[发明专利]模型调度方法、装置、电子设备及计算机可读存储介质

权利要求书

1.一种模型调度方法，其特征在于，所述方法包括：

获取业务数据集合，根据预设的泛数据特征标签对所述业务数据集合进行分类，得到分类数据集合；

利用所述分类数据集合对预构建的模型池中的检测模型进行模型指标计算，根据指标计算结果构建所述模型池的模型路由表；

获取实时业务数据，基于所述模型路由表选取所述模型池中的检测模型对所述实时业务数据进行检测，得到检测结果；

将所述实时业务数据作为下一个周期的业务数据集合，并返回所述根据预设的泛数据特征标签对所述业务数据集合进行分类的步骤，得到新的模型路由表，根据新的模型路由表调整模型池中的检测模型。

2.如权利要求1所述的模型调度方法，其特征在于，所述获取业务数据集合，根据预设的泛数据特征标签对所述业务数据集合进行分类，得到分类数据集合，包括：

获取预设周期内的业务数据集合，接收用户筛选指令，根据所述用户筛选指令从预构建的特征标签库中选取预设个数的特征标签作为所述泛数据特征标签；

根据所述泛数据特征标签对所述业务数据集合进行标签分类，得到不同泛数据特征标签组合的分类数据集合。

3.如权利要求2中所述的模型调度方法，其特征在于，所述利用所述分类数据集合对预构建的模型池中的检测模型进行模型指标计算之前，所述方法还包括：

获取业务训练集合，提取所述业务训练集合中不同的关键特征得到预设个数的特征训练集合；

利用所述预设个数的特征训练集合训练预构建的深度神经模型，得到预设个数的检测模型，汇总所述预设个数的检测模型得到所述模型池。

4.如权利要求3所述的模型调度方法，其特征在于，所述利用所述预设个数的特征训练集合训练预构建的深度神经模型，得到预设个数的检测模型，包括：

依次选取任意一个特征训练集合作为负类样本，将未选取到的特征训练集合作为正类样本；

将所述正类样本及所述负类样本作为训练样本，利用所述深度神经网络输出所述训练样本中各样本的预测值；

利用预设的损失函数计算所述预测值的损失值，在所述损失值大于等于预设的损失阈值时，调整所述深度神经网络的神经元权重，直至所述损失值小于所述损失阈值时，得到训练完成的检测模型；

当所有特征训练集合均被选为负类样本后，汇总所有训练完成的检测模型得到所述预设个数的检测模型。

5.如权利要求4所述的模型调度方法，其特征在于，所述根据新的模型路由表调整模型池中的检测模型，包括：

获取新的训练完成的检测模型，将连续两个周期的模型路由表中没有数据流入的检测模型替换为所述新的训练完成的检测模型。

6.如权利要求1所述的模型调度方法，其特征在于，所述利用所述分类数据集合对预构建的模型池中的检测模型进行模型指标计算，根据指标计算结果构建所述模型池的模型路由表，包括：

获取用户选中的度量指标，依次利用所述模型池中的检测模型计算所述分类数据集合中各类数据的所述度量指标，得到分类度量指标集合；

将所述分类数据集中的泛数据特征标签作为分类主键，并从所述分类度量指标集合中选取各类标签最大的指标对应的检测模型编号作为分类主键的值；

根据所述分类主键及所述分类主键的值构建所述模型路由表。

7.如权利要求1至6中任意一项所述的模型调度方法，其特征在于，所述基于所述模型路由表选取所述模型池中的检测模型对所述实时业务数据进行检测，得到检测结果，包括：

利用所述泛数据特征标签对所述实时业务数据进行标签分类，得到实时分类数据；

根据所述实时业务数据的标签查找所述模型路由表中所述标签对应的检测模型；

利用查找到的检测模型对所述实时分类数据进行检测，得到所述检测结果。