[发明专利]基于机器学习的数据节点分组方法、系统及介质

权利要求书

1.一种基于机器学习的数据节点分组方法，其特征在于，包括：

将数据节点集合根据起始地址大小进行排序；

根据相邻数据节点间的地址差值，将数据节点集合按照设定的规则拆分为若干子集合，具体过程包括：

(1)将地址差值最大的两个未被拆分的相邻数据节点进行拆分；

(2)判断数据节点拆分后是否有子集合满足设定条件；所述设定条件，具体包括：

子集合内节点个数不超过设定值X；

子集合的地址范围不超过设定值Y；

(3)如果没有，进入步骤(4)；如果有，将所述子集合截取出来，进入步骤(5)；

(4)返回步骤(1)继续进行拆分；

(5)判断是否已将数据节点集合拆分完毕，如果是，结束；否则，返回步骤(1)对剩余数据节点继续进行拆分；

对于每一个子集合，筛选有效分组，基于筛选的有效分组确定所有可能的分组采集策略；基于机器学习的方法确定每一个分组采集策略的采集时间，确定最优的分组采集策略；基于机器学习的方法确定每一个分组采集策略的采集时间，具体过程包括：

确定用于组合形成场景的环境参数，每一种环境参数的变化对应一种新的场景，每一种场景对应一个子分类器；

在某一种场景下，爬取不同寄存器单元长度对应的分组采集时间数据；基于爬取的数据对所述场景下的子分类器进行训练，得到所述子分类器的线性回归模型；

采用上述方法对每一场景对应的子分类器分别进行训练，得到每一个子分类器的线性回归模型，进而得到整体的分类器模型；

获取分组采集策略中每一个分组的环境参数信息，将所述信息输入到整体的分类器模型中，输出每一个分组的采集时间，进而得到分组采集策略的采集时间；

将所有子集合的最优分组采集策略进行组合，得到整个数据节点集合的最优分组采集策略。

2.如权利要求1所述的一种基于机器学习的数据节点分组方法，其特征在于，对于每一个子集合，筛选有效分组，具体过程包括：

获取子集合内数据节点的所有可能的分组方式；

除了单独数据节点的分组以外，对剩余分组方式进行筛选，分组筛选方法至少选用下面的一种方式：

①当任意相邻的两个数据节点的地址差值小于设定值Z时，剔除所有仅包含这两个数据节点中任意一个的分组；

②当任意相邻的两个数据节点的地址差值大于设定值L时，剔除所有同时包含这两个节点的分组；

③若分组内第一个数据节点与最后一个数据节点的地址差值大于设定的地址范围M时，剔除该分组；

④确定每一个分组的采集时间，基于采集时间，剔除采集效率低的分组。

3.如权利要求1所述的一种基于机器学习的数据节点分组方法，其特征在于，将包含所有数据节点，并且每个数据节点仅包含一次的多个有效分组的组合确定为一个分组采集策略。

4.如权利要求1所述的一种基于机器学习的数据节点分组方法，其特征在于，计算每一个分组采集策略的采集时间，选取采集时间最短的作为最优的分组采集策略。