基于人工智能的信息系统运行质量检测方法和系统与流程

1.本发明涉及信息系统技术领域，具体而言，涉及基于人工智能的信息系统运行质量检测方法和系统。


背景技术：

2.目前信息系统的质量常常通过工作人员的经验来进行判断。而信息系统的运行指标较多，若通过人工经验的方式进行判断，可能会出现判断结果不准确，出现误差的情况。因此亟需研究一种快速且智能的信息系统的运行质量检测方法，以便能准确的判断出信息系统当前的运行质量，进而以便根据运行质量采取相关的维护措施，保证信息系统的正常运行。


技术实现要素：

3.本发明的目的在于提供基于人工智能的信息系统运行质量检测方法和系统，以改善上述问题。
4.为了实现上述目的，本技术实施例提供了如下技术方案：
5.一方面，本技术实施例提供了基于人工智能的信息系统运行质量检测方法，所述方法包括：
6.获取信息系统中的各运行指标的历史指标数据；
7.将各运行指标的历史指标数据输入至少五个预测模型中，得到各运行指标在当前时刻的预测值，预测模型中包括第一预测模型和第二预测模型，所述第一预测模型包括cnn模型和bilstm模型，所述第二预测模型包括convlstm模型和bilstm模型；
8.将各运行指标对应的所有预测值进行集合，得到至少五个预测值集合；基于每个预测值集合对基于密度的聚类算法中参数进行调整，得到调整后的聚类算法；
9.利用调整后的聚类算法对每个预测值集合中的数据进行聚类分析，得到各运行指标的最终预测值；
10.根据各运行指标的最终预测值计算各运行指标的得分，根据各运行指标的得分计算当前信息系统的综合得分，根据所述综合得分得出当前信息系统的质量评价结果。
11.第二方面，本技术实施例提供了基于人工智能的信息系统运行质量检测系统，所述系统包括获取模块、预测模块、调整模块、分析模块和评分模块。
12.获取模块，用于获取信息系统中的各运行指标的历史指标数据；
13.预测模块，用于将各运行指标的历史指标数据输入至少五个预测模型中，得到各运行指标在当前时刻的预测值，预测模型中包括第一预测模型和第二预测模型，所述第一预测模型包括cnn模型和bilstm模型，所述第二预测模型包括convlstm模型和bilstm模型；
14.调整模块，用于将各运行指标对应的所有预测值进行集合，得到至少五个预测值集合；基于每个预测值集合对基于密度的聚类算法中参数进行调整，得到调整后的聚类算法；
15.分析模块，用于利用调整后的聚类算法对每个预测值集合中的数据进行聚类分析，得到各运行指标的最终预测值；
16.评分模块，用于根据各运行指标的最终预测值计算各运行指标的得分，根据各运行指标的得分计算当前信息系统的综合得分，根据所述综合得分得出当前信息系统的质量评价结果。
17.第三方面，本技术实施例提供了基于人工智能的信息系统运行质量检测设备，所述设备包括存储器和处理器。存储器用于存储计算机程序；处理器用于执行所述计算机程序时实现上述基于人工智能的信息系统运行质量检测方法的步骤。
18.第四方面，本技术实施例提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于人工智能的信息系统运行质量检测方法的步骤。
19.本发明的有益效果为：
20.1、本发明建立了一种快速且智能的信息系统的运行质量检测方法。通过本发明中的方法根据质量等级评价表即可得出当前信息系统的质量等级，可以将质量等级通过网页、邮件、短信等方式展示在用户面前，以便用户及时的知晓信息系统当前的状态，进而选择相应的应对方法以保证信息系统的正常运行。
21.2、本发明在cnn层和bilstm层之间加入了激活函数，激活函数可以为sigmoid激活函数或softmax激活函数，将sigmoid激活函数或softmax激活函数加入在cnn层和bilstm层之间，可以利用sigmoid激活函数或softmax激活函数增强卷积网络层提取出来的数据的空间特征，进而提高各运行指标在当前时刻的预测值的预测准确度。
22.本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
23.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。
24.图1是本发明实施例中所述的基于人工智能的信息系统运行质量检测方法流程示意图；
25.图2是本发明实施例中所述的基于人工智能的信息系统运行质量检测系统结构示意图；
26.图3是本发明实施例中所述的基于人工智能的信息系统运行质量检测设备结构示意图。
具体实施方式
27.为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是
本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
28.应注意到：相似的标号或字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
29.实施例1
30.如图1所示，本实施例提供了基于人工智能的信息系统运行质量检测方法，该方法包括步骤s1、步骤s2、步骤s3、步骤s4和步骤s5。
31.步骤s1、获取信息系统中的各运行指标的历史指标数据；
32.在本步骤中，运行指标可以理解为与信息系统运行相关的各个指标，例如：主机服务器cpu平均负载、日均负载，网络服务器平均负载、日均负载，安全设备内存平均负载、日均负载，缓存使用率，共享内存使用率，堆栈内存使用率等运行指标；此处运行指标的选择可以根据用户的需求进行自定义的选取；
33.步骤s2、将各运行指标的历史指标数据输入至少五个预测模型中，得到各运行指标在当前时刻的预测值，预测模型中包括第一预测模型和第二预测模型，所述第一预测模型包括cnn模型和bilstm模型，所述第二预测模型包括convlstm模型和bilstm模型；
34.在本步骤中，考虑到如果只利用一种预测模型进行预测，那么得到的预测结果无法预知其准确性，同时也降低了预测值的准确性，因此在本步骤中，选取了5个预测模型同时进行预测，除了本步骤中选取5个预测模型进行预测之外，还可以选取更多的预测模型进行预测，在本实施例中，除了第一预测模型、第二预测模型之外，剩余的预测模型包括svm、xgboost、cnn-lstm、岭回归、随机森林回归和决策树回归等，可以在其中选取相应个数的预测模型进行预测；
35.在本步骤中，利用第一预测模型进行预测时的具体步骤包括步骤s21、步骤s22和步骤s23；
36.步骤s21、基于cnn模型和bilstm模型构建所述第一预测模型，所述第一预测模型包括cnn层和bilstm层，所述cnn层包括输入层、卷积层、池化层、全连接层和输出，所述cnn层的输出作为bilstm层的输入；
37.在本步骤中，将cnn模型和bilstm模型进行了组合，组合后再进行预测；
38.步骤s22、对所述第一预测模型进行改进，使用激活函数来连接所述第一预测模型中的cnn层和bilstm层，得到改进后的第一预测模型；
39.在本步骤中，在cnn层和bilstm层之间加入了激活函数，激活函数可以为sigmoid激活函数或softmax激活函数，将sigmoid激活函数或softmax激活函数加入在cnn层和bilstm层之间，可以利用sigmoid激活函数或softmax激活函数增强卷积网络层提取出来的数据的空间特征，进而提高各运行指标在当前时刻的预测值的预测准确度；
40.步骤s23、将所述各运行指标的历史指标数据输入所述改进后的第一预测模型中，得到各运行指标在当前时刻的预测值。
41.在本步骤中，利用第二预测模型进行预测时的具体步骤包括步骤s24和步骤s25；
42.步骤s24、基于convlstm模型和bilstm模型构建所述第二预测模型，所述第二预测模型包括convlstm2d层、bilstm层、dropout层、batchnormalization层和全连接层；
43.本步骤提出的第二预测模型充分结合了convlstm和bilstm的优点，实现了模型不错的学习能力，并且第二预测模型的预测精度和准确性都比较高，优于传统单一模型；第二预测模型包括convlstm2d层、bilstm层、dropout层、batchnormalization层和全连接层，各个神经网络层都有着自己独特的作用和功能。其中，利用convlstm2d层对历史指标数据进行处理，提取数据特征；利用bilstm层对数据的周期特征进行提取；batchnormalization层正规化每一层的输入，加速神经网路的训练过程，防止梯度消失；dropout层用于降低过拟合的风险，从而得到最终的预测结果，最后经过全连接层得到输出结果。通过上述方式，提高了模型输出的精准度和准确性；
44.步骤s25、将所述各运行指标的历史指标数据输入所述第二预测模型中，得到各运行指标在当前时刻的预测值。
45.通过上述步骤，得到各个预测模型的预测值之后，相当于每个运行指标都有对应的至少5个预测值，在本步骤中，利用步骤s3对所有的预测值进行处理，得到各运行指标对应的最终的预测值；
46.步骤s3、将各运行指标对应的所有预测值进行集合，得到至少五个预测值集合；基于每个预测值集合对基于密度的聚类算法中参数进行调整，得到调整后的聚类算法；
47.在本步骤中，使用了聚类算法对预测值进行处理，其中，考虑到传统的dbscan聚类算法在训练过程中有大量的人为因素介入而影响聚类效果。因此，本实施例中提出了一种不需要人为干预而能够自适应的寻找最优邻域半径epsilon参数和邻域最小点数minpts参数的调整后的dbscan聚类算法，该算法在弥补了传统dbscan聚类算法的缺点，基于密度的聚类算法的具体调整步骤包括步骤s31、步骤s32和步骤s33；
48.步骤s31、计算每个所述预测值集合中各样本点的距离分布矩阵，对距离矩阵中的每一行的数据进行从小到大排序，排序后对每一列数据使用四分位法去除孤立点，再对保留数据点求其期望，将所求得的期望值保存到候选邻域半径列表中；基于每个所述预测值集合和候选邻域半径列表，利用数学期望法生成候选邻域最小点数列表；
49.计算预测值集合中各样本点的距离分布矩阵为：
50.dn×n＝{po int_dist(i,j)|1≤i≤n,1≤j≤n}
51.公式中，dn
×
n为n
×
n的对称矩阵；n为预测值集合d的长度；point_dist(i,j)为预测值集合d中各个样本点之间的距离；
52.利用数学期望法生成邻域最小点数的公式为：
[0053][0054]
公式中，pi为第i个样本点的epsilon邻域内的样本数量，n为预测值集合d中总的样本点数。
[0055]
在本步骤中，针对每一个预测值集合都按照步骤s31进行计算，按照上述步骤进行计算后，候选邻域半径列表中就会有多个邻域半径；在利用数学期望法生成邻域最小点数
参数时，将候选邻域半径参数列表中的每一个邻域半径对应的邻域中所包含的所有样本点数进行数学期望值计算，将计算得到的数学期望值作为邻域最小点数，将每一个计算得到的邻域最小点数放入候选邻域最小点数列表中，得到候选邻域最小点数列表；
[0056]
步骤s32、分别在所述候选邻域半径列表和所述候选邻域最小点数列表中选取一数值，再将选取的两个数值输入到基于密度的聚类算法中中，得到一个聚类结果；
[0057]
步骤s33、利用轮廓系数法对所述聚类结果进行分析，得到系数值，分析所述系数值，若所述系数值大于或等于所述系数阈值，则将选取的邻域半径和邻域最小点数作为所述基于密度的聚类算法的最终参数，得到调整后的聚类算法，反之则重新在所述候选邻域半径列表和所述中邻域最小点数列表重新选取参数，直到所述系数值大于或等于所述系数阈值为止。
[0058]
在本步骤中，系数阈值可以根据用户的需求进行自定义的设置，通过上述的方法，可以实现对dbscan聚类算法的自动调整，得到较优的dbscan聚类算法，有利于后续的聚类计算；调整后利用步骤s4进行聚类分析；
[0059]
步骤s4、利用调整后的聚类算法对每个预测值集合中的数据进行聚类分析，得到各运行指标的最终预测值；
[0060]
本步骤的具体实现步骤包括步骤s41和步骤s42；
[0061]
步骤s41、利用调整后的聚类算法对每个预测值集合中的数据进行聚类处理，得到聚类类别集合，所述聚类类别集合包括至少一个聚类类别；
[0062]
步骤s42、计算所述聚类类别集合中每个点到中心点的欧式距离，得到各个聚类类别对应的最大欧式距离，对所有的所述最大欧式距离进行分析，将所有的所述最大欧式距离的平均值作为各运行指标的最终预测值。
[0063]
通过上述的方法可以在每个预测值集合的基础上，得到最终的预测值；在得到各运行指标的在当前时刻的最终预测值之后，即可通过步骤s5对信息系统进行评分，得到信息系统的质量评价结果；
[0064]
步骤s5、根据各运行指标的最终预测值计算各运行指标的得分，根据各运行指标的得分计算当前信息系统的综合得分，根据所述综合得分得出当前信息系统的质量评价结果。本步骤的具体实现步骤包括步骤s51、步骤s52和步骤s53；
[0065]
步骤s51、获取各运行指标的最佳指标数据；
[0066]
此步骤中的最佳指标数据为人为输入；
[0067]
步骤s52、将各运行指标的最终预测值与最佳指标数据进行对比分析，其中，若最终预测值与最佳指标数据之间的绝对差值小于预设的阈值，则记一分，将各运行指标的得分相加，得到所述综合得分；
