基于智能预测的程序异常定位方法、装置、设备及介质与流程

1.本发明涉及智能决策技术领域，属于智慧城市中对程序异常进行智能预测以获取异常定位信息的应用场景，尤其涉及一种基于智能预测的程序异常定位方法、装置、设备及介质。


背景技术：

2.随着应用程序的功能越来越丰富，包含多个服务模块的应用程序也越来越普遍，应用程序开发过程中涉及对异常进行定位和修复，而在多个服务模块组成的应用程序中，服务模块相互之间存在关联关系，仅通过测试过程出现的报错信息无法快速、准确地对报错信息对应的异常所处服务模块进行定位，开发人员也难以对出现异常的服务模块进行快速修复，从而严重影响了应用程序的开发效率。因此，现有技术方法中存在无法对异常进行快速定位的问题。


技术实现要素：

3.本发明实施例提供了一种基于智能预测的程序异常定位方法、装置、设备及介质，旨在解决现有技术方法中所存在的无法对异常进行快速定位的问题。
4.第一方面，本发明实施例提供了一种基于智能预测的程序异常定位方法，其包括：
5.若接收到所输入的测试用例集，将所述测试用例集包含的测试用例依次输入预设的应用程序进行执行并判断每一所述测试用例执行过程是否出现报错信息；
6.若所述测试用例执行过程出现报错信息，从所述测试用例的执行记录信息中获取与所述报错信息相匹配的异常记录信息；
7.从所述测试用例对应的链路数据信息中获取与所述异常记录信息相匹配的链路整合信息；
8.根据预置的特征提取规则从所述链路整合信息提取得到对应的异常特征信息；
9.根据预置的异常识别模型对所述异常特征信息进行定位预测，得到对应的异常定位信息。
10.第二方面，本发明实施例提供了一种基于智能预测的程序异常定位装置，其包括：
11.测试用例执行单元，用于若接收到所输入的测试用例集，将所述测试用例集包含的测试用例依次输入预设的应用程序进行执行并判断每一所述测试用例执行过程是否出现报错信息；
12.异常记录信息获取单元，用于若所述测试用例执行过程出现报错信息，从所述测试用例的执行记录信息中获取与所述报错信息相匹配的异常记录信息；
13.链路整合信息获取单元，用于从所述测试用例对应的链路数据信息中获取与所述异常记录信息相匹配的链路整合信息；
14.异常特征信息获取单元，用于根据预置的特征提取规则从所述链路整合信息提取得到对应的异常特征信息；
15.异常定位信息获取单元，用于根据预置的异常识别模型对所述异常特征信息进行定位预测，得到对应的异常定位信息。
16.第三方面，本发明实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的基于智能预测的程序异常定位方法。
17.第四方面，本发明实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的基于智能预测的程序异常定位方法。
18.本发明实施例提供了一种基于智能预测的程序异常定位方法、装置、计算机设备及可读存储介质。将测试用例集中的测试用例依次输入应用程序进行执行并判断是否出现报错信息，若测试用例的执行过程出现报错信息则从对应的执行记录信息中获取异常记录信息，从链路数据信息中获取与异常记录信息对应的链路整合信息并从中提取得到异常特征信息，根据异常识别模型对异常定位信息进行定位预测得到异常定位信息。通过上述方法，可从执行记录信息中获取异常记录信息并进一步从链路数据信息中获取异常特征信息，对异常特征信息进行分析以实现快速定位预测，从而快速定位异常的服务模块，大幅提高了对异常进行定位的速度及准确性。
附图说明
19.为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
20.图1为本发明实施例提供的基于智能预测的程序异常定位方法的流程示意图；
21.图2为本发明实施例提供的基于智能预测的程序异常定位方法的应用场景示意图；
22.图3为本发明实施例提供的基于智能预测的程序异常定位方法的子流程示意图；
23.图4为本发明实施例提供的基于智能预测的程序异常定位方法的另一子流程示意图；
24.图5为本发明实施例提供的基于智能预测的程序异常定位方法的另一子流程示意图；
25.图6为本发明实施例提供的基于智能预测的程序异常定位方法的另一子流程示意图；
26.图7为本发明实施例提供的基于智能预测的程序异常定位方法的另一流程示意图；
27.图8为本发明实施例提供的基于智能预测的程序异常定位方法的另一流程示意图；
28.图9为本发明实施例提供的基于智能预测的程序异常定位装置的示意性框图；
29.图10为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
30.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
31.应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
32.还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
33.还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
34.请参阅图1及图2，图1是本发明实施例提供的基于智能预测的程序异常定位方法的流程示意图；图2为本发明实施例提供的基于智能预测的程序异常定位方法的应用场景示意图；该基于智能预测的程序异常定位方法应用于管理服务器10中，该基于智能预测的程序异常定位方法通过安装于管理服务器10中的应用软件进行执行，管理服务器10与至少一台开发终端20通过网络连接以实现数据信息的传输，开发终端20的使用者即为应用程序的开发人员，管理服务器10即是可执行基于智能预测的程序异常定位方法以对测试过程中的报错信息进行分析并获取异常定位信息的服务器，管理服务器10可基于异常定位信息将报错信息及异常定位信息推送至相应开发终端20，开发终端20的开发人员即可基于接收到的报错信息及异常定位信息对程序中出现的异常进行修复处理，开发终端20可以是台式电脑、笔记本电脑、平板电脑或手机等终端设备，管理服务器10可以是企业或政府部门内部所构建的服务器端。如图1所示，该方法包括步骤s110～s150。
35.s110、若接收到所输入的测试用例集，将所述测试用例集包含的测试用例依次输入预设的应用程序进行执行并判断每一所述测试用例执行过程是否出现报错信息。
36.若接收到所输入的测试用例集，将所述测试用例集包含的测试用例依次输入预设的应用程序进行执行并判断每一所述测试用例执行过程是否出现报错信息。管理服务器的管理员或客户端可发送测试用例集至管理服务器，客户端的使用者可以是企业的管理人员，测试用例集中包含至少一个测试用例，管理服务器接收到测试用例集后即可通过应用程序依次执行每一测试用例，同时管理服务器对每一测试用例的执行过程进行实时监控，以判断每一测试用例执行过程中是否出现报错信息，若测试用例执行过程中出现报错信息，则管理服务器可立即终止测试用例的执行过程，并收集执行过程中记录得到的执行记录信息。
37.s120、若所述测试用例执行过程出现报错信息，从所述测试用例的执行记录信息中获取与所述报错信息相匹配的异常记录信息。
38.若所述测试用例执行过程出现报错信息，从所述测试用例的执行记录信息中获取与所述报错信息相匹配的异常记录信息。若测试用例执行过程中出现报错信息，则可对应获取得到测试用例执行过程中的执行记录信息，并从执行记录信息中获取与报错信息相匹
配的异常记录信息，其中，执行记录信息可以是测试用例的执行日志。
39.在一实施例中，如图3所示，步骤s120包括子步骤s121和s122。
40.s121、确定与所述报错信息对应的报错类型信息。
41.可根据报错信息确定其中所包含的报错类型，得到对应的报错类型信息，则报错类型信息中至少包含一种报错类型。具体的，可根据报错信息中所包含的报错关键词确定对应的报错类型，报错类型包括栈溢出错误(stackoverflowerror)、存储错误(outofmemoryerror)、抽象窗口工具错误(awterror)、文件结束异常(eofexception)、数据库出错(sql)、链接出错(url)等。报错类型信息中可同时包含多种报错类型，如报错类型信息中同时包含栈溢出错误及文件结束异常两种报错类型。
42.s122、从所述执行记录信息中获取与所述报错类型信息中每一报错类型相匹配的记录信息作为对应的异常记录信息。
43.由于执行记录信息中包含测试用例开始执行至终止执行的全过程记录信息，因此执行记录信息中可能包含测试用例正确执行的记录信息，在获取异常定位信息的过程中无需使用测试用例正确执行的记录信息，因此可通过报错类型信息对执行记录信息进行筛选，从而筛选得到与每一报错类型相匹配的记录信息作为异常记录信息。
44.如报错类型信息中包含某一报错类型为栈溢出错误，则可从执行记录信息中获取与该报错类型相匹配的记录信息为：
[0045]“[::show::]error
[0046]
no staktrace
[0047]
《not ignored》《search》”。
[0048]
s130、从所述测试用例对应的链路数据信息中获取与所述异常记录信息相匹配的链路整合信息。
[0049]
从所述测试用例对应的链路数据信息中获取与所述异常记录信息相匹配的链路整合信息。管理服务器还可对测试用例在执行过程中的数据处理链路、数据传输链路等信息进行记录，得到对应的链路数据信息，例如链路数据信息可以是执行测试用例过程中记录得到的cat(concatenate)命令监控信息，链路数据信息能够提供比执行记录信息更为详细、完整的信息。可从与测试用例对应的链路数据信息中获取与异常记录信息相匹配的链路整合信息。
[0050]
在一实施例中，如图4所示，步骤s130包括子步骤s131、s132、s133、s134、s135和s136。
[0051]
s131、根据所述异常记录信息中每一异常记录的记录时间确定对应的截取时间段。
[0052]
管理服务器在记录得到执行记录信息的过程中，还会记录对应的时间信息，则异常记录信息中的每一异常记录也对应一个记录时间，可根据每一异常记录的记录时间及预存的截取时长确定对应的截取时间段。例如，截取时长为1分钟，记录时间为13:58:06，则可确定记录时间前后1分钟的时间段为对应的截取时间段，也即是截取时间段为13:57:06-13:59:06。
[0053]
s132、根据所述截取时间段从所述链路数据信息中截取得到对应的备选链路数据信息。
[0054]
链路数据信息中的每一条链路数据均包含对应的时间戳信息，则可根据每一异常记录的截取时间段从链路数据信息中截取时间戳信息位于相应截取时间段之内的链路数据，得到对应的备选链路数据信息。
[0055]
s133、根据所述异常记录信息中每一异常记录的锚定信息从所述备选链路数据信息中获取与每一锚定信息对应的基础链路数据。
[0056]
异常记录信息包含至少一条异常记录，每一条异常记录中均对应包含锚定信息，其中锚定信息包括接口标识及异常标识等信息，接口标识即为异常记录中所记载的被调用接口的标识信息，异常标识即为异常记录中包含的异常标识信息。
[0057]
例如，从某一异常记录中获取到的锚定信息包括：接口标识“30.99.192.4”、异常标识“execcommand”。
[0058]
可通过每一条异常记录的锚定信息从链路数据信息中获取与锚定信息相匹配的基础链路数据，所得到的基础链路信息为一条或多条。
[0059]
s134、判断每一所述基础链路数据与所述链路数据信息中的上游链路数据或下游链路数据之间是否存在关联关系。
[0060]
可获取链路数据信息中与每一基础链路数据对应的上游链路数据及下游链路数据，上游链路数据即为基础链路数据之前产生的链路数据，下游链路数据即为基础链路数据之后产生的链路数据，可分别判断上游链路数据或下游链路数据是否与对应的基础链路数据之间存在关联关系。具体的，可分别判断基础链路数据的计算结果是否可直接由任意一条上游链路数据计算得到，若可直接由某一条上游链路数据计算得到，则判定该上游链路数据与该基础链路数据之间存在关联关系，否则判定任一上游链路数据均与该基础链路数据之间不存在关联关系。同样的，可判断任意一条下游链路数据的计算结果是否可直接由基础链路数据计算得到，若可直接计算得到，则判断该下游链路数据与该基础链路数据之间存在关联关系，否则判定不存在关联关系。
[0061]
s135、获取所述链路数据信息中与每一所述基础链路数据存在关联关系的上游链路数据及下游链路数据作为关联链路数据；s136、将所述基础链路数据与所述关联链路数据进行整合得到对应的链路整合信息。
[0062]
可根据上述判断结果获取与每一基础链路数据存在关联关系的上游链路数据及下游链路数据作为对应的关联链路数据，并将与每一基础链路数据对应的关联链路数据与相应基础链路数据进行整合，得到与每一基础链路数据对应的链路整合数据，所有基础链路数据对应的链路整合数据即可作为所得到的链路整合信息。
[0063]
s140、根据预置的特征提取规则从所述链路整合信息提取得到对应的异常特征信息。
[0064]
根据预置的特征提取规则从所述链路整合信息提取得到对应的异常特征信息。其中，所述特征提取规则包括特征关键字集合及特征编码映射集合。链路整合信息中包含需要重点分析的特征信息，特征提取规则即为从链路整合信息中提取对应异常特征信息的具体规则，异常特征信息即可用于对链路整合信息中需要重点分析的特征进行量化表征。
[0065]
在一实施例中，如图5所示，步骤s140包括子步骤s141、s142和s143。
[0066]
s141、获取所述链路整合信息中与所述特征关键词集合包含的特征关键词相匹配的代码段作为目标特征代码段。
[0067]
关键词集合中包含多个特征关键词，可将链路整合信息中包含的信息与特征关键词相匹配，若链路整合信息中某一单词与特征关键词相匹配，则获取与特征关键词相匹配的单词所属代码段，通过上述方法即可获取链路整合信息中与每一特征关键词相匹配的代码段，并得到对应的目标特征代码段，则目标特征代码段中包含所需要重点分析的特征信息。
[0068]
例如，某一特征关键词为“type[service]”，则可从链路整合信息中获取到与该特征关键词相匹配的代码段为“《type[service]-scope[].norule.command.execution_failure/》”。
[0069]
s142、根据所述特征编码映射集合对每一所述目标特征代码段分别进行映射，得到每一所述目标特征代码段对应的特征编码。
[0070]
可根据特征编码映射集合对每一目标代码段分别进行映射，特征编码映射集合中包含字段与编码值之间的映射关系，通过这一映射关系即可将目标代码段中包含的代码字段映射为对应的编码值，获取每一目标特征代码段对应的编码值作为对应的特征编码。具体的，若目标特征代码段中包含的字段为特征值数据，则直接将特征值数据作为相应编码值；若目标特征代码段中包含的字段为单词，则通过特征编码映射集合对该字段进行映射处理得到对应的编码值。
[0071]
例如，特征编码映射集合中与“scope[].norule.command.execution_failure”这一字段对应的编码值为“11374”，则可将该目标特征代码段中与该字段相匹配的信息映射为“11374”这一编码值。
[0072]
s143、将所述特征编码进行顺序组合得到对应的异常特征信息。
[0073]
获取到特征编码后，还可对特征编码进行组合得到异常特征信息，具体的，可根据每一目标代码段所对应的时间戳信息对目标代码段的特征编码进行顺序组合，得到对应的异常特征信息。
[0074]
s150、根据预置的异常识别模型对所述异常特征信息进行定位预测，得到对应的异常定位信息。
[0075]
根据预置的异常识别模型对所述异常特征信息进行定位预测，得到对应的异常定位信息。可将所得到的异常特征信息输入异常识别模型进行定位预测，得到对应的异常定位信息，异常定位信息中包含至少一个定位标识，定位标识即是与应用程序中的服务模块唯一对应的标识信息，根据定位标识即可唯一确定出现异常的服务模块。
[0076]
在一实施例中，如图6所示，步骤s150包括子步骤s151和s152。
[0077]
s151、将所述异常特征信息输入所述异常识别模型进行计算，以得到对应的识别输出信息。
[0078]
可将异常特征信息中包含的编码值输入异常识别模型，其中，异常识别模型可由一个输入层、多个中间层及一个输出层组成，输入层与首个中间层之间、中间层与前后相邻的其他中间层之间、末尾中间层与输出层之间均通过关联公式进行关联，关联公式均可采用一次函数进行表示。输入层中包含多个输入节点，且输入节点的数量不小于异常特征信息所包含的编码值的数量；输出层中包含多个输出节点，输出节点的数量与应用程序中所包含的服务模块的数量相等，每一输出节点均对应一个定位标识。将异常特征信息输入异常识别模型进行识别计算，即可从输出层获取识别输出信息，则识别输出信息中包含与每
一输出节点对应的匹配度，每一匹配度的取值范围均为[0,1]。
[0079]
s152、从所述识别输出信息中获取满足预存的获取条件的定位标识作为对应的异常定位信息。
[0080]
可根据获取条件对识别输出信息中包含的匹配度进行判断，以从识别输出信息中获取满足获取条件的输出节点所对应的定位标识作为异常定位信息，所得到的异常定位信息中包含一个或多个定位标识。具体的，获取条件可以是匹配度阈值，则可获取匹配度大于匹配度阈值的输出节点所对应的定位标识作为异常定位信息。获取条件还可以是获取比例，如获取比例为30％，则可获取排名靠前30％的匹配度所对应输出节点的定位标识作为异常定位信息。
[0081]
在一实施例中，步骤s150之前还包括步骤：根据预存的训练数据集对初始异常识别模型进行训练，得到训练后的异常识别模型。
[0082]
根据预存的训练数据集对初始异常识别模型进行训练，得到训练后的异常识别模型。为提高采用异常识别模型进行定位预测的精确性，可通过管理服务器中预存的训练数据集对异常识别模型进行迭代训练，具体的，训练数据集中包含多条训练数据，每一条训练数据包含对应的一个训练特征信息及对应的一份定位标识信息，定位标识信息中包含至少一个人为添加的定位标识。可将一条训练数据输入初始异常识别模型进行计算得到训练输出信息，基于该训练数据的定位标识信息中包含的定位标识及对应的训练输出信息计算得到对应的损失值。其中，获取损失值的计算公式可采用公式(1)进行表示。
[0083][0084]
其中，n为异常识别模型的输出层中所包含输出节点的总数量，fi为定位标识信息中与第i个输出节点对应的量化值(若定位标识信息中包含与某一输出节点对应的定位标识，则相应量化值为1；若定位标识信息中不包含与某一输出节点对应的定位标识，则相应量化值为0)，训练输出信息mi为与第i个输出节点对应的匹配度，l为计算得到的损失值。
[0085]
采用梯度下降训练规则并基于计算得到的损失值对初始异常识别模型中包含的参数值进行优化调整，即可完成对该初始异常识别模型进行一次训练，则将训练数据集中包含多条训练数据依次输入初始异常识别模型进行训练，即可实现对初始异常识别模型进行迭代训练，得到多次迭代训练后的异常识别模型。
[0086]
在一实施例中，如图7所示，步骤s150之后还包括步骤s160和s170。
[0087]
s160、根据预存的开发管理数据表确定所述异常定位信息中每一定位标识对应的终端地址；s170、根据所述终端地址将所述报错信息及所述异常定位信息发送至对应的开发终端。
[0088]
将所述报错信息及所述异常定位信息发送至与所述异常定位信息对应的开发终端。可根据异常定位信息中包含的定位标识，将所获取到的报错信息及异常定位信息发送至与定位标识对应的开发终端，则相应开发终端的使用者接收到报错信息及异常定位信息后即可对应用程序中存在异常的服务模块进行处理。
[0089]
管理服务器器中还预存了开发管理数据表，开发管理数据表中包含与每一定位标识对应的终端地址，管理数据表中每一个定位标识可对应一个或多个终端地址，与定位标识的终端地址对应开发终端的使用者，即为对该定位标识对应的服务模块进行开发维护的
开发负责人。则可根据开发管理数据表，确定异常定位信息的每一定位标识对应的终端地址。根据终端地址将所得到的报错信息及异常定位信息依次发送至每一终端地址对应的开发终端。
[0090]
具体的，如图8所示，步骤s150之后还包括s1501。
[0091]
s1501、将所述异常定位信息上传至区块链中。
[0092]
基于异常定位信息得到对应的摘要信息，具体来说，摘要信息由异常定位信息进行散列处理得到，比如利用sha256s算法处理得到。将摘要信息上传至区块链可保证其安全性和对用户的公正透明性。用户设备可以从区块链中下载得该摘要信息，以便查证异常定位信息是否被篡改。本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0093]
本技术中的技术方法可应用于智慧政务/智慧城管/智慧社区/智慧安防/智慧物流/智慧医疗/智慧教育/智慧环保/智慧交通等对程序异常进行智能预测以获取异常定位信息的应用场景中，从而推动智慧城市的建设。
[0094]
在本发明实施例所提供的基于智能预测的程序异常定位方法中，将测试用例集中的测试用例依次输入应用程序进行执行并判断是否出现报错信息，若测试用例的执行过程出现报错信息则从对应的执行记录信息中获取异常记录信息，从链路数据信息中获取与异常记录信息对应的链路整合信息并从中提取得到异常特征信息，根据异常识别模型对异常定位信息进行定位预测得到异常定位信息。通过上述方法，可从执行记录信息中获取异常记录信息并进一步从链路数据信息中获取异常特征信息，对异常特征信息进行分析以实现快速定位预测，从而快速定位异常的服务模块，大幅提高了对异常进行定位的速度及准确性。
[0095]
本发明实施例还提供一种基于智能预测的程序异常定位装置，该基于智能预测的程序异常定位装置可配置于管理服务器中，该基于智能预测的程序异常定位装置用于执行前述的基于智能预测的程序异常定位方法的任一实施例。具体地，请参阅图9，图9为本发明实施例提供的基于智能预测的程序异常定位装置的示意性框图。
[0096]
如图9所示，基于智能预测的程序异常定位装置100包括测试用例执行单元110、异常记录信息获取单元120、链路整合信息获取单元130、异常特征信息获取单元140和异常定位信息获取单元150。
[0097]
测试用例执行单元110，用于若接收到所输入的测试用例集，将所述测试用例集包含的测试用例依次输入预设的应用程序进行执行并判断每一所述测试用例执行过程是否出现报错信息。
[0098]
异常记录信息获取单元120，用于若所述测试用例执行过程出现报错信息，从所述测试用例的执行记录信息中获取与所述报错信息相匹配的异常记录信息。
[0099]
在一具体实施例中，所述异常记录信息获取单元120包括子单元：报错类型信息确定单元，用于确定与所述报错信息对应的报错类型信息；记录信息匹配单元，用于从所述执行记录信息中获取与所述报错类型信息中每一报错类型相匹配的记录信息作为对应的异
常记录信息。
[0100]
链路整合信息获取单元130，用于从所述测试用例对应的链路数据信息中获取与所述异常记录信息相匹配的链路整合信息。
[0101]
在一具体实施例中，所述链路整合信息获取单元130包括子单元：截取时间段确定单元，用于根据所述异常记录信息中每一异常记录的记录时间确定对应的截取时间段；备选链路数据信息获取单元，用于根据所述截取时间段从所述链路数据信息中截取得到对应的备选链路数据信息；基础链路数据获取单元，用于根据所述异常记录信息中每一异常记录的锚定信息从所述备选链路数据信息中获取与每一锚定信息对应的基础链路数据；关联关系判断单元，用于判断每一所述基础链路数据与所述链路数据信息中的上游链路数据或下游链路数据之间是否存在关联关系；关联链路数据获取单元，用于获取所述链路数据信息中与每一所述基础链路数据存在关联关系的上游链路数据及下游链路数据作为关联链路数据；链路数据整合单元，用于将所述基础链路数据与所述关联链路数据进行整合得到对应的链路整合信息。
[0102]
异常特征信息获取单元140，用于根据预置的特征提取规则从所述链路整合信息提取得到对应的异常特征信息。
[0103]
在一具体实施例中，所述异常特征信息获取单元140包括子单元：目标特征代码段获取单元，用于获取所述链路整合信息中与所述特征关键词集合包含的特征关键词相匹配的代码段作为目标特征代码段；特征编码获取单元，用于根据所述特征编码映射集合对每一所述目标特征代码段分别进行映射，得到每一所述目标特征代码段对应的特征编码；特征编码组合单元，用于将所述特征编码进行顺序组合得到对应的异常特征信息。
[0104]
异常定位信息获取单元150，用于根据预置的异常识别模型对所述异常特征信息进行定位预测，得到对应的异常定位信息。
[0105]
在一具体实施例中，所述异常定位信息获取单元150包括子单元：识别输出信息获取单元，用于将所述异常特征信息输入所述异常识别模型进行计算，以得到对应的识别输出信息；定位标识获取单元，用于从所述识别输出信息中获取满足预存的获取条件的定位标识作为对应的异常定位信息。
[0106]
在一具体实施例中，所述基于智能预测的程序异常定位装置100还包括子单元：终端地址确定单元，用于根据预存的开发管理数据表确定所述异常定位信息中每一定位标识对应的终端地址；信息发送单元，用于根据所述终端地址将所述报错信息及所述异常定位信息发送至对应的开发终端。
[0107]
在一具体实施例中，所述基于智能预测的程序异常定位装置100还包括子单元：异常定位信息存储单元，用于将所述异常定位信息上传至区块链中。
[0108]
在本发明实施例所提供的基于智能预测的程序异常定位装置应用上述基于智能预测的程序异常定位方法，将测试用例集中的测试用例依次输入应用程序进行执行并判断是否出现报错信息，若测试用例的执行过程出现报错信息则从对应的执行记录信息中获取异常记录信息，从链路数据信息中获取与异常记录信息对应的链路整合信息并从中提取得到异常特征信息，根据异常识别模型对异常定位信息进行定位预测得到异常定位信息。通过上述方法，可从执行记录信息中获取异常记录信息并进一步从链路数据信息中获取异常特征信息，对异常特征信息进行分析以实现快速定位预测，从而快速定位异常的服务模块，
大幅提高了对异常进行定位的速度及准确性。
[0109]
上述基于智能预测的程序异常定位装置可以实现为计算机程序的形式，该计算机程序可以在如图10所示的计算机设备上运行。
[0110]
请参阅图10，图10是本发明实施例提供的计算机设备的示意性框图。该计算机设备可以是用于执行基于智能预测的程序异常定位方法以对程序异常进行智能预测以获取异常定位信息的管理服务器。
[0111]
参阅图10，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括存储介质503和内存储器504。
[0112]
该存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行基于智能预测的程序异常定位方法，其中，存储介质503可以为易失性的存储介质或非易失性的存储介质。
[0113]
该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。
[0114]
该内存储器504为存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行基于智能预测的程序异常定位方法。
[0115]
该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图10中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0116]
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现上述的基于智能预测的程序异常定位方法中对应的功能。
[0117]
本领域技术人员可以理解，图10中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图10所示实施例一致，在此不再赘述。
[0118]
应当理解，在本发明实施例中，处理器502可以是中央处理单元(central processing unit，cpu)，该处理器502还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0119]
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为易失性或非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现上述的基于智能预测的程序异常定位方法中所包含的步骤。
[0120]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的
可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0121]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
[0122]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
[0123]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0124]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个计算机可读存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的计算机可读存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0125]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。