CN116755797A - 参数识别及配置方法、装置、计算机设备及存储介质 - Google Patents
参数识别及配置方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116755797A CN116755797A CN202310721398.7A CN202310721398A CN116755797A CN 116755797 A CN116755797 A CN 116755797A CN 202310721398 A CN202310721398 A CN 202310721398A CN 116755797 A CN116755797 A CN 116755797A
- Authority
- CN
- China
- Prior art keywords
- configuration
- parameter
- category
- parameters
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 239000012634 fragment Substances 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000003062 neural network model Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- G06F9/44505—Configuring for program initiating, e.g. using registry, configuration files
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
- G06F3/0482—Interaction with lists of selectable items, e.g. menus
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Human Computer Interaction (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种参数识别及配置方法、装置、计算机设备及存储介质,涉及分布式系统技术领域,包括:接收终端发送的参数配置请求;若确定根据预置的配置模型能够根据配置类别确定配置参数,则根据配置信息对配置参数进行参数配置操作,得到更新参数;若确定根据配置模型无法根据配置类别确定配置参数,则根据片段位置信息识别配置参数,并根据配置信息对配置参数进行参数配置操作,得到更新参数,并将配置类别录入预置的更新训练队列。本申请提高了配置参数的识别效率和配置效率,避免了当前使用人工手段依次识别配置参数并手动对其进行配置,参数识别效率低下,参数配置操作执行缓慢的情况发生。
Description
技术领域
本申请涉及分布式系统技术领域,尤其涉及一种参数识别及配置方法、装置、计算机设备及存储介质。
背景技术
银行业的分布式系统中的不同业务系统的应用程序的配置参数,大多都是对使用的资源、操作系统环境变量、依赖软件包的设置等,随着计算机软件的发展,基础设施、数据库软件、操作系统、依赖软件包等的发展都走向了统一标准化,因此,虽然应用程序中使用的配置参数的具体文本不同,但它们表达的含义、实际指向的资源设置是同一的、具有相似性的。
然而,发明人发现,当前对分布式系统的参数配置操作,仍然采用人工手段依次识别配置参数并手动对其进行配置,导致参数识别效率低下,参数配置操作执行缓慢。
发明内容
本申请提供一种参数识别及配置方法、装置、计算机设备及存储介质,用以解决当前对分布式系统的参数配置操作,仍然采用人工手段依次识别配置参数并手动对其进行配置,导致参数识别效率低下,参数配置操作执行缓慢的问题。
第一方面,本申请提供一种参数识别及配置方法,包括:
接收终端发送的参数配置请求;其中,所述参数配置请求用于指示在至少一个业务系统中对至少一个配置对象进行参数配置操作;所述参数配置请求包括配置类别和配置信息,所述配置类别表征所述配置对象中代码片段的类型,所述配置信息表征对所述配置对象中的代码片段进行参数配置操作的内容,所述配置对象是所述业务系统中用于实现指定任务的计算机模块;
若确定根据预置的配置模型能够根据配置类别确定配置参数,则根据所述配置信息对所述配置参数进行参数配置操作,得到更新参数;其中,所述配置参数是指所述配置对象中记载有所述配置类别的代码片段;所述更新参数是经过参数配置操作的配置参数;
若确定根据所述配置模型无法根据配置类别确定配置参数,则根据片段位置信息识别配置参数,并根据所述配置信息对所述配置参数进行参数配置操作,得到更新参数,并将所述配置类别录入预置的更新训练队列;其中,所述片段位置信息用于指示用于进行参数配置操作的代码片段的位置。
上述方案中,接收终端发送的参数配置请求,包括:
向所述终端发送输入页面;其中,所述输入页面中具有用于输入配置类别的类别输入框,和/或用于选择配置类别的类别选择框;所述输入页面中还具有用于输入配置信息的信息输入框,和/或用于选择配置信息的信息选择框;
接收所述终端在所述类别输入框中输入的配置类别,或在所述类别选择框中选择的配置类别;
接收所述终端在所述信息输入框中输入的配置信息,或在所述信息选择框中选择的配置信息;
汇总所述配置类别和所述配置信息得到所述参数配置请求。
上述方案中,若确定根据预置的配置模型能够根据配置类别确定配置参数,则根据所述配置信息对所述配置参数进行参数配置操作,得到更新参数,包括:
若所述配置模型的类别列表中具有所述配置类别,则确定所述配置模型能够根据所述配置类别确定配置参数;其中,所述类别列表中记载有至少一个配置类别;
调用所述配置模型对所述配置类别进行运算,得到每一业务系统的每一参数对象中与所述配置类别对应的配置参数;
识别所述配置参数中与所述配置信息对应的配置目标,将所述配置目标替换为所述配置信息,使所述配置参数转为更新参数;
其中,配置目标是与所述配置信息具有同一元数据或信息标识。
