CN115309513A - 基于事件的决策方法、系统、存储介质及计算机设备 - Google Patents
基于事件的决策方法、系统、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN115309513A CN115309513A CN202210847537.6A CN202210847537A CN115309513A CN 115309513 A CN115309513 A CN 115309513A CN 202210847537 A CN202210847537 A CN 202210847537A CN 115309513 A CN115309513 A CN 115309513A
- Authority
- CN
- China
- Prior art keywords
- event
- sub
- virtual robot
- decision
- events
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/466—Transaction processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种基于事件的决策方法、系统、存储介质以及计算机设备,该包括:获取待处理事件;将待处理事件拆分为多个第一子事件;将每一个第一子事件分配给对应的虚拟机器人进行处理,得到每一个第一子事件的处理结果;确认每一个第一子事件的处理结果不可以进行拆分时,根据多个第一子事件的处理结果得到决策结果;确认多个第一子事件的处理结果可以进行拆分时,根据多个第一子事件的处理结果进行拆分、分配给对应的虚拟机器人进行处理以及分析至第N子事件的处理结果不可以进行拆分为止;根据多个第N子事件的处理结果得到决策结果。本发明实施例在事件处理结果的基础上进行决策推理从而给出更加准确的指导意见。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于事件的决策方法、系统、存储介质以及计算机设备。
背景技术
现有事理模型中的事理定义是基于现实通用场景抽象,例如吃饭、做饭、睡觉等。而针对网络安全场景下的事理并没有被过多地定义及使用,这导致事理图谱的构建在网络安全层面不能被很好地应用,基于不完善不真实的事理图谱,会影响后续行为决策的推理结果。
在推理行为决策流程上,现有的技术框架大都是静态知识推理,即基于现有的人为经验把各事理场景的推理决策流程固化下来,形成一套接近人为决策方式。基于静态的知识决策往往只是比较符合人的思维模式,但并不是最高效的,灵活性不高。在推理行为决策结果上,现有的推理大都是事件的预测,而并不会给出具体的行为决策,这将导致知识推理仅仅是给出一个结果,而不能直接地指导实践行为。
发明内容
基于此,有必要针对上述问题,提出了一种基于事件的决策方法、系统、存储介质以及计算机设备。
一种基于事件的决策方法,方法包括:
获取待处理事件;
将待处理事件拆分为多个第一子事件;
将每一个第一子事件分配给对应的虚拟机器人进行处理,得到每一个第一子事件的处理结果,其中,虚拟机器人包括目标经验模型和/或目标算法模型;
确认每一个第一子事件的处理结果不可以进行拆分时,根据多个第一子事件的处理结果得到决策结果;
确认多个第一子事件的处理结果可以进行拆分时,根据多个第一子事件的处理结果进行拆分、分配给对应的虚拟机器人进行处理以及分析至第N子事件的处理结果不可以进行拆分为止;
根据多个第N子事件的处理结果得到决策结果。
可选地,在获取待处理事件之前,还包括:
获取原始事件;
判断原始事件是否满足预设的决策条件;
当原始事件满足预设的决策条件时,将原始事件设置为待处理事件。
可选地,在根据多个第二子事件的处理结果得到决策结果之后,还包括:
计算决策结果的可信度;
判断可信度是否属于预设的可信范围;以及,
当可信度属于预设的可信范围时,执行决策结果。
可选地,获取目标经验模型,具体包括:
从事理图谱中切割出多个子事理图谱;
将多个子事理图谱输入初始经验模型进行训练,得到目标经验模型。
可选地,获取目标算法模型,具体包括:
获取预设的事件决策结果;
将预设的事件决策结果输入初始算法模型进行迭代,得到目标算法模型。
可选地,得到虚拟机器人,具体包括:
确定虚拟机器人处理的事件类型;
根据事件类型确定构建虚拟机器人所需要的目标经验模型和/或目标算法模型;
