CN113678070A - 通过人工智能的暴露最小化响应 - Google Patents

通过人工智能的暴露最小化响应 Download PDF

Info

Publication number
CN113678070A
CN113678070A CN202080025284.3A CN202080025284A CN113678070A CN 113678070 A CN113678070 A CN 113678070A CN 202080025284 A CN202080025284 A CN 202080025284A CN 113678070 A CN113678070 A CN 113678070A
Authority
CN
China
Prior art keywords
risk exposure
resources
weighted total
exposure
total risk
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.)
Granted
Application number
CN202080025284.3A
Other languages
English (en)
Other versions
CN113678070B (zh
Inventor
K·穆拉里达拉
A·杰达
P·平托
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Morgan Stanley Services Group Inc
Original Assignee
Morgan Stanley Services Group Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Morgan Stanley Services Group Inc filed Critical Morgan Stanley Services Group Inc
Publication of CN113678070A publication Critical patent/CN113678070A/zh
Application granted granted Critical
Publication of CN113678070B publication Critical patent/CN113678070B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B9/00—Safety arrangements
    • G05B9/02—Safety arrangements electric
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/0275—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using fuzzy logic only

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Alarm Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

一种用于操纵资源以使混沌环境中的暴露伤害最小化的人工智能系统，其包括自主代理装置、远程电子传感器和中央服务器。中央服务器用于：在第一时间窗口期间从一个或多个远程电子传感器接收第一组传感器读数，其中，传感器读数记录混沌环境中的一个或多个变量的值；接收临界时间间隔和时间间隔的最大允许风险暴露，其中，在临界时间间隔期间混沌环境可能会影响资源中的一个或多个资源；从混沌环境和混沌环境内的资源来确定临界时间间隔期间的加权总风险暴露；确定加权总风险暴露超过最大允许风险暴露；以及使自主代理装置操纵一个或多个资源以降低加权总风险暴露。

Description

通过人工智能的暴露最小化响应
技术领域
本申请涉及人工智能方法和系统，并且更具体地涉及用于人工智能以分析来自混沌环境的传感器数据并且响应于该环境的变化而修改自主系统的行为的方法和系统。
背景技术
在许多工程和计算应用中，系统必须被设计为考虑到一定的风险容限。建筑物通常被设计成不仅在一天中的典型平均风速水平下生存，而且在所谓的“百年风暴”下生存，该风暴可能在任何给定的一天发生，但是统计上不可能比每百年一次更频繁地发生。用于关键商务或信息共享的在线服务广告宣传为具有“五个九”可用性(即，在99.999％的时间内起作用，每年有少于六分钟的停机时间)，并且需要能够处理网络流量中完全不可预测的激增而不丢弃对连接的传入请求。
因此，在许多计算应用和其他领域中仍然需要更好地预期系统变化和资源的重新分配，以减轻可能或不可能立即发生的极端变化带来的危害。这种预期可以通过以下方式来促进：增加分布式传感器系统的使用作为“物联网”的一部分，并且增加软件并入到传统上的“哑”装置中以制造自主车辆、“智能”恒温器、以及其他具有更大的对其操作环境的了解和更大的对其作出响应的能力的“智能”系统、电器和装置。
发明内容
本文公开了一种用于操纵资源以使混沌环境中的暴露危害最小化的人工智能系统，其包括一个或多个自主代理装置以及中央服务器。中央服务器包括处理器和存储指令的非暂时性存储器，该指令在由处理器执行时使处理器执行以下各项：在第一时间窗口期间从一个或多个远程电子传感器接收第一组传感器读数，其中，传感器读数记录混沌环境中的一个或多个变量的值；接收临界时间间隔和时间间隔的最大允许风险暴露，其中，在临界时间间隔期间混沌环境可能会影响资源中的一个或多个资源；基于第一组传感器读数从混沌环境和混沌环境内的资源来确定在临界时间间隔期间的加权总风险暴露；确定加权总风险暴露超过最大允许风险暴露；以及响应于确定出加权总风险暴露超过最大允许风险暴露而使一个或多个自主代理装置操纵一个或多个资源以降低加权总风险暴露。
还公开了一种用于操纵资源以使混沌环境中的暴露危害最小化的人工智能方法，该方法包括：在第一时间窗口期间从一个或多个远程电子传感器接收第一组传感器读数，其中，传感器读数记录混沌环境中的一个或多个变量的值；接收临界时间间隔和时间间隔的最大允许风险暴露，其中，在临界时间间隔期间混沌环境可能影响资源中的一个或多个资源；基于第一组传感器读数从混沌环境和混沌环境内的资源来确定在临界时间间隔期间的加权总风险暴露；确定加权总风险暴露超过最大允许风险暴露；以及响应于确定出加权总风险暴露超过最大允许风险暴露而使一个或多个自主代理装置操纵一个或多个资源以降低加权总风险暴露。
附图说明
图1描绘了用于从混沌环境接收传感器读数并响应于该混沌环境中的变化来引导自主代理的计算系统；
图2描绘了一段时间内来自危害的风险暴露的概念图；
图3描绘了人工智能系统用以处理传入传感器数据并在混沌环境中引导代理的方法；以及
图4描绘了用于执行上述多个特征的通用计算装置。
具体实施方式
图1描绘了用于从混沌环境接收传感器读数并且响应于该混沌环境中的变化来引导自主代理的计算系统。
许多工程、计算和社会系统受到它们在其中操作的混沌环境的影响。建筑物、桥梁、街区和其他工程项目建造在可能受到飓风、野火或其他环境危害影响的区域中；联网计算装置在具有不可预测的网络流量浪涌或由于断开的网络链路而导致的网络流量重新路由的网络上操作；公用事业和私人服务必须向可能需要随时访问服务的分布式消费者组提供服务；公司可能在资产价格不断变化的市场中为交易提供有价值的资产，并且错误定时的报价可能在经济上是浪费的。
来自混沌系统的干扰的成本可以在增量效应或边际效应中实现(例如，随着野火的推进，各个家庭处于危险中，随着流量的增加，网络功能平滑地减少，或者来自紧张的电网的电力接入闪烁等)和/或突然的灾难性损失(例如，飓风导致的大桥崩溃，服务器被拒绝服务攻击完全禁用，或者电网完全变暗等)。
现在转到图1的元件，中央服务器100经由网络110从多个远程电子传感器105接收传感器数据，远程电子传感器105观察或中继来自其中存在一个或多个重要资源的混沌环境的数据。中央服务器还经由网络110向多个电子计算装置代理115传输指令，该电子计算装置代理115能够直接或间接地起作用以保护重要资源免受由混沌环境引起的损害。
网络110可以是例如通常的互联网、本地无线网络、以太网网络或其他有线网络、卫星通信系统、或任何其他将传感器105连接至中央服务器100并将中央服务器连接至代理115以实现数据传输的器件。此外，网络110可以不是如图所示的单个网络，而不是多个单独的网络；例如，中央服务器100可以具有其通过有线连接所附接至的多个近端传感器105、其经由Wi-Fi网络连接至的多个附近传感器105、和/或其经由卫星连接至的多个极端远程传感器105。连接可以完全避免使用网络，并且使用直接有线或无线传输来向中央服务器100发送数据以及从中央服务器100发送数据。如图1所示，箭头示出了去往和来自网络的数据流的预期方向。
传感器105可以是寄存来自中央服务器100外部的混沌环境的数据的任何类型的电子传感器。用于特定实施方式的示例传感器类型可以包括但不限于相机、温度计、GPS跟踪装置、或其他地理定位装置、传感器所附接至的对象的或由传感器观察到的远程对象的运动/距离/加速度/取向的传感器、或从源接收电子数据通信的通信模块。
代理115(agents)可以是任何形式的计算装置(或合并到通常不用作计算装置的装置中以便控制该装置的模块)，其能够使资源以一定方式被重新分配、运输、移动、创建、破坏或以其他方式操纵，以使来自混沌环境与资源的交互的损害最小化。例如，代理115可以是用以执行以下各项的计算装置，即：控制建筑物内的自动化系统、触发物理警报、驾驶无人机飞行器或自主车辆、路由网络流量、生成用于在与人类用户相关联的物理装置上显示的消息、或者执行与“智能家电”或其他自动化系统相关联的其他动作。
下面描述了用以实现特定目的的传感器105和代理115的多个可能配对。
在一个示例实施方式中，发电站处的监听装置105可以从多个家庭和企业处的智能功率计105接收信号，所述多个家庭和企业从发电站汲取功率。随着功率消耗的增加，由不充分的发电引起的掉电或由突然的部件故障引起的停电的风险同样可能增加。工厂的自动化系统115可以确定是否启动额外的涡轮机，将电力输出优先化到某些输出通道，或者以其他方式操纵发电资源和供应输出电力的网络以降低掉电或停电的风险。