上述方案中,若确定根据所述配置模型无法根据配置类别确定配置参数,则根据片段位置信息识别配置参数,并根据所述配置信息对所述配置参数进行参数配置操作,包括:
若所述配置模型的类别列表中不具有所述配置类别,则确定所述配置模型无法根据所述配置类别确定配置参数;其中,所述类别列表中记载有至少一个配置类别;
向所述终端发送定位响应信息;其中,所述定位响应信息表征所述配置模型无法根据配置类别确定配置参数,并用于指示所述终端发送片段位置信息;
接收所述终端根据所述定位响应信息发送的片段位置信息,根据所述片段位置信息识别配置参数;
识别所述配置参数中与所述配置信息对应的配置目标,将所述配置目标替换为所述配置信息,使所述配置参数转为更新参数;其中,配置目标是所述配置参数中的参数的元数据或参数标识。
上述方案中,接收终端发送的参数配置请求之前,所述方法还包括:
获取配置类别和配置参数;
根据所述配置类别和所述配置参数对预置的神经网络模型进行训练,得到配置模型;其中,所述配置模型用于根据配置类别确定配置参数;
汇总用于训练所述神经网络模型的配置类别形成类别列表。
上述方案中,获取配置类别和配置参数,包括:
从至少一个业务系统中识别至少一个配置对象;
对每一所述配置对象进行特征提取处理,得到与每一所述配置对象对应的至少一个配置参数;其中,所述特征提取处理用于从所述配置对象中提取能够被配置的代码片段;
对至少一个所述配置参数进行聚类运算,得到至少一个具有簇类别的聚类簇;其中,所述簇类别用于描述聚类簇中配置参数的共同特征;
将所述聚类簇的簇类别,设为所述聚类簇中的配置参数的配置类别。
上述方案中,将所述聚类簇的簇类别,设为所述聚类簇中的配置参数的配置类别,包括:
提取第一簇中的至少一个配置参数,并汇总形成聚类集合;其中,所述第一簇是至少一个所述聚类簇中的一个;
对所述聚类集合中的每一配置参数进行分词处理,得到每一配置参数对应的配置集合,所述配置集合中具有至少一个字符串;
将所述第一簇中与所述第一簇的中心点最近的配置参数设为目标参数,将所述目标参数对应的配置集合设为第一集合;
若确定第二集合与所述第一集合之间一致的字符串的数量超过预置的字符阈值,则将所述第二集合对应的配置参数的配置类别,设为所述第一簇的簇类别;其中,所述第二集合是所述聚类集合中除所述第一集合外的任一配置集合。
上述方案中,将所述第一簇中与所述第一簇的中心点最近的配置参数设为目标参数,将所述目标参数对应的配置集合设为第一集合之后,所述方法还包括:
若确定第二集合与所述第一集合之间一致的字符串的数量未超过所述字符阈值,则将所述第二集合对应的配置参数保存至重聚类堆栈中;
对所述重聚类堆栈中的配置参数进行聚类运算,得到至少一个重聚类簇;
提取第二簇中的至少一个配置参数,将所述第二簇的簇类别设为所述配置参数的配置类别;其中,所述第二簇是至少一个重聚类簇中的一个。
上述方案中,获取配置类别和配置参数,包括:
从所述更新训练队列中获取目标类别;其中,所述目标类别是所述更新训练队列中的一个配置类别;
获取所述业务系统的各配置对象中与所述目标类别匹配的配置参数,并将所述目标类别设为所述匹配的配置参数的配置类别。
上述方案中,获取所述业务系统的各配置对象中与所述目标类别匹配的配置参数,包括:
提取所述目标类别中的关键字;其中,所述关键字是用于描述所述目标类别特征的字符或字符串;
将所述业务系统的各配置对象中具有所述关键字的代码片段,设为与所述目标类别匹配的配置参数。
上述方案中,根据所述配置类别和所述配置参数对预置的神经网络模型进行训练,得到配置模型,包括:
将所述配置参数输入到所述神经网络模型的输入层;其中,所述输入层用于将所述配置参数转为所述神经网络模型能够处理的格式;
将所述配置类别输入到所述神经网络模型的输出层;其中,所述输出层是所述神经网络模型最终输出的网络层,所述输出层中的神经元用于表征所述配置类别;
运行所述神经网络模型得到具有中间层的配置模型;其中,所述中间层用于表征所述输入层中的配置参数与所述输出层中的配置类别之间映射关系。
第三方面,本申请提供一种参数识别及配置装置,包括:
输入模块,用于接收终端发送的参数配置请求;其中,所述参数配置请求用于指示在至少一个业务系统中对至少一个配置对象进行参数配置操作;所述参数配置请求包括配置类别和配置信息,所述配置类别表征所述配置对象中代码片段的类型,所述配置信息表征对所述配置对象中的代码片段进行参数配置操作的内容,所述配置对象是所述业务系统中用于实现指定任务的计算机模块;
模型配置模块,用于若确定根据预置的配置模型能够根据配置类别确定配置参数,则根据所述配置信息对所述配置参数进行参数配置操作,得到更新参数;其中,所述配置参数是指所述配置对象中记载有所述配置类别的代码片段;所述更新参数是经过参数配置操作的配置参数;
识别配置模块,用于若确定根据所述配置模型无法根据配置类别确定配置参数,则根据片段位置信息识别配置参数,并根据所述配置信息对所述配置参数进行参数配置操作,得到更新参数,并将所述配置类别录入预置的更新训练队列;其中,所述片段位置信息用于指示用于进行参数配置操作的代码片段的位置。
第三方面,本申请提供一种计算机设备,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现上述的方法。
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,所述计算机执行指令被处理器执行时用于实现上述的方法。
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上述的方法。
本申请提供的一种参数识别及配置方法、装置、计算机设备及存储介质,通过接收终端发送的参数配置请求,参数配置请求定义了配置类型,用以后续识别需要进行参数配置的代码片段;通过配置类型快速获得用于进行参数配置的配置参数,并通过配置信息对配置参数进行参数配置操作,提高了配置参数的识别效率和配置效率,避免了当前使用人工手段依次识别配置参数并手动对其进行配置,参数识别效率低下,参数配置操作执行缓慢的情况发生。