[0068]
在本步骤中，利用预测得到的最终预测值与最佳指标数据之间的差距进行评分；除了本步骤提供的评分方法之外，还可以将当前的各个最终预测值输入评分预测模型中，其中评分预测模型的构建方法为：
[0069]
步骤s521、将每个历史时刻下各运行指标的指标数据作为输入，每个历史时刻下信息系统的评分作为输出，对组合模型进行训练，此处的组合模型包括bilstm模型、bp神经网络和sigmoid函数，按照bilstm模型在前，bp神经网络在中，sigmoid函数在后的形式组合得到组合模型；
[0070]
步骤s522、在进行训练时，将全部的样本分成训练集和测试集，利用训练集训练之后，在利用测试集进行预测，将预测得到的结果与真实结果作为损失函数的输入参数，计算得到损失值，当损失值小于预设的阈值时，完成训练，否则不断调整模型参数，直到损失值小于预设的阈值，完成训练；利用训练好的组合模型和当前时刻各运行指标对应的最终预测值即可得到当前时刻下信息系统的评分；
[0071]
除了上述的评分预测模型的构建方法之外，还可以通过以下方法进行构建：
[0072]
步骤s523、将每个历史时刻下各运行指标的指标数据作为一个样本，并作为vgg卷积神经网络或fast r-cnn的输入参数，每个历史时刻下信息系统的评分记为vgg卷积神经网络或fast r-cnn的输出参数；基于所述输入参数，得到所述输入参数与映射的关系表达式，所述输入参数与所述输出参数之间通过所述映射进行连接，所述输入参数与映射的关系表达式：
[0073][0074]
公式中，hj为所述映射；xi为输入参数；w
ij
为所述输入参数与所述映射之间的连接权值；aj为所述输入参数与所述映射之间的连接阈值，i为所述输入参数的个数，j为所述映射的个数；
[0075]
根据所述输入参数与映射的关系表达式构建所述输出参数与所述映射的关系表达式，所述输出参数与所述映射的关系表达式为：
[0076][0077]
公式中，yk为所述输出参数；hj为所述映射；w
jk
为所述输出参数与所述映射之间的连接权值；bk为所述输出参数与所述映射之间的连接阈值；k为所述输出参数的个数；j为所述映射的个数；
[0078]
步骤s524、对于每一个所述样本，随机给所述输入参数与所述映射之间的连接权值、所述输入参数与所述映射之间的连接阈值、所述输出参数与所述映射之间的连接权值、所述输出参数与所述映射之间的连接阈值赋值，赋值后计算得到每一个样本所对应的第一输出参数；
[0079]
步骤s525、基于每一个样本对应的评分和所述第一输出参数得到每一个所述样本所对应的目标函数，对所述目标函数中的每一个权值和每一个阈值求偏导数，求得偏导数后更新所述目标函数中的每一个权值和每一个阈值，并计算更新后的每一个权值的偏导数和更新后的每一个阈值的偏导数，当所有的所述目标函数所对应的偏导数均达到最小值时，停止更新，得到所述评分预测模型。
[0080]
目标函数的表达式为：
[0081][0082]
式中，y
k’为每一个样本对应的评分；yk为每一个样本所对应的所述第一输出参数；
j为所述映射的个数；
[0083]
步骤s53、获取质量等级评价表，所述质量等级评价表中包括不同综合得分对应的质量等级，根据所述质量等级评价表和所述综合得分得到当前信息系统的质量等级。
[0084]
在本步骤中，根据质量等级评价表即可得出当前信息系统的质量等级，可以将质量等级通过网页、邮件、短信等方式展示在用户面前，以便用户及时的知晓信息系统当前的状态，进而选择相应的应对方法以保证信息系统的正常运行。
[0085]
实施例2
[0086]
如图2所示，本实施例提供了基于人工智能的信息系统运行质量检测系统，所述系统包括获取模块701、预测模块702、调整模块703、分析模块704和评分模块705。
[0087]
获取模块701，用于获取信息系统中的各运行指标的历史指标数据；
[0088]
预测模块702，用于将各运行指标的历史指标数据输入至少五个预测模型中，得到各运行指标在当前时刻的预测值，预测模型中包括第一预测模型和第二预测模型，所述第一预测模型包括cnn模型和bilstm模型，所述第二预测模型包括convlstm模型和bilstm模型；
[0089]
调整模块703，用于将各运行指标对应的所有预测值进行集合，得到至少五个预测值集合；基于每个预测值集合对基于密度的聚类算法中参数进行调整，得到调整后的聚类算法；
[0090]
分析模块704，用于利用调整后的聚类算法对每个预测值集合中的数据进行聚类分析，得到各运行指标的最终预测值；
[0091]
评分模块705，用于根据各运行指标的最终预测值计算各运行指标的得分，根据各运行指标的得分计算当前信息系统的综合得分，根据所述综合得分得出当前信息系统的质量评价结果。
[0092]
在本公开的一种具体实施方式中，所述预测模块702，还包括第一构建单元7021、改进单元7022和第一预测单元7023。
[0093]
第一构建单元7021，用于基于cnn模型和bilstm模型构建所述第一预测模型，所述第一预测模型包括cnn层和bilstm层，所述cnn层包括输入层、卷积层、池化层、全连接层和输出，所述cnn层的输出作为bilstm层的输入；
[0094]
改进单元7022，用于对所述第一预测模型进行改进，使用激活函数来连接所述第一预测模型中的cnn层和bilstm层，得到改进后的第一预测模型；
[0095]
第一预测单元7023，用于将所述各运行指标的历史指标数据输入所述改进后的第一预测模型中，得到各运行指标在当前时刻的预测值。
[0096]
在本公开的一种具体实施方式中，所述预测模块702，还包括第二构建单元7024和第二预测单元7025。
[0097]
第二构建单元7024，用于基于convlstm模型和bilstm模型构建所述第二预测模型，所述第二预测模型包括convlstm2d层、bilstm层、dropout层、batchnormalization层和全连接层；
[0098]
第二预测单元7025，用于将所述各运行指标的历史指标数据输入所述第二预测模型中，得到各运行指标在当前时刻的预测值。
[0099]
在本公开的一种具体实施方式中，所述调整模块703，还包括第一计算单元7031、
选取单元7032和第一分析单元7033。
[0100]
第一计算单元7031，用于计算每个所述预测值集合中各样本点的距离分布矩阵，对距离矩阵中的每一行的数据进行从小到大排序，排序后对每一列数据使用四分位法去除孤立点，再对保留数据点求其期望，将所求得的期望值保存到候选邻域半径列表中；基于每个所述预测值集合和候选邻域半径列表，利用数学期望法生成候选邻域最小点数列表；
[0101]
选取单元7032，用于分别在所述候选邻域半径列表和所述候选邻域最小点数列表中选取一数值，再将选取的两个数值输入到基于密度的聚类算法中中，得到一个聚类结果；
[0102]
第一分析单元7033，用于利用轮廓系数法对所述聚类结果进行分析，得到系数值，分析所述系数值，若所述系数值大于或等于所述系数阈值，则将选取的邻域半径和邻域最小点数作为所述基于密度的聚类算法的最终参数，得到调整后的聚类算法，反之则重新在所述候选邻域半径列表和所述中邻域最小点数列表重新选取参数，直到所述系数值大于或等于所述系数阈值为止。
[0103]
在本公开的一种具体实施方式中，所述分析模块704，还包括聚类单元7041和第二计算单元7042。
[0104]
聚类单元7041，用于利用调整后的聚类算法对每个预测值集合中的数据进行聚类处理，得到聚类类别集合，所述聚类类别集合包括至少一个聚类类别；
[0105]
第二计算单元7042，用于计算所述聚类类别集合中每个点到中心点的欧式距离，得到各个聚类类别对应的最大欧式距离，对所有的所述最大欧式距离进行分析，将所有的所述最大欧式距离的平均值作为各运行指标的最终预测值。
[0106]
在本公开的一种具体实施方式中，所述评分模块705，还包括获取单元7051、第二分析单元7052和评分单元7053。
[0107]
获取单元7051，用于获取各运行指标的最佳指标数据；
[0108]
第二分析单元7052，用于将各运行指标的最终预测值与最佳指标数据进行对比分析，其中，若最终预测值与最佳指标数据之间的绝对差值小于预设的阈值，则记一分，将各运行指标的得分相加，得到所述综合得分；
[0109]
评分单元7053，用于获取质量等级评价表，所述质量等级评价表中包括不同综合得分对应的质量等级，根据所述质量等级评价表和所述综合得分得到当前信息系统的质量等级。
[0110]
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0111]
实施例3
[0112]
相应于上面的方法实施例，本公开实施例还提供了基于人工智能的信息系统运行质量检测设备，下文描述的基于人工智能的信息系统运行质量检测设备与上文描述的基于人工智能的信息系统运行质量检测方法可相互对应参照。
[0113]
图3是根据一示例性实施例示出的基于人工智能的信息系统运行质量检测设备800的框图。如图3所示，该基于人工智能的信息系统运行质量检测设备800可以包括：处理器801，存储器802。该基于人工智能的信息系统运行质量检测设备800还可以包括多媒体组件803，i/o接口804，以及通信组件805中的一者或多者。
[0114]
其中，处理器801用于控制该基于人工智能的信息系统运行质量检测设备800的整
体操作，以完成上述的基于人工智能的信息系统运行质量检测方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该基于人工智能的信息系统运行质量检测设备800的操作，这些数据例如可以包括用于在该基于人工智能的信息系统运行质量检测设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(static random access memory，简称sram)，电可擦除可编程只读存储器(electrically erasable programmable read-only memory，简称eeprom)，可擦除可编程只读存储器(erasable programmable read-only memory，简称eprom)，可编程只读存储器(programmable read-only memory，简称prom)，只读存储器(read-only memory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。i/o接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该基于人工智能的信息系统运行质量检测设备800与其他设备之间进行有线或无线通信。无线通信，例如wi-fi，蓝牙，近场通信(near fieldcommunication，简称nfc)，2g、3g或4g，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：wi-fi模块，蓝牙模块，nfc模块。
[0115]
在一示例性实施例中，该基于人工智能的信息系统运行质量检测设备800可以被一个或多个应用专用集成电路(application specific integrated circuit，简称asic)、数字信号处理器(digitalsignal processor，简称dsp)、数字信号处理设备(digital signal processing device，简称dspd)、可编程逻辑器件(programmable logic device，简称pld)、现场可编程门阵列(field programmable gate array，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的基于人工智能的信息系统运行质量检测方法。
[0116]
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的基于人工智能的信息系统运行质量检测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由该基于人工智能的信息系统运行质量检测设备800的处理器801执行以完成上述的基于人工智能的信息系统运行质量检测方法。
[0117]
实施例4
[0118]
相应于上面的方法实施例，本公开实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的基于人工智能的信息系统运行质量检测方法可相互对应参照。
[0119]
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的基于人工智能的信息系统运行质量检测方法的步骤。
[0120]
该可读存储介质具体可以为u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可存储程序代
码的可读存储介质。
[0121]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。