CN113434404B - 校验灾备***可靠性的自动化业务验证方法及装置 - Google Patents
校验灾备***可靠性的自动化业务验证方法及装置 Download PDFInfo
- Publication number
- CN113434404B CN113434404B CN202110706614.1A CN202110706614A CN113434404B CN 113434404 B CN113434404 B CN 113434404B CN 202110706614 A CN202110706614 A CN 202110706614A CN 113434404 B CN113434404 B CN 113434404B
- Authority
- CN
- China
- Prior art keywords
- service
- verification
- interface
- sub
- service verification
- 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
- 238000012795 verification Methods 0.000 title claims abstract description 203
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000011084 recovery Methods 0.000 title claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 22
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 47
- 238000007637 random forest analysis Methods 0.000 claims description 37
- 230000004044 response Effects 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000007418 data mining Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims 1
- 239000000463 material Substances 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 5
- 238000013461 design Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 description 14
- 238000003066 decision tree Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3684—Test management for test design, e.g. generating new test cases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开一种校验灾备***可靠性的自动化业务验证方法及装置,本发明的方法采用基于微服务的API接口网关进行监管,为每一个通过网关的接口配置该接口的***标识,根据日志文件中的接口信息以及***标识进行分类筛选,对相应数据特征进行构建并进行打标分类,通过组合配置业务案例进一步配置业务验证计划,并将业务验证计划提供给子应用***来执行业务验证计划;本发明将原来复杂且大量的手动操作及结果校验通过进一步设计改进,使其可实现业务验证***自动创建业务案例,自动调用业务,自动进行业务验证的自动化处理过程,解决了校验***处理过于复杂,人力物力消耗大,且可靠性差的缺陷,满足了当前各行各业需要使用微服务项目框架的趋势。
Description
技术领域
本发明属于互联网通信技术领域,尤其涉及一种校验灾备***可靠性的自动化业务验证方法及装置
背景技术
随着互联网的高速发展,越来越多的灾备行业开始使用***监管设备操作业务。而这不可避免的便是设备的维护与更新,以及面对突发状况后设备与***的切换。如何保证切换后***进行的每一项业务是可靠的,便需要维护人员为整个***创建各项必需的测试业务,然后手动执行每一项业务,并对结果进行确认,以此来判断当前切换的***是可靠的。但每一项业务的复杂性都是不同的,这就要求维护人员必须了解所有的业务,可以清楚的判断每一项业务是否达到了验证目标。而微服务盛行的今天,每个***关联的服务以及其它***动辄十几个几十个,这大大提高了对维护人员业务认知水平的要求。且如果存在业务方面的前后串联验证,往往需要维护人员等待上一个业务验证完成后,再根据情况判断执行下一个业务验证,大大增加了维护的时间成本。随着时间的推移和业务的发展,***业务会越来越多,越来越复杂,所消耗的人力物力也是无法估量的,简单的依靠人力验证已无法满足互联网高速发展的需求了。
发明内容
本发明的目的是要解决上述现有技术中存在的问题和缺陷,而提供一种校验灾备***可靠性的自动化业务验证方法及装置。
本发明的一方面是提供一种校验灾备行业***可靠性自动化业务验证方法,其特征在于,包括业务验证***自动化创建业务案例,自动调用业务,自动进行业务验证;其验证方法如下:
1)采用基于微服务的API接口网关监管每一个通过网关的子应用***,抓取子应用***的接口信息,并将抓取到的全部接口信息以及与该接口对应生成的***标识存入日志文件中;所述接口信息包括完整的请求报文、请求类型、请求URL及响应报文。所述***标识是指采用所述基于微服务的API接口网关进行监管,为每一个通过网关的接口配置该接口的***标识。
2)根据所述日志文件中的接口信息以及***标识进行分类筛选,利用数据挖掘技术中的随机森林算法进行操作案例的抽取和相应数据特征的构建,对不同数据集场景进行打标分类,放入随机森林算法进行训练,后续的报文信息通过数据标准化流程,模板提取流程、特征流程构建后进行类别预测,通过预测用户的使用类别趋势,组合配置生成业务案例,根据所述业务案例进一步配置业务验证计划,并将所述业务验证计划的对外接口提供给所述子应用***;所述数据标准化流程,模板提取流程、特征流程是将日志文件数据源中的数据标准化后,进行统一提取,并筛选出类别的流程。
3)根据所述子应用***获得的业务验证计划接口,在所述子应用***进行业务切换或重启后,所述子应用***调用所述业务验证计划接口,执行所述业务验证计划;
4)执行所述业务验证,根据业务验证的返回结果确认当前业务是否存在问题,验证***的可靠性是否足够。
进一步的,本发明所述的业务验证***以所述日志文件为数据源,进行以下操作:
a.首先配置所述日志文件所属的服务器地址、环境以及日志文件路径等全部信息,配置好后得到所述日志文件及日志文件中的全部接口信息;
b.在获取所述日志文件的接口信息后,所述业务验证***将根据所述接口信息的***标识进行分类打标,同时将没有所述***标识的数据清洗出去;
c.利用所述随机森林算法进行训练,所述随机森林算法使用分类树算法,采用基尼指数计算原则;所述基尼指数表示在样本集合中随机选中的样本被分错的概率;
所述基尼指数计算原则中的基尼指数越小表示集合中被选中的样本被分错的概率越小,集合的纯度越高,反之集合越不纯;即基尼指数(基尼不纯度)=样本被选中的概率*样本被分错的概率;其计算公式如下:
其中,1)pk表示选中的样本属于k类别的概率,则这个样本被分错的概率是(1-pk);
2)样本集合中有K个类别,一个随机选中的样本可以属于k个类别中的任意一个,因而对每一个类别的结果进行加和处理得到K个类别的基尼指数。
d.通过所述随机森林算法训练预测用户的使用类别趋势以及业务侧重点趋势,且所述接口信息中所有的响应报文均存在有用户使用结果,根据所述随机森林算法得到准确的验证结果;在所述业务验证过程中若抓取到的所述响应报文信息符合验证结果,则为验证成功,若不符合则验证失败;
e.所述业务验证***根据所述随机森林算法预测趋势自动组成业务案例,可实现对复杂业务逻辑的业务验证;所述复杂业务逻辑是指一个业务案例中包含多个操作;即以一个银行业务案例为例,其中包含了用户登录,用户金额,用户数据的增加或删除等几个到几十个操作的组合。
本发明所述验证***的可靠性是指每个行业对自身子应用***业务运行时无故障数量百分比的评定,即当超过该行业规定的百分之八十无故障率,则证明***是可靠的。
本发明所述的***标识是指采用所述基于微服务的API接口网关进行监管,为每一个通过网关的接口配置该接口的***标识。所述***标识由应用标识和功能标识两部分组成,即受所述网关监管的每一个子应用***有一个应用标识,所述子应用***在不同***功能下还设有功能标识,整个***标识由应用标识与功能标识两部分拼接而成,用下划线隔开,用以精确定位接口功能。
本发明所述的子应用***可创建业务验证调用操作,并且可选择立即执行或定时执行所述调用操作;所述调用操作可调用操作中选择的所述业务验证计划,根据所述业务验证计划对应业务案例中所对应的***标识,到不同***的测试环境中模拟执行所述请求报文,并返回所述请求报文示例的所述响应报文,若所述响应报文与预期结果一致,则为验证成功,若不符合则验证失败,验证结果可返回到子应用***的结果展示页。
本发明另一方面还提供一种校验灾备***可靠性的自动化业务验证装置,其特征在于,包括以下模块:
网关抓取模块:配置微服务的API接口网关,监管抓取接口信息,并将抓取到的全部接口信息以及与该接口对应生成的***标识存入指定的日志文件中,以提供给业务验证***模块使用;
