CN115550201B - 基于人工智能的网络流量监控处理方法及系统 - Google Patents

Abstract

本发明提供的基于人工智能的网络流量监控处理方法及系统，可以响应于流量监控处理请求，获取拟进行优劣性分析的网络数据流量，并基于至少一个网络流量交互反馈确定拟进行优劣性分析的网络数据流量的业务活动描述向量，基于业务活动描述向量从预设优劣分析决策集涵盖的若干个优劣分析决策知识中确定目标优劣分析决策知识，利用目标优劣分析决策知识对拟进行优劣性分析的网络数据流量中的每个网络流量交互反馈进行优劣标签标注操作，得到完成流量优劣性监控的网络数据流量。如此设计，能够智能化地实现对网络流量交互反馈的优劣标签标注操作，从而在流量使用和交互层面实现对网络数据流量的优劣性的准确可靠监控分析处理。

Description

基于人工智能的网络流量监控处理方法及系统

技术领域

本发明涉及数据分析与网络流量监控技术领域，特别涉及一种基于人工智能的网络流量监控处理方法及系统。

背景技术

流量监控指的是对数据流进行的监控，通常包括出数据、入数据的速度、总流量。流量监控有时也泛指对用户的数据流量进行监控过滤，将不良信息有效的掌握在监控范围内，常涉足网络安全方面。流量监控能够全面透视网络流量以快速发现与定位网络故障，还能够限制与工作无关的流量，防止对带宽的滥用，可见，流量监控的重要性不言而喻。当下，针对网络流量的监控处理技术仍存在一些缺陷，比如监控分析的智能化程度和精度低下。

发明内容

为改善相关技术中存在的技术问题，本发明提供了一种基于人工智能的网络流量监控处理方法及系统。

第一方面，本发明提供了一种基于人工智能的网络流量监控处理方法，应用于人工智能平台系统，所述方法包括：

响应于流量监控处理请求，获取拟进行优劣性分析的网络数据流量；其中，所述拟进行优劣性分析的网络数据流量包括至少一个网络流量交互反馈；

通过所述至少一个网络流量交互反馈确定所述拟进行优劣性分析的网络数据流量的业务活动描述向量；其中，所述业务活动描述向量包括X个活跃行为热力变量以及目标行为热力变量集中的一类或两类，所述X为正整数；

通过所述业务活动描述向量从预设优劣分析决策集涵盖的若干个优劣分析决策知识中确定目标优劣分析决策知识；

结合所述目标优劣分析决策知识对所述拟进行优劣性分析的网络数据流量中的每个网络流量交互反馈进行优劣标签标注操作，得到完成流量优劣性监控的网络数据流量。

在一些可选的实施例中，所述通过所述至少一个网络流量交互反馈确定所述拟进行优劣性分析的网络数据流量的业务活动描述向量，包括如下至少一项：

通过所述至少一个网络流量交互反馈中每个网络流量交互反馈的个性化行为热力变量确定X个活跃行为热力变量；

通过所述至少一个网络流量交互反馈对应的网络流量类别信息确定目标行为热力变量集。

在一些可选的实施例中，所述通过所述至少一个网络流量交互反馈中每个网络流量交互反馈的个性化行为热力变量确定X个活跃行为热力变量，包括：

获取所述至少一个网络流量交互反馈中每个网络流量交互反馈的个性化行为热力变量，以及所述每个网络流量交互反馈的个性化行为热力变量对应的情绪文本字符数；

对所述每个网络流量交互反馈的个性化行为热力变量进行分团操作，得到X个分团结果，每个分团结果包括至少一个个性化行为热力变量；

依据所述每个分团结果涵盖的至少一个个性化行为热力变量以及所述至少一个个性化行为热力变量对应的情绪文本字符数确定所述每个分团结果的活跃行为热力变量。

在一些可选的实施例中，所述结合所述目标优劣分析决策知识对所述拟进行优劣性分析的网络数据流量中的每个网络流量交互反馈进行优劣标签标注操作，得到完成流量优劣性监控的网络数据流量，包括：

从所述X个分团结果中获取目标网络流量交互反馈的个性化行为热力变量所属的目标分团结果，所述目标网络流量交互反馈为所述拟进行优劣性分析的网络数据流量中的任一网络流量交互反馈，所述目标网络流量交互反馈的个性化行为热力变量是依据所述目标网络流量交互反馈的基础行为热力变量确定的；

从所述目标优劣分析决策知识中的X个目标优劣决策评分中，确定所述目标分团结果的活跃行为热力变量对应的第一目标优劣决策评分，其中，所述X个活跃行为热力变量与所述目标优劣分析决策知识中的X个目标优劣决策评分之间存在一对一关系；

结合所述第一目标优劣决策评分更新所述目标网络流量交互反馈的基础行为热力变量，并在对所述每个网络流量交互反馈进行优劣标签标注操作后得到完成流量优劣性监控的网络数据流量。

在一些可选的实施例中，所述通过所述至少一个网络流量交互反馈中每个网络流量交互反馈的个性化行为热力变量确定X个活跃行为热力变量，包括：

获取所述至少一个网络流量交互反馈中每个网络流量交互反馈的个性化行为热力变量；

获取优劣决策联动分析网络，所述优劣决策联动分析网络是基于若干个行为热力变量示例以及每个行为热力变量示例对应的X个先验行为热力变量进行调试得到的，所述X个先验行为热力变量之间符合目标映射关系；

结合所述优劣决策联动分析网络对所述每个网络流量交互反馈的个性化行为热力变量进行处理，得到X个活跃行为热力变量，所述X个活跃行为热力变量之间符合所述目标映射关系。

在一些可选的实施例中，所述结合所述目标优劣分析决策知识对所述拟进行优劣性分析的网络数据流量中的每个网络流量交互反馈进行优劣标签标注操作，得到完成流量优劣性监控的网络数据流量，包括：

确定所述X个活跃行为热力变量所属的至少一个中间行为热力变量集；

从所述至少一个中间行为热力变量集中获取目标网络流量交互反馈的个性化行为热力变量所属的目标中间行为热力变量集，所述目标网络流量交互反馈为所述拟进行优劣性分析的网络数据流量中的任一网络流量交互反馈，所述目标网络流量交互反馈的个性化行为热力变量是依据所述目标网络流量交互反馈的基础行为热力变量确定的；

从所述目标优劣分析决策知识中的X个目标优劣决策评分中，确定所述目标中间行为热力变量集涵盖的活跃行为热力变量对应的第二目标优劣决策评分，其中，所述X个活跃行为热力变量与所述目标优劣分析决策知识中的X个目标优劣决策评分之间存在一对一关系；

结合所述第二目标优劣决策评分更新所述目标网络流量交互反馈的基础行为热力变量，并在对所述每个网络流量交互反馈进行优劣标签标注操作后得到完成流量优劣性监控的网络数据流量。

在一些可选的实施例中，所述获取所述至少一个网络流量交互反馈中每个网络流量交互反馈的个性化行为热力变量，包括：

如果所述目标网络流量交互反馈为第一类质量反馈，则将所述目标网络流量交互反馈的基础行为热力变量作为所述目标网络流量交互反馈的个性化行为热力变量，所述目标网络流量交互反馈为所述拟进行优劣性分析的网络数据流量中的任一网络流量交互反馈；

如果所述目标网络流量交互反馈为第二类质量反馈，则依据所述目标网络流量交互反馈的基础行为热力变量，以及所述目标网络流量交互反馈的基础行为热力变量对应的情绪文本字符数，确定所述目标网络流量交互反馈的个性化行为热力变量；

如果所述目标网络流量交互反馈为第三类质量反馈，则根据预设挖掘策略对所述目标网络流量交互反馈的基础行为热力变量进行处理，得到所述目标网络流量交互反馈的个性化行为热力变量。

在一些可选的实施例中，所述通过所述业务活动描述向量从预设优劣分析决策集涵盖的若干个优劣分析决策知识中确定目标优劣分析决策知识，包括：

依据所述目标行为热力变量集，从所述若干个优劣分析决策知识中确定Y个备用优劣分析决策知识，每个备用优劣分析决策知识包括X个备用优劣决策评分，所述X个备用优劣决策评分中存在至少一个备用优劣决策评分与所述目标行为热力变量集相匹配，所述Y为正整数；

依据所述X个活跃行为热力变量中任意两个活跃行为热力变量之间的第一量化比较结果，以及所述X个备用优劣决策评分中任意两个备用优劣决策评分之间的第二量化比较结果，确定所述每个备用优劣分析决策知识对应的相关性系数；

依据所述每个备用优劣分析决策知识对应的相关性系数，从所述Y个备用优劣分析决策知识中确定出目标优劣分析决策知识。

在一些可选的实施例中，所述通过所述至少一个网络流量交互反馈对应的网络流量类别信息确定目标行为热力变量集，包括：

获取所述至少一个网络流量交互反馈对应的网络流量类别信息，所述网络流量类别信息包括第一类别特征和第二类别特征中的一类或两类，所述第一类别特征是对所述至少一个网络流量交互反馈中的每个网络流量交互反馈涵盖的音频反馈信息进行类别分析得到的；所述第二类别特征是对所述每个网络流量交互反馈涵盖的文本反馈信息进行类别分析得到的；

获取若干个历史行为热力变量集中每个历史行为热力变量集对应的类别主题；

依据所述网络流量类别信息和所述每个历史行为热力变量集对应的类别主题之间的共性权重值，从所述若干个历史行为热力变量集中确定出目标行为热力变量集。

第二方面，本发明还提供了一种人工智能平台系统，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述的方法。

第三方面，本发明还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。

在本发明实施例中，可以响应于流量监控处理请求，获取拟进行优劣性分析的网络数据流量，该拟进行优劣性分析的网络数据流量包括至少一个网络流量交互反馈，基于至少一个网络流量交互反馈确定拟进行优劣性分析的网络数据流量的业务活动描述向量，该业务活动描述向量包括X个活跃行为热力变量以及目标行为热力变量集中的一类或两类，X为正整数，基于业务活动描述向量从预设优劣分析决策集涵盖的若干个优劣分析决策知识中确定目标优劣分析决策知识，利用目标优劣分析决策知识对拟进行优劣性分析的网络数据流量中的每个网络流量交互反馈进行优劣标签标注操作，得到完成流量优劣性监控的网络数据流量。如此设计，能够智能化地实现对网络流量交互反馈的优劣标签标注操作，从而在流量使用和交互层面实现对网络数据流量的优劣性的准确可靠监控分析处理。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。

图1是本发明实施例提供的一种基于人工智能的网络流量监控处理方法的流程示意图。

图2是本发明实施例提供的一种基于人工智能的网络流量监控处理方法的应用环境的通信架构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

本发明实施例所提供的方法实施例可以在人工智能平台系统、计算机设备或者类似的运算装置中执行。以运行在人工智能平台系统上为例，人工智能平台系统10可以包括一个或多个处理器（处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）和用于存储数据的存储器，可选地，上述人工智能平台系统还可以包括用于通信功能的传输装置。本领域普通技术人员可以理解，上述结构仅为示意，其并不对上述人工智能平台系统的结构造成限定。例如，人工智能平台系统10还可包括比上述所示更多或者更少的组件，或者具有与上述所示不同的配置。

存储器可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的一种基于人工智能的网络流量监控处理方法对应的计算机程序，处理器通过运行存储在存储器内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至人工智能平台系统10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括人工智能平台系统10的通信供应商提供的无线网络。在一个实例中，传输装置包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。

基于此，请参阅图1，图1是本发明实施例所提供的一种基于人工智能的网络流量监控处理方法的流程示意图，该方法应用于人工智能平台系统，进一步可以包括步骤1-步骤4描述的技术方案。

步骤1、响应于流量监控处理请求，获取拟进行优劣性分析的网络数据流量。

举例而言，人工智能平台系统在接收到流量监控系统发送的流量监控处理请求之后，可以根据流量监控处理请求获取设定时段内的网络数据流量用以进行优劣性分析（比如分析网络数据流量的安全性、流量匹配模式的适配性等）。

在本发明实施例中，所述拟进行优劣性分析的网络数据流量包括至少一个网络流量交互反馈，网络流量交互反馈可以反映网络数据流量在交互过程中的质量反馈，比如安全性反馈、延时反馈、流量匹配的适配性反馈等。

步骤2、通过所述至少一个网络流量交互反馈确定所述拟进行优劣性分析的网络数据流量的业务活动描述向量。

在本发明实施例中，所述业务活动描述向量包括X个活跃行为热力变量以及目标行为热力变量集中的一类或两类，所述X为正整数。其中，活跃行为热力变量可以理解为关键流量交互行为的热度值，目标行为热力变量集可以理解为流量交互交互行为的热度区间或者热度范围，活跃行为热力变量以及目标行为热力变量集能够反映网络数据流量在交互过程中的质量表现，因而还可以理解为特征表现信息。

步骤3、通过所述业务活动描述向量从预设优劣分析决策集涵盖的若干个优劣分析决策知识中确定目标优劣分析决策知识。

在本发明实施例中，预设优劣分析决策集可以理解为优劣分析决策知识组成的数据库，优劣分析决策知识可以理解用于指导网络数据流量的优劣分析，一般可以通过特征向量或者知识向量的方式进行表示。

