云平台一键部署系统的制作方法

1.本发明涉及云计算技术领域，尤其涉及一种云平台一键部署系统。


背景技术：

2.随着云计算技术的发展和云计算业务的不断进步，云计算将会在it领域发挥越来越重要的作用，云计算环境中存在着大批量的宿主机(即物理机，或称为硬件物理服务器)或者是在宿主机中运行的虚机，无论是宿主机还是虚机在工作前都需要分别逐步按照提示安装操作系统和应用软件并要完成系统配置等部署操作，每台宿主机或虚拟机通常是通过系统安装光盘安装操作系统，再通过软件安装盘或网络下载安装各应用软件，并通过手工配置系统参数，这些操作占用大量人力、时间和安装资源。故云计算技术中最基础的要点就是提供云计算环境中的宿主机或虚拟机操作系统和应用的快速统一安装部署，并且能快速统一配置宿主机或虚机；目前市场上的自动部署云系统在部署后并没有针对部署后的系统进行运行验证，容易导致部署后系统出现问题不能及时发现降低云平台系统部署质量，因此，有必要提出一种云平台一键部署系统，用于在系统部署后针对部署后的系统进行运行验证，提高云平台系统部署质量。


技术实现要素：

3.本发明提供一种云平台一键部署系统，用于解决在系统部署后针对部署后的系统进行运行验证，提高云平台系统部署质量的问题。
4.一种云平台一键部署系统，包括：
5.采集模块，用于采集待部署虚拟机中的待部署数据和待部署虚拟机的虚拟机类型；
6.传输模块，用于将待部署数据传输至空白vpc网络，得到部署vpc网络；
7.部署模块，用于将与虚拟机类型相同的虚拟机复制到部署vpc网络的虚拟子网中，得到部署系统；
8.验证模块，用于对部署系统进行运行正常验证。
9.作为本发明的一种实施例，采集模块包括：
10.初始vpc网络建立子模块，用于建立初始vpc网络；
11.数据转移子模块，用于将待部署虚拟机转移至初始vpc网络中；
12.数据采集子模块，用于采集初始vpc网络中的待部署数据；
13.类型采集子模块，用于采集待部署虚拟机的虚拟机类型。
14.作为本发明的一种实施例，一种云平台一键部署系统还包括：
15.空白vpc网络建立模块，用于建立空白vpc网络。
16.作为本发明的一种实施例，部署模块包括：
17.虚拟机选定子模块，用于接收待部署虚拟机的虚拟机类型并选定与虚拟机类型相同的虚拟机，得到部署虚拟机；
18.复制路径确定子模块，用于选择部署vpc网络中的虚拟子网作为虚拟机复制路径；
19.粘贴子模块，用于根据虚拟机复制路径将部署虚拟机复制到部署vpc网络的虚拟子网中，得到部署系统。
20.作为本发明的一种实施例，验证模块包括：
21.应用程序检测子模块，用于检测部署系统所属的应用程序能否正常打开使用；
22.数据库检测子模块，用于检测部署系统所属的数据库能否正常打开使用；
23.浏览器检测子模块，用于检测部署系统所属的浏览器能否正常登陆访问；
24.客户端检测子模块，用于检测部署系统所属的客户端能否正常登陆访问；
25.结果输出子模块，用于当部署系统所属的应用程序、数据库、浏览器和客户端均正常时在部署系统的显示页面显示部署成功信号。
26.作为本发明的一种实施例，一种云平台一键部署系统，还包括：报警模块，用于当部署系统不能正常运行时发出报警信号。
27.作为本发明的一种实施例，报警模块包括：
28.故障定位子模块，用于对部署系统中不能正常运行的板块进行故障定位，得到故障板块；其中，板块包括：应用程序、数据库、浏览器、客户端；
29.故障报警子模块，用于根据故障板块发出与故障板块对应的板块报警信号；其中，板块报警信号包括应用程序报警信号、数据库报警信号、浏览器报警信号、客户端报警信号。
30.作为本发明的一种实施例，数据传输子模块还包括：
31.防重传单元，用于在将待部署数据传输至空白vpc网络时对传输的待部署数据进行数据防重传验证。
32.作为本发明的一种实施例，防重传单元执行包括如下操作：
33.将待部署数据进行数据分类，得到若干不同类型的目标待部署数据信息；
34.对目标待部署数据信息进行类型特征提取和存储容量特征提取，得到第一类型模态信息和第一存储模态信息；
35.获取空白vpc网络中的已部署数据信息，对已部署数据信息进行类型特征提取和信息存储特征提取，得到第二类型模态信息和第二存储模态信息；
36.获取用于对部署数据信息进行循环识别的循环网络模型；其中，循环网络模型包括与第一类型模态信息和第二类型模态信息相关联的类型循环序列模型和与第一存储模态信息和第二存储模态信息相关联的存储循环序列模型，类型循环序列模型包括类型循环序列表征学习层和类型循环相似度度量层，存储循环序列模型包括存储循环序列表征学习层和存储循环相似度度量层；
37.将第一类型模态信息和第二类型模态信息输入至类型循环序列模型，通过类型循环序列表征学习层对第一类型模态信息和第二类型模态信息进行序列特征学习，得到第一类型学习特征和第二类型学习特征，将第一类型学习特征和第二类型学习特征输入至类型循环相似度度量层，得到类型模态信息相似结果；
38.将第一存储模态信息和第二存储模态信息输入至存储循环序列模型，通过存储循环序列表征学习层对第一存储模态信息和第二存储模态信息进行序列特征学习，得到第一存储学习特征和第二存储学习特征，将第一存储学习特征和第二存储学习特征输入至存储
循环相似度度量层，得到存储模态信息相似结果；
39.若类型模态信息相似结果为第一类型模态信息和第二类型模态信息相似，且，存储模态信息相似结果为第一存储模态信息和第二存储模态信息相似，则目标待部署数据信息为重传数据信息，拒绝将目标待部署数据信息传输至空白vpc网络中；
40.若类型模态信息相似结果为第一类型模态信息和第二类型模态信息不相似，和/或，存储模态信息相似结果为第一存储模态信息和第二存储模态信息不相似，则目标待部署数据信息不为重传数据信息，同意将目标待部署数据信息传输至空白vpc网络中。
41.作为本发明的一种实施例，将待部署数据进行数据分类，得到若干不同类型的目标待部署数据信息，包括：
42.基于预设待部署数据库中的数据字段类型和预设标签集中标签之间的点互信息，构建数据标签索引库；其中，数据标签索引库中包括数据字段类型与预设标签集中标签之间的对应关系；数据字段类型包括应用程序数据字段类型、数据库数据字段类型、浏览器数据字段类型、客户端数据字段类型；预设标签集中标签包括应用程序标签、数据库标签、浏览器标签、客户端标签；
43.对待部署数据进行数据字段分类，得到待部署数据的数据字段集合；
44.从数据标签索引库中每个数据字段类型对应的一组标签信息中获取与数据字段集合中每个数据字段相关的第一标签集；其中，第一标签集中包括数据字段集合中每个数据字段的标签；
45.通过预先训练好的向量模型获取数据字段集合中每个数据字段的数据字段向量表示和第一标签集中每个标签的标签向量表示；
46.将数据字段向量表示与每个标签的标签向量表示分别进行拼接，得到标签预测特征向量；
47.通过预设深度预测排序模型对标签预测特征向量进行预测评分，得到待部署数据的预测标签集；
48.根据待部署数据的预测标签集对待部署数据进行数据分类，得到若干不同类型的目标待部署数据信息。
49.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
50.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
51.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
52.图1为本发明实施例中一种云平台一键部署系统的流程图；
53.图2为本发明实施例中一种云平台一键部署系统的采集模块流程图；
54.图3为本发明实施例中一种云平台一键部署系统的流程图2；
55.图4为本发明实施例中一种云平台一键部署系统的部署模块流程图；
