CN113407582B - 一种多智能体的集成数据的监控方法及云服务器 - Google Patents

Abstract

本申请提供的一种多智能体的集成数据的监控方法及云服务器，通过两种不同分类的样本集成环境来强化学习得到目标特征训练模型，后续接收到智能数据监控指示时，通过目标特征训练模型来处理待选智能数据集合中第一分类智能数据的状态数据，根据目标特征训练模型得到的第一分类智能数据的监控范围参数以及待选智能数据集合中第二分类智能数据的监控范围参数选择出的目标智能数据，对一个智能数据监控指示，通过一个强化学习得到的特征训练模型，从两种不同分类的智能数据中选择一个智能数据作为目标智能数据进行监控，实现对两种分类智能数据的混合控制，使得系统中的智能数据监控位置能够得到完整的监控，提高智能数据监控的模型计算的准确率。

Description

一种多智能体的集成数据的监控方法及云服务器

技术领域

本申请涉及数据监控技术领域，具体而言，涉及一种多智能体的集成数据的监控方法及云服务器。

背景技术

随着信息技术的不断发展，信息作为一种重要的资源，其安全的授权到了越来越多的关注，对信息资源的管理和安全的监控是一个重要的方向。涉及到国家、企事业单位以及个人秘密的敏感信息，这样就会为国家、企事业单位以及个人信息泄露的麻烦。因此需要对集成数据进行严格的监控，然而，在相关集成数据的监控技术中还存在一些缺陷。

发明内容

鉴于此，本申请提供了一种多智能体的集成数据的监控方法及云服务器。

第一方面，提供一种多智能体的集成数据的监控方法，所述方法包括：

获取智能数据监控指示，所述智能数据监控指示用于指示在指定的智能数据监控范围上监控智能数据；

获取所述智能数据监控指示的待选智能数据集合，所述待选智能数据集合中包含第一分类智能数据和第二分类智能数据；其中，所述第一分类智能数据是具有监控频率标准的智能数据，所述第二分类智能数据是通过实时采集的监控数据中筛选监控位置的智能数据；

获取所述智能数据监控指示的待选智能数据集合中的各个智能数据的监控范围参数；

所述监控范围参数用于指示对应的智能数据被发送至所述指定的智能数据监控范围进行监控的系数；其中，所述第一分类智能数据的所述监控范围参数，是通过目标特征训练模型对所述第一分类智能数据的状态数据进行处理后得到的；所述目标特征训练模型是通过对样本集成环境进行强化学习搜索得到的，所述样本集成环境是由至少两个参考智能数据监控指示的待选智能数据集合中的智能数据组成的；

基于所述各个智能数据的监控范围参数获取目标智能数据；

将所述目标智能数据发送至所述指定的智能数据监控范围进行监控。

进一步地，所述状态数据包括智能数据组数据、全局数据和监控角度特征数据中的至少一种；所述智能数据组数据包括：

对应的智能数据的标签、对应的智能数据监控范围的标签、对应的智能数据的已监控量、对应的智能数据的监控量标准、对应的智能数据的监控范围、以及对应的智能数据的监控量上限中的至少一种；

所述全局数据包括：系统中的所述第一分类智能数据的全局折损率、系统中的所述第一分类智能数据的平均损耗率、系统中的所述第二分类智能数据的平均损耗率、以及系统中的所述第二分类智能数据的平均实时采集的监控数据中的至少一种；

