CN115562934A - 基于人工智能的业务流量切换方法及相关设备 - Google Patents

Abstract

本申请提出一种基于人工智能的业务流量切换方法、装置、电子设备及存储介质，基于人工智能的业务流量切换方法包括：采集历史时间内预设业务的多条历史监控数据，对所述历史监控数据进行离散化处理得到历史离散监控数据，所述历史监控数据包括至少一种监控属性；储存所述历史离散监控数据和每一条历史离散监控数据的异常等级标签以作为训练集；基于所述训练集搭建决策树模型；获取所述预设业务的实时离散监控数据，并基于所述实时离散监控数据和所述决策树模型得到所述预设业务的异常等级；对所述预设业务的业务流量执行所述异常等级对应的切换措施以获取切换结果。本申请实现了业务流量的自动切换，提高业务流量的切换精度。

Description

基于人工智能的业务流量切换方法及相关设备

技术领域

本申请涉及人工智能技术领域，尤其涉及一种基于人工智能的业务流量切换方法、装置、电子设备及存储介质。

背景技术

信息技术广泛应用在保险、银行、电商等多种场景以实现不同的业务功能。在不同场景的应用***中，为了保障应用***的稳定性和高可用性，需搭建同城、远程、容灾等多套备用环境。当应用***中业务流量太大超过业务运行环境所能承载的负荷或业务运行环境出现异常时，将业务流量切换至其他备用环境，以保证应用***中业务的正常运行。

目前，常常对业务流量的相关数据进行监控，并将监控结果与预先设置的警告阈值进行对比以作为业务流量切换的触发方式，然而，这种业务流量切换的触发方式较为单一，不能实现流量切换的精准控制，存在业务流量切换错误的情况，导致业务流量的切换精度较低。

发明内容

鉴于以上内容，有必要提出一种基于人工智能的业务流量切换方法及相关设备，以解决如何提高业务流量的切换精度这一技术问题，其中，相关设备包括基于人工智能的业务流量切换装置、电子设备及存储介质。

本申请提供基于人工智能的业务流量切换方法，所述方法包括：

采集历史时间内预设业务的多条历史监控数据，对所述历史监控数据进行离散化处理得到历史离散监控数据，所述历史监控数据包括至少一种监控属性；

储存所述历史离散监控数据和每一条历史离散监控数据的异常等级标签以作为训练集；

基于所述训练集搭建决策树模型；

获取所述预设业务的实时离散监控数据，并基于所述实时离散监控数据和所述决策树模型得到所述预设业务的异常等级；

对所述预设业务的业务流量执行所述异常等级对应的切换措施以获取切换结果。

在一些实施例中，在所述对所述历史监控数据进行离散化处理得到历史离散监控数据之前，所述方法还包括：

基于所述监控属性的取值范围对每一种监控属性进行分类得到分类结果，所述分类结果包括连续型属性和离散型属性；

获取目标连续型属性的取值范围，所述目标连续型属性为所有连续型属性中的任意一个；

将所述取值范围划分为预设数量的子范围，所述子范围包括至少一个取值；

为每一个子范围分配作为唯一标识的索引标签以获取所述目标连续型属性的离散映射关系，所述离散映射关系至少包括一个子范围和索引标签的映射对；

遍历所有连续型属性以获取每一个连续型属性的离散映射关系。

在一些实施例中，所述对所述历史监控数据进行离散化处理得到历史离散监控数据包括：

获取目标监控数据中所有连续型属性的属性值，所述目标监控数据为任意一条历史监控数据；

基于同一连续型属性的属性值和离散映射关系获取所述属性值对应的索引标签，并将所述索引标签作为所述目标监控数据中所述连续型属性的离散值；

遍所述目标监控数据中所有连续型属性以获取每一个连续型属性的离散值；

将所有连续型属性的离散值和所有离散型属性的属性值作为所述目标监控数据对应的历史离散监控数据；

遍历所有历史监控数据以获取每一条历史监控数据对应的历史离散监控数据。

在一些实施例中，所述基于所述训练集搭建决策树模型包括：

A1，统计所述训练集中相同监控属性的所有不同取值得到每一种监控属性的离散取值范围；

A2，基于所述训练集计算所有离散取值范围中每一种取值的基尼子系数，并基于相同离散取值范围中所有取值的基尼子系数计算每一种监控属性的基尼系数；

A3，选取所述基尼系数的最小值对应的监控属性作为目标属性，将所述目标属性作为节点信息以获取新增节点；

A4，以所述新增节点为起点绘制第一有向边，将所述目标属性的离散取值范围中基尼子系数的最小值对应的取值作为所述第一有向边的切分值；若所述目标属性的离散取值范围中存在除所述第一有向边的切分值之外的剩余取值，则以所述新增节点为起点绘制第二有向边，并将所有剩余取值作为所述第二有向边的切分值；

A5，基于目标有向边的切分值筛选所述训练集中所有历史离散监控数据以获取所述目标有向边的训练子集，所述目标有向边为所述第一有向边和所述第二有向边中的任意一个，所述训练集为所述训练子集的父训练集；

A6，若所述目标有向边的切分值的基尼子系数均为0，则表示所述训练子集中所有异常等级标签相同，将所述异常等级标签作为所述目标有向边的终点；若所述目标有向边的切分值的基尼子系数至少有一个不为0，将所述训练子集作为新的训练集重复步骤A1到步骤A3以获取新的新增节点，并将新的新增节点作为所述目标有向边的终点；

A7，遍历所有有向边以获取每一个有向边的终点，若所有有向边的终点均为异常等级标签，则获取初始决策树模型；若至少有一个有向边的终点为新增节点，则针对每一个新增节点执行步骤A4到步骤A7，直到获取初始决策树模型；

A8，对所述初始决策树模型进行剪枝操作以获取决策树模型，所述决策树模型的输入为离散监控数据，输出为所述离散监控数据对应的异常等级。

在一些实施例中，所述基尼子系数满足关系式：

其中，n表示异常等级标签中不同异常等级的数量，

表示所述训练集中监控属性P的取值为j的历史离散监控数据的数量；

表示所述训练集中监控属性P的取值为j的历史离散监控数据中异常等级标签为i的数量；Gini(P|P＝j)为监控属性P的离散取值范围中取值j的基尼子系数；

所述基尼系数满足关系式：

其中，N(P)为监控属性P的离散取值范围中所有取值数量，

表示所述训练集中监控属性P的取值为j的历史离散监控数据的数量；∑Num表示所述训练集中历史离散监控数据的数量；Gini(P|P＝j)表示监控属性P的离散取值范围中取值j的基尼子系数，Gibi(P)为监控属性P的基尼系数。

在一些实施例中，在所述基尼系数的最小值对应的监控属性的数量为两个及以上时，所述选取所述基尼系数的最小值对应的监控属性作为目标属性还包括：

a，将所述基尼系数的最小值对应的所有监控属性作为备选属性；

b，判断所述训练集是否存在父训练集；

c，若所述训练集不存在父训练集，则将所述备选属性中的任意一个作为目标属性；

d，若所述训练集存在父训练集，则在所述父训练集中计算每一个所述备选属性的基尼系数并获取所有基尼系数的最小值，若所述最小值对应一个备选属性，将该备选属性作为目标属性，若所述最小值对应两个及以上备选属性，则将所述父训练集作为新的训练集，重复执行步骤b到步骤d，直到得到目标属性时停止。

在一些实施例中，所述获取所述预设业务的实时离散监控数据，并基于所述实时离散监控数据和所述决策树模型得到所述预设业务的异常等级，包括：

采集当前单位时间内所述预设业务的实时监控数据，对所述实时监控数据进行离散化处理以获取实时离散监控数据；

将所述实时离散监控数据输入所述决策树模型得到当前单位时间的初始异常等级；

获取连续预设数量个单位时间的初始异常等级，当所有初始异常等级相同时，则将所述初始异常等级作为所述预设业务的异常等级。

本申请实施例还提供一种基于人工智能的业务流量切换装置，所述装置包括：

离散化单元，用于采集历史时间内预设业务的多条历史监控数据，对所述历史监控数据进行离散化处理得到历史离散监控数据，所述历史监控数据包括至少一种监控属性；

储存单元，用于储存所述历史离散监控数据和每一条历史离散监控数据的异常等级标签以作为训练集；

搭建单元，用于基于所述训练集搭建决策树模型；

异常检测单元，用于获取所述预设业务的实时离散监控数据，并基于所述实时离散监控数据和所述决策树模型得到所述预设业务的异常等级；

切换单元，用于对所述预设业务的业务流量执行所述异常等级对应的切换措施以获取切换结果。

本申请实施例还提供一种电子设备，所述电子设备包括：

存储器，存储至少一个指令；

处理器，执行所述存储器中存储的指令以实现所述的基于人工智能的业务流量切换方法。

本申请实施例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中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现所述的基于人工智能的业务流量切换方法。

综上，本申请通过将预设业务的所有监控数据进行离散化处理得到离散监控数据，并基于决策树模型和离散监控数据获取预设业务准确的异常等级，对预设业务的业务流量执行该异常等级对应的切换措施得到切换结果，实现了业务流量的自动切换，提高业务流量的切换精度。

附图说明

图1是本申请所涉及的基于人工智能的业务流量切换方法的较佳实施例的流程图。

图2是本申请所涉及的决策树模型的结构示意图。

图3是本申请所涉及的业务流量切换的流程示意图。

图4是本申请所涉及的基于人工智能的业务流量切换装置的较佳实施例的功能模块图。

图5是本申请所涉及的基于人工智能的业务流量切换方法的较佳实施例的电子设备的结构示意图。

具体实施方式

为了能够更清楚地理解本申请的目的、特征和优点，下面结合附图和具体实施例对本申请进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互结合。在下面的描述中阐述了很多具体细节以便于充分理解本申请，所述描述的实施例仅是本申请一部分实施例，而不是全部的实施例。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。

本申请实施例提供一种基于人工智能的业务流量切换方法，可应用于一个或者多个电子设备中，电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。

电子设备可以是任何一种可与客户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能式穿戴式设备等。

电子设备还可以包括网络设备和/或客户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(Cloud Computing)的由大量主机或网络服务器构成的云。

电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。

如图1所示，是本申请基于人工智能的业务流量切换方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。

本申请实施例提供的基于人工智能的业务流量切换方法能够应用于保险、银行、电商等多种场景下的应用***，则该方法能够应用于这些场景的产品中。

S10，采集历史时间内预设业务的多条历史监控数据，对所述历史监控数据进行离散化处理得到历史离散监控数据，所述历史监控数据包括至少一种监控属性。

在一个可选的实施例中，所述预设业务为预设应用***实现的业务功能，例如，当所述预设应用***为智能客服***时，所述预设业务为智能问答业务；当所述预设应用***为电子交易***时，所述预设业务为电子支付业务。

该可选的实施例中，所述历史监控数据是历史时间中任意一个单位时间内采集的与预设业务相关的监控数据，所述监控数据包括多种监控属性，所述监控数据可以反应预设业务在业务运行环境中的运行情况。其中，所述单位时间可以为1分钟。示例性的，所述监控数据包括单位时间内采集的业务请求量、平均响应时间、异常请求量和***级别四种监控属性，即一条历史监控数据包括四种监控属性及其属性值。

在一个可选的实施中，所述对所述历史监控数据进行离散化处理得到历史离散监控数据之前，所述方法还包括：

基于所述监控属性的取值范围对每一种监控属性进行分类得到分类结果，所述分类结果包括连续型属性和离散型属性；

获取目标连续型属性的取值范围，所述目标连续型属性为所有连续型属性中的任意一个；

将所述取值范围划分为预设数量的子范围，所述子范围包括至少一个取值；

为每一个子范围分配作为唯一标识的索引标签以获取所述目标连续型属性的离散映射关系，所述离散映射关系至少包括一个子范围和索引标签的映射对；

遍历所有连续型属性以获取每一个连续型属性的离散映射关系。

其中，所述索引标签可以为整型数据，也可以为字符型数据，本申请不做限制；每一个连续型属性均对应一个离散映射关系。

该可选的实施例中，所述基于所述监控属性的取值范围对每一种监控属性进行分类得到分类结果，包括：

若所述监控属性的取值范围为连续的，则所述监控属性为连续型属性；

若所述监控属性的取值范围为离散的，则所述监控属性为离散型属性。

示例性的，假设所述监控数据包括单位时间内采集的业务请求量、平均响应时间、异常请求量和***级别四种监控属性。对于所述监控数据中的业务请求量和***级别，***级别的取值范围为{“一级”、“二级”、“三级”}，业务请求量的取值范围为不小于0，故***级别为离散型属性，业务请求量为连续型属性。针对业务请求量，将所述业务请求量的取值范围划分为三个子范围：第一子范围为[0,2000)，所对应的索引标签为少量；第二子范围为[2000,5000)，所对应的索引标签为一般；第三子范围为[5000,+∞)，所对应的索引标签为频繁；则共获取“[0,2000)，少量”、“[2000,5000)，一般”和“[5000,+∞)，频繁”三个子范围与索引标签的映射对，将这三个子范围与索引标签的映射对作为所述业务请求量的离散映射关系。

在一个可选的实施例中，所述对所述历史监控数据进行离散化处理得到历史离散监控数据包括：

获取目标监控数据中所有连续型属性的属性值，所述目标监控数据为任意一条历史监控数据；

基于同一连续型属性的属性值和离散映射关系获取所述属性值对应的索引标签，并将所述索引标签作为所述目标监控数据中所述连续型属性的离散值；

遍所述目标监控数据中所有连续型属性以获取每一个连续型属性的离散值；

将所有连续型属性的离散值和所有离散型属性的属性值作为所述目标监控数据对应的历史离散监控数据；

遍历所有历史监控数据以获取每一条历史监控数据对应的历史离散监控数据。

该可选的实施例中，针对目标监控数据中所有连续型属性，获取同一连续性属性的离散映射关系和属性值，所述离散映射关系包括至少一个子范围和索引标签的映射对，确定所述属性值所在的子范围，基于所述离散映射关系中的映射对获取所述子范围对应的索引标签，然后，将该索引标签作为所述连续性属性的离散值。

如此，得到多条历史离散监控数据，为搭建决策树模型提供了数据基础。

S11，储存所述历史离散监控数据和每一条历史离散监控数据的异常等级标签以作为训练集。

在一个可选的实施例中，获取每一条历史离散监控数据的异常等级标签，所述历史离散监控数据的异常等级标签表示该历史离散监控数据下业务运行环境的异常程度，所述异常等级标签的获取方法为人为标注。其中，异常等级的数量至少为两个，具体数量本申请不做限制。

示例性的，当异常等级的数量为2个时，所述异常等级为0和1，其中，0表示业务运行环境正常，1表示业务运行环境异常；当异常等级的数量为3个时，所述异常等级为0、1和2，其中，0表示业务运行环境正常，数值越大表示业务运行环境的异常程度越大。

该可选的实施例中，储存所有历史离散监控数据和每一条历史离散监控数据的异常等级标签，得到训练集。

如此，通过人为标注的方法获取每一条历史离散监控数据的异常等级标签，获取训练集用于训练决策树模型。

S12，基于所述训练集搭建决策树模型。

在一个可选的实施例中，所述基于所述训练集搭建决策树模型包括：

A1，统计所述训练集中相同监控属性的所有不同取值得到每一种监控属性的离散取值范围；

A2，基于所述训练集计算所有离散取值范围中每一种取值的基尼子系数，并基于相同离散取值范围中所有取值的基尼子系数计算每一种监控属性的基尼系数；

该可选的实施例中，所述基尼子系数满足关系式：

其中，n表示异常等级标签中不同异常等级的数量，

表示所述训练集中监控属性P的取值为j的历史离散监控数据的数量；

表示所述训练集中监控属性P的取值为j的历史离散监控数据中异常等级标签为i的数量；Gini(P|P＝j)为监控属性P的离散取值范围中取值j的基尼子系数。

需要说明的是，所述基尼子系数反应监控属性的取值对异常等级检测的干扰程度，基尼子系数越大则表示监控属性的取值对异常等级检测的干扰程度越大，在异常等级检测过程中的提供的有效信息越少；当一个监控属性的取值基尼子系数为0时，表示依据该监控属性的取值可以得到准确的异常等级。

该可选的实施例中，所述基尼系数满足关系式：

其中，N(P)为监控属性P的离散取值范围中所有取值数量，

表示所述训练集中监控属性P的取值为j的历史离散监控数据的数量；∑Num表示所述训练集中历史离散监控数据的数量；Gini(P|P＝j)表示监控属性P的离散取值范围中取值j的基尼子系数，Gibi(P)为监控属性P的基尼系数。

需要说明的是，所述基尼系数反应监控属性对异常等级检测的干扰程度，基尼系数越大则表示监控属性对异常等级检测的干扰程度越大，在异常等级检测过程中的提供的有效信息越少，当一个监控属性基尼系数为0时，表示依据该监控属性可以得到准确的异常等级。

A3，选取所述基尼系数的最小值对应的监控属性作为目标属性，将所述目标属性作为节点信息以获取新增节点；

A4，以所述新增节点为起点绘制第一有向边，将所述目标属性的离散取值范围中基尼子系数的最小值对应的取值作为所述第一有向边的切分值；若所述目标属性的离散取值范围中存在除所述第一有向边的切分值之外的剩余取值，则以所述新增节点为起点绘制第二有向边，并将所有剩余取值作为所述第二有向边的切分值；

该可选的实施例中，当所述目标属性的离散取值范围中基尼子系数的最小值对应的取值为两个及以上时，则将所有取值作为所述第一有向边的切分值，即所述第一有向边的切分值可以为一个或多个。需要说明的是，所述第二有向边的切分值也可以为一个或多个。

示例性的，假设目标属性的离散取值范围共有4个取值，分别记为A、B、C、D，且4个取值对应的基尼子系数依次为0.48、0.365、0.5、0.365；则第一有向边的切分值为B和D，第二有向边的切分值为A和C。

A5，基于目标有向边的切分值筛选所述训练集中所有历史离散监控数据以获取所述目标有向边的训练子集，所述目标有向边为所述第一有向边和所述第二有向边中的任意一个，所述训练集为所述训练子集的父训练集；

该可选的实施例中，所述目标有向边的切分值为一个或多个，在所述训练集中，将所述目标属性的取值等于目标有向边的任意一个切分值的所有历史离散监控数据作为所述目标有向边的训练子集。

A6，若所述目标有向边的切分值的基尼子系数均为0，则表示所述训练子集中所有异常等级标签相同，将所述异常等级标签作为所述目标有向边的终点；若所述目标有向边的切分值的基尼子系数至少有一个不为0，将所述训练子集作为新的训练集重复步骤A1到步骤A3以获取新的新增节点，并将新的新增节点作为所述目标有向边的终点；

A7，遍历所有有向边以获取每一个有向边的终点，若所有有向边的终点均为异常等级标签，则获取初始决策树模型；若至少有一个有向边的终点为新增节点，则针对每一个新增节点执行步骤A4到步骤A7，直到获取初始决策树模型；

A8，对所述初始决策树模型进行剪枝操作以获取决策树模型，所述决策树模型的输入为离散监控数据，输出为所述离散监控数据对应的异常等级。

该可选的实施例中，由于训练集中可能会存在异常失真数据和小概率数据，在初始决策树模型中会引入异常节点，从而降低决策树模型输出结果的准确度，本申请采用后剪枝方法(Post-Pruning)删除初始决策树模型上的异常节点以获取决策树模型，其中，所述后剪枝方法可以采用现有的代价复杂性剪枝、最小误差剪枝、悲观误差剪枝等，本申请不做限制。

以监控属性的数量为4、异常等级的数量为3的训练集作为示例，所述决策树模型的结构示意图如图2所示。在图2中，目标属性1的取值范围包括A1、B1、C1、D1共四个取值；目标属性2的取值范围包括A2、B2、C2共三个取值；目标属性3的取值范围包括A3和B3共两个取值；目标属性4的取值范围包括A4和B4共两个取值。

在一个可选的实施例中，针对于上述步骤A3，在所述基尼系数的最小值对应的监控属性的数量为两个及以上时，所述选取所述基尼系数的最小值对应的监控属性作为目标属性还包括：

a，将所述基尼系数的最小值对应的所有监控属性作为备选属性；

b，判断所述训练集是否存在父训练集；

c，若所述训练集不存在父训练集，则将所述备选属性中的任意一个作为目标属性；

d，若所述训练集存在父训练集，则在所述父训练集中计算每一个所述备选属性的基尼系数并获取所有基尼系数的最小值，若所述最小值对应一个备选属性，将该备选属性作为目标属性，若所述最小值对应两个及以上备选属性，则将所述父训练集作为新的训练集，重复执行步骤b到步骤d，直到得到目标属性时停止。

示例性的，假设备选属性的数量为3个，分别为平均响应时间、异常请求量和***级别，且存在父训练集；则分别计算平均响应时间、异常请求量和***级别在所述父训练集中的基尼系数，分别为0.216、0.216和0.2；获取所有基尼系数的最小值为0.2，且所述最小值仅对应“***级别”一个备选属性，则将***级别作为目标属性。

如此，基于训练集完成决策树模型的搭建，所述决策树模型可以得到准确的异常等级。

S13，获取所述预设业务的实时离散监控数据，并基于所述实时离散监控数据和所述决策树模型得到所述预设业务的异常等级。

在一个可选的实施例中，完成决策树模型的搭建之后，即可使用所述决策树模型检测所述预设业务在业务运行环境中的运行状态，得到所述预设业务的异常等级。

在一个可选的实施例中，所述获取所述预设业务的实时离散监控数据，并基于所述实时离散监控数据和所述决策树模型得到所述预设业务的异常等级，包括：

采集当前单位时间内所述预设业务的实时监控数据，对所述实时监控数据进行离散化处理以获取实时离散监控数据；

将所述实时离散监控数据输入所述决策树模型得到当前单位时间的初始异常等级；

获取连续预设数量个单位时间的初始异常等级，当所有初始异常等级相同时，则将所述初始异常等级作为所述预设业务的异常等级。

优选的，所述预设数量为3。

如此，对预设业务在业务运行环境中的运行状态进行监控得到每一个单位时间的初始异常等级，当连续多个单位时间内的初始异常等级相同时，获取预设业务的异常等级，保证预设业务的异常等级的准确性。

S14，对所述预设业务的业务流量执行所述异常等级对应的切换措施以获取切换结果。

在一个可选的实施例中，每一个异常等级均对应一个切换措施，从而根据异常等级将所述预设业务的全部或部分业务流量切换至备用环境中，保证所述预设业务的正常运行。

示例性的，当异常等级的数量为2个时，所述异常等级为0和1，异常等级为0则表示业务运行环境正常，对应的切换措施为不切换业务流量；异常等级为1则表示业务运行环境异常，对应的切换措施为将业务流量切换至备用环境。

另一个示例中，当异常等级的数量为3个时，所述异常等级为0、1和2，异常等级的数值越大表示业务运行环境的异常程度越大；异常等级0对应的切换措施为不切换业务流量；异常等级1对应的切换措施为将50％的业务流量切换至备用环境；异常等级2对应的切换措施为将所有业务流量切换至备用环境。

请参见图3，是本申请所涉及的业务流量切换的流程示意图。该可选的实施例中，获取所述异常等级对应的切换措施之后，对所述预设业务的业务流量执行所述切换措施。首先，提取备用环境的域名、IP等接口信息，所述备用环境至少为一个；进一步基于所述接口信息和所述切换措施将业务流量切换至备用环境中，得到切换结果。

如此，依据不同异常等级对预设业务的业务流量执行相应的切换措施，实现业务流量的自动切换，保证预设业务的正常运行。

由以上技术方案可以看出，本申请通过将预设业务的所有监控数据进行离散化处理得到离散监控数据，并基于决策树模型和离散监控数据获取预设业务准确的异常等级，对预设业务的业务流量执行该异常等级对应的切换措施得到切换结果，实现了业务流量的自动切换，提高业务流量的切换精度。

请参见图4，图4是本申请基于人工智能的业务流量切换装置的较佳实施例的功能模块图。基于人工智能的业务流量切换装置11包括离散化单元110、储存单元111、搭建单元112、异常检测单元113、切换单元114。本申请所称的模块/单元是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。

在一个可选的实施例中，离散化单元110用于采集历史时间内预设业务的多条历史监控数据，对所述历史监控数据进行离散化处理得到历史离散监控数据，所述历史监控数据包括至少一种监控属性。

在一个可选的实施例中，所述预设业务为预设应用***实现的业务功能，例如，当所述预设应用***为智能客服***时，所述预设业务为智能问答业务；当所述预设应用***为电子交易***时，所述预设业务为电子支付业务。

该可选的实施例中，所述历史监控数据是历史时间中任意一个单位时间内采集的与预设业务相关的监控数据，所述监控数据包括多种监控属性，所述监控数据可以反应预设业务在业务运行环境中的运行情况。其中，所述单位时间可以为1分钟。示例性的，所述监控数据包括单位时间内采集的业务请求量、平均响应时间、异常请求量和***级别四种监控属性，即一条历史监控数据包括四种监控属性及其属性值。

在一个可选的实施中，所述对所述历史监控数据进行离散化处理得到历史离散监控数据之前，所述方法还包括：

基于所述监控属性的取值范围对每一种监控属性进行分类得到分类结果，所述分类结果包括连续型属性和离散型属性；

获取目标连续型属性的取值范围，所述目标连续型属性为所有连续型属性中的任意一个；

将所述取值范围划分为预设数量的子范围，所述子范围包括至少一个取值；

为每一个子范围分配作为唯一标识的索引标签以获取所述目标连续型属性的离散映射关系，所述离散映射关系至少包括一个子范围和索引标签的映射对；

遍历所有连续型属性以获取每一个连续型属性的离散映射关系。

其中，所述索引标签可以为整型数据，也可以为字符型数据，本申请不做限制；每一个连续型属性均对应一个离散映射关系。

该可选的实施例中，所述基于所述监控属性的取值范围对每一种监控属性进行分类得到分类结果，包括：

若所述监控属性的取值范围为连续的，则所述监控属性为连续型属性；

若所述监控属性的取值范围为离散的，则所述监控属性为离散型属性。

在一个可选的实施例中，所述对所述历史监控数据进行离散化处理得到历史离散监控数据包括：

获取目标监控数据中所有连续型属性的属性值，所述目标监控数据为任意一条历史监控数据；

基于同一连续型属性的属性值和离散映射关系获取所述属性值对应的索引标签，并将所述索引标签作为所述目标监控数据中所述连续型属性的离散值；

遍所述目标监控数据中所有连续型属性以获取每一个连续型属性的离散值；

将所有连续型属性的离散值和所有离散型属性的属性值作为所述目标监控数据对应的历史离散监控数据；

遍历所有历史监控数据以获取每一条历史监控数据对应的历史离散监控数据。

该可选的实施例中，针对目标监控数据中所有连续型属性，获取同一连续性属性的离散映射关系和属性值，所述离散映射关系包括至少一个子范围和索引标签的映射对，确定所述属性值所在的子范围，基于所述离散映射关系中的映射对获取所述子范围对应的索引标签，然后，将该索引标签作为所述连续性属性的离散值。

在一个可选的实施例中，储存单元111用于储存所述历史离散监控数据和每一条历史离散监控数据的异常等级标签以作为训练集。

在一个可选的实施例中，获取每一条历史离散监控数据的异常等级标签，所述历史离散监控数据的异常等级标签表示该历史离散监控数据下业务运行环境的异常程度，所述异常等级标签的获取方法为人为标注。其中，异常等级的数量至少为两个，具体数量本申请不做限制。