在另一示例实施方式中，视频流服务可以具有防火墙或边缘网络装置105，其接收和路由多个请求以流式传输某些视频文件。每个特定客户可以开始观看半小时或更长的电影或剧集，即使另外的客户开始登录并请求其他视频数据，该电影或剧集也必须在该时间段的持续时间内继续平滑地提供，尽管一些客户将在完整的电影或剧集完成之前注销。内容递送网络(CDN)管理系统115可以检查网络的当前利用并将电影文件的副本分发到辅助CDN服务器，以使带宽将被完全使用的风险最小化，并且使附加客户能够访问数据，或者使原始客户经历观看体验中的中断。
在另一示例实施方式中，具有相机、测距和其他传感器105的自主车辆可以沿着道路行驶，附近有一些其他车辆、行人或其他物体。服务器100可能需要连续地评估严重事故的多个可能性，比如给定距离远的汽车在自主车辆能够避开之前将转向到自主车辆的路径中的可能性，或者朝向道路行走的行人将继续进入道路而不是在侧面停止并且指示车辆控制系统115改变其路径或速度以降低事故的风险的可能性。
在另一示例实施方式中，气象卫星、风速计或多普勒雷达系统105可以检测可能接近街区、城市或其他定居点的天气系统或危险比如飓风、野火或龙卷风。可能需要做出关于响应于危险的疏散的总成本与不疏散的预期成本的确定，这必须考虑危险将永远不会到达人类住区的可能性。类似地，车辆、船舶或其他贵重物品可能需要响应于可能或可能不实际影响给定位置的即将到来的冰雹、沙尘暴或其他天气事件而移动。警报系统或通知系统115可以配置成当且仅当不疏散的潜在危害满足预定义的风险阈值时才触发，或者如果车辆的损坏或破坏的风险基于当前天气状况变得不可接受地高，则可以指示自主车辆控制系统115将车辆驾驶到给定位置。
在另一示例实施方式中，传感器105可以包括在计算机网络边缘且报告网络分组的传入数量的防火墙或路由器，而代理115可以包括服务器集群中的服务器、路由器或防火墙。系统可以监测当前网络利用并计算将发生拒绝服务攻击的风险，并且将能够在其当前配置下使系统失效。作为响应，它可以激活更多服务器来处理攻击或者减慢网络流量的流入，直到网络故障的风险充分降低为止。
在另一示例实施方式中，传感器105可以包括多个动物上的GPS跟踪器，或记录动物在自然保护区中的位置的相机。保护区中的捕食者或区域性食草动物比如狮子或大象可能在当前保护区中的人附近稍微随机地移动。中央服务器可以在人离开保护区之前连续地评估动物将遇到人的风险，并且使通知系统、警报或人的个人移动计算装置115警告人遇到的可能性并建议使遇到风险最小化的路径。
在另一示例实施方式中，传感器105可以包括证券交易所或其他市场处的对一个或多个资产的当前买入或卖出价格进行报告的装置。代理115可以包括能够向市场发送买入或卖出订单或者从市场召回买入或卖出订单的计算装置，或者可以包括能够防止这样的计算装置成功地向市场发送买入或卖出订单的防火墙装置。响应于暴露于不可接受水平的基于资产的风险(比如以固定价格出售资产或以在该资产的价格快速增加的市场中可用的任何价格购买资产的订单)，交易者交易的能力可以由计算装置本身自动停止，或者交易者可以被通知异常，因此交易者可以更谨慎地继续。
在所有上述系统中，如果系统没有采取动作，则确定总风险暴露是有价值的，并且使用该确定来决定是否保证动作以最小化或消除系统暴露的风险。
图2A和图2B描绘了在一段时间内来自危险的风险暴露的概念图。
在简单的情况下(图2A)，其中直到不利事件发生的预期时间是正态分布的，可以预期看到事件将在时间t精确发生的概率的曲线图205采取传统的钟形曲线的形式。在时间t或之前发生的事件的累积概率的曲线图210因此将具有S形形状，这是因为它包括在时间上在它之前发生的曲线图205上的所有点的总和。
如果假设事件影响资源的成本与事件发生的时间无关，则基于该资源的累积风险暴露简单地与在考虑的任何时间窗口结束时的累积概率210成比例。
相反，如果事件的定时关系到确定该事件的危害，则基于资源的累积风险暴露将是危害函数乘以概率函数的积分——即，对于所考虑的每个时刻，将在该时刻发生危害的概率的总和乘以如果发生危害则将发生的危害量。
例如(如图2B所示)，如果在疏散时被飓风袭击，则社区可以被认为招致等于X的伤害，但如果在居住时被飓风袭击，则等于10X的伤害。如果疏散被命令，则危害函数215将随着时间的推移随着人被疏散而减小，并且即使在时间t的事件的概率的曲线205不变，在给定时间的危害乘以在给定时间的事件的概率将看起来与单独的概率曲线非常不同，并且因此加权累积暴露风险220的图将不同地表现，具有更急剧的初始增加和更快的平衡。如果命令疏散的累积暴露风险与如果未命令疏散的单独计算的累积暴露风险的差异可以是自动系统确定警告居民或指示安全人员应当开始疏散的基础。
可以针对各种不良事件(例如，多个飓风)和/或针对各种资源(例如，飓风可能侵袭的每个定居点)计算加权风险暴露，并且对其求和以确定针对给定混沌环境内的动作或无动作的总加权风险暴露。
图3描述了一种用于人工智能系统处理输入的传感器数据并在混沌环境中引导代理的方法。
首先，系统可以(从外部服务器、保存的配置文件、人类用户的条目、或一些其他源)接收要考虑的临界时间窗口和最大可允许加权风险暴露(步骤300)。例如，由于超出该时间窗口的数据的不确定性，天气疏散系统可以配置成提前仅一周查看。监测资产价格的系统在给定的一天内市场关闭之后的任何时间段内可能是不感兴趣的。
接下来，系统从传感器105接收关于环境和资源的传感器数据(步骤305)。在一些实施方式中，系统可以预先配置有关于环境的元素的预期行为或资源的预期行为的信息。在其他实施方式中，系统可以在一段时间内接收传感器数据，并且为那些元件和资源的行为建立模型。
例如，对于经历随机行走类行为(比如动物在保护区中的运动，或资产在市场中的价值的变化)的混沌环境的元素，在这种情况下，系统可以确定系统中的变化的波动性的标准偏差，以帮助确定元素在给定时间间隔期间将变化给定量的概率。
在另一个示例中，混沌环境可能经历周期性摆动，比如在晚上增加使用流服务或电力效用，而在夜间减少使用。系统可以确定这种循环的周期，并在未来循环期间使用它来预测系统变化。
在至少初始量的传感器数据被接收和处理之后，中央服务器确定系统的总加权风险暴露(步骤310)。
如上所述，可以至少部分地基于对临界时间窗口结束之前的所有t，P(在t处或t之前发生的事件)乘以在时间t的事件的成本函数进行积分来做出该确定。
系统可以假设给定的环境变量(比如沿着给定轴的危险的位置或者某个规模上的资产的价值)经历类似随机行走的行为，并且因此变量随时间覆盖给定距离的概率与距离不成比例，而是以比线性比例更快的速率减小。在优选实施方式中，两个环境值a和b之间的“距离”不应被计算为|a-b|，而是被计算为(a-b)2。另外，在某些实施方式中，可以在计算之前修改感测值，比如确定In a至In b之间的距离而不是a至b之间的距离。
各种实施方式还可以考虑其环境变量正在被感测的底层系统中的自然波动性。将距离除以波动性的量度比如与在一段时间内感测到的变量值的标准偏差成比例的值将更准确地表示这样的事实：在较快节奏和更混沌的系统中的随机行走比在较慢节奏的系统中的随机行走更可能覆盖给定时间间隔中的距离。可以根据在当前风险暴露计算之前的秒、分钟或天的数量或者预定数量的传感器读数来计算标准偏差，而不管包括那些读数的时间间隔如何。当数据量或者可用的先前时间窗口的简洁性使得标准偏差更受数据中的噪声影响并且不太可能反映变量在即将到来的时间窗口上的实际未来变化时，标准偏差可以被设置为预定默认值。
在包括如上所述的平方距离项和波动性容差的优选实施方式中，如果类随机游走行为具有标准偏差σ，其中当前平均值为z0，则环境变量在确切的时间t达到特定值z的累积概率等于
Figure BDA0003282694950000061
给定该假设，该函数在长度T的总剩余时间间隔上的积分(即，事件将在间隔期间的某个点处发生的累积概率)是
Figure BDA0003282694950000062
其中ERFC是互补误差函数。如果事件的成本函数相对于时间是恒定的，则总加权风险暴露(total weighted risk exposure)将因此等于
Figure BDA0003282694950000063
其中k表示每个资源，并且Ck表示如果事件发生则对该资源的成本。
可以使用其他概率函数来估计似乎不经历随机游走行为的系统中的变化的概率。些概率函数同样可以相对于时间积分，以确定事件的累积概率的捷径计算并确定总体加权风险暴露。
与给定资源相关联的成本可以是例如修复实体物品的成本的估计、以及疼痛、痛苦或生命损失的抽象成本、当消费者依赖于面向消费者的系统时面向消费者的系统的商誉损失的抽象成本、或者由于参与市场环境中的不知情交易而导致的纯粹经济损失。在许多情况下，成本可以是一类事件的预期成本，其本身可能具有广泛的可能实际成本。
在确定总加权风险暴露之后，系统确定总加权风险暴露是否超过所存储的最大允许加权暴露(步骤315)。
如果没有过度的风险暴露，则系统返回到在新的时间段期间接收传感器数据(步骤305)，并且响应于来自传感器105的更新数据重新计算风险暴露是否已经改变。在一些实施方式中，重新计算总风险暴露所涉及的计算的总数可能是繁重的，并且系统可以仅在给定环境变量从上次计算总加权风险暴露起改变了至少某个最小阈值量时重新计算总加权风险暴露。附加地，在一些实施方式中，系统可以在重新计算之前舍入、截断或以其他方式预处理环境变量数据，以便简单地重新计算或确定它还不是必需的。
另一方面，如果存在过度风险暴露，则系统可以向代理115传输消息或指令(步骤320)，以便通过移动资源开始最小化风险，向人类用户通知资源的风险，或者以其他方式重新配置资源以使来自环境的风险最小化，如上述实施方式中所描述的那样。在传输消息之后，系统返回到观察传感器数据(步骤305和随后的步骤)并确定是否仍然存在过度风险暴露并且需要代理的进一步动作。
在针对最小化股票市场环境内的暴露的特定实施方式中，可以在确定暴露或对该暴露的响应时采取额外的考虑和动作。
例如，除了订单涉及的资产价格的变化之外，订单本身可以被修改，比如改变报价、报价量、状态(报价、接受或填写)。包含所有未结订单的“订单簿”可以在订单被提供、修改或填写时被维护和更新，从而影响实体在一个或多个股票交易所可能具有的总敞口。维护订单簿的软件可能需要保持订单簿准确，而不管报告的状态更新和修改的复杂链，比如提供、修改、接受、再次修改以及部分地从一个源和部分地从另一个源填充的订单。该任务可能由于消息被无序接收而进一步复杂化，比如在通知修改订单的请求之前接收到订单修改的确认，使得传入消息可以被排队，直到也接收到理解它们所需的上下文为止。
公司的总订单簿可以用于估计公司在给定时刻的总金融风险--例如，如果公司具有以给定价格购买资产的未偿还出价，但是市场价格已经降低到该给定价格以下，并且允许其他交易者套利并且基本上以公司的费用获得自由货币。使用上述数学计算，未完成的要约可以通过它们实际上将被满足的概率来加权，该概率将与要约的当前价格和市场的当前价格的距离成反比关系。当市场价格波动或要约价格被修改时，可以重新计算公司的总风险暴露，以确定是否需要采取行动来减少该暴露。动作的示例可以包括自动生成用于一个或多个未完成订单的修改指令，并将该指令传输至已经下了这些订单的一个或多个交易所；为人类用户自动生成已经达到增加的金融风险水平并且应当实行额外的关注的通知；或者甚至防止(通过对用于交易的计算机的通信接口的控制)向交易所发送附加订单，直到总风险暴露已经降低或者人类用户已经授权恢复交易为止。
图4是可以用于实现本文所描述的各种特征和过程——例如，中央服务器100、传感器105或自主代理115的功能——的代表性计算装置的高级框图。可以在由计算机系统执行的计算机系统可执行指令比如程序模块的一般上下文中对计算装置进行描述。通常，程序模块可以包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、部件、逻辑、数据结构等。
如图4所示，计算装置以专用计算机系统的形式示出。计算装置的部件可以包括(但不限于)一个或多个处理器或处理单元900、系统存储器910、以及将包括存储器910的各种系统部件耦接至处理器900的总线915。
总线915表示若干类型的总线结构中的任何一种总线结构中的一个或多个总线结构，其包括存储器总线或存储器控制器、外围总线、加速图形端口、以及使用各种总线架构中的任何一种总线架构的处理器或局部总线。作为示例而非限制，这些体系结构包括工业标准体系结构(ISA)总线、微通道体系结构(MCA)总线、增强型ISA(EISA)总线、视频电子技术标准协会(VESA)局部总线、和外围部件互连(PCI)总线。
处理单元900可以执行存储在存储器910中的计算机程序。任何合适的编程语言都可以用来实现特定实施方式的例程，包括C、C++、Java、汇编语言等。可以采用不同的编程技术比如过程的或面向对象的。例程可以在单个计算装置或多个计算装置上执行。此外，可以使用多个处理器900。
计算装置通常包括各种计算机系统可读介质。这样的介质可以是可由计算装置访问的任何可用介质，并且这样的介质包括易失性和非易失性介质、可移动和不可移动介质。