业务验证***模块:配置所述日志文件的抓取,并根据抓取到的所述日志文件中的接口信息以及所述***标识进行分类筛选,利用随机森林算法进行数据打标,构建模板模块,且根据预测趋势组合配置生成业务案例,根据所述业务案例进一步配置所述业务验证计划,并将所述业务验证计划的对外接口提供给所述子应用***使用;
子应用***模块:所述微服务统管的各个业务相关的应用***,是各个业务具体实现的载体。
本发明所述网关抓取模块、业务验证***模块、子应用***模块通过软件程序来执行和完成权利要求1-8所述的业务验证方法。
本发明校验灾备***可靠性的自动化业务验证方法及装置,通过将网关接口抓取、数据挖掘自动化案例生成应用于业务验证中,将原来的手动创建案例、手动执行改进设计为人工智能分析,***自动化执行,解决了当前手动业务验证中项目过于庞大,业务需求过于繁杂,以及多串联业务下耗时过长,大量消耗人力物力的问题,同时满足了当前各行各业需要使用微服务项目框架的趋势。本发明将原来复杂且大量的手动操作及结果校验通过进一步设计改进,使其可实现业务验证***的自动创建业务案例,自动调用业务,自动进行业务验证的自动化处理过程,解决了校验***处理过于复杂,人力物力消耗大,且可靠性差的缺陷。
附图说明
图1是本发明业务验证装置模块组成示意图;
图2是随机森林算法的实现原理图;
图3是本发明的业务验证方法流程框图;
图4-7是具体实施例的输出效果示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。本发明可以进行各种不同的改进,以及可以包括各种实施方式。以下所示出的是优选实施例,但这些优选实施例并不限定本发明的多种实施方式。
本发明的技术构思和发明目的是,为了有效减轻灾备***维护人员在***切换或更新迭代后的业务验证工作量,逐步取代维护人员在业务验证中的繁琐操作,将原来复杂且大量的手动操作及结果校验进行了设计改进,使其成为可实现业务验证***的自动化创建业务案例,自动调用业务,自动进行业务验证。解决了灾备***校验门槛高,校验耗时大的痛点,从而有效并准确的进行业务验证。本发明的验证方法不仅是保障了业务验证的成功,同时大大缩减了手动操作所带来的人力物力成本。
本发明设计了一种校验灾备***可靠性的自动化业务验证方法,为实现业务验证***的自动化创建业务案例,自动调用业务并自动进行如下业务验证:
1)本发明采用基于微服务的API接口网关监管每一个通过网关的子应用***,抓取子应用***的接口信息,并将抓取到的全部接口信息以及与该接口对应生成的***标识存入日志文件中;所述接口信息包括完整的请求报文、请求类型、请求URL及响应报文。
本发明的***标识是采用基于微服务的API接口网关进行监管,为每一个通过网关的接口配置该接口的***标识。***标识由应用标识和功能标识两部分组成,即受所述网关监管的每一个子应用***有一个应用标识,而子应用***在不同***功能下还设有功能标识,整个***标识由应用标识与功能标识两部分拼接而成,用下划线隔开,用以精确定位接口功能。
2)根据所述日志文件中的接口信息以及***标识进行分类筛选,利用数据挖掘技术中的随机森林算法进行操作案例的抽取和相应数据特征的构建,对不同数据集场景进行打标分类,放入随机森林算法进行训练。后续的报文信息通过数据标准化流程,模板提取流程、特征流程构建后进行类别预测。通过预测用户的使用类别趋势,组合配置生成业务案例,根据所述业务案例进一步配置业务验证计划,并将所述业务验证计划的对外接口提供给所述子应用***。本发明的数据标准化流程,模板提取流程、特征流程位于业务验证***模块内部,其功能是将日志文件数据源中的数据标准化后,进行统一提取,并筛选出类别的流程。
进一步的,本发明的随机森林算法是一类算法的统称,该类算法的特点是具有极好的准确率,能够有效地运行在大数据集上,能够处理具有高维特征的输入样本,而且不需要降维,能够评估各个特征在分类问题上的重要性等。
3)根据子应用***获得的业务验证计划接口,在子应用***进行业务切换或重启后,子应用***调用所述业务验证计划接口,执行所述业务验证计划。
4)执行所述业务验证,根据业务验证的返回结果确认当前业务是否存在问题,验证***的可靠性是否足够。
本发明的业务验证***以日志文件为数据源,首先配置日志文件所属的服务器地址、环境以及日志文件路径等全部信息,配置好后得到日志文件及日志文件中的全部接口信息。在获取日志文件的接口信息后,业务验证***将根据接口信息的***标识进行分类打标,同时将没有***标识的数据清洗出去。利用随机森林算法进行训练,使用分类树算法,采用基尼指数计算原则。
所述基尼指数计算原则中的基尼指数越小表示集合中被选中的样本被分错的概率越小,集合的纯度越高,反之集合越不纯;即基尼指数(基尼不纯度)=样本被选中的概率*样本被分错的概率;其计算公式如下:
其中,1)pk表示选中的样本属于k类别的概率,则这个样本被分错的概率是(1-pk);
