CN109426701B - 数据模型的运行方法、运行系统和存储介质 - Google Patents
数据模型的运行方法、运行系统和存储介质 Download PDFInfo
- Publication number
- CN109426701B CN109426701B CN201710763511.2A CN201710763511A CN109426701B CN 109426701 B CN109426701 B CN 109426701B CN 201710763511 A CN201710763511 A CN 201710763511A CN 109426701 B CN109426701 B CN 109426701B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- submodel
- data model
- training
- 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.)
- Active
Links
- 238000013499 data model Methods 0.000 title claims abstract description 205
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000007405 data analysis Methods 0.000 claims abstract description 127
- 238000004364 calculation method Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims description 104
- 230000008569 process Effects 0.000 claims description 55
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 9
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000002360 preparation method Methods 0.000 claims description 5
- 230000002441 reversible effect Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 9
- 238000011157 data evaluation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/10—Protecting distributed programs or content, e.g. vending or licensing of copyrighted material ; Digital rights management [DRM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Bioethics (AREA)
- Computer Hardware Design (AREA)
- Multimedia (AREA)
- Technology Law (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明实施方式公开了数据模型的运行方法、运行系统和存储介质。该方法包括：输入第一数据到第一子模型，运行所述第一子模型生成第一中间值，将所述第一中间值发送到数据模型提供方，其中所述第一子模型布置在便携式数据分析设备中；输入所述第一中间值到第二子模型，运行所述第二子模型以生成计算结果，将所述计算结果发送到所述便携式数据分析设备，其中所述第二子模型布置在所述数据模型提供方，所述第一子模型和所述第二子模型为同一数据模型的拆分部分。本发明实施方式将拆分后的子模型分别布置在不同方，可以保护数据分析服务关联方的知识产权。而且，本发明实施方式还具有多种部署方式，应用灵活。
Description
技术领域
本发明涉及数据分析技术领域，特别是涉及一种数据模型的运行方法、运行系统和存储介质。
背景技术
当前，数据分析的概念和重要性越来越被人们所认可。比如，对于一个工厂而言，若要实现数据分析，通常需要为该工厂建设信息技术(Information Technology，IT)基础设施。而且，在数据分析领域，数据分析服务的关联方通常包括服务提供方(可以称为提供方)和服务的享受方(可以称为用户)。提供方提供数据模型，用户提供数据模型的输入数据，数据模型的输出结果可以供用户作出各种决策。
在数据分析服务中，如何保护提供方和用户的知识产权是一个紧迫的问题。比如，用户期望保护用户数据，以免在享受数据分析服务的过程中被提供方获取用户数据；提供方期望保护数据模型，以免在提供数据分析服务的过程中被提供方获取数据模型。
发明内容
本发明实施方式提出一种数据模型的运行方法、运行系统和存储介质。
本发明实施方式的技术方案如下：
本发明实施方式提出的数据模型的运行方法，该方法包括：
