CN112232115B - 一种计算因子植入方法、介质及设备 - Google Patents

Abstract

本公开提供了一种计算因子植入方法、介质及设备，所述方法包括：创建待植入计算因子，计算所述计算因子所携带的计算属性；萃取出所述待植入计算因子的前计算因子和后计算因子的计算属性；检测所述前计算因子和所述后计算因子的运行状态，通过表决算法判断检测是否通过；若检测通过则在主干流程植入所述待植入计算因子；切断所述前计算因子和所述后计算因子之间的连接。本公开采用计算因子主干直接植入方式，被植入的计算因子只需与前后计算因子线性计算就可实现计算因子的直接主干直接植入，实现计算属性自动双向传播。通过本公开提高计算因子的植入效率，增强计算属性的计算能力，植入复杂度由O(2＾n)减低为O(1)。

Description

一种计算因子植入方法、介质及设备

技术领域

本公开涉及计算机计算技术领域，更为具体来说，本公开涉及一种计算因子植入方法、介质及设备。

背景技术

传统流程化图谱计算因子植入技术为主干－－分支式植入方式(trunk－branch)植入，在主干计算流程上通过植入计算因子创建分支计算流程，新创建的分支计算流程参照主干计算流程与计算因子，不断回归计算分支计算流程与计算因子，直到分支计算流程完全满足主干计算流程功能，将新生成的分支流程标记为主主干流程，删除原有主干流程。主干－分支式植入技术算法复杂度接近O(2＾n)从而导致工作繁重、计算量大，误差比较大，在较大、超大规模的图谱计算中甚至无法实现。

为了实现高效图计算，通常计算因子包含多个计算属性(calculationproperties)。例如在交通分析模型《疑似套牌车分析模型》中，现有技术中的计算属性包括：车身颜色、车辆类型、号牌类型等因素，在植入空间位置信息的新的计算因子时，其地理位置信息的计算属性只停留在刚植入的计算因子中，很难实现新植入的计算属性无法向上递，归父、祖父、根父无法感应新计算属性的植入，新植入的计算因子无法发挥最大的计算能力。

发明内容

为解决现有技术的在交通分析模型《疑似套牌车分析模型》中，常规植入的计算因子中计算属性只能停留在刚植入的计算因子中，很难实现新植入的计算属性无法向上递，归父、祖父、根父无法感应新计算属性的植入，新植入的计算因子无法发挥最大的计算能力的技术问题。

为实现上述技术目的，本公开提供了一种交通流程式图谱模型中计算因子植入方法，包括：

创建待植入计算因子，计算所述待植入计算因子所携带的计算属性；

萃取出所述待植入计算因子的前计算因子和后计算因子的计算属性；

检测所述前计算因子和所述后计算因子的运行状态，判断检测是否通过；

若检测通过则在主干流程植入所述待植入计算因子；

切断所述前计算因子和所述后计算因子之间的连接。

进一步，

所述计算属性为所述计算因子所携带的计算函数，如方差函数和/或聚合函数。

进一步，所述检测所述前计算因子和所述后计算因子的运行状态具体包括：

通过正向优先检测和/或反向优先检测和/或并行检测的检测方法检测所述前计算因子和所述后计算因子的运行状态。

进一步，所述正向优先检测为先检测所述前计算因子再检测所述后计算因子；

所述反向优先检测为先检测所述后计算因子再检测所述前计算因子；。

所述并行检测为同时检测所述前计算因子和所述后计算因子。

进一步，通过表决算法判定检测是否通过，

所述表决算法具体为：

计算表决数值，每进行一次正向优先检测或反向优先检测所述表决数值加1，每进行依次并行检测所述表决数值加2；

判断所述表决数值是否大于等于2，若大于等于2则表决通过，若小于2则表决不通过。

进一步，所述在主干流程植入所述待植入计算因子的过程具体为：

当所述待植入计算因子中的算法因子植入到所述前计算因子之后，所述前计算因子的计算属性全部传递到新植入的计算因子；

计算出所述待植入计算因子与所述前计算因子的第一计算属性差集，向上递归传播所述第一计算属性差集至父、祖父以及根父计算节点；和/或；

当所述待植入计算因子中的算法因子植入到所述后计算因子之前，计算出所述待植入计算因子与所述后计算因子的第二计算属性差集，向下传递所述第二计算属性差集至子、孙、玄孙计算节点。

进一步，所述在主干流程植入所述待植入计算因子的过程中，所述前计算因子与后计算因子的连接及计算属性均保持所述待植入计算因子植入前的状态不变。

进一步，所述切断所述前计算因子和所述后计算因子之间的连接之前，还包括：

采用并行检测的方式检测新植入的计算因子、前计算因子和后计算因子是否执行正常，若执行正常则进行后续步骤，若不正常则植入报错。

进一步，所述方法还包括：

利用蒙特卡罗随机算法进行再次检测新植入的计算因子、前计算因子和后计算因子是否执行正常，若执行正常则执行后续步骤，若不正常则植入报错。

为实现上述技术目的，本公开还能够提供一种计算机存储介质，其上存储有计算机程序指令，其特征在于，计算机程序指令被处理器执行时用于实现上述的交通流程式图谱模型中计算因子植入方法的步骤。

为实现上述技术目的，本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现上述的交通流程式图谱模型中计算因子植入方法的步骤。

本公开的有益效果为：

本公开采用计算因子主干直接植入方式，被植入的计算因子只需与前/后计算因子线性计算就可实现计算因子的直接主干直接植入；植入计算因子植入同时实现计算属性实现对上游节点的递归传递，对下游节点的自动向下钻去，实现计算属性自动双向传播。通过本公开提高计算因子的植入效率，增强计算属性的计算能力，植入复杂度由O(2＾n)减低为O(1)。

附图说明

图1是根据一示例性实施例示出的一种流程式图谱模型中计算因子植入方法的流程示意图；

图2是根据一示例性实施例示出的一种流程式图谱模型中计算因子植入方法的流程示意图；

图3示出了本公开的实施例4的结构示意图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在附图中示出了根据本公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状以及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。

本公开涉及的术语解释：

计算因子：流程化图谱模型中独立的计算单元、图谱的实例节点，计算因子可以对输入数据完成特定的数学、逻辑等计算。计算因子带有计算属性为后续计算因子提供数据、算法支持。

待植入计算因子：需要新植入到流程化图谱中增强模型运算能力的计算因子。

计算属性：计算因子所携带的计算函数，例如方差函数、聚合函数等。

前计算因子before node：植入计算因子最近的数据输入邻居计算因子，前计算因子的数量为{1，2，…，N}，其中，N为正整数。

后计算因子after node：最近以植入计算因子输出数据为输入数据的邻居算因子，后计算因子的数量为{0，1，2，…，N}，其中，N为正整数。

实施例一：

如图1所示：

本公开提供了一种交通流程式图谱模型中计算因子植入方法，包括：

S1：创建待植入计算因子，计算所述待植入计算因子所携带的计算属性；

S2：萃取出所述待植入计算因子的前计算因子和后计算因子的计算属性；

具体地，在流程图谱中通过Gremlin图查询语言查询前计算因子beforenode的计算属性与后计算因子after node的计算属性聚合before－property－graph[]、after－property－graph[]。

其中，Gremlin语言是图数据库最主流的查询语言，是ApacheTinkerPop框架下规范的图语言，相当于SQL之于关系型数据库。

S3：检测所述前计算因子和所述后计算因子的运行状态，通过表决算法判断检测是否通过；

具体地，所述检测所述前计算因子和所述后计算因子的运行状态具体包括：

通过正向优先检测和/或反向优先检测和/或并行检测的检测方法检测所述前计算因子和所述后计算因子的运行状态。

其中，

所述正向优先检测为先检测所述前计算因子再检测所述后计算因子；

所述反向优先检测为先检测所述后计算因子再检测所述前计算因子；。

所述并行检测为同时检测所述前计算因子和所述后计算因子。

所述表决算法具体为：

计算表决数值，每进行一次正向优先检测或反向优先检测所述表决数值加1，每进行依次并行检测所述表决数值加2；

判断所述表决数值是否大于等于2，若大于等于2则表决通过，若小于2则表决不通过。

例如：

在检测过程中共进行了一次正向优先检测和一次反向优先检测，未进行并行检测，则根据表决数值计算公式得到表决数值＝1+1+0＝2≥2，则此时表决通过。

再例如：

再检测过程中共进行了一次并行检测，未进行正向优先检测和反向优先检测，则根据表决数值计算公式得到表决数值＝0+0+2≥2，则此时表决通过。

再比如：

在检测过程中共进行了一次正向优先检测而未进行反向优先检测和并行检测，根据表决数值计算公式得到表决数值＝1+0+0＜2，则此时表决不通过。

S4：若检测通过，则在主干流程植入待植入计算因子；

具体地，在主干流程植入待植入计算因子的过程具体为：

将待植入计算因子中的算法因子植入到前计算因子之后，当待植入计算因子中的算法因子植入到前计算因子之后，前计算因子的计算属性全部传递到新植入的计算因子；

计算出待植入计算因子与前计算因子的第一计算属性差集，向上递归传播第一计算属性差集至父、祖父以及根父计算节点。

当待植入计算因子中的算法因子植入到后计算因子之前，计算出待植入计算因子与后计算因子的第二计算属性差集，向下传递第二计算属性差集至子、孙、玄孙计算节点。

在一种实施方式中，如后计算因子为0时，待植入的计算因子的具体植入过程为：

将待植入计算因子的算法因子植入到所述前计算因子之后，当待植入计算因子中的算法因子植入到所述前计算因子之后，该前计算因子的计算属性全部传递到新植入的计算因子；

计算出所述待植入计算因子与所述前计算因子的第一计算属性差集，向上递归传播所述第一计算属性差集至父、祖父以及根父计算节点。

在一种实施方式中，如前计算因子为0时，具体的植入过程为：

将待植入计算因子的算法因子植入到所述前计算因子之前，当待植入计算因子中的算法因子植入到后计算因子之前，计算出所述待植入计算因子与所述后计算因子的第二计算属性差集，向下传递所述第二计算属性差集至子、孙、玄孙计算节点。

在另一种实施方式中，在主干流程植入所述待植入计算因子的步骤具体是：

将待植入计算因子中的算法因子植入到后计算因子之前，当该待植入计算因子中的算法因子植入到该后计算因子之前，计算出该待植入计算因子与后计算因子的第二计算属性差集，向下传递该第二计算属性差集至子、孙、玄孙计算节点；

将待植入计算因子的算法因子植入到所述前计算因子之后，当待植入计算因子中的算法因子植入到所述前计算因子之后，前计算因子的计算属性全部传递到新植入的计算因子；

计算出待植入计算因子与前计算因子的第一计算属性差集，向上递归传播第一计算属性差集至父、祖父以及根父计算节点。

需要说明的是，在待植入计算因子植入的过程中，前计算因子与后计算因子的连接及计算属性均保持该待计算因子植入前的状态不变。

S5：在待植入的计算因子植入完成之后，切断所述前计算因子和所述后计算因子之间的连接。

本公开的有益效果为：

本公开采用计算因子主干直接植入方式，被植入的计算因子只需与前后计算因子线性计算就可实现计算因子的直接主干直接植入；植入算因子植入同时实现计算属性实现对上游节点的递归传递，对下游节点的自动向下钻去，实现计算属性自动双向传播。通过本公开提高计算因子的植入效率，增强计算属性的计算能力，植入复杂度由O(2＾n)减低为O(1)。

本公开的具体应用可以是：

在交通应用领域，在常规的疑似套牌车分析模型中，在模型已有计算规则例如车身颜色、车辆类型、号牌类型情况下，可以通过本公开的交通流程式图谱模型中计算因子植入方法快速植入时间因素计算因子，在模型结构与运行状态不变的情况下增强模型的算法的运行效率，进而提高套牌车识别率。

在常规的疑似套牌车分析模型中，基于大数据进行计算，需要在12亿“电子警察”即卡口视频捕获系统捕获的影像中找出套牌车。由于有12亿这个数量级的大数据需要进行模型计算，采用常规的主干－分支式植入技术算法复杂度接近O(2＾n)从而导致工作繁重、计算量大，误差比较大，不能满足模型运算需求。

基于此，采用本公开的交通流程式图谱模型中计算因子植入方法，在模型中先计算已有规则包含车身基本信息和号牌信息，如：车身颜色、车辆类型、号牌类型；将时间信息作为植入因子植入模型中进行计算。

具体地，

创建待植入计算因子，可以为时间信息，计算所述计算因子所携带的计算属性；

所述计算属性应用到交通车辆疑似套牌分析模型中可以为包含时间日期信息的聚合函数。

之后，萃取出所述待植入计算因子的前计算因子和后计算因子的计算属性；

即是说，需要提取出待植入计算因子即空间位置信息相临近的模型中的计算因子，包括：车身颜色、车辆类型、号牌类型；

检测所述前计算因子和所述后计算因子的运行状态，通过表决算法判断检测是否通过；

例如：待植入的计算因子是时间因子，比如星期时间的时间因子，前计算因子可以是车身颜色，后计算因子可以是号牌类型。

通过表决算法判断前后计算因子的运行状态是否正确来判断植入的计算因子是否正确植入。

例如在检测过程中共进行了一次正向优先检测和一次反向优先检测，未进行并行检测，则根据表决数值计算公式得到表决数值＝1+1+0＝2≥2，则此时表决通过。当检测表决通过后植入待植入的计算因子，即时间因子。

综上所述，本公开的交通流程式图谱模型中计算因子植入方法可以在常规的疑似套牌车分析模型已有的车身颜色、车辆类型、号牌类型的计算因子的基础上植入新的计算因子如时间因素计算因子，进一步提高疑似套牌车分析模型分析的准确率和分析全面性效果。

实施例二：

如图2所示：

本公开在实施例一的基础上还可以作如下改进：

所述S5之前，还包括：

S41：采用并行检测的方式检测新植入的计算因子、前计算因子和后计算因子是否执行正常，若执行正常则进行后续步骤，若不正常则植入报错。

进一步，若执行正常，则所述方法还包括：

S42：利用蒙特卡罗Monte Carlo随机算法进行再次复检新植入的计算因子、前计算因子和后计算因子是否执行正常，若执行正常则执行后续步骤，若不正常则植入报错。

蒙特卡罗法也称统计模拟法、统计试验法。是把概率现象作为研究对象的数值模拟方法。是按抽样调查法求取统计值来推定未知特性量的计算方法。蒙特卡罗是摩纳哥的著名赌城，该法为表明其随机抽样的本质而命名。故适用于对离散系统进行计算仿真试验。在计算仿真中，通过构造一个和系统性能相近似的概率模型，并在数字计算机上进行随机试验，可以模拟系统的随机特性。

分别使用first－visit MC与every－visit MC两种随机预测算法，随机检测图谱模型中的计算因子，计算因子成功率达到90％以上则表示随机检测通过。

在一种具体的实施方式中，也可以直接采用蒙特卡罗Monte Carlo随机算法检测模型检测图谱模型中的计算因子是否运行正常，若运行正常，则认定检测通过。

实施例三：

本公开还能够提供一种计算机存储介质，其上存储有计算机程序指令，其特征在于，计算机程序指令被处理器执行时用于实现上述的交通流程式图谱模型中计算因子植入方法的步骤。

本公开的计算机存储介质可以采用半导体存储器、磁芯存储器、磁鼓存储器或磁盘存储器实现。

半导体存储器，主要用于计算机的半导体存储元件主要有Mos和双极型两种。Mos元件集成度高、工艺简单但速度较慢。双极型元件工艺复杂、功耗大、集成度低但速度快。NMos和CMos问世后，使Mos存储器在半导体存储器中开始占主要地位。NMos速度快，如英特尔公司的1K位静态随机存储器的存取时间为45ns。而CMos耗电省，4K位的CMos静态存储器存取时间为300ns。上述半导体存储器都是随机存取存储器(RAM)，即在工作过程中可随机进行读出和写入新内容。而半导体只读存储器(ROM)在工作过程中可随机读出但不能写入，它用来存放已固化好的程序和数据。ROM又分为不可改写的熔断丝式只读存储器──PROM和可改写的只读存储器EPROM两种。

磁芯存储器，具有成本低，可靠性高的特点，且有20多年的实际使用经验。70年代中期以前广泛使用磁芯存储器作为主存储器。其存储容量可达10位以上，存取时间最快为300ns。国际上典型的磁芯存储器容量为4MS～8MB，存取周期为1.0～1.5μs。在半导体存储快速发展取代磁芯存储器作为主存储器的位置之后，磁芯存储器仍然可以作为大容量扩充存储器而得到应用。

磁鼓存储器，一种磁记录的外存储器。由于其信息存取速度快，工作稳定可靠，虽然其容量较小，正逐渐被磁盘存储器所取代，但仍被用作实时过程控制计算机和中、大型计算机的外存储器。为了适应小型和微型计算机的需要，出现了超小型磁鼓，其体积小、重量轻、可靠性高、使用方便。

磁盘存储器，一种磁记录的外存储器。它兼有磁鼓和磁带存储器的优点，即其存储容量较磁鼓容量大，而存取速度则较磁带存储器快，又可脱机贮存，因此在各种计算机系统中磁盘被广泛用作大容量的外存储器。磁盘一般分为硬磁盘和软磁盘存储器两大类。

硬磁盘存储器的品种很多。从结构上，分可换式和固定式两种。可换式磁盘盘片可调换，固定式磁盘盘片是固定的。可换式和固定式磁盘都有多片组合和单片结构两种，又都可分为固定磁头型和活动磁头型。固定磁头型磁盘的容量较小，记录密度低存取速度高，但造价高。活动磁头型磁盘记录密度高(可达1000～6250位/英寸)，因而容量大，但存取速度相对固定磁头磁盘低。磁盘产品的存储容量可达几百兆字节，位密度为每英寸6250位，道密度为每英寸475道。其中多片可换磁盘存储器由于盘组可以更换，具有很大的脱体容量，而且容量大，速度高，可存储大容量情报资料，在联机情报检索系统、数据库管理系统中得到广泛应用。

实施例四：

本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现上述的交通流程式图谱模型中计算因子植入方法的步骤。

该电子设备包括但不限于智能电话、计算机、平板电脑、可穿戴智能设备、人工智能设备、移动电源等。

图3为一个实施例中电子设备的内部结构示意图。如图3所示，该电子设备包括通过系统总线连接的处理器、存储介质、存储器和网络接口。其中，该计算机设备的存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种非http协议应用的可信访问控制方法。该电设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种非http协议应用的可信访问控制方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

该电子设备包括但不限于智能电话、计算机、平板电脑、可穿戴智能设备、人工智能设备、移动电源等。

所述处理器在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Centra lProcessing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器内的程序或者模块(例如执行远端数据读写程序等)，以及调用存储在所述存储器内的数据，以执行电子设备的各种功能和处理数据。

所述总线可以是外设部件互连标准(peripheralcom ponentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器以及至少一个处理器等之间的连接通信。

图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi－Fi模块等，在此不再赘述。

进一步地，所述电子设备还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI－FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。

可选地，该电子设备还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light－Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。

进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。本公开的范围由所附权利要求及其等价物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (8)

1.一种交通流程式图谱模型中计算因子植入方法，其特征在于，包括：

创建待植入计算因子，计算所述待植入计算因子所携带的计算属性，其中，所述待植入计算因子包括时间因素计算因子，所述待植入计算因子所携带的计算属性为包含时间日期信息的聚合函数；

萃取出所述待植入计算因子的前计算因子和后计算因子的计算属性；

检测所述前计算因子和所述后计算因子的运行状态，判断检测是否通过，通过表决算法判断前后计算因子的运行状态是否正确来判断植入的计算因子是否正确植入；

所述检测所述前计算因子和所述后计算因子的运行状态具体包括：

通过正向优先检测和/或反向优先检测和/或并行检测的检测方法检测所述前计算因子和所述后计算因子的运行状态；所述正向优先检测为先检测所述前计算因子再检测所述后计算因子；

所述反向优先检测为先检测所述后计算因子再检测所述前计算因子；

所述并行检测为同时检测所述前计算因子和所述后计算因子；

若检测通过，则在主干流程植入所述待植入计算因子；

切断所述前计算因子和所述后计算因子之间的连接；

其中，所述交通流程式图谱模型中包括车身基本信息和号牌信息。

2.根据权利要求1所述的方法，其特征在于，通过表决算法判定检测是否通过，所述表决算法具体为：

计算表决数值，每进行一次正向优先检测或反向优先检测所述表决数值加1，每进行一次并行检测所述表决数值加2；

判断所述表决数值是否大于等于2，若大于等于2则表决通过，若小于2则表决不通过。

3.根据权利要求1中所述的方法，其特征在于，所述在主干流程植入所述待植入计算因子的过程具体为：

当所述待植入计算因子中的算法因子植入到所述前计算因子之后，所述前计算因子的计算属性全部传递到新植入的计算因子；

计算出所述待植入计算因子与所述前计算因子的第一计算属性差集，向上递归传播所述第一计算属性差集至父、祖父以及根父计算节点和/或

当所述待植入计算因子中的算法因子植入到所述后计算因子之前，计算出所述待植入计算因子与所述后计算因子的第二计算属性差集，向下传递所述第二计算属性差集至子、孙、玄孙计算节点。

4.根据权利要求3所述的方法，其特征在于，所述在主干流程植入所述待植入计算因子的过程中， 所述前计算因子与所述后计算因子的连接及计算属性均保持所述待植入计算因子植入前的状态不变。

5.根据权利要求1~4任一项中所述的方法，其特征在于，所述切断所述前计算因子和所述后计算因子之间的连接之前，还包括：

采用并行检测的方式检测新植入的计算因子、前计算因子和后计算因子是否执行正常，若执行正常，则进行后续步骤，若不正常，则植入报错。

6.根据权利要求5所述的方法，其特征在于所述方法还包括：

利用蒙特卡罗随机算法进行检测新植入的计算因子、前计算因子和后计算因子是否执行正常，若执行正常则执行后续步骤，若不正常则植入报错。

7.一种计算机存储介质，其上存储有计算机程序指令，其特征在于，计算机程序指令被处理器执行时用于实现如权利要求1~6任一项中所述的交通流程式图谱模型中计算因子植入方法的步骤。

8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现如权利要求1~6任一项中所述的交通流程式图谱模型中计算因子植入方法的步骤。