步骤4、结合所述目标优劣分析决策知识对所述拟进行优劣性分析的网络数据流量中的每个网络流量交互反馈进行优劣标签标注操作，得到完成流量优劣性监控的网络数据流量。

在本发明实施例中，可以基于目标优劣分析决策知识实现网络流量交互反馈的优劣标签标注，比如可以为网络流量交互反馈添加优劣标签，比如网络流量交互反馈1添加的优劣标签为“匹配模式：优”，网络流量交互反馈2添加的优劣标签为“安全性：良”，网络流量交互反馈3添加的优劣标签为“延时：高”等，在此不作限定。这样一来，添加/标注了优劣标签的网络流量交互反馈所属的网络数据流量可以理解为完成流量优劣性监控的网络数据流量，在此基础上，人工智能平台系统可以将完成流量优劣性监控的网络数据流量下发给流量监控系统，以供流量监控系统进行分析。

可以理解的是，应用于步骤1-步骤4，能够智能化地实现对网络流量交互反馈的优劣标签标注操作，从而在流量使用和交互层面实现对网络数据流量的优劣性的准确可靠监控分析处理，为后续的流量管理和流量安全防护提供依据。

在一些可能的设计思路下，步骤2所描述的通过所述至少一个网络流量交互反馈确定所述拟进行优劣性分析的网络数据流量的业务活动描述向量，可以通过如下至少一项实现。

第一项S21、通过所述至少一个网络流量交互反馈中每个网络流量交互反馈的个性化行为热力变量确定X个活跃行为热力变量。其中，个性化行为热力变量可以反映网络流量交互反馈的区别特征。

第二项S22、通过所述至少一个网络流量交互反馈对应的网络流量类别信息确定目标行为热力变量集。其中，网络流量类别信息包括安全流量、恶意流量、正常流量等不同的类别信息。

可以理解的是，上述两项技术方案可以择一实施，也可以一起实施，这样能够基于不同的维度确定业务活动描述向量，从而保障业务活动描述向量的全面性和应用时的灵活性。

在一些可能的设计思路下，S21所描述的通过所述至少一个网络流量交互反馈中每个网络流量交互反馈的个性化行为热力变量确定X个活跃行为热力变量，可以包括S211-S213所描述的技术方案。

S211、获取所述至少一个网络流量交互反馈中每个网络流量交互反馈的个性化行为热力变量，以及所述每个网络流量交互反馈的个性化行为热力变量对应的情绪文本字符数。

其中，情绪文本字符数是对情绪词语进行统计之后得到的统计数量，比如网络流量交互反馈F1的个性化行为热力变量对应如下情绪文本：“延迟太高了，真磨叽”、“我的天，这安全性也太差了吧”，则网络流量交互反馈F1的个性化行为热力变量对应的情绪文本字符数为2。

S212、对所述每个网络流量交互反馈的个性化行为热力变量进行分团操作，得到X个分团结果，每个分团结果包括至少一个个性化行为热力变量。

在本发明实施例中，分团操作可以理解为聚类处理或者分类处理，分团结果可以理解为聚类簇。

S213、依据所述每个分团结果涵盖的至少一个个性化行为热力变量以及所述至少一个个性化行为热力变量对应的情绪文本字符数确定所述每个分团结果的活跃行为热力变量。

在本发明实施例中，应用S211-S213，可以基于分团结果针对性地确定活跃行为热力变量，并引入情绪文本字符数进行综合分析，能够提高活跃行为热力变量的场景匹配度以及可信度。

在S211-S213的基础上，步骤4所描述的结合所述目标优劣分析决策知识对所述拟进行优劣性分析的网络数据流量中的每个网络流量交互反馈进行优劣标签标注操作，得到完成流量优劣性监控的网络数据流量，可以包括步骤41-步骤43所描述的技术方案。

步骤41、从所述X个分团结果中获取目标网络流量交互反馈的个性化行为热力变量所属的目标分团结果。

其中，所述目标网络流量交互反馈为所述拟进行优劣性分析的网络数据流量中的任一网络流量交互反馈，所述目标网络流量交互反馈的个性化行为热力变量是依据所述目标网络流量交互反馈的基础行为热力变量（初始行为热力变量）确定的。

步骤42、从所述目标优劣分析决策知识中的X个目标优劣决策评分中，确定所述目标分团结果的活跃行为热力变量对应的第一目标优劣决策评分。

其中，所述X个活跃行为热力变量与所述目标优劣分析决策知识中的X个目标优劣决策评分之间存在一对一关系。目标优劣决策评分的取值范围可以是0~1，评分越高，对应维度的表现越优秀，评分越低，对应维度的表现越优秀差劲。

步骤43、结合所述第一目标优劣决策评分更新所述目标网络流量交互反馈的基础行为热力变量，并在对所述每个网络流量交互反馈进行优劣标签标注操作后得到完成流量优劣性监控的网络数据流量。

应用于步骤41-步骤43，可以基于第一目标优劣决策评分对目标网络流量交互反馈的基础行为热力变量进行评分添加处理，然后可以基于进行评分添加处理后的基础行为热力变量，对每个网络流量交互反馈进行优劣标签标注，这样可以形成质量维度+评分+标签的标注结果，从而准确可靠地得到完成流量优劣性监控的网络数据流量。

在一些可能的实施例中，S21所描述的所述通过所述至少一个网络流量交互反馈中每个网络流量交互反馈的个性化行为热力变量确定X个活跃行为热力变量，可以通过S21a-S21c所描述的技术方案实现。

S21a、获取所述至少一个网络流量交互反馈中每个网络流量交互反馈的个性化行为热力变量。

S21b、获取优劣决策联动分析网络。

其中，所述优劣决策联动分析网络（可以是基于AI特征映射技术训练得到的深度学习模型）是基于若干个行为热力变量示例（行为热力变量样本）以及每个行为热力变量示例对应的X个先验行为热力变量（行为热力变量真值）进行调试得到的，所述X个先验行为热力变量之间符合目标映射关系。

S21c、结合所述优劣决策联动分析网络对所述每个网络流量交互反馈的个性化行为热力变量进行处理，得到X个活跃行为热力变量，所述X个活跃行为热力变量之间符合所述目标映射关系。

在本发明实施例中，目标映射关系可以是基于行为特征和行为热度所搭建的关系矩阵，可以反映不同行为特征所对应的流量质量表现，以及行为特征、流量质量表现和热度值之前的对应关系。如此设计，基于S21a-S21c，能够借助AI技术中的特征映射思路准确可靠地确定出活跃行为热力变量。

在S21a-S21c的基础上，步骤4所描述的结合所述目标优劣分析决策知识对所述拟进行优劣性分析的网络数据流量中的每个网络流量交互反馈进行优劣标签标注操作，得到完成流量优劣性监控的网络数据流量，可以包括步骤4a-步骤4d所描述的技术方案。

步骤4a、确定所述X个活跃行为热力变量所属的至少一个中间行为热力变量集。

在本发明实施例中，中间行为热力变量集可以理解为作为辅助的行为热力变量集。

步骤4b、从所述至少一个中间行为热力变量集中获取目标网络流量交互反馈的个性化行为热力变量所属的目标中间行为热力变量集。

其中，所述目标网络流量交互反馈为所述拟进行优劣性分析的网络数据流量中的任一网络流量交互反馈，所述目标网络流量交互反馈的个性化行为热力变量是依据所述目标网络流量交互反馈的基础行为热力变量确定的。

步骤4c、从所述目标优劣分析决策知识中的X个目标优劣决策评分中，确定所述目标中间行为热力变量集涵盖的活跃行为热力变量对应的第二目标优劣决策评分。

其中，所述X个活跃行为热力变量与所述目标优劣分析决策知识中的X个目标优劣决策评分之间存在一对一关系。

步骤4d、结合所述第二目标优劣决策评分更新所述目标网络流量交互反馈的基础行为热力变量，并在对所述每个网络流量交互反馈进行优劣标签标注操作后得到完成流量优劣性监控的网络数据流量。

可以理解的是，在应用步骤4a-步骤4d时，通过引入中间行为热力变量集进行基础行为热力变量的更新和网络流量交互反馈的优劣标签标注操作，能够尽量减少更新和标注过程中的噪声干扰，从而提高完成流量优劣性监控的网络数据流量的信噪比。

在一些可选的实施例中，S21a所描述的获取所述至少一个网络流量交互反馈中每个网络流量交互反馈的个性化行为热力变量，可以包括S21a1-S21a3所描述的技术方案。

S21a1、如果所述目标网络流量交互反馈为第一类质量反馈，则将所述目标网络流量交互反馈的基础行为热力变量作为所述目标网络流量交互反馈的个性化行为热力变量，所述目标网络流量交互反馈为所述拟进行优劣性分析的网络数据流量中的任一网络流量交互反馈。

其中，第一类质量反馈可以是单一维度且不包含反馈情绪的质量反馈，比如延时反馈或者安全性反馈。

S21a2、如果所述目标网络流量交互反馈为第二类质量反馈，则依据所述目标网络流量交互反馈的基础行为热力变量，以及所述目标网络流量交互反馈的基础行为热力变量对应的情绪文本字符数，确定所述目标网络流量交互反馈的个性化行为热力变量。

其中，第二类质量反馈可以理解为单一维度且携带反馈情绪的质量反馈。

S21a3、如果所述目标网络流量交互反馈为第三类质量反馈，则根据预设挖掘策略对所述目标网络流量交互反馈的基础行为热力变量进行处理，得到所述目标网络流量交互反馈的个性化行为热力变量。

其中，第三类质量反馈可以理解为多个维度的质量反馈。进一步地，预设挖掘策略可以理解为行为热力变量的提取算法，比如可以是特征提取算法等。

可以理解，应用于S21a1-S21a3，能够基于三个不同类别的质量反馈灵活且针对性地确定个性化行为热力变量，以保障个性化行为热力变量的精度和可信度。

在一些可能的设计思路下，步骤3所描述的通过所述业务活动描述向量从预设优劣分析决策集涵盖的若干个优劣分析决策知识中确定目标优劣分析决策知识，可以包括步骤31-步骤33所描述的技术方案。

步骤31、依据所述目标行为热力变量集，从所述若干个优劣分析决策知识中确定Y个备用优劣分析决策知识（备选的优劣分析决策知识）。

其中，每个备用优劣分析决策知识包括X个备用优劣决策评分，所述X个备用优劣决策评分中存在至少一个备用优劣决策评分与所述目标行为热力变量集相匹配，所述Y为正整数。

步骤32、依据所述X个活跃行为热力变量中任意两个活跃行为热力变量之间的第一量化比较结果，以及所述X个备用优劣决策评分中任意两个备用优劣决策评分之间的第二量化比较结果，确定所述每个备用优劣分析决策知识对应的相关性系数。

其中，量化比较结果可以是行为热力变量的差值，此外，相关性系数可以理解为关联程度。

步骤33、依据所述每个备用优劣分析决策知识对应的相关性系数，从所述Y个备用优劣分析决策知识中确定出目标优劣分析决策知识。

应用于步骤31-步骤33，能够基于备选思路以及行为热力变量的差值计算确定备用优劣分析决策知识对应的相关性系数，从而结合备用优劣分析决策知识对应的相关性系数准确定位目标优劣分析决策知识。

在一些可能的设计思路下，S22所描述的通过所述至少一个网络流量交互反馈对应的网络流量类别信息确定目标行为热力变量集，可以包括S221-S223所描述的技术方案。

S221、获取所述至少一个网络流量交互反馈对应的网络流量类别信息。

其中，所述网络流量类别信息包括第一类别特征和第二类别特征中的一类或两类，所述第一类别特征是对所述至少一个网络流量交互反馈中的每个网络流量交互反馈涵盖的音频反馈信息进行类别分析得到的；所述第二类别特征是对所述每个网络流量交互反馈涵盖的文本反馈信息进行类别分析得到的。

S222、获取若干个历史行为热力变量集中每个历史行为热力变量集对应的类别主题。

其中，历史行为热力变量集可以理解为作为参考的行为热力变量集，类别主题可以是类别标签。

S223、依据所述网络流量类别信息和所述每个历史行为热力变量集对应的类别主题之间的共性权重值（相似度），从所述若干个历史行为热力变量集中确定出目标行为热力变量集。

可以理解，应用S221-S223，能够通过类别特征进行类别相似性分析，从而准确可靠地确定出目标行为热力变量集。

基于上述相同或相似的发明构思，请结合参阅图2，还提供了一种基于人工智能的网络流量监控处理方法的应用环境30的架构示意图，包括互相之间通信的人工智能平台系统10和流量监控系统20，人工智能平台系统10和流量监控系统20在运行时实现或者部分实现上述方法实施例所描述的技术方案。

进一步地，还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。

在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于人工智能的网络流量监控处理方法，其特征在于，应用于人工智能平台系统，所述方法包括：

