1.本发明涉及计算机网络服务技术领域，尤其涉及一种saas服务异常处理方法、装置及可读存储介质。
背景技术：2.对于传统软件来说，因为其不具备网络访问的功能，因此就难以做到快速的版本迭代和升级。为了尽可能保证用户的使用体验，在软件的开发过程中，就需要尽可能多地发现其中隐藏的bug，以保证软件的正常使用，但是这样的软件开发方式会浪费软件开发人员的大量精力，也会显著增加软件开发公司的开发成本。saas的出现，让这个问题有了解决之道。
3.saas和传统软件之间最大的区别在于saas相当于一种可以访问网络的软件。尽管只有这么一小点区别，但是其对于软件开发的影响却是深远的。
4.由于saas的网络访问能力，其升级迭代完全可以通过网络向用户推送最新的版本。saas服务软件的开发者可以根据用户在使用过程中产生的bug或者异常有针对性地进行版本升级，而不用在前期开发的过程中就将所有的情况考虑完毕，通过小步迭代的方式，快速进行软件升级。用户在一定程度上也充当了软件测试员的角色，在使用的过程中也在帮助saas服务软件变得更好。
5.由于saas服务软件相对于传统软件的巨大优势，saas服务软件的用户可能是极其巨大的。一些比较知名的saas服务软件例如百度网盘、office365、wps等的用户都是以千万甚至亿为单位来进行计算的。
6.当saas服务的用户比较少的时候，一个新版本开发出来之后，可以同时向所有的用户推送最新的版本，用户在接收推送后，可以迅速升级到最新的版本。
7.但是，当用户的数量显著增加后，这种推送方式就变得不再可靠。这是因为，用户升级的速度除了和用户的下载带宽有关外，还和软件服务商的上传带宽有关。当用户数量很少时，用户总的下载带宽是小于软件服务商的上传带宽的，这个时候，用户可以进行正常的升级。但是当用户的数量增多，用户总的下载带宽高于软件服务商的上传带宽之后，用户的升级行为就会变得不可靠，例如用户的升级下载速度会变得非常慢，更有甚者会升级失败。这两种情况都会严重影响用户的使用体验，最终的结果就是造成用户的流失。如何解决海量用户下的saas服务软件服务升级体验问题呢，传统的解决这个问题的方式通常是选择一部分用户进行升级，待这部分用户升级完成之后，再选择另一部分用户进行升级。例如，可以根据用户所在的地域，先对华北的用户进行升级，再对华南的用户升级，再对华西的用户升级，再对华东的用户升级。这种升级方式虽然可以部分解决上述提到的问题，但是其方式是非常粗放的，没有考虑到不同的用户对新版本的需求程度，有的用户甚至不需要升级，对其saas服务软件进行升级甚至会伤害其用户体验。
8.因此，如何精细化地根据不同用户的升级需求程度对不同用户进行saas服务软件的定向升级，成为了本领域中一个亟需解决的问题。
9.为了解决现有技术中存在的问题，本发明提出了一种saas服务异常处理方法、装置及可读存储介质，根据用户在使用saas服务的过程中出现的异常情况，来判断不同用户对于saas服务软件需求的紧迫性，并据此实现按用户升级紧迫性来进行saas服务的迭代升级。
技术实现要素：10.为了解决该问题，本发明提出了如下的方案：一种saas服务异常处理方法，其包括如下步骤：s1：获取saas服务后台异常日志，并对所述后台异常日志进行统计处理，得到不同类型异常的异常处理优先级。
11.s2：根据所述异常处理优先级，获取待debug异常。
12.s3：开发人员针对所述待debug异常进行debug，获得debug之后的saas服务软件。
13.s4：获取待推送用户。
14.s5：将所述debug之后的saas服务软件推送到待推送用户。
15.优选地，步骤s1包括：s11：预先设置不同类型的异常e，根据所述异常的危害等级对不同类型的异常设置危害权重w。
16.s12：统计得到不同类型异常的出现次数n，根据如下公式计算异常处理优先级：p=w*n，其中p代表异常类型为e的异常处理优先级，n代表类型为e的异常的出现次数，w代表类型为e的异常的危害权重。
17.优选地，步骤s2包括：s21：根据所述异常处理优先级的大小，对不同类型的异常按照降序顺序进行排序。
18.s22：将排列在前的k1个异常设置为第一待debug异常，其中k1为人为设定的值。
19.s23：在排列在第一待debug异常之后的异常中随机选取k2个异常设置为第二待debug异常，其中k2为人为设定的值。
20.s24：将第一待debug异常和第二待debug异常合并为待debug异常。
21.选取排列在前的异常作为待debug异常是因为这些异常的出现次数多，危害等级大，应该被优先debug。之所以要随机选取第二待debug异常是因为不同用户遇到的异常是不同的，在debug的过程中，除了要关注那些大多数人会发生的危害等级大的异常之外，也需要关注到小部分用户有可能发生的异常，通过多个版本的迭代可以让不同的小部分用户的异常得到解决，这样才能更全面得提升用户体验。
22.优选地，步骤s4包括：s41：获取用户异常日志。
23.s42：计算所述用户异常日志与所述saas服务后台异常日志的第一相似度。
24.s43：根据所述待debug异常计算所述用户异常日志与所述debug异常的第二相似度。
25.s44：根据所述第一相似度和第二相似度确定综合相似度，根据所述综合相似度确定待推送用户。
26.优选地，步骤s42包括：s421：获取用户异常日志中不同类型的异常及其出现次数，将其用向量u表示，其中u=[e，c1]，e=[e1，e2，e3，
…
ei，en]，c1=[c11，c12，c13，
…
c1i，c1n]，其中c1i表示异常ei在用户异常日志中的出现次数。
[0027]
s422：获取saas服务后台异常日志中不同类型异常及其出现次数，将其用向量s表示，其中s=[e，c2]，e=[e1，e2，e3，
…
ei，en]，c2=[c21，c22，c23，
…
c2i，c2n]，其中c2i表示异常ei在saas服务后台异常日志中的出现次数。
[0028]
s423：利用余弦相似度公式计算向量u和s之间的相似度作为所述第一相似度sim1=us/(|u||s|)。
[0029]
优选地，步骤s43包括：s431：根据所述待debug异常确定第二相似度。
[0030]
s432：获取saas服务后台异常日志中属于待debug异常中的异常及其出现次数，将其用向量d表示，其中d=[e，c3]，e=[e1，e2，e3，
…
ei，en]，c3=[c31，c32，c33，
…
c3i，c3n]，在c3中，将未出现在待debug异常中的出现次数设置为0。
[0031]
s433：利用余弦相似度公式计算向量u和d之间的相似度作为所述第二相似度sim2=ud/(|u||d|)。
[0032]
优选的，步骤s44包括：s441：所述综合相似度计算公式如下：sim=w1*sim1+w2*sim2，w1和w2为可以人为调整的权重。
[0033]
s442：按照综合相似度对用户进行降序排序，设定推送窗口的大小为m，选取前m个用户为待推送用户。
[0034]
s443：待所述待推送用户完成升级后，选取第m+1到第2m个用户为待推送用户进行推送，按照此步骤直到所有用户被推送完毕。
[0035]
本发明还提供了一种saas服务异常处理装置，所述装置包括：异常分析模块：用于获取saas服务后台异常日志，并对所述后台异常日志进行统计处理，得到不同类型异常的异常处理优先级，根据所述异常处理优先级，获取待debug异常。
[0036]
异常debug模块：用于开发人员针对所述待debug异常进行debug，获得debug之后的saas服务软件。
[0037]
推送模块：用于获取待推送用户，将所述debug之后的saas服务软件推送到待推送用户。
[0038]
优选地，所述异常分析模块按照如下步骤进行异常分析：预先设置不同类型的异常e，根据所述异常的危害等级对不同类型的异常设置危害权重w。
[0039]
统计得到不同类型异常的出现次数n，根据如下公式计算异常处理优先级：p=w*n，其中p代表异常类型为e的异常处理优先级，n代表类型为e的异常的出现次数，w代表类型为e的异常的危害权重。
[0040]
根据所述异常处理优先级的大小，对不同类型的异常按照降序顺序进行排序。
[0041]
将排列在前的k1个异常设置为第一待debug异常，其中k1为人为设定的值。
[0042]
在排列在第一待debug异常之后的异常中随机选取k2个异常设置为第二待debug异常，其中k2为人为设定的值。
[0043]
将第一待debug异常和第二待debug异常合并为待debug异常。
[0044]
优选地，所述推送模块按照如下步骤进行推送：获取用户异常日志。
[0045]
计算所述用户异常日志与所述saas服务后台异常日志的第一相似度。
[0046]
根据所述待debug异常计算所述用户异常日志与所述debug异常的第二相似度。
[0047]
根据所述第一相似度和第二相似度确定综合相似度，根据所述综合相似度确定待推送用户。
[0048]
优选地，所述计算所述用户异常日志与所述saas服务后台异常日志的第一相似度包括：获取用户异常日志中不同类型的异常及其出现次数，将其用向量u表示，其中u=[e，c1]，e=[e1，e2，e3，
…
ei，en]，c1=[c11，c12，c13，
…
c1i，c1n]，其中c1i表示异常ei在用户异常日志中的出现次数。
[0049]
获取saas服务后台异常日志中不同类型异常及其出现次数，将其用向量s表示，其中s=[e，c2]，e=[e1，e2，e3，
…
ei，en]，c2=[c21，c22，c23，
…
c2i，c2n]，其中c2i表示异常ei在saas服务后台异常日志中的出现次数。
[0050]
利用余弦相似度公式计算向量u和s之间的相似度作为所述第一相似度sim1=us/(|u||s|)。
[0051]
优选地，所述根据所述待debug异常计算所述用户异常日志与所述debug异常的第二相似度。包括：根据所述待debug异常确定第二相似度。
[0052]
获取saas服务后台异常日志中属于待debug异常中的异常及其出现次数，将其用向量d表示，其中d=[e，c3]，e=[e1，e2，e3，
…
ei，en]，c3=[c31，c32，c33，
…
c3i，c3n]，在c3中，将未出现在待debug异常中的出现次数设置为0。
[0053]
利用余弦相似度公式计算向量u和d之间的相似度作为所述第二相似度sim2=ud/(|u||d|)。
[0054]
优选的，所述根据所述第一相似度和第二相似度确定综合相似度，根据所述综合相似度确定待推送用户。具体为：所述综合相似度计算公式如下：sim=w1*sim1+w2*sim2，w1和w2为可以人为调整的权重。
[0055]
按照综合相似度对用户进行降序排序，设定推送窗口的大小为m，选取前m个用户为待推送用户。
[0056]
待所述待推送用户完成升级后，选取第m+1到第2m个用户为待推送用户进行推送，按照此步骤直到所有用户被推送完毕。
[0057]
本发明还提供了一种saas服务异常处理可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的确定待推送用户的方法。
附图说明
[0058]
图1是本发明一种saas服务异常处理方法的步骤流程图。
具体实施方式
[0059]
下面结合附图和具体实施例对本发明进行详细说明。
[0060]
实施例：如图1所示，一种saas服务异常处理方法，该方法包括以下步骤:s1：获取saas服务后台异常日志，并对所述后台异常日志进行统计处理，得到不同类型异常的异常处理优先级。
[0061]
s2：根据所述异常处理优先级，获取待debug异常。
[0062]
s3：开发人员针对所述待debug异常进行debug,获得debug之后的saas服务软件。
[0063]
s4：获取待推送用户。
[0064]
s5：将所述debug之后的saas服务软件推送到待推送用户。
[0065]
优选地，步骤s1包括：s11：预先设置不同类型的异常e，根据所述异常的危害等级对不同类型的异常设置危害权重w。
[0066]
s12：统计得到不同类型异常的出现次数n，根据如下公式计算异常处理优先级：p=w*n,其中p代表异常类型为e的异常处理优先级，n代表类型为e的异常的出现次数，w代表类型为e的异常的危害权重。
[0067]
优选地，步骤s2包括：s21：根据所述异常处理优先级的大小，对不同类型的异常按照降序顺序进行排序。
[0068]
s22：将排列在前的k1个异常设置为第一待debug异常，其中k1为人为设定的值。
[0069]
s23：在排列在第一待debug异常之后的异常中随机选取k2个异常设置为第二待debug异常，其中k2为人为设定的值。
[0070]
s24：将第一待debug异常和第二待debug异常合并为待debug异常。
[0071]
选取排列在前的异常作为待debug异常是因为这些异常的出现次数多，危害等级大，应该被优先debug。之所以要随机选取第二待debug异常是因为不同用户遇到的异常是不同的，在debug的过程中，除了要关注那些大多数人会发生的危害等级大的异常之外，也需要关注到小部分用户有可能发生的异常，通过多个版本的迭代可以让不同的小部分用户的异常得到解决，这样才能更全面得提升用户体验。
[0072]
优选地，步骤s4包括：s41：获取用户异常日志。
[0073]
s42：计算所述用户异常日志与所述saas服务后台异常日志的第一相似度。
[0074]
s43：根据所述待debug异常计算所述用户异常日志与所述debug异常的第二相似度。
[0075]
s44：根据所述第一相似度和第二相似度确定综合相似度，根据所述综合相似度确定待推送用户。
[0076]
优选地，步骤s42包括：
s421：获取用户异常日志中不同类型的异常及其出现次数，将其用向量u表示，其中u=[e,c1],e=[e1,e2,e3,
…
ei,en],c1=[c11,c12,c13,
…
c1i,c1n],其中c1i表示异常ei在用户异常日志中的出现次数。
[0077]
s422：获取saas服务后台异常日志中不同类型异常及其出现次数，将其用向量s表示，其中s=[e,c2],e=[e1,e2,e3,
…
ei,en],c2=[c21,c22,c23,
…
c2i,c2n]，其中c2i表示异常ei在saas服务后台异常日志中的出现次数。
[0078]
s423：利用余弦相似度公式计算向量u和s之间的相似度作为所述第一相似度sim1=us/(|u||s|)。
[0079]
优选地，步骤s43包括：s431：根据所述待debug异常确定第二相似度。
[0080]
s432：获取saas服务后台异常日志中属于待debug异常中的异常及其出现次数，将其用向量d表示，其中d=[e,c3], e=[e1,e2,e3,
…
ei,en],c3=[c31,c32,c33,
…
c3i,c3n],在c3中，将未出现在待debug异常中的出现次数设置为0。
[0081]
s433：利用余弦相似度公式计算向量u和d之间的相似度作为所述第二相似度sim2=ud/(|u||d|)。
[0082]
优选的，步骤s44具体为：s441：所述综合相似度计算公式如下：sim=w1*sim1+w2*sim2,w1和w2为可以人为调整的权重。
[0083]
s442：按照综合相似度对用户进行降序排序，设定推送窗口的大小为m，选取前m个用户为待推送用户。
[0084]
s443：待所述待推送用户完成升级后，选取第m+1到第2m个用户为待推送用户进行推送，按照此步骤直到所有用户被推送完毕。
[0085]
本发明还提供了一种saas服务异常处理装置，所述装置包括：异常分析模块：用于获取saas服务后台异常日志，并对所述后台异常日志进行统计处理，得到不同类型异常的异常处理优先级，根据所述异常处理优先级，获取待debug异常。
[0086]
异常debug模块：用于开发人员针对所述待debug异常进行debug,获得debug之后的saas服务软件。
[0087]
推送模块：用于获取待推送用户，将所述debug之后的saas服务软件推送到待推送用户。
[0088]
优选地，所述异常分析模块按照如下步骤进行异常分析：预先设置不同类型的异常e，根据所述异常的危害等级对不同类型的异常设置危害权重w。
[0089]
统计得到不同类型异常的出现次数n，根据如下公式计算异常处理优先级：p=w*n,其中p代表异常类型为e的异常处理优先级，n代表类型为e的异常的出现次数，w代表类型为e的异常的危害权重。
[0090]
根据所述异常处理优先级的大小，对不同类型的异常按照降序顺序进行排序。
[0091]
将排列在前的k1个异常设置为第一待debug异常，其中k1为人为设定的值。
[0092]
在排列在第一待debug异常之后的异常中随机选取k2个异常设置为第二待debug
异常，其中k2为人为设定的值。
[0093]
将第一待debug异常和第二待debug异常合并为待debug异常。
[0094]
优选地，所述推送模块按照如下步骤进行推送：获取用户异常日志。
[0095]
计算所述用户异常日志与所述saas服务后台异常日志的第一相似度。
[0096]
根据所述待debug异常计算所述用户异常日志与所述debug异常的第二相似度。
[0097]
根据所述第一相似度和第二相似度确定综合相似度，根据所述综合相似度确定待推送用户。
[0098]
优选地，所述计算所述用户异常日志与所述saas服务后台异常日志的第一相似度包括：获取用户异常日志中不同类型的异常及其出现次数，将其用向量u表示，其中u=[e,c1],e=[e1,e2,e3,
…
ei,en],c1=[c11,c12,c13,
…
c1i,c1n],其中c1i表示异常ei在用户异常日志中的出现次数。
[0099]
获取saas服务后台异常日志中不同类型异常及其出现次数，将其用向量s表示，其中s=[e,c2],e=[e1,e2,e3,
…
ei,en],c2=[c21,c22,c23,
…
c2i,c2n]，其中c2i表示异常ei在saas服务后台异常日志中的出现次数。
[0100]
利用余弦相似度公式计算向量u和s之间的相似度作为所述第一相似度sim1=us/(|u||s|)。
[0101]
优选地，所述根据所述待debug异常计算所述用户异常日志与所述debug异常的第二相似度。包括：根据所述待debug异常确定第二相似度。
[0102]
获取saas服务后台异常日志中属于待debug异常中的异常及其出现次数，将其用向量d表示，其中d=[e,c3], e=[e1,e2,e3,
…
ei,en],c3=[c31,c32,c33,
…
c3i,c3n],在c3中，将未出现在待debug异常中的出现次数设置为0。
[0103]
利用余弦相似度公式计算向量u和d之间的相似度作为所述第二相似度sim2=ud/(|u||d|)。
[0104]
优选的，所述根据所述第一相似度和第二相似度确定综合相似度，根据所述综合相似度确定待推送用户。具体为：所述综合相似度计算公式如下：sim=w1*sim1+w2*sim2,w1和w2为可以人为调整的权重。
[0105]
按照综合相似度对用户进行降序排序，设定推送窗口的大小为m，选取前m个用户为待推送用户。
[0106]
待所述待推送用户完成升级后，选取第m+1到第2m个用户为待推送用户进行推送，按照此步骤直到所有用户被推送完毕。
技术特征：1.一种saas服务异常处理方法，其特征在于：包括如下步骤：s1：获取saas服务后台异常日志，并对所述后台异常日志进行统计处理，得到不同类型异常的异常处理优先级；s2：根据所述异常处理优先级，获取待debug异常；s3：开发人员针对所述待debug异常进行debug，获得debug之后的saas服务软件；s4：获取待推送用户；s5：将所述debug之后的saas服务软件推送到待推送用户。2.如权利要求1所述的一种saas服务异常处理方法，其特征在于：所述步骤s1包括：s11：预先设置不同类型的异常e，根据所述异常的危害等级对不同类型的异常设置危害权重w；s12：统计得到不同类型异常的出现次数n，根据如下公式计算异常处理优先级：p=w*n，其中p代表异常类型为e的异常处理优先级，n代表类型为e的异常的出现次数，w代表类型为e的异常的危害权重。3.如权利要求1所述的一种saas服务异常处理方法，其特征在于：所述步骤s2包括：s21：根据所述异常处理优先级的大小，对不同类型的异常按照降序顺序进行排序；s22：将排列在前的k1个异常设置为第一待debug异常；s23：在排列在第一待debug异常之后的异常中随机选取k2个异常设置为第二待debug异常；s24：将第一待debug异常和第二待debug异常合并为待debug异常。4.如权利要求1所述的一种saas服务异常处理方法，其特征在于：所述步骤s4包括：s41：获取用户异常日志；s42：计算所述用户异常日志与所述saas服务后台异常日志的第一相似度；s43：根据所述待debug异常计算所述用户异常日志与所述debug异常的第二相似度；s44：根据所述第一相似度和第二相似度确定综合相似度，根据所述综合相似度确定待推送用户。5.如权利要求4所述的一种saas服务异常处理方法，其特征在于：所述步骤s42包括：s421：获取用户异常日志中不同类型的异常及其出现次数，将其用向量u表示，其中u=[e，c1]，e=[e1，e2，e3，
…
ei，en]，c1=[c11，c12，c13，
…
c1i，c1n]，其中c1i表示异常ei在用户异常日志中的出现次数；s422：获取saas服务后台异常日志中不同类型异常及其出现次数，将其用向量s表示，其中s=[e，c2]，e=[e1，e2，e3，
…
ei，en]，c2=[c21，c22，c23，
…
c2i，c2n]，其中c2i表示异常ei在saas服务后台异常日志中的出现次数；s423：利用余弦相似度公式计算向量u和s之间的相似度作为所述第一相似度sim1=us/(|u||s|)。6.如权利要求5所述的一种saas服务异常处理方法，其特征在于：所述步骤s43包括：s431：根据所述待debug异常确定第二相似度；s432：获取saas服务后台异常日志中属于待debug异常中的异常及其出现次数，将其用向量d表示，其中d=[e，c3]，e=[e1，e2，e3，
…
ei，en]，c3=[c31，c32，c33，
…
c3i，c3n]，在c3中，将未出现在待debug异常中的出现次数设置为0；
s433：利用余弦相似度公式计算向量u和d之间的相似度作为所述第二相似度sim2=ud/(|u||d|)。7.如权利要求6所述的一种saas服务异常处理方法，其特征在于：所述步骤s44包括：s441：所述综合相似度计算公式如下：sim=w1*sim1+w2*sim2，w1和w2为可以人为调整的权重；s442：按照综合相似度对用户进行降序排序，设定推送窗口的大小为m，选取前m个用户为待推送用户；s443：待所述待推送用户完成升级后，选取第m+1到第2m个用户为待推送用户进行推送，按照此步骤直到所有用户被推送完毕。8.一种saas服务异常处理装置，其特征在于：所述装置用以实现权利要求1-7中任一方法的步骤。9.一种saas服务异常处理可读存储介质，其特征在于：所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7中任一方法的步骤。
技术总结本发明涉及一种saas服务异常处理方法、装置及可读存储介质，该方法包括以下步骤:获取saas服务后台异常日志，并对所述后台异常日志进行统计处理，得到不同类型异常的异常处理优先级，根据所述异常处理优先级，获取待Debug异常，开发人员针对所述待Debug异常进行Debug,获得Debug之后的saas服务软件，获取待推送用户，将所述Debug之后的saas服务软件推送到待推送用户，通过本发明可以判断不同用户对于saas服务软件需求的紧迫性，并据此实现按用户升级紧迫性来进行saas服务的迭代升级。升级紧迫性来进行saas服务的迭代升级。升级紧迫性来进行saas服务的迭代升级。
技术研发人员：江培荣 黄博 麻亮 刘鹏 王帅 张鹏 王雷雨 张旭林
受保护的技术使用者：成都运荔枝科技有限公司
技术研发日：2022.06.01
技术公布日：2022/7/5