同时,对于无法通过配置模型确定配置参数的场景,可以通过根据终端发送的片段位置信息识别配置参数,再进行参数配置操作,确保了本申请的可用性,避免了因不具有终端输入的配置类别不存在,导致参数配置操作无法执行的情况发生。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请一种参数识别及配置方法的应用场景的结构示意图;
图2为本申请一种参数识别及配置方法的实施例1的流程图;
图3为本申请一种参数识别及配置方法的实施例2的流程图;
图4为本申请一种参数识别及配置方法的实施例3的模块框图;
图5为本发明计算机设备中计算机设备的硬件结构示意图。
通过上述附图,已示出本申请明确的实施例,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申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
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申请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、本申请的一些方面相一致的装置和方法的例子。
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。
需要说明的是,本申请一种参数识别及配置方法、装置、计算机设备及存储介质可用于分布式系统技术领域,也可用于除分布式系统技术领域之外的任意领域,本申请参数识别及配置方法、装置、计算机设备及存储介质的应用领域不做限定。
本申请的具体应用场景是:在银行业的大型集团内,为银行业务提供服务支持的计算机系统,通常是数量较多的计算机系统,它们形成一个庞大群体相互协作,整体提供银行业务的处理。
随着银行业务发展以及计算机技术发展,银行内的计算机系统群体不断被研发产出上线。这些计算机系统的开发人员不同、设计思路不同,会导致这些应用程序的配置参数组织形式会各有不同,没有同一个规范下很容易形成形态各异的配置参数形式。
随着分布式技术的发展,银行业内的计算机系统的架构形式以分布式计算的形式占比增多。而分布式系统的应用程序配置参数内容具有一定的相似性,比如应用程序大多会与数据库系统进行交互、会有相似的前端技术、会有相似的通信协议,这些相似点所用的配置参数也会具有一定的相似性。
但是,相似不意味着完全相同,对于系统群体的运行维护,就会产生重复劳作,在变更某一类具有相似性的配置参数时,维护人员实际的操作步骤并没有办法形成一致,这回导致人力浪费。
在这样一个具有相似性的应用程序配置参数的前提下,通过利用人工智能技术,找出它们的相似点,将相似的点变成统一一致的变更操作动作,从而将变更处理操作自动化,减轻人力负担。
这种同一的、相似性,就可以使用人工智能技术来找出相似点,发现不同的应用程序配置参数中含义一致的地方。将这些一致的地方整合成统一的操作处理,就可以将相似的重复劳作自动化。
请参阅图1,本申请提供运行有参数识别及配置方法的服务器11,服务器11接收终端12发送的参数配置请求;其中,参数配置请求用于指示在至少一个业务系统13中对至少一个配置对象进行参数配置操作;参数配置请求包括配置类别和配置信息,配置类别表征配置对象中代码片段的类型,配置信息表征对配置对象中的代码片段进行参数配置操作的内容,配置对象是业务系统13中用于实现指定任务的计算机模块;
服务器11若确定根据预置的配置模型能够根据配置类别确定配置参数,则根据配置信息对配置参数进行参数配置操作,得到更新参数;其中,配置参数是指配置对象中记载有配置类别的代码片段;更新参数是经过参数配置操作的配置参数;
服务器11若确定根据配置模型无法根据配置类别确定配置参数,则根据片段位置信息识别配置参数,并根据配置信息对配置参数进行参数配置操作,得到更新参数,并将配置类别录入预置的更新训练队列;其中,片段位置信息用于指示用于进行参数配置操作的代码片段的位置。
本申请提供的参数识别及配置方法,通过在理财机构联盟内,客户只要完成一次风险测评,整个联盟链即可共享该客户的风险测评信息。而且应用分布式系统的技术,保证了客户风险测评具有不可篡改的特性,保证了信息的准确性,提高了风险控制的效率。由于采用加密技术,客户信息不易泄露和破解。旨在解决现有技术的如上技术问题。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
实施例1:
请参阅图2,本申请提供一种参数识别及配置方法,包括:
S201:接收终端发送的参数配置请求;其中,参数配置请求用于指示在至少一个业务系统中对至少一个配置对象进行参数配置操作;参数配置请求包括配置类别和配置信息,配置类别表征配置对象中代码片段的类型,配置信息表征对配置对象中的代码片段进行参数配置操作的内容,配置对象是业务系统中用于实现指定任务的计算机模块。
本步骤中,参数配置请求定义了配置类型,用以后续识别需要进行参数配置的代码片段。
示例性地,业务系统包括系统A和系统B;系统A的参数对象包括:应用程序A1和应用程序A2;系统B的参数对象包括:应用程序B1和应用程序B2;
代码片段1是mysql数据库连接设置,代码片段2是JAVA虚拟机启动参数,代码片段3是Linux操作系统环境变量,代码片段4是IPC依赖软件SDK参数配置;应用程序A1、应用程序A2、应用程序B1和应用程序B2分别具有代码片段1、代码片段2、代码片段3、代码片段4中的一个或多个。
在一个优选的实施例中,接收终端发送的参数配置请求,包括:
向终端发送输入页面;其中,输入页面中具有用于输入配置类别的类别输入框,和/或用于选择配置类别的类别选择框;输入页面中还具有用于输入配置信息的信息输入框,和/或用于选择配置信息的信息选择框;
接收终端在类别输入框中输入的配置类别,或在类别选择框中选择的配置类别;
接收终端在信息输入框中输入的配置信息,或在信息选择框中选择的配置信息;
汇总配置类别和配置信息得到参数配置请求。
示例性地,采用InputField输入框组件在终端生成类别输入框和/或信息输入框,InputField输入框组件主要就是为了管理输入内容的组件,可以控制输入的文本的长度,类型显示等。
