基于隔离沙箱的网关任务执行方法、装置、设备及介质与流程

摘要: 本发明涉及人工智能,特别涉及基于隔离沙箱的网关任务执行方法、装置、设备及介质。背景技术:1、随着大语言模型(llm,largelanguagemodel)技术的...
基于隔离沙箱的网关任务执行方法、装置、设备及介质与流程

本发明涉及人工智能,特别涉及基于隔离沙箱的网关任务执行方法、装置、设备及介质。

背景技术:

1、随着大语言模型(llm,large language model)技术的快速发展,基于llm的智能体(agent)系统在各行业得到广泛应用,这类系统通过自然语言理解与生成能力,能够自动执行代码编写、数据分析、系统运维等复杂任务。例如,将智能体引入到数据库修复这类复杂任务的自动化处理中,由智能体根据数据库的状态自动生成修复指令,以替代或辅助人工完成数据库修复。

2、现有agent系统通常采用直接执行模式,即llm生成的代码或指令直接在宿主机或共享环境中运行,一旦模型产生幻觉生成错误指令,极易造成文件系统破坏、业务数据污染或宿主机资源耗尽。在安全隔离方面,部分系统采用基于docker的容器化部署,但主要用于服务部署隔离而非执行过程隔离,无法阻断异常指令对运行环境的破坏。

3、同时,现有智能体系统的效果评价多依赖文本语义判断或逻辑校验,缺乏物理级的真实验证依据,常出现逻辑判定正确但实际物理执行失败的情况,无法为智能体优化提供真实可靠的反馈信号。并且现有系统主要依赖人工介入进行错误修正和数据标注,数据生成效率低,成本高昂,无法实现自动化闭环学习。因此,如何在保证任务执行安全的前提下,基于真实反馈实现智能体的自动化自强化,是本领域亟待解决的技术问题。

技术实现思路

1、有鉴于此,本发明的目的在于提供基于隔离沙箱的网关任务执行方法、装置、设备及介质,由于沙箱实例与宿主机隔离,且基于沙箱实例前后状态变化优化智能体,能够更安全地完成目标任务。其具体方案如下:

2、第一方面,本技术提供了一种基于隔离沙箱的网关任务执行方法,应用于目标设备,包括:

3、利用所述目标设备的调度网关接收目标任务请求,基于所述目标任务请求生成相应的任务上下文张量,并在所述目标设备中构建与所述任务上下文张量对应的沙箱实例,以及基于所述沙箱实例的当前状态生成初始状态矩阵;所述沙箱实例为基于虚拟化技术构建的与所在宿主机隔离的执行环境,且所述沙箱实例中存在第一智能体节点和第二智能体节点;

4、基于所述任务上下文张量,通过挂载于所述第一智能体节点的策略网络根据所述沙箱实例的当前状态生成任务执行动作序列,并利用所述第二智能体节点生成所述任务执行动作序列对应的异常测试负载;

5、在所述沙箱实例中并发执行所述任务执行动作序列与所述异常测试负载,监测所述沙箱实例内的运行状态,并在并发执行结束后,生成所述沙箱实例的结束状态矩阵;

6、基于所述初始状态矩阵和所述结束状态矩阵生成状态差分矩阵,基于所述状态差分矩阵生成相应的标量奖励值,并基于所述标量奖励值优化所述第一智能体节点的策略网络参数,直至所述第一智能体节点满足预设优化条件后,利用优化后的第一智能体节点生成目标任务执行策略,以基于所述目标任务执行策略执行所述目标任务请求对应的目标任务。

7、可选的,所述在所述目标设备中构建与所述任务上下文张量对应的沙箱实例,以及基于所述沙箱实例的当前状态生成初始状态矩阵,包括:

8、基于虚拟化技术构建与所述宿主机隔离的所述沙箱实例;所述沙箱实例在内核层通过命名空间机制及联合文件系统实现与所述宿主机的物理隔离;

9、确定所述沙箱实例的当前状态对应的状态快照,并基于所述状态快照生成所述初始状态矩阵;

10、其中,所述初始状态矩阵包括存储资源状态特征、内存运行状态特征以及网络通信状态特征;所述存储资源状态特征用于表征沙箱内持久化存储数据的结构与完整性,所述内存运行状态特征用于表征沙箱内存空间的运行时状态,所述网络通信状态特征用于表征沙箱的网络连接行为状态。

11、可选的,所述监测所述沙箱实例内的运行状态,包括:

12、利用预设探针阵列采集所述沙箱实例的运行状态数据,并基于所述运行状态数据确定所述运行状态;

13、其中,所述预设探针阵列基于挂载于操作系统内核层的扩展伯克利包过滤器探针、进程追踪监控器以及系统调用拦截器构建。

14、可选的,所述基于所述初始状态矩阵和所述结束状态矩阵生成状态差分矩阵,包括:

15、对所述结束状态矩阵与所述初始状态矩阵执行矩阵相减操作,得到所述状态差分矩阵;

16、其中,所述状态差分矩阵包含文件系统变更维度、进程运行维度、网络行为维度的差分数据。

17、可选的,所述基于所述状态差分矩阵生成相应的标量奖励值,包括:

18、确定所述运行状态中的进程退出码,在所述进程退出码的值为零,且所述状态差分矩阵中与所述目标任务对应的目标分量满足任务目标判定条件时,基于所述目标分量对应的数据和预设正交权重因子生成正向标量奖励值;

19、在所述运行状态中存在用于表征异常退出或非法系统调用的目标标志时,基于预设代价函数和惩罚基数生成负向标量奖励值。

20、可选的,在所述基于所述标量奖励值优化所述第一智能体节点的策略网络参数的过程中,所述方法还包括:

21、在所述第一智能体节点执行异常,且所述标量奖励值低于预设奖励阈值时,确定所述沙箱实例当前的底层错误堆栈及系统调用回溯路径,并基于所述底层错误堆栈和所述系统调用回溯路径进行反编译,得到结构化提示向量;

22、基于所述结构化提示向量与目标日志生成纠错数据,并将所述纠错数据输入所述第一智能体节点,以执行所述第一智能体节点的优化;所述目标日志为所述第一智能体节点执行异常之前的预设时间窗口内的内存快照日志。

23、可选的,所述优化所述第一智能体节点的策略网络参数,包括:

24、记录所述第一智能体节点的迭代过程数据,并基于所述迭代过程数据生成相应的经验元组;所述经验元组包括所述沙箱实例的当前时刻状态、当前时刻执行的动作、当前时刻获得的标量奖励值以及下一时刻状态;

25、将所述经验元组存储至预设经验池,在所述预设经验池中的数据量满足预设数据量阈值时,基于所述预设经验池中的数据更新所述第一智能体节点的所述策略网络参数。

26、第二方面,本技术提供了一种基于隔离沙箱的网关任务执行装置,应用于目标设备,包括:

27、实例构建模块,包括调度网关,用于接收目标任务请求,基于所述目标任务请求生成相应的任务上下文张量,并在所述目标设备中构建与所述任务上下文张量对应的沙箱实例,以及基于所述沙箱实例的当前状态生成初始状态矩阵;所述沙箱实例为基于虚拟化技术构建的与所在宿主机隔离的执行环境,且所述沙箱实例中存在第一智能体节点和第二智能体节点;

28、任务生成模块,用于基于所述任务上下文张量,通过挂载于所述第一智能体节点的策略网络根据所述沙箱实例的当前状态生成任务执行动作序列,并利用所述第二智能体节点生成所述任务执行动作序列对应的异常测试负载;

29、状态监测模块,用于在所述沙箱实例中并发执行所述任务执行动作序列与所述异常测试负载,监测所述沙箱实例内的运行状态,并在并发执行结束后,生成所述沙箱实例的结束状态矩阵;

30、智能体优化模块,用于基于所述初始状态矩阵和所述结束状态矩阵生成状态差分矩阵,基于所述状态差分矩阵生成相应的标量奖励值,并基于所述标量奖励值优化所述第一智能体节点的策略网络参数,直至所述第一智能体节点满足预设优化条件后,利用优化后的第一智能体节点生成目标任务执行策略,以基于所述目标任务执行策略执行所述目标任务请求对应的目标任务。

31、第三方面,本技术提供了一种电子设备,所述电子设备包括处理器和存储器;其中,所述存储器用于存储计算机程序,所述计算机程序由所述处理器加载并执行以实现前述的基于隔离沙箱的网关任务执行方法。

32、第四方面,本技术提供了一种计算机可读存储介质,用于保存计算机程序,所述计算机程序被处理器执行时实现前述的基于隔离沙箱的网关任务执行方法。

33、本技术可以基于调度网关接收到的目标任务请求生成相应的任务上下文张量,构建与任务上下文张量对应的沙箱实例,并基于沙箱实例的当前状态生成初始状态矩阵;其中,沙箱实例为基于虚拟化技术构建的与宿主机隔离的执行环境,且沙箱实例中存在第一智能体节点和第二智能体节点;然后基于任务上下文张量,通过挂载于第一智能体节点的策略网络根据沙箱实例的当前状态生成任务执行动作序列,并利用第二智能体节点生成任务执行动作序列对应的异常测试负载,之后在沙箱实例中并发执行任务执行动作序列与异常测试负载,监测沙箱实例内的运行状态,并在并发执行结束后,生成沙箱实例的结束状态矩阵,进而基于初始状态矩阵和结束状态矩阵生成状态差分矩阵,并基于状态差分矩阵生成相应的标量奖励值,以及基于标量奖励值优化第一智能体节点的策略网络参数,直至第一智能体节点满足预设优化条件后,利用优化后的第一智能体节点生成目标任务执行策略,以基于目标任务执行策略执行目标任务请求对应的目标任务。

34、基于上述技术方案,本技术的沙箱实例为基于虚拟化技术构建的、与宿主机相隔离的执行环境,因此第一智能体节点所生成的任务执行动作序列在该隔离的沙箱实例中执行,不直接作用于宿主机,因此即使第一智能体节点生成错误的或破坏性的任务执行动作序列,也不会对宿主机造成损坏,从而保证了任务执行过程的安全性,避免了获得目标任务执行策略的过程中的试错风险。具体的,本技术中可以基于沙箱实例执行前后的初始状态矩阵与结束状态矩阵生成状态差分矩阵,并进一步生成标量奖励值,因此对第一智能体节点所生成任务执行动作序列的评价依据来源于沙箱实例执行前后真实状态的变化,而非对任务执行动作序列文本本身的判断,能够客观反映任务执行动作序列在沙箱实例中实际执行后的真实效果,为第一智能体节点的优化提供了可靠的奖励信号;同时由于在沙箱实例中并发执行第一智能体节点生成的任务执行动作序列与第二智能体节点生成的相应异常测试负载,并基于并发执行后得到的状态差分矩阵生成标量奖励值以优化第一智能体节点,使得第一智能体节点在优化过程中需应对第二智能体节点所施加的异常干扰,从而促使优化后的第一智能体节点所生成的任务执行策略在面对异常、并发等干扰情况时具有更强的稳定性。并且整个优化过程依据对沙箱实例内运行状态的监测自动完成,无需人工标注反馈数据或人工介入纠错,从而实现闭环优化,提高了任务执行策略的生成与优化效率,降低了人工成本,能够更安全、可靠地完成相应的任务。