CN116048883A - 一种采用人工智能的大数据容灾分析方法及服务器 - Google Patents

一种采用人工智能的大数据容灾分析方法及服务器 Download PDF

Info

Publication number
CN116048883A
CN116048883A CN202310135567.9A CN202310135567A CN116048883A CN 116048883 A CN116048883 A CN 116048883A CN 202310135567 A CN202310135567 A CN 202310135567A CN 116048883 A CN116048883 A CN 116048883A
Authority
CN
China
Prior art keywords
disaster recovery
session data
linkage
commerce
data link
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
Application number
CN202310135567.9A
Other languages
English (en)
Inventor
李红亮
郑晨曦
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.)
Li Hongliang
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202310135567.9A priority Critical patent/CN116048883A/zh
Publication of CN116048883A publication Critical patent/CN116048883A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00Error detection; Error correction; Monitoring
    • G06F11/07Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/14Error detection or correction of the data by redundancy in operation
    • G06F11/1402Saving, restoring, recovering or retrying
    • G06F11/1446Point-in-time backing up or restoration of persistent data
    • G06F11/1448Management of the data involved in backup or backup restore
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种采用人工智能的大数据容灾分析方法及服务器,通过在容灾决策层面和容灾算力变量层面上将活动记录容灾要素和会话数据链容灾要素进行组合拼接,从而使得在不少于一个电子商务会话数据链中选择目标电子商务会话数据链时,可以基于容灾决策层面和容灾算力变量层面这两个层面对电子商务会话数据链进行选择,提高了针对目标电子商务会话数据链的选择精度,这样可以保障标记的目标电子商务会话数据链可以在尽可能准确、完整地反映待进行数据容灾处理的初始电子商务活动记录的关键内容的基础上,实现目标电子商务会话数据链的容灾处理资源开销的最小化,实现了数据容灾处理过程中容灾精度和容灾资源开销的平衡/兼容。

