WO2020140619A1 - 基于机器学习的系统升级失败的诊断方法、装置、计算机设备及计算机可读存储介质 - Google Patents
基于机器学习的系统升级失败的诊断方法、装置、计算机设备及计算机可读存储介质 Download PDFInfo
- Publication number
- WO2020140619A1 WO2020140619A1 PCT/CN2019/117672 CN2019117672W WO2020140619A1 WO 2020140619 A1 WO2020140619 A1 WO 2020140619A1 CN 2019117672 W CN2019117672 W CN 2019117672W WO 2020140619 A1 WO2020140619 A1 WO 2020140619A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- upgrade failure
- upgrade
- index value
- sample data
- test
- 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.)
- Ceased
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Prevention of errors by analysis, debugging or testing of software
Definitions
- the present application relates to the field of computer technology, and in particular to a method, device, computer device, and computer-readable storage medium for diagnosing system upgrade failure based on machine learning.
- a financial data analysis system refers to a system that analyzes the operating data of financial products, for example, analyzes the ups and downs of stocks, to obtain financial analysis index values.
- financial analysis indicators generally include indicators such as the position holding rate, the rate of rise and fall. After the financial data analysis system is upgraded, the code in the financial data analysis system changes accordingly, and its performance may fluctuate. Therefore, it is necessary to test whether the upgrade of the financial data analysis system is successful.
- the inventor of the present application realized that for the case where the upgrade of the financial data analysis system fails, generally the codes corresponding to the financial data analysis system before and after the upgrade can only be compared to determine the cause of the upgrade failure. Because this method requires developers to spend a lot of time to analyze the code, it is impossible to quickly find the cause of the failure of the financial data analysis system upgrade, so that the problem of the failure of the financial data analysis system upgrade cannot be dealt with in time, making the financial data analysis system upgrade developed Reduced efficiency.
- this application provides a diagnosis of system upgrade failure based on machine learning Method, apparatus, computer equipment and computer readable storage medium.
- this application provides a method for diagnosing system upgrade failures based on machine learning, including:
- test index value obtained by testing the financial data analysis system, where the test index value is when the financial data analysis system is tested as an upgrade failure, and after inputting the operation data of the financial product to the financial data analysis system during the test.
- the test index value and the upgrade failure type label are input to a preset second machine learning model for processing to obtain an upgrade failure reason label, wherein the second machine learning model is used according to the test index value and all
- the upgrade failure type label determines the upgrade failure reason of the financial data analysis system when the upgrade fails, and serves as the upgrade failure reason label;
- the present application provides a diagnostic device for system failure based on machine learning.
- the device includes:
- the first obtaining unit is used to obtain a test index value obtained by testing the financial data analysis system, wherein the test index value is the financial data analysis system that is tested as an upgrade failure After inputting the operation data of the financial product, the value obtained by the financial data analysis system for the test index;
- a first execution unit configured to input the test index value into a preset first machine learning model for processing to obtain an upgrade failure type label, wherein the first machine learning model is used to determine the value based on the test index value Describe the upgrade failure type of the financial data analysis system when the upgrade fails, as the upgrade failure type label;
- a second execution unit configured to input the test index value and the upgrade failure type label into a preset second machine learning model for processing to obtain an upgrade failure reason label, wherein the second machine learning model is used to The test index value and the upgrade failure type label determine the upgrade failure reason of the financial data analysis system when the upgrade fails, and serve as the upgrade failure reason label;
- the output unit is configured to output the label of the reason for the upgrade failure.
- the present application provides a computer device, including a processor; and a memory, for storing a diagnostic program of a system upgrade failure of the processor based on machine learning; wherein, the processor is configured to execute Apply for the method in the first aspect or any possible implementation manner of the first aspect.
- the present application provides a computer-readable storage medium on which a diagnostic program for a system upgrade failure based on machine learning is stored.
- the diagnostic program for a system upgrade failure based on machine learning is executed by a processor as follows The method in the first aspect of the present application or any possible implementation manner of the first aspect.
- a computer program product comprising a non-transitory computer-readable storage medium storing a computer program, the computer program being operable to cause a computer to execute as described in the first aspect of the present application Method or any possible implementation manner of the first aspect.
- test index value obtained by testing the financial data analysis system; enter the test index value into a preset first machine learning model for processing to obtain an upgrade failure type label; enter the test index value and the upgrade failure type label Input to a preset second machine learning model for processing to obtain an upgrade failure reason label; output the upgrade failure reason label.
- this application can quickly find the cause of the failure of the upgrade of the financial data analysis system, so that the problem of the failure of the upgrade of the financial data analysis system can be dealt with in time, and the efficiency of the upgrade and development of the financial data analysis system is significantly improved .
- FIG. 1 is an implementation flowchart of a method for diagnosing system upgrade failure based on machine learning provided in an embodiment of the present application.
- FIG. 2 is an implementation flowchart of a method for diagnosing system upgrade failure based on machine learning provided in an embodiment of the present application.
- FIG. 3 is an implementation flowchart of a diagnosis device for system failure based on machine learning provided in an embodiment of the present application.
- FIG. 4 schematically shows an example block diagram of a computer device for implementing the above-mentioned machine learning-based system upgrade failure diagnosis method.
- FIG. 5 schematically shows a computer-readable storage medium for implementing the above-described method for diagnosing a system upgrade failure based on machine learning.
- FIG. 1 is an implementation flowchart of a method for diagnosing a system upgrade failure based on machine learning provided by an embodiment of the present application.
- the execution body of the method for diagnosing a system upgrade failure based on machine learning in this embodiment refers to a financial data analysis system, where the financial data analysis system refers to a system that analyzes the operating data of financial products, such as the stock's ups and downs, to obtain financial analysis index values.
- the method for diagnosing a system failure based on machine learning as shown in FIG. 1 may include the following steps:
- Step S101 Obtain a test index value obtained by testing the financial data analysis system, where the test index value is the value of the financial data analysis system input to the financial data analysis system when the financial data analysis system is tested as an upgrade failure After running the data, the financial data analysis system obtains the values obtained for the test indicators.
- step S101 for the financial data analysis system, it needs to be regularly updated and updated to make the function of the system more perfect.
- the financial data analysis system is updated, the corresponding code in the financial data analysis system will change, so its performance may fluctuate accordingly. Therefore, the upgraded financial data analysis system needs to be upgraded and tested to determine its Whether the upgrade was successful.
- the financial data analysis system When testing the financial data analysis system, it is generally used to input the operating data of a financial product into the financial data analysis system before and after the upgrade to obtain the financial analysis index value for the test index; if before and after the upgrade
- the obtained financial analysis index values vary greatly, indicating that the upgrade of the financial data analysis system has failed.
- the operating data of financial products can be specifically the stock's ups and downs curve data, and the corresponding financial analysis index values can be specific indicators such as the position holding rate and the rate of rise and fall, of course, not limited to this.
- the computer equipment In order to obtain the specific reason for the failure of the upgrade of the financial data analysis system, the computer equipment needs to obtain the test index value, where the test index value is the operation data of the financial product input into the financial data analysis system when the financial data analysis system fails to upgrade
- the output result obtained by the processing, that is, the corresponding financial analysis index value the computer device needs to determine the specific reason for the failure of the upgrade of the financial data analysis system based on the test index value.
- Step S102 Input the test index value into a preset first machine learning model for processing to obtain an upgrade failure type label, wherein the first machine learning model is used to determine the financial data analysis according to the test index value
- the upgrade failure type of the system when the upgrade fails is used as the upgrade failure type label.
- step S102 the computer device inputs the test index value to a preset first machine learning model for processing to obtain an upgrade failure type label.
- the first machine learning model needs to be obtained after training and is stored in the computer device.
- the first machine learning model is specifically used to analyze and process the input test index value to determine the type of upgrade failure when the financial data analysis system fails to upgrade And use it as the upgrade failure type label.
- each upgrade failure type label contains multiple Upgrade failure reasons are similar but there are different upgrade failure reason labels.
- Each upgrade failure reason label indicates a failure reason when the financial data analysis system fails to upgrade.
- Step S103 the test index value and the upgrade failure type label are input to a preset second machine learning model for processing to obtain an upgrade failure reason label, wherein the second machine learning model is used according to the test index
- the value and the upgrade failure type label determine the upgrade failure reason of the financial data analysis system when the upgrade fails, and serve as the upgrade failure reason label.
- step S103 the computer device inputs the test index value and the upgrade failure type label to a preset second machine learning model for processing to obtain the upgrade failure reason label.
- the second machine learning model needs to be obtained after training and is stored in the computer device.
- the second machine learning model is used to analyze the input test index value and the upgrade failure type label to determine when the financial data analysis system fails to upgrade The reason for the failure of the upgrade, and use it as the label of the cause of the upgrade failure.
- each upgrade failure type tag contains multiple upgrade failure reason tags that are similar but have different causes
- the second machine learning model needs to be based on the test index value and the first A machine learning model analyzes and obtains the corresponding upgrade failure reason label according to the upgrade failure reason label determined by the test index value.
- Step S104 Output the upgrade failure reason tag.
- step S104 the computer device obtains the upgrade failure reason label, and outputs the upgrade failure reason label to the corresponding display interface or display interface, so that the management personnel can promptly obtain the specific failure reason of the financial data analysis system when the upgrade fails, so that it can be timely Dealing with the failure of the upgrade of the financial data analysis system has significantly improved the efficiency of the upgrade and development of the financial data analysis system.
- the computer device obtains the test index value obtained by testing the financial data analysis system; enters the test index value into a preset first machine learning model for processing to obtain an upgrade failure type label; and sets the test index value And the upgrade failure type label is input to a preset second machine learning model for processing to obtain an upgrade failure reason label; and the upgrade failure reason label is output.
- the present invention can quickly find the cause of the failure of the upgrade of the financial data analysis system, so that the problem of the failure of the upgrade of the financial data analysis system can be dealt with in time, and the efficiency of the upgrade and development of the financial data analysis system is significantly improved .
- the first machine learning model is pre-trained using the following method:
- the failure type label is used as the output of the first machine training model to train the first machine training model.
- test index value included in each piece of sample data in the first test set is input to the trained first machine training model to obtain a predicted upgrade failure type label.
- the trained first machine training model is identified as the first machine learning model.
- each sample data in the first sample data contains the test index value and the known upgrade failure type label
- the test index value is the operation data set of the financial data analysis system for the input financial product when the upgrade fails
- the known upgrade failure type label is the upgrade failure type label known by the financial data analysis system when the upgrade fails.
- the computer device uses the test index value included in each sample data in the first training set as the input of the first machine training model, and uses the known upgrade failure type label included in each sample data in the first training set as the first machine training
- the output of the model is used to train the first training model.
- the computer device uses the test index value included in each sample data in the first training set as the input of the first machine training model, and uses the known The upgrade failure type label is used as the output of the first machine training model.
- the method for training the first machine training model may include: the computer device normalizing the test index value to generate a test index value vector.
- the above normalization process is to divide all the element indexes in the test index value by the standard value of the element index to generate the corresponding test index value vector; wherein, the standard value of each element index refers to the financial data analysis system before the upgrade
- the corresponding element index value in the output result obtained by processing the operation data of the input financial product therefore, when the computer equipment normalizes the test index value, it is also necessary to obtain the input financial data from the financial data analysis system before upgrading
- the output result obtained by processing the operation data of the product is convenient for normalizing the test index value to generate a test index value vector.
- the computer device After the computer device normalizes the test index value to generate a test index value vector, it also clusters the test index value vector corresponding to each sample in the first training set into N classes through a clustering algorithm, where N is A positive integer greater than 1, the test index value vectors of each class aggregated by the above method have similar characteristics, and the computer device will fail to upgrade according to the test index value corresponding to the test index value vector of each class aggregated
- the type label is labeled with the corresponding upgrade failure type label for the class.
- the method for the computer equipment to cluster into N classes through a clustering algorithm specifically includes: any N test index value vectors among all test index value vectors are used as clustering centers; for all test index value vectors, determine each The distance between the test index value vector and the center of each cluster, the test index value vector is grouped into a class with the smallest distance, and according to the average vector of all test index value vectors in each class As the cluster center reselected for this class.
- the computer device selects multiple test index value vectors from each of the N classes, and inputs the multiple test index value vectors of each class and the upgrade failure type label affixed to the class to the first A machine training model, training the first machine training model, so that it learns to process according to the test index value to obtain the upgrade failure type label.
- the computer device After the training of the first machine training model is completed, the computer device inputs the test index value contained in each sample data in the first test set to the trained first machine training model to obtain the predicted upgrade failure type label.
- the computer device verifies the trained first machine training model based on the known upgrade failure type label contained in each sample data in the first test set, and if the verification passes, the trained first machine training model is identified Is the first machine learning model, otherwise, it continues to train the first machine training model.
- the method for verifying the trained first machine training model based on the known upgrade failure type label contained in each sample data in the first test set specifically includes: determining the known The upgrade failure type label is consistent with the predicted upgrade failure type label to verify the trained first training model.
- the verification passes, so the computer
- the device recognizes the trained first machine training model as the first machine learning model. If the ratio of the number of sample data items of the known upgrade failure type label and the predicted upgrade failure type label in the first test set to the number of sample data items in the first test set is less than or equal to the predetermined ratio threshold, it means that the verification failed.
- the computer equipment needs to continue to train the first machine training model.
- the second machine learning model is trained using the following method:
- test index value and the predicted upgrade failure type label included in each piece of sample data in the second test set are input to the trained second machine training model to obtain a predicted upgrade failure reason label.
- the trained second machine training model is identified as the second machine learning model.
- Each sample data in the second sample data includes a test index value, a predicted upgrade failure type label, and a known upgrade failure reason label.
- the test index value is the output result obtained when the financial data analysis system processes the operation data of a single financial product of the input financial product operation data set when the upgrade fails, and the predicted upgrade failure type label is the first machine learning model pair.
- the output result after processing the test index value, the known upgrade failure reason label is the known upgrade failure reason label known by the financial data analysis system when the upgrade fails.
- the computer device uses the test index value, the predicted upgrade failure type label and the known upgrade failure reason label included in each sample data in the second training set as the input of the second machine training model, and uses each sample in the second training set
- the known upgrade failure reason tag included in the data is used as the output of the second machine training model to train the second machine training model so that it learns to process the test index value according to the test index value and the first machine learning model
- the determined predicted upgrade failure type label is processed to obtain the predicted upgrade failure reason label.
- the computer device After the training of the second machine training model is completed, the computer device adds the test index value and the predicted upgrade failure type label included in each sample data in the second test set to the trained second machine training model to obtain the predicted Upgrade failure reason label; and verify the trained second machine training model based on the known upgrade failure reason label contained in each sample data in the second test set, if the verification passes, the trained second The machine training model is identified as the second machine learning model, otherwise, the second machine training model continues to be trained.
- the method for verifying the trained second machine training model based on the known upgrade failure reason label contained in each sample data in the second test set specifically includes: judging the known upgrade failure in the second test set Whether the reason label is consistent with the predicted upgrade failure reason type label. Verify the trained second machine training model.
- the computer device recognizes the trained second machine training model as the second machine learning model. If the number of sample data items in the second test set whose label of the cause of the upgrade failure is inconsistent with the label of the predicted type of upgrade failure in the number of sample data in the first test set is less than or equal to the predetermined ratio threshold, the verification fails The computer equipment needs to continue to train the second machine training model.
- FIG. 2 is an implementation flowchart of a method for diagnosing a system upgrade failure based on machine learning provided by an embodiment of the present application.
- S201 to S2012 are also included before S201.
- S201 ⁇ S204 are the same as S101 ⁇ S104 in the foregoing embodiments.
- S2011 ⁇ S2012 are as follows:
- Step S2011 Obtain the comparison index value obtained by processing the operation data of the financial product by the financial data analysis system before the upgrade, and obtain the result obtained by processing the operation data of the financial product by the upgraded financial data analysis system Describe the test index value.
- step S2011 the computer device obtains the comparison index value obtained by processing the operation data of the financial product by the financial data analysis system before the upgrade, and the comparison index value is the operation data of the financial product before the upgrade by the financial data analysis system
- the computer equipment also obtains the test index value obtained by processing the operation data of the financial product by the upgraded financial data analysis system; the test index value is the operation of the upgraded financial data analysis system to the financial product Financial analysis index value obtained by data processing.
- Step S2012 if the difference between the test index value and the comparison index value is greater than or equal to a preset threshold, it is determined that the financial data analysis system fails to upgrade.
- step S2012 the computer device compares the test index value and the comparison index value. If the difference between the test index value and the comparison index value is greater than or equal to the preset threshold, it indicates that the financial analysis index obtained before and after the upgrade If the values are very different, the computer device determines that the financial data analysis system failed to upgrade this time, where the preset threshold is set according to the specific indicator type in the test indicator value.
- a method for diagnosing system upgrade failure based on machine learning in an embodiment of the present application further includes step S2013 after step S2011.
- Step S2013 if the difference between the test index value and the comparison index value is less than a preset threshold, it is determined that the financial data analysis system is successfully upgraded.
- step S2013 the computer device compares the test index value and the comparison index value. If the difference between the test index value and the comparison index value is less than the preset threshold, it means that the financial analysis index values obtained before and after the upgrade are different. If it is very small, the computer equipment determines that the financial data analysis system has been successfully upgraded this time.
- FIG. 3 is a device for diagnosing system upgrade failure based on machine learning provided by an embodiment of the present application.
- the device for diagnosing system upgrade failure based on machine learning may be integrated into the above-mentioned computer equipment, and may specifically include The first acquisition unit 101, the first execution unit 102, the second execution unit 103, and the agent output unit 104.
- the first obtaining unit 101 is configured to obtain a test index value obtained by testing the financial data analysis system, wherein the test index value is analyzed by the financial data analysis system when the financial data analysis system is tested as an upgrade failure. After the system inputs the operation data of the financial product, the value obtained by the financial data analysis system for the test index.
- the first execution unit 102 is configured to input the test index value into a preset first machine learning model for processing to obtain an upgrade failure type label, wherein the first machine learning model is used to determine according to the test index value
- the upgrade failure type of the financial data analysis system when the upgrade fails is used as the upgrade failure type label.
- the second execution unit 103 is configured to input the test index value and the upgrade failure type label into a preset second machine learning model for processing to obtain an upgrade failure reason label, wherein the second machine learning model is used to According to the test index value and the upgrade failure type label, the upgrade failure reason of the financial data analysis system when the upgrade fails is determined as the upgrade failure reason label.
- the output unit 104 is configured to output the upgrade failure reason tag.
- the diagnostic device for system failure based on machine learning further includes:
- the second obtaining unit is used to obtain the comparison index value obtained by processing the operation data of the financial product by the financial data analysis system before upgrade, and obtain the operation data of the financial product by the upgraded financial data analysis system The test index value obtained by processing.
- the first determining unit is configured to determine that the upgrade of the financial data analysis system fails if the difference between the test index value and the comparison index value is greater than or equal to a preset threshold.
- the diagnostic device for system failure based on machine learning further includes:
- the second determination unit is configured to determine that the financial data analysis system is successfully upgraded if the difference between the test index value and the comparison index value is less than a preset threshold.
- the first machine learning model is pre-trained using the following method:
- the failure type label is used as the output of the first machine training model to train the first machine training model.
- test index value included in each piece of sample data in the first test set is input to the trained first machine training model to obtain a predicted upgrade failure type label.
- the trained first machine training model is identified as the first machine learning model.
- the verifying the trained first machine training model based on the known upgrade failure type label included in each sample data in the first test set includes:
- the step of identifying the trained first machine training model as the first machine learning model includes:
- the trained first machine training model is identified as the first machine learning model.
- the second machine learning model is trained using the following method:
- test index value and the predicted upgrade failure type label included in each piece of sample data in the second test set are input to the trained second machine training model to obtain a predicted upgrade failure reason label.
