CN115048370A - 用于大数据清洗的人工智能处理方法及大数据清洗系统 - Google Patents
用于大数据清洗的人工智能处理方法及大数据清洗系统 Download PDFInfo
- Publication number
- CN115048370A CN115048370A CN202210786166.5A CN202210786166A CN115048370A CN 115048370 A CN115048370 A CN 115048370A CN 202210786166 A CN202210786166 A CN 202210786166A CN 115048370 A CN115048370 A CN 115048370A
- Authority
- CN
- China
- Prior art keywords
- interference
- data
- template
- noise
- characteristic
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例提供一种用于大数据清洗的人工智能处理方法及大数据清洗系统，通过对大数据清洗任务所关联的业务指标预测训练事件进行干扰特征数据挖掘获得的当前干扰特征数据进行干扰采集关系网络分析，输出多个干扰采集关系网络，结合多个所述干扰采集关系网络进行噪声特征分析所述大数据清洗任务当前所关联的业务指标预测训练事件的噪声特征路径，并结合所述噪声特征路径对所述大数据清洗任务进行任务路径优化，这样基于干扰采集关系网络可以反映干扰采集元素关系的特性进行噪声特征分析，由此提高噪声特征分析的全面性，进而提高大数据清洗的精准度。
Description
技术领域
本申请涉及大数据技术领域，具体而言，涉及一种用于大数据清洗的人工智能处理方法及大数据清洗系统。
背景技术
人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。例如，大量的互联网在线服务商通过部署人工智能到业务指标预测训练事件中，需要搜集大量的业务指标预测训练数据作为业务指标预测学习的依据，例如以业务指标预测为用户兴趣点预测为例，需要搜集大量的用户浏览和操作行为数据作为训练数据，并标注对应的用户兴趣点作为训练标签进行用户兴趣点预测训练。
由此，在业务指标预测训练事件中，业务指标预测训练数据的可靠性关系到后续业务指标预测训练效果，因此需要在大数据采集阶段进行噪声特征分析从而进行大数据清洗，然而相关技术中噪声特征分析的全面性不足，影响大数据清洗的精准度。
发明内容
第一方面，本申请提供一种用于大数据清洗的人工智能处理方法，应用于大数据清洗系统，所述大数据清洗系统与多个AI云计算训练节点通信连接，所述方法包括：
获取针对大数据清洗任务所关联的业务指标预测训练事件的可信预测误差跟踪数据进行干扰特征数据挖掘获得的当前干扰特征数据，其中，所述干扰特征数据包括类别干扰特征变量、属性值干扰特征变量、数据关系干扰特征变量中的至少一种；
对所述当前干扰特征数据进行干扰采集关系网络分析，输出多个干扰采集关系网络，所述干扰采集关系网络被配置于反映多个干扰采集元素之间的干扰采集关系；
结合多个所述干扰采集关系网络进行噪声特征分析所述大数据清洗任务当前所关联的业务指标预测训练事件的噪声特征路径，并结合所述噪声特征路径对所述大数据清洗任务进行任务路径优化；
所述结合多个所述干扰采集关系网络进行噪声特征分析所述大数据清洗任务当前所关联的业务指标预测训练事件的噪声特征路径，通过以下步骤实现：
结合符合模型上线要求的噪声路径分析模型对多个所述干扰采集关系网络进行噪声特征路径提取，输出所述大数据清洗任务当前所关联的业务指标预测训练事件的噪声特征路径；
其中，所述噪声路径分析模型的具体模型开发步骤包括：
将响应噪声学习指示进行噪声学习数据提取的多个干扰采集关系模板数据拆分成至少两个干扰采集关系模板数据集，将其中至少一个干扰采集关系模板数据集作为参考干扰采集关系模板数据集，各所述干扰采集关系模板数据包括至少两种干扰采集字段描述，所述干扰采集关系模板数据包括表征该干扰采集关系模板数据对应的目标噪声特征路径的可信噪声特征路径信息；
对于所述参考干扰采集关系模板数据集中的各干扰采集关系模板数据，获取该干扰采集关系模板数据的可信噪声特征路径信息，并获得该可信噪声特征路径信息与多个预设可信噪声特征路径信息中的各预设可信噪声特征路径信息的重合率，输出重合率低于指定重合率的至少一个目标可信噪声特征路径信息；
将所述干扰采集关系模板数据的可信噪声特征路径信息变更为任意一个所述目标可信噪声特征路径信息，当所述参考干扰采集关系模板数据集中的各干扰采集关系模板数据的可信噪声特征路径信息变更完成后，将该参考干扰采集关系模板数据集作为负干扰采集关系模板数据集，将其它干扰采集关系模板数据集作为正干扰采集关系模板数据集，输出目标噪声训练数据集；
结合所述目标噪声训练数据集对预设的第一噪声训练神经网络进行模型配置权重开发，输出所述噪声路径分析模型。
第二方面，本申请实施例还提供一种用于大数据清洗的人工智能处理系统，所述用于大数据清洗的人工智能处理系统包括大数据清洗系统以及与所述大数据清洗系统通信连接的多个AI云计算训练节点；
所述大数据清洗系统，用于：
获取针对大数据清洗任务所关联的业务指标预测训练事件的可信预测误差跟踪数据进行干扰特征数据挖掘获得的当前干扰特征数据，其中，所述干扰特征数据包括类别干扰特征变量、属性值干扰特征变量、数据关系干扰特征变量中的至少一种；
对所述当前干扰特征数据进行干扰采集关系网络分析，输出多个干扰采集关系网络，所述干扰采集关系网络被配置于反映多个干扰采集元素之间的干扰采集关系；
结合多个所述干扰采集关系网络进行噪声特征分析所述大数据清洗任务当前所关联的业务指标预测训练事件的噪声特征路径，并结合所述噪声特征路径对所述大数据清洗任务进行任务路径优化；
所述结合多个所述干扰采集关系网络进行噪声特征分析所述大数据清洗任务当前所关联的业务指标预测训练事件的噪声特征路径，通过以下步骤实现：
结合符合模型上线要求的噪声路径分析模型对多个所述干扰采集关系网络进行噪声特征路径提取，输出所述大数据清洗任务当前所关联的业务指标预测训练事件的噪声特征路径；
其中，所述噪声路径分析模型的具体模型开发步骤包括：
将响应噪声学习指示进行噪声学习数据提取的多个干扰采集关系模板数据拆分成至少两个干扰采集关系模板数据集，将其中至少一个干扰采集关系模板数据集作为参考干扰采集关系模板数据集，各所述干扰采集关系模板数据包括至少两种干扰采集字段描述，所述干扰采集关系模板数据包括表征该干扰采集关系模板数据对应的目标噪声特征路径的可信噪声特征路径信息；
对于所述参考干扰采集关系模板数据集中的各干扰采集关系模板数据，获取该干扰采集关系模板数据的可信噪声特征路径信息，并获得该可信噪声特征路径信息与多个预设可信噪声特征路径信息中的各预设可信噪声特征路径信息的重合率，输出重合率低于指定重合率的至少一个目标可信噪声特征路径信息；
将所述干扰采集关系模板数据的可信噪声特征路径信息变更为任意一个所述目标可信噪声特征路径信息，当所述参考干扰采集关系模板数据集中的各干扰采集关系模板数据的可信噪声特征路径信息变更完成后，将该参考干扰采集关系模板数据集作为负干扰采集关系模板数据集，将其它干扰采集关系模板数据集作为正干扰采集关系模板数据集，输出目标噪声训练数据集；
结合所述目标噪声训练数据集对预设的第一噪声训练神经网络进行模型配置权重开发，输出所述噪声路径分析模型。
采用上述任一方面的技术方案，通过对大数据清洗任务所关联的业务指标预测训练事件进行干扰特征数据挖掘获得的当前干扰特征数据进行干扰采集关系网络分析，输出多个干扰采集关系网络，结合多个所述干扰采集关系网络进行噪声特征分析所述大数据清洗任务当前所关联的业务指标预测训练事件的噪声特征路径，并结合所述噪声特征路径对所述大数据清洗任务进行任务路径优化，这样基于干扰采集关系网络可以反映干扰采集元素关系的特性进行噪声特征分析，由此提高噪声特征分析的全面性，进而提高大数据清洗的精准度。
附图说明
图1为本发明实施例提供的用于大数据清洗的人工智能处理方法的流程示意图。
具体实施方式
下面介绍本发明一种实施例提供的用于大数据清洗的人工智能处理系统10的架构，该用于大数据清洗的人工智能处理系统10可以包括大数据清洗系统100以及与大数据清洗系统100通信连接的AI云计算训练节点200。其中，用于大数据清洗的人工智能处理系统10中的大数据清洗系统100和AI云计算训练节点200可以通过配合执行以下方法实施例所描述的用于大数据清洗的人工智能处理方法，具体大数据清洗系统100和AI云计算训练节点200的执行步骤部分可以参照以下方法实施例的详细描述。
本实施例提供的用于大数据清洗的人工智能处理方法可以由大数据清洗系统100执行，下面结合图1对该用于大数据清洗的人工智能处理方法进行详细介绍。
Process110，获取针对大数据清洗任务所关联的业务指标预测训练事件进行干扰特征数据挖掘获得的当前干扰特征数据，其中，所述干扰特征数据包括类别干扰特征变量、属性值干扰特征变量、数据关系干扰特征变量、异常下载干扰特征变量中的至少一种。
Process120，对所述当前干扰特征数据进行干扰采集关系网络分析，输出多个干扰采集关系网络。
针对一些可能实施方式而言，所述干扰采集关系网络被配置于反映多个干扰采集元素之间的干扰采集关系（如存在噪声干扰的多个噪声数据对象之间的数据关联关系），多个干扰采集关系网络可以是所述类别干扰特征变量、属性值干扰特征变量、数据关系干扰特征变量中的其中至少两种干扰特征变量分别对应的干扰采集关系网络的组合。
Process130，结合多个所述干扰采集关系网络进行噪声特征分析所述大数据清洗任务当前所关联的业务指标预测训练事件的噪声特征路径，并结合所述噪声特征路径对所述大数据清洗任务进行任务路径优化。例如，可以将所述噪声特征路径记录到所述大数据清洗任务的清洗进程中，在后续的大数据清洗进程中清洗与所述噪声特征路径中各个噪声特征点所关联的特征数据。
由此，可以基于任务路径优化后的所述大数据清洗任务对所述业务指标预测训练事件所对应的第一大数据采集数据实时进行大数据清洗操作，获得对应的第二大数据采集数据，基于所述业务指标预测训练事件所指示的训练数据规则从所述第二大数据采集数据中提取对应的业务指标预测训练数据，从而提高后续的业务指标预测训练效果。
由此，本申请实施例通过对大数据清洗任务所关联的业务指标预测训练事件进行干扰特征数据挖掘获得的当前干扰特征数据进行干扰采集关系网络分析，输出多个干扰采集关系网络，结合多个所述干扰采集关系网络进行噪声特征分析所述大数据清洗任务当前所关联的业务指标预测训练事件的噪声特征路径，并结合所述噪声特征路径对所述大数据清洗任务进行任务路径优化，这样基于干扰采集关系网络可以反映干扰采集元素关系的特性进行噪声特征分析，由此提高噪声特征分析的全面性，进而提高大数据清洗的精准度。
针对一些可能实施方式而言，为了实现对所述噪声特征路径的精确分析，本实施例可以结合AI实现所述噪声特征路径的挖掘。由此，在上述Process130，结合多个所述干扰采集关系网络进行噪声特征分析所述大数据清洗任务当前所关联的业务指标预测训练事件的噪声特征路径，可以结合符合模型上线要求的噪声路径分析模型对多个所述干扰采集关系网络进行噪声特征路径提取，输出所述大数据清洗任务当前所关联的业务指标预测训练事件的噪声特征路径。
其中，所述噪声路径分析模型通过以下Process131-Process134进行模型部署开发。
Process131，将响应噪声学习指示进行噪声学习数据提取的多个干扰采集关系模板数据拆分成至少两个干扰采集关系模板数据集，将其中至少一个干扰采集关系模板数据集作为参考干扰采集关系模板数据集。
各所述干扰采集关系模板数据可以包括至少两种干扰采集字段描述，所述干扰采集关系模板数据包括表征该干扰采集关系模板数据对应的目标噪声特征路径的可信噪声特征路径信息。此外，不同的可信噪声特征路径信息之间具有相应的重合率。
Process132，对于所述参考干扰采集关系模板数据集中的各干扰采集关系模板数据，获取该干扰采集关系模板数据的可信噪声特征路径信息，并获得该可信噪声特征路径信息与多个预设可信噪声特征路径信息中的各预设可信噪声特征路径信息的重合率，输出重合率低于指定重合率的至少一个目标可信噪声特征路径信息。
针对一些可能实施方式而言，多个所述预设可信噪声特征路径信息可以是预先为各可能的噪声特征路径而设定的可信噪声特征路径信息，用于对相应的噪声特征路径进行AI学习流程中的标签标定。
Process133，将所述干扰采集关系模板数据的可信噪声特征路径信息变更为任意一个所述目标可信噪声特征路径信息，当所述参考干扰采集关系模板数据集中的各参考干扰采集关系模板数据的可信噪声特征路径信息变更完成后，将该参考干扰采集关系模板数据集作为负干扰采集关系模板数据集，将其它干扰采集关系模板数据集作为正干扰采集关系模板数据集，输出目标噪声训练数据集。
Process144，结合所述目标噪声训练数据集对预设的第一噪声训练神经网络进行模型配置权重开发，输出所述噪声路径分析模型。
