,为了提高数据的安全性、防止满意度信息被篡改,当获取历史数据中的使用满意度信息时,联盟链中的云平台历史使用方预先通过自己的同态密钥对使用满意度信息进行加密,目标检测模型建立的安全性和准确性高,能够准确对云平台的服务质量进行评估,提高了云服务使用的可信度和可靠性。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种云平台服务质量检测系统架构示意图;
图2为本申请实施例提供的一种云平台服务质量检测方法的流程示意图;
图3为本申请实施例提供的一种检测模型训练过程的示意图;
图4为本申请实施例提供的一种云平台服务质量检测装置的结构示意图;
图5为本申请实施例提供的一种云平台服务质量检测设备的结构示意图。
通过上述附图,已示出本公开明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本公开的概念。
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公开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、本公开的一些方面相一致的装置和方法的例子。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”及“第四”等(如果存在)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。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、使用和处理需要遵守相关法律法规和标准,并提供有相应的操作入口,供用户选择授权或者拒绝。
联盟链,是用于机构间的区块链。只针对某个特定群体的成员和有限的第三方,其内部指定多个预选节点为记账人,每个块的生成由所有的预选节点共同决定。联盟链可应用于云服务系统中。
许多云服务消费者不仅担心单一云服务提供者阻碍了由于服务中断或业务不连续所引起的云用户服务迁移,甚至担心“平台锁定”带来更多的风险。为了保障云服务提供者的公开和公正性,便于保障云平台的良性发展和运营。考虑到目前云平台使用方对自己所选用的云平台缺乏可信的其他用户的使用评价和分析等,不便于用户在多样化的云平台产品中选择适合自己的可信的云平台服务。现有技术缺少对云平台的服务质量检测方法,云服务使用的可信度和可靠性低。
为了解决上述技术问题,本申请实施例提供一种云平台服务质量检测方法、装置、设备及存储介质,该方法基于AI和区块链建立对云平台服务质量的目标检测模型,多个云平台历史使用方和多个云平台运营商可以公共构建一个联盟链,联盟链中的检测模型建立发起方确定满足云服务类型的云平台,基于云平台的历史使用情况,结合AI技术建立能够评价满意度的目标检测模型,为了提高数据的安全性、防止满意度信息被篡改,当获取历史数据中的使用满意度信息时,联盟链中的云平台历史使用方预先通过自己的同态密钥对使用满意度信息进行加密。
可选地,图1为本申请实施例提供的一种云平台服务质量检测系统架构示意图。如图1所示,上述架构包括:第一云平台使用方101、第一云平台运营方102、第二云平台使用方103、第二云平台运营方104、第一人工智能模型方105和第二人工智能模型方106。
其中,第一云平台使用方101、第一云平台运营方102、第二云平台使用方103、第二云平台运营方104、第一人工智能模型方105和第二人工智能模型方106均连接在同一联盟链上,均为联盟链中的节点,任意两个节点之间可以通过联盟链或者其它通信方式实现通信。
可以理解的是,上述云平台使用方、云平台运营方和人工智能模型方的数量及具体结构可以根据实际情况确定,图1仅是示意性的,本申请实施例对于上述节点的数目不作具体限制。
上述云平台使用方、云平台运营方和人工智能模型方可以是云服务器、服务器或者终端设备等,任意两个节点之间可以通过区块链\联盟链网络实现通信。
其中,上述云平台使用方、云平台运营方和人工智能模型方可以设置在服务器或者终端设备上,上述云平台使用方、云平台运营方和人工智能模型方也可以是服务器或者终端设备本身。
可选地,本申请实施例中,多个云平台历史使用用户和多个云平台运营方一同构建联盟链。
可选地,构建联盟链的具体方式如下:每个云平台历史使用用户将自己的云平台信息,例如云平台使用日志(尤其是平台故障、掉线等日志)脱敏后(比如去掉用户的身份相关的信息,比如姓名,住址、身份证号等)使用私钥签名的广播消息的方式上传到联盟链中。