系统存储器910可以包括易失性存储器形式的计算机系统可读介质，比如随机存取存储器(RAM)920和/或高速缓冲存储器930。计算装置还可以包括其他可移除/不可移除、易失性/非易失性计算机系统存储介质。仅作为示例，存储系统940可以被提供用于从不可移除的非易失性磁介质(未示出并且通常被称为“硬盘驱动器”)读取以及写入到不可移除的非易失性磁介质。尽管未示出，但是可以提供用于从可移除的非易失性磁盘(例如，“软盘”)读取和写入的磁盘驱动器，以及用于从可移除的非易失性光盘(比如CD-ROM、DVD-ROM或其他光学介质)读取或写入的光盘驱动器。在这种情况下，每个可以通过一个或多个数据介质接口连接至总线915。如下面将进一步描绘和描述的，存储器910可以包括具有配置成执行本公开中所描述的各实施方式的功能的一组(例如，至少一个)程序模块的至少一个程序产品。
作为示例而非限制，具有一组(至少一个)程序模块955的程序/实用程序950以及操作系统、一个或多个应用软件、其他程序模块和程序数据可以存储在存储器910中。操作系统、一个或多个应用程序、其他程序模块和程序数据中的每一者或其某种组合可以包括联网环境的实现。
计算装置还可以与以下装置通信，所述装置为：诸如键盘、指示装置、显示器等之类的一个或多个外部装置970；使得用户能够与计算装置交互的一个或多个装置；和/或使得计算装置能够与一个或多个其他计算装置通信的任何装置(例如，网卡、调制解调器等)。这种通信可以经由输入/输出(I/O)接口960发生。
另外，如上所述，计算装置可以经由网络适配器980与一个或多个网络比如局域网(LAN)、通用广域网(WAN)和/或公共网络(例如，因特网)通信。如所描绘的，网络适配器980经由总线915与计算装置的其他部件通信。应当理解的是，尽管未示出，但是其他硬件和/或软件部件可以与计算装置结合使用。示例包括(但不限于)微代码、装置驱动器、冗余处理单元、外部磁盘驱动器阵列、RAID系统、磁带驱动器和数据存档存储系统等。
已经出于说明的目的呈现了对本发明的各种实施方式的描述，但是并不旨在穷举或限于所公开的实施方式。在不脱离所描述的实施方式的范围和精神的情况下，许多修改和变化对于本领域普通技术人员将是明显的。选择本文使用的术语是为了最好地解释实施方式的原理、实际应用、或对市场中发现的技术的技术改进，或者为了使本领域普通技术人员能够理解本文所公开的各实施方式。
本发明可以是处于任何可能的技术细节集成级别的系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质(或多个介质)，计算机可读存储介质上具有用于使处理器执行本发明的各方面的计算机可读程序指令。
计算机可读存储介质可以是有形装置，其可以保留和存储由指令执行装置使用的指令。计算机可读存储介质可以是例如但不限于电子存储装置、磁存储装置、光存储装置、电磁存储装置、半导体存储装置、或前述的任何合适的组合。计算机可读存储介质的更具体示例的非穷举列表包括以下：便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式光盘只读存储器(CD-ROM)、数字通用盘(DVD)、记忆棒、软盘、机械编码装置比如其上记录有指令的凹槽中的穿孔卡或凸起结构、以及前述的任何合适的组合。如本文所使用的计算机可读存储介质不应被解释为暂时性信号本身比如无线电波或其他自由传播的电磁波、通过波导或其他传输介质传播的电磁波(例如，通过光纤电缆的光脉冲)、或通过电线传输的电信号。
本文所描述的计算机可读程序指令可以从计算机可读存储介质下载到相应的计算/处理装置，或者经由网络例如互联网、局域网、广域网和/或无线网络下载到外部计算机或外部存储装置。网络可以包括铜传输线缆、光学传输光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算装置/处理装置中的网络适配卡或网络接口从网络接收计算机可读程序指令，并转发计算机可读程序指令以存储在相应计算装置/处理装置内的计算机可读存储介质中。
用于执行本发明的操作的计算机可读程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、集成电路的配置数据、或者以一种或多种编程语言的任何组合编写的源代码或目标代码，所述编程语言包括比如Smalltalk、C++等的面向对象的编程语言、以及比如“C”编程语言或类似编程语言的过程编程语言。计算机可读程序指令可以完全在用户的计算机上执行，部分在用户的计算机上执行，作为独立的软件包执行，部分在用户的计算机上且部分在远程计算机上执行，或者完全在远程计算机或服务器上执行。在后一种情况下，远程计算机可以通过任何类型的网络——包括局域网(LAN)或广域网(WAN)——连接至用户的计算机，或者可以连接至外部计算机(例如，使用互联网服务提供商通过互联网)。在一些实施方式中，包括例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)的电子电路可以通过利用计算机可读程序指令的状态信息来执行计算机可读程序指令以个性化电子电路，进而执行本发明的各方面。
本文参照根据本发明的各实施方式的方法、设备(系统)和计算机程序的流程图和/或框图来对本发明的各方面进行描述。应当理解的是，流程图图示和/或框图的每个框以及流程图图示和/或框图中的框的组合可以由计算机可读程序指令来实现。
这些计算机可读程序指令可以被提供给通用计算机、专用计算机或其他可编程数据处理设备的处理器以产生机器，使得经由计算机或其他可编程数据处理设备的处理器执行的指令创建用于实现流程图和/或框图的一个或多个框中指定的功能/动作的器件。这些计算机可读程序指令还可以存储在计算机可读存储介质中，该计算机可读存储介质可以指示计算机、可编程数据处理设备和/或其他装置以特定方式起作用，使得其中存储有指令的计算机可读存储介质包括制品，该制品包括实现流程图和/或框图的一个或多个框中指定的功能/动作的各方面的指令。
计算机可读程序指令还可以被加载到计算机、其他可编程数据处理设备或其他装置上，以使得在计算机、其他可编程设备或其他装置上执行一系列操作步骤，以产生计算机实现的过程，使得在计算机、其他可编程设备或其他装置上执行的指令实现流程图和/或框图的一个或多个框中指定的功能/动作。
附图中的流程图和框图示出了根据本发明的各种实施方式的系统、方法和计算机程序产品的可能实现的架构、功能和操作。在这方面，流程图或框图中的每个框可以表示指令的模块、部段或部分，其包括用于实现指定的逻辑功能的一个或多个可执行指令。在一些替代实施方案中，框中指出的功能可以不按图中指出的顺序发生。例如，连续示出的两个框实际上可以基本上同时执行，或者这些框有时可以以相反的顺序执行，这取决于所涉及的功能。还将指出的是，框图和/或流程图图示的每个框以及框图和/或流程图图示中的框的组合可以由基于专用硬件的系统来实现，该系统执行指定功能或动作或者执行专用硬件和计算机指令的组合。

Claims (20)

1.一种用于操纵资源以使混沌环境中的暴露危害最小化的人工智能系统，包括：
一个或多个自主代理装置；以及
中央服务器，所述中央服务器包括处理器和存储指令的非暂时性存储器，所述指令在由所述处理器执行时使所述处理器执行下述各项：
在第一时间窗口期间从一个或多个远程电子传感器接收第一组传感器读数，其中，所述传感器读数记录所述混沌环境中的一个或多个变量的值；
接收临界时间间隔和所述时间间隔的最大允许风险暴露，其中，在所述临界时间间隔期间所述混沌环境可能会影响所述资源中的一个或多个资源；
基于所述第一组传感器读数，从所述混沌环境和所述混沌环境内的所述资源来确定在所述临界时间间隔期间的加权总风险暴露；
确定所述加权总风险暴露超过所述最大允许风险暴露；以及
响应于确定出所述加权总风险暴露超过所述最大允许风险暴露，而使所述一个或多个自主代理装置操纵所述一个或多个资源以降低所述加权总风险暴露。
2.根据权利要求1所述的系统，其中，所述非暂时性存储器存储指令，所述指令在由所述处理器执行时还使所述处理器执行下述各项：
在第二时间窗口期间从所述一个或多个远程电子传感器接收第二组传感器读数，所述第二组传感器读数记录所述一个或多个变量的变化；并且
至少部分地基于所述第二组传感器读数，来更新所述临界时间间隔期间的所述加权总风险暴露。
3.根据权利要求2所述的系统，其中，所述非暂时性存储器存储指令，所述指令在由所述处理器执行时还使所述处理器执行下述各项：
在操纵所述一个或多个资源以降低所述加权总风险暴露并更新所述加权总风险暴露之后，重复地操纵所述一个或多个资源并更新所述加权总风险暴露，直到所述加权总风险暴露不超过所述最大允许风险暴露为止。
4.根据权利要求1所述的系统，其中，所述加权总风险暴露的确定至少部分地基于风险函数相对于从当前时刻到所述临界时间间隔结束的时间的积分。
5.根据权利要求4所述的系统，其中，所述风险函数基于所述一个或多个变量中的随机游走行为的假设。
6.根据权利要求5所述的系统，其中，所述风险函数至少部分地基于互补误差函数。
7.根据权利要求1所述的系统，其中，所述一个或多个自主代理装置通过防止网络消息通过网络传输来操纵所述一个或多个资源。
8.根据权利要求1所述的系统，其中，所述一个或多个自主代理装置通过向远程计算装置传输网络消息来操纵所述一个或多个资源。
9.根据权利要求1所述的系统，其中，所述一个或多个自主代理装置通过生成用于由人类用户接收的消息来操纵所述一个或多个资源。
10.根据权利要求1所述的系统，其中，所述一个或多个自主代理装置通过激活人类用户可见或可听的警报来操纵所述一个或多个资源。
11.一种用于操纵资源以使混沌环境中的暴露危害最小化的人工智能方法，包括：
在第一时间窗口期间从一个或多个远程电子传感器接收第一组传感器读数，其中，所述传感器读数记录所述混沌环境中的一个或多个变量的值；
接收临界时间间隔和所述时间间隔的最大允许风险暴露，其中，在所述临界时间间隔期间所述混沌环境可能会影响所述资源中的一个或多个资源；
基于所述第一组传感器读数，从所述混沌环境和所述混沌环境内的所述资源来确定在所述临界时间间隔期间的加权总风险暴露；
确定所述加权总风险暴露超过所述最大允许风险暴露；以及
响应于确定出所述加权总风险暴露超过所述最大允许风险暴露，而使所述一个或多个自主代理装置操纵所述一个或多个资源以降低所述加权总风险暴露。
12.根据权利要求11所述的方法，其中，所述非暂时性存储器存储指令，所述指令在由所述处理器执行时还使所述处理器执行下述各项：
在所述第二时间窗口期间从所述一个或多个远程电子传感器接收第二组传感器读数，所述第二组传感器读数记录所述一个或多个变量的变化；并且
至少部分地基于所述第二组传感器读数，来更新所述临界时间间隔期间的所述加权总风险暴露。
13.根据权利要求12所述的方法，其中，所述非暂时性存储器存储指令，所述指令在由所述处理器执行时还使所述处理器执行下述各项：
在操纵所述一个或多个资源以降低所述加权总风险暴露并更新所述加权总风险暴露之后，重复地操纵所述一个或多个资源并更新所述加权总风险暴露，直到所述加权总风险暴露不超过所述最大允许风险暴露为止。
14.根据权利要求11所述的方法，其中，所述加权总风险暴露的确定至少部分地基于风险函数相对于从当前时刻到所述临界时间间隔结束的时间的积分。
15.根据权利要求14所述的方法，其中，所述风险函数基于所述一个或多个变量中的随机游走行为的假设。
16.根据权利要求15所述的方法，其中，所述风险函数至少部分地基于互补误差函数。
17.根据权利要求11所述的方法，其中，所述一个或多个自主代理装置通过防止网络消息通过网络传输来操纵所述一个或多个资源。
18.根据权利要求11所述的方法，其中，所述一个或多个自主代理装置通过向远程计算装置传输网络消息来操纵所述一个或多个资源。
19.根据权利要求11所述的方法，其中，所述一个或多个自主代理装置通过生成用于由人类用户接收的消息来操纵所述一个或多个资源。
20.根据权利要求11所述的方法，其中，所述一个或多个自主代理装置通过激活人类用户可见或可听的警报来操纵所述一个或多个资源。
CN202080025284.3A 2019-01-31 2020-01-30 用于操纵资源的人工智能系统和方法 Active CN113678070B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/264,668 2019-01-31
US16/264,668 US11360442B2 (en) 2019-01-31 2019-01-31 Exposure minimization response by artificial intelligence
PCT/US2020/015920 WO2020160294A1 (en) 2019-01-31 2020-01-30 Exposure minimization response by artificial intelligence

Publications (2)

Publication Number Publication Date
CN113678070A true CN113678070A (zh) 2021-11-19
CN113678070B CN113678070B (zh) 2022-11-08

Family

ID=71836396

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080025284.3A Active CN113678070B (zh) 2019-01-31 2020-01-30 用于操纵资源的人工智能系统和方法

Country Status (7)

Country Link
US (1) US11360442B2 (zh)
EP (1) EP3917811B1 (zh)
JP (1) JP7149430B2 (zh)
KR (1) KR102417001B1 (zh)
CN (1) CN113678070B (zh)
CA (1) CA3128197A1 (zh)
WO (1) WO2020160294A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210356953A1 (en) * 2020-05-18 2021-11-18 At&T Intellectual Property I, L.P. Deviation detection for uncrewed vehicle navigation paths

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050055249A1 (en) * 2003-09-04 2005-03-10 Jonathon Helitzer System for reducing the risk associated with an insured building structure through the incorporation of selected technologies
CN102387163A (zh) * 2011-12-16 2012-03-21 穆成坡 一种基于风险均衡的网络服务器防御方法
CN102394766A (zh) * 2011-09-01 2012-03-28 穆成坡 一种入侵进程的层次化在线风险评估方法
US20150156031A1 (en) * 2012-09-21 2015-06-04 Google Inc. Environmental sensing with a doorbell at a smart-home
US9646428B1 (en) * 2014-05-20 2017-05-09 State Farm Mutual Automobile Insurance Company Accident response using autonomous vehicle monitoring
US9701307B1 (en) * 2016-04-11 2017-07-11 David E. Newman Systems and methods for hazard mitigation
US20170214701A1 (en) * 2016-01-24 2017-07-27 Syed Kamran Hasan Computer security based on artificial intelligence
CN107967173A (zh) * 2016-10-20 2018-04-27 阿里巴巴集团控股有限公司 一种资源调度的方法、装置和系统
CN108667642A (zh) * 2017-03-30 2018-10-16 穆成坡 一种基于风险评估的服务器的风险均衡器

Family Cites Families (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4570257A (en) * 1984-02-14 1986-02-11 Rosemount Inc. Communication system with slot time error detection
US7236939B2 (en) * 2001-03-31 2007-06-26 Hewlett-Packard Development Company, L.P. Peer-to-peer inter-enterprise collaborative process management method and system
US7089099B2 (en) * 2004-07-30 2006-08-08 Automotive Technologies International, Inc. Sensor assemblies
JP4730137B2 (ja) 2006-03-01 2011-07-20 トヨタ自動車株式会社 移動体安全性評価方法および移動体安全性評価装置
JP4970156B2 (ja) 2007-06-12 2012-07-04 富士重工業株式会社 車両の運転支援装置
JP5261045B2 (ja) 2008-07-03 2013-08-14 富士重工業株式会社 車両の運転支援装置
JP5210064B2 (ja) 2008-07-10 2013-06-12 富士重工業株式会社 車両の衝突防止装置
EP2289754B1 (en) * 2009-08-31 2015-04-29 Toyota Motor Europe NV/SA Vehicle or traffic control method and system
US20120317058A1 (en) * 2011-06-13 2012-12-13 Abhulimen Kingsley E Design of computer based risk and safety management system of complex production and multifunctional process facilities-application to fpso's
US8856936B2 (en) * 2011-10-14 2014-10-07 Albeado Inc. Pervasive, domain and situational-aware, adaptive, automated, and coordinated analysis and control of enterprise-wide computers, networks, and applications for mitigation of business and operational risks and enhancement of cyber security
WO2014109016A1 (ja) * 2013-01-09 2014-07-17 三菱電機株式会社 車両周辺表示装置
US20150025917A1 (en) * 2013-07-15 2015-01-22 Advanced Insurance Products & Services, Inc. System and method for determining an underwriting risk, risk score, or price of insurance using cognitive information
US10599155B1 (en) * 2014-05-20 2020-03-24 State Farm Mutual Automobile Insurance Company Autonomous vehicle operation feature monitoring and evaluation of effectiveness
EP2950294B1 (en) 2014-05-30 2019-05-08 Honda Research Institute Europe GmbH Method and vehicle with an advanced driver assistance system for risk-based traffic scene analysis
US9680855B2 (en) 2014-06-30 2017-06-13 Neo Prime, LLC Probabilistic model for cyber risk forecasting
US10248923B2 (en) * 2015-06-01 2019-04-02 Cisco Technology, Inc. Business process modeling based on network traffic
KR101714354B1 (ko) * 2016-07-18 2017-03-09 삼성정밀공업 주식회사 가구도어의 점프거리를 증대하는 가구힌지
WO2018032089A1 (en) * 2016-08-19 2018-02-22 Qusaybatie Mahamad Eid System, method, and computer readable medium for dynamic pressure damage risk assessment and response
US10733460B2 (en) * 2016-09-14 2020-08-04 Nauto, Inc. Systems and methods for safe route determination
WO2018053175A1 (en) * 2016-09-14 2018-03-22 Nauto Global Limited Systems and methods for near-crash determination
KR20180045745A (ko) * 2016-10-26 2018-05-04 삼성에스디에스 주식회사 이동체에서의 객체 검출 장치 및 방법
US10012993B1 (en) * 2016-12-09 2018-07-03 Zendrive, Inc. Method and system for risk modeling in autonomous vehicles
US10884902B2 (en) * 2017-05-23 2021-01-05 Uatc, Llc Software version verification for autonomous vehicles
WO2018232147A1 (en) * 2017-06-15 2018-12-20 Johnson Controls Technology Company Building management system with artificial intelligence for unified agent based control of building subsystems
US10430695B2 (en) * 2017-06-16 2019-10-01 Nauto, Inc. System and method for contextualized vehicle operation determination
US10911473B2 (en) * 2017-08-31 2021-02-02 Charter Communications Operating, Llc Distributed denial-of-service attack detection and mitigation based on autonomous system number
US10469327B1 (en) * 2017-10-18 2019-11-05 Vulcan Inc. Operations environment model and simulation to reduce operator error
US20190342297A1 (en) * 2018-05-01 2019-11-07 Brighterion, Inc. Securing internet-of-things with smart-agent technology
US10909866B2 (en) * 2018-07-20 2021-02-02 Cybernet Systems Corp. Autonomous transportation system and methods

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050055249A1 (en) * 2003-09-04 2005-03-10 Jonathon Helitzer System for reducing the risk associated with an insured building structure through the incorporation of selected technologies
CN102394766A (zh) * 2011-09-01 2012-03-28 穆成坡 一种入侵进程的层次化在线风险评估方法
CN102387163A (zh) * 2011-12-16 2012-03-21 穆成坡 一种基于风险均衡的网络服务器防御方法
US20150156031A1 (en) * 2012-09-21 2015-06-04 Google Inc. Environmental sensing with a doorbell at a smart-home
US9646428B1 (en) * 2014-05-20 2017-05-09 State Farm Mutual Automobile Insurance Company Accident response using autonomous vehicle monitoring
US20180075538A1 (en) * 2014-05-20 2018-03-15 State Farm Mutual Automobile Insurance Company Autonomous vehicle technology effectiveness determination for insurance pricing
US20170214701A1 (en) * 2016-01-24 2017-07-27 Syed Kamran Hasan Computer security based on artificial intelligence
US9701307B1 (en) * 2016-04-11 2017-07-11 David E. Newman Systems and methods for hazard mitigation
CN107967173A (zh) * 2016-10-20 2018-04-27 阿里巴巴集团控股有限公司 一种资源调度的方法、装置和系统
CN108667642A (zh) * 2017-03-30 2018-10-16 穆成坡 一种基于风险评估的服务器的风险均衡器

Also Published As

Publication number Publication date
KR20210112395A (ko) 2021-09-14
KR102417001B1 (ko) 2022-07-05
US11360442B2 (en) 2022-06-14
CA3128197A1 (en) 2020-08-06
EP3917811B1 (en) 2024-07-03
US20200249639A1 (en) 2020-08-06
EP3917811A1 (en) 2021-12-08
JP7149430B2 (ja) 2022-10-06
WO2020160294A1 (en) 2020-08-06
CN113678070B (zh) 2022-11-08
EP3917811A4 (en) 2022-10-26
JP2022516379A (ja) 2022-02-25

Similar Documents

Publication Publication Date Title
US11527889B2 (en) Congestion control in electric power system under load and uncertainty
US20220058746A1 (en) Risk quantification for insurance process management employing an advanced decision platform
US10902373B2 (en) System, method and computer program product for order fulfillment in retail supply networks
US11776056B2 (en) Controlling price cascade movements in an electronic trading system
US10613921B2 (en) Predictive disaster recovery system
US20150278061A1 (en) Predictive load scaling for services
US10476983B2 (en) Systems monitoring in case of lost network connection in SaaS model
WO2019049042A1 (en) DISTRIBUTED COMPUTER PLATFORM SERVICE MANAGEMENT
JP2016505963A (ja) 取引所の制限による不利な影響を防止するための方法およびシステム
US11514531B2 (en) Platform for autonomous risk assessment and quantification for cyber insurance policies
US20180032903A1 (en) Optimized re-training for analytic models
CN113678070B (zh) 用于操纵资源的人工智能系统和方法
US20240005402A1 (en) Conservation of electronic communications resources via selective publication of substantially continuously updated data over a communications network
US11810209B2 (en) Outage restoration time prediction during weather events and optimized solutions for recovery
WO2019173241A1 (en) Platform for live issuance and management of cyber insurance policies
EP3701401A1 (en) Platform for autonomous management of risk transfer
KR20220117961A (ko) 전세보증금 관리 방법, 장치 및 시스템
CN114943488B (zh) 一种气象灾害预警信号效能评估方法
AU2017355658A1 (en) Quantification for investment vehicle management and insurance process management
Works Archived
US11188959B2 (en) Point of purchase based physical item offer optimization
US20230260038A1 (en) Digital representation based asset evaluation and settlement estimation
US11995714B1 (en) Machine learning-based loss forecasting model
US11250313B2 (en) Autonomous trading with memory enabled neural network learning

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40062007

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant