基于人工智能的数据复制容灾方法及容灾系统技术方案

本发明专利技术实施例提供的一种基于人工智能的数据复制容灾方法及容灾系统，鉴于通过每一专家系统模型对应的模型性能评分，从若干个专家系统模型中确定处理当前初始业务应用大数据的目标专家系统模型，能够确保若干个专家系统模型的兼容稳定，在全局上提高方案的处理时效性；此外，通过第一事件要素关系集和第二事件要素关系集的上下游关系，在进行事件要素特征确定时，可以综合分析不同层次的事件要素关系集，不仅可以提高事件要素特征确定的精度和时效性，还能够规避对事件要素关系集进行修改。还能够规避对事件要素关系集进行修改。还能够规避对事件要素关系集进行修改。

【技术实现步骤摘要】
基于人工智能的数据复制容灾方法及容灾系统


[0001]本专利技术涉及数据处理
，特别涉及一种基于人工智能的数据复制容灾方法及容灾系统。

技术介绍

[0002]数据容灾，本质上是异地的数据系统的创建技术，该数据系统是本地关键应用数据的一个实时复制。现目前正跨入信息时代，数据和信息逐渐成为各行各业的业务基础和命脉。如何实现业务数据的共享并在现有业务数据之上建立新兴的增值应用，如数据仓库、客户关系管理等，已经成为了各企业建立信息系统的关键所在。因此，通过数据容灾保护数据安全和提高数据的持续可用性非常重要。

技术实现思路

[0003]为改善相关技术中存在的技术问题，本专利技术提供了一种基于人工智能的数据复制容灾方法及容灾系统。
[0004]第一方面，本专利技术实施例提供了一种基于人工智能的数据复制容灾方法，应用于基于人工智能的数据复制容灾系统，所述方法包括：获得达到要素挖掘条件的初始业务应用大数据；所述初始业务应用大数据是对处于目标业务会话进程的选定应用交互事件进行数据采集得到的业务应用大数据；在若干个专家系统模型中，通过各所述专家系统模型的模型性能评分确定目标专家系统模型；所述模型性能评分用作反映所述专家系统模型当前的项目应对质量；获得所述目标业务会话进程对应的存在上下游关系的第一事件要素关系集和第二事件要素关系集；所述第二事件要素关系集包含所述第一事件要素关系集；基于采用所述目标专家系统模型和所述初始业务应用大数据从所述第一事件要素关系集中未确定所述选定应用交互事件的事件要素特征，采用所述目标专家系统模型和所述初始业务应用大数据从所述第二事件要素关系集中确定所述选定应用交互事件的事件要素特征。
[0005]可见，鉴于通过每一专家系统模型对应的模型性能评分，从若干个专家系统模型中确定处理当前初始业务应用大数据的目标专家系统模型，能够确保若干个专家系统模型的兼容稳定，在全局上提高方案的处理时效性；此外，通过第一事件要素关系集和第二事件要素关系集的上下游关系，在进行事件要素特征确定时，可以综合分析不同层次的事件要素关系集，不仅可以提高事件要素特征确定的精度和时效性，还能够规避对事件要素关系集进行修改。
[0006]在一些示例性设计思路下，所述获得达到要素挖掘条件的初始业务应用大数据，包括：获得预设网页蜘蛛爬取的所述目标业务会话进程对应的若干个在线业务应用大数据；对所述在线业务应用大数据进行分团处理，得到所述选定应用交互事件对应的分团记录；所述分团记录包含所述选定应用交互事件对应的不少于一个候选业务应用大数据；通过设定的抽取规则，对所述不少于一个候选业务应用大数据进行抽取，得到所述初始业务应用大数据。
[0007]可见，鉴于对爬取的业务应用大数据进行分团处理，并从分团处理后的业务应用大数据中获得初始业务应用大数据，可以规避相同选定应用交互事件对应的若干个业务应用大数据都进行事件要素特征确定的问题，减少不必要的软硬件开销，能提高整体方案的时效性。
[0008]在一些示例性设计思路下，所述模型性能评分包括不少于一个描述层面的局部性能评分，所述在若干个专家系统模型中，通过各所述专家系统模型的模型性能评分确定目标专家系统模型，包括：获得各所述专家系统模型对应的不少于一个描述层面的局部性能评分；所述局部性能评分用于在一个所述描述层面下反映所述专家系统模型的项目应对质量；通过所述不少于一个描述层面的局部性能评分，对所述若干个专家系统模型进行抽取，得到所述目标专家系统模型。
[0009]在一些示例性设计思路下，所述通过所述不少于一个描述层面的局部性能评分，对所述若干个专家系统模型进行抽取，得到所述目标专家系统模型，包括：获得各所述描述层面对应的评分限值；遍历各所述专家系统模型，在当前专家系统模型中各所述描述层面的局部性能评分都达到对应的评分限值的基础上，将所述当前专家系统模型作为所述目标专家系统模型。
[0010]在一些示例性设计思路下，所述通过所述不少于一个描述层面的局部性能评分，对所述若干个专家系统模型进行抽取，得到所述目标专家系统模型，包括：获得各所述描述层面对应的设定性能指标；针对各所述专家系统模型，通过所述专家系统模型中各所述描述层面的局部性能评分和对应的设定性能指标，得到所述专家系统模型对应的请求应答时效评分；通过所述请求应答时效评分，在所述若干个专家系统模型中确定所述目标专家系统模型。
[0011]在一些示例性设计思路下，所述局部性能评分包括如下一项或多项：闲置空间变量、运算开销指数、联合分析准确度；所述通过所述不少于一个描述层面的局部性能评分，对所述若干个专家系统模型进行抽取，得到所述目标专家系统模型包括：从所述若干个专家系统模型中遍历当前专家系统模型；判别所述当前专家系统模型是否存在所述闲置空间变量；在所述当前专家系统模型存在所述闲置空间变量的基础上，判别所述当前专家系统模型的运算开销指数是否达到运算开销指数限值；在所述当前专家系统模型的运算开销指数达到运算开销指数限值的基础上，判别所述当前专家系统模型的联合分析准确度是否达到准确度限值；在所述当前专家系统模型的联合分析准确度达到准确度限值的基础上，将所述当前专家系统模型作为所述目标专家系统模型；其中，在所述当前专家系统模型的任何一个描述层面的局部性能评分没有达到对应评分限值的基础上，从所述若干个专家系统模型中遍历最新的当前专家系统模型，并判别所述最新的当前专家系统模型是否为所述目标专家系统模型。
[0012]可见，鉴于通过不少于一个描述层面的局部性能评分，对所述若干个专家系统模型进行抽取得到目标专家系统模型，可以提高对该初始业务应用大数据的事件要素特征的获得时效性，就若干个专家系统模型维度而言，能够确保联合模型的全局兼容稳定。
[0013]在一些示例性设计思路下，所述获得所述目标业务会话进程对应的存在上下游关系的第一事件要素关系集和第二事件要素关系集，包括：通过所述目标业务会话进程对应的应用场景标签，获得所述应用场景标签所对应的第一业务会话进程和第二业务会话进
程；所述第二业务会话进程的业务活动状态包含所述第一业务会话进程的业务活动状态；通过所述第一业务会话进程的业务活动状态确定所述第一业务会话进程对应的第一事件要素关系集，通过所述第二业务会话进程的业务活动状态确定所述第二业务会话进程对应的第二事件要素关系集；通过所述第一业务会话进程和所述第二业务会话进程分别对应的业务活动状态，确定所述第一事件要素关系集和所述第二事件要素关系集分别对应的上下游关系。
[0014]可见，鉴于通过业务活动状态的业务会话进程对应的设定要素关系集生成不同业务会话进程对应的事件要素关系集，可以在采用目标专家系统模型在当前上下游关系的事件要素关系集进行事件要素特征获得时，提高事件要素特征获得的正确率，进而规避重复遍历下一个事件要素关系集，提高了事件要素特征的获得时效性。
[0015]在一些示例性设计思路下，所述通过所述第一业务会话进程的业务活动状态确定所述第一业务会话进程对应的第一事件要素关系集，包括：通过所述第一业务会本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的数据复制容灾方法，其特征在于，应用于所述数据复制容灾系统，所述方法包括：通过目标业务会话进程对应的事件要素关系集，层次化地确定初始业务应用大数据中选定应用交互事件的事件要素特征；基于所述选定应用交互事件的事件要素特征，对所述初始业务应用大数据进行基于人工智能的数据复制容灾处理。2.根据权利要求1所述的方法，其特征在于，所述通过目标业务会话进程对应的事件要素关系集，层次化地确定初始业务应用大数据中选定应用交互事件的事件要素特征，包括：获得达到要素挖掘条件的初始业务应用大数据；其中，所述初始业务应用大数据是对处于目标业务会话进程的选定应用交互事件进行数据采集得到的业务应用大数据；在若干个专家系统模型中，通过各所述专家系统模型的模型性能评分确定目标专家系统模型；其中，所述模型性能评分用作反映所述专家系统模型当前的项目应对质量；获得所述目标业务会话进程对应的存在上下游关系的第一事件要素关系集和第二事件要素关系集；其中，所述第二事件要素关系集包含所述第一事件要素关系集；基于采用所述目标专家系统模型和所述初始业务应用大数据从所述第一事件要素关系集中未确定所述选定应用交互事件的事件要素特征，采用所述目标专家系统模型和所述初始业务应用大数据从所述第二事件要素关系集中确定所述选定应用交互事件的事件要素特征。3.根据权利要求2所述的方法，其特征在于，所述获得达到要素挖掘条件的初始业务应用大数据，包括：获得预设网页蜘蛛爬取的所述目标业务会话进程对应的若干个在线业务应用大数据；对所述在线业务应用大数据进行分团处理，得到所述选定应用交互事件对应的分团记录；其中，所述分团记录包含所述选定应用交互事件对应的不少于一个候选业务应用大数据；通过设定的抽取规则，对所述不少于一个候选业务应用大数据进行抽取，得到所述初始业务应用大数据。4.根据权利要求2所述的方法，其特征在于，所述模型性能评分包括不少于一个描述层面的局部性能评分，所述在若干个专家系统模型中，通过各所述专家系统模型的模型性能评分确定目标专家系统模型，包括：获得各所述专家系统模型对应的不少于一个描述层面的局部性能评分；其中，所述局部性能评分用于在一个所述描述层面下反映所述专家系统模型的项目应对质量；通过所述不少于一个描述层面的局部性能评分，对所述若干个专家系统模型进行抽取，得到所述目标专家系统模型。5.根据权利要求4所述的方法，其特征在于，所述通过所述不少于一个描述层面的局部性能评分，对所述若干个专家系统模型进行抽取，得到所述目标专家系统模型，包括：获得各所述描述层面对应的评分限值；遍历各所述专家系统模型，在当前专家系统模型中各所述描述层面的局部性能评分都达到对应的评分限值的基础上，将所述当前专家系统模型作为所述目标专家系统模型。6.根据权利要求6所述的方法，其特征在于，所述通过所述不少于一个描述层面的局部
性能评分，对所述若干个专家系统模型进行抽取，得到所述目标专家系统模型，包括：获得各所述描述层面对应的设定性能指标；针对各所述专家系统模型，通过所述专家系统模型中各所述描述层面的局部性能评分和对应的设定性能指标，得到所述专家系统模型对应的请求应答时效评分；通过所述请求应答时效评分，在所述若干个专家系统模型中确定所述目标专家系统模型。7.根据权利要求4所述的方法，其特征在于，所述局部性能评分包括如下一项或多项：闲置空间变量、运算开销指数、联合分析准确度；所述通过所述不少于一个描述层面的局部性能评分，对所述若干个专家系统模型进行抽取，得到所述目标专家系统模型包括：从所述若干个专家系统模型中遍历当前专家系统模型；判别所述当前专家系统模型是否存在所述闲置空间变量；在所述当前专家系统模型存在所述闲置空间变量的基础上，判别所述当前专家系统模型的运算开销指数是否达到运算开销指数限值；在所述当前专家系统模型的运算开销指数达到运算开销指数限值的基础上，判别所述当前专家系统模型的联合分析准确度是否达到准...

【专利技术属性】
技术研发人员：孙海燕，龚砚庆，
申请(专利权)人：菏泽盛哲网络科技有限公司，
类型：发明
国别省市：