一种基于图神经网络的数据同步方法、装置及存储介质制造方法及图纸

本发明专利技术提出了一种基于图神经网络的数据同步方法、装置及存储介质，该方法包括：使用N个服务器和M个客户端作为图中的节点，使用所述N个服务器与M个客户端之间的传输通道作为图的边，每个服务器中的数据具有数据版本号Snum

【技术实现步骤摘要】
一种基于图神经网络的数据同步方法、装置及存储介质


[0001]本专利技术涉及人工智能及数据处理
，具体涉及一种基于图神经网络的数据同步方法、装置及存储介质。

技术介绍

[0002]服务间数据同步，是软件开发中很常见的问题。在实现的过程中，数据提供方（服务端）、数据接收方（客户端）都面临很多问题。现有技术中一般采用一致性协议、定时等策略进行客户端与服务器之间的数据同步，从而数据同步方式难以定制化。
[0003]现有技术中，也有一些基于人工智能进行数据同步的技术方案，一般采用神经网络进行数据的同步，但该方法难以确定服务端要把数据传给哪个客户端、如何快捷的选择数据传输通道、以及在不同客户端的数据同步起点（时间点）不一致时服务端进行个性化的数据同步。

技术实现思路

[0004]本专利技术针对上述现有技术中一个或多个技术缺陷，提出了如下技术方案。
[0005]一种基于图神经网络的数据同步方法，该方法包括：图构建步骤，使用N个服务器和M个客户端作为图中的节点，使用所述N个服务器与M个客户端之间的传输通道作为图的边，每个服务器中的数据具有数据版本号Snum
i
，每个客户端中的数据具有数据版本号Cnum
j
，所述图用于图神经网络；训练步骤，基于训练样本中的数据版本号优化损失函数，使用优化的损失函数对所述图神经网络进行训练得到训练后的图神经网络；同步步骤，使用训练 后的图神经网络确定M个客户端中的每个客户端的同步策略，基于所述同步策略将客户端中的数据与服务器中的数据进行同步；其中，N≥2、M≥2，N≥i≥1，M≥j≥1；M、N、i、j均为自然数。
[0006]更进一步地，所述数据版本号Snum
i
、数据版本号Cnum
j
分别为数据最近更新的时间值ST
i
、CT
j
。
[0007]更进一步地，在所述图中由服务器作为节点的特征值为：；在所述图中由客户端作为节点的特征值为：CC
j
=max(ST1，S2，
…
，ST
N
)
‑
CT
j
；在所述图中，节点之间的边的权重设置为：所述服务器节点之间边的权重设置为1，所述客户端节点之间边的权重设置为0，所述服务器节点与所述客户端节点之间边的权重设置为：；其中，表示服务器节点i与所述客户端节点j之间传输通道经过其他节点的数
目，表示服务器节点i与所述客户端节点j之间传输通道的历史故障率，、为常数。
[0008]更进一步地，所述服务器节点之间定时的基于所述数据版本号Snum
i
进行服务器之间的数据同步。
[0009]更进一步地，所述同步策略为每个客户端进行同步数据的时间、同步数据源自的服务器和同步数据时的传输通道。
[0010]更进一步地，基于训练样本中的数据版本号优化的损失函数为：;其中，将训练样本集随机划分为两个子训练样本集，第一训练样本子集具有L个训练样本，第二训练样本子集具有Q个训练样本，且L不等于Q，、分别表示第k、p个训练样本中的服务器的数据版本的时间值，、分别表示第k、p个训练样本中的客户端的数据版本的时间值，、表示第k、p个训练样本，、分别表示图神经网络每次训练的输出值，、分别表示与、对应的标签值。
[0011]本专利技术还提出了一种基于图神经网络的数据同步装置，该装置包括：图构建单元，使用N个服务器和M个客户端作为图中的节点，使用所述N个服务器与M个客户端之间的传输通道作为图的边，每个服务器中的数据具有数据版本号Snum
i
，每个客户端中的数据具有数据版本号Cnum
j
，所述图用于图神经网络；训练单元，基于训练样本中的数据版本号优化损失函数，使用优化的损失函数对所述图神经网络进行训练得到训练后的图神经网络；同步单元，使用训练后的图神经网络确定M个客户端中的每个客户端的同步策略，基于所述同步策略将客户端中的所述与服务器中的数据进行同步；其中，N≥2、M≥2，N≥i≥1，M≥j≥1；M、N、i、j均为自然数。
[0012]更进一步地，所述数据版本号Snum
i
、数据版本号Cnum
j
分别为数据最近更新的时间值ST
i
、CT
j
。
[0013]更进一步地，在所述图中由服务器作为节点的特征值为：CS
i
=max(ST1，S2，
…
，ST
N
)
‑
