CN117632905B - 基于云端使用记录的数据库管理方法及系统 - Google Patents
基于云端使用记录的数据库管理方法及系统 Download PDFInfo
- Publication number
- CN117632905B CN117632905B CN202311606378.1A CN202311606378A CN117632905B CN 117632905 B CN117632905 B CN 117632905B CN 202311606378 A CN202311606378 A CN 202311606378A CN 117632905 B CN117632905 B CN 117632905B
- Authority
- CN
- China
- Prior art keywords
- interaction
- data
- management
- behavior
- request
- 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.)
- Active
Links
- 238000007726 management method Methods 0.000 title claims abstract description 176
- 230000003993 interaction Effects 0.000 claims abstract description 173
- 238000012549 training Methods 0.000 claims abstract description 113
- 238000000034 method Methods 0.000 claims abstract description 17
- 230000006399 behavior Effects 0.000 claims description 176
- 238000003062 neural network model Methods 0.000 claims description 30
- 230000002452 interceptive effect Effects 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 11
- 230000000694 effects Effects 0.000 abstract description 6
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于云端使用记录的数据库管理方法及系统,该方法包括:获取目标数据库在历史时间段被多个历史云端设备访问的多个历史交互记录;根据所述多个历史交互记录,训练得到所述目标数据库对应的行为预测算法模型;接收目标云端设备发送的对所述目标数据库的访问请求,根据所述访问请求的请求参数,以及所述行为预测算法模型,预测所述目标云端设备对应的预测交互行为;根据所述预测交互行为,以及预设的行为和策略的对应关系,确定所述目标数据库的管理策略。可见,本发明能够有效提高数据库管理和交互的智能化程度,提高交互效率和效果。
Description
技术领域
本发明涉及数据库技术领域,尤其涉及一种基于云端使用记录的数据库管理方法及系统。
背景技术
数据处理设备性能的发展,以及数字化技术的发展,让数据库中的数据量和数据复杂程度有了很大的提升,对于数据库的管理技术手段也提出了更高的技术要求。
但现有技术在实现数据库的管理时,没有充分考虑到对数据库的历史交互记录进行预测模型的训练以及对新的访问请求进行行为预测,因此显然现有技术实现的数据库管理方案的智能化程度有所欠缺。可见,现有技术存在缺陷,亟需解决。
发明内容
本发明所要解决的技术问题在于,提供一种基于云端使用记录的数据库管理方法及系统,能够有效提高数据库管理和交互的智能化程度,提高交互效率和效果。
为了解决上述技术问题,本发明第一方面公开了一种基于云端使用记录的数据库管理方法,所述方法包括:
获取目标数据库在历史时间段被多个历史云端设备访问的多个历史交互记录;
根据所述多个历史交互记录,训练得到所述目标数据库对应的行为预测算法模型;
接收目标云端设备发送的对所述目标数据库的访问请求,根据所述访问请求的请求参数,以及所述行为预测算法模型,预测所述目标云端设备对应的预测交互行为;
根据所述预测交互行为,以及预设的行为和策略的对应关系,确定所述目标数据库的管理策略。
作为一种可选的实施方式,在本发明第一方面中,所述历史交互记录包括交互设备信息、交互行为、交互时间、交互场景和交互设备环境;和/或,所述请求参数包括请求设备信息、请求时间、请求场景和请求设备环境。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述多个历史交互记录,训练得到所述目标数据库对应的行为预测算法模型,包括:
将每一所述历史交互记录中的交互设备信息和交互时间作为第一训练输入数据,将每一所述历史交互记录中的交互设备信息和交互场景作为第二训练输入数据,将每一所述历史交互记录中的交互设备信息和交互设备环境作为第三训练输入数据,将每一所述历史交互记录中的交互行为作为训练输出数据;
根据所述第一训练输入数据和所述训练输出数据,对预设的神经网络模型进行训练直至收敛,得到所述目标数据库对应的第一行为预测算法模型;
根据所述第二训练输入数据和所述训练输出数据,对预设的神经网络模型进行训练直至收敛,得到所述目标数据库对应的第二行为预测算法模型;
根据所述第三训练输入数据和所述训练输出数据,对预设的神经网络模型进行训练直至收敛,得到所述目标数据库对应的第三行为预测算法模型。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述访问请求的请求参数,以及所述行为预测算法模型,预测所述目标云端设备对应的预测交互行为,包括:
根据所述访问请求的请求参数中的数据类型和数据完整度,确定所述访问请求对应的预测模型集合;所述预测模型集合中包括所述第一行为预测算法模型、所述第二行为预测算法模型和所述第三行为预测算法模型中的至少一个;
将所述请求参数中的对应数据类型的数据,输入至所述预测模型集合中的每一预测算法模型中,以得到所述请求参数对应的多个输出预测交互行为和对应的预测概率;
