一种工业产业生命周期管理方法及开发平台

技术领域

本发明涉及但不限于数据处理技术领域，尤其涉及一种工业产业生命周期管理方法及开发平台。

背景技术

在工业应用开发框架中，为了让业务开发人员能够专注于业务逻辑实现，可以通过将工业应用嵌入到壳容器中，而容器提供了上层标准统一的能力接口。这种做法使得不同类型的终端平台之间的差异被屏蔽掉，通过容器化，已有的能力可以最大化地被复用，从而实现快速开发工业应用程序的目标。而在API开发中，需要关注应用程序的错误情况，该过程中，AI技术可以被应用于错误和异常处理的多个方面。例如基于机器学习算法完成自动化日志分析，通过识别和分析大量的日志数据，快速定位错误和异常，并给出相应的解决方案。如何提高上述过程的检测准确性是需要考虑的技术问题。

发明内容

有鉴于此，本发明实施例至少提供一种工业产业生命周期管理方法及开发平台。

本发明实施例的技术方案是这样实现的：

一方面，本发明实施例提供一种工业产业生命周期管理方法，应用于开发平台，所述方法包括：

获取待检测程序执行日志；

基于所述待检测程序执行日志，通过强学习网络获取Y个描述数组，其中，所述强学习网络包括X个弱学习网络，或，强学习网络包括所述X个弱学习网络和初始网络，所述Y＞1；

基于所述Y个描述数组，生成所述待检测程序执行日志的目标描述数组；

基于所述目标描述数组对所述待检测程序执行日志进行检测，得到日志错误检测结果；

其中，所述强学习网络通过以下步骤调试得到：

获取X个程序执行示例日志集，其中，每个程序执行示例日志集包括一个或多个程序执行示例日志，每个程序执行示例日志携带一个错误标记，所述X≥2；

基于所述每个程序执行示例日志集中每个程序执行示例日志对应的错误标记，获取针对所述X个程序执行示例日志集的X个分类中心数组集合，其中，所述分类中心数组集合与所述程序执行示例日志集彼此对应，同时，携带相同错误标记的程序执行示例日志对应相同的分类中心数组；

基于所述X个程序执行示例日志集，通过X个拟调试弱学习网络获取X个描述数组集合，其中，每个拟调试弱学习网络用于抽取一个描述数组集合，所述描述数组集合与所述程序执行示例日志集彼此对应；

基于所述X个描述数组集合和所述X个分类中心数组集合，对所述X个拟调试弱学习网络的网络内部变量进行调节，直到所述X个拟调试弱学习网络达到网络收敛要求，得到强学习网络，其中，所述强学习网络包括X个弱学习网络，所述弱学习网络与所述拟调试弱学习网络彼此对应。

在一些实施例中，所述基于所述Y个描述数组，生成所述待检测程序执行日志的目标描述数组，包括：

对所述Y个描述数组进行均值求解，得到所述待检测程序执行日志的目标描述数组；

或者；

将所述Y个描述数组作为目标多维描述数组；

基于所述目标多维描述数组，通过整合网络获取所述待检测程序执行日志的目标描述数组。

在一些实施例中，所述基于所述每个程序执行示例日志集中每个程序执行示例日志对应的错误标记，获取针对所述X个程序执行示例日志集的X个分类中心数组集合，包括：

对于所述每个程序执行示例日志集中的每个程序执行示例日志，基于程序执行示例日志对应的错误标记，通过中心关联关系获取程序执行示例日志对应的分类中心数组，其中，所述中心关联关系包括错误标记与分类中心数组之间的关联关系。

在一些实施例中，所述基于所述每个程序执行示例日志集中每个程序执行示例日志对应的错误标记，获取针对所述X个程序执行示例日志集的X个分类中心数组集合之前，所述方法还包括：

获取第一程序执行示例日志集，其中，所述第一程序执行示例日志集包括M个程序执行示例日志，每个程序执行示例日志携带一个错误标记，所述M≥1；

基于所述第一程序执行示例日志集中每个程序执行示例日志对应的错误标记，获取M个分类中心数组；

基于所述第一程序执行示例日志集，通过拟调试初始网络获取M个描述数组，其中，所述M个描述数组中的描述数组与所述M个程序执行示例日志中的程序执行示例日志彼此对应；

基于所述M个描述数组和所述M个分类中心数组，对所述拟调试初始网络的网络内部变量和各个分类中心数组进行调节。

在一些实施例中，所述基于所述M个描述数组和所述M个分类中心数组，对所述拟调试初始网络的网络内部变量和各个分类中心数组进行调节，包括：

对于所述第一程序执行示例日志集中的每个程序执行示例日志，基于程序执行示例日志对应的描述数组和分类中心数组，获取所述程序执行示例日志对应的夹角运算结果；

基于日志数据特征域的散布中心距离和所述第一程序执行示例日志集中每个程序执行示例日志对应的夹角运算结果，基于第一误差算法确定参数变化率；

基于所述参数变化率对所述拟调试初始网络的网络内部变量和各个分类中心数组进行调节；

或者；

所述基于所述M个描述数组和所述M个分类中心数组，对所述拟调试初始网络的网络内部变量和各个分类中心数组进行调节，包括：

对于所述第一程序执行示例日志集中的每个程序执行示例日志，基于程序执行示例日志对应的描述数组和分类中心数组，获取所述程序执行示例日志对应的夹角运算结果；

基于第一分离变量、第二分离变量、日志数据特征域的散布中心距离和所述第一程序执行示例日志集中每个程序执行示例日志对应的夹角运算结果，基于第二误差算法确定参数变化率；

基于所述参数变化率对所述拟调试初始网络的网络内部变量和各个分类中心数组进行调节。

在一些实施例中，所述直到所述X个拟调试弱学习网络达到网络收敛要求，得到强学习网络，包括：

如果所述X个拟调试弱学习网络达到网络收敛要求，则获取所述X个弱学习网络；

如果所述拟调试初始网络达到网络收敛要求，则得到初始网络；

将所述初始网络和所述X个弱学习网络确定为所述强学习网络。

在一些实施例中，所述基于所述X个描述数组集合和所述X个分类中心数组集合，对所述X个拟调试弱学习网络的网络内部变量进行调节，包括：

对于所述X个拟调试弱学习网络中的每个拟调试弱学习网络，基于程序执行示例日志集中每个程序执行示例日志对应的描述数组和分类中心数组，获取所述程序执行示例日志集中每个程序执行示例日志对应的夹角运算结果，其中，所述每个拟调试弱学习网络的初始网络内部变量为任意构建得到；

对于所述X个拟调试弱学习网络中的每个拟调试弱学习网络，基于日志数据特征域的散布中心距离和程序执行示例日志集中每个程序执行示例日志对应的夹角运算结果，基于第一误差算法确定对于拟调试弱学习网络的参数变化率；

对于所述X个拟调试弱学习网络中的每个拟调试弱学习网络，基于对于拟调试弱学习网络的参数变化率，对所述拟调试弱学习网络的网络内部变量进行调节；

或者；

所述基于所述X个描述数组集合和所述X个分类中心数组集合，对所述X个拟调试弱学习网络的网络内部变量进行调节，包括：

对于所述X个拟调试弱学习网络中的每个拟调试弱学习网络，基于程序执行示例日志集中每个程序执行示例日志对应的描述数组和分类中心数组，获取所述程序执行示例日志集中每个程序执行示例日志对应的夹角运算结果，其中，所述每个拟调试弱学习网络的初始网络内部变量为任意构建得到；

对于所述X个拟调试弱学习网络中的每个拟调试弱学习网络，基于第一分离变量、第二分离变量、日志数据特征域的散布中心距离和程序执行示例日志集中每个程序执行示例日志对应的夹角运算结果，基于第二误差算法确定对于拟调试弱学习网络的参数变化率；

对于所述X个拟调试弱学习网络中的每个拟调试弱学习网络，基于对于拟调试弱学习网络的参数变化率，对所述拟调试弱学习网络的网络内部变量进行调节。

在一些实施例中，所述直到所述X个拟调试弱学习网络达到网络收敛要求，得到强学习网络之后，所述方法还包括：

获取第二程序执行示例日志集，其中，所述第二程序执行示例日志集包括u个程序执行示例日志，每个程序执行示例日志携带一个错误标记，所述u≥1；

基于所述第二程序执行示例日志集中每个程序执行示例日志对应的错误标记，获取u个分类中心数组；

基于所述第二程序执行示例日志集，通过所述强学习网络获取u个多维描述数组，其中，所述多维描述数组与所述u个程序执行示例日志中的程序执行示例日志彼此对应；

基于所述u个多维描述数组，通过拟调试整合网络获取u个描述数组，其中，所述u个描述数组中的描述数组与所述第二程序执行示例日志集中的程序执行示例日志彼此对应；

基于所述u个描述数组和所述u个分类中心数组，对所述拟调试整合网络的网络内部变量以及所述各个分类中心数组进行调节，直到达到网络收敛要求，得到整合网络。

在一些实施例中，所述基于所述u个描述数组和所述u个分类中心数组，对所述拟调试整合网络的网络内部变量以及所述各个分类中心数组进行调节，包括：

对于所述第二程序执行示例日志集中的每个程序执行示例日志，基于程序执行示例日志对应的描述数组和分类中心数组，获取所述程序执行示例日志对应的夹角运算结果；

基于日志数据特征域的散布中心距离和所述第二程序执行示例日志集中每个程序执行示例日志对应的夹角运算结果，基于第一误差算法确定参数变化率；

基于所述参数变化率，对所述拟调试整合网络的网络内部变量和各个分类中心数组进行调节；

或者；

所述基于所述u个描述数组和所述u个分类中心数组，对所述拟调试整合网络的网络内部变量以及所述各个分类中心数组进行调节，包括：

对于所述第二程序执行示例日志集中的每个程序执行示例日志，基于程序执行示例日志对应的描述数组和分类中心数组，获取所述程序执行示例日志对应的夹角运算结果；

基于第一分离变量、第二分离变量、日志数据特征域的散布中心距离和所述第二程序执行示例日志集中每个程序执行示例日志对应的夹角运算结果，基于第二误差算法确定参数变化率；

基于所述参数变化率，对所述拟调试整合网络的网络内部变量和各个分类中心数组进行调节。

另一方面，本发明提供一种开发平台，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以上所述方法中的步骤。

本发明至少具有的有益效果：

本发明实施例提供的工业产业生命周期管理方法及开发平台，在强学习网络的调试过程中，在集成学习时加入类中心数组，将其确定成各拟调试弱学习网络的限制信息，也就是通过限制信息对各个拟调试弱学习网络进行限制。因为各拟调试弱学习网络的限制信息相同，则可将各拟调试弱学习网络的描述数组限制到一个特征域。在网络调试阶段，采用提高描述数组与限制信息的角度来增加网络的程序错误识别能力，因角度越大代表网络产生的描述数组的交集越小，代表拟调试弱学习网络间的补充效果越佳，可以获得泛化性强强学习网络，提高对程序的错误识别能力。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本发明的技术方案。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本发明的实施例，并与说明书一起用于说明本发明的技术方案。

图1为本发明实施例提供的一种工业产业生命周期管理方法中，强学习网络的调试流程示意图。

图2为本发明实施例提供的一种工业产业生命周期管理装置的组成结构示意图。

图3为本发明实施例提供的一种开发平台的硬件实体示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和实施例对本发明的技术方案进一步详细阐述，所描述的实施例不应视为对本发明的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。所涉及的术语“第一/第二/第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一/第二/第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本发明实施例能够以除了在这里图示或描述的以外的顺序实施。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明的目的，不是旨在限制本发明。

本发明实施例提供一种工业产业生命周期管理方法，该方法可以由开发平台的处理器执行。其中，开发平台可以指的是服务器、笔记本电脑、平板电脑、台式计算机、移动设备(例如移动电话、便携式视频播放器、个人数字助理、专用消息设备、便携式游戏设备)等具备数据处理能力的设备。

本发明实施例提供的工业产业生命周期管理方法，在检测程序执行日志可能包含的错误信息时，通过错误检测网络获取需要检测的目标描述数组(即程序执行日志对应的特征矢量表达，具体可以是一个一维数组，即特征向量)，然后再基于目标描述数组对待检测的程序执行日志进行错误信息检测，也即完成错误分类，得到错误检测结果，其中，例如是基于全连接网络、Softmax分类器等对目标描述数组进行分类映射，得到对应的错误检测信息。可以理解，目标描述数组的生成越准确，最终得到的错误检测结果越准确。目标描述数组的获取依赖错误检测网络实现，本发明实施例中，是基于集成学习思想对错误检测网络进行调试的。在具体调试过程中，在程序执行示例日志库中任意获取多个示例日志作为一个程序执行示例日志集，如此操作X次后，获得X个程序执行示例日志集。针对每一程序执行示例日志集调试得到一拟调试弱学习网络，将X个弱学习网络进行合并调试即得到强学习网络。其中，不同的示例日志的错误分类，在特征域(即描述数组的表达空间)的分布位置不同。任意初始化的不同网络对这些错误分类对应的标记提取到的分类中心数组在特征域上的分布情况不同，那么集成学习过程中，因为特征域不相容，可能引起获得的强学习网络效果不佳。基于此问题，本发明实施例中，提供依据特征域对齐的方式，来调试多个拟调试弱学习网络，对拟调试弱学习网络进行集成学习，增强网络性能。

下面先介绍该强学习网络的调试过程，请参照图1，图1为本发明实施例提供的一种工业产业生命周期管理方法的实现流程示意图，如图1所示，该方法包括如下步骤：

步骤S101，获取X个程序执行示例日志集，其中，每个程序执行示例日志集包括一个或多个程序执行示例日志，每个程序执行示例日志携带一个错误标记，X≥2；

如上所述，在程序执行示例日志库中任意获取多个示例日志作为一个程序执行示例日志集，如此操作X次后，获得X个程序执行示例日志集。其中，X≥2。程序执行示例日志库中，每个程序执行示例日志携带有错误标记(即指示应用程序错误类型的指示信息，可以用标签表示)，程序执行示例日志与错误标记具有关联关系，比如，程序执行示例日志1对应的错误标记为label1，程序执行示例日志2对应的错误标记为label2。其中，程序执行示例日志是调试用的程序执行日志样本，程序执行日志中记录有API开发过程中，记录应用程序的信息，如运行状态(如性能指标、资源占用数据)、输入输出数据(如用户输入、API调用参数、文件读写记录)、用户报告(如异常反馈)、运行时间(如启动、处理、响应等时间)等中的一种或多种。

步骤S102，基于每个程序执行示例日志集中每个程序执行示例日志对应的错误标记，获取针对X个程序执行示例日志集的X个分类中心数组集合，其中，分类中心数组集合与程序执行示例日志集彼此对应，同时，携带相同错误标记的程序执行示例日志对应相同的分类中心数组。

作为一种实施方式，对于X个程序执行示例日志集中的每个程序执行示例日志集来说，可基于程序执行示例日志集中的每个程序执行示例日志对应的错误标记，在分类中心存储器(可以理解为类中心目录)中索引程序执行示例日志的分类中心数组(可以是一个一维数组，也即可以是一个向量)。那么，X个程序执行示例日志集对应得到X个分类中心数组集合，每个程序执行示例日志集对应一个分类中心数组集合。其中，携带相同错误标记的程序执行示例日志对应相同的分类中心数组。

步骤S103，基于X个程序执行示例日志集，通过X个拟调试弱学习网络获取X个描述数组集合。

其中，每个拟调试弱学习网络用于抽取一个描述数组集合，描述数组集合与程序执行示例日志集彼此对应，描述数组集合用于描述对应的程序执行示例日志集的特征信息，例如可以为一个一维的特征数组。每个程序执行示例日志集可对于一个拟调试弱学习网络进行调试，后续通过一组程序执行示例日志集进行阐述以简化内容。如此，将一组程序执行示例日志集中，各程序执行示例日志确定为拟调试弱学习网络的输入，基于拟调试弱学习网络输出各程序执行示例日志对应的描述数组，将各个程序执行示例日志对应的描述数组确定为一个描述数组集合。也就是说，每个程序执行示例日志集对应一描述数组集合。

步骤S104，基于X个描述数组集合和X个分类中心数组集合，对X个拟调试弱学习网络的网络内部变量进行调节，直到X个拟调试弱学习网络达到网络收敛要求，得到强学习网络，其中，强学习网络包括X个弱学习网络，弱学习网络与拟调试弱学习网络彼此对应。

作为一种实施方式，每个拟调试弱学习网络的输入为一组程序执行示例日志集，程序执行示例日志集中的各个程序执行示例日志包含对应的分类中心数组，分类中心数组表征程序执行示例日志的特征信息。此外，每一拟调试弱学习网络的输出是一组描述数组集合。

实际应用中，通过程序执行示例日志集对应的描述数组集合和分类中心数组集合，基于误差算法对拟调试弱学习网络的网络内部变量进行调节，其他拟调试弱学习网络也基于相似的方式进行网络内部变量的调节。如果X个拟调试弱学习网络均达到网络收敛要求(如调试的轮次达到最大设定轮次，或者网络误差，或称损失，小于预设误差)，即得到X个弱学习网络，将该X个弱学习网络确定为一个强学习网络。

在一个实施例中，调试弱学习网络的过程可以包括：

步骤S1，在网络调试阶段，获取X个程序执行示例日志集，每个程序执行示例日志集为一个批。

步骤S2，获取拟调试弱学习网络，对程序执行示例日志集中的各个程序执行示例日志进行特征挖掘(如警告信息、异常记录等特征)，完成量化编码得到各个程序执行示例日志的描述数组。其中，拟调试初始网络可以是卷积神经网络，基于拟调试初始网络完成滤波、激活、池化等数据处理。

步骤S3，基于程序执行示例日志集中每个程序执行示例日志对应的错误标记，通过中心关联关系获得每个程序执行示例日志的错误标记。其中，中心关联关系为分类中心的映射关系，例如可以表达成m×n的二维数组，其中，m为分类中心数组的维数，n为错误标记的数量。在弱学习网络的调试环节，中心关联关系不进行调节，因各分类中心数组在弱学习网络的调试环节被锁定，那么可以将该网络的特征域限制到一致的空间面分布。

步骤S4，将拟调试弱学习网络输出的描述数组与各个分类中心数组进行相乘，得到的程序执行示例日志属于各错误标记的概率分布，依据概率分布的程序执行示例日志的错误标记，基于相应的误差算法获取参数变化率。

需要说明，对于X个拟调试弱学习网络来说，需要修正各拟调试弱学习网络的超参，因调试数据的分类中心数组方向是维持不变的，则确定各错误标记在特征域中的方向。程序执行示例日志围绕在错误标记对应分类中心数组四周，其和分类中心之间的距离(也就是日志数据特征域的散布中心距离)表征其程序执行示例日志的质量，则通过调节日志数据特征域(即日志数据的向量表达空间)的散布中心距离(可称为分类中心半径)，还可以调节分离变量(即误差函数中的边界或间隔，称为margin)，确保示例日志在特征域中限制多样性。在调试过程中，仅对拟调试弱学习网络进行网络内部变量调节，分类中心数组仅提供参数变化率(即梯度)的获取，不进行网络内部变量调节。

步骤S5，通过减少参数变化率(如采用梯度下降算法实现)的目的对拟调试弱学习网络的网络内部变量进行调试，评估是否达到网络收敛要求。

步骤S6，如果已达到网络收敛要求，则获得调试好的弱学习网络。

其他弱学习网络也基于相同原理进行调试。

步骤S7，如果没有达到网络收敛要求，则再次基于误差算法对拟调试弱学习网络进行调试。

本发明实施例以上提供的网络调试过程，在集成学习时加入类中心数组，将其确定成各拟调试弱学习网络的限制信息，也就是通过限制信息对各个拟调试弱学习网络进行限制。因为各拟调试弱学习网络的限制信息相同，则可将各拟调试弱学习网络的描述数组限制到一个特征域。在网络调试阶段，采用提高描述数组与限制信息的角度来增加网络的程序错误识别能力，因角度越大代表网络产生的描述数组的交集越小，代表拟调试弱学习网络间的补充效果越佳，可以获得泛化性强强学习网络，提高对程序的错误识别能力。

在其他实施方式中，基于每个程序执行示例日志集中每个程序执行示例日志对应的错误标记，获取针对X个程序执行示例日志集的X个分类中心数组集合，包括：对于每个程序执行示例日志集中的每个程序执行示例日志，基于程序执行示例日志对应的错误标记，通过中心关联关系获取程序执行示例日志对应的分类中心数组，其中，中心关联关系包括错误标记与分类中心数组之间的关联关系。

作为一种实施方式，前述内容通过分类中心存储器索引分类中心数组，程序错误检测时，检测的错误标记不在示例日志的错误标记中，那么网络集成学习需对特征域分布保持齐整。进行网络学习时，由于拟调试弱学习网络挖掘的特征信息为满足无关联分布，那么可基于中心关联关系对其特征域分布进行齐整，令不同的拟调试弱学习网络挖掘得到的分布相同，以使各个弱学习网络产生互补，增强强学习网络的精度。

作为另一种实施方式，基于每个程序执行示例日志集中每个程序执行示例日志对应的错误标记，获取针对X个程序执行示例日志集的X个分类中心数组集合之前，方法还包括：获取第一程序执行示例日志集，其中，第一程序执行示例日志集包括M个程序执行示例日志，每个程序执行示例日志携带一个错误标记，M≥1；基于第一程序执行示例日志集中每个程序执行示例日志对应的错误标记，获取M个分类中心数组；基于第一程序执行示例日志集，通过拟调试初始网络获取M个描述数组，其中，M个描述数组中的描述数组与M个程序执行示例日志中的程序执行示例日志彼此对应；基于M个描述数组和M个分类中心数组，对拟调试初始网络的网络内部变量和各个分类中心数组进行调节。

作为一种实施方式，采取对初始网络和分类中心数组进行调试的方式，可以知道，在调试X个弱学习网络之前，还需更新调节分类中心数组，其中，需要在调节拟调试初始网络的同时，对分类中心数组进行调节。

在调试初始网络时，具体包括：

步骤S11，在网络调试阶段获取M个程序执行示例日志，将获取到的M个程序执行示例日志构成一个批，批中的程序执行示例日志为第一程序执行示例日志集。

步骤S12，获取拟调试初始网络，对第一程序执行示例日志集中的各个程序执行示例日志进行特征挖掘(如警告信息、异常记录等特征)，完成量化编码得到各个程序执行示例日志的描述数组。其中，拟调试初始网络可以是卷积神经网络，基于拟调试初始网络完成滤波、激活、池化等数据处理。

步骤S13，基于第一程序执行示例日志集中每个程序执行示例日志对应的错误标记，通过中心关联关系获得每个程序执行示例日志的错误标记。其中，中心关联关系例如可以表达成m×n的二维数组，其中，m为分类中心数组的维数，n为错误标记的数量。分类中心数组与拟调试初始网络挖掘的描述数组进行运算，得到示例日志对应各错误标记的概率。

步骤S4，将拟调试初始网络所输出的描述数组与各个分类中心数组相乘，得到的程序执行示例日志属于各错误标记的概率分布，然后通过产生概率分布的程序执行示例日志的错误标记，基于相应的误差算法获取参数变化率。

步骤S5，通过梯度下降算法对拟调试初始网络的网络内部变量和各个分类中心数组进行调节，评估是否达到网络收敛要求。

步骤S6，如果已达到网络收敛要求，则获得调试好的初始网络。

步骤S7，如果没有达到网络收敛要求，则再次依据误差算法对拟调试初始网络和分类中心数组进行调试。

本发明实施例对初始网络和分类中心数组进行调试的时候，同时调试分类中心数组，以获得一致的分类中心数组，便于弱学习网络调试进行使用。

本发明实施例还提供另一实施方式，基于M个描述数组和M个分类中心数组，对拟调试初始网络的网络内部变量和各个分类中心数组进行调节，可以包括：对于第一程序执行示例日志集中的每个程序执行示例日志，基于程序执行示例日志对应的描述数组和分类中心数组，获取程序执行示例日志对应的夹角运算结果；基于日志数据特征域的散布中心距离和第一程序执行示例日志集中每个程序执行示例日志对应的夹角运算结果，基于第一误差算法确定参数变化率；基于参数变化率，对拟调试初始网络的网络内部变量和各个分类中心数组进行调节。

作为一种实施方式，可基于误差算法对拟调试初始网络的网络内部变量和各个分类中心数组进行调节，以下以基于第一误差算法为例，第一误差算法可以为交叉熵误差算法。

例如，以第一程序执行示例日志集中的M个程序执行示例日志为例，基于以下第一误差算法C1确定参数变化率：

γ＝r·f(α

δ＝r·f(α

其中，M为第一程序执行示例日志集包括的程序执行示例日志数量，la为第a个程序执行示例日志的分类标记，α

通过以上方式，基于交叉熵误差算法对网络进行调试，令类间差异变大，类内差异变小，以使调试好的初始网络的性能更强。

可选地，本发明实施例还提供另一实施方式，其中，基于M个描述数组和M个分类中心数组，对拟调试初始网络的网络内部变量和各个分类中心数组进行调节，包括：对于第一程序执行示例日志集中的每个程序执行示例日志，基于程序执行示例日志对应的描述数组和分类中心数组，获取程序执行示例日志对应的夹角运算结果；基于第一分离变量、第二分离变量、日志数据特征域的散布中心距离和第一程序执行示例日志集中每个程序执行示例日志对应的夹角运算结果，基于第二误差算法确定参数变化率；基于参数变化率，对拟调试初始网络的网络内部变量和各个分类中心数组进行调节。

作为一种实施方式，可见，可基于误差算法对拟调试初始网络的网络内部变量和各个分类中心数组进行调节，以下以基于第二误差算法为例进行介绍，其中，第二误差算法为添加分离变量的交叉熵误差算法。

例如，以第一程序执行示例日志集中的M个程序执行示例日志为例，基于如下第一误差算法确定参数变化率：

γ＝r·(f(α

δ＝r·f(α

其中，M为第一程序执行示例日志集包括的程序执行示例日志数量，la为第a个程序执行示例日志的分类标记，α

通过以上方式，基于分离变量交叉熵误差算法对网络进行调试时，令类间差异变大，类内差异变小，以使调试好的初始网络的性能更强。

进一步地，本发明实施例还提供另一实施方式，直到X个拟调试弱学习网络达到网络收敛要求，得到强学习网络，包括：如果X个拟调试弱学习网络达到网络收敛要求，获取X个弱学习网络；如果拟调试初始网络达到网络收敛要求，得到初始网络；将初始网络以及X个弱学习网络作为强学习网络。

对于每个拟调试弱学习网络来说，评估是否达到网络收敛要求，达到网络收敛要求的拟调试初始网络即弱学习网络。如此，得到X个弱学习网络，同理，对于拟调试初始网络来说，也评估是否达到网络收敛要求。达到网络收敛要求的拟调试初始网络即初始网络。那么将X个弱学习网络和初始网络一起确定为强学习网络，即强学习网络包括Y个子网络，其中，Y＝X+1。

其中，强学习网络包括Y个子网络，如果强学习网络仅包括X个弱学习网络，Y＝X，如果强学习网络包括X个弱学习网络和初始网络，Y＝X+1。

通过以上过程，将调试完成的初始网络确定为强学习网络的一个子网络，减少网络调试时间，减少计算开销。

进一步地，本发明实施例还提供另一实施方式，基于X个描述数组集合和X个分类中心数组集合，对X个拟调试弱学习网络的网络内部变量进行调节，包括：对于X个拟调试弱学习网络中的每个拟调试弱学习网络，基于程序执行示例日志集中每个程序执行示例日志对应的描述数组和分类中心数组，获取程序执行示例日志集中每个程序执行示例日志对应的夹角运算结果，其中，每个拟调试弱学习网络的初始网络内部变量为任意构建得到，也即随机生成；对于X个拟调试弱学习网络中的每个拟调试弱学习网络，基于日志数据特征域的散布中心距离和程序执行示例日志集中每个程序执行示例日志对应的夹角运算结果，基于第一误差算法确定对于拟调试弱学习网络的参数变化率；对于X个拟调试弱学习网络中的每个拟调试弱学习网络，基于对于拟调试弱学习网络的参数变化率，对拟调试弱学习网络的网络内部变量进行调节。

作为一种实施方式，提供一种弱学习网络的调试方法，可见，可基于误差算法对拟调试弱学习网络的网络内部变量和各个分类中心数组进行调节，以下以基于第一误差算法为例，第一误差算法为交叉熵误差算法。

例如，以程序执行示例日志集中包括N个程序执行示例日志为例，基于以下第一误差算法确定参数变化率：

γ＝r·f(α

δ＝r·f(α

其中，H为程序执行示例日志集包括的程序执行示例日志数量，la为第a个程序执行示例日志的分类标记，α

作为另一实施方式，基于X个描述数组集合和X个分类中心数组集合，对X个拟调试弱学习网络的网络内部变量进行调节，包括：对于X个拟调试弱学习网络中的每个拟调试弱学习网络，基于程序执行示例日志集中每个程序执行示例日志对应的描述数组和分类中心数组，获取程序执行示例日志集中每个程序执行示例日志对应的夹角运算结果，其中，每个拟调试弱学习网络的初始网络内部变量为任意构建得到；对于X个拟调试弱学习网络中的每个拟调试弱学习网络，基于第一分离变量、第二分离变量、日志数据特征域的散布中心距离和程序执行示例日志集中每个程序执行示例日志对应的夹角运算结果，基于第二误差算法确定对于拟调试弱学习网络的参数变化率；对于X个拟调试弱学习网络中的每个拟调试弱学习网络，基于对于拟调试弱学习网络的参数变化率，对拟调试弱学习网络的网络内部变量进行调节。

作为一种实施方式，可见，可基于误差算法对拟调试弱学习网络的网络内部变量和各个分类中心数组进行调节，以下以基于第二误差算法为例，其中，第二误差算法为增加分离变量的交叉熵误差算法。

例如，以程序执行示例日志集中的N个程序执行示例日志为例，基于以下第二误差算法确定参数变化率：

γ＝r·(f(α

δ＝r·f(α

其中，H为程序执行示例日志集包括的程序执行示例日志数量，la为第a个程序执行示例日志的分类标记，α

本发明实施例还提供另一实施方式，具体地，直到X个拟调试弱学习网络达到网络收敛要求，得到强学习网络之后，还包括步骤：获取第二程序执行示例日志集，其中，第二程序执行示例日志集包括u个程序执行示例日志，每个程序执行示例日志携带一个错误标记，u≥1；基于第二程序执行示例日志集中每个程序执行示例日志对应的错误标记，获取u个分类中心数组；基于第二程序执行示例日志集，通过强学习网络获取u个多维描述数组(例如二维的描述数组，即描述矩阵)，其中，多维描述数组与u个程序执行示例日志中的程序执行示例日志彼此对应；基于u个多维描述数组，通过拟调试整合网络获取u个描述数组，其中，u个描述数组中的描述数组与第二程序执行示例日志集中的程序执行示例日志彼此对应；基于u个描述数组和u个分类中心数组，对拟调试整合网络的网络内部变量和各个分类中心数组进行调节，直到达到网络收敛要求，得到整合网络。

作为一种实施方式，以上介绍对整合网络(即进行特征融合的网络)和分类中心数组进行调试的过程，可见，在调试获得X个弱学习网络后，再次调节分类中心数组，在调节拟调试整合网络的同时，对分类中心数组进行调节。

在调试整合网络时，具体可以包括以下步骤：

步骤S111，在网络调试阶段获取u个程序执行示例日志，将获取到的u个程序执行示例日志整理为一个批，其中的程序执行示例日志为第二程序执行示例日志集。

步骤S112，获取调试完成的强学习网络，对第二程序执行示例日志集中的各个程序执行示例日志进行特征挖掘和量化编码，得到各个程序执行示例日志的描述数组。

步骤S113，因网络描述数组变大，会引起共性系数确定时长变大，此外，不同子网络挖掘的特征具有冗余，使得集成后的特征包含多余信息。那么，u个程序执行示例日志的描述数组集成为u×Y×d的多维描述数组，也就是将u个Y×d维的多维描述数组确定为拟调试整合网络的输入，基于拟调试整合网络获得每个多维描述数组对应的描述数组。拟调试整合网络包括修正线性单元、池化单元和仿射单元。

步骤S114，基于第二程序执行示例日志集中每个程序执行示例日志对应的错误标记，通过中心关联关系得到每个程序执行示例日志的错误标记。其中，中心关联关系例如可以表达成m×n的二维数组，其中，m为分类中心数组的维数，n为错误标记的数量。分类中心数组与拟调试整合网络挖掘的描述数组相乘得到示例日志对应各个错误标记的概率，将拟调试整合网络输出的描述数组与各分类中心数组相乘，获得的程序执行示例日志对应各个错误标记的概率分布，然后依据产生该概率分布的程序执行示例日志的错误标记，基于相应的误差算法确定参数变化率。

步骤S115，通过梯度下降算法对拟调试整合网络的网络内部变量和各个分类中心数组进行调节，评估是否达到网络收敛要求。

步骤S116，如果已达到网络收敛要求，则获得调试好的整合网络。

步骤S117，如果没有未达到网络收敛要求，则再次通过误差算法对拟调试整合网络和分类中心数组进行调节。

本发明实施例还提供另一可独立实施的方案，其中，基于u个描述数组和u个分类中心数组，对拟调试整合网络的网络内部变量和各个分类中心数组进行调节，包括：对于第二程序执行示例日志集中的每个程序执行示例日志，基于程序执行示例日志对应的描述数组和分类中心数组，获取程序执行示例日志对应的夹角运算结果；基于日志数据特征域的散布中心距离和第二程序执行示例日志集中每个程序执行示例日志对应的夹角运算结果，基于第一误差算法确定参数变化率；基于参数变化率，对拟调试整合网络的网络内部变量和各个分类中心数组进行调节。

作为一种实施方式，可见，可基于误差算法对拟调试整合网络的网络内部变量和各个分类中心数组进行调节，以下以基于第一误差算法为例介绍，其中，第一误差算法为交叉熵误差算法。

例如，以第二程序执行示例日志集中的u个程序执行示例日志为例，基于以下第一误差算法确定参数变化率：

γ＝r·f(α

δ＝r·f(α

其中，u为第二程序执行示例日志集包括的程序执行示例日志数量，la为第a个程序执行示例日志的分类标记，α

可选地，基于u个描述数组和u个分类中心数组，对拟调试整合网络的网络内部变量和各个分类中心数组进行调节，包括：对于第二程序执行示例日志集中的每个程序执行示例日志，基于程序执行示例日志对应的描述数组和分类中心数组，获取程序执行示例日志对应的夹角运算结果；基于第一分离变量、第二分离变量、日志数据特征域的散布中心距离和第二程序执行示例日志集中每个程序执行示例日志对应的夹角运算结果，基于第二误差算法确定参数变化率；基于参数变化率，对拟调试整合网络的网络内部变量和各个分类中心数组进行调节。

作为一种实施方式，可见，可基于误差算法对拟调试初始网络的网络内部变量和各个分类中心数组进行调节，以下以基于第二误差算法为例介绍，其中，第二误差算法为增加分离变量的交叉熵误差算法。

例如，以第二程序执行示例日志集中的u个程序执行示例日志为例，基于以下第二误差算法确定参数变化率：

γ＝r·(f(α

δ＝r·f(α

其中，u为第二程序执行示例日志集包括的程序执行示例日志数量，la为第a个程序执行示例日志的分类标记，α

介绍完本发明中该强学习网络的调试过程，下面介绍应用该强学习网络实现工业产业生命周期管理方法的过程，具体包括：

步骤S201，获取待检测程序执行日志。

作为一种实施方式，获取待检测的待检测程序执行日志。

步骤S202，基于待检测程序执行日志，通过强学习网络获取Y个描述数组，其中，强学习网络包括X个弱学习网络，或者强学习网络包括X个弱学习网络和初始网络，Y＞1。

作为一种实施方式，将待检测程序执行日志确定为强学习网络的输入，其中，强学习网络包括Y个子网络。基于此，采用强学习网络输出Y个描述数组，换言之，每个子网络输出一个描述数组。其中，Y个子网络可包括X个弱学习网络，或者，Y个子网络包括X个弱学习网络和一个初始网络。

步骤S203，基于Y个描述数组，生成待检测程序执行日志的目标描述数组；

作为一种实施方式，基于Y个描述数组，可基于对应方式获取待检测程序执行日志的目标描述数组。例如，对Y个描述数组进行均值求解、对Y个描述数组进行融合。

步骤S204，基于目标描述数组对待检测程序执行日志进行检测，得到日志错误检测结果。

作为一种实施方式，获得目标描述数组后，基于目标描述数组对待检测程序执行日志进行检测，基于此，得到日志错误检测结果。

本发明实施例中，在强学习网络上，对各子网络特征域完成齐整，确保各子网络产生互补，以提高强学习网络的检测精度。

在另一实施例中，基于Y个描述数组，生成待检测程序执行日志的目标描述数组，可以包括：对Y个描述数组进行均值求解，得到待检测程序执行日志的目标描述数组。

例如，将待检测程序执行日志作为强学习网络中各个子网络的输入，通过各子网络分别输出对应的描述数组。以此对Y个描述数组进行均值求解，得到待检测程序执行日志的目标描述数组。举例而言，包括两个描述数组，一个描述数组为[0.1,0.2,0.3,0.4]，另一个描述数组为[0.4,0.5,0.6,0.7]，对两个描述数组进行均值求解得到目标描述数组为[0.25,0.35,0.45,0.55]。

在本发明实施例的另一实施例中，基于Y个描述数组生成待检测程序执行日志的目标描述数组，包括：将Y个描述数组作为目标多维描述数组；基于目标多维描述数组，通过整合网络获取待检测程序执行日志的目标描述数组。

可见，对Y个描述数组进行特征整合，以获得待检测程序执行日志的目标描述数组。

基于前述的实施例，本发明实施例提供一种工业产业生命周期管理装置，该装置所包括的各单元、以及各单元所包括的各模块，可以通过计算机设备中的处理器来实现；当然也可通过具体的逻辑电路实现；在实施的过程中，处理器可以为中央处理器(CentralProcessing Unit，CPU)、微处理器(Microprocessor Unit，MPU)、数字信号处理器(DigitalSignal Processor，DSP)或现场可编程门阵列(Field Programmable Gate Array，FPGA)等。

图2为本发明实施例提供的一种工业产业生命周期管理装置的组成结构示意图，如图2所示，工业产业生命周期管理装置200包括：

日志获取模块210，用于获取待检测程序执行日志；

特征挖掘模块220，用于基于所述待检测程序执行日志，通过强学习网络获取Y个描述数组，其中，所述强学习网络包括X个弱学习网络，或，强学习网络包括所述X个弱学习网络和初始网络，所述Y＞1；

目标生成模块230，用于基于所述Y个描述数组，生成所述待检测程序执行日志的目标描述数组；

错误检测模块240，用于基于所述目标描述数组对所述待检测程序执行日志进行检测，得到日志错误检测结果；

网络调试模块250，用于对所述强学习网络进行调试，具体包括：

获取X个程序执行示例日志集，其中，每个程序执行示例日志集包括一个或多个程序执行示例日志，每个程序执行示例日志携带一个错误标记，所述X≥2；

基于所述每个程序执行示例日志集中每个程序执行示例日志对应的错误标记，获取针对所述X个程序执行示例日志集的X个分类中心数组集合，其中，所述分类中心数组集合与所述程序执行示例日志集彼此对应，同时，携带相同错误标记的程序执行示例日志对应相同的分类中心数组；

基于所述X个程序执行示例日志集，通过X个拟调试弱学习网络获取X个描述数组集合，其中，每个拟调试弱学习网络用于抽取一个描述数组集合，所述描述数组集合与所述程序执行示例日志集彼此对应；

基于所述X个描述数组集合和所述X个分类中心数组集合，对所述X个拟调试弱学习网络的网络内部变量进行调节，直到所述X个拟调试弱学习网络达到网络收敛要求，得到强学习网络，其中，所述强学习网络包括X个弱学习网络，所述弱学习网络与所述拟调试弱学习网络彼此对应。

以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。在一些实施例中，本发明实施例提供的装置具有的功能或包含的模块可以用于执行上述方法实施例描述的方法，对于本发明装置实施例中未披露的技术细节，请参照本发明方法实施例的描述而理解。

需要说明的是，本发明实施例中，如果以软件功能模块的形式实现上述的工业产业生命周期管理方法，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。基于这样的理解，本发明实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本发明实施例不限制于任何特定的硬件、软件或固件，或者硬件、软件、固件三者之间的任意结合。

本发明实施例提供一种开发平台，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法中的部分或全部步骤。

本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法中的部分或全部步骤。所述计算机可读存储介质可以是瞬时性的，也可以是非瞬时性的。

本发明实施例提供一种计算机程序，包括计算机可读代码，在所述计算机可读代码在计算机设备中运行的情况下，所述计算机设备中的处理器执行用于实现上述方法中的部分或全部步骤。

本发明实施例提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序被计算机读取并执行时，实现上述方法中的部分或全部步骤。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一些实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一些实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。

这里需要指出的是：上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考。以上设备、存储介质、计算机程序及计算机程序产品实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本发明设备、存储介质、计算机程序及计算机程序产品实施例中未披露的技术细节，请参照本发明方法实施例的描述而理解。

图3为本发明实施例提供的一种开发平台的硬件实体示意图，如图3所示，该开发平台1000的硬件实体包括：处理器1001和存储器1002，其中，存储器1002存储有可在处理器1001上运行的计算机程序，处理器1001执行程序时实现上述任一实施例的方法中的步骤。

存储器1002存储有可在处理器上运行的计算机程序，存储器1002配置为存储由处理器1001可执行的指令和应用，还可以缓存待处理器1001以及开发平台1000中各模块待处理或已经处理的数据(例如，图像数据、音频数据、语音通信数据和视频通信数据)，可以通过闪存(FLASH)或随机访问存储器(Random Access Memory，RAM)实现。

处理器1001执行程序时实现上述任一项的工业产业生命周期管理方法的步骤。处理器1001通常控制开发平台1000的总体操作。

本发明实施例提供一种计算机存储介质，计算机存储介质存储有一个或者多个程序，该一个或者多个程序可被一个或者多个处理器执行，以实现如上任一实施例的工业产业生命周期管理方法的步骤。

这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本发明存储介质和设备实施例中未披露的技术细节，请参照本发明方法实施例的描述而理解。上述处理器可以为目标用途集成电路(Application Specific Integrated Circuit，ASIC)、数字信号处理器(DigitalSignal Processor，DSP)、数字信号处理装置(Digital Signal Processing Device，DSPD)、可编程逻辑装置(Programmable Logic Device，PLD)、现场可编程门阵列(FieldProgrammable Gate Array，FPGA)、中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器中的至少一种。可以理解地，实现上述处理器功能的电子器件还可以为其它，本发明实施例不作具体限定。

上述计算机存储介质/存储器可以是只读存储器(Read Only Memory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性随机存取存储器(Ferromagnetic Random Access Memory，FRAM)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(Compact Disc Read-Only Memory，CD-ROM)等存储器；也可以是包括上述存储器之一或任意组合的各种终端，如移动电话、计算机、平板设备、个人数字助理等。

应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本发明的各种实施例中，上述各步骤/过程的序号的大小并不意味着执行顺序的先后，各步骤/过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元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。基于这样的理解，本发明的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。