CN102496060A - 基于神经网络的云端智能机系统 - Google Patents
基于神经网络的云端智能机系统 Download PDFInfo
- Publication number
- CN102496060A CN102496060A CN2011104039929A CN201110403992A CN102496060A CN 102496060 A CN102496060 A CN 102496060A CN 2011104039929 A CN2011104039929 A CN 2011104039929A CN 201110403992 A CN201110403992 A CN 201110403992A CN 102496060 A CN102496060 A CN 102496060A
- Authority
- CN
- China
- Prior art keywords
- information
- data
- neural network
- user
- content
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种涉及云计算、数据挖掘、神经网络、信息安全等的基于神经网络的云端智能机系统,其构成包括基于神经网络的计算机结构、广义的数据库结构以及跨越软硬件界线的数据结构。本发明提出和使用多种新技术,包括:算法引擎结构、本能神经网络、信息压缩、限权网络协议、安全体系、和跨平台数据结构等。本发明所描述的计算机系统结构,能够轻易超过当前顶级服务器集群运算力千倍以上,突破未来云计算中心运算能力瓶颈。本发明的系统具备免疫和自愈能力,杜绝病毒黑客攻击。本发明的系统像生物体那样生长和新陈代谢,定义不断变化的新任务,完成升级和扩容。可应用于大规模信息中枢、外包式企业管理、电子商务等云计算中心。
Description
技术领域
本发明涉及云计算、数据挖掘、神经网络和信息安全四大议题。特别是一种基于神经网络的云端智能机系统。
实际上,上述每个议题都是一个很大的独立领域。本发明的特点在于同时提出4个领域重大的基础创新,这些创新互相关联,合在一起效果倍增。
本发明针对当前云计算误区,提出云计算应用的三个阶段理念。针对当前数据仓库和数据挖掘的难题,提出解构传统数据库,建立统一开放平台的系统解决方案。针对当前神经网络缺陷,开拓研究新方向,提出神经网络四要素的新理论。针对当前病毒和黑客猖獗,提出从根本上解决信息安全的新途径。
本发明将本能神经网络技术,应用到云计算中级阶段,包括大规模信息中枢、外包企业管理、和电子商务等事物处理和决策支持服务。本发明所描述的计算机系统结构,能够轻易超过当前顶级服务器集群运算力千倍以上,一举突破未来云计算中心运算能力瓶颈。本发明的系统具备免疫和自愈能力,杜绝病毒黑客攻击。本发明的系统像生物体那样生长和新陈代谢,也就是说,能够在系统运行过程中,定义不断变化的新任务,完成升级和扩容。
背景技术
首先,简单回顾当代计算机理论热点:云计算、数据挖掘和神经网络。
1、关于云计算
从宏观上看计算机信息处理的发展历史包括三个阶段:
第一阶段:中央主机
在计算机萌芽期,少有人懂得信息处理知识,鲜见应用,因此,局限于中央主机模式。那时候,信息就是生产力,谁能率先建立企业IT功能,就具备了极大的竞争优势。
第二阶段:分散的个人电脑模式
随着电脑需求爆炸,知识普及,应用多变,竞争激烈,用户分散,自然发展出各自为政的个人电脑(PC)模式。
第三阶段:云计算,回归中央主机模式
随着计算能力爆炸,网络进步,电脑普及,IT设备快速更新,业界逐渐认识到,回归集中模式,有利于资源共享,达到效率倍增。大数规律告诉我们,当群体巨大,多变的应用将会收敛到趋同的需求。显然,各自为政的管理和维护成本高,效果参差不齐。如今IT部门已经成为企业经营中不可缺的部分,但是,对绝大部分企业来说,IT部门不能带来竞争优势,反而成为一大负担。今天,谁能率先使用外包IT服务,甩掉内部IT部门,就具备了竞争优势。因此,云计算将造就一批没有内部IT的企业,尤其在电子商务领域。也就是说,大趋势回归中央主机模式,外包IT服务,这就是云计算的优势。
2、关于数据挖掘
近年来,主流科技评论机构认为,数据挖掘技术是对未来人类产生重大影响的新兴技术之一。由于计算机和数据库的广泛应用,日益膨胀的数据量导致了“数据丰富而信息贫乏”的现象,数据挖掘技术以一种全新的概念,改变人类利用数据的方式,可望开发出大容量数据的利用价值。但是,现阶段数据挖掘技术面临许多“鸿沟”,主要是:应付多源异构数据和数据库、应付海量数据的效率和运算力、应付数据规格化和大规模协同作业、挖掘结果的可用性和表达能力、以及数据安全和隐私等。这些鸿沟制约了数据挖掘的广泛应用。本发明就是在这样的背景条件下,提出了一套切实可行的整体解决方案。
3、关于神经网络
从宏观上看,人类智能机器至少可分为两大独立的体系和发展方向:
第一体系:Von Heumann架构
1936年,Turing提出有限状态自动机构想,奠定了现代计算机的基础理论。
1945年,Von Heumann提出储存程序通用计算方案,从此有了“软件”。
今天广为流行的计算机结构,根据Von Heumann体系,分为硬件和软件两个独立部分,或者说,油水分离的两个层面。几十年来,这两个层面分别独立演变成极为复杂的硬件和软件体系,构成一个难以捉摸的超级大细胞(包括所谓的超级计算机),导致系统整体效率低下,尤其在即将到来的云计算时代,将成为未来云端运算力的瓶颈。
第二体系:神经网络(Neural Networks)
1943年,McCulloch和Pitts根据神经仿生学,奠定了神经网络基础理论。
1949年,Hebb提出自组织学习的第一个规则。
1958年,Rosenblatt提出第一个感知器模型。
1985年,Rumelhart等人提出反向传输学习模型,成为当前研究的主流。
60多年来,神经网络多次起伏,至今尚未成熟,难以进入大规模实用。
值得注意的是,1956年,就在Von Heumann去世的前一年,这位计算机巨匠留下一部手稿“计算机和人脑”。在这部手稿中,他已经明确提出人脑和计算机的巨大差异。今天,面对云计算的需求,传统Von Heumann结构,已经遭遇难以逾越的发展瓶颈。其实,现代仿生学提示,人类每个器官都是从细胞发育时就确定了功能。跟随个体发育成长,细胞数量可能增加,但是,细胞结构和复杂度不变。因此,本发明人认为,未来计算机发展更有前途的方向是神经网络。
但是,今天的现实情况是面对云计算和大规模数据仓库,计算机理论和技术相对贫乏,也就是说,传统Von Heumann结构遭遇发展瓶颈,寄托未来希望的神经网络尚未成熟。本发明就是在这样的背景条件下,填补空白,提出一套切实可行的理论和技术结构。
本发明所说的处于理论和技术贫乏状态下的计算机3大热点领域,广泛地见诸于各类文献。其中,分别针对3个专题,有3本代表性的著作:
刘鹏主编《云计算》,电子工业出版社,2010年。书中详细描述了当前3家大公司和开源的云计算技术。
陈文伟《数据仓库与数据挖掘教程》,清华大学出版社,2006年。这是一本高等院校信息管理研究生教材。
叶世伟和史忠植译《神经网络原理》,机械工业出版社,2004年。这是关于神经网络的经典著作。
从上述3本著作的参考资料列表中,可以找到更多相关内容。
发明内容
本发明的目的是面对云计算新时代面临的短期和长远发展瓶颈,主要包括:开拓新的应用领域,数据泛滥知识贫乏,僵化的计算机结构,云端运算能力,以及云端信息安全等5个方面,本发明提供一种基于神经网络的云端智能机系统。
该系统面向全社会的广义数据库,同时覆盖当前数据仓库和数据挖掘的全部内容。通过云计算和神经网络的完美组合,从结构上打破传统软硬件限制。让开发者直接面对原始信息,在不增加软硬件复杂度前提下,无限扩展信息中枢的功能和规模。并且,本发明的系统能够像生物体那样生长和新陈代谢,在运行过程中,定义新任务,完成升级和扩容。
该系统首创开放式数据结构能够跨越不同硬件平台,不限于储存设备类型,包括CPU内存、电子硬盘、磁盘阵列等;也不限于访问工具,包括传统软件、可编程硬件、或其它异构设备。并且,允许符合条件的用户开发自定义的神经元,只要一本局部代码字典、特定的信息存放地址和通用的神经元传导协议格式,就可以开发任意可想象的高等级信息服务。
该系统提供一种全方位协同作业环境。信息中枢允许任意多远程联网团队,同时开发不同的信息加工任务,并且,面向无限量用户群。这些独立开发任务横跨多个不相关领域,很难由少数几个团队完成,例如:不同信息链接和挖掘需求,分析解读不同类型多媒体内容,对应不同聪明程度的各种人工智能算法等。
该系统针对当前计算机和互联网面临的病毒和黑客侵扰,提出一条可行的中间道路,在保留传统技术的前提下,建立本质上的信息安全体系。
最后,由于极高效率,换来本发明超低成本、超低能耗和超小体积。从短期看,本发明的效果仅限于性能价格比,随着云计算向高级阶段发展,将演变成有和无的差别。
本发明的技术解决方案如下:
一种基于神经网络的云端智能机系统,特点在于其构成包括基于神经网络的计算机结构和广义的数据库结构。
所述的基于神经网络的计算机结构,由多个独立算法引擎,经由交换网络设备连接而成,每个算法引擎接受系统管理指令,完成局部功能,即输入数据按指定要求加工后产生输出数据;每个算法引擎可与其他算法引擎交换数据,各个算法引擎可以在线共享系统数据库内容,但不受其他算法引擎的制约;所述计算机结构具备新陈代谢能力,即系统持续运行过程中,增加或删除部分算法引擎,或者改变某些算法引擎的任务,整体系统中其他算法引擎照常工作。
所述的交换网络设备为单台设备,或是本地网络连接的设备群,或是远程网络连接的设备群。
所述的交换网络设备执行算法引擎的传导机制,交换网络设备的每个端口都设有专门的数据过滤装置,并赋予指定的访问权限,允许通过指定的数据包;这些端口严格按照设备位置、功能等级和信任度等级分类:按位置分为云端设备和终端设备,按功能分为系统管理、在线任务定制、信息采集和查询,按信任度分为专网可信任、公网可信任、公网已认证、公网未认证的交换网络设备端口。
所述的算法引擎为传统的CPU加软件、专用可编程硬件、任意混合体、甚至人工辅助的服务台。
所述的广义的数据库结构,包括4个独立可分离的功能模块群:信息库、多媒体内容库、代码字典和用户操作模块,所述的信息库是指经过提炼的精简信息的集合,用代码描述事实和现象;所述的多媒体内容库泛指复杂结构的原始数据集合,以感性内容为主,包括视频、图片、音频、网页、文本数据;所述的代码字典是描述和解释信息库中的单项内容的代码集合;所述的用户操作模块是面向无数远程的广义数据库开发者和使用者,主要功能是产生,修改,读取和使用上述各部分功能。
所述的独立可分离的功能模块群具有一个或多个独立分离的执行模块,这些执行模块称为算法引擎或神经元;这些执行模块通过本地网络或远程网络连接,并由网络通信协议,或称传导协议,互相传递数据;每个独立可分离的执行模块进入或退出网络连接,不影响其他执行模块的运行;这些执行模块,根据不同需求独立开发,协同作业;所述的网络通信协议包含并不限于以下内容:执行功能、执行模块的地址、操作方式、变量代码、权限范围、数据载荷及其解释。
所述信息库通过高效率信息链接和挖掘,提升到知识层面辅助决策。
所述信息库为了提高信息库处理效率,通过压缩原始信息中的冗余数据,用精简代码表示信息本体。提取出的冗余数据称为先验信息,记录在代码字典中。由于所述数据库的开发者和使用者通过远程网络接入,必须用统一定义的代码解释信息本体的属性和内涵,开发者和使用者的终端必须复制局部代码字典。
所述的多媒体内容库必须与信息库分开处理,包括不同的物理位置;所述的信息库包含所述的多媒体内容库中每个单项数据的地址和其他描述性信息;这些信息以便信息库经由用户操作模块的操作要求,向所述的多媒体内容库发送单方向指令,该多媒体内容库根据指令直接将多媒体数据发送到指定用户。