Description

一种采用人工智能的大数据容灾分析方法及服务器
技术领域
本发明涉及大数据容灾技术领域,尤其涉及一种采用人工智能的大数据容灾分析方法及服务器。
背景技术
随着电子商务的不断发展,与电子商务业务相关的数据日益增多,由于当前数据安全形势的严峻性,数据安全威胁无时无刻都存在着,数据备份和容灾也就显着尤为重要,无论电商平台系统的网络规模大小,一个完善、适用的数据备份和容灾系统是必不可少的。
发明内容
本发明提供一种采用人工智能的大数据容灾分析方法及服务器,为实现上述技术目的,本发明采用如下技术方案。
第一方面是一种采用人工智能的大数据容灾分析方法,应用于大数据容灾分析服务器,所述方法包括:
获取待进行数据容灾处理的初始电子商务活动记录,所述初始电子商务活动记录包括不少于一个电子商务会话数据链;
对所述初始电子商务活动记录进行基于轻量化的容灾要素抽取,得到所述初始电子商务活动记录对应的活动记录容灾要素,以及对所述不少于一个电子商务会话数据链进行基于轻量化的容灾要素抽取,得到每个电子商务会话数据链对应的会话数据链容灾要素;
利用所述活动记录容灾要素和所述会话数据链容灾要素进行容灾决策联动处理,得到所述活动记录容灾要素和所述会话数据链容灾要素之间的容灾决策联动指示;
利用所述活动记录容灾要素和所述会话数据链容灾要素进行容灾算力联动处理,得到所述活动记录容灾要素和所述会话数据链容灾要素之间的容灾算力联动需求;
依据所述容灾决策联动指示和所述容灾算力联动需求,在所述不少于一个电子商务会话数据链中选择并标记所述初始电子商务活动记录的目标电子商务会话数据链。
一些可选的实施例中,所述利用所述活动记录容灾要素和所述会话数据链容灾要素进行容灾决策联动处理,得到所述活动记录容灾要素和所述会话数据链容灾要素之间的容灾决策联动指示,包括:
分别对所述活动记录容灾要素和所述会话数据链容灾要素进行解析,得到所述活动记录容灾要素的容灾要素类别和所述会话数据链容灾要素的容灾要素类别;
结合所述活动记录容灾要素的容灾要素类别和所述会话数据链容灾要素的容灾要素类别,生成决策联动连接特征;
利用所述决策联动连接特征对所述活动记录容灾要素和所述会话数据链容灾要素进行容灾决策联动处理,得到所述活动记录容灾要素和所述会话数据链容灾要素之间的容灾决策联动指示。
一些可选的实施例中,所述利用所述决策联动连接特征对所述活动记录容灾要素和所述会话数据链容灾要素进行容灾决策联动处理,得到所述活动记录容灾要素和所述会话数据链容灾要素之间的容灾决策联动指示,包括:
将所述决策联动连接特征和所述活动记录容灾要素进行作乘处理,得到基础容灾决策联动指示;
将所述基础容灾决策联动指示和所述会话数据链容灾要素进行作乘处理,得到所述容灾决策联动指示。
一些可选的实施例中,所述结合所述活动记录容灾要素的容灾要素类别和所述会话数据链容灾要素的容灾要素类别,生成决策联动连接特征,包括:
结合所述活动记录容灾要素的容灾要素类别和所述会话数据链容灾要素的容灾要素类别,确定所述决策联动连接特征的连接特征类别;
依据所述连接特征类别生成所述决策联动连接特征。
一些可选的实施例中,所述利用所述活动记录容灾要素和所述会话数据链容灾要素进行容灾算力联动处理,得到所述活动记录容灾要素和所述会话数据链容灾要素之间的容灾算力联动需求,包括:
分别对所述活动记录容灾要素和所述会话数据链容灾要素进行解析,得到所述活动记录容灾要素的容灾算力变量和所述会话数据链容灾要素的容灾算力变量;
依据所述活动记录容灾要素的容灾算力变量和所述会话数据链容灾要素的容灾算力变量,确定所述活动记录容灾要素和所述会话数据链容灾要素的容灾算力联动处理策略;
利用所述容灾算力联动处理策略对所述活动记录容灾要素和所述会话数据链容灾要素进行容灾算力联动处理,得到所述活动记录容灾要素和所述会话数据链容灾要素之间的容灾算力联动需求。
一些可选的实施例中,所述利用所述容灾算力联动处理策略对所述活动记录容灾要素和所述会话数据链容灾要素进行容灾算力联动处理,得到所述活动记录容灾要素和所述会话数据链容灾要素之间的容灾算力联动需求,包括:
结合所述活动记录容灾要素的容灾算力变量,对所述会话数据链容灾要素进行特征插值操作,得到目标会话数据链容灾要素;
将所述活动记录容灾要素和所述目标会话数据链容灾要素进行要素组合,得到所述容灾算力联动需求。
一些可选的实施例中,所述依据所述容灾决策联动指示和所述容灾算力联动需求,在所述不少于一个电子商务会话数据链中选择并标记所述初始电子商务活动记录的目标电子商务会话数据链,包括:
将所述容灾决策联动指示和所述容灾算力联动需求进行知识推演处理,得到每个电子商务会话数据链和所述初始电子商务活动记录之间的数据容灾影响描述;
依据所述数据容灾影响描述,在所述不少于一个电子商务会话数据链中选择并标记所述初始电子商务活动记录的目标电子商务会话数据链。
一些可选的实施例中,所述将所述容灾决策联动指示和所述容灾算力联动需求进行知识推演处理,得到每个电子商务会话数据链和所述初始电子商务活动记录之间的数据容灾影响描述,包括:
分别对所述容灾决策联动指示和所述容灾算力联动需求进行解析,得到所述容灾决策联动指示的容灾知识标签和所述容灾算力联动需求的容灾知识标签;
依据所述容灾决策联动指示的容灾知识标签和所述容灾算力联动需求的容灾知识标签,生成容灾联动调整信息;
将所述容灾决策联动指示、所述容灾算力联动需求和所述容灾联动调整信息进行加权,得到所述数据容灾影响描述。
一些可选的实施例中,所述依据所述数据容灾影响描述,在所述不少于一个电子商务会话数据链中选择并标记所述初始电子商务活动记录的目标电子商务会话数据链,包括:
将所述数据容灾影响描述进行特征迁移操作,得到每个电子商务会话数据链对应的数据链迁移特征值;
依据所述数据链迁移特征值对所述每个电子商务会话数据链进行多元回归,得到多元回归结果;
根据多元回归结果确定所述初始电子商务活动记录的目标电子商务会话数据链。
一些可选的实施例中,所述对所述初始电子商务活动记录进行基于轻量化的容灾要素抽取,得到所述初始电子商务活动记录对应的活动记录容灾要素,包括:
对所述初始电子商务活动记录进行请求应答交互描述挖掘,得到所述初始电子商务活动记录的多个请求应答交互描述信息;
对所述多个请求应答交互描述信息进行描述空间转换,得到每个请求应答交互描述信息对应的活动输出特征;
对每个请求应答交互描述信息对应的活动输出特征进行特征拼接,得到所述初始电子商务活动记录对应的活动记录容灾要素。
一些可选的实施例中,所述对所述初始电子商务活动记录进行请求应答交互描述挖掘,得到所述初始电子商务活动记录的多个请求应答交互描述信息,包括:
利用设定处理核对所述初始电子商务活动记录进行遍历分治,得到多个活动记录捕捉结果,其中,所述活动记录捕捉结果中包括多个局部活动信息捕捉结果;
识别所述活动记录捕捉结果中每个局部活动信息捕捉结果的活动热力值;
确定所述活动记录捕捉结果中每个局部活动信息捕捉结果之间的差异;
依据所述活动热力值和所述差异,生成所述初始电子商务活动记录的请求应答交互描述信息。
一些可选的实施例中,所述对所述不少于一个电子商务会话数据链进行基于轻量化的容灾要素抽取,得到每个电子商务会话数据链对应的会话数据链容灾要素,包括:
根据设定容灾要素抽取条件,将所述电子商务会话数据链迁移到对应的基础会话数据链容灾要素;
对所述基础会话数据链容灾要素进行容灾要素更新,得到所述会话数据链容灾要素。。
第二方面是一种大数据容灾分析服务器,包括存储器和处理器;所述存储器和所述处理器耦合;所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令;其中,当所述处理器执行所述计算机指令时,使得所述大数据容灾分析服务器执行第一方面的方法。
第三方面是一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在运行时执行第一方面的方法。
根据本发明的一个实施例,可以获取待进行数据容灾处理的初始电子商务活动记录,待进行数据容灾处理的初始电子商务活动记录包括不少于一个电子商务会话数据链;对待进行数据容灾处理的初始电子商务活动记录进行基于轻量化的容灾要素抽取,得到待进行数据容灾处理的初始电子商务活动记录对应的活动记录容灾要素,以及对不少于一个电子商务会话数据链进行基于轻量化的容灾要素抽取,得到每个电子商务会话数据链对应的会话数据链容灾要素;利用活动记录容灾要素和会话数据链容灾要素进行容灾决策联动处理,得到活动记录容灾要素和会话数据链容灾要素之间的容灾决策联动指示;利用活动记录容灾要素和会话数据链容灾要素进行容灾算力联动处理,得到活动记录容灾要素和会话数据链容灾要素之间的容灾算力联动需求;根据容灾决策联动指示和容灾算力联动需求,在不少于一个电子商务会话数据链中选择并标记待进行数据容灾处理的初始电子商务活动记录的目标电子商务会话数据链,实现了数据容灾处理过程中容灾精度和容灾资源开销的平衡/兼容,从而提供了一个完善且适用的数据容灾方案。
附图说明
图1为本发明实施例提供的采用人工智能的大数据容灾分析方法的流程示意图。
具体实施方式
以下,术语“第一”、“第二”和“第三”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”或“第三”等的特征可以明示或者隐含地包括一个或者更多个该特征。
图1示出了本发明实施例提供的采用人工智能的大数据容灾分析方法的流程示意图,采用人工智能的大数据容灾分析方法可以通过大数据容灾分析服务器实现,大数据容灾分析服务器可以包括存储器和处理器;所述存储器和所述处理器耦合;所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令;其中,当所述处理器执行所述计算机指令时,使得所述大数据容灾分析服务器执行S101-S105。
S101:获取待进行数据容灾处理的初始电子商务活动记录,待进行数据容灾处理的初始电子商务活动记录包括不少于一个电子商务会话数据链。
在本发明实施例中,待进行数据容灾处理的初始电子商务活动记录包括电子商务会话数据、电子商务会话数据链、电子商务会话数据集的组合。换言之,待进行数据容灾处理的初始电子商务活动记录可以包括不同数据规模的会话数据。进一步地,电子商务会话数据链可以理解为电子商务会话数据单元或者电子商务会话数据块,用于记录相关的电子商务会话事件,比如电子商务咨询事件、电子商务反馈事件、电子商务风控事件、电子商务升级事件等。
其中,电子商务会话数据链可以包括组成待进行数据容灾处理的初始电子商务活动记录的内容。比如,电子商务会话数据链可以是组成待进行数据容灾处理的初始电子商务活动记录的业务事件内容集等。又比如,电子商务会话数据链可以是组成待进行数据容灾处理的初始电子商务活动记录的内容片段等。
