CN113608689B - 基于边缘计算的数据缓存方法及系统 - Google Patents
基于边缘计算的数据缓存方法及系统 Download PDFInfo
- Publication number
- CN113608689B CN113608689B CN202110804085.9A CN202110804085A CN113608689B CN 113608689 B CN113608689 B CN 113608689B CN 202110804085 A CN202110804085 A CN 202110804085A CN 113608689 B CN113608689 B CN 113608689B
- Authority
- CN
- China
- Prior art keywords
- operation data
- error
- target
- data
- interactive operation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000004364 calculation method Methods 0.000 title claims abstract description 12
- 230000002452 interceptive effect Effects 0.000 claims abstract description 170
- 230000003993 interaction Effects 0.000 claims description 115
- 239000011159 matrix material Substances 0.000 claims description 62
- 238000013528 artificial neural network Methods 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000013524 data verification Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000003139 buffering effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000579895 Chlorostilbon Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000010976 emerald Substances 0.000 description 1
- 229910052876 emerald Inorganic materials 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
- G06F3/0601—Interfaces specially adapted for storage systems
- G06F3/0628—Interfaces specially adapted for storage systems making use of a particular technique
- G06F3/0655—Vertical data movement, i.e. input-output transfer; data movement between one or more hosts and one or more storage devices
- G06F3/0656—Data buffering arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
- G06F3/0601—Interfaces specially adapted for storage systems
- G06F3/0602—Interfaces specially adapted for storage systems specifically adapted to achieve a particular effect
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本申请提供的基于边缘计算的数据缓存方法及系统，误差校验线程可以通过多个参考目标交互操作数据和各个参考目标交互操作数据对应的基准误差进行配置，由于各个参考目标交互操作数据对应的基准误差为基于误差统计设备获取的该参考目标交互操作数据采集的场景的基准要求计算的该参考目标交互操作数据的误差，而误差统计设备可以检测各种场景中用户的基准数据缓存要求，使得本申请实施例中的误差校验线程适用范围更广，且提高了数据缓存的效率。
Description
技术领域
本申请涉及数据处理技术领域，具体而言，涉及基于边缘计算的数据缓存方法及系统。
背景技术
随着边缘计算的不断发展，边缘计算的速度越来越快，这样就会产生大量的相关数据量，就可能导致计算后的相关数据不能及时和准确的进行存储，容易发生数据丢失的情况，所以急需一种数据缓存的技术，来解决上述问题。
发明内容
鉴于此，本申请提供了基于边缘计算的数据缓存方法及系统。
第一方面，提供一种基于边缘计算的数据缓存方法，所述方法包括：
获取待处理目标交互操作数据，所述待处理目标交互操作数据为同一被采集用户对应的两个不同传输轨迹的采集交互操作数据；
将所述待处理目标交互操作数据输入误差校验线程，并获取所述误差校验线程校验的所述待处理目标交互操作数据之间的误差；其中，所述误差校验线程为基于多个参考目标交互操作数据和各个参考目标交互操作数据对应的基准误差对卷曲神经网络线程进行配置后得到的线程，各个参考目标交互操作数据对应的基准误差为：基于误差统计设备获取的该参考目标交互操作数据对应的被采集用户的基准要求，计算的该参考目标交互操作数据的误差；
根据所述误差进行修正，并将修正后的数据进行缓存。
进一步地，所述各个参考目标交互操作数据对应的基准误差通过以下程序获取：
通过误差统计设备，获取该参考目标交互操作数据中的任一一个参考交互操作数据包括的各个关键交互内容对应的被采集用户相对于采集该参考目标交互操作数据的两个基准要求，所述被采集用户到所述两个基准要求相似；
对于所述参考交互操作数据包括的各个关键交互内容，基于采集所述参考交互操作数据的第一的差异、所述两个误差数据之间的描述方式以及该关键交互内容对应的被采集用户相对于所述两个基准要求，确定该关键交互内容对应的基准误差。
进一步地，所述通过误差统计设备，获取该参考目标交互操作数据中的任一一个参考交互操作数据包括的各个关键交互内容对应的被采集用户相对于采集该参考目标交互操作数据的两个基准要求，包括：
在采集所述参考交互操作数据的同时，利用所述误差统计设备获取所述参考交互操作数据的特征向量中的各关键交互内容在所述误差统计设备的标准误差矩阵下的相似关系；
根据第一误差数据与所述误差统计设备的标准误差矩阵之间的第一相似关系匹配度，将所述误差统计设备获取的各相似关系投影到第一标准误差矩阵，获得所述第一标准误差矩阵下的各关键交互内容的相似关系，所述第一标准误差矩阵下各个关键交互内容的相似关系包括该关键交互内容对应的被采集用户与所述第一误差数据之间的第一差异向量、第二差异向量和第三差异向量；
根据所述交互操作数据的标准误差矩阵与所述第一标准误差矩阵之间的第二相似关系匹配度，对于所述参考交互操作数据包括的各个关键交互内容，获取该关键交互内容的相似关系在所述第一标准误差矩阵下对应的目标相似关系，并从所述目标相似关系中筛选差异路径作为该关键交互内容对应的被采集用户相对于所述两个基准要求。
进一步地，所述误差校验线程通过以下方式配置获得：
获取多个参考目标交互操作数据，并获取各个参考目标交互操作数据对应的基准误差；
将所述多个参考目标交互操作数据输入所述卷曲神经网络线程；
获取所述卷曲神经网络线程对输入的参考目标交互操作数据校验的误差；
基于所述卷曲神经网络线程对输入的参考目标交互操作数据校验的误差和输入的参考交互操作数据对应的基准误差，计算模型评估信息向量；
根据所述模型评估信息向量判断所述卷曲神经网络线程是否计算错误；
如果所述卷曲神经网络线程计算错误，则得到所述误差校验线程；
如果所述卷曲神经网络线程未计算错误，则优化所述卷曲神经网络线程包括的各网络层对应的误差比例系数，进行下一轮配置。
进一步地，在所述获取所述误差校验线程校验的所述待处理目标交互操作数据之间的误差之后，所述方法还包括：
根据所述误差，计算所述待处理目标交互操作数据对应的被采集用户的方式，得到所述待处理目标交互操作数据对应的被采集用户在目标标准误差矩阵下的相似关系，所述目标标准误差矩阵为采集所述待处理目标交互操作数据的两个误差数据中任一的标准误差矩阵；
根据所述待处理目标交互操作数据对应的被采集用户在所述目标标准误差矩阵下的相似关系，生成目标交互数据；
其中，所述待处理目标交互操作数据为目标交互操作数据上的目标在所述目标交互操作数据操作过程中采集的交互操作数据；在所述获取所述误差校验线程校验的所述待处理目标交互操作数据之间的误差之后，所述方法还包括：
根据所述误差，计算所述待处理目标交互操作数据对应的被采集用户的方式；