将所述多个输出预测交互行为中出现次数最多或合计预测概率最高的交互行为,确定为所述目标云端设备对应的预测交互行为。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述访问请求的请求参数中的数据类型和数据完整度,确定所述访问请求对应的预测模型集合,包括:
获取所述访问请求的请求参数中的所有参数数据;
根据每一所述参数数据的数据类型,确定所述请求参数对应的数据类型集合;所述数据类型为请求设备信息、请求时间、请求场景或请求设备环境;
将每一所述参数数据,输入至对应的数据类型所对应的数据完整度判断神经网络模型中,以得到每一所述参数数据对应的数据完整度参数;所述数据完整度判断神经网络模型通过包括有多个同一所述对应的数据类型的训练参数数据和对应的完整度标注的训练数据集训练得到;
计算所述数据类型集合中的每一所述数据类型对应的所有所述参数数据的所述数据完整度参数的平均值,得到每一所述数据类型对应的完整度权重;
将所述数据类型集合中的所述完整度权重小于预设的权重阈值的所述数据类型进行剔除,并判断:
当所述数据类型集合中的剩余的数据类型中包括请求时间时,确定所述访问请求对应的预测模型集合中包括所述第一行为预测算法模型;
当所述数据类型集合中的剩余的数据类型中包括请求场景时,确定所述访问请求对应的预测模型集合中包括所述第二行为预测算法模型;
当所述数据类型集合中的剩余的数据类型中包括请求设备环境时,确定所述访问请求对应的预测模型集合中包括所述第三行为预测算法模型。
作为一种可选的实施方式,在本发明第一方面中,所述目标云端设备包括多个目标云端设备;所述根据所述预测交互行为,以及预设的行为和策略的对应关系,确定所述目标数据库的管理策略,包括:
根据同一时间段接收的所述多个目标云端设备的多个访问请求对应的多个预测交互行为,以及预设的行为和策略的对应关系,确定所述目标数据库的多个管理策略;所述管理策略包括数据库接口准备策略、数据库数据访问权限策略、数据库数据展示准备策略和数据库数据加密策略中的至少一种;
根据所述目标数据库的多个管理策略,以及每一所述目标云端设备对应的设备优先级,基于动态规划算法模型,确定所述目标数据库对应的管理策略执行策略;所述管理策略执行策略用于限定任一所述管理策略的执行顺序和执行与否。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述目标数据库的多个管理策略,以及每一所述目标云端设备对应的设备优先级,基于动态规划算法模型,确定所述目标数据库对应的管理策略执行策略,包括:
确定目标函数为管理策略执行策略中的执行的管理策略的数量最多;
确定限制条件包括所述管理策略执行策略中任意两个先后执行的管理策略不符合预设的连续执行矛盾规则、所述管理策略执行策略中对应的所述目标云端设备的设备优先级越高的管理策略的执行顺序越靠前以及所述管理策略执行策略中任意两个管理策略不符合预设的策略矛盾规则;其中,所述连续执行矛盾规则用于限定任意两个管理策略连续执行会导致数据库错误的规则,所述策略矛盾规则用于限定任意两个管理策略的策略参数之间存在矛盾的规则;
根据所述目标函数和所述限制条件,基于动态规划算法,对所述目标数据库的多个管理策略进行演算直至最优,以得到所述目标数据库对应的管理策略执行策略。
本发明第二方面公开了一种基于云端使用记录的数据库管理系统,所述系统包括:
获取模块,用于获取目标数据库在历史时间段被多个历史云端设备访问的多个历史交互记录;
训练模块,用于根据所述多个历史交互记录,训练得到所述目标数据库对应的行为预测算法模型;
预测模块,用于接收目标云端设备发送的对所述目标数据库的访问请求,根据所述访问请求的请求参数,以及所述行为预测算法模型,预测所述目标云端设备对应的预测交互行为;
确定模块,用于根据所述预测交互行为,以及预设的行为和策略的对应关系,确定所述目标数据库的管理策略。
作为一种可选的实施方式,在本发明第二方面中,所述历史交互记录包括交互设备信息、交互行为、交互时间、交互场景和交互设备环境;和/或,所述请求参数包括请求设备信息、请求时间、请求场景和请求设备环境。
作为一种可选的实施方式,在本发明第二方面中,所述训练模块根据所述多个历史交互记录,训练得到所述目标数据库对应的行为预测算法模型的具体方式,包括:
将每一所述历史交互记录中的交互设备信息和交互时间作为第一训练输入数据,将每一所述历史交互记录中的交互设备信息和交互场景作为第二训练输入数据,将每一所述历史交互记录中的交互设备信息和交互设备环境作为第三训练输入数据,将每一所述历史交互记录中的交互行为作为训练输出数据;
根据所述第一训练输入数据和所述训练输出数据,对预设的神经网络模型进行训练直至收敛,得到所述目标数据库对应的第一行为预测算法模型;
根据所述第二训练输入数据和所述训练输出数据,对预设的神经网络模型进行训练直至收敛,得到所述目标数据库对应的第二行为预测算法模型;
根据所述第三训练输入数据和所述训练输出数据,对预设的神经网络模型进行训练直至收敛,得到所述目标数据库对应的第三行为预测算法模型。
作为一种可选的实施方式,在本发明第二方面中,所述预测模块根据所述访问请求的请求参数,以及所述行为预测算法模型,预测所述目标云端设备对应的预测交互行为的具体方式,包括:
根据所述访问请求的请求参数中的数据类型和数据完整度,确定所述访问请求对应的预测模型集合;所述预测模型集合中包括所述第一行为预测算法模型、所述第二行为预测算法模型和所述第三行为预测算法模型中的至少一个;
将所述请求参数中的对应数据类型的数据,输入至所述预测模型集合中的每一预测算法模型中,以得到所述请求参数对应的多个输出预测交互行为和对应的预测概率;
将所述多个输出预测交互行为中出现次数最多或合计预测概率最高的交互行为,确定为所述目标云端设备对应的预测交互行为。
作为一种可选的实施方式,在本发明第二方面中,所述预测模块根据所述访问请求的请求参数中的数据类型和数据完整度,确定所述访问请求对应的预测模型集合的具体方式,包括:
获取所述访问请求的请求参数中的所有参数数据;
根据每一所述参数数据的数据类型,确定所述请求参数对应的数据类型集合;所述数据类型为请求设备信息、请求时间、请求场景或请求设备环境;