针对一些可能实施方式而言，对于Process144，结合所述目标噪声训练数据集对预设的第一噪声训练神经网络进行模型配置权重开发的每次模型配置权重开发阶段，参见下述步骤进行执行。
Process1441，逐个调取正干扰采集关系模板数据集，将所述正干扰采集关系模板数据集中的各干扰采集关系模板数据传递到所述第一噪声训练神经网络进行噪声特征路径分析。
Process1442，结合对于所述正干扰采集关系模板数据集中的各干扰采集关系模板数据的噪声特征路径分析数据与该干扰采集关系模板数据对应的可信噪声特征路径信息的第一特征区别信息，输出针对该正干扰采集关系模板数据集的第一训练评价系数。
针对一些可能实施方式而言，可以将针对各个干扰采集关系模板数据的噪声特征路径分析数据与各相应的干扰采集关系模板数据对应的可信噪声特征路径信息的多个第一特征区别信息的特征区别平均值计算得到所述第一训练评价系数（loss值）。其中，所述第一特征区别平均值与所述第一训练评价系数正相关。例如，所述特征区别平均值越大，则所述第一训练评价系数越大。
Process1443，逐个调取负干扰采集关系模板数据集，将所述负干扰采集关系模板数据集中的各干扰采集关系模板数据传递到所述第一噪声训练神经网络进行噪声特征路径分析。
Process1444，结合对于所述负干扰采集关系模板数据集中的各干扰采集关系模板数据的噪声特征路径分析数据与该干扰采集关系模板数据对应的可信噪声特征路径信息的第二特征区别信息，输出针对该负干扰采集关系模板数据集的第二训练评价系数；
针对一些可能实施方式而言，可以将针对各个干扰采集关系模板数据的噪声特征路径分析数据与各相应的干扰采集关系模板数据对应的可信噪声特征路径信息的各个第二特征区别信息的特征区别平均值计算得到所述第二训练评价系数。其中，所述第二特征区别平均值与所述第二训练评价系数正相关。例如，所述第二特征区别平均值越大，则所述第一训练评价系数越大。
Process1445，结合所述第一训练评价系数以及所述第二训练评价系数对所述第一噪声训练神经网络进行模型配置权重开发。
Process1446，分析当前模型配置权重开发阶段是否符合模型上线部署规则，当符合模型上线部署规则时，将当前模型配置权重开发后的所述第一噪声训练神经网络作为所述噪声路径分析模型；若不符合模型上线部署规则，则跳转至下一模型配置权重开发阶段。
其中，所述模型上线部署规则可以是所述第一训练评价系数以及所述第二训练评价系数分别超过设定训练评价系数。
针对一些可能实施方式而言，也可以结合AI策略实现所述干扰采集关系网络的生成。在上述Process120中，对所述当前干扰特征数据进行干扰采集关系网络分析，输出多个干扰采集关系网络，可以是：结合干扰采集关系决策模型对所述当前干扰特征数据进行干扰采集关系网络分析，输出多个所述干扰采集关系网络。
针对一些可能实施方式而言，所述方法还包括对预设的第二噪声训练神经网络进行模型配置权重开发而获得所述干扰采集关系决策模型的步骤，参见下述步骤进行执行。
（1）获取多个所述模板干扰特征数据集，结合多个所述模板干扰特征数据集，输出多个所述待调度干扰特征库。
针对一些可能实施方式而言，多个所述待调度干扰特征库中的每种待调度干扰特征库可以包括一种相关的干扰采集关系网络对应的第一模板干扰特征数据、第二模板干扰特征数据和第三模板干扰特征数据。各种所述待调度干扰特征库中的第一模板干扰特征数据、第二模板干扰特征数据和第三模板干扰特征数据形成的待调度干扰特征库是结合多个所述模板干扰特征数据集确定的。多个所述模板干扰特征数据集中的每种模板干扰特征数据集包括一种干扰采集关系网络对应的第一成员干扰特征数据和第二成员干扰特征数据。其中，所述第一模板干扰特征数据和所述第二模板干扰特征数据分别携带不同的可信干扰采集关系网络，所述第三模板干扰特征数据为未携带可信干扰采集关系网络的模板干扰特征数据。
针对一些可能实施方式而言，所述结合多个所述模板干扰特征数据集，输出多个所述待调度干扰特征库，参见下述步骤进行执行。
（11）将多个所述模板干扰特征数据集中的目标干扰识别标签的第一成员干扰特征数据，确定为目标干扰识别标签的第一模板干扰特征数据。
（12）从多个所述模板干扰特征数据集的第二成员干扰特征数据中，输出目标干扰识别标签的第三模板干扰特征数据。
针对一些可能实施方式而言，可以从多个所述第二成员干扰特征数据中，将目标干扰识别标签的第二成员干扰特征数据以外的其它第二成员干扰特征数据确定为所述目标干扰识别标签的第三模板干扰特征数据。
又针对一些可能实施方式而言，可以结合目标干扰识别标签的干扰采集关系网络在多个所述模板干扰特征数据集中的影响权重系数，从多个所述第二成员干扰特征数据中，输出所述目标干扰识别标签的第三模板干扰特征数据。其中，所述影响权重系数反映所述目标干扰识别标签的干扰采集关系网络在多个所述的模板干扰特征数据集中的重要性。影响权重系数越大则表面该目标干扰识别标签的干扰采集关系网络对于噪声特征路径的重要性较大。
其中，响应于多个所述干扰采集关系网络中的目标干扰识别标签的干扰采集关系网络在多个所述模板干扰特征数据集中的影响权重系数超过预设影响权重系数，可以将所述第二成员干扰特征数据中所述目标干扰识别标签的第二成员干扰特征数据以外的其它第二成员干扰特征数据，确定为所述目标干扰识别标签的第三模板干扰特征数据。响应于所述目标干扰识别标签的干扰采集关系网络在多个所述模板干扰特征数据集中的影响权重系数不超过所述预设影响权重系数，则可以将所述目标干扰识别标签的干扰采集关系网络对应的第二成员干扰特征数据确定为所述目标干扰识别标签的第三模板干扰特征数据，其它的第二成员干扰特征数据确定为所述第二模板干扰特征数据。
（13）从多个所述模板干扰特征数据集中，将所述目标干扰识别标签的第一模板干扰特征数据和所述目标干扰识别标签的第三模板干扰特征数据之外的其它干扰特征数据，确定为目标干扰识别标签的第二模板干扰特征数据。
（14）将所述目标干扰识别标签的第一模板干扰特征数据、所述目标干扰识别标签的第二模板干扰特征数据和所述目标干扰识别标签的第三模板干扰特征数据汇聚确定为所述目标干扰识别标签的待调度干扰特征库，从而确定多个所述待调度干扰特征库。
（2）结合多个所述待调度干扰特征库，对所述预设的第二噪声训练神经网络进行模型配置权重开发，以实现所述初始干扰采集关系决策模型的模型配置权重开发，输出所述干扰采集关系决策模型。
针对一些可能实施方式而言，可以针对各目标干扰识别标签对应的待调度干扰特征库，可以分别将该目标干扰识别标签对应的待调度干扰特征库对应的第一模板干扰特征数据、第二模板干扰特征数据对所述第二噪声训练神经网络进行有监督训练，然后再结合所述第三模板干扰特征数据对通过所述第一模板干扰特征数据、第二模板干扰特征数据进行有监督训练后的第二噪声训练神经网络进行无监督训练，如此反复，直到结合各目标干扰识别标签的参考特征待调度干扰特征库对所述第二噪声训练神经网络完成训练后，输出所述干扰采集关系决策模型。
针对一些可能实施方式而言，所述干扰采集关系决策模型可以包括字段描述层和多个干扰采集关系网络分析层。其中，所述字段描述层用于对所述当前干扰特征数据进行字段描述，输出所述当前干扰特征数据中包括的至少两种干扰采集字段描述。多个所述干扰采集关系网络分析层中的各种干扰采集关系网络分析层用于结合所述字段描述层得到的至少两种干扰采集字段描述进行干扰采集关系网络分析，从而确定多个干扰采集关系网络。
针对一些可能实施方式而言，上述（2）中，结合多个所述待调度干扰特征库，对所述预设的第二噪声训练神经网络进行模型配置权重开发，以实现所述初始干扰采集关系决策模型的模型配置权重开发，输出所述干扰采集关系决策模型，可以参见下述实施例。
（21）将多个所述待调度干扰特征库中的模板干扰特征数据拆分成多组模板干扰特征数据。
（22）结合多个所述待调度干扰特征库中的s组模板干扰特征数据，在当前模型配置进程中，对所述第二噪声训练神经网络执行s次模型配置权重开发，输出s次模型配置权重开发确定的多个Loss值中的各种Loss值和当前模型配置进程中模型配置权重开发后的第二噪声训练神经网络。其中，多个所述Loss值分别与多个所述干扰采集关系网络分析层一一对应。
针对一些可能实施方式而言，可以在当前模型配置进程中，结合所述s次模型配置权重开发中而获得第d-1次模型配置权重开发阶段确定的第二噪声训练神经网络中的字段描述层，获取多个所述模板干扰特征数据集中s组模板干扰特征数据中的第d组模板干扰特征数据的干扰采集关系网络，输出第d干扰采集关系网络，d不超过s；
然后，结合所述第d-1次模型配置权重开发阶段确定的第二噪声训练神经网络中的各种干扰采集关系网络分析层，并结合所述s组模板干扰特征数据中与所述第d组模板干扰特征数据对应的第d组模板干扰特征数据，输出所述第d干扰采集关系网络的各种Loss值，输出第d次模型配置权重开发对应的Loss值；
其次，结合所述第d次模型配置权重开发对应的Loss值，对所述第d-1次模型配置权重开发阶段确定的第二噪声训练神经网络进行网络配置开发，输出第d次网络配置开发后的第二噪声训练神经网络；
最后，迭代遍历以上阶段，输出s次模型配置权重开发确定的多个Loss值中的各种Loss值和当前模型配置进程中模型配置权重开发后的第二噪声训练神经网络，确定为所述干扰采集关系决策模型；
其中，所述模型部署规则包括：
所述当前模型配置进程中的目标Loss值低于设定Loss值；或者
所述模型配置权重开发的迭代次数超过指定阈值。
（23）结合所述s次模型配置权重开发确定的多个Loss值中的各种Loss值，输出当前模型配置进程中的目标Loss值。
（24）结合所述当前模型配置进程中的目标Loss值以及模型配置权重开发的次数分析是否符合模型部署规则，当符合模型部署规则时，将所述当前模型配置进程中模型配置权重开发后的第二噪声训练神经网络作为所述干扰采集关系决策模型。其中，当不符合模型部署规则时，执行下一次模型配置权重开发阶段，输出下一次模型配置权重开发阶段中的目标Loss值和下一次模型配置权重开发阶段中模型配置权重开发后的第二噪声训练神经网络。
一些实施例中，大数据清洗系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。
处理器110可以依据存储在机器可读存储介质120中的程序而执行各种适当的动作和处理，例如前述实施例所描述的用于大数据清洗的人工智能处理方法所相关的程序指令。处理器110、机器可读存储介质120以及通信单元140通过总线130进行信号传输。
特别地，依据本发明的实施例，上文示例性流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信单元140从网络上被下载和安装，在该计算机程序被处理器110执行时，执行本发明实施例的方法中限定的上述功能。
本发明又一实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上述任一实施例所述的用于大数据清洗的人工智能处理方法。
本发明又一实施例还提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上述任一实施例所述的用于大数据清洗的人工智能处理方法。
应该理解的是，虽然本发明实施例的流程图中通过箭头指示各个操作步骤，但是这些步骤的实施顺序并不受限于箭头所指示的顺序。除非本文中有明确的说明，否则在本发明实施例的一些实施场景中，各流程图中的实施步骤可以依据需求以其它的顺序执行。此外，各流程图中的部分或全部步骤依据实际的实施场景，可以包括若干子步骤或者若干阶段。这些子步骤或者阶段中的部分或全部可以在同一时刻被执行，这些子步骤或者阶段中的各个子步骤或者阶段也可以各自在不同的时刻被执行。在执行时刻不同的场景下，这些子步骤或者阶段的执行顺序可以依据需求灵活配置，本发明实施例对此不限制。
以上所述仅是本发明部分实施场景的可选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明的方案技术构思的前提下，依据依据本发明技术思想的其它类似实施手段，同样属于本发明实施例的保护范畴。
Claims (10)
1.一种用于大数据清洗的人工智能处理方法，其特征在于，应用于大数据清洗系统，所述方法包括：
获取针对大数据清洗任务所关联的业务指标预测训练事件的可信预测误差跟踪数据进行干扰特征数据挖掘获得的当前干扰特征数据，其中，所述干扰特征数据包括类别干扰特征变量、属性值干扰特征变量、数据关系干扰特征变量中的至少一种；
对所述当前干扰特征数据进行干扰采集关系网络分析，输出多个干扰采集关系网络，所述干扰采集关系网络被配置于反映多个干扰采集元素之间的干扰采集关系；
结合多个所述干扰采集关系网络进行噪声特征分析所述大数据清洗任务当前所关联的业务指标预测训练事件的噪声特征路径，并结合所述噪声特征路径对所述大数据清洗任务进行任务路径优化；
所述结合多个所述干扰采集关系网络进行噪声特征分析所述大数据清洗任务当前所关联的业务指标预测训练事件的噪声特征路径，通过以下步骤实现：
结合符合模型上线要求的噪声路径分析模型对多个所述干扰采集关系网络进行噪声特征路径提取，输出所述大数据清洗任务当前所关联的业务指标预测训练事件的噪声特征路径；
其中，所述噪声路径分析模型的具体模型开发步骤包括：
将响应噪声学习指示进行噪声学习数据提取的多个干扰采集关系模板数据拆分成至少两个干扰采集关系模板数据集，将其中至少一个干扰采集关系模板数据集作为参考干扰采集关系模板数据集，各所述干扰采集关系模板数据包括至少两种干扰采集字段描述，所述干扰采集关系模板数据包括表征该干扰采集关系模板数据对应的目标噪声特征路径的可信噪声特征路径信息；
对于所述参考干扰采集关系模板数据集中的各干扰采集关系模板数据，获取该干扰采集关系模板数据的可信噪声特征路径信息，并获得该可信噪声特征路径信息与多个预设可信噪声特征路径信息中的各预设可信噪声特征路径信息的重合率，输出重合率低于指定重合率的至少一个目标可信噪声特征路径信息；
将所述干扰采集关系模板数据的可信噪声特征路径信息变更为任意一个所述目标可信噪声特征路径信息，当所述参考干扰采集关系模板数据集中的各干扰采集关系模板数据的可信噪声特征路径信息变更完成后，将该参考干扰采集关系模板数据集作为负干扰采集关系模板数据集，将其它干扰采集关系模板数据集作为正干扰采集关系模板数据集，输出目标噪声训练数据集；
结合所述目标噪声训练数据集对预设的第一噪声训练神经网络进行模型配置权重开发，输出所述噪声路径分析模型。
2.根据权利要求1所述的用于大数据清洗的人工智能处理方法，其特征在于，结合所述目标噪声训练数据集对预设的第一噪声训练神经网络进行模型配置权重开发的每次模型配置权重开发阶段，通过以下步骤实现：
逐个调取正干扰采集关系模板数据集，将所述正干扰采集关系模板数据集中的各干扰采集关系模板数据传递到所述第一噪声训练神经网络进行噪声特征路径分析；
结合对于所述正干扰采集关系模板数据集中的各干扰采集关系模板数据的噪声特征路径分析数据与该干扰采集关系模板数据对应的可信噪声特征路径信息的第一特征区别信息，输出针对该正干扰采集关系模板数据集的第一训练评价系数；
逐个调取负干扰采集关系模板数据集，将所述负干扰采集关系模板数据集中的各干扰采集关系模板数据传递到所述第一噪声训练神经网络进行噪声特征路径分析；
结合对于所述负干扰采集关系模板数据集中的各干扰采集关系模板数据的噪声特征路径分析数据与该干扰采集关系模板数据对应的可信噪声特征路径信息的第二特征区别信息，输出针对该负干扰采集关系模板数据集的第二训练评价系数；
结合所述第一训练评价系数以及所述第二训练评价系数对所述第一噪声训练神经网络进行模型配置权重开发；
分析当前模型配置权重开发阶段是否符合模型上线部署规则，当符合模型上线部署规则时，将当前模型配置权重开发后的所述第一噪声训练神经网络作为所述噪声路径分析模型；
若不符合模型上线部署规则，则跳转至下一模型配置权重开发阶段。
3.根据权利要求1所述的用于大数据清洗的人工智能处理方法，其特征在于，所述对所述当前干扰特征数据进行干扰采集关系网络分析，输出多个干扰采集关系网络，通过以下步骤实现：
结合干扰采集关系决策模型对所述当前干扰特征数据进行干扰采集关系网络分析，输出多个所述干扰采集关系网络；
所述方法还包括对预设的第二噪声训练神经网络进行模型配置权重开发而获得所述干扰采集关系决策模型的步骤，所述步骤包括：
获取多个模板干扰特征数据集，结合多个所述模板干扰特征数据集，输出多个待调度干扰特征库；
多个所述待调度干扰特征库中的每种待调度干扰特征库包括一种相关的干扰采集关系网络对应的第一模板干扰特征数据、第二模板干扰特征数据和第三模板干扰特征数据；各种所述待调度干扰特征库中的第一模板干扰特征数据、第二模板干扰特征数据和第三模板干扰特征数据形成的待调度干扰特征库是结合多个所述模板干扰特征数据集确定的；多个所述模板干扰特征数据集中的每种模板干扰特征数据集包括一种干扰采集关系网络对应的第一成员干扰特征数据和第二成员干扰特征数据，所述第一模板干扰特征数据和所述第二模板干扰特征数据分别携带不同的可信干扰采集关系网络，所述第三模板干扰特征数据为未携带可信干扰采集关系网络的模板干扰特征数据；
结合多个所述待调度干扰特征库，对所述预设的第二噪声训练神经网络进行模型配置权重开发，以实现初始干扰采集关系决策模型的模型配置权重开发，输出所述干扰采集关系决策模型。
4.根据权利要求3所述的用于大数据清洗的人工智能处理方法，其特征在于，所述结合多个所述模板干扰特征数据集，输出多个所述待调度干扰特征库，通过以下步骤实现：
将多个所述模板干扰特征数据集中的目标干扰识别标签的第一成员干扰特征数据，确定为目标干扰识别标签的第一模板干扰特征数据；
从多个所述模板干扰特征数据集的第二成员干扰特征数据中，输出目标干扰识别标签的第三模板干扰特征数据；
从多个所述模板干扰特征数据集中，将所述目标干扰识别标签的第一模板干扰特征数据和所述目标干扰识别标签的第三模板干扰特征数据之外的其它干扰特征数据，确定为目标干扰识别标签的第二模板干扰特征数据；
将所述目标干扰识别标签的第一模板干扰特征数据、所述目标干扰识别标签的第二模板干扰特征数据和所述目标干扰识别标签的第三模板干扰特征数据汇聚确定为所述目标干扰识别标签的待调度干扰特征库，从而确定多个所述待调度干扰特征库。
5.根据权利要求4所述的用于大数据清洗的人工智能处理方法，其特征在于，所述从多个所述模板干扰特征数据集的第二成员干扰特征数据中，输出目标干扰识别标签的第三模板干扰特征数据，通过以下步骤实现：
从多个所述第二成员干扰特征数据中，将目标干扰识别标签的第二成员干扰特征数据以外的其它第二成员干扰特征数据确定为所述目标干扰识别标签的第三模板干扰特征数据；或者
结合目标干扰识别标签的干扰采集关系网络在多个所述模板干扰特征数据集中的影响权重系数，从多个所述第二成员干扰特征数据中，输出所述目标干扰识别标签的第三模板干扰特征数据，具体包括：
响应于多个所述干扰采集关系网络中的目标干扰识别标签的干扰采集关系网络在多个所述模板干扰特征数据集中的影响权重系数超过预设影响权重系数，则将所述第二成员干扰特征数据中所述目标干扰识别标签的第二成员干扰特征数据以外的其它第二成员干扰特征数据，确定为所述目标干扰识别标签的第三模板干扰特征数据；
响应于所述目标干扰识别标签的干扰采集关系网络在多个所述模板干扰特征数据集中的影响权重系数不超过所述预设影响权重系数，则将所述目标干扰识别标签的干扰采集关系网络对应的第二成员干扰特征数据确定为所述目标干扰识别标签的第三模板干扰特征数据，其它的第二成员干扰特征数据确定为所述第二模板干扰特征数据。
6.根据权利要求5所述的用于大数据清洗的人工智能处理方法，其特征在于，所述干扰采集关系决策模型包括字段描述层和多个干扰采集关系网络分析层，所述字段描述层用于对所述当前干扰特征数据进行字段描述，输出所述当前干扰特征数据中包括的至少两种干扰采集字段描述；多个所述干扰采集关系网络分析层中的各种干扰采集关系网络分析层用于结合所述字段描述层得到的至少两种干扰采集字段描述进行干扰采集关系网络分析，从而确定多个干扰采集关系网络；
所述结合多个所述待调度干扰特征库，对所述预设的第二噪声训练神经网络进行模型配置权重开发，以实现所述初始干扰采集关系决策模型的模型配置权重开发，输出所述干扰采集关系决策模型，通过以下步骤实现：
将多个所述待调度干扰特征库中的模板干扰特征数据拆分成多组模板干扰特征数据；
结合多个所述待调度干扰特征库中的s组模板干扰特征数据，在当前模型配置进程中，对所述第二噪声训练神经网络执行s次模型配置权重开发，输出s次模型配置权重开发确定的多个Loss值中的各种Loss值和当前模型配置进程中模型配置权重开发后的第二噪声训练神经网络；多个所述Loss值分别与多个所述干扰采集关系网络分析层一一对应；
结合所述s次模型配置权重开发确定的多个Loss值中的各种Loss值，输出当前模型配置进程中的目标Loss值；
结合所述当前模型配置进程中的目标Loss值以及模型配置权重开发的次数分析是否符合模型部署规则；
当符合模型部署规则时，将所述当前模型配置进程中模型配置权重开发后的第二噪声训练神经网络作为所述干扰采集关系决策模型；
当不符合模型部署规则时，执行下一次模型配置权重开发阶段，输出下一次模型配置权重开发阶段中的目标Loss值和下一次模型配置权重开发阶段中模型配置权重开发后的第二噪声训练神经网络。
7.根据权利要求6所述的用于大数据清洗的人工智能处理方法，其特征在于，所述结合多个所述待调度干扰特征库中的s组模板干扰特征数据，在当前模型配置进程中，对所述第二噪声训练神经网络执行s次模型配置权重开发，输出s次模型配置权重开发确定的多个Loss值中的各种Loss值和当前模型配置进程中模型配置权重开发后的第二噪声训练神经网络，通过以下步骤实现：
在当前模型配置进程中，结合所述s次模型配置权重开发中而获得第d-1次模型配置权重开发阶段确定的第二噪声训练神经网络中的字段描述层，获取多个所述模板干扰特征数据集中s组模板干扰特征数据中的第d组模板干扰特征数据的干扰采集关系网络，输出第d干扰采集关系网络，d不超过s；
结合所述第d-1次模型配置权重开发阶段确定的第二噪声训练神经网络中的各种干扰采集关系网络分析层，并结合所述s组模板干扰特征数据中与所述第d组模板干扰特征数据对应的第d组模板干扰特征数据，输出所述第d干扰采集关系网络的各种Loss值，输出第d次模型配置权重开发对应的Loss值；
结合所述第d次模型配置权重开发对应的Loss值，对所述第d-1次模型配置权重开发阶段确定的第二噪声训练神经网络进行网络配置开发，输出第d次网络配置开发后的第二噪声训练神经网络；
迭代遍历以上阶段，输出s次模型配置权重开发确定的多个Loss值中的各种Loss值和当前模型配置进程中模型配置权重开发后的第二噪声训练神经网络，确定为所述干扰采集关系决策模型；
其中，所述模型部署规则包括：所述当前模型配置进程中的目标Loss值低于设定Loss值；或者所述模型配置权重开发的迭代次数超过指定阈值。
8.根据权利要求1-7中任意一项所述的用于大数据清洗的人工智能处理方法，其特征在于，所述方法还包括：
基于任务路径优化后的所述大数据清洗任务对所述业务指标预测训练事件所对应的第一大数据采集数据实时进行大数据清洗操作，获得对应的第二大数据采集数据；
基于所述业务指标预测训练事件所指示的训练数据规则从所述第二大数据采集数据中提取对应的业务指标预测训练数据。
9.一种大数据清洗系统，其特征在于，所述大数据清洗系统包括至少一个存储介质和至少一个处理器，所述至少一个存储介质用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令以执行权利要求1-8中任意一项的用于大数据清洗的人工智能处理方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储计算机指令，所述计算机指令被计算机执行时以实现权利要求1-8中任意一项的用于大数据清洗的人工智能处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210786166.5A CN115048370B (zh) | 2022-07-06 | 2022-07-06 | 用于大数据清洗的人工智能处理方法及大数据清洗系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210786166.5A CN115048370B (zh) | 2022-07-06 | 2022-07-06 | 用于大数据清洗的人工智能处理方法及大数据清洗系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115048370A true CN115048370A (zh) | 2022-09-13 |
| CN115048370B CN115048370B (zh) | 2023-01-03 |
Family
ID=83165231
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210786166.5A Active CN115048370B (zh) | 2022-07-06 | 2022-07-06 | 用于大数据清洗的人工智能处理方法及大数据清洗系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115048370B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115422179A (zh) * | 2022-09-14 | 2022-12-02 | 冯秦海 | 基于大数据清洗的ai训练处理方法及人工智能训练系统 |
| CN115422472A (zh) * | 2022-09-14 | 2022-12-02 | 戴蔚 | 基于人工智能识别的用户关注需求决策方法及大数据系统 |
| CN117891812A (zh) * | 2024-03-18 | 2024-04-16 | 北京数字一百信息技术有限公司 | 一种基于人工智能的大数据清洗方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150184549A1 (en) * | 2013-12-31 | 2015-07-02 | General Electric Company | Methods and systems for enhancing control of power plant generating units |
| WO2016178778A1 (en) * | 2015-05-04 | 2016-11-10 | Isco International, Llc | Method and apparatus for increasing performance of communication paths for communication nodes |
| JP2016206914A (ja) * | 2015-04-22 | 2016-12-08 | 株式会社日立製作所 | 意思決定支援システム、及び意志決定支援方法 |
| WO2020210673A1 (en) * | 2019-04-10 | 2020-10-15 | Cornell University | Neuromorphic algorithm for rapid online learning and signal restoration |
| CN111918312A (zh) * | 2020-08-14 | 2020-11-10 | 盐城工学院 | 一种新型无线通信网络的动态优化方法及系统 |
| CN112801155A (zh) * | 2021-01-20 | 2021-05-14 | 廖彩红 | 基于人工智能的业务大数据分析方法及服务器 |
| CN113382477A (zh) * | 2021-05-14 | 2021-09-10 | 北京邮电大学 | 应用于无线网络用户间上行干扰建模的方法 |
| CN114443970A (zh) * | 2021-12-29 | 2022-05-06 | 张洪敏 | 基于人工智能和大数据的数字化内容推送方法及ai系统 |
| CN114697128A (zh) * | 2022-04-13 | 2022-07-01 | 石家庄汇勤网络科技有限公司 | 通过人工智能决策的大数据去噪方法及大数据采集系统 |
| CN114691664A (zh) * | 2022-04-13 | 2022-07-01 | 宁夏沸蓝科技发展有限公司 | 基于ai预测的智慧场景大数据清洗方法及智慧场景系统 |
-
2022
- 2022-07-06 CN CN202210786166.5A patent/CN115048370B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150184549A1 (en) * | 2013-12-31 | 2015-07-02 | General Electric Company | Methods and systems for enhancing control of power plant generating units |
| JP2016206914A (ja) * | 2015-04-22 | 2016-12-08 | 株式会社日立製作所 | 意思決定支援システム、及び意志決定支援方法 |
| WO2016178778A1 (en) * | 2015-05-04 | 2016-11-10 | Isco International, Llc | Method and apparatus for increasing performance of communication paths for communication nodes |
| WO2020210673A1 (en) * | 2019-04-10 | 2020-10-15 | Cornell University | Neuromorphic algorithm for rapid online learning and signal restoration |
| CN111918312A (zh) * | 2020-08-14 | 2020-11-10 | 盐城工学院 | 一种新型无线通信网络的动态优化方法及系统 |
| CN112801155A (zh) * | 2021-01-20 | 2021-05-14 | 廖彩红 | 基于人工智能的业务大数据分析方法及服务器 |
| CN113382477A (zh) * | 2021-05-14 | 2021-09-10 | 北京邮电大学 | 应用于无线网络用户间上行干扰建模的方法 |
| CN114443970A (zh) * | 2021-12-29 | 2022-05-06 | 张洪敏 | 基于人工智能和大数据的数字化内容推送方法及ai系统 |
| CN114697128A (zh) * | 2022-04-13 | 2022-07-01 | 石家庄汇勤网络科技有限公司 | 通过人工智能决策的大数据去噪方法及大数据采集系统 |
| CN114691664A (zh) * | 2022-04-13 | 2022-07-01 | 宁夏沸蓝科技发展有限公司 | 基于ai预测的智慧场景大数据清洗方法及智慧场景系统 |
Non-Patent Citations (6)
| Title |
|---|
| AVENUECYY: "数据挖掘：数据清洗——数据噪声处理", 《HTTPS://BLOG.CSDN.NET/AVENUECYY/ARTICLE/DETAILS/104389276》 * |
| MUHAMMAD SHAHIN UDDIN等: "Path mapping and control of mobile cleaning robot using LED-ID network", 《 2011 THIRD INTERNATIONAL CONFERENCE ON UBIQUITOUS AND FUTURE NETWORKS (ICUFN)》 * |
| 于龙海: "面向物联网系统的安全技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 刘林等: "一种基于RFID数据集的短期预测分析", 《中国管理科学》 * |
| 史瑞龙: "建设项目工程变更风险传播研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
| 张晓芳: "基于机器学习的光纤网络激光器异常功率数据采集系统设计", 《激光杂志》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115422179A (zh) * | 2022-09-14 | 2022-12-02 | 冯秦海 | 基于大数据清洗的ai训练处理方法及人工智能训练系统 |
| CN115422472A (zh) * | 2022-09-14 | 2022-12-02 | 戴蔚 | 基于人工智能识别的用户关注需求决策方法及大数据系统 |
| CN115422472B (zh) * | 2022-09-14 | 2023-11-07 | 河北盘古网络技术有限公司 | 基于人工智能识别的用户关注需求决策方法及大数据系统 |
| CN117891812A (zh) * | 2024-03-18 | 2024-04-16 | 北京数字一百信息技术有限公司 | 一种基于人工智能的大数据清洗方法及系统 |
| CN117891812B (zh) * | 2024-03-18 | 2024-05-24 | 北京数字一百信息技术有限公司 | 一种基于人工智能的大数据清洗方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115048370B (zh) | 2023-01-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115048370B (zh) | 用于大数据清洗的人工智能处理方法及大数据清洗系统 | |
| CN110991658A (zh) | 模型训练方法、装置、电子设备和计算机可读存储介质 | |
| CN114697128B (zh) | 通过人工智能决策的大数据去噪方法及大数据采集系统 | |
| CN109871891B (zh) | 一种物体识别方法、装置和存储介质 | |
| CN114564726B (zh) | 一种基于大数据办公的软件漏洞分析方法及系统 | |
| CN113360349A (zh) | 基于大数据和云业务的信息优化方法及人工智能监测系统 | |
| CN115309575A (zh) | 基于图卷积神经网络的微服务故障诊断方法、装置及设备 | |
| CN115174231A (zh) | 一种基于AI Knowledge Base的网络欺诈分析方法及服务器 | |
| CN117725592A (zh) | 一种基于有向图注意力网络的智能合约漏洞检测方法 | |
| CN114978765B (zh) | 服务于信息攻击防御的大数据处理方法及ai攻击防御系统 | |
| CN112579755A (zh) | 基于人工智能和云计算的信息应答方法及信息互动平台 | |
| CN115470504A (zh) | 结合人工智能的数据风险分析方法及服务器 | |
| CN115455426A (zh) | 基于漏洞分析模型开发的业务错误分析方法及云端ai系统 | |
| CN113098884A (zh) | 基于大数据的网络安全监控方法、云平台系统及介质 | |
| CN115409168A (zh) | 神经网络优化方法及其装置 | |
| CN115438979B (zh) | 一种融合专家模型决策的数据风险识别方法及服务器 | |
| Tariq et al. | Time efficient end-state prediction through hybrid trace decomposition using process mining | |
| CN117826771B (zh) | 基于ai分析的冷轧机控制系统异常检测方法及系统 | |
| CN114912447B (zh) | 基于智慧城市的数据处理方法及设备 | |
| CN115086000B (zh) | 网络入侵检测方法及系统 | |
| CN112837040B (zh) | 应用于智能电网的电力数据管理方法及系统 | |
| US12020008B2 (en) | Extensibility recommendation system for custom code objects | |
| CN115438349B (zh) | 服务于漏洞数据库的大数据分析方法及信息安全服务系统 | |
| Puranik et al. | Ensemble Deep Learning based Real-time Log Anomaly Detection | |
| CN114500101B (zh) | 一种基于云计算的云游戏漏洞分析方法及服务器 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20221102 Address after: No. 2, South End of Guizhong Avenue, Chengzhong District, Liuzhou City, Guangxi Zhuang Autonomous Region, 545000 Applicant after: Li Rui Address before: No. 9, 7th Floor, Building 1, Dadong Digital International Plaza, Sanzhong Road, Liuzhou City, Guangxi Zhuang Autonomous Region, 545000 Applicant before: Liuzhou Xiongbang Computer Network Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20221215 Address after: Room 201, Jinhu Building, 2nd Floor, No. 2, Donghu West Road, Yuexiu District, Guangzhou, Guangdong 510000 Applicant after: Guangzhou Jinyuan Technology Development Co.,Ltd. Address before: No. 2, South End of Guizhong Avenue, Chengzhong District, Liuzhou City, Guangxi Zhuang Autonomous Region, 545000 Applicant before: Li Rui |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |