CN116628381A - 一种基于ai预测的网页数据设计模块故障无损恢复方法 - Google Patents

Abstract

本发明公开了一种基于AI预测的网页数据设计模块故障无损恢复方法，涉及错误校正技术领域，包括采集网页数据、分析网页数据、构建统一分析模型、建立基于AI的预测模型以及设计一套无损恢复方案五个步骤，通过采集和分析网页数据，将模块故障信息经量化分析后，获取到故障占比和故障因子累积量，并通过建立统一分析模型，多角度获取到模块故障的影响因素和变化模式，实现了对于故障情况的高效判定与处理，还通过建立预测模型对故障因子进行实时监测，从而将故障因子限制在预设区间内，并在超出预设区间时对模块进行故障修复，模块自动进行故障溯源检测，节省人力的检测修复成本。

Description

一种基于AI预测的网页数据设计模块故障无损恢复方法

技术领域

本发明涉及错误校正技术领域，尤其涉及一种基于AI预测的网页数据设计模块故障无损恢复方法。

背景技术

在互联网高速发展的今天，网络已成为人们获取信息资源的重要途径，信息的呈现离不开网页，网页的主要作用是将用户需要的信息与资源采用一定的手段进行组织，通过网络呈现给用户，网页设计是根据企业希望向浏览者传递的信息，进行网站功能策划，然后进行的页面设计美化工作；

但是，网页设计过程中可能会出现网页数据设计模块的故障，在出现模块故障后需要大量耗费大量人力成本进行修复处理，并且由于难以确定故障原因，导致故障修复操作效率低；

针对上述的技术缺陷，现提出一种基于AI预测的网页数据设计模块故障无损恢复方法。

发明内容

本发明的目的在于提供了一种基于AI预测的网页数据设计模块故障无损恢复方法，解决了故障原因难以判定和修复操作效率低的问题。

为了实现上述目的，本发明采用了如下技术方案：一种基于AI预测的网页数据设计模块故障无损恢复方法，包括以下步骤：

步骤一，采集网页数据：通过访问后台端口、用户端口以及虚拟云端对网页数据进行采集，其中，网页数据包括前期设计信息、后期页面信息和模块监测信息；

步骤二，分析网页数据：模块故障分为页面故障、响应故障和使用故障，采集模块故障的因子包括访问量和负载量，通过对比分析前期设计信息与后期页面信息，获得网页数据设计过程的页面故障占比，同时结合模块监测信息进行分析处理，测算响应故障占比和使用故障占比；

步骤三，构建统一分析模型：将故障因子和故障占比代入统一分析模型中，分析模块故障的影响因素和变化模式，其中包括单一故障因素和综合故障因素分别对于模块故障程度的影响模式；

步骤四，根据分析结果建立基于AI的预测模型：设定综合因素的阈值和单一故障因素的预设区间，实时监测访问量和负载量并将其控制在预设范围内，若超出预设范围，则生成故障提示信号；

步骤五，基于预测模型设计一套无损恢复方案：在接收到故障提示信号时进行故障修复操作。

优选的，统一分析模型的构建过程如下：

s1：设定故障因子为集合Rx，故障类别为集合Fx，预设采样周期为Tcy，对采样周期内的故障因子Rx集合内各个元素的数量分别进行累计，获取一个采样周期内的各个故障因子的累计量为集合RWx，同时获取一个采样周期内的各个故障类别的占比为集合FWx；

s2：分析同一周期内故障因子Rx与故障类别Fx内各个元素之间单独对应产生的影响关系，再根据单一故障因子对于各个故障类别的影响程度不同，为各个故障类别的占比集合FWx中各个元素分别赋予相应的一级权重因子系数，先进行相乘后再累加，获取总体的模块故障程度值Mki，生成单一故障因子累积量RWx与总体的模块故障程度值Mki之间的动态关系曲线图；

s3：分析全部的故障因子对于总体的模块故障的综合影响关系：根据各个故障因子对于模块故障的影响程度不同，为各个故障因子的累计量集合RWx分别赋予相应的二级权重因子系数，先进行相乘后再累加，获取综合的故障因素影响值Gzx，并生成综合故障因素影响值Gzx－总体的模块故障程度值Mki的关系曲线图。

优选的，构建AI预测模型的具体过程为：

依据综合故障因素影响值Gzx－总体的模块故障程度值Mki的关系曲线图，将其置入到增长测算模型并计算生成综合故障因素增长率Zm；

将综合故障因素增长率Zm从0到正值的临界点所在位置的横坐标Xzm设定为综合因素阈值，则综合故障因素影响值Gzx的预设区间为[0，Xzm)，通过实时监测访问量和负载量，并计算综合故障因素影响值Gzx，将其限制在综合因素预设区间以内；

依据单一故障因子累积量RWx与总体的模块故障程度值Mki之间的动态关系曲线图，将总体的模块故障程度值Mki从0到正值的临界点所在位置的横坐标设定为单一因素阈值Xrwi，以确定单一故障因素的预设区间，其中，设定访问量预设区间为[0，Xrw1)，负载量预设区间为[0，Xrw2)；

当综合故障因素的影响值Gzx超出预设区间时，结合单一故障因子累积量RWx与总体的模块故障程度值Mki之间的动态关系曲线图，判定超出预设区间的单一故障因素，以此定位相应的故障原因并生成故障提示信号；

其中，增长测算模型的构建过程如下：

先选择曲线任意一点标记为p，确定该点的坐标值p(x0，y0)，再选择该点的相邻点q，确定该点的坐标值q(x1，y1)；

再计算曲线在两个点之间的平均增长率Zm，平均增长率Zm即为综合故障因素增长率：

优选的，故障提示信号的生成具体过程如下：

先进行阈值比较：当综合故障因素的影响值Gzx超出阈值时，通过单一故障因子累积量RWx与总体的模块故障程度值Mki之间的动态关系曲线图，测算访问量和负载量是否超出预设区间；

若访问量超出预设区间[0，Xrw1)，表明访问量过大，则生成第一故障提示信号，并对其进行排序等待处理；

若负载量超出预设区间[0，Xrw2)，表明负载量过大，则生成第二故障提示信号，并对其进行强制关闭处理；

若访问量和负载量均超出相应的预设区间，表明访问量和负载量均过大，则生成第三故障提示信号，并同时进行排序等待处理和强制关闭处理；

当综合故障因素的影响值Gzx超出阈值，而访问量和负载量均未超出相应的预设区间，则表明单一因素的综合影响大于单一因素影响的累加，则对其先进行增长率对比，再进行相应的处理；

其中，增长率对比过程为：依据单一故障因子累积量RWx与总体的模块故障程度值Mki之间的动态关系曲线图，将其分别置入增长测算模型中，分别生成相应的访问量增长率Zmx和负载量增长率Zmf，比较访问量增长率Zmx和负载量增长率Zmf的大小，对增长率数值大的单一故障因子进行控制处理；

若访问量增长率Zmx＞负载量增长率Zmf，表明访问量变化程度过快，生成第一故障提示信号，对访问量进行排序等待处理；

若访问量增长率Zmx＜负载量增长率Zmf，表明负载量变化程度过快，生成第二故障提示信号，对负载量进行排序等待处理；

若访问量增长率Zmx＝负载量增长率Zmf，表明两者变化程度一致，生成第三故障提示信号，并同时进行排序等待处理和强制关闭处理。

优选的，步骤二中对比分析的具体过程为：

后台端口用于采集前期设计信息，用户端口用于采集后期页面信息，其中，前期设计信息包括初始设计网页的页面内容A1和版式设计A2，后期页面信息包括成品显示网页的页面内容B1和版式设计B2；

先将初始设计网页和成品显示网页分别通过截图的方式转换为图像格式，生成初始图像Xa和成品图像Xb，再将初始图像Xa和成品图像Xb代入图像对比模型中进行对比分析，判定网页设计过程中是否发生页面故障，并测算页面故障占比Hgz；

其中，图像对比模型的构建过程为：

先标记初始图像Xa和成品图像Xb中位置相同的任意点，再对两组标记点进行颜色对比，当颜色不同时，表示产生了页面故障，当颜色完全相同时，表示没有产生页面故障。

优选的，模块监测信息的分析过程如下：

通过虚拟云端采集网页的模块监测信息，其中，模块监测信息包括模块的页面响应时间、访问量、负载量和用户反馈；

其中，页面响应时间为后台端发出网页设计指令到获得响应的时间，访问量为用户的访问请求数，负载量为单位时间内服务器的运行状态进程数，用户反馈包括网页使用过程中的故障问题和非故障问题；