ST
i
；在所述图中由客户端作为节点的特征值为：CC
j
=max(ST1，S2，
…
，ST
N
)
‑
CT
j
；在所述图中，节点之间的边的权重设置为：所述服务器节点之间边的权重设置为1，所述客户端节点之间边的权重设置为0，所述服务器节点与所述客户端节点之间边的权重设置为：；其中，表示服务器节点i与所述客户端节点j之间传输通道经过其他节点的数目，表示服务器节点i与所述客户端节点j之间传输通道的历史故障率，、为常数。
[0014]更进一步地，所述服务器节点之间定时的基于所述数据版本号Snum
i
进行服务器之间的数据同步。
[0015]更进一步地，所述同步策略为每个客户端进行同步数据的时间、同步数据源自的服务器和同步数据时的传输通道。
[0016]更进一步地，基于训练样本中的数据版本号优化的损失函数为：；其中，将训练样本集随机划分为两个子训练样本集，第一训练样本子集具有L个训练样本，第二训练样本子集具有Q个训练样本，且L不等于Q，、分别表示第k、p个训练样本中的服务器的数据版本的时间值，、分别表示第k、p个训练样本中的客户端的数据版本的时间值，、表示第k、p个训练样本，、分别表示图神经网络每次训练的输出值，、分别表示与、对应的标签值。
[0017]本专利技术还提出了一种计算机可读存储介质，所述存储介质上存储有计算机程序代码，当所述计算机程序代码被计算机执行时执行上述之任一的方法。
[0018]本专利技术的技术效果在于：本专利技术的一种基于图神经网络的数据同步方法、装置及存储介质，该方法包括：图构建步骤S101，使用N个服务器和M个客户端作为图中的节点，使用所述N个服务器与M个客户端之间的传输通道作为图的边，每个服务器中的数据具有数据版本号Snum
i
，每个客户端中的数据具有数据版本号Cnum
j
，所述图用于图神经网络；训练步骤S102，基于训练样本中的数据版本号优化损失函数，使用优化的损失函数对所述图神经网络进行训练得到训练后的图神经网络；同步步骤S103，使用训练后的图神经网络确定M个客户端中的每个客户端的同步策略，基于所述同步策略将客户端中的所述与服务器中的数据进行同步。本专利技术中，为解决现有技术中的服务端要把数据传给哪本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络的数据同步方法，其特征在于，该方法包括：图构建步骤，使用N个服务器和M个客户端作为图中的节点，使用所述N个服务器与M个客户端之间的传输通道作为图的边，每个服务器中的数据具有数据版本号Snum
i
，每个客户端中的数据具有数据版本号Cnum
j
，所述图用于图神经网络；训练步骤，基于训练样本中的数据版本号优化损失函数，使用优化的损失函数对所述图神经网络进行训练得到训练后的图神经网络；同步步骤，使用训练后的图神经网络确定M个客户端中的每个客户端的同步策略，基于所述同步策略将客户端中的数据与服务器中的数据进行同步；其中，N≥2、M≥2，N≥i≥1，M≥j≥1；M、N、i、j均为自然数。2.根据权利要求1所述的方法，其特征在于，所述数据版本号Snum
i
、数据版本号Cnum
j
分别为数据最近更新的时间值ST
i
、CT
j
。3.根据权利要求2所述的方法，其特征在于，在所述图中由服务器作为节点的特征值为：CS
i
=max(ST1，S2，
…
，ST
N
)
‑
ST
i
；在所述图中由客户端作为节点的特征值为：CC
j
=max(ST1，S2，
…
，ST
N
)
‑
CT
j
；在所述图中，节点之间的边的权重设置为：所述服务器节点之间边的权重设置为1，所述客户端节点之间边的权重设置为0，所述服务器节点与所述客户端节点之间边的权重设置为：；其中，表示服务器节点i与所述客户端节点j之间传输通道经过其他节点的数目，表示服务器节点i与所述客户端节点j之间传输通道的历史故障率，、为常数。4.根据权利要求3所述的方法，其特征在于，所述服务器节点之间定时的基于所述数据版本号Snum
i
进行服务器之间的数据同步。5.根据权利要求4所述的方法，其特征在于，所述同步策略为每个客户端进行同步数据的时间、同步数据源自的服务器和同步数据时的传输通道，基于训练样本中的数据版本号优化的损失函数为：；其中，表示第k个训练样本中的服务器的数据版本的时间值，表示第k个训练样本中的客户端的数据版本的时间值，L表...

【专利技术属性】
技术研发人员：洪跃宗，
申请(专利权)人：厦门泛卓信息科技有限公司，
类型：发明
国别省市：