输入第一数据到第一子模型，运行所述第一子模型生成第一中间值，将所述第一中间值发送到数据模型提供方，其中所述第一子模型布置在便携式数据分析设备中；
输入所述第一中间值到第二子模型，运行所述第二子模型以生成计算结果，将所述计算结果发送到所述便携式数据分析设备，其中所述第二子模型布置在所述数据模型提供方，所述第一子模型和所述第二子模型为同一数据模型的拆分部分。
在一个实施方式中，该方法还包括：
基于训练数据训练出所述数据模型。
在一个实施方式中，所述基于训练数据训练出所述数据模型包括：
利用所述便携式数据分析设备接收所述训练数据，将所述训练数据发送到所述数据模型提供方；
在所述数据模型提供方，基于所述训练数据训练得到所述数据模型。
在一个实施方式中，所述基于训练数据训练出所述数据模型包括：
在所述便携式数据分析设备中设置第一子模型；
利用所述便携式数据分析设备接收所述训练数据，输入所述训练数据到所述第一子模型，运行所述第一子模型生成第一训练值，将所述第一训练值发送到所述数据模型提供方；
在所述数据模型提供方，基于所述第一训练值训练得到所述第二子模型。
在一个实施方式中，还预先包括：
在所述数据模型提供方，将所述数据模型拆分为所述第一子模型和所述第二子模型；
将所述第一子模型发送到所述便携式数据分析设备中。
在一个实施方式中，所述第一子模型包含聚合算法、特征提取算法、可颠倒的随机变换函数或自动编码器。
在一个实施方式中，当第一子模型为所述第二子模型的自变量时，所述第二子模型为所述数据模型。
在一个实施方式中，还包括：设置数据模型处理进程，所述数据模型处理进程包含在所述便携式数据分析设备中执行的数据分析进程及在所述数据模型提供方执行的数据分析进程，其中：
所述在便携式数据分析设备中执行的数据分析进程用于使能所述第一子模型在所述便携式数据分析设备中接收所述第一数据，并将运行所述第一子模型后生成的所述第一中间值传输到所述数据模型提供方；所述在数据模型提供方执行的数据分析进程用于使能所述第二子模型基于所述第一中间值计算所述计算结果。
在一个实施方式中，所述数据模型处理进程还包含：在所述便携式数据分析设备中执行的数据获取进程和数据预准备进程，以及在所述数据模型提供方执行的数据呈现进程。
本发明实施方式提出的数据模型的运行系统，包括：
便携式数据分析设备，布置有第一子模型，用于输入第一数据到所述第一子模型，运行所述第一子模型生成第一中间值，发送所述第一中间值；
数据模型提供方，布置有第二子模型，用于接收所述第一中间值，输入所述第一中间值到所述第二子模型，运行所述第二子模型以生成计算结果，将所述计算结果发送到所述便携式数据分析设备，其中所述第一子模型和所述第二子模型为同一数据模型的拆分部分。
在一个实施方式中，所述便携式数据分析设备，还用于设置第一子模型，输入训练数据到第一子模型，运行所述第一子模型生成第一训练值，将所述第一训练值发送到所述数据模型提供方；
所述数据模型提供方，还用于基于所述第一训练值训练得到所述第二子模型。
在一个实施方式中，所述便携式数据分析设备，还用于接收训练数据，将所述训练数据发送到所述数据模型提供方；
所述数据模型提供方，还用于基于所述训练数据训练得到所述数据模型。
在一个实施方式中，所述数据模型提供方，还用于将所述数据模型拆分为所述第一子模型和所述第二子模型，将所述第一子模型发送到所述便携式数据分析设备。
在一个实施方式中，当第一子模型为所述第二子模型的自变量时，所述第二子模型为所述数据模型。
计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上任一项所述的数据模型的运行方法的步骤。
从上述技术方案可以看出，本发明实施方式包括：输入第一数据到第一子模型，运行所述第一子模型生成第一中间值，将所述第一中间值发送到数据模型提供方，其中所述第一子模型布置在便携式数据分析设备中；输入所述第一中间值到第二子模型，运行所述第二子模型以生成计算结果，将所述计算结果发送到所述便携式数据分析设备，其中所述第二子模型布置在所述数据模型提供方，所述第一子模型和所述第二子模型为同一数据模型的拆分部分。本发明实施方式将拆分后的子模型分别布置在不同方，可以保护数据分析服务关联方的知识产权。而且，本发明实施方式还具有多种部署方式，应用灵活。
另外，本发明实施方式既可以由数据模型提供方独立训练得到数据模型，还可以由数据模型提供方和便携式数据分析设备协作得到数据模型，配置非常灵活。
附图说明
图1为根据本发明实施方式的数据模型的运行方法的流程图。
图2为根据本发明实施方式包含模型训练过程的数据模型运行方法的第一示范性流程图。
图3为根据本发明实施方式包含模型训练过程的数据模型运行方法的第二示范性流程图。
图4为根据本发明实施方式数据模型的运行系统的结构图。
图5为根据本发明实施方式在数控机床现场的数据模型运行系统的示范性结构图。
图6为根据本发明实施方式的数据模型拆分和进程拆分的示范性示意图。
其中，附图标记如下：
具体实施方式
为了使本发明的技术方案及优点更加清楚明白，以下结合附图及实施方式，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以阐述性说明本发明，并不用于限定本发明的保护范围。
