【技术实现步骤摘要】
本专利技术涉及人工智能，具体涉及配置异常预测方法、计算机设备、存储介质及程序产品。
技术介绍
1、基本输入输出系统（basic input output system，简称：bios）作为嵌入主板只读存储器（read only memory，简称：rom）芯片中的启动程序，用于控制交换机设备启动后的基本程式，包括硬盘、串口、内存和其他硬件配置。
2、相关技术中，交换机产品的bios配置菜单（setup）中有明确的警示，不建议更改配置菜单中的配置项。若用户误修改了配置菜单中的配置项造成交换机设备的异常，轻微异常可通过重启交换机设备或还原bios出厂配置解决，严重异常则需通过外部手段重新烧录bios镜像恢复默认配置。
3、然而，修改配置项造成的交换机设备的异常的补救方式往往需要bios相关专业知识。而用户对bios理解程度不够深入，当用户误修改了配置菜单中的配置项造成交换机设备的异常时，需要寻求专业技术人员的帮助，所需时间和人力成本较高，无法及时处理修改配置项后造成的严重异常，交换机设备安全性较低。
技术实现思路
1、有鉴于此，本专利技术提供了一种配置异常预测方法、计算机设备、存储介质及程序产品，以解决相关技术中无法及时处理修改配置项后造成的严重异常，交换机设备安全性较低的问题。
2、第一方面，本专利技术提供了一种配置异常预测方法，应用于基本输入输出系统，所述方法包括：
3、获取配置预测选项的开关状态；
4、在所述配置预测选项
5、将所述目标配置输入目标分类器，获得执行当前配置的风险预测结果；
6、在所述风险预测结果表征执行当前配置后，交换机设备有第一异常风险的情况下，拒绝执行所述当前配置。
7、本实施例提供的配置异常预测方法，通过将配置预测选项封装在基本输入输出系统中，在配置预测选项的开关状态为开启状态的情况下，若用户进行配置修改，当用户进行配置修改保存时，获取当前配置中的目标配置，通过将目标配置输入目标分类器，确定执行当前配置的风险预测结果。在风险预测结果表征执行当前配置后，交换机设备有第一异常风险的情况下，拒绝执行当前配置。通过在用户进行配置修改保存的情况下，对用户修改保存的配置进行风险预测，基于风险预测结果确定是否执行用户修改保存的配置，若预测到执行当前配置后，交换机设备有严重异常风险，则拒绝执行当前配置。减少了异常处理的时间成本和人工成本，且提高了交换机设备的安全性。
8、在一种可选的实施方式中，在将所述目标配置输入目标分类器之前，所述方法还包括：
9、获取训练集；
10、基于所述训练集，确定用于分类的特征变量和分类的目标变量，其中，所述训练集包括多个训练样本，所述目标变量为执行训练样本中的配置对应的风险结果；
11、基于所述训练集和所述特征变量，确定每个所述特征变量的信息增益；
12、基于每个所述特征变量的信息增益，筛选出信息增益最大的特征变量作为分裂点；
13、基于分裂点对训练集进行划分，获得若干个训练子集；
14、针对任一训练子集，判断该训练子集中的训练样本的目标变量的值是否相同；
15、在任一训练子集中的训练样本的目标变量的值相同的情况下，停止继续对训练集进行划分，获得目标分类器。
16、本实施例提供的配置异常预测方法，通过计算信息增益来自动筛选最重要的特征变量作为分裂点，减少了手动选择特征的需要，保证了模型的高效性和准确性。通过自动化的特征选择和高效的模型构建过程，提供了强大且易于理解的分类方式。
17、在一种可选的实施方式中，所述方法还包括：
18、在存在任一训练子集中的训练样本的目标变量的值存在不同的情况下，获取除了分裂点对应的特征变量之外的其他特征变量的信息增益；
19、基于除了分裂点对应的特征变量之外的其他特征变量的信息增益，从所述其他特征变量中筛选出信息增益最大的特征变量作为下一分裂点；
20、基于所述下一分裂点继续对所述训练集进行划分，获得若干个训练子集；
21、返回执行所述针对任一训练子集，判断该训练子集中的训练样本的目标变量的值是否相同的步骤。
22、本实施例提供的配置异常预测方法，通过在存在任一训练子集中的训练样本的目标变量的值存在不同的情况下，确定还未分裂完成，继续获取下一个最佳分裂点，继续对训练集进行划分，增加了分类的精度，减少了类别混淆，保证了目标分类器的分类准确性。
23、在一种可选的实施方式中，所述基于所述训练集和所述特征变量，确定每个所述特征变量的信息增益，包括：
24、针对任一特征变量，获取在未将所述特征变量作为分裂点的情况下，所述训练集中目标变量的第一信息熵；
25、获取在将所述特征变量作为分裂点的情况下，所述训练集中目标变量的第二信息熵；
26、基于所述第一信息熵和第二信息熵，确定所述特征变量的信息增益。
27、本实施例提供的配置异常预测方法，通过计算信息增益，可以量化每个特征对于分类任务的贡献度。信息增益大的特征被认为在分类过程中更有价值，因为它能有效降低目标变量的不确定性（即信息熵）。这帮助算法自动挑选出最有助于分类决策的特征，减少了人为选择特征的主观性和潜在错误。
28、在一种可选的实施方式中，所述获取在将所述特征变量作为分裂点的情况下，所述训练集中目标变量的第二信息熵，包括：
29、在将所述特征变量作为分裂点的情况下，获取所述训练集中所述目标变量对应不同值的概率；
30、基于所述训练集中所述目标变量对应不同值的概率，确定所述训练集中目标变量的第二信息熵。
31、本实施例提供的配置异常预测方法，通过计算基于特征分裂后的第二信息熵，可以直接衡量引入该分裂点后目标变量不确定性的减小程度。这一步骤是信息增益计算的核心，确保了分裂的合理性，即选择能最大程度减少分类混乱的特征。
32、在一种可选的实施方式中，在基于所述训练集，确定用于分类的特征变量和分类的目标变量之前，所述方法还包括：
33、将所述训练集中的数值型数据离散化，以获得构建决策树所需要的标称型数据。
34、本实施例提供的配置异常预测方法，通过对训练集中的数值型数据离散化，使得构建的决策树模型更加简单，易于理解和实现。离散化还可以减少敏感性，提高模型的稳定性和在有噪声数据面前的鲁棒性。
35、在一种可选的实施方式中，所述方法还包括：
36、在所述风险预测结果表征执行当前配置后，交换机设备无异常风险或有第二异常风险的情况下，执行所述当前配置，其中，第二异常风险的风险等级低于第一异常风险的风险等级。
3本文档来自技高网...
【技术保护点】
1.一种配置异常预测方法，其特征在于，应用于基本输入输出系统，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，在将所述目标配置输入目标分类器之前，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
4.根据权利要求2所述的方法，其特征在于，所述基于所述训练集和所述特征变量，确定每个所述特征变量的信息增益，包括：
5.根据权利要求4所述的方法，其特征在于，所述获取在将所述特征变量作为分裂点的情况下，所述训练集中目标变量的第二信息熵，包括：
6.根据权利要求2所述的方法，其特征在于，在基于所述训练集，确定用于分类的特征变量和分类的目标变量之前，所述方法还包括：
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
9.根据权利要求1所述的方法，其特征在于，所述方法还包括：
10.根据权利要求1所述的方法，其特征在于，所述方法还包括：
11.根据权利要求1所述的方法，
12.一种交换机设备，其特征在于，包括：基本输入输出系统，所述基本输入输出系统基于如权利要求1至11任一项所述的方法进行配置异常预测。
13.一种计算机设备，其特征在于，包括：
14.一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指令，所述计算机指令用于使计算机执行权利要求1至11中任一项所述的配置异常预测方法。
15.一种计算机程序产品，其特征在于，包括计算机指令，所述计算机指令用于使计算机执行权利要求1至11中任一项所述的配置异常预测方法。
...【技术特征摘要】
1.一种配置异常预测方法，其特征在于，应用于基本输入输出系统，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，在将所述目标配置输入目标分类器之前，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
4.根据权利要求2所述的方法，其特征在于，所述基于所述训练集和所述特征变量，确定每个所述特征变量的信息增益，包括：
5.根据权利要求4所述的方法，其特征在于，所述获取在将所述特征变量作为分裂点的情况下，所述训练集中目标变量的第二信息熵，包括：
6.根据权利要求2所述的方法，其特征在于，在基于所述训练集，确定用于分类的特征变量和分类的目标变量之前，所述方法还包括：
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
8.根据权利要求1所述的方法，...
【专利技术属性】
技术研发人员：孟东一，陈翔，
申请(专利权)人：苏州元脑智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。