[发明专利]基于人工智能的代码度量方法、装置、设备及存储介质

权利要求书

1.一种基于人工智能的代码度量方法，其特征在于，所述方法包括：

获取代码度量请求，其中，所述代码度量请求携带有目标指标标识；

根据所述目标指标标识，从预设的度量指标库中获取度量指标，作为目标度量指标；

根据所述目标度量指标，从预设的项目代码库中获取项目代码，得到待度量代码；

根据所述目标度量指标，对所述待度量代码进行度量，得到目标度量实际值；

根据所述目标度量指标、所述目标度量实际值和所述目标度量指标对应的度量预测值生成代码度量结果。

2.根据权利要求1所述的基于人工智能的代码度量方法，其特征在于，所述获取代码度量请求的步骤，包括：

获取目标应用通过预设的度量服务接口发送的所述代码度量请求，其中，所述度量服务接口是基于FastApi的Python微服务框架封装得到的接口。

3.根据权利要求1所述的基于人工智能的代码度量方法，其特征在于，所述根据所述目标指标标识，从预设的度量指标库中获取度量指标，作为目标度量指标的步骤之前，还包括：

获取指标配置请求；

响应所述指标配置请求，根据预设的公共关键字库和预设的方法接口库进行指标配置界面展示；

根据所述指标配置界面获取用户输入的度量指标，以作为待存储的度量指标；

根据所述待存储的度量指标更新所述度量指标库。

4.根据权利要求3所述的基于人工智能的代码度量方法，其特征在于，所述获取指标配置请求的步骤之前，还包括：

获取关键字定义请求；

响应所述关键字定义请求，根据所述方法接口库和预设的用户脚本库进行关键字定义界面展示；

根据所述关键字定义界面，获取用户输入的关键字，以作为待存储的个性化关键字；

将所述待存储的个性化关键字更新到预设的个性化关键字库；

所述根据预设的公共关键字库和预设的方法接口库进行指标配置界面展示的步骤，包括：

根据所述个性化关键字库、所述公共关键字库和所述方法接口库进行所述指标配置界面展示。

5.根据权利要求1所述的基于人工智能的代码度量方法，其特征在于，所述根据所述目标度量指标、所述目标度量实际值和所述目标度量指标对应的度量预测值生成代码度量结果的步骤，包括：

获取所述目标度量指标对应的所述度量预测值；

将所述目标度量实际值减去所述目标度量指标对应的所述度量预测值，得到度量差值；

判断所述度量差值是否符合所述目标度量指标中的波动配置的要求；

若是，则确定所述代码度量结果为正常；

若否，则确定所述代码度量结果为异常。

6.根据权利要求5所述的基于人工智能的代码度量方法，其特征在于，所述获取所述目标度量指标对应的所述度量预测值的步骤，包括：

根据所述目标度量指标和所述目标度量实际值，从预设的度量实际值库中获取预设时长内的度量实际值，作为历史度量实际值集；

将所述历史度量实际值集输入预设的趋势预测模型进行预测，得到所述目标度量指标对应的所述度量预测值。

7.根据权利要求6所述的基于人工智能的代码度量方法，其特征在于，所述将所述历史度量实际值集输入预设的趋势预测模型进行预测，得到所述目标度量指标对应的所述度量预测值的步骤之前，还包括：

获取训练样本集和初始模型，其中，所述初始模型是基于ARIMA模型得到的模型；

将所述训练样本集中的各个所述训练样本随机划分到两个集合，得到训练集和验证集；

采用所述训练集，对所述初始模型进行训练，将训练结束的所述初始模型作为待验证模型；

采用所述验证集，对所述待验证模型进行验证，得到验证结果；

若所述验证结果为失败，则将所述待验证模型作为所述初始模型，重复执行所述将所述训练样本集中的各个所述训练样本随机划分到两个集合，得到训练集和验证集的步骤；

若所述验证结果为成功，则将所述待验证模型作为所述趋势预测模型。