一种云渲染任务的错误处理系统的制作方法

1.本发明涉及云渲染技术领域，具体涉及一种云渲染任务的错误处理系统。


背景技术：

2.目前，市面上对于云渲染系统中云渲染任务的错误处理是由经验丰富的技术支持人员来排查，流程大致为查看渲染流程日志或渲染器日志，定位用户上传到云渲染系统的场景文件，配置场景参数、场景插件，然后打开场景文件尝试渲染小样，以此重复，手工复现云渲染任务出现的问题，然后由技术支持人员给出修复解决方案。
3.但是，随着渲染量的增加，所需要的技术支持人员也会随之线性增加，在渲染高峰期出现大量问题时，需要更多的技术支持人员进行人工操作，由于技术支持人员无法并行处理问题，就会出现问题堆积，客户持续追问进度的情况，导致渲染产品的客户满意度降低，若想避免出现问题堆积的情况，必然会增加技术支持人员的聘用，导致企业成本增加。


技术实现要素：

4.有鉴于此，提供一种云渲染任务的错误处理系统，以解决现有技术中存在的问题。
5.本发明采用如下技术方案：
6.本发明提供了一种云渲染任务的错误处理系统，包括：采集模块、预处理模块、模型构建模块、错误类型预测模块和集成模块；
7.所述采集模块用于采集云渲染系统中历史云渲染任务的历史数据；
8.所述预处理模块用于对所述历史数据进行数据预处理，得到预处理数据；
9.所述模型构建模块用于构建云渲染任务错误处理模型，基于所述预处理数据，对所述云渲染任务错误处理模型进行训练，得到训练好的所述云渲染任务错误处理模型；
10.所述错误类型识别模块用于根据训练好的所述云渲染任务错误处理模型，对新云渲染任务进行识别，得到所述新云渲染任务出现的错误类型和对应的解决方案；
11.所述集成模块用于对接所述云渲染任务的所述错误处理系统和所述云渲染系统，实现云渲染任务错误的处理服务。
12.可选地，所述采集模块通过监控所述云渲染系统的渲染流程日志采集所述历史云渲染任务的所述历史数据。
13.可选地，所述预处理包括数据清洗和数据归一化；
14.所述数据清洗包括去除所述历史数据中的异常值和缺失值。
15.可选地，还包括：智能推荐模块；
16.所述智能推荐模块用于基于所述历史数据和预置的客户需求，采用基于协同过滤的推荐算法和深度学习算法，提供所述云渲染任务错误对应的最佳解决方案。
17.可选地，还包括：错误数据统计模块；
18.所述错误数据统计模块用于对所述错误处理系统处理过的错误数据进行统计，计入并更新所述历史云渲染任务的所述历史数据。
19.可选地，所述集成模块通过api接口对接所述云渲染任务的所述错误处理系统和所述云渲染系统，所述api接口采用restful api和graphql技术进行接口设计和开发。
20.可选地，在得到所述新云渲染任务出现的所述错误类型之后，根据所述错误类型，采用规则引擎技术和决策树技术匹配所述错误类型对应的所述解决方案；
21.所述解决方案包括修改渲染参数、重新渲染和更换模型材质。
22.可选地，在得到所述新云渲染任务出现的所述错误类型和对应的所述解决方案之后，还包括：分析出现所述错误类型的错误原因，分析过程包括：
23.将所述错误类型发送至所述云渲染任务错误处理模型，采用自然语言处理技术和图像处理技术对所述错误类型进行分析，得到所述错误原因。
24.本发明采用采集模块、预处理模块、模型构建模块、错误类型预测模块和集成模块；采集模块用于采集云渲染系统中历史云渲染任务的历史数据；预处理模块用于对历史数据进行数据预处理，得到预处理数据；模型构建模块用于构建云渲染任务错误处理模型，基于预处理数据，对云渲染任务错误处理模型进行训练，得到训练好的云渲染任务错误处理模型；错误类型识别模块用于根据训练好的云渲染任务错误处理模型，对新云渲染任务进行识别，得到新云渲染任务出现的错误类型和对应的解决方案；集成模块用于对接云渲染任务的错误处理系统和云渲染系统，实现云渲染任务错误的处理服务。本发明通过构建并训练云渲染任务错误处理模型，对接错误处理系统和云渲染系统，能够实现云渲染任务错误的自动识别与处理，避免了渲染高峰期出现的问题堆积情况，提高了渲染产品的客户满意度，降低了企业成本。
附图说明
25.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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。
26.图1是本发明实施例云渲染任务的错误处理系统示意图。
具体实施方式
27.为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅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的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
28.图1是本发明实施例云渲染任务的错误处理系统示意图。请参阅图1，该系统包括采集模块、预处理模块、模型构建模块、错误类型预测模块和集成模块；
29.采集模块用于采集云渲染系统中历史云渲染任务的历史数据；
30.进一步地，采集模块通过监控云渲染系统中历史云渲染任务的渲染流程日志来采集历史数据，历史数据包括但不限于云渲染任务的参数、渲染时间、渲染错误信息等。
31.具体地，本实施例将渲染流程日志结构化，转换为结构化日志，采用图结构的日志聚类方法，将相似度高的渲染流程日志聚焦在一起，提取其相同的日志形式，对相同日志形
式的日志行提取共同文本，添加签名字符串，例如：统一添加前缀flowlog、configlog、pluginlog、rendererlog、parameterlog等，得到结构化日志数据库；
32.结构化日志的格式为日志头和日志体，日志头包括但不限于时间戳、来源、日志等级、进程、线程等字段，日志体包括但不限于流程指示、预配置、文件映射、插件配置、渲染指令、渲染器运行日志、错误告警等。基于结构化日志数据库，建立一个历史数据仓库，通过一致性哈希进行处理，使得不同渲染节点的日志能够映射到固定的事务处理队列中，事务处理队列的方式保证了日志处理的原子性。
33.预处理模块用于对历史数据进行数据预处理，得到预处理数据；
34.进一步地，预处理包括数据清洗和数据归一化，数据清洗包括去除历史数据中的异常值、缺失值和干扰词；
35.具体地，获取结构化日志数据库中结构化日志包含的所有分词，根据预设规则pattern，删除缺失值、异常值、干扰词；
36.对结构化日志包含的所有分词进行编号，构建分词库，根据分词库，将结构化日志包含的分词用分词编号进行替换(日志向量化)。确定日志相似关系：构建最大连通子图，将向量化后的日志映射为图中一个点，计算点之间的相似度，最长公共子序列(特征)大于预设阈值则认为特征相同，即进行归一化处理，这样归一化处理后，使预处理数据全部具有高质量且有意义，以此建立图像特征、渲染参数特征、时间序列特征、光照、几何、纹理特征、渲染器特征、渲染进度特征、渲染错误特征等特征库。
37.模型构建模块用于构建云渲染任务错误处理模型，基于预处理数据，对云渲染任务错误处理模型进行训练，得到训练好的云渲染任务错误处理模型；
38.进一步地，特征工程是构建云渲染任务错误处理模型的关键，基于预处理数据的数据类型，选择或构造合适的特征，所述特征包括但不限于特征库中的图像特征、渲染参数特征、时间序列特征、光照、几何、纹理特征、渲染器特征、渲染进度特征、渲染错误特征等，提取特征，构建云渲染任务错误处理模型；
39.采用基于序列的深度学习算法(deeplog)对云渲染任务错误处理模型进行训练，具体地，基于预处理数据，取渲染节点机正常渲染后的渲染流程日志，通过日志解析得到结构化的日志数据，每条日志都被解析为日志关键词和参数值向量，日志关键词的序列训练云渲染任务错误处理模型的日志异常关键词，同时构建系统工作流模型用于诊断云渲染任务错误处理模型，得到训练好的云渲染任务错误处理模型。
40.错误类型识别模块用于根据训练好的云渲染任务错误处理模型，对新云渲染任务进行识别，得到新云渲染任务出现的错误类型和对应的解决方案；
41.进一步地，当新的渲染日志到达时，它首先经过日志结构化阶段，解析为日志关键词和参数值向量，根据训练好的云渲染任务错误处理模型，测试新渲染日志的日志关键词是否正常，如果正常，进一步检测参数值向量，如果参数值向量异常，则标注新渲染日志为异常，即新渲染日志标注为异常(即云渲染任务的问题)，最后，系统工作流模型则提供语义信息来诊断异常，得到新云渲染任务出现的错误类型，根据错误类型，采用规则引擎技术和决策树技术自动匹配错误类型对应的解决方案，所述解决方案包括但不限于修改渲染参数、重新渲染和更换模型材质。
42.进一步地，在得到新云渲染任务出现的错误类型和对应的解决方案之后，还包括：
分析出现错误类型的错误原因，分析过程包括：
43.将错误类型发送至云渲染任务错误处理模型，采用自然语言处理技术和图像处理技术对错误类型进行分析，得到错误原因。
44.进一步地，本实施例通过新云渲染任务的识别结果反馈和优化云渲染任务错误处理模型的准确度和效率，在云渲染任务错误处理模型出现自身错误时，加入相应的处理方法纠正和完善云渲染任务错误处理模型，同时依据自身错误的种类持续打磨细化特征和目标，以达到更准确的预测和处理。
45.集成模块用于对接云渲染任务的错误处理系统和云渲染系统，实现云渲染任务错误的处理服务；
46.进一步地，集成模块通过api接口对接云渲染任务的错误处理系统和云渲染系统，实现了云渲染任务的实时处理，将本实施例提供的错误处理系统部署到实际生产环境中，以提供实时的云渲染任务错误处理服务。api接口采用restful api和graphql技术进行接口设计和开发。
47.进一步地，本实施例提供的错误处理系统还包括智能推荐模块；智能推荐模块用于基于历史数据和预置的客户需求，采用基于协同过滤的推荐算法和深度学习算法，提供云渲染任务错误对应的最佳解决方案，提高了客户满意度。
48.进一步地，本实施例提供的错误处理系统还包括错误数据统计模块；错误数据统计模块用于对错误处理系统处理过的错误数据进行统计，计入并更新历史云渲染任务的历史数据，能够不断优化算法和提高云渲染任务错误处理模型的识别准确度。
49.本发明采用采集模块、预处理模块、模型构建模块、错误类型预测模块、集成模块、智能推荐模块和错误数据统计模块；采集模块用于采集云渲染系统中历史云渲染任务的历史数据；预处理模块用于对历史数据进行数据预处理，得到预处理数据；模型构建模块用于构建云渲染任务错误处理模型，基于预处理数据，对云渲染任务错误处理模型进行训练，得到训练好的云渲染任务错误处理模型；错误类型识别模块用于根据训练好的云渲染任务错误处理模型，对新云渲染任务进行识别，得到新云渲染任务出现的错误类型和对应的解决方案；集成模块用于对接云渲染任务的错误处理系统和云渲染系统，实现云渲染任务错误的处理服务；智能推荐模块用于基于历史数据和预置的客户需求，采用基于协同过滤的推荐算法和深度学习算法，提供云渲染任务错误对应的最佳解决方案；错误数据统计模块用于对错误处理系统处理过的错误数据进行统计，计入并更新历史云渲染任务的历史数据，能够不断优化算法和提高云渲染任务错误处理模型的识别准确度。本发明通过构建并训练云渲染任务错误处理模型，对接错误处理系统和云渲染系统，能够实现云渲染任务错误的自动识别与处理，避免了渲染高峰期出现的问题堆积情况，提高了渲染产品的客户满意度，降低了企业成本。
50.可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
51.需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。
52.流程示意图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示
包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
53.应当理解，本发明的各部分可以用设备、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用设备来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
54.本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的设备完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
55.此外，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模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用设备的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
56.上述提到的存储介质可以是只读存储器，磁盘或光盘等。
57.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
58.尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

技术特征：
1.一种云渲染任务的错误处理系统，其特征在于，包括：采集模块、预处理模块、模型构建模块、错误类型预测模块和集成模块；所述采集模块用于采集云渲染系统中历史云渲染任务的历史数据；所述预处理模块用于对所述历史数据进行数据预处理，得到预处理数据；所述模型构建模块用于构建云渲染任务错误处理模型，基于所述预处理数据，对所述云渲染任务错误处理模型进行训练，得到训练好的所述云渲染任务错误处理模型；所述错误类型识别模块用于根据训练好的所述云渲染任务错误处理模型，对新云渲染任务进行识别，得到所述新云渲染任务出现的错误类型和对应的解决方案；其中，所述新云渲染任务为通过所述集成模块在所述云渲染系统中得到；所述集成模块用于对接所述云渲染任务的所述错误处理系统和所述云渲染系统，实现云渲染任务错误的处理服务。2.根据权利要求1所述的错误处理系统，其特征在于，所述采集模块通过监控所述云渲染系统的渲染流程日志采集所述历史云渲染任务的所述历史数据。3.根据权利要求1所述的错误处理系统，其特征在于，所述预处理包括数据清洗和数据归一化；所述数据清洗包括去除所述历史数据中的异常值和缺失值。4.根据权利要求1所述的错误处理系统，其特征在于，还包括：智能推荐模块；所述智能推荐模块用于基于所述历史数据和预置的客户需求，采用基于协同过滤的推荐算法和深度学习算法，提供所述云渲染任务错误对应的最佳解决方案。5.根据权利要求1所述的错误处理系统，其特征在于，还包括：错误数据统计模块；所述错误数据统计模块用于对所述错误处理系统处理过的错误数据进行统计，计入并更新所述历史云渲染任务的所述历史数据。6.根据权利要求1所述的错误处理系统，其特征在于，所述集成模块通过api接口对接所述云渲染任务的所述错误处理系统和所述云渲染系统，所述api接口采用restful api和graphql技术进行接口设计和开发。7.根据权利要求1所述的错误处理系统，其特征在于，在得到所述新云渲染任务出现的所述错误类型之后，根据所述错误类型，采用规则引擎技术和决策树技术匹配所述错误类型对应的所述解决方案；所述解决方案包括修改渲染参数、重新渲染和更换模型材质。8.根据权利要求1所述的错误处理系统，其特征在于，在得到所述新云渲染任务出现的所述错误类型和对应的所述解决方案之后，还包括：分析出现所述错误类型的错误原因，分析过程包括：将所述错误类型发送至所述云渲染任务错误处理模型，采用自然语言处理技术和图像处理技术对所述错误类型进行分析，得到所述错误原因。

技术总结
本发明涉及一种云渲染任务的错误处理系统，包括：采集模块、预处理模块、模型构建模块、错误类型预测模块和集成模块；采集模块采集历史云渲染任务的历史数据；预处理模块对历史数据进行数据预处理，得到预处理数据；模型构建模块构建云渲染任务错误处理模型，基于预处理数据，对云渲染任务错误处理模型进行训练；错误类型识别模块根据训练好的云渲染任务错误处理模型，对新云渲染任务进行识别，得到新云渲染任务出现的错误类型和对应的解决方案；集成模块对接错误处理系统和云渲染系统，实现错误处理服务。本发明能够实现云渲染任务错误的自动识别与处理，避免了渲染高峰期出现的问题堆积情况，提高了渲染产品的客户满意度，降低了企业成本。了企业成本。了企业成本。


技术研发人员：何庆瑞 高斌 邹琼 周双全
受保护的技术使用者：深圳市瑞云科技股份有限公司
技术研发日：2023.06.06
技术公布日：2023/8/31