基于神经网络的检测方法以及装置与流程
本申请涉及机器学习技术领域，特别涉及一种基于神经网络的检测方法。本申请同时涉及一种基于神经网络的检测装置，一种计算设备，以及一种机器可读存储介质。
背景技术：
伴随着互联网金服业务的迅猛发展，金服业务涉及的业务规模也越来越庞大，现阶段金服业务在底层起支撑作用的系统、平台数量就达数百，这些系统、平台每周的代码、数据库和配置变更等数目也非常大，任何一个环节的疏忽、错误，都可能导致系统风险，给公司带来巨大损失。
智能监控作为一种检测手段，提供在发生问题时快速报警能力，而传统基于时间序列的智能监控检测手段是基于聚合数据进行的，具体是针对n个输入序列，分别预测这n个序列是否存在异常，得到n个结果，然后通过一个聚合操作，将n个结果汇聚成1个结果来判断最后整个系统是否存在问题。但是上述方法没有考虑到n个输入之间的关联性，即系统业务前后之间的关联性，对系统业务进行异常检测的准确性较低，检测效果较差。
技术实现要素：
有鉴于此，本申请实施例提供了一种基于神经网络的检测方法，以解决现有技术中存在的技术缺陷。本申请实施例同时提供了一种基于神经网络的检测装置，一种计算设备，以及一种机器可读存储介质。
本申请实施例公开了一种基于神经网络的检测方法，包括：
获取检测周期内至少一个业务调用序列关联的业务状态数据；
将所述业务状态数据分别映射为对应的状态参数；
将所述状态参数输入循环神经网络模型进行业务状态检测，获得业务检测结果。
可选的，所述循环神经网络模型，采用如下方式进行训练：
获取历史时间段包含的检测周期内业务调用序列关联的业务状态数据；所述历史时间段包含的检测周期具有时间连续性；
将所述业务状态调用数据分别映射为对应的状态参数，获得训练样本集；每个检测周期内业务调用序列关联的业务状态数据对应的状态参数为所述训练样本集中的一个训练样本；
根据所述训练样本集进行模型训练，获得所述循环神经网络模型。
可选的，所述循环神经网络模型，包括：
包含至少一个输入的输入层、输出层和至少一个隐藏层；
其中，所述输入层包含的输入与所述隐藏层具有一一对应关系，且所述输入分别与对应隐藏层的神经元连接。
可选的，所述根据所述训练样本集进行模型训练，包括：
训练所述循环神经网络模型的权重参数和/或阈值参数；
其中，所述循环神经网络模型的权重参数包括：
输入层包含的输入与对应隐藏层神经元连接对应的第一连接权、各隐藏层前序检测周期的神经元与检测周期的神经元连接对应的第二连接权、各隐藏层的神经元与输出层连接对应的第三连接权；
所述阈值参数包括：对应于隐藏层的隐层阈值、对应于输出层的输出阈值。
可选的，所述业务调用序列关联的业务状态数据，包括下述至少一项：业务调用涉及的业务输入数据、业务调用涉及的业务输出数据。
可选的，所述获取检测周期内至少一个业务调用序列关联的业务状态数据，包括：
若所述检测周期内包含业务调用序列的数目大于或者等于2，则按照预设序列聚合规则对所述检测周期内的业务调用序列进行聚合。
可选的，所述预设序列聚合规则，包括下述至少一项：
将所述业务调用涉及的业务输入数据和/或所述业务调用涉及的业务输出数据相同的至少两个业务调用序列，聚合为一个业务调用序列。
可选的，所述聚合后获得的业务调用序列携带有被聚合业务调用序列的序列调用次数；
所述聚合后获得的业务调用序列对应的关联的业务状态数据映射获得的状态参数，在输入所述循环神经网络模型进行业务状态检测过程中，所述聚合后获得的业务调用序列对应的关联的业务状态数据映射获得的状态参数被赋予序列权重；
其中，所述序列权重按照所述聚合后获得的业务调用序列携带的被聚合业务调用序列的序列调用次数确定。
可选的，所述将所述业务状态数据分别映射为对应的状态参数，包括：
调用映射函数将所述业务调用涉及的输入数据和所述业务调用涉及的输出数据映射为同一字符串；
对映射获得的所述字符串进行编码，将所述字符串的编码结果作为所述业务状态数据对应的状态参数。
可选的，所述将所述业务状态数据分别映射为对应的状态参数，包括：
调用映射函数将所述业务调用涉及的输入数据射为字符串，或者将所述业务调用涉及的输出数据映射为字符串；
对映射获得的所述字符串进行编码，将所述字符串的编码结果作为所述业务状态数据各自对应的状态参数。
