一种基于SVM模型的软件运行环境评估方法及装置制造方法及图纸

本公开的实施例提供了一种基于SVM模型的软件运行环境评估方法及装置，该方法包括：提取软件运行环境的错误信息；对所述错误信息进行分词，获得关键词；对所述关键词进行信息分类，获得分类信息；将所述分类信息与错误原因进行维度融合，得到包含基本信息集合和错误原因的特征维度；将所述特征维度及对应的可用性指数标注作为训练样本集，对神经网络模型进行训练，得到软件运行环境评估模型。以此方式，对设备的稳定性建立一种评估模型，能够有效地对软件运行环境的可用性进行评估，解决了部署人员在实际部署中的问题，能够有效地提高软件部署的效率。署的效率。署的效率。

【技术实现步骤摘要】
一种基于SVM模型的软件运行环境评估方法及装置


[0001]本公开涉及互联网领域，尤其涉及软件运行、维护以及机器学习领域。

技术介绍

[0002]很多工控软件在开发完成后，需要由运维人员部署在实际的运行环境中。运维人员的重要任务就是根据不同的环境中定制软件的部署方法，因此计算机软件运行环境的可用性、可靠性和稳定性就是运维人员重点关注的内容。但是，由于环境的复杂性，运维人员需要花费大量的时间进行环境的检测，尤其是在现场设备比较多的时候，更是会大大增加人员的时间成本。
[0003]现有技术目前主要是通过人工经验判定，由于人工的经验参差不齐，导致在部署过程中出现失败的现象屡有发生，在技术系统转型过程中，传统运维模式面临“安全运行、人力紧缺、远程运维”三大挑战，有必要引入人工智能来辅助甚至部分替代人工决策，提升运维质量和效率。