比如,当待进行数据容灾处理的初始电子商务活动记录为“跨境电商的用户存留分析报告”,则待进行数据容灾处理的初始电子商务活动记录对应的电子商务会话数据链可以包括“跨境电商用户数据data1”、“存留请求数据data2”、“存留分析结果data3”、“存留分析反馈信息data4”。
对于一些示例性设计思路而言,本发明实施例提出的采用人工智能的大数据容灾分析方法可以应用于需要从待进行数据容灾处理的初始电子商务活动记录中选择并标记待进行容灾处理的目标电子商务会话数据链的任务中。其中,目标电子商务会话数据链可以包括待进行数据容灾处理的初始电子商务活动记录的关键内容。
对于一些示例性设计思路而言,待进行数据容灾处理的初始电子商务活动记录通常包括相应的关键内容,关键内容一般基于目标电子商务会话数据链进行记载。鉴于此,目标电子商务会话数据链可以包括尽可能精准反映待进行数据容灾处理的初始电子商务活动记录的记录信息的关键内容。
比如,当待进行数据容灾处理的初始电子商务活动记录为“跨境电商的用户存留分析报告”时,目标待进行数据容灾处理的初始电子商务活动记录可以包括“存留分析结果data3”和“存留分析反馈信息data4”等。
可见,本发明实施例提出的采用人工智能的大数据容灾分析方法可以避免大规模的数据容灾处理,通过关注目标电子商务会话数据链,可以实现高效、针对性的数据容灾处理。一般而言,目标电子商务会话数据链的关键内容可以作为其他非关键内容的推导依据,这样一来,对目标电子商务会话数据链进行容灾处理之后,后期如果需要进行数据恢复,也可以基于目标电子商务会话数据链进行最大限度的数据恢复。
对于一些示例性设计思路而言,在得到待进行数据容灾处理的初始电子商务活动记录之后,可以对待进行数据容灾处理的初始电子商务活动记录进第一尺寸变量据链拆解,从而得到电子商务会话数据链。
对于一些示例性设计思路而言,有多种思路可以对待进行数据容灾处理的初始电子商务活动记录进第一尺寸变量据链拆解,从而得到电子商务会话数据链。比如,可以依据会话事件进第一尺寸变量据链拆解,或者依据会话时段进第一尺寸变量据拆解,再或者依据事先设定的规则进第一尺寸变量据链拆解。
S102:对待进行数据容灾处理的初始电子商务活动记录进行基于轻量化的容灾要素抽取,得到待进行数据容灾处理的初始电子商务活动记录对应的活动记录容灾要素,以及对不少于一个电子商务会话数据链进行基于轻量化的容灾要素抽取,得到每个电子商务会话数据链对应的会话数据链容灾要素。
对于一些示例性设计思路而言,在获取得到待进行数据容灾处理的初始电子商务活动记录和电子商务会话数据链之后,可以对待进行数据容灾处理的初始电子商务活动记录进行基于轻量化的容灾要素抽取,得到待进行数据容灾处理的初始电子商务活动记录对应的活动记录容灾要素,以及对电子商务会话数据链进行基于轻量化的容灾要素抽取,得到每个电子商务会话数据链对应的会话数据链容灾要素。
对于一些示例性设计思路而言,可以利用人工智能算法对待进行数据容灾处理的初始电子商务活动记录进行基于轻量化的容灾要素抽取,从而得到待进行数据容灾处理的初始电子商务活动记录对应的活动记录容灾要素。比如,可以循环神经网络、残差神经网络、卷积神经网络中的任意一种对待进行数据容灾处理的初始电子商务活动记录进行基于轻量化的容灾要素抽取,从而得到待进行数据容灾处理的初始电子商务活动记录对应的活动记录容灾要素。
其中,基于轻量化的容灾要素抽取可以理解为特征挖掘,通过对待进行数据容灾处理的初始电子商务活动记录进行特征挖掘,可以获得初始电子商务活动记录的容灾特征信息,也即活动记录容灾要素,从而为后续的容灾决策处理提供分析依据,由于活动记录容灾要素是特征向量形式的数据,因此在处理过程中可以显著减少运算负荷,保障整体方案的轻量化,提高容灾分析的时效性。
对于一些示例性设计思路而言,由于待进行数据容灾处理的初始电子商务活动记录所包含的容灾算力变量较大,所以在对待进行数据容灾处理的初始电子商务活动记录进行基于轻量化的容灾要素抽取时,可以基于局部聚焦规则(局部关注处理)对待进行数据容灾处理的初始电子商务活动记录进行基于轻量化的容灾要素抽取,得到待进行数据容灾处理的初始电子商务活动记录对应的活动记录容灾要素。
其中,局部聚焦规则能够针对待进行数据容灾处理的初始电子商务活动记录中的各个部分进行重点关注,从而借助权重分治处理进行特征挖掘。
示例性的,S102中的“对待进行数据容灾处理的初始电子商务活动记录进行基于轻量化的容灾要素抽取,得到待进行数据容灾处理的初始电子商务活动记录对应的活动记录容灾要素”,可以包括:对待进行数据容灾处理的初始电子商务活动记录进行请求应答交互描述挖掘,得到待进行数据容灾处理的初始电子商务活动记录的多个请求应答交互描述信息;对多个请求应答交互描述信息进行描述空间转换,得到每个请求应答交互描述信息对应的活动输出特征;对每个请求应答交互描述信息对应的活动输出特征进行特征拼接,得到待进行数据容灾处理的初始电子商务活动记录对应的活动记录容灾要素。
对于一些示例性设计思路而言,为了提高容灾处理的精度,在基于局部聚焦规则对待进行数据容灾处理的初始电子商务活动记录进行基于轻量化的容灾要素抽取时,可以对待进行数据容灾处理的初始电子商务活动记录进行请求应答交互描述(聚焦于请求应答交互的特征)挖掘处理。
可以理解,不同局部聚焦规则匹配初始电子商务活动记录的不同部分,从而形成了对待进行数据容灾处理的初始电子商务活动记录的请求应答交互描述挖掘。而不同局部聚焦规则对待进行数据容灾处理的初始电子商务活动记录进行请求应答交互描述挖掘之后,便可以得到待进行数据容灾处理的初始电子商务活动记录的多个请求应答交互描述信息。请求应答交互描述信息可以理解为局部聚焦特征,在此基础上进行描述空间转换/特征映射,可以得到请求应答交互描述信息对应的输出向量(活动输出特征),该输出向量侧重于容灾要素的记载,因而通过特征拼接融合处理,可以完整准确地获得待进行数据容灾处理的初始电子商务活动记录对应的活动记录容灾要素。
对于一些示例性设计思路而言,可以采用设定处理核实现对待进行数据容灾处理的初始电子商务活动记录的请求应答交互描述挖掘。示例性的,步骤“对待进行数据容灾处理的初始电子商务活动记录进行请求应答交互描述挖掘,得到待进行数据容灾处理的初始电子商务活动记录的多个请求应答交互描述信息”,可以包括:利用设定处理核对待进行数据容灾处理的初始电子商务活动记录进行遍历分治,得到多个活动记录捕捉结果,其中,所述活动记录捕捉结果中包括多个局部活动信息捕捉结果;识别活动记录捕捉结果中每个局部活动信息捕捉结果的活动热力值;确定活动记录捕捉结果中每个局部活动信息捕捉结果之间的差异;根据活动热力值和差异,生成待进行数据容灾处理的初始电子商务活动记录的请求应答交互描述信息。
其中,设定处理核可以是一个事先预设了大小和周期的处理单元(滑动单元)。其中,周期可以指处理单元每次变换的幅度。比如,当将设定处理核的大小设置为4,周期设置为1时,设定处理核每次会对待进行数据容灾处理的初始电子商务活动记录进行信息分治,得到4个内容片段,并且每次都更新1个内容片段的长度。进一步地,设定处理核每次遍历得到的所有内容片段都会组成一个活动记录捕捉结果,而活动记录捕捉结果中的内容片段可以理解为局部活动信息捕捉结果。基于此,遍历分治可以理解为针对初始电子商务活动记录的拆解处理。
举例而言,活动热力值可以是每个局部活动信息捕捉结果在设定处理核中出现的次数。比如,活动记录捕捉结果包括“information1、information1、information2、information2”,则局部活动信息捕捉结果“information1”的活动热力值为2,局部活动信息捕捉结果“information2”的活动热力值也为2。其中,差异可以包括内容片段与内容片段之间的特征距离。
对于一些示例性设计思路而言,可以利用设定处理核按照事先预设了的周期对待进行数据容灾处理的初始电子商务活动记录进行遍历分治,得到多个活动记录捕捉结果。然后可以对活动记录捕捉结果进行依次访问,并通过访问结果通过活动记录捕捉结果中每个局部活动信息捕捉结果的活动热力值,以及通过访问结果确定每个局部活动信息捕捉结果之间的差异。
对于一些示例性设计思路而言,可以根据活动热力值和差异,生成待进行数据容灾处理的初始电子商务活动记录的请求应答交互描述信息。比如,可以将活动热力值和差异进行识别,从而得到待进行数据容灾处理的初始电子商务活动记录的请求应答交互描述信息。
对于一些示例性设计思路而言,在得到待进行数据容灾处理的初始电子商务活动记录的多个请求应答交互描述信息之后,可以对多个请求应答交互描述信息进行描述空间转换,从而得到每个请求应答交互描述信息对应的活动输出特征。比如,可以根据活动记录捕捉结果中每个局部活动信息捕捉结果的活动热力值和每个局部活动信息捕捉结果之间的差异,将局部活动信息捕捉结果变换至特征坐标系中。然后,可以将局部活动信息捕捉结果在特征坐标系中的输出作为请求应答交互描述信息对应的输出特征。示例性的,步骤“对多个请求应答交互描述信息进行描述空间转换,得到每个请求应答交互描述信息对应的活动输出特征”,可以包括:根据请求应答交互描述信息,在设定特征变换坐标系中进行查询,得到请求应答交互描述信息在设定特征变换坐标系中的查询目录;获取查询目录下的查询特征,并将查询特征确定为活动输出特征。
其中,设定特征变换坐标系包括由待进行数据容灾处理的初始电子商务活动记录对应的活动事件下的每个内容片段组成的特征坐标系,在设定特征变换坐标系中定义了该活动事件下每个内容片段携带的特征,以及每个内容片段之间的联系。
对于一些示例性设计思路而言,设定特征变换坐标系可以有多种输出方式。比如,该设定特征变换坐标系可以是矩阵。又比如,该设定特征变换坐标系可以是关系网等。
对于一些示例性设计思路而言,可以在设定特征变换坐标系中将请求应答交互描述信息进行查询,得到不少于一个查询目录。然后,获取查询目录下的查询特征,并将查询特征确定为请求应答交互描述信息活动输出特征。
对于一些示例性设计思路而言,可以对每个请求应答交互描述信息对应的活动输出特征进行特征拼接,从而得到待进行数据容灾处理的初始电子商务活动记录对应的活动记录容灾要素。比如,可以对每个请求应答交互描述信息进行组合,从而得到待进行数据容灾处理的初始电子商务活动记录对应的活动记录容灾要素。
对于一些示例性设计思路而言,也可以利用AI算法对电子商务会话数据链进行基于轻量化的容灾要素抽取,得到电子商务会话数据链对应的会话数据链容灾要素。比如,可以利用卷积神经网络、残差神经网络、循环神经网络等AI算法中的任意一种对电子商务会话数据链进行基于轻量化的容灾要素抽取,从而得到电子商务会话数据链对应的会话数据链容灾要素。对电子商务会话数据链进行基于轻量化的容灾要素抽取可以理解为针对局部的活动记录进行容灾特征挖掘。
对于一些示例性设计思路而言,S102中的“对不少于一个电子商务会话数据链进行基于轻量化的容灾要素抽取,得到每个电子商务会话数据链对应的会话数据链容灾要素”,可以包括:根据设定容灾要素抽取条件,将电子商务会话数据链迁移到对应的基础会话数据链容灾要素;对基础会话数据链容灾要素进行容灾要素更新,得到会话数据链容灾要素。
其中,设定容灾要素抽取条件可以包括待进行数据容灾处理的初始电子商务活动记录对应的活动事件中的每个内容片段对应的特征输出方式,其中,每个内容片段对应的特征输出方式都是不重复的(类似于哈希编码)。比如,设定容灾要素抽取条件中可以定义“会话参与方的兴趣画像”对应的特征输出方式是{0,0,1},而“气”对应的特征输出方式是{0,1,0}。因此,可以根据设定容灾要素抽取条件,将电子商务会话数据链迁移到对应的基础会话数据链容灾要素(初始的会话数据链容灾要素)中。
对于一些示例性设计思路而言,由于基础会话数据链容灾要素中包含一些冗余特征,并且会导致运算量过高的问题。因此,可以对基础会话数据链容灾要素进行容灾要素更新(特征转换),得到会话数据链容灾要素,从而实现会话数据链容灾要素的简化处理。比如,可以将基础会话数据链容灾要素和一个设定更新指示特征进行作乘处理,从而得到会话数据链容灾要素。
S103、利用活动记录容灾要素和会话数据链容灾要素进行容灾决策联动处理,得到活动记录容灾要素和会话数据链容灾要素之间的容灾决策联动指示。
对于一些示例性设计思路而言,在得到活动记录容灾要素和会话数据链容灾要素之后,可以利用活动记录容灾要素和会话数据链容灾要素进行容灾决策联动处理,从而得到活动记录容灾要素和会话数据链容灾要素之间的容灾决策联动指示。
一方面,容灾决策联动处理可以包括在容灾决策层面上将活动记录容灾要素和会话数据链容灾要素进行组合拼接,即容灾决策联动处理偏向活动记录容灾要素和会话数据链容灾要素中的容灾内容本身,从而使得得到的容灾决策联动指示可以尽可能丰富地表征活动记录容灾要素和会话数据链容灾要素的细节特征,以提升容灾处理的精度。
另一方面,容灾决策联动指示包括可以表示活动记录容灾要素和会话数据链容灾要素在容灾决策层面下进行组合拼接后的容灾要素特征。通过容灾决策联动指示,可以反映出电子商务会话数据链和待进行数据容灾处理的初始电子商务活动记录在容灾决策层面上的相关性。对于一些示例性设计思路而言,该容灾决策联动指示可以是特征向量,也可以是描述矩阵。
对于一些示例性设计思路而言,利用活动记录容灾要素和会话数据链容灾要素进行容灾决策联动处理时,为了获取到活动记录容灾要素和会话数据链容灾要素更多的容灾内容细节,可以利用一个决策联动连接特征对活动记录容灾要素和会话数据链容灾要素进行容灾决策联动处理。示例性的,S103中的“利用活动记录容灾要素和会话数据链容灾要素进行容灾决策联动处理,得到活动记录容灾要素和会话数据链容灾要素之间的容灾决策联动指示”,可以包括:分别对活动记录容灾要素和会话数据链容灾要素进行解析,得到活动记录容灾要素的容灾要素类别和会话数据链容灾要素的容灾要素类别;基于活动记录容灾要素的容灾要素类别和会话数据链容灾要素的容灾要素类别,生成决策联动连接特征;利用决策联动连接特征对活动记录容灾要素和会话数据链容灾要素进行容灾决策联动处理,得到活动记录容灾要素和会话数据链容灾要素之间的容灾决策联动指示。
其中,容灾要素类别可以包括容灾要素的属性。比如,容灾要素类别可以包括容灾要素的尺度(维度)、容灾要素是否是线性容灾要素等。进一步地,容灾决策联动指示可以是多维特征。进一步地,决策联动连接特征包括将活动记录容灾要素和会话数据链容灾要素进行拼接的连接数据。
对于一些示例性设计思路而言,可以对活动记录容灾要素和会话数据链容灾要素进行解析,得到活动记录容灾要素的容灾要素类别和会话数据链容灾要素的容灾要素类别,然后基于活动记录容灾要素的容灾要素类别和会话数据链容灾要素的容灾要素类别生成决策联动连接特征。
比如,通过对活动记录容灾要素和会话数据链容灾要素进行解析,得到活动记录容灾要素的尺度数目和会话数据链容灾要素的尺度。比如,通过对活动记录容灾要素和会话数据链容灾要素进行解析,得到活动记录容灾要素的第一尺寸变量和第二尺寸变量,以及会话数据链容灾要素的第一尺寸变量和第二尺寸变量。然后,可以基于活动记录容灾要素的第一尺寸变量和第二尺寸变量,以及会话数据链容灾要素的第一尺寸变量和第二尺寸变量,生成决策联动连接特征,从而使得决策联动连接特征可以准确地将活动记录容灾要素和会话数据链容灾要素进行组合拼接,从而提高特征组合的精度以及容灾分析处理的可信度。进一步地,第一尺寸变量可以理解为相应容灾要素的行数或者层数,第二尺寸变量可以理解为相应容灾要素的列数。
对于一些示例性设计思路而言,步骤“基于活动记录容灾要素的容灾要素类别和会话数据链容灾要素的容灾要素类别,生成决策联动连接特征”,可以包括:基于活动记录容灾要素的容灾要素类别和会话数据链容灾要素的容灾要素类别,确定决策联动连接特征的连接特征类别;根据连接特征类别生成决策联动连接特征。其中,连接特征类别可以包括决策联动连接特征的属性(与上述的容灾要素的属性类型)。
对于一些示例性设计思路而言,可以基于活动记录容灾要素的容灾要素类别和会话数据链容灾要素的容灾要素类别,确定决策联动连接特征的连接特征类别。
对于一些示例性设计思路而言,在生成了决策联动连接特征之后,可以利用决策联动连接特征对活动记录容灾要素和会话数据链容灾要素进行容灾决策联动处理,从而得到活动记录容灾要素和会话数据链容灾要素之间的容灾决策联动指示。
其中,可以利用多种思路将决策联动连接特征、活动记录容灾要素和会话数据链容灾要素进行容灾决策联动处理。比如,可以将决策联动连接特征、活动记录容灾要素和会话数据链容灾要素进行点积/数目积,从而得到容灾决策联动指示。又比如,可以将决策联动连接特征、活动记录容灾要素和会话数据链容灾要素进行向量积,从而得到容灾决策联动指示。
示例性的,步骤“利用决策联动连接特征对活动记录容灾要素和会话数据链容灾要素进行容灾决策联动处理,得到活动记录容灾要素和会话数据链容灾要素之间的容灾决策联动指示”,可以包括:将决策联动连接特征和活动记录容灾要素进行作乘处理,得到基础容灾决策联动指示;将基础容灾决策联动指示和会话数据链容灾要素进行作乘处理,得到容灾决策联动指示。其中,作乘处理可以包括点积/数目积或向量积等。
比如,可以将决策联动连接特征和活动记录容灾要素进行点积/数目积,得到基础容灾决策联动指示。然后,将基础容灾决策联动指示和会话数据链容灾要素进行向量积,从而得到容灾决策联动指示。又比如,可以将决策联动连接特征和活动记录容灾要素进行向量积,得到基础容灾决策联动指示。然后,将基础容灾决策联动指示和会话数据链容灾要素进行向量积,从而得到容灾决策联动指示等。
对于一些示例性设计思路而言,将决策联动连接特征和活动记录容灾要素以及会话数据链容灾要素进行作乘可以看成是基于决策联动连接特征对活动记录容灾要素以及会话数据链容灾要素进行特征挖掘,得到得到活动记录容灾要素和会话数据链容灾要素更多的容灾细节描述。然后,可以利用决策联动连接特征将活动记录容灾要素和会话数据链容灾要素的容灾细节描述进行结合,得到容灾决策联动指示,从而使得在将活动记录容灾要素和会话数据链容灾要素进行组合拼接时,可以平衡活动记录容灾要素的容灾细节描述和会话数据链容灾要素的容灾细节描述,从而提高了容灾决策联动指示的精度,从而提升了容灾处理分析的精度。此外,在生成决策联动连接特征时,决策联动连接特征中特征成员可以经过修正后得到的,从而使得决策联动连接特征可以从活动记录容灾要素和会话数据链容灾要素中挖掘出尽可能丰富准确的容灾细节描述,进一步地提高了容灾决策联动指示的精度。
S104、利用活动记录容灾要素和会话数据链容灾要素进行容灾算力联动处理,得到活动记录容灾要素和会话数据链容灾要素之间的容灾算力联动需求。
对于一些示例性设计思路而言,在得到活动记录容灾要素和会话数据链容灾要素之后,可以利用活动记录容灾要素和会话数据链容灾要素进行容灾算力联动处理,从而得到活动记录容灾要素和会话数据链容灾要素之间的容灾算力联动需求。
其中,容灾算力联动处理可以包括在容灾算力变量层面上将活动记录容灾要素和会话数据链容灾要素进行组合拼接,即容灾算力联动处理偏向活动记录容灾要素和会话数据链容灾要素中的容灾内容处理的算力开销关联,从而使得容灾算力联动需求可以准确地记载活动记录容灾要素和会话数据链容灾要素的算力开销特征。其中,容灾算力联动需求包括可以表示活动记录容灾要素和会话数据链容灾要素在容灾算力变量层面上进行组合拼接后的描述信息。对于一些示例性设计思路而言,该容灾算力联动需求可以是特征向量,也可以是描述矩阵。
对于一些示例性设计思路而言,可以根据活动记录容灾要素和会话数据链容灾要素的容灾算力变量,确定容灾算力联动处理策略(容灾算力联动处理方式),并根据该容灾算力联动处理策略利用活动记录容灾要素和会话数据链容灾要素进行容灾算力联动处理,得到容灾算力联动需求。示例性的,S104中的“利用活动记录容灾要素和会话数据链容灾要素进行容灾算力联动处理,得到活动记录容灾要素和会话数据链容灾要素之间的容灾算力联动需求”,可以包括:分别对活动记录容灾要素和会话数据链容灾要素进行解析,得到活动记录容灾要素的容灾算力变量和会话数据链容灾要素的容灾算力变量;根据活动记录容灾要素的容灾算力变量和会话数据链容灾要素的容灾算力变量,确定活动记录容灾要素和会话数据链容灾要素的容灾算力联动处理策略;利用容灾算力联动处理策略对活动记录容灾要素和会话数据链容灾要素进行容灾算力联动处理,得到活动记录容灾要素和会话数据链容灾要素之间的容灾算力联动需求。
其中,容灾算力变量可以包括特征数组中特征成员的数目以及有效特征成员的数目。其中,有效特征成员可以包括特征数组中非0的特征成员值,容灾算力变量考虑算力开销大小、算力开销时段、算力开销优先级等参数。
对于一些示例性设计思路而言,可以通过对活动记录容灾要素和会话数据链容灾要素进行依次处理/遍历,从而得到活动记录容灾要素和会话数据链容灾要素的容灾算力变量。然后根据容灾算力变量确定活动记录容灾要素和会话数据链容灾要素的容灾算力联动处理策略。
对于一些示例性设计思路而言,容灾算力联动处理策略包括不会丢失活动记录容灾要素和会话数据链容灾要素的细节的联动处理方式。比如,容灾算力联动处理策略可以包括特征拼接或者特征加权等。
对于一些示例性设计思路而言,当活动记录容灾要素和会话数据链容灾要素中的容灾内容本身较多时,可以基于特征拼接的容灾算力联动处理策略利用活动记录容灾要素和会话数据链容灾要素进行容灾决策联动处理,从而得到容灾决策联动指示。
对于一些示例性设计思路而言,当活动记录容灾要素和会话数据链容灾要素中的容灾内容本身较少时,可以基于特征加权的策略利用活动记录容灾要素和会话数据链容灾要素进行容灾决策联动处理,从而得到容灾决策联动指示。
对于一些示例性设计思路而言,当采用特征拼接的思路利用活动记录容灾要素和会话数据链容灾要素进行容灾算力联动处理时,步骤“利用容灾算力联动处理策略将活动记录容灾要素和所述会话数据链容灾要素进行容灾算力联动处理,得到活动记录容灾要素和会话数据链容灾要素之间的容灾算力联动需求”,可以包括:基于活动记录容灾要素的容灾算力变量,对会话数据链容灾要素进行特征插值操作,得到目标会话数据链容灾要素;将活动记录容灾要素和目标会话数据链容灾要素进行要素组合/拼接处理,得到容灾算力联动需求。
对于一些示例性设计思路而言,会话数据链容灾要素的尺度可能比活动记录容灾要素的尺度小,所以当采用特征拼接的思路将活动记录容灾要素和会话数据链容灾要素进行要素组合时,可以对会话数据链容灾要素进行特征插值操作,从而得到目标会话数据链容灾要素。
比如,会话数据链容灾要素的尺度为3维,而活动记录容灾要素的尺度为8维,因此可以对会话数据链容灾要素进行特征插值操作,从而使得目标会话数据链容灾要素也为8维。
对于一些示例性设计思路而言,通过利用活动记录容灾要素和会话数据链容灾要素进行容灾算力联动处理,可以使得容灾算力联动需求可以包括活动记录容灾要素和会话数据链容灾要素的容灾算力关联特征,从而使得根据容灾决策联动指示和容灾算力联动需求在电子商务会话数据链中选择出目标电子商务会话数据链时,可以更加准确地权衡电子商务会话数据链在待进行数据容灾处理的初始电子商务活动记录中的重要性和优先级,从而能够准确地选择出目标电子商务会话数据链,从而提升了容灾处理分析的精度。
此外,还可以根据活动记录容灾要素和会话数据链容灾要素的容灾算力变量,确定活动记录容灾要素和会话数据链容灾要素的容灾算力联动处理策略。比如,当活动记录容灾要素和会话数据链容灾要素中的容灾内容本身较多时,可以基于特征拼接的容灾算力联动处理策略利用活动记录容灾要素和会话数据链容灾要素进行容灾决策联动处理,得到容灾决策联动指示。通过特征拼接的思路可以避免活动记录容灾要素和会话数据链容灾要素的容灾算力关联特征的丢失,还不会导致容灾内容的丢失。又比如,当活动记录容灾要素和会话数据链容灾要素中的容灾内容本身较少时,可以采用特征加权的思路利用活动记录容灾要素和会话数据链容灾要素进行容灾决策联动处理,得到容灾决策联动指示。采用特征加权的思路,可以减少容灾算力联动需求的尺度,提升容灾分析处理的时效性。
S105、根据容灾决策联动指示和容灾算力联动需求,在不少于一个电子商务会话数据链中选择并标记待进行数据容灾处理的初始电子商务活动记录的目标电子商务会话数据链。
其中,目标电子商务会话数据链可以包括待进行数据容灾处理的初始电子商务活动记录的关键内容。比如,当待进行数据容灾处理的初始电子商务活动记录为“跨境电商的用户存留分析报告”时,目标待进行数据容灾处理的初始电子商务活动记录可以包括“存留分析结果data3”和“存留分析反馈信息data4”等。
对于一些示例性设计思路而言,得到容灾决策联动指示和容灾算力联动需求之后,可以在不少于一个电子商务会话数据链中选择并标记待进行数据容灾处理的初始电子商务活动记录的目标电子商务会话数据链。
对于一些示例性设计思路而言,可以将容灾决策联动指示和容灾算力联动需求进行知识推演(逻辑运算或者特征预测),从而得到每个电子商务会话数据链和待进行数据容灾处理的初始电子商务活动记录之间的数据容灾影响描述。然后,根据数据容灾影响描述,在不少于一个电子商务会话数据链中选择并标记待进行数据容灾处理的初始电子商务活动记录的目标电子商务会话数据链。示例性的,S105中的“根据容灾决策联动指示和容灾算力联动需求,在不少于一个电子商务会话数据链中选择并标记待进行数据容灾处理的初始电子商务活动记录的目标电子商务会话数据链”,可以包括:将容灾决策联动指示和容灾算力联动需求进行知识推演处理,得到每个电子商务会话数据链和待进行数据容灾处理的初始电子商务活动记录之间的数据容灾影响描述;根据数据容灾影响描述,在不少于一个电子商务会话数据链中选择并标记待进行数据容灾处理的初始电子商务活动记录的目标电子商务会话数据链。
其中,数据容灾影响描述包括汇集了容灾决策联动指示和容灾算力联动需求的特征。数据容灾影响描述可以在容灾算力变量和容灾内容这两个尺度上反映电子商务会话数据链在待进行数据容灾处理的初始电子商务活动记录中的重要性。
对于一些示例性设计思路而言,步骤“将容灾决策联动指示和容灾算力联动需求进行知识推演处理,得到每个电子商务会话数据链和待进行数据容灾处理的初始电子商务活动记录之间的数据容灾影响描述”,可以包括:分别对容灾决策联动指示和容灾算力联动需求进行解析,得到容灾决策联动指示的容灾知识标签和容灾算力联动需求的容灾知识标签;根据容灾决策联动指示的容灾知识标签和容灾算力联动需求的容灾知识标签,生成容灾联动调整信息;将容灾决策联动指示、容灾算力联动需求和容灾联动调整信息进行加权,得到数据容灾影响描述。
类似的,容灾知识标签包括容灾决策联动指示/容灾算力联动需求的属性。比如,鉴于容灾决策联动指示/容灾算力联动需求是特征向量或者描述矩阵,因而容灾知识标签可以包括容灾决策联动指示/容灾算力联动需求的尺度等。
进一步地,容灾联动调整信息包括对容灾决策联动指示和容灾算力联动需求进行更新的指示特征。对于一些示例性设计思路而言,由于本发明实施例是基于容灾决策联动指示和容灾算力联动需求从不少于一个电子商务会话数据链中选择并标记待进行数据容灾处理的初始电子商务活动记录的目标电子商务会话数据链。然而,如果直接将容灾决策联动指示和容灾算力联动需求进行求和生成数据容灾影响描述,数据容灾影响描述的失真度较高。为此,可以通过增设容灾联动调整信息,通过容灾联动调整信息可以进行特征失真补全,从而提高了数据容灾影响描述的完整性和描述丰富程度。
对于一些示例性设计思路而言,可以对容灾决策联动指示和容灾算力联动需求进行解析,得到容灾决策联动指示的容灾知识标签和容灾算力联动需求的容灾知识标签。然后,基于容灾决策联动指示的容灾知识标签和容灾算力联动需求的容灾知识标签,生成容灾联动调整信息。比如,容灾决策联动指示的尺度和容灾算力联动需求的尺度都为P维,则可以任意生成一个P维的容灾联动调整信息。然后,可以容灾决策联动指示、容灾算力联动需求和容灾联动调整信息进行加权,得到数据容灾影响描述(可以理解为数据容灾处理过程中的不同角度的特征之间的关联)。
对于一些示例性设计思路而言,通过将容灾决策联动指示和容灾算力联动需求进行融合,能够实现容灾决策联动指示和容灾算力联动需求对应的特征信息之间的互补处理。
对于一些示例性设计思路而言,在得到数据容灾影响描述之后,可以根据数据容灾影响描述,在不少于一个电子商务会话数据链中选择并标记待进行数据容灾处理的初始电子商务活动记录的目标电子商务会话数据链。示例性的,步骤“根据数据容灾影响描述,在不少于一个电子商务会话数据链中选择并标记待进行数据容灾处理的初始电子商务活动记录的目标电子商务会话数据链”,可以包括:将数据容灾影响描述进行特征迁移操作(特征映射处理),得到每个电子商务会话数据链对应的数据链迁移特征值;根据数据链迁移特征值对每个电子商务会话数据链进行多元回归,得到多元回归结果;根据多元回归结果确定待进行数据容灾处理的初始电子商务活动记录的目标电子商务会话数据链。
在一些示例下,由于数据容灾影响描述可以为特征向量或者描述矩阵,因此可以将数据容灾影响描述进行特征迁移操作,从而得到每个电子商务会话数据链对应的数据链迁移特征值(特征映射值)。
比如,可以对数据容灾影响描述进行特征运算等,从而得到每个电子商务会话数据链对应的数据链迁移特征值。又比如,可以利用激励函数将数据容灾影响描述进行特征迁移操作,从而得到数据链迁移特征值。
然后,可以根据数据链迁移特征值对每个电子商务会话数据链进行多元回归,得到多元回归结果,并根据多元回归结果确定待进行数据容灾处理的初始电子商务活动记录的目标电子商务会话数据链。比如,可以将每个电子商务会话数据链对应的数据链迁移特征值和设定回归分析限值(分类阈值)进行比对,并根据比对信息对电子商务会话数据链进行回归分析/分类处理。
比如,可以将数据链迁移特征值大于设定回归分析限值的电子商务会话数据链认定为目标电子商务会话数据链,而将数据链迁移特征值小于或等于设定回归分析限值的电子商务会话数据链认定为非目标电子商务会话数据链。
对于一些示例性设计思路而言,本发明实施例还提出了一个数据容灾处理算法,该数据容灾处理算法包括数据拆解子模型、两个容灾要素抽取子模型、联动处理子模型和会话数据链确定子模型。
其中,数据拆解子模型用于获取待进行数据容灾处理的初始电子商务活动记录,然后对待进行数据容灾处理的初始电子商务活动记录进行拆解处理,从而得到电子商务会话数据链。
其中,两个容灾要素抽取子模型分别用于对待进行数据容灾处理的初始电子商务活动记录进行基于轻量化的容灾要素抽取以及对电子商务会话数据链进行基于轻量化的容灾要素抽取,从而得到待进行数据容灾处理的初始电子商务活动记录对应的活动记录容灾要素和电子商务会话数据链对应的会话数据链容灾要素。
对于一些示例性设计思路而言,其中一个容灾要素抽取子模型可以是卷积神经网络,用于对待进行数据容灾处理的初始电子商务活动记录进行基于轻量化的容灾要素抽取,得到待进行数据容灾处理的初始电子商务活动记录对应的活动记录容灾要素。
对于一些示例性设计思路而言,另外一个容灾要素抽取子模型可以是深度残差网络,用于对每个电子商务会话数据链进行基于轻量化的容灾要素抽取,从而得到每个电子商务会话数据链对应的会话数据链容灾要素。
可选的,联动处理子模型用于利用活动记录容灾要素和会话数据链容灾要素进行容灾决策联动处理,以及利用活动记录容灾要素和会话数据链容灾要素进行容灾算力联动处理,从而得到容灾决策联动指示和容灾算力联动需求。
进一步地,会话数据链确定子模型用于根据容灾决策联动指示和容灾算力联动需求,在不少于一个电子商务会话数据链中选择并标记待进行数据容灾处理的初始电子商务活动记录的目标电子商务会话数据链。
对于一些示例性设计思路而言,在利用数据容灾处理算法对待进行数据容灾处理的初始电子商务活动记录进行处理之前,可以对通用数据容灾处理算法(未调试的)进行调试,从而得到数据容灾处理算法。
其中,在对通用数据容灾处理算法进行调试时,可以将调试样例分为积极样例和消极样例。其中,调试样例可以包括用来对通用数据容灾处理算法进行调试的待进行数据容灾处理的初始电子商务活动记录。然后便可以通过积极样例和消极样例对通用数据容灾处理算法进行调试,从而得到数据容灾处理算法。
本发明实施例提出了一种采用人工智能的大数据容灾分析方法,该采用人工智能的大数据容灾分析方法包括:获取待进行数据容灾处理的初始电子商务活动记录,待进行数据容灾处理的初始电子商务活动记录包括不少于一个电子商务会话数据链;对待进行数据容灾处理的初始电子商务活动记录进行基于轻量化的容灾要素抽取,得到待进行数据容灾处理的初始电子商务活动记录对应的活动记录容灾要素,以及对不少于一个电子商务会话数据链进行基于轻量化的容灾要素抽取,得到每个电子商务会话数据链对应的会话数据链容灾要素;利用活动记录容灾要素和会话数据链容灾要素进行容灾决策联动处理,得到活动记录容灾要素和会话数据链容灾要素之间的容灾决策联动指示;利用活动记录容灾要素和会话数据链容灾要素进行容灾算力联动处理,得到活动记录容灾要素和会话数据链容灾要素之间的容灾算力联动需求;根据容灾决策联动指示和容灾算力联动需求,在不少于一个电子商务会话数据链中选择并标记待进行数据容灾处理的初始电子商务活动记录的目标电子商务会话数据链。
在本发明实施例中,通过在容灾决策层面(是否需要进行容灾处理)和容灾算力变量层面(进行容灾处理所需要的备份、存储等一系列资源负荷开销的度量)上将活动记录容灾要素和会话数据链容灾要素进行组合拼接,从而使得在不少于一个电子商务会话数据链中选择目标电子商务会话数据链时,可以基于容灾决策层面和容灾算力变量层面这两个层面对电子商务会话数据链进行选择,提高了针对目标电子商务会话数据链的选择精度,这样可以保障标记的目标电子商务会话数据链可以在尽可能准确、完整地反映待进行数据容灾处理的初始电子商务活动记录的关键内容的基础上,实现目标电子商务会话数据链的容灾处理资源开销的最小化,实现了数据容灾处理过程中容灾精度和容灾资源开销的平衡/兼容。
对于一些示例性设计思路而言,一种采用人工智能的大数据容灾分析方法,可以通过S201-S205所描述的技术方案实现。
S201、大数据容灾分析服务器获取待进行数据容灾处理的初始电子商务活动记录,待进行数据容灾处理的初始电子商务活动记录包括不少于一个电子商务会话数据链。
对于一些示例性设计思路而言,本发明实施例提出了一个数据容灾处理算法,该数据容灾处理算法包括数据拆解子模型、两个容灾要素抽取子模型、联动处理子模型和会话数据链确定子模型。
其中,数据拆解子模型用于获取待进行数据容灾处理的初始电子商务活动记录,然后对待进行数据容灾处理的初始电子商务活动记录进行会话数据拆解,从而得到电子商务会话数据链。两个容灾要素抽取子模型分别用于对待进行数据容灾处理的初始电子商务活动记录进行基于轻量化的容灾要素抽取以及对电子商务会话数据链进行基于轻量化的容灾要素抽取。
对于一些示例性设计思路而言,其中一个容灾要素抽取子模型可以是卷积神经网络,用于对待进行数据容灾处理的初始电子商务活动记录进行基于轻量化的容灾要素抽取,得到待进行数据容灾处理的初始电子商务活动记录对应的活动记录容灾要素。
对于一些示例性设计思路而言,另外一个容灾要素抽取子模型可以是深度残差网络,用于对每个电子商务会话数据链进行基于轻量化的容灾要素抽取,从而得到每个电子商务会话数据链对应的会话数据链容灾要素。
其中,联动处理子模型用于利用活动记录容灾要素和会话数据链容灾要素进行容灾决策联动处理,以及利用活动记录容灾要素和会话数据链容灾要素进行容灾算力联动处理,从而得到容灾决策联动指示和容灾算力联动需求。
其中,会话数据链确定子模型用于根据容灾决策联动指示和容灾算力联动需求,在不少于一个电子商务会话数据链中选择并标记待进行数据容灾处理的初始电子商务活动记录的目标电子商务会话数据链。
S202、大数据容灾分析服务器对待进行数据容灾处理的初始电子商务活动记录进行基于轻量化的容灾要素抽取,得到待进行数据容灾处理的初始电子商务活动记录对应的活动记录容灾要素,以及对不少于一个电子商务会话数据链进行基于轻量化的容灾要素抽取,得到每个电子商务会话数据链对应的会话数据链容灾要素。
对于一些示例性设计思路而言,可以利用专家系统模型对待进行数据容灾处理的初始电子商务活动记录进行基于轻量化的容灾要素抽取,得到待进行数据容灾处理的初始电子商务活动记录对应的活动记录容灾要素。
对于一些示例性设计思路而言,可以利用深度残差网络对电子商务会话数据链进行基于轻量化的容灾要素抽取,得到电子商务会话数据链对应的会话数据链容灾要素。
S203、大数据容灾分析服务器利用活动记录容灾要素和会话数据链容灾要素进行容灾决策联动处理,得到活动记录容灾要素和会话数据链容灾要素之间的容灾决策联动指示。
对于一些示例性设计思路而言,根据容灾决策联动处理逻辑,大数据容灾分析服务器可以利用活动记录容灾要素和会话数据链容灾要素进行容灾决策联动处理,从而得到活动记录容灾要素和会话数据链容灾要素之间的容灾决策联动指示。
S204、大数据容灾分析服务器利用活动记录容灾要素和会话数据链容灾要素进行容灾算力联动处理,得到活动记录容灾要素和会话数据链容灾要素之间的容灾算力联动需求。
对于一些示例性设计思路而言,根据容灾算力联动处理逻辑,大数据容灾分析服务器可以利用活动记录容灾要素和会话数据链容灾要素进行容灾算力联动处理,得到活动记录容灾要素和会话数据链容灾要素之间的容灾算力联动需求。
S205、大数据容灾分析服务器根据容灾决策联动指示和容灾算力联动需求,在不少于一个电子商务会话数据链中选择并标记待进行数据容灾处理的初始电子商务活动记录的目标电子商务会话数据链。
对于一些示例性设计思路而言,大数据容灾分析服务器在得到容灾决策联动指示和容灾算力联动需求之后,可以将容灾算力联动需求和容灾决策联动指示进行知识推演处理,得到每个电子商务会话数据链和待进行数据容灾处理的初始电子商务活动记录之间的数据容灾影响描述。
对于一些示例性设计思路而言,数据容灾影响描述可以表示电子商务会话数据链和待进行数据容灾处理的初始电子商务活动记录之间的相关性,以及电子商务会话数据链在待进行数据容灾处理的初始电子商务活动记录的重要性。因此,确定机可以通过数据容灾影响描述判断电子商务会话数据链是不是待进行数据容灾处理的初始电子商务活动记录中的关键内容。
对于一些示例性设计思路而言,该数据容灾影响描述可以是一个特征向量,鉴于此,可以将该数据容灾影响描述变换为对应的数据链迁移特征值,并根据该数据链迁移特征值选择出目标电子商务会话数据链。
比如,电子商务会话数据链“会话安全认证报告”对应的数据链迁移特征值为V1、“异常风险检测结果”对应的数据链迁移特征值为V2等。然后,大数据容灾分析服务器可以将每个电子商务会话数据链的数据链迁移特征值和设定回归分析限值进行配对,并根据配对结果确定目标电子商务会话数据链。
对于一些示例性设计思路而言,可以定义当电子商务会话数据链的数据链迁移特征值大于设定回归分析限值时,可以将该电子商务会话数据链确定为目标电子商务会话数据链。比如,当V1和V2大于设定回归分析限值时,大数据容灾分析服务器可以将电子商务会话数据链“会话安全认证报告”和“异常风险检测结果”确定为目标电子商务会话数据链。
本发明实施例中,大数据容灾分析服务器可以获取待进行数据容灾处理的初始电子商务活动记录,待进行数据容灾处理的初始电子商务活动记录包括不少于一个电子商务会话数据链;大数据容灾分析服务器对待进行数据容灾处理的初始电子商务活动记录进行基于轻量化的容灾要素抽取,得到待进行数据容灾处理的初始电子商务活动记录对应的活动记录容灾要素,以及对不少于一个电子商务会话数据链进行基于轻量化的容灾要素抽取,得到每个电子商务会话数据链对应的会话数据链容灾要素;大数据容灾分析服务器利用活动记录容灾要素和会话数据链容灾要素进行容灾决策联动处理,得到活动记录容灾要素和会话数据链容灾要素之间的容灾决策联动指示;大数据容灾分析服务器利用活动记录容灾要素和会话数据链容灾要素进行容灾算力联动处理,得到活动记录容灾要素和会话数据链容灾要素之间的容灾算力联动需求;大数据容灾分析服务器根据容灾决策联动指示和容灾算力联动需求,在不少于一个电子商务会话数据链中选择并标记待进行数据容灾处理的初始电子商务活动记录的目标电子商务会话数据链,可以提高从待进行数据容灾处理的初始电子商务活动记录中确定目标电子商务会话数据链的精度,从而实现了数据容灾处理过程中容灾精度和容灾资源开销的平衡/兼容。
在一些可独立的设计思路下,在依据所述容灾决策联动指示和所述容灾算力联动需求,在所述不少于一个电子商务会话数据链中选择并标记所述初始电子商务活动记录的目标电子商务会话数据链之后,所述方法还包括:对所述目标电子商务会话数据链进行容灾处理。
其中,对所述目标电子商务会话数据链进行容灾处理可以通过建立异地的数据库,然后将目标电子商务会话数据链备份/复制到该数据库实现,当然也可以通过其他的容灾方式实现。由于目标电子商务会话数据链的选择是基于容灾决策层面和容灾算力变量层面这两个层面对电子商务会话数据链实现的,因而提高了针对目标电子商务会话数据链的选择精度,这样可以保障标记的目标电子商务会话数据链可以在尽可能准确、完整地反映待进行数据容灾处理的初始电子商务活动记录的关键内容的基础上,实现目标电子商务会话数据链的容灾处理资源开销的最小化,实现了数据容灾处理过程中容灾精度和容灾资源开销的平衡/兼容。
在一些可独立的设计思路下,在对所述目标电子商务会话数据链进行容灾处理之后,所述方法还包括:响应于针对初始电子商务活动记录的数据恢复请求,利用所述目标电子商务会话数据链进行数据恢复,得到当前电子商务活动记录。
可以理解,目标电子商务会话数据链的关键内容可以作为其他非关键内容的推导依据,在进行数据恢复时,可以基于目标电子商务会话数据链进行最大限度的数据恢复,尽可能保障当前电子商务活动记录的完整性。
在一些可独立的设计思路下,利用所述目标电子商务会话数据链进行数据恢复,得到当前电子商务活动记录,可以包括如下内容:通过所述目标电子商务会话数据链获取会话活动往来特征流,其中,所述会话活动往来特征流包括不间断的X组会话活动往来特征,所述X为大于或等于1的整数;根据所述会话活动往来特征流获取关联活动往来特征流,其中,所述关联活动往来特征流包括不间断的X组关联活动往来特征;基于所述会话活动往来特征流,通过容灾数据恢复网络所包括的第一会话特征衍生子网获取会话活动衍生描述流,其中,所述会话活动衍生描述流包括X个会话活动衍生描述;基于所述关联活动往来特征流,通过所述容灾数据恢复网络所包括的第二会话特征衍生子网获取关联活动衍生描述流,其中,所述关联活动衍生描述流包括X个关联活动衍生描述;基于所述会话活动衍生描述流以及所述关联活动衍生描述流,通过所述容灾数据恢复网络所包括的会话数据预测子网获取所述会话活动往来特征所对应的上下游会话数据;根据所述上下游会话数据进行数据恢复,得到当前电子商务活动记录。
其中,会话活动往来特征用于反映会话活动的交互特征,会话活动往来特征能够记载会话活动的场景特征和时序特征,因而可以作为特征衍生和推导的依据。关联活动往来特征是与会话活动存在关联的其他会话活动的交互特征。此外,衍生描述可以理解为衍生特征/预测特征,是基于已有的往来特征进行扩展处理得到的,在此基础上,结合会话数据预测子网可以获得尽可能完整的上下游会话数据,从而依据上下游会话数据进行时序恢复和逻辑恢复,得到尽可能完整准确的当前电子商务活动记录。
在一些可独立的设计思路下,所述基于所述会话活动衍生描述流以及所述关联活动衍生描述流,通过所述容灾数据恢复网络所包括的会话数据预测子网获取所述会话活动往来特征流所对应的上下游会话数据,包括:基于所述会话活动衍生描述流,通过所述容灾数据恢复网络所包括的第一会话逻辑推理模块获取X个第一知识字段,其中,每个第一知识字段对应于一个会话活动衍生描述;基于所述关联活动衍生描述流,通过所述容灾数据恢复网络所包括的第二会话逻辑推理模块获取X个第二知识字段,其中,每个第二知识字段对应于一个关联活动衍生描述;对所述X个第一知识字段以及所述X个第二知识字段进行组合处理,得到X个目标知识字段,其中,每个目标知识字段包括一个第一知识字段以及一个第二知识字段;基于所述X个目标知识字段,通过所述容灾数据恢复网络所包括的所述会话数据预测子网获取所述会话活动往来特征流所对应的上下游会话数据。
在一些可独立的设计思路下,所述基于所述会话活动衍生描述流,通过所述容灾数据恢复网络所包括的第一会话逻辑推理模块获取X个第一知识字段,包括:针对所述会话活动衍生描述流中的每组会话活动衍生描述,通过所述第一会话逻辑推理模块所包括的局部插值模块获取第一局部插值衍生描述,其中,所述第一会话逻辑推理模块属于所述容灾数据恢复网络;针对所述会话活动衍生描述流中的每组会话活动衍生描述,通过所述第一会话逻辑推理模块所包括的全局插值模块获取第一全局插值衍生描述;针对所述会话活动衍生描述流中的每组会话活动衍生描述,基于所述第一局部插值衍生描述以及所述第一全局插值衍生描述,通过所述第一会话逻辑推理模块所包括的特征连接模块获取第一连接衍生描述;针对所述会话活动衍生描述流中的每组会话活动衍生描述,基于所述第一连接衍生描述以及所述会话活动衍生描述,通过所述第一会话逻辑推理模块所包括的第一全局插值模块获取第一知识字段。
在一些可独立的设计思路下,所述基于所述关联活动衍生描述流,通过所述容灾数据恢复网络所包括的第二会话逻辑推理模块获取X个第二知识字段,包括:针对所述关联活动衍生描述流中的每组关联活动衍生描述,通过所述第二会话逻辑推理模块所包括的局部插值模块获取第二局部插值衍生描述,其中,所述第二会话逻辑推理模块属于所述容灾数据恢复网络;针对所述关联活动衍生描述流中的每组关联活动衍生描述,通过所述第二会话逻辑推理模块所包括的全局插值模块获取第二全局插值衍生描述;针对所述关联活动衍生描述流中的每组关联活动衍生描述,基于所述第二局部插值衍生描述以及所述第二全局插值衍生描述,通过所述第二会话逻辑推理模块所包括的特征连接模块获取第二连接衍生描述;针对所述关联活动衍生描述流中的每组关联活动衍生描述,基于所述第二连接衍生描述以及所述关联活动衍生描述,通过所述第二会话逻辑推理模块所包括的第二全局插值模块获取第二知识字段。
以上所述,仅为本发明的具体实施方式。熟悉本技术领域的技术人员根据本发明提供的具体实施方式,可想到变化或替换,都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种采用人工智能的大数据容灾分析方法,其特征在于,应用于大数据容灾分析服务器,所述方法包括:
获取待进行数据容灾处理的初始电子商务活动记录,所述初始电子商务活动记录包括不少于一个电子商务会话数据链;
对所述初始电子商务活动记录进行基于轻量化的容灾要素抽取,得到所述初始电子商务活动记录对应的活动记录容灾要素,以及对所述不少于一个电子商务会话数据链进行基于轻量化的容灾要素抽取,得到每个电子商务会话数据链对应的会话数据链容灾要素;
利用所述活动记录容灾要素和所述会话数据链容灾要素进行容灾决策联动处理,得到所述活动记录容灾要素和所述会话数据链容灾要素之间的容灾决策联动指示;
利用所述活动记录容灾要素和所述会话数据链容灾要素进行容灾算力联动处理,得到所述活动记录容灾要素和所述会话数据链容灾要素之间的容灾算力联动需求;
依据所述容灾决策联动指示和所述容灾算力联动需求,在所述不少于一个电子商务会话数据链中选择并标记所述初始电子商务活动记录的目标电子商务会话数据链。
2.根据权利要求1所述的方法,其特征在于,所述利用所述活动记录容灾要素和所述会话数据链容灾要素进行容灾决策联动处理,得到所述活动记录容灾要素和所述会话数据链容灾要素之间的容灾决策联动指示,包括:
分别对所述活动记录容灾要素和所述会话数据链容灾要素进行解析,得到所述活动记录容灾要素的容灾要素类别和所述会话数据链容灾要素的容灾要素类别;
结合所述活动记录容灾要素的容灾要素类别和所述会话数据链容灾要素的容灾要素类别,生成决策联动连接特征;
利用所述决策联动连接特征对所述活动记录容灾要素和所述会话数据链容灾要素进行容灾决策联动处理,得到所述活动记录容灾要素和所述会话数据链容灾要素之间的容灾决策联动指示。
3.根据权利要求2所述的方法,其特征在于,所述利用所述决策联动连接特征对所述活动记录容灾要素和所述会话数据链容灾要素进行容灾决策联动处理,得到所述活动记录容灾要素和所述会话数据链容灾要素之间的容灾决策联动指示,包括:
将所述决策联动连接特征和所述活动记录容灾要素进行作乘处理,得到基础容灾决策联动指示;
将所述基础容灾决策联动指示和所述会话数据链容灾要素进行作乘处理,得到所述容灾决策联动指示。
4.根据权利要求2所述的方法,其特征在于,所述结合所述活动记录容灾要素的容灾要素类别和所述会话数据链容灾要素的容灾要素类别,生成决策联动连接特征,包括:
结合所述活动记录容灾要素的容灾要素类别和所述会话数据链容灾要素的容灾要素类别,确定所述决策联动连接特征的连接特征类别;
依据所述连接特征类别生成所述决策联动连接特征。
5.根据权利要求1所述的方法,其特征在于,所述利用所述活动记录容灾要素和所述会话数据链容灾要素进行容灾算力联动处理,得到所述活动记录容灾要素和所述会话数据链容灾要素之间的容灾算力联动需求,包括:
分别对所述活动记录容灾要素和所述会话数据链容灾要素进行解析,得到所述活动记录容灾要素的容灾算力变量和所述会话数据链容灾要素的容灾算力变量;
依据所述活动记录容灾要素的容灾算力变量和所述会话数据链容灾要素的容灾算力变量,确定所述活动记录容灾要素和所述会话数据链容灾要素的容灾算力联动处理策略;
利用所述容灾算力联动处理策略对所述活动记录容灾要素和所述会话数据链容灾要素进行容灾算力联动处理,得到所述活动记录容灾要素和所述会话数据链容灾要素之间的容灾算力联动需求。
6.根据权利要求5所述的方法,其特征在于,所述利用所述容灾算力联动处理策略对所述活动记录容灾要素和所述会话数据链容灾要素进行容灾算力联动处理,得到所述活动记录容灾要素和所述会话数据链容灾要素之间的容灾算力联动需求,包括:
结合所述活动记录容灾要素的容灾算力变量,对所述会话数据链容灾要素进行特征插值操作,得到目标会话数据链容灾要素;
将所述活动记录容灾要素和所述目标会话数据链容灾要素进行要素组合,得到所述容灾算力联动需求。
7.根据权利要求1所述的方法,其特征在于,所述依据所述容灾决策联动指示和所述容灾算力联动需求,在所述不少于一个电子商务会话数据链中选择并标记所述初始电子商务活动记录的目标电子商务会话数据链,包括:将所述容灾决策联动指示和所述容灾算力联动需求进行知识推演处理,得到每个电子商务会话数据链和所述初始电子商务活动记录之间的数据容灾影响描述;依据所述数据容灾影响描述,在所述不少于一个电子商务会话数据链中选择并标记所述初始电子商务活动记录的目标电子商务会话数据链;
其中,所述将所述容灾决策联动指示和所述容灾算力联动需求进行知识推演处理,得到每个电子商务会话数据链和所述初始电子商务活动记录之间的数据容灾影响描述,包括:分别对所述容灾决策联动指示和所述容灾算力联动需求进行解析,得到所述容灾决策联动指示的容灾知识标签和所述容灾算力联动需求的容灾知识标签;依据所述容灾决策联动指示的容灾知识标签和所述容灾算力联动需求的容灾知识标签,生成容灾联动调整信息;将所述容灾决策联动指示、所述容灾算力联动需求和所述容灾联动调整信息进行加权,得到所述数据容灾影响描述;
其中,所述依据所述数据容灾影响描述,在所述不少于一个电子商务会话数据链中选择并标记所述初始电子商务活动记录的目标电子商务会话数据链,包括:将所述数据容灾影响描述进行特征迁移操作,得到每个电子商务会话数据链对应的数据链迁移特征值;依据所述数据链迁移特征值对所述每个电子商务会话数据链进行多元回归,得到多元回归结果;根据多元回归结果确定所述初始电子商务活动记录的目标电子商务会话数据链。
8.根据权利要求1所述的方法,其特征在于,所述对所述初始电子商务活动记录进行基于轻量化的容灾要素抽取,得到所述初始电子商务活动记录对应的活动记录容灾要素,包括:对所述初始电子商务活动记录进行请求应答交互描述挖掘,得到所述初始电子商务活动记录的多个请求应答交互描述信息;对所述多个请求应答交互描述信息进行描述空间转换,得到每个请求应答交互描述信息对应的活动输出特征;对每个请求应答交互描述信息对应的活动输出特征进行特征拼接,得到所述初始电子商务活动记录对应的活动记录容灾要素;
其中,所述对所述初始电子商务活动记录进行请求应答交互描述挖掘,得到所述初始电子商务活动记录的多个请求应答交互描述信息,包括:利用设定处理核对所述初始电子商务活动记录进行遍历分治,得到多个活动记录捕捉结果,其中,所述活动记录捕捉结果中包括多个局部活动信息捕捉结果;识别所述活动记录捕捉结果中每个局部活动信息捕捉结果的活动热力值;确定所述活动记录捕捉结果中每个局部活动信息捕捉结果之间的差异;依据所述活动热力值和所述差异,生成所述初始电子商务活动记录的请求应答交互描述信息。
9.根据权利要求1所述的方法,其特征在于,所述对所述不少于一个电子商务会话数据链进行基于轻量化的容灾要素抽取,得到每个电子商务会话数据链对应的会话数据链容灾要素,包括:
根据设定容灾要素抽取条件,将所述电子商务会话数据链迁移到对应的基础会话数据链容灾要素;
对所述基础会话数据链容灾要素进行容灾要素更新,得到所述会话数据链容灾要素。
10.一种大数据容灾分析服务器,其特征在于,包括:存储器和处理器;所述存储器和所述处理器耦合;所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令;其中,当所述处理器执行所述计算机指令时,使得所述大数据容灾分析服务器执行如权利要求1-9中任意一项所述的方法。
CN202310135567.9A 2023-02-20 2023-02-20 一种采用人工智能的大数据容灾分析方法及服务器 Pending CN116048883A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310135567.9A CN116048883A (zh) 2023-02-20 2023-02-20 一种采用人工智能的大数据容灾分析方法及服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310135567.9A CN116048883A (zh) 2023-02-20 2023-02-20 一种采用人工智能的大数据容灾分析方法及服务器

Publications (1)

Publication Number Publication Date
CN116048883A true CN116048883A (zh) 2023-05-02

Family

ID=86121971

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310135567.9A Pending CN116048883A (zh) 2023-02-20 2023-02-20 一种采用人工智能的大数据容灾分析方法及服务器

Country Status (1)

Country Link
CN (1) CN116048883A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111162945A (zh) * 2019-12-30 2020-05-15 中国移动通信集团江苏有限公司 一种告警关联关系的确定方法、装置、设备及存储介质
WO2020207252A1 (zh) * 2019-04-09 2020-10-15 Oppo广东移动通信有限公司 数据存储方法、装置、存储介质及电子设备
CN113949633A (zh) * 2020-06-29 2022-01-18 中国移动通信集团浙江有限公司 基于机器学习的5g网络切片容灾池资源管理方法及装置
CN115374185A (zh) * 2022-09-29 2022-11-22 罗师红 应用于数据管理仓库的容灾方法及系统
CN115689391A (zh) * 2022-12-02 2023-02-03 国涛(菏泽牡丹区)网络科技有限责任公司 一种基于电子商务的数据容灾方法、系统及云平台

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020207252A1 (zh) * 2019-04-09 2020-10-15 Oppo广东移动通信有限公司 数据存储方法、装置、存储介质及电子设备
CN111162945A (zh) * 2019-12-30 2020-05-15 中国移动通信集团江苏有限公司 一种告警关联关系的确定方法、装置、设备及存储介质
CN113949633A (zh) * 2020-06-29 2022-01-18 中国移动通信集团浙江有限公司 基于机器学习的5g网络切片容灾池资源管理方法及装置
CN115374185A (zh) * 2022-09-29 2022-11-22 罗师红 应用于数据管理仓库的容灾方法及系统
CN115689391A (zh) * 2022-12-02 2023-02-03 国涛(菏泽牡丹区)网络科技有限责任公司 一种基于电子商务的数据容灾方法、系统及云平台

Similar Documents

Publication Publication Date Title
CN108536521B (zh) 基于仿真平台离线环境核对方法及装置
CN114036347B (zh) 一种支持数字融合业务的云平台及工作方法
CN114707768B (zh) 一种基于大数据安全风控的信息处理方法及服务器
CN116414948A (zh) 基于云数据和人工智能的异常数据挖掘方法及软件产品
CN114218568A (zh) 一种应用于云服务的大数据攻击处理方法及系统
CN116049454A (zh) 一种基于多源异构数据的智能搜索方法及系统
CN108460068A (zh) 报表导入导出的方法、装置、存储介质及终端
CN115168868B (zh) 一种应用于人工智能的业务漏洞分析方法及服务器
CN115455429A (zh) 基于大数据的漏洞分析方法及系统
CN114676423B (zh) 一种应对云计算办公威胁的数据处理方法及服务器
CN115438984A (zh) 一种基于ai的大数据处理方法及服务器
CN115048370A (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
CN115022080A (zh) 应用于智慧云的数据攻击处理方法及服务器
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
Bhardwaj et al. Framework for quality ranking of components in cloud computing: regressive rank
CN116048883A (zh) 一种采用人工智能的大数据容灾分析方法及服务器
CN116561003A (zh) 测试数据生成方法、装置、计算机设备和存储介质
CN116595224A (zh) 针对在线业务会话的大数据存储优化方法及服务器
CN115840560A (zh) 一种用于软件开发过程的管理系统
CN116049362A (zh) 应用于数字云服务的大数据优化方法及服务器
CN115796910A (zh) 应用于电子商务的大数据分析方法及系统
CN112200549B (zh) 应用于区块链支付的区块链节点验证方法及支付验证平台
CN115827944A (zh) 基于互联网平台系统优化的大数据分析方法及服务器
CN115238170A (zh) 基于区块链金融的用户画像处理方法及系统
CN115268847A (zh) 区块链智能合约的生成方法、装置及电子设备

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: 20230808

Address after: No. 402-02, Building 28, Jilin University Residential Community, Intersection of Zhiyuan Street and Xiuxiu Road, High tech Development Zone, Changchun City, Jilin Province, 130000

Applicant after: Changchun Chenxing Software Engineering Co.,Ltd.

Address before: No. 166 Pingdong South Road, Tiedong District, Siping City, Jilin Province, 136001

Applicant before: Li Hongliang

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230925

Address after: No. 166 Pingdong South Road, Tiedong District, Siping City, Jilin Province, 136001

Applicant after: Li Hongliang

Address before: No. 402-02, Building 28, Jilin University Residential Community, Intersection of Zhiyuan Street and Xiuxiu Road, High tech Development Zone, Changchun City, Jilin Province, 130000

Applicant before: Changchun Chenxing Software Engineering Co.,Ltd.

TA01 Transfer of patent application right