CN116450187A - 应用于ai分析的数字化在线应用处理方法及ai应用系统 - Google Patents

应用于ai分析的数字化在线应用处理方法及ai应用系统 Download PDF

Info

Publication number
CN116450187A
CN116450187A CN202310497317.XA CN202310497317A CN116450187A CN 116450187 A CN116450187 A CN 116450187A CN 202310497317 A CN202310497317 A CN 202310497317A CN 116450187 A CN116450187 A CN 116450187A
Authority
CN
China
Prior art keywords
application
abnormal
uncontrolled
activity
vector
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
CN202310497317.XA
Other languages
English (en)
Inventor
冯平
裴向东
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.)
Feng Ping
Original Assignee
Sichuan Lizhi Technology Co ltd
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 Sichuan Lizhi Technology Co ltd filed Critical Sichuan Lizhi Technology Co ltd
Priority to CN202310497317.XA priority Critical patent/CN116450187A/zh
Publication of CN116450187A publication Critical patent/CN116450187A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/60—Software deployment
    • G06F8/65—Updates
    • G06F8/658—Incremental updates; Differential updates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0709—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in a distributed system consisting of a plurality of standalone computer nodes, e.g. clusters, client-server systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0793—Remedial or corrective actions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/048—Activation functions
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/34—Network arrangements or protocols for supporting network services or applications involving the movement of software or configuration parameters 
    • Y—GENERAL 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Hardware Design (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Security & Cryptography (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本申请实施例实施例提供一种应用于AI分析的数字化在线应用处理方法及AI应用系统，通过对数字化在线应用的应用异常数据中的目标非受控应用异常活动进行应用实现错误点分析，输出目标非受控应用异常活动中的应用实现错误点信息，对各个应用实现错误点信息中的应用实现错误点进行特征挖掘，结合特征挖掘生成的各个应用实现错误点的依赖应用实现错误点信息以及错误渗透信息确定各个应用实现错误点所对应的注意力信息，并结合各个应用实现错误点所对应的注意力信息确定目标应用实现错误点，由此对于应用实现错误点信息中的应用实现错误点进行注意力评价后进行精细化定位，对应用功能实现进程中的程序执行组件进行补丁修复，可以提高补丁修复优先级确定的可靠性。

Description

应用于AI分析的数字化在线应用处理方法及AI应用系统
技术领域
本申请实施例涉及以人工智能技术为基础的应用开发优化技术领域，具体而言，涉及一种应用于AI分析的数字化在线应用处理方法及AI应用系统。
背景技术
云应用是云计算概念的子集，是云计算技术在应用层的体现。云应用跟云计算最大的不同在于，云计算作为一种宏观技术发展概念而存在，而云应用则是直接面对用户解决实际问题的产品。复杂的设置是传统软件的特色，越是强大的软件应用其设置也越复杂，而云应用不但完全有能力实现不输于传统软件的强大功能，更把复杂的设置变得极其简单。云应用不需要用户进行如传统软件一样的下载、安装等复杂部署流程，更可借助与远程服务器集群时刻同步的云云特性，免去用户永无止境的软件更新之苦。如果云应用有任何更新，用户只需简单地操作便可完成升级并开始使用最新的功能。基于此，针对现有技术中基于云应用的各种数字化在线应用而言，其用户数量较多，因此需要及时确定其应用功能实现过程中可能产生的应用实现错误点（BUG），进而便于进行及时的补丁修复，然而相关技术中，受限于各种实时资源，并不是所有应用实现错误点都需要立刻进行修复，而是需要通过确定应用实现错误点的补丁修复优先级进行阶段性修复，但是现有技术中缺乏对应用实现错误点的注意力评价和精细化定位，导致补丁修复优先级确定的可靠性不高。
发明内容
为了至少克服现有技术中的上述不足，本申请实施例的目的在于提供一种应用于AI分析的数字化在线应用处理方法及AI应用系统。
第一方面，本申请实施例实施例提供一种应用于AI分析的数字化在线应用处理方法，应用于AI应用系统，所述方法包括：
对数字化在线应用的应用异常数据中的目标非受控应用异常活动进行应用实现错误点分析，输出所述目标非受控应用异常活动中的应用实现错误点信息；
对各个所述应用实现错误点信息中的应用实现错误点进行特征挖掘，结合特征挖掘生成的各个应用实现错误点的依赖应用实现错误点信息以及错误渗透信息确定各个应用实现错误点所对应的注意力信息，并结合所述各个应用实现错误点所对应的注意力信息确定目标应用实现错误点；
结合所述目标应用实现错误点，对所述数字化在线应用所对应的应用功能实现进程中的程序执行组件进行补丁修复。
针对一些示例性的设计而言，所述对数字化在线应用的应用异常数据中的目标非受控应用异常活动进行应用实现错误点分析，输出所述目标非受控应用异常活动中的应用实现错误点信息，通过以下步骤实现：
获取所述数字化在线应用在应用功能实现进程中生成的应用于应用实现错误点挖掘任务的应用异常数据，所述应用异常数据包括多个应用异常活动；
利用第一应用异常挖掘模型对所述应用异常数据中的每个应用异常活动进行异常模态挖掘，输出所述每个应用异常活动的异常模态挖掘数据以及所述每个应用异常活动的异常空间图卷积矢量，所述异常模态挖掘数据表征应用异常活动所对应的异常模态；
结合所述每个应用异常活动的异常模态挖掘数据，从所述应用异常数据中获取受控应用异常活动以及M个非受控应用异常活动，所述受控应用异常活动与所述非受控应用异常活动均属于所述应用异常活动，所述M为正整数；
结合所述受控应用异常活动的异常空间图卷积矢量以及每个非受控应用异常活动的异常空间图卷积矢量，输出M个第一矢量相关度量值以及M个第二矢量相关度量值，所述M个第一矢量相关度量值包括所述每个非受控应用异常活动与所述受控应用异常活动之间的第一矢量相关度量值，所述M个第二矢量相关度量值包括所述每个非受控应用异常活动所对应的第二矢量相关度量值，所述矢量相关度量值反映对应的应用异常活动之间的矢量距离；
结合所述M个第一矢量相关度量值以及所述M个第二矢量相关度量值，输出所述每个非受控应用异常活动所对应的参考矢量相关度量值，所述参考矢量相关度量值表示非受控应用异常活动的集中性程度值；
从所述每个非受控应用异常活动所对应的参考矢量相关度量值中获取最大度量值，并将所述最大度量值所对应的非受控应用异常活动作为目标非受控应用异常活动；
利用应用异常决策神经模型对所述目标非受控应用异常活动进行应用异常决策，输出所述目标非受控应用异常活动的应用异常决策信息，所述应用异常决策信息用于确定所述目标非受控应用异常活动中的应用实现错误点信息。
针对一些示例性的设计而言，所述获取应用于应用实现错误点挖掘任务的应用异常数据，包括：
获取应用于应用实现错误点挖掘任务的基础应用异常活动数据，所述基础应用异常活动数据包括多个应用异常活动；
利用第二应用异常挖掘模型对所述基础应用异常活动数据中的每个应用异常活动进行特征挖掘，输出所述每个应用异常活动的冲突特征估计数据，所述冲突特征估计数据表征应用异常活动的冲突特征状态；
结合所述每个应用异常活动的冲突特征估计数据，将所述基础应用异常活动数据中冲突特征估计数据属于冲突估计状态的应用异常活动作为所述应用异常数据中的应用异常活动。
针对一些示例性的设计而言，所述方法还包括：
获取第一模板应用异常活动数据，所述第一模板应用异常活动数据包括多个第一模板应用异常活动，每个第一模板应用异常活动对应于冲突状态先验标定数据；
对应于所述第一模板应用异常活动数据中的每个第一模板应用异常活动，结合所述第二应用异常挖掘模型获取所述每个第一模板应用异常活动所对应的冲突特征学习数据；
结合所述每个第一模板应用异常活动所对应的冲突特征学习数据以及所述冲突状态先验标定数据，输出第一Loss值；
结合所述第一Loss值对所述第二应用异常挖掘模型进行训练。
针对一些示例性的设计而言，所述利用第一应用异常挖掘模型对所述应用异常数据中的每个应用异常活动进行异常模态挖掘，输出所述每个应用异常活动的异常模态挖掘数据以及所述每个应用异常活动的异常空间图卷积矢量，包括：
对应于所述应用异常数据中的所述每个应用异常活动，结合所述第一应用异常挖掘模型中构建的图神经网络分支提取所述每个应用异常活动的异常空间图卷积矢量；
对应于所述每个应用异常活动的异常空间图卷积矢量，结合所述第一应用异常挖掘模型中构建的池化分支提取所述每个应用异常活动的池化特征矢量；
对应于所述每个应用异常活动的池化特征矢量，结合所述第一应用异常挖掘模型中构建的全连接单元获取所述每个应用异常活动的异常模态概率分布；
结合所述每个应用异常活动的异常模态概率分布，输出所述每个应用异常活动的异常模态挖掘数据。
针对一些示例性的设计而言，所述方法还包括：
获取第二模板应用异常活动数据，所述第二模板应用异常活动数据包括多个第二模板应用异常活动，每个第二模板应用异常活动对应于异常模态先验标定数据；
对应于所述第二模板应用异常活动数据中的每个第二模板应用异常活动，结合所述第一应用异常挖掘模型获取所述每个第二模板应用异常活动所对应的异常模态概率分布；
结合所述每个第二模板应用异常活动所对应的异常模态概率分布以及所述异常模态先验标定数据，输出第二Loss值；
结合所述第二Loss值对所述第一应用异常挖掘模型进行训练。
针对一些示例性的设计而言，所述结合所述受控应用异常活动的异常空间图卷积矢量以及每个非受控应用异常活动的异常空间图卷积矢量，输出M个第一矢量相关度量值以及M个第二矢量相关度量值，包括：
对所述受控应用异常活动的异常空间图卷积矢量以及所述每个非受控应用异常活动的异常空间图卷积矢量进行类间相关度量值确定，输出所述每个非受控应用异常活动与所述受控应用异常活动之间的第一矢量相关度量值；
对所述每个非受控应用异常活动的异常空间图卷积矢量以及其它各个非受控应用异常活动对应异常空间图卷积矢量进行类内相关度量值确定，输出所述每个非受控应用异常活动所对应的第二矢量相关度量值，所述其它各个非受控应用异常活动为所述M个非受控应用异常活动中除了所述非受控应用异常活动之外的余下非受控应用异常活动；
所述结合所述M个第一矢量相关度量值以及所述M个第二矢量相关度量值，输出所述每个非受控应用异常活动所对应的参考矢量相关度量值，包括：
对应于所述每个非受控应用异常活动，对非受控应用异常活动所对应的第一矢量相关度量值以及第二矢量相关度量值进行加权计算，输出所述非受控应用异常活动所对应的参考矢量相关度量值；
所述对所述受控应用异常活动的异常空间图卷积矢量以及所述每个非受控应用异常活动的异常空间图卷积矢量进行类间相关度量值确定，输出所述每个非受控应用异常活动与所述受控应用异常活动之间的第一矢量相关度量值，包括：
对应于所述每个非受控应用异常活动，将非受控应用异常活动对应异常空间图卷积矢量中的每个图节点卷积矢量，与所述受控应用异常活动对应异常空间图卷积矢量中相对应异常实例的图节点卷积矢量进行矢量距离确定，输出所述非受控应用异常活动与所述受控应用异常活动之间的V个图节点卷积矢量距离，所述V为正整数；
对应于所述每个非受控应用异常活动，对所述非受控应用异常活动与所述受控应用异常活动之间的V个图节点卷积矢量距离进行相关度量值确定，输出所述非受控应用异常活动与所述受控应用异常活动之间的第一矢量相关度量值；
所述对所述每个非受控应用异常活动的异常空间图卷积矢量以及其它各个非受控应用异常活动对应异常空间图卷积矢量进行类内相关度量值确定，输出所述每个非受控应用异常活动所对应的第二矢量相关度量值，包括：
对应于所述每个非受控应用异常活动，将非受控应用异常活动对应异常空间图卷积矢量中的每个图节点卷积矢量，与所述其它各个非受控应用异常活动对应异常空间图卷积矢量中相对应异常实例的图节点卷积矢量进行矢量距离确定，输出所述每个非受控应用异常活动与所述其它各个非受控应用异常活动之间的V个图节点卷积矢量距离，所述V为正整数；
对应于所述每个非受控应用异常活动，对所述非受控应用异常活动与所述其它各个非受控应用异常活动之间的V个图节点卷积矢量距离进行相关度量值确定，输出所述非受控应用异常活动与所述其它各个非受控应用异常活动之间的第一矢量距离；
对应于所述每个非受控应用异常活动，对所述非受控应用异常活动与所述其它各个非受控应用异常活动之间的第一矢量距离进行平均矢量距离确定，输出所述非受控应用异常活动所对应的第二矢量相关度量值；
或者，所述对所述受控应用异常活动的异常空间图卷积矢量以及所述每个非受控应用异常活动的异常空间图卷积矢量进行类间相关度量值确定，输出所述每个非受控应用异常活动与所述受控应用异常活动之间的第一矢量相关度量值，包括：
对所述受控应用异常活动的异常空间图卷积矢量以及所述每个非受控应用异常活动的异常空间图卷积矢量进行矢量距离确定，输出所述每个非受控应用异常活动与所述受控应用异常活动之间的图卷积矢量距离；
对所述受控应用异常活动的异常渗透直方图矢量以及所述每个非受控应用异常活动的异常渗透直方图矢量进行矢量距离确定，输出所述每个非受控应用异常活动与所述受控应用异常活动之间的直方图矢量相关度量值；
对应于所述每个非受控应用异常活动，对非受控应用异常活动与所述受控应用异常活动之间的图卷积矢量距离，以及所述非受控应用异常活动与所述受控应用异常活动之间的直方图矢量相关度量值进行加权计算，输出所述非受控应用异常活动与所述受控应用异常活动之间的第一矢量相关度量值；
所述对所述每个非受控应用异常活动的异常空间图卷积矢量以及其它各个非受控应用异常活动对应异常空间图卷积矢量进行类内相关度量值确定，输出所述每个非受控应用异常活动所对应的第二矢量相关度量值，包括：
结合所述每个非受控应用异常活动的异常空间图卷积矢量，输出所述每个非受控应用异常活动所对应的平均图卷积矢量距离；
结合所述每个非受控应用异常活动的异常渗透直方图矢量，输出所述每个非受控应用异常活动所对应的平均直方图矢量距离；
对应于所述每个非受控应用异常活动，对非受控应用异常活动所对应的平均图卷积矢量距离，以及所述非受控应用异常活动所对应的平均直方图矢量距离进行加权计算，输出所述非受控应用异常活动所对应的第二矢量相关度量值。
譬如，针对一些示例性的设计而言，所述对所述受控应用异常活动的异常空间图卷积矢量以及所述每个非受控应用异常活动的异常空间图卷积矢量进行矢量距离确定，输出所述每个非受控应用异常活动与所述受控应用异常活动之间的图卷积矢量距离，包括：
对应于所述每个非受控应用异常活动，将非受控应用异常活动对应异常空间图卷积矢量中的每个图节点卷积矢量，与所述受控应用异常活动对应异常空间图卷积矢量中相对应异常实例的图节点卷积矢量进行矢量距离确定，输出所述非受控应用异常活动与所述受控应用异常活动之间的V个图节点卷积矢量距离，所述V为正整数；
对应于所述每个非受控应用异常活动，对所述非受控应用异常活动与所述受控应用异常活动之间的V个图节点卷积矢量距离进行相关度量值确定，输出所述非受控应用异常活动与所述受控应用异常活动之间的图卷积矢量距离；
所述对所述受控应用异常活动的异常渗透直方图矢量以及所述每个非受控应用异常活动的异常渗透直方图矢量进行矢量距离确定，输出所述每个非受控应用异常活动与所述受控应用异常活动之间的直方图矢量相关度量值，包括：
对应于所述每个非受控应用异常活动，将非受控应用异常活动对应异常渗透直方图矢量中的每个图节点卷积矢量，与所述受控应用异常活动对应异常渗透直方图矢量中相对应异常实例的图节点卷积矢量进行矢量距离确定，输出所述非受控应用异常活动与所述受控应用异常活动之间的F个图节点卷积矢量距离，所述F为正整数；
对应于所述每个非受控应用异常活动，对所述非受控应用异常活动与所述受控应用异常活动之间的F个图节点卷积矢量距离进行矢量距离确定，输出所述非受控应用异常活动与所述受控应用异常活动之间的直方图矢量相关度量值。
譬如，针对一些示例性的设计而言，所述结合所述每个非受控应用异常活动的异常空间图卷积矢量，输出所述每个非受控应用异常活动所对应的平均图卷积矢量距离，包括：
对应于所述每个非受控应用异常活动，将非受控应用异常活动对应异常空间图卷积矢量中的每个图节点卷积矢量，与其它各个非受控应用异常活动对应异常空间图卷积矢量中相对应异常实例的图节点卷积矢量进行矢量距离确定，输出所述每个非受控应用异常活动与所述其它各个非受控应用异常活动之间的V个图节点卷积矢量距离，所述V为正整数；
对应于所述每个非受控应用异常活动，对所述非受控应用异常活动与所述其它各个非受控应用异常活动之间的V个图节点卷积矢量距离进行相关度量值确定，输出所述非受控应用异常活动与所述其它各个非受控应用异常活动之间的第一矢量距离； 对应于所述每个非受控应用异常活动，对所述非受控应用异常活动与所述其它各个非受控应用异常活动之间的第一矢量距离进行平均矢量距离确定，输出所述非受控应用异常活动所对应的平均图卷积矢量距离；
所述结合所述每个非受控应用异常活动的异常渗透直方图矢量，输出所述每个非受控应用异常活动所对应的平均直方图矢量距离，包括：
对应于所述每个非受控应用异常活动，将非受控应用异常活动对应异常渗透直方图矢量中的每个图节点卷积矢量，与其它各个非受控应用异常活动对应异常渗透直方图矢量中相对应异常实例的图节点卷积矢量进行矢量距离确定，输出所述每个非受控应用异常活动与所述其它各个非受控应用异常活动之间的F个图节点卷积矢量距离，所述F为正整数；
对应于所述每个非受控应用异常活动，对所述非受控应用异常活动与所述其它各个非受控应用异常活动之间的F个图节点卷积矢量距离进行矢量距离确定，输出所述非受控应用异常活动与所述其它各个非受控应用异常活动之间的第二矢量距离；
对应于所述每个非受控应用异常活动，对所述非受控应用异常活动与所述其它各个非受控应用异常活动之间的第二矢量距离进行平均矢量距离确定，输出所述非受控应用异常活动所对应的平均直方图矢量距离。
譬如，针对一些示例性的设计而言，所述方法还包括：
对所述受控应用异常活动进行异常渗透标定，输出第一异常渗透标定数据，所述第一异常渗透标定数据中的每个异常运行数据段对应于一个异常渗透参数；
结合所述受控应用异常活动所对应的第一异常渗透标定数据，分别统计各个预设异常渗透参数所对应的异常运行数据段数；
结合所述第一异常渗透标定数据对应于所述各个预设异常渗透参数的异常运行数据段数，构建所述受控应用异常活动的异常渗透直方图矢量；
所述方法还包括：
对应于所述每个非受控应用异常活动，对非受控应用异常活动进行异常渗透标定，输出第二异常渗透标定数据，所述第二异常渗透标定数据中的每个异常运行数据段对应于一个异常渗透参数；
对应于所述每个非受控应用异常活动，结合所述第二异常渗透标定数据，分别统计各个预设异常渗透参数所对应的异常运行数据段数；
对应于所述每个非受控应用异常活动，结合所述第二异常渗透标定数据对应于所述各个预设异常渗透参数的异常运行数据段数，构建所述非受控应用异常活动的异常渗透直方图矢量。
第二方面，本申请实施例实施例还提供一种应用于AI分析的数字化在线应用处理系统，所述应用于AI分析的数字化在线应用处理系统包括AI应用系统以及与所述AI应用系统通信连接的多个数字化服务终端；
所述AI应用系统，用于：
对数字化在线应用的应用异常数据中的目标非受控应用异常活动进行应用实现错误点分析，输出所述目标非受控应用异常活动中的应用实现错误点信息；
对各个所述应用实现错误点信息中的应用实现错误点进行特征挖掘，结合特征挖掘生成的各个应用实现错误点的依赖应用实现错误点信息以及错误渗透信息确定各个应用实现错误点所对应的注意力信息，并结合所述各个应用实现错误点所对应的注意力信息确定目标应用实现错误点；
结合所述目标应用实现错误点，对所述数字化在线应用所对应的应用功能实现进程中的程序执行组件进行补丁修复。
第三方面，本申请实施例还提供一种AI应用系统，所述AI应用系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有计算机程序，所述计算机程序结合该处理器加载并执行以实现以上第一方面的应用于AI分析的数字化在线应用处理方法。
第四方面，本申请实施例提供一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于被处理器执行时，以实现以上第一方面的应用于AI分析的数字化在线应用处理方法。
第五方面，本申请实施例提供一种计算机程序产品，包括计算机程序或计算机可执行指令，所述计算机程序或计算机可执行指令被处理器执行时，以实现以上第一方面的应用于AI分析的数字化在线应用处理方法。
本申请实施例至少具有以下有益效果：
通过对数字化在线应用的应用异常数据中的目标非受控应用异常活动进行应用实现错误点分析，输出所述目标非受控应用异常活动中的应用实现错误点信息，对各个所述应用实现错误点信息中的应用实现错误点进行特征挖掘，结合特征挖掘生成的各个应用实现错误点的依赖应用实现错误点信息以及错误渗透信息确定各个应用实现错误点所对应的注意力信息，并结合所述各个应用实现错误点所对应的注意力信息确定目标应用实现错误点，结合所述目标应用实现错误点，对所述数字化在线应用所对应的应用功能实现进程中的程序执行组件进行补丁修复，由此对于应用实现错误点信息中的应用实现错误点进行注意力评价后进行精细化定位，对应用功能实现进程中的程序执行组件进行补丁修复，可以提高补丁修复优先级确定的可靠性。
并且，获取应用于应用实现错误点挖掘任务的应用异常数据，可利用第一应用异常挖掘模型对每个应用异常活动进行异常模态挖掘，输出每个应用异常活动的异常模态挖掘数据以及每个应用异常活动的异常空间图卷积矢量。然后，从应用异常数据中获取受控应用异常活动以及M个非受控应用异常活动，再确定M个第一矢量相关度量值以及M个第二矢量相关度量值。由此，可结合M个第一矢量相关度量值以及M个第二矢量相关度量值，输出每个非受控应用异常活动所对应的参考矢量相关度量值。再从每个非受控应用异常活动所对应的参考矢量相关度量值中获取最大度量值，并将最大度量值所对应的非受控应用异常活动作为目标非受控应用异常活动。最后，利用应用异常决策神经模型对目标非受控应用异常活动进行应用异常决策，输出目标非受控应用异常活动的应用异常决策信息。采用以上方案，引入了非受控应用异常活动的第二矢量相关度量值以及非受控应用异常活动与受控应用异常活动第一矢量相关度量值，共同衡量非受控应用异常活动的集中性程度值，由此，可选择出集中性程度值最大的非受控应用异常活动作为异常集中值最大位置的非受控应用异常活动，并将该非受控应用异常活动作为估计应用实现错误点信息的目标非受控应用异常活动。由此，充分考虑了不同应用异常活动之间异常集中值的区别，可以提高应用实现错误点挖掘的精度。
附图说明
图1为本申请实施例实施例提供的应用于AI分析的数字化在线应用处理方法的流程示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的基础上相互结合。
在以下的描述中，所涉及的术语“第一\第二”仅仅是区别类似的关键搜索表征数据，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的基础上可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义，本申请实施例所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本申请实施例中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
需要说明的是，以下实施例中所获得的各类数据均是在获得用户授权许可的基础上获取的。
参见图1：
step100，对数字化在线应用的应用异常数据中的目标非受控应用异常活动进行应用实现错误点分析，输出所述目标非受控应用异常活动中的应用实现错误点信息。
本实施例中，数字化在线应用的应用异常数据中可包括多个应用异常活动，对于一些设计思路而言，应用异常活动可以是数字化在线应用在应用功能实现进程（如应用请求响应进程、应用数据推送进程等）中存在应用功能实现异常（如崩溃、闪退、页面偏离等）的运行活动。目标非受控应用异常活动可以是指集中性程度值满足预设条件的应用异常活动，集中性程度值表示应用异常活动的异常实例集中程度，例如，数字化在线应用在一个应用异常活动的异常实例越集中，则集中性程度值越大，则其越难以受控。
由此，可以进一步对目标非受控应用异常活动进行应用实现错误点分析，输出所述目标非受控应用异常活动中的应用实现错误点信息，应用实现错误点信息可以用于表示所述目标非受控应用异常活动的异常根因，异常根因可以是某段指令，某段运行程序或者某段会话任务等。
step200，对各个所述应用实现错误点信息中的应用实现错误点进行特征挖掘，结合特征挖掘生成的各个应用实现错误点的依赖应用实现错误点信息以及错误渗透信息确定各个应用实现错误点所对应的注意力信息，并结合所述各个应用实现错误点所对应的注意力信息确定目标应用实现错误点。
例如，可以分析各个应用实现错误点的依赖应用实现错误点数量，依赖应用实现错误点可以是与所述应用实现错误点存在逻辑关联的应用实现错误点，然后将依赖应用实现错误点数量乘以对应的重要性值，并将所述错误渗透信息乘以对应的重要性值，可以获得各个应用实现错误点所对应的注意力信息，然后将注意力参数值大于设定参数值的应用实现错误点确定为目标应用实现错误点。
step300，结合所述目标应用实现错误点，对所述数字化在线应用所对应的应用功能实现进程中的程序执行组件进行补丁修复。
例如，可以确定所述目标应用实现错误点在所述数字化在线应用所对应的应用功能实现进程中的程序执行组件，然后按照各个目标应用实现错误点的注意力参数值的大小顺序确定各个目标应用实现错误点的补丁修复优先级，进而从云端预置的补丁资源库中下载各个目标应用实现错误点所对应的修复补丁程序，对所述数字化在线应用所对应的应用功能实现进程中的程序执行组件进行补丁修复。
采用以上技术方案，本实施例通过对数字化在线应用的应用异常数据中的目标非受控应用异常活动进行应用实现错误点分析，输出所述目标非受控应用异常活动中的应用实现错误点信息，对各个所述应用实现错误点信息中的应用实现错误点进行特征挖掘，结合特征挖掘生成的各个应用实现错误点的依赖应用实现错误点信息以及错误渗透信息确定各个应用实现错误点所对应的注意力信息，并结合所述各个应用实现错误点所对应的注意力信息确定目标应用实现错误点，结合所述目标应用实现错误点，对所述数字化在线应用所对应的应用功能实现进程中的程序执行组件进行补丁修复，由此对于应用实现错误点信息中的应用实现错误点进行注意力评价后进行精细化定位，对应用功能实现进程中的程序执行组件进行补丁修复，可以提高补丁修复优先级确定的可靠性。
针对step100，提供一种基于人工智能的应用实现错误点分析方法，包括以下步骤。
step110、获取所述数字化在线应用在应用功能实现进程中生成的应用于应用实现错误点挖掘任务的应用异常数据，应用异常数据包括多个应用异常活动；
step120、利用第一应用异常挖掘模型对应用异常数据中的每个应用异常活动进行异常模态挖掘，输出每个应用异常活动的异常模态挖掘数据以及每个应用异常活动的异常空间图卷积矢量，异常模态挖掘数据表征应用异常活动所对应的异常模态。
对于一些设计思路而言，将应用异常数据中的每个应用异常活动作为第一应用异常挖掘模型的输入，利用第一应用异常挖掘模型输出每个应用异常活动的异常模态概率分布，再结合异常模态概率分布可确定应用异常活动的异常模态挖掘数据。与此同时，结合第一应用异常挖掘模型的图神经网络分支，可获取每个应用异常活动的异常空间图卷积矢量。其中，第一应用异常挖掘模型可采用卷积神经网络CNN，异常空间图卷积矢量即为卷积特征，异常空间图卷积矢量表示为特征向量的形式。
step130、结合每个应用异常活动的异常模态挖掘数据，从应用异常数据中获取受控应用异常活动以及M个非受控应用异常活动，受控应用异常活动与非受控应用异常活动均属于应用异常活动，M为正整数；
对于一些设计思路而言，结合每个应用异常活动的异常模态挖掘数据，可以从应用异常数据中筛选出属于受控应用异常活动的应用异常活动，以及属于非受控应用异常活动的应用异常活动。其中，如果应用异常数据包括多个受控应用异常活动，则可选择其中一个受控应用异常活动进行后续处理。此外，应用异常数据中通常会包括多个非受控应用异常活动，因此，需要从多个非受控应用异常活动中选择用于估计应用实现错误点信息的目标非受控应用异常活动。
step140、结合受控应用异常活动的异常空间图卷积矢量以及每个非受控应用异常活动的异常空间图卷积矢量，输出M个第一矢量相关度量值以及M个第二矢量相关度量值，M个第一矢量相关度量值包括每个非受控应用异常活动与受控应用异常活动之间的第一矢量相关度量值，M个第二矢量相关度量值包括每个非受控应用异常活动所对应的第二矢量相关度量值；
对于一些设计思路而言，在得到受控应用异常活动以及M个非受控应用异常活动之后，利用受控应用异常活动的异常空间图卷积矢量以及每个非受控应用异常活动的异常空间图卷积矢量，输出M个第一矢量相关度量值。其中，M个第一矢量相关度量值包括每个非受控应用异常活动分别与受控应用异常活动之间的第一矢量相关度量值。与此同时，利用每个非受控应用异常活动的异常空间图卷积矢量，输出M个第二矢量相关度量值。其中，M个第二矢量相关度量值包括每个非受控应用异常活动分别与余下(M-1)个非受控应用异常活动之间的第二矢量相关度量值。
step150、结合M个第一矢量相关度量值以及M个第二矢量相关度量值，输出每个非受控应用异常活动所对应的参考矢量相关度量值，参考矢量相关度量值表示非受控应用异常活动的集中性程度值；
对于M个非受控应用异常活动中的每个非受控应用异常活动而言，分别具有一个第一矢量相关度量值和一个第二矢量相关度量值。因此，针对每个非受控应用异常活动，结合其对应的第一矢量相关度量值和第二矢量相关度量值，输出参考矢量相关度量值。由此，输出每个非受控应用异常活动所对应的参考矢量相关度量值。其中，非受控应用异常活动的参考矢量相关度量值越大，表示该非受控应用异常活动的差异程度越显著。
step160、从每个非受控应用异常活动所对应的参考矢量相关度量值中获取最大度量值，并将最大度量值所对应的非受控应用异常活动作为目标非受控应用异常活动；
对于一些设计思路而言，参考矢量相关度量值与非受控应用异常活动的集中性程度值呈正相关，因此，先从M个参考矢量相关度量值中确定最大度量值，然后，将最大度量值所对应的非受控应用异常活动作为目标非受控应用异常活动。
step170、利用应用异常决策神经模型对目标非受控应用异常活动进行应用异常决策，输出目标非受控应用异常活动的应用异常决策信息，应用异常决策信息用于确定目标非受控应用异常活动中的应用实现错误点信息。
对于一些设计思路而言，将目标非受控应用异常活动作为应用异常决策神经模型的输入，利用应用异常决策神经模型输出目标非受控应用异常活动的应用异常决策信息。
应用异常决策神经模型可采用特征金字塔网络，此处不做限定。
示例性地，假设以应用异常数据包括应用异常活动1、应用异常活动2和应用异常活动3为例，经过第一应用异常挖掘模型之后，可确定应用异常活动1为受控应用异常活动，应用异常活动2和应用异常活动3均为非受控应用异常活动。同时，利用第一应用异常挖掘模型的图神经网络分支还可以得到每个应用异常活动的异常空间图卷积矢量，即，异常空间图卷积矢量vector0、异常空间图卷积矢量vector1和异常空间图卷积矢量vector2。由此，利用异常空间图卷积矢量vector0、异常空间图卷积矢量vector1和异常空间图卷积矢量vector2进行矢量距离确定，以得到非受控应用异常活动1的参考矢量相关度量值和非受控应用异常活动2的参考矢量相关度量值。由此，从非受控应用异常活动1(即，应用异常活动2)和非受控应用异常活动2(即，应用异常活动3)中选择出参考矢量相关度量值更大的非受控应用异常活动作为目标非受控应用异常活动，最后，利用应用异常决策神经模型对目标非受控应用异常活动进行应用异常决策，以得到应用实现错误点信息的决策信息。
采用以上技术方案，引入了非受控应用异常活动的第二矢量相关度量值以及非受控应用异常活动与受控应用异常活动第一矢量相关度量值，共同衡量非受控应用异常活动的集中性程度值，由此，可选择出集中性程度值最大的非受控应用异常活动作为异常集中值最大位置的非受控应用异常活动，并将该非受控应用异常活动作为估计应用实现错误点信息的目标非受控应用异常活动。由此，充分考虑了不同应用异常活动之间异常集中值的区别，可以提高应用实现错误点挖掘的精度。
对于一些设计思路而言，获取应用于应用实现错误点挖掘任务的应用异常数据，可参阅以下内容：
应用于应用实现错误点挖掘任务的基础应用异常活动数据，基础应用异常活动数据包括多个应用异常活动；
利用第二应用异常挖掘模型对基础应用异常活动数据中的每个应用异常活动进行特征挖掘，输出每个应用异常活动的冲突特征估计数据，冲突特征估计数据表征应用异常活动的冲突特征状态；
结合每个应用异常活动的冲突特征估计数据，将基础应用异常活动数据中冲突特征估计数据属于冲突估计状态的应用异常活动作为应用异常数据中的应用异常活动。
示例性地，以基础应用异常活动数据包括应用异常活动1、应用异常活动2、应用异常活动3、应用异常活动4、应用异常活动5和应用异常活动6为例，将这些应用异常活动作为第二应用异常挖掘模型的输入，利用第二应用异常挖掘模型得到每个应用异常活动的冲突特征学习数据，再结合冲突特征学习数据可确定应用异常活动的冲突特征估计数据。冲突特征估计数据可以是“非冲突估计状态”，也可以是“冲突估计状态”。其中，应用异常活动1、应用异常活动3和应用异常活动4均属于“非冲突估计状态”，因此，可剔除这3个应用异常活动。并将属于“冲突估计状态”应用异常活动5、应用异常活动2和应用异常活动6作为应用异常数据。
由此，将应用异常活动5、应用异常活动2和应用异常活动6作为第一应用异常挖掘模型的输入，利用第一应用异常挖掘模型得到每个应用异常活动的异常模态概率分布，再结合异常模态概率分布可确定应用异常活动的异常模态挖掘数据。其中，应用异常活动5为受控应用异常活动，应用异常活动2和应用异常活动6均为非受控应用异常活动。同时，利用第一应用异常挖掘模型的图神经网络分支还可以得到每个应用异常活动的异常空间图卷积矢量，即，异常空间图卷积矢量vector0、异常空间图卷积矢量vector1和异常空间图卷积矢量vector2。利用异常空间图卷积矢量vector0、异常空间图卷积矢量vector1和异常空间图卷积矢量vector2进行矢量距离确定，以得到非受控应用异常活动1(即，应用异常活动2)的参考矢量相关度量值和非受控应用异常活动2(即，应用异常活动6)的参考矢量相关度量值。由此，从非受控应用异常活动1和非受控应用异常活动2中选择出参考矢量相关度量值更大的非受控应用异常活动作为目标非受控应用异常活动，最后，利用应用异常决策神经模型对目标非受控应用异常活动进行应用异常决策，以得到应用实现错误点信息的估计结果。
对于一些设计思路而言，本申请实施例提供一种基于人工智能的应用异常活动分析方法，可以包括：
获取第一模板应用异常活动数据，第一模板应用异常活动数据包括多个第一模板应用异常活动，每个第一模板应用异常活动对应于冲突状态先验标定数据；
针对于第一模板应用异常活动数据中的每个第一模板应用异常活动，结合第二应用异常挖掘模型获取每个第一模板应用异常活动所对应的冲突特征学习数据；
结合每个第一模板应用异常活动所对应的冲突特征学习数据以及冲突状态先验标定数据，输出第一Loss值；
采用第一Loss值对第二应用异常挖掘模型进行训练，以结合迭代优化的第二应用异常挖掘模型进行应用异常活动分析。
对于一些设计思路而言，需要构建第一模板应用异常活动数据，以使用第一模板应用异常活动数据对第二应用异常挖掘模型进行训练。其中，第一模板应用异常活动数据包括多个第一模板应用异常活动，且，每个第一模板应用异常活动标注有对应的冲突状态先验标定数据。例如，第一模板应用异常活动1的冲突状态先验标定数据为“非冲突估计状态”，第一模板应用异常活动2的冲突状态先验标定数据为“冲突估计状态”。
对于一些设计思路而言，利用第一应用异常挖掘模型对应用异常数据中的每个应用异常活动进行异常模态挖掘，输出每个应用异常活动的异常模态挖掘数据以及每个应用异常活动的异常空间图卷积矢量，可参阅以下内容：
针对于应用异常数据中的每个应用异常活动，利用第一应用异常挖掘模型中构建的图神经网络分支提取每个应用异常活动的异常空间图卷积矢量；
针对于每个应用异常活动的异常空间图卷积矢量，利用第一应用异常挖掘模型中构建的池化分支提取每个应用异常活动的池化特征矢量；
针对于每个应用异常活动的池化特征矢量，利用第一应用异常挖掘模型中构建的全连接单元获取每个应用异常活动的异常模态概率分布；
结合每个应用异常活动的异常模态概率分布，输出每个应用异常活动的异常模态挖掘数据。
将应用异常数据中的每个应用异常活动作为图神经网络分支的输入，通过图神经网络分支提取每个应用异常活动的异常空间图卷积矢量。由此，可缓存每个应用异常活动的异常空间图卷积矢量。然后，可对每个应用异常活动的异常空间图卷积矢量进行池化处理，即，通过池化分支提取每个应用异常活动的池化特征矢量。然后，将每个应用异常活动的池化特征矢量作为全连接单元的输入，通过全连接单元获取每个应用异常活动的异常模态概率分布。由此，结合异常模态概率分布，实现对应用异常活动的分类，从而得到每个应用异常活动的异常模态挖掘数据。其中，全连接单元包括全连接层和softmax层。
由此，利用第一应用异常挖掘模型不仅能够输出应用异常活动的异常模态挖掘数据，还能够提取应用异常活动的异常空间图卷积矢量，以学习得到应用异常活动的高维特征向量。
其中，应用异常活动经过第一应用异常挖掘模型估计时，通过图神经网络分支提取的异常空间图卷积矢量会进行缓存。在确定应用异常活动所对应的异常模态之后，提取受控应用异常活动的异常空间图卷积矢量和非受控应用异常活动的异常空间图卷积矢量即可，以用于后续计算矢量距离。
其中，应用异常活动经过第一应用异常挖掘模型估计时，通过图神经网络分支提取的异常空间图卷积矢量会进行缓存。在确定应用异常活动所对应的异常模态之后，提取受控应用异常活动的异常空间图卷积矢量和非受控应用异常活动的异常空间图卷积矢量即可，以用于后续计算矢量距离。
其中，应用异常活动经过第一应用异常挖掘模型估计时，通过图神经网络分支提取的异常空间图卷积矢量会进行缓存。在确定应用异常活动所对应的异常模态之后，提取受控应用异常活动的异常空间图卷积矢量和非受控应用异常活动的异常空间图卷积矢量即可，以用于后续计算矢量距离。
由此，结合第一应用异常挖掘模型输出的异常模态概率分布，可确定应用异常活动所对应的异常模态。进而自动区分受控应用异常活动、非受控应用异常活动和无效参与应用异常活动。
对于一些设计思路而言，本申请实施例还提供一种基于人工智能的应用异常活动分析方法，可以包括：
获取第二模板应用异常活动数据，第二模板应用异常活动数据包括多个第二模板应用异常活动，每个第二模板应用异常活动对应于异常模态先验标定数据；
针对于第二模板应用异常活动数据中的每个第二模板应用异常活动，结合第一应用异常挖掘模型获取每个第二模板应用异常活动所对应的异常模态概率分布；
结合每个第二模板应用异常活动所对应的异常模态概率分布以及异常模态先验标定数据，输出第二Loss值；
采用第二Loss值对第一应用异常挖掘模型进行训练，以结合迭代优化的第一应用异常挖掘模型进行应用异常活动分析。
对于一些设计思路而言，需要构建第二模板应用异常活动数据，以使用第二模板应用异常活动数据对第一应用异常挖掘模型进行训练。其中，第二模板应用异常活动数据包括多个第二模板应用异常活动，且，每个第二模板应用异常活动标注有对应的异常模态先验标定数据。
对于一些设计思路而言，可将第二模板应用异常活动数据作为一个批次的样本数据。由此，将第二模板应用异常活动数据中的各个第二模板应用异常活动作为第一应用异常挖掘模型的输入，利用第一应用异常挖掘模型输出每个第二模板应用异常活动所对应的异常模态概率分布。与此同时，结合每个第二模板应用异常活动所对应的异常模态先验标定数据，可得到每个第二模板应用异常活动所对应的实际概率分布。
对于一些设计思路而言，结合受控应用异常活动的异常空间图卷积矢量以及每个非受控应用异常活动的异常空间图卷积矢量，输出M个第一矢量相关度量值以及M个第二矢量相关度量值，可参阅以下内容：
对受控应用异常活动的异常空间图卷积矢量以及每个非受控应用异常活动的异常空间图卷积矢量进行类间相关度量值确定，输出每个非受控应用异常活动与受控应用异常活动之间的第一矢量相关度量值；
对每个非受控应用异常活动的异常空间图卷积矢量以及其它各个非受控应用异常活动对应异常空间图卷积矢量进行类内相关度量值确定，输出每个非受控应用异常活动所对应的第二矢量相关度量值，其它各个非受控应用异常活动为M个非受控应用异常活动中除了非受控应用异常活动之外的余下非受控应用异常活动；
结合M个第一矢量相关度量值以及M个第二矢量相关度量值，输出每个非受控应用异常活动所对应的参考矢量相关度量值，可参阅以下内容：
针对于每个非受控应用异常活动，对非受控应用异常活动所对应的第一矢量相关度量值以及第二矢量相关度量值进行加权计算，输出非受控应用异常活动所对应的参考矢量相关度量值。
对于一些设计思路而言，在得到M个非受控应用异常活动之后，一方面，需要将每个非受控应用异常活动分别与受控应用异常活动进行第一矢量相关度量值的计算。另一方面，需要将每个非受控应用异常活动分别与其它非受控应用异常活动进行第二矢量相关度量值的计算。
对于一些设计思路而言，假设有3个非受控应用异常活动(即，M等于3)，分别为非受控应用异常活动1、非受控应用异常活动2和非受控应用异常活动3。由此，M个第一矢量相关度量值包括非受控应用异常活动1与受控应用异常活动之间的第一矢量相关度量值1，非受控应用异常活动2与受控应用异常活动之间的第一矢量相关度量值2，非受控应用异常活动3与受控应用异常活动之间的第一矢量相关度量值3。M个第二矢量相关度量值包括非受控应用异常活动1与余下两个非受控应用异常活动(即，非受控应用异常活动2和非受控应用异常活动3)的第二矢量相关度量值1，非受控应用异常活动2与余下两个非受控应用异常活动(即，非受控应用异常活动1和非受控应用异常活动3)的第二矢量相关度量值2，非受控应用异常活动3与余下两个非受控应用异常活动(即，非受控应用异常活动1和非受控应用异常活动2)的第二矢量相关度量值3。
可见，对于每个非受控应用异常活动而言，能够分别得到其对应的第一矢量相关度量值和第二矢量相关度量值。即，非受控应用异常活动1对应于第一矢量相关度量值1和第二矢量相关度量值1。非受控应用异常活动2对应于第一矢量相关度量值2和第二矢量相关度量值2。非受控应用异常活动3对应于第一矢量相关度量值3和第二矢量相关度量值3。
由此，对非受控应用异常活动的第一矢量相关度量值和第二矢量相关度量值进行加权计算，以得到其它各个非受控应用异常活动的参考矢量相关度量值。从而能够自动选择非受控应用异常活动中异常实例集中程度最显现的应用异常活动作为用于应用实现错误点信息估计的目标非受控应用异常活动。结合类内和类间的差异性对比，以加权的方式来衡量非受控应用异常活动的异常实例集中程度，可便于提高后续应用异常分析的准确性。
对于一些设计思路而言，对受控应用异常活动的异常空间图卷积矢量以及每个非受控应用异常活动的异常空间图卷积矢量进行类间相关度量值确定，输出每个非受控应用异常活动与受控应用异常活动之间的第一矢量相关度量值，可参阅以下内容：
针对于每个非受控应用异常活动，将非受控应用异常活动对应异常空间图卷积矢量中的每个图节点卷积矢量，与受控应用异常活动对应异常空间图卷积矢量中相对应异常实例的图节点卷积矢量进行矢量距离确定，输出非受控应用异常活动与受控应用异常活动之间的V个图节点卷积矢量距离，V为正整数；
针对于每个非受控应用异常活动，对非受控应用异常活动与受控应用异常活动之间的V个图节点卷积矢量距离进行相关度量值确定，输出非受控应用异常活动与受控应用异常活动之间的第一矢量相关度量值。
对于一些设计思路而言，可结合受控应用异常活动的异常空间图卷积矢量以及非受控应用异常活动的异常空间图卷积矢量，输出非受控应用异常活动与受控应用异常活动之间的图卷积矢量距离。例如，可将非受控应用异常活动与受控应用异常活动之间的图卷积矢量距离直接作为两者之间的第一矢量相关度量值。
对于一些设计思路而言，对每个非受控应用异常活动的异常空间图卷积矢量以及其它各个非受控应用异常活动对应异常空间图卷积矢量进行类内相关度量值确定，输出每个非受控应用异常活动所对应的第二矢量相关度量值，可参阅以下内容：
针对于每个非受控应用异常活动，将非受控应用异常活动对应异常空间图卷积矢量中的每个图节点卷积矢量，与其它各个非受控应用异常活动对应异常空间图卷积矢量中相对应异常实例的图节点卷积矢量进行矢量距离确定，输出每个非受控应用异常活动与其它各个非受控应用异常活动之间的V个图节点卷积矢量距离，V为正整数；
针对于每个非受控应用异常活动，对非受控应用异常活动与其它各个非受控应用异常活动之间的V个图节点卷积矢量距离进行相关度量值确定，输出非受控应用异常活动与其它各个非受控应用异常活动之间的第一矢量距离；
针对于每个非受控应用异常活动，对非受控应用异常活动与其它各个非受控应用异常活动之间的第一矢量距离进行平均矢量距离确定，输出非受控应用异常活动所对应的第二矢量相关度量值。
对于一些设计思路而言，可结合M个非受控应用异常活动的异常空间图卷积矢量，输出非受控应用异常活动与其它各个非受控应用异常活动之间的图卷积矢量距离。例如，可将非受控应用异常活动与其它各个非受控应用异常活动之间的图卷积矢量距离直接作为两者之间的第二矢量相关度量值。
对于一些设计思路而言，对受控应用异常活动的异常空间图卷积矢量以及每个非受控应用异常活动的异常空间图卷积矢量进行类间相关度量值确定，输出每个非受控应用异常活动与受控应用异常活动之间的第一矢量相关度量值，可参阅以下内容：
对受控应用异常活动的异常空间图卷积矢量以及每个非受控应用异常活动的异常空间图卷积矢量进行矢量距离确定，输出每个非受控应用异常活动与所述受控应用异常活动之间的图卷积矢量距离；
对受控应用异常活动的异常渗透直方图矢量以及每个非受控应用异常活动的异常渗透直方图矢量进行矢量距离确定，输出每个非受控应用异常活动与受控应用异常活动之间的直方图矢量相关度量值；
针对于每个非受控应用异常活动，对非受控应用异常活动与受控应用异常活动之间的图卷积矢量距离，以及非受控应用异常活动与受控应用异常活动之间的直方图矢量相关度量值进行加权计算，输出非受控应用异常活动与受控应用异常活动之间的第一矢量相关度量值。
对于一些设计思路而言，在得到M个非受控应用异常活动之后，需要将每个非受控应用异常活动分别与受控应用异常活动进行图卷积矢量距离的计算。还需要将每个非受控应用异常活动分别与受控应用异常活动进行直方图矢量相关度量值的计算。由此，可通过以下公式计算非受控应用异常活动与受控应用异常活动之间的第一矢量相关度量值：
GN0＝n1·QW0+m1·QE0
其中，GN0表示第n个非受控应用异常活动与受控应用异常活动之间的第一矢量相关度量值。QW0表示第n个非受控应用异常活动与受控应用异常活动之间的直方图矢量相关度量值。QE0表示表示第n个非受控应用异常活动与受控应用异常活动之间的图卷积矢量距离。n1和m1均表示重要性值，如，n1＝0.5，m1＝0.5。
对于第n个非受控应用异常活动而言，对第n个非受控应用异常活动与受控应用异常活动之间的图卷积矢量距离(即，QE0)，以及第n个非受控应用异常活动与受控应用异常活动之间的直方图矢量相关度量值(即，QW0)进行加权计算，以得到第n个非受控应用异常活动与受控应用异常活动之间的第一矢量相关度量值(即，GN0)。
示例性地，以基础应用异常活动数据包括应用异常活动1、应用异常活动2、应用异常活动3、应用异常活动4、应用异常活动5、应用异常活动6和应用异常活动7为例，将这些应用异常活动作为第二应用异常挖掘模型的输入，利用第二应用异常挖掘模型得到每个应用异常活动的冲突特征学习数据，再结合冲突特征学习数据可确定应用异常活动的冲突特征估计数据。冲突特征估计数据可以是“非冲突估计状态”，也可以是“冲突估计状态”。其中，应用异常活动1、应用异常活动3和应用异常活动4均属于“非冲突估计状态”，因此，可剔除这3个应用异常活动。并将属于“冲突估计状态”应用异常活动5、应用异常活动2、应用异常活动6和应用异常活动7作为应用异常数据。
由此，将应用异常活动5、应用异常活动2、应用异常活动6和应用异常活动7作为第一应用异常挖掘模型的输入，利用第一应用异常挖掘模型得到每个应用异常活动的异常模态概率分布，再结合异常模态概率分布可确定应用异常活动的异常模态挖掘数据。其中，应用异常活动5为受控应用异常活动，应用异常活动2和应用异常活动6均为非受控应用异常活动，应用异常活动7为无效参与应用异常活动。同时，利用第一应用异常挖掘模型的图神经网络分支还可以得到每个应用异常活动的异常空间图卷积矢量，即，异常空间图卷积矢量vector0、异常空间图卷积矢量vector1、异常空间图卷积矢量vector2和异常空间图卷积矢量vector3。
一方面，需要利用异常空间图卷积矢量vector0、异常空间图卷积矢量vector1和异常空间图卷积矢量vector2进行矢量距离确定，以得到非受控应用异常活动1(即，应用异常活动2)的图卷积矢量距离和非受控应用异常活动2(即，应用异常活动6)的图卷积矢量距离。
另一方面，需要分别提取受控应用异常活动和每个非受控应用异常活动的异常渗透直方图矢量，以得到受控应用异常活动的异常渗透直方图矢量f0、非受控应用异常活动1的异常渗透直方图矢量f1和非受控应用异常活动2的异常渗透直方图矢量f2。利用异常渗透直方图矢量f0、异常渗透直方图矢量f1和异常渗透直方图矢量f2进行矢量距离确定，以得到非受控应用异常活动1(即，应用异常活动2)的直方图矢量相关度量值和非受控应用异常活动2(即，应用异常活动6)的直方图矢量相关度量值。
由此，结合非受控应用异常活动1的图卷积矢量距离和直方图矢量相关度量值，输出非受控应用异常活动1的参考矢量相关度量值。结合非受控应用异常活动2的图卷积矢量距离和直方图矢量相关度量值，输出非受控应用异常活动2的参考矢量相关度量值。于是，从非受控应用异常活动1和非受控应用异常活动2中选择出参考矢量相关度量值更大的非受控应用异常活动作为目标非受控应用异常活动，最后，利用应用异常决策神经模型对目标非受控应用异常活动进行应用异常决策，以得到应用实现错误点信息的挖掘可靠性。
对于一些设计思路而言，对受控应用异常活动的异常空间图卷积矢量以及每个非受控应用异常活动的异常空间图卷积矢量进行矢量距离确定，输出每个非受控应用异常活动与所述受控应用异常活动之间的图卷积矢量距离，可参阅以下内容：
针对于每个非受控应用异常活动，将非受控应用异常活动对应异常空间图卷积矢量中的每个图节点卷积矢量，与受控应用异常活动对应异常空间图卷积矢量中相对应异常实例的图节点卷积矢量进行矢量距离确定，输出非受控应用异常活动与受控应用异常活动之间的V个图节点卷积矢量距离，V为正整数；
针对于每个非受控应用异常活动，对非受控应用异常活动与受控应用异常活动之间的V个图节点卷积矢量距离进行相关度量值确定，输出非受控应用异常活动与受控应用异常活动之间的图卷积矢量距离；
对受控应用异常活动的异常渗透直方图矢量以及每个非受控应用异常活动的异常渗透直方图矢量进行矢量距离确定，输出每个非受控应用异常活动与受控应用异常活动之间的直方图矢量相关度量值，可参阅以下内容：
针对于每个非受控应用异常活动，将非受控应用异常活动对应异常渗透直方图矢量中的每个图节点卷积矢量，与受控应用异常活动对应异常渗透直方图矢量中相对应异常实例的图节点卷积矢量进行矢量距离确定，输出非受控应用异常活动与受控应用异常活动之间的F个图节点卷积矢量距离，F为正整数；
针对于每个非受控应用异常活动，对非受控应用异常活动与受控应用异常活动之间的F个图节点卷积矢量距离进行矢量距离确定，输出非受控应用异常活动与受控应用异常活动之间的直方图矢量相关度量值。
对于一些设计思路而言，可结合受控应用异常活动的异常空间图卷积矢量以及非受控应用异常活动的异常空间图卷积矢量，输出非受控应用异常活动与受控应用异常活动之间的图卷积矢量距离。可结合受控应用异常活动的异常渗透直方图矢量以及非受控应用异常活动的异常渗透直方图矢量，输出非受控应用异常活动与受控应用异常活动之间的直方图矢量相关度量值。例如，可将非受控应用异常活动与受控应用异常活动之间的图卷积矢量距离和直方图矢量相关度量值融合的结果作为两者之间的第一矢量相关度量值。
对于一些设计思路而言，对每个非受控应用异常活动的异常空间图卷积矢量以及其它各个非受控应用异常活动对应异常空间图卷积矢量进行类内相关度量值确定，输出每个非受控应用异常活动所对应的第二矢量相关度量值，可参阅以下内容：
结合每个非受控应用异常活动的异常空间图卷积矢量，输出每个非受控应用异常活动所对应的平均图卷积矢量距离；
结合每个非受控应用异常活动的异常渗透直方图矢量，输出每个非受控应用异常活动所对应的平均直方图矢量距离；
针对于每个非受控应用异常活动，对非受控应用异常活动所对应的平均图卷积矢量距离，以及非受控应用异常活动所对应的平均直方图矢量距离进行加权计算，输出非受控应用异常活动所对应的第二矢量相关度量值。
对于一些设计思路而言，在得到M个非受控应用异常活动之后，一方面，可结合其它各个非受控应用异常活动的异常空间图卷积矢量，输出非受控应用异常活动与其它各个非受控应用异常活动之间的平均图卷积矢量距离。另一方面，可结合其它各个非受控应用异常活动的异常渗透直方图矢量，输出非受控应用异常活动与其它各个非受控应用异常活动之间的平均直方图矢量距离。由此，可采用如下方式计算非受控应用异常活动所对应的第二矢量相关度量值：
GN＝n2·QW+m2·QE；其中，GN表示第n个非受控应用异常活动所对应的第二矢量相关度量值。QW表示第n个非受控应用异常活动所对应的平均直方图矢量距离。QE表示表示第n个非受控应用异常活动所对应的平均图卷积矢量距离。n2和m2均表示权重，例如，n2＝0.5，m2＝0.5。
对于第n个非受控应用异常活动而言，对第n个非受控应用异常活动与其它各个非受控应用异常活动之间的平均图卷积矢量距离(即，QE)，以及第n个非受控应用异常活动与其它各个非受控应用异常活动之间的平均直方图矢量距离(即，QW)进行加权计算，以得到第n个非受控应用异常活动与其它各个非受控应用异常活动之间的第二矢量相关度量值(即，GN)。
对于一些设计思路而言，结合每个非受控应用异常活动的异常空间图卷积矢量，输出每个非受控应用异常活动所对应的平均图卷积矢量距离，可参阅以下内容：
针对于每个非受控应用异常活动，将非受控应用异常活动对应异常空间图卷积矢量中的每个图节点卷积矢量，与其它各个非受控应用异常活动对应异常空间图卷积矢量中相对应异常实例的图节点卷积矢量进行矢量距离确定，输出每个非受控应用异常活动与其它各个非受控应用异常活动之间的V个图节点卷积矢量距离，V为正整数；
针对于每个非受控应用异常活动，对非受控应用异常活动与其它各个非受控应用异常活动之间的V个图节点卷积矢量距离进行相关度量值确定，输出非受控应用异常活动与其它各个非受控应用异常活动之间的第一矢量距离；
针对于每个非受控应用异常活动，对非受控应用异常活动与其它各个非受控应用异常活动之间的第一矢量距离进行平均矢量距离确定，输出非受控应用异常活动所对应的平均图卷积矢量距离；
结合每个非受控应用异常活动的异常渗透直方图矢量，输出每个非受控应用异常活动所对应的平均直方图矢量距离，可参阅以下内容：
针对于每个非受控应用异常活动，将非受控应用异常活动对应异常渗透直方图矢量中的每个图节点卷积矢量，与其它各个非受控应用异常活动对应异常渗透直方图矢量中相对应异常实例的图节点卷积矢量进行矢量距离确定，输出每个非受控应用异常活动与其它各个非受控应用异常活动之间的F个图节点卷积矢量距离，F为正整数；
针对于每个非受控应用异常活动，对非受控应用异常活动与其它各个非受控应用异常活动之间的F个图节点卷积矢量距离进行矢量距离确定，输出非受控应用异常活动与其它各个非受控应用异常活动之间的第二矢量距离；
针对于每个非受控应用异常活动，对非受控应用异常活动与其它各个非受控应用异常活动之间的第二矢量距离进行平均矢量距离确定，输出非受控应用异常活动所对应的平均直方图矢量距离。
对于一些设计思路而言，可结合M个非受控应用异常活动的异常空间图卷积矢量，输出非受控应用异常活动与其它各个非受控应用异常活动之间的平均图卷积矢量距离。可结合M个非受控应用异常活动的异常渗透直方图矢量，输出非受控应用异常活动与其它各个非受控应用异常活动之间的平均直方图矢量距离。例如，可将非受控应用异常活动所对应的平均图卷积矢量距离和平均直方图矢量距离融合的结果作为两者之间的第一矢量相关度量值。
对于一些设计思路而言，以上实施例还可以包括：
对受控应用异常活动进行异常渗透标定，输出第一异常渗透标定数据，第一异常渗透标定数据中的每个异常运行数据段对应于一个异常渗透参数；
结合受控应用异常活动所对应的第一异常渗透标定数据，分别统计各个预设异常渗透参数所对应的异常运行数据段数；
结合第一异常渗透标定数据针对于各个预设异常渗透参数的异常运行数据段数，构建受控应用异常活动的异常渗透直方图矢量；
还可以包括：
针对每个非受控应用异常活动，对非受控应用异常活动进行异常渗透标定，输出第二异常渗透标定数据，第二异常渗透标定数据中的每个异常运行数据段对应于一个异常渗透参数；
针对每个非受控应用异常活动，结合第二异常渗透标定数据，分别统计各个预设异常渗透参数所对应的异常运行数据段数；
针对每个非受控应用异常活动，结合第二异常渗透标定数据针对于各个预设异常渗透参数的异常运行数据段数，构建非受控应用异常活动的异常渗透直方图矢量。
一些设计思路中，提供了一种AI应用系统，该AI应用系统可以是服务器，该AI应用系统包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该AI应用系统的处理器用于提供计算和控制能力。该AI应用系统的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该AI应用系统的数据库用于存储上述方法所涉及的数据。该AI应用系统的模型加载数据/输出接口用于处理器与外部设备之间交换信息。该AI应用系统的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种应用于AI分析的数字化在线应用处理方法。
一些设计思路中，提供了一种AI应用系统，该AI应用系统可以是终端。该AI应用系统包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该AI应用系统的处理器用于提供计算和控制能力。该AI应用系统的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该AI应用系统的模型加载数据/输出接口用于处理器与外部设备之间交换信息。该AI应用系统的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其它技术实现。该计算机程序被处理器执行时以实现一种应用于AI分析的数字化在线应用处理方法。该AI应用系统的显示单元用于形成视觉可见的画面。
一些设计思路中，提供了一种AI应用系统，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
一些设计思路中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
一些设计思路中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
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，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种应用于AI分析的数字化在线应用处理方法，其特征在于，所述方法包括：
对数字化在线应用的应用异常数据中的目标非受控应用异常活动进行应用实现错误点分析，输出所述目标非受控应用异常活动中的应用实现错误点信息；
对各个所述应用实现错误点信息中的应用实现错误点进行特征挖掘，结合特征挖掘生成的各个应用实现错误点的依赖应用实现错误点信息以及错误渗透信息确定各个应用实现错误点所对应的注意力信息，并结合所述各个应用实现错误点所对应的注意力信息确定目标应用实现错误点；
结合所述目标应用实现错误点，对所述数字化在线应用所对应的应用功能实现进程中的程序执行组件进行补丁修复。
2.根据权利要求1所述的应用于AI分析的数字化在线应用处理方法，其特征在于，所述对数字化在线应用的应用异常数据中的目标非受控应用异常活动进行应用实现错误点分析，输出所述目标非受控应用异常活动中的应用实现错误点信息，通过以下步骤实现：
获取所述数字化在线应用在应用功能实现进程中生成的应用于应用实现错误点挖掘任务的应用异常数据，所述应用异常数据包括多个应用异常活动；
利用第一应用异常挖掘模型对所述应用异常数据中的每个应用异常活动进行异常模态挖掘，输出所述每个应用异常活动的异常模态挖掘数据以及所述每个应用异常活动的异常空间图卷积矢量，所述异常模态挖掘数据表征应用异常活动所对应的异常模态；
结合所述每个应用异常活动的异常模态挖掘数据，从所述应用异常数据中获取受控应用异常活动以及M个非受控应用异常活动，所述受控应用异常活动与所述非受控应用异常活动均属于所述应用异常活动，所述M为正整数；
结合所述受控应用异常活动的异常空间图卷积矢量以及每个非受控应用异常活动的异常空间图卷积矢量，输出M个第一矢量相关度量值以及M个第二矢量相关度量值，所述M个第一矢量相关度量值包括所述每个非受控应用异常活动与所述受控应用异常活动之间的第一矢量相关度量值，所述M个第二矢量相关度量值包括所述每个非受控应用异常活动所对应的第二矢量相关度量值，所述矢量相关度量值反映对应的应用异常活动之间的矢量距离；
结合所述M个第一矢量相关度量值以及所述M个第二矢量相关度量值，输出所述每个非受控应用异常活动所对应的参考矢量相关度量值，所述参考矢量相关度量值表示非受控应用异常活动的集中性程度值；
从所述每个非受控应用异常活动所对应的参考矢量相关度量值中获取最大度量值，并将所述最大度量值所对应的非受控应用异常活动作为目标非受控应用异常活动；
利用应用异常决策神经模型对所述目标非受控应用异常活动进行应用异常决策，输出所述目标非受控应用异常活动的应用异常决策信息，所述应用异常决策信息用于确定所述目标非受控应用异常活动中的应用实现错误点信息。
3.根据权利要求2所述的应用于AI分析的数字化在线应用处理方法，其特征在于，所述利用第一应用异常挖掘模型对所述应用异常数据中的每个应用异常活动进行异常模态挖掘，输出所述每个应用异常活动的异常模态挖掘数据以及所述每个应用异常活动的异常空间图卷积矢量，包括：
对应于所述应用异常数据中的所述每个应用异常活动，结合所述第一应用异常挖掘模型中构建的图神经网络分支提取所述每个应用异常活动的异常空间图卷积矢量；
对应于所述每个应用异常活动的异常空间图卷积矢量，结合所述第一应用异常挖掘模型中构建的池化分支提取所述每个应用异常活动的池化特征矢量；
对应于所述每个应用异常活动的池化特征矢量，结合所述第一应用异常挖掘模型中构建的全连接单元获取所述每个应用异常活动的异常模态概率分布；
结合所述每个应用异常活动的异常模态概率分布，输出所述每个应用异常活动的异常模态挖掘数据。
4.根据权利要求2所述的应用于AI分析的数字化在线应用处理方法，其特征在于，所述方法还包括：
获取第二模板应用异常活动数据，所述第二模板应用异常活动数据包括多个第二模板应用异常活动，每个第二模板应用异常活动对应于异常模态先验标定数据；
对应于所述第二模板应用异常活动数据中的每个第二模板应用异常活动，结合所述第一应用异常挖掘模型获取所述每个第二模板应用异常活动所对应的异常模态概率分布；
结合所述每个第二模板应用异常活动所对应的异常模态概率分布以及所述异常模态先验标定数据，输出第二Loss值；
结合所述第二Loss值对所述第一应用异常挖掘模型进行训练。
5.根据权利要求2所述的应用于AI分析的数字化在线应用处理方法，其特征在于，所述获取应用于应用实现错误点挖掘任务的应用异常数据，包括：
获取应用于应用实现错误点挖掘任务的基础应用异常活动数据，所述基础应用异常活动数据包括多个应用异常活动；
利用第二应用异常挖掘模型对所述基础应用异常活动数据中的每个应用异常活动进行特征挖掘，输出所述每个应用异常活动的冲突特征估计数据，所述冲突特征估计数据表征应用异常活动的冲突特征状态；
结合所述每个应用异常活动的冲突特征估计数据，将所述基础应用异常活动数据中冲突特征估计数据属于冲突估计状态的应用异常活动作为所述应用异常数据中的应用异常活动。
6.根据权利要求5所述的应用于AI分析的数字化在线应用处理方法，其特征在于，所述方法还包括：
获取第一模板应用异常活动数据，所述第一模板应用异常活动数据包括多个第一模板应用异常活动，每个第一模板应用异常活动对应于冲突状态先验标定数据；
对应于所述第一模板应用异常活动数据中的每个第一模板应用异常活动，结合所述第二应用异常挖掘模型获取所述每个第一模板应用异常活动所对应的冲突特征学习数据；
结合所述每个第一模板应用异常活动所对应的冲突特征学习数据以及所述冲突状态先验标定数据，输出第一Loss值；
结合所述第一Loss值对所述第二应用异常挖掘模型进行训练。
7.根据权利要求2所述的应用于AI分析的数字化在线应用处理方法，其特征在于，所述结合所述受控应用异常活动的异常空间图卷积矢量以及每个非受控应用异常活动的异常空间图卷积矢量，输出M个第一矢量相关度量值以及M个第二矢量相关度量值，包括：
对所述受控应用异常活动的异常空间图卷积矢量以及所述每个非受控应用异常活动的异常空间图卷积矢量进行类间相关度量值确定，输出所述每个非受控应用异常活动与所述受控应用异常活动之间的第一矢量相关度量值；
对所述每个非受控应用异常活动的异常空间图卷积矢量以及其它各个非受控应用异常活动对应异常空间图卷积矢量进行类内相关度量值确定，输出所述每个非受控应用异常活动所对应的第二矢量相关度量值，所述其它各个非受控应用异常活动为所述M个非受控应用异常活动中除了所述非受控应用异常活动之外的余下非受控应用异常活动；
所述结合所述M个第一矢量相关度量值以及所述M个第二矢量相关度量值，输出所述每个非受控应用异常活动所对应的参考矢量相关度量值，包括：
对应于所述每个非受控应用异常活动，对非受控应用异常活动所对应的第一矢量相关度量值以及第二矢量相关度量值进行加权计算，输出所述非受控应用异常活动所对应的参考矢量相关度量值；
所述对所述受控应用异常活动的异常空间图卷积矢量以及所述每个非受控应用异常活动的异常空间图卷积矢量进行类间相关度量值确定，输出所述每个非受控应用异常活动与所述受控应用异常活动之间的第一矢量相关度量值，包括：
对应于所述每个非受控应用异常活动，将非受控应用异常活动对应异常空间图卷积矢量中的每个图节点卷积矢量，与所述受控应用异常活动对应异常空间图卷积矢量中相对应异常实例的图节点卷积矢量进行矢量距离确定，输出所述非受控应用异常活动与所述受控应用异常活动之间的V个图节点卷积矢量距离，所述V为正整数；
对应于所述每个非受控应用异常活动，对所述非受控应用异常活动与所述受控应用异常活动之间的V个图节点卷积矢量距离进行相关度量值确定，输出所述非受控应用异常活动与所述受控应用异常活动之间的第一矢量相关度量值；
所述对所述每个非受控应用异常活动的异常空间图卷积矢量以及其它各个非受控应用异常活动对应异常空间图卷积矢量进行类内相关度量值确定，输出所述每个非受控应用异常活动所对应的第二矢量相关度量值，包括：
对应于所述每个非受控应用异常活动，将非受控应用异常活动对应异常空间图卷积矢量中的每个图节点卷积矢量，与所述其它各个非受控应用异常活动对应异常空间图卷积矢量中相对应异常实例的图节点卷积矢量进行矢量距离确定，输出所述每个非受控应用异常活动与所述其它各个非受控应用异常活动之间的V个图节点卷积矢量距离，所述V为正整数；
对应于所述每个非受控应用异常活动，对所述非受控应用异常活动与所述其它各个非受控应用异常活动之间的V个图节点卷积矢量距离进行相关度量值确定，输出所述非受控应用异常活动与所述其它各个非受控应用异常活动之间的第一矢量距离；
对应于所述每个非受控应用异常活动，对所述非受控应用异常活动与所述其它各个非受控应用异常活动之间的第一矢量距离进行平均矢量距离确定，输出所述非受控应用异常活动所对应的第二矢量相关度量值；
或者，所述对所述受控应用异常活动的异常空间图卷积矢量以及所述每个非受控应用异常活动的异常空间图卷积矢量进行类间相关度量值确定，输出所述每个非受控应用异常活动与所述受控应用异常活动之间的第一矢量相关度量值，包括：
对所述受控应用异常活动的异常空间图卷积矢量以及所述每个非受控应用异常活动的异常空间图卷积矢量进行矢量距离确定，输出所述每个非受控应用异常活动与所述受控应用异常活动之间的图卷积矢量距离；
对所述受控应用异常活动的异常渗透直方图矢量以及所述每个非受控应用异常活动的异常渗透直方图矢量进行矢量距离确定，输出所述每个非受控应用异常活动与所述受控应用异常活动之间的直方图矢量相关度量值；
对应于所述每个非受控应用异常活动，对非受控应用异常活动与所述受控应用异常活动之间的图卷积矢量距离，以及所述非受控应用异常活动与所述受控应用异常活动之间的直方图矢量相关度量值进行加权计算，输出所述非受控应用异常活动与所述受控应用异常活动之间的第一矢量相关度量值；
所述对所述每个非受控应用异常活动的异常空间图卷积矢量以及其它各个非受控应用异常活动对应异常空间图卷积矢量进行类内相关度量值确定，输出所述每个非受控应用异常活动所对应的第二矢量相关度量值，包括：
结合所述每个非受控应用异常活动的异常空间图卷积矢量，输出所述每个非受控应用异常活动所对应的平均图卷积矢量距离；
结合所述每个非受控应用异常活动的异常渗透直方图矢量，输出所述每个非受控应用异常活动所对应的平均直方图矢量距离；
对应于所述每个非受控应用异常活动，对非受控应用异常活动所对应的平均图卷积矢量距离，以及所述非受控应用异常活动所对应的平均直方图矢量距离进行加权计算，输出所述非受控应用异常活动所对应的第二矢量相关度量值。
8.一种计算机程序产品，包括计算机程序或计算机可执行指令，其特征在于，所述计算机程序或计算机可执行指令被处理器执行时，实现权利要求1-7中任意一项所述的应用于AI分析的数字化在线应用处理方法。
9.一种计算机程序产品，包括计算机程序或计算机可执行指令，其特征在于，所述计算机程序或计算机可执行指令被处理器执行时，实现权利要求1-7中任意一项所述的应用于AI分析的数字化在线应用处理方法。
10.一种AI应用系统，其特征在于，所述AI应用系统包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，所述处理器用于运行所述计算机程序时，执行权利要求1-9中任意一项所述的应用于AI分析的数字化在线应用处理方法。
CN202310497317.XA 2023-05-05 2023-05-05 应用于ai分析的数字化在线应用处理方法及ai应用系统 Pending CN116450187A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310497317.XA CN116450187A (zh) 2023-05-05 2023-05-05 应用于ai分析的数字化在线应用处理方法及ai应用系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310497317.XA CN116450187A (zh) 2023-05-05 2023-05-05 应用于ai分析的数字化在线应用处理方法及ai应用系统

Publications (1)

Publication Number Publication Date
CN116450187A true CN116450187A (zh) 2023-07-18

Family

ID=87123762

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310497317.XA Pending CN116450187A (zh) 2023-05-05 2023-05-05 应用于ai分析的数字化在线应用处理方法及ai应用系统

Country Status (1)

Country Link
CN (1) CN116450187A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109948658A (zh) * 2019-02-25 2019-06-28 浙江工业大学 面向特征图注意力机制的对抗攻击防御方法及应用
CN111177731A (zh) * 2019-12-26 2020-05-19 江苏深度空间信息科技有限公司 一种基于人工神经网络的软件源代码漏洞检测方法
CN112134862A (zh) * 2020-09-11 2020-12-25 国网电力科学研究院有限公司 基于机器学习的粗细粒度混合网络异常检测方法及装置
CN113269103A (zh) * 2021-05-28 2021-08-17 山东大学 基于空间图卷积网络的异常行为检测方法及系统
CN113407951A (zh) * 2021-07-08 2021-09-17 广州市信恒软件技术有限公司 基于人工智能的云服务漏洞修复方法及大数据分析系统
US20220043703A1 (en) * 2020-07-28 2022-02-10 Electronics And Telecommunications Research Institute Method and apparatus for intelligent operation management of infrastructure
CN114531298A (zh) * 2022-03-09 2022-05-24 哈尔滨佰通科技有限公司 基于ai和大数据分析的威胁漏洞预测方法及云端ai系统
CN114692169A (zh) * 2022-04-13 2022-07-01 昆明玖环科技有限公司 应用大数据和ai分析的页面漏洞处理方法及页面服务系统
CN115129591A (zh) * 2022-06-28 2022-09-30 山东大学 面向二进制代码的复现漏洞检测方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109948658A (zh) * 2019-02-25 2019-06-28 浙江工业大学 面向特征图注意力机制的对抗攻击防御方法及应用
CN111177731A (zh) * 2019-12-26 2020-05-19 江苏深度空间信息科技有限公司 一种基于人工神经网络的软件源代码漏洞检测方法
US20220043703A1 (en) * 2020-07-28 2022-02-10 Electronics And Telecommunications Research Institute Method and apparatus for intelligent operation management of infrastructure
CN112134862A (zh) * 2020-09-11 2020-12-25 国网电力科学研究院有限公司 基于机器学习的粗细粒度混合网络异常检测方法及装置
CN113269103A (zh) * 2021-05-28 2021-08-17 山东大学 基于空间图卷积网络的异常行为检测方法及系统
CN113407951A (zh) * 2021-07-08 2021-09-17 广州市信恒软件技术有限公司 基于人工智能的云服务漏洞修复方法及大数据分析系统
CN114531298A (zh) * 2022-03-09 2022-05-24 哈尔滨佰通科技有限公司 基于ai和大数据分析的威胁漏洞预测方法及云端ai系统
CN114692169A (zh) * 2022-04-13 2022-07-01 昆明玖环科技有限公司 应用大数据和ai分析的页面漏洞处理方法及页面服务系统
CN115129591A (zh) * 2022-06-28 2022-09-30 山东大学 面向二进制代码的复现漏洞检测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ABDALLA WASEF MARASHDIH 等: ""Predicting input validation vulnerabilities based on minimal SSA features and machine learning"", 《JOURNAL OF KING SAUD UNIVERSITY - COMPUTER AND INFORMATION SCIENCES》, vol. 34, no. 10, pages 9311 - 9331 *
段旭 等: ""基于代码属性图及注意力双向LSTM的漏洞挖掘方法"", 《软件学报》, pages 3404 - 3420 *

Similar Documents

Publication Publication Date Title
US20230131283A1 (en) Method for generating universal learned model
CN110378488B (zh) 客户端变化的联邦训练方法、装置、训练终端及存储介质
CN111091200A (zh) 训练模型的更新方法、系统、智能体、服务器及存储介质
WO2018157752A1 (en) Approximate random number generator by empirical cumulative distribution function
CN110991658A (zh) 模型训练方法、装置、电子设备和计算机可读存储介质
US10635078B2 (en) Simulation system, simulation method, and simulation program
CN111367317A (zh) 基于贝叶斯学习的无人机集群在线任务规划方法
CN111325417A (zh) 实现隐私保护的多方协同更新业务预测模型的方法及装置
CN110866602A (zh) 一种集成多任务模型的方法和装置
CN109190757B (zh) 任务处理方法、装置、设备及计算机可读存储介质
US20240095529A1 (en) Neural Network Optimization Method and Apparatus
CN113641525A (zh) 变量异常修复方法、设备、介质及计算机程序产品
CN112766402A (zh) 算法选择方法、装置和电子设备
CN111090401B (zh) 存储设备性能预测方法及装置
CN116450187A (zh) 应用于ai分析的数字化在线应用处理方法及ai应用系统
CN116540546A (zh) 工艺控制系统的控制参数的推荐方法、系统、设备和介质
CN114978765A (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
CN114331349A (zh) 一种基于物联网技术的科研项目管理方法及系统
CN110135592B (zh) 分类效果确定方法、装置、智能终端及存储介质
WO2021075009A1 (ja) 学習装置、推定装置、学習方法及び学習プログラム
CN110705437A (zh) 一种基于动态级联回归的人脸关键点检测方法及系统
CN115576205B (zh) 反馈控制方法、通用反馈控制器、训练方法、可读存储介质、计算机程序产品及系统
CN112861951B (zh) 一种图像神经网络参数的确定方法及电子设备
CN112463576B (zh) 云计算性能测试方法、装置、设备及存储介质
CN116528270B (zh) 一种基站节能潜力评估方法、装置、设备及存储介质

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: 20231220

Address after: No. 120 Jiaozi Avenue, Yanjiang District, Ziyang City, Sichuan Province, 641300

Applicant after: Feng Ping

Address before: No. 193 Lidu Street, Huayang Street, Tianfu New District, Chengdu City, Sichuan Province, 610000

Applicant before: Sichuan Lizhi Technology Co.,Ltd.

TA01 Transfer of patent application right