2)样本集合中有K个类别,一个随机选中的样本可以属于k个类别中的任意一个,因而对每一个类别的结果进行加和处理得到K个类别的基尼指数。
通过随机森林算法训练预测用户的使用类别趋势以及业务侧重点趋势,且接口信息中所有的响应报文均存在有用户使用结果,根据随机森林算法得到准确的验证结果;在业务验证过程中若抓取到的响应报文信息符合验证结果,则为验证成功,若不符合则验证失败。业务验证***根据随机森林算法预测趋势自动组成业务案例,可实现对一个业务案例中包含多个操作的复杂业务逻辑的业务验证。即以一个银行业务案例为例,其中包含了用户登录,用户金额,用户数据的增加或删除等几个到几十个操作的组合。
本发明子应用***可以创建业务验证调用操作,可以选择立即执行或定时执行操作中所选择的业务验证计划。根据该计划对应案例中所对应的***标识,到不同***的测试环境中模拟执行请求报文并返回请求报文示例的响应报文。若响应报文与预期结果一致,则为验证成功,若不符合则验证失败。验证结果返回到子应用***的结果展示页。
本发明所述的可靠性是指每个行业对自身子应用***业务运行时无故障数量百分比的评定,即当超过该行业规定的百分之八十无故障率,则证明***是可靠的。如某行业有十个子应用***,日常的业务运行时有九个子应用***未出现故障,超过了该行业规定的百分之八十的无故障率,则证明该***是可靠的。
本发明所述的类别范围包括:请求报文、请求类型、请求URL;不同结构的请求报文、请求类型和请求URL所组成的类别是不同的。
本发明的方法适用于任何网络***产品的验证需求,用户只要进行合理的配置后,即可抓取出各个业务服务的接口信息,并且根据随机森林算法自动进行操作案例的抽取,构建相应的数据特征,并根据不同场景分类打标,通过随机森林算法训练后预测出客户的业务趋势,组合搭配成业务案例,客户也可以在多次使用中保留自己需要并且成熟的案例,使业务验证结果有了足够的保证,而维护人员只需要看到最后的结果是否成功。
本发明的校验灾备行业***可靠性的自动化业务验证装置包括以下功能模块:
网关抓取模块:配置微服务的API接口网关,监管抓取接口信息,并将抓取到的全部接口信息以及与该接口对应生成的***标识存入指定的日志文件中,以提供给业务验证***模块使用。
业务验证***模块:配置日志文件的抓取,并根据抓取到的日志文件中的接口信息以及***标识进行分类筛选,利用随机森林算法进行数据打标,构建模板模块,且根据预测趋势组合配置生成业务案例,再根据业务案例进一步配置业务验证计划,并将业务验证计划的对外接口提供给各子应用***使用。
子应用***模块:微服务统管各个业务相关的应用***,是各个业务具体实现的载体。
本发明所述的网关抓取模块、业务验证***模块、子应用***模块通过软件程序来执行和完成权利要求1-8所述的业务验证方法。
本发明的业务验证涵盖范围是极为广泛的。因为业务验证的数据来源于各个子应用***模块,且可以统计出业务覆盖最多的功能。既保证了业务验证后***的可靠性,也远比人为统计更加清晰,验证的结果也更准确。而现有的手动业务验证中,因为涉及到的***太多,维护人员往往无法把所有的业务案例都统计出来,形成有效的验证计划。而只能选取一些比较有代表性的业务案例去执行,这样就无法保证业务的覆盖率,于是无法避免出现没有覆盖到的业务验证失败的情况。
本发明的自动化业务验证***和方法可以大批量的执行操作,可以高频率的自动化执行业务验证,提高了验证结果的准确性。而人为处理的业务案例和自动处理的业务案例在数量上是无法比拟的。因此,本发明在减少维护成本的同时也大大提高了验证***的可靠性。
实施例1
参照附图1-7所示,根据本发明校验灾备***可靠性的自动化业务验证方法及装置,本发明进行了如下具体的***开发,并获得了良好的输出效果。
如图1所示,本发明装置的网关抓取模块、业务验证***模块、子应用***模块通过软件程序来执行和完成本发明所述的业务验证方法并实现其验证任务。
本实施例配置微服务的API接口网关,将抓取到的全部接口信息以及与该接口对应生成的***标识存入指定的日志文件中。业务验证***模块根据抓取到日志文件中的接口信息和***标识进行分类筛选,通过随机森林算法进行数据打标,预测趋势自动组成业务案例,进一步配置业务验证计划,并将业务验证计划的对外接口提供给各子应用***使用。
如图2所示,为本发明涉及到的随机森林算法中的分类树算法原理图,上述算法会在业务验证***模块中应用,具体流程为当业务验证***模块得到如图3所示的日志文件数据源,所述数据源可以看作训练样本集D,业务验证***模块会在训练样本集D中随机抽取数据,将数据平均分为D1,D2,D3…Dn份,然后每一份数据会形成一个决策树,所述决策树是指判断数据可行性的决策分析方法,是直观运用概率分析的一种图解法。每一个决策树最后会得到一个分类结果,然后整合所有决策树分类结果,概率最高的分类结果数据就是最优分类,也就是上述的最合理的业务案例。