所述的用户操作模块主要面向4大类远程用户群:按功能分为信息采集者和信息使用者,按介入深度分为低级用户和高级用户,所述的信息采集者泛指人工信息登录,或自动信息抓取,包括并不限于第三方数据库吸纳、媒体内容搜索、多媒体内容识别;所述的信息使用者泛指通过链接、挖掘、推理等手段,从信息中提炼知识,进一步指导决策;所述的信息使用者还泛指多媒体内容点播,包括本不限于电子商务、电子教育、娱乐性内容消费;所述的低级用户泛指常用服务套餐的用户;所述的高级用户泛指开发定制功能的用户。
所述的每大类用户群还可以进一步细分具体功能。实际上,所述广义数据库结构可以包含并超越传统数据库、数据仓库和数据挖掘的全部功能。
所述的基于神经网络的云端智能机系统,还有跨越软硬件界线的数据结构。
所述的跨越软件和硬件界线的数据结构,从应用角度,按某种规律排列的实体称为条目,每个条目含有多条信息本体,所述数据结构直接在物理储存介质层面定义功能区、数据块和信息单元3层结构:首先,所述的功能区包括索引区、指针扩展区和通用储存区;其次,每个功能区进一步分成许多相等长度的数据块,数据块在储存空间的位置和状态由数据块寻址指针描述;最后,数据块是储存载体,用于存放不同长度的信息单元,所述的信息单元包含信息类型、辅助描述和信息本体;多个小信息单元可以合并存放在一个数据块中,一个大信息单元可占用许多个数据块,可跨越数据块边界,并能够正向或反向链接。
所述的数据结构可跨越不同硬件平台,储存设备类型包括:CPU内存、电子硬盘、磁盘阵列或其他设备类型,不限于访问工具:传统软件、可编程硬件、或其他异构设备。
所述的索引区的数据块按序排列,储存区中的数据块随机排列,指针扩展区中的数据块与储存区同步排列,存放条目信息的第一个数据块的寻址指针按线性地址排列在索引区的数据块中,每个数据块内至少含有一条指针,包含本数据块的状态:空、满、损坏、不存在,以及链接下一个数据块的寻址指针,指向储存区扩展数据块的地址。
所述的每个信息单元包含同一个条目名下的信息本体,信息单元的内部辅助描述中包含并不限定信息本体的长度、属性、格式等,信息单元在数据块中随机排列;为了加速指定条目名下的信息单元搜索,多个信息单元可以合并成一个复合信息单元;信息单元所包含的信息量可以无限扩展,直至耗尽所有储存区空间。
本发明的有益效果:
从云计算技术角度,本发明通过创新的神经网络结构,使得云计算中心计算机能够像生物体那样生长和新陈代谢,在系统运行过程中,定义新任务,完成升级和扩容。
严格赋予神经元不同访问权限,杜绝黑客和病毒,系统具备安全免疫和灵活应变能力。
本发明通过创新的广义数据库结构,以及跨越软硬件平台的数据结构,完成大规模协同作业的社会信息中枢。实际上,只要一本代码字典、一份埋藏信息的地图和统一的神经元传导协议,任何人用任何软件工具,甚至可编程硬件(不用软件),只要在局部授权的前提下,可以使用信息中枢指定范围内的信息,开发任意应用业务,包括信息挖掘和辅助决策。
从社会信息化角度,信息过度防范导致使用价值受损,过度开放危及信息安全。在现实社会中,不可控的开放必然导致滥用,因此,开放必须有度。理想情况是,该开放的就开放,该封闭的就封闭,对于不同对象有不同的开放程度。在实现信息价值最大化的同时,必须认识到信息滥用的危害也相应加大。尤其是人们对个人隐私曝光的恐惧,其实,这种恐惧主要源自于信息管理不善和滥用。显然,当前大量分布的简易数据库根本无法严格管理,导致大量个人信息进入黑市买卖。实际上,如果用少数几个严格监管的信息中枢取代无数个无法监管的简易数据库,个人信息能够像银行存款一样安全,恐惧自然消失。另一方面,如果司法机关决定对某人立案侦查,那么在司法范围内,此人无隐私可言。因此,保护个人隐私的途径不是毁灭信息(实际上毁灭不了),而是严格管理。这就是建立社会信息中枢的目标之一。
本发明的信息安全体系包括目标和手段两部分:第一,目标是精确可控的信息开放程度。第二,手段是从结构上确保上述目标的严格执行。云计算信息中枢能够促进社会公平正义,提升公民诚信度,巩固法治,扶正祛邪,成为国家长期稳定和发展的重要支柱。
附图说明
图1本发明的宏观理论
图2本发明基于神经网络的云端智能机系统实施例--社会信息中枢的逻辑结构示意图
图3本发明基于神经网络的云端智能机系统实施例--社会信息中枢的功能结构和网络环境示意图
图4本发明基于神经网络的云端智能机系统实施例--信息中枢的数据结构和协同作业环境示意图
具体实施方式
下面结合附图对和实施例本发明作进一步说明,但不应以此限制本发明的保护范围。
我们知道,发明就是创新。实际上,重大发明主要是思维模式的创新,思维模式落实到行事规则,最终决定结果。
本发明在“背景技术”中指出,面对云计算而言,当前的计算机理论和技术相对贫乏。为了论证这一点,让我们分析云计算、数据挖掘、神经网络、云端运算能力、以及云端信息安全面临的难题,并且,提出相应的对策。本发明同时提出多个看似不同领域内的重大创新,这些创新互相关联,合在一起效果倍增。
1、关于云计算的难题和对策
今天,几家公司的集中式网络服务广受欢迎,掀起了一股热潮,商业上称为“云计算”。本发明人认为,云计算的发展可以分为3个阶段:
初级阶段:信息和内容随处可得,方便用户,远程查询,提高效率,包括集中提供传统的企业管理和电子商务服务。
中级阶段:主要表现在大规模数据仓库、数据挖掘、联机分析领域。改变“数据丰富而信息贫乏”的局面。也就是说,建设社会信息中枢,通过深度加工,提升信息价值,变为有用的知识,大规模解决实际的社会问题。
高级阶段:超越信息范畴,实时多媒体内容深度加工,如:高逼真度网络游戏、虚拟现实、人工智能(机器人听懂看懂人类的表达方式)。
显然,今天我们看到的应用,包括刘鹏《云计算》著作中所描述的内容,基本上都属于初级阶段。我们知道,云计算初级阶段必须同时面对无数用户,因此,云中心的信息处理任务远大于传统以个人电脑为基础的分散服务器。
我们看到,为了提升云计算中心的服务能力,当前IT巨头们的数据中心,用集装箱装载数以百计的高性能服务器,然后堆满多个足球场。显然,如此庞大系统还要消耗巨量电力。实际上,他们都局限在传统体制下的四项追求:更强的硬件(CPU堆积、服务器集群、和超级计算机)、更强的软件(并行、分布和虚拟计算)、更高薪的工程师(越来越难以驾驭的复杂软件和硬件)、以及更严格的管理(CMMI认证,试图应付越来越难以控制的出错机会)。但是,这条途径投入和产出不成比例,系统越大效率越低,导致软件可维护性、可靠性和安全性严重隐患。本发明人认为,这条路线已经遭遇难以逾越的瓶颈,因此,本质上不符合云端运算能力的发展方向。当前出版的大量技术书籍和论文,处处表现出传统体制下的上述四项追求,唯独缺乏基础理论的研究和创新。
云计算中级阶段的任务是对信息深度加工,显然,更加剧了对运算力的压力。实际上,云中心运算能力至少要达到当前顶级服务器集群的千倍以上。根据摩尔定律推算,等待传统软件和硬件技术发展到可用的水平,至少要10年以上。实际上,10年以后,云计算将进入高级阶段,一旦跨越信息处理范畴,渗透到消费者实时视频应用领域,那么云端运算力需求还将暴增百万倍以上。显然,传统计算机技术更加望尘莫及,因此,当前的超级计算机不论发展到什么程度,都难以满足云计算高级阶段的需求。
本发明用本能神经网络取代刘鹏《云计算》一书中所描述的各种技术,表现出重大优势:
第一,神经网络能够像生物体那样生长和新陈代谢,在系统运行过程中,定义新任务,完成升级和扩容。
第二,神经网络能够严格赋予神经元不同访问权限,杜绝黑客和病毒,系统安全免疫和灵活应变能力。
第三,由于极高的效率,换来超低成本、超低能耗、和超小体积。
2、关于数据挖掘的难题和对策
当前业界意识到数据挖掘是一项多学科交叉的领域,但是,对数据挖掘的定位不清,导致研究人员难以聚焦。实际上,原因在于对数据、信息和知识的基本概念定义模糊和认识不清。
本发明人认为,数据(data)是传输和储存的载体(包括记录),数据的承载对象是信息和多媒体内容。其中,信息属于知性内容;多媒体主要带来舒适的感受,属于感性内容,当然,可以包含知性成分。只有信息(information),或者说,知性内容,才是知识的载体(有意义的消息)。从信息发现角度看,感性内容属于冗余数据,应该事先滤除。实际上,信息本身只是描述事实(或现象),只有把许多信息联系起来,形成一个模型,才能提升到知识(knowledge)境界,用于指导人类活动。由此可见,广义的数据挖掘实际上包含两个过程:首先,从数据中发现信息,然后,从信息中发现知识。但是,当前的数据仓库和数据挖掘基本上都从传统数据库发展而来,因此,大部分关于数据挖掘的著作,都把这两个过程混为一谈,导致许多研究工作迷失方向。
关于从信息中发现知识的过程,相对有章可循,经过数十年努力,目前已经具备较完整的方法,至少已经有了比较明确的研究方向,大部分数据挖掘的著作中都有类似的描述。关于从数据中发现信息的过程,取决于数据的类型。实际上,每一种数据类型都是一门独立的学问,其中,传统数据库所处理的“结构化”数据已经成熟。但是,除此之外,例如:从文本、网站和多媒体内容中提取信息,还远未成熟。尤其是面对视频内容,如何提取有效信息尚属起步阶段,连发展方向都不清楚。这些领域其实与信息库无关。这项任务可以分配给专门的算法引擎,甚至可用人工辅助实现。也就是说,将不同算法引擎提炼后的信息,统一充实到已有的运行中的信息库。
在数据仓库和数据挖掘领域,还面临数据规格化和大规模协同作业的难题。我们知道,传统数据库不具备普遍性,即便使用同一家公司的数据库软件和SQL语言,但是,变量定义只在特定的数据库中有效。也就是说,只有数据库的开发人员,才能充分使用该数据库的内容。
本发明提出广义数据库概念,首先把传统数据库解构为信息库、多媒体内容库、代码字典和用户操作模块。消除信息库中的冗余信息,然后,通过开放的跨平台数据结构和本能神经网络系统整合传统数据库、数据仓库和数据挖掘的全部功能。最终,完成大规模协同作业的社会信息中枢。本发明所述的信息中枢,只要一本代码字典、一份埋藏信息的地图和统一的神经元传导协议,任何人用任何软件工具,甚至可编程硬件(不用软件),只要在局部授权的前提下,可以使用信息中枢指定范围内的信息,开发任意应用业务,包括信息挖掘和辅助决策。
3、关于神经网络的难题和对策
本发明人认为,当前神经网络不成熟的原因在于理论上有缺陷:根据叶世伟所译的《神经网络原理》,纵观数十年神经网络的发展,九成以上的研究精力局限在自学习算法和能力训练上,同一个题目反复研究,导致近亲繁殖,并且整体进步不大。因此,必须拓宽神经网络的研究方向,寻找新的突破口。
实际上,过去几十年神经网络的研究局限于一小点,可以等同为“自学习神经网络”,显然,这不是人类神经网络的全部。另外,人类大脑发育,达到谋生能力,必须经过幼儿期不断的试错学习和十几年知识积累。但是,我们设计电脑,尤其面对用户信息处理,不能容忍试错,也不能等待漫长的学习过程。
“自学习神经网络”理论的核心有两点:
第一,由简单神经元构成宏大的网络。但是,过去几十年,对于网络结构和传导理论,研究甚少。
第二,神经网络从外界获取知识,即“自学习”,并储存于神经元内部。
本发明人认为,自学习神经网络理论忽视了生物具备不经学习,与生俱来的本能。还忽视了生物抵御外来侵扰的免疫和自愈能力。这些能力与大脑的关系尚不清楚,因此,研究神经网络不应局限于大脑,还应该看到整个生物体。不应局限于模仿细节,还应该借鉴宏观的系统能力。实际上,知识空白,本能缺乏,难以学习,因此,应该先灌输知识(先验信息),再谈学习。探究生物奥秘的路程尚远,我们不能等待所有谜底都揭开之后,再来模仿。至少,应该先从系统角度,学习仿生学提示的生物基本功能。
本发明行之有效的方法是,在迈向神经网络的过程中,设立一个中间阶段,灌输本能。也就是说,先不考虑自学习问题,只有积累了足够知识以后,才能逐步开放自主适应外部环境能力。另一方面,必须把抗击黑客和病毒设计在神经网络的本能之中,而不是依赖后天的防火墙和杀毒软件。
本发明提出“本能神经网络”的理论和结构,并开启云计算的新应用:
第一,本发明扬长避短,优化设计神经网络的结构和传导协议,另一方面,避开尚不成熟的自学习能力,消除试错过程。
第二,本发明直接赋予神经网络足够的先验信息。用代码字典,将外部环境映射到内部信息库。其中,代码字典就是先验信息,信息库就是知识积累。
第三,本发明通过限权的网络协议,赋予神经元抗击黑客和病毒的本能。
我们知道,社会信息化是一个过程,也就是说,社会信息中枢就像一个不断成长和发育的生命体。至少在相当长的一段时期内,需求不断变化,难以确切定型,需要许多横跨不同领域的开发团队协同作业。但是,传统计算机难以适应变化中的环境需求,软件升级是电脑应用的常态,因此,我们已经习惯于经常下载大型软件版本更新和补丁。每次下载都要暂停原先的程序,甚至还要重启主机。实际上,传统软件的每一次小修改,都可能导致其他看上去无关的部分出错。尤其当软件系统极为复杂,同时,应用流程容不得差错,上述问题更加严重。这种随系统扩展而不确定的软件隐患,已经成为超级计算机应用瓶颈。但是,现代生理学明确告诉我们,跟随个体发育成长,细胞数量可能增加,但是,细胞结构和复杂度不变,或者说,没有超级细胞。
本能神经网络使用限权传导协议连接异构的算法引擎,替代复杂的软件流程,摆脱传统硬件的能力限制,动态完成不断变化的任务。实际上,就是信息包在网络路径协议指引下,途经不同的算法引擎,完成期望的任务。
本发明提出神经网络的宏观理论,即神经网络四要素:神经元结构和传导机制、先天本能、免疫和自愈能力、自学习能力,只有充分融合这些要素,才能成为成熟的神经网络,最终应用到云计算的高级阶段。
4、关于云端运算力的难题和对策
我们看到,不论云计算还是神经网络,都面临一个运算力需求暴增的难题。
让我们先看一个事实,1965年,美国航空公司采用2台IBM主机互为备份,成功开发“军刀”航空票务系统。该系统通过运程连接1000多个代理终端,每天处理4万次航空预订和2万次售票业务。今天有报道称,采用IBM最新的云计算设备,实现了每天处理上千万次预订或销售的火车票务系统。显然,两者的差别是进步了数百倍。
再看另外一个事实,按照计算机业界公认的摩尔定律,计算机芯片运算力每10年增长100倍,由此推理,45年应该进步5亿倍。显然,如果从会计角度,花费数亿倍资源,办理类似的业务流程,仅进步数百倍,应该审计一下。或者说,拷问传统计算机运作模式,巨量增加的CPU能力花到哪里去了?
今天我们熟悉的个人电脑模式,用户只关心自己的终端,把主要资源耗费在图形化操作环境和人性化编程语言上。实际上,不论是“办公自动化”还是“电子商务”,其实,“办公”和“商务”的基本流程几百年没有大变,只是“自动”和“电子”日新月异。30年来,以PC为代表的计算机技术不遗余力地追求人性化的编程语言、直观的图形操作界面、解决普遍问题的万能工具。很明显,所有努力都是针对个人电脑的“个人”工作环境。实际上,今天PC运算力资源中99%以上只是让使用者感觉舒服一点而已。但是,在云计算中心环境,所有这一切努力都成了画蛇添足。任何创新都会遭遇传统的阻力,幸运地,由于云计算的屏蔽作用,用户根本不知道云端用了什么技术。这就为颠覆传统创造了良机,有望实现体制外重大创新。
针对云计算和神经网络面临的难题,本发明提出云计算中心的设计准则:
云计算的本质就是回归中央,因此,一旦满足初级阶段的需求,计算机理论将从“以人为本”,过渡到“以计算机为本”。也就是说,云计算中心的设计准则,应该站在电脑立场上思考问题。当然,并不是说电脑将变得难以操作,实际上,从应用角度,“以人为本”永远正确。但是,与云端技术无关,或者说,云中心和用户终端的任务向两级分化。云计算中心的任务不仅是收集大量信息,更重要的是,通过深度处理,让信息带来更大的价值。至于说,如何迎合用户的喜好,那只是终端设计的事,好比时尚的衣服和提包,市场价格与功能无关。
下面让我们从系统角度,进一步阐述云计算中心的设计准则。
云计算理论创新之一:细胞层面的两项融合,奠定神经网络的结构。
1、硬件与软件在细胞层面融合成自治体,即神经元,或称,“算法引擎”。
2、计算与通信融合,采用通信协议和网络,隔离系统状态机与独立执行的算法引擎。
实际上,上述独立算法引擎结构灵活,可由传统CPU加软件、可编程硬件、或其混合体实现,或者说,异构执行模块。独立算法引擎可位于本地服务节点或通过远程网络连接,可组成状态机管理的流水线。神经网络业务流程与执行模块设计调整无关,甚至,同一任务可由不同类型算法引擎执行,彻底隔离流程复杂性和操作复杂性。重要的是,通过网络协议,严格赋予神经元不同的访问权限,杜绝黑客和病毒,确保系统操作安全和灵活。由此可见,神经网络的两项融合是将一个复杂的两维问题,化解为两个简单的一维问题。
云计算理论创新之二:功能层面的两项解构,奠定以电脑为本的操作模式。
1、解构储存模式,严格区分服务器的指令流(面向机器)和储存器的数据流(面向用户)。
2、解构个人电脑模式,严格分离信息处理(面向机器)和环境优化(面向用户)。兼顾以人为本和以电脑为本的操作模式。
为了应付日益疯长的消费者多媒体内容,本发明的云计算理论兼顾以人为本和以电脑为本,首次提出解构储存网络。其实就是把数据分解为信息和多媒体内容。根据服务器指令,储存器直接向客户终端双向收发多媒体数据流,因此,任意增加用户多媒体内容,不会造成服务器压力。也就是说,避免神经网络的臃肿和低效率,奠定了云计算中心和用户体验终端的基础架构。实际上,神经网络的解决之道是全面创新计算理论和架构,将复杂任务分解成多个简单任务,拧干30年计算技术水分。并以惊人幅度降低硬件、软件、工程师、和管理成本。
本发明人认为,传统软件是一种很好的工具,但是,绝对不是唯一的工具。今天,可编程硬件的开发过程尚待完善,但已经展现百倍以上的效率提升。我们的目标是,在神经网络云计算中心,放弃传统计算机的思维模式,寻找一条近路,也就是说,不用传统服务器,不用操作系统,不用数据库,当然,也没有复杂的软件,直接完成云计算中级和高级阶段的核心使命。
5、关于云端信息安全的难题和对策
随着社会信息化深入,伴随两大矛盾:信息集中与分散,信息开放与安全。
从人类社会进步角度,信息资源应该集中,打破地区和行业壁垒,避免各自为政,同时面向2大类人群:1)水平管理,以信息写入或更改维护为主;2)垂直使用,以信息查询和支持决策为主。但是,信息集中可能会受到传统势力和现行的管理体系的阻力,好在信息极易复制,可以化解大部分不利因素。
同样从人类社会进步角度,信息资源应该开放,为每一个公民服务,实现信息价值最大化。然而,过度防范导致使用价值受损,过度开放危及信息安全。在现实社会中,不可控的开放必然导致滥用,因此,开放必须有度。理想情况是,该开放的就开放,该封闭的就封闭,对于不同对象有不同的开放程度。每次接触信息都留下记录,并且,随时设定每个人和每台设备的操作权限。但是,如此精确可控信息资源的最大障碍是当前混乱的网络秩序,或者说,脆弱的安全体系。一旦坏人通过网站漏洞,入侵服务器,盗取机密,后果极为严重。PC时代的防火墙和杀毒软件,以及各种法规和法律,只能事后补救和处罚已造成他人利益损害者。显然,这些措施不能满足社会信息中枢的可控开放模式和安全要求。
社会信息中枢的大趋势不言而喻,我们不能因为担心信息安全而因噎废食。本发明人认为,我们今天遭遇信息和网络安全问题的根源,在于当初发明计算机和互联网时根本没有想到,或者说,没有预见安全隐患。其实,借助云计算的机会,重新设计计算机和互联网基础理论,建立高枕无忧的安全体系并不困难。或者说,完全有可能在开放的信息中枢,把安全程度提升到银行金库水平。
首先,病毒传递必需满足2个条件,第一,用户文件可搭载电脑程序;第二,用户数据和电脑程序同时存放在CPU的储存区。病毒程序寄生在公开文件中,只要用户电脑解读下载的文件,就可能释放病毒。实际上,病毒的根源是Von Heumann结构,排除这种CPU加软件的结构是铲除病毒一劳永逸的手段。本发明的云端信息库排除传统电脑解读文件的模式,因此,没有病毒生存的土壤。但是,本发明多媒体内容储存部分暴露在公共网络环境,多媒体内容的解读方法繁多,难以避免采用传统计算机技术,因此,不能排除病毒感染。针对这一情况,在本发明的信息中枢,信息库只是单方向发送指令至多媒体内容库,不使用和解读多媒体内容,因此,不受病毒感染。从系统角度,暴露在公共网络中的分布式多媒体内容储存阵列,可以采用传统杀毒软件改善网络环境。但是,用不用杀毒软件,杀毒软件的优劣程度,都不影响本发明信息库的安全。
其次,网络黑客是另一类安全破坏者,一般来说,黑客指的是外人。传统专网能够防范一般的网络黑客(外人),但是,本发明人认为,这是过时的想法。专网的前提是使用者都是好人,但是,只要攻破人的防线,专网并不安全。在工商社会里,一旦信息有价,必然有人图谋不轨。公务员泄密事件,甚至被收买成间谍的案件时有发生。随着信息化普及,泄密容忍度愈加严格,专网同样面临庞大的内部用户群,对于有备而来的窃密者,专网形同虚设。实际上,任何安全设施都无法对人心设防,因此,我们必须设计严密的安全体系,必须针对每个人的每次信息接触。不论公网或专网,把每个人都当作可能的黑客,才能最大限度堵住受过训练的间谍入侵。如果网络安全达到这个水平,那么,公网上那些业余或专业黑客们,都不足为虑。也就是说,本发明安全体系的原则是严格规范每一次信息接触,精确开放有度。如果系统安全能力超过了专网的安全度,那么,使用专网除了经济上考量外,没有安全的优势。实际上,根据安全常识,好锁一把就够,差锁再多也没用。黑客的根源是IP互联网协议,创新网络协议是铲除黑客一劳永逸的手段。但是,在当前情况下,完全排除IP互联网并不现实。本发明在云端完全排除IP网络协议,切断了IP网络连贯性,没有漏洞,当然不存在入侵。但是,本发明的公共网络部分仍然暴露在IP互联网,外部黑客们可能利用大流量数据堵塞网络通道,即所谓的分布式拒绝服务攻击(DDOS)。显然,使用专网可以防范此类攻击,但是,这种单纯消耗网络资源的攻击,只能造成短时间不便,攻击者无利可图,无法接触云端数据。因此,与公网的好处相比,此类攻击并无多大危害。
为了明确地公开本发明的技术方案,首先,需要从系统角度说明本发明与众不同的发展思路,得出本发明在理论上的可行结论。然后,从功能角度说明本发明的主要技术原理。最后,参照附图进一步从结构和实际应用角度解释本发明的实施细节。需要指出的是,功能和结构不一定一一对应,有时一项功能需要多个结构来实现,有时一个结构能够同时完成多项功能。
1、图1总结了本发明的宏观理论
如图1所示,本发明包含3方面宏观理论:云计算的初级、中级、高级阶段;神经网络与传统Von Heumann体系的差别;成熟神经网络的四要素。
如图1所示,101、102、103分别代表上述3个云计算阶段,其中,初级阶段101主要功能是数据集中储存,简单处理,远程查询,带来方便与高效。中级阶段102主要功能是信息的深度挖掘和加工,发现和提升信息价值,帮助决策,解决新问题。高级阶段103主要功能是超越信息范畴,多媒体内容实时深度加工,实现大规模人工智能的应用。这3个阶段对于云端运算力的潜在需求呈爆炸性发展趋势,远超过摩尔定律的预期,同时对信息和网络安全提出更加严苛的要求。显然,云计算是一个新时代,必然引发基础理论和技术创新,也就是引发本发明的大环境。
如图1所示,111和112代表当前的个人电脑和超级计算机,它们都没有脱离Von Heumann结构体系,本质上是独立的硬件加独立的软件。当前的超级计算机可能由数十万个高性能CPU内部连网,可能带有各自的管理软件。但是,对于应用软件来说,大量CPU是一个不可分的整体,无非是一个超级大细胞而已。
如图1所示,113、114、115的结构与Von Heumann体系有本质不同,基本特征有5点:大量的,简单的,互联的,可塑的,计算单元。也就是说,由许多独立的小细胞组成,即神经元或算法引擎。每个小细胞独立完整,本身结构不求统一,能够独立执行指定的局部任务。这些小细胞群组织方式有点像生物神经系统,随着生物个体成长发育,细胞数量可能增加,但是,细胞复杂度基本不变,因此,称为神经网络。实际上,采用异构算法引擎,用神经网络技术取代服务器集群,能够无限扩展硬件处理能力。从系统结构角度,神经网络由许多简单小细胞组成,而超级计算机是一个复杂的大细胞。如果在同等运算能力的前提下相比较,要一次性写出与超级计算机相匹配的软件很困难,维护和修改软件同样很难,而且,必须在停机状态下执行。然而,神经网络的优势表现在:若要调整系统功能,只需启动新的局部功能神经元,改变网络导向,然后撤除被替代的神经元。也就是说,能够在系统运行的过程中,定义不断变化的新任务,完成升级扩容,或者说,新陈代谢。这一点对于应付未来不确定和多变的应用需求尤为重要。
如图1所示,113描述了本能神经网络,主要特征是执行确定的传递函数,同时把故障处理,系统升级扩容,新建任务,访问权限,安全体系等融入神经元的传导机制。这些功能都是神经元启动之前事先赋予,因此,称为本能神经网络。本能神经网络适合大规模变化中的应用,例如:社会信息中枢、外包企业管理、电子商务等。
如图1所示,114描述了自学习神经网络,实际上,当前神经网络的研究几乎都局限于自学习算法,其主要特征是根据后天积累的经验,自动调整传递函数,以适应变化中的外部环境。显然,这一能力主要面向人工智能,例如:模式识别、感知识别、运动控制等。本发明人认为,自学习只是神经网络的一个局部。当前的自学习神经网络只能满足一些初级的,特定的,个体的人工智能应用。
如图1所示,115描述了成熟神经网络4要素:神经元结构和传导机制、先天本能、免疫和自愈能力、自学习能力。实际上,就是把本能神经网络与自学习神经网络结合起来。其中,前者面向开放的公共网络,能够同时处理大规模用户和多种智能功能,即建立云计算的环境。后者加入聪明元素,而且,云计算环境允许不同领域的团队协同作业,开发不同算法,逐步提高聪明程度。也就是说,在满足云计算高级阶段使命的过程中,完成系统的新陈代谢和成长发育。
2、图2描述了本发明基于神经网络的云端智能机系统实施例--社会信息中枢的逻辑结构
社会信息中枢的功能类似于传统数据库。但是,其规模是当前先进数据库的千倍以上,功能扩展覆盖数据仓库和数据挖掘,更重要的是,对于其协同作业、管理和安全的要求远远高于传统数据库。也就是说,超越了短期内可预见的技术条件,属于云计算中级阶段的任务。本发明通过创新计算机和互联网理论,采用已成熟芯片资源,通过图2描述的方法,解构传统数据库,重建超级信息库的基本结构,实现可控开放的社会信息中枢。
如前所述,为了建设超大型数据仓库和数据挖掘系统,本发明提出了解构传统数据库的设计思路。首先,把数据分解为知性内容和感性内容(一般是多媒体内容)。然后,进一步将知性内容用“裸信息”,即代码方式表示,并且,用代码字典保存和解释原始代码的具体意义。例如,气象台通常告诉我们:晴转多云、小雨、大风等。如果用代码表示N种可能的事件,只需占用2的N次对数bit信息量。如果用2个中文字(32bit)描述一个事件,仅有几种结果。但是,按裸信息量算,包含40亿种不同可能。因此,用代码传达信息简洁可靠:明天3#天气,后天17#天气。实际上,对于计算机而言,处理裸信息的效率最高,体现出“以电脑为本”的理念。不过,我们必须约定,3#和17#代表什么,或者说设计一本代码字典。有了这套代码系统,并事先告诉相关用户,在用户手机就可以选择显示不同语言的天气预报,并且可以配上不同风格的图片。也就是说,除了一条简单代码(裸信息),在用户终端显示的多媒体内容,与云计算中心无关。实际上,裸信息就是尽量排除冗余数据,精简信息库。采用信息压缩技术,用信息库取代传统的数据库,大幅提高计算机储存和传输效率。
另一方面,多媒体内容主要泛指用户终端处理的辅助性或解释性数据。这些多媒体内容大都是事先制作完成,属于先验信息范畴。当然,多媒体内容也可能包含知性成分,例如:语音识别和人脸识别等。但是,如何从多媒体内容中提炼信息,是一门独立的学问。本发明提出用独立算法引擎处理每一种不同的多媒体内容,并且,方便地连接到神经网络。这种方法使得不同项目的专业算法研究人员,聚焦特定难题,避免卷入其他不相关的复杂技术,有助于取得有价值的成果。如果有人能够从视频图像中解读出有用信息,只需将这些信息按字典编码后,纳入精简信息库。实际上,从多媒体内容中提炼信息的技术不属于本发明范围。至于说,纯粹的多媒体感性内容,只是为了使用户感到舒服而已,对于计算机来说没有价值。
如图2所示,本发明把传统数据库、数据仓库、数据挖掘统称为广义数据库,并且,将其分解为4部分:201代表信息库,即从原始数据中提炼出裸信息,用精简代码表示,并采用统一指定的数据结构保存。一个设计良好的信息库应该是,信息量巨大,但是,数据量很小。202代表用户多媒体内容库,例如:电子商务经常需要用大量图片描述商品,媒体网站需要提供大量音视频文件。这些多媒体存放在大容量储存阵列中,对于信息库来说,除了内容的存放地址和一些分类信息,多媒体数据直接发送到终端用户,不占用信息中枢的运算资源。203代表描述裸信息的代码字典,本发明用多位十进制数代表裸信息的具体意义,这种方法的覆盖范围大大超出常识。我们知道,人类全部书籍分类只需几页纸,一本小小的代码字典足以包容整个大千世界。只要管理好代码字典的版本升级,可以管用几百年。因为,人类文明发展至今,记录人际社会和生产关系、七情六欲、衣食住行等基本信息分类增加缓慢,或者说,很久才会出现一种新需求。
如图2所示,社会信息中枢的第4部分为用户操作模块,主要面向4大类用户群:211代表基本信息库维护和采集,一般按地区水平分块,包括采集各类原始数据;212代表信息库查询为主,一般按行业垂直分条,提供简单信息服务;213代表信息抓取,例如:从跨平台的数据库中提取数据,从实时视频监控中识别指定目标,或者从公共媒体中搜索有用信息,扩大信息采集面;214代表高级智能应用和深度加工,包括信息链接、挖掘、提炼、推理、决策等。这4大类用户群分别通过代码字典203实现抽象信息代码与具象信息意义之间的翻译,并且,通过远程网络连接到不同的用户界面,如221、222、223、224所表示。当然,这些用户分类可能互相渗透。
如图2所示,用户查询信息库201,可能要求提供多媒体内容,信息库直接向多媒体内容储存库202发送精简指令。实际上,未来用户多媒体内容可能疯长,但是,本发明的结构确保,不论多少多媒体内容,直接经网络发送到用户,不占用信息中枢的运算资源,更重要的是,确保信息库安全。
另外,从信息可用性角度,信息库必须有备份,以防不测,而且,必须有远程备份。更进一步,信息库不能简单备份,必须满足多系统同时上线。如图2所示,232代表异地复制系统,平时扩大系统规模,兼作远程备份。实际上,为了万无一失,可以建立多个异地复制系统。231确保异地系统动态同步,当前有许多方法可以胜任动态同步,因此,不在本发明的范围内。由此可见,即使多个云中心机房同时遭遇毁灭性损坏,包括自然灾害、网络攻击、甚至战争,只要有一处云中心尚存,社会信息中枢永不停机。
如前所述,当前计算机和网络安全的混乱局面,完全是由于先天不足,无论后天如何补救都无济于事。本发明人认为,借助云计算的机会全面创新计算机和互联网理论,建立高枕无忧的信息库安全体系并不困难。实际上,本发明采用非VonHeumann设备执行代码字典,已经排除了信息库中病毒生存的土壤。至于说黑客,请看本发明的以下对策。
3、图3描述了本发明基于神经网络的云端智能机系统实施例--社会信息中枢的功能结构和网络环境
本发明的信息安全体系包括目标和手段两部分:
第一,目标是精确可控的信息开放程度。
通过临时通行证,规定每个接触信息库人员的职责范围,并据此限定信息类别、覆盖区域、操作方式、有效时间和次数等,统称为访问权限。把信息接触当作银行提款那样对待,由管理机构根据需要,审核发放通行证。显然,对于定制在线挖掘任务、跨行业数据库抓取、大范围信息查询、或者可能修改信息内容的接触,必须实施最严格的控制。对于个人身份证基本信息认证查询,可以实施最宽松的控制,实际上,就是允许不用通行证,从公网直接查询。在上述极端情况之间,可以设定无数种信息服务项目和相应的访问权限。
第二,手段是从结构上确保上述目标的严格执行。
前面通过图2已经描述了本发明信息库从结构上排除病毒的方法,确保安全体系不被篡改。图3进一步描述从结构上不受黑客攻击,确保安全体系规范执行。实际上,就是精确收放自如的信息开放,每次信息接触执行安全认证和记录,把信息安全提高到银行金库水平。
如图3所示,300代表信息中枢的主要云端功能模块。其中,301代表云端数据交换网络,用来连接不同的云端设备。注意每个可能对外连接的端口,都配置了独立的,不同权限的数据包过滤装置302,对应不同端口连接功能。
如图3所示,传统数据库功能分解成4部分,其中,303代表云端完整的代码字典,304代表信息库,305代表云端多媒体内容库,310-316代表不同类型的用户操作模块。
如图3所示,306代表云端管理,主要包括神经元调度、访问权限设定和安全绑定等,307代表面向信息服务的收费系统。
如图3所示,信息中枢包括多种用户界面类型,其中,310代表针对特定第三方数据库定制的数据采集功能,311代表公共媒体的搜索引擎,312代表多媒体识别引擎,313代表用户自行设计的高级在线任务,314代表信息库的维护,315代表一般信息查询服务,316代表多媒体内容点播服务。显然,面向全社会的超级信息中枢,每一类用户都可以细分,而且,都是一个庞大的群体,必须通过网络远程连接到分散在各地的用户群。
如图3所示,从功能上,信息中枢通过4类网络与外界连接,其中,网络320面向最大用户群,对应上述信息库维护功能314,信息库查询功能315,和多媒体内容点播功能316,这些人群通过网络连接信息中枢定制的各类通用界面神经元。网络321面向第三方数据库采集引擎310,媒体搜索引擎311,多媒体识别引擎312,和在线任务定制引擎313,这些人群不是单纯的用户,他们可以自行开发设计特定的神经元,完成异构数据库信息抓取、媒体搜索、视频识别、信息链接和挖掘等高级功能。为了防止这些人不经意损坏信息库,必须通过神经元传导协议隔离。数据库采集只能限定在指定的范围,在线任务定制只能读取,不能写入信息库。上述各大类用户群可以通过特定神经元,进一步细分成无数特定应用,充分体现本发明信息中枢精确可控开放度的特征。网络322主要实现信息中枢异地扩展。网络323表示用户内部局域网,适应多终端用户群。
如图3所示,上述4类网络分为可信任和不可信,并进一步分成不同等级的信任度,其中包括防范窃取、泄密和篡改。一般来说专网的传输性能和安全度优于公网,虚拟专网介于两者之间。另外,还可分成远程和本地网络,有线和无线网络等,采用何种网络依据许多因素,不在本发明讨论的范围内。
如图3所示,为了防范意外损毁,信息中枢必须具备远程镜像操作,同时兼作远程备份,由模块330表示。另外,根据不同应用环境,例如电子商务,需要大量多媒体内容。为了降低数据传输成本,多媒体内容一般采用分布储存方式,尽量靠近用户,由模块331表示。为了改善为了安全环境,需要配置必要的病毒过滤设备,由模块332表示。如前所述,病毒过滤只能改善网络环境,不能根治网络安全弊病。关键是,本发明多媒体内容与信息库隔离,因此,不管杀毒效果如何,都不会侵犯信息库的安全。
针对不同用户群,采用不同类型的终端。其实从用户角度,终端不外乎PC、手机、或其他专用设备。本发明根据不同应用,可能加入特殊的功能模块。
如图3所示,340代表数据库采集模块,341代表第三方数据库。由于数据库种类繁多,无固定标准,必须设计针对性采集模块。远端设备按特定数据库语言和变量定义,读取数据。经网络传到云端对应的采集模块310,翻译成信息中枢统一格式,输入到信息库。本发明采集模块340只执行数据库读取操作,因此,不会改变第三方数据库内容。一旦数据库内容采集到信息中枢,该数据库拥有者可以使用信息中枢更好的云计算服务。
如图3所示,342代表搜索引擎,343代表公共媒体。从搜索引擎采集到的内容中提取有用信息,经网络传到云端对应的采集模块311,翻译成信息中枢统一格式,充实信息库。由于信息来源种类繁多,品质难以保障,必需在目标信息的辅助描述中注明可信度。一般来说,权威机构专职采集的信息具有高可信等级,甚至具有法律效应。媒体的专业采访和道听途说,只能属于中低可信等级,仅供参考。
如图3所示,344代表各类多媒体模式识别引擎,345代表遍布各地的多媒体内容采集装置,例如:监控摄像头等。将被监控对象的基本信息发送到监控点,从多媒体内容中自动识别信息,例如:人脸、语音、指纹、车牌号等,经网络传到云端对应的采集模块312,翻译成信息中枢统一格式,输入到信息库。或转发到指定终端,以供进一步确认。
如图3所示,346代表严格的权限过滤装置,与云端数据包过滤模块302,在线定制任务模块313绑定,提供高等级信息挖掘业务。347代表局部代码字典,实际上是云端代码字典303的一部分,局部代码字典的内容取决于允许的业务开放范围。从用户角度,权限过滤装置346和局部代码字典347,可能是专用硬件,或者是整合到用户终端的软件模块。用户终端348可能是PC、手机、或者其他专用设备。由于严格的物理端口位置、人员ID或生物特征绑定,例如:网上银行通常使用的“U盾”,即使终端被盗,或者黑客潜入终端所在地,都不能入侵信息库。
如图3所示,349代表严格的权限过滤装置,与云端数据包过滤模块302,信息维护模块314绑定,执行远程信息库维护。350代表局部代码字典,实际上是云端代码字典303的一部分。从用户角度,权限过滤装置349和局部代码字典350,可能是专用硬件,或者是整合到用户终端的软件模块。用户终端351可能是PC、手机、或者其他专用设备。
如图3所示,对于大部分非敏感信息,可以降低用户终端的安全标准,采用简单的端口绑定,如终端353,下载局部代码字典,如352。由于云端数据包过滤,以及信息库查询界面模块的功能限制,如果黑客控制此类终端设备,至多看到一些无关紧要的信息。另外,信息中枢可以选择一些常用信息,向有需要的用户开放。这些信息的开放权限和局部代码字典整合在云端的用户界面模块315,因此,用户可以使用任意形式的终端354,不需下载专用软件,只要进入公网上指定网站,通过简单认证即可查询。当然,不排除必要的费用。
如图3所示,355代表严格的权限过滤装置,与云端数据包过滤模块302,多媒体点播模块316绑定,提供版权保护的局部多媒体库点播业务。356代表局部代码字典和本地服务器。一般情况提供本地网络323,连接多个用户终端357,包括PC、手机、机顶盒、或者其他专用设备。本地服务器356能够缓存多媒体内容,执行多用户环境下的按次收费内容点播业务,自制并上传多媒体内容,例如:远程教育和娱乐场所等。
本发明安全体系包括并不限于访问权限、局部代码字典、密码、网络物理端口、有效时间和次数、设备ID(内置于设备)、操作员ID或生物特征。也就是说,针对系统功能、在线任务、网络物理位置和时间、以及使用者个人的多项安全措施捆绑执行,提高了每个单项措施的有效性。同时,为了抑制滥用信息访问权行为,记录全部信息接触过程,以备核查。综上所述,在最大限度保留传统个人电脑和互联网的前提下,本发明容忍与信息库隔离的多媒体内容存在病毒,容忍单纯消耗网络资源的黑客攻击,但是,确保信息库坚不可摧。
4、图4描述了本发明基于神经网络的云端智能机系统实施例--信息中枢的数据结构和协同作业环境
当前不论哪家的数据库软件,其核心无非是三要素“建表”、“建索引”、和“建关联”。实际上,数据库软件不是目的,只是手段。数据库软件不过是一种间接工具,让不懂电脑程序的人,方便使用电脑。数据库把用户功能限制在一套软件中,该软件又把用户规模限制在一套计算机硬件中。当用户需求的功能和规模猛增,就引发了复杂的软件和硬件结构,成为发展瓶颈。本发明就是从结构上打破这种软硬件限制,用神经元传导协议取代数据库软件系统,让开发者直接面对原始信息,在不增加软硬件复杂度前提下,无限扩展信息中枢的功能和规模。
针对当前数据挖掘的难题,本发明首先分离多媒体内容,然后通过压缩冗余数据,提取有效裸信息,最后建立精简的信息库。实际上,信息库就是原始信息本体,建立信息库对应了传统数据库的第一要素“建表”过程。本发明信息中枢的信息库包含很多子库,例如个人身份信息库、社团法人(企业)信息库、客户资源信息库、电子商务网店信息库等,这些信息库分散在许多独立的神经元中。传统数据库的第二要素“建索引”就是定义信息存放地址,图4所示的信息中枢数据结构对应了建索引过程,这种数据结构隐含在所有神经元中。传统数据库的第三要素“建关联”,实际上就是如何使用信息的题目,这是一个千变万化的过程,决定了整个系统的价值。本发明信息中枢将建立关联的功能交给独立神经元完成,不同神经元执行不同的关联。这些关联对应4大类用户:即按功能分为信息采集者和信息使用者,按介入深度分为低级用户和高级用户。实际上,分工细化有利于提高信息价值,这是社会信息化的象征和必然趋势。随着信息中枢应用积累,常用的关联都可在已有的神经元找到。信息中枢永远向符合条件的用户开放自定义的神经元,执行包括数据仓库和数据挖掘在内,任意可想象的信息加工任务。另外,信息中枢允许任意多开发团队,同时开发不同的信息加工任务,并且,面向无限量的用户群。值得指出,对于无限扩展的信息中枢,每个神经元的复杂度可以维持不变,或者说,可以自由定义任意新结构。最后,信息中枢在新陈代谢过程中,永不停机。
面对云计算的新时代,本发明定义一种简单的3层数据结构,即功能区、数据块和信息单元。如图4所示,所述的数据结构由多个独立功能区组成,这些功能区分属不同的物理储存空间400,其中,401代表总索引功能区,402代表指针扩展功能区,403代表通用储存功能区。每个功能区由许多长度相等的数据块组成。每个储存空间可以看作一个按序排列的数据块列队。这些数据块在储存器中的地址称为该储存器的数据块指针,或简称指针。指针格式可以有多种定义,为了简化设计,本发明采用统一格式,用32bit(4Byte)数据表示:其中,2bit代表4种状态,即空数据块、已用数据块、坏数据块、不存在的数据块。余下30bit代表本指针的链接地址,满足10亿(1G)寻址空间。也就是说,每个神经元储存器的容量不超过10亿个数据块。如果要增加地址,每增加8bit指针长度,可增加寻址空间256倍。
如图4所示,索引功能区401中的数据块按序排列,通用储存功能区403中的数据块随机排列,指针扩展功能区402中的数据块与通用储存功能区同步排列。一个数据块可容纳多个信息单元,并在数据块中随机排列。从数据结构角度,数据块包含信息单元。从应用角度,信息单元是主体,数据块只是储存载体。信息单元的数据量差异极大,许多小信息单元可以合并存放在一个数据块中,但是,一个大信息单元可能占用许多个数据块,并可跨越数据块边界,例如多媒体内容。这种开放式数据结构能够跨越不同硬件平台,不限于储存设备类型,包括CPU内存、电子硬盘、磁盘阵列等;也不限于访问工具,包括传统软件、可编程硬件、或其它异构设备。只要一本局部代码字典、特定的信息存放地址和通用的神经元传导协议格式,就可以开发任意高等级信息服务。也就是说,满足完全开放,永远够用,不浪费,不必引进新结构的设计原则。
信息中枢的每个实体,例如个人、企业、账户等,统称为条目。条目必须按某种规律排列,例如号码、时间、地点等,统称为条目类型。每个实体可能包含多项信息,例如个人包含姓名、地址、电话号码等信息,统称为目标信息。显然,一个条目可能含有多条目标信息。索引区的功能是根据条目的排列方式,引导神经元找到条目的储存地址。索引区中每种条目类型占据固定的储存空间,不论其中的条目类型是否存在。这种数据结构的优点是,索引地址可以直接对应条目号码,寻址方便。缺点是空条目也要占用资源,造成浪费。
如图4所示,总索引功能区401可能包含多个线性索引区420。每个线性索引区代表一种条目类型,例如个人信息可以按身份证号码排列,或者按家庭住址排列。每种条目类型对应一个索引入口,由404表示,并由指针410指向线性索引区的起点。根据每种排列方式,将条目特征映射到一组线性地址,例如根据个人身份证号码,按出生日期映射到线性索引区地址对应的数据块。
如图4所示,指针扩展功能区402由大量指针扩展数据块组成,排列方式与通用储存功能区同步。通用储存功能区403包含大量固定长度,随机排列的数据块,并可通过链接指针无限扩展,直至耗尽通用储存功能区总容量。
如图4所示,本发明定义多种数据块,其中421代表条目指针集,简称条目集。如果一个数据块中条目指针较多,超出数据块的储存容量,根据数据块辅助描述中的链接指针411,指向条目集扩展数据块423,再次根据链接指针415,指向最终的条目信息数据块。这种数据结构的优点是数据块可以无限链接扩展,按需使用,节约储存空间。但是,指针数据块无法与条目直接对应定位,因此,需要索引数据块提供寻址功能。另外,条目指针可与其他分类信息合并,如时间地区等,构成复合条目指针,将大数量信息分割成有共性的小块,缩小检索范围,提高效率。422代表条目信息数据块。同理,如果一个数据块中条目信息较多,可以通过链接指针412,指向条目信息链接指针数据块424,根据其中的链接指针414找到更多的条目信息数据块。每种数据块可定义多种细分类型,前端附带类型代码和辅助描述,由代码字典详细解释。
如图4所示,本发明定义多种信息单元,其中430代表条目指针信息单元,通过内含指针413,指向条目信息数据块。431代表条目信息单元,即信息本体,用最精简的数据,包含单一或组合信息,在数据块内部随机排列。每种信息单元可定义多种细分类型,固定或可变长度,前端附带类型代码和辅助描述,由代码字典详细解释。条目信息单元中可能含有指针,例如指向某个多媒体内容的储存设备和地址。
5、补充说明
前面论述已经公开了本发明的技术方案和细节。本说明书论述的技术原理、解决方案、实施细节、和附图说明对于本发明具有描述性,而非限制性。这些说明不是被用来穷举或者限制本发明的技术方案。本发明主要以社会信息中枢为例,描述技术原理和实现方法,显然,这些原理和方法同样适合其他应用,包括而且不限于外包式企业管理服务、电子商务等。很明显,对于本领域内的普通技术人员来说,即使实施其他的变种或修改,都不会偏离本说明书所述整体方案的发明要旨。因此,本发明应该限于附录中的权利要求书及其等效的范围内。
Claims (17)
1.一种基于神经网络的云端智能机系统,特征在于其构成包括基于神经网络的计算机结构和广义的数据库结构。
2.根据权利要求1所述的基于神经网络的云端智能机系统,其特征在于,所述的基于神经网络的计算机结构,由多个独立算法引擎,经由交换网络设备连接而成,每个算法引擎接受系统管理指令,完成局部功能,即输入数据按指定要求加工后产生输出数据;每个算法引擎可与其他算法引擎交换数据,各个算法引擎可以在线共享系统数据库内容,但不受其他算法引擎的制约;所述计算机结构具备新陈代谢能力,即系统持续运行过程中,增加或删除部分算法引擎,或者改变某些算法引擎的任务,整体系统中其他算法引擎照常工作。
3.根据权利要求2所述的基于神经网络的云端智能机系统,其特征在于,所述的交换网络设备为单台设备,或是本地网络连接的设备群,或是远程网络连接的设备群。
4.根据权利要求3所述的基于神经网络的云端智能机系统,其特征在于,所述的交换网络设备执行所述的算法引擎的传导机制,交换网络设备的每个端口都设有专门的数据过滤装置,并赋予指定的访问权限,允许通过指定的数据包;这些端口严格按照设备位置、功能等级和信任度等级分类:按位置分为云端设备和终端设备,按功能分为系统管理、在线任务定制、信息采集和查询,按信任度分为专网可信任、公网可信任、公网已认证、公网未认证的交换网络设备端口。
5.根据权利要求3所述的基于神经网络的云端智能机系统,其特征在于,所述的算法引擎可以采用任何形式和结构,包括并不限于传统的CPU加软件、专用可编程硬件、任意混合体、甚至人工辅助。
6.根据权利要求1所述的基于神经网络的云端智能机系统,其特征在于,所述的广义的数据库结构,包括4个独立可远程连接的功能模块群:信息库、多媒体内容库、代码字典和用户操作模块,所述的信息库是指经过提炼的精简信息的集合,用代码描述事实和现象;所述的多媒体内容库泛指复杂结构的原始数据集合,以感性内容为主,包括并不限于视频、图片、音频、网页、文本数据;所述的代码字典是描述和解释信息库中的单项内容的代码集合;所述的用户操作模块位于信息中枢,各地网络机房,或直接位于用户端;所述的用户操作模块是面向无数远程的数据库开发者和使用者,主要功能是产生,修改,读取和使用上述各部分功能;所述广义数据库结构可以包含并超越传统数据库、数据仓库和数据挖掘的全部功能。
7.根据权利要求6所述的基于神经网络的云端智能机系统,其特征在于,所述的独立可分离的功能模块群具有一个以上的独立分离的执行模块,这些执行模块称为算法引擎或神经元;这些执行模块通过本地网络或远程网络连接,并由网络通信协议,或称传导协议,互相传递数据;每个独立的执行模块进入或退出网络连接,不影响其他执行模块的运行;这些执行模块,根据不同需求独立开发,协同作业;所述的网络通信协议包含并不限于以下内容:执行功能、执行模块的地址、操作方式、变量代码、权限范围、数据载荷及其解释。
8.根据权利要求7所述的基于神经网络的云端智能机系统,其特征在于,所述信息库通过高效率信息链接和挖掘,提升到知识层面辅助决策。
9.根据权利要求7所述的基于神经网络的云端智能机系统,其特征在于,所述的多媒体内容库与信息库分开处理,包括不同的物理位置;所述的信息库包含所述的多媒体内容库中每个单项数据的地址和其他描述性信息;这些信息以便信息库经由用户操作模块的操作要求,向所述的多媒体内容库发送单方向指令,该多媒体内容库根据指令直接将多媒体数据发送到指定用户。
10.根据权利要求7所述的基于神经网络的云端智能机系统,其特征在于,所述的信息库,通过压缩原始信息中的冗余数据,用精简代码表示信息本体,提取出的冗余数据称为先验信息,记录在代码字典中,所述数据库的开发者和使用者通过远程网络接入,用统一定义的代码解释信息本体的属性和内涵,开发者和使用者的终端应复制所述的代码字典中的相关代码字典。
11.根据权利要求7所述的基于神经网络的云端智能机系统,其特征在于,所述的用户操作模块主要面向4大类远程用户群:按功能分为信息采集者和信息使用者,按介入深度分为低级用户和高级用户,所述的信息采集者泛指人工信息登录,或自动信息抓取,包括并不限于第三方数据库吸纳、媒体内容搜索、多媒体内容识别;所述的信息使用者泛指通过链接、挖掘、推理等手段,从信息中提炼知识,进一步指导决策;所述的信息使用者还泛指多媒体内容点播,包括并不限于电子商务、电子教育、娱乐性内容消费;所述的低级用户泛指常用服务套餐的用户;所述的高级用户泛指开发定制功能的用户;所述的用户群包括单个终端,或者通过有线或无线局域网连接多个终端。
12.根据权利要求7所述的基于神经网络的云端智能机系统,其特征在于,所述的每大类用户群还按具体功能进一步细分。
13.根据权利要求1至12任一所述的基于神经网络的云端智能机系统,其特征在于还有跨越软硬件界线的数据结构。
14.根据权利要求13所述的基于神经网络的云端智能机系统,其特征在于,所述的跨越软件和硬件界线的数据结构,从应用角度,按某种规律排列的实体称为条目,每个条目含有多条信息本体,所述数据结构直接在物理储存介质层面定义功能区、数据块和信息单元3层结构:首先,所述的功能区包括索引区、指针扩展区、通用储存区;其次,每个功能区进一步分成许多相等长度的数据块,数据块在储存空间的位置和状态由数据块寻址指针描述;最后,数据块是储存载体,用于存放不同长度的信息单元,所述的信息单元包含信息类型、辅助描述和信息本体;多个小信息单元可以合并存放在一个数据块中,一个大信息单元可占用许多个数据块,可跨越数据块边界,并能够正向或反向链接。
15.根据权利要求14所述的基于神经网络的云端智能机系统,其特征在于所述的数据结构可跨越不同硬件平台,储存设备类型包括:CPU内存、电子硬盘、磁盘阵列或其他设备类型,不限于访问工具:传统软件、可编程硬件、或其他异构设备。
16.根据权利要求14所述的基于神经网络的云端智能机系统,其特征在于,所述的索引区的数据块按序排列,储存区中的数据块随机排列,指针扩展区中的数据块与储存区同步排列,存放条目信息的第一个数据块的寻址指针按线性地址排列在索引区的数据块中,每个数据块内至少含有一条指针,包含本数据块的状态:空、满、损坏、不存在,以及链接下一个数据块的寻址指针,指向储存区扩展数据块的地址。
17.根据权利要求14所述的基于神经网络的云端智能机系统,其特征在于,所述的每个信息单元包含同一个条目名下的信息本体,信息单元的内部辅助描述中包含并不限定信息本体的长度、属性、格式等,信息单元在数据块中随机排列;为了加速指定条目名下的信息单元搜索,多个信息单元可以合并成一个复合信息单元;信息单元所包含的信息量可以无限扩展,直至耗尽所有储存区空间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011104039929A CN102496060A (zh) | 2011-12-07 | 2011-12-07 | 基于神经网络的云端智能机系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011104039929A CN102496060A (zh) | 2011-12-07 | 2011-12-07 | 基于神经网络的云端智能机系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102496060A true CN102496060A (zh) | 2012-06-13 |
Family
ID=46187885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011104039929A Pending CN102496060A (zh) | 2011-12-07 | 2011-12-07 | 基于神经网络的云端智能机系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102496060A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104216759A (zh) * | 2014-08-27 | 2014-12-17 | 华为技术有限公司 | 一种生成虚拟机的逻辑磁盘的方法,及装置 |
CN105005911A (zh) * | 2015-06-26 | 2015-10-28 | 深圳市腾讯计算机系统有限公司 | 深度神经网络的运算系统及运算方法 |
US9576039B2 (en) | 2014-02-19 | 2017-02-21 | Snowflake Computing Inc. | Resource provisioning systems and methods |
CN107800805A (zh) * | 2017-11-14 | 2018-03-13 | 成都才智圣有科技有限责任公司 | 一种基于云计算的数据挖掘系统 |
CN107836001A (zh) * | 2015-06-29 | 2018-03-23 | 微软技术许可有限责任公司 | 硬件加速器上的卷积神经网络 |
CN108701190A (zh) * | 2015-12-18 | 2018-10-23 | 诺基亚通信公司 | 基于信任度的计算 |
CN108846476A (zh) * | 2018-07-13 | 2018-11-20 | 电子科技大学 | 一种基于卷积神经网络的智能终端安全等级分类方法 |
CN109697509A (zh) * | 2017-10-24 | 2019-04-30 | 上海寒武纪信息科技有限公司 | 处理方法及装置、运算方法及装置 |
US10437780B2 (en) | 2016-07-14 | 2019-10-08 | Snowflake Inc. | Data pruning based on metadata |
US10545917B2 (en) | 2014-02-19 | 2020-01-28 | Snowflake Inc. | Multi-range and runtime pruning |
CN111079911A (zh) * | 2018-10-19 | 2020-04-28 | 中科寒武纪科技股份有限公司 | 运算方法、系统及相关产品 |
CN112363488A (zh) * | 2020-12-07 | 2021-02-12 | 东风柳州汽车有限公司 | 车辆故障处理系统及方法 |
CN113240116A (zh) * | 2021-07-12 | 2021-08-10 | 深圳市永达电子信息股份有限公司 | 基于类脑平台的智慧防火云系统 |
CN114124973A (zh) * | 2021-09-27 | 2022-03-01 | 烽火通信科技股份有限公司 | 一种面向多云场景的镜像同步方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1430280A2 (en) * | 2001-09-24 | 2004-06-23 | Honeywell International, Inc. | Small spectral signal detection system |
CN101187990A (zh) * | 2007-12-14 | 2008-05-28 | 华南理工大学 | 一种会话机器人系统 |
-
2011
- 2011-12-07 CN CN2011104039929A patent/CN102496060A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1430280A2 (en) * | 2001-09-24 | 2004-06-23 | Honeywell International, Inc. | Small spectral signal detection system |
CN101187990A (zh) * | 2007-12-14 | 2008-05-28 | 华南理工大学 | 一种会话机器人系统 |
Cited By (83)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11573978B2 (en) | 2014-02-19 | 2023-02-07 | Snowflake Inc. | Cloning catalog objects |
US11093524B2 (en) | 2014-02-19 | 2021-08-17 | Snowflake Inc. | Resource provisioning systems and methods |
US9576039B2 (en) | 2014-02-19 | 2017-02-21 | Snowflake Computing Inc. | Resource provisioning systems and methods |
US9665633B2 (en) | 2014-02-19 | 2017-05-30 | Snowflake Computing, Inc. | Data management systems and methods |
US12099472B2 (en) | 2014-02-19 | 2024-09-24 | Snowflake Inc. | Utilizing metadata to prune a data set |
US11250023B2 (en) | 2014-02-19 | 2022-02-15 | Snowflake Inc. | Cloning catalog objects |
US12050621B2 (en) | 2014-02-19 | 2024-07-30 | Snowflake Inc. | Using stateless nodes to process data of catalog objects |
US12013876B2 (en) | 2014-02-19 | 2024-06-18 | Snowflake Inc. | Resource management systems and methods |
US10108686B2 (en) | 2014-02-19 | 2018-10-23 | Snowflake Computing Inc. | Implementation of semi-structured data as a first-class database element |
US11977560B2 (en) | 2014-02-19 | 2024-05-07 | Snowflake Inc. | Resource management systems and methods |
US11966417B2 (en) | 2014-02-19 | 2024-04-23 | Snowflake Inc. | Caching systems and methods |
US11928129B1 (en) | 2014-02-19 | 2024-03-12 | Snowflake Inc. | Cloning catalog objects |
US10325032B2 (en) | 2014-02-19 | 2019-06-18 | Snowflake Inc. | Resource provisioning systems and methods |
US10366102B2 (en) | 2014-02-19 | 2019-07-30 | Snowflake Inc. | Resource management systems and methods |
US11868369B2 (en) | 2014-02-19 | 2024-01-09 | Snowflake Inc. | Resource management systems and methods |
US10534793B2 (en) | 2014-02-19 | 2020-01-14 | Snowflake Inc. | Cloning catalog objects |
US10534794B2 (en) | 2014-02-19 | 2020-01-14 | Snowflake Inc. | Resource provisioning systems and methods |
US10545917B2 (en) | 2014-02-19 | 2020-01-28 | Snowflake Inc. | Multi-range and runtime pruning |
US11809451B2 (en) | 2014-02-19 | 2023-11-07 | Snowflake Inc. | Caching systems and methods |
US11782950B2 (en) | 2014-02-19 | 2023-10-10 | Snowflake Inc. | Resource management systems and methods |
US10776388B2 (en) | 2014-02-19 | 2020-09-15 | Snowflake Inc. | Resource provisioning systems and methods |
US11755617B2 (en) | 2014-02-19 | 2023-09-12 | Snowflake Inc. | Accessing data of catalog objects |
US10866966B2 (en) | 2014-02-19 | 2020-12-15 | Snowflake Inc. | Cloning catalog objects |
US11748375B2 (en) | 2014-02-19 | 2023-09-05 | Snowflake Inc. | Query processing distribution |
US11734304B2 (en) | 2014-02-19 | 2023-08-22 | Snowflake Inc. | Query processing distribution |
US10949446B2 (en) | 2014-02-19 | 2021-03-16 | Snowflake Inc. | Resource provisioning systems and methods |
US10963428B2 (en) | 2014-02-19 | 2021-03-30 | Snowflake Inc. | Multi-range and runtime pruning |
US11010407B2 (en) | 2014-02-19 | 2021-05-18 | Snowflake Inc. | Resource provisioning systems and methods |
US11086900B2 (en) | 2014-02-19 | 2021-08-10 | Snowflake Inc. | Resource provisioning systems and methods |
US11734307B2 (en) | 2014-02-19 | 2023-08-22 | Snowflake Inc. | Caching systems and methods |
US11238062B2 (en) | 2014-02-19 | 2022-02-01 | Snowflake Inc. | Resource provisioning systems and methods |
US11106696B2 (en) | 2014-02-19 | 2021-08-31 | Snowflake Inc. | Resource provisioning systems and methods |
US11132380B2 (en) | 2014-02-19 | 2021-09-28 | Snowflake Inc. | Resource management systems and methods |
US11151160B2 (en) | 2014-02-19 | 2021-10-19 | Snowflake Inc. | Cloning catalog objects |
US11157516B2 (en) | 2014-02-19 | 2021-10-26 | Snowflake Inc. | Resource provisioning systems and methods |
US11157515B2 (en) | 2014-02-19 | 2021-10-26 | Snowflake Inc. | Cloning catalog objects |
US11163794B2 (en) | 2014-02-19 | 2021-11-02 | Snowflake Inc. | Resource provisioning systems and methods |
US11734303B2 (en) | 2014-02-19 | 2023-08-22 | Snowflake Inc. | Query processing distribution |
US11176168B2 (en) | 2014-02-19 | 2021-11-16 | Snowflake Inc. | Resource management systems and methods |
US11687563B2 (en) | 2014-02-19 | 2023-06-27 | Snowflake Inc. | Scaling capacity of data warehouses to user-defined levels |
US11475044B2 (en) | 2014-02-19 | 2022-10-18 | Snowflake Inc. | Resource provisioning systems and methods |
US11645305B2 (en) | 2014-02-19 | 2023-05-09 | Snowflake Inc. | Resource management systems and methods |
US9842152B2 (en) | 2014-02-19 | 2017-12-12 | Snowflake Computing, Inc. | Transparent discovery of semi-structured data schema |
US11263234B2 (en) | 2014-02-19 | 2022-03-01 | Snowflake Inc. | Resource provisioning systems and methods |
US11615114B2 (en) | 2014-02-19 | 2023-03-28 | Snowflake Inc. | Cloning catalog objects |
US11269919B2 (en) | 2014-02-19 | 2022-03-08 | Snowflake Inc. | Resource management systems and methods |
US11269921B2 (en) | 2014-02-19 | 2022-03-08 | Snowflake Inc. | Resource provisioning systems and methods |
US11269920B2 (en) | 2014-02-19 | 2022-03-08 | Snowflake Inc. | Resource provisioning systems and methods |
US11599556B2 (en) | 2014-02-19 | 2023-03-07 | Snowflake Inc. | Resource provisioning systems and methods |
US11321352B2 (en) | 2014-02-19 | 2022-05-03 | Snowflake Inc. | Resource provisioning systems and methods |
US11334597B2 (en) | 2014-02-19 | 2022-05-17 | Snowflake Inc. | Resource management systems and methods |
US11347770B2 (en) | 2014-02-19 | 2022-05-31 | Snowflake Inc. | Cloning catalog objects |
US11354334B2 (en) | 2014-02-19 | 2022-06-07 | Snowflake Inc. | Cloning catalog objects |
US11397748B2 (en) | 2014-02-19 | 2022-07-26 | Snowflake Inc. | Resource provisioning systems and methods |
US11409768B2 (en) | 2014-02-19 | 2022-08-09 | Snowflake Inc. | Resource management systems and methods |
US11429638B2 (en) | 2014-02-19 | 2022-08-30 | Snowflake Inc. | Systems and methods for scaling data warehouses |
US11216484B2 (en) | 2014-02-19 | 2022-01-04 | Snowflake Inc. | Resource management systems and methods |
US11580070B2 (en) | 2014-02-19 | 2023-02-14 | Snowflake Inc. | Utilizing metadata to prune a data set |
US11500900B2 (en) | 2014-02-19 | 2022-11-15 | Snowflake Inc. | Resource provisioning systems and methods |
US11544287B2 (en) | 2014-02-19 | 2023-01-03 | Snowflake Inc. | Cloning catalog objects |
CN104216759A (zh) * | 2014-08-27 | 2014-12-17 | 华为技术有限公司 | 一种生成虚拟机的逻辑磁盘的方法,及装置 |
CN104216759B (zh) * | 2014-08-27 | 2017-08-04 | 华为技术有限公司 | 一种生成虚拟机的逻辑磁盘的方法,及装置 |
CN105005911A (zh) * | 2015-06-26 | 2015-10-28 | 深圳市腾讯计算机系统有限公司 | 深度神经网络的运算系统及运算方法 |
US11200486B2 (en) | 2015-06-29 | 2021-12-14 | Microsoft Technology Licensing, Llc | Convolutional neural networks on hardware accelerators |
CN107836001A (zh) * | 2015-06-29 | 2018-03-23 | 微软技术许可有限责任公司 | 硬件加速器上的卷积神经网络 |
CN108701190A (zh) * | 2015-12-18 | 2018-10-23 | 诺基亚通信公司 | 基于信任度的计算 |
US11163724B2 (en) | 2016-07-14 | 2021-11-02 | Snowflake Inc. | Data pruning based on metadata |
US11726959B2 (en) | 2016-07-14 | 2023-08-15 | Snowflake Inc. | Data pruning based on metadata |
US11294861B2 (en) | 2016-07-14 | 2022-04-05 | Snowflake Inc. | Data pruning based on metadata |
US10678753B2 (en) | 2016-07-14 | 2020-06-09 | Snowflake Inc. | Data pruning based on metadata |
US11797483B2 (en) | 2016-07-14 | 2023-10-24 | Snowflake Inc. | Data pruning based on metadata |
US11494337B2 (en) | 2016-07-14 | 2022-11-08 | Snowflake Inc. | Data pruning based on metadata |
US10437780B2 (en) | 2016-07-14 | 2019-10-08 | Snowflake Inc. | Data pruning based on metadata |
CN109697509A (zh) * | 2017-10-24 | 2019-04-30 | 上海寒武纪信息科技有限公司 | 处理方法及装置、运算方法及装置 |
CN109697509B (zh) * | 2017-10-24 | 2020-10-20 | 上海寒武纪信息科技有限公司 | 处理方法及装置、运算方法及装置 |
CN107800805A (zh) * | 2017-11-14 | 2018-03-13 | 成都才智圣有科技有限责任公司 | 一种基于云计算的数据挖掘系统 |
CN108846476A (zh) * | 2018-07-13 | 2018-11-20 | 电子科技大学 | 一种基于卷积神经网络的智能终端安全等级分类方法 |
CN111079911A (zh) * | 2018-10-19 | 2020-04-28 | 中科寒武纪科技股份有限公司 | 运算方法、系统及相关产品 |
CN111079911B (zh) * | 2018-10-19 | 2021-02-09 | 中科寒武纪科技股份有限公司 | 运算方法、系统及相关产品 |
CN112363488A (zh) * | 2020-12-07 | 2021-02-12 | 东风柳州汽车有限公司 | 车辆故障处理系统及方法 |
CN113240116A (zh) * | 2021-07-12 | 2021-08-10 | 深圳市永达电子信息股份有限公司 | 基于类脑平台的智慧防火云系统 |
CN114124973B (zh) * | 2021-09-27 | 2023-06-09 | 烽火通信科技股份有限公司 | 一种面向多云场景的镜像同步方法和装置 |
CN114124973A (zh) * | 2021-09-27 | 2022-03-01 | 烽火通信科技股份有限公司 | 一种面向多云场景的镜像同步方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102496060A (zh) | 基于神经网络的云端智能机系统 | |
Matturdi et al. | Big Data security and privacy: A review | |
Liang et al. | Search engine for the internet of things: Lessons from web search, vision, and opportunities | |
Sharma et al. | Latent DIRICHLET allocation (LDA) based information modelling on BLOCKCHAIN technology: a review of trends and research patterns used in integration | |
John et al. | Complex adaptive blockchain governance | |
Xihua et al. | Security and privacy challenges using IoT-blockchain technology in a smart city: critical analysis | |
Shires et al. | CONTESTING" CYBER". | |
Vigil | Land grabbing and migration in a changing climate: comparative perspectives from Senegal and Cambodia | |
Yu et al. | How Digital Twin Technology Promotes the Development of Smart Cities: Case Studies in China | |
Al-Khateeb et al. | Developing a conceptual framework for modeling deviant cyber flash mob: a socio-computational approach leveraging hypergraph constructs | |
Veglis | Interactive Data Visualization | |
Brown | 4 China's second-generation national identity card: Merging culture, industry and technology | |
Embarak | Smart city transition pillars with layered applications architecture | |
Chen et al. | Research on the construction of intelligent community emergency service platform based on convolutional neural network | |
Hu et al. | [Retracted] Internet False News Information Feature Extraction and Screening Based on 5G Internet of Things Combined with Passive RFID | |
Luke | Cyberspace as meta-nation: the net effects of online e-publicanism | |
Patrignani et al. | Is the post-Turing ICT sustainable? | |
Mellamphy | FCJ-185 An Algorithmic Agartha: Post-App Approaches to Synarchic Regulation | |
Grigorescu et al. | Global digital economy. Blockchain technology and public administrations | |
Ma | [Retracted] Influence of Digital Information Management on the Audit Path of Financial Special Poverty Alleviation Funds | |
Feng et al. | Digital teaching management system based on deep learning of internet of things | |
Sheela et al. | Information Retrieval in Business Industry Using Blockchain Technology and Artificial Intelligence | |
Ahamed | Computational framework for knowledge: Integrated behavior of machines | |
Warnke | Heaven and Earth–Cloud and Territory in the Internet | |
Berthier et al. | From digital traces to algorithmic projections |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120613 |