可选地,每个云平台的历史使用记录在联盟链中拥有唯一的标识,同时至少包含云平台的基本信息集XA、云平台使用记录故障数据集XB和云平故障修复方案集XC,XA、XB、XC数据在区块链\联盟链中以明文方式保存。
其中,云平台的基本信息集XA包括如存储量、收费标准、设备使用年限、安全性服务等级例如防火墙类型或者信息泄露的赔付标准等信息。
其中,云平台使用记录故障数据集XB包括如使用总时长,产生平台故障的时间和故障修复时长等日志LOG数据,提供日志数据是为了避免抹黑其他的云平台等黑客操作。
其中,云平故障修复方案集XC包括如云平台服务的故障原因、修复方式、赔付标准等。
可选地,联盟链中的所有参与方可以查看到云平台信息,例如XA、XB、XC。避免有些恶意黑客伪装成某云平台的历史使用用户对其进行篡改,而造成云平台之间的恶性竞争。因此所有的广播出去的云平台信息,各个云平台运营方均可以对其中和自己云平台标识有关的记录进行核对,以确认该广播信息是否真实。
可选地,为了避免所有的云平台用户使用信息全开放带来的数据无法确权和管理的问题,云平台使用的最终的满意信息Y由云平台使用方掌握并不完全在区块链中公开。当有人需要查看的时候,在区块链中支付相应的查询费用,从而获得对应Y的同态加密信息和同态的公钥。可以进行同态比对,但是并不能解密获得云平台使用的最终的满意信息Y的原文信息。
可选地,联盟链的任何一个参与方(可以是云平台运营方,或者云平台使用方)可以在区块链中发起一次针对满足某些特定类型要求的云平台服务的AI训练,从而获得一个经过训练的目标检测模型。获得的目标检测模型,可以对某一个新的云平台使用进行预测,或者可以进行关键影响因素的分析。
可以理解的是,本申请实施例示意的结构并不构成对云平台服务质量检测系统架构的具体限定。在本申请另一些可行的实施方式中,上述架构可以包括比图示更多或更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置,具体可根据实际应用场景确定,在此不做限制。图1所示的部件可以以硬件,软件,或软件与硬件的组合实现。
另外,本申请实施例描述的网络架构以及业务场景是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域普通技术人员可知,随着网络架构的演变和新业务场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
下面以几个实施例为例对本申请的技术方案进行描述,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图2为本申请实施例提供的一种云平台服务质量检测方法的流程示意图,本申请实施例的执行主体为于检测模型建立发起方,于检测模型建立发起方可以为图1中的第一云平台使用方101、第一云平台运营方102、第二云平台使用方103和第二云平台运营方104中的任意一个,具体执行主体可以根据实际应用场景确定。如图2所示,该方法包括如下步骤:
S201:根据云服务类型,在联盟链中确定所有满足云服务类型的云平台,并获取云平台信息。
其中,云平台信息包括云平台的标识号、云平台的基本信息集、云平台使用记录故障数据集和云平台故障修复方案集。
其中,云平台的基本信息集XA包括如存储量、收费标准、设备使用年限、安全性服务等级例如防火墙类型或者信息泄露的赔付标准等信息。
其中,云平台使用记录故障数据集XB包括如使用总时长,产生平台故障的时间和故障修复时长等日志LOG数据,提供日志数据是为了避免抹黑其他的云平台等黑客操作。
其中,云平故障修复方案集XC包括如云平台服务的故障原因、修复方式、赔付标准等。
可选地,根据云服务类型对云平台的云平台信息进行筛选,可以获得满足云服务类型的云平台。
可选地,确定自己要选用的云平台服务的类型,在联盟链中检索相关的云平台信息。比如满足某存储量的云平台使用服务分析。则根据相关的关键词获得所有满足上述情况的云平台的标识号:C1、C2、C3等,及相关云平台的XA、XB、XC信息。可选地,待筛选的云平台为云平台运营方。
可选地,云服务类型可以为用户输入的。
可选地,检测模型建立发起方为联盟链中的云平台历史使用方或者联盟链中的云平台运营方。
可选地,若检测模型建立发起方为联盟链中的云平台历史使用方,则在根据云服务类型,在联盟链中确定所有满足云服务类型的云平台,并获取云平台信息之前,还包括:在联盟链中上传脱敏处理后的云平台使用日志。
这里,联盟链中的云平台历史使用方将自己的云平台使用日志脱敏处理后上传至联盟链,一方面保护了用户数据的安全性以及隐私性,另一方面历史数据便于进行云平台的服务质量检测。
