基于半监督学习的异构加速方法、装置、设备及存储介质制造方法及图纸

本发明专利技术提供一种基于半监督学习的异构加速方法、装置、设备及存储介质，涉及计算机技术领域，通过本地硬件设备获取数据控制流，以及根据生成正则表达式生成非确定性有限自动机，非确定性有限自动机用于以对数据控制流进行分析和过滤；通过异构设备中基于半监督学习模型对所述非确定性有限自动机进行分析，在非确定性有限自动机成与其所表征的正则表达式成匹配关系时，将非确定性有限自动机配置到对应正则引擎上，对数据控制流进行并行分析和过滤；其中，半监督学习模型基于状态机无向图中已标记节点数据和未标记节点数据进行训练得到，能够更有效地验证非确定性有限自动机是否表示了正则规律，从而在FPGA上实现更加高效的正则表达式匹配。

【技术实现步骤摘要】

本专利技术涉及计算机，尤其涉及一种基于半监督学习的异构加速方法、装置、设备及存储介质。

技术介绍

1、目前中央处理器（central processing unit， cpu）以及图形处理器（graphicsprocessing unit， gpu）上的软件解决方案，随着表达式复杂性的增加，很快就会受到计算限制，因此，使用异构硬件加速器件来进行异构加速被广泛应用，一方面可将大数据工作负载卸载到硬件加速卡上进行，可以获得更高的加速比，另一方面也可以释放部分cpu或gpu压力。现场可编程门阵列（field programmable gate array ，fpga）是一种常见异构加速卡，在数据中心被大量使用，fpga可以将正则表达式直接编译为非确定性有限自动机（nondeterministic finite automata，nfa），非确定性有限自动机遇到输入字符串时即时构建匹配路径，可以实现cpu或gpu中软件应用加速。但随着正则表达式复杂度的增加，相应的非确定性有限自动机可能会变得非常庞大和复杂，由于无法验证非确定性有限自动机是否准确表达了与正则表达式内本文档来自技高网...

【技术保护点】

1.一种基于半监督学习的异构加速方法，其特征在于，包括：

2.根据权利要求1所述的基于半监督学习的异构加速方法，其特征在于，所述基于半监督学习模型对所述非确定性有限自动机进行分析，包括：

3.根据权利要求2所述的基于半监督学习的异构加速方法，其特征在于，所述将所述非确定性有限自动机转换为状态机无向图结构，包括：

4.根据权利要求3所述的基于半监督学习的异构加速方法，其特征在于，所述图卷积神经网络包括两个连续的图卷积层，第一图卷积层将所述多个边节点和多个无向边对应的输入特征映射到隐藏特征，第二图卷积层将所述隐藏特征映射到输出特征空间，得到状态机无向图结构...

【技术特征摘要】

1.一种基于半监督学习的异构加速方法，其特征在于，包括：

2.根据权利要求1所述的基于半监督学习的异构加速方法，其特征在于，所述基于半监督学习模型对所述非确定性有限自动机进行分析，包括：

3.根据权利要求2所述的基于半监督学习的异构加速方法，其特征在于，所述将所述非确定性有限自动机转换为状态机无向图结构，包括：

4.根据权利要求3所述的基于半监督学习的异构加速方法，其特征在于，所述图卷积神经网络包括两个连续的图卷积层，第一图卷积层将所述多个边节点和多个无向边对应的输入特征映射到隐藏特征，第二图卷积层将所述隐藏特征映射到输出特征空间，得到状态机无向图结构。

5.根据权利要求4所述的基于半监督学习的异构加速方法，其特征在于，所述第一图卷积层用于基于所述多个边节点和多个无向边生成邻接矩阵，所述邻接矩阵包括邻近节点的信息，所述第一图卷积层的输出特征包括邻近节点的信息和自身节点的特征。

6.根据权利要求5所述的基于半监督学习的异构加速方法，其特征在于，所述第二图卷积层用于基于所述邻近节点的信息和自身节点的特征计算度矩阵，并使用所述度矩阵对邻接矩阵进行对称归一化处理；

7.根据权利要求6所述的基于半监督学习的异构加速方法，其特征在于，所述使用所述度矩阵对邻接矩阵进行对称归一化处理，包括：

8.根据权利要求4所述的基于半监督学习的异构加速方法，其特征在于，所述状态机拓扑结构中每个节点到另一个节点的边上设置有标签，所述将所述非确定性有限自动机转换为状态机无向图结构，还包括：

9.根据权利要求5所述的基于半监督学习的异构加速方法，其特征在于，所述邻接矩阵中元素的数据类型为浮点数类型，所述邻接矩阵中矩阵的元素值为1.0表示节点之间存在连接，0.0表示节点之间无连接。

10.根据权...

【专利技术属性】
技术研发人员：童浩南，任智新，张闯，
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：