采用机器学习技术的风险感知系统和方法与流程

本公开的各个实施例一般涉及训练和使用机器学习模型以减少和排除系统事件，更具体地，涉及训练和使用机器学习模型以确定系统拟定修改的风险水平。

背景技术：

1、软件代码部署、重构或发布存在不同种类的相关风险，具体取决于更改的代码。不清楚特定代码部署的潜在脆弱性和风险程度会增加系统中断风险。代码部署往往令公司面临风险，平台现代化是一个持续的过程。技术转型对于任何产品而言都是重要活动，会给软件公司带来巨大的风险和机遇。进行此类操作时，非常需要确保在最脆弱的区域重构代码，并在开始向新部署代码转变之前确保适当的测试框架落实到位。

2、此外，软件公司一直致力于对某些发布产品所允许的更改应用规则以避免中断。这一过程具有规则导向和/或人工主观性。中断和/或事件会导致公司在服务水平协议支出方面付出代价，但更重要的是，因返工而浪费了人员的时间，并且可能对公司在客户中的声誉产生不利影响。生产阶段仍然存在的漏洞会产生最高昂的成本，引发连锁反应，对所有下游团队造成直接成本。此外，在修改部署完成后，事件团队可能会浪费时间来确定导致系统性能变化的原因。

3、本公开旨在克服上述一项或多项挑战。

技术实现思路

1、根据本公开的某些方面，本发明公开了用于训练和使用机器学习模型以减少和排除系统事件的系统和方法，更具体地，公开了用于训练和使用机器学习模型以确定系统拟定修改的风险水平的系统和方法。

2、本公开的一个实施例可以是一种用于训练机器学习模型的方法，所述方法包括由一个或多个处理器执行以下操作：接收关于系统先前修改的第一元数据；从收到的第一元数据中提取第一特征；接收关于系统先前修改相关先前事件的第二元数据；从收到的第二元数据中提取第二特征；根据提取的第一特征和第二特征，训练机器学习模型，学习先前修改与其相关先前事件之间的关联；以及根据习得的先前修改与其相关先前事件之间的关联，使用经训练的机器学习模型，根据提取的第一特征自动确定先前修改的风险水平。

3、本公开的一个实施例可以是一种用于确定系统拟定修改的风险水平的方法，所述方法包括由一个或多个处理器执行以下操作：接收关于系统拟定修改的元数据；从收到的元数据中提取特征，使提取的特征与经训练的机器学习模型的特征相对应，从而根据习得的所提取特征与系统事件之间的关联确定拟定修改的风险水平；以及根据习得的所提取特征与系统事件之间的关联，使用根据从关于系统先前修改的元数据中提取的第一特征以及从关于系统先前修改相关先前事件的元数据中提取的第二特征训练过的机器学习模型，根据提取的特征自动确定拟定修改的风险水平。

4、本公开的一个实施例可以是一种用于确定系统拟定修改的风险水平的计算机实现系统，所述计算机实现系统包括：一个存储指令的存储器；以及一个处理器，执行所存储的指令以执行以下操作：接收关于系统拟定修改的元数据；从收到的元数据中提取特征，使提取的特征与经训练的机器学习模型的特征相对应，从而根据习得的所提取特征与系统事件之间的关联确定拟定修改的风险水平；以及根据习得的所提取特征与系统事件之间的关联，使用根据从关于系统先前修改的元数据中提取的第一特征以及从关于系统先前修改相关先前事件的元数据中提取的第二特征训练过的机器学习模型，根据提取的特征自动确定拟定修改的风险水平。

5、公开实施例的更多目的和优点将在以下说明中得到部分阐述且部分显而易见，或者可通过公开实施例的实践而获知。利用所附权利要求中具体指出的要素及组合，可以实现并获得公开实施例的这些目的和优点。

6、从以下实施例中显而易见的是，所公开的系统和方法的优势在于，与当前各部门独立改进相比，所公开的系统和方法提供了一种针对事件的端到端方法，这将增强沟通并关注常见问题。所公开的系统和方法为公司的所有部门提供了一种向所有部门供应公用数据以便进行洞察的解决方案。因此，团队可采取措施，例如在硬件和/或软件部署过程中进行更多测试并雇用更多员工，以及提供重构代码方面的指导等。

7、例如，所公开的系统和方法可按devops循环提供智能警报以缓解事件，减少开发漏洞，并实时主动识别风险。所公开的系统和方法可与代码存储库集成，在关键代码段被修改时向开发人员发出警告，或者自动批准不太关键的代码段，这将减少长期开发维护。所公开的系统和方法可与部署和配置管理平台集成，在配置项被修改时向操作和服务交付人员发出警告，或者自动批准非关键更改。所公开的系统和方法可用于测试自动化以减少发布所需的时间。所公开的系统和方法可与事件管理相结合，警告事件处理程序可能存在代码相关或更改相关事件，并提供重要信息，从而提高解决速度。

8、应理解，以上一般说明和以下具体实施方式均仅用于示例性和说明性目的，而非限制要求保护的公开实施例。

技术特征：

1.一种用于训练机器学习模型的方法，所述方法包括由一个或多个处理器执行以下操作：

2.一种用于确定系统拟定修改的风险水平的方法，所述方法包括由一个或多个处理器执行以下操作：

3.根据权利要求2所述的方法，其中，所述操作进一步包括：

4.根据权利要求3所述的方法，其中，所述提供警报的操作进一步包括：

5.根据权利要求3所述的方法，其中，所述提供警报的操作进一步包括：

6.根据权利要求2所述的方法，其中，所述操作进一步包括：

7.根据权利要求2所述的方法，其中，所述系统包括接收系统、开发系统、发布系统、部署系统或事件报告系统中的至少一项。

8.根据权利要求2所述的方法，其中，所述拟定修改包括系统硬件组件修改或系统软件组件修改中的至少一项。

9.根据权利要求2所述的方法，其中，所述拟定修改包括系统软件组件代码修改，并且

10.根据权利要求2所述的方法，其中，通过一次或多次应用程序编程接口(api)交互执行所述操作。

11.一种存储指令的非暂态计算机可读介质，其中，由一个或多个处理器执行时，所述指令使一个或多个处理器执行根据权利要求2所述的方法。

12.一种用于确定系统拟定修改的风险水平的计算机实现系统，所述计算机实现系统包括：

13.根据权利要求12所述的计算机实现系统，其中，所述操作进一步包括：

14.根据权利要求13所述的计算机实现系统，其中，所述提供警报的操作进一步包括：

15.根据权利要求13所述的计算机实现系统，其中，所述提供警报的操作进一步包括：

16.根据权利要求12所述的计算机实现系统，其中，所述操作进一步包括：

17.根据权利要求12所述的计算机实现系统，其中，所述系统包括接收系统、开发系统、发布系统、部署系统或事件报告系统中的至少一项。

18.根据权利要求12所述的计算机实现系统，其中，所述拟定修改包括系统硬件组件修改或系统软件组件修改中的至少一项。

19.根据权利要求12所述的计算机实现系统，其中，所述拟定修改包括系统软件组件代码修改，并且

20.根据权利要求12所述的计算机实现系统，其中，通过一次或多次应用程序编程接口(api)交互执行所述操作。

技术总结
一种用于训练和使用机器学习模型以减少和排除系统事件的方法，可包括：接收关于先前修改的第一元数据；从收到的第一元数据中提取第一特征；接收关于先前事件的第二元数据；从收到的第二元数据中提取第二特征；根据提取的第一特征和第二特征，训练机器学习模型，学习先前修改与先前事件之间的关联；以及使用机器学习模型，确定系统拟定修改的风险水平。

技术研发人员：皮尔·卡尔松,本杰明·韦尔曼,舍尔·萨基特,维达·拉什卡里
受保护的技术使用者：富达利提信息服务有限责任公司
技术研发日：
技术公布日：2024/1/15