一种数据处理方法、装置及电子设备与流程

1.本发明涉及数据处理领域，更具体的说，涉及一种数据处理方法、装置及电子设备。


背景技术：

2.随着用户数量的不断增加，银行系统若出现异常，则会影响用户的使用体验。
3.目前，为了避免银行系统异常导致的系统瘫痪而不能为用户提供服务的情况发生，常采用人工根据经验预测银行系统可能的故障点并进行故障修正规则的确定，以基于故障修正规则提前进行故障修复，避免故障发生。
4.但是这种方式准确性较低，使得预测的银行系统的故障点的准确性较低，以及确定的故障修正规则的准确度较低。


技术实现要素：

5.有鉴于此，本发明提供一种数据处理方法、装置及电子设备，以解决人工根据经验预测银行系统的故障点并进行故障修正规则的确定的准确性较低的问题。
6.为解决上述技术问题，本发明采用了如下技术方案：
7.一种数据处理方法，应用于银行系统中的控制器，所述银行系统包括多个功能模块，所述功能模块包括至少一个功能子模块；所述数据处理方法包括：
8.获取所述银行系统的数据处理模型，所述数据处理模型包括多个数据处理子模型，所述数据处理子模型对应所述银行系统中的相应的功能模块；
9.使用所述数据处理子模型对相应的功能模块的各个功能子模块的运行数据进行数据处理，得到所述功能子模块的故障预测值，并基于所述功能模块的各个功能子模块的故障预测值，计算所述功能模块的故障预测值；
10.基于不同的所述功能模块之间的关联关系，确定各个所述功能模块的权重值，并根据各个所述功能模块的权重值以及故障预测值，计算所述银行系统的故障预测值；
11.在所述银行系统的故障预测值大于预设预测阈值的情况下，基于各个所述功能子模块的故障预测值，确定出需要进行故障修复的目标功能子模块，并确定出所述目标功能子模块的故障修复规则。
12.可选地，使用所述数据处理子模型对相应的功能模块的各个功能子模块的运行数据进行数据处理，得到所述功能子模块的故障预测值，并基于所述功能模块的各个功能子模块的故障预测值，计算所述功能模块的故障预测值，包括：
13.获取功能模块的各个功能子模块的运行数据；
14.使用所述功能模块对应的数据处理子模型对所述功能模块的各个功能子模块的运行数据进行数据处理，得到所述功能子模块的故障预测值；
15.对所述功能模块的各个功能子模块的故障预测值进行求和，得到所述功能模块的故障预测值。
16.可选地，基于不同的所述功能模块之间的关联关系，确定各个所述功能模块的权重值，并根据各个所述功能模块的权重值以及故障预测值，计算所述银行系统的故障预测值，包括：
17.获取基于功能模块对应的数据处理子模型，得到的所述功能模块的故障点总数，并将所述故障点总数作为所述功能模块的初始权重值；
18.基于不同的所述功能模块之间的关联关系，对所述功能模块的初始权重值进行修正，得到所述功能模块的权重值；
19.将各个所述功能模块的权重值与故障预测值的乘积之和，作为所述银行系统的故障预测值。
20.可选地，将各个所述功能模块的权重值与故障预测值的乘积之和，作为所述银行系统的故障预测值，包括：
21.基于不同的所述功能模块之间的关联关系，确定不同的功能模块中存在功能重合的功能子模块，以及存在功能相关的功能子模块；
22.对于存在功能重合的功能子模块，将存在功能重合的功能子模块中的故障预测值较小的功能子模块的故障预测值删除，并重新确定包括故障预测值较小的功能子模块的功能模块的故障预测值；
23.对于存在功能相关的功能子模块，计算所述存在功能相关的功能子模块对应的功能模块中，将所述存在功能相关的功能子模块的故障预测值删除后，所述功能模块对应的新的故障预测值；
24.筛选出对应的新的故障预测值较小的功能模块，并将所述功能模块对应的新的故障预测值作为所述功能模块的故障预测值；
25.将各个所述功能模块的权重值与对应的故障预测值的乘积之和，作为所述银行系统的故障预测值。
26.可选地，基于各个所述功能子模块的故障预测值，确定出需要进行故障修复的目标功能子模块，并确定出所述目标功能子模块的故障修复规则，包括：
27.获取基于功能模块对应的数据处理子模型，得到的所述功能模块的各个功能子模块的故障点数；
28.将所述功能子模块的故障点数与所述功能子模块对应的功能模块的故障预测值的乘积作为所述功能子模块的故障修复参数；
29.筛选出故障修复参数大于预设修复阈值的功能子模块，并作为候选功能子模块；
30.根据所述候选功能子模块的历史故障平均值以及故障预测值，确定需要进行故障修复的目标功能子模块，并确定所述目标功能子模块的故障修复规则。
31.可选地，根据所述候选功能子模块的历史故障平均值以及故障预测值，确定需要进行故障修复的目标功能子模块，并确定所述目标功能子模块的故障修复规则，包括：
