CN116578442A - 基于人工智能决策的应用崩溃分析方法及大数据存储*** - Google Patents
基于人工智能决策的应用崩溃分析方法及大数据存储*** Download PDFInfo
- Publication number
- CN116578442A CN116578442A CN202310497113.6A CN202310497113A CN116578442A CN 116578442 A CN116578442 A CN 116578442A CN 202310497113 A CN202310497113 A CN 202310497113A CN 116578442 A CN116578442 A CN 116578442A
- Authority
- CN
- China
- Prior art keywords
- branch
- decision operation
- decision
- target
- application
- 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.)
- Granted
Links
- 238000013500 data storage Methods 0.000 title claims abstract description 69
- 238000004458 analytical method Methods 0.000 title claims abstract description 42
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims abstract description 56
- 238000012795 verification Methods 0.000 claims description 125
- 230000008685 targeting Effects 0.000 claims description 59
- 230000015556 catabolic process Effects 0.000 claims description 51
- 238000000034 method Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 20
- 238000013507 mapping Methods 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 12
- 238000010200 validation analysis Methods 0.000 claims description 2
- 230000008439 repair process Effects 0.000 abstract description 9
- 230000000875 corresponding effect Effects 0.000 description 166
- 238000004364 calculation method Methods 0.000 description 29
- 238000004891 communication Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/14—Error detection or correction of the data by redundancy in operation
- G06F11/1402—Saving, restoring, recovering or retrying
- G06F11/1415—Saving, restoring, recovering or retrying at system level
- G06F11/1433—Saving, restoring, recovering or retrying at system level during software upgrading
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请实施例实施例提供一种基于人工智能决策的应用崩溃分析方法及大数据存储***，涉及数字化服务和人工智能技术领域，通过对数字化服务在线应用对应进行应用实现错误点分析，从而对各个应用实现错误点对应的异常崩溃描述知识链进行潜在关系分析，确定各个应用实现错误点之间的错误点关联信息，由此结合了应用实现错误点之间的错误点关联信息，进而可以准确溯源数字化服务在线应用的崩溃暴露要求，规避了目前仅结合单个应用实现错误点进行修复更新导致的修复更新可靠性不佳的问题，从而提高数字化服务在线应用的运行稳定性。
Description
技术领域
本申请实施例涉及数字化服务技术领域，具体而言，涉及一种基于人工智能决策的应用崩溃分析方法及大数据存储***。
背景技术
数字化浪潮正席卷而来，移动互联、物联网、人工智能、大数据、云架构、区块链……这些数字化技术正在颠覆传统的行业格局和市场环境、引领着用户消费习惯的改变。大多数互联网服务提供商正借助这些数字化技术推动业务的革新，以实现互联网服务提供商的跨越式成长。对于各种数字化服务在线应用而言，在云端服务过程中在线应用崩溃时有发生，崩溃会打断用户当前的工作流，导致数据的丢失，还会扰乱应用在后台的操作。对于互联网服务提供商的开发者而言，如何准确溯源数字化服务在线应用的崩溃暴露要求，以便于为后续进行修复更新提供参考依据，是亟待解决的技术问题。而在相关技术中，仅结合单个应用实现错误点进行修复更新可能会导致修复更新可靠性不佳，无法有效保证数字化服务在线应用的运行稳定性。
发明内容
为了至少克服现有技术中的上述不足，本申请实施例的目的在于提供一种基于人工智能决策的应用崩溃分析方法及大数据存储***。
第一方面，本申请实施例实施例提供一种基于人工智能决策的应用崩溃分析方法，应用于大数据存储***，所述方法包括：
从数字化服务在线应用的应用响应日志中查找存在异常崩溃的各个应用异常崩溃事件，并结合网络权重信息收敛化的应用崩溃决策网络对所述各个应用异常崩溃事件进行应用实现错误点分析，获得所述数字化服务在线应用对应的应用实现错误点决策数据，其中，所述网络权重信息收敛化的应用崩溃决策网络应用于AI调度服务中心，所述应用实现错误点决策数据包括多个应用实现错误点以及各个应用实现错误点所对应的异常崩溃描述知识链；
对所述各个应用实现错误点对应的异常崩溃描述知识链进行潜在关系分析，确定所述各个应用实现错误点之间的错误点关联信息，结合所述各个应用实现错误点之间的错误点关联信息确定符合要求的目标崩溃暴露要求，其中，所述目标崩溃暴露要求表征应用业务响应实例中的至少一个崩溃暴露元素；
基于所述目标崩溃暴露要求所对应的云端崩溃修复策略对所述数字化服务在线应用进行修复更新。
第二方面，本申请实施例实施例还提供一种基于人工智能决策的应用崩溃分析***，所述基于人工智能决策的应用崩溃分析***包括大数据存储***以及与所述大数据存储***通信连接的多个AI运算服务节点；
所述大数据存储***，用于：
从数字化服务在线应用的应用响应日志中查找存在异常崩溃的各个应用异常崩溃事件，并结合网络权重信息收敛化的应用崩溃决策网络对所述各个应用异常崩溃事件进行应用实现错误点分析，获得所述数字化服务在线应用对应的应用实现错误点决策数据，其中，所述网络权重信息收敛化的应用崩溃决策网络应用于AI调度服务中心，所述应用实现错误点决策数据包括多个应用实现错误点以及各个应用实现错误点所对应的异常崩溃描述知识链；
对所述各个应用实现错误点对应的异常崩溃描述知识链进行潜在关系分析，确定所述各个应用实现错误点之间的错误点关联信息，结合所述各个应用实现错误点之间的错误点关联信息确定符合要求的目标崩溃暴露要求，其中，所述目标崩溃暴露要求表征应用业务响应实例中的至少一个崩溃暴露元素；
基于所述目标崩溃暴露要求所对应的云端崩溃修复策略对所述数字化服务在线应用进行修复更新。
第三方面，本申请实施例还提供一种大数据存储***，所述大数据存储***包括处理器和机器可读存储介质，所述机器可读存储介质中存储有计算机程序，所述计算机程序结合该处理器加载并执行以实现以上第一方面的基于人工智能决策的应用崩溃分析方法。
第四方面，本申请实施例提供一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于被处理器执行时，以实现以上第一方面的基于人工智能决策的应用崩溃分析方法。
第五方面，本申请实施例提供一种计算机程序产品，包括计算机程序或计算机可执行指令，所述计算机程序或计算机可执行指令被处理器执行时，以实现以上第一方面的基于人工智能决策的应用崩溃分析方法。
本申请实施例至少具有以下有益效果：
呈上所述的任意一方面，通过对数字化服务在线应用对应进行应用实现错误点分析，从而对各个应用实现错误点对应的异常崩溃描述知识链进行潜在关系分析，确定各个应用实现错误点之间的错误点关联信息，由此结合了应用实现错误点之间的错误点关联信息，进而可以准确溯源数字化服务在线应用的崩溃暴露要求，规避了目前仅结合单个应用实现错误点进行修复更新导致的修复更新可靠性不佳的问题，从而提高数字化服务在线应用的运行稳定性。
附图说明
图1为本申请实施例实施例提供的基于人工智能决策的应用崩溃分析方法的流程示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的基础上相互结合。
在以下的描述中，所涉及的术语“第一\第二”仅仅是区别类似的虚拟人物对话语音，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的基础上可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义，本申请实施例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。本申请实施例中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
参见图1：
STEP100，从数字化服务在线应用的应用响应日志中查找存在异常崩溃的各个应用异常崩溃事件，并结合网络权重信息收敛化的应用崩溃决策网络对所述各个应用异常崩溃事件进行应用实现错误点分析，获得所述数字化服务在线应用对应的应用实现错误点决策数据。
一种可替代的实施方式中，所述网络权重信息收敛化的应用崩溃决策网络应用于AI调度服务中心，所述应用实现错误点决策数据包括多个应用实现错误点以及各个应用实现错误点所对应的异常崩溃描述知识链。
一种可替代的实施方式中，应用异常崩溃事件可以表征数字化服务在线应用在应用功能响应过程中的异常崩溃数据，应用异常崩溃事件可以反映数字化服务在线应用在功能响应实现过程中的应用实现错误点。因此，可以通过网络权重信息收敛化的应用崩溃决策网络对所述各个应用异常崩溃事件进行应用实现错误点分析，获得所述数字化服务在线应用对应的多个应用实现错误点以及各个应用实现错误点所对应的异常崩溃描述知识链，其中，异常崩溃描述知识链包括存在链条关系的多个异常崩溃描述知识，用于对对应的应用实现错误点进行特征表征。
其中，应用崩溃决策网络可以结合训练数据进行收敛优化生成，例如可以搜集应用崩溃模板数据，应用崩溃模板数据包括应用崩溃学习数据以及对应标注的模板应用实现错误点和模板异常崩溃描述知识链，然后将应用崩溃学习数据输入到初始化应用崩溃决策网络以获得决策的应用实现错误点和异常崩溃描述知识链，然后结合决策的应用实现错误点和异常崩溃描述知识链和标注的模板应用实现错误点和模板异常崩溃描述知识链计算对应的loss值，进而结合loss值迭代更新初始化应用崩溃决策网络的权重参数层，以获得应用崩溃决策网络。其中，应用崩溃决策网络可以是具有多个网络参数层（代表一个网络运算节点）组成的一个神经网络模型。
STEP200，对所述各个应用实现错误点对应的异常崩溃描述知识链进行潜在关系分析，确定所述各个应用实现错误点之间的错误点关联信息，结合所述各个应用实现错误点之间的错误点关联信息确定符合要求的目标崩溃暴露要求。
其中，所述目标崩溃暴露要求表征应用业务响应实例中的至少一个崩溃暴露元素。
一种可替代的实施方式中，通过对所述各个应用实现错误点对应的异常崩溃描述知识链进行潜在关系分析，可以确定所述各个应用实现错误点之间的错误点关联信息。比如，当存在三个应用实现错误点，分别是应用实现错误点1、应用实现错误点2以及应用实现错误点3，通过对应用实现错误点1、应用实现错误点2、应用实现错误点3三者的异常崩溃描述知识链进行潜在关系分析，可以确定目标崩溃暴露要求最终在于应用实现错误点3，而不是在于应用实现错误点1、应用实现错误点2，应用实现错误点1、应用实现错误点2只是应用实现错误点3之前的前置应用实现错误点，仅出现应用实现错误点1、应用实现错误点2无法直接导致应用运行响应崩溃，因此后续在进行应用修复更新时，则优先将崩溃暴露元素定义为应用实现错误点3对应的崩溃暴露要求，而对于应用实现错误点1、应用实现错误点2的崩溃暴露元素则可以确定为应用实现错误点3的前置崩溃暴露元素，参照此关联关系进行后续针对性的修复更新。
STEP300，基于所述目标崩溃暴露要求所对应的云端崩溃修复策略对所述数字化服务在线应用进行修复更新。
本实施例中，云端服务器中可以预先配置不同的崩溃暴露要求所对应的云端崩溃修复策略，因此可以从云端服务器中下载所述目标崩溃暴露要求所对应的云端崩溃修复策略，从而对所述数字化服务在线应用进行修复更新。
采用以上技术方案，通过对数字化服务在线应用对应进行应用实现错误点分析，从而对各个应用实现错误点对应的异常崩溃描述知识链进行潜在关系分析，确定各个应用实现错误点之间的错误点关联信息，由此结合了应用实现错误点之间的错误点关联信息，进而可以准确溯源数字化服务在线应用的崩溃暴露要求，规避了目前仅结合单个应用实现错误点进行修复更新导致的修复更新可靠性不佳的问题，从而提高数字化服务在线应用的运行稳定性。
其中，本申请实施例还提供一种基于人工智能的应用实现错误点分析方法，包括下述步骤。
STEP102，获取决策运算拓扑结构中各个决策运算分支的分支影响值，分支影响值是结合各个决策运算分支连接信息计算的。
其中，决策运算拓扑结构是指应用崩溃决策网络对应的网络参数层表征图，网络参数层表征图是指由网络参数层（代表一个网络运算节点）组成的一个神经网络模型。其中，网络参数层可以用于执行一次预设的模型计算，比如卷积运算、权值求和运算、全连接分类运算等。决策运算拓扑结构即是指由应用崩溃决策网络对应的各个网络参数层组成的拓扑结构。决策运算分支是指应用崩溃决策网络中网络参数层对应的运算单元，应用崩溃决策网络中有多少网络参数层，就相同数量的决策运算分支。分支影响值结合决策运算分支连接信息计算的，用于表征决策运算分支与起始决策运算分支之间的跨度。决策运算分支连接信息是指决策运算分支对应的分支连接信息，该分支连接信息是指决策运算分支在决策运算执行时所依赖的其它决策运算分支信息，即第一决策运算分支在决策运算执行时需要依赖其它决策运算分支的决策运算执行数据，其它决策运算分支可以为零个，即第一决策运算分支在决策运算执行时不需要依赖其它决策运算分支的决策运算执行数据，比如，可以是起始决策运算分支使用输入数据进行决策运算执行。其它决策运算分支也可以为若干个，即第一决策运算分支在决策运算执行时需要依赖若干个决策运算分支的决策运算执行数据。
一种可替代的实施方式中，大数据存储***可以直接从网络配置数据中获取决策运算拓扑结构中各个决策运算分支的分支影响值（分支深度），该分支影响值可以是通过各个决策运算分支连接信息计算的。
一种可替代的实施方式中，大数据存储***也可以从网络配置数据中获取到要进行拓扑拆分的决策运算拓扑结构，然后从网络配置数据中获取到决策运算拓扑结构中的各个决策运算分支对应的分支连接信息，并结合各个决策运算分支对应的分支连接信息确定各个决策运算分支对应的分支影响值。
STEP104，获取各个决策运算分支的AI运算资源服务信息，结合各个决策运算分支对应的分支影响值、各个决策运算分支的分支连接信息和各个决策运算分支的AI运算资源服务信息对各个决策运算分支进行拓扑拆分，得到决策运算拓扑子结构和待处理决策运算分支。
其中，AI运算资源服务信息用于表征决策运算分支是否支持在性能计算单元（如硬件加速器）中进行决策运算执行，当决策运算分支支持在性能计算单元中进行决策运算执行，AI运算资源服务信息就为性能计算单元服务信息，当决策运算分支不支持在性能计算单元中进行决策运算执行，则AI运算资源服务信息就为非性能计算单元服务信息。未适配在性能计算单元中进行决策运算执行的决策运算分支可以在平衡计算单元中进行决策运算执行。其中，可以结合决策运算分支的运算属性来预设对应的AI运算资源服务信息。决策运算拓扑子结构是指拓扑拆分后得到的决策运算分支形成的运算拆分结构，即决策运算拓扑子结构是指拓扑拆分得到的运算拆分结构。同一个决策运算拓扑子结构中的所有决策运算分支被同一AI计算单元处理，该AI计算单元可以是性能计算单元，也可以是平衡计算单元。待处理决策运算分支是指决策运算拓扑结构中等待处理的决策运算分支，即是指决策运算拓扑结构中除决策运算拓扑子结构中决策运算分支以外的决策运算分支，是未拓扑拆分到决策运算拓扑子结构中决策运算分支。该带子结构决策运算分支可以包括多个。
一种可替代的实施方式中，大数据存储***可以使用各个决策运算分支对应的分支影响值、各个决策运算分支的分支连接信息和各个决策运算分支的AI运算资源服务信息对各个决策运算分支进行拓扑拆分，其中，当需要拓扑拆分的决策运算分支满足分支影响值要求且满足AI运算服务节点运算服务资源匹配要求时，将该决策运算分支作为决策运算拓扑子结构中决策运算分支，当需要拓扑拆分的决策运算分支满足运算协同要求且满足AI运算服务节点运算服务资源匹配要求时，将该决策运算分支作为决策运算拓扑子结构中决策运算分支。该分支影响值要求是指预设的分支影响值连续的要求。该AI运算服务节点的运算服务资源匹配要求是指预设的AI运算服务节点的计算单元匹配的要求。运算协同要求是指预设的唯一调度的要求。此时，结合所有满足要求的决策运算分支得到决策运算拓扑子结构，并将决策运算拓扑结构中的其它决策运算分支作为待处理决策运算分支。
STEP106，将决策运算拓扑子结构和待处理决策运算分支分别作为应用崩溃决策网络对应的决策运算分支，得到优化后的决策运算拓扑结构，并返回获取决策运算拓扑结构中各个决策运算分支的分支影响值的步骤迭代执行，直到决策运算拓扑结构中各个决策运算分支均完成拓扑拆分时，得到各个目标决策运算拓扑子结构和对应的子结构运算资源服务信息。
其中，更新后的决策运算拓扑结构是指将决策运算拓扑子结构作为应用崩溃决策网络的决策运算分支，并与待处理决策运算分支关联得到的。更新后的决策运算拓扑结构中的决策运算分支少于决策运算拓扑结构。更新后的决策运算拓扑结构中的存在决策运算分支为决策运算拓扑子结构。目标决策运算拓扑子结构是指最终拓扑拆分完成的决策运算拓扑子结构。子结构运算资源服务信息是指目标决策运算拓扑子结构对应的AI运算资源服务信息，用于表征目标决策运算拓扑子结构是否支持在性能计算单元中进行决策运算执行。即该目标决策运算拓扑子结构可以是支持在性能计算单元中进行决策运算执行，也可以是支持在平衡计算单元中进行决策运算执行。
一种可替代的实施方式中，大数据存储***将决策运算拓扑子结构和待处理决策运算分支分别作为应用崩溃决策网络对应的决策运算分支，即大数据存储***将决策运算拓扑子结构中的所有决策运算分支共同作为一个决策运算分支，然后结合该决策运算分支和决策运算拓扑结构中的其它待处理决策运算分支共同得到更新后的决策运算拓扑结构。此时，大数据存储***返回获取决策运算拓扑结构中各个决策运算分支的分支影响值的步骤迭代执行，直到决策运算拓扑结构中各个决策运算分支均完成拓扑拆分时，即决策运算拓扑结构中各个决策运算分支都被拓扑拆分为决策运算拓扑子结构时，得到各个目标决策运算拓扑子结构。同时结合目标决策运算拓扑子结构中各个决策运算分支对应的AI运算资源服务信息得到目标决策运算拓扑子结构对应的子结构运算资源服务信息。
STEP108，存储决策运算拓扑结构对应的决策签名数据、各个目标决策运算拓扑子结构和对应的子结构运算资源服务信息之间的映射特征信息，映射特征信息用于响应于应用崩溃决策任务，结合应用崩溃决策任务结合映射特征信息将各个目标决策运算拓扑子结构配置至对应的AI运算服务节点中分别进行拓扑配置和应用崩溃决策。