可选地,若检测模型建立发起方为联盟链中的云平台运营方,则在根据云服务类型,在联盟链中确定所有满足云服务类型的云平台,并获取云平台信息之前,还包括:
在联盟链中获取云平台使用记录;对云平台使用记录进行正确性校验。
这里,云平台运营方可对云平台使用方发送的云平台使用记录进行正确性校验,保证了数据的准确性,进一步地提高了云服务使用的可信度和可靠性。
S202:在联盟链中获取云平台使用记录,根据使用记录确定云平台的云平台历史使用方。
其中,云平台历史使用方为之前使用过云平台资源的云平台使用方。
可选地,这里的云平台可以为一个或多个,分别为每个云平台确定云平台历史使用方。
S203:向云平台历史使用方发起使用满意度信息获取请求,以使云平台历史使用方在获取到使用满意度信息获取请求后,向检测模型建立发起方发送使用满意度信息。
其中,满意度信息包括同态加密公钥和通过云平台历史使用方的同态加密密钥加密后的满意度结果。
可选地,在联盟链中为云平台使用记录向云平台使用记录的云平台历史使用方支付相关的费用,云平台历史使用方将自己使用过的云平台的C1、C2、C3等以及对应的云平台使用满意度结果Y1、Y2、Y3等分别用自己的同态加密密钥加密后连同同态加密公钥发送给检测模型建立发起方。
S204:接收使用满意度信息,在联盟链中发布人工智能训练白皮书,以使在联盟链中签约的至少一个人工智能模型方根据人工智能训练白皮书进行人工智能训练,将训练得到的检测模型发送至检测模型建立发起方。
其中,人工智能训练白皮书包括云平台对应的基本信息集、云平台使用记录故障数据集、云平台故障修复方案集、满意度信息的集合和预设训练验收目标。
可选地,在联盟链中发布一次AI训练的白皮书,包括对应的XA、XB、XC集合及同态加密的Y集合,并包含相应的训练费用,以及训练验收目标。
可选地,确定预设特定数量的云平台的使用率作为验收目标。其中,预设特定数量可以根据实际情况确定,本申请实施例对此不作具体限制。
可选地,人工智能模型方例如AI大模型A或者AI大模型B可以在联盟链中签约,进行AI训练。示范性地,图3为本申请实施例提供的一种检测模型训练过程的示意图,将人工智能训练白皮书中包括的云平台使用数据进行预处理,该数据中包括云平台的基本信息集XA、云平台使用记录故障数据集XB和云平故障修复方案集XC以及对应的结果集Y,在预处理后输入至预设模型,预设模型可以输出预测结果Y’,将Y’与Y进行同态对比,可以确定参数调校,得到检测模型,该模型可用于新使用云平台的预测。
可选地,预设模型可以根据实际情况确定,本申请实施例对此不作具体限制,例如预设模型可以采用稠密Transformer的GPT3模型、盘古模型、或者其他的DALL-E等,也可以采用稀疏的MOD Transformer模型,比如V-MOE。
可选地,多个人工智能模型方可以同时进行签约,最早提交目标检测模型达到标准的参与方,或者接近验收目标的参与方获得相关的奖励费用。
S205:在接收到至少一个人工智能模型方发送的检测模型后,对检测模型进行模型验证,根据验证结果确定目标检测模型。
可选地,对检测模型进行模型验证,包括:
根据云平台使用记录,确定第一待验证数据,其中,第一待验证数据包括第一待输入数据和第一待验证结果;将第一待输入数据输入至检测模型进行预测,得到第一预测结果;将第一预测结果与第一待验证结果进行同态比对,确定验证结果。
例如,第一待验证数据包括一组历史云平台信息以及云平台信息对应的满意度结果,即第一待输入数据和第一待验证结果。将第一待输入数据输入至检测模型进行预测,得到第一预测结果;将第一预测结果与第一待验证结果进行同态比对,可以确定检测模型的预测是否准确。
可选地,本申请实施例在接收到一个或多个人工智能模型方发送的检测模型后,可以根据历史数据,对检测模型的预测效果进行验证,从而确定检测模型的预测是否准确,进一步地提高了云平台服务质量检测方法的准确性。
可选地,在在接收到至少一个人工智能模型方发送的检测模型后,对检测模型进行模型验证,根据验证结果确定目标检测模型之后,还包括:根据云平台使用记录,确定第二待验证数据,其中,第二待验证数据包括第二待输入数据和第二待验证结果;在第二待输入数据中剔除验证项数据,得到第三待输入数据;将第三待输入数据输入至检测模型进行预测,得到第二预测结果;将第二预测结果与第二待验证结果进行同态比对,根据比对结果确定验证项数据对云平台满意度的影响程度。
这里,本申请实施例还可以通过剔除验证项数据的方式,将剔除后的数据输入至目标检测模型,从而确定验证项数据是否对云服务用户的满意度造成影响以及影响程度,便于了解云服务的各项指标,进一步地提高了用户体验。
可选地,根据验证结果确定目标检测模型,包括:
获取检测模型的多个验证结果;根据验证结果的通过率,确定目标检测模型。
可选地,本申请实施例通过检测模型的预测通过率来确定该模型是否能够作为云平台服务质量检测的目标检测模型,通过率越高,检测模型的精度越高,进一步地提高了云平台服务质量检测方法的准确性。
可选地,在在接收到至少一个人工智能模型方发送的检测模型后,对检测模型进行模型验证,根据验证结果确定目标检测模型之后,还包括:获取待评价云平台的云平台信息;将云平台信息输入至目标检测模型,得到对待评价云平台的预测满意度信息。
这里,本申请实施例能够通过目标检测模型实现对需要检测的待评价云平台的满意度检测,进而便于用户更加可靠地使用云平台资源,进一步地提高了云服务使用的可信度和可靠性。
在一种可能的实现方式中,通过联盟链发起一次训练获得目标检测模型,就可以用该模型进行专项分析,比如分析哪些类型的云平台的检测项是客户满意度高的关键因素,具体方案为:
搜集一定量的云平台服务记录,根据每个云平台使用记录的信息XA、XB、XC采用目标检测模型预测获得Y’,比较Y’和Y相同的概率,正常情况下,成功率应该超过训练所设定的目标值。该目标值可以根据实际情况确定。
可选地,当要测试某一检测项XBn是否严重影响用户满意度后,则将所有用户使用记录中的XB中的XBn项去掉,然后采用该目标检测模型进行预测结果Y’,如果Y’的成功概率和Y差不多,则XBn该项检测项的结果对云平台满意度的影响并不大。
可选地,云平台的使用方可以根据自己的经验判断,然后通过检测模型进行验证,对关键项进行分析。
可选地,当由一个云平台的使用需求需要使用满意度的预测,只需要采集该云平台有关的XA、XB、XC项,然后输入目标检测模型,根据模型输出的结果即可对该云平台进行较为精准的预测。预测的精准度与模型自身的精准度有关系。
这里,本申请实施例提供了一种能够评价和检测云平台服务质量的方法,基于AI和区块链建立对云平台服务质量的目标检测模型,多个云平台历史使用方和多个云平台运营商可以公共构建一个联盟链,联盟链中的检测模型建立发起方确定满足云服务类型的云平台,基于云平台的历史使用情况,结合AI技术建立能够评价满意度的目标检测模型,为了提高数据的安全性、防止满意度信息被篡改,当获取历史数据中的使用满意度信息时,联盟链中的云平台历史使用方预先通过自己的同态密钥对使用满意度信息进行加密,目标检测模型建立的安全性和准确性高,能够准确对云平台的服务质量进行评估,提高了云服务使用的可信度和可靠性。
图4为本申请实施例提供的一种云平台服务质量检测装置的结构示意图,应用于检测模型建立发起方,如图4所示,本申请实施例的装置包括:第一获取模块401、第二获取模块402、发起模块403、发布模块404和模型确定模块405。这里的云平台服务质量检测装置可以是服务器或者终端设备,或者是实现服务器或者终端设备的功能的芯片或者集成电路。这里需要说明的是,第一获取模块401、第二获取模块402、发起模块403、发布模块404和模型确定模块405的划分只是一种逻辑功能的划分,物理上两者可以是集成的,也可以是独立的。
其中,第一获取模块,用于根据云服务类型,在联盟链中确定所有满足云服务类型的云平台,并获取云平台信息,其中,云平台信息包括云平台的标识号、云平台的基本信息集、云平台使用记录故障数据集和云平台故障修复方案集;
第二获取模块,用于在联盟链中获取云平台使用记录,根据使用记录确定云平台的云平台历史使用方;
发起模块,用于向云平台历史使用方发起使用满意度信息获取请求,以使云平台历史使用方在获取到使用满意度信息获取请求后,向检测模型建立发起方发送使用满意度信息,其中,满意度信息包括同态加密公钥和通过云平台历史使用方的同态加密密钥加密后的满意度结果;
发布模块,用于接收使用满意度信息,在联盟链中发布人工智能训练白皮书,以使在联盟链中签约的至少一个人工智能模型方根据人工智能训练白皮书进行人工智能训练,将训练得到的检测模型发送至检测模型建立发起方,其中,人工智能训练白皮书包括云平台对应的基本信息集、云平台使用记录故障数据集、云平台故障修复方案集、满意度信息的集合和预设训练验收目标;
模型确定模块,用于在接收到至少一个人工智能模型方发送的检测模型后,对检测模型进行模型验证,根据验证结果确定目标检测模型。
可选地,模型确定模块具体用于:
根据云平台使用记录,确定第一待验证数据,其中,第一待验证数据包括第一待输入数据和第一待验证结果;
将第一待输入数据输入至检测模型进行预测,得到第一预测结果;
将第一预测结果与第一待验证结果进行同态比对,确定验证结果。
可选地,模型确定模块还具体用于:
