用于大数据分析的人工智能模型机器学习方法及服务器与流程

技术特征：
1.一种用于大数据分析的人工智能模型机器学习方法，其特征在于，应用于与服务器，所述方法包括：针对预先设定的用于进行业务大数据采集的业务数据采集范围中产生的业务数据分别进行时域节点以及空域节点的节点数据采集，得到时空域节点数据；所述时空域节点数据包括所述业务数据采集范围中产生的业务数据对应的时域节点数据和空域节点数据；对所述时空域节点数据进行拓扑融合分析，得到所述业务数据采集范围中的多个业务数据流和所述业务数据流对应的业务特征信息，并根据所述业务数据流和对应的业务特征信息得到业务数据流样本集合；根据所述业务数据流样本集合对预设的防干扰特征检测网络进行机器学习，以通过学习后的防干扰特征检测网络对各业务采集终端采集的业务数据流进行特征检测，得到相应业务数据流的业务特征信息。2.根据权利要求1所述的方法，其特征在于，所述对所述时空域节点数据进行拓扑融合分析，得到所述业务数据采集范围中的多个业务数据流和所述业务数据流对应的业务特征信息包括：分别将所述时空域节点数据中的时域节点数据和空域节点数据形成多个时域数据拓扑分布和多个空域数据拓扑分布；根据时域数据拓扑分布和空域数据拓扑分布之间的业务拓扑关系，对所述业务数据采集范围中产生的各时域数据拓扑分布和各空域数据拓扑分布进行拓扑融合，得到多个拓扑分布融合组；每个拓扑分布融合组中的空域数据拓扑分布分别包括所述业务数据采集范围中的第二空域节点业务数据；将未进行拓扑融合的空域数据拓扑分布确定为待处理空域数据拓扑分布，根据所述待处理空域数据拓扑分布包含的第一空域节点业务数据，获取所述待处理空域数据拓扑分布的第一拓扑分布描述信息；所述第一空域节点业务数据包含于所述业务数据采集范围；根据所述每个拓扑分布融合组包括的第二空域节点业务数据，分别获取所述每个拓扑分布融合组中的空域数据拓扑分布的第二拓扑分布描述信息；获取所述第一拓扑分布描述信息分别与所述每个拓扑分布融合组对应的第二拓扑分布描述信息之间的特征差异；根据所述每个拓扑分布融合组对应的特征差异，确定所述每个拓扑分布融合组中的空域数据拓扑分布分别与所述待处理空域数据拓扑分布之间的拓扑关联参数；统计拓扑关联参数不小于预设关联参数阈值的目标拓扑分布融合组的数量，将所述目标拓扑分布融合组中的时域数据拓扑分布所包含的业务特征信息，确定为与所述待处理空域数据拓扑分布关联的业务特征信息；将与所述待处理空域数据拓扑分布关联的业务特征信息和所述待处理空域数据拓扑分布进行拓扑融合，得到特征拓扑融合组；根据所述特征拓扑融合组和所述多个拓扑分布融合组，确定所述业务数据采集范围中的业务数据流和所述业务数据流对应的业务特征信息。3.根据权利要求1所述的方法，其特征在，所述根据所述业务数据流样本集合对预设的防干扰特征检测网络进行机器学习，以通过学习后的防干扰特征检测网络对各业务采集终端采集的业务数据流进行特征检测，得到相应业务数据流的业务特征信息，包括：
将所述业务数据流样本集合输入预设目标业务特征网络进行机器学习，得到已学习目标业务特征网络；通过所述已学习目标业务特征网络对所述业务数据流样本集合进行目标业务特征检测，得到所述业务数据流样本集合的初始目标业务特征集合；将所述初始目标业务特征集合输入预设的第一防干扰特征检测网络进行机器学习，得到第一目标防干扰特征检测网络；基于联合模型训练策略以及所述第一目标防干扰特征检测网络对预设的第二防干扰特征检测网络进行机器学习，得到第二目标防干扰特征检测网络，使得训练得到的第二目标防干扰特征检测网络的参数量小于第一目标防干扰特征检测网络的参数量；将第二目标防干扰特征检测网络发送至所述业务采集终端，通过所述业务采集终端根据所述第二目标防干扰特征检测网络对采集的业务数据流进行目标特征检测得到所述采集的业务数据流的业务特征信息。4.根据权利要求3所述的方法，其特征在于，将所述初始目标业务特征集合输入预设的第一防干扰特征检测网络进行机器学习，得到第一目标防干扰特征检测网络，包括：采用所述初始目标业务特征集合对预设的第一防干扰特征检测网络进行机器迭代学习，在采用第n次学习得到的第一防干扰特征检测网络对预先确定的测试业务数据进行目标特征检测所得到的目标特征检测结果达到设定条件时，将第n次学习得到的第一防干扰特征检测网络确定为第一目标防干扰特征检测网络。5.根据权利要求3所述的方法，其特征在于，基于联合模型训练策略以及所述第一目标防干扰特征检测网络对预设的第二防干扰特征检测网络进行机器学习，得到第二目标防干扰特征检测网络，包括：基于预设模型训练评价指标以及所述第一目标防干扰特征检测网络对预设的第二防干扰特征检测网络进行机器学习，得到第二目标防干扰特征检测网络；其中，基于预设模型训练评价指标以及所述第一目标防干扰特征检测网络对预设的第二防干扰特征检测网络进行机器学习，得到第二目标防干扰特征检测网络，包括：当第i次学习得到的所述预设模型训练评价指标的取值位于设定数值区间时，将第i次学习得到的第二防干扰特征检测网络确定为第二目标防干扰特征检测网络。6.根据权利要求3所述的方法，其特征在于，通过所述已学习目标业务特征网络对所述业务数据流样本集合进行目标业务特征检测，得到所述业务数据流样本集合的初始目标业务特征集合，包括：针对所述业务数据流样本集合中的每个样本业务数据流，获取该样本业务数据流的数据片段的时空域拓扑分布以及各数据片段的时空域特征；当根据所述数据片段的时空域拓扑分布确定出该样本业务数据流中具有干扰数据区块时，根据该样本业务数据流的干扰数据区块对应的数据片段的时空域特征及其目标特征检测权重确定该样本业务数据流的非干扰数据区块对应的各数据片段的时空域特征与该样本业务数据流的干扰数据区块对应的各数据片段的时空域特征之间的特征差异，并将该样本业务数据流的非干扰数据区块中与干扰数据区块对应的数据片段的时空域特征匹配的数据片段的时空域特征划分到所述干扰数据区块；其中，在该样本业务数据流的当前非干扰数据区块具有多个数据片段的时空域特征时，根据该样本业务数据流的干扰数据区块
对应的数据片段的时空域特征及其目标特征检测权重确定该样本业务数据流的当前非干扰数据区块对应的各数据片段的时空域特征之间的特征差异，并根据所述各数据片段的时空域特征之间的特征差异对当前非干扰数据区块对应的各数据片段的时空域特征进行特征融合；根据该样本业务数据流的干扰数据区块对应的数据片段的时空域特征及其目标特征检测权重为上述特征融合获得的数据片段融合特征配置特征标识，并根据所述特征标识将所述数据片段融合特征划分到所述干扰数据区块；基于该样本业务数据流对应的干扰数据区块中的目标数据片段的时空域特征确定样本业务数据流片段，并将确定出的样本业务数据流片段进行整合得到初始目标业务特征集合；其中，所述样本业务数据流片段为干扰数据对应样本业务数据流片段；其中，所述根据该样本业务数据流的干扰数据区块对应的数据片段的时空域特征及其目标特征检测权重确定该样本业务数据流的非干扰数据区块对应的各数据片段的时空域特征与该样本业务数据流的干扰数据区块对应的各数据片段的时空域特征之间的特征差异，并将该样本业务数据流的非干扰数据区块对应的与干扰数据区块对应的数据片段的时空域特征匹配的数据片段的时空域特征划分到所述干扰数据区块包括：计算该样本业务数据流的非干扰数据区块对应的各数据片段的时空域特征的特征向量与该样本业务数据流的干扰数据区块对应的各数据片段的时空域特征的特征向量之间的关联参数；分别判断计算得到各关联参数是否达到第一设定参数阈值，并将关联参数达到第一设定参数阈值的非干扰数据区块对应的数据片段的时空域特征划分到所述干扰数据区块；其中，所述数据片段的时空域特征的特征向量为：根据该样本业务数据流的干扰数据区块对应的数据片段的时空域特征及其目标特征检测权重统计出的数据片段的时空域特征和特征标识的匹配结果；其中，所述根据该样本业务数据流的干扰数据区块对应的数据片段的时空域特征及其目标特征检测权重确定该样本业务数据流的当前非干扰数据区块对应的各数据片段的时空域特征之间的特征差异，并根据所述各数据片段的时空域特征之间的特征差异对当前非干扰数据区块对应的各数据片段的时空域特征进行特征融合包括：计算该样本业务数据流的当前非干扰数据区块对应的各数据片段的时空域特征的特征向量之间的关联参数；针对该样本业务数据流的当前非干扰数据区块对应的一个数据片段的时空域特征，将该数据片段的时空域特征和与其特征向量之间的关联参数达到第二设定参数阈值的所有数据片段的时空域特征进行特征融合得到一数据片段融合特征序列。7.根据权利要求4所述的方法，其特征在于，通过所述业务采集终端根据所述第二目标防干扰特征检测网络对采集的业务数据流进行目标特征检测得到所述采集的业务数据流的业务特征信息，包括：通过所述业务采集终端基于所述第二目标防干扰特征检测网络提取采集的业务数据流的目标区块对应的待识别数据流特征；其中，所述目标区块是所述采集的业务数据流不具有干扰数据的区块；获取所述业务采集终端发送的所述待识别数据流特征；在预设存储空间中获取与所述待识别数据流特征匹配的目标业务特征信息，将所述目标业务特征信息确定为所述采集的业务数据流的业务特征信息。
8.根据权利要求7所述的方法，其特征在于，在预设存储空间中获取与所述待识别数据流特征匹配的目标业务特征信息，包括：对所述待识别数据流特征进行分解，得到多个子数据流特征；获取多个子数据流特征的空域特征描述信息，以及所述多个子数据流特征在当前目标特征检测时刻之前的m个连续目标特征检测时刻对应的m个待定特征描述序列，其中，每一目标特征检测时刻的待定特征描述序列包括所述子数据流特征在多个特征标识类别下的待定特征描述；分别获取各子数据流特征的m个待定特征描述序列中每一待定特征描述序列对应的特征识别度偏移量序列；其中，每一特征识别度偏移量序列包括所述子数据流特征在多个特征标识类别下的特征识别度偏移量，每一特征识别度偏移量表示一个特征标识类别下当前特征识别度与偏移特征识别度之间的偏移量；利用已学习的特征识别度调整网络，根据各子数据流特征的空域特征描述信息与m个待定特征描述序列对应的m个特征识别度偏移量序列，获取各子数据流特征在当前目标特征检测时刻的特征识别度偏移量；其中，所述特征识别度调整网络为预先利用多个网络学习样本学习得到，每一网络学习样本包括一个子数据流特征的空域特征描述信息以及m 1个连续目标特征检测时刻的特征识别度偏移量序列；所述特征识别度偏移量表示子数据流特征的当前特征识别度与偏移特征识别度之间的偏移量；通过各子数据流特征在当前目标特征检测时刻的特征识别度偏移量分别对各子数据流特征的当前特征识别度进行调整；根据各子数据流特征调整后的当前特征识别度，从所述多个子数据流特征中确定目标子数据流特征，根据所述目标子数据流特征对所述待识别数据流特征进行特征组合，得到用于进行数据特征分析的待分析特征；在预设存储空间中获取与所述待分析特征的特征差异最小的预存数据流特征，并确定与所述预存数据流特征的关联业务特征信息为所述待识别数据流特征匹配的目标业务特征信息；其中，所述特征识别度调整网络是通过如下学习过程学习得到的：从网络学习样本库中获取大量的网络学习样本；通过获取的网络学习样本，按照设定的学习参数对所述特征识别度调整网络进行多次以下学习过程：根据所述空域特征描述信息以及m 1个连续目标特征检测时刻中前m个目标特征检测时刻的特征识别度偏移量序列，通过所述特征识别度调整网络，获取每一网络学习样本的子数据流特征在第m 1个目标特征检测时刻的特征识别度偏移量；根据所述网络学习样本的子数据流特征在第m 1个目标特征检测时刻的特征识别度偏移量，与所述网络学习样本中第m 1个目标特征检测时刻的特征识别度偏移量序列，获取所述特征识别度调整网络的网络评估指数；根据所述网络评估指数确定是否继续对所述特征识别度调整网络进行学习；若确定继续对所述特征识别度调整网络进行学习，则修改所述特征识别度调整网络的网络参数，并通过修改后的所述特征识别度调整网络继续下一次学习过程。9.一种服务器，其特征在于，包括处理器和存储器，所述处理器执行所述存储器中存储的计算机程序，以实现权利要求1
‑
8任一项所述的方法。

技术总结
本发明实施例提供的用于大数据分析的人工智能模型机器学习方法及服务器，通过获取针对数据采集范围预先进行业务大数据采集得到的多个业务数据流样本，得到业务数据流样本集合，然后根据所述业务数据流样本集合对预设的防干扰特征检测网络进行机器学习，使得学习后的防干扰特征检测网络可用于对各业务采集终端采集的业务数据流进行特征检测，得到相应业务数据流的业务特征信息。如此，能够尽可能减少干扰数据对采集的业务数据流的目标特征检测准确性的影响，从而提高业务数据流目标特征检测的准确性。检测的准确性。检测的准确性。


技术研发人员：廖彩红
受保护的技术使用者：廖彩红
技术研发日：2021.01.20
技术公布日：2021/11/4