56.图5为本发明实施例中一种云平台一键部署系统的验证模块流程图；
57.图6为本发明实施例中一种云平台一键部署系统的报警模块流程图。
具体实施方式
58.以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
59.请参阅图1，本发明实施例提供了一种云平台一键部署系统，包括：
60.采集模块，用于采集待部署虚拟机中的待部署数据和待部署虚拟机的虚拟机类型；
61.传输模块，用于将待部署数据传输至空白vpc网络，得到部署vpc网络；
62.部署模块，用于将与虚拟机类型相同的虚拟机复制到部署vpc网络的虚拟子网中，得到部署系统；
63.验证模块，用于对部署系统进行运行正常验证；
64.上述技术方案的工作原理为：一种云平台一键部署系统包括采集模块、传输模块、部署模块和验证模块，采集模块用于采集待部署虚拟机中的待部署数据和待部署虚拟机的虚拟机类型，其中，待部署虚拟机优选为现有系统所在的虚拟机，待部署数据包括但不限于vpc路由器数据、虚拟子网数据、负载均衡数据等；传输模块用于将待部署数据传输至空白vpc网络，得到部署vpc网络；部署模块用于将与待部署虚拟机的虚拟机类型相同的虚拟机复制到部署vpc网络的虚拟子网中，得到部署系统；验证模块用于对部署系统进行运行正常验证，判断部署系统是否能正常运行；
65.上述技术方案的有益效果为：通过采集模块、传输模块和部署模块，能够对云平台上的虚拟机所需系统进行一键部署，减少人工操作，提高部署效率，通过验证模块，防止部署后系统存在问题影响客户对云平台虚拟机的感官，及时发现问题并通过操作人员进行处理有益于提高云平台系统部署质量。
66.请参阅图2，在一个实施例中，采集模块包括：
67.初始vpc网络建立子模块，用于建立初始vpc网络；
68.数据转移子模块，用于将待部署虚拟机转移至初始vpc网络中；
69.数据采集子模块，用于采集初始vpc网络中的待部署数据；
70.类型采集子模块，用于采集待部署虚拟机的虚拟机类型；
71.上述技术方案的工作原理为：采集模块包括初始vpc网络建立子模块、数据转移子模块、数据采集子模块和类型采集子模块，初始vpc网络建立子模块用于建立初始vpc网络，初始vpc网络中开始时优选不包含vpc路由器数据、虚拟子网数据、负载均衡数据，数据转移子模块用于将待部署虚拟机转移至初始vpc网络中，即将待部署虚拟机中的vpc路由器数据、虚拟子网数据、负载均衡数据等数据迁移至初始vpc网络中，此时初始vpc网络中包含有部署虚拟机中的待部署数据；数据采集子模块用于采集初始vpc网络中的待部署数据，具体包括：首先找到初始vpc网络中待部署数据的默认储存位置，进入默认存储位置中对初始vpc网络中的待部署数据进行寻找采集并复制；类型采集子模块用于采集待部署虚拟机的虚拟机类型，虚拟机类型优选包括微软虚拟机、mac虚拟机、bm虚拟机、hp虚拟机、swsoft虚拟机、sun虚拟机、intel虚拟机、amd虚拟机、java虚拟机、bb虚拟机、linux虚拟机等类型，更进一步地，类型采集子模块还用于采集待部署虚拟机所用到的虚拟内存等数据。
72.请参阅图3，在一个实施例中，一种云平台一键部署系统还包括：
73.空白vpc网络建立模块，用于建立空白vpc网络。
74.请参阅图4，在一个实施例中，部署模块包括：
75.虚拟机选定子模块，用于接收待部署虚拟机的虚拟机类型并选定与虚拟机类型相同的虚拟机，得到部署虚拟机；
76.复制路径确定子模块，用于选择部署vpc网络中的虚拟子网作为虚拟机复制路径；
77.粘贴子模块，用于根据虚拟机复制路径将部署虚拟机复制到部署vpc网络的虚拟子网中，得到部署系统；
78.上述技术方案的工作原理为：部署模块包括虚拟机选定子模块、复制路径确定子模块和粘贴子模块，其中，虚拟机选定子模块用于接收待部署虚拟机的虚拟机类型并选定与虚拟机类型相同的虚拟机得到部署虚拟机，优选的选定方法为对待部署虚拟机进行复制得到部署虚拟机，复制路径确定子模块用于选择部署vpc网络中的虚拟子网作为虚拟机复制路径，粘贴子模块则用于根据虚拟机复制路径将部署虚拟机复制到部署vpc网络的虚拟子网中，从而得到部署系统。
79.请参阅图5，在一个实施例中，验证模块包括：
80.应用程序检测子模块，用于检测部署系统所属的应用程序能否正常打开使用；
81.数据库检测子模块，用于检测部署系统所属的数据库能否正常打开使用；
82.浏览器检测子模块，用于检测部署系统所属的浏览器能否正常登陆访问；
83.客户端检测子模块，用于检测部署系统所属的客户端能否正常登陆访问；
84.结果输出子模块，用于当部署系统所属的应用程序、数据库、浏览器和客户端均正常时在部署系统的显示页面显示部署成功信号；
85.上述技术方案的工作原理为：验证模块包括应用程序检测子模块、数据库检测子模块、浏览器检测子模块、客户端检测子模块和结果输出子模块，其中，应用程序检测子模块用于检测部署系统所属的应用程序能否正常打开使用，应用程序检测子模块的检测方法优选包括：获取被检测应用程序的全局参数，通过应用程序检测子模块配置用于检测当前应用程序的检测单元，利用该检测单元对应用程序的全局参数进行检测，检测包括在利用该检测单元对应用程序的全局参数进行检测时，指示该应用程序发出对其他应用的调用请求，和，指示该应用程序接收其他应用的被调用请求，用于判断该应用程序是否能正常打开使用，若指示该应用程序发出对其他应用的调用请求或指示该应用程序接收其他应用的被调用请求中任一项指示失败时，则表明该应用程序不能被正常打开使用；数据库检测子模块用于检测部署系统所属的数据库能否正常打开使用，数据库检测子模块优选采用为数据库心跳检测技术，数据库检测子模块的检测方法优选包括：确定系统所属的数据库并连接该数据库，指示该数据库开始正常运行，使用数据库心跳检测技术检测该数据库的运行状态，当该运行状态为可用状态时，停止检测，并发出该数据库能正常打开使用的检测结果，若该运行状态为不可用状态，则发出该数据库不能正常打开使用的检测结果；浏览器检测子模块用于检测部署系统所属的浏览器能否正常登陆访问，浏览器检测子模块的检测方法优选包括：获取若干常用网页的网址，并一一在被检测的浏览器中进行网址输入得到实验用网页，对该实验用网页进行静态兼容性扫描，得到需要进行检测的功能模块集合，针对该功能模块集合中的各功能模块，生成该功能模块分别在被检测浏览器下运行的状态机，得
到该功能模块分别对应被检测浏览器的状态转化函数，获取该实验用网页在正常浏览器下工作的功能模块的正常状态转化函数，将该状态转化函数与该正常状态转化函数进行比较确定该实验用网页的功能模块在正常浏览器和被检测浏览器上的功能性差异，判断该差异是否符合预期标准，若符合，则判定该被检测浏览器能正常登陆访问，否则则判定该被检测浏览器不能正常登陆访问；客户端检测子模块用于检测部署系统所属的客户端能否正常登陆访问，客户端检测子模块的检测方法优选包括：当系统部署完成后，启动客户端调试模式，得到调试信息，该调试信息包括调试模式下的电压信息、温度信息、运行参数信息和客户端运行时的日志数据信息，根据预设的正常值范围判断该调试信息是否出现故障，若该调试信息中的所有值均符合预设的正常值范围，则表明该客户端没有出现故障，能正常登陆访问，否则则判定该客户端出现故障，不能正常登陆访问；当上述检测子模块检测部署系统所属的应用程序、数据库、浏览器和客户端均正常时，结果输出子模块在部署系统的显示页面显示部署成功信号，否则则输出部署不成功信号，用于提示使用者。
86.在一个实施例中，一种云平台一键部署系统，还包括：报警模块，用于当部署系统不能正常运行时发出报警信号；
87.上述技术方案的有益效果为：通过报警模块，在部署系统不能正常运行时能够及时提醒使用者，有益于提高部署效率，防止部署失败时使用者还不自知。
88.请参阅图6，在一个实施例中，报警模块包括：
89.故障定位子模块，用于对部署系统中不能正常运行的板块进行故障定位，确定存在故障的板块的位置；其中，板块包括：应用程序、数据库、浏览器、客户端；
90.故障报警子模块，用于根据存在故障的板块的位置发出对应的板块报警信号；其中，板块报警信号包括应用程序报警信号、数据库报警信号、浏览器报警信号、客户端报警信号；
91.上述技术方案的工作原理为：报警模块与验证模块连接，报警模块包括故障定位子模块和故障报警子模块，其中，故障定位子模块用于对部署系统中不能正常运行的板块进行故障定位，确定存在故障的板块的位置，不能正常运行的板块包括：应用程序板块、数据库板块、浏览器板块和客户端板块；故障报警子模块用于根据存在故障的板块的位置发出对应的板块报警信号，板块报警信号包括应用程序报警信号、数据库报警信号、浏览器报警信号、客户端报警信号，例如，当故障定位子模块接收到验证模块发送的检测信息为应用程序不能正常打开使用时(这一步即确定存在故障的板块的位置)，发送应用程序存在故障的信号至故障报警子模块，故障报警子模块则发出应用程序报警信号，用于提示使用者；
92.上述技术方案的有益效果为：通过故障定位子模块和故障报警子模块，能够精确的找出部署系统不能正常运行的原因在哪里并及时提醒使用者，减少了使用者检查运行错误的时间，提高了系统部署的部署效率。
93.在一个实施例中，数据传输子模块还包括：
94.防重传单元，用于在将待部署数据传输至空白vpc网络时对传输的待部署数据进行数据防重传验证；
95.上述技术方案的有益效果为：通过防重传单元，有益于防止将待部署数据多次重复传输至空白vpc网络导致空白vpc网络中的数据重复，造成空白vpc网络中的数据冗余；且通过防重传单元，防止空白vpc网络中的数据冗余，有益于提高后续部署系统所属的应用程
序、数据库、浏览器和客户端均正常运行的概率。
96.在一个实施例中，防重传单元执行包括如下操作：
97.将待部署数据进行数据分类，得到若干不同类型的目标待部署数据信息；
98.对目标待部署数据信息进行类型特征提取和存储容量特征提取，得到第一类型模态信息和第一存储模态信息；
99.获取空白vpc网络中的已部署数据信息，对已部署数据信息进行类型特征提取和信息存储特征提取，得到第二类型模态信息和第二存储模态信息；
100.获取用于对部署数据信息进行循环识别的循环网络模型；其中，循环网络模型包括与第一类型模态信息和第二类型模态信息相关联的类型循环序列模型和与第一存储模态信息和第二存储模态信息相关联的存储循环序列模型，类型循环序列模型包括类型循环序列表征学习层和类型循环相似度度量层，存储循环序列模型包括存储循环序列表征学习层和存储循环相似度度量层；
101.将第一类型模态信息和第二类型模态信息输入至类型循环序列模型，通过类型循环序列表征学习层对第一类型模态信息和第二类型模态信息进行序列特征学习，得到第一类型学习特征和第二类型学习特征，将第一类型学习特征和第二类型学习特征输入至类型循环相似度度量层，得到类型模态信息相似结果；
102.将第一存储模态信息和第二存储模态信息输入至存储循环序列模型，通过存储循环序列表征学习层对第一存储模态信息和第二存储模态信息进行序列特征学习，得到第一存储学习特征和第二存储学习特征，将第一存储学习特征和第二存储学习特征输入至存储循环相似度度量层，得到存储模态信息相似结果；
103.若类型模态信息相似结果为第一类型模态信息和第二类型模态信息相似，且，存储模态信息相似结果为第一存储模态信息和第二存储模态信息相似，则目标待部署数据信息为重传数据信息，拒绝将目标待部署数据信息传输至空白vpc网络中；
104.若类型模态信息相似结果为第一类型模态信息和第二类型模态信息不相似，和/或，存储模态信息相似结果为第一存储模态信息和第二存储模态信息不相似，则目标待部署数据信息不为重传数据信息，同意将目标待部署数据信息传输至空白vpc网络中；
105.上述技术方案的工作原理为：将待部署数据进行数据分类，得到若干不同类型的目标待部署数据信息，然后对目标待部署数据信息进行类型特征提取和存储容量特征提取，得到第一类型模态信息和第一存储模态信息；获取空白vpc网络中的已部署数据信息，即已经传输至空白vpc网络的目标待部署数据信息，初始时空白vpc网络中的已部署数据信息为空，对已部署数据信息进行类型特征提取和信息存储特征提取，得到第二类型模态信息和第二存储模态信息，获取用于对部署数据信息进行循环识别的循环网络模型；该循环网络模型优选为一种基于多模态信息的部署数据循环识别模型；其中，循环网络模型包括与第一类型模态信息和第二类型模态信息相关联的类型循环序列模型和与第一存储模态信息和第二存储模态信息相关联的存储循环序列模型，类型循环序列模型包括类型循环序列表征学习层和类型循环相似度度量层，存储循环序列模型包括存储循环序列表征学习层和存储循环相似度度量层；将第一类型模态信息和第二类型模态信息输入至类型循环序列模型，通过类型循环序列表征学习层对第一类型模态信息和第二类型模态信息进行序列特征学习，得到第一类型学习特征和第二类型学习特征，将第一类型学习特征和第二类型学
习特征输入至类型循环相似度度量层，得到类型模态信息相似结果，该类型模态信息相似结果包括第一类型模态信息和第二类型模态信息相似和第一类型模态信息和第二类型模态信息不相似两种结果；将第一存储模态信息和第二存储模态信息输入至存储循环序列模型，通过存储循环序列表征学习层对第一存储模态信息和第二存储模态信息进行序列特征学习，得到第一存储学习特征和第二存储学习特征，将第一存储学习特征和第二存储学习特征输入至存储循环相似度度量层，得到存储模态信息相似结果，该存储模态信息相似结果包括第一存储模态信息和第二存储模态信息相似和第一存储模态信息和第二存储模态信息不相似两种结果；其中，若类型模态信息相似结果为第一类型模态信息和第二类型模态信息相似，且，存储模态信息相似结果为第一存储模态信息和第二存储模态信息相似，则目标待部署数据信息为重传数据信息，拒绝将目标待部署数据信息传输至空白vpc网络中；若类型模态信息相似结果为第一类型模态信息和第二类型模态信息不相似，和/或，存储模态信息相似结果为第一存储模态信息和第二存储模态信息不相似，则目标待部署数据信息不为重传数据信息，同意将目标待部署数据信息传输至空白vpc网络中；
106.更进一步地，在传输前预先获取待部署数据的数据总量，该数据总量包括数据的类型总分布情况，数据的存储情况等，在传输过程中根据待部署数据的数据总量不断对空白vpc网络中的待部署数据进行验证，判断此处传输是否完毕，即判断空白vpc网络中是否已经包含待部署数据中的全部目标待部署数据信息，当验证成功后，停止传输；
107.上述技术方案的有益效果为：数据所包含的信息是非常丰富的，通过将待传输的目标待部署数据信息的第一存储模态信息和第一类型模态信息与空白vpc网络中已经传输的已部署数据信息二存储模态信息和第二类型模态信息进行对比，有益于精确判断该待传输的目标待部署数据信息是否已经传输至空白vpc网络，从而提高防重传子模块的防重传效率。
108.在一个实施例中，将待部署数据进行数据分类，得到若干不同类型的目标待部署数据信息，包括：
109.基于预设待部署数据库中的数据字段类型和预设标签集中标签之间的点互信息，构建数据标签索引库；其中，数据标签索引库中包括数据字段类型与预设标签集中标签之间的对应关系；数据字段类型包括应用程序数据字段类型、数据库数据字段类型、浏览器数据字段类型、客户端数据字段类型；预设标签集中标签包括应用程序标签、数据库标签、浏览器标签、客户端标签；
110.对待部署数据进行数据字段分类，得到待部署数据的数据字段集合；
111.从数据标签索引库中每个数据字段类型对应的一组标签信息中获取与数据字段集合中每个数据字段相关的第一标签集；其中，第一标签集中包括数据字段集合中每个数据字段的标签；
112.通过预先训练好的向量模型获取数据字段集合中每个数据字段的数据字段向量表示和第一标签集中每个标签的标签向量表示；
113.将数据字段向量表示与每个标签的标签向量表示分别进行拼接，得到标签预测特征向量；
114.通过预设深度预测排序模型对标签预测特征向量进行预测评分，得到待部署数据的预测标签集；
115.根据待部署数据的预测标签集对待部署数据进行数据分类，得到若干不同类型的目标待部署数据信息；
116.上述技术方案的工作原理为：将待部署数据进行数据分类，得到若干不同类型的目标待部署数据信息，包括：基于预设待部署数据库中的数据字段类型和预设标签集中标签之间的点互信息，构建数据标签索引库；具体包括根据预设待部署数据库中的数据字段类型和预设标签集中标签之间第一点互信息，得到预设标签集中每个标签对应的数据字段类型，构建数据标签索引库；其中，预设待部署数据库中的数据字段类型优选为在云平台部署系统中最常用的数据字段类型，更进一步的，该预设待部署数据库中的数据字段类型还可以根据使用者的意愿进行增删查改；数据标签索引库中包括数据字段类型与预设标签集中标签之间的对应关系；数据字段类型包括但不限于应用程序数据字段类型、数据库数据字段类型、浏览器数据字段类型、客户端数据字段类型；预设标签集中标签包括应用程序标签、数据库标签、浏览器标签、客户端标签，更进一步地，应用程序标签、数据库标签、浏览器标签、客户端标签中又存在若干应用程序子标签、数据库子标签、浏览器子标签、客户端子标签，优选为根据应用程序、数据库、浏览器、客户端的不同将应用程序标签、数据库标签、浏览器标签、客户端标签分为若干应用程序子标签、数据库子标签、浏览器子标签、客户端子标签；更进一步地，点互信息一般用来衡量两个事件之间的相关性，在本实施例中，预设待部署数据库可以理解为一个事件集合，或者理解为一个大的数据字段集合，每个数据字段上存在一个标签，通过对待部署数据进行数据字段分类，得到一个数据字段，然后可以计算这个数据字段和标签之间的pmi值，计算方法优选为：算这个数据字段和标签之间的pmi值，计算方法优选为：其中，n为预设待部署数据库中的任一数据字段类型，m为n对应的标签，p(n,m)为数据字段和标签之间的pmi值，xn为预设待部署数据库中出现n的次数，xm为预设待部署数据库中出现m的次数，x
nm
为预设待部署数据库中n和m共同出现的次数，q为预设常数，通过计算数据字段和标签之间的pmi值，能够初步建立起数据字段与标签之间的关联关系，进而可以构建基于pmi的标签索引库；该算法相对于其他pmi算法更能增加标签相关度的区分能力，提高标签的精确度；对待部署数据进行数据字段分类，将分类的数据字段整合，得到待部署数据的数据字段集合；从数据标签索引库中每个数据字段类型对应的一组标签信息中获取与数据字段集合中每个数据字段相关的第一标签集；其中，第一标签集中包括数据字段集合中每个数据字段的标签；通过预先训练好的向量模型获取数据字段集合中每个数据字段的数据字段向量表示和第一标签集中每个标签的标签向量表示；将数据字段向量表示与每个标签的标签向量表示分别进行拼接，得到标签预测特征向量；通过预设深度预测排序模型对标签预测特征向量进行预测评分，得到待部署数据的预测标签集；其中，预设深度预测排序模型优选为基于深度学习的预测排序模型；根据待部署数据的预测标签集对待部署数据进行数据分类，得到若干不同类型的目标待部署数据信息；
117.上述技术方案的有益效果为：通过建立数据标签索引库，提高数据字段标签的准确性，通过待部署数据的预测标签集对待部署数据进行数据分类，得到若干不同类型的目标待部署数据信息，有益于提高数据分类的准确性和处理效率。
118.显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精
神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。