获取检测模型的多个验证结果;
根据验证结果的通过率,确定目标检测模型。
可选地,在模型确定模块在接收到至少一个人工智能模型方发送的检测模型后,对检测模型进行模型验证,根据验证结果确定目标检测模型之后,上述装置还包括检测模块,用于:
获取待评价云平台的云平台信息;
将云平台信息输入至目标检测模型,得到对待评价云平台的预测满意度信息。
可选地,在模型确定模块在接收到至少一个人工智能模型方发送的检测模型后,对检测模型进行模型验证,根据验证结果确定目标检测模型之后,上述装置还包括验证项数据确定模块,用于:
根据云平台使用记录,确定第二待验证数据,其中,第二待验证数据包括第二待输入数据和第二待验证结果;
在第二待输入数据中剔除验证项数据,得到第三待输入数据;
将第三待输入数据输入至检测模型进行预测,得到第二预测结果;
将第二预测结果与第二待验证结果进行同态比对,根据比对结果确定验证项数据对云平台满意度的影响程度。
可选地,检测模型建立发起方为联盟链中的云平台历史使用方或者联盟链中的云平台运营方。
可选地,若检测模型建立发起方为联盟链中的云平台历史使用方,则在第一获取模块根据云服务类型,在联盟链中确定所有满足云服务类型的云平台,并获取云平台信息之前,上述装置还包括上传模块,用于:
在联盟链中上传脱敏处理后的云平台使用日志。
可选地,若检测模型建立发起方为联盟链中的云平台运营方,则在第一获取模块根据云服务类型,在联盟链中确定所有满足云服务类型的云平台,并获取云平台信息之前,上述装置还包括校验模块,用于:
在联盟链中获取云平台使用记录;
对云平台使用记录进行正确性校验。
参考图5,其示出了适于用来实现本公开实施例的云平台服务质量检测设备500的结构示意图,该云平台服务质量检测设备500可以为终端设备或服务器。其中,终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、个人数字助理(PersonalDigital Assistant,简称PDA)、平板电脑(Portable Android Device,简称PAD)、便携式多媒体播放器(Portable Media Player,简称PMP)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的云平台服务质量检测设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示,云平台服务质量检测设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(Read Only Memory,简称ROM)502中的程序或者从存储装置508加载到随机访问存储器(Random Access Memory,简称RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有云平台服务质量检测设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506;包括例如液晶显示器(Liquid CrystalDisplay,简称LCD)、扬声器、振动器等的输出装置507;包括例如磁带、硬盘等的存储装置508;以及通信装置509。通信装置509可以允许云平台服务质量检测设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的云平台服务质量检测设备500,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,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,本公开的实施例包括一种计算机程序产品,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装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述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。在本公开中,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。而在本公开中,计算机可读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,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述云平台服务质量检测设备中所包含的;也可以是单独存在,而未装配入该云平台服务质量检测设备中。
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该云平台服务质量检测设备执行时,使得该云平台服务质量检测设备执行上述实施例所示的方法。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LocalArea Network,简称LAN)或广域网(Wide Area Network,简称WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
本领域技术人员在考虑说明书及实践这里公开的申请后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求书指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种云平台服务质量检测方法,其特征在于,应用于检测模型建立发起方,所述方法包括:
根据云服务类型,在联盟链中确定所有满足所述云服务类型的云平台,并获取云平台信息,其中,所述云平台信息包括云平台的标识号、云平台的基本信息集、云平台使用记录故障数据集和云平台故障修复方案集;
在联盟链中获取云平台使用记录,根据所述使用记录确定所述云平台的云平台历史使用方;
向所述云平台历史使用方发起使用满意度信息获取请求,以使所述云平台历史使用方在获取到所述使用满意度信息获取请求后,向所述检测模型建立发起方发送使用满意度信息,其中,所述满意度信息包括同态加密公钥和通过云平台历史使用方的同态加密密钥加密后的满意度结果;
接收所述使用满意度信息,在联盟链中发布人工智能训练白皮书,以使在联盟链中签约的至少一个人工智能模型方根据所述人工智能训练白皮书进行人工智能训练,将训练得到的检测模型发送至所述检测模型建立发起方,其中,所述人工智能训练白皮书包括所述云平台对应的基本信息集、云平台使用记录故障数据集、云平台故障修复方案集、所述满意度信息的集合和预设训练验收目标;
在接收到所述至少一个所述人工智能模型方发送的检测模型后,对所述检测模型进行模型验证,根据验证结果确定目标检测模型。
2.根据权利要求1所述的方法,其特征在于,所述对所述检测模型进行模型验证,包括:
根据所述云平台使用记录,确定第一待验证数据,其中,所述第一待验证数据包括第一待输入数据和第一待验证结果;
将所述第一待输入数据输入至所述检测模型进行预测,得到第一预测结果;
将所述第一预测结果与所述第一待验证结果进行同态比对,确定验证结果。
3.根据权利要求2所述的方法,其特征在于,所述根据验证结果确定目标检测模型,包括:
获取检测模型的多个验证结果;
根据验证结果的通过率,确定目标检测模型。
4.根据权利要求1至3任一项所述的方法,其特征在于,在所述在接收到所述至少一个所述人工智能模型方发送的检测模型后,对所述检测模型进行模型验证,根据验证结果确定目标检测模型之后,还包括:
获取待评价云平台的云平台信息;
将所述云平台信息输入至所述目标检测模型,得到对所述待评价云平台的预测满意度信息。
5.根据权利要求1至3任一项所述的方法,其特征在于,在所述在接收到所述至少一个所述人工智能模型方发送的检测模型后,对所述检测模型进行模型验证,根据验证结果确定目标检测模型之后,还包括:
根据所述云平台使用记录,确定第二待验证数据,其中,所述第二待验证数据包括第二待输入数据和第二待验证结果;
在所述第二待输入数据中剔除验证项数据,得到第三待输入数据;
将所述第三待输入数据输入至所述检测模型进行预测,得到第二预测结果;
将所述第二预测结果与所述第二待验证结果进行同态比对,根据比对结果确定所述验证项数据对云平台满意度的影响程度。
6.根据权利要求1至3任一项所述的方法,其特征在于,所述检测模型建立发起方为联盟链中的云平台历史使用方或者联盟链中的云平台运营方。
7.根据权利要求6所述的方法,其特征在于,若所述检测模型建立发起方为联盟链中的云平台历史使用方,则在所述根据云服务类型,在联盟链中确定所有满足所述云服务类型的云平台,并获取云平台信息之前,还包括:
在联盟链中上传脱敏处理后的云平台使用日志。
8.根据权利要求6所述的方法,其特征在于,若所述检测模型建立发起方为联盟链中的云平台运营方,则在所述根据云服务类型,在联盟链中确定所有满足所述云服务类型的云平台,并获取云平台信息之前,还包括:
在联盟链中获取云平台使用记录;
对所述云平台使用记录进行正确性校验。
9.一种云平台服务质量检测设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至8任一项所述的云平台服务质量检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1至8任一项所述的云平台服务质量检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310729753.5A CN116743647A (zh) | 2023-06-19 | 2023-06-19 | 云平台服务质量检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310729753.5A CN116743647A (zh) | 2023-06-19 | 2023-06-19 | 云平台服务质量检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116743647A true CN116743647A (zh) | 2023-09-12 |
Family
ID=87916579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310729753.5A Pending CN116743647A (zh) | 2023-06-19 | 2023-06-19 | 云平台服务质量检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116743647A (zh) |
-
2023
- 2023-06-19 CN CN202310729753.5A patent/CN116743647A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101513008B (zh) | 在电信终端上实现安全性的系统 | |
CN109165157B (zh) | 一种测试应用程序的方法及测试平台 | |
CN111160915A (zh) | 一种乘车码验证方法、装置、交通扫码设备及终端设备 | |
CN103716785A (zh) | 一种移动互联网安全服务系统 | |
CN112968892B (zh) | 信息的验证方法、装置、计算设备和介质 | |
Kim et al. | Threat scenario‐based security risk analysis using use case modeling in information systems | |
CN109029573A (zh) | 一种管道巡检方法及系统 | |
CN109002733A (zh) | 一种对设备进行可信性评价的方法及装置 | |
CN109818972A (zh) | 一种工业控制系统信息安全管理方法、装置及电子设备 | |
CN111367993A (zh) | 基于端对端的数据服务方法及装置 | |
CN108540335A (zh) | 设备分析报告的管理方法及管理装置 | |
CN117151736A (zh) | 反电诈管理预警方法及系统 | |
CN109426961A (zh) | 一种绑卡风险控制方法及装置 | |
CN110378120A (zh) | 应用程序接口攻击检测方法、装置以及可读存储介质 | |
CN115906140A (zh) | 招投标数据处理方法、装置、设备及存储介质 | |
CN113904828B (zh) | 接口的敏感信息检测方法、装置、设备、介质和程序产品 | |
CN116743647A (zh) | 云平台服务质量检测方法、装置、设备及存储介质 | |
CN110661866B (zh) | 一种票据处理方法及设备 | |
CN109714371A (zh) | 一种工控网络安全检测系统 | |
CN109933990A (zh) | 基于多模式匹配的安全漏洞发现方法、装置及电子设备 | |
CN110557363A (zh) | 一种身份校验方法、装置及存储介质 | |
CN111639317B (zh) | 自动识别高危授权用户方法、装置、电子设备及存储介质 | |
CN116471327B (zh) | 云资源处理方法、装置、设备及存储介质 | |
CN117764452A (zh) | 评分数据处理方法、装置、设备及存储介质 | |
CN115879135B (zh) | 招投标数据处理方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |