针对云业务服务异常优化的大数据分析方法及AI分析系统与流程

针对云业务服务异常优化的大数据分析方法及ai分析系统
技术领域
1.本发明涉及大数据技术领域，具体而言，涉及一种针对云业务服务异常优化的大数据分析方法及ai分析系统。


背景技术：

2.移动互联网充满诸多新的技术、创新与市场机会。云端服务能够满足用户分享、存取与探索的新需求，移动5g时代带来稳定与高速的连接、智能手机提供良好的用户体验，云端服务提供更容易的跨平台能力，这些都证明了，在云端服务将是在移动互联网的新兴创业领域。基于此，云服务平台的运行稳定性关乎到用户体验好坏，因此对于云服务异常事件而言，需要及时挖掘其在对应目标页面运行节点中的异常信息，进而及时进行异常优化，然而相关技术中通常是基于单个维度特征数据进行异常优化决策，导致异常优化决策信息的准确性不佳，影响后续云服务页面运行的稳定性。


技术实现要素：

3.为了至少克服现有技术中的上述不足，本发明的目的在于提供一种针对云业务服务异常优化的大数据分析方法及ai分析系统。
4.第一方面，本技术提供一种针对云业务服务异常优化的大数据分析方法，应用于ai分析系统，所述ai分析系统与多个云服务软件服务系统通信连接，所述方法包括：对包含目标云服务异常事件以及目标页面运行节点的异常关系属性图进行特征提取，确定所述目标云服务异常事件的第一图关系特征以及所述目标页面运行节点的第二图关系特征；对包含所述目标云服务异常事件的事件联动关系图进行特征提取，确定所述目标云服务异常事件的第三图关系特征；依据所述第一图关系特征、所述第二图关系特征、所述第三图关系特征以及所述目标云服务异常事件的先验异常大数据进行异常优化决策，确定所述目标页面运行节点对应所述目标云服务异常事件的异常优化决策信息；依据所述目标页面运行节点对应所述目标云服务异常事件的异常优化决策信息对所述目标页面运行节点进行异常优化。
5.在第一方面的一种可能的实施方式中，对包含目标云服务异常事件以及目标页面运行节点的异常关系属性图进行特征提取，确定所述目标云服务异常事件的第一图关系特征以及所述目标页面运行节点的第二图关系特征；对包含所述目标云服务异常事件的事件联动关系图进行特征提取，确定所述目标云服务异常事件的第三图关系特征；依据所述第一图关系特征、所述第二图关系特征、所述第三图关系特征以及所述目标云服务异常事件的先验异常大数据进行异常优化决策，确定所述目标页面运行节点对应所述目标云服务异常事件的异常优化决策信息；
依据所述目标页面运行节点对应所述目标云服务异常事件的异常优化决策信息对所述目标页面运行节点进行异常优化。
6.在第一方面的一种可能的实施方式中，所述对包含目标云服务异常事件以及目标页面运行节点的异常关系属性图进行特征提取，确定所述目标云服务异常事件的第一图关系特征以及所述目标页面运行节点的第二图关系特征的步骤，具体包括：确定所述异常关系属性图中所述目标云服务异常事件的连接页面运行节点、以及所述异常关系属性图中所述目标页面运行节点的连接云服务异常事件；对所述目标云服务异常事件的连接页面运行节点进行多层隐含层特征提取，确定所述目标云服务异常事件的多个云服务异常事件特征；对所述多个云服务异常事件特征进行融合，确定所述目标云服务异常事件的第一图关系特征；对所述目标页面运行节点的连接云服务异常事件进行多层隐含层特征提取，确定所述目标页面运行节点的多个页面运行节点特征；对所述多个页面运行节点特征进行融合，确定所述目标页面运行节点的第二图关系特征。
7.在第一方面的一种可能的实施方式中，所述隐含层特征提取是基于节点关系推理网络实现的，所述节点关系推理网络之间配置映射互联关系；所述对所述目标云服务异常事件的连接页面运行节点进行多层隐含层特征提取，确定所述目标云服务异常事件的多个云服务异常事件特征的步骤，具体包括：基于所述映射互联形式的实体关系推理网络中的首个节点关系推理网络，对所述目标云服务异常事件的连接页面运行节点的初始页面运行节点特征进行规则化转换，确定所述目标云服务异常事件在首个节点关系推理网络的所述云服务异常事件特征；将所述目标云服务异常事件在首个节点关系推理网络的所述云服务异常事件特征加载至下个映射互联的实体关系推理网络，基于所述下个映射互联的实体关系推理网络继续进行规则化转换，确定所述目标云服务异常事件在下个映射互联的实体关系推理网络的所述云服务异常事件特征；所述对所述目标页面运行节点的连接云服务异常事件进行多层隐含层特征提取，确定所述目标页面运行节点的多个页面运行节点特征的步骤，具体包括：基于所述映射互联形式的实体关系推理网络中的首个节点关系推理网络，对所述目标页面运行节点的连接云服务异常事件的初始云服务异常事件特征进行规则化转换，确定所述目标页面运行节点在首个节点关系推理网络的所述页面运行节点特征；将所述目标页面运行节点在首个节点关系推理网络的所述页面运行节点特征加载至下个映射互联的实体关系推理网络，基于所述下个映射互联的实体关系推理网络继续进行规则化转换，确定所述目标页面运行节点在下个映射互联的实体关系推理网络的所述页面运行节点特征；所述基于所述下个映射互联的实体关系推理网络继续进行规则化转换，确定所述目标云服务异常事件在下个映射互联的实体关系推理网络的所述云服务异常事件特征的步骤，具体包括：基于所述映射互联形式的实体关系推理网络的第x个节点关系推理网络实施下述
步骤：对于所述目标云服务异常事件的多个连接页面运行节点中的第y个连接页面运行节点，确定所述第y个连接页面运行节点在第x-1个节点关系推理网络的页面运行节点特征；确定所述第y个连接页面运行节点的连接数量以及所述目标云服务异常事件的连接数量；依据所述第y个连接页面运行节点的连接数量以及所述目标云服务异常事件的连接数量，对所述第y个连接页面运行节点在第x个节点关系推理网络的页面运行节点特征进行规则化转换，确定所述第y个连接页面运行节点的规则化转换特征；对所述多个连接页面运行节点分别对应的规则化转换特征进行聚合，确定所述目标云服务异常事件在第x个节点关系推理网络的所述云服务异常事件特征。
8.在第一方面的一种可能的实施方式中，所述对包含目标云服务异常事件以及目标页面运行节点的异常关系属性图进行特征提取，确定所述目标云服务异常事件的第一图关系特征以及所述目标页面运行节点的第二图关系特征的步骤，具体包括：确定所述异常关系属性图的顶点间关系图；依据所述顶点间关系图对所述异常关系属性图进行多层隐含层特征提取，确定所述异常关系属性图的多个隐含层特征；对所述多个隐含层特征进行融合，确定所述异常关系属性图的目标隐含层特征；依据所述目标云服务异常事件在所述目标隐含层特征的特征点，从所述目标隐含层特征中确定所述目标云服务异常事件的第一图关系特征；依据所述目标页面运行节点在所述目标隐含层特征的特征点，从所述目标隐含层特征中确定所述目标页面运行节点的第二图关系特征。
9.在第一方面的一种可能的实施方式中，所述隐含层特征提取是基于节点关系推理网络实现的，所述节点关系推理网络之间配置映射互联关系；所述依据所述顶点间关系图对所述异常关系属性图进行多层隐含层特征提取，确定所述异常关系属性图的多个隐含层特征的步骤，具体包括：基于所述映射互联形式的实体关系推理网络中的首个节点关系推理网络，对所述异常关系属性图的初始隐含层特征以及所述顶点间关系图进行规则化特征提取，确定所述异常关系属性图在首个节点关系推理网络的所述隐含层特征；将所述异常关系属性图在首个节点关系推理网络的所述隐含层特征加载至下个映射互联的实体关系推理网络，基于所述映射互联形式的实体关系推理网络的第z个节点关系推理网络实施下述步骤：确定所述异常关系属性图的连接数量阵列；依据所述异常关系属性图的连接数量阵列对所述顶点间关系图进行规则化转换，确定规则化转换后的所述顶点间关系图；对规则化转换后的所述顶点间关系图、以及所述异常关系属性图在第z-1个节点关系推理网络的所述隐含层特征进行图卷积特征提取，确定所述异常关系属性图在第z个节点关系推理网络的所述隐含层特征。
10.在第一方面的一种可能的实施方式中，所述对包含所述目标云服务异常事件的事
件联动关系图进行特征提取，确定所述目标云服务异常事件的第三图关系特征的步骤，具体包括：确定所述事件联动关系图中所述目标云服务异常事件的多个联动连接云服务异常事件；对所述目标云服务异常事件以及每个所述联动连接云服务异常事件分别进行图关系特征提取，确定所述目标云服务异常事件的事件图关系特征以及所述联动连接云服务异常事件的事件图关系特征；对所述目标云服务异常事件的事件图关系特征以及每个所述联动连接云服务异常事件的事件图关系特征进行非线性映射处理，确定所述目标云服务异常事件与每个所述联动连接云服务异常事件之间的关注权重；对所述目标云服务异常事件与每个所述联动连接云服务异常事件之间的关注权重进行规则化转换，确定所述目标云服务异常事件与每个所述联动连接云服务异常事件之间的关注影响力值；依据所述关注影响力值对每个所述联动连接云服务异常事件的事件图关系特征进行加权融合，确定所述目标云服务异常事件的加权融合特征；对所述目标云服务异常事件的加权融合特征进行映射处理，确定所述目标云服务异常事件的第三图关系特征。
11.在第一方面的一种可能的实施方式中，所述依据所述第一图关系特征、所述第二图关系特征、所述第三图关系特征以及所述目标云服务异常事件的先验异常大数据进行异常优化决策，确定所述目标页面运行节点对应所述目标云服务异常事件的异常优化决策信息的步骤，具体包括：获取所述目标云服务异常事件的先验异常大数据；对所述目标云服务异常事件的先验异常大数据进行特征线性映射，确定所述目标云服务异常事件的先验异常特征；对所述第一图关系特征、所述第二图关系特征、所述第三图关系特征以及所述先验异常特征进行融合，确定融合特征；对所述融合特征进行异常优化决策，确定所述目标页面运行节点对应所述目标云服务异常事件的异常优化决策信息。
12.在第一方面的一种可能的实施方式中，所述对所述融合特征进行异常优化决策，确定所述目标页面运行节点对应所述目标云服务异常事件的异常优化决策信息的步骤，包括：获取多个参考异常特征序列作为训练样本数据序列，每个参考异常特征序列与先验异常知识点对应，每个所述参考异常特征序列包括第一参考图关系特征、第二参考图关系特征、第三参考图关系特征以及参考先验异常特征，其中，所述第一参考图关系特征为参考异常关系属性图中的参考云服务异常事件的图关系特征，所述第二参考图关系特征为参考异常关系属性图中的参考页面运行节点的图关系特征，所述第三参考图关系特征为所述参考云服务异常事件的事件联动关系图，所述参考先验异常特征为参考云服务异常事件的参考先验异常大数据的先验异常特征；对于多个参考异常特征序列中的每个参考异常特征序列，依据所述参考异常特征
序列中的参考异常特征进行时空节点特征随机转换、和所述参考异常特征序列中的参考异常特征经时空节点特征随机转换得到的时空节点转换参考特征中的至少两个时空节点转换参考特征之间的混合，生成所述参考异常特征序列对应的混合异常特征序列；对所述参考异常特征序列对应的混合异常特征序列中的各个时空节点转换参考特征进行序列前向选择，确定参考重定向异常特征序列，并将参考重定向异常特征序列加载至所述参考异常特征序列中，获得所述参考异常特征序列的衍生参考异常特征序列；基于多个参考异常特征序列的多个衍生参考异常特征序列，训练用于异常知识点决策的异常知识点决策模型，其中，训练后的异常知识点决策模型对目标融合特征进行异常知识点决策，获得对应于目标云服务异常事件的异常优化决策信息。
