机器学习系统、方法及电子设备与流程

技术特征：
1.一种机器学习系统，其特征在于，包括：发布系统以及多个子计算系统，所述多个子计算系统彼此隔离，且对应机器学习模型的不同处理阶段；其中，所述多个子计算系统，用于根据所存储的数据，执行对应的处理阶段中的计算任务；所述发布系统，用于接收任意两个所述子计算系统之间的数据转移请求；当检测到所述数据转移请求满足跨系统数据转移的安全性条件时，授权执行与所述数据转移请求对应的数据转移操作。2.根据权利要求1所述的机器学习系统，其特征在于，所述多个子计算系统，用于通过以下至少之一实现彼此隔离：使用不同的计算资源执行各自的计算任务；使用不同的存储资源存储执行计算任务所需要使用的数据、以及计算任务的结果。3.根据权利要求1所述的机器学习系统，其特征在于，所述多个子计算系统包括离线计算系统、近线计算系统以及在线计算系统；所述离线计算系统，还用于根据所存储的历史数据，执行所述机器学习模型的离线训练计算任务；其中，所述离线训练计算任务包括：基于所述历史数据的特征统计转换、基于特征统计转换得到的历史特征从所述历史数据中抽取历史样本、基于所述历史样本训练所述机器学习模型；所述近线计算系统，还用于根据实时数据执行近线训练计算任务；其中，所述近线训练计算任务包括：基于所述实时数据的特征统计转换、基于特征统计转换得到的实时特征从所述实时数据中抽取实时样本、基于所述实时样本训练所述机器学习模型；所述在线计算系统，还用于响应于实时的预测请求，执行所述机器学习模型的在线预测计算任务，基于得到的预测结果响应所述预测请求。4.根据权利要求3所述的机器学习系统，其特征在于，所述近线计算系统，还用于通过被所述发布系统授权的第一数据转移操作，从所述离线计算系统获取第一数据，并结合所述第一数据以及所述实时数据执行所述近线训练计算任务；其中，所述第一数据包括以下至少之一：在所述离线训练计算任务中计算得到的所述机器学习模型的历史参数，在所述离线训练计算任务中计算得到的所述历史特征。5.根据权利要求4所述的机器学习系统，其特征在于，所述近线计算系统，还用于：将所述历史特征作为实时特征，并根据所述实时特征从所述实时数据中抽取实时样本；基于所述实时样本，对部署所述历史参数的所述机器学习模型进行训练。6.根据权利要求4所述的机器学习系统，其特征在于，所述在线计算系统，还用于通过被所述发布系统授权的第二数据转移操作，从所述近线计算系统获取第二数据，并结合所述第二数据和所存储的待测数据执行所述在线预测计
算任务；其中，所述第二数据包括以下至少之一：在所述近线训练计算任务中计算得到的所述机器学习模型的实时参数，在所述近线训练计算任务中计算得到的所述实时特征。7.根据权利要求6所述的机器学习系统，其特征在于，所述在线计算系统，还用于：根据所述实时特征，从所述待测数据中抽取待测样本；通过部署所述实时参数的所述机器学习模型，对所述待测样本进行预测处理，得到预测结果。8.根据权利要求4所述的机器学习系统，其特征在于，所述近线计算系统，还用于结合第二数据和所存储的待测数据，执行近线预测计算任务，得到预测结果；其中，所述第二数据包括以下至少之一：在所述近线训练计算任务中计算得到的所述机器学习模型的实时参数，在所述近线训练计算任务中计算得到的所述实时特征；所述在线计算系统，还用于响应于实时的预测请求，通过被所述发布系统授权的第三数据转移操作，从所述近线计算系统获取所述预测结果，以响应所述预测请求。9.根据权利要求3所述的机器学习系统，其特征在于，所述离线计算系统，还用于结合第一数据和所存储的待测数据，执行离线预测计算任务，得到预测结果；其中，所述第一数据包括以下至少之一：在所述离线训练计算任务中计算得到的所述机器学习模型的历史参数，在所述离线训练计算任务中计算得到的所述历史特征；所述在线计算系统，还用于响应于实时的预测请求，通过被所述发布系统授权的第四数据转移操作，从所述离线计算系统获取所述预测结果，以响应所述预测请求。10.根据权利要求1至9任一项所述的机器学习系统，其特征在于，所述发布系统，还用于执行以下至少一种处理：当所述数据转移请求对应的待转移数据的类型符合允许转移的类型时，确定所述数据转移请求满足所述安全性条件；其中，所述允许转移的类型包括计算任务的结果；当所述数据转移请求的数据转移时间符合允许进行数据转移的时间区间时，确定所述数据转移请求满足所述安全性条件；当所述数据转移请求的数据转移方向符合设定转移方向时，确定所述数据转移请求满足所述安全性条件。11.根据权利要求1至9任一项所述的机器学习系统，其特征在于，所述子计算系统，还用于对所存储的原始数据进行备份处理，得到备份数据，以当所述原始数据出现错误时，根据所述备份数据进行恢复。12.根据权利要求1至9任一项所述的机器学习系统，其特征在于，所述子计算系统，还用于对所存储的数据中的设定数据进行审计处理，得到包括对所
述设定数据执行的数据访问操作的审计日志，以当所述设定数据出现错误时，根据所述审计日志定位引起所述错误的数据访问操作。13.一种机器学习方法，其特征在于，应用于多个子计算系统，所述多个子计算系统彼此隔离，且对应机器学习模型的不同处理阶段；所述机器学习方法，包括：接收任意两个所述子计算系统之间的数据转移请求；当检测到所述数据转移请求满足跨系统数据转移的安全性条件时，授权执行与所述数据转移请求对应的数据转移操作；其中，所述多个子计算系统用于根据所存储的数据，执行对应的处理阶段中的计算任务。14.一种电子设备，其特征在于，包括：存储器，用于存储可执行指令；处理器，用于执行所述存储器中存储的可执行指令时，实现权利要求13所述的机器学习方法。15.一种计算机可读存储介质，其特征在于，存储有可执行指令，用于被处理器执行时，实现权利要求13所述的机器学习方法。

技术总结
本申请提供了一种机器学习系统、方法、电子设备及计算机可读存储介质；涉及云计算技术领域的数据计算和数据传输；方法包括：接收任意两个子计算系统之间的数据转移请求；当检测到数据转移请求满足跨系统数据转移的安全性条件时，授权执行与数据转移请求对应的数据转移操作；其中，多个子计算系统用于根据所存储的数据，执行对应的处理阶段中的计算任务。通过本申请，能够加强机器学习模型的处理流程的数据安全性。数据安全性。数据安全性。


技术研发人员：李伟 陈守志 苏函晶 洪立涛
受保护的技术使用者：腾讯科技（深圳）有限公司
技术研发日：2020.09.02
技术公布日：2021/10/22