基于人工智能的业务大数据分析方法及服务器技术

本发明专利技术实施例提供的基于人工智能的业务大数据分析方法及服务器，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，并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。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。性。性。

【技术实现步骤摘要】
基于人工智能的业务大数据分析方法及服务器


[0001]本专利技术实施例涉及人工智能及大数据分析
，具体涉及一种基于人工智能的业务大数据分析方法及服务器。

技术介绍

[0002]人工智能（Artificial Intelligence，缩写为AI）是对人的意识、思维过程进行模拟的一门学科。机器学习（Machine Learning）和深度学习（Deep Learning）作为人工智能的技术核心，也已经取得重大的突破，机器被赋予强大的认知和预测能力。基于提供各种实际的业务应用场景的人工智能平台，例如提供电商购物、在线教育等应用场景的人工智能平台，对产生业务数据流通过人工智能技术进行特征检测已经得到了广泛的应用。在基于机器学习的大数据分析及特征检测的实际应用中，无论是学习所用的样本数据还是待检测的数据均可能会产生大量的干扰数据或无用数据，甚至是外部恶意攻击对象特意加入的入侵干扰数据，导致基于机器学习的大数据分析结果不能很好的进行应用或者应用的效果较差等问题。

技术实现思路

[0003]有鉴于此，本专利技术实施例提供了一种基于人工智能的业务大数据分析方法,所述方法包括：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；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，并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。
[0004]本专利技术实施例中，所述根据所述目标业务特征样本集合对预设的防干扰特征检测网络进行机器学习，并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。
[0005]本专利技术实施例还提供一种服务器，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，以实现上述的基于人工智能的业务大数据分析方法。
[0006]本专利技术实施例提供的基于人工智能的业务大数据分析方法及服务器，通过对业务数据流样本进行目标业务特征提取，得到目标业务特征样本集合，然后根据所述目标业务特征样本集合对预设的防干扰特征检测网络进行机器学习，并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。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。
[0007]此外，进一步采用目标业务特征样本集合学习预设目标业务特征网络得到已学习目标业务特征网络并对业务数据流样本集合进行目标业务特征检测得到初始目标业务特征集合，其次采用初始目标业务特征集合学习预设的第一防干扰特征检测网络得到第一目标防干扰特征检测网络并基于联合模型训练策略以及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，这样，可以将第二目标防干扰特征检测网络发送至业务采集终端，从而通过业务采集终端以及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目标特征检测结果，并基于目标特征检测结果确定采集的业务数据流的业务特征信息。基于联合模型训练策略训练得到第二防干扰特征检测网络，由于联合模型训练策略本质上是基于大网络去训练小网络，从而在确保小网络的预测准确性的前提下，避免扩大小网络的参数量。因此，得到的第二防干扰特征检测网络的参数量相对于第一防干扰特征检测网络的参数量有所减少，因而使得第二防干扰特征检测网络可以直接在业务采集终端中运行，以实现业务采集终端上的业务数据流的特征检测，将服务器的检测工作分散在各业务采集终端上实现，可以减少服务器的负担，同时充分发挥各业务采集终端的运算能力。同时，在将第二防干扰特征检测网络部署在业务采集终端时，还可以确保业务采集终端的业务数据流目标特征检测的实时性。
附图说明
[0008]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
[0009]图1是本专利技术实施例提供的一种基于人工智能的业务大数据分析系统的网络架构的结构示意图。
[0010]图2是本专利技术实施例提供的服务器的示意图。
[0011]图3是本专利技术实施例提供的基于人工智能的业务大数据分析方法的流程示意图。
[0012]图4是图3中的步骤S20的子步骤流程示意图。
具体实施方式
[0013]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本专利技术的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0014]下面将结合附图对本专利技术提供的基于人工智能的业务大数据分析方法 及服务器进行详细的介绍。
[0015]请参见图1，图1是本专利技术实施例提供的一种大数据采集系统的网络架构的结构示意图。如图1所示，所述大数据采集系统可以包括服务器100和业务数据终端集群，业务数据终端集群可以包括多个业务数据终端200。所述服务器100与所述业务数据终端200通信连接，用于从所述业务数据终端200采集各业务数据终端200产生的业务数据，实现大数据的采集，并基于采集的业务大数据进行数据分析，已进行相应的应用。这里将不对业务数据终端200的数量进行限制，各业务数据终端200均可以与服务器100进行通信连接，以便于与服务器100之间进行数据交互。
[0016]如图1所示的服务器100可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，也可本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的业务大数据分析方法，其特征在于，应用于与所述业务采集终端通信的服务器，所述方法包括：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；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，并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，所述根据所述目标业务特征样本集合对预设的防干扰特征检测网络进行机器学习，并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。3.根据权利要求2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。4.根据权利要求2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。5.根据权利要求2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。
...

【专利技术属性】
技术研发人员：廖彩红，
申请(专利权)人：廖彩红，
类型：发明
国别省市：