采用Dropdown下拉菜单在终端中生成类别选择框和/或信息选择框,该选择框中记载有至少一个配置类别,信息选择框中记载有至少一个配置信息。Dropdown(下拉菜单)是界面设计中的常用控件,它可以用下拉列表展示多个内容标签,用户能从预定的列表中选择一项或多项。
S202:若确定根据预置的配置模型能够根据配置类别确定配置参数,则根据配置信息对配置参数进行参数配置操作,得到更新参数;其中,配置参数是指配置对象中记载有配置类别的代码片段;更新参数是经过参数配置操作的配置参数。
本步骤中,通过配置类型快速获得用于进行参数配置的配置参数,并通过配置信息对配置参数进行参数配置操作,提高了配置参数的识别效率和配置效率,避免了当前使用人工手段依次识别配置参数并手动对其进行配置,参数识别效率低下,参数配置操作执行缓慢的情况发生。
在一个优选的实施例中,若确定根据预置的配置模型能够根据配置类别确定配置参数,则根据配置信息对配置参数进行参数配置操作,得到更新参数,包括:
若配置模型的类别列表中具有配置类别,则确定配置模型能够根据配置类别确定配置参数;其中,类别列表中记载有至少一个配置类别;
调用配置模型对配置类别进行运算,得到每一业务系统的每一参数对象中与配置类别对应的配置参数;
识别配置参数中与配置信息对应的配置目标,将配置目标替换为配置信息,使配置参数转为更新参数;
其中,配置目标是与配置信息具有同一元数据或信息标识。
示例性地,假设系统A的应用程序A1中具有代码片段1和代码片段2。
系统A的应用程序A2中具有代码片段2和代码片段3。
系统B的应用程序B1中具有代码片段3和代码片段4。
系统B的应用程序B2中具有代码片段4和代码片段1。
如果配置模型中的配置类别包括类别A和类别B,类别A对应的配置参数包括:代码片段1和代码片段2;类别B对应的配置参数包括:代码片段3和代码片段4。
如果配置类型为类型A,通过配置模型获得的配置参数包括:系统A的应用程序A1中的代码片段1和代码片段2;系统A的应用程序A2中的代码片段2;系统B的应用程序B2中的代码片段1。
代码片段1是mysql数据库连接设置,代码片段1中的元数据或信息标识包括IP和端口号。
代码片段2是JAVA虚拟机启动参数,代码片段2中的元数据或信息标识包括堆内存数量和入口函数名。
代码片段3是Linux操作系统环境变量,代码片段3的元数据或信息标识包括文件描述符最大值和临时文件路径。
代码片段4是IPC依赖软件SDK参数配置,代码片段4的元数据或信息标识包括协议设置和加密算法选择。
假设配置信息中包括:IP:0002;入口函数名:M2;
那么,将系统A的应用程序A1中的代码片段1,和系统B的应用程序B2中的代码片段1中的IP对应的数据(例如:0001)设为配置目标,并将0001替换成0002。
以及将系统A的应用程序A1中的代码片段2,和系统A的应用程序A2中的代码片段2中的入口函数名对应的数据(例如:M1)设为配置目标,并将M1替换成M2。
S203:若确定根据配置模型无法根据配置类别确定配置参数,则根据片段位置信息识别配置参数,并根据配置信息对配置参数进行参数配置操作,得到更新参数,并将配置类别录入预置的更新训练队列;其中,片段位置信息用于指示用于进行参数配置操作的代码片段的位置。
本步骤中,对于无法通过配置模型确定配置参数的场景,可以通过根据终端发送的片段位置信息识别配置参数,再进行参数配置操作,确保了本申请的可用性,避免了因不具有终端输入的配置类别不存在,导致参数配置操作无法执行的情况发生。
在一个优选的实施例中,若确定根据配置模型无法根据配置类别确定配置参数,则根据片段位置信息识别配置参数,并根据配置信息对配置参数进行参数配置操作,包括:
若配置模型的类别列表中不具有配置类别,则确定配置模型无法根据配置类别确定配置参数;其中,类别列表中记载有至少一个配置类别;
向终端发送定位响应信息;其中,定位响应信息表征配置模型无法根据配置类别确定配置参数,并用于指示终端发送片段位置信息;
接收终端根据定位响应信息发送的片段位置信息,根据片段位置信息识别配置参数;
识别配置参数中与配置信息对应的配置目标,将配置目标替换为配置信息,使配置参数转为更新参数;其中,配置目标是配置参数中的参数的元数据或参数标识。
示例性地,定位响应信息是根据参数配置请求生成的响应报文,片段位置信息表征了终端需要执行参数配置操作的配置参数所在的位置,片段位置信息包括:业务系统名称,参数对象名称和代码片段名称,例如:系统A-应用程序A1-代码片段1。
实施例2:
请参阅图3,本申请提供一种参数识别及配置方法,包括:
S301:获取配置类别和配置参数。
本步骤中,通过获取配置类别和配置参数,以作为用于进行模型训练的训练样本。
在一个优选的实施例中,获取配置类别和配置参数,包括:
从至少一个业务系统中识别至少一个配置对象;
对每一配置对象进行特征提取处理,得到与每一配置对象对应的至少一个配置参数;其中,特征提取处理用于从配置对象中提取能够被配置的代码片段;
对至少一个配置参数进行聚类运算,得到至少一个具有簇类别的聚类簇;其中,簇类别用于描述聚类簇中配置参数的共同特征;
将聚类簇的簇类别,设为聚类簇中的配置参数的配置类别。
示例性地,基于实施例2中的举例,从系统A和系统B中识别到的配置对象包括:应用程序A1、应用程序A2、应用程序B1和应用程序B2。
通过预置的自然语言模型对识别到的配置对象进行文本分类特征提取,以识别出配置对象中作为配置参数的代码片段,文本分类特征提取是基于词频、词性、句法结构、情感分析等特征,以捕捉文本或代码中具有指定属性(例如:配置属性、定义属性、分割属性等)的信息。
因此,将获得代码片段1、代码片段2、代码片段3和代码片段4。
采用聚类算法对代码片段1、代码片段2、代码片段3和代码片段4进行聚类运算,得到簇类别-类别A对应代码片段1和代码片段2,簇类别-类别B对应代码片段3和代码片段4。
其中,代码片段1在聚类算法中的聚类点的特征值,是基于代码片段1中的元数据或信息标识(IP和端口号)进行向量运算所获得的向量值。
代码片段2在聚类算法中的聚类点的特征值,是基于代码片段2中的元数据或信息标识(堆内存数量和入口函数名)进行向量运算所获得的向量值。
代码片段3在聚类算法中的聚类点的特征值,是基于代码片段3的元数据或信息标识(文件描述符最大值和临时文件路径)进行向量运算所获得的向量值。
代码片段4在聚类算法中的聚类点的特征值,是基于代码片段4的元数据或信息标识(协议设置和加密算法选择)进行向量运算所获得的向量值。
聚类(Clustering)是按照某个特定标准(如距离)把一个数据集分割成不同的类或簇,使得同一个簇内的数据对象的相似性尽可能大,同时不在同一个簇中的数据对象的差异性也尽可能地大。于本实施例中,可采用K-Means(K均值)聚类算法、或均值漂移聚类算法、或基于密度的聚类算法进行聚类运算。
进一步地,可采用One-Hot独热编码或词袋模型进行向量运算,得到向量值。
可选的,将聚类簇的簇类别,设为聚类簇中的配置参数的配置类别,包括:
提取第一簇中的至少一个配置参数,并汇总形成聚类集合;其中,第一簇是至少一个聚类簇中的一个;
对聚类集合中的每一配置参数进行分词处理,得到每一配置参数对应的配置集合,配置集合中具有至少一个字符串;
将第一簇中与第一簇的中心点最近的配置参数设为目标参数,将目标参数对应的配置集合设为第一集合;
若确定第二集合与第一集合之间一致的字符串的数量超过预置的字符阈值,则将第二集合对应的配置参数的配置类别,设为第一簇的簇类别;其中,第二集合是聚类集合中除第一集合外的任一配置集合。
示例性地,采用自然语言模型对配置参数进行分词处理得到具有至少一个字符串的配置集合,由于聚类集合中有些配置参数会远离簇中心,如果将该配置参数的配置类别直接设为该簇的簇类别,将会对导致配置参数的配置类别设置不准确,因此,通过设置字符阈值,并通过一致的字符串数量是否超过字符阈值的方式,比对第一集合和第二集合,进而确保属于同一配置类别的配置参数之间的相似度处于较高的程度。
进一步地,将第一簇中与第一簇的中心点最近的配置参数设为目标参数,将目标参数对应的配置集合设为第一集合之后,方法还包括:
若确定第二集合与第一集合之间一致的字符串的数量未超过字符阈值,则将第二集合对应的配置参数保存至重聚类堆栈中;
对重聚类堆栈中的配置参数进行聚类运算,得到至少一个重聚类簇;
提取第二簇中的至少一个配置参数,将第二簇的簇类别设为配置参数的配置类别;其中,第二簇是至少一个重聚类簇中的一个。
示例性地,通过若确定第二集合与第一集合之间一致的字符串的数量未超过字符阈值,则将第二集合对应的配置参数保存至重聚类堆栈中;实现将提取出聚类簇中与目标片段差别较大的聚类点,并将其保存到重聚类堆栈中。
通过对重聚类堆栈中的配置参数再次进行聚类运算,得到重聚类簇,并将各重聚类簇的簇类别设为重聚类簇中各配置参数的配置类别,进一步地确保属于同一配置类别的配置参数之间的相似度处于较高的程度。
在另一个优选的实施例中,获取配置类别和配置参数,包括:
从更新训练队列中获取目标类别;其中,目标类别是更新训练队列中的一个配置类别;
获取业务系统的各配置对象中与目标类别匹配的配置参数,并将目标类别设为匹配的配置参数的配置类别。
示例性地,如果配置模型遇到了新的配置类别,而无法根据该配置类别识别配置片段,则基于该配置类别对配置模型进行训练,得到能够根据该新增的配置类别进行配置参数识别的配置模型。
进一步地,获取业务系统的各配置对象中与目标类别匹配的配置参数,包括:
提取目标类别中的关键字;其中,关键字是用于描述目标类别特征的字符或字符串;
将业务系统的各配置对象中具有关键字的代码片段,设为与目标类别匹配的配置参数。
示例性地,通过基于关键字识别具有该关键字的代码片段,即:将出现的关键字的数量达到关键阈值的代码片段,作为目标类别匹配的配置参数。
S302:根据配置类别和配置参数对预置的神经网络模型进行训练,得到配置模型;其中,配置模型用于根据配置类别确定配置参数。
本步骤中,采用前馈神经网络、或反馈神经网络、或卷积神经网路、或残差网络作为神经网络模型,以配置类别为输出数据,以配置参数为输入数据对神经网络模型进行训练,得到配置模型。
在一个优选的实施例中,根据配置类别和配置参数对预置的神经网络模型进行训练,得到配置模型,包括:
将配置参数输入到神经网络模型的输入层;其中,输入层用于将配置参数转为神经网络模型能够处理的格式;
将配置类别输入到神经网络模型的输出层;其中,输出层是神经网络模型最终输出的网络层,输出层中的神经元用于表征配置类别;
运行神经网络模型得到具有中间层的配置模型;其中,中间层用于表征输入层中的配置参数与输出层中的配置类别之间映射关系。
可选的,如果获取的配置类型是从更新训练队列中获得的,那么将从更新训练队列中获得的配置类别对应的配置参数输入到配置模型的输入层;其中,输入层用于将配置参数转为神经网络模型能够处理的格式。
将与更新训练队列中的配置类别输入到配置模型的输出层;其中,输出层是神经网络模型最终输出的网络层,输出层中的神经元用于表征配置类别。
运行配置模型得到具有中间层的配置模型;其中,中间层用于表征输入层中的配置参数与输出层中的配置类别之间映射关系。
S303:汇总用于训练神经网络模型的配置类别形成类别列表。
本步骤中,类别列表可为excel表格。
S304:接收终端发送的参数配置请求;其中,参数配置请求用于指示在至少一个业务系统中对至少一个配置对象进行参数配置操作;参数配置请求包括配置类别和配置信息,配置类别表征配置对象中代码片段的类型,配置信息表征对配置对象中的代码片段进行参数配置操作的内容,配置对象是业务系统中用于实现指定任务的计算机模块。
本步骤与实施例1中的S201一致,故在此不做赘述。
S305:若确定根据预置的配置模型能够根据配置类别确定配置参数,则根据配置信息对配置参数进行参数配置操作,得到更新参数;其中,配置参数是指配置对象中记载有配置类别的代码片段;更新参数是经过参数配置操作的配置参数。
本步骤与实施例1中的S202一致,故在此不做赘述。
S306:若确定根据配置模型无法根据配置类别确定配置参数,则根据片段位置信息识别配置参数,并根据配置信息对配置参数进行参数配置操作,得到更新参数,并将配置类别录入预置的更新训练队列;其中,片段位置信息用于指示用于进行参数配置操作的代码片段的位置。