将每一所述参数数据,输入至对应的数据类型所对应的数据完整度判断神经网络模型中,以得到每一所述参数数据对应的数据完整度参数;所述数据完整度判断神经网络模型通过包括有多个同一所述对应的数据类型的训练参数数据和对应的完整度标注的训练数据集训练得到;
计算所述数据类型集合中的每一所述数据类型对应的所有所述参数数据的所述数据完整度参数的平均值,得到每一所述数据类型对应的完整度权重;
将所述数据类型集合中的所述完整度权重小于预设的权重阈值的所述数据类型进行剔除,并判断:
当所述数据类型集合中的剩余的数据类型中包括请求时间时,确定所述访问请求对应的预测模型集合中包括所述第一行为预测算法模型;
当所述数据类型集合中的剩余的数据类型中包括请求场景时,确定所述访问请求对应的预测模型集合中包括所述第二行为预测算法模型;
当所述数据类型集合中的剩余的数据类型中包括请求设备环境时,确定所述访问请求对应的预测模型集合中包括所述第三行为预测算法模型。
作为一种可选的实施方式,在本发明第二方面中,所述目标云端设备包括多个目标云端设备;所述确定模块根据所述预测交互行为,以及预设的行为和策略的对应关系,确定所述目标数据库的管理策略的具体方式,包括:
根据同一时间段接收的所述多个目标云端设备的多个访问请求对应的多个预测交互行为,以及预设的行为和策略的对应关系,确定所述目标数据库的多个管理策略;所述管理策略包括数据库接口准备策略、数据库数据访问权限策略、数据库数据展示准备策略和数据库数据加密策略中的至少一种;
根据所述目标数据库的多个管理策略,以及每一所述目标云端设备对应的设备优先级,基于动态规划算法模型,确定所述目标数据库对应的管理策略执行策略;所述管理策略执行策略用于限定任一所述管理策略的执行顺序和执行与否。
作为一种可选的实施方式,在本发明第二方面中,所述确定模块根据所述目标数据库的多个管理策略,以及每一所述目标云端设备对应的设备优先级,基于动态规划算法模型,确定所述目标数据库对应的管理策略执行策略的具体方式,包括:
确定目标函数为管理策略执行策略中的执行的管理策略的数量最多;
确定限制条件包括所述管理策略执行策略中任意两个先后执行的管理策略不符合预设的连续执行矛盾规则、所述管理策略执行策略中对应的所述目标云端设备的设备优先级越高的管理策略的执行顺序越靠前以及所述管理策略执行策略中任意两个管理策略不符合预设的策略矛盾规则;其中,所述连续执行矛盾规则用于限定任意两个管理策略连续执行会导致数据库错误的规则,所述策略矛盾规则用于限定任意两个管理策略的策略参数之间存在矛盾的规则;
根据所述目标函数和所述限制条件,基于动态规划算法,对所述目标数据库的多个管理策略进行演算直至最优,以得到所述目标数据库对应的管理策略执行策略。
本发明第三方面公开了另一种基于云端使用记录的数据库管理系统,所述系统包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明第一方面公开的基于云端使用记录的数据库管理方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行本发明第一方面公开的基于云端使用记录的数据库管理方法中的部分或全部步骤。
与现有技术相比,本发明具有以下有益效果:
本发明能够利用对数据库在历史时间段的交互记录进行分析训练以得到行为预测算法模型,并通过算法模型对新的访问请求进行行为预测以确定管理策略,从而能够有效提高数据库管理和交互的智能化程度,提高交互效率和效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种基于云端使用记录的数据库管理方法的流程示意图;
图2是本发明实施例公开的一种基于云端使用记录的数据库管理系统的结构示意图;
图3是本发明实施例公开的另一种基于云端使用记录的数据库管理系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
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”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或端没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于云端使用记录的数据库管理方法及系统,能够利用对数据库在历史时间段的交互记录进行分析训练以得到行为预测算法模型,并通过算法模型对新的访问请求进行行为预测以确定管理策略,从而能够有效提高数据库管理和交互的智能化程度,提高交互效率和效果。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种基于云端使用记录的数据库管理方法的流程示意图。其中,图1所描述的方法可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中,且该服务器可以是本地服务器,也可以是云服务器,本发明实施例不做限定如图1所示,该基于云端使用记录的数据库管理方法可以包括以下操作:
101、获取目标数据库在历史时间段被多个历史云端设备访问的多个历史交互记录。
可选的,历史交互记录包括交互设备信息、交互行为、交互时间、交互场景和交互设备环境。
102、根据多个历史交互记录,训练得到目标数据库对应的行为预测算法模型。
103、接收目标云端设备发送的对目标数据库的访问请求,根据访问请求的请求参数,以及行为预测算法模型,预测目标云端设备对应的预测交互行为。
可选的,请求参数包括请求设备信息、请求时间、请求场景和请求设备环境。
104、根据预测交互行为,以及预设的行为和策略的对应关系,确定目标数据库的管理策略。
可见,实施本发明实施例所描述的方法能够利用对数据库在历史时间段的交互记录进行分析训练以得到行为预测算法模型,并通过算法模型对新的访问请求进行行为预测以确定管理策略,从而能够有效提高数据库管理和交互的智能化程度,提高交互效率和效果。
作为一种可选的实施例,上述步骤中的,根据多个历史交互记录,训练得到目标数据库对应的行为预测算法模型,包括:
将每一历史交互记录中的交互设备信息和交互时间作为第一训练输入数据,将每一历史交互记录中的交互设备信息和交互场景作为第二训练输入数据,将每一历史交互记录中的交互设备信息和交互设备环境作为第三训练输入数据,将每一历史交互记录中的交互行为作为训练输出数据;
