[发明专利]一种基于深度学习的生态服务异常修复系统及修复方法

权利要求书

1.一种基于深度学习的生态服务异常修复系统，其特征是：所述系统包括：

日志模块，所述日志模块用于日志的采集和分析，为模型训练模块初步筛选异常信息数据；

模型训练模块，所述模型训练模块用于模型设计和模型训练，为匹配异常修复方法提供判断依据；

异常修复模块，所述异常修复模块用于方法构建和方法匹配，为代码发布和测试提供修复方案；所述模型训练模块模型进行网络结构的选择以及损失函数的确定，网络结构选择RNN/LSTM神经网络；

代码发布测试模块，所述代码发布测试模块用于代码发布和测试验证，以保证通过异常匹配出来的修复的正确可靠。

2.根据权利要求1所述的一种基于深度学习的生态服务异常修复系统，其特征是：所述日志模块根据需求设计出需要采集的数据，并形成数据模型，然后在生态服务中的各个异常捕捉逻辑中实现埋点；

所述日志模块在数据采集时基于kafka实现，将各个生态服务中产生的埋点日志数据实时的同步到数据存储模块；

所述日志模块进行数据存储，将kafka同步过来的日志数据，进行持久化保存，保存时间可根据资源进行调整，要对历史数据进行归纳压缩处理。

3.根据权利要求2所述的一种基于深度学习的生态服务异常修复系统，其特征是：所述日志模块进行日志分类，将持久化的日志根据服务名、日志等级、日志获取时间、日志信息中的异常类型等进行初步的分类；并进行日志排序：优先根据异常类型进行排序，筛选需要优先处理的异常，其次根据服务名进行排序，筛选服务质量不稳定的生态服务进行优化；最终进行日志结果输出：将排序后的高频次异常信息输入模型训练模块。

4.根据权利要求3所述的一种基于深度学习的生态服务异常修复系统，其特征是：所述损失函数的确定具体为：先根据输入日志信息正向得到预测的修复方法选择，然后根据预测结果和模型实际输出结果计算损失，然后根据损失更新参数，选择标准的交叉熵损失函数：

其中，x表示样本，y表示实际的标签，a表示预测的输出，n表示样本总数量。

5.根据权利要求4所述的一种基于深度学习的生态服务异常修复系统，其特征是：

所述异常修复模块进行方法构建、异常与方法匹配，方法构建需要通过原始输入、生成字典表、方法矫正实现：原始输入：方法库初建需要开发人员根据经验，输入一批常见的异常的处理方法；字典：根据输入的方法，提取关键信息，例如异常种类，方法注释等信息，生成对应的字段表供匹配使用；方法矫正：根绝测试验证的结果，修整测试结果未通过的方法；

异常与方法匹配，采取常见相似度筛选，当模型输出结果和方法库的字典表中的数据相似度大于90％，即使用对应的方法。

6.根据权利要求5所述的一种基于深度学习的生态服务异常修复系统，其特征是：代码发布测试模块通过提交代码和自动发布，提交代码，通过在系统中预授权git权限，使系统可以上传修改完异常的代码；自动发布，基于Jenkins流水线实现，git中代码发生变化时，Jenkins会进行打包发布；

测试验证通过监控服务状态、触发测试、判断结果实现：监控服务状态，启用监听器对生态服务集群进行服务状态监听，有服务进行重启发布之后，通知触发测试；触发测试，根据监听状态传递的结果，调用对应的全量脚本进行功能测试；判断结果，根据脚本的测试结果以及预设的测试结果判定是否完成修复，将结果反馈给模型训练模块。