本步骤与实施例1中的S203一致,故在此不做赘述。
实施例3:
请参阅图4,本申请提供一种参数识别及配置装置4,包括:
输入模块44,用于接收终端发送的参数配置请求;其中,参数配置请求用于指示在业务系统中对至少一个配置对象进行参数配置操作;参数配置请求包括配置类别和配置信息,配置类别表征配置对象中代码片段的类型,配置信息表征对配置对象中的代码片段进行参数配置操作的内容,配置对象是业务系统中用于实现指定任务的计算机模块;
模型配置模块45,用于若确定根据预置的配置模型能够根据配置类别确定配置参数,则根据配置信息对配置参数进行参数配置操作,得到更新参数;其中,配置参数是指配置对象中记载有配置类别的代码片段;更新参数是经过参数配置操作的配置参数;
识别配置模块46,用于若确定根据配置模型无法根据配置类别确定配置参数,则根据片段位置信息识别配置参数,并根据配置信息对配置参数进行参数配置操作,得到更新参数,并将配置类别录入预置的更新训练队列;其中,片段位置信息用于指示用于进行参数配置操作的代码片段的位置。
可选的,参数识别及配置装置4,还包括:
训练输入模块41,用于获取配置类别和配置参数。
模型训练模块42,用于根据配置类别和配置参数对预置的神经网络模型进行训练,得到配置模型;其中,配置模型用于根据配置类别确定配置参数。
列表汇总模块43,用于汇总用于训练神经网络模型的配置类别形成类别列表。
实施例4:
图5是根据一示例性实施例示出的一种计算机设备的框图,该计算机设备5可以是信息管理系统1中的控制电路,该控制电路是指信息管理系统中的一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行参数识别及配置方法。
具体地,计算机设备5,包括:处理器52以及与处理器52通信连接的存储器51;存储器存储计算机执行指令;
处理器执行存储器51存储的计算机执行指令,以实现上述的参数识别及配置方法,其中,参数识别及配置装置的组成部分可分散于不同的计算机设备中,计算机设备5可以是执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器,或者多个应用服务器所组成的服务器集群)等。本实施例的计算机设备至少包括但不限于:可通过系统总线相互通信连接的存储器51、处理器52,如图5所示。需要指出的是,图5仅示出了具有组件-的计算机设备,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。本实施例中,存储器51(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器51可以是计算机设备的内部存储单元,例如该计算机设备的硬盘或内存。在另一些实施例中,存储器51也可以是计算机设备的外部存储设备,例如该计算机设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,存储器51还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中,存储器51通常用于存储安装于计算机设备的操作系统和各类应用软件,例如实施例三的参数识别及配置装置的程序代码等。此外,存储器51还可以用于暂时地存储已经输出或者将要输出的各类数据。处理器52在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器52通常用于控制计算机设备的总体操作。本实施例中,处理器52用于运行存储器51中存储的程序代码或者处理数据,例如运行参数识别及配置装置,以实现上述实施例的参数识别及配置方法。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器执行本申请各个实施例方法的部分步骤。应理解,上述处理器可以是中央处理单元(Central Processing Unit,简称CPU),还可以是其它通用处理器、数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合申请所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
为实现上述目的,本申请还提供一种计算机可读存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等,其上存储有计算机执行指令,程序被处理器52执行时实现相应功能。本实施例的计算机可读存储介质用于存储实现参数识别及配置方法的计算机执行指令,被处理器52执行时实现上述实施例的参数识别及配置方法。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits,简称ASIC)中。当然,处理器和存储介质也可以作为分立组件存在于计算机设备或主控设备中。
本申请提供一种计算机程序产品,包括计算机程序,计算机程序被处理器执行时实现上述的参数识别及配置方法。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、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申请的一般性原理并包括本申请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,本申请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,本申请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。本申请的范围仅由所附的权利要求书来限制。
Claims (14)
1.一种参数识别及配置方法,其特征在于,包括:
接收终端发送的参数配置请求;其中,所述参数配置请求用于指示在至少一个业务系统中对至少一个配置对象进行参数配置操作;所述参数配置请求包括配置类别和配置信息,所述配置类别表征所述配置对象中代码片段的类型,所述配置信息表征对所述配置对象中的代码片段进行参数配置操作的内容,所述配置对象是所述业务系统中用于实现指定任务的计算机模块;
若确定根据预置的配置模型能够根据配置类别确定配置参数,则根据所述配置信息对所述配置参数进行参数配置操作,得到更新参数;其中,所述配置参数是指所述配置对象中记载有所述配置类别的代码片段;所述更新参数是经过参数配置操作的配置参数;
若确定根据所述配置模型无法根据配置类别确定配置参数,则根据片段位置信息识别配置参数,并根据所述配置信息对所述配置参数进行参数配置操作,得到更新参数,并将所述配置类别录入预置的更新训练队列;其中,所述片段位置信息用于指示用于进行参数配置操作的代码片段的位置。
2.根据权利要求1所述的参数识别及配置方法,其特征在于,接收终端发送的参数配置请求,包括:
向所述终端发送输入页面;其中,所述输入页面中具有用于输入配置类别的类别输入框,和/或用于选择配置类别的类别选择框;所述输入页面中还具有用于输入配置信息的信息输入框,和/或用于选择配置信息的信息选择框;
接收所述终端在所述类别输入框中输入的配置类别,或在所述类别选择框中选择的配置类别;
接收所述终端在所述信息输入框中输入的配置信息,或在所述信息选择框中选择的配置信息;
汇总所述配置类别和所述配置信息得到所述参数配置请求。
3.根据权利要求1所述的参数识别及配置方法,其特征在于,若确定根据预置的配置模型能够根据配置类别确定配置参数,则根据所述配置信息对所述配置参数进行参数配置操作,得到更新参数,包括:
若所述配置模型的类别列表中具有所述配置类别,则确定所述配置模型能够根据所述配置类别确定配置参数;其中,所述类别列表中记载有至少一个配置类别;
调用所述配置模型对所述配置类别进行运算,得到每一业务系统的每一参数对象中与所述配置类别对应的配置参数;
识别所述配置参数中与所述配置信息对应的配置目标,将所述配置目标替换为所述配置信息,使所述配置参数转为更新参数;
其中,配置目标是与所述配置信息具有同一元数据或信息标识。
4.根据权利要求1所述的参数识别及配置方法,其特征在于,若确定根据所述配置模型无法根据配置类别确定配置参数,则根据片段位置信息识别配置参数,并根据所述配置信息对所述配置参数进行参数配置操作,包括:
若所述配置模型的类别列表中不具有所述配置类别,则确定所述配置模型无法根据所述配置类别确定配置参数;其中,所述类别列表中记载有至少一个配置类别;
向所述终端发送定位响应信息;其中,所述定位响应信息表征所述配置模型无法根据配置类别确定配置参数,并用于指示所述终端发送片段位置信息;
接收所述终端根据所述定位响应信息发送的片段位置信息,根据所述片段位置信息识别配置参数;
识别所述配置参数中与所述配置信息对应的配置目标,将所述配置目标替换为所述配置信息,使所述配置参数转为更新参数;其中,配置目标是所述配置参数中的参数的元数据或参数标识。
5.根据权利要求1所述的参数识别及配置方法,其特征在于,接收终端发送的参数配置请求之前,所述方法还包括:
获取配置类别和配置参数;
根据所述配置类别和所述配置参数对预置的神经网络模型进行训练,得到配置模型;其中,所述配置模型用于根据配置类别确定配置参数;
汇总用于训练所述神经网络模型的配置类别形成类别列表。
6.根据权利要求5所述的参数识别及配置方法,其特征在于,获取配置类别和配置参数,包括:
从至少一个业务系统中识别至少一个配置对象;
对每一所述配置对象进行特征提取处理,得到与每一所述配置对象对应的至少一个配置参数;其中,所述特征提取处理用于从所述配置对象中提取能够被配置的代码片段;
对至少一个所述配置参数进行聚类运算,得到至少一个具有簇类别的聚类簇;其中,所述簇类别用于描述聚类簇中配置参数的共同特征;
将所述聚类簇的簇类别,设为所述聚类簇中的配置参数的配置类别。
7.根据权利要求6所述的参数识别及配置方法,其特征在于,将所述聚类簇的簇类别,设为所述聚类簇中的配置参数的配置类别,包括:
提取第一簇中的至少一个配置参数,并汇总形成聚类集合;其中,所述第一簇是至少一个所述聚类簇中的一个;
对所述聚类集合中的每一配置参数进行分词处理,得到每一配置参数对应的配置集合,所述配置集合中具有至少一个字符串;
将所述第一簇中与所述第一簇的中心点最近的配置参数设为目标参数,将所述目标参数对应的配置集合设为第一集合;
若确定第二集合与所述第一集合之间一致的字符串的数量超过预置的字符阈值,则将所述第二集合对应的配置参数的配置类别,设为所述第一簇的簇类别;其中,所述第二集合是所述聚类集合中除所述第一集合外的任一配置集合。
8.根据权利要求7所述的参数识别及配置方法,其特征在于,将所述第一簇中与所述第一簇的中心点最近的配置参数设为目标参数,将所述目标参数对应的配置集合设为第一集合之后,所述方法还包括:
若确定第二集合与所述第一集合之间一致的字符串的数量未超过所述字符阈值,则将所述第二集合对应的配置参数保存至重聚类堆栈中;
对所述重聚类堆栈中的配置参数进行聚类运算,得到至少一个重聚类簇;
提取第二簇中的至少一个配置参数,将所述第二簇的簇类别设为所述配置参数的配置类别;其中,所述第二簇是至少一个重聚类簇中的一个。
9.根据权利要求5所述的参数识别及配置方法,其特征在于,获取配置类别和配置参数,包括:
从所述更新训练队列中获取目标类别;其中,所述目标类别是所述更新训练队列中的一个配置类别;
获取所述业务系统的各配置对象中与所述目标类别匹配的配置参数,并将所述目标类别设为所述匹配的配置参数的配置类别。
10.根据权利要求9所述的参数识别及配置方法,其特征在于,获取所述业务系统的各配置对象中与所述目标类别匹配的配置参数,包括:
提取所述目标类别中的关键字;其中,所述关键字是用于描述所述目标类别特征的字符或字符串;
将所述业务系统的各配置对象中具有所述关键字的代码片段,设为与所述目标类别匹配的配置参数。
11.根据权利要求5所述的参数识别及配置方法,其特征在于,根据所述配置类别和所述配置参数对预置的神经网络模型进行训练,得到配置模型,包括:
将所述配置参数输入到所述神经网络模型的输入层;其中,所述输入层用于将所述配置参数转为所述神经网络模型能够处理的格式;
将所述配置类别输入到所述神经网络模型的输出层;其中,所述输出层是所述神经网络模型最终输出的网络层,所述输出层中的神经元用于表征所述配置类别;
运行所述神经网络模型得到具有中间层的配置模型;其中,所述中间层用于表征所述输入层中的配置参数与所述输出层中的配置类别之间映射关系。
12.一种参数识别及配置装置,其特征在于,包括:
输入模块,用于接收终端发送的参数配置请求;其中,所述参数配置请求用于指示在至少一个业务系统中对至少一个配置对象进行参数配置操作;所述参数配置请求包括配置类别和配置信息,所述配置类别表征所述配置对象中代码片段的类型,所述配置信息表征对所述配置对象中的代码片段进行参数配置操作的内容,所述配置对象是所述业务系统中用于实现指定任务的计算机模块;
模型配置模块,用于若确定根据预置的配置模型能够根据配置类别确定配置参数,则根据所述配置信息对所述配置参数进行参数配置操作,得到更新参数;其中,所述配置参数是指所述配置对象中记载有所述配置类别的代码片段;所述更新参数是经过参数配置操作的配置参数;
识别配置模块,用于若确定根据所述配置模型无法根据配置类别确定配置参数,则根据片段位置信息识别配置参数,并根据所述配置信息对所述配置参数进行参数配置操作,得到更新参数,并将所述配置类别录入预置的更新训练队列;其中,所述片段位置信息用于指示用于进行参数配置操作的代码片段的位置。
13.一种计算机设备,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1至11任一项所述的方法。
14.一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11任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310721398.7A CN116755797A (zh) | 2023-06-16 | 2023-06-16 | 参数识别及配置方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310721398.7A CN116755797A (zh) | 2023-06-16 | 2023-06-16 | 参数识别及配置方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116755797A true CN116755797A (zh) | 2023-09-15 |
Family
ID=87950954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310721398.7A Pending CN116755797A (zh) | 2023-06-16 | 2023-06-16 | 参数识别及配置方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116755797A (zh) |
-
2023
- 2023-06-16 CN CN202310721398.7A patent/CN116755797A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110674360B (zh) | 一种用于数据的溯源方法和系统 | |
US11093774B2 (en) | Optical character recognition error correction model | |
CN112613917A (zh) | 基于用户画像的信息推送方法、装置、设备及存储介质 | |
CN107862425B (zh) | 风控数据采集方法、设备、系统及可读存储介质 | |
CN112559526A (zh) | 数据表导出方法、装置、计算机设备及存储介质 | |
CN112966304B (zh) | 流程文档的防篡改方法、装置、计算机设备及介质 | |
CN113535677B (zh) | 数据分析查询管理方法、装置、计算机设备及存储介质 | |
CN114386853A (zh) | 基于通用审核模型的数据审核处理方法、装置及设备 | |
CN116069838A (zh) | 一种数据处理方法、装置、计算机设备及存储介质 | |
CN116450723A (zh) | 数据提取方法、装置、计算机设备及存储介质 | |
CN116362216A (zh) | 表单数据处理的方法、装置、电子设备和存储介质 | |
CN116360769A (zh) | 代码生成方法、装置、设备及存储介质 | |
CN116755797A (zh) | 参数识别及配置方法、装置、计算机设备及存储介质 | |
CN114637672A (zh) | 自动化数据测试方法、装置、计算机设备及存储介质 | |
CN113901817A (zh) | 文档分类方法、装置、计算机设备和存储介质 | |
CN114492413B (zh) | 文本校对方法、装置和电子设备 | |
CN115526731A (zh) | 任务批处理方法、装置、计算机设备及存储介质 | |
CN114879938A (zh) | 一种分类需求文档的方法、装置、计算机设备及存储介质 | |
CN112581087A (zh) | 一种采购与资产信息一体化管理溯源的方法、系统和存储设备 | |
CN114996242A (zh) | 一种数据处理方法及装置 | |
CN116796133A (zh) | 数据分析方法、装置、计算机设备及存储介质 | |
CN116069847A (zh) | 基于人工智能的数据访问管控方法及相关设备 | |
CN117235260A (zh) | 基于人工智能的文本标注方法、装置、设备及存储介质 | |
CN117113400A (zh) | 一种数据泄露溯源方法、装置、设备及其存储介质 | |
CN117788051A (zh) | 基于人工智能的客户偏好分析方法、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 |