13.在第一方面的一种可能的实施方式中，依据所述参考异常特征序列中的参考异常特征进行时空节点特征随机转换、和所述参考异常特征序列中的参考异常特征经时空节点特征随机转换得到的时空节点转换参考特征中的至少两个时空节点转换参考特征之间的混合，生成所述参考异常特征序列对应的混合异常特征序列，包括：对所述参考异常特征序列中的各个参考异常特征进行时空节点特征随机转换，生成第一时空节点转换特征序列；将所述第一时空节点转换特征序列中的时空节点转换参考特征基于预设特征排列规律的置乱处理，生成第二时空节点转换特征序列，并且将所述第一时空节点转换特征序列中的每个时空节点转换参考特征与所述第二时空节点转换特征序列中的对应一个时空节点转换参考特征混合，生成第三时空节点转换特征序列，作为所述参考异常特征序列对应的混合异常特征序列；或者对所述参考异常特征序列中的参考异常特征进行基于预设特征排列规律的置乱处理，生成所述参考异常特征序列对应的置乱异常特征序列；对所述参考异常特征序列中的各个参考异常特征以及所述置乱异常特征序列中的各个参考异常特征进行时空节点特征随机转换，以分别得到第一时空节点转换特征序列和第二时空节点转换特征序列；将所述第一时空节点转换特征序列中的每个时空节点转换参考特征与所述第二时空节点转换特征序列中的对应一个时空节点转换参考特征混合，生成第三时空节点转换特征序列，作为所述参考异常特征序列对应的混合异常特征序列。
14.譬如，在第一方面的一种可能的实施方式中，还包括：确定所述参考异常特征序列中的参考异常特征数量是否大于预设数量，和/或衍生维度数量是否大于预设维度数量；在确定所述参考异常特征序列中的参考异常特征数量不大于预设数量和/或所述衍生维度数量不大于预设维度数量时，依据所述参考异常特征序列中的参考异常特征的时空节点特征随机转换、和所述参考异常特征序列中的参考异常特征经时空节点特征随机转换得到的时空节点转换参考特征中的至少两个时空节点转换参考特征之间的混合，生成所述参考异常特征序列对应的混合异常特征序列，并基于所述参考异常特征序列及所述参考异常特征序列对应的混合异常特征序列，生成所述参考异常特征序列的衍生参考异常特征序列。
15.譬如，在第一方面的一种可能的实施方式中，每个参考异常特征序列中的每个参
考异常特征包括多个通道的通道特征，其中，对所述参考异常特征序列中的各个参考异常特征进行时空节点特征随机转换，生成第一时空节点转换特征序列，包括：针对每个参考异常特征，对所述参考异常特征包括的多个通道的通道特征分别进行时空节点特征随机转换，确定包括与多个通道一一对应的多个时空节点转换映射特征的特征分布，其中所述特征分布作为所述参考异常特征对应的时空节点转换参考特征；将所述参考异常特征序列中的各个参考异常特征各自对应的时空节点转换参考特征作为所述参考异常特征序列的第一时空节点转换特征序列。
16.譬如，在第一方面的一种可能的实施方式中，将所述第一时空节点转换特征序列中的时空节点转换参考特征基于预设特征排列规律的置乱处理，生成第二时空节点转换特征序列，包括：对所述第一时空节点转换特征序列的时空节点转换参考特征进行排列；基于所述预设特征排列规律抽取所述第一时空节点转换特征序列中的各个时空节点转换参考特征，并按照所述预设特征排列规律对各个时空节点转换参考特征进行置乱处理，以得到第二时空节点转换特征序列。
17.譬如，在第一方面的一种可能的实施方式中，将所述第一时空节点转换特征序列中的每个时空节点转换参考特征与所述第二时空节点转换特征序列中的对应一个时空节点转换参考特征混合，生成第三时空节点转换特征序列，包括：将作为所述第一时空节点转换特征序列中第i个时空节点转换参考特征的特征分布与作为所述第二时空节点转换特征序列中的第i个时空节点转换参考特征的特征分布的时空节点转换映射特征按通道分别进行混合，确定序号i对应的新的特征分布，1≤i≤n；将各个序号对应的各个新的特征分布作为所述第三时空节点转换特征序列。
18.第二方面，本技术实施例还提供一种针对云业务服务异常优化的大数据分析系统，所述针对云业务服务异常优化的大数据分析系统包括ai分析系统和与所述ai分析系统通信连接的多个云服务软件服务系统；所述ai分析系统，用于：对包含目标云服务异常事件以及目标页面运行节点的异常关系属性图进行特征提取，确定所述目标云服务异常事件的第一图关系特征以及所述目标页面运行节点的第二图关系特征；对包含所述目标云服务异常事件的事件联动关系图进行特征提取，确定所述目标云服务异常事件的第三图关系特征；依据所述第一图关系特征、所述第二图关系特征、所述第三图关系特征以及所述目标云服务异常事件的先验异常大数据进行异常优化决策，确定所述目标页面运行节点对应所述目标云服务异常事件的异常优化决策信息；依据所述目标页面运行节点对应所述目标云服务异常事件的异常优化决策信息对所述目标页面运行节点进行异常优化。
19.呈上任意一个方面所述，通过从异常关系属性图中确定第一图关系特征以及目标页面运行节点的第二图关系特征，从事件联动关系图中确定目标云服务异常事件的第三图关系特征，并依据第一图关系特征、第二图关系特征、第三图关系特征以及目标云服务异常事件的先验异常大数据综合维度的图关系特征数据进行异常优化决策，由此通过多维度的
图关系特征数据进行异常优化决策，可以提高异常优化决策信息的准确性，进而提高后续云服务页面运行的稳定性。
附图说明
20.图1为本发明实施例提供的针对云业务服务异常优化的大数据分析方法的流程示意图。
具体实施方式
21.下面介绍本发明一种实施例提供的针对云业务服务异常优化的大数据分析系统10的架构，该针对云业务服务异常优化的大数据分析系统10可以包括ai分析系统100以及与ai分析系统100通信连接的云服务软件服务系统200。其中，针对云业务服务异常优化的大数据分析系统10中的ai分析系统100和云服务软件服务系统200可以结合配合执行以下方法实施例所描述的针对云业务服务异常优化的大数据分析方法，具体ai分析系统100和云服务软件服务系统200的执行步骤部分可以参照以下方法实施例的详细描述。
22.本实施例提供的针对云业务服务异常优化的大数据分析方法可以由ai分析系统100执行，下面结合图1对该针对云业务服务异常优化的大数据分析方法进行详细介绍。
23.process101中，对包含目标云服务异常事件以及目标页面运行节点的异常关系属性图进行特征提取，确定目标云服务异常事件的第一图关系特征以及目标页面运行节点的第二图关系特征。
24.其中，异常关系属性图可以以二分异质图联合关系属性的形式进行表达，例如可以包括两种类型实体的关系网络图，即包括云服务异常事件节点以及页面运行节点实体，云服务异常事件实体为用于表征云服务异常事件（也即云服务运行过程中存在异常状态的运行事件）的实体（即异常关系属性图中的云服务异常事件），页面运行节点实体为用于表征页面运行节点（也即用于支撑云服务页面运行服务的软件实例）的实体（即异常关系属性图中的页面运行节点），异常关系属性图包括多个云服务异常事件实体以及多个页面运行节点实体，其中，目标云服务异常事件对应异常关系属性图中的任意云服务异常事件实体，目标页面运行节点为异常关系属性图中的任意页面运行节点实体。其中，异常关系属性图中的任意云服务异常事件可称为云服务异常事件实体，异常关系属性图中的任意页面运行节点可称为页面运行节点实体。
25.例如，依据云服务异常事件与页面运行节点的会话活动，构建异常关系属性图，并将异常关系属性图输入图神经网络模型中，以提取涵盖有云服务异常事件与页面运行节点的会话活动的目标云服务异常事件的第一图关系特征（例如云服务异常事件的会话活动图特征）以及目标页面运行节点的第二图关系特征（页面运行节点的会话活动图特征）。
26.例如，当云服务异常事件1与页面运行节点3、页面运行节点4有会话活动时，则构建异常关系属性图中云服务异常事件1与页面运行节点3、页面运行节点4之间的连接链路，例如当页面运行节点为电商互动页面节点时，则云服务异常事件1渗透了电商互动页面节点3、电商互动页面节点4。
27.一些示例性的设计思路中，process101可以通过下述process1011-process1015实现：
process1011中，确定异常关系属性图中目标云服务异常事件的连接页面运行节点、以及异常关系属性图中目标页面运行节点的连接云服务异常事件；process1012中，对目标云服务异常事件的连接页面运行节点进行多层隐含层特征提取，确定目标云服务异常事件的多个云服务异常事件特征；process1013中，对多个云服务异常事件特征进行融合，确定目标云服务异常事件的第一图关系特征；process1014中，对目标页面运行节点的连接云服务异常事件进行多层隐含层特征提取，确定目标页面运行节点的多个页面运行节点特征；process1015中，对多个页面运行节点特征进行融合，确定目标页面运行节点的第二图关系特征。
28.其中，连接页面运行节点表征异常关系属性图中与目标云服务异常事件相邻的页面运行节点，连接云服务异常事件表征异常关系属性图中与目标页面运行节点相邻的云服务异常事件。
29.例如，通过在异常关系属性图上平滑特征，从而准确学习实体表示（即异常关系属性图中实体（页面运行节点或云服务异常事件）的特征），为了大于此目的，迭代的聚合关联实体（与目标实体相邻的实体称为关联实体，当目标实体为目标云服务异常事件时，关联实体为连接页面运行节点；当目标实体为目标页面运行节点时，关联实体为连接云服务异常事件）的特征作为新的实体表示，例如，对目标云服务异常事件的连接页面运行节点进行多次（大于或等于2次）隐含层特征提取，确定目标云服务异常事件的多个云服务异常事件特征，并对多个云服务异常事件特征进行融合，确定目标云服务异常事件的第一图关系特征（第一图关系特征表征目标云服务异常事件在异常关系属性图中的嵌入图特征），从而迭代地从连接页面运行节点聚合特征作为目标云服务异常事件实体的表示；对目标页面运行节点的连接云服务异常事件进行多层隐含层特征提取，确定目标页面运行节点的多个页面运行节点特征，并对多个页面运行节点特征进行融合，确定目标页面运行节点的第二图关系特征（第二图关系特征表征目标页面运行节点在异常关系属性图中的嵌入图特征），从而迭代地聚合连接云服务异常事件的特征作为目标云服务异常事件的实体表示。