- the trained second machine training model is identified as the second machine learning model.
- the verifying the trained second machine training model based on the known upgrade failure reason label included in each sample data in the second test set includes:
- identifying the trained second machine training model as the second machine learning model includes:
- the second machine training model is identified as the second machine learning model.
- the example embodiments described here can be implemented by software, or can be implemented by software in combination with necessary hardware. Therefore, the technical solution according to the embodiments of the present application can be embodied in the form of a software product, which can be stored in a non-volatile storage medium (which can be a CD-ROM, U disk, mobile hard disk, etc.) or on the network , Including several instructions to enable a computing device (which may be a personal computer, server, mobile terminal, or network device, etc.) to perform the method according to the embodiments of the present application.
- a computing device which may be a personal computer, server, mobile terminal, or network device, etc.
- a computer device capable of implementing the above method is also provided.
- FIG. 4 is a computer device 400 according to this embodiment of the present application.
- the computer device 400 shown in FIG. 4 is only an example, and should not bring any limitation to the functions and use scope of the embodiments of the present invention.
- the computer device 400 is represented in the form of a general-purpose computing device.
- the components of the computer device 400 may include, but are not limited to: the at least one processor 410, the at least one memory 420, and a bus 430 connecting different system components (including the storage unit 420 and the processing unit 410).
- the memory stores program code
- the program code may be executed by the processor 410, so that the processor 410 executes various exemplary implementations according to the present invention described in the "Exemplary Method" section of this specification Steps of the way.
- the processor 410 may execute step S101 as shown in FIG. 1: obtain a test index value obtained by testing the financial data analysis system; step S102: input the test index value into a preset first machine learning The model is processed to obtain an upgrade failure type label; step S103: input the test index value and the upgrade failure type label into a preset second machine learning model for processing to obtain an upgrade failure reason label; step S104: output the upgrade Failure reason label.
- the memory 420 may include a readable medium in the form of a volatile storage unit, such as a random access storage unit (RAM) 4201 and/or a cache storage unit 4202, and may further include a read-only storage unit (ROM) 4203.
- RAM random access storage unit
- ROM read-only storage unit
- the memory 420 may also include a program/utility tool 4204 having a set of (at least one) program modules 4205.
- program modules 4205 include but are not limited to: an operating system, one or more application programs, other program modules, and program data. These Each of the examples or some combination may include an implementation of the network environment.
- the bus 430 may be one or more of several types of bus structures, including a storage unit bus or a storage unit controller, a peripheral bus, a graphics acceleration port, a processing unit, or a local area using any of various bus structures bus.
- the computer device 400 may also communicate with one or more external devices 600 (eg, keyboard, pointing device, Bluetooth device, etc.), and may also communicate with one or more devices that enable a user to interact with the computer device 400, and/or This enables the computer device 400 to communicate with any device (eg, router, modem, etc.) that communicates with one or more other computing devices. Such communication may be performed through an input/output (I/O) interface 440.
- the electronic device 400 can also communicate with one or more networks (such as a local area network (LAN), a wide area network (WAN), and/or a public network, such as the Internet) through the network adapter 460.
- networks such as a local area network (LAN), a wide area network (WAN), and/or a public network, such as the Internet
- the network adapter 460 communicates with other modules of the computer device 400 through the bus 430. It should be understood that although not shown in the figure, other hardware and/or software modules may be used in conjunction with the computer device 400, including but not limited to: microcode, device driver, redundant processing unit, external disk drive array, RAID system, tape drive And data backup storage system.
- the example embodiments described here can be implemented by software, or can be implemented by software in combination with necessary hardware. Therefore, the technical solution according to the embodiments of the present application can be embodied in the form of a software product, which can be stored in a non-volatile storage medium (which can be a CD-ROM, U disk, mobile hard disk, etc.) or on the network , Including several instructions to enable a computing device (which may be a personal computer, server, terminal device, or network device, etc.) to perform the method according to the embodiments of the present application.
- a computing device which may be a personal computer, server, terminal device, or network device, etc.
- a computer-readable storage medium on which a program product capable of implementing the above method of this specification is stored.
- various aspects of the present application may also be implemented in the form of a program product, which includes program code, and when the program product runs on a terminal device, the program code is used to enable the The terminal device executes the steps according to various exemplary embodiments of the present application described in the "Exemplary Method" section of this specification.
- a program product 500 for implementing the above method according to an embodiment of the present application is described. It may use a portable compact disk read-only memory (CD-ROM) and include program code, and may be included in a computer device. For example running on a personal computer.
- CD-ROM compact disk read-only memory
- the program product of the present application is not limited to this.
- the readable storage medium may be any tangible medium containing or storing a program, which may be used by or in combination with an instruction execution system, apparatus, or device.
- the above-mentioned computer-readable storage medium may be a non-volatile readable storage medium, such as a non-volatile readable storage medium stored in a CD-ROM, a USB flash drive, or a mobile hard disk device, and may include several instructions to make a computer
- the device (which may be a personal computer, server, terminal device, or network device, etc.) executes the method according to the embodiment of the present application.
- the program product may employ any combination of one or more readable media.
- the readable medium may be a readable signal medium or a readable storage medium.
- the readable storage medium may be, for example but not limited to, an electrical, magnetic, optical, electromagnetic, infrared, or semiconductor system, apparatus, or device, or any combination of the above. More specific examples (non-exhaustive list) of readable storage media include: electrical connections with one or more wires, portable disks, hard disks, random access memory (RAM), read only memory (ROM), erasable Programmable read-only memory (EPROM or flash memory), optical fiber, portable compact disk read-only memory (CD-ROM), optical storage device, magnetic storage device, or any suitable combination of the foregoing.
- the computer-readable signal medium may include a data signal that is transmitted in baseband or as part of a carrier wave, in which readable program code is carried. This propagated data signal can take many forms, including but not limited to electromagnetic signals, optical signals, or any suitable combination of the foregoing.
- the readable signal medium may also be any readable medium other than a readable storage medium, and the readable medium may send, propagate, or transmit a program for use by or in combination with an instruction execution system, apparatus, or device.
- the program code contained on the readable medium may be transmitted on any appropriate medium, including but not limited to wireless, wired, optical fiber cable, RF, etc., or any suitable combination of the foregoing.
- the program code for performing the operations of the present invention can be written in any combination of one or more programming languages including object-oriented programming languages such as Java, C++, etc., as well as conventional procedural Programming language-such as "C" language or similar programming language.
- the program code may be executed entirely on the user computing device, partly on the user device, as an independent software package, partly on the user computing device and partly on the remote computing device, or entirely on the remote computing device or server To execute.
- the remote computing device may be connected to the user computing device through any kind of network, including a local area network (LAN) or a wide area network (WAN), or may be connected to an external computing device (eg, using Internet service provision Business to connect via the Internet).
- LAN local area network
- WAN wide area network
- Internet service provision Business to connect via the Internet
- An embodiment of the present application provides a computer program product.
- the computer program product includes a non-transitory computer-readable storage medium that stores the computer program.
- the computer program is operable to cause the computer to perform the operations based on the previous embodiments of the present application. Diagnosis method of machine learning system upgrade failure.
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请揭示了一种基于机器学习的系统升级失败的诊断方法、装置、计算机设备及计算机可读存储介质，属于计算机技术领域，其中方法包括：获取对金融数据分析系统测试得到的测试指标值，其中，所述测试指标值为金融数据分析系统在被测试为升级失败时，对测试时向所述金融数据分析系统输入金融产品的运行数据后所述金融数据分析系统针对测试指标得到的数值；将所述测试指标值输入至预设的第一机器学习模型进行处理得到升级失败类型标签。本申请提出的方法使得在金融数据分析系统升级失败时，能快速找到金融数据分析系统升级失败的原因，并及时对金融数据分析系统升级失败的问题进行处理，提高金融数据分析系统升级开发的效率。
Description
本申请要求引用2019年01月03日递交、发明名称为“基于机器学习的系统升级失败的诊断方法及装置”的中国专利申请201910004453.4的优先权，在此通过引用将其全部内容合并于此。
本申请涉及计算机技术领域，尤其是涉及基于机器学习的系统升级失败的诊断方法、装置、计算机设备及计算机可读存储介质。
金融数据分析系统是指对金融产品的运行数据进行分析，例如对股票的涨跌曲线进行分析，从而得到金融分析指标值的系统。其中，金融分析指标一般包括持仓率、涨跌率等指标。由于金融数据分析系统在升级后，金融数据分析系统中的代码发生相应改变，其性能可能出现波动，因此需要测试金融数据分析系统的该次升级是否成功。
在对金融数据分析系统进行升级测试时，将某一金融产品的运行数据分别输入到升级前以及升级后的金融数据分析系统中进行分析得到对应的金融分析指标值，如果升级前后得到的金融分析指标值相差很大，则说明金融数据分析系统此次升级失败。
本申请的发明人意识到，对于金融数据分析系统升级失败的情况，一般只能将升级前以及升级后的金融数据分析系统对应的代码进行比对确定升级失败的原因。由于该方法需要开发人员花费大量的时间去分析代码，因此无法快速找到金融数据分析系统升级失败的原因，从而不能及时对金融数据分析系统升级失败的问题进行处理，使得金融数据分析系统升级开发的效率降低。
基于此，为解决现有技术中，对于金融数据分析系统升级失败的情况，无法快速找到金融数据分析系统升级失败的原因的技术问题，本申请提供了一种基于机器学习的系统升级失败的诊断方法、装置、计算机设备及计算机可读存储介质。
第一方面，本申请提供了一种基于机器学习的系统升级失败的诊断方法，包括：
获取对金融数据分析系统测试得到的测试指标值，其中，所述测试指标值为金融数据分析系统在被测试为升级失败时，对测试时向所述金融数据分析系统输入金融产品的运行数据后所述金融数据分析系统针对测试指标得到的数值；
将所述测试指标值输入至预设的第一机器学习模型进行处理得到升级失败类型标签，其中，所述第一机器学习模型用于根据所述测试指标值确定所述金融数据分析系统在升级失败时的升级失败类型，作为升级失败类型标签；
将所述测试指标值以及所述升级失败类型标签输入至预设的第二机器学习模型进行处理得到升级失败原因标签，其中，所述第二机器学习模型用于根据所述测试指标值以及所述升级失败类型标签确定所述金融数据分析系统在升级失败时的升级失败原因，作为升级失败原因标签；
输出所述升级失败原因标签。
第二方面，本申请提供了一种基于机器学习的系统升级失败的诊断装置，所述装置包括：
第一获取单元，用于获取对金融数据分析系统测试得到的测试指标值，其中，所述测试指标值为金融数据分析系统在被测试为升级失败时，对测试时向所述金融数据分析系统输入金融产品的运行数据后所述金融数据分析系统针对测试指标得到的数值；
第一执行单元，用于将所述测试指标值输入至预设的第一机器学习模型进行处理得到升级失败类型标签，其中，所述第一机器学习模型用于根据所述测试指标值确定所述金融数据分析系统在升级失败时的升级失败类型，作为升级失败类型标签；
第二执行单元，用于将所述测试指标值以及所述升级失败类型标签输入至预设的第二机器学习模型进行处理得到升级失败原因标签，其中，所述第二机器学习模型用于根据所述测试指标值以及所述升级失败类型标签确定所述金融数据分析系统在升级失败时的升级失败原因，作为升级失败原因标签；
输出单元，用于输出所述升级失败原因标签。
第三方面，本申请提供了一种计算机设备，包括处理器；以及存储器，用于存储所述处理器的基于机器学习的系统升级失败的诊断程序；其中，所述处理器配置为执行如本申请第一方面或第一方面任意可能实现方式中的方法。
第四方面，本申请提供了一种计算机可读存储介质，其上存储有基于机器学习的系统升级失败的诊断程序，所述基于机器学习的系统升级失败的诊断程序被处理器执行时实现如本申请第一方面或第一方面任意可能实现方式中的方法。
第五方面，提供了一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如本申请第一方面所述的方法或第一方面任意可能实现方式中的方法。
本申请提供的技术方案可以包括以下有益效果：
获取对金融数据分析系统测试得到的测试指标值；将所述测试指标值输入至预设的第一机器学习模型进行处理得到升级失败类型标签；将所述测试指标值以及所述升级失败类型标签输入至预设的第二机器学习模型进行处理得到升级失败原因标签；输出所述升级失败原因标签。对于金融数据分析系统升级失败的情况，本申请能快速找到金融数据分析系统升级失败的原因，从而能及时对金融数据分析系统升级失败的问题进行处理，使得金融数据分析系统升级开发的效率显著提高。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本申请。
图1是本申请的一个实施例中提供的基于机器学习的系统升级失败的诊断方法的实现流程图。
图2是本申请的一个实施例中提供的基于机器学习的系统升级失败的诊断方法的实现流程图。
图3是本申请的一个实施例中提供的基于机器学习的系统升级失败的诊断装置的实现流程图。
图 4示意性示出一种用于实现上述基于机器学习的系统升级失败的诊断方法的计算机设备的示例框图。
图5示意性示出一种用于实现上述基于机器学习的系统升级失败的诊断方法的计算机可读存储介质。
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参阅图1，图1是本申请的一个实施例提供的一种基于机器学习的系统升级失败的诊断方法的实现流程图，本实施例中的基于机器学习的系统升级失败的诊断方法的执行主体为计算机设备，本申请中的系统指的是金融数据分析系统，其中，金融数据分析系统是指对金融产品的运行数据，例如股票的涨跌曲线进行分析，从而得到金融分析指标值的系统。
如图1所示的基于机器学习的系统升级失败的诊断方法可包括以下步骤：
步骤S101，获取对金融数据分析系统测试得到的测试指标值，其中，所述测试指标值为金融数据分析系统在被测试为升级失败时，对测试时向所述金融数据分析系统输入金融产品的运行数据后所述金融数据分析系统针对测试指标得到的数值。
在步骤S101中，对于金融数据分析系统，需要对其进行定期的升级更新，以使得该系统的功能更加完善。在对金融数据分析系统进行升级更新时，由于金融数据分析系统中对应的代码会产生改变，因此其性能可能会产生相应的波动，因此需要对升级后的金融数据分析系统进行升级测试，判断其是否升级成功。
在对金融数据分析系统进行测试时，一般采用将某种金融产品的运行数据分别输入到升级前以及升级后的金融数据分析系统中进行分析，得到针对测试指标的金融分析指标值；如果升级前后得到的金融分析指标值相差很大，则说明金融数据分析系统的升级失败。其中，金融产品的运行数据具体可以为股票的涨跌曲线数据，相应的金融分析指标值具体可以为持仓率、涨跌率等指标，当然，并不限定于此。
在金融数据分析系统升级失败时，需要及时找到金融数据分析系统此次升级失败的原因，以使得管理人员能及时解决金融数据分析系统此时升级失败的问题，而金融数据分析系统在升级失败时，其对金融产品的运行数据进行分析得到的输出结果与金融数据分析系统升级失败的原因之间存在对应关系。为了获取金融数据分析系统升级失败的具体原因，计算机设备需要获取测试指标值，其中，该测试指标值为金融数据分析系统在升级失败时，对输入至金融数据分析系统中的金融产品的运行数据进行处理得到的输出结果，即对应的金融分析指标值，计算机设备需要基于该测试指标值确定金融数据分析系统在升级失败的具体原因。
步骤S102，将所述测试指标值输入至预设的第一机器学习模型进行处理得到升级失败类型标签，其中，所述第一机器学习模型用于根据所述测试指标值确定所述金融数据分析系统在升级失败时的升级失败类型，作为升级失败类型标签。
在步骤S102中，计算机设备将测试指标值输入至预设的第一机器学习模型进行处理得到升级失败类型标签。其中，第一机器学习模型需要经过训练得到，其存储于计算机设备中，第一机器学习模型具体用于对输入的测试指标值进行分析处理，确定金融数据分析系统在升级失败时的升级失败类型，并将其作为升级失败类型标签。
需要说明的是，金融数据分析系统在升级失败时，存在多种升级失败的原因，其中相似的升级失败的原因可以作为一个升级失败的类型标签，因此，每个升级失败类型标签中包含多个升级失败原因相似但是存在区别的升级失败原因标签，每个升级失败原因标签表示金融数据分析系统在升级失败时的一种失败原因。
步骤S103，将所述测试指标值以及所述升级失败类型标签输入至预设的第二机器学习模型进行处理得到升级失败原因标签，其中，所述第二机器学习模型用于根据所述测试指标值以及所述升级失败类型标签确定所述金融数据分析系统在升级失败时的升级失败原因，作为升级失败原因标签。
在步骤S103中，计算机设备将测试指标值以及升级失败类型标签输入至预设的第二机器学习模型进行处理得到升级失败原因标签。其中，第二机器学习模型需要经过训练得到，其存储于计算机设备中，第二机器学习模型用于对输入的测试指标值以及升级失败类型标签进行分析处理，确定金融数据分析系统在升级失败时的升级失败原因，并将其作为升级失败原因标签。
由于每个升级失败类型标签中包含多个升级失败原因相似但是存在区别的升级失败原因标签，为了进一步分析金融数据分析系统在升级失败时具体原因，第二机器学习模型需要根据测试指标值以及第一机器学习模型根据测试指标值所确定的升级失败原因标签去分析得到对应的升级失败原因标签。
步骤S104，输出所述升级失败原因标签。
在步骤S104中，计算机设备获取升级失败原因标签，并输出升级失败原因标签至对应的显示界面或展示界面中，便于管理人员及时获取金融数据分析系统在升级失败时的具体失败原因，从而能及时对金融数据分析系统升级失败的问题进行处理，使得金融数据分析系统升级开发的效率显著提高。
以上可以看出，计算机设备获取对金融数据分析系统测试得到的测试指标值；将所述测试指标值输入至预设的第一机器学习模型进行处理得到升级失败类型标签；将所述测试指标值以及所述升级失败类型标签输入至预设的第二机器学习模型进行处理得到升级失败原因标签；输出所述升级失败原因标签。对于金融数据分析系统升级失败的情况，本发明能快速找到金融数据分析系统升级失败的原因，从而能及时对金融数据分析系统升级失败的问题进行处理，使得金融数据分析系统升级开发的效率显著提高。
在本申请的一个实施例中，所述第一机器学习模型采用以下方法预先训练：
获取用于对第一机器训练模型进行训练的第一样本数据，并将所述第一样本数据分成第一训练集和第一测试集；其中，所述第一样本数据中的每条样本数据均包括所述测试指标值及已知的升级失败类型标签。
将所述第一训练集中的每条样本数据包含的所述测试指标值作为所述第一机器训练模型的输入，将所述第一训练集中的每条样本数据包含的所述已知的升级失败类型标签作为所述第一机器训练模型的输出，对所述第一机器训练模型进行训练。
将所述第一测试集中的每条样本数据包含的所述测试指标值输入至训练好的所述第一机器训练模型，得到预测的升级失败类型标签。
基于所述第一测试集中的每条样本数据包含的所述已知的升级失败类型标签对训练好的所述第一机器训练模型进行校验。
若校验通过，则将训练好的所述第一机器训练模型识别为所述第一机器学习模型。
计算机设备在对第一机器学习模型进行训练时，需要获取用于对第一机器训练模型进行训练的第一样本数据，并将第一样本数据分成第一训练集和第一测试集；其中，第一样本数据中的每条样本数据均包含测试指标值以及已知的升级失败类型标签，该测试指标值即为金融数据分析系统在升级失败时对输入的金融产品的运行数据集的单个金融产品的运行数据进行处理得到的输出结果，已知的升级失败类型标签为金融数据分析系统在升级失败时所已知的升级失败类型标签。
计算机设备将第一训练集中的每条样本数据包含的测试指标值作为第一机器训练模型的输入，将第一训练集中的每条样本数据包含的已知的升级失败类型标签作为第一机器训练模型的输出，对第一训练模型进行训练。
在本申请的一个实施例中，计算机设备将第一训练集中的每条样本数据包含的测试指标值作为第一机器训练模型的输入，将第一训练集中的每条样本数据包含的已知的升级失败类型标签作为第一机器训练模型的输出，对第一机器训练模型进行训练的方法可以包括：计算机设备对测试指标值进行归一化处理生成测试指标值向量。上述归一化处理是将测试指标值中的所有元素指标除以该元素指标的标准值生成对应的测试指标值向量；其中，每个元素指标的标准值指的是升级前的金融数据分析系统对输入的金融产品的运行数据进行处理得到的输出结果中对应的元素指标值；因此，计算机设备对测试指标值进行归一化处理时，还需要获取升级前的金融数据分析系统对输入的金融产品的运行数据进行处理得到的输出结果，以便于对测试指标值进行归一化处理生成测试指标值向量。
计算机设备在对测试指标值进行归一化处理生成测试指标值向量之后，还对第一训练集中的每个样本对应的测试指标值向量通过聚类算法，聚成N个类，其中，N为大于1的正整数，通过上述方法聚成的每个类的测试指标值向量具有相似的特点，计算机设备将根据聚成的每个类的测试指标值向量对应的测试指标值所对应的升级失败类型标签为该类贴上相应的升级失败类型标签。
计算机设备通过聚类算法，聚成N个类的方法具体包括：在所有的测试指标值向量中任取N个测试指标值向量，作为聚类中心；对于所有的测试指标值向量，确定每个测试指标值向量与每个聚类中心的距离，将该测试指标值向量归到与之距离最小的某个类中，根据聚成的每一类中所有测试指标值向量的平均向量，将其作为该类重新选取的聚类中心。
重复上述步骤，继续确定该测试指标值向量与每个聚类中心的距离，将该测试指标值向量归到与之距离最小的某个类中，根据聚成的每一类中所有测试指标值向量的平均向量，并将其再次作为该类重新选取的聚类中心。重复上述步骤，直到相邻两次聚类的结果完全一样为止，这样聚成的每个类的测试指标值向量具有相似的特点。
计算机设备从N个类中的每个类中各选取出多个测试指标值向量，并将选取每个类的多个测试指标值向量以及为该类所贴上的升级失败类型标签输入至第一机器训练模型，对第一机器训练模型进行训练，使得其学习根据测试指标值进行处理得到升级失败类型标签。
在第一机器训练模型训练完成后，计算机设备将第一测试集中的每条样本数据包含的测试指标值输入至训练好的第一机器训练模型，得到预测的升级失败类型标签。计算机设备基于第一测试集中的每条样本数据包含的已知的升级失败类型标签对训练好的第一机器训练模型进行校验，若校验通过，则将训练好的第一机器训练模型识别为第一机器学习模型，否则，则继续对第一机器训练模型进行训练。
其中，基于第一测试集中的每条样本数据包含的所述已知的升级失败类型标签对训练好的第一机器训练模型进行校验的方法，具体包括：判断第一测试集中的已知的升级失败类型标签与预测的升级失败类型标签是否一致来对训练好的第一训练模型进行校验。
若第一测试集中的已知的升级失败类型标签与预测的升级失败类型标签一致的样本数据条数占第一测试集中样本数据条数的比例超过预定比例阈值，则说明校验通过，因此计算机设备将训练好的第一机器训练模型识别为第一机器学习模型。若第一测试集中的已知的升级失败类型标签与预测的升级失败类型标签的样本数据条数占第一测试集中样本数据条数的比例小于或等于预定比例阈值，则说明校验未通过，计算机设备则需要继续对第一机器训练模型进行训练。
在本申请的一个实施例中，所述第二机器学习模型采用以下方法进行训练：
获取用于对第二机器训练模型进行训练的第二样本数据，并将所述第二样本数据分成第二训练集和第二测试集；其中，所述第二样本数据中的每条样本数据均包括所述测试指标值、所述预测的升级失败类型标签以及已知的升级失败原因标签。
将所述第二训练集中的每条样本数据包含的所述测试指标值、所述预测的升级失败类型标签作为所述第二机器训练模型的输入，将所述第二训练集中的每条样本数据包含的所述已知的升级失败原因标签作为所述第二机器训练模型的输出，对所述第二机器训练模型进行训练。
将所述第二测试集中的每条样本数据包含的所述测试指标值、所述预测的升级失败类型标签输入至训练好的所述第二机器训练模型，得到预测的升级失败原因标签。
基于所述第二测试集中的每条样本数据包含的所述已知的升级失败原因标签对训练好的所述第二机器训练模型进行校验。
若校验通过，则将训练好的所述第二机器训练模型识别为所述第二机器学习模型。
计算机设备在对第二机器学习模型进行训练时，需要获取用于对第二机器训练模型进行训练的第二样本数据，并将第二样本数据分成第二训练集和第二测试集；其中，第二样本数据中的每条样本数据均包含测试指标值、预测的升级失败类型标签以及已知的升级失败原因标签。该测试指标值即为金融数据分析系统在升级失败时对输入的金融产品的运行数据集的单个金融产品的运行数据进行处理得到的输出结果，预测的升级失败类型标签为第一机器学习模型对该测试指标值进行处理后的输出结果，已知的升级失败原因标签为金融数据分析系统在升级失败时所已知的升级失败的原因标签。
计算机设备将第二训练集中的每条样本数据包含的测试指标值、预测的升级失败类型标签以及已知的升级失败原因标签作为第二机器训练模型的输入，将第二训练集中的每条样本数据包含的已知的升级失败原因标签作为第二机器训练模型的输出，对第二机器训练模型进行训练，使得其学习根据测试指标值以及第一机器学习模型对该测试指标值进行处理后所确定的预测的升级失败类型标签进行处理得到预测的升级失败原因标签。
在第二机器训练模型训练完成后，计算机设备将第二测试集中的每条样本数据包含的测试指标值以及预测的升级失败类型标签入至训练好的所述第二机器训练模型，得到预测的升级失败原因标签；并基于第二测试集中的每条样本数据包含的已知的升级失败原因标签对训练好的第二机器训练模型进行校验，若校验通过，则将训练好的第二机器训练模型识别为第二机器学习模型，否则，则继续对第二机器训练模型进行训练。其中，基于第二测试集中的每条样本数据包含的已知的升级失败原因标签对训练好的第二机器训练模型进行校验的方法，具体包括：判断第二测试集中的已知的升级失败原因标签与预测的升级失败原因型标签是否一致对训练好的第二机器训练模型进行校验，若第二测试集中的已知的升级失败原因标签与预测的升级失败原因型标签一致的样本数据条数占第二测试集中样本数据条数的比例超过预定比例阈值，则说明校验通过，因此计算机设备将训练好的第二机器训练模型识别为第二机器学习模型。若第二测试集中的已知的升级失败原因标签与预测的升级失败类型标签不一致的样本数据条数占第一测试集中样本数据条数的比例小于或等于预定比例阈值，则说明校验未通过，计算机设备需要继续对第二机器训练模型进行训练。
参阅图2，图2是本申请的一个实施例提供的基于机器学习的系统升级失败的诊断方法的实现流程图。本实施例与前述实施例的区别在于，本实施例中在S201之前还包括S2011~S2012。其中S201~S204与前述实施例中的S101~S104相同，具体请参阅前述实施例中S101~S104的相关描述，此处不赘述。S2011~S2012具体如下：
步骤S2011，获取升级前的金融数据分析系统对所述金融产品的运行数据进行处理得到的比对指标值，以及获取升级后的金融数据分析系统对所述金融产品的运行数据进行处理得到的所述测试指标值。
在步骤S2011中，计算机设备获取升级前的金融数据分析系统对金融产品的运行数据进行处理得到的比对指标值，比对指标值即为升级前的金融数据分析系统对金融产品的运行数据进行处理得到的金融分析指标值，计算机设备还获取升级后的金融数据分析系统对金融产品的运行数据进行处理得到的测试指标值；测试指标值即为升级后的金融数据分析系统对金融产品的运行数据进行处理得到的金融分析指标值。
步骤S2012，若所述测试指标值和所述比对指标值之间的差值大于或等于预设阈值，则判定所述金融数据分析系统升级失败。
在步骤S2012中，计算机设备将测试指标值和比对指标值进行比对，若测试指标值和比对指标值之间的差值大于或等于预设阈值，则说明升级前后得到的金融分析指标值相差很大，则计算机设备判定金融数据分析系统的此次升级失败，其中，该预设阈值根据测试指标值中的具体的指标类型进行设置。
参阅图2，本申请的一个实施例中的基于机器学习的系统升级失败的诊断方法，在步骤S2011之后还包括步骤S2013。
步骤S2013，若所述测试指标值和所述比对指标值之间的差值小于预设阈值，则判定所述金融数据分析系统升级成功。
在步骤S2013中，计算机设备将测试指标值和比对指标值进行比对，若测试指标值和比对指标值之间的差值小于预设阈值，则说明升级前后得到的金融分析指标值相差很小，则计算机设备判定金融数据分析系统此次升级成功。
参阅图3，图3是本申请的一个实施例提供的基于机器学习的系统升级失败的诊断装置，所述基于机器学习的系统升级失败的诊断装置可以集成于上述的计算机设备中，具体可以包括第一获取单元101、第一执行单元102、第二执行单元103以及代理输出单元104。
第一获取单元101，用于获取对金融数据分析系统测试得到的测试指标值，其中，所述测试指标值为金融数据分析系统在被测试为升级失败时，对测试时向所述金融数据分析系统输入金融产品的运行数据后所述金融数据分析系统针对测试指标得到的数值。
第一执行单元102，用于将所述测试指标值输入至预设的第一机器学习模型进行处理得到升级失败类型标签，其中，所述第一机器学习模型用于根据所述测试指标值确定所述金融数据分析系统在升级失败时的升级失败类型，作为升级失败类型标签。
第二执行单元103，用于将所述测试指标值以及所述升级失败类型标签输入至预设的第二机器学习模型进行处理得到升级失败原因标签，其中，所述第二机器学习模型用于根据所述测试指标值以及所述升级失败类型标签确定所述金融数据分析系统在升级失败时的升级失败原因，作为升级失败原因标签。
输出单元104，用于输出所述升级失败原因标签。
上述装置中各个模块的功能和作用的实现过程具体详见上述基于机器学习的系统升级失败的诊断方法中对应步骤的实现过程，在此不再赘述。
可选地，所述基于机器学习的系统升级失败的诊断装置，还包括：
第二获取单元，用于获取升级前的金融数据分析系统对所述金融产品的运行数据进行处理得到的比对指标值，以及获取升级后的金融数据分析系统对所述金融产品的运行数据进行处理得到的所述测试指标值。
第一判定单元，用于若所述测试指标值和所述比对指标值之间的差值大于或等于预设阈值，则判定所述金融数据分析系统升级失败。
可选地，所述基于机器学习的系统升级失败的诊断装置，还包括：
第二判定单元，用于若所述测试指标值和所述比对指标值之间的差值小于预设阈值，则判定所述金融数据分析系统升级成功。
可选地，所述第一机器学习模型采用以下方法预先训练：
获取用于对第一机器训练模型进行训练的第一样本数据，并将所述第一样本数据分成第一训练集和第一测试集；其中，所述第一样本数据中的每条样本数据均包括所述测试指标值及已知的升级失败类型标签。
将所述第一训练集中的每条样本数据包含的所述测试指标值作为所述第一机器训练模型的输入，将所述第一训练集中的每条样本数据包含的所述已知的升级失败类型标签作为所述第一机器训练模型的输出，对所述第一机器训练模型进行训练。
将所述第一测试集中的每条样本数据包含的所述测试指标值输入至训练好的所述第一机器训练模型，得到预测的升级失败类型标签。
基于所述第一测试集中的每条样本数据包含的所述已知的升级失败类型标签对训练好的所述第一机器训练模型进行校验。
若校验通过，则将训练好的所述第一机器训练模型识别为所述第一机器学习模型。
可选地，所述基于所述第一测试集中的每条样本数据包含的所述已知的升级失败类型标签对训练好的所述第一机器训练模型进行校验，包括：
判断所述第一测试集中的每条样本数据包含的所述已知的升级失败类型标签与所述预测的升级失败类型标签是否一致对所述训练好的所述第一机器训练模型进行校验。
所述若校验通过，则将训练好的所述第一机器训练模型识别为所述第一机器学习模型的步骤，包括：
若所述第一测试集中的所述已知的升级失败类型标签与所述预测的升级失败类型标签一致的样本数据条数占第一测试集中样本数据条数的比例超过预定比例阈值，则将训练好的所述第一机器训练模型识别为所述第一机器学习模型。
可选地，所述第二机器学习模型采用以下方法进行训练：
获取用于对第二机器训练模型进行训练的第二样本数据，并将所述第二样本数据分成第二训练集和第二测试集；其中，所述第二样本数据中的每条样本数据均包括所述测试指标值、所述预测的升级失败类型标签以及已知的升级失败原因标签。
将所述第二训练集中的每条样本数据包含的所述测试指标值、所述预测的升级失败类型标签作为所述第二机器训练模型的输入，将所述第二训练集中的每条样本数据包含的所述已知的升级失败原因标签作为所述第二机器训练模型的输出，对所述第二机器训练模型进行训练。
将所述第二测试集中的每条样本数据包含的所述测试指标值、所述预测的升级失败类型标签输入至训练好的所述第二机器训练模型，得到预测的升级失败原因标签。
基于所述第二测试集中的每条样本数据包含的所述已知的升级失败原因标签对训练好的所述第二机器训练模型进行校验。
若校验通过，则将训练好的所述第二机器训练模型识别为所述第二机器学习模型。
可选地，所述基于所述第二测试集中的每条样本数据包含的所述已知的升级失败原因标签对训练好的所述第二机器训练模型进行校验，包括：
判断所述第二测试集中的每条样本数据包含的所述已知的升级失败原因标签与所述预测的升级失败原因标签是否一致对所述训练好的所述第二机器训练模型进行校验。
所述若校验通过，则将训练好的所述第二机器训练模型识别为所述第二机器学习模型，包括：
若所述第二测试集中的已知的升级失败原因标签与所述预测的升级失败类型标签一致的样本数据条数占第二测试集中样本数目条数的比例超过预定比例阈值，则将训练好的所述第二机器训练模型识别为所述第二机器学习模型。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本申请中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中或网络上，包括若干指令以使得一台计算设备（可以是个人计算机、服务器、移动终端、或者网络设备等）执行根据本申请实施方式的方法。
在本申请的示例性实施例中，还提供了一种能够实现上述方法的计算机设备。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本申请的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式（包括固件、微代码等），或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
参阅图4，图4是根据本申请的这种实施方式的计算机设备400。图4显示的计算机设备400仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，计算机设备400以通用计算设备的形式表现。计算机设备400的组件可以包括但不限于：上述至少一个处理器410、上述至少一个存储器420、连接不同系统组件（包括存储单元420和处理单元410）的总线430。
其中，所述存储器存储有程序代码，所述程序代码可以被所述处理器410执行，使得所述处理器410执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理器410可以执行如图1中所示的步骤S101：获取对金融数据分析系统测试得到的测试指标值；步骤S102：将所述测试指标值输入至预设的第一机器学习模型进行处理得到升级失败类型标签；步骤S103：将所述测试指标值以及所述升级失败类型标签输入至预设的第二机器学习模型进行处理得到升级失败原因标签；步骤S104：输出所述升级失败原因标签。
存储器420可以包括易失性存储单元形式的可读介质，例如随机存取存储单元（RAM）4201和/或高速缓存存储单元4202，还可以进一步包括只读存储单元（ROM）4203。
存储器420还可以包括具有一组（至少一个）程序模块4205的程序/实用工具4204，这样的程序模块4205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线430可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
计算机设备400也可以与一个或多个外部设备600（例如键盘、指向设备、蓝牙设备等）通信，还可与一个或者多个使得用户能与该计算机设备400交互的设备通信，和/或与使得该计算机设备400能与一个或多个其它计算设备进行通信的任何设备（例如路由器、调制解调器等等）通信。这种通信可以通过输入/输出（I/O）接口440进行。并且，电子设备400还可以通过网络适配器460与一个或者多个网络（例如局域网（LAN），广域网（WAN）和/或公共网络，例如因特网）通信。如图所示，网络适配器460通过总线430与计算机设备400的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备400使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中或网络上，包括若干指令以使得一台计算设备（可以是个人计算机、服务器、终端装置、或者网络设备等）执行根据本申请实施方式的方法。
在本申请的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本申请的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本申请各种示例性实施方式的步骤。
参考图5所示，描述了根据本申请的实施方式的用于实现上述方法的程序产品500，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在计算机设备，例如个人电脑上运行。然而，本申请的程序产品不限于此，在本文件中，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。上述计算机可读存储介质可以为非易失性可读存储介质，例如存储于CD-ROM，U盘，移动硬盘设备中的非易失性可读存储介质，可以包括若干指令以使得一台计算设备（可以是个人计算机、服务器、终端装置、或者网络设备等）执行根据本申请实施方式的方法。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（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。
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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网（LAN）或广域网（WAN），连接到用户计算设备，或者，可以连接到外部计算设备（例如利用因特网服务提供商来通过因特网连接）。
本申请一实施例提供了一种计算机程序产品，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，计算机程序可操作来使计算机执行如本申请前述各个实施例中的基于机器学习的系统升级失败的诊断方法。
此外，上述附图仅是根据本申请示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的申请后，将容易想到本申请的其他实施例。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权利要求指出。
Claims (20)
- 基于机器学习的系统升级失败的诊断方法，包括：获取对金融数据分析系统测试得到的测试指标值，其中，所述测试指标值为金融数据分析系统在被测试为升级失败时，对测试时向所述金融数据分析系统输入金融产品的运行数据后所述金融数据分析系统针对测试指标得到的数值；将所述测试指标值输入至预设的第一机器学习模型进行处理得到升级失败类型标签，其中，所述第一机器学习模型用于根据所述测试指标值确定所述金融数据分析系统在升级失败时的升级失败类型，作为升级失败类型标签；将所述测试指标值以及所述升级失败类型标签输入至预设的第二机器学习模型进行处理得到升级失败原因标签，其中，所述第二机器学习模型用于根据所述测试指标值以及所述升级失败类型标签确定所述金融数据分析系统在升级失败时的升级失败原因，作为升级失败原因标签；输出所述升级失败原因标签。
- 根据权利要求1所述的方法，其中，所述获取对金融数据分析系统测试得到的测试指标值的步骤之前，还包括：获取升级前的金融数据分析系统对所述金融产品的运行数据进行处理得到的比对指标值，以及获取升级后的金融数据分析系统对所述金融产品的运行数据进行处理得到的所述测试指标值；若所述测试指标值和所述比对指标值之间的差值大于或等于预设阈值，则判定所述金融数据分析系统升级失败。
- 根据权利要求2所述的方法，其中，所述获取升级前的金融数据分析系统对所述金融产品的运行数据进行处理得到的比对指标值，以及获取升级后的金融数据分析系统对所述金融产品的运行数据进行处理得到的所述测试指标值的步骤之后，还包括：若所述测试指标值和所述比对指标值之间的差值小于预设阈值，则判定所述金融数据分析系统升级成功。
- 根据权利要求1所述的方法，其中，所述第一机器学习模型采用以下方法预先训练：获取用于对第一机器训练模型进行训练的第一样本数据，并将所述第一样本数据分成第一训练集和第一测试集；其中，所述第一样本数据中的每条样本数据均包括所述测试指标值及已知的升级失败类型标签；将所述第一训练集中的每条样本数据包含的所述测试指标值作为所述第一机器训练模型的输入，将所述第一训练集中的每条样本数据包含的所述已知的升级失败类型标签作为所述第一机器训练模型的输出，对所述第一机器训练模型进行训练；将所述第一测试集中的每条样本数据包含的所述测试指标值输入至训练好的所述第一机器训练模型，得到预测的升级失败类型标签；基于所述第一测试集中的每条样本数据包含的所述已知的升级失败类型标签对训练好的所述第一机器训练模型进行校验；若校验通过，则将训练好的所述第一机器训练模型识别为所述第一机器学习模型。
- 根据权利要求4所述的方法，其中，所述基于所述第一测试集中的每条样本数据包含的所述已知的升级失败类型标签对训练好的所述第一机器训练模型进行校验的步骤，包括：判断所述第一测试集中的每条样本数据包含的所述已知的升级失败类型标签与所述预测的升级失败类型标签是否一致对所述训练好的所述第一机器训练模型进行校验；所述若校验通过，则将训练好的所述第一机器训练模型识别为所述第一机器学习模型的步骤，包括：若所述第一测试集中的所述已知的升级失败类型标签与所述预测的升级失败类型标签一致的样本数据条数占第一测试集中样本数据条数的比例超过预定比例阈值，则将训练好的所述第一机器训练模型识别为所述第一机器学习模型。
- 根据权利要求4所述的方法，其中，所述第二机器学习模型采用以下方法进行训练：获取用于对第二机器训练模型进行训练的第二样本数据，并将所述第二样本数据分成第二训练集和第二测试集；其中，所述第二样本数据中的每条样本数据均包括所述测试指标值、所述预测的升级失败类型标签以及已知的升级失败原因标签；将所述第二训练集中的每条样本数据包含的所述测试指标值、所述预测的升级失败类型标签作为所述第二机器训练模型的输入，将所述第二训练集中的每条样本数据包含的所述已知的升级失败原因标签作为所述第二机器训练模型的输出，对所述第二机器训练模型进行训练；将所述第二测试集中的每条样本数据包含的所述测试指标值、所述预测的升级失败类型标签输入至训练好的所述第二机器训练模型，得到预测的升级失败原因标签；基于所述第二测试集中的每条样本数据包含的所述已知的升级失败原因标签对训练好的所述第二机器训练模型进行校验；若校验通过，则将训练好的所述第二机器训练模型识别为所述第二机器学习模型。
- 根据权利要求6所述的方法，其中，所述基于所述第二测试集中的每条样本数据包含的所述已知的升级失败原因标签对训练好的所述第二机器训练模型进行校验的步骤，包括：判断所述第二测试集中的每条样本数据包含的所述已知的升级失败原因标签与所述预测的升级失败原因标签是否一致对所述训练好的所述第二机器训练模型进行校验；所述若校验通过，则将训练好的所述第二机器训练模型识别为所述第二机器学习模型的步骤，包括：若所述第二测试集中的已知的升级失败原因标签与所述预测的升级失败类型标签一致的样本数据条数占第二测试集中样本数目条数的比例超过预定比例阈值，则将训练好的所述第二机器训练模型识别为所述第二机器学习模型。
- 一种基于机器学习的系统升级失败的诊断装置，所述装置包括：第一获取单元，用于获取对金融数据分析系统测试得到的测试指标值，其中，所述测试指标值为金融数据分析系统在被测试为升级失败时，对测试时向所述金融数据分析系统输入金融产品的运行数据后所述金融数据分析系统针对测试指标得到的数值；第一执行单元，用于将所述测试指标值输入至预设的第一机器学习模型进行处理得到升级失败类型标签，其中，所述第一机器学习模型用于根据所述测试指标值确定所述金融数据分析系统在升级失败时的升级失败类型，作为升级失败类型标签；第二执行单元，用于将所述测试指标值以及所述升级失败类型标签输入至预设的第二机器学习模型进行处理得到升级失败原因标签，其中，所述第二机器学习模型用于根据所述测试指标值以及所述升级失败类型标签确定所述金融数据分析系统在升级失败时的升级失败原因，作为升级失败原因标签；输出单元，用于输出所述升级失败原因标签。
- 根据权利要求8所述的装置，其中，所述装置还包括：第二获取单元，用于获取升级前的金融数据分析系统对所述金融产品的运行数据进行处理得到的比对指标值，以及获取升级后的金融数据分析系统对所述金融产品的运行数据进行处理得到的所述测试指标值；第一判断单元，用于若所述测试指标值和所述比对指标值之间的差值大于或等于预设阈值，则判定所述金融数据分析系统升级失败。
- 根据权利要求9所述的装置，其中，所述装置还包括：第二判断单元，用于若所述测试指标值和所述比对指标值之间的差值大于或等于预设阈值，则判定所述金融数据分析系统升级失败。
- 根据权利要求8所述的装置，其中，所述第一机器学习模型采用以下方法预先训练：获取用于对第一机器训练模型进行训练的第一样本数据，并将所述第一样本数据分成第一训练集和第一测试集；其中，所述第一样本数据中的每条样本数据均包括所述测试指标值及已知的升级失败类型标签；将所述第一训练集中的每条样本数据包含的所述测试指标值作为所述第一机器训练模型的输入，将所述第一训练集中的每条样本数据包含的所述已知的升级失败类型标签作为所述第一机器训练模型的输出，对所述第一机器训练模型进行训练；将所述第一测试集中的每条样本数据包含的所述测试指标值输入至训练好的所述第一机器训练模型，得到预测的升级失败类型标签；基于所述第一测试集中的每条样本数据包含的所述已知的升级失败类型标签对训练好的所述第一机器训练模型进行校验；若校验通过，则将训练好的所述第一机器训练模型识别为所述第一机器学习模型。
- 根据权利要求11所述的装置，其中，所述基于所述第一测试集中的每条样本数据包含的所述已知的升级失败类型标签对训练好的所述第一机器训练模型进行校验，包括：判断所述第一测试集中的每条样本数据包含的所述已知的升级失败类型标签与所述预测的升级失败类型标签是否一致对所述训练好的所述第一机器训练模型进行校验；所述若校验通过，则将训练好的所述第一机器训练模型识别为所述第一机器学习模型，包括：若所述第一测试集中的所述已知的升级失败类型标签与所述预测的升级失败类型标签一致的样本数据条数占第一测试集中样本数据条数的比例超过预定比例阈值，则将训练好的所述第一机器训练模型识别为所述第一机器学习模型。
- 根据权利要求8所述的装置，其中，所述第二机器学习模型采用以下方法进行训练：获取用于对第二机器训练模型进行训练的第二样本数据，并将所述第二样本数据分成第二训练集和第二测试集；其中，所述第二样本数据中的每条样本数据均包括所述测试指标值、所述预测的升级失败类型标签以及已知的升级失败原因标签；将所述第二训练集中的每条样本数据包含的所述测试指标值、所述预测的升级失败类型标签作为所述第二机器训练模型的输入，将所述第二训练集中的每条样本数据包含的所述已知的升级失败原因标签作为所述第二机器训练模型的输出，对所述第二机器训练模型进行训练；将所述第二测试集中的每条样本数据包含的所述测试指标值、所述预测的升级失败类型标签输入至训练好的所述第二机器训练模型，得到预测的升级失败原因标签；基于所述第二测试集中的每条样本数据包含的所述已知的升级失败原因标签对训练好的所述第二机器训练模型进行校验；若校验通过，则将训练好的所述第二机器训练模型识别为所述第二机器学习模型。
- 根据权利要求13所述的装置，其中，所述基于所述第二测试集中的每条样本数据包含的所述已知的升级失败原因标签对训练好的所述第二机器训练模型进行校验，包括：判断所述第二测试集中的每条样本数据包含的所述已知的升级失败原因标签与所述预测的升级失败原因标签是否一致对所述训练好的所述第二机器训练模型进行校验；所述若校验通过，则将训练好的所述第二机器训练模型识别为所述第二机器学习模型，包括：若所述第二测试集中的已知的升级失败原因标签与所述预测的升级失败类型标签一致的样本数据条数占第二测试集中样本数目条数的比例超过预定比例阈值，则将训练好的所述第二机器训练模型识别为所述第二机器学习模型。
- 一种计算机设备，包括处理器；以及存储器，用于存储所述处理器的基于机器学习的系统升级失败的诊断程序；其中，所述处理器配置为经由执行所述基于机器学习的系统升级失败的诊断程序来执行以下处理方法：获取对金融数据分析系统测试得到的测试指标值，其中，所述测试指标值为金融数据分析系统在被测试为升级失败时，对测试时向所述金融数据分析系统输入金融产品的运行数据后所述金融数据分析系统针对测试指标得到的数值；将所述测试指标值输入至预设的第一机器学习模型进行处理得到升级失败类型标签，其中，所述第一机器学习模型用于根据所述测试指标值确定所述金融数据分析系统在升级失败时的升级失败类型，作为升级失败类型标签；将所述测试指标值以及所述升级失败类型标签输入至预设的第二机器学习模型进行处理得到升级失败原因标签，其中，所述第二机器学习模型用于根据所述测试指标值以及所述升级失败类型标签确定所述金融数据分析系统在升级失败时的升级失败原因，作为升级失败原因标签；输出所述升级失败原因标签。
- 根据权利要求15所述的计算机设备，其中，所述方法还包括：获取升级前的金融数据分析系统对所述金融产品的运行数据进行处理得到的比对指标值，以及获取升级后的金融数据分析系统对所述金融产品的运行数据进行处理得到的所述测试指标值；若所述测试指标值和所述比对指标值之间的差值大于或等于预设阈值，则判定所述金融数据分析系统升级失败。
- 根据权利要求16所述的计算机设备，其中，所述方法还包括：若所述测试指标值和所述比对指标值之间的差值小于预设阈值，则判定所述金融数据分析系统升级成功。
- 根据权利要求15所述的计算机设备，其中，所述第一机器学习模型采用以下方法预先训练：获取用于对第一机器训练模型进行训练的第一样本数据，并将所述第一样本数据分成第一训练集和第一测试集；其中，所述第一样本数据中的每条样本数据均包括所述测试指标值及已知的升级失败类型标签；将所述第一训练集中的每条样本数据包含的所述测试指标值作为所述第一机器训练模型的输入，将所述第一训练集中的每条样本数据包含的所述已知的升级失败类型标签作为所述第一机器训练模型的输出，对所述第一机器训练模型进行训练；将所述第一测试集中的每条样本数据包含的所述测试指标值输入至训练好的所述第一机器训练模型，得到预测的升级失败类型标签；基于所述第一测试集中的每条样本数据包含的所述已知的升级失败类型标签对训练好的所述第一机器训练模型进行校验；若校验通过，则将训练好的所述第一机器训练模型识别为所述第一机器学习模型。
- 根据权利要求18所述的计算机可读存储介质，其中，基于所述第一测试集中的每条样本数据包含的所述已知的升级失败类型标签对训练好的所述第一机器训练模型进行校验，包括：判断所述第一测试集中的每条样本数据包含的所述已知的升级失败类型标签与所述预测的升级失败类型标签是否一致对所述训练好的所述第一机器训练模型进行校验；所述若校验通过，则将训练好的所述第一机器训练模型识别为所述第一机器学习模型，包括：若所述第一测试集中的所述已知的升级失败类型标签与所述预测的升级失败类型标签一致的样本数据条数占第一测试集中样本数据条数的比例超过预定比例阈值，则将训练好的所述第一机器训练模型识别为所述第一机器学习模型。
- 一种计算机可读存储介质，其上存储有基于机器学习的系统升级失败的诊断程序，所述基于机器学习的系统升级失败的诊断程序被处理器执行时实现权利要求1至7任一项所述的方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910004453.4A CN109871315B (zh) | 2019-01-03 | 2019-01-03 | 基于机器学习的系统升级失败的诊断方法及装置 |
| CN201910004453.4 | 2019-01-03 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2020140619A1 true WO2020140619A1 (zh) | 2020-07-09 |
Family
ID=66917467
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2019/117672 Ceased WO2020140619A1 (zh) | 2019-01-03 | 2019-11-12 | 基于机器学习的系统升级失败的诊断方法、装置、计算机设备及计算机可读存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN109871315B (zh) |
| WO (1) | WO2020140619A1 (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112100066A (zh) * | 2020-09-10 | 2020-12-18 | 杭州览众数据科技有限公司 | 一种数据指标准确性的校验方法及自动化测试工具 |
| CN112785001A (zh) * | 2021-03-02 | 2021-05-11 | 华南师范大学 | 克服歧视与偏见的人工智能教育反省机器人 |
| CN113900865A (zh) * | 2021-08-16 | 2022-01-07 | 广东电力通信科技有限公司 | 智能的电网设备自动化测试方法、系统和可读存储介质 |
| CN114971106A (zh) * | 2021-02-25 | 2022-08-30 | 腾讯科技（深圳）有限公司 | 目标指标值确定方法、装置、计算机设备和存储介质 |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109871315B (zh) * | 2019-01-03 | 2021-09-24 | 平安科技（深圳）有限公司 | 基于机器学习的系统升级失败的诊断方法及装置 |
| CN110362479B (zh) * | 2019-06-19 | 2023-07-14 | 平安科技（深圳）有限公司 | 系统升级测试方法和系统 |
| CN110362478B (zh) * | 2019-06-19 | 2023-04-18 | 平安科技（深圳）有限公司 | 应用升级测试方法、装置、计算机设备和存储介质 |
| CN110990575B (zh) * | 2019-12-18 | 2023-06-23 | 斑马网络技术有限公司 | 测试用例失败原因分析方法、装置及电子设备 |
| CN113392009B (zh) * | 2021-06-21 | 2025-02-14 | 中国工商银行股份有限公司 | 自动化测试的异常处理方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105303197A (zh) * | 2015-11-11 | 2016-02-03 | 江苏省邮电规划设计院有限责任公司 | 一种基于机器学习的车辆跟车安全自动评估方法 |
| CN106790008A (zh) * | 2016-12-13 | 2017-05-31 | 浙江中都信息技术有限公司 | 用于在企业网络中检测异常主机的机器学习系统 |
| CN107103362A (zh) * | 2015-12-31 | 2017-08-29 | 达索系统公司 | 机器学习系统的更新 |
| CN107844867A (zh) * | 2017-11-22 | 2018-03-27 | 广州优视网络科技有限公司 | 数据处理方法、装置及设备 |
| CN108121997A (zh) * | 2016-11-29 | 2018-06-05 | Sap欧洲公司 | 使用机器学习模型的图像数据中的对象分类 |
| CN109871315A (zh) * | 2019-01-03 | 2019-06-11 | 平安科技（深圳）有限公司 | 基于机器学习的系统升级失败的诊断方法及装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100169243A1 (en) * | 2008-12-27 | 2010-07-01 | Kibboko, Inc. | Method and system for hybrid text classification |
| CN106407664B (zh) * | 2016-08-31 | 2018-11-23 | 深圳市中识健康科技有限公司 | 呼吸气体诊断系统的领域自适应装置 |
| CN108196143A (zh) * | 2017-12-11 | 2018-06-22 | 囯网河北省电力有限公司电力科学研究院 | 电力变压器故障深度诊断方法及终端设备 |
-
2019
- 2019-01-03 CN CN201910004453.4A patent/CN109871315B/zh active Active
- 2019-11-12 WO PCT/CN2019/117672 patent/WO2020140619A1/zh not_active Ceased
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105303197A (zh) * | 2015-11-11 | 2016-02-03 | 江苏省邮电规划设计院有限责任公司 | 一种基于机器学习的车辆跟车安全自动评估方法 |
| CN107103362A (zh) * | 2015-12-31 | 2017-08-29 | 达索系统公司 | 机器学习系统的更新 |
| CN108121997A (zh) * | 2016-11-29 | 2018-06-05 | Sap欧洲公司 | 使用机器学习模型的图像数据中的对象分类 |
| CN106790008A (zh) * | 2016-12-13 | 2017-05-31 | 浙江中都信息技术有限公司 | 用于在企业网络中检测异常主机的机器学习系统 |
| CN107844867A (zh) * | 2017-11-22 | 2018-03-27 | 广州优视网络科技有限公司 | 数据处理方法、装置及设备 |
| CN109871315A (zh) * | 2019-01-03 | 2019-06-11 | 平安科技（深圳）有限公司 | 基于机器学习的系统升级失败的诊断方法及装置 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112100066A (zh) * | 2020-09-10 | 2020-12-18 | 杭州览众数据科技有限公司 | 一种数据指标准确性的校验方法及自动化测试工具 |
| CN112100066B (zh) * | 2020-09-10 | 2023-07-04 | 杭州览众数据科技有限公司 | 一种数据指标准确性的校验方法及自动化测试工具 |
| CN114971106A (zh) * | 2021-02-25 | 2022-08-30 | 腾讯科技（深圳）有限公司 | 目标指标值确定方法、装置、计算机设备和存储介质 |
| CN112785001A (zh) * | 2021-03-02 | 2021-05-11 | 华南师范大学 | 克服歧视与偏见的人工智能教育反省机器人 |
| CN112785001B (zh) * | 2021-03-02 | 2024-01-05 | 华南师范大学 | 克服歧视与偏见的人工智能教育反省机器人 |
| CN113900865A (zh) * | 2021-08-16 | 2022-01-07 | 广东电力通信科技有限公司 | 智能的电网设备自动化测试方法、系统和可读存储介质 |
| CN113900865B (zh) * | 2021-08-16 | 2023-07-11 | 广东电力通信科技有限公司 | 智能的电网设备自动化测试方法、系统和可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109871315A (zh) | 2019-06-11 |
| CN109871315B (zh) | 2021-09-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020140619A1 (zh) | 基于机器学习的系统升级失败的诊断方法、装置、计算机设备及计算机可读存储介质 | |
| US20220413839A1 (en) | Software component defect prediction using classification models that generate hierarchical component classifications | |
| CN110968985B (zh) | 集成电路修补算法确定方法及装置、存储介质、电子设备 | |
| US11580425B2 (en) | Managing defects in a model training pipeline using synthetic data sets associated with defect types | |
| CN110990575B (zh) | 测试用例失败原因分析方法、装置及电子设备 | |
| CN111143226B (zh) | 自动化测试方法及装置、计算机可读存储介质、电子设备 | |
| US20150347212A1 (en) | Error classification in a computing system | |
| WO2020082734A1 (zh) | 文本情感识别方法、装置、电子设备及计算机非易失性可读存储介质 | |
| CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
| WO2020232899A1 (zh) | 数据分析系统会诊方法及相关装置 | |
| CN114020916B (zh) | 文本分类方法、装置、存储介质和电子设备 | |
| CN109660533B (zh) | 实时识别异常流量的方法、装置、计算机设备和存储介质 | |
| CN110727437A (zh) | 代码优化项获取方法、装置、存储介质及电子设备 | |
| CN110704390A (zh) | 获取服务器维护脚本的方法、装置、电子设备及介质 | |
| CN111309585A (zh) | 日志数据测试方法及装置、系统、电子设备、存储介质 | |
| CN110647523A (zh) | 数据质量的分析方法及装置、存储介质、电子设备 | |
| US11704222B2 (en) | Event log processing | |
| CN112579429B (zh) | 一种问题定位方法和装置 | |
| CN110363121A (zh) | 指纹图像处理方法及装置、存储介质和电子设备 | |
| CN110826616B (zh) | 信息处理方法及装置、电子设备、存储介质 | |
| CN114860535B (zh) | 数据评估模型生成方法及装置、异常数据监控方法及装置 | |
| CN110888036B (zh) | 测试项目确定方法及装置、存储介质和电子设备 | |
| CN111104400A (zh) | 数据归一方法及装置、电子设备、存储介质 | |
| US11520831B2 (en) | Accuracy metric for regular expression | |
| CN110909824B (zh) | 试验数据的核查方法及装置、存储介质及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 19907444 Country of ref document: EP Kind code of ref document: A1 |
|
| NENP | Non-entry into the national phase |
Ref country code: DE |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 19907444 Country of ref document: EP Kind code of ref document: A1 |