根据第一训练输入数据和训练输出数据,对预设的神经网络模型进行训练直至收敛,得到目标数据库对应的第一行为预测算法模型;
根据第二训练输入数据和训练输出数据,对预设的神经网络模型进行训练直至收敛,得到目标数据库对应的第二行为预测算法模型;
根据第三训练输入数据和训练输出数据,对预设的神经网络模型进行训练直至收敛,得到目标数据库对应的第三行为预测算法模型。
具体的,本发明中的预测算法模型均可以为CNN结构、RNN结构或LTSM结构的神经网络模型,并通过相应的梯度下降算法进行训练和参数更新直至收敛,操作人员可以根据实际的数据特性和预测场景来选择,本发明不作限定。
通过上述实施例,能够实现通过将历史交互记录中的不同数据进行组合形成不同的训练数据来训练得到可以用于根据不同数据参数进行行为预测的多个行为预测算法模型,从而能够在后续能够提高行为预测的精度,以便于确定管理策略,能够有效提高数据库管理和交互的智能化程度。
作为一种可选的实施例,上述步骤中的,根据访问请求的请求参数,以及行为预测算法模型,预测目标云端设备对应的预测交互行为,包括:
根据访问请求的请求参数中的数据类型和数据完整度,确定访问请求对应的预测模型集合;预测模型集合中包括第一行为预测算法模型、第二行为预测算法模型和第三行为预测算法模型中的至少一个;
将请求参数中的对应数据类型的数据,输入至预测模型集合中的每一预测算法模型中,以得到请求参数对应的多个输出预测交互行为和对应的预测概率;
将多个输出预测交互行为中出现次数最多或合计预测概率最高的交互行为,确定为目标云端设备对应的预测交互行为。
通过上述实施例,能够实现根据访问请求的请求参数中的数据类型和数据完整度,确定访问请求对应的预测模型集合以用于预测得到多个输出预测交互行为和对应的预测概率,再进一步确定目标云端设备对应的预测交互行为,从而能够提高行为预测的精度,以便于确定管理策略,能够有效提高数据库管理和交互的智能化程度。
作为一种可选的实施例,上述步骤中的,根据访问请求的请求参数中的数据类型和数据完整度,确定访问请求对应的预测模型集合,包括:
获取访问请求的请求参数中的所有参数数据;
根据每一参数数据的数据类型,确定请求参数对应的数据类型集合;数据类型为请求设备信息、请求时间、请求场景或请求设备环境;
将每一参数数据,输入至对应的数据类型所对应的数据完整度判断神经网络模型中,以得到每一参数数据对应的数据完整度参数;数据完整度判断神经网络模型通过包括有多个同一对应的数据类型的训练参数数据和对应的完整度标注的训练数据集训练得到;
计算数据类型集合中的每一数据类型对应的所有参数数据的数据完整度参数的平均值,得到每一数据类型对应的完整度权重;
将数据类型集合中的完整度权重小于预设的权重阈值的数据类型进行剔除,并判断:
当数据类型集合中的剩余的数据类型中包括请求时间时,确定访问请求对应的预测模型集合中包括第一行为预测算法模型;
当数据类型集合中的剩余的数据类型中包括请求场景时,确定访问请求对应的预测模型集合中包括第二行为预测算法模型;
当数据类型集合中的剩余的数据类型中包括请求设备环境时,确定访问请求对应的预测模型集合中包括第三行为预测算法模型。
通过上述实施例,能够实现根据对应的数据类型所对应的数据完整度判断神经网络模型来判断数据完整度,并以此对数据类型进行剔除,并根据预设的判断规则对剩余的数据类型进行判断以确定预测模型集合,从而能够更准确地确定出用于行为预测的模型,以提高行为预测的精度,便于后续确定管理策略,能够有效提高数据库管理和交互的智能化程度。
作为一种可选的实施例,目标云端设备包括多个目标云端设备,从而能够实现对多个目标云端设备的访问请求进行同时的预测和计算。相应的,上述步骤中的,根据预测交互行为,以及预设的行为和策略的对应关系,确定目标数据库的管理策略,包括:
根据同一时间段接收的多个目标云端设备的多个访问请求对应的多个预测交互行为,以及预设的行为和策略的对应关系,确定目标数据库的多个管理策略;管理策略包括数据库接口准备策略、数据库数据访问权限策略、数据库数据展示准备策略和数据库数据加密策略中的至少一种;
根据目标数据库的多个管理策略,以及每一目标云端设备对应的设备优先级,基于动态规划算法模型,确定目标数据库对应的管理策略执行策略;管理策略执行策略用于限定任一管理策略的执行顺序和执行与否。
通过上述实施例,能够实现预设的行为和策略的对应关系,确定目标数据库的多个管理策略,并基于动态规划算法模型,确定目标数据库对应的管理策略执行策略,从而能够根据多个云端设备的访问更准确地确定出管理策略以及执行策略,能够有效提高数据库管理和交互的智能化程度。
作为一种可选的实施例,上述步骤中的,根据目标数据库的多个管理策略,以及每一目标云端设备对应的设备优先级,基于动态规划算法模型,确定目标数据库对应的管理策略执行策略,包括:
确定目标函数为管理策略执行策略中的执行的管理策略的数量最多;
确定限制条件包括管理策略执行策略中任意两个先后执行的管理策略不符合预设的连续执行矛盾规则、管理策略执行策略中对应的目标云端设备的设备优先级越高的管理策略的执行顺序越靠前以及管理策略执行策略中任意两个管理策略不符合预设的策略矛盾规则;其中,连续执行矛盾规则用于限定任意两个管理策略连续执行会导致数据库错误的规则,策略矛盾规则用于限定任意两个管理策略的策略参数之间存在矛盾的规则;
根据目标函数和限制条件,基于动态规划算法,对目标数据库的多个管理策略进行演算直至最优,以得到目标数据库对应的管理策略执行策略。
通过上述实施例,能够实现根据目标函数和限制条件,基于动态规划算法确定目标数据库对应的管理策略执行策略,从而能够根据多个云端设备的访问更准确地确定出管理策略以及执行策略,能够有效提高数据库管理和交互的智能化程度。
实施例二
请参阅图2,图2是本发明实施例公开的一种基于云端使用记录的数据库管理系统的结构示意图。其中,图2所描述的系统可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中,且该服务器可以是本地服务器,也可以是云服务器,本发明实施例不做限定。如图2所示,该系统可以包括:
获取模块201,用于获取目标数据库在历史时间段被多个历史云端设备访问的多个历史交互记录;
训练模块202,用于根据多个历史交互记录,训练得到目标数据库对应的行为预测算法模型;
预测模块203,用于接收目标云端设备发送的对目标数据库的访问请求,根据访问请求的请求参数,以及行为预测算法模型,预测目标云端设备对应的预测交互行为;
确定模块204,用于根据预测交互行为,以及预设的行为和策略的对应关系,确定目标数据库的管理策略。
作为一种可选的实施例,历史交互记录包括交互设备信息、交互行为、交互时间、交互场景和交互设备环境;和/或,请求参数包括请求设备信息、请求时间、请求场景和请求设备环境。
作为一种可选的实施例,训练模块202根据多个历史交互记录,训练得到目标数据库对应的行为预测算法模型的具体方式,包括:
将每一历史交互记录中的交互设备信息和交互时间作为第一训练输入数据,将每一历史交互记录中的交互设备信息和交互场景作为第二训练输入数据,将每一历史交互记录中的交互设备信息和交互设备环境作为第三训练输入数据,将每一历史交互记录中的交互行为作为训练输出数据;
根据第一训练输入数据和训练输出数据,对预设的神经网络模型进行训练直至收敛,得到目标数据库对应的第一行为预测算法模型;
根据第二训练输入数据和训练输出数据,对预设的神经网络模型进行训练直至收敛,得到目标数据库对应的第二行为预测算法模型;
根据第三训练输入数据和训练输出数据,对预设的神经网络模型进行训练直至收敛,得到目标数据库对应的第三行为预测算法模型。
作为一种可选的实施例,预测模块203根据访问请求的请求参数,以及行为预测算法模型,预测目标云端设备对应的预测交互行为的具体方式,包括:
根据访问请求的请求参数中的数据类型和数据完整度,确定访问请求对应的预测模型集合;预测模型集合中包括第一行为预测算法模型、第二行为预测算法模型和第三行为预测算法模型中的至少一个;
将请求参数中的对应数据类型的数据,输入至预测模型集合中的每一预测算法模型中,以得到请求参数对应的多个输出预测交互行为和对应的预测概率;
将多个输出预测交互行为中出现次数最多或合计预测概率最高的交互行为,确定为目标云端设备对应的预测交互行为。
作为一种可选的实施例,预测模块203根据访问请求的请求参数中的数据类型和数据完整度,确定访问请求对应的预测模型集合的具体方式,包括:
获取访问请求的请求参数中的所有参数数据;
根据每一参数数据的数据类型,确定请求参数对应的数据类型集合;数据类型为请求设备信息、请求时间、请求场景或请求设备环境;
将每一参数数据,输入至对应的数据类型所对应的数据完整度判断神经网络模型中,以得到每一参数数据对应的数据完整度参数;数据完整度判断神经网络模型通过包括有多个同一对应的数据类型的训练参数数据和对应的完整度标注的训练数据集训练得到;
计算数据类型集合中的每一数据类型对应的所有参数数据的数据完整度参数的平均值,得到每一数据类型对应的完整度权重;
将数据类型集合中的完整度权重小于预设的权重阈值的数据类型进行剔除,并判断:
当数据类型集合中的剩余的数据类型中包括请求时间时,确定访问请求对应的预测模型集合中包括第一行为预测算法模型;
当数据类型集合中的剩余的数据类型中包括请求场景时,确定访问请求对应的预测模型集合中包括第二行为预测算法模型;
当数据类型集合中的剩余的数据类型中包括请求设备环境时,确定访问请求对应的预测模型集合中包括第三行为预测算法模型。
作为一种可选的实施例,目标云端设备包括多个目标云端设备;确定模块204根据预测交互行为,以及预设的行为和策略的对应关系,确定目标数据库的管理策略的具体方式,包括:
根据同一时间段接收的多个目标云端设备的多个访问请求对应的多个预测交互行为,以及预设的行为和策略的对应关系,确定目标数据库的多个管理策略;管理策略包括数据库接口准备策略、数据库数据访问权限策略、数据库数据展示准备策略和数据库数据加密策略中的至少一种;
根据目标数据库的多个管理策略,以及每一目标云端设备对应的设备优先级,基于动态规划算法模型,确定目标数据库对应的管理策略执行策略;管理策略执行策略用于限定任一管理策略的执行顺序和执行与否。
作为一种可选的实施例,确定模块204根据目标数据库的多个管理策略,以及每一目标云端设备对应的设备优先级,基于动态规划算法模型,确定目标数据库对应的管理策略执行策略的具体方式,包括:
确定目标函数为管理策略执行策略中的执行的管理策略的数量最多;
确定限制条件包括管理策略执行策略中任意两个先后执行的管理策略不符合预设的连续执行矛盾规则、管理策略执行策略中对应的目标云端设备的设备优先级越高的管理策略的执行顺序越靠前以及管理策略执行策略中任意两个管理策略不符合预设的策略矛盾规则;其中,连续执行矛盾规则用于限定任意两个管理策略连续执行会导致数据库错误的规则,策略矛盾规则用于限定任意两个管理策略的策略参数之间存在矛盾的规则;
根据目标函数和限制条件,基于动态规划算法,对目标数据库的多个管理策略进行演算直至最优,以得到目标数据库对应的管理策略执行策略。
本发明实施例中的模块细节和技术效果可以参照实施例一中的表述,在此不再赘述。
实施例三
请参阅图3,图3是本发明实施例公开的另一种基于云端使用记录的数据库管理系统的结构示意图。如图3所示,该系统可以包括:
存储有可执行程序代码的存储器301;
与存储器301耦合的处理器302;
处理器302调用存储器301中存储的可执行程序代码,执行本发明实施例一公开的基于云端使用记录的数据库管理方法中的部分或全部步骤。
实施例四
本发明实施例公开了一种计算机存储介质,该计算机存储介质存储有计算机指令,该计算机指令被调用时,用于执行本发明实施例一公开的基于云端使用记录的数据库管理方法中的部分或全部步骤。
以上所描述的系统实施例仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种基于云端使用记录的数据库管理方法及系统所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (6)
1.一种基于云端使用记录的数据库管理方法,其特征在于,所述方法包括:
获取目标数据库在历史时间段被多个历史云端设备访问的多个历史交互记录;所述历史交互记录包括交互设备信息、交互行为、交互时间、交互场景和交互设备环境;
根据所述多个历史交互记录,训练得到所述目标数据库对应的行为预测算法模型;所述根据所述多个历史交互记录,训练得到所述目标数据库对应的行为预测算法模型,包括:
将每一所述历史交互记录中的交互设备信息和交互时间作为第一训练输入数据,将每一所述历史交互记录中的交互设备信息和交互场景作为第二训练输入数据,将每一所述历史交互记录中的交互设备信息和交互设备环境作为第三训练输入数据,将每一所述历史交互记录中的交互行为作为训练输出数据;
根据所述第一训练输入数据和所述训练输出数据,对预设的神经网络模型进行训练直至收敛,得到所述目标数据库对应的第一行为预测算法模型;
根据所述第二训练输入数据和所述训练输出数据,对预设的神经网络模型进行训练直至收敛,得到所述目标数据库对应的第二行为预测算法模型;
根据所述第三训练输入数据和所述训练输出数据,对预设的神经网络模型进行训练直至收敛,得到所述目标数据库对应的第三行为预测算法模型;
接收目标云端设备发送的对所述目标数据库的访问请求,根据所述访问请求的请求参数,以及所述行为预测算法模型,预测所述目标云端设备对应的预测交互行为;所述请求参数包括请求设备信息、请求时间、请求场景和请求设备环境;所述根据所述访问请求的请求参数,以及所述行为预测算法模型,预测所述目标云端设备对应的预测交互行为,包括:
根据所述访问请求的请求参数中的数据类型和数据完整度,确定所述访问请求对应的预测模型集合;所述预测模型集合中包括所述第一行为预测算法模型、所述第二行为预测算法模型和所述第三行为预测算法模型中的至少一个;
将所述请求参数中的对应数据类型的数据,输入至所述预测模型集合中的每一预测算法模型中,以得到所述请求参数对应的多个输出预测交互行为和对应的预测概率;
将所述多个输出预测交互行为中出现次数最多或合计预测概率最高的交互行为,确定为所述目标云端设备对应的预测交互行为;
根据所述预测交互行为,以及预设的行为和策略的对应关系,确定所述目标数据库的管理策略;所述目标云端设备包括多个目标云端设备;所述根据所述预测交互行为,以及预设的行为和策略的对应关系,确定所述目标数据库的管理策略,包括:
根据同一时间段接收的所述多个目标云端设备的多个访问请求对应的多个预测交互行为,以及预设的行为和策略的对应关系,确定所述目标数据库的多个管理策略;所述管理策略包括数据库接口准备策略、数据库数据访问权限策略、数据库数据展示准备策略和数据库数据加密策略中的至少一种;
根据所述目标数据库的多个管理策略,以及每一所述目标云端设备对应的设备优先级,基于动态规划算法模型,确定所述目标数据库对应的管理策略执行策略;所述管理策略执行策略用于限定任一所述管理策略的执行顺序和执行与否。
2.根据权利要求1所述的基于云端使用记录的数据库管理方法,其特征在于,所述根据所述访问请求的请求参数中的数据类型和数据完整度,确定所述访问请求对应的预测模型集合,包括:
获取所述访问请求的请求参数中的所有参数数据;
根据每一所述参数数据的数据类型,确定所述请求参数对应的数据类型集合;所述数据类型为请求设备信息、请求时间、请求场景或请求设备环境;
将每一所述参数数据,输入至对应的数据类型所对应的数据完整度判断神经网络模型中,以得到每一所述参数数据对应的数据完整度参数;所述数据完整度判断神经网络模型通过包括有多个同一所述对应的数据类型的训练参数数据和对应的完整度标注的训练数据集训练得到;
计算所述数据类型集合中的每一所述数据类型对应的所有所述参数数据的所述数据完整度参数的平均值,得到每一所述数据类型对应的完整度权重;
将所述数据类型集合中的所述完整度权重小于预设的权重阈值的所述数据类型进行剔除,并判断:
当所述数据类型集合中的剩余的数据类型中包括请求时间时,确定所述访问请求对应的预测模型集合中包括所述第一行为预测算法模型;
当所述数据类型集合中的剩余的数据类型中包括请求场景时,确定所述访问请求对应的预测模型集合中包括所述第二行为预测算法模型;
当所述数据类型集合中的剩余的数据类型中包括请求设备环境时,确定所述访问请求对应的预测模型集合中包括所述第三行为预测算法模型。
3.根据权利要求1所述的基于云端使用记录的数据库管理方法,其特征在于,所述根据所述目标数据库的多个管理策略,以及每一所述目标云端设备对应的设备优先级,基于动态规划算法模型,确定所述目标数据库对应的管理策略执行策略,包括:
确定目标函数为管理策略执行策略中的执行的管理策略的数量最多;
确定限制条件包括所述管理策略执行策略中任意两个先后执行的管理策略不符合预设的连续执行矛盾规则、所述管理策略执行策略中对应的所述目标云端设备的设备优先级越高的管理策略的执行顺序越靠前以及所述管理策略执行策略中任意两个管理策略不符合预设的策略矛盾规则;其中,所述连续执行矛盾规则用于限定任意两个管理策略连续执行会导致数据库错误的规则,所述策略矛盾规则用于限定任意两个管理策略的策略参数之间存在矛盾的规则;
根据所述目标函数和所述限制条件,基于动态规划算法,对所述目标数据库的多个管理策略进行演算直至最优,以得到所述目标数据库对应的管理策略执行策略。
4.一种基于云端使用记录的数据库管理系统,其特征在于,所述系统包括:
获取模块,用于获取目标数据库在历史时间段被多个历史云端设备访问的多个历史交互记录;所述历史交互记录包括交互设备信息、交互行为、交互时间、交互场景和交互设备环境;
训练模块,用于根据所述多个历史交互记录,训练得到所述目标数据库对应的行为预测算法模型;所述训练模块根据所述多个历史交互记录,训练得到所述目标数据库对应的行为预测算法模型,包括:
将每一所述历史交互记录中的交互设备信息和交互时间作为第一训练输入数据,将每一所述历史交互记录中的交互设备信息和交互场景作为第二训练输入数据,将每一所述历史交互记录中的交互设备信息和交互设备环境作为第三训练输入数据,将每一所述历史交互记录中的交互行为作为训练输出数据;
根据所述第一训练输入数据和所述训练输出数据,对预设的神经网络模型进行训练直至收敛,得到所述目标数据库对应的第一行为预测算法模型;
根据所述第二训练输入数据和所述训练输出数据,对预设的神经网络模型进行训练直至收敛,得到所述目标数据库对应的第二行为预测算法模型;
根据所述第三训练输入数据和所述训练输出数据,对预设的神经网络模型进行训练直至收敛,得到所述目标数据库对应的第三行为预测算法模型;
预测模块,用于接收目标云端设备发送的对所述目标数据库的访问请求,根据所述访问请求的请求参数,以及所述行为预测算法模型,预测所述目标云端设备对应的预测交互行为;所述请求参数包括请求设备信息、请求时间、请求场景和请求设备环境;所述预测模块根据所述访问请求的请求参数,以及所述行为预测算法模型,预测所述目标云端设备对应的预测交互行为,包括:
根据所述访问请求的请求参数中的数据类型和数据完整度,确定所述访问请求对应的预测模型集合;所述预测模型集合中包括所述第一行为预测算法模型、所述第二行为预测算法模型和所述第三行为预测算法模型中的至少一个;
将所述请求参数中的对应数据类型的数据,输入至所述预测模型集合中的每一预测算法模型中,以得到所述请求参数对应的多个输出预测交互行为和对应的预测概率;
将所述多个输出预测交互行为中出现次数最多或合计预测概率最高的交互行为,确定为所述目标云端设备对应的预测交互行为;
确定模块,用于根据所述预测交互行为,以及预设的行为和策略的对应关系,确定所述目标数据库的管理策略;所述目标云端设备包括多个目标云端设备;所述确定模块根据所述预测交互行为,以及预设的行为和策略的对应关系,确定所述目标数据库的管理策略,包括:
根据同一时间段接收的所述多个目标云端设备的多个访问请求对应的多个预测交互行为,以及预设的行为和策略的对应关系,确定所述目标数据库的多个管理策略;所述管理策略包括数据库接口准备策略、数据库数据访问权限策略、数据库数据展示准备策略和数据库数据加密策略中的至少一种;
根据所述目标数据库的多个管理策略,以及每一所述目标云端设备对应的设备优先级,基于动态规划算法模型,确定所述目标数据库对应的管理策略执行策略;所述管理策略执行策略用于限定任一所述管理策略的执行顺序和执行与否。
5.一种基于云端使用记录的数据库管理系统,其特征在于,所述系统包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-3任一项所述的基于云端使用记录的数据库管理方法。
6.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行如权利要求1-3任一项所述的基于云端使用记录的数据库管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311606378.1A CN117632905B (zh) | 2023-11-28 | 2023-11-28 | 基于云端使用记录的数据库管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311606378.1A CN117632905B (zh) | 2023-11-28 | 2023-11-28 | 基于云端使用记录的数据库管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117632905A CN117632905A (zh) | 2024-03-01 |
CN117632905B true CN117632905B (zh) | 2024-05-17 |
Family
ID=90028207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311606378.1A Active CN117632905B (zh) | 2023-11-28 | 2023-11-28 | 基于云端使用记录的数据库管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117632905B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105653725A (zh) * | 2016-01-22 | 2016-06-08 | 湖南大学 | 基于条件随机场的mysql数据库强制访问控制自适应优化方法 |
CN109615128A (zh) * | 2018-12-05 | 2019-04-12 | 重庆锐云科技有限公司 | 房地产客户成交概率预测方法、装置及服务器 |
CN110674181A (zh) * | 2019-10-12 | 2020-01-10 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置、电子设备及计算机可读存储介质 |
US10740437B1 (en) * | 2017-07-28 | 2020-08-11 | Express Scripts Strategic Development, Inc. | Systems and methods for predictive data analytics |
CN111932308A (zh) * | 2020-08-13 | 2020-11-13 | 中国工商银行股份有限公司 | 数据推荐方法、装置和设备 |
CN113205871A (zh) * | 2021-02-10 | 2021-08-03 | 云南财经大学 | 基于模糊信任预测和回归分析的医疗数据访问控制模型 |
CN114840660A (zh) * | 2022-05-25 | 2022-08-02 | 中国平安财产保险股份有限公司 | 业务推荐模型训练方法、装置、设备及存储介质 |
CN116662333A (zh) * | 2023-05-19 | 2023-08-29 | 华能澜沧江水电股份有限公司 | 一种用于新能源设备的数据访问管理方法、系统 |
CN116861331A (zh) * | 2023-06-16 | 2023-10-10 | 四川三闲人网络科技有限公司 | 一种融合专家模型决策的数据识别方法及系统 |
CN116894653A (zh) * | 2023-08-16 | 2023-10-17 | 广州红海云计算股份有限公司 | 一种基于多预测模型联动的人事管理数据处理方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220103589A1 (en) * | 2020-09-29 | 2022-03-31 | Equifax Inc. | Predicting data tampering using augmented machine learning models |
US20220108167A1 (en) * | 2020-10-07 | 2022-04-07 | Commvault Systems, Inc. | Artificial intelligence-based information management system performance metric prediction |
-
2023
- 2023-11-28 CN CN202311606378.1A patent/CN117632905B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105653725A (zh) * | 2016-01-22 | 2016-06-08 | 湖南大学 | 基于条件随机场的mysql数据库强制访问控制自适应优化方法 |
US10740437B1 (en) * | 2017-07-28 | 2020-08-11 | Express Scripts Strategic Development, Inc. | Systems and methods for predictive data analytics |
CN109615128A (zh) * | 2018-12-05 | 2019-04-12 | 重庆锐云科技有限公司 | 房地产客户成交概率预测方法、装置及服务器 |
CN110674181A (zh) * | 2019-10-12 | 2020-01-10 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置、电子设备及计算机可读存储介质 |
CN111932308A (zh) * | 2020-08-13 | 2020-11-13 | 中国工商银行股份有限公司 | 数据推荐方法、装置和设备 |
CN113205871A (zh) * | 2021-02-10 | 2021-08-03 | 云南财经大学 | 基于模糊信任预测和回归分析的医疗数据访问控制模型 |
CN114840660A (zh) * | 2022-05-25 | 2022-08-02 | 中国平安财产保险股份有限公司 | 业务推荐模型训练方法、装置、设备及存储介质 |
CN116662333A (zh) * | 2023-05-19 | 2023-08-29 | 华能澜沧江水电股份有限公司 | 一种用于新能源设备的数据访问管理方法、系统 |
CN116861331A (zh) * | 2023-06-16 | 2023-10-10 | 四川三闲人网络科技有限公司 | 一种融合专家模型决策的数据识别方法及系统 |
CN116894653A (zh) * | 2023-08-16 | 2023-10-17 | 广州红海云计算股份有限公司 | 一种基于多预测模型联动的人事管理数据处理方法及系统 |
Non-Patent Citations (3)
Title |
---|
基于环境感知技术的智能家居控制系统关键技术研发及应用;彭永坚;科技成果;20190111;全文 * |
装备保障中基于信任和预测的访问控制模型;熊海涛;刘鲁;张继春;施慧斌;;系统工程与电子技术;20110215(02);全文 * |
面向移动环境的数据存储管理方法关键技术研究;曾文英;信息科技;20120615;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117632905A (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111950810B (zh) | 一种基于自演化预训练的多变量时间序列预测方法和设备 | |
CN116910707B (zh) | 基于设备历史记录的模型版权管理方法及系统 | |
CN113268641B (zh) | 基于大数据的用户数据处理方法及大数据服务器 | |
CN115729796A (zh) | 基于人工智能的异常操作分析方法及大数据应用系统 | |
CN112365033A (zh) | 一种风电功率区间预测方法、系统及存储介质 | |
CN108228879A (zh) | 一种数据更新方法、存储介质和智能设备 | |
CN115130894A (zh) | 基于人工智能的生产规划方法、装置、计算机设备及介质 | |
CN110489142A (zh) | 设备软件升级的评估方法及装置、存储介质、终端 | |
CN114661994A (zh) | 基于人工智能的用户兴趣数据处理方法、系统及云平台 | |
CN117632905B (zh) | 基于云端使用记录的数据库管理方法及系统 | |
CN116910274A (zh) | 基于知识图谱和预测模型的试题生成方法及系统 | |
CN110704614B (zh) | 对应用中的用户群类型进行预测的信息处理方法及装置 | |
CN112953920A (zh) | 一种基于云手机的监控管理方法 | |
CN112346995B (zh) | 一种基于银行业的测试风险预估模型的构建方法及装置 | |
CN112905987B (zh) | 账号识别方法、装置、服务器及存储介质 | |
CN117235873B (zh) | 基于历史工作记录的智慧家居布局方法及系统 | |
CN117201502B (zh) | 基于人工智能的智能云服务器接入方法及系统 | |
CN117216505B (zh) | 基于智慧家居使用记录的用户习惯预测方法及系统 | |
CN117615359A (zh) | 基于多种规则引擎的蓝牙数据传输方法及系统 | |
CN117523638B (zh) | 基于优先级筛选的人脸识别方法及系统 | |
CN116993297B (zh) | 基于电子会议记录的任务数据生成方法及系统 | |
CN117170873B (zh) | 基于人工智能的资源池管理方法及系统 | |
CN114785545A (zh) | 结合大数据ai分析的威胁态势分析方法及威胁感知系统 | |
CN117520819A (zh) | 基于数据波形特征的算法推荐方法、装置、设备及介质 | |
CN114513431A (zh) | 网络性能指标预测方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |