[發(fā)明專利]錯(cuò)誤評(píng)估的方法、設(shè)備和計(jì)算機(jī)程序產(chǎn)品

在審

• 申請(qǐng)?zhí)枺?/td>: 201910992509.1
• 申請(qǐng)日: 2019-10-18
• 公開（公告）號(hào): CN112685207A
• 公開（公告）日: 2021-04-20
• 發(fā)明（設(shè)計(jì)）人: 林芳園;王曉輝;李輝;袁里
• 申請(qǐng)（專利權(quán)）人: 伊姆西IP控股有限責(zé)任公司
• 主分類號(hào): G06F11/07
• 分類號(hào): G06F11/07;G06N3/04;G06N3/08;G06F11/14
• 代理公司: 北京市金杜律師事務(wù)所 11256
• 代理人: 羅利娜

1.一種錯(cuò)誤評(píng)估的方法，包括：

根據(jù)確定數(shù)據(jù)保護(hù)系統(tǒng)中的錯(cuò)誤的出現(xiàn)，獲得與所述數(shù)據(jù)保護(hù)系統(tǒng)的操作相關(guān)的上下文信息；

利用已訓(xùn)練的深度學(xué)習(xí)模型，基于所述上下文信息，從多個(gè)預(yù)定類型中確定所述數(shù)據(jù)保護(hù)系統(tǒng)中的所述錯(cuò)誤的類型，所述深度學(xué)習(xí)模型的訓(xùn)練基于訓(xùn)練上下文信息和與所述訓(xùn)練上下文信息相關(guān)聯(lián)的關(guān)于錯(cuò)誤的真實(shí)類型的標(biāo)注；以及

提供所確定的所述數(shù)據(jù)保護(hù)系統(tǒng)中的所述錯(cuò)誤的所述類型。

2.根據(jù)權(quán)利要求1所述的方法，其中所述上下文信息包括以下類型的信息中的至少一項(xiàng)：

所述數(shù)據(jù)保護(hù)系統(tǒng)的日志信息，所述日志信息指示按時(shí)間序列記錄的在所述數(shù)據(jù)保護(hù)系統(tǒng)中發(fā)生的事件，

在出現(xiàn)所述錯(cuò)誤時(shí)在所述數(shù)據(jù)保護(hù)系統(tǒng)的客戶端設(shè)備的用戶界面的截圖信息，以及

所述數(shù)據(jù)保護(hù)系統(tǒng)的系統(tǒng)狀態(tài)信息。

3.根據(jù)權(quán)利要求2所述的方法，其中所述系統(tǒng)狀態(tài)信息指示以下中的至少一項(xiàng)：

所述數(shù)據(jù)保護(hù)系統(tǒng)的總存儲(chǔ)空間的占用率，

所述數(shù)據(jù)保護(hù)系統(tǒng)中被分配給用戶的存儲(chǔ)容量的占用率，

所述數(shù)據(jù)保護(hù)系統(tǒng)的操作系統(tǒng)的占用率，

所述數(shù)據(jù)保護(hù)系統(tǒng)的存儲(chǔ)器空間的占用率，

所述數(shù)據(jù)保護(hù)系統(tǒng)的文本系統(tǒng)狀態(tài)，

所述數(shù)據(jù)保護(hù)系統(tǒng)的數(shù)據(jù)垃圾回收狀態(tài)，

距離所述數(shù)據(jù)保護(hù)系統(tǒng)的上一次數(shù)據(jù)垃圾回收的時(shí)間，

所述數(shù)據(jù)保護(hù)系統(tǒng)的被保護(hù)數(shù)據(jù)的量，

所述數(shù)據(jù)保護(hù)系統(tǒng)的處理器狀態(tài)，

所述數(shù)據(jù)保護(hù)系統(tǒng)中的設(shè)備節(jié)點(diǎn)的數(shù)目，

所述數(shù)據(jù)保護(hù)系統(tǒng)中的硬件類型，以及

所述數(shù)據(jù)保護(hù)系統(tǒng)的網(wǎng)絡(luò)連接狀態(tài)。

4.根據(jù)權(quán)利要求2所述的方法，其中確定所述數(shù)據(jù)保護(hù)系統(tǒng)中的所述錯(cuò)誤的所述類型包括：

執(zhí)行以下中的至少一項(xiàng)：

利用所述深度學(xué)習(xí)模型中被訓(xùn)練用于處理所述日志信息的類型的第一特征提取部分，提取所述日志信息的第一特征表示，

利用所述深度學(xué)習(xí)模型中被訓(xùn)練用于處理所述截圖信息的類型的第二特征提取部分，提取所述截圖信息的第二特征表示，以及

利用所述深度學(xué)習(xí)模型中被訓(xùn)練用于處理系統(tǒng)狀態(tài)信息的類型的第三特征提取部分，提取所述系統(tǒng)狀態(tài)信息的第三特征表示；以及

利用所述深度學(xué)習(xí)模型中被訓(xùn)練用于特征融合的模型部分，基于所述第一特征表示、所述第二特征表示和所述第三特征表示中所提取的至少一項(xiàng)，確定所述數(shù)據(jù)保護(hù)系統(tǒng)中的所述錯(cuò)誤的所述類型。

5.根據(jù)權(quán)利要求4所述的方法，其中所述第一特征提取部分包括基于長(zhǎng)短期記憶(LSTM)模型結(jié)構(gòu)，其中所述第二特征提取部分包括基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型結(jié)構(gòu)，并且其中所述第三特征提取部分包括多層感知機(jī)(MLP)模型結(jié)構(gòu)。

6.根據(jù)權(quán)利要求1所述的方法，其中確定所述數(shù)據(jù)保護(hù)系統(tǒng)中的所述錯(cuò)誤的所述類型包括：

確定基于規(guī)則的判斷模型是否能夠從所述上下文信息中確定所述數(shù)據(jù)保護(hù)系統(tǒng)中的所述錯(cuò)誤的類型；以及

根據(jù)確定所述基于規(guī)則的判斷模型不能夠確定所述數(shù)據(jù)保護(hù)系統(tǒng)中的所述錯(cuò)誤的類型，利用所述深度學(xué)習(xí)模型來(lái)確定所述數(shù)據(jù)保護(hù)系統(tǒng)中的所述錯(cuò)誤的所述類型。

7.根據(jù)權(quán)利要求1所述的方法，其中根據(jù)確定所述數(shù)據(jù)保護(hù)系統(tǒng)中的新類型的錯(cuò)誤的潛在出現(xiàn)，針對(duì)所述多個(gè)預(yù)定類型和所述新類型，所述深度學(xué)習(xí)模型被重新訓(xùn)練，以使所述深度學(xué)習(xí)模型能夠從所述數(shù)據(jù)保護(hù)系統(tǒng)相關(guān)的上下文信息中確定所述新類型的錯(cuò)誤。

8.根據(jù)權(quán)利要求1所述的方法，其中所述多個(gè)預(yù)定類型包括以下類型的錯(cuò)誤：系統(tǒng)運(yùn)行環(huán)境相關(guān)的錯(cuò)誤、和數(shù)據(jù)保護(hù)應(yīng)用程序中的錯(cuò)誤。

9.根據(jù)權(quán)利要求1所述的方法，其中所述多個(gè)預(yù)定類型包括以下類型的錯(cuò)誤中的一個(gè)或多個(gè)：硬件錯(cuò)誤、系統(tǒng)參數(shù)配置錯(cuò)誤、網(wǎng)絡(luò)連接錯(cuò)誤、所述數(shù)據(jù)保護(hù)系統(tǒng)的第三方服務(wù)相關(guān)的錯(cuò)誤、和數(shù)據(jù)保護(hù)應(yīng)用程序中的錯(cuò)誤。