一种基于AI预测的网页数据设计模块故障无损恢复方法技术

本发明专利技术公开了一种基于AI预测的网页数据设计模块故障无损恢复方法，涉及错误校正技术领域，包括采集网页数据、分析网页数据、构建统一分析模型、建立基于AI的预测模型以及设计一套无损恢复方案五个步骤，通过采集和分析网页数据，将模块故障信息经量化分析后，获取到故障占比和故障因子累积量，并通过建立统一分析模型，多角度获取到模块故障的影响因素和变化模式，实现了对于故障情况的高效判定与处理，还通过建立预测模型对故障因子进行实时监测，从而将故障因子限制在预设区间内，并在超出预设区间时对模块进行故障修复，模块自动进行故障溯源检测，节省人力的检测修复成本。节省人力的检测修复成本。节省人力的检测修复成本。

【技术实现步骤摘要】
一种基于AI预测的网页数据设计模块故障无损恢复方法


[0001]本专利技术涉及错误校正
，尤其涉及一种基于AI预测的网页数据设计模块故障无损恢复方法。

技术介绍

[0002]在互联网高速发展的今天，网络已成为人们获取信息资源的重要途径，信息的呈现离不开网页，网页的主要作用是将用户需要的信息与资源采用一定的手段进行组织，通过网络呈现给用户，网页设计是根据企业希望向浏览者传递的信息，进行网站功能策划，然后进行的页面设计美化工作；
[0003]但是，网页设计过程中可能会出现网页数据设计模块的故障，在出现模块故障后需要大量耗费大量人力成本进行修复处理，并且由于难以确定故障原因，导致故障修复操作效率低；
[0004]针对上述的技术缺陷，现提出一种基于AI预测的网页数据设计模块故障无损恢复方法。

技术实现思路

[0005]本专利技术的目的在于提供了一种基于AI预测的网页数据设计模块故障无损恢复方法，解决了故障原因难以判定和修复操作效率低的问题。
[0006]为了实现上述目的，本专利技术采用了如下技术方案：一种基本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于AI预测的网页数据设计模块故障无损恢复方法，其特征在于：包括以下步骤：步骤一，采集网页数据：通过访问后台端口、用户端口以及虚拟云端对网页数据进行采集，其中，网页数据包括前期设计信息、后期页面信息和模块监测信息；步骤二，分析网页数据：模块故障分为页面故障、响应故障和使用故障，采集模块故障的因子包括访问量和负载量，通过对比分析前期设计信息与后期页面信息，获得网页数据设计过程的页面故障占比，同时结合模块监测信息进行分析处理，测算响应故障占比和使用故障占比；步骤三，构建统一分析模型：将故障因子和故障占比代入统一分析模型中，分析模块故障的影响因素和变化模式，其中包括单一故障因素和综合故障因素分别对于模块故障程度的影响模式；步骤四，根据分析结果建立基于AI的预测模型：设定综合因素的阈值和单一故障因素的预设区间，实时监测访问量和负载量并将其控制在预设范围内，若超出预设范围，则生成故障提示信号；步骤五，基于预测模型设计一套无损恢复方案：在接收到故障提示信号时进行故障修复操作。2.根据权利要求1中所述的一种基于AI预测的网页数据设计模块故障无损恢复方法，其特征在于：统一分析模型的构建过程如下：s1：设定故障因子为集合Rx，故障类别为集合Fx，预设采样周期为Tcy，对采样周期内的故障因子Rx集合内各个元素的数量分别进行累计，获取一个采样周期内的各个故障因子的累计量为集合RWx，同时获取一个采样周期内的各个故障类别的占比为集合FWx；s2：分析同一周期内故障因子Rx与故障类别Fx内各个元素之间单独对应产生的影响关系，再根据单一故障因子对于各个故障类别的影响程度不同，为各个故障类别的占比集合FWx中各个元素分别赋予相应的一级权重因子系数，先进行相乘后再累加，获取总体的模块故障程度值Mki，生成单一故障因子累积量RWx与总体的模块故障程度值Mki之间的动态关系曲线图；s3：分析全部的故障因子对于总体的模块故障的综合影响关系：根据各个故障因子对于模块故障的影响程度不同，为各个故障因子的累计量集合RWx分别赋予相应的二级权重因子系数，先进行相乘后再累加，获取综合的故障因素影响值Gzx，并生成综合故障因素影响值Gzx－总体的模块故障程度值Mki的关系曲线图。3.根据权利要求2中所述的一种基于AI预测的网页数据设计模块故障无损恢复方法，其特征在于：构建AI预测模型的具体过程为：依据综合故障因素影响值Gzx－总体的模块故障程度值Mki的关系曲线图，将其置入到增长测算模型并计算生成综合故障因素增长率Zm；将综合故障因素增长率Zm从0到正值的临界点所在位置的横坐标Xzm设定为综合因素阈值，则综合故障因素影响值Gzx的预设区间为[0，Xzm)，通过实时监测访问量和负载量，并计算综合故障因素影响值Gzx，将其限制在综合因素预设区间以内；依据单一故障因子累积量RWx与总体的模块故障程度值Mki之间的动态关系曲线图，将总体的模块故障程度值Mki从0到正值的临界点所在位置的横坐标设定为单一因素阈值
Xrwi，以确定单一故障因素的预设区间，其中，设定访问量预设区间为[0，Xrw1)，负载量预设区间为[0，Xrw2)；当综合故障因素的影响值Gzx超出预设区间时，结合单一故障因子累积量RWx与总体的模块故障程度值Mki之间的动态关系曲线图，判定超出预设区间的单一故障因素，以此定位相应的故障原因并生成故障提示信号；其中，增长测算模型的构建过程如下：先选择曲线任意一点标记为p，确定其坐标值p(x0，y0)，再选择该点的相邻点q，确定该点的坐标值q(x1，y1)；再计算曲线在两个点之间的平均增长率Zm，平均增长率Zm即为综合故障因素增长率：4.根据权利要求3中所述的一种基于AI预测的网页数据设计模块故障无损恢复方法，其特征在于：故障提示信号的生成具体过程如下：先进行阈值比较：当综合故障因素的影响值Gzx超出阈值时，通过单一故...

【专利技术属性】
技术研发人员：包百青，
申请(专利权)人：内蒙古青盾安防技术有限公司，
类型：发明
国别省市：