技术实现思路

[0004]本公开提供了一种基于SVM模型的软件运行环境评估方法及装置。
[0005]根据本公开的第一方面，提供了一种软件运行环境评估模型的训练方法，该方法包括：
[0006]提取软件运行环境的错误信息；
[0007]对所述错误信息进行分词，获得关键词；
[0008]对所述关键词进行信息分类，获得分类信息；
[0009]将所述分类信息与错误原因进行维度融合，得到包含基本信息集合和错误原因的特征维度；
[0010]将所述特征维度及对应的可用性指数标注作为训练样本集，对神经网络模型进行训练，得到软件运行环境评估模型。r/>[0011]在第一方面的一些实现方式中，对所述错误信息进行分词，获得关键词包括：
[0012]使用NLP分词技术对所述错误信息进行分词，获得关键词。
[0013]在第一方面的一些实现方式中，对所述关键词进行信息分类，获得分类信息包括：
[0014]将所述关键词进行信息分类，得到软件信息、环境信息、硬件信息、补丁信息、系统信息以及其他信息。
[0015]在第一方面的一些实现方式中，所述方法还包括：
[0016]分析错误产生的原因，获得错误原因分类；
[0017]所述错误原因包括缺失、不可用、版本错误及其他。
[0018]在第一方面的一些实现方式中，所述神经网络模型为SVM模型。
[0019]在第一方面的一些实现方式中，所述可用性指数分为四类：高可用、中可用、低可用以及不可用。
[0020]根据本公开的第二方面，提供了一种软件运行环境评估方法，该方法包括：
[0021]获取软件运行环境的错误信息；
[0022]对所述错误信息进行分词，获得关键词；
[0023]对所述关键词进行信息分类，获得分类信息；
[0024]将所述分类信息与错误原因进行维度融合，得到包含基本信息集合和错误原因的特征维度；
[0025]将所述特征维度输入到根据本公开的第一方面的方法得到的软件运行环境评估模型中，获得软件运行环境可用性指数结果。
[0026]根据本公开的第三方面，提供了一种软件运行环境评估模型的训练装置，该装置包括：
[0027]信息提取模块，用于提取软件运行环境的错误信息；
[0028]分词模块，用于对所述错误信息进行分词，获得关键词；
[0029]信息分类模块，用于对所述关键词进行信息分类，获得分类信息；
[0030]关联模块，用于将所述分类信息与错误原因进行维度融合，得到包含基本信息集合和错误原因的特征维度；
[0031]训练模块，用于将所述特征维度及对应的可用性指数标注作为训练样本集，对神经网络模型进行训练，得到软件运行环境评估模型。
[0032]根据本公开的第四方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。
[0033]根据本公开的第五方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如根据本公开的第一方面和/或第二方面的方法。
[0034]本公开通过对软件运行环境的错误信息进行提取，通过分词技术获得关键词，并将关键词进行信息分类，将关键词与产生错误的原因进行维度融合，得到包含基本信息集合和错误原因两类的特征维度，将得到的特征维度和软件可用性指数标注作为样本集，对SVM模型进行训练，得到软件运行环境评估模型，在使用时，只需要将获取到的软件运行环境的特征维度输入到SVM模型中，即可获得软件环境可用性指数结果。通过使用机器学习，对设备的稳定性建立一种评估模型，从而实现对设备可用性的定量分析。
[0035]应当理解，
技术实现思路
部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
[0036]结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。附图用于更好地理解本方案，不构成对本公开的限定在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
[0037]图1示出了能够在其中实现本公开的实施例的方法流程示意图；
[0038]图2示出了根据本公开的实施例的一种软件运行环境评估模型的训练方法的流程图；
[0039]图3示出了根据本公开的实施例的一种软件运行环境评估方法的流程图；
[0040]图4示出了根据本公开的实施例的一种软件运行环境评估模型的训练装置的框图；
[0041]图5示出了能够实施本公开的实施例的示例性电子设备的方框图。
具体实施方式
[0042]为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，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全部其他实施例，都属于本公开保护的范围。
[0043]另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0044]本公开中，通过对软件运行环境的错误信息进行提取，通过分词技术获得关键词，并将关键词进行信息分类，将关键词与产生错误的原因进行维度融合，得到包含基本信息集合和错误原因两类的特征维度，将得到的特征维度和软件可用性指数标注作为样本集，对SVM模型进行训练，得到软件运行环境评估模型，在使用时，只需要将获取到的软件运行环境的特征维度输入到SVM模型中，即可获得软件环境可用性指数结果。通过使用机器学习，对设备的稳定性建立一种评估模型，从而实现对设备可用性的定量分析。
[0045]图1示出了能够在其中实现本公开的实施例的方法流程示意图。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种软件运行环境评估模型的训练方法，其特征在于，所述方法包括：提取软件运行环境的错误信息；对所述错误信息进行分词，获得关键词；对所述关键词进行信息分类，获得分类信息；将所述分类信息与错误原因进行维度融合，得到包含基本信息集合和错误原因的特征维度；将所述特征维度及对应的可用性指数标注作为训练样本集，对神经网络模型进行训练，得到软件运行环境评估模型。2.根据权利要求1所述的软件运行环境评估模型的训练方法，其特征在于，对所述错误信息进行分词，获得关键词包括：使用NLP分词技术对所述错误信息进行分词，获得关键词。3.根据权利要求1所述的软件运行环境评估模型的训练方法，其特征在于，对所述关键词进行信息分类，获得分类信息包括：将所述关键词进行信息分类，得到软件信息、环境信息、硬件信息、补丁信息、系统信息以及其他信息。4.根据权利要求1所述的软件运行环境评估模型的训练方法，其特征在于，所述方法还包括：分析错误产生的原因，获得错误原因分类；所述错误原因包括缺失、不可用、版本错误及其他。5.根据权利要求1所述的软件运行环境评估模型的训练方法，其特征在于，所述神经网络模型为SVM模型。6.根据权利要求1所述的软件运行环境评估模型的训练方法，其特征在于，所述可用性指数分为四类：高可用、中可用、低可用以及不可用。7.一种软件运行环境评估方法，其特征在于，所述方法包括：获取软件运行环境的错误信息；...

【专利技术属性】
技术研发人员：郝伟，沈传宝，刘加瑞，
申请(专利权)人：安徽华云安科技有限公司，
类型：发明
国别省市：