32.对所述候选功能子模块进行分组，得到多个组合；每一所述组合包括预设数量的候选功能子模块；
33.对于每一所述组合，计算所述组合中的候选功能子模块的故障预测值相对于历史故障平均值的偏离度；
34.确定将候选功能子模块的偏离度调整为设定偏离度的故障修复规则，并计算在所
述组合中的候选功能子模块进行修复的情况下，所述银行系统的新的故障预测值；
35.在存在所述银行系统的新的故障预测值小于所述预设预测阈值的情况下，将最小的新的故障预测值对应的组合中的候选功能子模块作为目标功能子模块，并输出所述目标功能子模块对应的故障修复规则。
36.可选地，在不存在所述银行系统的新的故障预测值大于所述预设预测阈值的情况下，还包括：
37.调整所述设定偏离度的大小，并返回确定将候选功能子模块的偏离度调整为设定偏离度的故障修复规则这一步骤，直至存在所述银行系统的新的故障预测值小于所述预设预测阈值时停止，将最小的新的故障预测值对应的组合中的候选功能子模块作为目标功能子模块，并输出所述目标功能子模块对应的故障修复规则。
38.一种数据处理装置，应用于银行系统中的控制器，所述银行系统包括多个功能模块，所述功能模块包括至少一个功能子模块；所述数据处理装置包括：
39.模型获取模块，用于获取所述银行系统的数据处理模型，所述数据处理模型包括多个数据处理子模型，所述数据处理子模型对应所述银行系统中的相应的功能模块；
40.第一故障预测模块，用于使用所述数据处理子模型对相应的功能模块的各个功能子模块的运行数据进行数据处理，得到所述功能子模块的故障预测值，并基于所述功能模块的各个功能子模块的故障预测值，计算所述功能模块的故障预测值；
41.第二故障预测模块，用于基于不同的所述功能模块之间的关联关系，确定各个所述功能模块的权重值，并根据各个所述功能模块的权重值以及故障预测值，计算所述银行系统的故障预测值；
42.故障修复模块，用于在所述银行系统的故障预测值大于预设预测阈值的情况下，基于各个所述功能子模块的故障预测值，确定出需要进行故障修复的目标功能子模块，并确定出所述目标功能子模块的故障修复规则。
43.可选地，所述第一故障预测模块具体用于：
44.获取功能模块的各个功能子模块的运行数据；
45.使用所述功能模块对应的数据处理子模型对所述功能模块的各个功能子模块的运行数据进行数据处理，得到所述功能子模块的故障预测值；
46.对所述功能模块的各个功能子模块的故障预测值进行求和，得到所述功能模块的故障预测值。
47.一种电子设备，包括：存储器和处理器；
48.其中，所述存储器用于存储程序；
49.处理器调用程序并用于执行上述的数据处理方法。
50.相较于现有技术，本发明具有以下有益效果：
51.本发明提供了一种数据处理方法、装置及电子设备，本发明中，针对每一功能模块，均有对应的数据处理子模型，进而能够根据对应的数据处理子模型确定功能模块的故障预测值，能够避免人工根据经验进行故障值预测导致预测得到的故障值准确度较低的情况，提高故障预测值的准确性。另外，本发明中，针对不同的功能模块，配置有对应的数据处理子模型，使得该数据处理子模型更适应于该功能模块，能够进一步提高故障预测的准确性。此外，本发明中，所述功能模块包括至少一个功能子模块，在所述故障预测值大于预设
阈值的情况下，基于各个所述功能子模块的故障预测值，确定出需要进行故障修复的目标功能子模块，并确定出所述目标功能子模块的故障修复规则。即本发明能够从目标功能子模块这一细粒度更小的层面进行故障修复规则的确定，相比于人工根据经验确定故障修复规则的方式，能够提高故障修复规则确定的准确度。
附图说明
52.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
53.图1为本发明实施例提供的一种数据处理方法的方法流程图；
54.图2为本发明实施例提供的另一种数据处理方法的方法流程图；
55.图3为本发明实施例提供的再一种数据处理方法的方法流程图；
56.图4为本发明实施例提供的又一种数据处理方法的方法流程图；
57.图5为本发明实施例提供的第五种数据处理方法的方法流程图；
58.图6为本发明实施例提供的一种数据处理装置的结构示意图。
具体实施方式
59.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、完整地描述，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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
60.目前，为了避免银行系统异常导致的系统瘫痪而不能为用户提供服务的情况发生，常采用人工根据经验预测银行系统可能的故障点并进行故障修正规则的确定，以基于故障修正规则提前进行故障修复，避免故障发生。
61.但是这种方式准确性较低，使得预测的银行系统的故障点的准确性较低，以及确定的故障修正规则的准确度较低。
62.为了解决这一问题，发明人经过研究发现，若是能够基于运行数据，自动计算出可能的故障点，并确定故障修正规则，则可以避免人工基于经验确定导致的准确度较低的问题。
63.进一步的，在自动计算故障点时，对于银行系统中的各个功能模块，可以依据该功能模块的数据属性，确定与之对应的数据处理子模型，则基于该数据处理子模型得到功能模块的故障预测值的准确度较高，进而基于功能模块的故障预测值得到银行系统的故障预测值的准确度较高。
64.此外，在确定故障点以及故障修正规则时，可以基于上述的功能子模块的故障预测值情况，确定需要进行故障修复的目标功能子模块，并确定出所述目标功能子模块的故障修复规则，细粒度更小，则得到的故障点以及故障修正规则的准确度更高。
65.具体的，针对每一功能模块，均有对应的数据处理子模型，进而能够根据对应的数据处理子模型确定功能模块的故障预测值，能够避免人工根据经验进行故障值预测导致预
测得到的故障值准确度较低的情况，提高故障预测值的准确性。另外，本发明中，针对不同的功能模块，配置有对应的数据处理子模型，使得该数据处理子模型更适应于该功能模块，能够进一步提高故障预测的准确性。此外，本发明中，所述功能模块包括至少一个功能子模块，在所述故障预测值大于预设阈值的情况下，基于各个所述功能子模块的故障预测值，确定出需要进行故障修复的目标功能子模块，并确定出所述目标功能子模块的故障修复规则。即本发明能够从目标功能子模块这一细粒度更小的层面进行故障修复规则的确定，相比于人工根据经验确定故障修复规则的方式，能够提高故障修复规则确定的准确度。
66.更具体的，针对每一功能模块，均有对应的数据处理子模型，进而能够根据对应的数据处理子模型确定功能模块的故障预测值，能够避免人工根据经验进行故障值预测导致预测得到的故障值准确度较低的情况，提高故障预测值的准确性。另外，本发明中，针对不同的功能模块，配置有对应的数据处理子模型，使得该数据处理子模型更适应于该功能模块，也能够避免同一模型对不同的功能模块的适应性较差而导致预测的故障值不准确的问题，提高故障预测值的准确性。此外，本发明中，所述功能模块包括至少一个功能子模块，在所述故障预测值大于预设阈值的情况下，基于各个所述功能子模块的故障预测值，确定出需要进行故障修复的目标功能子模块，并确定出所述目标功能子模块的故障修复规则。即本发明能够从目标功能子模块这一细粒度更小的层面进行故障修复规则的确定，相比于人工根据经验确定故障修复规则的方式，能够提高故障修复规则确定的准确度。
67.在上述内容的基础上，本发明的另一实施例提供了一种数据处理方法，应用于银行系统中的控制器，本实施例中的控制器可以是后台服务器。
68.所述银行系统包括多个功能模块，所述功能模块包括至少一个功能子模块。本实施例中的功能模块可以包括系统数据模块、接口模块、功能模块、业务流程模块等。每一功能模块可以作为一个指标。
69.本实施例中的故障点可能是上述模块中的软件故障点(如测试案例数量错误)，也可以是硬件故障点(如硬件接口故障)。
70.对于每一功能模块，其包括至少一个功能子模块。具体的，各个指标具有多个层面的监控和检查，如系统数据模块有数据迁移方式、清理计划、审核流程、测试流程、异常处理流程等功能子模块；接口模块有接口实现方式、接口控制计划、接口的异常处理等功能子模块；功能模块有需求管理、开发环境测试流程、功能测试流程等功能子模块；业务流程模块有高风险流程确认、缺陷控制等功能子模块，功能风险模块包括页面功能、接口功能、非需求功能等功能子模块。
71.各层面之间相互独立，对各个功能模块和功能模块的各层面要素的运行数据进行知识库存储，并且提取银行中对应层面要素的相关规范，进而能够根据该规范，进行是否异常判断。
72.银行系统设置有数据处理模型，所述数据处理模型包括多个数据处理子模型，所述数据处理子模型对应所述银行系统中的相应的功能模块。也就是说，每一功能模块对应有相应的数据处理子模型，不同的功能模块对应的数据处理子模型不同。
73.对于一功能模块，其对应的数据处理子模型是基于该功能模块的数据属性确定的。如功能模块为系统数据模块，系统数据模块有数据迁移方式、清理计划、审核流程、测试流程、异常处理流程等功能子模块，则系统数据模块对应的数据处理子模块用于判断上述
的几个功能子模块是否异常，如判断清理计划是否合理，确定测试流程是否合理，测试用例是否合理等。
74.参照图1，数据处理方法可以包括：
75.s11、获取所述银行系统的数据处理模型。
76.所述数据处理模型包括多个数据处理子模型，所述数据处理子模型对应所述银行系统中的相应的功能模块。
77.本实施例中的数据处理子模型和功能模块的相应说明，请参照上述实施例中的相应说明。
78.s12、使用所述数据处理子模型对相应的功能模块的各个功能子模块的运行数据进行数据处理，得到所述功能子模块的故障预测值，并基于所述功能模块的各个功能子模块的故障预测值，计算所述功能模块的故障预测值。
79.本实施例中，可以将各个功能模块的功能子模块的数据输出到数据处理子模型中，即可得到功能子模块的故障预测值。
80.本实施例中，各个功能模块和功能模块中的各个功能子模块并发进行监控、数据采集和故障预测。
81.对于每一功能子模块，故障预测结果，也即风险监控结果采用0和1的离散编码方法，当监控无异常时风险结果为0，当发现该指标的弱点和安全威胁时对风险结果置1。
82.需要说明的是，数据处理子模型除了可以输出风险结果0或1之外，还可以输出功能子模块的故障点数，如测试用例中的测试用例错误数量等，异常处理流程中的异常流程的数量等。本实施例中，功能模块的各个功能子模块的故障点数之和，即为功能模块对应的故障点总数。
83.在实际应用中，步骤s12可以包括：
84.1)获取功能模块的各个功能子模块的运行数据。
85.2)使用所述功能模块对应的数据处理子模型对所述功能模块的各个功能子模块的运行数据进行数据处理，得到所述功能子模块的故障预测值。
86.步骤1)和2)的具体实现过程，请参照上述实施例中的相应说明。
87.3)对所述功能模块的各个功能子模块的故障预测值进行求和，得到所述功能模块的故障预测值。
88.对于一功能模块，在确定出该功能模块的各个功能子模块的故障预测值之后，将各个功能子模块的故障预测值求和，求和结果即为功能模块的故障预测值。
89.s13、基于不同的所述功能模块之间的关联关系，确定各个所述功能模块的权重值，并根据各个所述功能模块的权重值以及故障预测值，计算所述银行系统的故障预测值。
90.本实施例中，在计算得到银行系统中的各个功能模块的故障预测值之后，可以将各个所述功能模块的权重值以及故障预测值的乘积之和，作为银行系统的故障预测值。
91.s14、在所述银行系统的故障预测值大于预设预测阈值的情况下，基于各个所述功能子模块的故障预测值，确定出需要进行故障修复的目标功能子模块，并确定出所述目标功能子模块的故障修复规则。
92.本实施例中，可以设定预设预测阈值，如0.8，若是银行系统的故障预测值的故障预测值大于0.8，则说明当前最终故障预测值，即风险值大于知识库预设的最大风险阈值
时，启动风险后处理模块，在知识库中对排班的安全管理员进行等级划分，例如当前值班表中a处理低等级安全事件、b处理高等级安全事件，当最终风险评估结果为小于预设预测阈值时，处于低风险，通知a处理该事件，并且在知识库中记录该事件的处理流程和督办事件点，一旦事件处置超时，及时向对口处置人员警告，从而提升系统的安全性和稳定性。
93.若是最终风险评估结果为大于预设预测阈值时，处于高风险，此时通知b处理该事件，并同a处理一样，进行相应的监控操作。
94.本实施例中，针对每一功能模块，均有对应的数据处理子模型，进而能够根据对应的数据处理子模型确定功能模块的故障预测值，能够避免人工根据经验进行故障值预测导致预测得到的故障值准确度较低的情况，提高故障预测值的准确性。另外，本发明中，针对不同的功能模块，配置有对应的数据处理子模型，使得该数据处理子模型更适应于该功能模块，能够进一步提高故障预测的准确性。此外，本发明中，所述功能模块包括至少一个功能子模块，在所述故障预测值大于预设阈值的情况下，基于各个所述功能子模块的故障预测值，确定出需要进行故障修复的目标功能子模块，并确定出所述目标功能子模块的故障修复规则。即本发明能够从目标功能子模块这一细粒度更小的层面进行故障修复规则的确定，相比于人工根据经验确定故障修复规则的方式，能够提高故障修复规则确定的准确度。
95.在上述内容的基础上，本发明的另一实现方式中，给出了步骤s13“基于不同的所述功能模块之间的关联关系，确定各个所述功能模块的权重值，并根据各个所述功能模块的权重值以及故障预测值，计算所述银行系统的故障预测值”的具体实现过程，参照图2，可以包括：
96.s21、获取基于功能模块对应的数据处理子模型，得到的所述功能模块的故障点总数，并将所述故障点总数作为所述功能模块的初始权重值。
97.具体的，故障点总数已经在上述实施例中进行了解释说明，请参照上述相应说明。本实施例中，直接将故障点总数作为该功能模块的初始权重值。
98.s22、基于不同的所述功能模块之间的关联关系，对所述功能模块的初始权重值进行修正，得到所述功能模块的权重值。
99.本实施例中，由于各个功能模块之间可能存在关联关系，因此在确定了功能模块的初始权重值之后，各个功能模块的权重采用粒子群算法优化，获取最终的权重值。
100.更具体的，在具体使用粒子群算法时，粒子群算法中，将存在关联关系的功能模块作为一个整体进行权重计算，确定得到权重值之后，将该权重值分配给某一功能模块，另一相关的功能模块的权重值为零。其中，将权重值分配给某一功能模块，是通过训练得到的。
101.在训练过程中，假设存在关联关系的功能模块的数量为2个，分别为功能模块a和功能模块b，首先将计算得到的权重值分配给功能模块a，并基于功能模块a的权重值计算得到银行系统的故障预测值，并基于银行系统的故障预测值确定风险等级，然后与人工标注的风险等级进行比对，若一致，则将计算得到的权重值分配给功能模块a。功能模块b也做相同处理。
102.与此同时，若是基于功能模块a和功能模块b得到的风险等级均与人工标注的风险等级一致，此时筛选出银行系统的故障预测值最接近的功能模块，并将计算得到的权重值分配给它。
103.在训练结果之后，后期可以直接按照训练的结果进行权重值的分配，如训练中，将
权重值分配给功能模块a，则此后使用粒子群算法时，就将权重值分配给功能模块a。
104.s23、将各个所述功能模块的权重值与故障预测值的乘积之和，作为所述银行系统的故障预测值。
105.具体的，各个所述功能模块的权重值与故障预测值的乘积之和，即为银行系统的故障预测值。
106.在实际应用中，由于各个功能模块的功能子模块可能存在功能重合和功能相关的情况，所以在进行故障预测时，可以基于重合和相关情况，对故障预测值进行微调。
107.参照图3，步骤s23可以包括：
108.s31、基于不同的所述功能模块之间的关联关系，确定不同的功能模块中存在功能重合的功能子模块，以及存在功能相关的功能子模块。
109.具体的，各个功能模块的功能子模块可能发生重合和相关，其中重合是指一个功能子模块包括在另外一个功能模块的功能子模块，相关是指两个不同的功能模块中的功能子模块之间具有相关关系。
110.如，功能风险模块中的接口功能子模块与接口模块中的接口的异常处理子模块属于存在功能重合的功能子模块。
111.功能风险模块中的非需求功能子模块具体包括日志处理、性能测试、异常监测、异常处理、系统应急处理等，其中，异常处理与系统数据模块中的异常处理流程子模块相关，此外，功能风险模块中，在非需求功能子模块结束前往往需要检查系统异常和系统应急处理，此时，也是与异常处理流程子模块相关的。因此，功能风险模块中的非需求功能子模块与系统数据模块中的异常处理流程子模块属于存在功能相关的功能子模块。
112.s32、对于存在功能重合的功能子模块，将存在功能重合的功能子模块中的故障预测值较小的功能子模块的故障预测值删除，并重新确定包括故障预测值较小的功能子模块的功能模块的故障预测值。
113.具体的，以上述的“功能风险模块中的接口功能子模块与接口模块中的接口的异常处理子模块属于存在功能重合的功能子模块”为例。假设接口功能子模块的故障预测值为3，接口的异常处理子模块的故障预测值为5，即接口功能子模块的故障预测值3小于接口的异常处理子模块的故障预测值5，此时将功能风险模块中的接口功能子模块的故障预测值删除，则功能风险模块的故障预测值更新为通过功能风险模块对应的数据处理子模型计算得到的故障预测值，如6，减去上述的接口功能子模块的故障预测值3，则功能风险模块最终的故障预测值为3。
114.s33、对于存在功能相关的功能子模块，计算所述存在功能相关的功能子模块对应的功能模块中，将所述存在功能相关的功能子模块的故障预测值删除后，所述功能模块对应的新的故障预测值。
115.具体的，以上述的“功能风险模块中的非需求功能子模块与系统数据模块中的异常处理流程子模块属于存在功能相关的功能子模块”为例进行说明。
116.假设计算得到的功能风险模块中的非需求功能子模块的故障预测值为2，功能风险模块的故障预测值为7，系统数据模块中的异常处理流程子模块的故障预测值为1，系统数据模块的故障预测值为8。
117.则将功能风险模块的故障值7
‑
非需求功能子模块的故障预测值2＝5，即功能风险
模块的新的故障预测值为5。
118.同理，系统数据模块的故障预测值8
‑
异常处理流程子模块的故障预测值1＝7。
119.需要说明的是，本实施例中，计算功能模块对应的新的故障预测值，只是为了确定更新哪一存在功能相关的功能子模块对应的功能模块的故障预测值，而不是立即更新存在功能相关的功能子模块对应的功能模块的故障预测值。
120.s34、筛选出对应的新的故障预测值较小的功能模块，并将所述功能模块对应的新的故障预测值作为所述功能模块的故障预测值。
121.本实施例中，仍以上述举例进行说明。对应的新的故障预测值较小的功能模块为功能风险模块，则将功能风险模块的故障预测值更新为对应的新的故障预测值，即更新为5。
122.此时，系统数据模块的故障预测值保持不变，仍为8。
123.需要说明的是，本实施例中是以相关的功能子模块的数量为2个进行说明，若是相关的功能子模块的数量大于2个，则需要保证对应的新的故障预测值较大的功能模块的故障预测值不变，对应的新的故障预测值不是最大的功能模块的故障预测值更新为对应的新的故障预测值。
124.需要说明的是，在实际应用中，在确定功能模块的故障预测值时，可以按照步骤s32
‑
s34实现。此外，为了提高效果，以s32为例，可以将步骤s32的过程作为训练的一个过程，然后记录下s32中应该把哪一功能子模块的故障预测值删除的结果记录下来，后续在使用时，直接将记录的所需删除的功能子模块的故障预测值删除即可。
125.步骤s33
‑
s34类同。
126.s35、将各个所述功能模块的权重值与对应的故障预测值的乘积之和，作为所述银行系统的故障预测值。
127.本实施例中，若是功能模块的故障值进行了更新，则在计算乘积之和时，使用新的故障预测值，若是未进行更新，则仍使用原有子模型得到的故障预测值进行计算。
128.本实施例中，在计算银行系统的故障预测值时，考虑了功能子模块的重合性和相关性，使得得到的故障预测值的准确度更高。
129.本发明的另一实现方式中，参照图4，步骤s14“基于各个所述功能子模块的故障预测值，确定出需要进行故障修复的目标功能子模块，并确定出所述目标功能子模块的故障修复规则”的具体实现过程如下；
130.s41、获取基于功能模块对应的数据处理子模型，得到的所述功能模块的各个功能子模块的故障点数。
131.本实施例中，故障点数的具体实现过程请参照上述实施例中的相应说明。
132.s42、将所述功能子模块的故障点数与所述功能子模块对应的功能模块的故障预测值的乘积作为所述功能子模块的故障修复参数。
133.具体的，假设上述的故障点数为a，功能子模块对应的功能模块的故障预测值为b，则故障修复参数c＝ab。
134.s43、筛选出故障修复参数大于预设修复阈值的功能子模块，并作为候选功能子模块。
135.本实施例中，可以设定预设修复阈值，如0.8，然后筛选出故障修复参数大于0.8的
功能子模块，并作为可能需要故障修复的候选功能子模块。
136.s44、根据所述候选功能子模块的历史故障平均值以及故障预测值，确定需要进行故障修复的目标功能子模块，并确定所述目标功能子模块的故障修复规则。
137.本实施例中，历史故障平均值是指历史几个月内的实际故障值的平均值。故障预测值即为上述子模型输出的数值。
138.具体的，从可能需要故障修复的候选功能子模块筛选出需要进行故障修复的候选功能子模块，作为目标功能子模块，并确定所述目标功能子模块的故障修复规则。
139.参照图5，步骤s44可以包括：
140.s51、对所述候选功能子模块进行分组，得到多个组合。
141.其中，每一所述组合包括预设数量的候选功能子模块。
142.具体的，对于候选功能子模块，可以两两一组，也可以是其他数量的组合，如一个候选功能子模块作为一组，或者是三个候选功能子模块作为一组。具体分组情况需要根据候选功能子模块的数量确定。其中，在组合时，组合方式采用随机组合的方式，如以两两组合为例，哪一候选功能子模块和哪一候选功能子模块组合在一起可以采用随机组合方式。
143.s52、对于每一所述组合，计算所述组合中的候选功能子模块的故障预测值相对于历史故障平均值的偏离度。
144.具体的，偏离度＝(故障预测值
‑
历史故障平均值)/历史故障平均值，最终计算得到的偏离度可以以百分比的形式表示，如偏离度为50％。
145.s53、确定将候选功能子模块的偏离度调整为设定偏离度的故障修复规则，并计算在所述组合中的候选功能子模块进行修复的情况下，所述银行系统的新的故障预测值。
146.本实施例中，采用尝试的方式来调整功能子模块的内容，在调整后，重新计算银行系统的新的故障预测值，若是小于预设预测阈值，则说明此次调整会使得银行系统的故障预测值回归正常，则说明此次调整是一个有效的调整，可以将调整方案输出，以使技术人员根据该调整方案进行调整。若是银行系统的新的故障预测值仍大于预设预测阈值，则说明此次调整未使得银行系统的故障预测值回归正常，调整方案无效，此时需要重新进行调整调整方案，直至银行系统的故障预测值回归正常。
147.在具体调整时，可以通过级递减偏离度，如每次递减值为10％，即将上述的偏离度50％，调整为偏离度40％。此时，设定偏离度即为40％。
148.若是原有的偏离度为30％，则应调整为20％，此时，设定偏离度即为20％。
149.以候选功能子模块为测试流程为例，假设测试流程中，测试用例的错误量为10个，则若是需要将偏离度从50％调整为40％，则需要将测试用例减少2个，即减少到8个。此时，将测试用例减少2个，最终测试用例的错误量为8个即为故障修复规则。
150.若以上述的候选功能子模块两两组合为例，将测试流程按照上述的故障修复规则进行修复，然后另一个候选功能子模块以按照其对应的故障修复规则进行修复，修复完成后，按照上述计算银行系统的故障预测值的方式进行计算，计算得到银行系统的新的故障预测值。也就是说，在进行调整时，对同一组合内的每个候选功能子模块进行调整，然后重新计算银行系统的故障预测值。
151.s54、在存在所述银行系统的新的故障预测值小于所述预设预测阈值的情况下，将最小的新的故障预测值对应的组合中的候选功能子模块作为目标功能子模块，并输出所述
目标功能子模块对应的故障修复规则。
152.若是存在所述银行系统的新的故障预测值小于所述预设预测阈值的情况下，则说明此次调整能够使得银行系统回归正常，银行系统的故障预测值越低，则说明银行系统的风险越低，则最小的新的故障预测值对应的组合中的候选功能子模块作为目标功能子模块，并输出所述目标功能子模块对应的故障修复规则。
153.在进行故障修复规则的输出时，采用组合方式输出，即将该组合中的候选功能子模块的故障修复规则一起输出，技术人员可根据组合纠正对应项从而把控系统的风险，对风险进行防范。
154.在实际应用中，在不存在所述银行系统的新的故障预测值大于所述预设预测阈值的情况下，需要重现调整设定偏离度的大小，如将上述的偏离度50％，调整为偏离度40％后，银行系统的故障预测值不合规，此时在将偏离度从40％调整为30％，再计算银行系统的故障预测值，若是仍不合规，则继续以10％的梯度降低偏离度，即调整为20％，以此类推，直至调整为0％。若是在调整过程中，得到的银行系统的新的故障预测值小于预设预测阈值，则停止调整，将最小的新的故障预测值对应的组合中的候选功能子模块作为目标功能子模块，并输出所述目标功能子模块对应的故障修复规则。
155.若是调整至0％时，银行系统的新的故障预测值仍大于预设预测阈值，此时可以调整组合方式，重新执行上述步骤，或者是输出警示信息，以使技术人员人工修复。
156.本实施例中，在银行系统的风险较高时，可以基于功能子模块的数据情况，分析出合理的修正策略，并提供给技术人员，以使技术人员进行实际修复，降低银行系统的风险，保证银行系统的可靠运行。
157.可选地，在上述数据处理方法的实施例的基础上，本发明的另一实施例提供了一种数据处理装置，应用于银行系统中的控制器，所述银行系统包括多个功能模块，所述功能模块包括至少一个功能子模块；参照图6，所述数据处理装置包括：
158.模型获取模块11，用于获取所述银行系统的数据处理模型，所述数据处理模型包括多个数据处理子模型，所述数据处理子模型对应所述银行系统中的相应的功能模块；
159.第一故障预测模块12，用于使用所述数据处理子模型对相应的功能模块的各个功能子模块的运行数据进行数据处理，得到所述功能子模块的故障预测值，并基于所述功能模块的各个功能子模块的故障预测值，计算所述功能模块的故障预测值；
160.第二故障预测模块13，用于基于不同的所述功能模块之间的关联关系，确定各个所述功能模块的权重值，并根据各个所述功能模块的权重值以及故障预测值，计算所述银行系统的故障预测值；
161.故障修复模块14，用于在所述银行系统的故障预测值大于预设预测阈值的情况下，基于各个所述功能子模块的故障预测值，确定出需要进行故障修复的目标功能子模块，并确定出所述目标功能子模块的故障修复规则。
162.进一步，所述第一故障预测模块具体用于：
163.获取功能模块的各个功能子模块的运行数据；
164.使用所述功能模块对应的数据处理子模型对所述功能模块的各个功能子模块的运行数据进行数据处理，得到所述功能子模块的故障预测值；
165.对所述功能模块的各个功能子模块的故障预测值进行求和，得到所述功能模块的
故障预测值。
166.进一步，第二故障预测模块13包括：
167.第一权重确定子模块，用于获取基于功能模块对应的数据处理子模型，得到的所述功能模块的故障点总数，并将所述故障点总数作为所述功能模块的初始权重值；
168.第二权重确定子模块，用于基于不同的所述功能模块之间的关联关系，对所述功能模块的初始权重值进行修正，得到所述功能模块的权重值；
169.预测值计算子模块，用于将各个所述功能模块的权重值与故障预测值的乘积之和，作为所述银行系统的故障预测值。
170.进一步，预测值计算子模块可以包括：
171.关系确定单元，用于基于不同的所述功能模块之间的关联关系，确定不同的功能模块中存在功能重合的功能子模块，以及存在功能相关的功能子模块；
172.第一预测值计算单元，用于对于存在功能重合的功能子模块，将存在功能重合的功能子模块中的故障预测值较小的功能子模块的故障预测值删除，并重新确定包括故障预测值较小的功能子模块的功能模块的故障预测值；
173.第二预测值计算单元，用于对于存在功能相关的功能子模块，计算所述存在功能相关的功能子模块对应的功能模块中，将所述存在功能相关的功能子模块的故障预测值删除后，所述功能模块对应的新的故障预测值；
174.预测值确定单元，用于筛选出对应的新的故障预测值较小的功能模块，并将所述功能模块对应的新的故障预测值作为所述功能模块的故障预测值；
175.第三预测值计算单元，用于将各个所述功能模块的权重值与对应的故障预测值的乘积之和，作为所述银行系统的故障预测值。
176.进一步，故障修复模块14包括：
177.点数获取子模块，用于获取基于功能模块对应的数据处理子模型，得到的所述功能模块的各个功能子模块的故障点数；
178.参数计算子模块，用于将所述功能子模块的故障点数与所述功能子模块对应的功能模块的故障预测值的乘积作为所述功能子模块的故障修复参数；
179.筛选子模块，用于筛选出故障修复参数大于预设修复阈值的功能子模块，并作为候选功能子模块；
180.规则确定子模块，用于根据所述候选功能子模块的历史故障平均值以及故障预测值，确定需要进行故障修复的目标功能子模块，并确定所述目标功能子模块的故障修复规则。
181.进一步，规则确定子模块包括：
182.分组单元，用于对所述候选功能子模块进行分组，得到多个组合；每一所述组合包括预设数量的候选功能子模块；
183.偏离度计算单元，用于对于每一所述组合，计算所述组合中的候选功能子模块的故障预测值相对于历史故障平均值的偏离度；
184.第四预测值计算单元，用于确定将候选功能子模块的偏离度调整为设定偏离度的故障修复规则，并计算在所述组合中的候选功能子模块进行修复的情况下，所述银行系统的新的故障预测值；
185.数据输出单元，用于在存在所述银行系统的新的故障预测值小于所述预设预测阈值的情况下，将最小的新的故障预测值对应的组合中的候选功能子模块作为目标功能子模块，并输出所述目标功能子模块对应的故障修复规则。
186.进一步，规则确定子模块还包括：
187.偏离度调整单元，用于在不存在所述银行系统的新的故障预测值大于所述预设预测阈值的情况下，调整所述设定偏离度的大小；
188.第四预测值计算单元，还用于在偏离度调整单元调整所述设定偏离度的大小后，确定将候选功能子模块的偏离度调整为设定偏离度的故障修复规则；
189.本实施例中，针对每一功能模块，均有对应的数据处理子模型，进而能够根据对应的数据处理子模型确定功能模块的故障预测值，能够避免人工根据经验进行故障值预测导致预测得到的故障值准确度较低的情况，提高故障预测值的准确性。另外，本发明中，针对不同的功能模块，配置有对应的数据处理子模型，使得该数据处理子模型更适应于该功能模块，能够进一步提高故障预测的准确性。此外，本发明中，所述功能模块包括至少一个功能子模块，在所述故障预测值大于预设阈值的情况下，基于各个所述功能子模块的故障预测值，确定出需要进行故障修复的目标功能子模块，并确定出所述目标功能子模块的故障修复规则。即本发明能够从目标功能子模块这一细粒度更小的层面进行故障修复规则的确定，相比于人工根据经验确定故障修复规则的方式，能够提高故障修复规则确定的准确度。
190.需要说明的是，本实施例中的各个模块、子模块和单元的工作过程，请参照上述实施例中的相应说明，在此不再赘述。
191.可选地，在上述数据处理方法及装置的实施例的基础上，本发明的另一实施例提供了一种电子设备，包括：存储器和处理器；
192.其中，所述存储器用于存储程序；
193.处理器调用程序并用于执行上述的数据处理方法。
194.本实施例中，针对每一功能模块，均有对应的数据处理子模型，进而能够根据对应的数据处理子模型确定功能模块的故障预测值，能够避免人工根据经验进行故障值预测导致预测得到的故障值准确度较低的情况，提高故障预测值的准确性。另外，本发明中，针对不同的功能模块，配置有对应的数据处理子模型，使得该数据处理子模型更适应于该功能模块，能够进一步提高故障预测的准确性。此外，本发明中，所述功能模块包括至少一个功能子模块，在所述故障预测值大于预设阈值的情况下，基于各个所述功能子模块的故障预测值，确定出需要进行故障修复的目标功能子模块，并确定出所述目标功能子模块的故障修复规则。即本发明能够从目标功能子模块这一细粒度更小的层面进行故障修复规则的确定，相比于人工根据经验确定故障修复规则的方式，能够提高故障修复规则确定的准确度。
195.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。