为了描述上的简洁和直观，下文通过描述若干代表性的实施方式来对本发明的方案进行阐述。实施方式中大量的细节仅用于帮助理解本发明的方案。但是很明显，本发明的技术方案实现时可以不局限于这些细节。为了避免不必要地模糊了本发明的方案，一些实施方式没有进行细致地描述，而是仅给出了框架。下文中，“包括”是指“包括但不限于”，“根据……”是指“至少根据……，但不限于仅根据……”。由于汉语的语言习惯，下文中没有特别指出一个成分的数量时，意味着该成分可以是一个也可以是多个，或可理解为至少一个。
在数据分析服务中，用户在享受数据分析服务的同时期望保护用户数据，以免被提供数据分析服务的提供方获取用户数据。而且，提供方期望保护数据模型，以免在提供数据分析服务的同时被用户获取数据模型。然而，在数据分析服务中通常牵涉到用户与提供方的密切信息交互，如何在密切信息交互中保护用户和提供方各自的知识产权，是本领域一个尚待解决的技术问题。
申请人基于大量数据分析，经过推导发现：提供方通常具有数据模型f，f：X→Y，其中X为输入空间，Y为输出空间，即Y＝f(x)，x为输入空间X中的输入数据。提供方利用数据模型f为用户提供数据分析服务。在提供方提供数据分析服务时，需要用户为数据模型f提供输入数据，然而用户期望输入数据x针对提供方是隐藏的，从而提供方不能复制输入数据x以用于其它目的。同样，在提供数据分析服务时，提供方期望数据模型f针对用户是可执行且隐藏的，从而用户不能编译或重建数据模型f。
申请人还发现，可以将数据模型f拆分为第一子模型g和第二子模型h，其中g：X→Z；h：Z→Y；Z为中间变量，即Y＝f(x)＝h(g(x))。然后，将第一子模型g布置在用户方，将第二子模型h布置在提供方。那么，在用户方，第一子模型g的执行结果为Z＝g(x)，用户方再将中间变量Z发送到提供方。在提供方，第二子模型h的执行结果为Y＝h(Z)。因此，提供方并不能直接接触到用户的输入数据x，从而保证了输入数据x针对提供方是隐藏的。而且，用户方处只布置有第一子模型g，而并没有完整的数据模型f，因此还保证了用户不能编译或重建数据模型f。
可以由用户和提供方共同提供数据模型f，也可以只由提供方单独提供数据模型f。当用户和提供方共同提供数据模型f时，由用户自行预先定义第一子模型g，比如第一子模型g实施为可颠倒的随机变换函数，从而保证不会丢失信息，第一子模型g还可以实施为数据的面对对象预处理函数，比如为降低输入数据尺度空间的自动编码器。此时，由于提供方无法编译第一子模型g输出的中间变量Z，提供方需要与用户对输入数据x的变换保持一致，比如增加附加特征到输入数据或计算不同的基础函数以确保数据模型f可以得到良好效果。当只由提供方提供数据模型f时，提供方可以自行将数据模型f拆分为第一子模型g和第二子模型h。此时，由于第一子模型g对于提供方是已知的，第一子模型可以包含聚合算法或特征提取算法从而减少信息，以使得提供方不能从中间变量Z推导出输入数据x。
具体地，数据模型f可以实施为神经网络、线性函数或决策树，等等。而且，在具体工业应用中，用户方可以具体实施为一种便携式数据分析设备。该便携式数据分析设备可在工业现场实现对工业数据的分析，既保护工业数据的私密性，还对工厂的硬件资源要求不高，实现了对工业数据的高效准确的分析。数据模型提供方可以实施为单独的服务器，也可以实施为服务器群，还可以实施为云计算设备。
图1为根据本发明实施方式的数据模型的运行方法的流程图。
如图1所示，该方法包括：
步骤101：输入第一数据到第一子模型，运行第一子模型生成第一中间值，将第一中间值发送到数据模型提供方，其中第一子模型布置在便携式数据分析设备中。
步骤102：输入第一中间值到第二子模型，运行第二子模型以生成计算结果，将计算结果发送到便携式数据分析设备，其中第二子模型布置在数据模型提供方，第一子模型和第二子模型为同一数据模型的拆分部分。
在一个实施方式中，该方法还包括：预先基于训练数据训练出数据模型。在训练出数据模型后，可以将数据模型拆分为第一子模型和第二子模型。拆分方法包括：当第一子模型为第二子模型的自变量时，第二子模型为数据模型。利用数学表达式即为：Y＝f(x)＝h(g(x))，其中数据模型为f；第一子模型为g；第二子模型为h；X为输入空间，Y为输出空间，x为输入空间X中的输入数据。
数据模型可以包含决策树、回归分析算法、K-means聚类算法、向量机(SupportVector Machine，SVM)和神经网络等。本领域技术人员可以意识到，根据数据分析的需要，数据模型还可扩展其他算法，本发明实施方式对此并无限定。
在一个实施方式中，基于训练数据训练出数据模型包括：利用便携式数据分析设备从工业现场接收训练数据，将训练数据发送到数据模型提供方。然后，在数据模型提供方，基于训练数据训练得到数据模型。
在这种实施方式中，数据模型提供方单独完成训练工作以得到数据模型。而且，数据模型提供方再将数据模型拆分为第一子模型和第二子模型，并且将第一子模型提供到便携式数据分析设备，而在数据模型提供方中布置第二子模型。
在一个实施方式中，基于训练数据训练出数据模型包括：在便携式数据分析设备中设置第一子模型；利用便携式数据分析设备接收训练数据，输入训练数据到第一子模型，运行第一子模型生成第一训练值，将第一训练值发送到数据模型提供方；在数据模型提供方，基于第一训练值训练得到第二子模型。其中，在便携式数据分析设备中设置的第一子模型可以包含聚合算法或特征提取算法，从而可以减少输入的训练数据，使得第一训练值的数目少于训练数据，保证了数据模型提供方无法基于第一训练值恢复出训练数据。
在这种实施方式中，便携式数据分析设备和数据模型提供方协作完成训练工作以得到数据模型，其中预先在便携式数据分析设备中设置第一子模型，而且训练数据并不会传输到数据模型提供方，因此数据模型提供方不会得到训练数据。而且，第二子模型布置在数据模型提供方，便携式数据分析设备也不会得到完整的数据模型。
在便携式数据分析设备中，可向编程人员、工业数据分析专家以及工业客户或工业数据分析人员提供友好的用户界面。编程人员可编写通用的工业数据分析程序，由工业数据分析专家根据待分析数据的特性、客户的分析需求等对工业数据分析程序进行预先配置。
在一个实施方式中，设置运行图1所示的数据模型运行方法的数据模型处理进程。该数据模型处理进程包含在便携式数据分析设备中执行的数据分析进程及在数据模型提供方中执行的数据分析进程，其中在便携式数据分析设备中执行的数据分析进程用于使能第一子模型在便携式数据分析设备中接收第一数据，并将运行第一子模型后生成的第一中间值传输到数据模型提供方，在数据模型提供方中执行的数据分析进程用于使能第二子模型基于第一中间值计算所述计算结果。
优选地，数据模型处理进程还包含：在便携式数据分析设备中执行的数据获取进程和数据预准备进程，以及在数据模型提供方执行的数据呈现进程。
图2为根据本发明实施方式包含模型训练过程的数据模型运行方法的第一示范性流程图。
如图2所示，该方法包括：
步骤201：在位于工业现场的便携式数据分析设备中设置第一子模型。比如，第一子模型为聚合算法、特征提取算法、可颠倒的随机变换函数或自动编码器。
步骤202：利用便携式数据分析设备从工业现场接收训练数据，输入训练数据到第一子模型，运行第一子模型生成第一训练值，将第一训练值发送到数据模型提供方。
步骤203：数据模型提供方基于第一训练值训练得到第二子模型。
步骤204：输入第一数据到第一子模型，运行第一子模型生成第一中间值，将第一中间值发送到数据模型提供方，其中第一子模型布置在便携式数据分析设备中。
步骤205：输入第一中间值到第二子模型，运行第二子模型以生成计算结果。
步骤206：将计算结果发送到便携式数据分析设备，输出结果可以供用户作出相应决策。
在上述流程中，示范性描述了包含步骤204～步骤206的数据评估过程。实际上，在基于步骤201～203完成模型训练过程后，可以针对训练后的模型多次执行数据评估过程。也就是说，针对一个训练后的数据模型，可以执行多次的数据评估过程。
图3为根据本发明实施方式包含模型训练过程的数据模型运行方法的第二示范性流程图。
如图3所示，该方法包括：
步骤301：利用位于工业现场的便携式数据分析设备接收训练数据，将训练数据发送到数据模型提供方。
步骤302：在数据模型提供方，基于训练数据训练得到数据模型。
步骤303：在数据模型提供方，将数据模型拆分为第一子模型和第二子模型，并将第一子模型发送到便携式数据分析设备中。
步骤304：便携式数据分析设备从工业现场接收第一数据，输入第一数据到第一子模型，运行第一子模型生成第一中间值，将第一中间值发送到数据模型提供方，其中第一子模型布置在便携式数据分析设备中。
步骤305：输入第一中间值到第二子模型，运行第二子模型以生成计算结果。
步骤306：将计算结果发送到便携式数据分析设备，输出结果可以供用户作出决策。
在上述流程中，示范性描述了包含步骤304～步骤306的数据评估过程。实际上，在基于步骤301～303完成模型训练过程后，可以针对训练后的模型重复多次执行数据评估过程。也就是说，针对一个训练后的数据模型，可以执行多次的数据评估过程。
基于上述分析，本发明实施方式还提出了一种数据模型的运行系统。
图4为根据本发明实施方式数据模型的运行系统的结构图。
如图4所示，数据模型的运行系统，包括：
便携式数据分析设备401，布置有第一子模型，用于输入第一数据到第一子模型，运行第一子模型生成第一中间值，发送第一中间值；
数据模型提供方402，布置有第二子模型，用于接收第一中间值，输入第一中间值到第二子模型，运行第二子模型以生成计算结果，将计算结果发送到便携式数据分析设备401，其中第一子模型和第二子模型为同一数据模型的拆分部分。
在一个实施方式中，便携式数据分析设备401，还用于设置第一子模型，输入训练数据到第一子模型，运行第一子模型生成第一训练值，将第一训练值发送到数据模型提供方402；数据模型提供方402，还用于基于第一训练值训练得到第二子模型。
在一个实施方式中，便携式数据分析设备401，还用于接收训练数据，将训练数据发送到数据模型提供方；数据模型提供方402，还用于基于训练数据训练得到数据模型。
在一个实施方式中，数据模型提供方402，还用于将数据模型拆分为第一子模型和第二子模型，将第一子模型发送到便携式数据分析设备401。
在一个实施方式中，当第一子模型为第二子模型的自变量时，第二子模型为数据模型。
可以将本发明实施方式提出的数据模型的运行方式应用到各种工业现场中。
下面以数控机床为例，对本发明实施方式的数据模型的运行方式进行具体说明。数控机床是一种装有程序控制系统的自动化机床，该控制系统能够逻辑地处理具有控制编码或其他符号指令规定的程序，并将其译码，用代码化的数字表示，通过信息载体输入数控装置。
将便携式数据分析设备501布置在数控机床现场。便携式的数据分析设备501可在数控机床现场实现对数控机床502的运行数据的分析。便携式的数据分析设备501还通过有限或无线方式与位于远端的数据模型提供方502保持数据连接。
下面描述建立用于实现对数控机床503的运行状态预测的数据模型以及执行运行状态预测的示范性过程。
方式(1)：便携式数据分析设备501从数控机床503中获取大量的机床历史数据(比如，主轴转速、负载量等)，将这些机床历史数据作为训练数据发送到数据模型提供方502。在数据模型提供方502，基于训练数据训练得到数控机床运行状态预测模型。而且，数据模型提供方502将数控机床运行状态预测模型拆分为第一子模型和第二子模型，其中当第一子模型为第二子模型的自变量时，第二子模型为数控机床运行状态预测模型。数据模型提供方502在本地布置第二子模型，并且将第一子模型发送到便携式数据分析设备501中。便携式数据分析设备501接收到第一子模型后，在本地布置第一子模型。至此，实现了数控机床运行状态预测模型的训练过程。
然后，便携式数据分析设备501从数控机床503获取数控机床实时数据，并输入数控机床实时数据到第一子模型，运行第一子模型生成第一中间值，将第一中间值发送到数据模型提供方502。在数据模型提供方502，输入第一中间值到第二子模型，运行第二子模型以生成计算结果，将计算结果发送到便携式数据分析设备501。最终，在便携式数据分析设备501的用户界面上呈现计算结果，即呈现数控机床503的运行状态预测。
方式(2)：在便携式数据分析设备501中设置第一子模型(比如，聚合算法、特征提取算法、可颠倒的随机变换函数或自动编码器)。利用便携式数据分析设备501从数控机床503中获取大量的机床历史数据(比如，主轴转速、负载量等)，这些机床历史数据即为训练数据。输入训练数据到第一子模型，运行第一子模型生成第一训练值，将第一训练值发送到数据模型提供方502。在数据模型提供方502，基于第一训练值训练得到第二子模型，其中当第一子模型为第二子模型的自变量时，第二子模型为数控机床运行状态预测模型。至此，实现了数控机床运行状态预测模型的训练过程。
然后，便携式数据分析设备501从数控机床503接收数控机床实时数据，输入数控机床实时数据到第一子模型，运行第一子模型生成第一中间值，将第一中间值发送到数据模型提供方502。在数据模型提供方502，输入第一中间值到第二子模型，运行第二子模型以生成计算结果，将计算结果发送到便携式数据分析设备501。最终，在便携式数据分析设备501的用户界面上呈现计算结果，即呈现数控机床503的运行状态预测。
以上以数控机床为例，对本发明实施方式的数据模型运行方式进行说明，本领域技术人员可以意识到，这种描述仅是示范性的，并不用于限定本发明实施方式的保护范围。
图6为根据本发明实施方式的数据模型拆分和进程拆分的示范性示意图。
在图6中，完整的数据模型60被拆分为：布置在便携式数据分析设备61中的第一子模型63和布置在数据模型提供方62中的第二子模型65。第一子模型63在便携式数据分析设备61中接收输入数据64，并将执行完第一子模型63后输出的中间数据传输到第二子模型65，第二子模型65基于中间数据输出最终的计算结果66。
可以基于数据分析进程的划分具体描述上述过程。
完整的数据模型的处理进程70可以被拆分为数据获取进程71、数据预准备进程72、数据分析进程73和数据呈现进程74。其中，在便携式数据分析设备61中执行数据获取进程71和数据预准备进程72，在数据模型提供方62执行数据呈现进程74。而且，将数据分析进程73拆分为：在便携式数据分析设备62中执行的、第一子模型的数据分析进程731和在数据模型提供方62中执行的、第二子模型的数据分析进程732。其中，数据分析进程731用于使能第一子模型63在便携式数据分析设备61中接收输入数据，并将执行完第一子模型63后输出的中间数据传输到第二子模型65；数据分析进程732用于使能第二子模型65基于中间数据计算出最终的结果。
以上示范性描述了数据模型拆分和进程拆分的示范性过程，本领域技术人员可以意识到，这种描述仅是示范性的，并不用于限定本发明实施方式的保护范围。
需要说明的是，上述各流程和各结构图中不是所有的步骤和模块都是必须的，可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的，可以根据需要进行调整。各模块的划分仅仅是为了便于描述采用的功能上的划分，实际实现时，一个模块可以分由多个模块实现，多个模块的功能也可以由同一个模块实现，这些模块可以位于同一个设备中，也可以位于不同的设备中。
各实施方式中的硬件模块可以以机械方式或电子方式实现。例如，一个硬件模块可以包括专门设计的永久性电路或逻辑器件(如专用处理器，如FPGA或ASIC)用于完成特定的操作。硬件模块也可以包括由软件临时配置的可编程逻辑器件或电路(如包括通用处理器或其它可编程处理器)用于执行特定操作。至于具体采用机械方式，或是采用专用的永久性电路，或是采用临时配置的电路(如由软件进行配置)来实现硬件模块，可以根据成本和时间上的考虑来决定。
本发明还提供了一种机器可读的存储介质，存储用于使一机器执行如本申请所述方法的指令。具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施方式的功能的软件程序代码，且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。此外，还可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作。还可以将从存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展单元上的CPU等来执行部分和全部实际操作，从而实现上述实施方式中任一实施方式的功能。
用于提供程序代码的存储介质实施方式包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。
综上所述，本发明实施方式包括：输入第一数据到第一子模型，运行第一子模型生成第一中间值，将第一中间值发送到数据模型提供方，其中第一子模型布置在便携式数据分析设备中；输入第一中间值到第二子模型，运行第二子模型以生成计算结果，将计算结果发送到便携式数据分析设备，其中第二子模型布置在数据模型提供方，第一子模型和所述第二子模型为同一数据模型的拆分部分。本发明实施方式将拆分后的子模型分别布置在不同方，可以保护数据分析服务关联方的知识产权。而且，本发明实施方式还具有多种部署方式，应用灵活。
另外，本发明实施方式既可以由数据模型提供方独立训练得到数据模型，还可以由数据模型提供方和便携式数据分析设备协作得到数据模型，配置非常灵活。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (13)
1.数据模型的运行方法，其特征在于，该方法包括：
输入从工业现场接收的第一数据到第一子模型，运行所述第一子模型生成第一中间值，将所述第一中间值发送到数据模型提供方，其中所述第一子模型布置在便携式数据分析设备中(101)；
输入所述第一中间值到第二子模型，运行所述第二子模型以生成计算结果，将所述计算结果发送到所述便携式数据分析设备，其中所述第二子模型布置在所述数据模型提供方，所述第一子模型和所述第二子模型为同一数据模型的拆分部分(102)；
其中当第一子模型为所述第二子模型的自变量时，所述第二子模型为所述数据模型。
2.根据权利要求1所述的数据模型的运行方法，其特征在于，该方法还包括：
预先基于训练数据训练出所述数据模型。
3.根据权利要求2所述的数据模型的运行方法，其特征在于，所述基于训练数据训练出所述数据模型包括：
利用所述便携式数据分析设备接收所述训练数据，将所述训练数据发送到所述数据模型提供方(301)；
在所述数据模型提供方，基于所述训练数据训练得到所述数据模型(302)。
4.根据权利要求2所述的数据模型的运行方法，其特征在于，所述基于训练数据训练出所述数据模型包括：
在所述便携式数据分析设备中设置第一子模型(201)；
利用所述便携式数据分析设备接收所述训练数据，输入所述训练数据到所述第一子模型，运行所述第一子模型生成第一训练值，将所述第一训练值发送到所述数据模型提供方(202)；
在所述数据模型提供方，基于所述第一训练值训练得到所述第二子模型(203)。
5.根据权利要求1所述的数据模型的运行方法，其特征在于，还预先包括：
在所述数据模型提供方，将所述数据模型拆分为所述第一子模型和所述第二子模型；
将所述第一子模型发送到所述便携式数据分析设备中。
6.根据权利要求5所述的数据模型的运行方法，其特征在于，所述第一子模型包含聚合算法、特征提取算法、可颠倒的随机变换函数或自动编码器。
7.根据权利要求1所述的数据模型的运行方法，其特征在于，还包括：
设置数据模型处理进程，所述数据模型处理进程包含在所述便携式数据分析设备中执行的数据分析进程及在所述数据模型提供方执行的数据分析进程，其中：
所述在所述 便携式数据分析设备中执行的数据分析进程用于使能所述第一子模型在所述便携式数据分析设备中接收所述第一数据，并将运行所述第一子模型后生成的所述第一中间值传输到所述数据模型提供方；所述在所述 数据模型提供方执行的数据分析进程用于使能所述第二子模型基于所述第一中间值计算所述计算结果。
8.根据权利要求7所述的数据模型的运行方法，其特征在于，所述数据模型处理进程还包含：在所述便携式数据分析设备中执行的数据获取进程和数据预准备进程，以及在所述数据模型提供方执行的数据呈现进程。
9.数据模型的运行系统，其特征在于，包括：
便携式数据分析设备(401)，布置有第一子模型，用于输入从工业现场接收的第一数据到所述第一子模型，运行所述第一子模型生成第一中间值，发送所述第一中间值；
数据模型提供方(402)，布置有第二子模型，用于接收所述第一中间值，输入所述第一中间值到所述第二子模型，运行所述第二子模型以生成计算结果，将所述计算结果发送到所述便携式数据分析设备，其中所述第一子模型和所述第二子模型为同一数据模型的拆分部分；
当第一子模型为所述第二子模型的自变量时，所述第二子模型为所述数据模型。
10.根据权利要求9所述的数据模型的运行系统，其特征在于，
所述便携式数据分析设备(401)，还用于设置第一子模型，输入训练数据到第一子模型，运行所述第一子模型生成第一训练值，将所述第一训练值发送到所述数据模型提供方；
所述数据模型提供方(402)，还用于基于所述第一训练值训练得到所述第二子模型。
11.根据权利要求9所述的数据模型的运行系统，其特征在于，
所述便携式数据分析设备(401)，还用于接收训练数据，将所述训练数据发送到所述数据模型提供方；
所述数据模型提供方(402)，还用于基于所述训练数据训练得到所述数据模型。
12.根据权利要求9所述的数据模型的运行系统，其特征在于，
所述数据模型提供方(402)，还用于将所述数据模型拆分为所述第一子模型和所述第二子模型，将所述第一子模型发送到所述便携式数据分析设备。
13.计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的数据模型的运行方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710763511.2A CN109426701B (zh) | 2017-08-30 | 2017-08-30 | 数据模型的运行方法、运行系统和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710763511.2A CN109426701B (zh) | 2017-08-30 | 2017-08-30 | 数据模型的运行方法、运行系统和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109426701A CN109426701A (zh) | 2019-03-05 |
| CN109426701B true CN109426701B (zh) | 2022-04-05 |
Family
ID=65503951
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710763511.2A Active CN109426701B (zh) | 2017-08-30 | 2017-08-30 | 数据模型的运行方法、运行系统和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109426701B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111860796B (zh) * | 2019-04-30 | 2023-10-03 | 上海寒武纪信息科技有限公司 | 运算方法、装置及相关产品 |
| CN115409198A (zh) * | 2019-12-11 | 2022-11-29 | 支付宝(杭州)信息技术有限公司 | 分布式预测方法及其系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001065421A1 (de) * | 2000-02-28 | 2001-09-07 | Siemens Aktiengesellschaft | Verfahren und anordnung zur modellierung eines systems |
| CN106155298A (zh) * | 2015-04-21 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 人机识别方法及装置、行为特征数据的采集方法及装置 |
| CN107046549A (zh) * | 2017-05-31 | 2017-08-15 | 郑州轻工业学院 | 基于免疫的物联网分布式入侵检测方法及系统 |
| CN107103171A (zh) * | 2016-02-19 | 2017-08-29 | 阿里巴巴集团控股有限公司 | 机器学习模型的建模方法及装置 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9231978B2 (en) * | 2013-02-04 | 2016-01-05 | Mirko Randic | Cryptographic construction for anonymity during interaction for collective outcome |
| CN104933463B (zh) * | 2015-07-07 | 2018-01-23 | 杭州朗和科技有限公司 | 深度神经网络模型的训练方法和设备 |
| CN106919451B (zh) * | 2015-12-24 | 2020-04-21 | 北京趣拿科技软件有限公司 | 数据处理方法和装置 |
| CN107025205B (zh) * | 2016-01-30 | 2021-06-22 | 华为技术有限公司 | 一种分布式系统中的训练模型的方法及设备 |
-
2017
- 2017-08-30 CN CN201710763511.2A patent/CN109426701B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001065421A1 (de) * | 2000-02-28 | 2001-09-07 | Siemens Aktiengesellschaft | Verfahren und anordnung zur modellierung eines systems |
| CN106155298A (zh) * | 2015-04-21 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 人机识别方法及装置、行为特征数据的采集方法及装置 |
| CN107103171A (zh) * | 2016-02-19 | 2017-08-29 | 阿里巴巴集团控股有限公司 | 机器学习模型的建模方法及装置 |
| CN107046549A (zh) * | 2017-05-31 | 2017-08-15 | 郑州轻工业学院 | 基于免疫的物联网分布式入侵检测方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| Jakub Konečnýet al..Federated Optimization_ Distributed Machine Learning for On-Device Intelligence.《https://arxiv.org/abs/1610.02527》.2016, * |
| Partitioning of Petri net models amenable for distributed execution;Costa, A. et al.;《2006 IEEE Conference on Emerging Technologies and Factory Automation》;20070507;全文 * |
| 基于神经网络模型分割的入侵检测方法;王晓霞等;《https://d.wanfangdata.com.cn/periodical/jsjgcysj200922012》;20100122;第30卷(第22期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109426701A (zh) | 2019-03-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xu | Machine Tool 4.0 for the new era of manufacturing | |
| Dopico et al. | A vision of industry 4.0 from an artificial intelligence point of view | |
| CN106598549B (zh) | 一种基于区块链的智能合约系统及实现方法 | |
| CN110716510B (zh) | 用于自动化应用的抽象层 | |
| CN111080243A (zh) | 业务处理的方法、装置、系统、电子设备及存储介质 | |
| Greengard | AI on edge | |
| CN111026063B (zh) | 数字孪生体构建方法、装置、计算机设备及存储介质 | |
| CN109426701B (zh) | 数据模型的运行方法、运行系统和存储介质 | |
| CN102622259A (zh) | 一种用于可视化编程的功能块函数建模方法 | |
| US20180025162A1 (en) | Application program analysis apparatus and method | |
| KR20150119554A (ko) | 어플리케이션 로그 데이터의 처리 장치 및 그 방법 | |
| Levshun et al. | Design and verification methodology for secure and distributed cyber-physical systems | |
| CN106326920B (zh) | 一种遥测数据和视频图像数据的离线同步方法及装置 | |
| Guissouma et al. | Variability-aware process extension for updating cyber physical systems over the air | |
| KR20180099044A (ko) | Scada 시스템 및 스크립트 언어 컴파일 방법 | |
| CN115271764B (zh) | 一种用于智能手机维修的安全管控方法及系统 | |
| CN109831736B (zh) | 一种数据处理方法、装置、服务器及客户端 | |
| CN113819587B (zh) | 用于空调控制的方法、装置及空调 | |
| CN109710395B (zh) | 参数优化控制方法、装置和分布式计算系统 | |
| CN112099794A (zh) | 前端项目构建方法及装置 | |
| Adaili et al. | RA2DL: New flexible solution for adaptive AADL-based control components | |
| CN112394972A (zh) | 一种云应用发布方法、装置、设备及存储介质 | |
| CN114756205B (zh) | 测井应用程序集成方法及装置 | |
| Moon et al. | Modeling and simulation for embedded software system | |
| CN112668352B (zh) | 环境反向散射通信信号处理方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |