CN115729796B - 基于人工智能的异常操作分析方法及大数据应用*** - Google Patents

Abstract

本申请实施例实施例提供一种基于人工智能的异常操作分析方法及大数据应用***，响应针对目标大数据应用***的异常操作分析指令，调取目标大数据应用***的***请求响应大数据，对***请求响应大数据进行异常操作分析，确定对应的满足特征关注权重的异常操作活动以及异常操作活动对应的历史先验异常根因信息，基于异常操作活动以及异常操作活动对应的历史先验异常根因信息，对对应的用户终端进行异常信息提示，由此在进行异常操作分析时结合了特征关注权重，提高异常操作分析的准确性和效率，同时通过对用户终端进行相应的异常根因信息提示，可以便于相关用户及时获知可能存在的异常风险。

Description

基于人工智能的异常操作分析方法及大数据应用***

技术领域

本申请实施例涉及人工智能技术领域，具体而言，涉及一种基于人工智能的异常操作分析方法及大数据应用***。

背景技术

随着当前各种大数据应用***在互联网在线服务商的信息决策和产品维护等方面的作用日益显著，其所承载的应用也日趋丰富，其处理的数据量及请求响应量也成指数增长，相应地，数据处理的异常情况也随之增多，如何提高异常操作分析的准确性和效率，便于相关用户及时获知可能存在的异常风险，是当前亟待解决的技术问题。

发明内容

为了至少克服现有技术中的上述不足，本申请实施例的目的在于提供一种基于人工智能的异常操作分析方法及大数据应用***。

第一方面，本申请实施例实施例提供一种基于人工智能的异常操作分析方法，应用于大数据应用***，所述方法包括：

响应针对目标大数据应用***的异常操作分析指令，调取所述目标大数据应用***的***请求响应大数据；

对所述***请求响应大数据进行异常操作分析，确定对应的满足特征关注权重的异常操作活动以及所述异常操作活动对应的历史先验异常根因信息；

基于所述异常操作活动以及所述异常操作活动对应的历史先验异常根因信息，对对应的用户终端进行异常信息提示。

在第一方面的一种可能的实施方式中，所述对所述***请求响应大数据进行异常操作分析，确定对应的满足特征关注权重的异常操作活动以及所述异常操作活动对应的历史先验异常根因信息的步骤，包括：

响应针对目标大数据应用***的异常操作分析指令，调取所述目标大数据应用***的***请求响应大数据；结合***请求响应大数据，确定所述***请求响应大数据对应的第一数量个第一请求响应事件和各第一请求响应事件对应的响应操作轨迹特征；

针对各所述第一请求响应事件，结合所述第一请求响应事件的响应操作轨迹特征，确定所述第一请求响应事件对应的特征关注权重；

结合各所述第一请求响应事件对应的特征关注权重，对所述第一数量个第一请求响应事件分别对应的响应操作轨迹特征进行特征更新，生成第二数量个第二请求响应事件和各第二请求响应事件对应的响应操作轨迹特征，第二数量小于第一数量；

结合各所述第二请求响应事件对应的响应操作轨迹特征，确定所述***请求响应大数据的异常操作活动；

结合历史先验异常根因知识库，确定所述异常操作活动对应的历史先验异常根因信息。

本示例性实施方式中，通过获取可以反映各第一请求响应事件对获得的异常操作活动的注意力权重的特征关注权重，对第一数量个第一请求响应事件分别对应的响应操作轨迹特征进行特征更新，可以对噪声状态的响应操作轨迹特征进行噪声剔除。例如，剔除对获得的异常操作活动没有注意力权重或注意力权重小于设定门限值的响应操作轨迹特征；基于此，获得影响着获得的异常操作活动的第二数量个第二请求响应事件对应的响应操作轨迹特征。然后通过第二数量个第二请求响应事件对应的响应操作轨迹特征，确定***请求响应大数据的异常操作活动，由此提高异常操作活动决策的准确性，并且第二数量小于第一数量，可以降低数据计算量，提高异常操作活动决策速度。

一种设计思路中，所述针对各所述第一请求响应事件，结合所述第一请求响应事件的响应操作轨迹特征，确定所述第一请求响应事件对应的特征关注权重，包括：

针对各所述第一请求响应事件，对所述第一请求响应事件对应的响应操作轨迹特征进行基于惩罚性的特征选择，生成所述第一请求响应事件对应的目标选择特征；

结合各所述第一请求响应事件对应的目标选择特征，确定所述第一请求响应事件对应的特征关注权重。

本示例性实施方式中，通过基于惩罚性的特征选择，可以对响应操作轨迹特征进行降维，降低特征的容量以便进行后续处理，从而便于更精准地获取第一请求响应事件对应的特征关注权重。

一种设计思路中，所述结合各所述第一请求响应事件对应的目标选择特征，确定所述第一请求响应事件的特征关注权重，包括：

对所述各第一请求响应事件对应的目标选择特征进行规则化转换，生成规则化转换后的目标选择特征；

对所述规则化转换后的目标选择特征进行迭代聚类分析，生成第一迭代聚类分析特征，其中，所述第一迭代聚类分析特征对应的特征维度数量小于所述目标选择特征对应的特征维度数量；

结合各所述第一请求响应事件对应的第一迭代聚类分析特征，确定各所述第一请求响应事件对应的特征关注权重。

一种设计思路中，所述对所述各第一请求响应事件对应的目标选择特征进行规则化转换，生成规则化转换后的目标选择特征，包括：

结合各所述第一请求响应事件对应的目标选择特征，确定各所述第一请求响应事件对应的可转换知识点；

结合各所述第一请求响应事件对应的可转换知识点，对所述各第一请求响应事件对应的目标选择特征进行规则化转换，生成规则化转换后的目标选择特征。

一种设计思路中，所述对所述规则化转换后的目标选择特征进行迭代聚类分析，生成第一迭代聚类分析特征，包括：

结合所述规则化转换后的目标选择特征，确定所述规则化转换后的目标选择特征对应的特征标签传播向量；

通过所述特征标签传播向量，对所述规则化转换后的目标选择特征进行迭代聚类分析，生成所述第一迭代聚类分析特征。

一种设计思路中，所述结合各所述第一请求响应事件对应的第一迭代聚类分析特征，确定各所述第一请求响应事件对应的特征关注权重，包括：

对各所述第一迭代聚类分析特征进行基于设定特征衍生规则的特征衍生，并对特征衍生后的所述第一迭代聚类分析特征进行迭代聚类分析，生成各所述第一迭代聚类分析特征对应的第二迭代聚类分析特征；

结合各所述第二迭代聚类分析特征，确定各所述第一请求响应事件对应的特征关注权重。

一种设计思路中，所述结合各所述第一请求响应事件对应的特征关注权重，对所述第一数量个第一请求响应事件分别对应的响应操作轨迹特征进行特征更新，生成第二数量个第二请求响应事件和各第二请求响应事件对应的响应操作轨迹特征，包括：

结合各所述第一请求响应事件对应的满足预设条件的特征关注权重对应的第一关联特征排列结构，所述第一关联特征排列结构的排列参数为第一数量乘以第二数量；

对所述第一关联特征排列结构进行特征切换，生成排列参数为第二数量乘以第一数量的第二关联特征排列结构；

结合所述第二关联特征排列结构和所述第一请求响应事件的响应操作轨迹特征对应的请求响应事件节点矩阵，对所述第一数量个第一请求响应事件分别对应的响应操作轨迹特征进行特征更新，生成所述第二数量个第二请求响应事件和各第二请求响应事件对应的响应操作轨迹特征。

一种设计思路中，所述结合各所述第二请求响应事件对应的响应操作轨迹特征，确定所述***请求响应大数据的异常操作活动，包括：

将所述第二请求响应事件覆盖第一请求响应事件，将所述第一数量对应对应的数值参数参数调整为所述第一请求响应事件对应的数值参数，循环执行所述针对各所述第一请求响应事件，结合所述第一请求响应事件的响应操作轨迹特征，确定所述第一请求响应事件对应的特征关注权重的步骤，在达到设定循环次数时，结合最后一次生成的各个第二请求响应事件对应的响应操作轨迹特征，确定所述***请求响应大数据对应的异常操作活动预测概率分布；

结合所述异常操作活动预测概率分布，确定所述***请求响应大数据的异常操作活动。

本示例性实施方式中，可以对***请求响应大数据对应的响应操作轨迹特征反复进行删除噪声状态的响应操作轨迹特征的过程，精确地去除噪声状态的响应操作轨迹特征，生成影响获得的异常操作活动的响应操作轨迹特征，基于此，结合获得的***请求响应大数据对应于各异常操作活动的异常操作活动预测概率分布，可以得到精确的异常操作活动。

一种设计思路中，上述步骤通过异常操作分析模型实现，所述异常操作分析模型通过以下步骤训练得到；获取***请求响应模板数据；将所述***请求响应模板数据加载初始化异常操作分析模型，所述异常操作分析模型包括多个特征更新网络；

通过所述初始化异常操作分析模型的特征更新网络生成第一预测响应操作轨迹特征，并确定所述***请求响应模板数据对应的第一预测异常操作活动信息；

所述特征更新网络用于结合***请求响应模板数据对应的第一模板请求响应事件的响应操作轨迹特征，确定所述第一模板请求响应事件的特征关注权重，并结合各所述第一模板请求响应事件对应的特征关注权重，对第三数量个第一模板请求响应事件分别对应的响应操作轨迹特征进行特征更新，生成第四数量个目标模板请求响应事件和各目标模板请求响应事件对应的第一预测响应操作轨迹特征；

将所述***请求响应模板数据加载到模板神经网络模型，并通过所述模板神经网络模型的各特征更新网络生成第二预测响应操作轨迹特征，并确定所述***请求响应模板数据对应的第二预测异常操作活动信息；

结合所述第一预测响应操作轨迹特征、所述第二预测响应操作轨迹特征、所述第一预测异常操作活动信息和所述第二预测异常操作活动信息，确定所述初始化异常操作分析模型的目标训练收敛评估指标，并通过所述目标训练收敛评估指标对所述初始化异常操作分析模型进行模型收敛优化。

本示例性实施方式中，结合模板神经网络模型生成的第二预测响应操作轨迹特征、第二预测异常操作活动信息和初始化异常操作分析模型生成的第一预测响应操作轨迹特征、第一预测异常操作活动信息，使得异常操作分析模型完成高品质知识提炼，生成精确的目标训练收敛评估指标，再通过目标训练收敛评估指标对初始化异常操作分析模型进行权重参数优化，提高初始化异常操作分析模型的推理准确性。

一种设计思路中，所述结合所述第一预测响应操作轨迹特征、所述第二预测响应操作轨迹特征、所述第一预测异常操作活动信息和所述第二预测异常操作活动信息，确定所述初始化异常操作分析模型的目标训练收敛评估指标，包括：

对于所述初始化异常操作分析模型中的各所述特征更新网络，结合所述特征更新网络对应的第一预测响应操作轨迹特征和第二预测响应操作轨迹特征，确定所述特征更新网络对应的第一训练收敛评估指标；

结合所述第一预测异常操作活动信息和所述第二预测异常操作活动信息，确定所述初始化异常操作分析模型的第二训练收敛评估指标；

结合各所述特征更新网络对应的第一训练收敛评估指标和所述第二训练收敛评估指标，确定所述目标训练收敛评估指标。

一种设计思路中，所述结合所述特征更新网络对应的第一预测响应操作轨迹特征和第二预测响应操作轨迹特征，确定所述特征更新网络对应的第一训练收敛评估指标，包括：

结合各个第一预测响应操作轨迹特征，确定第三数量个回归预测响应操作轨迹特征；

所述第三数量为所述***请求响应模板数据对应的第一模板请求响应事件的数量；

结合所述第三数量个回归预测响应操作轨迹特征和所述第二预测响应操作轨迹特征，确定所述特征更新网络对应的第一训练收敛评估指标。

本示例性实施方式中，因为该初始化异常操作分析模型生成的第一预测响应操作轨迹特征为去掉了噪声状态的响应操作轨迹特征的预测响应操作轨迹特征，所以第一预测响应操作轨迹特征的数量小于第一模板请求响应事件的数量。模板神经网络模型生成的第二预测响应操作轨迹特征的数量与第一模板请求响应事件的数量相同，使得结合得到的第三数量个回归预测响应操作轨迹特征，可以对初始化异常操作分析模型生成的第一预测响应操作轨迹特征对应的特征数进行回归，使之和第二预测响应操作轨迹特征对应，完成回归预测响应操作轨迹特征和第二预测响应操作轨迹特征之间的逐个对比，生成各回归预测响应操作轨迹特征和第二预测响应操作轨迹特征之间的训练收敛评估指标，从而完成初始化异常操作分析模型的知识蒸馏，然后通过各回归预测响应操作轨迹特征和第二预测响应操作轨迹特征之间的训练收敛评估指标，获得可靠精确的第一训练收敛评估指标。

一种设计思路中，所述结合各个第一预测响应操作轨迹特征，确定第三数量个回归预测响应操作轨迹特征，包括：

对所述第一预测响应操作轨迹特征对应的第二关联特征排列结构进行规则化转换，生成规则化转换后的第一预测目标选择特征，并对所述第一预测目标选择特征对应的关联特征排列结构进行特征切换，生成第三关联特征排列结构；

对所述第三关联特征排列结构进行迭代聚类分析，生成第二预测目标选择特征，并对所述第二预测目标选择特征进行基于设定特征衍生规则的特征衍生，生成第三预测目标选择特征；

对所述第三预测目标选择特征对应的关联特征排列结构进行迭代聚类分析，和对迭代聚类分析后的关联特征排列结构进行特征切换，生成第四关联特征排列结构，并结合所述第四关联特征排列结构，确定所述第三数量个回归预测响应操作轨迹特征，其中，所述第四关联特征排列结构的排列参数中包括第三数量个字段，所述第四关联特征排列结构的排列参数中的特征维度数量为第一模板请求响应事件的响应操作轨迹特征对应的特征维度数量。

一种设计思路中，所述结合所述第四关联特征排列结构，确定所述第三数量个回归预测响应操作轨迹特征，包括：

对所述第四关联特征排列结构进行规则化转换，并对规则化转换后的所述第四关联特征排列结构进行多次迭代聚类分析，生成第五关联特征排列结构；

结合所述第五关联特征排列结构和所述第四关联特征排列结构，确定所述第三数量个回归预测响应操作轨迹特征。

一种设计思路中，所述结合所述第三数量个回归预测响应操作轨迹特征和所述第二预测响应操作轨迹特征，确定所述特征更新网络对应的第一训练收敛评估指标，包括：

结合所述第三数量个回归预测响应操作轨迹特征和所述第二预测响应操作轨迹特征，确定第一成员训练收敛评估指标；

对所述回归预测响应操作轨迹特征进行回归处理，生成所述回归预测响应操作轨迹特征关联的第一目标预测响应操作轨迹特征，获取所述第一目标预测响应操作轨迹特征相应的第三预测异常操作活动信息；

对所述第二预测响应操作轨迹特征进行回归处理，生成所述第二预测响应操作轨迹特征关联的第二目标预测响应操作轨迹特征，获取所述第二目标预测响应操作轨迹特征相应的第四预测异常操作活动信息；

结合所述第三预测异常操作活动信息和所述第四预测异常操作活动信息，确定第二成员训练收敛评估指标；

结合所述第一成员训练收敛评估指标和所述第二成员训练收敛评估指标，确定所述第一训练收敛评估指标。

本示例性实施方式中，结合第三数量个回归预测响应操作轨迹特征和第二预测响应操作轨迹特征，可以得到特征更新网络在预测响应操作轨迹特征时的第一成员训练收敛评估指标。结合对回归预测响应操作轨迹特征进行回归处理，可以对回归预测响应操作轨迹特征进行分析，可以得到生成回归预测响应操作轨迹特征时的第二成员训练收敛评估指标，结合第二成员训练收敛评估指标和第一成员训练收敛评估指标得到的第一训练收敛评估指标对异常操作分析模型进行权重参数优化，可以增加特征更新网络生成回归预测响应操作轨迹特征的可靠性。

一种设计思路中，所述结合所述第三预测异常操作活动信息和所述第四预测异常操作活动信息，确定第二成员训练收敛评估指标，包括：

结合所述第三预测异常操作活动信息和所述第三预测异常操作活动信息对应的第一标注异常操作活动信息，确定第三成员训练收敛评估指标；

结合所述第四预测异常操作活动信息和所述第四预测异常操作活动信息对应的第二标注异常操作活动信息，确定第四成员训练收敛评估指标；

结合所述第三成员训练收敛评估指标和所述第四成员训练收敛评估指标，确定所述第二成员训练收敛评估指标。

本示例性实施方式中，模板神经网络模型和初始化异常操作分析模型各自对应不同的标注异常操作活动信息，因此生成的预测异常操作活动信息的目标各异，通过不同的标注异常操作活动信息获取训练收敛评估指标，可以增加获得第三成员训练收敛评估指标和第四成员训练收敛评估指标的可靠性，以便进一步精确获取第二成员训练收敛评估指标。

一种设计思路中，所述结合各所述特征更新网络对应的第一训练收敛评估指标和所述第二训练收敛评估指标，确定所述目标训练收敛评估指标，包括：

结合所述第一预测异常操作活动信息和所述***请求响应模板数据对应的标注异常操作活动信息，确定所述初始化异常操作分析模型对应的概率预测训练收敛评估指标；

结合各所述特征更新网络对应的第一训练收敛评估指标、所述第二训练收敛评估指标和所述概率预测训练收敛评估指标，确定所述目标训练收敛评估指标。

本示例性实施方式中，结合第一预测异常操作活动信息和***请求响应模板数据对应的标注异常操作活动信息，可以得到初始化异常操作分析模型生成的第一预测异常操作活动信息和实际的标注异常操作活动信息间的代价——概率预测训练收敛评估指标，通过该代价对初始化异常操作分析模型进行权重参数优化，可以增加异常操作分析模型生成的预测异常操作活动信息的可靠性。

一种设计思路中，所述结合各所述特征更新网络对应的第一训练收敛评估指标和所述第二训练收敛评估指标，确定所述目标训练收敛评估指标，包括：

通过测试神经网络模型，对所述***请求响应模板数据进行异常操作分析，确定***请求响应模板数据对应的第五预测异常操作活动信息；

结合所述第五预测异常操作活动信息和所述第一预测异常操作活动信息，确定所述初始化异常操作分析模型的第三训练收敛评估指标；

结合所述第一训练收敛评估指标、所述第二训练收敛评估指标和所述第三训练收敛评估指标，确定所述目标训练收敛评估指标。

第二方面，本申请实施例实施例还提供一种基于人工智能的异常操作分析***，所述基于人工智能的异常操作分析***包括大数据应用***以及与所述大数据应用***通信连接的多个用户终端；

