基于制造技术

本申请实施例提供一种基于

【技术实现步骤摘要】
基于AI分析的软件组件稳定性测试方法及大数据服务系统
[0001]本申请是申请号
CN202210825924.X、
申请日为
2022
年
07
月
14
日
、
专利技术创造名称为“基于
AI
分析的系统运行漏洞修复方法及大数据服务系统”的中国申请的分案申请
。


[0002]本专利技术涉及人工智能
，具体而言，涉及一种基于
AI
分析的软件组件稳定性测试方法及大数据服务系统
。

技术介绍

[0003]随着互联网信息技术和云计算的发展，各类业务运行软件通过部署在云端从而为用户提供提供各种需求服务，然而这些业务运行软件在运行过程中可能会存在诸多未被发掘的漏洞，其中漏洞是在硬件
、
软件
、
协议的具体实现或系统安全策略上存在的缺陷，系统运行漏洞的存在会影响业务运行软件的稳定性和安全性，如果不及时进行挖掘监控和加以修复，将会带来持续性的异常崩溃，进而影响用户使用体验
。
在相关技术中，漏洞挖掘流程缺乏对业务响应动态变化的考虑，导致漏洞挖掘精度不足，并且在挖掘到系统运行漏洞后的漏洞修复流程中不够聚焦，也进一步导致漏洞修复效率和可靠性不满足开发者预期
。

技术实现思路

[0004]为了至少克服现有技术中的上述不足，本专利技术的目的在于提供一种基于
AI
分析的软件组件稳定性测试方法及大数据服务系统
。
[0005]第一方面，本申请提供一种基于
AI
分析的系统运行漏洞修复方法，应用于大数据服务系统，所述大数据服务系统与多个业务运行软件组件通信连接，所述方法包括：基于标的业务运行软件组件的多个异常崩溃实例的业务响应传播数据，输出待关注异常崩溃实例的系统运行漏洞，并依据所述系统运行漏洞对所述待关注异常崩溃实例进行异常原因标注，所述异常原因的标注信息包括所述系统运行漏洞以及所述系统运行漏洞在云端漏洞数据库中最新映射的目标产生原因标签；从云端漏洞修复补丁库中获取所述系统运行漏洞的云端漏洞修复补丁序列，并从所述云端漏洞修复补丁序列中提取与所述目标产生原因标签匹配的目标云端漏洞修复补丁；基于所述目标云端漏洞修复补丁对所述标的业务运行软件组件进行漏洞修复
。
[0006]在第一方面的一种可能的实施方式中，所述基于标的业务运行软件组件的多个异常崩溃实例的业务响应传播数据，输出待关注异常崩溃实例的系统运行漏洞，并依据所述系统运行漏洞对所述待关注异常崩溃实例进行异常原因标注的步骤，包括：基于标的业务运行软件组件的多个异常崩溃实例的业务响应传播数据获得各异常崩溃实例所对应的错误响应数据，并基于各个错误响应数据生成错误响应路由网络，所述错误响应路由网络由分别与各异常崩溃实例所对应的第一网络单元以及与各业务响应传播数据的业务响应传播行为所对应的第二网络单元构成；
获取待关注异常崩溃实例的目标业务响应传播路径，所述目标业务响应传播路径包括多个业务响应传播节点；基于所述错误响应路由网络对所述待关注异常崩溃实例的所述目标业务响应传播路径进行系统运行漏洞解析，输出所述待关注异常崩溃实例的系统运行漏洞，以依据所述系统运行漏洞对所述待关注异常崩溃实例进行异常原因标注
。
[0007]譬如，所述方法还包括：获取标的业务运行软件组件的多个待关注异常崩溃实例以及每个待关注异常崩溃实例的系统运行漏洞；基于所述多个待关注异常崩溃实例以及每个待关注异常崩溃实例的系统运行漏洞训练获得系统运行漏洞挖掘模型；依据所述系统运行漏洞挖掘模型对响应的目标异常崩溃实例进行系统运行漏洞挖掘，获得所述目标异常崩溃实例对应的挖掘系统运行漏洞；基于预设系统维护周期获得的各个挖掘系统运行漏洞构成的系统运行漏洞概率分布，对所述标的业务运行软件组件的软件配置数据包进行漏洞修复，并依据漏洞修复后的标的业务运行软件组件进行稳定性测试
。
[0008]第二方面，本申请实施例还提供一种基于
AI
分析的系统运行漏洞修复系统，所述基于
AI
分析的系统运行漏洞修复系统包括大数据服务系统和与所述大数据服务系统通信连接的多个业务运行软件组件；所述大数据服务系统，用于：基于标的业务运行软件组件的多个异常崩溃实例的业务响应传播数据，输出待关注异常崩溃实例的系统运行漏洞，并依据所述系统运行漏洞对所述待关注异常崩溃实例进行异常原因标注，所述异常原因的标注信息包括所述系统运行漏洞以及所述系统运行漏洞在云端漏洞数据库中最新映射的目标产生原因标签；从云端漏洞修复补丁库中获取所述系统运行漏洞的云端漏洞修复补丁序列，并从所述云端漏洞修复补丁序列中提取与所述目标产生原因标签匹配的目标云端漏洞修复补丁；基于所述目标云端漏洞修复补丁对所述标的业务运行软件组件进行漏洞修复
。
[0009]采用以上任意一个方面的技术方案，通过基于标的业务运行软件组件的多个异常崩溃实例的业务响应传播数据，输出待关注异常崩溃实例的系统运行漏洞，并依据系统运行漏洞对待关注异常崩溃实例进行异常原因标注，由此从云端漏洞修复补丁库中获取系统运行漏洞的云端漏洞修复补丁序列，并从云端漏洞修复补丁序列中提取与目标产生原因标签匹配的目标云端漏洞修复补丁，基于目标云端漏洞修复补丁对标的业务运行软件组件进行漏洞修复，从而在进行漏洞挖掘过程中以业务响应传播数据维度为依据，考虑了实际漏洞产生的业务响应动态变化，提高漏洞挖掘精度，并且在进行漏洞修复过程中进一步结合云端的最新目标产生原因标签进行聚焦漏洞修复，提高漏洞修复效率和可靠性
。
附图说明
[0010]图1为本专利技术实施例提供的基于
AI
分析的系统运行漏洞修复方法的流程示意图
。
具体实施方式
[0011]下面介绍本专利技术一种实施例提供的基于
AI
分析的系统运行漏洞修复系统
10
的架构，该基于
AI
分析的系统运行漏洞修复系统
10
可以包括大数据服务系统
100
以及与大数据服务系统
100
通信连接的业务运行软件服务器
200。
其中，基于
AI
分析的系统运行漏洞修复系统
10
中的大数据服务系统
100
和业务运行软件服务器
200
可以通过配合执行以下方法实施例所描述的基于
AI
分析的系统运行漏洞修复方法，具体大数据服务系统
100
和业务运行软件服务器
200
的执行步骤部分可以参照以下方法实施例的详细描述
。
[0012]本实施例提供的基于
AI
分析的系统运行漏洞修复方法可以由大数据服务系统
100
执行，下面结合图1对该基于
AI
分析的系统运行漏本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
AI
分析的软件组件稳定性测试方法，其特征在于，包括：获取标的业务运行软件组件的多个待关注异常崩溃实例以及每个待关注异常崩溃实例的系统运行漏洞；基于所述多个待关注异常崩溃实例以及每个待关注异常崩溃实例的系统运行漏洞训练获得系统运行漏洞挖掘模型；依据所述系统运行漏洞挖掘模型对响应的目标异常崩溃实例进行系统运行漏洞挖掘，获得所述目标异常崩溃实例对应的挖掘系统运行漏洞；基于预设系统维护周期获得的各个挖掘系统运行漏洞构成的系统运行漏洞概率分布，对所述标的业务运行软件组件的软件配置数据包进行漏洞修复，并依据漏洞修复后的标的业务运行软件组件进行稳定性测试
。2.
根据权利要求1所述的基于
AI
分析的软件组件稳定性测试方法，其特征在于，所述方法还包括：基于所述标的业务运行软件组件的多个异常崩溃实例的业务响应传播数据获得各异常崩溃实例所对应的错误响应数据，并基于各个错误响应数据生成错误响应路由网络，所述错误响应路由网络由分别与各异常崩溃实例所对应的第一网络单元以及与各业务响应传播数据的业务响应传播行为所对应的第二网络单元构成；获取待关注异常崩溃实例的目标业务响应传播路径，所述目标业务响应传播路径包括多个业务响应传播节点；基于所述错误响应路由网络对所述待关注异常崩溃实例的所述目标业务响应传播路径进行系统运行漏洞解析，输出所述待关注异常崩溃实例的系统运行漏洞，以依据所述系统运行漏洞对所述待关注异常崩溃实例进行异常原因标注，所述异常原因的标注信息包括所述系统运行漏洞以及所述系统运行漏洞在云端漏洞数据库中最新映射的目标产生原因标签；从云端漏洞修复补丁库中获取所述系统运行漏洞的云端漏洞修复补丁序列，并从所述云端漏洞修复补丁序列中提取与所述目标产生原因标签匹配的目标云端漏洞修复补丁；基于所述目标云端漏洞修复补丁对所述标的业务运行软件组件进行漏洞修复
。3.
根据权利要求2所述的基于
AI
分析的软件组件稳定性测试方法，其特征在于，所述基于所述错误响应路由网络对所述待关注异常崩溃实例的所述目标业务响应传播路径进行系统运行漏洞解析，输出所述待关注异常崩溃实例的系统运行漏洞，包括：在所述错误响应路由网络中为所述目标业务响应传播路径中的业务响应传播节点确定所对应的网络映射区；对应于目标业务响应传播路径中的各个由至少两个业务响应传播节点构成的业务响应传播节点组合，基于所述业务响应传播节点组合中的业务响应传播节点所对应的网络映射区确定所述业务响应传播节点组合所对应的网络映射区分布；依据先验生成的先验业务响应传播知识数据确定各网络映射区分布中两个网络映射区之间的业务响应传播依赖关系；所述先验业务响应传播知识数据包含对应有传播依赖关系的不同网络区之间的传播依赖关系数据；基于每个业务响应传播节点组合所对应的网络映射区分布中两个网络映射区之间的业务响应传播依赖关系，在所述错误响应路由网络中获得与所述目标业务响应传播路径具
有关联的目标漏洞渗透特征数据，并获取所述目标漏洞渗透特征数据所对应的漏洞渗透特征向量分布；对所述目标漏洞渗透特征数据所对应的漏洞渗透特征向量分布进行漏洞定位输出所述待关注异常崩溃实例的系统运行漏洞，以依据所述系统运行漏洞对所述待关注异常崩溃实例进行异常原因标注
。4.
根据权利要求3所述的基于
AI
分析的软件组件稳定性测试方法，其特征在于，所述在所述错误响应路由网络中为所述目标业务响应传播路径中的业务响应传播节点确定所对应的网络映射区，包括：对应于目标业务响应传播路径中的每个业务响应传播节点，在所述错误响应路由网络中确定所述业务响应传播节点所对应的逻辑指针信息；基于所述逻辑指针信息在所述错误响应路由网络中确定所述业务响应传播节点组合所对应的网络连通位置信息，确定所述业务响应传播节点连通到所述网络连通位置信息上的连通网络区；基于所述连通网络区在所述错误响应路由网络中确定所述业务响应传播节点组合所对应的网络映射区；其中，所述在所述错误响应路由网络中确定所述业务响应传播节点所对应的逻辑指针信息包括：在所述错误响应路由网络中遍历到所述业务响应传播节点，并生成以所述业务响应传播节点所对应的网络区为作用网络区
、
预设扩充规则为扩充作用条件的网络连通区间，作为所述业务响应传播节点所对应的逻辑指针信息；所述基于所述逻辑指针信息在所述错误响应路由网络中确定所述业务响应传播节点组合所对应的网络连通位置信息，包括：在所述错误响应路由网络中获取具有所述逻辑指针信息的第一特征网络；从基于所述错误响应路由网络先验形成的全局特征网络的范例作用网络区开始遍历与目标特征条件所对应的目标作用网络区，所述目标特征条件包括作用网络区所对应的逻辑指针信息与所述第一特征网络存在相关特征；从各所述目标作用网络区所对应的逻辑指针信息内获得所述业务响应传播节点组合所对应的网络连通位置信息
。5.
根据权利要求4所述的基于
AI
分析的软件组件稳定性测试方法，其特征在于，所述从各所述目标作用网络区所对应的逻辑指针信息内获得所述业务响应传播节点组合所对应的网络连通位置信息，包括：对应于每个目标作用网络区，从所述目标作用网络区所对应的逻辑指针信息内获得一个或多个模糊网络连通位置信息；其中，所述模糊网络连通位置信息所对应的第二特征网络与所述第一特征网络存在相关特征，所述模糊网络连通位置信息所对应的第二特征网络为所述错误响应路由网络中包含所述模糊网络连通位置信息的最少单元数量特征网络；对应于每个模糊网络连通位置信息，确认所述模糊网络连通位置信息是否与所述逻辑指针信息存在相关特征，如果是，确定所述模糊网络连通位置信息为所述业务...

【专利技术属性】
技术研发人员：贲东坤，
申请(专利权)人：贲东坤，
类型：发明
国别省市：