[发明专利]网络模型异常的处理方法、装置、设备和存储介质

权利要求书

1.网络模型异常的处理方法，包括：

确定异常网络模型版本和异常样本特征值；

根据所述异常网络模型版本和所述异常样本特征值，确定异常网络模型的网络参数和异常样本特征值的嵌入向量；

基于深度学习库的静态库文件，采用异常样本特征值的嵌入向量和异常网络模型的网络参数对异常样本进行预测，得到预测的任务得分，并记录预测过程中的网络层输出值；

其中，所述根据所述异常网络模型版本和所述异常样本特征值，确定异常网络模型的网络参数和异常样本特征值的嵌入向量，包括：

根据所述异常网络模型版本，确定异常网络模型的域名地址；

根据所述异常网络模型的域名地址，获取异常网络模型的模型文件；

从所述模型文件中提取所述异常网络模型的网络参数；

根据所述异常网络模型版本和所述异常样本特征值，确定异常样本特征值的嵌入向量。

2.根据权利要求1所述的方法，其中，所述根据所述异常网络模型版本和所述异常样本特征值，确定异常样本特征值的嵌入向量，包括：

获取所述异常网络模型版本到基础网络模型版本之间的至少一个中间网络模型版本；

根据所述异常样本特征值，从所述异常网络模型版本和所述中间网络模型版本关联的嵌入向量中，查询异常样本特征值的嵌入向量。

3.根据权利要求1或2所述的方法，其中，所述基于深度学习库的静态库文件，采用异常样本特征值的嵌入向量和异常网络模型的网络参数对异常样本进行预测，得到预测的任务得分，包括：

若至少两个嵌入向量关联相同的样本槽，则对所述至少两个嵌入向量进行拼接；

基于深度学习库的静态库文件，采用经拼接的嵌入向量和所述异常网络模型的网络参数对异常样本进行预测，得到预测的任务得分。

4.根据权利要求1或2所述的方法，所述记录预测过程中的网络层输出值之后，还包括：

确定与待分析模型指标关联的可视化组件；

通过所述可视化组件，对预测过程中的网络层输出值进行可视化，得到所述待分析模型指标的可视化分析结果。

5.一种网络模型异常的处理装置，包括：

版本特征值模块，用于确定异常网络模型版本和异常样本特征值；

参数向量模块，用于根据所述异常网络模型版本和所述异常样本特征值，确定异常网络模型的网络参数和异常样本特征值的嵌入向量；

预测模块，用于基于深度学习库的静态库文件，采用异常样本特征值的嵌入向量和异常网络模型的网络参数对异常样本进行预测，得到预测的任务得分，并记录预测过程中的网络层输出值；

其中，所述参数向量模块包括：

网络参数单元，用于根据所述异常网络模型版本，确定异常网络模型的网络参数；

嵌入向量单元，用于根据所述异常网络模型版本和所述异常样本特征值，确定异常样本特征值的嵌入向量；

其中，所述网络参数单元包括：

域名子单元，用于根据所述异常网络模型版本，确定异常网络模型的域名地址；

模型文件子单元，用于根据所述异常网络模型的域名地址，获取异常网络模型的模型文件；

网络参数子单元，用于从所述模型文件中提取所述异常网络模型的网络参数。

6.根据权利要求5所述的装置，其中，所述嵌入向量单元包括：

中间版本子单元，用于获取所述异常网络模型版本到基础网络模型版本之间的至少一个中间网络模型版本；

嵌入向量子单元，用于根据所述异常样本特征值，从所述异常网络模型版本和所述中间网络模型版本关联的嵌入向量中，查询异常样本特征值的嵌入向量。

7.根据权利要求5或6所述的装置，其中，所述预测模块包括：

向量拼接单元，用于若至少两个嵌入向量关联相同的样本槽，则对所述至少两个嵌入向量进行拼接；

预测单元，用于基于深度学习库的静态库文件，采用经拼接的嵌入向量和所述异常网络模型的网络参数对异常样本进行预测，得到预测的任务得分。