本发明专利技术公开一种基于知识图谱的网站性能拨测度量方法和装置，包括：步骤1、构建基于网络拨测的知识图谱；步骤2、根据所述知识图谱，采用基于图卷积网络的网站性能智能推理，实现网站性能拨测度量。采用本发明专利技术的技术方案，通过知识图谱推理当前网站的各个性能指标，得出具有强解释性的评估报告。具有强解释性的评估报告。具有强解释性的评估报告。
【技术实现步骤摘要】
一种基于知识图谱的网站性能拨测度量方法和装置
[0001]本专利技术属于互联网
，尤其涉及一种基于知识图谱的网站性能拨测度量方法和装置。
技术介绍
[0002]随着信息技术的发展和相关需求的高涨，互联网上的网站数量飞速增长。然而，许多网站出于运营成本、管理意识等各方面原因，没有做好网站的安全防护工作、网站的性能也得不到保证。若网站存在严重的性能问题没有解决，将可能导致用户无法访问、数据丢失等一系列问题，这值得引起重视。
[0003]目前能够影响网站性能的方式有很多，如拒绝服务攻击(Denial of Service,DoS)、DNS劫持、DNS污染等。传统方式对于网站的性能度量和检测往往基于一套固定的程序和模块，需要人工干预。传统方式极度依赖于经验，带有较强的主观性，且灵活性和鲁棒性较差，容易受单个或少量因素的影响。因此，如何度量、从哪些方面度量网站的性能是目前急迫要解决的问题。
技术实现思路
[0004]本专利技术要解决的技术问题是，提供一种基于知识图谱的网站性能拨测度量方法和装置。
[0005]为实现上述目的，本专利技术采用如下的技术方案：
[0006]一种基于知识图谱的网站性能拨测度量方法，包括以下步骤：
[0007]步骤1、构建基于网络拨测的知识图谱
[0008]步骤2、根据所述知识图谱，采用基于图卷积网络的网站性能智能推理，实现网站性能拨测度量。
[0009]作为优选，步骤1具体包括：
[0010]步骤11、采用网络拨测方式得到关于网站性能的结构化数据、半结构化数据、非结构化数据；
[0011]步骤12、对所述网站性能半结构化数据和非结构化数据进行知识抽取；
[0012]步骤13、对知识抽取的结果进行实体对齐、实体消歧、属性对齐，以修正网站性能知识库内的知识。
[0013]作为优选，所述知识抽取包含实体抽取、关系抽取和属性抽取。
[0014]作为优选，步骤12中，采用基于文本卷积神经网络进行关系抽取，所述文本卷积神经网络由一个卷积层、一个池化层和一个全连接层构成，具体包括：
[0015]步骤121、对网站性能的半结构化数据和非结构化数据进行预处理，将数据中的每个单词转化为一个k维词向量；对于一个包含n个单词的网站性能半结构化数据或非结构化数据，采用一个n*k的矩阵表示，并将n*k的矩阵作为文本卷积神经网络的输入；
[0016]步骤122、通过卷积层对输入的n*k的网站性能数据矩阵提取高维语义特征，卷积
计算的公式为：
[0017][0018]其中，N是神经网络中每层的层号，L
(N)
是N第层所输入的特征向量，L
(N+1)
是第N层所输出的特征向量，W
(N)
是第N层神经网络的权值向量，B
(N)
是第N层的偏置向量；
[0019]步骤123、对高维语义特征通过最大池化约减特征图的维度，将池化后的特征与最后一层的m个分类神经元进行全连接，得到一个m维向量；使用Softmax函数对m维向量进行计算，得到m个类别分别对应的概率值，取概率值最大的类别，即网站性能关系抽取的结果，Softmax的计算公式如下：
[0020][0021]其中，z
i
为第i个向量的输出值，m为输出向量的个数，即分类的类别个数，通过Softmax函数将多分类的输出值转换为范围在[0,1]之间的分布。
[0022]作为优选，步骤2具体包括：
[0023]步骤21、将网站性能知识划分子项目，作为图卷积网络的输入；
[0024]步骤22、对图的每个节点采用发射、接收和变换以进行图卷积，再通过激活函数ReLU的非线性变换，完成一层计算变换；
[0025]步骤23、重复步骤22，将ReLU层的输出再输入到图卷积层，重复使用图卷积计算和非线性变换，不断提取网站性能的特征；
[0026]步骤24、在多次提取特征后，完成最终的网站性能综合知识推理，给出经过知识推理后网站性能的度量结果。
[0027]本专利技术还包括一种基于知识图谱的网站性能拨测度量装置，包括：
[0028]构建模块，用于构建基于网络拨测的知识图谱
[0029]推理模块，用于根据所述知识图谱，采用基于图卷积网络的网站性能智能推理，实现网站性能拨测度量。
[0030]作为优选，所述构建模块包括：
[0031]处理单元，用于采用网络拨测方式得到关于网站性能的结构化、半结构化、非结构化数据；
[0032]抽取单元，用于对所述网站性能半结构化数据和非结构化数据进行知识抽取；
[0033]融合单元，用于对知识抽取的结果进行实体对齐、实体消歧、属性对齐，以修正网站性能知识库内的知识。
[0034]作为优选，所述知识抽取包含实体抽取、关系抽取和属性抽取。
[0035]作为优选，抽取单元采用基于文本卷积神经网络进行关系抽取，所述文本卷积神经网络由一个卷积层、一个池化层和一个全连接层构成，具体包括：
[0036]预处理组件，用于对网站性能的半结构化数据和非结构化数据进行预处理，将数据中的每个单词转化为一个k维词向量；
[0037]提取组件，用于通过卷积层对输入的n*k的网站性能数据矩阵提取高维语义特征，其中，n*k代表包含n个单词的网站性能半结构化数据或非结构化数据；
[0038]抽取组件，用于对高维语义特征通过最大池化约减特征图的维度，将池化后的特
征与最后一层的m个分类神经元进行全连接，得到一个m维向量，使用Softmax函数对的m维向量进行计算，得到m个类别分别对应的概率值，即网站性能关系抽取的结果。
[0039]作为优选，度量模块包括：
[0040]划分单元，用于将网站性能知识划分子项目，作为图卷积网络的输入；
[0041]第一计算单元，用于对图的每个节点采用发射、接收和变换以进行图卷积，再通过激活函数ReLU的非线性变换，完成一层计算变换；
[0042]第二计算单元，用于将ReLU层的输出再输入到图卷积层，重复使用图卷积计算和非线性变换，不断提取网站性能的特征；
[0043]度量单元，用于在多次提取特征后，完成最终的网站性能综合知识推理，给出经过知识推理后网站性能的度量结果。
[0044]本专利技术的网站性能拨测度量方法，通过知识图谱推理当前网站的各个性能指标，得出具有强解释性的评估报告。
附图说明
[0045]图1为网站性能度量知识图谱基本关系图；
[0046]图2为网站ping信息映射为知识图谱三元组示例图；
[0047]图3为网站性能知识图谱构建流程图；
[0048]图4为基于文本卷积神经网络的关系抽取示意图；
[0049]图5为网站性能知识推理过程示意图；
[0050]图6为局部子图构建示意图；
[0051]图7为图卷积计算原理示意图；
[0本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于知识图谱的网站性能拨测度量方法，其特征在于，包括以下步骤：步骤1、构建基于网络拨测的知识图谱步骤2、根据所述知识图谱，采用基于图卷积网络的网站性能智能推理，实现网站性能拨测度量。2.如权利要求1所述的基于知识图谱的网站性能拨测度量方法，其特征在于，步骤1具体包括：步骤11、采用网络拨测方式得到关于网站性能的结构化数据、半结构化数据、非结构化数据；步骤12、对所述网站性能半结构化数据和非结构化数据进行知识抽取；步骤13、对知识抽取的结果进行实体对齐、实体消歧、属性对齐，以修正网站性能知识库内的知识。3.如权利要求2所述的基于知识图谱的网站性能拨测度量方法，其特征在于，所述知识抽取包含实体抽取、关系抽取和属性抽取。4.如权利要求2所述的基于知识图谱的网站性能拨测度量方法，其特征在于，步骤12中，采用基于文本卷积神经网络进行关系抽取，所述文本卷积神经网络由一个卷积层、一个池化层和一个全连接层构成，具体包括：步骤121、对网站性能的半结构化数据和非结构化数据进行预处理，将数据中的每个单词转化为一个k维词向量；对于一个包含n个单词的网站性能半结构化数据或非结构化数据，采用一个n*k的矩阵表示，并将n*k的矩阵作为文本卷积神经网络的输入；步骤122、通过卷积层对输入的n*k的网站性能数据矩阵提取高维语义特征，卷积计算的公式为：其中，N是神经网络中每层的层号，L
(N)
是N第层所输入的特征向量，L
(N+1)
是第N层所输出的特征向量，W
(N)
是第N层神经网络的权值向量，B
(N)
是第N层的偏置向量；步骤123、对高维语义特征通过最大池化约减特征图的维度，将池化后的特征与最后一层的m个分类神经元进行全连接，得到一个m维向量；使用Softmax函数对m维向量进行计算，得到m个类别分别对应的概率值，取概率值最大的类别，即网站性能关系抽取的结果，Softmax的计算公式如下：其中，z
i
为第i个向量的输出值，m为输出向量的个数，即分类的类别个数，通过Softmax函数将多分类的输出值转换为范围在[0,1]之间的分布。5.如权利要求2所述的基于知识图谱的网站性能拨测度量方法，其特征在于，步骤2具体包括：步骤21、将网站性能知识划分子项目，作为图卷积网络的输入；步骤22、对图的每个节点采用发射、接收和变换以进行图卷积，再通过...
【专利技术属性】
技术研发人员：许渊培，茅剑，林金良，
申请(专利权)人：厦门吉快科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。