如图3所示,某金融机构平台微服务统管的各个子应用***,在使用时各项请求会通过API接口网关,网关统一抓取接口信息,即请求报文、请求类型、请求URL、响应报文,并将其接口信息及对应生成的***标识存入指定的日志文件中,提供给业务验证***模块使用。业务验证***分类筛选日志文件中的接口信息并生成业务案例,业务案例再通过配置生成业务验证计划,并将业务验证计划对外接口提供给各个子应用***使用,各个子应用***经过业务验证计划调用后得到反馈结果并展示在各子应用***结果的展示页中。
2)该金融机构平台核心的业务验证***如图4和图3所示,用户访问其业务验证***,选择抓取任务功能,该功能是以日志文件为数据源而产生的。用户可以通过对服务器环境、服务器地址、日志文件路径的配置,对所述日志文件进行信息抓取。甚至可以配置在抓取信息时的过滤项,如关键字、操作类型等,这样就可以抓取到自己想要的接口信息。
如图4中列表所展示,用户可以看到其配置的定时抓取信息及手动抓取的信息,也可以看到该抓取任务的执行状态是已完成还是抓取中,同时也可以看到被抓取的日志文件的路径。点击查看详情,也可以查看该次抓取到的日志文件中接口信息的详细信息。用户甚至可以根据日期范围的搜索及抓取方式的搜索来查询自己想要的时间段内的精准信息。这在后续数据量越来越大的情况下,信息统计的效果更为显著。与手动查看日志文件相比,可以实现周期性的抓取,数据量越大,优点也越明显。为后续分类筛选生成操作案例模板打下了良好基础。使工作更加有效率,节省了人力,***的稳定性也更高。
3)如图5和图3所示,当用户成功配置了抓取任务,并且抓取任务生效以后,业务验证***会根据日志中抓取到的信息进行筛选。因为随机森林算法的模板抽取可进行操作案例的划分。如图5所示,业务验证***抓取了某某账户管理***的日志文件,在其日志文件的接口信息里筛选出了“某某用户新增”的操作案例,此时该操作案例便可用于业务案例使用。此外,用户也可以点击操作列中的“配置”按钮,进行自定义配置。也可以使用通过随机森林算法中的分类树算法预测趋势自动生成的业务案例。同样,用户也可以根据“更新方式”、“***名称”等标识条件对操作案例模板进行信息筛选统计。与手动操作相比,这样不仅可以覆盖到所有的子应用***,也可以覆盖到用户认知不到的操作,比人为记录更加有效和清晰。
4)如图6和图3所示,当用户的操作案例逐渐增多以后,用户可以选择业务案例的功能进行多维度的操作案例搭配,让整个业务验证更符合我们的业务轨迹。此外也可以根据随机森林算法中的分类树算法预测趋势自动组合搭配生成业务案例。如图5所示,列表中的“测试业务1”为某银行转账业务案例,用户可以对其关联用户登录操作案例、卡查询操作案例、金额更新操作案例、短信提示操作案例等。这样一整套转账的业务流程下来,让业务验证更加真实、准确。同时用户也可以对该业务的重要性优先级进行分级。“测试业务1”为高优先级业务案例,***会默认将优先级更高的业务案例展示给用户,方便用户优先验证。用户也可以在配置时对该业务案例进行分类,如“测试业务1”被分类为财务,用户在根据业务分类搜索时,可以根据“财务”分类直接搜索到“测试业务1”及相关配置为“财务”分类的业务案例。同时列表中展示的状态为该业务案例最新一次验证状态,业务案例可以实现多次执行验证。用户如想要了解往次验证的情况也可以点击查看历史验证记录,可以比对之前每次的验证结果,发现每一次验证的不同,及时统计验证的优缺点,提高验证效率。
5)如图7和图3所示,用户在得到了成熟的业务案例之后,可以针对业务案例配置验证计划。如图6当中的列表所示,用户根据“测试业务1”配置了一个“验证计划1”,此时业务验证***对外提供的接口中可以查看到“验证计划1”。当本金融机构平台涉及到设备的更新维护或者新***迭代上线后,可以于上线后两小时选择“验证计划1”进行业务验证,也可根据提供的验证入口,由子应用***进行调用。执行结束后会将本次执行结果反馈给各个子应用***,各个子应用***可以根据反馈结果的成功与否来调整子应用***,大大提高了***的可靠性。与手动业务验证相比,本发明业务验证***的验证计划可以由用户自己定制目标时间点定时执行,不用维护人员自身等到该时间节点手动执行,且每次验证计划的执行信息都得到了保留。用户可以根据“执行日期”或“计划名称”筛选后,点击操作栏中的“历史”按钮,便可以查看每次验证计划的执行情况,可以更好的分析巩固业务验证,让业务验证变得更加成熟,***在越来越成熟的业务验证后,也能够变得越来越可靠。
上述实施例说明本发明能够实现抓取各***接口信息、随机森林算法中的分类树算法,在业务验证***模块中通过趋势自动生成业务案例、用户根据操作案例组合自由搭配业务案例、并且可以在各应用***以定时方式自动化执行验证计划,可以使维护人员更方便更准确的进行业务验证。不仅节省了人力物力,还大大提高了验证效率,增加了***的可靠性。
以上详细描述了本发明的优选实施方式,但是,本发明并不限于此。在本发明的技术构思范围内,对本发明技术方案所进行的各种改进或组合,均属于本发明的保护范围。
Claims (10)
1.一种校验灾备***可靠性的自动化业务验证方法,其特征在于,包括业务验证***自动化创建业务案例,自动调用业务,自动进行业务验证;其验证方法如下:
1)采用基于微服务的API接口网关监管每一个通过网关的子应用***,抓取子应用***的接口信息,并将抓取到的全部接口信息以及与该接口对应生成的***标识存入日志文件中;所述接口信息包括完整的请求报文、请求类型、请求URL及响应报文;
2)根据所述日志文件中的接口信息以及***标识进行分类筛选,利用数据挖掘技术中的随机森林算法进行操作案例的抽取和相应数据特征的构建,对不同数据集场景进行打标分类,放入随机森林算法进行训练,后续的报文信息通过数据标准化流程,模板提取流程、特征流程构建后进行类别预测,通过预测用户的使用类别趋势,组合配置生成业务案例,根据所述业务案例进一步配置业务验证计划,并将所述业务验证计划的对外接口提供给所述子应用***;
3)根据所述子应用***获得的业务验证计划接口,在所述子应用***进行业务切换或重启后,所述子应用***调用所述业务验证计划接口,执行所述业务验证计划;
4)执行所述业务验证,根据业务验证的返回结果确认当前业务是否存在问题,验证***的可靠性是否足够。
2.根据权利要求1所述的验证方法,其特征在于,所述业务验证***以所述日志文件为数据源,进行以下操作:
a.首先配置所述日志文件所属的服务器地址、环境以及日志文件路径全部信息,配置好后得到所述日志文件及日志文件中的全部接口信息;
b.在获取所述日志文件的接口信息后,所述业务验证***将根据所述接口信息的***标识进行分类打标,同时将没有所述***标识的数据清洗出去;
c.利用所述随机森林算法进行训练,所述随机森林算法使用分类树算法,采用基尼指数计算原则;所述基尼指数表示在样本集合中随机选中的样本被分错的概率;
d.通过所述随机森林算法训练预测用户的使用类别趋势以及业务侧重点趋势,且所述接口信息中所有的响应报文均存在有用户使用结果,根据所述随机森林算法得到准确的验证结果;在所述业务验证过程中若抓取到的所述响应报文信息符合验证结果,则为验证成功,若不符合则验证失败;
e.所述业务验证***根据所述随机森林算法预测趋势自动组成业务案例,可实现对复杂业务逻辑的业务验证;所述复杂业务逻辑是指一个业务案例中包含多个操作。
3.根据权利要求1所述的验证方法,其特征在于,所述验证***的可靠性是指每个行业对自身子应用***业务运行时无故障数量百分比的评定,即当超过该行业规定的百分之八十无故障率,则证明***是可靠的。
4.根据权利要求1或2所述的验证方法,其特征在于,所述***标识是指采用所述基于微服务的API接口网关进行监管,为每一个通过网关的接口配置该接口的***标识。
5.根据权利要求1或3所述的验证方法,其特征在于,所述的子应用***可创建业务验证调用操作,并且可选择立即执行或定时执行所述调用操作;所述调用操作可调用操作中选择的所述业务验证计划,根据所述业务验证计划对应业务案例中所对应的***标识,到不同***的测试环境中模拟执行所述请求报文,并返回所述请求报文示例的所述响应报文,若所述响应报文与预期结果一致,则为验证成功,若不符合则验证失败,验证结果可返回到子应用***的结果展示页。
6.根据权利要求1所述的验证方法,其特征在于,所述数据标准化流程,模板提取流程、特征流程是将日志文件数据源中的数据标准化后,进行统一提取,并筛选出类别的流程。
7.根据权利要求4所述的验证方法,其特征在于,所述***标识由应用标识和功能标识两部分组成,即受所述网关监管的每一个子应用***有一个应用标识,所述子应用***在不同***功能下还设有功能标识,整个***标识由应用标识与功能标识两部分拼接而成,用下划线隔开,用以精确定位接口功能。
8.根据权利要求2所述的验证方法,其特征在于,所述基尼指数计算原则中的基尼指数越小表示集合中被选中的样本被分错的概率越小,集合的纯度越高,反之集合越不纯;即基尼指数(基尼不纯度)=样本被选中的概率*样本被分错的概率;其计算公式如下:
其中,1)pk表示选中的样本属于k类别的概率,则这个样本被分错的概率是(1-pk);
2)样本集合中有K个类别,一个随机选中的样本可以属于k个类别中的任意一个,因而对每一个类别的结果进行加和处理得到K个类别的基尼指数。
9.一种校验灾备***可靠性的自动化业务验证装置,其特征在于,包括以下模块:
网关抓取模块:采用基于微服务的API接口网关监管每一个通过网关的子应用***,抓取子应用***的接口信息,并将抓取到的全部接口信息以及与该接口对应生成的***标识存入日志文件中;所述接口信息包括完整的请求报文、请求类型、请求URL及响应报文;