对页面响应时间进行分析，测算响应故障占比Hxy；对用户反馈进行识别和询问，测算其中使用故障的占比Hsy；

将页面故障占比Hgz、响应故障占比Hxy、使用故障占比Hsy代入统一分析模型中判定引发网页故障的原因和变化模式；

对访问量与服务器负载量依次进行分析，并代入统一分析模型，分析两者产生故障的影响模式。

优选的，页面响应时间的具体分析过程为：

a1：先预设结算周期为Tjs，页面响应时间为Txy，对一个结算周期内的全部页面响应时间测算平均值，获取页面平均响应时间Tpj；

a2：再基于页面平均响应时间Tpj设定时间阈值Fyz，将超出平均值的页面响应时间进行降序排序，当Txy＞Tpj时，对于其中前五分之一的页面响应时间Txy设定为不合格响应时间，并以不合格页面响应时间的最低值设为响应时间阈值Fyz，判定为响应故障；

a3：将结算周期分割为若干个检测周期Tjc，依次计算每个检测周期内的响应故障的占比Hxy。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1、本发明的一种基于AI预测的网页数据设计模块故障无损恢复方法中，通过采集和分析网页数据，将模块故障信息经量化分析后，获取到故障占比和故障因子累积量，并通过建立统一分析模型，多角度获取到模块故障的影响因素和变化模式，实现了对于故障情况的高效判定与处理，还通过建立预测模型对故障因子进行实时监测，从而将故障因子限制在预设区间内，并在超出预设区间时对模块进行故障修复；

2、本发明整体实现了模块故障原因的快速判定与修复处理，从而保证网页数据设计过程的顺畅，通过将模块故障信息进行量化分析，便于获取故障因子与故障程度的影响关系，从而便于模块实时监测故障因子的动态变化情况，在模块出现故障时自动进行故障溯源检测，判定故障原因后再自动进行故障无损修复，节省人力的检测修复成本。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图；

图1为本发明的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

实施例：

如图1所示，一种基于AI预测的网页数据设计模块故障无损恢复方法，工作步骤如下：

S1：采集网页数据：通过访问后台端口、用户端口以及虚拟云端对网页数据进行采集，其中，网页数据包括前期设计信息、后期页面信息和模块监测信息；

虚拟云端的网页数据设计模块是先通过后台端口输入前期设计信息到虚拟云端，再通过虚拟云端接收前期设计信息并处理成后期页面信息，生成相应的成品网页显示到用户端口，从而完成网页的设计；

S1-1：后台端口用于采集前期设计信息，用户端口用于采集后期页面信息，其中，前期设计信息包括初始设计网页的页面内容A1和版式设计A2，后期页面信息包括成品显示网页的页面内容B1和版式设计B2；

以“智慧校园”网页为例，初始设计网页所需的页面内容A1包括学生参数和教师参数，学生信息包括学号、姓名、科目及各科对应的成绩；教师参数包括姓名、授课组别及授课班级；初始设计网页所需的版式设计A2包括页面区域划分样式、页面颜色及文字样式；

将页面内容A1与页面内容B1进行对比，将版式设计A2与版式设计B2进行对比，从而判定页面设计过程中是否发生故障问题；

S1-2：通过虚拟云端采集网页的模块监测信息，其中，模块监测信息包括模块的页面响应时间、访问量、负载量和用户反馈；

其中，页面响应时间为后台端发出网页设计指令到获得响应的时间，访问量为用户的访问请求数，负载量为单位时间内服务器的运行状态进程数，用户反馈包括网页使用过程中的故障问题和非故障问题；

S2：分析网页数据：模块故障分为页面故障、响应故障和使用故障，采集模块故障的因子包括访问量和负载量，通过对比分析前期设计信息与后期页面信息，获得网页数据设计过程的页面故障占比，同时结合模块监测信息进行分析处理，测算响应故障占比和使用故障占比，通过图像识别和统计分析技术对网页数据进行分析；

S2-1：对比分析过程如下：

将初始设计网页和成品显示网页分别通过截图的方式转换为图像格式，生成初始图像Xa和成品图像Xb，再将初始图像Xa和成品图像Xb代入图像对比模型中进行对比分析，判定网页设计过程中是否发生页面故障，并测算页面故障占比Hgz；

其中，图像对比模型的构建过程为：

先标记初始图像Xa和成品图像Xb中位置相同的任意点，再对两组标记点进行颜色对比，当颜色不同时，表示产生了页面故障，当颜色完全相同时，表示没有产生页面故障；

具体过程为：预设识别的颜色种类有N种，并设定N种颜色对应的标记分别为s1、s2、……、sn；建立两组直角坐标系，将成品图像Xb和初始图像Xa分别置入两组直角坐标系中且基准点位置相同；将成品图像Xb中任一点位置标记为i，i处的颜色标记为Si，初始图像Xa中任一点位置标记为j，j处的颜色标记为Sj,

当两者标记位置相同，即i与j的横纵坐标相等时，若对应的Si＝Sj，则输出相似值P＝1；若对应的Si≠Sj，则输出相似值P＝0；

当采集的标记位置共计m个时，相似度Pxs：

若Pxs＝1，则说明网页设计过程中没有产生页面故障；若Pxs＜1，则说明网页设计过程中产生了页面故障；

当产生页面故障的情况下，设定检测周期Tjc＝1h，计算一个检测周期内的页面故障的占比Hgz：其中，a0为有故障的页面设计数量，b0为检测周期内的累计页面设计数量；

造成页面故障的原因为部分数据被损坏或丢失，导致部分数据损坏或丢失的原因为存储过程中访问量过大或服务器负载量过大，使得数据存储拥挤，部分数据无法存储从而丢失，或者在存储后数据产生损坏；

S2-2：模块监测信息的分析过程如下：

页面响应时间为后台端发出网页设计指令到获得响应的时间，访问量为用户的访问请求数，负载量为单位时间内服务器的运行状态进程数，用户反馈包括网页使用过程中的故障问题和非故障问题；

对页面响应时间进行分析，测算响应故障占比Hxy；对用户反馈进行识别和询问，测算其中使用故障的占比Hsy；

将页面故障占比Hgz、响应故障占比Hxy、使用故障占比Hsy代入统一分析模型中判定引发网页故障的原因和变化模式；

对访问量与服务器负载量依次进行分析，并代入统一分析模型，分析两者产生故障的影响模式；

S2-31：页面响应时间的具体分析过程为：

a1：先预设结算周期为Tjs，页面响应时间为Txy，对一个结算周期内的全部页面响应时间测算平均值，获取页面平均响应时间Tpj；

a2：再基于页面平均响应时间Tpj设定时间阈值Fyz，将超出平均值的页面响应时间进行降序排序，当Txy＞Tpj时，对于其中前五分之一的页面响应时间Txy设定为不合格响应时间，并以不合格页面响应时间的最低值设为响应时间阈值Fyz，判定为响应故障；

a3：将结算周期分割为若干个检测周期Tjc，依次计算每个检测周期内的响应故障的占比Hxy：其中，a1为响应时间故障的响应数，b1为检测周期内的总响应数；

S2-32：对用户反馈的具体分析过程为：

b1：对用户反馈的类别进行判定，通过关键词识别技术，将用户反馈内容进行扫描，当其中含有“故障”文本时，生成询问窗口；

b2：询问窗口内编辑文本，向用户询问是否产生使用故障，若确认产生使用故障，则对使用故障的数量进行累加，设定检测周期Tjc，计算每个检测周期内的使用故障的占比Hsy：其中，a2为使用故障的反馈数，b2为检测周期内的总反馈数；

S2-33：对访问量进行分析，在同一时间内会有多个后台端口同时进行网页数据设计，换言之，多个后台端口向虚拟云端内的网页数据设计模块发送访问请求，预设采样周期为Tcy，对采样周期内的访问量进行累计，获取一个采样周期内的访问量Wf；

S2-34：对服务器负载进行分析，预设采样周期为Tcy，对采样周期为内的运行状态进程数进行累计，获取服务器负载量Wz；

S3：构建统一分析模型：将故障因子和故障占比代入统一分析模型中，分析模块故障的影响因素和变化模式，其中包括单一故障因素和综合故障因素分别对于模块故障程度的影响模式；

S3-1：统一分析模型的构建过程如下：

s1：设定故障因子为集合Rx，故障类别为集合Fx，预设采样周期为Tcy，对采样周期内的故障因子Rx集合内各个元素的数量分别进行累计，获取一个采样周期内的各个故障因子的累计量为集合RWx，同时获取一个采样周期内的各个故障类别的占比为集合FWx；

例如，Rx＝{r1，r2}，Fx＝{f1，f2，f3}，其中，r1＝访问量、r2＝负载量，f1＝页面故障、f2＝响应故障、f3＝使用故障；

根据上述分析结果，获取RWx＝{Wf，Wz}，FWx＝{Hgz，Hxy，Hsy}；

s2：分析同一周期内故障因子Rx与故障类别Fx内各个元素之间单独对应产生的影响关系，再根据单一故障因子对于各个故障类别的影响程度不同，为各个故障类别的占比集合FWx中各个元素分别赋予相应的一级权重因子系数，先进行相乘后再累加，获取总体的模块故障程度值Mki，生成单一故障因子累积量RWx与总体的模块故障程度值Mki之间的动态关系曲线图；

Mki＝α1*Hgz+α2*Hxy+α3*Hsy＝F1(Wf)＝F2(Wz)

其中，α1、α2、α3分别为页面故障f1、响应故障f2、使用故障f3对总体的模块故障程度的一级权重因子系数，且α1、α2、α3均大于0；

F1(Wf)＝Mki为总体的模块故障程度值Mki与访问量累积量Wf之间的函数关系，F2(Wz)＝Mki为总体的模块故障程度值Mki与负载量累积量Wz之间的函数关系；

s3：分析全部的故障因子对于总体的模块故障的综合影响关系：根据各个故障因子对于模块故障的影响程度不同，为各个故障因子的累计量集合RWx分别赋予相应的二级权重因子系数，先进行相乘后再累加，获取综合的故障因素影响值Gzx，并生成综合故障因素影响值Gzx－总体的模块故障程度值Mki的关系曲线图；

Gzx＝β1*Wf+β2*Wz＝F3(Mki)

其中，β1、β2分别为访问量r1和负载量r2对模块故障的权重因子系数，且β1、β2均大于0，F3(Mki)＝Gzx为综合故障因素影响值Gzx与总体的模块故障程度值Mki之间的函数关系；

通过建立统一分析模型，多角度获取到模块故障的影响因素和变化模式，实现了对于故障情况的高效判定与处理；

S4：根据分析结果建立基于AI的预测模型：设定综合因素的阈值和单一故障因素的预设区间，实时监测访问量和负载量并将其控制在预设范围内，若超出预设范围，则生成故障提示信号；

S4-1：构建AI预测模型的具体过程为：

依据综合故障因素影响值Gzx－总体的模块故障程度值Mki的关系曲线图，将其置入到增长测算模型并计算生成综合故障因素增长率Zm，当综合故障因素增长率越高，说明综合因素影响越大，模块故障程度更严重；

将综合故障因素增长率Zm从0到正值的临界点所在位置的横坐标Xzm设定为综合因素阈值，则综合故障因素影响值Gzx的预设区间为[0，Xzm)，通过实时监测访问量和负载量，并计算综合故障因素影响值Gzx，将其限制在综合因素预设区间以内；

依据单一故障因子累积量RWx与总体的模块故障程度值Mki之间的动态关系曲线图，将总体的模块故障程度值Mki从0到正值的临界点所在位置的横坐标设定为单一因素阈值Xrwi，以确定单一故障因素的预设区间，其中，设定访问量预设区间为[0，Xrw1)，负载量预设区间为[0，Xrw2)；

当综合故障因素的影响值Gzx超出预设区间时，结合单一故障因子累积量RWx与总体的模块故障程度值Mki之间的动态关系曲线图，判定超出预设区间的单一故障因素，以此定位相应的故障原因并生成故障提示信号；

其中，增长测算模型的构建过程如下：

先选择曲线任意一点标记为p，确定该点的坐标值p(x0，y0)，再选择该点的相邻点q，确定该点的坐标值q(x1，y1)；

再计算曲线在两个点之间的平均增长率Zm，平均增长率Zm即为综合故障因素增长率：

通过建立预测模型对故障因子进行实时监测，并提取故障因子的预设区间，从而将故障因子限制在预设区间内；

S5：基于预测模型设计一套无损恢复方案：在接收到故障提示信号时进行故障修复操作，通过对访问量和服务器负载量进行控制，将其限制在预设范围内，使得数据存储过程不发生拥堵，数据不会丢失和损坏，用于避免模块故障；

S5-1：故障提示信号的生成具体过程如下：

先进行阈值比较：当综合故障因素的影响值Gzx超出阈值时，通过单一故障因子累积量RWx与总体的模块故障程度值Mki之间的动态关系曲线图，测算访问量和负载量是否超出预设区间；

若访问量超出预设区间[0，Xrw1)，表明访问量过大，则生成第一故障提示信号，并对其进行排序等待处理；

若负载量超出预设区间[0，Xrw2)，表明负载量过大，则生成第二故障提示信号，并对其进行强制关闭处理；

若访问量和负载量均超出相应的预设区间，表明访问量和负载量均过大，则生成第三故障提示信号，并同时进行排序等待处理和强制关闭处理；

当综合故障因素的影响值Gzx超出阈值，而访问量和负载量均未超出相应的预设区间，则表明单一因素的综合影响大于单一因素影响的累加，则对其先进行增长率对比，再进行相应的处理；

其中，增长率对比过程为：依据单一故障因子累积量RWx与总体的模块故障程度值Mki之间的动态关系曲线图，将其分别置入增长测算模型中，分别生成相应的访问量增长率Zmx和负载量增长率Zmf，比较访问量增长率Zmx和负载量增长率Zmf的大小，对增长率数值大的单一故障因子进行控制处理；

若访问量增长率Zmx＞负载量增长率Zmf，表明访问量变化程度过快，生成第一故障提示信号，对访问量进行排序等待处理；

若访问量增长率Zmx＜负载量增长率Zmf，表明负载量变化程度过快，生成第二故障提示信号，对负载量进行排序等待处理；

若访问量增长率Zmx＝负载量增长率Zmf，表明两者变化程度一致，生成第三故障提示信号，并同时进行排序等待处理和强制关闭处理；

访问量的排序等待处理过程为：当生成第一故障提示信号时，则对访问请求进行标记后再排序，按照访问顺序先后进行页面响应，设定单位时间内模块所在的虚拟云端服务器能承载的访问请求量为Ny，在排序后将前Ny个访问请求纳入模块中同步进行页面响应，并向其余的访问请求端口生成并反馈等待信号，访问请求端口包括后台端和用户端，当生成反馈等待信号时将其发送到相应的访问请求端口并编辑等待提醒文本，等待提醒文本内容为“访问过载请稍候”；

负载量的强制关闭处理过程为：当生成第二故障提示信号时，则对运行状态的进程先进行筛选再关闭部分进程，按照进程的运行时间进行降序排序，对于刚进入运行状态的进程先行关闭，设定服务器负载量为Nz，在排序后依次选出Nz个运行状态的进程，再将其余的进程强制关闭。

本发明的一种基于AI预测的网页数据设计模块故障无损恢复方法，通过采集和分析网页数据，将模块故障信息经量化分析后，获取到故障占比和故障因子累积量，并通过建立统一分析模型，多角度获取到模块故障的影响因素和变化模式，实现了对于故障情况的高效判定与处理，还通过建立预测模型对故障因子进行实时监测，从而将故障因子限制在预设区间内，并在超出预设区间时对模块进行故障修复；

本发明整体实现了模块故障原因的快速判定与修复处理，从而保证网页数据设计过程的顺畅，通过将模块故障信息进行量化分析，便于获取故障因子与故障程度的影响关系，从而便于模块实时监测故障因子的动态变化情况，在模块出现故障时自动进行故障溯源检测，判定故障原因后再自动进行故障无损修复，节省人力的检测修复成本。

上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种基于AI预测的网页数据设计模块故障无损恢复方法，其特征在于：包括以下步骤：

步骤一，采集网页数据：通过访问后台端口、用户端口以及虚拟云端对网页数据进行采集，其中，网页数据包括前期设计信息、后期页面信息和模块监测信息；

步骤二，分析网页数据：模块故障分为页面故障、响应故障和使用故障，采集模块故障的因子包括访问量和负载量，通过对比分析前期设计信息与后期页面信息，获得网页数据设计过程的页面故障占比，同时结合模块监测信息进行分析处理，测算响应故障占比和使用故障占比；

步骤三，构建统一分析模型：将故障因子和故障占比代入统一分析模型中，分析模块故障的影响因素和变化模式，其中包括单一故障因素和综合故障因素分别对于模块故障程度的影响模式；

步骤四，根据分析结果建立基于AI的预测模型：设定综合因素的阈值和单一故障因素的预设区间，实时监测访问量和负载量并将其控制在预设范围内，若超出预设范围，则生成故障提示信号；

步骤五，基于预测模型设计一套无损恢复方案：在接收到故障提示信号时进行故障修复操作。

2.根据权利要求1中所述的一种基于AI预测的网页数据设计模块故障无损恢复方法，其特征在于：统一分析模型的构建过程如下：

s1：设定故障因子为集合Rx，故障类别为集合Fx，预设采样周期为Tcy，对采样周期内的故障因子Rx集合内各个元素的数量分别进行累计，获取一个采样周期内的各个故障因子的累计量为集合RWx，同时获取一个采样周期内的各个故障类别的占比为集合FWx；

s2：分析同一周期内故障因子Rx与故障类别Fx内各个元素之间单独对应产生的影响关系，再根据单一故障因子对于各个故障类别的影响程度不同，为各个故障类别的占比集合FWx中各个元素分别赋予相应的一级权重因子系数，先进行相乘后再累加，获取总体的模块故障程度值Mki，生成单一故障因子累积量RWx与总体的模块故障程度值Mki之间的动态关系曲线图；

s3：分析全部的故障因子对于总体的模块故障的综合影响关系：根据各个故障因子对于模块故障的影响程度不同，为各个故障因子的累计量集合RWx分别赋予相应的二级权重因子系数，先进行相乘后再累加，获取综合的故障因素影响值Gzx，并生成综合故障因素影响值Gzx－总体的模块故障程度值Mki的关系曲线图。

3.根据权利要求2中所述的一种基于AI预测的网页数据设计模块故障无损恢复方法，其特征在于：构建AI预测模型的具体过程为：

依据综合故障因素影响值Gzx－总体的模块故障程度值Mki的关系曲线图，将其置入到增长测算模型并计算生成综合故障因素增长率Zm；

将综合故障因素增长率Zm从0到正值的临界点所在位置的横坐标Xzm设定为综合因素阈值，则综合故障因素影响值Gzx的预设区间为[0，Xzm)，通过实时监测访问量和负载量，并计算综合故障因素影响值Gzx，将其限制在综合因素预设区间以内；

依据单一故障因子累积量RWx与总体的模块故障程度值Mki之间的动态关系曲线图，将总体的模块故障程度值Mki从0到正值的临界点所在位置的横坐标设定为单一因素阈值Xrwi，以确定单一故障因素的预设区间，其中，设定访问量预设区间为[0，Xrw1)，负载量预设区间为[0，Xrw2)；

当综合故障因素的影响值Gzx超出预设区间时，结合单一故障因子累积量RWx与总体的模块故障程度值Mki之间的动态关系曲线图，判定超出预设区间的单一故障因素，以此定位相应的故障原因并生成故障提示信号；

其中，增长测算模型的构建过程如下：

先选择曲线任意一点标记为p，确定其坐标值p(x0，y0)，再选择该点的相邻点q，确定该点的坐标值q(x1，y1)；

再计算曲线在两个点之间的平均增长率Zm，平均增长率Zm即为综合故障因素增长率：

4.根据权利要求3中所述的一种基于AI预测的网页数据设计模块故障无损恢复方法，其特征在于：故障提示信号的生成具体过程如下：

先进行阈值比较：当综合故障因素的影响值Gzx超出阈值时，通过单一故障因子累积量RWx与总体的模块故障程度值Mki之间的动态关系曲线图，测算访问量和负载量是否超出预设区间；

若访问量超出预设区间[0，Xrw1)，表明访问量过大，则生成第一故障提示信号，并对其进行排序等待处理；

若负载量超出预设区间[0，Xrw2)，表明负载量过大，则生成第二故障提示信号，并对其进行强制关闭处理；

若访问量和负载量均超出相应的预设区间，表明访问量和负载量均过大，则生成第三故障提示信号，并同时进行排序等待处理和强制关闭处理；

当综合故障因素的影响值Gzx超出阈值，而访问量和负载量均未超出相应的预设区间，则表明单一因素的综合影响大于单一因素影响的累加，则对其先进行增长率对比，再进行相应的处理；

其中，增长率对比过程为：依据单一故障因子累积量RWx与总体的模块故障程度值Mki之间的动态关系曲线图，将其分别置入增长测算模型中，分别生成相应的访问量增长率Zmx和负载量增长率Zmf，比较访问量增长率Zmx和负载量增长率Zmf的大小，对增长率数值大的单一故障因子进行控制处理；

若访问量增长率Zmx＞负载量增长率Zmf，表明访问量变化程度过快，生成第一故障提示信号，对访问量进行排序等待处理；

若访问量增长率Zmx＜负载量增长率Zmf，表明负载量变化程度过快，生成第二故障提示信号，对负载量进行排序等待处理；

若访问量增长率Zmx＝负载量增长率Zmf，表明两者变化程度一致，生成第三故障提示信号，并同时进行排序等待处理和强制关闭处理。

5.根据权利要求4中所述的一种基于AI预测的网页数据设计模块故障无损恢复方法，其特征在于：步骤二中对比分析的具体过程为：

后台端口用于采集前期设计信息，用户端口用于采集后期页面信息，其中，前期设计信息包括初始设计网页的页面内容A1和版式设计A2，后期页面信息包括成品显示网页的页面内容B1和版式设计B2；

先将初始设计网页和成品显示网页分别通过截图的方式转换为图像格式，生成初始图像Xa和成品图像Xb，再将初始图像Xa和成品图像Xb代入图像对比模型中进行对比分析，判定网页设计过程中是否发生页面故障，并测算页面故障占比Hgz；

其中，图像对比模型的构建过程为：

先标记初始图像Xa和成品图像Xb中位置相同的任意点，再对两组标记点进行颜色对比，当颜色不同时，表示产生了页面故障，当颜色完全相同时，表示没有产生页面故障。

6.根据权利要求5中所述的一种基于AI预测的网页数据设计模块故障无损恢复方法，其特征在于：模块监测信息的分析过程如下：

通过虚拟云端采集网页的模块监测信息，其中，模块监测信息包括模块的页面响应时间、访问量、负载量和用户反馈；

其中，页面响应时间为后台端发出网页设计指令到获得响应的时间，访问量为用户的访问请求数，负载量为单位时间内服务器的运行状态进程数，用户反馈包括网页使用过程中的故障问题和非故障问题；

对页面响应时间进行分析，测算响应故障占比Hxy；对用户反馈进行识别和询问，测算其中使用故障的占比Hsy；

将页面故障占比Hgz、响应故障占比Hxy、使用故障占比Hsy代入统一分析模型中判定引发网页故障的原因和变化模式；

对访问量与服务器负载量依次进行分析，并代入统一分析模型，分析两者产生故障的影响模式。

7.根据权利要求6中所述的一种基于AI预测的网页数据设计模块故障无损恢复方法，其特征在于：页面响应时间的具体分析过程为：

a1：先预设结算周期为Tjs，页面响应时间为Txy，对一个结算周期内的全部页面响应时间测算平均值，获取页面平均响应时间Tpj；

a2：再基于页面平均响应时间Tpj设定时间阈值Fyz，将超出平均值的页面响应时间进行降序排序，当Txy＞Tpj时，对于其中前五分之一的页面响应时间Txy设定为不合格响应时间，并以不合格页面响应时间的最低值设为响应时间阈值Fyz，判定为响应故障；

a3：将结算周期分割为若干个检测周期Tjc，依次计算每个检测周期内的响应故障的占比Hxy。