根据事件类型确定目标经验模型在虚拟机器人中所占的第一权重,根据事件类型确定目标算法模型在虚拟机器人中所占的第二权重;以及,
根据目标经验模型和第一权重得到虚拟机器人,和/或,根据目标算法模型和第二权重得到虚拟机器人。
可选地,在得到虚拟机器人之后,还包括:
获取待处理事件的关联事件;
获取关联事件的决策结果;
根据关联事件的决策结果得到补充数据;以及,
将补充数据添加至虚拟机器人。
一种基于事件的决策方法系统,系统包括:
获取模块,用于获取待处理事件;
第一拆分模块,用于将待处理事件拆分为多个第一子事件;
第一处理模块,用于将每一个第一子事件分配给对应的虚拟机器人进行处理,得到每一个第一子事件的处理结果,其中,虚拟机器人包括目标经验模型和/或目标算法模型;
第一确认模块,用于确认每一个第一子事件的处理结果不可以进行拆分时,根据多个第一子事件的处理结果得到决策结果;
第二确认模块,用于确认多个第一子事件的处理结果可以进行拆分时,根据多个第一子事件的处理结果进行拆分、分配给对应的虚拟机器人进行处理以及分析至第N子事件的处理结果不可以进行拆分为止;
决策模块,用于根据多个第N子事件的处理结果得到决策结果。
一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述任一项方法的步骤。
一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述任一项方法的步骤。
采用本申请的实施例,具有以下有益效果:
上述实施例,将待处理事件拆分为多个第一子事件,并将每一个第一子事件分配给对应的虚拟机器人进行处理,根据多个第一子事件的处理结果得到多个第二子事件,利用动态事件推理分析,也就是通过上一步事件的处理结果得到下一步需要处理的子事件,当子事件不可拆分时,通过虚拟机器人对不可拆分的子事件的处理结果得到决策结果。在事理图谱的基础上,不仅可以通过动态事件推理过程中得到对待处理事件的预测,还可以根据需求给出关于待处理事件的处理结果,从而能够准确地指导待处理事件的处理过程,灵活性较高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
其中:
图1为本发明第一个实施例中基于事件的决策方法的流程图;
图2为本发明第二个实施例中基于事件的决策方法的子流程图;
图3为本发明第三个实施例中基于事件的决策方法的子流程图;
图4为本发明第一个实施例中基于事件的决策方法的第一子流程图;
图5为本发明第一个实施例中基于事件的决策方法的第二子流程图;
图6为本发明第一个实施例中基于事件的决策方法的第三子流程图;
图7为本发明第四个实施例中基于事件的决策方法的子流程图;
图8为本发明一个实施例中基于事件的决策方法系统的内部结构示意图;
图9为本发明一个实施例中计算机设备的内部结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本发明可能采用术语“第一”、“第二”、“第三”等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本发明范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
请结合参看图1,其为本发明第一个实施例中基于事件的决策方法的流程图。其中,本发明实施例提供的基于事件的决策方法具体包括下面步骤。
步骤S101,获取待处理事件。在本实施例中以网络安全领域的网站安全判定为例。具体地,获取利用键盘输入的待处理事件,判断网站A的网络环境是否安全,在实际应用中还可以通过麦克风,手写笔等不同的输入设备获取待处理事件。在本实施例中仅做示例不做限定。
步骤S102,将待处理事件拆分为多个第一子事件。具体地,判断网站A是否安全,网站的登录名为A1,密码为001。将判断网站A的网络环境是否安全需要执行的步骤进行拆解,首先网站A进行资产梳理,确认网站A具有的网络资产,然后对网站A具有的网络资产进行网站扫描、风险路径确认、登录口令确认、宽带确认、输出路径确认等多个事件。
在一些其他的可行的实施例中,待处理事件也可以是制定周末出行方案等需要给出结果的问题。进一步地,多个子事件为获取天气情况,计算路况、确认车牌是否限号、所在区域的防疫政策等。
步骤S103,将每一个第一子事件分配给对应的虚拟机器人进行处理,得到每一个第一子事件的处理结果,其中,虚拟机器人包括目标经验模型和/或目标算法模型。进一步地,目标经验模型根据事理图谱训练得到,具体请参照步骤S401-步骤S402。从事理图谱中切割出多个子事理图谱。每一个事理图谱包含了子事件之间的联系。然后将多个子事理图谱输入初始经验模型进行训练,得到目标经验模型。
在一些可行的实施例中,事理图谱能够自定义用于决策的若干虚拟机器人,不同的事件选择的虚拟机器人的数量以及种类都不同,能够实现智能化决策各事件之间的关联关系并在静态知识推理决策与动态知识推理决策有歧义时,根据决策事理计算出最为合适的结果,从而进行准确的决策。
进一步地,目标算法模型利用迭代算法得到。当具体请参照步骤S501-步骤S502。获取预设的事件决策结果,例如,之前处理类似事件时使用的若干算法,再将之前处理类似事件时使用的若干算法输入初始算法模型中,将与待处理事件相关的数据输入算法模型,判断算法模型中包含的算法时候能够准确的处理当前数据并得到相应的结果,从而筛选出能够能够准确处理当前数据的算法,减少了运算量,提升了目标算法模型的运算效率以及准确度。
更进一步地,当一个虚拟机器人仅包括目标经验模型时,目标经验模型得到的结果即为当前虚拟机器人给出的结果。当一个虚拟机器人仅包括目标算法模型时,目标算法模型得到的结果即为当前虚拟机器人给出的结果。当一个虚拟机器人同时具有目标经验模型和目标算法模型时,根据目标经验模型到的结果和目标算法模型到的结果,综合得出当前虚拟机器人给出的结果。
在本实施例中,虚拟机器人有多个。不同的虚拟机器人处理不同的子事件。具体地,将网站扫描、风险路径确认、登录口令确认、宽带确认、输出路径确认等多个任务分发给不同的虚拟机器人进行处理。进一步地,利用目标经验模型和/或目标算法模型对网站扫描、风险路径确认、登录口令确认、宽带确认、输出路径确认等多个任务进行处理,得到每一个第一子事件的处理结果。
其中,事理图谱是一种收束条件更为严格的知识图谱。进一步地,知识图谱(Knowledge Graph),在图书情报界称为知识域可视化或知识领域映射地图,是显示知识发展进程与结构关系的一系列各种不同的图形,用可视化技术描述知识资源及其载体,挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。知识图谱,是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合,并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的现代理论。在本实施例中,事理图谱是由本领域知识专家利用现有专业知识或实际经验,手动构建知识实体与关系,并在此基础之上构建的一种级联式结构关系。
虚拟机器人是基于事件、经验模型和算法模型中对于某一事件的各决策的充分条件整合而成,用于把某一事件和决策结果的充分条件进行匹配,对某一事件的结果进行预测以及决策处理。
知识推理是在现有知识的基础之上,推断出未知的知识的过程。面向事理图谱的推理主要围绕关系的推理展开,即基于图谱中已有的事实或关系推断出未知的事实或关系。
经验模型和算法模型的训练以及迭代都可以采用事理图谱的形式表示。
步骤S104,确认每一个第一子事件的处理结果不可以进行拆分时,根据多个第一子事件的处理结果得到决策结果。具体地,网站扫描的处理结果存在安全漏洞,风险路径确认的处理结果是出现了异地登录的情况,将异地登录的路径确认为风险路径、登录口令确认的处理结果是登录的密码过于简单,可能会导致账号被盗的情况、宽带确认的处理结果是网络宽带过于小不利益网站信息的传输、输出路径确认的处理结果目前没有异常输出。本实施例中,以N=2为例,进一步地,多个第二子事件包括风险路径进行检查、对简单的密码进行确认和对现有带宽进行计算。
在本实施例中,当第二子事件的处理结果无法解决待决策事件的问题,那么将第二子事件的处理结果进行整合后,以N=3为例,再次进行拆分得到多个第三子事件,选择若干虚拟机器人对第三子事件进行处理,例如,判断是否需要对多个第二子事件的处理结果进行进一步的处理。当需要对上述的IP进行进一步的分析时,利用虚拟机器人对上述IP的安全性进行确认。具体地,确认上述的IP是具有安全性的,因此不需要对上述IP进行其他处理。根据上一步虚拟机器人得出结果选择下一步的决策该如何进行,为本方案提供了更加灵活决策方式,提升决策的效率和准确度。
步骤S105,确认多个第一子事件的处理结果可以进行拆分时,根据多个第一子事件的处理结果进行拆分、分配给对应的虚拟机器人进行处理以及分析至第N子事件的处理结果不可以进行拆分为止。具体地,利用虚拟机器人对风险路径进行进一步的检查,确认网站A是否被黑客利用IP入侵;利用虚拟机器人对简单的密码进行确认,确认是否需要用户更换密码;利用虚拟机器人计算出实际的宽带,以及网站A运行的最优宽带。
步骤S106,根据多个第N子事件的处理结果得到决策结果。具体地,根据网站A是目前未被黑客利用IP入侵过,密码为弱密码,网站A运行的最优宽带1000M。基于上述的第二子事件的处理结果,得到了判断网站A是否安全这个问题的决策结果,网站A目前是安全的,但是因为登录密码属于弱密码,以及宽带不够,建议更换更强的密码以及增加带宽。
上述实施例中,以事理图谱的方式定义网络安全层面的行为场景,构建网络安全层面下的事理图谱。在对待处理事件的决策过程中不止采用基于人为经验的目标经验模型,还是使用基于大数据计算的目标算法模型。根据不同模型对于不同事件的处理能力,得到决策结果,从而执行出最为合适的行为,不仅提高了决策的准确性,也能够更为直接地给出实际的指导意见。
请结合参看图2,其为本发明第二个实施例中基于事件的决策方法的子流程图。第二实施例提供的基于事件的决策方法与第一实施例提供的基于事件的决策方法的差异在于在获取待处理事件之前,第二实施例提供的基于事件的决策方法还包括下面步骤。
步骤S201,获取原始事件。
步骤S202,判断原始事件是否满足预设的决策条件。
步骤S203,当原始事件满足预设的决策条件时,将原始事件设置为待处理事件。
在本实施例中,获取原始事件后,需要根据预设的决策条件来判断原始事件是否需要分配对应的虚拟机器人进行处理,当原始事件是比较简单的事件,例如,可直接根据查询程序查询到结果或者根据计算程序计算出结果的,就不需要使用虚拟机器人进行决策。当原始事件满足预设的决策条件时,将原始事件设置为待处理事件,再使用虚拟机器人对待处理事件进行处理。准确的分配的算力资源,提升整个方法的处理效率。
请结合参看图3,其为本发明第三个实施例中基于事件的决策方法的子流程图。第三实施例提供的基于事件的决策方法与第一实施例提供的基于事件的决策方法的差异在于在根据所述多个第N子事件的处理结果得到决策结果之后,第三实施例提供的基于事件的决策方法还包括下面步骤。
步骤S301,计算决策结果的可信度。
步骤S302,判断可信度是否属于预设的可信范围。
步骤S303,当可信度属于预设的可信范围时,执行决策结果。
在本实施例中,计算可信度可以使用现有技术中计算可信度的算法。例如,不确定性的传递算法、组合证据不确定性的算等算法,具体地,利用不确定性的传递算法计算虚拟机器人得到的结果是否属于预设的可信范围,当可信度不属于预设的可信范围时,需要对虚拟机器人进行调整,可以换另一个虚拟机器人来处理当前事件也可以调整虚拟机器人的决策逻辑。当可信度属于预设的可信范围时,虚拟机器人执行决策结果。本实施例中提到的算法仅为示例不做限定。
在一些可行的实施例中,当可信度不属于预设的可信范围时,再次对上述的待处理事件进行拆分、处理以及计算可信度,直到可信度属于预设的可信范围。
上述实施例中,对于虚拟机器人处理结果可信度的计算,提高了虚拟机器人的决策准确度,进而提升了整体的决策准确性。
请结合参看图4,其为第一个实施例中基于事件的决策方法的第一子流程图,其中,获取目标经验模型,具体包括下面步骤。
步骤S401,从事理图谱中切割出多个子事理图谱。
步骤S402,将多个子事理图谱输入初始经验模型进行训练,得到目标经验模型。
在本实施例中,事理图谱是具有复杂的关系,根据构建虚拟机器人的需要,从事理图谱切割出多个子事理图谱,每个子事理图谱既是事理图谱的一部分,也是一个独立的事件关系网络。将这些切个好的子事理图谱输入初始经验模型进行训练不断进行训练,当模型的置信度达到模型要求时,得到最终用于构建虚拟机器人的目标经验模型。
上述实施例,基于事理图谱的方式来训练经验模型,使用训练好的目标经验模型推算行为决策,更加对现实有指导意义。
请结合参看图5,其为第一个实施例中基于事件的决策方法的第二子流程图,其中,获取目标算法模型,具体包括下面步骤。
步骤S501,获取预设的事件决策结果。
步骤S502,将预设的事件决策结果输入初始算法模型进行迭代,得到目标算法模型。
在本实施例中,相比通过市面上基于SGNN以及基于历史知识预测,本方法以事理图谱的形式构建事件,与所提取的相关事件充分条件进行对比,构建虚拟机器人,用于估算事件结果并进一步行为决策。再进行数据模型的多层迭代,通过预设阈值,多次迭代,实现每次迭代为补全现有模型算法数据,从而保证目标算法模型的准确性。
请结合参看图6,其为本发明第一个实施例中基于事件的决策方法的第三子流程图,其中,得到虚拟机器人,具体包括下面步骤。
步骤S601,确定虚拟机器人处理的事件类型。在本实施例中,事件类型包括扫描、检测、计算等事件类型,具体的事件类型需要根据实际的业务需求来确认虚拟机器人需要处理的事件的类型,每一个虚拟机器人能够处理一种类型的事件。提升了事件处理的效率。
步骤S602,根根据事件类型确定构建虚拟机器人所需要的目标经验模型和/或目标算法模型。目标经验模型是根据事理图谱中专家经验的部分训练得到,更擅长处理无规律的需要使用经验进行解决的问题,例如,网站A出现异地登录的情况的时候,有一些IP地址是安全的,并不需要对用户进行风险提示。
目标算法模型是根据事理图谱中算法中已经设定好的算法并根据数据更新不断进行迭代得到的模型,用于计算概率问题。例如,网站A可能被黑客攻击的概率。
步骤S603,根据事件类型确定目标经验模型在虚拟机器人中所占的第一权重,根据事件类型确定目标算法模型在虚拟机器人中所占的第二权重。
步骤S604,根据目标经验模型和第一权重得到虚拟机器人,和/或,根据目标算法模型和第二权重得到虚拟机器人。具体地,虚拟机器人1包括目标经验模型和目标算法模型,虚拟机器人2包括目标经验模型,虚拟机器人3包括目标算法模型。不同的类型的虚拟机器人包括不同的模型,在本实施例中,虚拟机器人1、虚拟机器人2和虚拟机器人3仅仅是示例不做限定。
请结合参看图7,其为本发明第四个实施例中基于事件的决策方法的子流程图。第四实施例提供的基于事件的决策方法与第一实施例提供的基于事件的决策方法的差异在于在在得到虚拟机器人之后,第四实施例提供的基于事件的决策方法还包括下面步骤。
步骤S701,获取待处理事件的关联事件。
步骤S702,获取关联事件的决策结果。
步骤S703,根据关联事件的决策结果得到补充数据。
步骤S704,将补充数据添加至虚拟机器人。
在本实施例中,关联事件包括之前对于其他网站的安全检测或者其他事件。获取对于其他网站安全检测或者其他事件的决策结果,例如,已经处理过的评价网站B的风险,为网站C提供安全防护策略等等与当前待处理事件相似的事件,进一步地,关联事件的决策结果并将其整理为预设格式的文件,然后将预设格式的文件添加至虚拟机器人中,用于协助虚拟机器人处理当前事件。上述实施例中,利用关联事件的决策结果协助虚拟机器人进行决策,能够进一步地保障虚拟机器人决策的准确性,更好地给出实际的指导意见,快速准确地解决问题。请结合参看图8,其为本发明一个实施例中基于事件的决策方法系统的内部结构示意图,基于事件的决策方法系统具体包括:获取模块810、第一拆分模块820、第一处理模块830、第一确认模块840、第二确认模块850以及决策模块860。其中,获取模块810,用于获取待处理事件。第一拆分模块820,用于将待处理事件拆分为多个第一子事件。第一处理模块830用于将每一个第一子事件分配给对应的虚拟机器人进行处理,得到每一个第一子事件的处理结果,其中,虚拟机器人包括目标经验模型和/或目标算法模型。第二拆分模块840,用于确认每一个第一子事件的处理结果不可以进行拆分时,根据多个第一子事件的处理结果得到决策结果。第二处理模块850,用于确认多个第一子事件的处理结果可以进行拆分时,根据多个第一子事件的处理结果进行拆分、分配给对应的虚拟机器人进行处理以及分析至第N子事件的处理结果不可以进行拆分为止。决策模块860,用于根据多个第N子事件的处理结果得到决策结果。
本发明实施例还提供了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述的任一项方法的步骤。具体地,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
请结合参看图9,其为一个实施例中计算机设备的内部结构示意图。计算机设备900包括存储器910和处理器920,存储器910存储有计算机程序,计算机程序被处理器执行时,使得处理器920执行上述任一项方法的步骤。
计算机设备900还包括通过系统总线930连接的处理器920、存储器910和网络接口940。其中,存储器910包括非易失性存储介质和内存储器。该计算机设备900的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器920执行时,可使得处理器920实现基于事件的决策方法。该内存储器910中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行基于事件的决策方法。
其中,存储器910至少包括一种类型的计算机可读存储介质,该计算机可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器910在一些实施例中可以是计算机设备900的内部存储单元,例如计算机设备900的硬盘。存储器910在另一些实施例中也可以是计算机设备900的外部存储设备,例如计算机设备900上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字卡(Secure Digital,SD),闪存卡(Flash Card)等。进一步地,存储器910还可以既包括计算机设备900的内部存储单元也包括外部存储设备。存储器910不仅可以用于存储安装于计算机设备900的应用软件及各类数据,例如基于事件的决策方法的计算机程序等,还可以用于暂时地存储已经输出或者将要输出的数据,例如基于事件的决策方法执行产生的数据等。处理器920在一些可行的实施例中可以中央处理单元(CentralProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现场可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
具体地,处理器920执行基于事件的决策方法的计算机程序以控制计算机设备900实现基于事件的决策方法。
进一步地,计算机设备900还可以包括系统总线930可以是外设部件互连标准总线(peripheral component interconnect,简称PCI)或扩展工业标准结构总线(extendedindustry standard architecture,简称EISA)等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,图9中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
在另一些可行的实施例中,计算机设备900还可以包括显示组件(图未示)。显示组件可以是LED(Light Emitting Diode,发光二极管)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,显示组件也可以适当的称为显示装置或显示单元,用于显示在计算机设备900中处理的信息以及用于显示可视化的用户界面。
在另一些可行的实施例中,计算机设备900还可以包括通信组件(图未示),通信组件可选的可以包括有线通信组件和/或无线通信组件(如WI-FI通信组件、蓝牙通信组件等),通常用于在计算机设备900与其他设备之间建立通信连接,例如,计算机设备900与波形显示设备之间的通信连接。
图9仅示出了具有组件910-940以及实现绝缘子故障检测的计算机设备900,本领域技术人员可以理解的是,图9示出的结构并不构成对计算机设备900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。由于计算机设备900采用了上述所有实施例的全部技术方案,因此至少具有上述实施例的技术方案所带来的所有有益效果,在此不再赘述。
此外,根据本发明的方法还可以实现为一种计算机程序或计算机程序产品,该计算机程序或计算机程序产品包括用于执行本发明的上述方法中部分或全部步骤的计算机程序代码指令。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于事件的决策方法,其特征在于,所述方法包括:
获取待处理事件;
将所述待处理事件拆分为多个第一子事件;
将每一个第一子事件分配给对应的虚拟机器人进行处理,得到所述每一个第一子事件的处理结果,其中,所述虚拟机器人包括目标经验模型和/或目标算法模型;
确认每一个第一子事件的处理结果不可以进行拆分时,根据所述多个第一子事件的处理结果得到决策结果;
确认所述多个第一子事件的处理结果可以进行拆分时,根据所述多个第一子事件的处理结果进行拆分、分配给对应的虚拟机器人进行处理以及分析至第N子事件的处理结果不可以进行拆分为止;
根据所述多个第N子事件的处理结果得到决策结果。
2.根据权利要求1所述的基于事件的决策方法,其特征在于,在获取待处理事件之前,还包括:
获取原始事件;
判断所述原始事件是否满足预设的决策条件;以及,
当所述原始事件满足所述预设的决策条件时,将所述原始事件设置为所述待处理事件。
3.根据权利要求1所述的基于事件的决策方法,其特征在于,在根据所述多个第N子事件的处理结果得到决策结果之后,还包括:
计算所述决策结果的可信度;
判断所述可信度是否属于预设的可信范围;以及,
当所述可信度属于预设的可信范围时,执行所述决策结果。
4.根据权利要求1所述的基于事件的决策方法,其特征在于,获取所述目标经验模型,具体包括:
从所述事理图谱中切割出多个子事理图谱;以及,
将所述多个子事理图谱输入所述初始经验模型进行训练,得到所述目标经验模型。
5.根据权利要求1所述的基于事件的决策方法,其特征在于,获取所述目标算法模型,具体包括:
获取预设的事件决策结果;以及,
将所述预设的事件决策结果输入所述初始算法模型进行迭代,得到所述目标算法模型。
6.根据权利要求1所述的基于事件的决策方法,其特征在于,得到所述虚拟机器人,具体包括:
确定所述虚拟机器人处理的事件类型;
根据所述事件类型确定构建所述虚拟机器人所需要的所述目标经验模型和/或所述目标算法模型;
根据所述事件类型确定所述目标经验模型在所述虚拟机器人中所占的第一权重,根据所述事件类型确定所述目标算法模型在所述虚拟机器人中所占的第二权重;以及,
根据所述目标经验模型和所述第一权重得到所述虚拟机器人,和/或,根据所述目标算法模型和所述第二权重得到所述虚拟机器人。
7.根据权利要求6所述的基于事件的决策方法,其特征在于,在得到所述虚拟机器人之后,还包括:
获取所述待处理事件的关联事件;
获取所述关联事件的决策结果;
根据所述关联事件的决策结果得到补充数据;以及,
将所述补充数据添加至所述虚拟机器人。
8.一种基于事件的决策方法系统,其特征在于,所述系统包括:
获取模块,用于获取待处理事件;
第一拆分模块,用于将所述待处理事件拆分为多个第一子事件;
第一处理模块,用于将每一个第一子事件分配给对应的虚拟机器人进行处理,得到所述每一个第一子事件的处理结果,其中,所述虚拟机器人包括目标经验模型和/或目标算法模型;
第一确认模块,用于确认每一个第一子事件的处理结果不可以进行拆分时,根据所述多个第一子事件的处理结果得到决策结果;
第二确认模块,用于确认所述多个第一子事件的处理结果可以进行拆分时,根据所述多个第一子事件的处理结果进行拆分、分配给对应的虚拟机器人进行处理以及分析至第N子事件的处理结果不可以进行拆分为止;
决策模块,用于根据所述多个第N子事件的处理结果得到决策结果。
9.一种计算机可读存储介质,其特征在于,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
10.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210847537.6A CN115309513A (zh) | 2022-07-19 | 2022-07-19 | 基于事件的决策方法、系统、存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210847537.6A CN115309513A (zh) | 2022-07-19 | 2022-07-19 | 基于事件的决策方法、系统、存储介质及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115309513A true CN115309513A (zh) | 2022-11-08 |
Family
ID=83856950
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210847537.6A Pending CN115309513A (zh) | 2022-07-19 | 2022-07-19 | 基于事件的决策方法、系统、存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115309513A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117910148A (zh) * | 2024-03-19 | 2024-04-19 | 大秦数字能源技术股份有限公司 | 基于影子模式的bms优化方法、系统、介质及设备 |
-
2022
- 2022-07-19 CN CN202210847537.6A patent/CN115309513A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117910148A (zh) * | 2024-03-19 | 2024-04-19 | 大秦数字能源技术股份有限公司 | 基于影子模式的bms优化方法、系统、介质及设备 |
CN117910148B (zh) * | 2024-03-19 | 2024-05-24 | 大秦数字能源技术股份有限公司 | 基于影子模式的bms优化方法、系统、介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2016201425B2 (en) | Systems and methods for predictive reliability mining | |
US10643135B2 (en) | Linkage prediction through similarity analysis | |
CN108182515B (zh) | 智能规则引擎规则输出方法、设备及计算机可读存储介质 | |
CN108170909B (zh) | 一种智能建模的模型输出方法、设备及存储介质 | |
CN109478263A (zh) | 用于体系结构评估和策略执行的系统和设备 | |
CN110109750B (zh) | 虚拟资源获取方法、装置、计算机设备和存储介质 | |
US11868489B2 (en) | Method and system for enhancing data privacy of an industrial system or electric power system | |
US20140188778A1 (en) | Computer-Implemented System for Detecting Anomaly Conditions in a Fleet of Assets and Method of Using the Same | |
CN111417954A (zh) | 基于数据去标识过程的可允许配置的检测的数据去标识 | |
CN111078507A (zh) | 数据监控方法、系统、计算机设备和存储介质 | |
US20210049063A1 (en) | Analysis facilitator | |
CN115309513A (zh) | 基于事件的决策方法、系统、存储介质及计算机设备 | |
US20210264038A1 (en) | Flexible risk assessment and management system for integrated risk and value analysis | |
CN115936895A (zh) | 基于人工智能的风险评估方法、装置、设备及存储介质 | |
CN117318052B (zh) | 发电机组进相试验无功功率预测方法、装置和计算机设备 | |
CN112379913B (zh) | 基于风险识别的软件优化方法、装置、设备及存储介质 | |
US11803792B2 (en) | Risk management | |
CN111611175B (zh) | 自动驾驶软件开发方法、服务器端及客户端 | |
CN106415525B (zh) | 确定有效负荷估计 | |
KR102430989B1 (ko) | 인공지능 기반 콘텐츠 카테고리 예측 방법, 장치 및 시스템 | |
Evans et al. | Measuring statistical evidence and multiple testing | |
US20210026970A1 (en) | Security evaluation server and security evaluation method | |
Tsai et al. | Simulation optimization in security screening systems subject to budget and waiting time constraints | |
US10740334B1 (en) | Multitenant based query plan | |
US20220284341A1 (en) | Membership leakage quantification to verify data removal |
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 |