业务验证***模块:根据所述日志文件中的接口信息以及***标识进行分类筛选,利用数据挖掘技术中的随机森林算法进行操作案例的抽取和相应数据特征的构建,对不同数据集场景进行打标分类,放入随机森林算法进行训练,后续的报文信息通过数据标准化流程,模板提取流程、特征流程构建后进行类别预测,通过预测用户的使用类别趋势,组合配置生成业务案例,根据所述业务案例进一步配置业务验证计划,并将所述业务验证计划的对外接口提供给所述子应用***;
子应用***模块:根据所述子应用***获得的业务验证计划接口,在所述子应用***进行业务切换或重启后,所述子应用***调用所述业务验证计划接口,执行所述业务验证计划;执行所述业务验证,根据业务验证的返回结果确认当前业务是否存在问题,验证***的可靠性是否足够。
10.根据权利要求9所述的验证装置,其特征在于,所述微服务统管的各个业务相关的应用***,是各个业务具体实现的载体;所述网关抓取模块、业务验证***模块、子应用***模块通过软件程序来执行和完成权利要求1-8所述的业务验证方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110706614.1A CN113434404B (zh) | 2021-06-24 | 2021-06-24 | 校验灾备***可靠性的自动化业务验证方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110706614.1A CN113434404B (zh) | 2021-06-24 | 2021-06-24 | 校验灾备***可靠性的自动化业务验证方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113434404A CN113434404A (zh) | 2021-09-24 |
CN113434404B true CN113434404B (zh) | 2024-03-19 |
Family
ID=77754082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110706614.1A Active CN113434404B (zh) | 2021-06-24 | 2021-06-24 | 校验灾备***可靠性的自动化业务验证方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113434404B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110659202A (zh) * | 2019-08-12 | 2020-01-07 | 网宿科技股份有限公司 | 客户端自动化测试方法及装置 |
CN110971464A (zh) * | 2019-12-10 | 2020-04-07 | 国网信通亿力科技有限责任公司 | 一种适合灾备中心的运维自动化*** |
CN111241145A (zh) * | 2018-11-28 | 2020-06-05 | ***通信集团浙江有限公司 | 一种基于大数据的自愈规则挖掘方法及装置 |
CN111459800A (zh) * | 2020-03-04 | 2020-07-28 | 福建省农村信用社联合社 | 一种业务***可用性验证方法、装置、设备和介质 |
CN112506807A (zh) * | 2021-02-07 | 2021-03-16 | 上海洋漪信息技术有限公司 | 服务于多***的接口自动化测试*** |
CN112783793A (zh) * | 2021-02-09 | 2021-05-11 | 中国工商银行股份有限公司 | 自动化接口测试***及方法 |
CN112804196A (zh) * | 2020-12-25 | 2021-05-14 | 北京明朝万达科技股份有限公司 | 日志数据的处理方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080215387A1 (en) * | 2005-08-22 | 2008-09-04 | Sivakumar Muthusamy | Automation of Validation Life Cycle and Providing 100% Paperless Electronic Validation Process |
-
2021
- 2021-06-24 CN CN202110706614.1A patent/CN113434404B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111241145A (zh) * | 2018-11-28 | 2020-06-05 | ***通信集团浙江有限公司 | 一种基于大数据的自愈规则挖掘方法及装置 |
CN110659202A (zh) * | 2019-08-12 | 2020-01-07 | 网宿科技股份有限公司 | 客户端自动化测试方法及装置 |
CN110971464A (zh) * | 2019-12-10 | 2020-04-07 | 国网信通亿力科技有限责任公司 | 一种适合灾备中心的运维自动化*** |
CN111459800A (zh) * | 2020-03-04 | 2020-07-28 | 福建省农村信用社联合社 | 一种业务***可用性验证方法、装置、设备和介质 |
CN112804196A (zh) * | 2020-12-25 | 2021-05-14 | 北京明朝万达科技股份有限公司 | 日志数据的处理方法及装置 |
CN112506807A (zh) * | 2021-02-07 | 2021-03-16 | 上海洋漪信息技术有限公司 | 服务于多***的接口自动化测试*** |
CN112783793A (zh) * | 2021-02-09 | 2021-05-11 | 中国工商银行股份有限公司 | 自动化接口测试***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113434404A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20170109676A1 (en) | Generation of Candidate Sequences Using Links Between Nonconsecutively Performed Steps of a Business Process | |
CN109684047A (zh) | 事件处理方法、装置、设备和计算机存储介质 | |
WO2019100577A1 (zh) | 自动化测试管理方法、装置、终端设备及存储介质 | |
CN110428127B (zh) | 自动化分析方法、用户设备、存储介质及装置 | |
CN114185708A (zh) | 基于分布式链路追踪的数据分析方法、装置和电子设备 | |
CN111552633A (zh) | 接口的异常调用测试方法、装置、计算机设备及存储介质 | |
CN109560996B (zh) | 物联网终端自动化测试***及方法 | |
US20170109639A1 (en) | General Model for Linking Between Nonconsecutively Performed Steps in Business Processes | |
CN112394908A (zh) | 埋点页面自动生成的方法、装置、计算机设备及存储介质 | |
CN113811854A (zh) | 利用跨应用的活动相关性的微应用功能建议 | |
CN110807050B (zh) | 性能分析方法、装置、计算机设备及存储介质 | |
CN111800292A (zh) | 基于历史流量的预警方法、装置、计算机设备及存储介质 | |
US20170109640A1 (en) | Generation of Candidate Sequences Using Crowd-Based Seeds of Commonly-Performed Steps of a Business Process | |
CN113595886A (zh) | 即时通讯消息的处理方法、装置、电子设备及存储介质 | |
US20170109670A1 (en) | Crowd-Based Patterns for Identifying Executions of Business Processes | |
CN117251228A (zh) | 功能管理方法、装置、计算机设备及存储介质 | |
CN113434404B (zh) | 校验灾备***可靠性的自动化业务验证方法及装置 | |
CN116661936A (zh) | 页面数据的处理方法、装置、计算机设备及存储介质 | |
CN115794545A (zh) | 运维数据的自动化处理方法及其相关设备 | |
CN113360313B (zh) | 一种基于海量***日志的行为分析方法 | |
CN112256959B (zh) | 一种分析微信公众号小程序收集信息的方法 | |
CN112182413B (zh) | 一种基于教学大数据的智能推荐方法及服务器 | |
CN113742501A (zh) | 一种信息提取方法、装置、设备、及介质 | |
CN114189585A (zh) | 骚扰电话异常检测方法、装置及计算设备 | |
US11507728B2 (en) | Click to document |
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 |