CN116974949B - 基于多模态生成式ai的技术运维机器人控制方法及系统 - Google Patents

Abstract

本发明公开了基于多模态生成式AI的技术运维机器人控制方法及系统，涉及计算机技术领域，其技术方案要点是：根据所触发的服务项目生成相应的业务逻辑图；从操作命令集中筛选出不符合业务逻辑图中时序逻辑的操作命令作为故障命令；依据故障命令在业务逻辑图中的位置生成关联的常规执行命令集；对故障命令中的问题代码进行定位后得到定位位置；依据各个常规执行命令控制服务项目的响应结果对问题代码进行修正，并生成针对问题代码修正后的修正代码进行测试的测试用例；根据测试用例对修正代码进行系统功能测试，完成基于多模态生成式AI的全周期运维控制。本发明可以针对业务系统中不同的服务项目自适应的完成整个运维操作流程。

Description

基于多模态生成式AI的技术运维机器人控制方法及系统

技术领域

本发明涉及计算机技术领域，更具体地说，它涉及基于多模态生成式AI的技术运维机器人控制方法及系统。

背景技术

随着软件型公司的业务不断深入发展，各种业务系统在全国各地部署量逐步增大，使用客户群体数量日益上升，在各种生产环境中所遇到的运维问题层出不穷。同样也存在客户对系统的业务执行步骤不熟悉，运维人员岗位流动性大，技术培训滞后，业务知识匮乏、经验不足，开发人员对当前系统代码熟悉程度不高等情况。

为此，现有业务系统在实际应用过程中存在以下缺陷：第一在业务层无法及时解决客户在是生产环境下使用系统的一些紧急问题，导致使用体验感下降，客群关系维护困难。第二，在数据层面，技术运维无法及时掌握对该系统的数据库结构及查询逻辑，从而较大依赖开发人员排查，造成时间占用。第三，在编码层面，对于该系统未深入了解的开发人员无法快速排查问题，以及解决问题。虽然目前许多软件都使用了智能应答机器人但提供的方向较为单一，处理的问题较为局限。

因此，如何研究设计一种能够克服上述缺陷的基于多模态生成式AI的技术运维机器人控制方法及系统是我们目前急需解决的问题。

发明内容

为解决现有技术中的不足，本发明的目的是提供基于多模态生成式AI的技术运维机器人控制方法及系统，可以针对业务系统中不同的服务项目自适应的完成整个运维操作流程，相比于传统的多人协调维护，可以防止简单问题的扩散、流转，从而降低人员协同的人次，降低人员排查的时间，降低企业的运维成本，提高服务质量。

本发明的上述技术目的是通过以下技术方案得以实现的：

第一方面，提供了基于多模态生成式AI的技术运维机器人控制方法，包括以下步骤：

根据所触发的服务项目生成相应的业务逻辑图；

将用户侧控制服务项目的操作命令集与业务逻辑图进行逻辑匹配，从操作命令集中筛选出不符合业务逻辑图中时序逻辑的操作命令作为故障命令；

依据故障命令在业务逻辑图中的位置生成关联的常规执行命令集；

将故障命令和常规执行命令集中各个常规执行命令分别控制服务项目的响应结果进行对比分析，以对故障命令中的问题代码进行定位后得到定位位置；

依据各个常规执行命令控制服务项目的响应结果对问题代码进行修正，并生成针对问题代码修正后的修正代码进行测试的测试用例；

根据测试用例对修正代码进行系统功能测试，完成基于多模态生成式AI的全周期运维控制。

进一步的，所述服务项目为模型训练、系统配置、权限管理、日志监控和数据统计中的任意一种。

进一步的，所述业务逻辑图包括操作步骤引导图和业务知识指导图。

进一步的，所述操作步骤引导图包含执行一个操作命令后的后续可执行命令以及不同操作命令之间的执行路径。

进一步的，所述业务知识指导图包含执行一个操作命令后的执行信息。

进一步的，所述时序逻辑包括不同操作命令之间的时间先后顺序以及不同操作命令之间的排斥关系，排斥关系为判断两个操作命令是否能够处于一条操作路径上。

进一步的，所述常规执行命令集的生成过程具体为：

确定故障命令在业务逻辑图中的位置；

从业务逻辑图中筛选出与故障命令的位置存在上下游关联节点关系的第一关联节点以及存在并列节点关系的第二关联节点；

以第一关联节点和第二关联节点所包含的可执行命令组成常规执行命令集。

进一步的，所述对故障命令中的问题代码进行定位的过程具体为：

以各个常规执行命令所对应响应结果中重叠度最大的区域作为共性区域；

从由故障命令的响应结果所确定的区域中去除共性区域确定问题区域，并依据问题区域进行响应溯源得到问题代码的定位位置。

进一步的，所述对故障命令中的问题代码进行定位的过程具体为：

对不同系统在代码测试环节产生的大量问题及问题代码进行样本训练，得到定位识别模型；

将所有的响应结果输入定位识别模型，得到问题代码的定位位置。

第二方面，提供了基于多模态生成式AI的技术运维机器人控制系统，包括：

业务逻辑模块，用于根据所触发的服务项目生成相应的业务逻辑图；

命令识别模块，用于将用户侧控制服务项目的操作命令集与业务逻辑图进行逻辑匹配，从操作命令集中筛选出不符合业务逻辑图中时序逻辑的操作命令作为故障命令；

命令集成模块，用于依据故障命令在业务逻辑图中的位置生成关联的常规执行命令集；

故障定位模块，用于将故障命令和常规执行命令集中各个常规执行命令分别控制服务项目的响应结果进行对比分析，以对故障命令中的问题代码进行定位后得到定位位置；

问题修正模块，用于依据各个常规执行命令控制服务项目的响应结果对问题代码进行修正，并生成针对问题代码修正后的修正代码进行测试的测试用例；

功能测试模块，用于根据测试用例对修正代码进行系统功能测试，完成基于多模态生成式AI的全周期运维控制。

与现有技术相比，本发明具有以下有益效果：

1、本发明提供的基于多模态生成式AI的技术运维机器人控制方法，可以针对业务系统中不同的服务项目自适应的完成整个运维操作流程，相比于传统的多人协调维护，可以防止简单问题的扩散、流转，从而降低人员协同的人次，降低人员排查的时间，降低企业的运维成本，提高服务质量。

2、本发明在业务侧向客户提供系统使用步骤引导、注意事项提示以及故障上报等操作，在技术运维侧向运维人员提供通过描述生成该系统业务查询和系统运行维护等命令，在编码侧向开发人员提供故障定位，以及向测试人员生成该故障的测试用例等功能。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1是本发明实施例1中的流程图；

图2是本发明实施例1中技术运维机器人的架构图；

图3是本发明实施例2中的系统框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例1：基于多模态生成式AI的技术运维机器人控制方法，如图1所示，包括以下步骤：

S1：根据所触发的服务项目生成相应的业务逻辑图；

S2：将用户侧控制服务项目的操作命令集与业务逻辑图进行逻辑匹配，从操作命令集中筛选出不符合业务逻辑图中时序逻辑的操作命令作为故障命令；

S3：依据故障命令在业务逻辑图中的位置生成关联的常规执行命令集；

S4：将故障命令和常规执行命令集中各个常规执行命令分别控制服务项目的响应结果进行对比分析，以对故障命令中的问题代码进行定位后得到定位位置；

S5：依据各个常规执行命令控制服务项目的响应结果对问题代码进行修正，并生成针对问题代码修正后的修正代码进行测试的测试用例；

S6：根据测试用例对修正代码进行系统功能测试，完成基于多模态生成式AI的全周期运维控制。

如图2所示，服务项目包括但不限于模型训练、系统配置、权限管理、日志监控和数据统计，而针对服务项目所附加的赋能服务包括但不限于生成操作步骤引导、生成问题解决测量、生成业务逻辑SQL、生成系统执行命令、生成系统部署引导、生成代码问题定位以及生成单元测试用例等。

而为了实现上述服务项目和赋能服务需要配置语料库、模型库、配置库和日志文件。其中，语料库主要数据来源于三个渠道，第一个是终端上保留的对线上问题解决的一段完整的对话，包括但不限于不同终端不同系统的运行维护时产生的对话记录、运维人员与客户的对话记录以及运维人员与开发人员针对线上问题的对话记录。第二个是来自于线上问题的报错日志以及出现线上问题的系统源码及注释；第三个是来自于系统的产品设计资料，系统详细设计资料，系统发布时各个阶段的测试用例、部署文档，以及系统的图形化界面，并对这些资料进行提示词方式进行处理。模型库主要是将各个发布的模型版本进行存储，以支持系统可配置化加载模型。配置数据库主要是对系统基础配置、权限管理配置、模型训练与加载时相关配置进行存储。日志文件主要是保留系统运行时产生的文件。

此外，还需要API层高并发协同器和sevice层持续应答器实现交互控制，也需要算法引擎支撑交互控制以及进行资源协同控制和运行状态监控。其中，API层将长连接类接口，采用每10个长连接使用一个service层的完整的服务模块，且客户端无应答超过3分钟便关闭此链接。而每一个完整的应答器都包含推理计算与IO操作，彼此不存在互斥，且彼此异步；当应答器出现故障后，将触发服务转移，将API请求断点转移到另外一个应答器上继续处理；当API层的请求连接数量超过10个链接的倍数时，将会重新新建一个应答器，实现负载均衡。

系统配置主要包括：(1)计算资源配置，分配目前系统需要占用的CPU资源与GPU资源，然后配置虚拟计算资源的粒度，确定计算资源占用的上限与下限，以达到服务按需所取计算资源并且不产生资源竞争；(2)长连接接口池大小设置，按照系统硬件资源与服务上线请求数量灵活配置长连接池数量与持续应答器的对应关系，以达到可控稳定的系统负载均衡；(3)数据路径配置，按照文件存放配置划分，包括模型文件集路径配置、语料集路径配置、日志文件集配置，按照数据库路径划分，包括多源配置数据库路径配置；(4)安全设置，服务请求与返回数据是否加密。

本发明中的日志来源包括系统算法推理产生的运行日志、错误日志、安全日志和访问日志，并具备告警和通知功能，主要采用短信通知的方式。

本发明中的权限管理配置主要对赋能服务的提供进行权限划分，默认配置，客户侧权限拥有生成操作步骤引导，生成问题解决策略两个服务；运维侧权限拥有生成操作步骤引导，生成问题解决策略，生成业务逻辑SQL，生成系统执行命令，生成系统部署引导；研发侧权限赋能服务全部开发；所有赋能服务项可以根据实际使用场景进行调整。

在本实施例中，业务逻辑图包括操作步骤引导图和业务知识指导图。其中，操作步骤引导图包含执行一个操作命令后的后续可执行命令以及不同操作命令之间的执行路径。业务知识指导图包含执行一个操作命令后的执行信息。

需要说明的是，时序逻辑包括不同操作命令之间的时间先后顺序以及不同操作命令之间的排斥关系，排斥关系为判断两个操作命令是否能够处于一条操作路径上。

常规执行命令集的生成过程具体为：确定故障命令在业务逻辑图中的位置；业务逻辑图中筛选出与故障命令的位置存在上下游关联节点关系的第一关联节点以及存在并列节点关系的第二关联节点；以第一关联节点和第二关联节点所包含的可执行命令组成常规执行命令集。

作为一种可选的方式，针对响应结果复杂程度相对较低的情况，对故障命令中的问题代码进行定位的过程具体为：以各个常规执行命令所对应响应结果中重叠度最大的区域作为共性区域；从由故障命令的响应结果所确定的区域中去除共性区域确定问题区域，并依据问题区域进行响应溯源得到问题代码的定位位置。

为了适应响应结果复杂程度较高的情况，对故障命令中的问题代码进行定位的过程具体为：对不同系统在代码测试环节产生的大量问题及问题代码进行样本训练，得到定位识别模型；将所有的响应结果输入定位识别模型，得到问题代码的定位位置。

实施例2：基于多模态生成式AI的技术运维机器人控制系统，该系统用于实现实施例1中所记载的基于多模态生成式AI的技术运维机器人控制方法，如图3所示，包括业务逻辑模块、命令识别模块、命令集成模块、故障定位模块、问题修正模块和功能测试模块。

其中，业务逻辑模块，用于根据所触发的服务项目生成相应的业务逻辑图；命令识别模块，用于将用户侧控制服务项目的操作命令集与业务逻辑图进行逻辑匹配，从操作命令集中筛选出不符合业务逻辑图中时序逻辑的操作命令作为故障命令；命令集成模块，用于依据故障命令在业务逻辑图中的位置生成关联的常规执行命令集；故障定位模块，用于将故障命令和常规执行命令集中各个常规执行命令分别控制服务项目的响应结果进行对比分析，以对故障命令中的问题代码进行定位后得到定位位置；问题修正模块，用于依据各个常规执行命令控制服务项目的响应结果对问题代码进行修正，并生成针对问题代码修正后的修正代码进行测试的测试用例；功能测试模块，用于根据测试用例对修正代码进行系统功能测试，完成基于多模态生成式AI的全周期运维控制。

工作原理：本发明可以针对业务系统中不同的服务项目自适应的完成整个运维操作流程，相比于传统的多人协调维护，可以防止简单问题的扩散、流转，从而降低人员协同的人次，降低人员排查的时间，降低企业的运维成本，提高服务质量；此外，本发明在业务侧向客户提供系统使用步骤引导、注意事项提示以及故障上报等操作，在技术运维侧向运维人员提供通过描述生成该系统业务查询和系统运行维护等命令，在编码侧向开发人员提供故障定位，以及向测试人员生成该故障的测试用例等功能。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护区域，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护区域之内。

Claims (5)

1.基于多模态生成式AI的技术运维机器人控制方法，其特征是，包括以下步骤：

根据所触发的服务项目生成相应的业务逻辑图；

将用户侧控制服务项目的操作命令集与业务逻辑图进行逻辑匹配，从操作命令集中筛选出不符合业务逻辑图中时序逻辑的操作命令作为故障命令；

依据故障命令在业务逻辑图中的位置生成关联的常规执行命令集；

将故障命令和常规执行命令集中各个常规执行命令分别控制服务项目的响应结果进行对比分析，以对故障命令中的问题代码进行定位后得到定位位置；

依据各个常规执行命令控制服务项目的响应结果对问题代码进行修正，并生成针对问题代码修正后的修正代码进行测试的测试用例；

根据测试用例对修正代码进行系统功能测试，完成基于多模态生成式AI的全周期运维控制；

所述业务逻辑图包括操作步骤引导图和业务知识指导图；

所述时序逻辑包括不同操作命令之间的时间先后顺序以及不同操作命令之间的排斥关系，排斥关系为判断两个操作命令是否能够处于一条操作路径上；

所述常规执行命令集的生成过程具体为：

确定故障命令在业务逻辑图中的位置；

从业务逻辑图中筛选出与故障命令的位置存在上下游关联节点关系的第一关联节点以及存在并列节点关系的第二关联节点；

以第一关联节点和第二关联节点所包含的可执行命令组成常规执行命令集；

所述对故障命令中的问题代码进行定位的过程具体为：

以各个常规执行命令所对应响应结果中重叠度最大的区域作为共性区域；

从由故障命令的响应结果所确定的区域中去除共性区域确定问题区域，并依据问题区域进行响应溯源得到问题代码的定位位置；

所述对故障命令中的问题代码进行定位的过程具体为：

对不同系统在代码测试环节产生的大量问题及问题代码进行样本训练，得到定位识别模型；

将所有的响应结果输入定位识别模型，得到问题代码的定位位置。

2.根据权利要求1所述的基于多模态生成式AI的技术运维机器人控制方法，其特征是，所述服务项目为模型训练、系统配置、权限管理、日志监控和数据统计中的任意一种。

3.根据权利要求1所述的基于多模态生成式AI的技术运维机器人控制方法，其特征是，所述操作步骤引导图包含执行一个操作命令后的后续可执行命令以及不同操作命令之间的执行路径。

4.根据权利要求1所述的基于多模态生成式AI的技术运维机器人控制方法，其特征是，所述业务知识指导图包含执行一个操作命令后的执行信息。

5.基于多模态生成式AI的技术运维机器人控制系统，其特征是，包括：

业务逻辑模块，用于根据所触发的服务项目生成相应的业务逻辑图；

命令识别模块，用于将用户侧控制服务项目的操作命令集与业务逻辑图进行逻辑匹配，从操作命令集中筛选出不符合业务逻辑图中时序逻辑的操作命令作为故障命令；

命令集成模块，用于依据故障命令在业务逻辑图中的位置生成关联的常规执行命令集；

故障定位模块，用于将故障命令和常规执行命令集中各个常规执行命令分别控制服务项目的响应结果进行对比分析，以对故障命令中的问题代码进行定位后得到定位位置；

问题修正模块，用于依据各个常规执行命令控制服务项目的响应结果对问题代码进行修正，并生成针对问题代码修正后的修正代码进行测试的测试用例；

功能测试模块，用于根据测试用例对修正代码进行系统功能测试，完成基于多模态生成式AI的全周期运维控制；

所述业务逻辑图包括操作步骤引导图和业务知识指导图；

所述时序逻辑包括不同操作命令之间的时间先后顺序以及不同操作命令之间的排斥关系，排斥关系为判断两个操作命令是否能够处于一条操作路径上；

所述常规执行命令集的生成过程具体为：

确定故障命令在业务逻辑图中的位置；

从业务逻辑图中筛选出与故障命令的位置存在上下游关联节点关系的第一关联节点以及存在并列节点关系的第二关联节点；

以第一关联节点和第二关联节点所包含的可执行命令组成常规执行命令集；

所述对故障命令中的问题代码进行定位的过程具体为：

以各个常规执行命令所对应响应结果中重叠度最大的区域作为共性区域；

从由故障命令的响应结果所确定的区域中去除共性区域确定问题区域，并依据问题区域进行响应溯源得到问题代码的定位位置；

所述对故障命令中的问题代码进行定位的过程具体为：

对不同系统在代码测试环节产生的大量问题及问题代码进行样本训练，得到定位识别模型；

将所有的响应结果输入定位识别模型，得到问题代码的定位位置。