该可选的实施例中，储存所有历史离散监控数据和每一条历史离散监控数据的异常等级标签，得到训练集。

在一个可选的实施例中，搭建单元112用于基于所述训练集搭建决策树模型。

在一个可选的实施例中，所述基于所述训练集搭建决策树模型包括：

A1，统计所述训练集中相同监控属性的所有不同取值得到每一种监控属性的离散取值范围；

A2，基于所述训练集计算所有离散取值范围中每一种取值的基尼子系数，并基于相同离散取值范围中所有取值的基尼子系数计算每一种监控属性的基尼系数；

该可选的实施例中，所述基尼子系数满足关系式：

其中，n表示异常等级标签中不同异常等级的数量，

表示所述训练集中监控属性P的取值为j的历史离散监控数据的数量；

表示所述训练集中监控属性P的取值为j的历史离散监控数据中异常等级标签为i的数量；Gini(P|P＝j)为监控属性P的离散取值范围中取值j的基尼子系数。

需要说明的是，所述基尼子系数反应监控属性的取值对异常等级检测的干扰程度，基尼子系数越大则表示监控属性的取值对异常等级检测的干扰程度越大，在异常等级检测过程中的提供的有效信息越少；当一个监控属性的取值基尼子系数为0时，表示依据该监控属性的取值可以得到准确的异常等级。

该可选的实施例中，所述基尼系数满足关系式：

其中，N(P)为监控属性P的离散取值范围中所有取值数量，

表示所述训练集中监控属性P的取值为j的历史离散监控数据的数量；∑Num表示所述训练集中历史离散监控数据的数量；Gini(P|P＝j)表示监控属性P的离散取值范围中取值j的基尼子系数，Gini(P)为监控属性P的基尼系数。

需要说明的是，所述基尼系数反应监控属性对异常等级检测的干扰程度，基尼系数越大则表示监控属性对异常等级检测的干扰程度越大，在异常等级检测过程中的提供的有效信息越少，当一个监控属性基尼系数为0时，表示依据该监控属性可以得到准确的异常等级。

A3，选取所述基尼系数的最小值对应的监控属性作为目标属性，将所述目标属性作为节点信息以获取新增节点；

A4，以所述新增节点为起点绘制第一有向边，将所述目标属性的离散取值范围中基尼子系数的最小值对应的取值作为所述第一有向边的切分值；若所述目标属性的离散取值范围中存在除所述第一有向边的切分值之外的剩余取值，则以所述新增节点为起点绘制第二有向边，并将所有剩余取值作为所述第二有向边的切分值；

该可选的实施例中，当所述目标属性的离散取值范围中基尼子系数的最小值对应的取值为两个及以上时，则将所有取值作为所述第一有向边的切分值，即所述第一有向边的切分值可以为一个或多个。需要说明的是，所述第二有向边的切分值也可以为一个或多个。

示例性的，假设目标属性的离散取值范围共有4个取值，分别记为A、B、C、D，且4个取值对应的基尼子系数依次为0.48、0.365、0.5、0.365；则第一有向边的切分值为B和D，第二有向边的切分值为A和C。

A5，基于目标有向边的切分值筛选所述训练集中所有历史离散监控数据以获取所述目标有向边的训练子集，所述目标有向边为所述第一有向边和所述第二有向边中的任意一个，所述训练集为所述训练子集的父训练集；

该可选的实施例中，所述目标有向边的切分值为一个或多个，在所述训练集中，将所述目标属性的取值等于目标有向边的任意一个切分值的所有历史离散监控数据作为所述目标有向边的训练子集。

A6，若所述目标有向边的切分值的基尼子系数均为0，则表示所述训练子集中所有异常等级标签相同，将所述异常等级标签作为所述目标有向边的终点；若所述目标有向边的切分值的基尼子系数至少有一个不为0，将所述训练子集作为新的训练集重复步骤A1到步骤A3以获取新的新增节点，并将新的新增节点作为所述目标有向边的终点；

A7，遍历所有有向边以获取每一个有向边的终点，若所有有向边的终点均为异常等级标签，则获取初始决策树模型；若至少有一个有向边的终点为新增节点，则针对每一个新增节点执行步骤A4到步骤A7，直到获取初始决策树模型；

A8，对所述初始决策树模型进行剪枝操作以获取决策树模型，所述决策树模型的输入为离散监控数据，输出为所述离散监控数据对应的异常等级。

该可选的实施例中，由于训练集中可能会存在异常失真数据和小概率数据，在初始决策树模型中会引入异常节点，从而降低决策树模型输出结果的准确度，本申请采用后剪枝方法(Post-Pruning)删除初始决策树模型上的异常节点以获取决策树模型，其中，所述后剪枝方法可以采用现有的代价复杂性剪枝、最小误差剪枝、悲观误差剪枝等，本申请不做限制。以监控属性的数量为4、异常等级的数量为3的训练集作为示例，所述决策树模型的结构示意图如图2所示。

在一个可选的实施例中，针对于上述步骤A3，在所述基尼系数的最小值对应的监控属性的数量为两个及以上时，所述选取所述基尼系数的最小值对应的监控属性作为目标属性还包括：

a，将所述基尼系数的最小值对应的所有监控属性作为备选属性；

b，判断所述训练集是否存在父训练集；

c，若所述训练集不存在父训练集，则将所述备选属性中的任意一个作为目标属性；

d，若所述训练集存在父训练集，则在所述父训练集中计算每一个所述备选属性的基尼系数并获取所有基尼系数的最小值，若所述最小值对应一个备选属性，将该备选属性作为目标属性，若所述最小值对应两个及以上备选属性，则将所述父训练集作为新的训练集，重复执行步骤b到步骤d，直到得到目标属性时停止。

在一个可选的实施例中，异常检测单元113用于获取所述预设业务的实时离散监控数据，并基于所述实时离散监控数据和所述决策树模型得到所述预设业务的异常等级。

在一个可选的实施例中，完成决策树模型的搭建之后，即可使用所述决策树模型检测所述预设业务在业务运行环境中的运行状态，得到所述预设业务的异常等级。

在一个可选的实施例中，所述获取所述预设业务的实时离散监控数据，并基于所述实时离散监控数据和所述决策树模型得到所述预设业务的异常等级，包括：

采集当前单位时间内所述预设业务的实时监控数据，对所述实时监控数据进行离散化处理以获取实时离散监控数据；

将所述实时离散监控数据输入所述决策树模型得到当前单位时间的初始异常等级；

获取连续预设数量个单位时间的初始异常等级，当所有初始异常等级相同时，则将所述初始异常等级作为所述预设业务的异常等级。

优选的，所述预设数量为3。

在一个可选的实施例中，切换单元114用于对所述预设业务的业务流量执行所述异常等级对应的切换措施以获取切换结果。

在一个可选的实施例中，每一个异常等级均对应一个切换措施，从而根据异常等级将所述预设业务的全部或部分业务流量切换至备用环境中，保证所述预设业务的正常运行。

由以上技术方案可以看出，本申请通过将预设业务的所有监控数据进行离散化处理得到离散监控数据，并基于决策树模型和离散监控数据获取预设业务准确的异常等级，对预设业务的业务流量执行该异常等级对应的切换措施得到切换结果，实现了业务流量的自动切换，提高业务流量的切换精度。

请参见图5，是本申请实施例提供的一种电子设备的结构示意图。电子设备1包括存储器12和处理器13。存储器12用于存储计算机可读指令，处理器13用执行所述储器中存储的计算机可读指令以实现上述任一实施例所述的基于人工智能的业务流量切换方法。

在一个可选的实施例中，电子设备1还包括总线、存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如基于人工智能的业务流量切换程序。

图5仅示出了具有存储器12和处理器13的电子设备1，本领域技术人员可以理解的是，图5示出的结构并不构成对电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

结合图1，电子设备1中的所述存储器12存储多个计算机可读指令以实现一种基于人工智能的业务流量切换方法，所述处理器13可执行所述多个指令从而实现：

采集历史时间内预设业务的多条历史监控数据，对所述历史监控数据进行离散化处理得到历史离散监控数据，所述历史监控数据包括至少一种监控属性；

储存所述历史离散监控数据和每一条历史离散监控数据的异常等级标签以作为训练集；

基于所述训练集搭建决策树模型；

获取所述预设业务的实时离散监控数据，并基于所述实时离散监控数据和所述决策树模型得到所述预设业务的异常等级；

对所述预设业务的业务流量执行所述异常等级对应的切换措施以获取切换结果。

具体地，所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。

本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，电子设备1可以是总线型结构，也可以是星形结构，电子设备1还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置，例如电子设备1还可以包括输入输出设备、网络接入设备等。

需要说明的是，电子设备1仅为举例，其他现有的或今后可能出现的电子产品如可适应于本申请，也应包含在本申请的保护范围以内，并以引用方式包含于此。

其中，存储器12至少包括一种类型的可读存储介质，所述可读存储介质可以是非易失性的，也可以是易失性的。所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于人工智能的业务流量切换程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

处理器13在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是电子设备1的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备1的各个部件，通过运行或执行存储在所述存储器12内的程序或者模块(例如执行基于人工智能的业务流量切换程序等)，以及调用存储在所述存储器12内的数据，以执行电子设备1的各种功能和处理数据。

所述处理器13执行所述电子设备1的操作***以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个基于人工智能的业务流量切换方法实施例中的步骤，例如图1所示的步骤。

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12中，并由所述处理器13执行，以完成本申请。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可读指令段，该指令段用于描述所述计算机程序在电子设备1中的执行过程。例如，所述计算机程序可以被分割成离散化单元110、储存单元111、搭建单元112、异常检测单元113、切换单元114。

上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备，或者网络设备等)或处理器(Processor)执行本申请各个实施例所述的基于人工智能的业务流量切换方法的部分。

电子设备1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，本申请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示相关的硬件设备来完成，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)、随机存储器及其他存储器等。

进一步地，计算机可读存储介质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***、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。

本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

总线可以是外设部件互连标准(Peripheral Component Interconnect，简称PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，在图5中仅用一根箭头表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。

本申请实施例还提供一种计算机可读存储介质(图未示)，计算机可读存储介质中存储有计算机可读指令，计算机可读指令被电子设备中的处理器执行以实现上述任一实施例所述的基于人工智能的业务流量切换方法。

在本申请所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。说明书陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或等同替换，而不脱离本申请技术方案的精神和范围。

Claims (10)

1.一种基于人工智能的业务流量切换方法，其特征在于，所述方法包括：

采集历史时间内预设业务的多条历史监控数据，对所述历史监控数据进行离散化处理得到历史离散监控数据，所述历史监控数据包括至少一种监控属性；

储存所述历史离散监控数据和每一条历史离散监控数据的异常等级标签以作为训练集；

基于所述训练集搭建决策树模型；

获取所述预设业务的实时离散监控数据，并基于所述实时离散监控数据和所述决策树模型得到所述预设业务的异常等级；

对所述预设业务的业务流量执行所述异常等级对应的切换措施以获取切换结果。

2.如权利要求1所述的基于人工智能的业务流量切换方法，其特征在于，在所述对所述历史监控数据进行离散化处理得到历史离散监控数据之前，所述方法还包括：

基于所述监控属性的取值范围对每一种监控属性进行分类得到分类结果，所述分类结果包括连续型属性和离散型属性；

获取目标连续型属性的取值范围，所述目标连续型属性为所有连续型属性中的任意一个；

将所述取值范围划分为预设数量的子范围，所述子范围包括至少一个取值；

为每一个子范围分配作为唯一标识的索引标签以获取所述目标连续型属性的离散映射关系，所述离散映射关系至少包括一个子范围和索引标签的映射对；

遍历所有连续型属性以获取每一个连续型属性的离散映射关系。

3.如权利要求2所述的基于人工智能的业务流量切换方法，其特征在于，所述对所述历史监控数据进行离散化处理得到历史离散监控数据包括：

获取目标监控数据中所有连续型属性的属性值，所述目标监控数据为任意一条历史监控数据；

基于同一连续型属性的属性值和离散映射关系获取所述属性值对应的索引标签，并将所述索引标签作为所述目标监控数据中所述连续型属性的离散值；

遍所述目标监控数据中所有连续型属性以获取每一个连续型属性的离散值；

将所有连续型属性的离散值和所有离散型属性的属性值作为所述目标监控数据对应的历史离散监控数据；

遍历所有历史监控数据以获取每一条历史监控数据对应的历史离散监控数据。

4.如权利要求1所述的基于人工智能的业务流量切换方法，其特征在于，所述基于所述训练集搭建决策树模型包括：

A1，统计所述训练集中相同监控属性的所有不同取值得到每一种监控属性的离散取值范围；

A2，基于所述训练集计算所有离散取值范围中每一种取值的基尼子系数，并基于相同离散取值范围中所有取值的基尼子系数计算每一种监控属性的基尼系数；

A3，选取所述基尼系数的最小值对应的监控属性作为目标属性，将所述目标属性作为节点信息以获取新增节点；

A4，以所述新增节点为起点绘制第一有向边，将所述目标属性的离散取值范围中基尼子系数的最小值对应的取值作为所述第一有向边的切分值；若所述目标属性的离散取值范围中存在除所述第一有向边的切分值之外的剩余取值，则以所述新增节点为起点绘制第二有向边，并将所有剩余取值作为所述第二有向边的切分值；

A5，基于目标有向边的切分值筛选所述训练集中所有历史离散监控数据以获取所述目标有向边的训练子集，所述目标有向边为所述第一有向边和所述第二有向边中的任意一个，所述训练集为所述训练子集的父训练集；

A6，若所述目标有向边的切分值的基尼子系数均为0，则表示所述训练子集中所有异常等级标签相同，将所述异常等级标签作为所述目标有向边的终点；若所述目标有向边的切分值的基尼子系数至少有一个不为0，将所述训练子集作为新的训练集重复步骤A1到步骤A3以获取新的新增节点，并将新的新增节点作为所述目标有向边的终点；

A7，遍历所有有向边以获取每一个有向边的终点，若所有有向边的终点均为异常等级标签，则获取初始决策树模型；若至少有一个有向边的终点为新增节点，则针对每一个新增节点执行步骤A4到步骤A7，直到获取初始决策树模型；

A8，对所述初始决策树模型进行剪枝操作以获取决策树模型，所述决策树模型的输入为离散监控数据，输出为所述离散监控数据对应的异常等级。

5.如权利要求4所述的基于人工智能的业务流量切换方法，其特征在于，所述基尼子系数满足关系式：

其中，n表示异常等级标签中不同异常等级的数量，

表示所述训练集中监控属性P的取值为j的历史离散监控数据的数量；

表示所述训练集中监控属性P的取值为j的历史离散监控数据中异常等级标签为i的数量；Gini(P|P＝j)为监控属性P的离散取值范围中取值j的基尼子系数；

所述基尼系数满足关系式：

其中，N(P)为监控属性P的离散取值范围中所有取值数量，

表示所述训练集中监控属性P的取值为j的历史离散监控数据的数量；∑Num表示所述训练集中历史离散监控数据的数量；Gini(P|P＝j)表示监控属性P的离散取值范围中取值j的基尼子系数，Gini(P)为监控属性P的基尼系数。

6.如权利要求4所述的基于人工智能的业务流量切换方法，其特征在于，在所述基尼系数的最小值对应的监控属性的数量为两个及以上时，所述选取所述基尼系数的最小值对应的监控属性作为目标属性还包括：

a，将所述基尼系数的最小值对应的所有监控属性作为备选属性；

b，判断所述训练集是否存在父训练集；

c，若所述训练集不存在父训练集，则将所述备选属性中的任意一个作为目标属性；

d，若所述训练集存在父训练集，则在所述父训练集中计算每一个所述备选属性的基尼系数并获取所有基尼系数的最小值，若所述最小值对应一个备选属性，将该备选属性作为目标属性，若所述最小值对应两个及以上备选属性，则将所述父训练集作为新的训练集，重复执行步骤b到步骤d，直到得到目标属性时停止。

7.如权利要求1所述的基于人工智能的业务流量切换方法，其特征在于，所述获取所述预设业务的实时离散监控数据，并基于所述实时离散监控数据和所述决策树模型得到所述预设业务的异常等级，包括：

采集当前单位时间内所述预设业务的实时监控数据，对所述实时监控数据进行离散化处理以获取实时离散监控数据；

将所述实时离散监控数据输入所述决策树模型得到当前单位时间的初始异常等级；

获取连续预设数量个单位时间的初始异常等级，当所有初始异常等级相同时，则将所述初始异常等级作为所述预设业务的异常等级。

8.一种基于人工智能的业务流量切换装置，其特征在于，所述装置包括：

离散化单元，用于采集历史时间内预设业务的多条历史监控数据，对所述历史监控数据进行离散化处理得到历史离散监控数据，所述历史监控数据包括至少一种监控属性；

储存单元，用于储存所述历史离散监控数据和每一条历史离散监控数据的异常等级标签以作为训练集；

搭建单元，用于基于所述训练集搭建决策树模型；

异常检测单元，用于获取所述预设业务的实时离散监控数据，并基于所述实时离散监控数据和所述决策树模型得到所述预设业务的异常等级；

切换单元，用于对所述预设业务的业务流量执行所述异常等级对应的切换措施以获取切换结果。

9.一种电子设备，其特征在于，所述电子设备包括：

存储器，存储有计算机可读指令；及

处理器，执行所述存储器中存储的计算机可读指令以实现如权利要求1至7中任意一项所述的基于人工智能的业务流量切换方法。

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上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于人工智能的业务流量切换方法。

Images