在所述待处理目标交互操作数据对应的被采集用户的方式满足实现设置的特征向量时，指示所述目标交互操作数据执行缓存操作。
第二方面，提供一种基于边缘计算的数据缓存系统，包括数据采集端和数据处理终端，所述数据采集端和所述数据处理终端通信连接，所述数据处理终端具体用于：
获取待处理目标交互操作数据，所述待处理目标交互操作数据为同一被采集用户对应的两个不同传输轨迹的采集交互操作数据；
将所述待处理目标交互操作数据输入误差校验线程，并获取所述误差校验线程校验的所述待处理目标交互操作数据之间的误差；其中，所述误差校验线程为基于多个参考目标交互操作数据和各个参考目标交互操作数据对应的基准误差对卷曲神经网络线程进行配置后得到的线程，各个参考目标交互操作数据对应的基准误差为：基于误差统计设备获取的该参考目标交互操作数据对应的被采集用户的基准要求，计算的该参考目标交互操作数据的误差；
根据所述误差进行修正，并将修正后的数据进行缓存。
进一步地，所述数据处理终端具体用于：
通过误差统计设备，获取该参考目标交互操作数据中的任一一个参考交互操作数据包括的各个关键交互内容对应的被采集用户相对于采集该参考目标交互操作数据的两个基准要求，所述被采集用户到所述两个基准要求相似；
对于所述参考交互操作数据包括的各个关键交互内容，基于采集所述参考交互操作数据的第一的差异、所述两个误差数据之间的描述方式以及该关键交互内容对应的被采集用户相对于所述两个基准要求，确定该关键交互内容对应的基准误差。
进一步地，所述数据处理终端具体用于：
在采集所述参考交互操作数据的同时，利用所述误差统计设备获取所述参考交互操作数据的特征向量中的各关键交互内容在所述误差统计设备的标准误差矩阵下的相似关系；
根据第一误差数据与所述误差统计设备的标准误差矩阵之间的第一相似关系匹配度，将所述误差统计设备获取的各相似关系投影到第一标准误差矩阵，获得所述第一标准误差矩阵下的各关键交互内容的相似关系，所述第一标准误差矩阵下各个关键交互内容的相似关系包括该关键交互内容对应的被采集用户与所述第一误差数据之间的第一差异向量、第二差异向量和第三差异向量；
根据所述交互操作数据的标准误差矩阵与所述第一标准误差矩阵之间的第二相似关系匹配度，对于所述参考交互操作数据包括的各个关键交互内容，获取该关键交互内容的相似关系在所述第一标准误差矩阵下对应的目标相似关系，并从所述目标相似关系中筛选差异路径作为该关键交互内容对应的被采集用户相对于所述两个基准要求。
进一步地，所述数据处理终端具体用于：
获取多个参考目标交互操作数据，并获取各个参考目标交互操作数据对应的基准误差；
将所述多个参考目标交互操作数据输入所述卷曲神经网络线程；
获取所述卷曲神经网络线程对输入的参考目标交互操作数据校验的误差；
基于所述卷曲神经网络线程对输入的参考目标交互操作数据校验的误差和输入的参考交互操作数据对应的基准误差，计算模型评估信息向量；
根据所述模型评估信息向量判断所述卷曲神经网络线程是否计算错误；
如果所述卷曲神经网络线程计算错误，则得到所述误差校验线程；
如果所述卷曲神经网络线程未计算错误，则优化所述卷曲神经网络线程包括的各网络层对应的误差比例系数，进行下一轮配置。
进一步地，所述数据处理终端具体还用于：
根据所述误差，计算所述待处理目标交互操作数据对应的被采集用户的方式，得到所述待处理目标交互操作数据对应的被采集用户在目标标准误差矩阵下的相似关系，所述目标标准误差矩阵为采集所述待处理目标交互操作数据的两个误差数据中任一的标准误差矩阵；
根据所述待处理目标交互操作数据对应的被采集用户在所述目标标准误差矩阵下的相似关系，生成目标交互数据；
其中，所述数据处理终端具体还用于：
根据所述误差，计算所述待处理目标交互操作数据对应的被采集用户的方式；
在所述待处理目标交互操作数据对应的被采集用户的方式满足实现设置的特征向量时，指示所述目标交互操作数据执行缓存操作。
本申请实施例所提供的基于边缘计算的数据缓存方法及系统，误差校验线程可以通过多个参考目标交互操作数据和各个参考目标交互操作数据对应的基准误差进行配置，由于各个参考目标交互操作数据对应的基准误差为基于误差统计设备获取的该参考目标交互操作数据采集的场景的基准要求计算的该参考目标交互操作数据的误差，而误差统计设备可以检测各种场景中用户的基准数据缓存要求，使得本申请实施例中的误差校验线程适用范围更广，且提高了数据缓存的效率。
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基于边缘计算的数据缓存方法的流程图。
图2为本申请实施例所提供的一种基于边缘计算的数据缓存装置的框图。
图3为本申请实施例所提供的一种基于边缘计算的数据缓存系统的架构图。
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。
请参阅图1，示出了一种基于边缘计算的数据缓存方法，该方法可以包括以下步骤100-步骤300所描述的技术方案。
步骤100，获取待处理目标交互操作数据，所述待处理目标交互操作数据为同一被采集用户对应的两个不同传输轨迹的采集交互操作数据。
举例而言，待处理目标交互操作数据用于表征互动数据(比如：语音交流以及文字交流等)。
步骤200，将所述待处理目标交互操作数据输入误差校验线程，并获取所述误差校验线程校验的所述待处理目标交互操作数据之间的误差；其中，所述误差校验线程为基于多个参考目标交互操作数据和各个参考目标交互操作数据对应的基准误差对卷曲神经网络线程进行配置后得到的线程，各个参考目标交互操作数据对应的基准误差为：基于误差统计设备获取的该参考目标交互操作数据对应的被采集用户的基准要求，计算的该参考目标交互操作数据的误差。
步骤300，根据所述误差进行修正，并将修正后的数据进行缓存。
可以理解，在执行上述步骤100-步骤300所描述的技术方案时，误差校验线程可以通过多个参考目标交互操作数据和各个参考目标交互操作数据对应的基准误差进行配置，由于各个参考目标交互操作数据对应的基准误差为基于误差统计设备获取的该参考目标交互操作数据采集的场景的基准要求计算的该参考目标交互操作数据的误差，而误差统计设备可以检测各种场景中用户的基准数据缓存要求，使得本申请实施例中的误差校验线程适用范围更广，且提高了数据缓存的效率。
在一种可替换的实施例中，发明人发现，各个参考目标交互操作数据对应的基准误差时，存在多个基准要求不可靠的问题，从而难以可靠地得到各个参考目标交互操作数据对应的基准误差，为了改善上述技术问题，步骤200所描述的各个参考目标交互操作数据对应的基准误差的步骤，具体可以包括以下步骤q1和步骤q2所描述的技术方案。
步骤q1，通过误差统计设备，获取该参考目标交互操作数据中的任一一个参考交互操作数据包括的各个关键交互内容对应的被采集用户相对于采集该参考目标交互操作数据的两个基准要求，所述被采集用户到所述两个基准要求相似。
步骤q2，对于所述参考交互操作数据包括的各个关键交互内容，基于采集所述参考交互操作数据的第一的差异、所述两个误差数据之间的描述方式以及该关键交互内容对应的被采集用户相对于所述两个基准要求，确定该关键交互内容对应的基准误差，
可以理解，在执行上述步骤q1和步骤q2所描述的技术方案时，各个参考目标交互操作数据对应的基准误差时，尽可能地避免多个基准要求不可靠的问题，从而能够可靠地得到各个参考目标交互操作数据对应的基准误差。
在一种可替换的实施例中，发明人发现，通过误差统计设备，获取该参考目标交互操作数据中的任一一个参考交互操作数据包括的各个关键交互内容对应的被采集用户相对于采集该参考目标交互操作数据的两个基准要求时，存在误差统计设备的标准误差矩阵下的相似关系不准确的问题，从而难以准确地获取两个基准要求，为了改善上述技术问题，步骤q1所描述的通过误差统计设备，获取该参考目标交互操作数据中的任一一个参考交互操作数据包括的各个关键交互内容对应的被采集用户相对于采集该参考目标交互操作数据的两个基准要求的步骤，具体可以包括以下步骤q11-步骤q13所描述的技术方案。
步骤q11，在采集所述参考交互操作数据的同时，利用所述误差统计设备获取所述参考交互操作数据的特征向量中的各关键交互内容在所述误差统计设备的标准误差矩阵下的相似关系。
步骤q12，根据第一误差数据与所述误差统计设备的标准误差矩阵之间的第一相似关系匹配度，将所述误差统计设备获取的各相似关系投影到第一标准误差矩阵，获得所述第一标准误差矩阵下的各关键交互内容的相似关系，所述第一标准误差矩阵下各个关键交互内容的相似关系包括该关键交互内容对应的被采集用户与所述第一误差数据之间的第一差异向量、第二差异向量和第三差异向量。
步骤q13，根据所述交互操作数据的标准误差矩阵与所述第一标准误差矩阵之间的第二相似关系匹配度，对于所述参考交互操作数据包括的各个关键交互内容，获取该关键交互内容的相似关系在所述第一标准误差矩阵下对应的目标相似关系，并从所述目标相似关系中筛选差异路径作为该关键交互内容对应的被采集用户相对于所述两个基准要求。
可以理解，在执行上述步骤q11-步骤q13所描述的技术方案时，通过误差统计设备，获取该参考目标交互操作数据中的任一一个参考交互操作数据包括的各个关键交互内容对应的被采集用户相对于采集该参考目标交互操作数据的两个基准要求时，尽可能地避免误差统计设备的标准误差矩阵下的相似关系不准确的问题，从而能够准确地获取两个基准要求。
在一种可替换的实施例中，发明人发现，获得误差校验线程时，存在模型计算不精确的问题，从而难以精确地获得误差校验线程，为了改善上述技术问题，步骤200所描述的获得误差校验线程的步骤，具体可以包括以下步骤w1-步骤w7所描述的技术方案。
步骤w1，获取多个参考目标交互操作数据，并获取各个参考目标交互操作数据对应的基准误差。
步骤w2，将所述多个参考目标交互操作数据输入所述卷曲神经网络线程。
步骤w3，获取所述卷曲神经网络线程对输入的参考目标交互操作数据校验的误差。
步骤w4，基于所述卷曲神经网络线程对输入的参考目标交互操作数据校验的误差和输入的参考交互操作数据对应的基准误差，计算模型评估信息向量。
步骤w5，根据所述模型评估信息向量判断所述卷曲神经网络线程是否计算错误。
步骤w6，如果所述卷曲神经网络线程计算错误，则得到所述误差校验线程。
步骤w7，如果所述卷曲神经网络线程未计算错误，则优化所述卷曲神经网络线程包括的各网络层对应的误差比例系数，进行下一轮配置。
可以理解，在执行上述步骤w1-步骤w7所描述的技术方案时，获得误差校验线程时，尽可能地改善模型计算不精确的问题，从而能够精确地获得误差校验线程。
基于上述基础，在所述获取所述误差校验线程校验的所述待处理目标交互操作数据之间的误差之后，还可以包括以下步骤e1和步骤e2所描述的技术方案。
步骤e1，根据所述误差，计算所述待处理目标交互操作数据对应的被采集用户的方式，得到所述待处理目标交互操作数据对应的被采集用户在目标标准误差矩阵下的相似关系，所述目标标准误差矩阵为采集所述待处理目标交互操作数据的两个误差数据中任一的标准误差矩阵。
步骤e2，根据所述待处理目标交互操作数据对应的被采集用户在所述目标标准误差矩阵下的相似关系，生成目标交互数据。
可以理解，在执行上述步骤e1和步骤e2所描述的技术方案时，通过计算所述待处理目标交互操作数据对应的被采集用户的方式，从而提高生成目标交互数据的精度。
基于上述基础，待处理目标交互操作数据为目标交互操作数据上的目标在所述目标交互操作数据操作过程中采集的交互操作数据；在所述获取所述误差校验线程校验的所述待处理目标交互操作数据之间的误差之后，还可以包括以下步骤a1和步骤a2所描述的技术方案。
步骤a1，根据所述误差，计算所述待处理目标交互操作数据对应的被采集用户的方式。
步骤a2，在所述待处理目标交互操作数据对应的被采集用户的方式满足实现设置的特征向量时，指示所述目标交互操作数据执行缓存操作。
可以理解，在执行上述步骤a1和步骤a2所描述的技术方案时，通过计算所述待处理目标交互操作数据对应的被采集用户的方式，从而提高指示所述目标交互操作数据执行缓存操作的完整性。
在上述基础上，请结合参阅图2，提供了一种基于边缘计算的数据缓存装置200，应用于数据处理终端，所述装置包括：
数据获取模块210，用于获取待处理目标交互操作数据，所述待处理目标交互操作数据为同一被采集用户对应的两个不同传输轨迹的采集交互操作数据；
误差计算模块220，用于将所述待处理目标交互操作数据输入误差校验线程，并获取所述误差校验线程校验的所述待处理目标交互操作数据之间的误差；其中，所述误差校验线程为基于多个参考目标交互操作数据和各个参考目标交互操作数据对应的基准误差对卷曲神经网络线程进行配置后得到的线程，各个参考目标交互操作数据对应的基准误差为：基于误差统计设备获取的该参考目标交互操作数据对应的被采集用户的基准要求，计算的该参考目标交互操作数据的误差；
数据缓存模块230，用于根据所述误差进行修正，并将修正后的数据进行缓存。
在上述基础上，请结合参阅图3，示出了一种基于边缘计算的数据缓存系统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。
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，误差校验线程可以通过多个参考目标交互操作数据和各个参考目标交互操作数据对应的基准误差进行配置，由于各个参考目标交互操作数据对应的基准误差为基于误差统计设备获取的该参考目标交互操作数据采集的场景的基准要求计算的该参考目标交互操作数据的误差，而误差统计设备可以检测各种场景中用户的基准数据缓存要求，使得本申请实施例中的误差校验线程适用范围更广，且提高了数据缓存的效率。
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、VisualBasic、Fortran2003、Perl、COBOL2002、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 (10)
1.一种基于边缘计算的数据缓存方法，其特征在于，所述方法包括：
获取待处理目标交互操作数据，所述待处理目标交互操作数据为同一被采集用户对应的两个不同传输轨迹的采集交互操作数据；
将所述待处理目标交互操作数据输入误差校验线程，并获取所述误差校验线程校验的所述待处理目标交互操作数据之间的误差；其中，所述误差校验线程为基于多个参考目标交互操作数据和各个参考目标交互操作数据对应的基准误差对卷曲神经网络线程进行配置后得到的线程，各个参考目标交互操作数据对应的基准误差为：基于误差统计设备获取的该参考目标交互操作数据对应的被采集用户的基准要求，计算的该参考目标交互操作数据的误差；
根据所述误差进行修正，并将修正后的数据进行缓存。
2.根据权利要求1所述的方法，其特征在于，所述各个参考目标交互操作数据对应的基准误差通过以下程序获取：
通过误差统计设备，获取该参考目标交互操作数据中的任一一个参考目标交互操作数据包括的各个关键交互内容对应的被采集用户相对于采集该参考目标交互操作数据的两个基准要求；
对于所述参考目标交互操作数据包括的各个关键交互内容，基于采集所述参考目标交互操作数据的第一的差异、两个误差数据之间的描述方式以及该关键交互内容对应的被采集用户相对于所述两个基准要求，确定该关键交互内容对应的基准误差。
3.根据权利要求2所述的方法，其特征在于，所述通过误差统计设备，获取该参考目标交互操作数据中的任一一个参考目标交互操作数据包括的各个关键交互内容对应的被采集用户相对于采集该参考目标交互操作数据的两个基准要求，包括：
在采集所述参考目标交互操作数据的同时，利用所述误差统计设备获取所述参考目标交互操作数据的特征向量中的各关键交互内容在所述误差统计设备的标准误差矩阵下的相似关系；
根据第一误差数据与所述误差统计设备的标准误差矩阵之间的第一相似关系匹配度，将所述误差统计设备获取的各相似关系投影到第一标准误差矩阵，获得所述第一标准误差矩阵下的各关键交互内容的相似关系，所述第一标准误差矩阵下各个关键交互内容的相似关系包括该关键交互内容对应的被采集用户与所述第一误差数据之间的第一差异向量、第二差异向量和第三差异向量；
根据所述交互操作数据的标准误差矩阵与所述第一标准误差矩阵之间的第二相似关系匹配度，对于所述参考目标交互操作数据包括的各个关键交互内容，获取该关键交互内容的相似关系在所述第一标准误差矩阵下对应的目标相似关系，并从所述目标相似关系中筛选差异路径作为该关键交互内容对应的被采集用户相对于所述两个基准要求。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述误差校验线程通过以下方式配置获得：
获取多个参考目标交互操作数据，并获取各个参考目标交互操作数据对应的基准误差；
将所述多个参考目标交互操作数据输入所述卷曲神经网络线程；
获取所述卷曲神经网络线程对输入的参考目标交互操作数据校验的误差；
基于所述卷曲神经网络线程对输入的参考目标交互操作数据校验的误差和输入的参考目标交互操作数据对应的基准误差，计算模型评估信息向量；
根据所述模型评估信息向量判断所述卷曲神经网络线程是否计算错误；
如果所述卷曲神经网络线程计算错误，则得到所述误差校验线程；
如果所述卷曲神经网络线程未计算错误，则优化所述卷曲神经网络线程包括的各网络层对应的误差比例系数，进行下一轮配置。
5.根据权利要求1-3任一项所述的方法，其特征在于，在所述获取所述误差校验线程校验的所述待处理目标交互操作数据之间的误差之后，所述方法还包括：
根据所述误差，计算所述待处理目标交互操作数据对应的被采集用户的方式，得到所述待处理目标交互操作数据对应的被采集用户在目标标准误差矩阵下的相似关系，所述目标标准误差矩阵为采集所述待处理目标交互操作数据的两个误差数据中任一的标准误差矩阵；
根据所述待处理目标交互操作数据对应的被采集用户在所述目标标准误差矩阵下的相似关系，生成目标交互数据；
其中，所述待处理目标交互操作数据为目标交互操作数据上的目标在所述目标交互操作数据操作过程中采集的交互操作数据；在所述获取所述误差校验线程校验的所述待处理目标交互操作数据之间的误差之后，所述方法还包括：
根据所述误差，计算所述待处理目标交互操作数据对应的被采集用户的方式；
在所述待处理目标交互操作数据对应的被采集用户的方式满足实现设置的特征向量时，指示所述目标交互操作数据执行缓存操作。
6.一种基于边缘计算的数据缓存系统，其特征在于，包括数据采集端和数据处理终端，所述数据采集端和所述数据处理终端通信连接，所述数据处理终端具体用于：
获取待处理目标交互操作数据，所述待处理目标交互操作数据为同一被采集用户对应的两个不同传输轨迹的采集交互操作数据；
将所述待处理目标交互操作数据输入误差校验线程，并获取所述误差校验线程校验的所述待处理目标交互操作数据之间的误差；其中，所述误差校验线程为基于多个参考目标交互操作数据和各个参考目标交互操作数据对应的基准误差对卷曲神经网络线程进行配置后得到的线程，各个参考目标交互操作数据对应的基准误差为：基于误差统计设备获取的该参考目标交互操作数据对应的被采集用户的基准要求，计算的该参考目标交互操作数据的误差；
根据所述误差进行修正，并将修正后的数据进行缓存。
7.根据权利要求6所述的系统，其特征在于，所述数据处理终端具体用于：
通过误差统计设备，获取该参考目标交互操作数据中的任一一个参考目标交互操作数据包括的各个关键交互内容对应的被采集用户相对于采集该参考目标交互操作数据的两个基准要求；
对于所述参考目标交互操作数据包括的各个关键交互内容，基于采集所述参考目标交互操作数据的第一的差异、两个误差数据之间的描述方式以及该关键交互内容对应的被采集用户相对于所述两个基准要求，确定该关键交互内容对应的基准误差。
8.根据权利要求7所述的系统，其特征在于，所述数据处理终端具体用于：
在采集所述参考目标交互操作数据的同时，利用所述误差统计设备获取所述参考目标交互操作数据的特征向量中的各关键交互内容在所述误差统计设备的标准误差矩阵下的相似关系；
根据第一误差数据与所述误差统计设备的标准误差矩阵之间的第一相似关系匹配度，将所述误差统计设备获取的各相似关系投影到第一标准误差矩阵，获得所述第一标准误差矩阵下的各关键交互内容的相似关系，所述第一标准误差矩阵下各个关键交互内容的相似关系包括该关键交互内容对应的被采集用户与所述第一误差数据之间的第一差异向量、第二差异向量和第三差异向量；
根据所述交互操作数据的标准误差矩阵与所述第一标准误差矩阵之间的第二相似关系匹配度，对于所述参考目标交互操作数据包括的各个关键交互内容，获取该关键交互内容的相似关系在所述第一标准误差矩阵下对应的目标相似关系，并从所述目标相似关系中筛选差异路径作为该关键交互内容对应的被采集用户相对于所述两个基准要求。
9.根据权利要求6-8任一项所述的系统，其特征在于，所述数据处理终端具体用于：
获取多个参考目标交互操作数据，并获取各个参考目标交互操作数据对应的基准误差；
将所述多个参考目标交互操作数据输入所述卷曲神经网络线程；
获取所述卷曲神经网络线程对输入的参考目标交互操作数据校验的误差；
基于所述卷曲神经网络线程对输入的参考目标交互操作数据校验的误差和输入的参考目标交互操作数据对应的基准误差，计算模型评估信息向量；
根据所述模型评估信息向量判断所述卷曲神经网络线程是否计算错误；
如果所述卷曲神经网络线程计算错误，则得到所述误差校验线程；
如果所述卷曲神经网络线程未计算错误，则优化所述卷曲神经网络线程包括的各网络层对应的误差比例系数，进行下一轮配置。
10.根据权利要求6-8任一项所述的系统，其特征在于，所述数据处理终端具体还用于：
根据所述误差，计算所述待处理目标交互操作数据对应的被采集用户的方式，得到所述待处理目标交互操作数据对应的被采集用户在目标标准误差矩阵下的相似关系，所述目标标准误差矩阵为采集所述待处理目标交互操作数据的两个误差数据中任一的标准误差矩阵；
根据所述待处理目标交互操作数据对应的被采集用户在所述目标标准误差矩阵下的相似关系，生成目标交互数据；
其中，所述数据处理终端具体还用于：
根据所述误差，计算所述待处理目标交互操作数据对应的被采集用户的方式；
在所述待处理目标交互操作数据对应的被采集用户的方式满足实现设置的特征向量时，指示所述目标交互操作数据执行缓存操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110804085.9A CN113608689B (zh) | 2021-07-16 | 2021-07-16 | 基于边缘计算的数据缓存方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110804085.9A CN113608689B (zh) | 2021-07-16 | 2021-07-16 | 基于边缘计算的数据缓存方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113608689A CN113608689A (zh) | 2021-11-05 |
| CN113608689B true CN113608689B (zh) | 2024-04-02 |
Family
ID=78337686
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110804085.9A Active CN113608689B (zh) | 2021-07-16 | 2021-07-16 | 基于边缘计算的数据缓存方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113608689B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104950852A (zh) * | 2015-06-16 | 2015-09-30 | 河南中烟工业有限责任公司 | 一种卷烟企业能源管控系统的数据校验系统与方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11093612B2 (en) * | 2019-10-17 | 2021-08-17 | International Business Machines Corporation | Maintaining system security |
-
2021
- 2021-07-16 CN CN202110804085.9A patent/CN113608689B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104950852A (zh) * | 2015-06-16 | 2015-09-30 | 河南中烟工业有限责任公司 | 一种卷烟企业能源管控系统的数据校验系统与方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113608689A (zh) | 2021-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116112746B (zh) | 在线教育直播视频压缩方法及系统 | |
| CN113903473A (zh) | 基于人工智能的医疗信息智能交互的方法及系统 | |
| CN117370767B (zh) | 基于大数据的用户信息评估方法及系统 | |
| CN116756525B (zh) | 基于人工智能的岩土体参数智能测试方法及系统 | |
| CN113608689B (zh) | 基于边缘计算的数据缓存方法及系统 | |
| CN115359203B (zh) | 一种三维高精度地图生成方法、系统及云平台 | |
| CN116739184A (zh) | 一种滑坡预测方法及系统 | |
| CN115373688B (zh) | 一种软件开发线程的优化方法、系统及云平台 | |
| CN115481197B (zh) | 一种分布式数据处理方法、系统及云平台 | |
| CN116204681A (zh) | 一种短视频发布信息检测方法、系统及云平台 | |
| CN113630336B (zh) | 基于光互联的数据分流方法及系统 | |
| CN113626538B (zh) | 基于大数据的医疗信息智能分类的方法及系统 | |
| CN113605980B (zh) | 基于物联网的智能预警矿井安全的方法及系统 | |
| CN113610117B (zh) | 基于深度数据的水下传感数据处理方法及系统 | |
| CN113610373A (zh) | 基于智能制造的信息决策处理方法及系统 | |
| CN113643818B (zh) | 基于区域数据的医疗数据集成数据的方法及系统 | |
| CN114611478B (zh) | 一种基于人工智能的信息处理方法、系统及云平台 | |
| CN113609931B (zh) | 基于神经网络的人脸识别方法及系统 | |
| CN113609362B (zh) | 基于5g的数据管理方法及系统 | |
| CN113590952B (zh) | 一种数据中心构建的方法及系统 | |
| CN113610123B (zh) | 基于物联网的多源异构数据融合方法及系统 | |
| CN113610133B (zh) | 一种激光数据和视觉数据融合方法及系统 | |
| CN113918963B (zh) | 一种基于业务需求的权限授权处理方法及系统 | |
| CN115618850B (zh) | 基于穴位医疗微服务的局部语法表达方法及系统 | |
| CN114663893B (zh) | 一种基于人工智能的数据识别方法、系统及云平台 |
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 |