其中，决策签名数据用于唯一标识决策运算拓扑结构。AI运算服务节点是指目标决策运算拓扑子结构运算的AI计算单元，该AI运算服务节点可以是性能计算单元，也可以是平衡计算单元。大数据存储***可以结合子结构运算资源服务信息确定目标决策运算拓扑子结构是在性能计算单元运算，还是在平衡计算单元中运算。不同的目标决策运算拓扑子结构在不同的AI运算服务节点中进行决策运算执行。各个目标决策运算拓扑子结构的运算顺序是结合决策运算拓扑结构中各个决策运算分支的运算顺序确定的。
一种可替代的实施方式中，大数据存储***将决策运算拓扑结构对应的决策签名数据、各个目标决策运算拓扑子结构和对应的子结构运算资源服务信息建立映射特征信息。即将决策签名数据与该决策运算拓扑结构对应的所有目标决策运算拓扑子结构关联，再与目标决策运算拓扑子结构对应的子结构运算资源服务信息进行关联。然后将映射特征信息进行存储，可以存储到网络配置数据中。大数据存储***获得应用崩溃决策任务，该应用崩溃决策任务中携带有决策签名数据，响应于应用崩溃决策任务，使用决策签名数据结合映射特征信息搜索到各个目标决策运算拓扑子结构和对应的子结构运算资源服务信息，然后结合子结构运算资源服务信息将各个目标决策运算拓扑子结构配置至对应的AI运算服务节点中分别进行拓扑配置和应用崩溃决策。
采用以上技术方案，通过获取决策运算拓扑结构中各个决策运算分支的分支影响值，然后使用各个决策运算分支对应的分支影响值、各个决策运算分支的分支连接信息和各个决策运算分支的AI运算资源服务信息对各个决策运算分支进行拓扑拆分，得到决策运算拓扑子结构和待处理决策运算分支，然后将决策运算拓扑子结构和待处理决策运算分支分别作为应用崩溃决策网络对应的决策运算分支，得到优化后的决策运算拓扑结构并进行迭代拓扑拆分，得到各个目标决策运算拓扑子结构和对应的子结构运算资源服务信息，由于使用决策运算分支的分支影响值、分支连接信息和AI运算资源服务信息来对各个决策运算分支进行拓扑拆分，从而可以使相邻的且能够被AI运算服务节点芯片适配的网络参数层拓扑拆分为同一个决策运算拓扑子结构，从而提高了决策运算拓扑子结构的运算拆分结构精度，进而减少了拓扑拆分出的各个决策运算拓扑子结构的数量，然后存储决策运算拓扑结构对应的决策签名数据、各个目标决策运算拓扑子结构和对应的子结构运算资源服务信息之间的映射特征信息，当进行应用崩溃决策网络决策运算执行时，通过该映射特征信息将各个目标决策运算拓扑子结构配置至对应的AI运算服务节点中分别进行拓扑配置和应用崩溃决策，从而可以提高不同AI运算服务节点之间调度计算数据的速度，从而能够提高应用崩溃决策网络的决策性能，并且提高AI运算服务节点的运算资源利用度。
一种可替代的实施方式中，STEP104，结合各个决策运算分支对应的分支影响值、各个决策运算分支的分支连接信息和各个决策运算分支的AI运算资源服务信息对各个决策运算分支进行拓扑拆分，得到决策运算拓扑子结构和待处理决策运算分支，包括：
STEP202，从各个决策运算分支中确定第一决策运算分支，并从各个决策运算分支中获取第一决策运算分支对应的第二决策运算分支。
其中，第一决策运算分支是指未被拓扑拆分且满足AI运算服务节点运算服务资源匹配要求的决策运算分支。第二决策运算分支是指与第一决策运算分支相邻的决策运算分支。
一种可替代的实施方式中，大数据存储***结合各个决策运算分支的在应用崩溃决策网络中的顺序从各个决策运算分支中选取未被拓扑拆分过的决策运算分支，然后对选取的决策运算分支进行判断，其中，可以判断选取的决策运算分支是否满足AI运算服务节点运算服务资源匹配要求，该AI运算服务节点的运算服务资源匹配要求是指支持在性能计算单元中进行决策运算执行。然后当满足运算服务资源匹配要求时，将选取的未被拓扑拆分过的决策运算分支作为第一决策运算分支。然后再结合各个决策运算分支的顺序获取第一决策运算分支对应的邻居决策运算分支，得到第二决策运算分支。
STEP204，获取第二决策运算分支的目标在先拓扑拆分信息，从各个决策运算分支对应的分支影响值中确定第二决策运算分支对应的目标分支影响值，从各个决策运算分支的AI运算资源服务信息中确定第二决策运算分支对应的目标AI运算资源服务信息，并从各个决策运算分支的分支连接信息中确定第二决策运算分支对应的目标分支连接信息。
其中，目标在先拓扑拆分信息是指第二决策运算分支的在先拓扑拆分信息，该在先拓扑拆分信息用于表征该第二决策运算分支是否被拓扑拆分过。目标分支影响值是指第二决策运算分支的在决策运算拓扑结构中的深度。目标AI运算资源服务信息是指第二决策运算分支的AI运算资源服务信息。目标分支连接信息是指第二决策运算分支的分支连接信息。
一种可替代的实施方式中，大数据存储***可以在决策运算分支被拓扑拆分完成时，设置已拓扑拆分特征向量并保存。当需要对第二决策运算分支进行拓扑拆分时，首先需要查找该第二决策运算分支是否已经被拓扑拆分过。此时，大数据存储***可以从网络配置数据中获取第二决策运算分支的目标在先拓扑拆分信息，其中，大数据存储***可以搜索第二决策运算分支对应的已拓扑拆分特征向量，当查找到已拓扑拆分特征向量时，得到的目标在先拓扑拆分信息为已拓扑拆分完成，当未查找到已拓扑拆分特征向量，得到的目标在先拓扑拆分信息为未拓扑拆分。同时，大数据存储***从各个决策运算分支对应的分支影响值中搜索到与第二决策运算分支相同的决策运算分支对应的分支影响值，得到目标分支影响值。从各个决策运算分支的AI运算资源服务信息中查找到与第二决策运算分支相同的决策运算分支对应的AI运算资源服务信息，得到目标AI运算资源服务信息。并从各个决策运算分支的分支连接信息中搜索到与第二决策运算分支相同的决策运算分支对应的分支连接信息，得到目标分支连接信息。
STEP206，结合目标AI运算资源服务信息，目标在先拓扑拆分信息、目标分支影响值和目标分支连接信息对第二决策运算分支进行子结构决策运算分支验证。
其中，子结构决策运算分支验证是指验证决策运算分支是否为决策运算拓扑子结构中的决策运算分支。
一种可替代的实施方式中，大数据存储***使用目标AI运算资源服务信息验证第二决策运算分支是否为决策运算拓扑子结构中的决策运算分支，得到验证结果。大数据存储***使用目标分支影响值验证第二决策运算分支是否为决策运算拓扑子结构中的决策运算分支，得到验证结果。大数据存储***使用目标分支连接信息验证第二决策运算分支是否为决策运算拓扑子结构中的决策运算分支，得到验证结果。大数据存储***使用目标AI运算资源服务信息验证第二决策运算分支是否为决策运算拓扑子结构中的决策运算分支，得到验证结果。当所有验证结果中任意一种验证结果说明第二决策运算分支不是为决策运算拓扑子结构中的决策运算分支，则子结构决策运算分支验证不成功。
STEP208，当第二决策运算分支验证成功时，将第一决策运算分支和第二决策运算分支作为更新后的第一决策运算分支，并返回获取第一决策运算分支对应的第二决策运算分支的步骤执行，直到更新后的第一决策运算分支不再变化时，得到各个验证成功的第二决策运算分支。
其中，第二决策运算分支验证成功是指验证到第二决策运算分支为决策运算拓扑子结构中的决策运算分支。
一种可替代的实施方式中，当第二决策运算分支验证成功时，说明第二决策运算分支为决策运算拓扑子结构中的决策运算分支。此时，大数据存储***将第一决策运算分支和第二决策运算分支作为更新后的第一决策运算分支，其中，由于第一决策运算分支和目标网络参数层是相邻的决策运算分支且都是决策运算拓扑子结构中的决策运算分支，此时，可以将第一决策运算分支和第二决策运算分支作为同一个决策运算分支，即得到更新后的第一决策运算分支。然后进行迭代循环，即返回获取第一决策运算分支对应的第二决策运算分支的步骤执行，直到更新后的第一决策运算分支不再变化时，即更新后的第一决策运算分支不再变化是指更新后的第一决策运算分支与更新前的第一决策运算分支相同不再变化时，结合更新后的第一决策运算分支中包括的第二决策运算分支得到各个验证成功的第二决策运算分支。
STEP210，结合第一决策运算分支和各个验证成功的第二决策运算分支得到决策运算拓扑子结构，并结合各个决策运算分支、第一决策运算分支和各个验证成功的第二决策运算分支得到待处理决策运算分支。
一种可替代的实施方式中，大数据存储***将第一决策运算分支和各个验证成功的第二决策运算分支作为同一个决策运算拓扑子结构中的决策运算分支，就得到的决策运算拓扑子结构。然后将各个决策运算分支中除第一决策运算分支和各个验证成功的第二决策运算分支以外的决策运算分支作为待处理决策运算分支。
采用以上技术方案，通过使用从各个决策运算分支中确定第一决策运算分支，并从各个决策运算分支中获取第一决策运算分支对应的第二决策运算分支，然后使用于目标AI运算资源服务信息，目标在先拓扑拆分信息、目标分支影响值和目标分支连接信息对第二决策运算分支进行子结构决策运算分支验证，由此提高第二决策运算分支的验证精度。然后当第二决策运算分支验证成功时，将第一决策运算分支和第二决策运算分支作为更新后的第一决策运算分支并迭代执行，直到更新后的第一决策运算分支不再变化时，得到各个验证成功的第二决策运算分支，最后结合第一决策运算分支和各个验证成功的第二决策运算分支得到决策运算拓扑子结构，能够将属于一个拓扑拆分的决策运算分支拓扑拆分到同一个决策运算拓扑子结构中，从而提高了得到的决策运算拓扑子结构的可靠性，进而减少了拓扑拆分出的各个决策运算拓扑子结构的数量。然后在进行决策运算执行时，提高性能效率。
一种可替代的实施方式中，STEP202，从各个决策运算分支中确定第一决策运算分支，并从各个决策运算分支中获取第一决策运算分支对应的第二决策运算分支，包括：
STEP302，从各个决策运算分支选取靶向决策运算分支，并获取靶向决策运算分支的靶向在先拓扑拆分信息，从各个决策运算分支的AI运算资源服务信息中确定靶向决策运算分支对应的靶向运算资源服务信息。
其中，靶向决策运算分支是指在确定第一决策运算分支时各个决策运算分支中靶向决策运算分支。靶向在先拓扑拆分信息是指靶向决策运算分支对应的在先拓扑拆分信息。靶向运算资源服务信息是指靶向决策运算分支对应的AI运算资源服务信息。
一种可替代的实施方式中，大数据存储***可以结合决策运算拓扑结构中的决策运算分支的顺序从各个决策运算分支中依次选取靶向决策运算分支。然后从网络配置数据中获取靶向决策运算分支的靶向在先拓扑拆分信息，并从各个决策运算分支对应的AI运算资源服务信息中查找到与靶向决策运算分支相同的决策运算分支对应的AI运算资源服务信息，得到靶向运算资源服务信息。
STEP302，结合靶向在先拓扑拆分信息和靶向运算资源服务信息对靶向决策运算分支进行子结构决策运算分支验证。
一种可替代的实施方式中，大数据存储***使用靶向在先拓扑拆分信息和靶向运算资源服务信息对靶向决策运算分支进行验证判断，其中，结合靶向在先拓扑拆分信息判断靶向决策运算分支是否已被拓扑拆分过。然后结合靶向运算资源服务信息判断靶向决策运算分支是否支持在性能计算单元中进行决策运算执行。
STEP302，当靶向决策运算分支验证成功时，将靶向决策运算分支作为第一决策运算分支，并从各个决策运算分支中获取第一决策运算分支对应的前向决策运算分支和后向决策运算分支，将前向决策运算分支和后向决策运算分支分别作为第二决策运算分支。
其中，前向决策运算分支是指结合决策运算拓扑结构中的决策运算分支的运算顺序确定的在靶向决策运算分支之前进行决策运算执行的决策运算分支。后向决策运算分支是指结合决策运算拓扑结构中的决策运算分支的运算顺序确定的在靶向决策运算分支之后进行决策运算执行的决策运算分支。
一种可替代的实施方式中，当靶向决策运算分支验证成功时，即说明靶向决策运算分支未被拓扑拆分过且靶向决策运算分支支持在性能计算单元中进行决策运算执行，将靶向决策运算分支作为第一决策运算分支。然后从各个决策运算分支中获取第一决策运算分支对应的前向决策运算分支和后向决策运算分支，将前向决策运算分支和后向决策运算分支分别作为第二决策运算分支，即将前向决策运算分支作为第二决策运算分支，然后执行对第二决策运算分支进行后续处理的步骤，并且同时将后向决策运算分支作为第二决策运算分支，也执行对第二决策运算分支进行后续处理的步骤。
STEP302，当靶向决策运算分支验证不成功时，将靶向决策运算分支作为决策运算拓扑子结构，并返回获取决策运算拓扑结构中各个决策运算分支的分支影响值的步骤迭代执行，直到决策运算拓扑结构中各个决策运算分支均完成拓扑拆分。
一种可替代的实施方式中，当靶向决策运算分支验证不成功时，说明靶向决策运算分支被拓扑拆分过，或者是靶向决策运算分支不支持在性能计算单元中进行决策运算执行，或者是靶向决策运算分支被拓扑拆分过且靶向决策运算分支不支持在性能计算单元中进行决策运算执行。此时，直接将靶向决策运算分支作为决策运算拓扑子结构，即将该后续决策运算分支作为单独的决策运算拓扑子结构。并将单独的决策运算拓扑子结构和待处理决策运算分支得到更新后的决策运算拓扑结构，并返回获取决策运算拓扑结构中各个决策运算分支的分支影响值的步骤迭代执行，直到决策运算拓扑结构中各个决策运算分支均完成拓扑拆分。
一种可替代的实施方式中，当连续多个靶向决策运算分支验证不成功时，可以将该连续多个靶向决策运算分支作为同一个决策运算拓扑子结构中的决策运算分支，从而得到在平衡计算单元中运算的运算拆分结构。
采用以上技术方案，通过从各个决策运算分支选取靶向决策运算分支，并对靶向决策运算分支进行子结构决策运算分支验证，当验证成功时，才从各个决策运算分支中获取第一决策运算分支对应的前向决策运算分支和后向决策运算分支分别作为第二决策运算分支，从而提高了得到的第二决策运算分支的精度。
一种可替代的实施方式中，STEP304，结合靶向在先拓扑拆分信息和靶向运算资源服务信息对靶向决策运算分支进行子结构决策运算分支验证，包括步骤：
结合靶向在先拓扑拆分信息对靶向决策运算分支进行在先拓扑拆分验证，并结合靶向运算资源服务信息对靶向决策运算分支进行运算资源验证；当靶向决策运算分支的在先拓扑拆分验证成功且靶向决策运算分支的运算资源验证成功时，判定靶向决策运算分支验证成功；当靶向决策运算分支的在先拓扑拆分验证不成功或靶向决策运算分支的运算资源验证不成功时，判定靶向决策运算分支验证不成功。
其中，在先拓扑拆分验证是指验证决策运算分支是否已被拓扑拆分。运算资源验证是指验证决策运算分支是否支持在性能计算单元中运算。
一种可替代的实施方式中，大数据存储***使用靶向在先拓扑拆分信息对靶向决策运算分支进行在先拓扑拆分验证，其中，大数据存储***可以验证靶向在先拓扑拆分信息中是否存在靶向决策运算分支对应的已拓扑拆分特征向量，当不存在靶向决策运算分支对应的已拓扑拆分特征向量时，说明靶向决策运算分支的在先拓扑拆分验证成功。当存在靶向决策运算分支对应的已拓扑拆分特征向量时，说明靶向决策运算分支的在先拓扑拆分验证不成功。然后服务器使用靶向运算资源服务信息对靶向决策运算分支进行运算资源验证，其中，大数据存储***可以验证靶向运算资源服务信息是否为靶向决策运算分支支持在性能计算单元中运算。当验证到靶向决策运算分支支持在性能计算单元中决策运算执行时，说明靶向决策运算分支的运算资源验证成功，当验证到靶向决策运算分支不支持在性能计算单元中决策运算执行时，说明靶向决策运算分支的运算资源验证不成功。
由此，通过对靶向在先拓扑拆分信息和靶向运算资源服务信息对靶向决策运算分支进行子结构决策运算分支验证，从而能够保证对靶向决策运算分支验证的精度。
一种可替代的实施方式中，STEP206，结合目标AI运算资源服务信息，目标在先拓扑拆分信息、目标分支影响值和目标分支连接信息对第二决策运算分支进行子结构决策运算分支验证，包括：
STEP402，结合目标在先拓扑拆分信息对第二决策运算分支进行在先拓扑拆分验证，结合目标AI运算资源服务信息对第二决策运算分支进行运算资源验证，并结合目标分支影响值和目标分支连接信息对第二决策运算分支进行连续性验证。
其中，连续性验证是指验证第二决策运算分支是否第一决策运算分支之间是否具有连续性，该连续性可以是指第二决策运算分支对应的分支影响值与第一决策运算分支对应的分支影响值连续或者是指第二决策运算分支被第一决策运算分支唯一调度。
一种可替代的实施方式中，大数据存储***使用目标在先拓扑拆分信息对第二决策运算分支进行在先拓扑拆分验证，其中，大数据存储***可以验证目标在先拓扑拆分信息中是否存在第二决策运算分支对应的已拓扑拆分特征向量。当不存在第二决策运算分支对应的已拓扑拆分特征向量时，说明第二决策运算分支的在先拓扑拆分验证成功。当存在第二决策运算分支对应的已拓扑拆分特征向量时，说明第二决策运算分支的在先拓扑拆分验证不成功。
一种可替代的实施方式中，大数据存储***在拓扑拆分完成决策运算分支时，就保存到拓扑拆分完成的决策运算分支日志数据中，然后可以在已拓扑拆分完成的决策运算分支日志数据中搜索第二决策运算分支，当未搜索到第二决策运算分支时，说明第二决策运算分支是未拓扑拆分的决策运算分支，即第二决策运算分支的在先拓扑拆分验证成功，当搜索到第二决策运算分支时，说明第二决策运算分支是拓扑拆分的决策运算分支，即第二决策运算分支的在先拓扑拆分验证不成功。
并且大数据存储***使用目标AI运算资源服务信息对第二决策运算分支进行运算资源验证，其中，大数据存储***可以验证目标AI运算资源服务信息是否为第二决策运算分支支持在性能计算单元中运算。当验证到第二决策运算分支支持在性能计算单元中决策运算执行时，说明第二决策运算分支的运算资源验证成功，当验证到第二决策运算分支不支持在性能计算单元中决策运算执行时，说明第二决策运算分支的运算资源验证不成功。
并且大数据存储***使用目标分支影响值和目标分支连接信息对第二决策运算分支进行连续性验证。其中，大数据存储***可以验证目标分支影响值是否为第一决策运算分支对应分支影响值的邻居值，同时验证目标分支连接信息是否为第二决策运算分支被第一决策运算分支唯一调度。当目标分支影响值为第一决策运算分支对应分支影响值的邻居值或者目标分支连接信息为第二决策运算分支被第一决策运算分支唯一调度时，说明第二决策运算分支的连续性验证成功。当目标分支影响值并不是第一决策运算分支对应分支影响值的邻居值并且目标分支连接信息并不是指第二决策运算分支被第一决策运算分支唯一调度时，说明第二决策运算分支的连续性验证不成功。
STEP404，当第二决策运算分支的在先拓扑拆分验证、第二决策运算分支的运算资源验证成功和第二决策运算分支的连续性验证全部通过时，判定第二决策运算分支验证成功。
STEP406，当第二决策运算分支的在先拓扑拆分验证、第二决策运算分支的运算资源验证成功和第二决策运算分支的连续性验证中任意一项验证不成功时，判定第二决策运算分支验证不成功。
一种可替代的实施方式中，大数据存储***判断第二决策运算分支的在先拓扑拆分验证、第二决策运算分支的运算资源验证成功和第二决策运算分支的连续性验证全部通过时，说明第二决策运算分支是以第一决策运算分支形成的决策运算拓扑子结构中的决策运算分支，即第二决策运算分支验证成功。当第二决策运算分支的在先拓扑拆分验证、第二决策运算分支的运算资源验证成功和第二决策运算分支的连续性验证中任意一项验证不成功时， 说明第二决策运算分支并不是以第一决策运算分支形成的决策运算拓扑子结构中的决策运算分支，即确定第二决策运算分支验证不成功。
采用以上技术方案，通过使用目标在先拓扑拆分信息对第二决策运算分支进行在先拓扑拆分验证，使用目标AI运算资源服务信息对第二决策运算分支进行运算资源验证，并使用目标分支影响值和目标分支连接信息对第二决策运算分支进行连续性验证。然后结合在先拓扑拆分验证、运算资源验证和连续性验证来确定第二决策运算分支是否验证成功，从而确保第二决策运算分支验证的精度。
一种可替代的实施方式中，在STEP206之后，即结合目标AI运算资源服务信息，目标在先拓扑拆分信息和目标分支影响值对第二决策运算分支进行子结构决策运算分支验证之后，还包括步骤：
当第二决策运算分支验证不成功时，结合第一决策运算分支得到决策运算拓扑子结构，并结合各个决策运算分支和第一决策运算分支得到待处理决策运算分支。
一种可替代的实施方式中，当第二决策运算分支验证不成功时，说明该第二决策运算分支并不是以第一决策运算分支形成的决策运算拓扑子结构中的决策运算分支。此时，直接将第一决策运算分支单独作为决策运算拓扑子结构。同时将各个决策运算分支中出第一决策运算分支以外的决策运算分支作为待处理决策运算分支，避免将能被性能计算单元适配的决策运算分支和不能被性能计算单元适配的决策运算分支拓扑拆分到同一个运算拆分结构中，从而保证得到的决策运算拓扑子结构的精度。
一种可替代的实施方式中，STEP102，获取决策运算拓扑结构中各个决策运算分支的分支影响值，分支影响值是结合各个决策运算分支连接信息计算的，包括步骤：
将决策运算拓扑结构中各个决策运算分支进行排列，得到决策运算分支排列信息；结合各个决策运算分支的分支连接信息和决策运算分支排列信息计算各个决策运算分支对应的分支影响值。
其中，排列可以将一个网络参数层拓扑结构进行排序进而得到一个有序的线性集合。决策运算分支排列信息是指将决策运算拓扑结构中各个决策运算分支进行排序得到的有序的线性集合，该决策运算分支排列信息用于表征决策运算分支在决策运算执行时的先后顺序。
一种可替代的实施方式中，大数据存储***使用排列算法对将决策运算拓扑结构中各个决策运算分支进行排列，得到决策运算分支排列信息。然后大数据存储***使用各个决策运算分支的分支连接信息和决策运算分支排列信息确定各个决策运算分支对应的分支影响值。其中，结合可以结合决策运算分支排列信息的顺序来确定待计算的决策运算分支，同时使用第一决策运算分支的分支连接信息确定第一决策运算分支的关联决策运算分支，结合关联决策运算分支的分支影响值来计算第一决策运算分支的分支影响值。最后遍历决策运算分支排列信息中的各个决策运算分支，得到各个决策运算分支对应的分支影响值。
采用以上技术方案，通过先将各个决策运算分支进行排列，得到决策运算分支排列信息，然后使用各个决策运算分支的分支连接信息和决策运算分支排列信息计算各个决策运算分支对应的分支影响值，从而提高了得到的分支影响值的精度。
一种可替代的实施方式中，结合各个决策运算分支的分支连接信息和决策运算分支排列信息计算各个决策运算分支对应的分支影响值，包括步骤：
结合决策运算分支排列信息的排列次序从各个决策运算分支中确定目标决策运算分支，并结合各个决策运算分支的分支连接信息验证目标决策运算分支是否存在对应的关联决策运算分支；当目标决策运算分支存在对应的关联决策运算分支时，获取关联决策运算分支对应的分支影响值，结合关联决策运算分支对应的分支影响值确定目标决策运算分支对应的分支影响值。
其中，目标决策运算分支是指当前需要计算分支影响值的决策运算分支。关联决策运算分支是指目标决策运算分支调度的决策运算分支。即目标决策运算分支在进行决策运算执行时需要关联决策运算分支的决策运算执行数据才能进行决策运算执行。该关联决策运算分支的分支影响值是在目标决策运算分支进行分支影响值计算之前就确定的。
一种可替代的实施方式中，大数据存储***结合决策运算分支排列信息的排列次序从各个决策运算分支中确定目标决策运算分支，然后结合各个决策运算分支的分支连接信息验证目标决策运算分支是否存在对应的关联决策运算分支。当目标决策运算分支存在对应的关联决策运算分支时，大数据存储***直接从网络配置数据中获取到关联决策运算分支对应的分支影响值，然后结合关联决策运算分支对应的分支影响值确定目标决策运算分支对应的分支影响值，可以是计算关联决策运算分支对应的分支影响值与第一标定值的和，得到目标决策运算分支对应的分支影响值。其中，第一标定值是预设的，可以是一。
采用以上技术方案，通过验证目标决策运算分支是否存在对应的关联决策运算分支，当目标决策运算分支存在对应的关联决策运算分支时，使用关联决策运算分支对应的分支影响值确定目标决策运算分支对应的分支影响值，提高了计算分支影响值的精度和效率。
一种可替代的实施方式中，关联决策运算分支存在至少两个；获取关联决策运算分支对应的分支影响值，结合关联决策运算分支对应的分支影响值确定目标决策运算分支对应的分支影响值，包括步骤：
获取至少两个关联决策运算分支分别对应的分支影响值，从至少两个关联决策运算分支分别对应的分支影响值中确定最大分支影响值；计算最大分支影响值和第一标定值的和，得到目标决策运算分支对应的分支影响值。
其中，第一标定值是指预设的需要进行分支影响值计算时使用的值，可以设置为一。
一种可替代的实施方式中，大数据存储***验证到目标决策运算分支存在对应的至少两个关联决策运算分支时。此时，从网络配置数据中获取到每个关联决策运算分支对应的分支影响值，然后比较每个关联决策运算分支对应的分支影响值的大小，从每个关联决策运算分支对应的分支影响值确定最大分支影响值。然后计算最大分支影响值和第一标定值的和，得到目标决策运算分支对应的分支影响值。
采用以上技术方案，当目标决策运算分支存在多个关联决策运算分支时，从至少两个关联决策运算分支分别对应的分支影响值中确定最大分支影响值，然后计算最大分支影响值和第一标定值的和，得到目标决策运算分支对应的分支影响值，从而保证得到的目标决策运算分支对应分支影响值的精度。
一种可替代的实施方式中，结合各个决策运算分支的分支连接信息验证目标决策运算分支是否存在对应的关联决策运算分支之后，还包括步骤：
当目标决策运算分支不存在对应的关联决策运算分支时，确定目标决策运算分支对应的分支影响值为第二标定值。
其中，第二标定值是指预设的目标决策运算分支为起始决策运算分支时的值，可以设置为零。
一种可替代的实施方式中，大数据存储***判断目标决策运算分支不存在对应的关联决策运算分支时，说明该目标决策运算分支是决策运算拓扑结构中的起始决策运算分支，即该目标决策运算分支不调度其他决策运算分支的决策运算执行数据进行决策运算执行。此时，直接确定目标决策运算分支对应的分支影响值为第二标定值，从而保证得到目标决策运算分支的分支影响值的精度。
一种可替代的实施方式中，本申请实施例进一步提供一种基于人工智能模型的应用崩溃分析方法，该方法包括以下步骤：
STEP502，获得应用崩溃决策任务，应用崩溃决策任务携带目标决策签名数据和应用异常崩溃事件。
其中，目标决策签名数据用于标注需要对应用异常崩溃事件进行决策运算执行的决策运算拓扑结构，即应用崩溃决策网络的ID信息。应用异常崩溃事件是指需要使用目标决策签名数据对应的决策运算拓扑结构进行决策运算执行的数据。
STEP504，结合映射特征信息获取目标决策签名数据关联的各个目标决策运算拓扑子结构和对应的子结构运算资源服务信息，各个目标决策运算拓扑子结构和对应的子结构运算资源服务信息是通过获取决策运算拓扑结构中各个决策运算分支的分支影响值，分支影响值是结合各个决策运算分支连接信息计算的，获取各个决策运算分支的AI运算资源服务信息，结合各个决策运算分支对应的分支影响值、各个决策运算分支的分支连接信息和各个决策运算分支的AI运算资源服务信息对各个决策运算分支进行拓扑拆分，得到决策运算拓扑子结构和待处理决策运算分支，将决策运算拓扑子结构和待处理决策运算分支分别作为应用崩溃决策网络对应的决策运算分支，得到优化后的决策运算拓扑结构，并返回获取决策运算拓扑结构中各个决策运算分支的分支影响值的步骤迭代执行，直到决策运算拓扑结构中各个决策运算分支均完成拓扑拆分时得到的。
一种可替代的实施方式中，大数据存储***结合应用崩溃决策任务从保存到映射特征信息中搜索目标决策签名数据关联的各个目标决策运算拓扑子结构和每个目标决策运算拓扑子结构对应的子结构运算资源服务信息。该映射特征信息可以是通过以上实施例获得的。通过映射特征信息获取到的各个目标决策运算拓扑子结构和对应的子结构运算资源服务信息也可以是通过以上实施例进行决策运算拓扑结构拓扑拆分得到的。
STEP506，结合应用异常崩溃事件和子结构运算资源服务信息将各个目标决策运算拓扑子结构配置至对应的AI运算服务节点中分别进行拓扑配置和应用崩溃决策，得到应用异常崩溃事件对应的应用实现错误点决策数据。
其中，应用实现错误点决策数据是指对应用异常崩溃事件通过决策运算拓扑结构中的决策运算分支进行决策运算执行后得到的结果。
一种可替代的实施方式中，大数据存储***结合决策运算拓扑结构中的决策运算分支的运算顺序确定各个目标决策运算拓扑子结构的运算顺序，然后结合子结构运算资源服务信息确定每个目标决策运算拓扑子结构对应的AI运算服务节点。然后再结合各个目标决策运算拓扑子结构的运算顺序将应用异常崩溃事件和目标决策运算拓扑子结构配置至对应的AI运算服务节点中并分别进行拓扑配置和应用崩溃决策，其中，将应用异常崩溃事件和起始的目标决策运算拓扑子结构配置至起始的AI运算服务节点中，得到起始的AI运算服务节点输出的起始决策运算执行数据，然后起始决策运算执行数据和下一个目标决策运算拓扑子结构配置至该拓扑拆分对应的AI运算服务节点中，得到该拓扑拆分的决策运算执行数据，并一直进行决策运算执行，直到最后的目标决策运算拓扑子结构通过对应的AI运算服务节点进行决策运算执行，得到应用异常崩溃事件对应的应用实现错误点决策数据。
一种可替代的实施方式中，大数据存储***得到各个决策运算拓扑子结构时，可以预先将各个决策运算拓扑子结构部署到对应的AI运算服务节点上，当接收到应用崩溃决策任务时，将应用异常崩溃事件发送到起始的决策运算拓扑子结构对应的AI运算服务节点中，通过AI运算服务节点中的决策运算拓扑子结构进行决策运算执行，得到决策运算执行数据，然后将决策运算执行数据输入到下一个AI运算服务节点中进行决策运算执行，并结合运算顺序通过决策运算拓扑子结构对应的AI运算服务节点进行决策运算执行，直到经过所有AI运算服务节点中决策运算拓扑子结构的运算，得到应用异常崩溃事件对应的应用实现错误点决策数据。
采用以上技术方案，通过获得应用崩溃决策任务，然后结合映射特征信息获取目标决策签名数据关联的各个目标决策运算拓扑子结构和对应的子结构运算资源服务信息，由于各个目标决策运算拓扑子结构是通过获取决策运算拓扑结构中各个决策运算分支的分支影响值，然后使用各个决策运算分支对应的分支影响值、各个决策运算分支的分支连接信息和各个决策运算分支的AI运算资源服务信息对各个决策运算分支进行拓扑拆分，得到决策运算拓扑子结构和待处理决策运算分支，将决策运算拓扑子结构和待处理决策运算分支分别作为应用崩溃决策网络对应的决策运算分支，得到优化后的决策运算拓扑结构并进行迭代执行，直到决策运算拓扑结构中各个决策运算分支均完成拓扑拆分时得到的，从而提高了得到的各个目标决策运算拓扑子结构的精度，进而减少了拓扑拆分出的各个决策运算拓扑子结构的数量，然后结合应用异常崩溃事件和子结构运算资源服务信息将各个目标决策运算拓扑子结构配置至对应的AI运算服务节点中分别进行拓扑配置和应用崩溃决策，得到应用异常崩溃事件对应的应用实现错误点决策数据，从而可以提高不同AI运算服务节点之间调度计算数据的速度，从而能够提高应用崩溃决策网络的决策性能，并且提高AI运算服务节点的运算资源利用度。
一种可替代的实施方式中，以上方法具体来说：
STEP602，将决策运算拓扑结构中各个决策运算分支进行排列，得到决策运算分支排列信息；结合各个决策运算分支的分支连接信息和决策运算分支排列信息计算各个决策运算分支对应的分支影响值。获取各个决策运算分支的AI运算资源服务信息，从各个决策运算分支选取靶向决策运算分支，并获取靶向决策运算分支的靶向在先拓扑拆分信息，从各个决策运算分支的AI运算资源服务信息中确定靶向决策运算分支对应的靶向运算资源服务信息。
STEP604，结合靶向在先拓扑拆分信息对靶向决策运算分支进行在先拓扑拆分验证，并结合靶向运算资源服务信息对靶向决策运算分支进行运算资源验证。当靶向决策运算分支验证不成功时，将靶向决策运算分支作为决策运算拓扑子结构，并返回获取决策运算拓扑结构中各个决策运算分支的分支影响值的步骤迭代执行，直到决策运算拓扑结构中各个决策运算分支均完成拓扑拆分。
STEP606，当靶向决策运算分支验证成功时，将靶向决策运算分支作为第一决策运算分支，并从各个决策运算分支中获取第一决策运算分支对应的前向决策运算分支和后向决策运算分支，将前向决策运算分支和后向决策运算分支分别作为第二决策运算分支。
STEP608，获取第二决策运算分支的目标在先拓扑拆分信息，从各个决策运算分支对应的分支影响值中确定第二决策运算分支对应的目标分支影响值，从各个决策运算分支的AI运算资源服务信息中确定第二决策运算分支对应的目标AI运算资源服务信息，并从各个决策运算分支的分支连接信息中确定第二决策运算分支对应的目标分支连接信息。
STEP610，结合目标在先拓扑拆分信息对第二决策运算分支进行在先拓扑拆分验证，结合目标AI运算资源服务信息对第二决策运算分支进行运算资源验证，并结合目标分支影响值和目标分支连接信息对第二决策运算分支进行连续性验证。
STEP612，当第二决策运算分支的在先拓扑拆分验证、第二决策运算分支的运算资源验证成功和第二决策运算分支的连续性验证中任意一项验证不成功时，判定第二决策运算分支验证不成功。当第二决策运算分支的在先拓扑拆分验证、第二决策运算分支的运算资源验证成功和第二决策运算分支的连续性验证全部通过时，判定第二决策运算分支验证成功。
STEP614，当第二决策运算分支验证成功时，将第一决策运算分支和第二决策运算分支作为更新后的第一决策运算分支，并返回获取第一决策运算分支对应的第二决策运算分支的步骤执行，直到更新后的第一决策运算分支不再变化时，得到各个验证成功的第二决策运算分支；结合第一决策运算分支和各个验证成功的第二决策运算分支得到决策运算拓扑子结构，并结合各个决策运算分支、第一决策运算分支和各个验证成功的第二决策运算分支得到待处理决策运算分支。
STEP616，将决策运算拓扑子结构和待处理决策运算分支分别作为应用崩溃决策网络对应的决策运算分支，得到优化后的决策运算拓扑结构，并返回获取决策运算拓扑结构中各个决策运算分支的分支影响值的步骤迭代执行，直到决策运算拓扑结构中各个决策运算分支均完成拓扑拆分时，得到各个目标决策运算拓扑子结构和对应的子结构运算资源服务信息；建立决策运算拓扑结构对应的决策签名数据、各个目标决策运算拓扑子结构和对应的子结构运算资源服务信息之间的映射特征信息并保存。
STEP618，获得应用崩溃决策任务，应用崩溃决策任务携带目标决策签名数据和应用异常崩溃事件。结合映射特征信息获取目标决策签名数据关联的各个目标决策运算拓扑子结构和对应的子结构运算资源服务信息。结合应用异常崩溃事件和子结构运算资源服务信息将各个目标决策运算拓扑子结构配置至对应的AI运算服务节点中分别进行拓扑配置和应用崩溃决策，得到应用异常崩溃事件对应的应用实现错误点决策数据。
一些设计思路中，提供了一种大数据存储***，该大数据存储***可以是服务器，该大数据存储***包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过***总线连接，通信接口通过输入/输出接口连接到***总线。其中，该大数据存储***的处理器用于提供计算和控制能力。该大数据存储***的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该大数据存储***的数据库用于存储上述方法所涉及的数据。该大数据存储***的模型加载数据/输出接口用于处理器与外部设备之间交换信息。该大数据存储***的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于人工智能决策的应用崩溃分析方法。
一些设计思路中，提供了一种大数据存储***，该大数据存储***可以是终端。该大数据存储***包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过***总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到***总线。其中，该大数据存储***的处理器用于提供计算和控制能力。该大数据存储***的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该大数据存储***的模型加载数据/输出接口用于处理器与外部设备之间交换信息。该大数据存储***的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其它技术实现。该计算机程序被处理器执行时以实现一种基于人工智能决策的应用崩溃分析方法。该大数据存储***的显示单元用于形成视觉可见的画面。
一些设计思路中，提供了一种大数据存储***，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
一些设计思路中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
一些设计思路中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于人工智能决策的应用崩溃分析方法，其特征在于，所述方法包括：
从所述数字化服务在线应用的应用响应日志中查找存在异常崩溃的各个应用异常崩溃事件，并结合网络权重信息收敛化的应用崩溃决策网络对所述各个应用异常崩溃事件进行应用实现错误点分析，获得所述数字化服务在线应用对应的应用实现错误点决策数据，所述网络权重信息收敛化的应用崩溃决策网络应用于AI调度服务中心，所述应用实现错误点决策数据包括多个应用实现错误点以及各个应用实现错误点所对应的异常崩溃描述知识链；
对所述各个应用实现错误点对应的异常崩溃描述知识链进行潜在关系分析，确定所述各个应用实现错误点之间的错误点关联信息，结合所述各个应用实现错误点之间的错误点关联信息确定符合要求的目标崩溃暴露要求，其中，所述目标崩溃暴露要求表征应用业务响应实例中的至少一个崩溃暴露元素；
基于所述目标崩溃暴露要求所对应的云端崩溃修复策略对所述数字化服务在线应用进行修复更新。
2.根据权利要求1所述的基于人工智能决策的应用崩溃分析方法，其特征在于，所述从数字化服务在线应用的应用响应日志中查找存在异常崩溃的各个应用异常崩溃事件，并结合网络权重信息收敛化的应用崩溃决策网络对所述各个应用异常崩溃事件进行应用实现错误点分析，获得所述数字化服务在线应用对应的应用实现错误点决策数据的步骤，包括：
获取应用崩溃决策网络对应的决策运算拓扑结构中各个决策运算分支的分支影响值，所述分支影响值是结合各个决策运算分支连接信息计算的；
获取所述各个决策运算分支的AI运算资源服务信息，结合所述各个决策运算分支对应的分支影响值、所述各个决策运算分支的分支连接信息和所述各个决策运算分支的AI运算资源服务信息对所述各个决策运算分支进行拓扑拆分，得到决策运算拓扑子结构和待处理决策运算分支；
将决策运算拓扑子结构和待处理决策运算分支分别作为应用崩溃决策网络对应的决策运算分支，得到优化后的决策运算拓扑结构，并返回获取决策运算拓扑结构中各个决策运算分支的分支影响值的步骤迭代执行，直到决策运算拓扑结构中各个决策运算分支均完成拓扑拆分时，得到各个目标决策运算拓扑子结构和对应的子结构运算资源服务信息；
存储所述决策运算拓扑结构对应的决策签名数据、所述各个目标决策运算拓扑子结构和对应的子结构运算资源服务信息之间的映射特征信息；
获得应用崩溃决策任务，所述应用崩溃决策任务携带目标决策签名数据和应用异常崩溃事件；
结合所述映射特征信息获取所述目标决策签名数据关联的各个目标决策运算拓扑子结构和对应的子结构运算资源服务信息；
结合所述应用异常崩溃事件和所述子结构运算资源服务信息将所述各个目标决策运算拓扑子结构配置至对应的AI运算服务节点中分别进行拓扑配置和应用崩溃决策，得到所述应用异常崩溃事件对应的应用实现错误点决策数据。
3.根据权利要求2所述的基于人工智能决策的应用崩溃分析方法，其特征在于，获取决策运算拓扑结构中各个决策运算分支的分支影响值，所述分支影响值是结合各个决策运算分支连接信息计算的，包括：
将所述决策运算拓扑结构中各个决策运算分支进行排列，得到决策运算分支排列信息；
结合所述决策运算分支排列信息的排列次序从所述各个决策运算分支中确定目标决策运算分支，并结合所述各个决策运算分支的分支连接信息验证所述目标决策运算分支是否存在对应的关联决策运算分支；
在所述目标决策运算分支存在对应的关联决策运算分支时，获取所述关联决策运算分支对应的分支影响值，结合所述关联决策运算分支对应的分支影响值确定所述目标决策运算分支对应的分支影响值；以及
在所述目标决策运算分支不存在对应的关联决策运算分支时，确定所述目标决策运算分支对应的分支影响值为第二标定值；
其中，所述关联决策运算分支存在至少两个；
所述获取所述关联决策运算分支对应的分支影响值，结合所述关联决策运算分支对应的分支影响值确定所述目标决策运算分支对应的分支影响值，包括：
获取所述至少两个关联决策运算分支分别对应的分支影响值，从所述至少两个关联决策运算分支分别对应的分支影响值中确定最大分支影响值；
计算所述最大分支影响值和第一标定值的和，得到所述目标决策运算分支对应的分支影响值。
4.根据权利要求2所述的基于人工智能决策的应用崩溃分析方法，其特征在于，所述结合所述各个决策运算分支对应的分支影响值、所述各个决策运算分支的分支连接信息和所述各个决策运算分支的AI运算资源服务信息对所述各个决策运算分支进行拓扑拆分，得到决策运算拓扑子结构和待处理决策运算分支，包括：