所述大数据应用***，用于：

响应针对目标大数据应用***的异常操作分析指令，调取所述目标大数据应用***的***请求响应大数据；

对所述***请求响应大数据进行异常操作分析，确定对应的满足特征关注权重的异常操作活动以及所述异常操作活动对应的历史先验异常根因信息；

基于所述异常操作活动以及所述异常操作活动对应的历史先验异常根因信息，对对应的用户终端进行异常信息提示。

呈上所述的任意一方面，响应针对目标大数据应用***的异常操作分析指令，调取目标大数据应用***的***请求响应大数据，对***请求响应大数据进行异常操作分析，确定对应的满足特征关注权重的异常操作活动以及异常操作活动对应的历史先验异常根因信息，基于异常操作活动以及异常操作活动对应的历史先验异常根因信息，对对应的用户终端进行异常信息提示，由此在进行异常操作分析时结合了特征关注权重，提高异常操作分析的准确性和效率，同时通过对用户终端进行相应的异常根因信息提示，可以便于相关用户及时获知可能存在的异常风险。

附图说明

图1为本申请实施例实施例提供的基于人工智能的异常操作分析方法的流程示意图；

图2示出了本申请实施例所提供的用于实现上述的基于人工智能的异常操作分析方法的大数据应用***的组件结构示意图。。

具体实施方式

下面介绍本申请实施例一种实施例提供的基于人工智能的异常操作分析***10的架构，该基于人工智能的异常操作分析***10可以包括大数据应用***100以及与大数据应用***100通信连接的用户终端200。其中，基于人工智能的异常操作分析***10中的大数据应用***100和用户终端200可以通过配合执行以下方法实施例所描述的基于人工智能的异常操作分析方法，具体大数据应用***100和用户终端200的执行步骤部分可以参照以下方法实施例的详细描述。

本实施例提供的基于人工智能的异常操作分析方法可以由大数据应用***100执行，下面结合图1对该基于人工智能的异常操作分析方法进行详细介绍。

Process11，响应针对目标大数据应用***的异常操作分析指令，调取所述目标大数据应用***的***请求响应大数据。

其中，目标大数据应用***可以是指布局了大数据应用（如网络安全大数据应用、电商大数据应用、医疗大数据应用等）的云端软件***，异常操作分析指令可以是任何用户操作生成的，也可以是基于定时分析任务自动化生成的，具体不作限定。在接收到针对目标大数据应用***的异常操作分析指令，则可以调取所述目标大数据应用***的***请求响应大数据。

一些示例性的设计思路中，***请求响应大数据是目标大数据应用***在响应相关请求指令（如视频互动请求指令）时产生的响应事件数据的集合。这些响应事件数据可以是电商应用场景中的商品交易行为数据等。

在此基础上，可以对所述***请求响应大数据进行异常操作分析，确定对应的满足特征关注权重的异常操作活动以及所述异常操作活动对应的历史先验异常根因信息，并基于所述异常操作活动以及所述异常操作活动对应的历史先验异常根因信息，对对应的用户终端进行异常信息提示。由此在进行异常操作分析时结合了特征关注权重，提高异常操作分析的准确性和效率，同时通过对用户终端进行相应的异常根因信息提示，可以便于相关用户及时获知可能存在的异常风险。

例如，对所述***请求响应大数据进行异常操作分析，确定对应的满足特征关注权重的异常操作活动以及所述异常操作活动对应的历史先验异常根因信息，可以参见下述步骤执行。

Process12，结合***请求响应大数据，确定***请求响应大数据对应的第一数量个第一请求响应事件和各第一请求响应事件对应的响应操作轨迹特征。

其中，第一请求响应事件可以是对***请求响应大数据按照事件类别分类后得到的多个响应事件数据，每个请求响应事件对应于***请求响应大数据中的一个事件类别，例如在电商应用场景，请求响应事件1对应***请求响应大数据的商品交易行为数据，请求响应事件2对应***请求响应大数据的针对目标直播页面的关注行为数据，请求响应事件3对应***请求响应大数据的针对目标商品浏览板块的互动行为数据。各第一请求响应事件对应的响应操作轨迹特征可以用于表示响应操作的流程动作，如商品交易行为数据的响应操作轨迹特征可以用于表示商品交易流程中的交易触发特征、交易执行特征以及交易终止特征等。

其中，确定***请求响应大数据对应的第一数量个第一请求响应事件和各第一请求响应事件对应的响应操作轨迹特征可以通过预先训练的异常操作分析模型提取。异常操作分析模型，例如可以是任意的AI网络模型，其包括多个用于对响应操作轨迹特征进行特征更新处理的特征更新网络，更新之后得到第二请求响应事件对应的响应操作轨迹特征，另外还包括一全连接网络，以确定***请求响应大数据对应的异常操作活动预测概率分布。当获取***请求响应大数据后，将***请求响应大数据加载到异常操作分析模型，通过异常操作分析模型对***请求响应大数据进行处理，生成***请求响应大数据对应的第一数量个第一请求响应事件和各第一请求响应事件对应的响应操作轨迹特征。

Process13，针对各第一请求响应事件，结合第一请求响应事件的响应操作轨迹特征，确定第一请求响应事件对应的特征关注权重。

其中，特征关注权重可表征各第一请求响应事件对获得的异常操作活动的注意力权重，一个第一请求响应事件对应一个特征关注权重，特征关注权重越高，表示该第一请求响应事件的特征集中度越高，例如第一请求响应事件为电商直播响应事件，其中与电商直播相关的特征占比越大，那么其特征关注权重也就越大。

Process14，结合各第一请求响应事件对应的特征关注权重，对第一数量个第一请求响应事件分别对应的响应操作轨迹特征进行特征更新，生成第二数量个第二请求响应事件和各第二请求响应事件对应的响应操作轨迹特征，其中，第二数量小于第一数量。第二数量为获得的第二请求响应事件和第二请求响应事件对应的响应操作轨迹特征的数量。第二请求响应事件为结合各第一请求响应事件对应的特征关注权重，对第一请求响应事件对应的响应操作轨迹特征去除噪声状态的响应操作轨迹特征后得到的请求响应事件。第二数量可以和第一数量关联，例如第二数量=第一数量/2个。

每一第二请求响应事件对应的响应操作轨迹特征都是剔除噪声状态的响应操作轨迹特征后的响应操作轨迹特征。例如，生成各第一请求响应事件对应的特征关注权重后，结合各第一请求响应事件对应的特征关注权重，确定出第一数量个第一请求响应事件分别对应的响应操作轨迹特征中的噪声状态的响应操作轨迹特征，然后结合确定的噪声状态的响应操作轨迹特征，对第一数量个第一请求响应事件分别对应的响应操作轨迹特征进行特征更新，生成第二数量个第二请求响应事件和各第二请求响应事件对应的响应操作轨迹特征，例如通过对响应操作轨迹特征进行聚合。如果通过异常操作分析模型对***请求响应大数据进行处理，在异常操作分析模型得到各第一请求响应事件对应的特征关注权重后，结合各第一请求响应事件对应的特征关注权重，对第一数量个第一请求响应事件分别对应的响应操作轨迹特征进行特征更新，从而得到第二数量个第二请求响应事件和各第二请求响应事件对应的响应操作轨迹特征。此外，在通过异常操作分析模型对***请求响应大数据进行处理时，每一特征更新网络均通过上述步骤执行，例如，第一个特征更新网络在对第一请求响应事件对应的响应操作轨迹特征进行特征更新之后，生成第二数量个第二请求响应事件和各第二请求响应事件对应的响应操作轨迹特征，再将第二请求响应事件覆盖第一请求响应事件，将第一数量对应对应的数值参数参数调整为第一请求响应事件对应的数值参数，然后第二个特征更新网络再对第一个特征更新网络生成的各第二请求响应事件对应的响应操作轨迹特征再次进行特征更新，在遍历状态下，还可以通过第三个特征更新网络对第二个特征更新网络生成的各第二请求响应事件对应的响应操作轨迹特征又进行特征更新，获得新的第二请求响应事件和新的第二请求响应事件对应的响应操作轨迹特征。其中，各特征更新网络生成的第二请求响应事件的数量级和生成的第二请求响应事件对应的响应操作轨迹特征的数量级，均少于前一个特征更新网络生成的第二请求响应事件的数量和生成的第二请求响应事件对应的响应操作轨迹特征的数量。

如此一来，结合多个特征更新网络的操作，对***请求响应大数据中的噪声状态的响应操作轨迹特征进行过滤，生成注意力权重获得的异常操作活动的响应操作轨迹特征。

Process15，结合各第二请求响应事件对应的响应操作轨迹特征，确定***请求响应大数据的异常操作活动。

异常操作活动表示目标大数据应用***中存在异常特征的软件操作活动，例如电商应用场景中，针对***请求响应大数据匹配的异常操作活动为A，而A表示支付盗用操作活动，或者其它任何预先设定的类型，如敏感访问操作活动等。

Process16，结合历史先验异常根因知识库，确定异常操作活动对应的历史先验异常根因信息。

例如，可以预先在异常操作知识库存储有异常操作活动与历史先验异常根因信息的关联关系，获取到异常操作活动后，则可确定对应的历史先验异常根因信息，如支付盗用操作活动所对应的历史先验异常根因信息为金融访问安全类型。

由此，通过获取可以反映各第一请求响应事件对获得的异常操作活动的注意力权重的特征关注权重，对第一数量个第一请求响应事件分别对应的响应操作轨迹特征进行特征更新，可以对噪声状态的响应操作轨迹特征进行特征去噪。例如，去除对获得的异常操作活动没有注意力权重或注意力权重小于门限值的响应操作轨迹特征；基于此，获得影响着获得的异常操作活动的第二数量个第二请求响应事件对应的响应操作轨迹特征。然后通过第二数量个第二请求响应事件对应的响应操作轨迹特征，确定***请求响应大数据的异常操作活动，由此提高异常操作活动决策的准确性，并且第二数量小于第一数量，可以降低数据计算量，提高异常操作活动决策速度。

本示例性实施方式中，对于Process13，可以通过异常操作分析模型执行，以下通过其一个特征更新网络执行进行举例，可以包括以下步骤：

Process131，针对各第一请求响应事件，对第一请求响应事件对应的响应操作轨迹特征进行基于惩罚性的特征选择，生成第一请求响应事件对应的目标选择特征。

针对各第一请求响应事件，可以通过异常操作分析模型中的特征更新网络对该第一请求响应事件对应的响应操作轨迹特征进行基于惩罚性的特征选择，生成第一请求响应事件对应的目标选择特征，从而得到各第一请求响应事件对应的目标选择特征。其中，该基于惩罚性的特征选择可以通过设置在特征更新网络中的特征选择单元进行。***请求响应大数据经过异常操作分析模型处理，获得的各个第一请求响应事件对应的响应操作轨迹特征，可以以关联特征排列结构展现（该关联特征排列结构可以理解为一种矩阵格式的数据结构），关联特征排列结构中一个关联特征对应于一个第一请求响应事件的响应操作轨迹特征。第一请求响应事件对应的关联特征排列结构的排列参数可以为第一数量乘以第二数量， 第一数量为响应操作轨迹特征的数量，第一数量小于D，D为异常操作分析模型对***请求响应大数据处理得到的响应操作轨迹特征对应的特征维度数量。通过特征更新网络的特征选择单元对排列参数为第一数量乘以D的关联特征排列结构中的每一响应操作轨迹特征进行基于惩罚性的特征选择，生成各第一请求响应事件对应的目标选择特征。此处目标选择特征相应的数量和第一请求响应事件对应的响应操作轨迹特征的数量对应。

Process132，结合各第一请求响应事件对应的目标选择特征，确定第一请求响应事件对应的特征关注权重。

获得各第一请求响应事件对应的目标选择特征后，通过特征更新网络对各第一请求响应事件对应的目标选择特征进行再次处理，生成第一请求响应事件对应的特征关注权重。具体过程可以包括：

Process1321，对各第一请求响应事件对应的目标选择特征进行规则化转换，生成规则化转换后的目标选择特征。

特征更新网络生成第一请求响应事件对应的目标选择特征后，对各第一请求响应事件对应的目标选择特征进行规则化转换，生成各目标选择特征对应的规则化转换后的目标选择特征。获得的规则化转换后的目标选择特征的数量和第一请求响应事件对应的目标选择特征的数量对应。规则化转换是对目标选择特征进行归一化转换。

其中，Process1321，可以包括：

Process13211，结合各第一请求响应事件对应的目标选择特征，确定各第一请求响应事件对应的可转换知识点。

Process13212，结合各第一请求响应事件对应的可转换知识点，对各第一请求响应事件对应的目标选择特征进行规则化转换，生成规则化转换后的目标选择特征。

Process1322，对规则化转换后的目标选择特征进行迭代聚类分析，生成第一迭代聚类分析特征。

其中，第一迭代聚类分析特征对应的特征维度数量小于目标选择特征对应的特征维度数量。第一迭代聚类分析特征为进行迭代聚类分析之后的分析特征为。其中，获得的第一迭代聚类分析特征的数量和规则化转换后的目标选择特征的数量对应，各第一迭代聚类分析特征对应的特征维度数量小于该第一迭代聚类分析特征对应的响应操作轨迹特征的特征维度数量，例如第一迭代聚类分析特征对应的特征维度数量是该第一迭代聚类分析特征对应的响应操作轨迹特征的特征维度数量的二分之一。一些示例性的设计思路中，Process1322可以包括以下步骤：

Process13221，结合规则化转换后的目标选择特征，确定规则化转换后的目标选择特征对应的特征标签传播向量。

例如，先对规则化转换后的各目标选择特征进行噪声分析，确定出各规则化转换后的目标选择特征中噪声状态的目标选择特征，然后基于各规则化转换后的目标选择特征中噪声状态的目标选择特征，确定各规则化转换后的目标选择特征对应的特征标签传播向量。

Process13222，通过特征标签传播向量，对规则化转换后的目标选择特征进行迭代聚类分析，生成第一迭代聚类分析特征。

Process1323，结合各第一请求响应事件对应的第一迭代聚类分析特征，确定各第一请求响应事件对应的特征关注权重。

其中，该Process1323可以包括：

Process13231，对各第一迭代聚类分析特征进行基于设定特征衍生规则的特征衍生，并对特征衍生后的第一迭代聚类分析特征进行迭代聚类分析，生成各第一迭代聚类分析特征对应的第二迭代聚类分析特征。

此处获得的第二迭代聚类分析特征对应的特征维度数量小于该第二迭代聚类分析特征对应的第一迭代聚类分析特征的对应的特征维度数量，例如第二迭代聚类分析特征对应的特征维度数量为第一数量/2。如果第一请求响应事件对应的关联特征排列结构的排列参数为第一数量乘以D，各第一迭代聚类分析特征对应的关联特征排列结构的排列参数可以为第一数量乘以D/2，那么获得的各第二迭代聚类分析特征对应的关联特征排列结构的排列参数为第一数量乘以第一数量/2。

Process13232，结合各第二迭代聚类分析特征，确定各第一请求响应事件对应的特征关注权重。

例如，可以统计各第二迭代聚类分析特征中与第一请求响应事件相关的事件类别的关联特征占比，作为各第一请求响应事件对应的特征关注权重。

其中，Process14可以包括以下步骤：

Process141，结合各第一请求响应事件对应的特征关注权重，确定特征关注权重对应的第一关联特征排列结构。

其中，第一关联特征排列结构的排列参数为第一数量乘以第二数量。其中，第一关联特征排列结构中包括各第一请求响应事件对应的特征关注权重，获取的特征关注权重对应的关联特征排列结构的排列参数为第一数量乘以第一数量/2，,该关联特征排列结构即第一关联特征排列结构。

Process142，对第一关联特征排列结构进行特征切换，生成排列参数为第一数量乘以第二数量第二数量个第二关联特征排列结构。

特征切换是对关联特征排列结构中的各个特征关注权重对应的关联特征位置进行转置。

Process143，结合第二关联特征排列结构和第一请求响应事件的响应操作轨迹特征对应的请求响应事件节点矩阵，对第一数量个第一请求响应事件分别对应的响应操作轨迹特征进行特征更新，生成第二数量个第二请求响应事件和各第二请求响应事件对应的响应操作轨迹特征。

其中， 第一请求响应事件的响应操作轨迹特征对应的请求响应事件节点矩阵可以为基于惩罚性的特征选择后的目标选择特征对应的关联特征排列结构。例如，可以对第二关联特征排列结构和第一请求响应事件的响应操作轨迹特征对应的请求响应事件节点矩阵融合，从而对第一数量个第一请求响应事件各自对应的响应操作轨迹特征进行特征更新聚合，生成第二数量个第二请求响应事件和各第二请求响应事件对应的响应操作轨迹特征。例如，若第一请求响应事件的响应操作轨迹特征对应的请求响应事件节点矩阵为第一数量乘以D的关联特征排列结构，第二关联特征排列结构为第二数量乘以第一数量关联特征排列结构，其中，第二数量为第一数量/2，那么，对第二关联特征排列结构和请求响应事件节点矩阵融合，可以得到排列参数为第二数量乘以D的关联特征排列结构，将第二数量乘以D的关联特征排列结构的特征作为第二请求响应事件对应的响应操作轨迹特征。

本示例性实施方式中，对于Process15，由于异常操作分析模型中包括多个特征更新网络，在通过第一个特征更新网络对***请求响应大数据相应的第一数量个第一请求响应事件和各第一请求响应事件对应的响应操作轨迹特征进行特征更新处理，生成第二数量个第二请求响应事件和各第二请求响应事件对应的响应操作轨迹特征之后，可以将第一个特征更新网络生成的第二请求响应事件覆盖第一请求响应事件，将新的第一请求响应事件的数量覆盖第一数量，然后循环针对各第一请求响应事件，结合第一请求响应事件的响应操作轨迹特征，确定第一请求响应事件对应的特征关注权重的步骤。在循环遍历阶段超过设定阶段数量时，终止。例如先通过第一个特征更新网络对***请求响应大数据对应的第一数量个第一请求响应事件和各第一请求响应事件对应的响应操作轨迹特征进行特征更新处理，生成第一个生成，再把该生成作为第二个特征更新网络的加载，通过第二个特征更新网络对该加载进行特征更新处理，生成第二个生成，再把第二个特征更新网络的生成作为第三个特征更新网络的加载，通过第三个特征更新网络对该加载进行特征更新处理，生成第三个生成，把第三个特征更新网络的生成作为最后一次生成的各个第二请求响应事件对应的响应操作轨迹特征。最终，结合最后一次生成的各个第二请求响应事件对应的响应操作轨迹特征，确定***请求响应大数据的对应的异常操作活动预测概率分布，并结合异常操作活动预测概率分布，确定***请求响应大数据的异常操作活动在确定***请求响应大数据的对应的异常操作活动预测概率分布时，先结合最后一次生成的各个第二请求响应事件的响应操作轨迹特征，确定***请求响应大数据对应的目标响应操作轨迹特征。以上方案中，最后一次生成的各个第二请求响应事件的响应操作轨迹特征，即第三个特征更新网络生成的各个第二请求响应事件的响应操作轨迹特征。目标响应操作轨迹特征为对最后一次生成的各个第二请求响应事件的响应操作轨迹特征进行基于惩罚性的特征选择后获得的响应操作轨迹特征，目标响应操作轨迹特征包含了各个第二请求响应事件的响应操作轨迹特征。结合目标响应操作轨迹特征，可以确定***请求响应大数据的对应的异常操作活动预测概率分布。异常操作活动预测概率分布指示***请求响应大数据对应于各个异常操作活动的概率分类值。例如，可以将目标响应操作轨迹特征加载异常操作分析模型中，通过其中全连接网络进行归类，生成***请求响应大数据的对应的异常操作活动预测概率分布。结合异常操作活动预测概率分布，确定***请求响应大数据的异常操作活动。其中，异常操作活动预测概率分布的最大值，或者大于设定概率值的候选异常操作活动，即***请求响应大数据的异常操作活动。

下面提供一种基于人工智能的异常操作分析模型训练方法，包括以下步骤：

Process1100，获取***请求响应模板数据。

***请求响应模板数据即训练样本，可以是任意异常操作分析对应的***请求响应大数据。

Process1200，将***请求响应模板数据加载到初始化异常操作分析模型，通过初始化异常操作分析模型对***请求响应模板数据进行处理，确定各特征更新网络生成的第一预测响应操作轨迹特征，并确定***请求响应模板数据对应的第一预测异常操作活动信息。

特征更新网络用于结合***请求响应模板数据对应的第一模板请求响应事件的响应操作轨迹特征，确定第一模板请求响应事件的特征关注权重，并结合各第一模板请求响应事件对应的特征关注权重，对第三数量个第一模板请求响应事件分别对应的响应操作轨迹特征进行特征更新，生成第四数量个目标模板请求响应事件和各目标模板请求响应事件对应的第一预测响应操作轨迹特征。其中，第一预测异常操作活动信息指示***请求响应模板数据对应于每一种异常操作活动的概率值，第一预测响应操作轨迹特征为各特征更新网络生成的，各目标模板请求响应事件对应的预测响应操作轨迹特征，一个特征更新网络生成一个第一预测响应操作轨迹特征。在将***请求响应模板数据加载初始化异常操作分析模型后，初始化异常操作分析模型先对***请求响应模板数据进行切分，生成***请求响应模板数据对应的第三数量个第一模板请求响应事件并确定各第一模板请求响应事件对应的响应操作轨迹特征。再通过初始化异常操作分析模型中的各个特征更新网络对各第一模板请求响应事件对应的响应操作轨迹特征处理，生成各特征更新网络生成的第一预测响应操作轨迹特征，然后结合最后一个特征更新网络生成的第一预测响应操作轨迹特征，确定***请求响应模板数据对应的第一预测异常操作活动信息。

Process1300，将***请求响应模板数据加载模板神经网络模型，通过模板神经网络模型对***请求响应模板数据进行处理，确定模板神经网络模型中的各特征更新网络生成的第二预测响应操作轨迹特征，和确定***请求响应模板数据对应的第二预测异常操作活动信息。

模板神经网络模型可以是基于异常操作分析模型得到的神经网络模型，例如知识蒸馏形式的深度学习模型，初始化异常操作分析模型作为其中学生模型。模板神经网络模型中的特征更新网络的数量和异常操作分析模型中的特征更新网络的对应，模板神经网络模型包括第一训练收敛评估指标、第二训练收敛评估指标、第三训练收敛评估指标、第二成员训练收敛评估指标、第三成员训练收敛评估指标和第四成员训练收敛评估指标，和用于确定回归预测响应操作轨迹特征对应的第三预测异常操作活动信息和确定第二预测响应操作轨迹特征对应的第四预测异常操作活动信息的深度学习继承单元。第二预测响应操作轨迹特征为模板神经网络模型中的特征更新网络生成的预测响应操作轨迹特征，模板神经网络模型中的一个特征更新网络也对应于第二预测响应操作轨迹特征，第二预测异常操作活动信息为模板神经网络模型得到的可以反映***请求响应模板数据对应于每一异常操作活动的概率值。在将***请求响应模板数据加载模板神经网络模型后，模板神经网络模型可以先对***请求响应模板数据进行分区，生成***请求响应模板数据对应的第三数量个第一模板请求响应事件，和确定各第一模板请求响应事件对应的响应操作轨迹特征。再通过模板神经网络模型中的各个特征更新网络对第三数量个第一模板请求响应事件中的各第一模板请求响应事件对应的响应操作轨迹特征逐一进行基于惩罚性的特征选择，确定各特征更新网络生成的第二预测响应操作轨迹特征，并结合最后一个特征更新网络生成的第二预测响应操作轨迹特征，确定***请求响应模板数据对应的第二预测异常操作活动信息。各特征更新网络得到第三数量个第二预测响应操作轨迹特征。

Process1400，结合第一预测响应操作轨迹特征、第二预测响应操作轨迹特征、第一预测异常操作活动信息和第二预测异常操作活动信息，确定初始化异常操作分析模型的目标训练收敛评估指标，并通过目标训练收敛评估指标对初始化异常操作分析模型进行模型收敛优化。

其中，收敛的条件可以是训练达到预设次数或者推理准确度达到预设准确度。可以结合各第一预测响应操作轨迹特征和各第二预测响应操作轨迹特征，确定预测响应操作轨迹特征对应的训练收敛评估指标。还可以基于第一预测异常操作活动信息和第二预测异常操作活动信息，确定两个预测异常操作活动信息之间的训练收敛评估指标。然后结合预测响应操作轨迹特征对应的训练收敛评估指标和两个预测异常操作活动信息之间的训练收敛评估指标，确定初始化异常操作分析模型的目标训练收敛评估指标，并通过目标训练收敛评估指标对初始化异常操作分析模型进行模型收敛优化。

其中，Process1400可以包括：

Process1401，对于初始化异常操作分析模型中的各特征更新网络，结合特征更新网络对应的第一预测响应操作轨迹特征和第二预测响应操作轨迹特征，确定特征更新网络对应的第一训练收敛评估指标。

其中，对于初始化异常操作分析模型中的各特征更新网络，可以确定出该特征更新网络，在模板神经网络模型中对应的特征更新网络，然后结合特征更新网络对应的第一预测响应操作轨迹特征和对应的特征更新网络对应的第二预测响应操作轨迹特征，确定该第一预测响应操作轨迹特征和该第二预测响应操作轨迹特征之间的训练收敛评估指标，将该训练收敛评估指标作为该特征更新网络对应的第一训练收敛评估指标。

Process1402，结合第一预测异常操作活动信息和第二预测异常操作活动信息，确定初始化异常操作分析模型的第二训练收敛评估指标。

其中，可以结合第一预测异常操作活动信息和第二预测异常操作活动信息，确定两个预测异常操作活动信息之间的训练收敛评估指标，将该训练收敛评估指标作为初始化异常操作分析模型的第二训练收敛评估指标。

Process1403，结合各特征更新网络对应的第一训练收敛评估指标和第二训练收敛评估指标，确定目标训练收敛评估指标。

其中，可以将各特征更新网络对应的第一训练收敛评估指标和第二训练收敛评估指标，作为目标训练收敛评估指标。

在Process1401中，具体可以包括：

Process14011，结合各个第一预测响应操作轨迹特征，确定第三数量个回归预测响应操作轨迹特征，第三数量为***请求响应模板数据对应的第一模板请求响应事件的数量。

回归预测响应操作轨迹特征为对第一预测响应操作轨迹特征进行数量层面的回归之后得到的预测响应操作轨迹特征，回归预测响应操作轨迹特征对应的数量大于第一预测响应操作轨迹特征对应的数量。因为各特征更新网络生成的第一预测响应操作轨迹特征的数量要小于第一模板请求响应事件的响应操作轨迹特征的数量，模板神经网络模型中的各特征更新网络生成的第二预测响应操作轨迹特征的数量等于第一模板请求响应事件的响应操作轨迹特征的数量。那么，就得在获取到各个第一预测响应操作轨迹特征后，分别对各第一预测响应操作轨迹特征进行数量回归，生成各第一预测响应操作轨迹特征对应的第三数量个回归预测响应操作轨迹特征。使得回归预测响应操作轨迹特征的数量和第二预测响应操作轨迹特征的数量对应上。

Process14012，结合第三数量个回归预测响应操作轨迹特征和第二预测响应操作轨迹特征，确定特征更新网络对应的第一训练收敛评估指标。

对于第三数量个各回归预测响应操作轨迹特征，可以先得到与该回归预测响应操作轨迹特征对应的第二预测响应操作轨迹特征，再确定该回归预测响应操作轨迹特征和该第二预测响应操作轨迹特征之间的训练收敛评估指标，然后结合每两个预测响应操作轨迹特征(回归预测响应操作轨迹特征和对应的第二预测响应操作轨迹特征)之间的训练收敛评估指标，确定第一训练收敛评估指标，将该第一训练收敛评估指标作为回归预测响应操作轨迹特征对应于初始化异常操作分析模型中的特征更新网络的第一训练收敛评估指标。结合上述两个步骤，各自确定出初始化异常操作分析模型中的各特征更新网络对应的第一训练收敛评估指标。

其中，Process14011可以包括：

Process140111，对第一预测响应操作轨迹特征对应的第二关联特征排列结构进行规则化转换，生成规则化转换后的第一预测目标选择特征，并对第一预测目标选择特征对应的关联特征排列结构进行特征切换，生成第三关联特征排列结构。

Process140112，对第三关联特征排列结构进行迭代聚类分析，生成第二预测目标选择特征，并对第二预测目标选择特征进行基于设定特征衍生规则的特征衍生，生成第三预测目标选择特征。

Process140113，对第三预测目标选择特征对应的关联特征排列结构进行迭代聚类分析，并对迭代聚类分析后的关联特征排列结构进行特征切换，生成第四关联特征排列结构，并结合第四关联特征排列结构，确定第三数量个回归预测响应操作轨迹特征。

其中，第四关联特征排列结构的排列参数中包含第三数量个字段，第四关联特征排列结构的排列参数中的特征维度数量为第一模板请求响应事件的响应操作轨迹特征对应的特征维度数量。对初始化异常操作分析模型中的第二个特征更新网络生成的第一预测响应操作轨迹特征、和第三个特征更新网络生成的第一预测响应操作轨迹特征进行回归的过程，可以参照以上对第一个特征更新网络生成的第一预测响应操作轨迹特征进行回归的过程。

一些示例性的设计思路中，对于Process140113中的结合第四关联特征排列结构，确定第三数量个回归预测响应操作轨迹特征，可以包括：对第四关联特征排列结构进行规则化转换，并对规则化转换后的第四关联特征排列结构进行多次迭代聚类分析，生成第五关联特征排列结构；结合第五关联特征排列结构和第四关联特征排列结构，确定第三数量个回归预测响应操作轨迹特征。

其中，对于结合第三数量个回归预测响应操作轨迹特征和第二预测响应操作轨迹特征，确定特征更新网络对应的第一训练收敛评估指标，还可以包括：

A：预测响应操作轨迹特征和第二预测响应操作轨迹特征，确定第一成员训练收敛评估指标。

B：对回归预测响应操作轨迹特征进行回归处理，生成回归预测响应操作轨迹特征关联的第一目标预测响应操作轨迹特征，并确定第一目标预测响应操作轨迹特征对应的第三预测异常操作活动信息。

其中，第一成员训练收敛评估指标可以是Process14011和Process14012中所介绍的训练收敛评估指标。

本申请实施例还提供一种深度学习继承单元，对回归预测响应操作轨迹特征和第二预测响应操作轨迹特征进行分析，确定回归预测响应操作轨迹特征对应于为模板神经网络模型生成的预测响应操作轨迹特征的概率值，并确定第二预测响应操作轨迹特征对应于为模板神经网络模型生成的预测响应操作轨迹特征的概率值。第一目标预测响应操作轨迹特征为对回归预测响应操作轨迹特征对应的特征维度数量进行压缩后得到的预测响应操作轨迹特征。异常操作分析模型中的各个特征更新网络生成各个回归预测响应操作轨迹特征后，可以将回归预测响应操作轨迹特征加载到深度学习继承单元，通过深度学习继承单元对各个回归预测响应操作轨迹特征进行异常操作分析，例如对各个回归预测响应操作轨迹特征对应的特征维度数量进行压缩，将各回归预测响应操作轨迹特征对应的特征维度数量下降，获取各回归预测响应操作轨迹特征关联的第一目标预测响应操作轨迹特征。然后，可以通过深度学习继承单元对各第一目标预测响应操作轨迹特征进行归类，确定出各第一目标预测响应操作轨迹特征对应于为模板神经网络模型生成的预测响应操作轨迹特征的概率值，作为第一目标预测响应操作轨迹特征对应的第三预测异常操作活动信息。

C：对第二预测响应操作轨迹特征进行回归处理，生成第二预测响应操作轨迹特征关联的第二目标预测响应操作轨迹特征，并确定第二目标预测响应操作轨迹特征对应的第四预测异常操作活动信息。

第二目标预测响应操作轨迹特征为对第二预测响应操作轨迹特征对应的特征维度数量压缩后得到的预测响应操作轨迹特征。第四预测异常操作活动信息指示各第二目标预测响应操作轨迹特征对应于为模板神经网络模型生成的预测响应操作轨迹特征的概率值。得到的模板神经网络模型中的各个特征更新网络生成的各个第二预测响应操作轨迹特征后，将第二预测响应操作轨迹特征加载到深度学习继承单元，通过深度学习继承单元分别对各个第二预测响应操作轨迹特征进行回归处理，例如对各个第二预测响应操作轨迹特征对应的特征维度数量进行压缩，将各第二预测响应操作轨迹特征对应的特征维度数量降低，获得各第二预测响应操作轨迹特征关联的第二目标预测响应操作轨迹特征。此外，可以通过深度学习继承单元对各第二目标预测响应操作轨迹特征进行归类，生成各第二目标预测响应操作轨迹特征对应于为模板神经网络模型生成的预测响应操作轨迹特征的概率值，作为该第二目标预测响应操作轨迹特征对应的第四预测异常操作活动信息。

D：结合第三预测异常操作活动信息和第四预测异常操作活动信息，确定第二成员训练收敛评估指标，结合第一成员训练收敛评估指标和第二成员训练收敛评估指标，确定第一训练收敛评估指标。

其中，结合第三预测异常操作活动信息和第四预测异常操作活动信息，确定第二成员训练收敛评估指标可以包括：

D1：结合第三预测异常操作活动信息和第三预测异常操作活动信息对应的第一标注异常操作活动信息，确定第三成员训练收敛评估指标。

第三预测异常操作活动信息表示各第一目标预测响应操作轨迹特征对应于为模板神经网络模型生成的预测响应操作轨迹特征的概率值，各第一目标预测响应操作轨迹特征为结合初始化异常操作分析模型中的特征更新网络生成的第一预测响应操作轨迹特征得到，因而第一目标预测响应操作轨迹特征对应于为模板神经网络模型生成的预测响应操作轨迹特征的概率值极低，与第三预测异常操作活动信息进行权重参数优化收敛评估指标计算，结合得到训练收敛评估指标确定第一训练收敛评估指标，再通过第一训练收敛评估指标对初始化异常操作分析模型中的特征更新网络进行权重参数优化，提升特征更新网络生成的第一预测响应操作轨迹特征的准确性。

D2：结合第四预测异常操作活动信息和第四预测异常操作活动信息对应的第二标注异常操作活动信息，确定第四成员训练收敛评估指标。

其中，由于第四预测异常操作活动信息表示各第二目标预测响应操作轨迹特征对应于为模板神经网络模型生成的预测响应操作轨迹特征的概率值，且各第二目标预测响应操作轨迹特征为结合模板神经网络模型中的特征更新网络生成的第二预测响应操作轨迹特征得到，则第二目标预测响应操作轨迹特征对应于为模板神经网络模型生成的预测响应操作轨迹特征的概率值极大，与第四预测异常操作活动信息计算训练收敛评估指标，并结合得到的训练收敛评估指标确定第一训练收敛评估指标，再通过第一训练收敛评估指标对初始化异常操作分析模型中的特征更新网络进行权重参数优化，从而对初始化异常操作分析模型中的特征更新网络的生成实现有监督学习，增加特征更新网络生成的第一预测响应操作轨迹特征的可靠度。

D3：结合第三成员训练收敛评估指标和第四成员训练收敛评估指标，确定第二成员训练收敛评估指标。

其中，可以把第三成员训练收敛评估指标和第四成员训练收敛评估指标进行加权，将加权结果作为第二成员训练收敛评估指标。另外，在得到第二成员训练收敛评估指标和第一成员训练收敛评估指标后，可以将第二成员训练收敛评估指标和第一成员训练收敛评估指标作为第一训练收敛评估指标，或者可以把第二成员训练收敛评估指标和第一成员训练收敛评估指标进行求和，作为第一训练收敛评估指标。进一步地，可以结合上述步骤确定出初始化异常操作分析模型中的各特征更新网络分别对应的第一训练收敛评估指标，可以通过各特征更新网络对应的第一训练收敛评估指标，对该特征更新网络进行权重参数优化。

另外，对于结合各特征更新网络对应的第一训练收敛评估指标和第二训练收敛评估指标，确定目标训练收敛评估指标的步骤，可以包括：

Process1501，结合第一预测异常操作活动信息和***请求响应模板数据对应的标注异常操作活动信息，确定初始化异常操作分析模型对应的概率预测训练收敛评估指标。其中，目标训练收敛评估指标包括第一预测异常操作活动信息和***请求响应模板数据对应的标注异常操作活动信息之间的概率预测训练收敛评估指标。概率预测训练收敛评估指标可以指示初始化异常操作分析模型生成的第一预测异常操作活动信息和***请求响应模板数据对应的标注异常操作活动信息之间的训练收敛评估指标。***请求响应模板数据对应的标注异常操作活动信息为***请求响应模板数据对应的实际异常操作活动信息。可以通过第一预测异常操作活动信息和***请求响应模板数据对应的标注异常操作活动信息进行损失函数计算，确定初始化异常操作分析模型对应的概率预测训练收敛评估指标。

Process1502，结合各特征更新网络对应的第一训练收敛评估指标、第二训练收敛评估指标和概率预测训练收敛评估指标，确定目标训练收敛评估指标。

可以将初始化异常操作分析模型中的各特征更新网络对应的第一训练收敛评估指标、确定的第二训练收敛评估指标和确定的概率预测训练收敛评估指标，作为目标训练收敛评估指标。

一些示例性的设计思路中，对于结合各特征更新网络对应的第一训练收敛评估指标和第二训练收敛评估指标，确定目标训练收敛评估指标可以包括：

Process1601，通过测试神经网络模型，对***请求响应模板数据进行异常操作分析，确定***请求响应模板数据对应的第五预测异常操作活动信息。

测试神经网络模型可以为通过通用训练方式获取的神经网络模型，可以对特征数据进行分类。第五预测异常操作活动信息可以指示***请求响应模板数据对应于每一种异常操作活动的概率值。可以通过测试神经网络模型，对***请求响应模板数据进行异常操作分析，确定出测试神经网络模型生成的***请求响应模板数据对应的第五预测异常操作活动信息。

Process1602，结合第五预测异常操作活动信息和第一预测异常操作活动信息，确定初始化异常操作分析模型的第三训练收敛评估指标。

可以通过第五预测异常操作活动信息和第一预测异常操作活动信息计算训练收敛评估指标，将该训练收敛评估指标作为初始化异常操作分析模型的第三训练收敛评估指标。

Process1603，结合第一训练收敛评估指标、第二训练收敛评估指标和第三训练收敛评估指标，确定目标训练收敛评估指标。

可以将第一训练收敛评估指标、第二训练收敛评估指标和第三训练收敛评估指标作为目标训练收敛评估指标，还可以将第一训练收敛评估指标、第二训练收敛评估指标、第三训练收敛评估指标和以上实施方式中的概率预测训练收敛评估指标共同作为目标训练收敛评估指标，另外，可以将第一训练收敛评估指标、第二训练收敛评估指标、第三训练收敛评估指标和概率预测训练收敛评估指标合并，作为目标训练收敛评估指标。另外，一些示例性的设计思路中，还可以通过以上实施方式的各种训练收敛评估指标，如第一训练收敛评估指标、第二训练收敛评估指标、第三训练收敛评估指标和概率预测训练收敛评估指标中的一个或多个作为目标训练收敛评估指标，对初始化异常操作分析模型进行权重参数优化，本申请实施例不做限定。

对于一个实施例，图2示出了大数据应用***100，该大数据应用***100具有一个或多个处理器102、被耦合到(一个或多个)处理器102中的至少一个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(NVM)/存储设备108、被耦合到控制模块104的一个或多个输入/输出设备110，和被耦合到控制模块106的网络接口112。

处理器102可包括一个或多个单核或多核处理器，处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。在一些实施例中，大数据应用***100能够作为一些示例性的设计思路中所述网关等服务器设备。

在一些实施例中，大数据应用***100可包括具有指令114的一个或多个计算机可读介质(例如，存储器106或NVM/存储设备108)和与该一个或多个计算机可读介质相合并用于执行指令114以实现模块从而执行本公开中所述的动作的一个或多个处理器102。

对于一个实施例，控制模块104可包括任意适当的接口控制器，以向(一个或多个)处理器102中的至少一个和/或与控制模块104通信的任意适当的设备或组件提供任意适当的接口。

控制模块104可包括存储器控制器模块，以向存储器106提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。

存储器106可被用于例如为大数据应用***100加载和存储数据和/或指令114。对于一个实施例，存储器106可包括任意适当的易失性存储器，例如，适当的DRAM。在一些实施例中，存储器106可包括双倍数据速率类型四同步动态随机存取存储器(DDR4SDRAM)。

对于一个实施例，控制模块104可包括一个或多个输入/输出控制器，以向NVM/存储设备108及(一个或多个)输入/输出设备110提供接口。

例如，NVM/存储设备108可被用于存储数据和/或指令114。NVM/存储设备108可包括任意适当的非易失性存储器(例如，闪存)和/或可包括任意适当的(一个或多个)非易失性存储设备(例如，一个或多个硬盘驱动器(HDD)、一个或多个光盘(CD)驱动器和/或一个或多个数字通用光盘(DVD)驱动器)。

NVM/存储设备108可包括在物理上作为大数据应用***100被安装在其上的设备的一部分的存储资源，或者其可被该设备访问可不必作为该设备的一部分。例如，NVM/存储设备108可依据网络经由(一个或多个)输入/输出设备110进行访问。

(一个或多个)输入/输出设备110可为大数据应用***100提供接口以与任意其他适当的设备通信，输入/输出设备110可以包括通信组件、拼音组件、传感器组件等。网络接口112可为大数据应用***100提供接口以依据一个或多个网络通信，大数据应用***100可根据一个或多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的一个或多个组件进行无线通信，例如接入基于通信标准的无线网络，如WiFi、2G、3G、4G、5G等，或它们的组合进行无线通信。

对于一个实施例，(一个或多个)处理器102中的至少一个可与控制模块104的一个或多个控制器(例如，存储器控制器模块)的逻辑封装在一起。对于一个实施例，(一个或多个)处理器102中的至少一个可与控制模块104的一个或多个控制器的逻辑封装在一起以形成***级封装(SiP)。对于一个实施例，(一个或多个)处理器102中的至少一个可与控制模块104的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例，(一个或多个)处理器102中的至少一个可与控制模块104的一个或多个控制器的逻辑集成在同一模具上以形成片上***(SoC)。

本发明又一实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上述任一实施例所述的基于人工智能的异常操作分析方法。

本发明又一实施例还提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上述任一实施例所述的基于人工智能的异常操作分析方法。

以上所述仅是本申请部分实施场景的可选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请的方案技术构思的前提下，结合基于本申请技术思想的其它类似实施手段，同样属于本申请实施例的保护范畴。

Claims (5)

1.一种基于人工智能的异常操作分析方法，其特征在于，应用于大数据应用***，所述大数据应用***与多个用户终端通信连接，所述方法包括：

响应针对目标大数据应用***的异常操作分析指令，调取所述目标大数据应用***的***请求响应大数据；

对所述***请求响应大数据进行异常操作分析，确定对应的满足特征关注权重的异常操作活动以及所述异常操作活动对应的历史先验异常根因信息；

基于所述异常操作活动以及所述异常操作活动对应的历史先验异常根因信息，对对应的用户终端进行异常信息提示；

所述对所述***请求响应大数据进行异常操作分析，确定对应的满足特征关注权重的异常操作活动以及所述异常操作活动对应的历史先验异常根因信息的步骤，包括：

结合所述***请求响应大数据，确定所述***请求响应大数据对应的第一数量个第一请求响应事件和各第一请求响应事件对应的响应操作轨迹特征；

针对各所述第一请求响应事件，结合所述第一请求响应事件的响应操作轨迹特征，确定所述第一请求响应事件对应的特征关注权重；结合各所述第一请求响应事件对应的特征关注权重，对所述第一数量个第一请求响应事件分别对应的响应操作轨迹特征进行特征更新，生成第二数量个第二请求响应事件和各第二请求响应事件对应的响应操作轨迹特征，其中，所述第二数量小于所述第一数量；

结合各所述第二请求响应事件对应的响应操作轨迹特征，确定所述***请求响应大数据的异常操作活动；以及，结合历史先验异常根因知识库，确定所述异常操作活动对应的历史先验异常根因信息；

所述针对各所述第一请求响应事件，结合所述第一请求响应事件的响应操作轨迹特征，确定所述第一请求响应事件对应的特征关注权重，包括：

针对各所述第一请求响应事件，对所述第一请求响应事件对应的响应操作轨迹特征进行基于惩罚性的特征选择，生成所述第一请求响应事件对应的目标选择特征；

结合各所述第一请求响应事件对应的目标选择特征，确定所述第一请求响应事件对应的特征关注权重；

所述结合各所述第一请求响应事件对应的目标选择特征，确定所述第一请求响应事件对应的特征关注权重，包括：

对所述各第一请求响应事件对应的目标选择特征进行规则化转换，生成规则化转换后的目标选择特征；

对所述规则化转换后的目标选择特征进行迭代聚类分析，生成第一迭代聚类分析特征；其中，所述第一迭代聚类分析特征对应的特征维度数量小于所述目标选择特征对应的特征维度数量；

结合各所述第一请求响应事件对应的第一迭代聚类分析特征，确定各所述第一请求响应事件对应的特征关注权重；

所述对所述各第一请求响应事件对应的目标选择特征进行规则化转换，生成规则化转换后的目标选择特征，包括：

结合各所述第一请求响应事件对应的目标选择特征，确定各所述第一请求响应事件对应的可转换知识点；

结合各所述第一请求响应事件对应的可转换知识点，对所述各第一请求响应事件对应的目标选择特征进行规则化转换，生成规则化转换后的目标选择特征；

所述对所述规则化转换后的目标选择特征进行迭代聚类分析，生成第一迭代聚类分析特征，包括：

结合所述规则化转换后的目标选择特征，确定所述规则化转换后的目标选择特征对应的特征标签传播向量；

通过所述特征标签传播向量，对所述规则化转换后的目标选择特征进行迭代聚类分析，生成所述第一迭代聚类分析特征；

所述结合各所述第一请求响应事件对应的第一迭代聚类分析特征，确定各所述第一请求响应事件对应的特征关注权重，包括：

对各所述第一迭代聚类分析特征进行基于设定特征衍生规则的特征衍生，并对特征衍生后的所述第一迭代聚类分析特征进行迭代聚类分析，生成各所述第一迭代聚类分析特征对应的第二迭代聚类分析特征；

结合各所述第二迭代聚类分析特征，确定各所述第一请求响应事件对应的特征关注权重；

所述结合各所述第一请求响应事件对应的特征关注权重，对所述第一数量个第一请求响应事件分别对应的响应操作轨迹特征进行特征更新，生成第二数量个第二请求响应事件和各第二请求响应事件对应的响应操作轨迹特征，包括：

结合各所述第一请求响应事件对应的满足预设条件的特征关注权重对应的第一关联特征排列结构，所述第一关联特征排列结构的排列参数为第一数量乘以第二数量；

对所述第一关联特征排列结构进行特征切换，生成第二关联特征排列结构，所述第二关联特征排列结构的排列参数为第二数量乘以第一数量；

结合所述第二关联特征排列结构和所述第一请求响应事件的响应操作轨迹特征对应的请求响应事件节点矩阵，对所述第一数量个第一请求响应事件分别对应的响应操作轨迹特征进行特征更新，生成所述第二数量个第二请求响应事件和各第二请求响应事件对应的响应操作轨迹特征；

所述结合各所述第二请求响应事件对应的响应操作轨迹特征，确定所述***请求响应大数据的异常操作活动，包括：

将所述第二请求响应事件覆盖第一请求响应事件，将所述第一数量对应的数值参数调整为所述第一请求响应事件对应的数值参数；

循环执行所述针对各所述第一请求响应事件，结合所述第一请求响应事件的响应操作轨迹特征，确定所述第一请求响应事件对应的特征关注权重的步骤；

在达到设定循环次数时，结合最后一次生成的各个第二请求响应事件对应的响应操作轨迹特征，确定所述***请求响应大数据对应的异常操作活动预测概率分布；

结合所述异常操作活动预测概率分布，确定所述***请求响应大数据的异常操作活动。

2.根据权利要求1所述的基于人工智能的异常操作分析方法，其特征在于，所述方法通过异常操作分析模型实现，所述异常操作分析模型通过以下步骤训练得到：

获取***请求响应模板数据；

将所述***请求响应模板数据加载初始化异常操作分析模型，所述异常操作分析模型包括多个特征更新网络；

通过所述初始化异常操作分析模型的特征更新网络生成第一预测响应操作轨迹特征，并确定所述***请求响应模板数据对应的第一预测异常操作活动信息；

所述特征更新网络用于结合***请求响应模板数据对应的第一模板请求响应事件的响应操作轨迹特征，确定所述第一模板请求响应事件的特征关注权重，并结合各所述第一模板请求响应事件对应的特征关注权重，对第三数量个第一模板请求响应事件分别对应的响应操作轨迹特征进行特征更新，生成第四数量个目标模板请求响应事件和各目标模板请求响应事件对应的第一预测响应操作轨迹特征；

将所述***请求响应模板数据加载到模板神经网络模型，并通过所述模板神经网络模型的各特征更新网络生成第二预测响应操作轨迹特征，并确定所述***请求响应模板数据对应的第二预测异常操作活动信息；

结合所述第一预测响应操作轨迹特征、所述第二预测响应操作轨迹特征、所述第一预测异常操作活动信息和所述第二预测异常操作活动信息，确定所述初始化异常操作分析模型的目标训练收敛评估指标，并通过所述目标训练收敛评估指标对所述初始化异常操作分析模型进行模型收敛优化。

3.根据权利要求2所述的基于人工智能的异常操作分析方法，其特征在于，所述结合所述第一预测响应操作轨迹特征、所述第二预测响应操作轨迹特征、所述第一预测异常操作活动信息和所述第二预测异常操作活动信息，确定所述初始化异常操作分析模型的目标训练收敛评估指标，包括：

对于所述初始化异常操作分析模型中的各所述特征更新网络，结合所述特征更新网络对应的第一预测响应操作轨迹特征和第二预测响应操作轨迹特征，确定所述特征更新网络对应的第一训练收敛评估指标；

结合所述第一预测异常操作活动信息和所述第二预测异常操作活动信息，确定所述初始化异常操作分析模型的第二训练收敛评估指标；

结合各所述特征更新网络对应的第一训练收敛评估指标和所述第二训练收敛评估指标，确定所述目标训练收敛评估指标；

其中，所述结合所述特征更新网络对应的第一预测响应操作轨迹特征和第二预测响应操作轨迹特征，确定所述特征更新网络对应的第一训练收敛评估指标，包括：

对所述第一预测响应操作轨迹特征对应的第二模板关联特征排列结构进行规则化转换，生成规则化转换后的第一预测目标选择特征，并对所述第一预测目标选择特征对应的模板关联特征排列结构进行特征切换，生成第三模板关联特征排列结构；

对所述第三模板关联特征排列结构进行迭代聚类分析，生成第二预测目标选择特征，并对所述第二预测目标选择特征进行基于设定特征衍生规则的特征衍生，生成第三预测目标选择特征；

对所述第三预测目标选择特征对应的模板关联特征排列结构进行迭代聚类分析，并对迭代聚类分析后的模板关联特征排列结构进行特征切换，生成第四模板关联特征排列结构，并结合所述第四模板关联特征排列结构，确定所述第三数量个回归预测响应操作轨迹特征，其中，所述第四模板关联特征排列结构的排列参数中包括第三数量个字段，所述第四模板关联特征排列结构的排列参数中的特征维度数量为第一模板请求响应事件的响应操作轨迹特征对应的特征维度数量，所述第三数量为所述***请求响应模板数据对应的第一模板请求响应事件的数量；

结合所述第三数量个回归预测响应操作轨迹特征和所述第二预测响应操作轨迹特征，确定所述特征更新网络对应的第一训练收敛评估指标；

其中，所述结合所述第四模板关联特征排列结构，确定所述第三数量个回归预测响应操作轨迹特征，包括：

对所述第四模板关联特征排列结构进行规则化转换，并对规则化转换后的所述第四模板关联特征排列结构进行多次迭代聚类分析，生成第五模板关联特征排列结构；

结合所述第五模板关联特征排列结构和所述第四模板关联特征排列结构，确定所述第三数量个回归预测响应操作轨迹特征；

其中，所述结合所述第三数量个回归预测响应操作轨迹特征和所述第二预测响应操作轨迹特征，确定所述特征更新网络对应的第一训练收敛评估指标，包括：

结合所述第三数量个回归预测响应操作轨迹特征和所述第二预测响应操作轨迹特征，确定第一成员训练收敛评估指标；

对所述回归预测响应操作轨迹特征进行回归处理，生成所述回归预测响应操作轨迹特征关联的第一目标预测响应操作轨迹特征，获取所述第一目标预测响应操作轨迹特征相应的第三预测异常操作活动信息；

对所述第二预测响应操作轨迹特征进行回归处理，生成所述第二预测响应操作轨迹特征关联的第二目标预测响应操作轨迹特征，获取所述第二目标预测响应操作轨迹特征相应的第四预测异常操作活动信息；

结合所述第三预测异常操作活动信息和所述第四预测异常操作活动信息，确定第二成员训练收敛评估指标；

结合所述第一成员训练收敛评估指标和所述第二成员训练收敛评估指标，确定所述第一训练收敛评估指标。

4.根据权利要求3所述的基于人工智能的异常操作分析方法，其特征在于，所述结合所述第三预测异常操作活动信息和所述第四预测异常操作活动信息，确定第二成员训练收敛评估指标，包括：

结合所述第三预测异常操作活动信息和所述第三预测异常操作活动信息对应的第一标注异常操作活动信息，确定第三成员训练收敛评估指标；

结合所述第四预测异常操作活动信息和所述第四预测异常操作活动信息对应的第二标注异常操作活动信息，确定第四成员训练收敛评估指标；

结合所述第三成员训练收敛评估指标和所述第四成员训练收敛评估指标，确定所述第二成员训练收敛评估指标；

其中，所述结合各所述特征更新网络对应的第一训练收敛评估指标和所述第二训练收敛评估指标，确定所述目标训练收敛评估指标，包括：

结合所述第一预测异常操作活动信息和所述***请求响应模板数据对应的标注异常操作活动信息，确定所述初始化异常操作分析模型对应的概率预测训练收敛评估指标；

结合各所述特征更新网络对应的第一训练收敛评估指标、所述第二训练收敛评估指标和所述概率预测训练收敛评估指标，确定所述目标训练收敛评估指标；

或者，通过测试神经网络模型，对所述***请求响应模板数据进行异常操作分析，确定***请求响应模板数据对应的第五预测异常操作活动信息；

结合所述第五预测异常操作活动信息和所述第一预测异常操作活动信息，确定所述初始化异常操作分析模型的第三训练收敛评估指标；

结合所述第一训练收敛评估指标、所述第二训练收敛评估指标和所述第三训练收敛评估指标，确定所述目标训练收敛评估指标。

5.一种大数据应用***，其特征在于，所述大数据应用***包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，所述处理器用于运行所述计算机程序时，执行权利要求1-4中任意一项所述的基于人工智能的异常操作分析方法。