30.一些示例性的设计思路中，隐含层特征提取是基于节点关系推理网络实现的，节点关系推理网络之间配置映射互联关系；对目标云服务异常事件的连接页面运行节点进行多层隐含层特征提取，确定目标云服务异常事件的多个云服务异常事件特征的步骤，具体包括：通过映射互联形式的实体关系推理网络中的首个节点关系推理网络，对目标云服务异常事件的连接页面运行节点的初始页面运行节点特征进行规则化转换，确定目标云服务异常事件在首个节点关系推理网络的云服务异常事件特征；将目标云服务异常事件在首个节点关系推理网络的云服务异常事件特征加载至下个映射互联的实体关系推理网络，通过下个映射互联的实体关系推理网络继续进行规则化转换，确定目标云服务异常事件在下个映射互联的实体关系推理网络的云服务异常事件特征；对目标页面运行节点的连接云服务异常事件进行多层隐含层特征提取，确定目标页面运行节点的多个页面运行节点特征的步骤，具体包括：通过映射互联形式的实体关系推理网络中的首个节点关系推理网络，对目标页面运行节点的连接云服务异常事件的初始云服务异常事件特征进行规则化转换，确定目标页面运行节点在首个节点关系推理网络的页面运行节点特征；将目标页面运行节点在首个节点关系推理网络的页面运行节点特征加载至下个映射互联的实体关系推理网络，通过下个映射互联的实体关系推理网络继续进行规则化转换，确定目标页面运行节点在下个映
射互联的实体关系推理网络的页面运行节点特征。
31.其中，在经过一层的实体关系推理网络的计算后，对云服务异常事件特征或页面运行节点特征的分析和学习可以更进一步，经过多层节点关系推理网络的计算，就能够逐步准确学习到云服务异常事件特征或页面运行节点特征。通过映射互联形式的处理，能够获取准确性逐步提高的云服务异常事件特征或页面运行节点特征。
32.例如，通过多个映射互联的实体关系推理网络对目标云服务异常事件的连接页面运行节点（对应连接页面运行节点实体）进行规则化转换，从而迭代地聚合连接页面运行节点的特征。例如，通过映射互联形式的实体关系推理网络中的首个节点关系推理网络，对目标云服务异常事件的连接页面运行节点的初始页面运行节点特征进行规则化转换，确定目标云服务异常事件在首个节点关系推理网络的云服务异常事件特征，将目标云服务异常事件在首个节点关系推理网络的云服务异常事件特征加载至第二个节点关系推理网络，对目标云服务异常事件的连接页面运行节点在首个节点关系推理网络的页面运行节点特征进行规则化转换，确定目标云服务异常事件在第二个节点关系推理网络的云服务异常事件特征，多个映射互联的实体关系推理网络分别执行以上步骤，从而得到目标云服务异常事件的多个云服务异常事件特征。其中，初始页面运行节点特征表示异常关系属性图中所有的页面运行节点实体。
33.例如，通过多个映射互联的实体关系推理网络对目标页面运行节点的连接云服务异常事件（对应连接云服务异常事件实体）进行规则化转换，从而迭代地聚合连接云服务异常事件的特征。例如，通过映射互联形式的实体关系推理网络中的首个节点关系推理网络，对目标页面运行节点的连接云服务异常事件的初始云服务异常事件特征进行规则化转换，确定目标页面运行节点在首个节点关系推理网络的页面运行节点特征，将目标页面运行节点在首个节点关系推理网络的页面运行节点特征加载至第二个节点关系推理网络，对目标页面运行节点的连接云服务异常事件在首个节点关系推理网络的云服务异常事件特征进行规则化转换，确定目标页面运行节点在第二个节点关系推理网络的页面运行节点特征，多个映射互联的实体关系推理网络依次执行上述操作，从而得到目标页面运行节点的多个页面运行节点特征。其中，初始云服务异常事件特征表示异常关系属性图中所有的云服务异常事件实体。
34.一些示例性的设计思路中，通过下个映射互联的实体关系推理网络继续进行规则化转换，确定目标云服务异常事件在下个映射互联的实体关系推理网络的云服务异常事件特征的步骤，具体包括：通过映射互联形式的实体关系推理网络的第x个节点关系推理网络实施下述步骤：针对目标云服务异常事件的多个连接页面运行节点中的第y个连接页面运行节点实施下述步骤：确定第y个连接页面运行节点在第x-1个节点关系推理网络的页面运行节点特征；确定第y个连接页面运行节点的连接数量以及目标云服务异常事件的连接数量；依据第y个连接页面运行节点的连接数量以及目标云服务异常事件的连接数量，对第y个连接页面运行节点在第x个节点关系推理网络的页面运行节点特征进行规则化转换，确定第y个连接页面运行节点的规则化转换特征；对多个连接页面运行节点分别对应的规则化转换特征进行聚合，确定目标云服务异常事件在第x个节点关系推理网络的云服务异常事件特征；其中，x为递增的自然数且取值范围为1《x≤j，j为节点关系推理网络的数量，j为大于1的正整数，y为递增的自然数且取值范围为1≤y≤m，m为连接页面运行节点的数量，m
为正整数。
35.其中，节点关系推理网络的规则化转换过程如以下公式所示，其中，表示目标云服务异常事件在第x个节点关系推理网络（即第x次图卷积操作）的云服务异常事件特征（即节点表示），表示第y个连接页面运行节点在第x-1个节点关系推理网络的页面运行节点特征，表示目标云服务异常事件的连接数量（即目标云服务异常事件的连接页面运行节点的数量），表示第y个连接页面运行节点的连接数量（即第y个连接页面运行节点的连接云服务异常事件的数量）。
36.一些示例性的设计思路中，通过下个映射互联的实体关系推理网络继续进行规则化转换，确定目标页面运行节点在下个映射互联的实体关系推理网络的页面运行节点特征的步骤，具体包括：通过映射互联形式的实体关系推理网络的第x个节点关系推理网络实施下述步骤：针对目标页面运行节点的多个连接云服务异常事件中的第y个连接云服务异常事件实施下述步骤：确定第y个连接云服务异常事件在第x-1个节点关系推理网络的云服务异常事件特征；确定第y个连接云服务异常事件的连接数量以及目标页面运行节点的连接数量；依据第y个连接云服务异常事件的连接数量以及目标页面运行节点的连接数量，对第y个连接云服务异常事件在第x个节点关系推理网络的云服务异常事件特征进行规则化转换，确定第y个连接云服务异常事件的规则化转换特征；对多个连接云服务异常事件分别对应的规则化转换特征进行聚合，确定目标页面运行节点在第x个节点关系推理网络的页面运行节点特征；其中，x为递增的自然数且取值范围为1《x≤n，n为节点关系推理网络的数量，n为大于1的正整数，y为递增的自然数且取值范围为1≤y≤m，m为连接云服务异常事件的数量，m为正整数。
37.一些示例性的设计思路中，对多个页面运行节点特征进行融合，确定目标页面运行节点的第二图关系特征的步骤，具体包括：对多个页面运行节点特征进行加权融合，确定目标页面运行节点的第二图关系特征；对多个云服务异常事件特征进行融合，确定目标云服务异常事件的第一图关系特征的步骤，具体包括：对多个云服务异常事件特征进行加权融合，确定目标页面运行节点的第一图关系特征。
38.一些示例性的设计思路中，对包含目标云服务异常事件以及目标页面运行节点的异常关系属性图进行特征提取，确定目标云服务异常事件的第一图关系特征以及目标页面运行节点的第二图关系特征的步骤，具体包括：确定异常关系属性图的顶点间关系图；依据顶点间关系图对异常关系属性图进行多层隐含层特征提取，确定异常关系属性图的多个隐含层特征；对多个隐含层特征进行融合，确定异常关系属性图的目标隐含层特征；依据目标云服务异常事件在目标隐含层特征的特征点，从目标隐含层特征中确定目标云服务异常事件的第一图关系特征；依据目标页面运行节点在目标隐含层特征的特征点，从目标隐含层特征中确定目标页面运行节点的第二图关系特征。
39.例如，为了能够快速计算异常关系属性图中所有节点表示，可通过阵列形式进行计算，顶点间关系图是二分图异质图的一种阵列形式。依据顶点间关系图对异常关系属性图进行多层隐含层特征提取，确定异常关系属性图的多个隐含层特征，对多个隐含层特征进行融合，确定异常关系属性图的目标隐含层特征（即最后的隐含层特征），依据目标云服务异常事件在目标隐含层特征的特征点，从目标隐含层特征中确定目标云服务异常事件的第一图关系特征，依据目标页面运行节点在目标隐含层特征的特征点，对多个隐含层特征
进行融合，确定异常关系属性图的目标隐含层特征。
40.一些示例性的设计思路中，隐含层特征提取是基于节点关系推理网络实现的，节点关系推理网络之间配置映射互联关系；依据顶点间关系图对异常关系属性图进行多层隐含层特征提取，确定异常关系属性图的多个隐含层特征的步骤，具体包括：通过映射互联形式的实体关系推理网络中的首个节点关系推理网络，对异常关系属性图的初始隐含层特征以及顶点间关系图进行规则化特征提取，确定异常关系属性图在首个节点关系推理网络的隐含层特征；将异常关系属性图在首个节点关系推理网络的隐含层特征加载至下个映射互联的实体关系推理网络，通过下个映射互联的实体关系推理网络继续进行规则化特征提取，确定异常关系属性图在下个映射互联的实体关系推理网络的隐含层特征。
41.例如，对异常关系属性图的初始隐含层特征以及顶点间关系图进行规则化特征提取，确定异常关系属性图在首个节点关系推理网络的隐含层特征，将异常关系属性图在首个节点关系推理网络的隐含层特征加载至第二个节点关系推理网络，对异常关系属性图在首个节点关系推理网络的隐含层特征以及顶点间关系图进行规则化特征提取，确定异常关系属性图在第二个节点关系推理网络的隐含层特征，多个映射互联的实体关系推理网络依次执行上述操作，从而得到异常关系属性图的多个隐含层特征。
42.一些示例性的设计思路中，通过下个映射互联的实体关系推理网络继续进行规则化特征提取，确定异常关系属性图在下个映射互联的实体关系推理网络的隐含层特征的步骤，具体包括：通过映射互联形式的实体关系推理网络的第z个节点关系推理网络实施下述步骤：确定异常关系属性图的连接数量阵列；依据异常关系属性图的连接数量阵列对顶点间关系图进行规则化转换，确定规则化转换后的顶点间关系图；对规则化转换后的顶点间关系图、以及异常关系属性图在第z-1个节点关系推理网络的隐含层特征进行图卷积特征提取，确定异常关系属性图在第z个节点关系推理网络的隐含层特征；其中，z为递增的自然数且取值范围为1《z≤k，k为节点关系推理网络的数量，k为大于1的正整数。
43.一些示例性的设计思路中，对多个隐含层特征进行融合，确定异常关系属性图的目标隐含层特征的步骤，具体包括：对多个隐含层特征进行加权融合，确定异常关系属性图的目标隐含层特征。
44.process102中，对包含目标云服务异常事件的事件联动关系图进行特征提取，确定目标云服务异常事件的第三图关系特征。
45.其中，事件联动关系图（同质图）是指包括一种类型实体的图网络，即包括云服务异常事件（例如云服务异常事件）实体，云服务异常事件实体为用于表征云服务异常事件的实体，二同质图包括多个云服务异常事件实体，其中，目标云服务异常事件对应同质图中的任意云服务异常事件实体。
46.例如，依据云服务异常事件之间的联动触发关系链，构建同质图，并将同质图输入图注意力网络，以提取聚合有联动触发关系信息的目标云服务异常事件的第三图关系特征。
47.如图7所示，当云服务异常事件1与云服务异常事件5、云服务异常事件7有联动触发关系时，则构建同质图中云服务异常事件1与云服务异常事件5、云服务异常事件7之间的边。
48.process102可以通过process1021-process1023实现：
process1021中，确定事件联动关系图中目标云服务异常事件的多个联动连接云服务异常事件；process1022中，对目标云服务异常事件以及每个联动连接云服务异常事件分别进行图关系特征提取，确定目标云服务异常事件的事件图关系特征以及联动连接云服务异常事件的事件图关系特征；process1023中，对目标云服务异常事件的事件图关系特征以及每个联动连接云服务异常事件的事件图关系特征进行基于惩罚项的特征选择处理，确定目标云服务异常事件的第三图关系特征。
49.一些示例性的设计思路中，对目标云服务异常事件的事件图关系特征以及每个联动连接云服务异常事件的事件图关系特征进行基于惩罚项的特征选择处理，确定目标云服务异常事件的第三图关系特征的步骤，具体包括：对目标云服务异常事件的事件图关系特征以及每个联动连接云服务异常事件的事件图关系特征进行基于惩罚项的特征选择决策，确定目标云服务异常事件与每个联动连接云服务异常事件之间的关注影响力值；依据每个联动连接云服务异常事件的事件图关系特征以及关注影响力值，生成目标云服务异常事件的第三图关系特征。
50.一些示例性的设计思路中，对目标云服务异常事件的事件图关系特征以及每个联动连接云服务异常事件的事件图关系特征进行基于惩罚项的特征选择决策，确定目标云服务异常事件与每个联动连接云服务异常事件之间的关注影响力值的步骤，具体包括：对目标云服务异常事件的事件图关系特征以及每个联动连接云服务异常事件的事件图关系特征进行非线性映射处理，确定目标云服务异常事件与每个联动连接云服务异常事件之间的关注权重；对目标云服务异常事件与每个联动连接云服务异常事件之间的关注权重进行规则化转换，确定目标云服务异常事件与每个联动连接云服务异常事件之间的关注影响力值。
51.一些示例性的设计思路中，依据每个联动连接云服务异常事件的事件图关系特征以及关注影响力值，生成目标云服务异常事件的第三图关系特征的步骤，具体包括：依据关注影响力值对每个联动连接云服务异常事件的事件图关系特征进行加权融合，确定目标云服务异常事件的加权融合特征；对目标云服务异常事件的加权融合特征进行映射处理，确定目标云服务异常事件的第三图关系特征。
52.其中，映射处理可通过激活函数实现，目标云服务异常事件的第三图关系特征即云服务异常事件依据联动触发关系链的图嵌入表示。
53.process103中，依据第一图关系特征、第二图关系特征、第三图关系特征以及目标云服务异常事件的先验异常大数据进行异常优化决策，确定目标页面运行节点对应目标云服务异常事件的异常优化决策信息。
54.例如，依据第一图关系特征、第二图关系特征、第三图关系特征以及目标云服务异常事件的先验异常大数据综合维度的图关系特征数据进行异常优化决策，由此通过多维度的图关系特征数据进行异常优化决策，可以提高异常优化决策信息的准确性，进而提高后续云服务页面运行的稳定性。
55.一些示例性的设计思路中，依据第一图关系特征、第二图关系特征、第三图关系特征以及目标云服务异常事件的先验异常大数据进行异常优化决策，确定目标页面运行节点对应目标云服务异常事件的异常优化决策信息的步骤，具体包括：获取目标云服务异常事件的先验异常大数据；对目标云服务异常事件的先验异常大数据进行特征线性映射，确定
目标云服务异常事件的先验异常特征；对第一图关系特征、第二图关系特征、第三图关系特征以及先验异常特征进行融合，确定融合特征；对融合特征进行异常优化决策，确定目标页面运行节点对应目标云服务异常事件的异常优化决策信息。
56.其中，目标云服务异常事件的先验异常大数据可以是目标云服务异常事件的历史异常状态数据构成的记录数据集合。通过深度神经网络构建的多层感知机对目标云服务异常事件的先验异常大数据进行特征线性映射，确定目标云服务异常事件的先验异常特征（先验异常大数据的特征表示）。将第一图关系特征、第二图关系特征、第三图关系特征以及先验异常特征进行融合后，通过异常知识点定位模型对融合特征进行异常优化决策，确定目标页面运行节点对应目标云服务异常事件的异常优化决策信息。
57.process104中，依据目标页面运行节点对应目标云服务异常事件的异常优化决策信息对所述目标页面运行节点进行异常优化。
58.其中，异常优化决策信息可以表征目标页面运行节点对应目标云服务异常事件的一个或者多个异常知识点，异常知识点可以是指目标页面运行节点所对应软件运行程序中存在的运行缺陷（bug）点，从而可以从云端修复库中获取每个异常知识点所对应的修复补丁数据，进而基于修复补丁数据对所述目标页面运行节点进行异常优化。
59.下面介绍本技术另一实施例所提供的基于人工智能的异常优化决策方法，包括以下步骤。
60.步骤s110，获取多个参考异常特征序列作为训练样本数据序列，每个参考异常特征序列与先验异常知识点对应，每个所述参考异常特征序列包括第一参考图关系特征、第二参考图关系特征、第三参考图关系特征以及参考先验异常特征，其中，所述第一参考图关系特征为参考异常关系属性图中的参考云服务异常事件的图关系特征，所述第二参考图关系特征为参考异常关系属性图中的参考页面运行节点的图关系特征，所述第三参考图关系特征为所述参考云服务异常事件的事件联动关系图，所述参考先验异常特征为参考云服务异常事件的参考先验异常大数据的先验异常特征；步骤s120，对于多个参考异常特征序列中的每个参考异常特征序列，依据所述参考异常特征序列中的参考异常特征进行时空节点特征随机转换、和所述参考异常特征序列中的参考异常特征经时空节点特征随机转换得到的时空节点转换参考特征中的至少两个时空节点转换参考特征之间的混合，生成所述参考异常特征序列对应的混合异常特征序列；步骤s130，对所述参考异常特征序列对应的混合异常特征序列中的各个时空节点转换参考特征进行序列前向选择，确定参考重定向异常特征序列，并将参考重定向异常特征序列加载至所述参考异常特征序列中，获得所述参考异常特征序列的衍生参考异常特征序列；步骤s140，基于多个参考异常特征序列的多个衍生参考异常特征序列，训练用于异常知识点决策的异常知识点决策模型，其中，训练后的异常知识点决策模型对目标融合特征进行异常知识点决策，获得对应于目标云服务异常事件的异常优化决策信息。
61.一种可能的实施方式中，在步骤s120中，可以对所述参考异常特征序列中的各个参考异常特征进行时空节点特征随机转换，生成第一时空节点转换特征序列，将所述第一时空节点转换特征序列中的时空节点转换参考特征基于预设特征排列规律的置乱处理，生
成第二时空节点转换特征序列，并且将所述第一时空节点转换特征序列中的每个时空节点转换参考特征与所述第二时空节点转换特征序列中的对应一个时空节点转换参考特征混合，生成第三时空节点转换特征序列，作为所述参考异常特征序列对应的混合异常特征序列。
62.或者另一种可能的实施方式中，在步骤s120中，可以对所述参考异常特征序列中的参考异常特征进行基于预设特征排列规律的置乱处理，生成所述参考异常特征序列对应的置乱异常特征序列，然后对所述参考异常特征序列中的各个参考异常特征以及所述置乱异常特征序列中的各个参考异常特征进行时空节点特征随机转换，以分别得到第一时空节点转换特征序列和第二时空节点转换特征序列，最后将所述第一时空节点转换特征序列中的每个时空节点转换参考特征与所述第二时空节点转换特征序列中的对应一个时空节点转换参考特征混合，生成第三时空节点转换特征序列，作为所述参考异常特征序列对应的混合异常特征序列。
63.在一种可能的实施方式中，本实施例还可以确定所述参考异常特征序列中的参考异常特征数量是否大于预设数量，和/或衍生维度数量是否大于预设维度数量，在确定所述参考异常特征序列中的参考异常特征数量不大于预设数量和/或所述衍生维度数量不大于预设维度数量时，依据所述参考异常特征序列中的参考异常特征的时空节点特征随机转换、和所述参考异常特征序列中的参考异常特征经时空节点特征随机转换得到的时空节点转换参考特征中的至少两个时空节点转换参考特征之间的混合，生成所述参考异常特征序列对应的混合异常特征序列，并基于所述参考异常特征序列及所述参考异常特征序列对应的混合异常特征序列，生成所述参考异常特征序列的衍生参考异常特征序列。
64.在一种可能的实施方式中，每个参考异常特征序列中的每个参考异常特征包括多个通道的通道特征，其中，对所述参考异常特征序列中的各个参考异常特征进行时空节点特征随机转换，生成第一时空节点转换特征序列，包括：针对每个参考异常特征，对所述参考异常特征包括的多个通道的通道特征分别进行时空节点特征随机转换，确定包括与多个通道一一对应的多个时空节点转换映射特征的特征分布，其中所述特征分布作为所述参考异常特征对应的时空节点转换参考特征；将所述参考异常特征序列中的各个参考异常特征各自对应的时空节点转换参考特征作为所述参考异常特征序列的第一时空节点转换特征序列。
65.在一种可能的实施方式中，将所述第一时空节点转换特征序列中的时空节点转换参考特征基于预设特征排列规律的置乱处理，生成第二时空节点转换特征序列，包括：对所述第一时空节点转换特征序列的时空节点转换参考特征进行排列；基于所述预设特征排列规律抽取所述第一时空节点转换特征序列中的各个时空节点转换参考特征，并按照所述预设特征排列规律对各个时空节点转换参考特征进行置乱处理，以得到第二时空节点转换特征序列。
66.在一种可能的实施方式中，将所述第一时空节点转换特征序列中的每个时空节点转换参考特征与所述第二时空节点转换特征序列中的对应一个时空节点转换参考特征混合，生成第三时空节点转换特征序列，包括：将作为所述第一时空节点转换特征序列中第i个时空节点转换参考特征的特征分布与作为所述第二时空节点转换特征序列中的第i个时空节点转换参考特征的特征分布的时空节点转换映射特征按通道分别进行混合，确定序号
i对应的新的特征分布，1≤i≤n；将各个序号对应的各个新的特征分布作为所述第三时空节点转换特征序列。
67.针对一些可能的实施方式而言，ai分析系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。
68.处理器110可以通过存储在机器可读存储介质120中的程序而执行各种适当的动作和处理，例如前述实施例所描述的针对云业务服务异常优化的大数据分析方法所相关的程序指令。处理器110、机器可读存储介质120以及通信单元140通过总线130进行信号传输。
69.特别地，基于本发明的实施例，上文示例性流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信单元140从网络上被下载和安装，在该计算机程序被处理器110执行时，执行本发明实施例的方法中限定的上述功能。
70.本发明又一实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上述任意一个实施例所述的针对云业务服务异常优化的大数据分析方法。
71.本发明又一实施例还提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上述任意一个实施例所述的针对云业务服务异常优化的大数据分析方法。
72.以上所述仅是本技术部分实施场景的可选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术的方案技术构思的前提下，采用基于本技术技术思想的其它类似实施手段，同样属于本技术实施例的保护范畴。