从所述各个决策运算分支中确定第一决策运算分支，并从各个决策运算分支中获取所述第一决策运算分支对应的第二决策运算分支；
获取所述第二决策运算分支的目标在先拓扑拆分信息，从所述各个决策运算分支对应的分支影响值中确定所述第二决策运算分支对应的目标分支影响值，从所述各个决策运算分支的AI运算资源服务信息中确定所述第二决策运算分支对应的目标AI运算资源服务信息，并从所述各个决策运算分支的分支连接信息中确定所述第二决策运算分支对应的目标分支连接信息；
结合所述目标AI运算资源服务信息，所述目标在先拓扑拆分信息、所述目标分支影响值和所述目标分支连接信息对所述第二决策运算分支进行子结构决策运算分支验证；
在所述第二决策运算分支验证成功时，将所述第一决策运算分支和所述第二决策运算分支作为更新后的第一决策运算分支，并返回获取第一决策运算分支对应的第二决策运算分支的步骤执行，直到更新后的第一决策运算分支不再变化时，得到各个验证成功的第二决策运算分支；
结合所述第一决策运算分支和所述各个验证成功的第二决策运算分支得到决策运算拓扑子结构，并结合所述各个决策运算分支、所述第一决策运算分支和所述各个验证成功的第二决策运算分支得到待处理决策运算分支。
5.根据权利要求4所述的基于人工智能决策的应用崩溃分析方法，其特征在于，所述从所述各个决策运算分支中确定第一决策运算分支，并从各个决策运算分支中获取所述第一决策运算分支对应的第二决策运算分支，包括：
从所述各个决策运算分支选取靶向决策运算分支，并获取所述靶向决策运算分支的靶向在先拓扑拆分信息，从所述各个决策运算分支的AI运算资源服务信息中确定所述靶向决策运算分支对应的靶向运算资源服务信息；
结合所述靶向在先拓扑拆分信息和所述靶向运算资源服务信息对所述靶向决策运算分支进行子结构决策运算分支验证；
在所述靶向决策运算分支验证成功时，将所述靶向决策运算分支作为所述第一决策运算分支，并从各个决策运算分支中获取所述第一决策运算分支对应的前向决策运算分支和后向决策运算分支，将所述前向决策运算分支和所述后向决策运算分支分别作为第二决策运算分支；
在所述靶向决策运算分支验证不成功时，将所述靶向决策运算分支作为决策运算拓扑子结构，并返回获取决策运算拓扑结构中各个决策运算分支的分支影响值的步骤迭代执行，直到决策运算拓扑结构中各个决策运算分支均完成拓扑拆分；
所述结合所述靶向在先拓扑拆分信息和所述靶向运算资源服务信息对所述靶向决策运算分支进行子结构决策运算分支验证，包括：
结合所述靶向在先拓扑拆分信息对所述靶向决策运算分支进行在先拓扑拆分验证，并结合所述靶向运算资源服务信息对所述靶向决策运算分支进行运算资源验证；
在所述靶向决策运算分支的在先拓扑拆分验证成功且所述靶向决策运算分支的运算资源验证成功时，判定所述靶向决策运算分支验证成功；
在所述靶向决策运算分支的在先拓扑拆分验证不成功或所述靶向决策运算分支的运算资源验证不成功时，判定所述靶向决策运算分支验证不成功。
6.根据权利要求4所述的基于人工智能决策的应用崩溃分析方法，其特征在于，所述结合所述目标AI运算资源服务信息，所述目标在先拓扑拆分信息、所述目标分支影响值和所述目标分支连接信息对所述第二决策运算分支进行子结构决策运算分支验证，包括：
结合所述目标在先拓扑拆分信息对所述第二决策运算分支进行在先拓扑拆分验证，结合所述目标AI运算资源服务信息对所述第二决策运算分支进行运算资源验证，并结合所述目标分支影响值和所述目标分支连接信息对所述第二决策运算分支进行连续性验证；
在所述第二决策运算分支的在先拓扑拆分验证、所述第二决策运算分支的运算资源验证成功和所述第二决策运算分支的连续性验证全部通过时，判定所述第二决策运算分支验证成功；
在所述第二决策运算分支的在先拓扑拆分验证、所述第二决策运算分支的运算资源验证成功和所述第二决策运算分支的连续性验证中任意一项验证不成功时，判定所述第二决策运算分支验证不成功。
7.根据权利要求4所述的基于人工智能决策的应用崩溃分析方法，其特征在于，所述结合所述目标AI运算资源服务信息，所述目标在先拓扑拆分信息和所述目标分支影响值对所述第二决策运算分支进行子结构决策运算分支验证之后，还包括：
在所述第二决策运算分支验证不成功时，结合所述第一决策运算分支得到决策运算拓扑子结构，并结合所述各个决策运算分支和所述第一决策运算分支得到待处理决策运算分支。
8.一种计算机程序产品，包括计算机程序或计算机可执行指令，其特征在于，所述计算机程序或计算机可执行指令被处理器执行时，实现权利要求1-7中任意一项所述的基于人工智能决策的应用崩溃分析方法。
9.一种计算机程序产品，包括计算机程序或计算机可执行指令，其特征在于，所述计算机程序或计算机可执行指令被处理器执行时，实现权利要求1-7中任意一项所述的基于人工智能决策的应用崩溃分析方法。
10.一种大数据存储***，其特征在于，所述大数据存储***包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，所述处理器用于运行所述计算机程序时，执行权利要求1-9中任意一项所述的基于人工智能决策的应用崩溃分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310497113.6A CN116578442B (zh) | 2023-05-05 | 2023-05-05 | 基于人工智能决策的应用崩溃分析方法及大数据存储*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310497113.6A CN116578442B (zh) | 2023-05-05 | 2023-05-05 | 基于人工智能决策的应用崩溃分析方法及大数据存储*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116578442A true CN116578442A (zh) | 2023-08-11 |
| CN116578442B CN116578442B (zh) | 2024-02-06 |
Family
ID=87535154
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310497113.6A Active CN116578442B (zh) | 2023-05-05 | 2023-05-05 | 基于人工智能决策的应用崩溃分析方法及大数据存储*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116578442B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113422782A (zh) * | 2021-07-08 | 2021-09-21 | 广州市信恒软件技术有限公司 | 基于大数据的云服务漏洞分析方法及人工智能分析*** |
| US20210374567A1 (en) * | 2020-06-02 | 2021-12-02 | Bank Of America Corporation | Crash Prediction System |
| CN113961380A (zh) * | 2020-07-20 | 2022-01-21 | 腾讯科技（深圳）有限公司 | 一种跨应用修复的方法、装置、设备及存储介质 |
| CN114095273A (zh) * | 2021-12-06 | 2022-02-25 | 青岛力口互联网科技有限公司 | 基于深度学习的互联网漏洞挖掘方法及大数据挖掘*** |
| US11296967B1 (en) * | 2021-09-23 | 2022-04-05 | Extrahop Networks, Inc. | Combining passive network analysis and active probing |
| CN114564523A (zh) * | 2022-03-09 | 2022-05-31 | 大庆市诚龙达科技有限公司 | 针对智慧虚拟场景的大数据漏洞分析方法及云端ai*** |
| WO2022193534A1 (zh) * | 2021-03-17 | 2022-09-22 | 北京交通大学 | 智融标识网络中基于意图驱动的服务编排***和方法 |
| CN115220765A (zh) * | 2022-03-08 | 2022-10-21 | 洪兴发 | 基于大数据漏洞分析的漏洞补充修复分析方法及*** |
| US20230016199A1 (en) * | 2021-07-16 | 2023-01-19 | State Farm Mutual Automobile Insurance Company | Root cause detection of anomalous behavior using network relationships and event correlation |
| US20230088318A1 (en) * | 2021-09-20 | 2023-03-23 | International Business Machines Corporation | Remotely healing crashed processes |
-
2023
- 2023-05-05 CN CN202310497113.6A patent/CN116578442B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210374567A1 (en) * | 2020-06-02 | 2021-12-02 | Bank Of America Corporation | Crash Prediction System |
| CN113961380A (zh) * | 2020-07-20 | 2022-01-21 | 腾讯科技（深圳）有限公司 | 一种跨应用修复的方法、装置、设备及存储介质 |
| WO2022193534A1 (zh) * | 2021-03-17 | 2022-09-22 | 北京交通大学 | 智融标识网络中基于意图驱动的服务编排***和方法 |
| CN113422782A (zh) * | 2021-07-08 | 2021-09-21 | 广州市信恒软件技术有限公司 | 基于大数据的云服务漏洞分析方法及人工智能分析*** |
| US20230016199A1 (en) * | 2021-07-16 | 2023-01-19 | State Farm Mutual Automobile Insurance Company | Root cause detection of anomalous behavior using network relationships and event correlation |
| US20230088318A1 (en) * | 2021-09-20 | 2023-03-23 | International Business Machines Corporation | Remotely healing crashed processes |
| US11296967B1 (en) * | 2021-09-23 | 2022-04-05 | Extrahop Networks, Inc. | Combining passive network analysis and active probing |
| CN114095273A (zh) * | 2021-12-06 | 2022-02-25 | 青岛力口互联网科技有限公司 | 基于深度学习的互联网漏洞挖掘方法及大数据挖掘*** |
| CN115220765A (zh) * | 2022-03-08 | 2022-10-21 | 洪兴发 | 基于大数据漏洞分析的漏洞补充修复分析方法及*** |
| CN114564523A (zh) * | 2022-03-09 | 2022-05-31 | 大庆市诚龙达科技有限公司 | 针对智慧虚拟场景的大数据漏洞分析方法及云端ai*** |
| CN115455426A (zh) * | 2022-03-09 | 2022-12-09 | 杨敏 | 基于漏洞分析模型开发的业务错误分析方法及云端ai*** |
Non-Patent Citations (3)
| Title |
|---|
| TARIQUL ISLAM 等: "Predicting Application Failure in Cloud: A Machine Learning Approach", 《2017 IEEE INTERNATIONAL CONFERENCE ON COGNITIVE COMPUTING (ICCC)》, pages 1 - 8 * |
| 周毅: "基于机器学习的无线网络隐性故障智能定位***研究", 《江苏通信》, pages 101 - 107 * |
| 王沐贤 等: "基于相关性的多维时序数据异常溯源方法", 《计算机科学与探索》, vol. 15, no. 11, pages 2142 - 2150 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116578442B (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8938375B2 (en) | Optimizing business process management models | |
| de Souza et al. | A multi-objective particle swarm optimization for test case selection based on functional requirements coverage and execution effort | |
| CN109669452A (zh) | 一种基于并行强化学习的云机器人任务调度方法和*** | |
| CN112199189A (zh) | 深度学习模型对资源受限边缘设备的适应 | |
| CN111045932A (zh) | 业务***仿真处理方法、装置、电子设备及存储介质 | |
| CN110119399A (zh) | 基于机器学习的业务流程优化方法 | |
| CN114157507A (zh) | 采用大数据分析的云服务漏洞分析方法及人工智能*** | |
| CN106844197B (zh) | 基于代数重建法反馈控制的一致性测试用例策略调度方法 | |
| CN110427574B (zh) | 路线相似度确定方法、装置、设备和介质 | |
| CN116578442B (zh) | 基于人工智能决策的应用崩溃分析方法及大数据存储*** | |
| CN112394949B (zh) | 一种面向持续集成的服务版本动态配置方法 | |
| CN111897725B (zh) | 中台服务自动化测试方法、介质、设备及*** | |
| CN113553268A (zh) | 一种ai智能软件测试方法 | |
| CN117035065A (zh) | 模型评估的方法及相关装置 | |
| CN101894063A (zh) | 一种用于微处理器功能验证的测试程序生成方法及装置 | |
| CN117172633A (zh) | 一种面向工业互联网平台的制造服务子图仿真方法及*** | |
| WO2023231526A1 (zh) | 基于数字孪生DaaS平台的算法仓库管理方法及*** | |
| CN114564523B (zh) | 针对智慧虚拟场景的大数据漏洞分析方法及云端ai*** | |
| CN114780967B (zh) | 基于大数据漏洞挖掘的挖掘评估方法及ai漏洞挖掘*** | |
| Gu et al. | Analyzing execution dynamics of scientific workflows for latency minimization in resource sharing environments | |
| US10949596B1 (en) | System, method, and computer program product for simultaneous routing and placement in an electronic circuit design | |
| CN114678114A (zh) | 应用于智慧医疗的大数据挖掘评估方法及大数据挖掘*** | |
| CN114443970A (zh) | 基于人工智能和大数据的数字化内容推送方法及ai*** | |
| CN112712180A (zh) | 基于可靠性验证的模型构建优化方法、装置、设备和介质 | |
| CN107105052A (zh) | 基于图规划的启发式Web服务组合方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231013 Address after: Room 0935, Building 25, Ligangyuan, Tianjin Jinnan Development Zone, Shuanggang, Jinnan District, Tianjin, 300350 Applicant after: Jin Yan Address before: No. 33, Shuanggang High tech Industrial Park, Huike Road, Jinnan District, Tianjin, 300350 Applicant before: Tianjin Zhuming Intelligent Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240110 Address after: 100000 room 17001, 1701, 17th floor, No. 25, Middle East Third Ring Road, Chaoyang District, Beijing Applicant after: Beijing infinite free culture media Co.,Ltd. Address before: Room 528, 5th Floor, Building D, Building 33, No. 99 Kechuang 14th Street, Beijing Economic and Technological Development Zone, Daxing District, Beijing, 100000 (Yizhuang Cluster, High end Industrial Zone, Beijing Pilot Free Trade Zone) Applicant before: Beijing Peihong Wangzhi Technology Co.,Ltd. Effective date of registration: 20240110 Address after: Room 528, 5th Floor, Building D, Building 33, No. 99 Kechuang 14th Street, Beijing Economic and Technological Development Zone, Daxing District, Beijing, 100000 (Yizhuang Cluster, High end Industrial Zone, Beijing Pilot Free Trade Zone) Applicant after: Beijing Peihong Wangzhi Technology Co.,Ltd. Address before: Room 0935, Building 25, Ligangyuan, Tianjin Jinnan Development Zone, Shuanggang, Jinnan District, Tianjin, 300350 Applicant before: Jin Yan |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |