基于深度神经网络的电子商务网络状态检测方法技术

本发明专利技术涉及一种基于深度神经网络的电子商务网络状态检测方法，其包括：对电商节点的节点网络状态数据集进行处理得到电商节点的时序状态特征，并将电商节点的邻域节点的时序状态特征迭代的聚合在电商节点得到电商节点的节点状态特征。将电商节点的节点状态特征映射到状态空间得到电商节点的状态点，并将所有状态点根据空间顺序和空间位置特征进行平滑连接得到网络状态轨迹曲线。计算状态点的前序曲线度和后序曲线度，并将前序曲线度和后序曲线度之差大于预设阈值的状态点作为孤立状态点。根据网络状态轨迹曲线中除了孤立状态点外的状态点生成电商网络状态图，并将电商网络状态图输入状态检测模型以输出电商网络的网络状态值。状态值。状态值。

【技术实现步骤摘要】
基于深度神经网络的电子商务网络状态检测方法


[0001]本专利技术涉及人工智能和电子商务领域，尤其涉及一种基于深度神经网络的电子商务网络状态检测方法。

技术介绍

[0002]电子商务平台，广义上讲是商务活动中各参与方和支持企业进行交易活动的电子技术手段的集合。狭义上讲，电子商务平台则是指企业、消费者、银行等在因特网和其他网络的基础上，以实现企业电子商务活动的目标，满足企业生产、销售、服务等生产和管理的需要，支持企业的对外业务协作，从运作、管理和决策等层次全面提高企业信息化水平，为企业提供具备商业智能的计算机网络系统。
[0003]因此，对于电子商务网络来说的良好的网络状态不管是对于客户来说还是管理者来说都十分重要，但是现有的检测网络状态的方法大多通过探测接收程序的网络缓冲区状态来反映当前的网络状态，但是，这种方式的准确性并不是很高。因此，急需一种高效并且准确的网络状态检测方法。

技术实现思路

[0004]有鉴于此，本专利技术提供了一种基于深度神经网络的电子商务网络状态检测方法，其包括以下步骤：
[0005]实时获取电商网络中电商节点在周期内的网络性能数据和网络时序数据，并根据所述网络时序数据对网络性能数据进行时序分解以获取电商节点在周期内每个时间点的节点网络状态数据，然后将所有节点网络状态数据按照时间顺序排列以得到电商节点在周期内的节点网络状态数据集；
[0006]对电商节点的节点网络状态数据集的每个节点网络状态数据进行状态编码以得到电商节点的节点网络状态信号，并将电商节点的所有节点网络状态信号按照时间顺序进行排列以得到电商节点的节点网络状态序列，然后将电商节点的节点网络状态序列输入特征重构模型以输出电商节点的时序状态特征；
[0007]从数据库获取电商节点的节点上下文，并根据电商节点的节点上下文获取电商节点与其他电商节点的网络结构距离；
[0008]获取电商节点的邻域半径中的电商节点，并将其作为电商节点的邻域节点，然后根据电商节点与各邻域节点的网络结构距离将邻域节点的时序状态特征迭代的聚合在电商节点以得到电商节点的节点状态特征；
[0009]将电商网络中各电商节点的节点状态特征映射到状态空间以得到电商网络中各电商节点的状态点，并提取电商网络中各电商节点的状态点的空间位置特征，然后将电商网络中所有电商节点的状态点根据空间顺序和空间位置特征进行平滑连接以得到网络状态轨迹曲线；
[0010]根据网络状态轨迹曲线计算每个状态点的前序曲线度和后序曲线度，并将前序曲
线度和后序曲线度之差大于预设阈值的状态点作为孤立状态点；所述状态点表征相应电商节点在周期内的网络状态；
[0011]删除网络状态轨迹曲线中的孤立状态点，并根据网络状态轨迹曲线中除了孤立状态点外的状态点生成电商网络状态图，然后将电商网络状态图输入状态检测模型以输出电商网络的网络状态值。
[0012]根据一个优选实施方式，所述网络性能数据表征相应电商节点的网络性能指标，其包括：速率、带宽、吞吐量、发送时延、处理时延和排队时延；所述网络时序数据表征相应电商节点的网络性能数据的时序信息。
[0013]根据一个优选实施方式，所述状态检测模型包括：卷积神经网络、递归神经网络和BP神经网络；所述特征重构模型包括卷积层、池化层、反卷积层和反池化层。
[0014]根据一个优选实施方式，所述状态点的前序曲线度为网络状态轨迹曲线中状态点与该状态点的前序状态点之间的轨迹曲线段的曲线度；所述状态点的前序状态点为从该状态点开始沿着网络状态轨迹曲线的正方向所遇到的第一个状态点。所述状态点的后序曲线度为网络状态轨迹曲线中状态点与该状态点的后序状态点之间的轨迹曲线段的曲线度；所述状态点的后序状态点为从该状态点开始沿着网络状态轨迹曲线的负方向所遇到的第一个状态点。
[0015]根据一个优选实施方式，将电商节点的节点网络状态序列输入特征重构模型以输出电商节点的时序状态特征包括：
[0016]卷积层利用多个卷积核从多个角度提取电商节点的节点网络状态信号的特征以得到电商节点的若干个局部状态特征，并对电商节点的所有局部状态特征进行卷积操作以捕捉电商节点的所有局部状态特征的局部关联性以得到电商节点的局部关联特征；
[0017]池化层对电商节点的所有局部状态特征进行池化操作以对电商节点的所有局部状态特征在空间维度进行压缩和去冗余，并将电商节点的所有局部状态特征进行特征融合以得到电商节点的全局状态特征，然后将电商节点的全局状态特征和电商节点的局部关联特征进行特征拼接以得到电商节点的关联状态特征；
[0018]反卷积层对电商节点的关联状态特征进行转置卷积以得到电商节点的转置状态特征；反池化层对电商节点的转置状态特征进行反池化以对以得到电商节点的节点网络状态特征；卷积层在时间维度上对电商节点的所有节点网络状态特征进行卷积得到电商节点的时序状态特征。
[0019]根据一个优选实施方式，根据网络状态轨迹曲线中除了孤立状态点外的状态点生成电商网络状态图包括：
[0020]将网络状态轨迹曲线中除了孤立状态点外的状态点作为联合状态点，并将所有的联合状态点进行相空间重构以得到每个联合状态点的相空间向量；
[0021]按照网络状态轨迹曲线中联合状态点的空间顺序遍历所有的联合状态点，并将正在遍历的联合状态点作为目标状态点，然后将除了目标状态点外的其他联合状态点作为候选状态点；
[0022]计算目标状态点的相空间向量与每个候选状态点的相空间向量的向量之差以得到目标状态点与每个候选状态点的相空间差向量，并根据相空间差向量计算目标状态点与每个候选状态点的第一移动值，然后将第一移动值大于第一移动阈值的候选状态点平移至
与目标状态点处于同一垂直线的位置；
[0023]获取目标状态点的前序状态点和后序状态点，并将其作为目标前序点和目标后序点，然后分别计算目标状态点的相空间向量与目标前序点的相空间向量和目标后序点的相空间向量的向量差以得到前序差向量和后序差向量；
[0024]计算前序差向量和后序差向量的向量差以得到前后差向量，并根据前后差向量计算目标状态点的第二移动值；
[0025]在目标状态点的第二移动值大于第二移动阈值时，将目标前序点和目标后序点平移至与目标状态点处于同一水平线的位置；
[0026]重复以上步骤，直到遍历完所有的联合状态点，并根据此时所有联合状态点的位置生成电商网络状态图。
[0027]根据一个优选实施方式，将电商网络状态图输入状态检测模型以输出电商网络的网络状态值包括：
[0028]状态检测模型的卷积神经网络提取电商网络状态图的电商网络状态特征，并根据电商网络中各电商节点的节点上下文将电商网络状态特征按照电商网络状态图的网络结构转换为电商网络在各个时刻的电商网络静态特征；
[0029]将电商网络在各个时刻的电商网络静态特征进行时序化后输入状态检测模型的递归神经网络以对时序化后的电商网络静态特征进行迭代计算以输出电商网络的电商网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络的电子商务网络状态检测方法，其特征在于，实时获取电商网络中电商节点在周期内的网络性能数据和网络时序数据，并根据所述网络时序数据对网络性能数据进行时序分解以获取电商节点在周期内每个时间点的节点网络状态数据，然后将所有节点网络状态数据按照时间顺序排列以得到电商节点在周期内的节点网络状态数据集；对电商节点的节点网络状态数据集的每个节点网络状态数据进行状态编码得到电商节点的节点网络状态信号，并将电商节点的所有节点网络状态信号按照时间顺序进行排列得到电商节点的节点网络状态序列，然后将电商节点的节点网络状态序列输入特征重构模型输出电商节点的时序状态特征；从数据库获取电商节点的节点上下文，并根据电商节点的节点上下文获取电商节点与其他电商节点的网络结构距离；获取电商节点的邻域半径中的电商节点，并将其作为电商节点的邻域节点，然后根据电商节点与各邻域节点的网络结构距离将邻域节点的时序状态特征迭代的聚合在电商节点以得到电商节点的节点状态特征；将电商网络中各电商节点的节点状态特征映射到状态空间以得到电商网络中各电商节点的状态点，并提取电商网络中各电商节点的状态点的空间位置特征，然后将电商网络中所有电商节点的状态点根据空间顺序和空间位置特征进行平滑连接以得到网络状态轨迹曲线；根据网络状态轨迹曲线计算每个状态点的前序曲线度和后序曲线度，并将前序曲线度和后序曲线度之差大于预设阈值的状态点作为孤立状态点；所述状态点表征相应电商节点在周期内的网络状态；删除网络状态轨迹曲线中的孤立状态点，并根据网络状态轨迹曲线中除了孤立状态点外的状态点生成电商网络状态图，然后将电商网络状态图输入状态检测模型以输出电商网络的网络状态值。2.根据权利要求1所述的方法，其特征在于，所述特征重构模型包括卷积层、池化层、反卷积层和反池化层。3.根据权利要求1或2所述的方法，其特征在于，所述将电商节点的节点网络状态序列输入特征重构模型以输出电商节点的时许状态特征包括：卷积层利用多个卷积核从多个角度提取电商节点的节点网络状态信号的特征以得到电商节点的若干个局部状态特征，并对电商节点的所有局部状态特征进行卷积操作以捕捉电商节点的所有局部状态特征的局部关联性以得到电商节点的局部关联特征；池化层对电商节点的所有局部状态特征进行池化操作以对电商节点的所有局部状态特征在空间维度进行压缩和去冗余，并将电商节点的所有局部状态特征进行特征融合以得到电商节点的全局状态特征，然后将电商节点的全局状态特征和电商节点的局部关联特征进行特征拼接以得到电商节点的关联状态特征；反卷积层对电商节点的关联状态特征进行转置卷积以得到电商节点的转置状态特征；反池化层对电商节点的转置状态特征进行反池化以对以得到电商节点的节点网络状态特征；卷积层在时间维度上对电商节点的所有节点网络状态特征进行卷积得到电商节点的时序状态特征。
4.根据权利要求3所述的方法，其特征在于，所述状态点的前序曲线度为网络状态轨迹曲线中状态点与该状态点的前序状态点之间的...

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