响应于流量监控处理请求，获取拟进行优劣性分析的网络数据流量；其中，所述拟进行优劣性分析的网络数据流量包括至少一个网络流量交互反馈；

通过所述至少一个网络流量交互反馈确定所述拟进行优劣性分析的网络数据流量的业务活动描述向量；其中，所述业务活动描述向量包括X个活跃行为热力变量以及目标行为热力变量集中的一类或两类，所述X为正整数；

通过所述业务活动描述向量从预设优劣分析决策集涵盖的若干个优劣分析决策知识中确定目标优劣分析决策知识；

结合所述目标优劣分析决策知识对所述拟进行优劣性分析的网络数据流量中的每个网络流量交互反馈进行优劣标签标注操作，得到完成流量优劣性监控的网络数据流量；

其中：

所述活跃行为热力变量以及所述目标行为热力变量集用于反映网络数据流量在交互过程中的质量表现；所述活跃行为热力变量以及所述目标行为热力变量集为特征表现信息；所述活跃行为热力变量为关键流量交互行为的热度值；所述目标行为热力变量集为流量交互交互行为的热度区间或者热度范围；

所述预设优劣分析决策集为优劣分析决策知识组成的数据库；所述优劣分析决策知识用于指导网络数据流量的优劣分析，所述优劣分析决策知识通过特征向量或者知识向量的方式进行表示；

其中，所述通过所述至少一个网络流量交互反馈确定所述拟进行优劣性分析的网络数据流量的业务活动描述向量，包括如下至少一项：通过所述至少一个网络流量交互反馈中每个网络流量交互反馈的个性化行为热力变量确定X个活跃行为热力变量；通过所述至少一个网络流量交互反馈对应的网络流量类别信息确定目标行为热力变量集；其中：所述个性化行为热力变量反映网络流量交互反馈的区别特征；

其中，所述通过所述至少一个网络流量交互反馈中每个网络流量交互反馈的个性化行为热力变量确定X个活跃行为热力变量，包括：获取所述至少一个网络流量交互反馈中每个网络流量交互反馈的个性化行为热力变量，以及所述每个网络流量交互反馈的个性化行为热力变量对应的情绪文本字符数；对所述每个网络流量交互反馈的个性化行为热力变量进行分团操作，得到X个分团结果，每个分团结果包括至少一个个性化行为热力变量；依据所述每个分团结果涵盖的至少一个个性化行为热力变量以及所述至少一个个性化行为热力变量对应的情绪文本字符数确定所述每个分团结果的活跃行为热力变量；其中：所述情绪文本字符数是对情绪词语进行统计之后得到的统计数量。

2.根据权利要求1所述的方法，其特征在于，所述结合所述目标优劣分析决策知识对所述拟进行优劣性分析的网络数据流量中的每个网络流量交互反馈进行优劣标签标注操作，得到完成流量优劣性监控的网络数据流量，包括：

从所述X个分团结果中获取目标网络流量交互反馈的个性化行为热力变量所属的目标分团结果，所述目标网络流量交互反馈为所述拟进行优劣性分析的网络数据流量中的任一网络流量交互反馈，所述目标网络流量交互反馈的个性化行为热力变量是依据所述目标网络流量交互反馈的基础行为热力变量确定的；

从所述目标优劣分析决策知识中的X个目标优劣决策评分中，确定所述目标分团结果的活跃行为热力变量对应的第一目标优劣决策评分，其中，所述X个活跃行为热力变量与所述目标优劣分析决策知识中的X个目标优劣决策评分之间存在一对一关系；

结合所述第一目标优劣决策评分更新所述目标网络流量交互反馈的基础行为热力变量，并在对所述每个网络流量交互反馈进行优劣标签标注操作后得到完成流量优劣性监控的网络数据流量；

其中：

所述基础行为热力变量为初始行为热力变量。

3.根据权利要求1所述的方法，其特征在于，所述通过所述至少一个网络流量交互反馈中每个网络流量交互反馈的个性化行为热力变量确定X个活跃行为热力变量，包括：获取所述至少一个网络流量交互反馈中每个网络流量交互反馈的个性化行为热力变量；获取优劣决策联动分析网络，所述优劣决策联动分析网络是基于若干个行为热力变量示例以及每个行为热力变量示例对应的X个先验行为热力变量进行调试得到的，所述X个先验行为热力变量之间符合目标映射关系；结合所述优劣决策联动分析网络对所述每个网络流量交互反馈的个性化行为热力变量进行处理，得到X个活跃行为热力变量，所述X个活跃行为热力变量之间符合所述目标映射关系；

其中，所述结合所述目标优劣分析决策知识对所述拟进行优劣性分析的网络数据流量中的每个网络流量交互反馈进行优劣标签标注操作，得到完成流量优劣性监控的网络数据流量，包括：确定所述X个活跃行为热力变量所属的至少一个中间行为热力变量集；从所述至少一个中间行为热力变量集中获取目标网络流量交互反馈的个性化行为热力变量所属的目标中间行为热力变量集，所述目标网络流量交互反馈为所述拟进行优劣性分析的网络数据流量中的任一网络流量交互反馈，所述目标网络流量交互反馈的个性化行为热力变量是依据所述目标网络流量交互反馈的基础行为热力变量确定的；从所述目标优劣分析决策知识中的X个目标优劣决策评分中，确定所述目标中间行为热力变量集涵盖的活跃行为热力变量对应的第二目标优劣决策评分，其中，所述X个活跃行为热力变量与所述目标优劣分析决策知识中的X个目标优劣决策评分之间存在一对一关系；结合所述第二目标优劣决策评分更新所述目标网络流量交互反馈的基础行为热力变量，并在对所述每个网络流量交互反馈进行优劣标签标注操作后得到完成流量优劣性监控的网络数据流量；

其中，所述获取所述至少一个网络流量交互反馈中每个网络流量交互反馈的个性化行为热力变量，包括：如果所述目标网络流量交互反馈为第一类质量反馈，则将所述目标网络流量交互反馈的基础行为热力变量作为所述目标网络流量交互反馈的个性化行为热力变量，所述目标网络流量交互反馈为所述拟进行优劣性分析的网络数据流量中的任一网络流量交互反馈；如果所述目标网络流量交互反馈为第二类质量反馈，则依据所述目标网络流量交互反馈的基础行为热力变量，以及所述目标网络流量交互反馈的基础行为热力变量对应的情绪文本字符数，确定所述目标网络流量交互反馈的个性化行为热力变量；如果所述目标网络流量交互反馈为第三类质量反馈，则根据预设挖掘策略对所述目标网络流量交互反馈的基础行为热力变量进行处理，得到所述目标网络流量交互反馈的个性化行为热力变量；

其中：

所述行为热力变量示例为行为热力变量样本；所述先验行为热力变量为行为热力变量真值；所述中间行为热力变量集为作为辅助的行为热力变量集。

4.根据权利要求1-2中任一项所述的方法，其特征在于，所述通过所述业务活动描述向量从预设优劣分析决策集涵盖的若干个优劣分析决策知识中确定目标优劣分析决策知识，包括：

依据所述目标行为热力变量集，从所述若干个优劣分析决策知识中确定Y个备用优劣分析决策知识，每个备用优劣分析决策知识包括X个备用优劣决策评分，所述X个备用优劣决策评分中存在至少一个备用优劣决策评分与所述目标行为热力变量集相匹配，所述Y为正整数；

依据所述X个活跃行为热力变量中任意两个活跃行为热力变量之间的第一量化比较结果，以及所述X个备用优劣决策评分中任意两个备用优劣决策评分之间的第二量化比较结果，确定所述每个备用优劣分析决策知识对应的相关性系数；

依据所述每个备用优劣分析决策知识对应的相关性系数，从所述Y个备用优劣分析决策知识中确定出目标优劣分析决策知识。

5.根据权利要求1所述的方法，其特征在于，所述通过所述至少一个网络流量交互反馈对应的网络流量类别信息确定目标行为热力变量集，包括：

获取所述至少一个网络流量交互反馈对应的网络流量类别信息，所述网络流量类别信息包括第一类别特征和第二类别特征中的一类或两类，所述第一类别特征是对所述至少一个网络流量交互反馈中的每个网络流量交互反馈涵盖的音频反馈信息进行类别分析得到的；所述第二类别特征是对所述每个网络流量交互反馈涵盖的文本反馈信息进行类别分析得到的；

获取若干个历史行为热力变量集中每个历史行为热力变量集对应的类别主题；

依据所述网络流量类别信息和所述每个历史行为热力变量集对应的类别主题之间的共性权重值，从所述若干个历史行为热力变量集中确定出目标行为热力变量集；

其中，所述历史行为热力变量集是作为参考的行为热力变量集。

6.一种人工智能平台系统，其特征在于，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现权利要求1-5任一项所述的方法。

7.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时实现权利要求1-5任一项所述的方法。

Images