System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及计算机,具体涉及一种数据处理方法、装置、设备及存储介质。
技术介绍
1、随着互联网和大数据时代的到来,各领域对人工智能性能需求的不断提升。为了提高数据处理、计算以及存储效率,云服务器网络分布式在线机器学习应运而生。然而在云服务器网络进行数据预测的过程中,由于云服务器网络中存在大量的工作机,但各工作机在面对外部的完整性攻击时较为脆弱,从而导致工作机容易产生错误的局部模型参数或者预测值。
技术实现思路
1、有鉴于此,本专利技术提供了一种数据处理方法、装置、设备及存储介质,以解决现有云服务器网络进行数据预测的过程中,由于云服务器网络中各工作机在面对外部的完整性攻击时较为脆弱,从而导致工作机容易产生错误的局部模型参数或者预测值的问题。
2、第一方面,本专利技术提供了一种数据处理方法,应用于云服务器网络中的云服务器,该方法包括:接收所连接的多个工作机上传的局部预测数据,所述局部预测数据为对应工作机在攻击风险下所生成的预测数据;获取多个所述局部预测数据中容错评分最低的目标局部预测数据及目标精度;基于多个所述局部预测数据与所述目标局部预测数据的数据距离,确定目标邻域;对所述目标邻域内的所述局部预测数据进行聚合,得到全局预测数据;基于所述目标精度对所述全局预测数据进行迭代更新,得到更新后的全局预测数据;基于所述更新后的全局预测数据对所述局部预测数据进行更新。通过上述过程,可以提高云服务器网络中各工作机对外部完整性攻击的鲁棒性,提高数据处理的可靠性。
3、在一些
4、对多个所述局部预测期望以及所述局部预测方差进行排序;
5、计算排序后多个所述局部预测期望中任一局部预测期望与其他局部预测期望的容错评分,得到评分最低的目标局部预测期望;
6、计算排序后多个所述局部预测方差中任一局部预测方差与其他局部预测方差的容错评分,得到评分最低的目标局部预测方差;
7、基于所述目标局部预测期望及所述目标局部预测方差,确定多个所述局部预测数据中容错评分最低的目标局部预测数据。
8、在一些可选的实施方式中,所述计算排序后多个所述局部预测期望中任一局部预测期望与其他局部预测期望的容错评分,得到评分最低的目标局部预测期望,包括:
9、获取排序后多个所述局部预测期望中任一局部预测期望与除去存在攻击风险的局部预测期望之间的期望数据距离;
10、对多个所述期望数据距离的平方进行求和,得到期望数据评分;
11、将所述期望数据评分最低所述局部预测期望作为所述目标局部预测期望。
12、在一些可选的实施方式中,所述计算排序后多个所述局部预测方差中任一局部预测方差与其他局部预测方差的容错评分,得到评分最低的目标局部预测方差,包括:
13、获取排序后多个所述局部预测方差中任一局部预测方差与除去存在攻击风险的局部预测方差之间的方差数据距离;
14、对多个所述方差数据距离的平方进行求和,得到方差数据评分;
15、将所述方差数据评分最低所述局部预测方差作为所述目标局部预测方差。
16、在一些可选的实施方式中,所述基于多个所述局部预测数据与所述目标局部预测数据的数据距离,确定目标邻域,包括:
17、基于所述局部预测期望与所述目标局部预测期望的数据距离,确定目标期望邻域;
18、基于所述局部预测方差与所述目标局部预测方差的数据距离,确定目标方差邻域;
19、基于所述目标期望邻域及所述目标方差邻域,确定所述目标邻域。
20、在一些可选的实施方式中,所述基于所述局部预测期望与所述目标局部预测期望的数据距离,确定目标期望邻域,包括:
21、获取各所述局部预测方差与所述目标局部预测期望的数据距离;
22、选取目标个数据距离最小的所述局部预测方差;
23、获取所述目标个数据距离最小的所述局部预测期望中的最大局部预测期望及最小局部预测期望;
24、基于所述目标局部预测期望、所述最大局部预测期望及最小局部预测期望,确定所述目标期望邻域。
25、在一些可选的实施方式中,所述基于所述局部预测方差与所述目标局部预测方差的数据距离,确定目标方差邻域,包括:
26、获取各所述局部预测方差与所述目标局部预测方差的数据距离;
27、选取目标个数据距离最小的所述局部预测方差;
28、获取所述目标个数据距离最小的所述局部预测方差中的最大局部预测方差及最小局部预测方差;
29、基于所述目标局部预测方差、所述最大局部预测方差及最小局部预测方差,确定所述目标方差邻域。
30、在一些可选的实施方式中,所述全局预测数据的计算模型为:
31、
32、其中,为工作机,为全局预测期望,为全局预测方差,为局部预测期望,为局部预测方差,为目标期望邻域,为目标方差邻域。
33、在一些可选的实施方式中,所述目标精度包括目标期望精度及目标方差精度,所述基于所述目标精度对所述全局预测数据进行迭代更新,得到更新后的全局预测数据,包括:
34、对所述全局预测期望进行迭代更新,当更新后的所述全局预测期望在所述目标期望精度的第一邻域内时,得到更新全局预测期望;
35、对所述全局预测方差进行迭代更新,当更新后的所述全局预测方差在所述目标方差精度的第二邻域内时,得到更新全局预测方差;
36、基于所述更新全局预测期望及所述更新全局预测方差,得到更新后的全局预测数据。
37、在一些可选的实施方式中,所述更新后的全局预测数据的计算模型为:
38、
39、其中,为迭代次数,为更新全局预测期望,为更新全局预测方差,为全局预测期望,为全局预测方差。
40、在一些可选的实施方式中,所述基于所述更新后的全局预测数据对所述局部预测数据进行更新,包括:
41、基于所述更新全局预测期望对所述局部预测期望进行更新;
42、基于所述更新全局预测方差对所述局部预测方差进行更新。
43、在一些可选的实施方式中,所述基于所述更新全局预测期望对所述局部预测期望进行更新,包括:
44、对比所述更新全局预测期望与所述局部预测期望,得到期望比对结果;
45、当所述期望比对结果表征所述更新全局预测期望大于所述局部预测期望时,将所述更新全局预测期望更新为所述局部预测期望。
46、在一些可选的实施方式中,所述基于所述更新全局预测方差对所述局部预测方差进行更新,包括:
47、对比所述更新全局预测方差与所述局部预测方差,得到方差比对结果;
48、当所述方差比对结果表征所述更新全局预测方差小于所述局部预测方本文档来自技高网...
【技术保护点】
1.一种数据处理方法,其特征在于,应用于云服务器网络中的云服务器,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述局部预测数据包括局部预测期望以及对应的局部预测方差,所述获取多个所述局部预测数据中容错评分最低的目标局部预测数据,包括:
3.根据权利要求2所述的方法,其特征在于,所述计算排序后多个所述局部预测期望中任一局部预测期望与其他局部预测期望的容错评分,得到评分最低的目标局部预测期望,包括:
4.根据权利要求2所述的方法,其特征在于,所述计算排序后多个所述局部预测方差中任一局部预测方差与其他局部预测方差的容错评分,得到评分最低的目标局部预测方差,包括:
5.根据权利要求2所述的方法,其特征在于,所述基于多个所述局部预测数据与所述目标局部预测数据的数据距离,确定目标邻域,包括:
6.根据权利要求5所述的方法,其特征在于,所述基于所述局部预测期望与所述目标局部预测期望的数据距离,确定目标期望邻域,包括:
7.根据权利要求5所述的方法,其特征在于,所述基于所述局部预测方差与所述目标局部预测方差的数
8.根据权利要求3所述的方法,其特征在于,所述全局预测数据的计算模型为:
9.根据权利要求8所述的方法,其特征在于,所述目标精度包括目标期望精度及目标方差精度,所述基于所述目标精度对所述全局预测数据进行迭代更新,得到更新后的全局预测数据,包括:
10.根据权利要求8所述的方法,其特征在于,所述更新后的全局预测数据的计算模型为:
11.根据权利要求9所述的方法,其特征在于,所述基于所述更新后的全局预测数据对所述局部预测数据进行更新,包括:
12.根据权利要求11所述的方法,其特征在于,所述基于所述更新全局预测期望对所述局部预测期望进行更新,包括:
13.根据权利要求11所述的方法,其特征在于,所述基于所述更新全局预测方差对所述局部预测方差进行更新,包括:
14.一种数据处理装置,其特征在于,应用于云服务器网络中的云服务器,所述装置包括:
15.一种计算机设备,其特征在于,包括:
16.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机指令,所述计算机指令用于使计算机执行权利要求1至13中任一项所述的方法。
...【技术特征摘要】
1.一种数据处理方法,其特征在于,应用于云服务器网络中的云服务器,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述局部预测数据包括局部预测期望以及对应的局部预测方差,所述获取多个所述局部预测数据中容错评分最低的目标局部预测数据,包括:
3.根据权利要求2所述的方法,其特征在于,所述计算排序后多个所述局部预测期望中任一局部预测期望与其他局部预测期望的容错评分,得到评分最低的目标局部预测期望,包括:
4.根据权利要求2所述的方法,其特征在于,所述计算排序后多个所述局部预测方差中任一局部预测方差与其他局部预测方差的容错评分,得到评分最低的目标局部预测方差,包括:
5.根据权利要求2所述的方法,其特征在于,所述基于多个所述局部预测数据与所述目标局部预测数据的数据距离,确定目标邻域,包括:
6.根据权利要求5所述的方法,其特征在于,所述基于所述局部预测期望与所述目标局部预测期望的数据距离,确定目标期望邻域,包括:
7.根据权利要求5所述的方法,其特征在于,所述基于所述局部预测方差与所述目标局部预测方差的数据距离,确定目标方差邻域,包括:
【专利技术属性】
技术研发人员:张旭,孙华锦,胡雷钧,王小伟,
申请(专利权)人:苏州元脑智能科技有限公司,
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。