CN117252188B - 一种基于人工智能的软件映像监控方法及系统 - Google Patents
一种基于人工智能的软件映像监控方法及系统 Download PDFInfo
- Publication number
- CN117252188B CN117252188B CN202311340770.6A CN202311340770A CN117252188B CN 117252188 B CN117252188 B CN 117252188B CN 202311340770 A CN202311340770 A CN 202311340770A CN 117252188 B CN117252188 B CN 117252188B
- Authority
- CN
- China
- Prior art keywords
- software image
- file
- data
- image file
- description data
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims description 44
- 230000004927 fusion Effects 0.000 claims description 38
- 238000012360 testing method Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 27
- 238000001514 detection method Methods 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
-
- 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
-
- 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
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Stored Programmes (AREA)
Abstract
本发明公开了一种基于人工智能的软件映像监控方法及系统，应用于云服务器，云服务器与终端连接，方法包括：接收所连接终端发送的软件映像文件，并对所述软件映像文件进行解析，得到原始的描述数据和文件数据；根据预设的事件识别模型，对各软件映像文件中的描述数据进行事件识别，并将识别为同一事件的软件映像文件划分为同一文件组；根据每一个文件组中的各软件映像文件的描述数据，依次将每一个文件组中的所有软件映像文件进行融合，得到融合文件；根据预设的时间间隔，持续获取各文件组对应的终端所发送的实时描述数据，从而判断终端的软件映像文件是否修改，进而实现对软件映像文件进行高准确性、高精度以及高效率的监控。
Description
技术领域
本发明涉及软件技术领域，尤其涉及一种基于人工智能的软件映像监控方法及系统。
背景技术
随着信息技术的发展以及服务器应用的深入，为了避免本地计算所带来终端算力和资源消耗过大的情况，目前将云端服务器作为终端同一数据计算处理装置，能够显著提高数据计算的准确性和效率。
目前，智能高性能计算平台(AiHPC) 是一款用于高性能计算(HPC)和人工智能(Ai)的基群管理软件，通过在云服务器平台中搭建对应数据处理相关的软件映像，能够为客户提供可视化管理界面，极简有效的管理操作，稳定可靠的并发计算，自动灵活的容器平台，全面细致的资源监控，在高校科研、自动驾驶、智能视频分析、金融等行业的成功使用，但是由于软件更新迭代的周期越来越短，其对应的进行数据处理计算的软件映像需要同步与终端一起频繁进行更新，这容易导致无法及时对云服务器中的软件映像文件进行监控，使得每一次需要进行数据计算处理时均需要对云服务器中的软件映像文件进行更新操作，使得操作复杂，同时现有对云服务器中的软件映像文件进行监控涉及文件的整体数据信息，导致监控效率低，在软件短周期迭代更新的背景下，容易导致软件监控不及时与失败，进而导致软件映像文件与终端文件信息不对应的情况，使得监控的准确性和精度均无法达到当前的高频短周期更新软件的需求。
因此，目前亟需一种能够提高对软件映像文件监控准确性和效率的方法。
发明内容
本发明提供了一种基于人工智能的软件映像监控方法及系统，以解决现有技术中监控的准确性和精度均无法达到当前的高频短周期更新软件的需求的技术问题。
为了解决上述技术问题，本发明实施例提供了一种基于人工智能的软件映像监控方法，应用于云服务器，所述云服务器与终端连接，包括：
接收所连接终端发送的软件映像文件，并对所述软件映像文件进行解析，得到原始的描述数据和文件数据；其中，所述终端的数量为若干个，每一个终端至少发送一个软件映像文件，所述软件映像文件包括描述数据和文件数据；
根据预设的事件识别模型，对各软件映像文件中的描述数据进行事件识别，并将识别为同一事件的软件映像文件划分为同一文件组；其中，所述每一文件组中至少有一个软件映像文件；
根据每一个文件组中的各软件映像文件的描述数据，依次将每一个文件组中的所有软件映像文件进行融合，以使得在对每一个文件组进行融合的过程中，根据每个软件映像文件的文件数据，得到能表示各软件映像文件之间的全部文件数据的并集数据，从而得到能够表示各软件映像文件与所述并集数据之间的第一差异数据，进而根据各软件映像文件的描述数据和所述第一差异数据，得到融合文件；其中，每一个文件组对应于一个融合文件，每一个软件映像文件均有一个对应的第一差异数据；
根据预设的时间间隔，持续获取各文件组对应的终端所发送的实时描述数据，并根据在所述云服务器中对应于各终端的软件映像文件的原始描述数据，对所述实时描述数据进行解析，从而判断终端的软件映像文件是否修改，进而实现对软件映像文件的监控。
作为优选方案，在所述判断终端的软件映像文件之后，还包括：
当存在有一个软件映像文件发生修改的情况，才获取该软件映像文件的实时文件数据，并根据该软件映像文件的实时文件数据，确定该软件映像文件对应的融合文件中的原文件数据与所述实时文件数据之间的第二差异数据，从而根据第二差异数据来修改更新该软件映像文件对应的原描述数据，并将所述第二差异数据插入至所述融合文件中；
当不存在软件映像文件发生修改的情况，则继续获取各文件组对应的终端所发送的实时描述数据。
作为优选方案，所述接收所连接终端发送的软件映像文件，并对所述软件映像文件进行解析，得到原始的描述数据和文件数据，具体为：
接收所连接的终端发送的软件映像文件；
将所接收的所有软件映像文件按照终端划分，得到每个终端对应的软件映像文件组，并在经过第一预设时间后，重新获取每个终端对应的软件映像文件，并根据终端划分得到备份文件组；其中，每一个终端均有一个对应的软件映像文件组和一个备份文件组；
依次对各软件映像文件组中的所有软件映像文件进行解析，得到第一解析结果，并依次对各备份文件组中的所有复制后得到的软件映像文件进行解析，得到第二解析结果；其中，每个软件映像文件对应有一个第一解析结果，每一个复制后的软件映像文件对应有一个第二解析结果，所述第一解析结果和第二解析结果中均包括其对应的软件映像文件的原始描述数据和文件数据；
对所述第一解析结果和第二解析结果进行相似性检测，并剔除无法通过相似性检测的软件映像文件，从而保留通过相似性检测的软件映像文件及其原始的描述数据和文件数据。
作为优选方案，所述根据预设的事件识别模型，对各软件映像文件中的描述数据进行事件识别，并将识别为同一事件的软件映像文件划分为同一文件组，具体为：
将通过相似性检测的各软件映像文件中的描述数据进行复制，得到复制数据，并将所述复制数据作为预设的事件识别模型的输入；
对各软件映像文件中的描述数据进行事件识别，从而输出得到各软件映像文件对应的复制数据的事件；
将输出得到的复制数据的事件与各软件映像文件原始的描述数据进行对应，从而将同属于一个事件的软件映像文件划分为同一个文件组。
作为优选方案，所述预设的事件识别模型的构建方法，包括：
获取历史软件映像文件的描述数据，以及历史软件映像文件对应标注的事件信息，并将预设比例的所述描述数据作为模型输入的训练集和测试集，将作为训练集的描述数据对应的所述事件信息作为模型输出的训练集，以及将作为测试集的描述数据对应的所述事件信息作为模型输出的测试集；
根据所述模型输入的训练集和所述模型输出的训练集，对初始的数据拟合模型进行训练，从而得到训练后的数据拟合模型；
根据所述模型输入的测试集和所述模型输出的测试集，对所述训练后的数据拟合模型进行准确性测试，并在所述数据拟合模型的准确性达到预设精度后，得到事件识别模型。
作为优选方案，所述根据每个软件映像文件的文件数据，得到能表示各软件映像文件之间的全部文件数据的并集数据，从而得到能够表示各软件映像文件与所述并集数据之间的第一差异数据，进而根据各软件映像文件的描述数据和所述第一差异数据，得到融合文件，具体为：
对每个软件映像文件的文件数据进行相交以及相并，从而得到该文件组中关于软件映像文件之间的文件数据的全部文件数据、交集数据和并集数据；
根据所述交集数据，创建与各软件映像文件的索引偏移量信息；
根据所述并集数据以及全部文件数据，得到能够表示各软件映像文件与所述并集数据之间的第一差异数据，并根据各软件映像文件的索引偏移量信息，描述各软件映像文件与其第一差异数据之间的对应关系，以使得能够从所述索引偏移量信息中得到各软件映像文件与并集数据之间的第一差异数据；
根据各软件映像文件的描述数据、所述索引偏移量信息和全部文件数据，构建得到融合文件。
相应地，本发明还提供一种基于人工智能的软件映像监控系统，包括：云服务器和若干终端；每一个所述终端均与所述云服务器通信连接；
每一所述终端，用于向所述云服务器发送软件映像文件，以及向所述云服务器发送各软件映像文件实时描述数据；
所述云服务器，用于执行上任意一项所述的基于人工智能的软件映像监控方法。
作为优选方案，所述云服务器包括：解析模块、识别模块、融合模块和监控模块；
所述解析模块，用于接收所连接终端发送的软件映像文件，并对所述软件映像文件进行解析，得到初始的描述数据和文件数据；其中，所述终端的数量为若干个，每一个终端至少发送一个软件映像文件，所述软件映像文件包括描述数据和文件数据；
所述识别模块，用于根据预设的事件识别模型，对各软件映像文件中的描述数据进行事件识别，并将识别为同一事件的软件映像文件划分为同一文件组；其中，所述每一文件组中至少有一个软件映像文件；
所述融合模块，用于根据每一个文件组中的各软件映像文件的描述数据，依次将每一个文件组中的所有软件映像文件进行融合，以使得在对每一个文件组进行融合的过程中，根据每个软件映像文件的文件数据，得到能表示各软件映像文件之间的全部文件数据的并集数据，从而得到能够表示各软件映像文件与所述并集数据之间的第一差异数据，进而根据各软件映像文件的描述数据和所述第一差异数据，得到融合文件；其中，每一个文件组对应于一个融合文件，每一个软件映像文件均有一个对应的第一差异数据；
所述监控模块，用于根据预设的时间间隔，持续获取各文件组对应的终端所发送的实时描述数据，并根据在所述云服务器中对应于各终端的软件映像文件的原描述数据，对所述实时描述数据进行解析，从而判断终端的软件映像文件是否修改，进而实现对软件映像文件的监控。
相应地，本发明还提供一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上任意一项所述的基于人工智能的软件映像监控方法。
相应地，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任意一项所述的基于人工智能的软件映像监控方法。
相比于现有技术，本发明实施例具有如下有益效果：
本发明的技术方案通过接收终端端发送的软件映像文件后进行解析，从而来得到终端的原始描述数据和文件数据，进而通过事件识别模型来实现对各软件映像文件的事件进行识别，能够将同一执行事件下的软件映像文件的划分为同一文件组，能够避免不属于同一事件下的不同软件映像文件之间的内部描述数据和文件数据的格式、属性等相关数据的不同，进而避免了在后续监控过程中需要高频地对各个终端对应的文件逐个进行解析与事件的确定，而导致的监控分析处理的效率低，本发明还通过每一个文件组中的各软件映像文件的描述数据来进行软件映像文件的融合，以实现相同执行事件下的文件数据能够进行相同数据的共用，避免了大量相同执行事件下的数据冗余与重复，提高了云服务器的资源处理效率和准确性，最后通过预设的时间间隔来获取实时描述数据，进而来实现软件映像文件的监控，简化了现有的监控流程的同时，也提高了软件映像监控的效率和准确性，提高了用户的使用体验。
附图说明
图1：为本发明实施例所提供的一种基于人工智能的软件映像监控方法的流程图；
图2：为本发明实施例所提供的一种基于人工智能的软件映像监控系统的结构示意图；
图3：为本发明实施例所提供的云平台的结构示意图。
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。
实施例一
请参照图1，为本发明实施例提供的一种基于人工智能的软件映像监控方法，应用于云服务器，所述云服务器与终端连接，包括以下步骤S101-S104：
步骤S101：接收所连接终端发送的软件映像文件，并对所述软件映像文件进行解析，得到原始的描述数据和文件数据；其中，所述终端的数量为若干个，每一个终端至少发送一个软件映像文件，所述软件映像文件包括描述数据和文件数据。
作为本实施例的优选方案，所述接收所连接终端发送的软件映像文件，并对所述软件映像文件进行解析，得到原始的描述数据和文件数据，具体为：
接收所连接的终端发送的软件映像文件；将所接收的所有软件映像文件按照终端划分，得到每个终端对应的软件映像文件组，并在经过第一预设时间后，重新获取每个终端对应的软件映像文件，并根据终端划分得到备份文件组；其中，每一个终端均有一个对应的软件映像文件组和一个备份文件组；依次对各软件映像文件组中的所有软件映像文件进行解析，得到第一解析结果，并依次对各备份文件组中的所有复制后得到的软件映像文件进行解析，得到第二解析结果；其中，每个软件映像文件对应有一个第一解析结果，每一个复制后的软件映像文件对应有一个第二解析结果，所述第一解析结果和第二解析结果中均包括其对应的软件映像文件的原始描述数据和文件数据；对所述第一解析结果和第二解析结果进行相似性检测，并剔除无法通过相似性检测的软件映像文件，从而保留通过相似性检测的软件映像文件及其原始的描述数据和文件数据。
在本实施例中，通过接收所连接的终端发送的软件映像文件，能够对软件映像文件根据不同的终端分别进行分类，从而能够得到每个终端分别对应的软件映像文件，即所有的软件映像文件都分类至其对应的终端中，使得在进行解析的过程中，能够直接对不同的终端来进行解析结果的相似性检测以及原始描述数据和文件数据的获取，避免了对不是根据终端进行分类而导致软件映像文件数据信息紊乱的情况，同时通过不同的终端来分别进行软件映像文件的分类，能够确保在解析过程中，所对应的软件映像文件均处于同一终端设备运行环境之中，避免了出现兼容性的问题，也提高了处理效率。
在本实施例中，通过对软件映像文件进行第一次获取，以及经过预设时间后进行第二次获取，能够确保软件映像文件在传输过程中或解析过程中不会被修改、更改或篡改，能够保证软件映像文件在云服务器和终端中均属于同样的文件数据，同时也避免了软件映像文件在第一次获取后马上进行更新，从而导致软件映像文件在云服务器中频繁更迭的情况，使得软件映像文件在处于稳定状态时再发送至云服务器之中。
需要说明的是，软件映像文件是一种软件文件信息的完整拷贝文件，包括软件的所有信息，具体地，包括但不限于文件头、元数据、文件数据、偏移量表和签名，其中，文件头、元数据、偏移量表和签名为软件映像文件的描述文件，用于描述该软件映像文件的功能、执行、作用、数据对应关系和属性，其中，元数据包括但不限于软件映像文件的文件名、属性、文件时间、格式、位置和信息流。
步骤S102：根据预设的事件识别模型，对各软件映像文件中的描述数据进行事件识别，并将识别为同一事件的软件映像文件划分为同一文件组；其中，所述每一文件组中至少有一个软件映像文件。
作为本实施例的优选方案，所述根据预设的事件识别模型，对各软件映像文件中的描述数据进行事件识别，并将识别为同一事件的软件映像文件划分为同一文件组，具体为：
将通过相似性检测的各软件映像文件中的描述数据进行复制，得到复制数据，并将所述复制数据作为预设的事件识别模型的输入；对各软件映像文件中的描述数据进行事件识别，从而输出得到各软件映像文件对应的复制数据的事件；将输出得到的复制数据的事件与各软件映像文件原始的描述数据进行对应，从而将同属于一个事件的软件映像文件划分为同一个文件组。
在本实施例中，通过预设的事件识别模型，能够快速且准确地通过软件映像文件的描述数据，进而来判断该软件映像文件在终端中所执行的功能、应用程序等，进而能够迅速且准确地得到各软件映像文件所执行的对应的事件，并将同一事件的软件映像文件划分为同一文件组之中。
可以理解的是，通过将同一事件的软件映像文件划分为同一文件组之中，能够在后续的文件融合过程中，确保同一事件下的软件映像文件在数据的结构、类型、属性等方面是处于同一类型的信息，进而能够在进行监控、调用、更新、备份等过程中，能够直接对该同一事件属性下的软件映像文件进行对应数据的准确替换，同时也减少了对大量软件映像文件进行定位索引的检索过程，进而提高了软件监控的效率，同时也避免了大量终端数据的情况下，容易出现软件对应关系错误，进而导致的监控错误与失败的情况发生。
作为本实施例的优选方案，所述预设的事件识别模型的构建方法，包括：
获取历史软件映像文件的描述数据，以及历史软件映像文件对应标注的事件信息，并将预设比例的所述描述数据作为模型输入的训练集和测试集，将作为训练集的描述数据对应的所述事件信息作为模型输出的训练集，以及将作为测试集的描述数据对应的所述事件信息作为模型输出的测试集；根据所述模型输入的训练集和所述模型输出的训练集，对初始的数据拟合模型进行训练，从而得到训练后的数据拟合模型；根据所述模型输入的测试集和所述模型输出的测试集，对所述训练后的数据拟合模型进行准确性测试，并在所述数据拟合模型的准确性达到预设精度后，得到事件识别模型。
在本实施例中，通过获取历史软件映像文件的描述数据，以及历史软件映像文件对应标注的事件信息，并将预设比例的描述数据作为训练集和测试集，进而能够通过对初始的数据拟合模型进行训练，从而来得到训练后的数据拟合模型，并通过对测试集的数据来对数据拟合模型进行准确性测试，并在该数据拟合模型达到预设精度后，从而得到事件识别模型。优选地，训练集和测试机的预设比例为3：1。
步骤S103：根据每一个文件组中的各软件映像文件的描述数据，依次将每一个文件组中的所有软件映像文件进行融合，以使得在对每一个文件组进行融合的过程中，根据每个软件映像文件的文件数据，得到能表示各软件映像文件之间的全部文件数据的并集数据，从而得到能够表示各软件映像文件与所述并集数据之间的第一差异数据，进而根据各软件映像文件的描述数据和所述第一差异数据，得到融合文件；其中，每一个文件组对应于一个融合文件，每一个软件映像文件均有一个对应的第一差异数据。
作为本实施例的优选方案，所述根据每个软件映像文件的文件数据，得到能表示各软件映像文件之间的全部文件数据的并集数据，从而得到能够表示各软件映像文件与所述并集数据之间的第一差异数据，进而根据各软件映像文件的描述数据和所述第一差异数据，得到融合文件，具体为：
对每个软件映像文件的文件数据进行相交以及相并，从而得到该文件组中关于软件映像文件之间的文件数据的全部文件数据、交集数据和并集数据；根据所述交集数据，创建与各软件映像文件的索引偏移量信息；根据所述并集数据以及全部文件数据，得到能够表示各软件映像文件与所述并集数据之间的第一差异数据，并根据各软件映像文件的索引偏移量信息，描述各软件映像文件与其第一差异数据之间的对应关系，以使得能够从所述索引偏移量信息中得到各软件映像文件与并集数据之间的第一差异数据；根据各软件映像文件的描述数据、所述索引偏移量信息和全部文件数据，构建得到融合文件。
在本实施例中，通过对每个软件映像文件的文件数据进行相交以及相并，从而能够得到该文件组中关于软件映像文件之间的文件数据的全部文件数据、交集数据和并集数据，进而通过交集数据，创建与各软件映像文件的索引偏移量信息，从而能够使得通过并集数据以及全部文件数据，来得到能够表示各软件映像文件与并集数据之间的第一差异数据，该第一差异数据能够表示各软件映像文件的索引偏移量信息，进而在进行数据文件监控过程中，能够通过索引偏移量信息即可确定并定位到文件数据中的对应的更改或变化的数据，进而提高软件映像数据的效率。
进一步地，通过各软件映像文件的描述数据、索引偏移量信息和全部文件数据，进而能够构建出同一事件下的映像文件的融合文件，减少了云服务器中数据存储、资源消耗的问题。
步骤S104：根据预设的时间间隔，持续获取各文件组对应的终端所发送的实时描述数据，并根据在所述云服务器中对应于各终端的软件映像文件的原始描述数据，对所述实时描述数据进行解析，从而判断终端的软件映像文件是否修改，进而实现对软件映像文件的监控。
在本实施例中，通过预设的时间间隔，来持续获取各文件组中各个终端所发送的实时描述数据，进而可以根据云服务器中对应于各终端的软件映像文件的原始描述文件，从而能够在对实时描述数据进行解析后，来判断软件映像文件是否被修改，同时也可以通过其原始描述文件与实时描述文件之间的差异，从而来确定文件数据中所改变的数据信息，进而能够快速且准确地确定其所需要进行数据变更的位置以及属性，提高了软件映像文件在文件中的处理效率。
作为本实施例的优选方案，在所述判断终端的软件映像文件之后，还包括：
当存在有一个软件映像文件发生修改的情况，才获取该软件映像文件的实时文件数据，并根据该软件映像文件的实时文件数据，确定该软件映像文件对应的融合文件中的原文件数据与所述实时文件数据之间的第二差异数据，从而根据第二差异数据来修改更新该软件映像文件对应的原描述数据，并将所述第二差异数据插入至所述融合文件中；当不存在软件映像文件发生修改的情况，则继续获取各文件组对应的终端所发送的实时描述数据。
在本实施例中，当存在有一个软件映像文件发生修改的情况，才进行软件映像文件的实时文件数据的获取，能够避免在对软件映像文件进行监控过程中，持续获取文件的全部数据，容易导致传输效率的低下以及数据冗余的情况，进而容易发生云服务器数据出错的问题。同时，通过根据该软件映像文件的实时文件数据，确定该软件映像文件对应的融合文件中的原文件数据与所述实时文件数据之间的第二差异数据，能够使得在云服务器中快速地对存在差异的数据进行修改或更新，同时未修改或更新的数据同样还在该融合文件之中，避免了对数据过多的更改所带来的资源消耗的问题，尤其是对于大规模终端设备应用的情况下能够减少大量算力与资源。进一步地，当不存在软件映像文件发生修改的情况，则继续获取各文件组对应的终端所发送的实时描述数据，以确保对云服务器中的软件映像文件的持续监控。
实施以上实施例，具有如下效果：
本发明的技术方案通过接收终端端发送的软件映像文件后进行解析，从而来得到终端的原始描述数据和文件数据，进而通过事件识别模型来实现对各软件映像文件的事件进行识别，能够将同一执行事件下的软件映像文件的划分为同一文件组，能够避免不属于同一事件下的不同软件映像文件之间的内部描述数据和文件数据的格式、属性等相关数据的不同，进而避免了在后续监控过程中需要高频地对各个终端对应的文件逐个进行解析与事件的确定，而导致的监控分析处理的效率低，本发明还通过每一个文件组中的各软件映像文件的描述数据来进行软件映像文件的融合，以实现相同执行事件下的文件数据能够进行相同数据的共用，避免了大量相同执行事件下的数据冗余与重复，提高了云服务器的资源处理效率和准确性，最后通过预设的时间间隔来获取实时描述数据，进而来实现软件映像文件的监控，简化了现有的监控流程的同时，也提高了软件映像监控的效率和准确性，提高了用户的使用体验。
实施例二
请参阅图2，其为本发明所提供一种基于人工智能的软件映像监控系统，包括：云服务器1和若干终端2；每一个所述终端2均与所述云服务器1通信连接。
每一所述终端2，用于向所述云服务器发送软件映像文件，以及向所述云服务器发送各软件映像文件实时描述数据。
所述云服务器1，用于执行上任意一项所述的基于人工智能的软件映像监控方法。
作为本实施例的优选方案，请参阅图3，所述云服务器1包括：解析模块201、识别模块202、融合模块203和监控模块204。
所述解析模块201，用于接收所连接终端发送的软件映像文件，并对所述软件映像文件进行解析，得到初始的描述数据和文件数据；其中，所述终端的数量为若干个，每一个终端至少发送一个软件映像文件，所述软件映像文件包括描述数据和文件数据。
所述识别模块202，用于根据预设的事件识别模型，对各软件映像文件中的描述数据进行事件识别，并将识别为同一事件的软件映像文件划分为同一文件组；其中，所述每一文件组中至少有一个软件映像文件。
所述融合模块203，用于根据每一个文件组中的各软件映像文件的描述数据，依次将每一个文件组中的所有软件映像文件进行融合，以使得在对每一个文件组进行融合的过程中，根据每个软件映像文件的文件数据，得到能表示各软件映像文件之间的全部文件数据的并集数据，从而得到能够表示各软件映像文件与所述并集数据之间的第一差异数据，进而根据各软件映像文件的描述数据和所述第一差异数据，得到融合文件；其中，每一个文件组对应于一个融合文件，每一个软件映像文件均有一个对应的第一差异数据；
所述监控模块204，用于根据预设的时间间隔，持续获取各文件组对应的终端所发送的实时描述数据，并根据在所述云服务器中对应于各终端的软件映像文件的原描述数据，对所述实时描述数据进行解析，从而判断终端的软件映像文件是否修改，进而实现对软件映像文件的监控。
作为优选方案，在所述判断终端的软件映像文件之后，还包括：
当存在有一个软件映像文件发生修改的情况，才获取该软件映像文件的实时文件数据，并根据该软件映像文件的实时文件数据，确定该软件映像文件对应的融合文件中的原文件数据与所述实时文件数据之间的第二差异数据，从而根据第二差异数据来修改更新该软件映像文件对应的原描述数据，并将所述第二差异数据插入至所述融合文件中；
当不存在软件映像文件发生修改的情况，则继续获取各文件组对应的终端所发送的实时描述数据。
作为优选方案，所述接收所连接终端发送的软件映像文件，并对所述软件映像文件进行解析，得到原始的描述数据和文件数据，具体为：
接收所连接的终端发送的软件映像文件；
将所接收的所有软件映像文件按照终端划分，得到每个终端对应的软件映像文件组，并在经过第一预设时间后，重新获取每个终端对应的软件映像文件，并根据终端划分得到备份文件组；其中，每一个终端均有一个对应的软件映像文件组和一个备份文件组；
依次对各软件映像文件组中的所有软件映像文件进行解析，得到第一解析结果，并依次对各备份文件组中的所有复制后得到的软件映像文件进行解析，得到第二解析结果；其中，每个软件映像文件对应有一个第一解析结果，每一个复制后的软件映像文件对应有一个第二解析结果，所述第一解析结果和第二解析结果中均包括其对应的软件映像文件的原始描述数据和文件数据；
对所述第一解析结果和第二解析结果进行相似性检测，并剔除无法通过相似性检测的软件映像文件，从而保留通过相似性检测的软件映像文件及其原始的描述数据和文件数据。
作为优选方案，所述根据预设的事件识别模型，对各软件映像文件中的描述数据进行事件识别，并将识别为同一事件的软件映像文件划分为同一文件组，具体为：
将通过相似性检测的各软件映像文件中的描述数据进行复制，得到复制数据，并将所述复制数据作为预设的事件识别模型的输入；
对各软件映像文件中的描述数据进行事件识别，从而输出得到各软件映像文件对应的复制数据的事件；
将输出得到的复制数据的事件与各软件映像文件原始的描述数据进行对应，从而将同属于一个事件的软件映像文件划分为同一个文件组。
作为优选方案，所述预设的事件识别模型的构建方法，包括：
获取历史软件映像文件的描述数据，以及历史软件映像文件对应标注的事件信息，并将预设比例的所述描述数据作为模型输入的训练集和测试集，将作为训练集的描述数据对应的所述事件信息作为模型输出的训练集，以及将作为测试集的描述数据对应的所述事件信息作为模型输出的测试集；
根据所述模型输入的训练集和所述模型输出的训练集，对初始的数据拟合模型进行训练，从而得到训练后的数据拟合模型；
根据所述模型输入的测试集和所述模型输出的测试集，对所述训练后的数据拟合模型进行准确性测试，并在所述数据拟合模型的准确性达到预设精度后，得到事件识别模型。
作为优选方案，所述根据每个软件映像文件的文件数据，得到能表示各软件映像文件之间的全部文件数据的并集数据，从而得到能够表示各软件映像文件与所述并集数据之间的第一差异数据，进而根据各软件映像文件的描述数据和所述第一差异数据，得到融合文件，具体为：
对每个软件映像文件的文件数据进行相交以及相并，从而得到该文件组中关于软件映像文件之间的文件数据的全部文件数据、交集数据和并集数据；
根据所述交集数据，创建与各软件映像文件的索引偏移量信息；
根据所述并集数据以及全部文件数据，得到能够表示各软件映像文件与所述并集数据之间的第一差异数据，并根据各软件映像文件的索引偏移量信息，描述各软件映像文件与其第一差异数据之间的对应关系，以使得能够从所述索引偏移量信息中得到各软件映像文件与并集数据之间的第一差异数据；
根据各软件映像文件的描述数据、所述索引偏移量信息和全部文件数据，构建得到融合文件。
所属领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
实施以上实施例，具有如下效果：
本发明的技术方案通过接收终端端发送的软件映像文件后进行解析，从而来得到终端的原始描述数据和文件数据，进而通过事件识别模型来实现对各软件映像文件的事件进行识别，能够将同一执行事件下的软件映像文件的划分为同一文件组，能够避免不属于同一事件下的不同软件映像文件之间的内部描述数据和文件数据的格式、属性等相关数据的不同，进而避免了在后续监控过程中需要高频地对各个终端对应的文件逐个进行解析与事件的确定，而导致的监控分析处理的效率低，本发明还通过每一个文件组中的各软件映像文件的描述数据来进行软件映像文件的融合，以实现相同执行事件下的文件数据能够进行相同数据的共用，避免了大量相同执行事件下的数据冗余与重复，提高了云服务器的资源处理效率和准确性，最后通过预设的时间间隔来获取实时描述数据，进而来实现软件映像文件的监控，简化了现有的监控流程的同时，也提高了软件映像监控的效率和准确性，提高了用户的使用体验。
实施例三
相应地，本发明还提供一种终端设备，包括：处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上任意一项实施例所述的基于人工智能的软件映像监控方法。
该实施例的终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序、计算机指令。所述处理器执行所述计算机程序时实现上述实施例一中的各个步骤，例如图1所示的步骤S101至S104。或者，所述处理器执行所述计算机程序时实现上述装置实施例中各模块/单元的功能，例如识别模块202。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。例如，所述识别模块202，用于根据预设的事件识别模型，对各软件映像文件中的描述数据进行事件识别，并将识别为同一事件的软件映像文件划分为同一文件组。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，示意图仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据移动终端的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（SecureDigital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
实施例四
相应地，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任意一项实施例所述的基于人工智能的软件映像监控方法。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，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范围之内。
Claims (10)
1.一种基于人工智能的软件映像监控方法，其特征在于，应用于云服务器，所述云服务器与终端连接，包括：
接收所连接终端发送的软件映像文件，并对所述软件映像文件进行解析，得到原始的描述数据和文件数据；其中，所述终端的数量为若干个，每一个终端至少发送一个软件映像文件，所述软件映像文件包括描述数据和文件数据；
根据预设的事件识别模型，对各软件映像文件中的描述数据进行事件识别，并将识别为同一事件的软件映像文件划分为同一文件组；其中，所述每一文件组中至少有一个软件映像文件；
根据每一个文件组中的各软件映像文件的描述数据，依次将每一个文件组中的所有软件映像文件进行融合，以使得在对每一个文件组进行融合的过程中，根据每个软件映像文件的文件数据，得到能表示各软件映像文件之间的全部文件数据的并集数据，从而得到能够表示各软件映像文件与所述并集数据之间的第一差异数据，进而根据各软件映像文件的描述数据和所述第一差异数据，得到融合文件；其中，每一个文件组对应于一个融合文件，每一个软件映像文件均有一个对应的第一差异数据；
根据预设的时间间隔，持续获取各文件组对应的终端所发送的实时描述数据，并根据在所述云服务器中对应于各终端的软件映像文件的原始描述数据，对所述实时描述数据进行解析，从而判断终端的软件映像文件是否修改，进而实现对软件映像文件的监控。
2.如权利要求1所述的基于人工智能的软件映像监控方法，其特征在于，在所述判断终端的软件映像文件之后，还包括：
当存在有一个软件映像文件发生修改的情况，才获取该软件映像文件的实时文件数据，并根据该软件映像文件的实时文件数据，确定该软件映像文件对应的融合文件中的原文件数据与所述实时文件数据之间的第二差异数据，从而根据第二差异数据来修改更新该软件映像文件对应的原描述数据，并将所述第二差异数据插入至所述融合文件中；
当不存在软件映像文件发生修改的情况，则继续获取各文件组对应的终端所发送的实时描述数据。
3.如权利要求2所述的一种基于人工智能的软件映像监控方法，其特征在于，所述接收所连接终端发送的软件映像文件，并对所述软件映像文件进行解析，得到原始的描述数据和文件数据，具体为：
接收所连接的终端发送的软件映像文件；
将所接收的所有软件映像文件按照终端划分，得到每个终端对应的软件映像文件组，并在经过第一预设时间后，重新获取每个终端对应的软件映像文件，并根据终端划分得到备份文件组；其中，每一个终端均有一个对应的软件映像文件组和一个备份文件组；
依次对各软件映像文件组中的所有软件映像文件进行解析，得到第一解析结果，并依次对各备份文件组中的所有复制后得到的软件映像文件进行解析，得到第二解析结果；其中，每个软件映像文件对应有一个第一解析结果，每一个复制后的软件映像文件对应有一个第二解析结果，所述第一解析结果和第二解析结果中均包括其对应的软件映像文件的原始描述数据和文件数据；
对所述第一解析结果和第二解析结果进行相似性检测，并剔除无法通过相似性检测的软件映像文件，从而保留通过相似性检测的软件映像文件及其原始的描述数据和文件数据。
4.如权利要求3所述的一种基于人工智能的软件映像监控方法，其特征在于，所述根据预设的事件识别模型，对各软件映像文件中的描述数据进行事件识别，并将识别为同一事件的软件映像文件划分为同一文件组，具体为：
将通过相似性检测的各软件映像文件中的描述数据进行复制，得到复制数据，并将所述复制数据作为预设的事件识别模型的输入；
对各软件映像文件中的描述数据进行事件识别，从而输出得到各软件映像文件对应的复制数据的事件；
将输出得到的复制数据的事件与各软件映像文件原始的描述数据进行对应，从而将同属于一个事件的软件映像文件划分为同一个文件组。
5.如权利要求4所述的一种基于人工智能的软件映像监控方法，其特征在于，所述预设的事件识别模型的构建方法，包括：
获取历史软件映像文件的描述数据，以及历史软件映像文件对应标注的事件信息，并将预设比例的所述描述数据作为模型输入的训练集和测试集，将作为训练集的描述数据对应的所述事件信息作为模型输出的训练集，以及将作为测试集的描述数据对应的所述事件信息作为模型输出的测试集；
根据所述模型输入的训练集和所述模型输出的训练集，对初始的数据拟合模型进行训练，从而得到训练后的数据拟合模型；
根据所述模型输入的测试集和所述模型输出的测试集，对所述训练后的数据拟合模型进行准确性测试，并在所述数据拟合模型的准确性达到预设精度后，得到事件识别模型。
6.如权利要求5所述的一种基于人工智能的软件映像监控方法，其特征在于，所述根据每个软件映像文件的文件数据，得到能表示各软件映像文件之间的全部文件数据的并集数据，从而得到能够表示各软件映像文件与所述并集数据之间的第一差异数据，进而根据各软件映像文件的描述数据和所述第一差异数据，得到融合文件，具体为：
对每个软件映像文件的文件数据进行相交以及相并，从而得到该文件组中关于软件映像文件之间的文件数据的全部文件数据、交集数据和并集数据；
根据所述交集数据，创建与各软件映像文件的索引偏移量信息；
根据所述并集数据以及全部文件数据，得到能够表示各软件映像文件与所述并集数据之间的第一差异数据，并根据各软件映像文件的索引偏移量信息，描述各软件映像文件与其第一差异数据之间的对应关系，以使得能够从所述索引偏移量信息中得到各软件映像文件与并集数据之间的第一差异数据；
根据各软件映像文件的描述数据、所述索引偏移量信息和全部文件数据，构建得到融合文件。
7.一种基于人工智能的软件映像监控系统，其特征在于，包括：云服务器和若干终端；每一个所述终端均与所述云服务器通信连接；
每一所述终端，用于向所述云服务器发送软件映像文件，以及向所述云服务器发送各软件映像文件实时描述数据；
所述云服务器，用于执行如权利要求1-6任意一项所述的基于人工智能的软件映像监控方法。
8.根据权利要求7所述一种基于人工智能的软件映像监控系统，其特征在于，所述云服务器包括：解析模块、识别模块、融合模块和监控模块；
所述解析模块，用于接收所连接终端发送的软件映像文件，并对所述软件映像文件进行解析，得到初始的描述数据和文件数据；其中，所述终端的数量为若干个，每一个终端至少发送一个软件映像文件，所述软件映像文件包括描述数据和文件数据；
所述识别模块，用于根据预设的事件识别模型，对各软件映像文件中的描述数据进行事件识别，并将识别为同一事件的软件映像文件划分为同一文件组；其中，所述每一文件组中至少有一个软件映像文件；
所述融合模块，用于根据每一个文件组中的各软件映像文件的描述数据，依次将每一个文件组中的所有软件映像文件进行融合，以使得在对每一个文件组进行融合的过程中，根据每个软件映像文件的文件数据，得到能表示各软件映像文件之间的全部文件数据的并集数据，从而得到能够表示各软件映像文件与所述并集数据之间的第一差异数据，进而根据各软件映像文件的描述数据和所述第一差异数据，得到融合文件；其中，每一个文件组对应于一个融合文件，每一个软件映像文件均有一个对应的第一差异数据；
所述监控模块，用于根据预设的时间间隔，持续获取各文件组对应的终端所发送的实时描述数据，并根据在所述云服务器中对应于各终端的软件映像文件的原描述数据，对所述实时描述数据进行解析，从而判断终端的软件映像文件是否修改，进而实现对软件映像文件的监控。
9.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6任意一项所述的基于人工智能的软件映像监控方法。
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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6中任意一项所述的基于人工智能的软件映像监控方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311340770.6A CN117252188B (zh) | 2023-10-17 | 2023-10-17 | 一种基于人工智能的软件映像监控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311340770.6A CN117252188B (zh) | 2023-10-17 | 2023-10-17 | 一种基于人工智能的软件映像监控方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117252188A CN117252188A (zh) | 2023-12-19 |
| CN117252188B true CN117252188B (zh) | 2024-03-26 |
Family
ID=89126308
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311340770.6A Active CN117252188B (zh) | 2023-10-17 | 2023-10-17 | 一种基于人工智能的软件映像监控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117252188B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109328344A (zh) * | 2016-06-23 | 2019-02-12 | 电子湾有限公司 | 文件系统映像处理系统 |
| CN115131172A (zh) * | 2022-08-29 | 2022-09-30 | 广东电网有限责任公司佛山供电局 | 基于多源数据融合的电力作业违章智能识别方法和系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7587592B2 (en) * | 2002-04-03 | 2009-09-08 | Ntt Docomo, Inc. | Distribution method, distribution system, and terminal device |
| US20230252383A1 (en) * | 2020-12-18 | 2023-08-10 | Strong Force Vcn Portfolio 2019, Llc | Robotic Fleet Resource Provisioning System |
-
2023
- 2023-10-17 CN CN202311340770.6A patent/CN117252188B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109328344A (zh) * | 2016-06-23 | 2019-02-12 | 电子湾有限公司 | 文件系统映像处理系统 |
| CN115131172A (zh) * | 2022-08-29 | 2022-09-30 | 广东电网有限责任公司佛山供电局 | 基于多源数据融合的电力作业违章智能识别方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于部分异步复制的云服务可靠部署算法研究;汤小春;田凯飞;段慧芳;;西北工业大学学报;20171215(06);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117252188A (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107506451B (zh) | 用于数据交互的异常信息监控方法及装置 | |
| CN111083225B (zh) | 在物联网平台中的数据处理方法、装置及物联网平台 | |
| CN109062780B (zh) | 自动化测试用例的开发方法及终端设备 | |
| CN112559475B (zh) | 数据实时捕获和传输方法及系统 | |
| CN110737689B (zh) | 数据标准符合性检测方法、装置、系统及存储介质 | |
| CN113254254B (zh) | 系统故障的根因定位方法、装置、存储介质及电子装置 | |
| CN111400288A (zh) | 数据质量检查方法及系统 | |
| CN110688828A (zh) | 文件处理方法及装置、文件处理系统、计算机设备 | |
| CN111274256A (zh) | 基于时序数据库的资源管控方法、装置、设备及存储介质 | |
| CN110769002A (zh) | 基于LabVIEW的报文解析方法、系统、电子设备和介质 | |
| CN109408361A (zh) | Monkey测试复原方法、装置、电子设备及计算机可读存储介质 | |
| CN111552665A (zh) | 标注信息格式转换方法、装置、设备和介质 | |
| CN110716804A (zh) | 无用资源的自动删除方法、装置、存储介质及电子设备 | |
| CN113138906A (zh) | 一种调用链数据采集方法、装置、设备及存储介质 | |
| CN113220907A (zh) | 业务知识图谱的构建方法及装置、介质、电子设备 | |
| CN117252188B (zh) | 一种基于人工智能的软件映像监控方法及系统 | |
| CN111917848A (zh) | 基于边缘计算和云计算协同的数据处理方法及云服务器 | |
| CN110955709B (zh) | 一种数据的处理方法、装置及电子设备 | |
| CN113282504A (zh) | 一种增量代码覆盖率检测方法及业务开发方法、装置 | |
| CN113326407A (zh) | 一种数据处理方法及装置 | |
| CN112597119A (zh) | 一种处理日志的生成方法、装置及存储介质 | |
| CN107609008A (zh) | 一种基于Apache Sqoop的从关系型数据库到Kafka的数据导入装置及方法 | |
| CN113033832B (zh) | 一种汽修数据录入方法、装置、终端设备及可读存储介质 | |
| CN115774752A (zh) | 一种数据同步方法、装置、设备及介质 | |
| CN117687981A (zh) | 日志管理方法、装置、存储介质及电子设备 |
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 |