所述监控角度特征包括：对应的智能数据监控指示关联的范围数据、对应的智能数据监控指示关联的坐标数据、以及对应的智能数据监控指示关联的集成数据中的至少一种。

进一步地，所述获取智能数据监控指示之前，还包括：

获取所述参考智能数据监控指示的待选智能数据集合中的各个指定样本智能数据的状态数据；

所述指定样本智能数据是所述参考智能数据监控指示的待选智能数据集合中的所述第一分类智能数据；

通过第一特征训练模型对所述各个指定样本智能数据的状态数据进行处理，获得样本监控特征训练；

所述样本监控特征训练用于指示所述参考智能数据监控指示的待选智能数据集合中的目标样本智能数据；

通过所述样本监控特征训练对所述样本集成环境中的智能数据的状态数据进行更新；

基于更新前后的所述样本集成环境中的智能数据的状态数据，获取修正参数；

基于所述修正参数对参数修正模型进行更新；

通过所述参数修正模型对所述样本监控特征训练的评价结果，对所述第一特征训练模型进行更新；

基于更新后的所述第一特征训练模型，获取所述目标特征训练模型。

进一步地，所述基于更新前后的所述样本集成环境中的智能数据的状态数据，获取修正参数，包括：

基于更新前后的所述样本集成环境中的智能数据的状态数据，获取浮动参数，所述浮动参数包括所述样本集成环境中的所述第一分类智能数据的全局折损率的范围参数、所述样本集成环境中的所述第一分类智能数据的平均损耗率的范围参数、以及所述样本集成环境中的所述第二分类智能数据的平均实时采集的监控数据的范围参数中的至少一种；

基于所述浮动参数获取所述修正参数。

进一步地，所述基于所述浮动参数获取所述修正参数，包括：

对所述浮动参数中的各项范围参数进行权重处理，获得权重处理结果；基于所述权重处理结果获取所述修正参数。

进一步地，第一特征训练模型包括优先特征训练模型和模拟特征训练模型；所述样本监控特征训练包括所述优先特征训练模型输出的优先监控特征训练，以及所述模拟特征训练模型输出的模拟监控特征训练；所述优先监控特征训练是优先从所述第一分类智能数据中选择所述目标样本智能数据的特征训练；所述模拟监控特征训练是基于所述监控范围参数对所述第一分类智能数据和所述第二分类智能数据进行混合排序并选择所述目标样本智能数据的特征训练；所述基于更新前后的所述样本集成环境中的智能数据的状态数据，获取浮动参数，包括：

基于第一状态数据获取第一浮动参数，所述第一状态数据是通过所述优先监控特征训练对所述样本集成环境中的智能数据的状态数据进行更新前后的状态数据；

基于第二状态数据获取第二浮动参数，所述第二状态数据是通过所述模拟监控特征训练对所述样本集成环境中的智能数据的状态数据进行更新前后的状态数据；

所述基于所述浮动参数获取所述修正参数，包括：获取所述第二浮动参数相对于所述第一浮动参数的增加占比；基于所述增加占比，获取所述修正参数。

进一步地，所述基于更新后的所述第一特征训练模型，获取所述目标特征训练模型，包括：

将更新后的所述第一特征训练模型中的所述模拟特征训练模型，获取为所述目标特征训练模型。

进一步地，所述基于所述修正参数对参数修正模型进行更新，包括：

获取连续n个所述参考智能数据监控指示对应的修正参数；其中，n≥2，且n为整数；

对连续n个所述参考智能数据监控指示对应的修正参数进行叠加，获得叠加修正参数；基于所述叠加修正参数，对所述参数修正模型进行更新。

第二方面，提供一种云服务器，包括：存储器，用于存储计算机程序；与所述存储器连接的处理器，用于执行该存储器存储的计算机程序，以实现上述的方法。

第三方面，一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，该计算机程序运行时执行上述的方法。

本申请实施例所提供的一种多智能体的集成数据的监控方法及云服务器，通过由两种不同分类的智能数据组成的样本集成环境来强化学习得到目标特征训练模型，后续接收到智能数据监控指示时，通过该目标特征训练模型来处理待选智能数据集合中第一分类智能数据的状态数据，根据目标特征训练模型得到的第一分类智能数据的监控范围参数，以及待选智能数据集合中第二分类智能数据的监控范围参数，从各个智能数据中选择出的目标智能数据，也就是说，对一个智能数据监控指示，通过一个强化学习得到的特征训练模型，从两种不同分类的智能数据中选择一个智能数据作为目标智能数据进行监控，从而实现对两种分类智能数据的混合控制，从而使得系统中的智能数据监控位置能够得到完整的监控，进而提高智能数据监控的模型计算的准确率。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本申请实施例所提供的一种多智能体的集成数据的监控方法的流程图。

图2为本申请实施例所提供的一种多智能体的集成数据的监控装置的框图。

图3为本申请实施例所提供的一种多智能体的集成数据的监控系统的架构图。

具体实施方式

为了更好的理解上述技术方案，下面通过附图以及具体实施例对本申请技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。

为改善如背景技术所述的技术问题，发明人创新性地提出了一种多智能体的集成数据的监控方法及云服务器，该方案可以通过两种不同分类的样本集成环境来强化学习得到目标特征训练模型，后续接收到智能数据监控指示时，通过目标特征训练模型来处理待选智能数据集合中第一分类智能数据的状态数据，根据目标特征训练模型得到的第一分类智能数据的监控范围参数以及待选智能数据集合中第二分类智能数据的监控范围参数选择出的目标智能数据，对一个智能数据监控指示，通过一个强化学习得到的特征训练模型，从两种不同分类的智能数据中选择一个智能数据作为目标智能数据进行监控，实现对两种分类智能数据的混合控制，使得系统中的智能数据监控位置能够得到完整的监控，提高智能数据监控的模型计算的准确率。

请参阅图1，示出了一种多智能体的集成数据的监控方法，该方法可以应用于风险账号防入侵识别系统，该方法可以包括以下步骤100-步骤600所描述的技术方案。

步骤100，获取智能数据监控指示，所述智能数据监控指示用于指示在指定的智能数据监控范围上监控智能数据。

举例而言，

步骤200，获取所述智能数据监控指示的待选智能数据集合，所述待选智能数据集合中包含第一分类智能数据和第二分类智能数据。

举例而言，所述第一分类智能数据是具有监控频率标准的智能数据，所述第二分类智能数据是通过实时采集的监控数据中筛选监控位置的智能数据。

步骤300，获取所述智能数据监控指示的待选智能数据集合中的各个智能数据的监控范围参数。

举例而言，

步骤400，所述监控范围参数用于指示对应的智能数据被发送至所述指定的智能数据监控范围进行监控的系数。

举例而言，所述第一分类智能数据的所述监控范围参数，是通过目标特征训练模型对所述第一分类智能数据的状态数据进行处理后得到的；所述目标特征训练模型是通过对样本集成环境进行强化学习搜索得到的，所述样本集成环境是由至少两个参考智能数据监控指示的待选智能数据集合中的智能数据组成的。

步骤500，基于所述各个智能数据的监控范围参数获取目标智能数据。

举例而言，

步骤600，将所述目标智能数据发送至所述指定的智能数据监控范围进行监控。

举例而言，

可以理解，在执行上述步骤100-步骤600所描述的技术方案时，通过由两种不同分类的智能数据组成的样本集成环境来强化学习得到目标特征训练模型，后续接收到智能数据监控指示时，通过该目标特征训练模型来处理待选智能数据集合中第一分类智能数据的状态数据，根据目标特征训练模型得到的第一分类智能数据的监控范围参数，以及待选智能数据集合中第二分类智能数据的监控范围参数，从各个智能数据中选择出的目标智能数据，也就是说，对一个智能数据监控指示，通过一个强化学习得到的特征训练模型，从两种不同分类的智能数据中选择一个智能数据作为目标智能数据进行监控，从而实现对两种分类智能数据的混合控制，从而使得系统中的智能数据监控位置能够得到完整的监控，进而提高智能数据监控的模型计算的准确率。

在一种可替换的实施例中，发明人发现，状态数据包括智能数据组数据、全局数据和监控角度特征数据中的至少一种；所述智能数据组数据具体包括以下步骤q1-步骤q3所描述的技术方案。

步骤q1，对应的智能数据的标签、对应的智能数据监控范围的标签、对应的智能数据的已监控量、对应的智能数据的监控量标准、对应的智能数据的监控范围、以及对应的智能数据的监控量上限中的至少一种。

步骤q2，所述全局数据包括：系统中的所述第一分类智能数据的全局折损率、系统中的所述第一分类智能数据的平均损耗率、系统中的所述第二分类智能数据的平均损耗率、以及系统中的所述第二分类智能数据的平均实时采集的监控数据中的至少一种。

步骤q3，所述监控角度特征包括：对应的智能数据监控指示关联的范围数据、对应的智能数据监控指示关联的坐标数据、以及对应的智能数据监控指示关联的集成数据中的至少一种。

可以理解，在执行上述步骤q1-步骤q3所描述的技术方案时，对每一种状态数据进行具体情况的分析，有效地提高了状态数据的完整性。

基于上述基础，获取智能数据监控指示之前，还可以包括以下步骤w1-步骤w9所描述的技术方案。

步骤w1，获取所述参考智能数据监控指示的待选智能数据集合中的各个指定样本智能数据的状态数据。

步骤w2，所述指定样本智能数据是所述参考智能数据监控指示的待选智能数据集合中的所述第一分类智能数据。

步骤w3，通过第一特征训练模型对所述各个指定样本智能数据的状态数据进行处理，获得样本监控特征训练。

步骤w4，所述样本监控特征训练用于指示所述参考智能数据监控指示的待选智能数据集合中的目标样本智能数据。

步骤w5，通过所述样本监控特征训练对所述样本集成环境中的智能数据的状态数据进行更新。

步骤w6，基于更新前后的所述样本集成环境中的智能数据的状态数据，获取修正参数。

步骤w7，基于所述修正参数对参数修正模型进行更新。

步骤w8，通过所述参数修正模型对所述样本监控特征训练的评价结果，对所述第一特征训练模型进行更新。

步骤w9，基于更新后的所述第一特征训练模型，获取所述目标特征训练模型。

可以理解，在执行上步骤w1-步骤w9所描述的技术方案时，通过将状态数据进行模型计算，这样有效地降低了误差范围，将计算后的结构反馈到模型中，从而提高了模型计算的准确性。

在一种可替换的实施例中，发明人发现，基于更新前后的所述样本集成环境中的智能数据的状态数据，存在相关数据浮动导致的范围不精确的问题，从而难以精确地获取修正参数，为了改善上述技术问题，步骤w6所描述的基于更新前后的所述样本集成环境中的智能数据的状态数据，获取修正参数的步骤，具体可以包括以下步骤w6a1和步骤w6a2所描述的技术方案。

步骤w6a1，基于更新前后的所述样本集成环境中的智能数据的状态数据，获取浮动参数，所述浮动参数包括所述样本集成环境中的所述第一分类智能数据的全局折损率的范围参数、所述样本集成环境中的所述第一分类智能数据的平均损耗率的范围参数、以及所述样本集成环境中的所述第二分类智能数据的平均实时采集的监控数据的范围参数中的至少一种。

步骤w6a2，基于所述浮动参数获取所述修正参数。

可以理解，在执行上述步骤w6a1和步骤w6a2所描述的技术方案时，基于更新前后的所述样本集成环境中的智能数据的状态数据，避免相关数据浮动导致的范围不精确的问题，从而能够精确地获取修正参数。

在一种可替换的实施例中，发明人发现，基于所述浮动参数时，存在浮动参数权重不准确的问题，从而难以准确地获取所述修正参数，为了改善上述技术问题，步骤w6a2所描述的基于所述浮动参数获取所述修正参数的步骤，具体可以包括以下步骤w6a2a所描述的技术方案。

步骤w6a2a，对所述浮动参数中的各项范围参数进行权重处理，获得权重处理结果；基于所述权重处理结果获取所述修正参数。

可以理解，在执行上述步骤w6a2a所描述的技术方案时，基于所述浮动参数时，避免浮动参数权重不准确的问题，从而能够准确地获取所述修正参数。

在一种可替换的实施例中，发明人发现，第一特征训练模型包括优先特征训练模型和模拟特征训练模型；所述样本监控特征训练包括所述优先特征训练模型输出的优先监控特征训练，以及所述模拟特征训练模型输出的模拟监控特征训练；所述优先监控特征训练是优先从所述第一分类智能数据中选择所述目标样本智能数据的特征训练；所述模拟监控特征训练是基于所述监控范围参数对所述第一分类智能数据和所述第二分类智能数据进行混合排序并选择所述目标样本智能数据的特征训练；所述基于更新前后的所述样本集成环境中的智能数据的状态数据，获取浮动参数的步骤，具体可以包括以下步骤e1-步骤e3所描述的技术方案。

步骤e1，基于第一状态数据获取第一浮动参数，所述第一状态数据是通过所述优先监控特征训练对所述样本集成环境中的智能数据的状态数据进行更新前后的状态数据。

步骤e2，基于第二状态数据获取第二浮动参数，所述第二状态数据是通过所述模拟监控特征训练对所述样本集成环境中的智能数据的状态数据进行更新前后的状态数据。

步骤e3，所述基于所述浮动参数获取所述修正参数，包括：获取所述第二浮动参数相对于所述第一浮动参数的增加占比；基于所述增加占比，获取所述修正参数

可以理解，在执行上述步骤e1-步骤e3所描述的技术方案时，通过第一状态数据获取第一浮动参数以及第二状态数据获取第二浮动参数多维度的进行分析，能够准确的根据浮动参数获取修正参数。

在一种可替换的实施例中，发明人发现，基于更新后的所述第一特征训练模型，存在更新不准确的问题，从而难以准确地获取所述目标特征训练模型，为了改善上述技术问题，步骤w9所描述的基于更新后的所述第一特征训练模型，获取所述目标特征训练模型的步骤，具体可以包括以下步骤w9a1所描述的技术方案。

步骤w9a1，将更新后的所述第一特征训练模型中的所述模拟特征训练模型，获取为所述目标特征训练模型。

可以理解，在执行上述步骤w9a1所描述的技术方案时，基于更新后的所述第一特征训练模型，避免更新不准确的问题，从而能够准确地获取所述目标特征训练模型。

在一种可替换的实施例中，发明人发现，基于所述修正参数对参数修正模型进行更新，存在多个参考智能数据监控指示对应的修正参数的问题，从而难以精确地对参数修正模型进行更新，为了改善上述技术问题，步骤w7所描述的基于所述修正参数对参数修正模型进行更新的步骤，具体可以包括以下步骤w7a1和步骤w7a2所描述的技术方案。

步骤w7a1，获取连续n个所述参考智能数据监控指示对应的修正参数；其中，n≥2，且n为整数。

步骤w7a2，对连续n个所述参考智能数据监控指示对应的修正参数进行叠加，获得叠加修正参数；基于所述叠加修正参数，对所述参数修正模型进行更新。

可以理解，在执行上述步骤w7a1和步骤w7a2所描述的技术方案时，基于所述修正参数对参数修正模型进行更新，避免多个参考智能数据监控指示对应的修正参数的问题，从而能够精确地对参数修正模型进行更新。

在一种可替换的实施例中，发明人发现，对连续n个所述参考智能数据监控指示对应的修正参数进行叠加，存在折损的技术问题，从而难以准确地获得叠加修正参数，为了改善上述技术问题，步骤步骤w7a2所描述的对连续n个所述参考智能数据监控指示对应的修正参数进行叠加，获得叠加修正参数的步骤，具体可以包括以下步骤f1所描述的技术方案。

步骤f1，基于指定的折损系数，对连续n个所述参考智能数据监控指示对应的修正参数进行叠加，获得所述叠加修正参数。

可以理解，在执行上述步骤f1所描述的技术方案时，对连续n个所述参考智能数据监控指示对应的修正参数进行叠加，避免折损的技术问题，从而能够准确地获得叠加修正参数。

在上述基础上，请结合参阅图2，提供了一种多智能体的集成数据的监控装置200，应用于云服务器，所述装置包括：

智能数据指示模块210，用于获取智能数据监控指示，所述智能数据监控指示用于指示在指定的智能数据监控范围上监控智能数据；

监控数据获取模块220，用于获取所述智能数据监控指示的待选智能数据集合，所述待选智能数据集合中包含第一分类智能数据和第二分类智能数据；其中，所述第一分类智能数据是具有监控频率标准的智能数据，所述第二分类智能数据是通过实时采集的监控数据中筛选监控位置的智能数据；

范围参数获取模块230，用于获取所述智能数据监控指示的待选智能数据集合中的各个智能数据的监控范围参数；

监控系数指示模块240，用于所述监控范围参数用于指示对应的智能数据被发送至所述指定的智能数据监控范围进行监控的系数；其中，所述第一分类智能数据的所述监控范围参数，是通过目标特征训练模型对所述第一分类智能数据的状态数据进行处理后得到的；其中，所述目标特征训练模型是通过对样本集成环境进行强化学习搜索得到的，所述样本集成环境是由至少两个参考智能数据监控指示的待选智能数据集合中的智能数据组成的；

智能数据获取模块250，用于基于所述各个智能数据的监控范围参数获取目标智能数据；

智能数据监控模块260，用于将所述目标智能数据发送至所述指定的智能数据监控范围进行监控。

在上述基础上，请结合参阅图3，示出了一种多智能体的集成数据的监控系统300，包括互相之间通信的处理器310和存储器320，所述处理器310用于从所述存储器320中读取计算机程序并执行，以实现上述的方法。

本申请提供了一种云服务器，包括：存储器，用于存储计算机程序；与所述存储器连接的处理器，用于执行该存储器存储的计算机程序，以实上述的方法。

在上述基础上，还提供了一种计算机可读存储介质，其上存储的计算机程序在运行时实现上述的方法。

综上，基于上述方案，通过由两种不同分类的智能数据组成的样本集成环境来强化学习得到目标特征训练模型，后续接收到智能数据监控指示时，通过该目标特征训练模型来处理待选智能数据集合中第一分类智能数据的状态数据，根据目标特征训练模型得到的第一分类智能数据的监控范围参数，以及待选智能数据集合中第二分类智能数据的监控范围参数，从各个智能数据中选择出的目标智能数据，也就是说，对一个智能数据监控指示，通过一个强化学习得到的特征训练模型，从两种不同分类的智能数据中选择一个智能数据作为目标智能数据进行监控，从而实现对两种分类智能数据的混合控制，从而使得系统中的智能数据监控位置能够得到完整的监控，进而提高智能数据监控的模型计算的准确率。

应当理解，上述所示的系统及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。

需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。

同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。

本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。

此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有适应性的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。

最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (5)

1.一种多智能体的集成数据的监控方法，其特征在于，所述方法包括：

获取智能数据监控指示，所述智能数据监控指示用于指示在指定的智能数据监控范围上监控智能数据；

获取所述智能数据监控指示的待选智能数据集合，所述待选智能数据集合中包含第一分类智能数据和第二分类智能数据；其中，所述第一分类智能数据是具有监控频率标准的智能数据，所述第二分类智能数据是通过实时采集的监控数据中筛选监控位置的智能数据；

获取所述智能数据监控指示的待选智能数据集合中的各个智能数据的监控范围参数；

所述监控范围参数用于指示对应的智能数据被发送至所述指定的智能数据监控范围进行监控的系数；其中，所述第一分类智能数据的所述监控范围参数，是通过目标特征训练模型对所述第一分类智能数据的状态数据进行处理后得到的；所述目标特征训练模型是通过对样本集成环境进行强化学习搜索得到的，所述样本集成环境是由至少两个参考智能数据监控指示的待选智能数据集合中的智能数据组成的；

基于所述各个智能数据的监控范围参数获取目标智能数据；

将所述目标智能数据发送至所述指定的智能数据监控范围进行监控；

其中，所述状态数据包括智能数据组数据、全局数据和监控角度特征数据中的至少一种；所述智能数据组数据包括：

对应的智能数据的标签、对应的智能数据监控范围的标签、对应的智能数据的已监控量、对应的智能数据的监控量标准、对应的智能数据的监控范围、以及对应的智能数据的监控量上限中的至少一种；

所述全局数据包括：系统中的所述第一分类智能数据的全局折损率、系统中的所述第一分类智能数据的平均损耗率、系统中的所述第二分类智能数据的平均损耗率、以及系统中的所述第二分类智能数据的平均实时采集的监控数据中的至少一种；

所述监控角度特征包括：对应的智能数据监控指示关联的范围数据、对应的智能数据监控指示关联的坐标数据、以及对应的智能数据监控指示关联的集成数据中的至少一种；

其中，所述获取智能数据监控指示之前，还包括：

获取所述参考智能数据监控指示的待选智能数据集合中的各个指定样本智能数据的状态数据；

所述指定样本智能数据是所述参考智能数据监控指示的待选智能数据集合中的所述第一分类智能数据；

通过第一特征训练模型对所述各个指定样本智能数据的状态数据进行处理，获得样本监控特征训练；

所述样本监控特征训练用于指示所述参考智能数据监控指示的待选智能数据集合中的目标样本智能数据；

通过所述样本监控特征训练对所述样本集成环境中的智能数据的状态数据进行更新；

基于更新前后的所述样本集成环境中的智能数据的状态数据，获取修正参数；

基于所述修正参数对参数修正模型进行更新；

通过所述参数修正模型对所述样本监控特征训练的评价结果，对所述第一特征训练模型进行更新；

基于更新后的所述第一特征训练模型，获取所述目标特征训练模型；

其中，所述基于更新前后的所述样本集成环境中的智能数据的状态数据，获取修正参数，包括：

基于更新前后的所述样本集成环境中的智能数据的状态数据，获取浮动参数，所述浮动参数包括所述样本集成环境中的所述第一分类智能数据的全局折损率的范围参数、所述样本集成环境中的所述第一分类智能数据的平均损耗率的范围参数、以及所述样本集成环境中的所述第二分类智能数据的平均实时采集的监控数据的范围参数中的至少一种；

基于所述浮动参数获取所述修正参数；

其中，所述基于所述浮动参数获取所述修正参数，包括：

对所述浮动参数中的各项范围参数进行权重处理，获得权重处理结果；基于所述权重处理结果获取所述修正参数；

其中，第一特征训练模型包括优先特征训练模型和模拟特征训练模型；所述样本监控特征训练包括所述优先特征训练模型输出的优先监控特征训练，以及所述模拟特征训练模型输出的模拟监控特征训练；所述优先监控特征训练是优先从所述第一分类智能数据中选择所述目标样本智能数据的特征训练；所述模拟监控特征训练是基于所述监控范围参数对所述第一分类智能数据和所述第二分类智能数据进行混合排序并选择所述目标样本智能数据的特征训练；所述基于更新前后的所述样本集成环境中的智能数据的状态数据，获取浮动参数，包括：

基于第一状态数据获取第一浮动参数，所述第一状态数据是通过所述优先监控特征训练对所述样本集成环境中的智能数据的状态数据进行更新前后的状态数据；

基于第二状态数据获取第二浮动参数，所述第二状态数据是通过所述模拟监控特征训练对所述样本集成环境中的智能数据的状态数据进行更新前后的状态数据；

所述基于所述浮动参数获取所述修正参数，包括：获取所述第二浮动参数相对于所述第一浮动参数的增加占比；基于所述增加占比，获取所述修正参数。

2.根据权利要求1所述的方法，其特征在于，所述基于更新后的所述第一特征训练模型，获取所述目标特征训练模型，包括：

将更新后的所述第一特征训练模型中的所述模拟特征训练模型，获取为所述目标特征训练模型。

3.根据权利要求1所述的方法，其特征在于，所述基于所述修正参数对参数修正模型进行更新，包括：

获取连续n个所述参考智能数据监控指示对应的修正参数；其中，n≥2，且n为整数；

对连续n个所述参考智能数据监控指示对应的修正参数进行叠加，获得叠加修正参数；基于所述叠加修正参数，对所述参数修正模型进行更新。

4.一种云服务器，其特征在于，包括：

存储器，用于存储计算机程序；

与所述存储器连接的处理器，用于执行该存储器存储的计算机程序，以实现权利要求1-3任意一项所述的方法。

5.一种计算机可读存储介质，其特征在于，该计算机可读存储介质中存储有计算机程序，该计算机程序运行时执行权利要求1-3任意一项所述的方法。

Images