可选的，所述模型训练采用下述至少一种学习算法进行训练：自适应矩估计算法、随机梯度下降算法。
可选的，所述循环神经网络模型，包括：长短期记忆神经网络模型、门控循环单元神经网络模型。
本申请还提供一种基于神经网络的检测装置，包括：
业务状态数据获取模块，被配置为获取检测周期内至少一个业务调用序列关联的业务状态数据；
状态参映射模块，被配置为将所述业务状态数据分别映射为对应的状态参数；
业务状态检测模块，被配置为将所述状态参数输入循环神经网络模型进行业务状态检测，获得业务检测结果。
本申请还提供一种计算设备，包括：
存储器和处理器；所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令：
获取检测周期内至少一个业务调用序列关联的业务状态数据；
将所述业务状态数据分别映射为对应的状态参数；
将所述状态参数输入循环神经网络模型进行业务状态检测，获得业务检测结果。
本申请还提供一种计算机可读存储介质，其存储有计算机指令，该指令被处理器执行时实现上述基于神经网络的检测方法的步骤。
与现有技术相比，本申请具有如下优点：
本申请提供一种基于神经网络的检测方法，包括：获取检测周期内至少一个业务调用序列关联的业务状态数据；将所述业务状态数据分别映射为对应的状态参数；将所述状态参数输入循环神经网络模型进行业务状态检测，获得业务检测结果。
本申请提供的基于神经网络的检测方法，以周期的方式进行业务状态检测，并在检测过程中将不同时刻系统状态作为输入融合到循环神经网络模型进行业务状态检测，同时基于循环神经网络模型进一步融合了前序时刻的系统状态，从而充分考虑不同时刻的系统状态相互之间的影响，实现了更加及时的业务状态检测，并且检测准确率也更高。
附图说明
图1是本申请实施例提供的一种基于神经网络的检测方法处理流程图；
图2是本申请实施例提供的一种循环神经网络模型的示意图；
图3是本申请实施例提供的一种神经元的示意图；
图4是本申请实施例提供的一种业务状态检测过程的处理流程图；
图5是本申请实施例提供的一种基于神经网络的检测装置的示意图；
图6是本申请实施例提供的一种计算设备的结构框图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。
在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书一个或多个实施例范围的情况下，第一也可以被称为第二，类似地，第二也可以被称为第一。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本申请提供一种基于神经网络的检测方法，本申请还提供一种基于神经网络的检测装置，一种计算设备，以及一种机器可读存储介质。以下分别结合本申请提供的实施例的附图逐一进行详细说明，并且对方法的各个步骤进行说明。
本申请提供的一种基于神经网络的检测方法实施例如下：
参照附图1，其示出了本实施例提供的一种基于神经网络的检测方法处理流程图，参照附图2，其示出了本实施例提供的一种循环神经网络模型的示意图，参照附图3，其示出了本申请实施例提供的一种神经元的示意图，参照附图4，其示出了本申请实施例提供的一种业务状态检测过程的处理流程图。
步骤s102，获取检测周期内至少一个业务调用序列关联的业务状态数据。
本申请实施例提供的基于神经网络的检测方法，在考虑业务系统不同时刻系统状态相互之间影响的前提下，通过周期性检测方式检测业务系统的运行是否正常，具体的，在检测过程中将业务系统周期性抽象为：n(n>＝1)个输入序列和1个输出结果，n个输入序列即是指业务系统在不同时刻的系统状态，1个输出结果即是指根据n个输入序列进行业务状态检测后输出的业务系统是否正常的检测结果，从而通过并行计算将n个输入融合到一个模型当中进行业务状态检测，并进一步通过循环神经网络模型融合了业务系统在前序时刻的系统状态，充分考虑业务系统在前序时刻的系统状态对当前进行业务状态检测的影响，实现更加精准的业务检测。
实际应用中，业务系统在不同时刻的系统状态可通过一个计算机领域的函数调用来确定，比如，dfunction(a，b，c)，表示一个叫function的函数，接受3个参数a、b、c，通过内部运算返回运算结果d，则通过dfunction(a，b，c)即可表示在进行函数调用时的系统状态。业务系统在实际业务处理过程中，1分钟内可能会有n个function参与计算m次，参与计算的function频次越高，它出错导致整个系统瘫痪的概率越大。为确保业务系统的稳定性，以特定时间粒度为检测周期对业务系统进行业务状态检测，比如在检测周期的起始时间点触发对业务系统进行业务状态检测的检测逻辑，在检测周期中起始时间点之后的时间范围内执行这一检测逻辑。
需要说明的是，检测周期应结合业务系统的实际业务处理情况进行确定，如果检测周期的时间粒度设置过小会加重检测逻辑执行所带来的计算负担，如果检测周期的时间粒度设置过大则会降低业务检测的时效性。例如，以分钟这一时间粒度为检测周期对业务系统进行检测，按照分钟点(比如，18：00：00)触发检测逻辑执行，5秒完成检测逻辑执行后发现异常，则在18：00：05这一时刻发出报警。
基于此，如果一个检测周期内存在多次业务系统的业务调用，每次业务调用会产生相应的业务调用序列，产生的该业务调用序列会关联该次业务调用所涉及的所有业务状态数据，具体的，所述业务状态数据优选包括业务调用涉及的业务输入数据和业务调用涉及的业务输出数据。由此可见，本申请实施例是将业务调用涉及的业务输入数据和业务输出数据同时输入循环神经网络模型，从而将业务调用的输入和输出都作为业务系统异常检测的源头，实现对业务系统更加全面的业务检测。
本申请实施例提供的一种优选实施方式中，本步骤获取检测周期内至少一个业务调用序列关联的业务状态数据过程中，如果在一个检测周期内有两次或者两次以上的业务调用，则需对这些业务调用生成的业务调用序列进行聚合处理，具体是按照预设序列聚合规则对每个检测周期内的业务调用序列进行聚合；若一个检测周期内仅有一次业务调用，则无需进行聚合处理，或者仅对一次业务调用生成的业务调用序列进行聚合处理即可，对此不做限定。
优选的，本申请实施例所述预设序列聚合规则，是指将所述业务调用涉及的业务输入数据以及所述业务调用涉及的业务输出数据均相同的两个或者两个以上的业务调用序列，聚合为一个业务调用序列。
例如，检测周期t1内业务调用生的业务调用序列如下：
业务调用序列1：dfunction(a，b，c)
业务调用序列2：dfunction(a，b，c)
业务调用序列3：efunction(a，b)
业务调用序列4：efunction(a，b)
业务调用序列5：ffunction(a)
则按照预设序列聚合规则，需对业务调用序列1和业务调用序列2进行聚合处理，以及对业务调用序列3和业务调用序列4进行聚合处理，聚合处理后的业务调用序列如下：
dfunction(a，b，c)，该业务调用序列的序列调用次数为2次
efunction(a，b)，该业务调用序列的序列调用次数为2次
ffunction(a)，该业务调用序列的序列调用次数为1次。
除上述提供的预设序列聚合规则之外，所述预设序列聚合规则还可以是指将所述业务调用涉及的业务输入数据相同的两个或者两个以上的业务调用序列，聚合为一个业务调用序列；类似的，所述预设序列聚合规则还可以是指将所述业务调用涉及的业务输出数据相同的两个或者两个以上的业务调用序列，聚合为一个业务调用序列。
在具体实施时，对于业务调用序列而言，业务调用序列被调用次数(序列调用次数)的不同，体现出业务调用序列在业务系统运行过程中的重要性也可能有所不同，此处的重要性可体现为业务调用序列涉及的业务输入数据和业务输出数据的重要性，或者体现为其他能够区别不同列调用次数的相关特征信息。因此，可根据同一业务调用序列被调用的次数，即上述聚合处理后业务调用序列的序列调用次数，针对不同序列调用次数不同的业务调用序列分别进行不同级别或者不同优先级的业务状态检测。
优选的，上述聚合后获得的业务调用序列携带有被聚合业务调用序列的序列调用次数；基于此，上述聚合后获得的业务调用序列对应的关联的业务状态数据映射获得的状态参数，在输入所述循环神经网络模型进行业务状态检测过程中，上述聚合后获得的业务调用序列对应的关联的业务状态数据映射获得的状态参数被赋予序列权重；其中，所述序列权重按照上述聚合后获得的业务调用序列携带的被聚合业务调用序列的序列数目来确定。
在实际应用中，在对业务系统进行业务检测时，首先要确定用于进行业务检测的循环神经网络模型，即训练循环神经网络模型，在训练好的循环神经网络模型的基础上，将业务系统在不同时刻的n个系统状态输入循环神经网络模型进行业务状态检测，从而获得业务系统运行是否正常的检测结果。
本申请实施例提供的一种优选实施方式中，所述循环神经网络模型，采用如下方式进行训练：
1)获取历史时间段包含的检测周期内业务调用序列关联的业务状态数据；所述历史时间段包含的检测周期具有时间连续性；
例如，参照附图4所示，在业务系统的实际运行过程中，每天凌晨某一时刻定时收集过去一天业务系统产生的所有业务数据，从中业务数据提取出每分钟(检测周期)内的业务调用序列关联的业务状态数据。
2)将所述业务状态调用数据分别映射为对应的状态参数，获得训练样本集；
例如，针对过去一天的每分钟内的业务调用序列关联的业务状态数据，将每分钟内的业务调用序列关联的业务状态数据分别映射为字符串，然后对映射获得的字符串进行编码，获得每分钟内业务状态数据对应的状态参数，其中，每分钟内业务状态数据对应的状态参数即为训练样本集中的一个训练样本。
3)根据所述训练样本集进行模型训练，获得所述循环神经网络模型。
本申请实施例提供的一种优选实施方式中，所述循环神经网络模型包括：输入层、输出层和至少一个隐藏层，其中，输入层包含至少一个输入，输入层包含的输入与隐藏层具有一一对应关系，每个输入分别与对应隐藏层的神经元连接。
上述根据训练样本集进行模型训练这一过程，具体是指通过学习训练确定循环神经网络模型的权重参数和阈值参数的过程，优选的，所述循环神经网络模型的权重参数包括下述3项：第一项权重参数是指输入层包含的输入与对应隐藏层神经元连接对应的第一连接权，第二项权重参数是指各隐藏层前序检测周期的神经元与当前检测周期的神经元连接对应的第二连接权，第三项权重参数是指各隐藏层的神经元与输出层连接对应的第三连接权；并且，所述循环神经网络模型还包括下述两项阈值参数：对应于隐藏层的隐层阈值、对应于输出层的输出阈值。
进一步，上述学习训练确定循环神经网络模型的权重参数和阈值参数过程中，本申请实施例优选采用自适应矩估计算法来学习循环神经网络模型的权重参数和阈值参数。除此之外，还可以采用其他学习算法(比如，随机梯度下降算法(stochasticgradientdescent，sgd))学习循环神经网络模型的权重参数和阈值参数，对此不做限定。
优选的，本申请实施例所述循环神经网络模型，采用长短期记忆(longshort-termmemory，lstm)神经网络模型，此外，所述循环神经网络模型还可采用lstm神经网络模型之外的其他神经网络模型，比如门控循环单元(gatedrecurrentunit，gur)神经网络模型等，对此同样不做限定。
下述结合附图2、附图3和附图4，以lstm神经网络模型为例，对lstm神经网络模型的模型架构以及模型训练过程进行说明：
如图2所示的lstm神经网络模型，其包括输入层(包含有n个输入)、n个隐藏层和输出层，以当前时刻(t，即当前检测周期)为例，输入层包含的n个输入依次为：
其中，
同时，相邻时间周期的隐藏层之间进行连接，比如，前序检测周期(t-1)各隐藏层的神经元
如附图3所示，以输入层的输入
其中，h为激活函数，可采用线性整流函数(rectifiedlinearunit，relu)，
输出层最终的输出yt可表示为：
综上，模型训练过程实际就是学习确定上述三个权重参数(
步骤s104，将所述业务状态数据分别映射为对应的状态参数。
上述步骤s102获取到检测周期内至少一个业务调用序列关联的业务状态数据之后，本步骤对获取到的业务状态数据进行处理，以使其符合循环神经网络模型的数据输入要求，具体是将上述获得的业务状态数据分别映射为对应的状态参数。本申请实施例提供的一种优选实施方式中，将上述获得的业务状态数据分别映射为对应的状态参数，具体包括：
1)调用映射函数将所述业务调用涉及的输入数据和所述业务调用涉及的输出数据映射为同一字符串；
例如，对于业务调用序列1：dfunction(a，b，c)，将该业务调用序列1涉及的业务输入数据a、b、c以及业务输出数据d，通过映射函数f映射为一串字符串，该映射函数f需确保取值为d、a、b、c映射成的字符串是相同的。
2)对映射获得的所述字符串进行编码，将所述字符串的编码结果作为所述业务状态数据对应的状态参数。
例如，针对上述业务调用序列1的涉及的业务输入数据a、b、c以及业务输出数据d映射成的字符串，该字符串通过one-hot编码后，则可作为循环神经网络的输入。
除上述提供的优选实施方式之外，将上述获得的业务状态数据分别映射为对应的状态参数这一过程，还可调用映射函数将所述业务调用涉及的输入数据射为字符串，或者将所述业务调用涉及的输出数据映射为字符串，然后进一步对映射获得的所述字符串进行编码，将所述字符串的编码结果作为所述业务状态数据各自对应的状态参数。
步骤s106，将所述状态参数输入循环神经网络模型进行业务状态检测，获得业务检测结果。
将上述步骤s104获得的所述检测周期内的n个业务状态数据映射的状态参数作为所述循环神经网络模型的n个输入，输入所述循环神经网络模型进行业务状态检测，若输出的业务检测结果为业务系统存在异常，则发出报警；若输出的业务检测结果为运行正常，则待下一个检测周期继续执行上述业务状态检测即可。
下面提供一个实例对业务状态监测过程进行进一步说明：
检测系统以分钟这一时间粒度为检测周期对业务系统进行业务状态检测，并且是在时间到达每分钟的第一秒(xx：xx：00这一时刻)即触发业务状态检测，下述结合附图4对触发业务状态检测后执行下述业务状态检测逻辑进行详述。
(1)获取当前1分钟内包含的所有业务调用序列，具体包括：
业务调用序列1：dfunction(a，b，c)
业务调用序列2：dfunction(a，b，c)
业务调用序列3：efunction(a，b)
业务调用序列4：efunction(a，b)
业务调用序列5：ffunction(a)
(2)将业务调用涉及的业务输入数据和业务输出数据均相同的两个或者两个以上的业务调用序列，聚合为一个业务调用序列，聚合处理后的业务调用序列如下：
dfunction(a，b，c)，该业务调用序列的序列调用次数为2次
efunction(a，b)，该业务调用序列的序列调用次数为2次
ffunction(a)，该业务调用序列的序列调用次数为1次。
(3)然后调用映射函数f分别将上述聚合处理后的3业务调用序列映射为各自对应的字符串；
具体是将业务调用序列dfunction(a，b，c)涉及的业务输入数据a、b、c和业务输出数据d映射为字符串为string1；类似的，将业务调用序列efunction(a，b)涉及的业务输入数据a、b和业务输出数据e映射为字符串为string2，将业务调用序列ffunction(a)涉及的业务输入数据a和业务输出数据f映射为字符串为string3。
(4)通过one-hot编码对映射获得的字符串string1、string2和string3进行编码，从而获得的字符串string1、string2和string3各自对应的状态参数x1、x2和x3；
(5)将状态参数x1、x2和x3输入训练好的循环神经网络模型进行计算，输出业务检测结果，若输出的业务检测结果为业务系统存在异常，则发出报警；若输出的业务检测结果为运行正常，则待下一分钟继续执行上述业务状态检测逻辑即可。
综上所述，本申请提供的基于神经网络的检测方法，以周期的方式进行业务状态检测，并在检测过程中将不同时刻系统状态作为输入融合到循环神经网络模型进行业务状态检测，同时基于循环神经网络模型进一步融合了前序时刻的系统状态，从而充分考虑不同时刻的系统状态相互之间的影响，实现了更加及时的业务状态检测，并且检测准确率也更高。
本申请提供的一种基于神经网络的检测装置实施例如下：
在上述的实施例中，提供了一种基于神经网络的检测方法，与之相对应的，本申请还提供了一种基于神经网络的检测装置，下面结合附图进行说明。
参照附图5，其示出了本申请提供的一种基于神经网络的检测装置实施例的示意图。
由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关的部分请参见上述提供的方法实施例的对应说明即可。下述描述的装置实施例仅仅是示意性的。
本申请提供一种基于神经网络的检测装置，包括：
业务状态数据获取模块502，被配置为获取检测周期内至少一个业务调用序列关联的业务状态数据；
状态参映射模块504，被配置为将所述业务状态数据分别映射为对应的状态参数；
业务状态检测模块506，被配置为将所述状态参数输入循环神经网络模型进行业务状态检测，获得业务检测结果。
可选的，所述循环神经网络模型，采用如下方式进行训练：
获取历史时间段包含的检测周期内业务调用序列关联的业务状态数据；所述历史时间段包含的检测周期具有时间连续性；
将所述业务状态调用数据分别映射为对应的状态参数，获得训练样本集；每个检测周期内业务调用序列关联的业务状态数据对应的状态参数为所述训练样本集中的一个训练样本；
根据所述训练样本集进行模型训练，获得所述循环神经网络模型。
可选的，所述循环神经网络模型，包括：
包含至少一个输入的输入层、输出层和至少一个隐藏层；
其中，所述输入层包含的输入与所述隐藏层具有一一对应关系，且所述输入分别与对应隐藏层的神经元连接。
可选的，所述根据所述训练样本集进行模型训练，包括：
训练所述循环神经网络模型的权重参数和/或阈值参数；
其中，所述循环神经网络模型的权重参数包括：
输入层包含的输入与对应隐藏层神经元连接对应的第一连接权、各隐藏层前序检测周期的神经元与检测周期的神经元连接对应的第二连接权、各隐藏层的神经元与输出层连接对应的第三连接权；
所述阈值参数包括：对应于隐藏层的隐层阈值、对应于输出层的输出阈值。
可选的，所述业务调用序列关联的业务状态数据，包括下述至少一项：业务调用涉及的业务输入数据、业务调用涉及的业务输出数据。
可选的，所述业务状态数据获取模块502，具体被配置为在所述检测周期内包含业务调用序列的数目大于或者等于2的条件被满足下，则按照预设序列聚合规则对所述检测周期内的业务调用序列进行聚合。
可选的，所述预设序列聚合规则，包括下述至少一项：
将所述业务调用涉及的业务输入数据和/或所述业务调用涉及的业务输出数据相同的至少两个业务调用序列，聚合为一个业务调用序列。
可选的，所述聚合后获得的业务调用序列携带有被聚合业务调用序列的序列调用次数；
所述聚合后获得的业务调用序列对应的关联的业务状态数据映射获得的状态参数，在输入所述循环神经网络模型进行业务状态检测过程中，所述聚合后获得的业务调用序列对应的关联的业务状态数据映射获得的状态参数被赋予序列权重；
其中，所述序列权重按照所述聚合后获得的业务调用序列携带的被聚合业务调用序列的序列调用次数确定。
可选的，所述状态参映射模块504，包括：
映射子模块，被配置为调用映射函数将所述业务调用涉及的输入数据和所述业务调用涉及的输出数据映射为同一字符串；
编码子模块，被配置为对映射获得的所述字符串进行编码，将所述字符串的编码结果作为所述业务状态数据对应的状态参数。
可选的，所述状态参映射模块504，包括：
第二映射子模块，被配置为调用映射函数将所述业务调用涉及的输入数据射为字符串，或者将所述业务调用涉及的输出数据映射为字符串；
第二编码子模块，被配置为对映射获得的所述字符串进行编码，将所述字符串的编码结果作为所述业务状态数据各自对应的状态参数。
可选的，所述模型训练采用下述至少一种学习算法进行训练：自适应矩估计算法、随机梯度下降算法。
可选的，所述循环神经网络模型，包括：长短期记忆神经网络模型、门控循环单元神经网络模型。
本申请提供的一种计算设备实施例如下：
图6是示出了根据本说明书一实施例的计算设备600的结构框图。该计算设备600的部件包括但不限于存储器610和处理器620。处理器620与存储器610通过总线630相连接，数据库650用于保存数据。
计算设备600还包括接入设备640，接入设备640使得计算设备600能够经由一个或多个网络660通信。这些网络的示例包括公用交换电话网(pstn)、局域网(lan)、广域网(wan)、个域网(pan)或诸如因特网的通信网络的组合。接入设备640可以包括有线或无线的任何类型的网络接口(例如，网络接口卡(nic))中的一个或多个，诸如ieee802.11无线局域网(wlan)无线接口、全球微波互联接入(wi-max)接口、以太网接口、通用串行总线(usb)接口、蜂窝网络接口、蓝牙接口、近场通信(nfc)接口，等等。
在本说明书的一个实施例中，计算设备600的上述以及图6中未示出的其他部件也可以彼此相连接，例如通过总线。应当理解，图6所示的计算设备结构框图仅仅是出于示例的目的，而不是对本说明书范围的限制。本领域技术人员可以根据需要，增添或替换其他部件。
计算设备600可以是任何类型的静止或移动计算设备，包括移动计算机或移动计算设备(例如，平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如，智能手机)、可佩戴的计算设备(例如，智能手表、智能眼镜等)或其他类型的移动设备，或者诸如台式计算机或pc的静止计算设备。计算设备600还可以是移动式或静止式的服务器。
本申请提供一种计算设备，包括存储器610、处理器620及存储在存储器上并可在处理器上运行的计算机指令，所述处理器610用于执行如下计算机可执行指令：
获取检测周期内至少一个业务调用序列关联的业务状态数据；
将所述业务状态数据分别映射为对应的状态参数；
将所述状态参数输入循环神经网络模型进行业务状态检测，获得业务检测结果。
可选的，所述循环神经网络模型，采用如下方式进行训练：
获取历史时间段包含的检测周期内业务调用序列关联的业务状态数据；所述历史时间段包含的检测周期具有时间连续性；
将所述业务状态调用数据分别映射为对应的状态参数，获得训练样本集；每个检测周期内业务调用序列关联的业务状态数据对应的状态参数为所述训练样本集中的一个训练样本；
根据所述训练样本集进行模型训练，获得所述循环神经网络模型。
可选的，所述循环神经网络模型，包括：
包含至少一个输入的输入层、输出层和至少一个隐藏层；
其中，所述输入层包含的输入与所述隐藏层具有一一对应关系，且所述输入分别与对应隐藏层的神经元连接。
可选的，所述根据所述训练样本集进行模型训练，包括：
训练所述循环神经网络模型的权重参数和/或阈值参数；
其中，所述循环神经网络模型的权重参数包括：
输入层包含的输入与对应隐藏层神经元连接对应的第一连接权、各隐藏层前序检测周期的神经元与检测周期的神经元连接对应的第二连接权、各隐藏层的神经元与输出层连接对应的第三连接权；
所述阈值参数包括：对应于隐藏层的隐层阈值、对应于输出层的输出阈值。
可选的，所述业务调用序列关联的业务状态数据，包括下述至少一项：业务调用涉及的业务输入数据、业务调用涉及的业务输出数据。
可选的，所述获取检测周期内至少一个业务调用序列关联的业务状态数据，包括：
若所述检测周期内包含业务调用序列的数目大于或者等于2，则按照预设序列聚合规则对所述检测周期内的业务调用序列进行聚合。
可选的，所述预设序列聚合规则，包括下述至少一项：
将所述业务调用涉及的业务输入数据和/或所述业务调用涉及的业务输出数据相同的至少两个业务调用序列，聚合为一个业务调用序列。
可选的，所述聚合后获得的业务调用序列携带有被聚合业务调用序列的序列调用次数；
所述聚合后获得的业务调用序列对应的关联的业务状态数据映射获得的状态参数，在输入所述循环神经网络模型进行业务状态检测过程中，所述聚合后获得的业务调用序列对应的关联的业务状态数据映射获得的状态参数被赋予序列权重；
其中，所述序列权重按照所述聚合后获得的业务调用序列携带的被聚合业务调用序列的序列调用次数确定。
可选的，所述将所述业务状态数据分别映射为对应的状态参数，包括：
调用映射函数将所述业务调用涉及的输入数据和所述业务调用涉及的输出数据映射为同一字符串；
对映射获得的所述字符串进行编码，将所述字符串的编码结果作为所述业务状态数据对应的状态参数。
可选的，所述将所述业务状态数据分别映射为对应的状态参数，包括：
调用映射函数将所述业务调用涉及的输入数据射为字符串，或者将所述业务调用涉及的输出数据映射为字符串；
对映射获得的所述字符串进行编码，将所述字符串的编码结果作为所述业务状态数据各自对应的状态参数。
可选的，所述模型训练采用下述至少一种学习算法进行训练：自适应矩估计算法、随机梯度下降算法。
可选的，所述循环神经网络模型，包括：长短期记忆神经网络模型、门控循环单元神经网络模型。
本申请一实施例还提供一种计算机可读存储介质，其存储有计算机指令，该指令被处理器执行时实现如下：
获取检测周期内至少一个业务调用序列关联的业务状态数据；
将所述业务状态数据分别映射为对应的状态参数；
将所述状态参数输入循环神经网络模型进行业务状态检测，获得业务检测结果。
可选的，所述循环神经网络模型，采用如下方式进行训练：
获取历史时间段包含的检测周期内业务调用序列关联的业务状态数据；所述历史时间段包含的检测周期具有时间连续性；
将所述业务状态调用数据分别映射为对应的状态参数，获得训练样本集；每个检测周期内业务调用序列关联的业务状态数据对应的状态参数为所述训练样本集中的一个训练样本；
根据所述训练样本集进行模型训练，获得所述循环神经网络模型。
可选的，所述循环神经网络模型，包括：
包含至少一个输入的输入层、输出层和至少一个隐藏层；
其中，所述输入层包含的输入与所述隐藏层具有一一对应关系，且所述输入分别与对应隐藏层的神经元连接。
可选的，所述根据所述训练样本集进行模型训练，包括：
训练所述循环神经网络模型的权重参数和/或阈值参数；
其中，所述循环神经网络模型的权重参数包括：
输入层包含的输入与对应隐藏层神经元连接对应的第一连接权、各隐藏层前序检测周期的神经元与检测周期的神经元连接对应的第二连接权、各隐藏层的神经元与输出层连接对应的第三连接权；
所述阈值参数包括：
对应于隐藏层的隐层阈值、对应于输出层的输出阈值。
可选的，所述业务调用序列关联的业务状态数据，包括下述至少一项：业务调用涉及的业务输入数据、业务调用涉及的业务输出数据。
可选的，所述获取检测周期内至少一个业务调用序列关联的业务状态数据，包括：
若所述检测周期内包含业务调用序列的数目大于或者等于2，则按照预设序列聚合规则对所述检测周期内的业务调用序列进行聚合。
可选的，所述预设序列聚合规则，包括下述至少一项：
将所述业务调用涉及的业务输入数据和/或所述业务调用涉及的业务输出数据相同的至少两个业务调用序列，聚合为一个业务调用序列。
可选的，所述聚合后获得的业务调用序列携带有被聚合业务调用序列的序列调用次数；
所述聚合后获得的业务调用序列对应的关联的业务状态数据映射获得的状态参数，在输入所述循环神经网络模型进行业务状态检测过程中，所述聚合后获得的业务调用序列对应的关联的业务状态数据映射获得的状态参数被赋予序列权重；
其中，所述序列权重按照所述聚合后获得的业务调用序列携带的被聚合业务调用序列的序列调用次数确定。
可选的，所述将所述业务状态数据分别映射为对应的状态参数，包括：
调用映射函数将所述业务调用涉及的输入数据和所述业务调用涉及的输出数据映射为同一字符串；
对映射获得的所述字符串进行编码，将所述字符串的编码结果作为所述业务状态数据对应的状态参数。
可选的，所述将所述业务状态数据分别映射为对应的状态参数，包括：
调用映射函数将所述业务调用涉及的输入数据射为字符串，或者将所述业务调用涉及的输出数据映射为字符串；
对映射获得的所述字符串进行编码，将所述字符串的编码结果作为所述业务状态数据各自对应的状态参数。
可选的，所述模型训练采用下述至少一种学习算法进行训练：自适应矩估计算法、随机梯度下降算法。
可选的，所述循环神经网络模型，包括：长短期记忆神经网络模型、门控循环单元神经网络模型。
上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是，该存储介质的技术方案与上述的基于神经网络的检测方法的技术方案属于同一构思，存储介质的技术方案未详细描述的细节内容，均可以参见上述基于神经网络的检测方法的技术方案的描述。
所述计算机指令包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
以上公开的本申请优选实施例只是用于帮助阐述本申请。可选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本申请的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本申请。本申请仅受权利要求书及其全部范围和等效物的限制。
- 还没有人留言评论。精彩留言会获得点赞！