申请/专利权人：苏州元脑智能科技有限公司

申请日：2024-03-29

公开（公告）日：2024-06-14

公开（公告）号：CN117971354B

主分类号：G06F9/448

分类号：G06F9/448;G06N3/042;G06N3/0464;G06N3/084;G06F18/23213

优先权：

专利状态码：有效-授权

法律状态：2024.06.14#授权;2024.05.21#实质审查的生效;2024.05.03#公开

摘要：本发明提供一种基于端到端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，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集成聚类模块的图卷积神经网络模型对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，集成聚类模块的图卷积神经网络模型基于可微分聚类模块与图卷积神经网络联合训练得到，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，从而实现更加高效的正则表达式匹配。

主权项：1.一种基于端到端学习的异构加速方法，其特征在于，包括：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，所述非确定性有限自动机用于表征所述正则表达式，以对所述数据控制流进行分析和过滤；通过异构设备接收所述数据控制流和所述非确定性有限自动机，基于集成聚类模块的图卷积神经网络模型对所述非确定性有限自动机进行分析，在所述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，将所述非确定性有限自动机配置到对应正则引擎上，对所述数据控制流进行并行分析和过滤；其中，所述集成聚类模块的图卷积神经网络模型基于可微分聚类模块与图卷积神经网络联合训练得到；所述基于集成聚类模块的图卷积神经网络模型对所述非确定性有限自动机进行分析，包括：将所述非确定性有限自动机转换为状态机无向图；将所述状态机无向图中每个节点输入所述图卷积神经网络，获取每个节点的嵌入向量；将所述每个节点的嵌入向量输入所述可微分聚类模块，得到多个正则字符簇；其中，所述图卷积神经网络和所述可微分聚类模块进行联合训练得到；获取所述非确定性有限自动机对应的正则表达式中各个字符之间的相关性；在各个正则字符簇与所述正则表达式中各个字符之间的相关性一致时，判定所述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；所述图卷积神经网络和所述可微分聚类模块进行联合训练得到，包括：获取训练数据集，所述训练数据集包括多个节点及对应标签；将所述训练数据集输入所述图卷积神经网络，获取每个节点的嵌入向量；将所述每个节点的嵌入向量输入所述可微分聚类模块，得到多个正则字符簇；基于综合损失函数计算所述多个正则字符簇对应的损失值；根据所述损失值进行反向传播及优化器更新模型参数，直到满足训练结束条件，得到训练好的集成聚类模块的图卷积神经网络模型；其中，所述综合损失函数包括节点的分类损失、聚类损失以及拉普拉斯矩阵的正则化项；所述基于综合损失函数计算所述嵌入向量的损失值，包括：使用交叉熵损失函数来计算标记节点数据对应的嵌入向量与真实标签之间的差异；使用拉普拉斯矩阵的正则化项利用所述状态机无向图的结构信息，鼓励未标记节点中相邻节点具有相似的特征表示；使用所述聚类损失计算每个节点到其最近聚类中心的距离的平均值。

全文数据：

权利要求：

百度查询： 苏州元脑智能科技有限公司 基于端到端学习的异构加速方法、装置、设备及存储介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD