通过人工智能决策的大数据去噪方法及大数据采集系统与流程

1.本发明涉及大数据去噪技术领域，具体而言，涉及一种通过人工智能决策的大数据去噪方法及大数据采集系统。


背景技术：

2.威胁感知是一种实时分析网络流量，结合威胁情报数据及网络行为分析技术，深度检测所有可疑网络活动的高级持续性威胁(apt)防范设备。威胁感知系统通过感知分析文件行为，识别出未知威胁，为企业用户构建高级持续性威胁(apt)防范能力。例如在现有技术中，通常会通过威胁感知技术对各类威胁感知数据集进行分析，然而没有考虑到在威胁感知过程中可能存在的噪声信息，由此可能会导致后续威胁识别能力存在误差。因此，对于相关领域，迫切需要一种技术手段有效提高威胁感知优化之前的噪声估计性能。


技术实现要素：

3.为了至少克服现有技术中的上述不足，本发明的目的在于提供一种通过人工智能决策的大数据去噪方法及大数据采集系统。
4.第一方面，本发明提供一种通过人工智能决策的大数据去噪方法，应用于大数据采集系统，所述大数据采集系统与至少两个云端业务数据服务器通信连接，所述方法包括：确定所述云端业务数据服务器中对应于威胁感知任务的威胁感知数据集；基于匹配噪声输出部署条件的ai噪声输出单元对所述对应于威胁感知任务的威胁感知数据集进行多通道噪声信息分析，输出至少两个对应于历史认证显著特征的基础多通道显著噪声信息；每个基础多通道显著噪声信息用于表达潜在显著噪声点；分别针对所述每个基础多通道显著噪声信息进行噪声点输出，输出所述对应于威胁感知任务的威胁感知数据集上威胁感知活动数据关联的模糊显著噪声点；基于基础多通道显著噪声信息确定基础多通道显著噪声信息关联的观测多通道显著噪声信息，将基础多通道显著噪声信息与关联的观测多通道显著噪声信息进行噪声特征聚合，输出关联的目标多通道显著噪声信息；基于所述模糊显著噪声点对所述目标多通道显著噪声信息进行噪声点输出，输出所述对应于威胁感知任务的威胁感知数据集上威胁感知活动数据关联的筛定显著噪声点，而后基于所述筛定显著噪声点对所述云端业务数据服务器进行威胁感知优化。
5.第二方面，本发明实施例还提供一种通过人工智能决策的大数据去噪系统，所述通过人工智能决策的大数据去噪系统包括大数据采集系统以及与所述大数据采集系统通信连接的至少两个云端业务数据服务器；所述大数据采集系统，用于：确定所述云端业务数据服务器中对应于威胁感知任务的威胁感知数据集；基于匹配噪声输出部署条件的ai噪声输出单元对所述对应于威胁感知任务的威胁感知数据集进行多通道噪声信息分析，输出至少两个对应于历史认证显著特征的基础多
通道显著噪声信息；每个基础多通道显著噪声信息用于表达潜在显著噪声点；分别针对所述每个基础多通道显著噪声信息进行噪声点输出，输出所述对应于威胁感知任务的威胁感知数据集上威胁感知活动数据关联的模糊显著噪声点；基于基础多通道显著噪声信息确定基础多通道显著噪声信息关联的观测多通道显著噪声信息，将基础多通道显著噪声信息与关联的观测多通道显著噪声信息进行噪声特征聚合，输出关联的目标多通道显著噪声信息；基于所述模糊显著噪声点对所述目标多通道显著噪声信息进行噪声点输出，输出所述对应于威胁感知任务的威胁感知数据集上威胁感知活动数据关联的筛定显著噪声点，而后基于所述筛定显著噪声点对所述云端业务数据服务器进行威胁感知优化。
6.依据以上任一方面的方案，对每个基础多通道显著噪声信息进行噪声点输出，由此对潜在显著噪声点进行噪声点输出调整后获得模糊显著噪声点，通过结合至少两个多通道噪声信息以便于确定更符合实际噪声产生条件的目标模板多通道噪声信息，基于模糊显著噪声点对目标模板多通道噪声信息进行噪声点输出，由此对模糊显著噪声点进行进阶输出调整后获得筛定显著噪声点，筛定显著噪声点能够更准确地表达威胁感知活动数据的精确噪声路径，由此提高大数据去噪的精确性，换言之提高后续针对威胁感知流程（如威胁感知大数据的采集流程）进行不断优化的可靠性。
附图说明
7.图1为本发明实施例提供的通过人工智能决策的大数据去噪方法的流程示意图；图2为本发明实施例提供的用于实现上述的通过人工智能决策的大数据去噪方法的大数据采集系统的结构示意框图。
具体实施方式
8.下面介绍本技术一种实施例提供的通过人工智能决策的大数据去噪系统10的架构，该通过人工智能决策的大数据去噪系统10可以包括大数据采集系统100以及与大数据采集系统100通信连接的云端业务数据服务器200。其中，通过人工智能决策的大数据去噪系统10中的大数据采集系统100和云端业务数据服务器200可以通过配合执行以下方法实施例所描述的通过人工智能决策的大数据去噪方法，具体大数据采集系统100和云端业务数据服务器200的执行步骤部分可以参照以下方法实施例的详细描述。
9.本实施例提供的通过人工智能决策的大数据去噪方法可以由大数据采集系统100执行，下面结合图1对该通过人工智能决策的大数据去噪方法进行详细介绍。
10.process110，从预先指定的ai模板数据库中搜索模板威胁感知数据集，将模板威胁感知数据集加载到基础ai噪声输出单元，模板威胁感知数据集包括威胁感知活动数据关联的模板显著噪声点。
11.其中，模板威胁感知数据集是指用于进行ai噪声分析获得的训练的威胁感知数据集，模板威胁感知数据集中可以包含威胁感知活动数据。威胁感知活动数据具体可以是独立感知的感知活动，也可以是联动感知的感动活动。显著噪声点是指针对威胁感知活动数据进行噪声点分析获得的噪声点输出信息。显著噪声点通常是用一个噪声点定位信息来标注出威胁感知活动数据关联的噪声点位置分布信息。模板显著噪声点是指预先确定的符合
精确度要求的显著噪声点，用于作为实际显著噪声点。模板威胁感知数据集中包括威胁感知活动数据关联的模板显著噪声点，换言之，模板威胁感知数据集是预先确定的符合精确度要求的威胁感知活动数据所处噪声点位置分布信息的威胁感知数据集。ai噪声输出单元是用于分析威胁感知数据集中的威胁感知活动数据的ai架构层模型。
12.例如一些设计中，大数据采集系统100可以在各种预先指定的ai模板数据库中搜索模板威胁感知数据集。大数据采集系统100获取到模板威胁感知数据集后，将模板威胁感知数据集加载到基础ai噪声输出单元，依据模板威胁感知数据集对ai噪声输出单元进行后续ai噪声输出训练，由此获得目标ai噪声输出单元。
13.例如一些设计中，模板威胁感知数据集的搜集步骤包括：1）采集各候选模板威胁感知样本库以配置第一模板样本库，所述候选模板威胁感知样本库包括候选模板威胁感知活动数据关联的模板显著噪声点，以及所述模板显著噪声的噪声影响节点、噪声等级和噪声追踪触发元素；其中，所述噪声等级和所述噪声追踪触发元素组合关联为噪声特异性标注，并将所述噪声特异性标注携带配置到所述第一模板样本库；2）采集各历史噪声影响单元的威胁感知数据以配置第二模板样本库，确定所述第一模板样本库中的所述噪声影响节点和所述第二模板样本库中各历史噪声影响单元之间的第一噪声关联性代价，确定噪声关联性代价最小的每个第一历史噪声影响单元；3）对于所述每个第一历史噪声影响单元中的历史噪声传递影响单元，基于所述第一模板样本库中噪声影响节点和所述每个第一历史噪声影响单元的影响渗透信息，确定所述噪声影响节点与所述每个第一历史噪声影响单元的第一噪声渗透区，对于每个第一历史噪声影响单元，从该第一历史噪声影响单元的影响数据字段范围中查找与所述第一噪声渗透区的区别最小的第一影响数据字段范围；4）依据所述第一噪声关联性代价的从大到小的顺序，将所述第一噪声关联性代价越小的所述第一影响数据字段范围和/或历史频繁项挖掘的噪声影响单元作为关键噪声影响单元；每条噪声影响活动对应至少一个关键噪声影响单元的关键归类活动，将具有影响数据字段范围的匹配标签的所述关键噪声影响单元的所述影响数据字段范围的匹配标签映射携带配置到所述第一模板样本库，确定包括噪声影响时序、历史噪声影响单元id以及影响数据字段范围的匹配标签的第三模板样本库；5）采集各噪声影响传播链的传播能力度量值以配置第四模板样本库，将所述第四模板样本库分成成员噪声影响传播链网络和扩展噪声影响传播链网络，以所述第三模板样本库中的噪声影响时序和影响数据字段范围的匹配标签为匹配依据，结合所述第三模板样本库和所述第四模板样本库中成员噪声影响传播链网络的关联关系，以及以所述第三模板样本库中的噪声影响时序和历史频繁项挖掘的噪声影响单元id为匹配依据，结合所述第三模板样本库和所述第四模板样本库中扩展噪声影响传播链网络的关联关系，将所述成员噪声影响传播链网络和扩展噪声影响传播链网络与第三模板样本库进行聚合获得第五模板样本库；6）查找所述第五模板样本库中所述传播能力度量值为预设度量值范围的数据所包括的候选模板威胁感知活动数据和其关联的模板显著噪声点，作为所述模板威胁感知模板样本库。
14.process120，对模板威胁感知数据集进行多通道噪声信息分析，输出至少两个对应于历史认证显著特征的基础模板多通道噪声信息，每个基础模板多通道噪声信息用于表达潜在显著噪声点。
15.其中，多通道噪声信息分析是指将威胁感知数据集关联到预定多通道噪声信息空间，输出能够表征威胁感知数据集本质、具有一定ai噪声输出训练价值的多通道噪声信息，具体而言，此处的多通道噪声信息分析，可以是指针对威胁感知数据集中的异构源的数据进行多个不同数据源的噪声估计，也即每个通道可以对应一个异构数据源的噪声分析，因此可以实现对同一组威胁感知数据集的多个异构数据源的噪声分析。潜在显著噪声点是指预先配置的固有历史认证显著特征的显著噪声点。潜在显著噪声点可以为至少两个不同对应于历史认证显著特征（预先进行配置）的显著噪声点，在此不进行限制。
16.例如一些设计中，大数据采集系统100将模板威胁感知数据集加载到ai噪声输出单元后，可以依据ai噪声输出单元对模板威胁感知数据集进行显著特征转换，从而对模板威胁感知数据集进行多通道噪声信息分析，输出至少两个对应于历史认证显著特征的基础模板多通道噪声信息，并在每个基础模板多通道噪声信息上携带配置各种潜在显著噪声点。
17.例如一些设计中，大数据采集系统100可以在多通道噪声信息上每个通道噪声信息片段分别携带配置各种潜在显著噪声点。大数据采集系统100也可以从多通道噪声信息上选取部分通道噪声信息片段作为目标通道噪声信息片段，在目标通道噪声信息片段上携带配置各种潜在显著噪声点，其中，可以基于潜在显著噪声点的噪声点携带信息确定目标通道噪声信息片段，目标是让每个通道噪声信息片段至少被一个潜在显著噪声点关联。
18.例如一些设计中，ai噪声输出单元包括至少两个多通道噪声信息分析分支，每个多通道噪声信息分析分支级联，不同的多通道噪声信息分析分支用于进行不同对应于历史认证显著特征的多通道噪声信息分析。对模板威胁感知数据集进行多通道噪声信息分析，输出至少两个对应于历史认证显著特征的基础模板多通道噪声信息，具体包括：将当前多通道噪声信息分析分支分析获得的当前基础模板多通道噪声信息加载到下一多通道噪声信息分析分支，输出与当前基础模板多通道噪声信息的历史认证显著特征相关联的基础模板多通道噪声信息。
19.例如一些设计中，ai噪声输出单元包括至少两个多通道噪声信息分析分支，每个多通道噪声信息分析分支级联，不同的多通道噪声信息分析分支用于进行不同对应于历史认证显著特征的多通道噪声信息分析。大数据采集系统100将模板威胁感知数据集加载到ai噪声输出单元后，可以依据基础多通道噪声信息分析分支对模板威胁感知数据集进行多通道噪声信息分析，输出基础模板多通道噪声信息1，将基础模板多通道噪声信息1加载到观测多通道噪声信息分析分支得到基础模板多通道噪声信息2，将基础模板多通道噪声信息2加载到目标多通道噪声信息分析分支得到基础模板多通道噪声信息3，以此类推，基于每个多通道噪声信息分析分支的输出数据得到每个基础模板多通道噪声信息。并且，相邻多通道噪声信息分析分支分析获得的基础模板多通道噪声信息的历史认证显著特征也是相关联的，换言之，将当前多通道噪声信息分析分支分析获得的当前基础模板多通道噪声信息加载到下一多通道噪声信息分析分支，可以得到与当前基础模板多通道噪声信息的历史认证显著特征相关联的基础模板多通道噪声信息。
20.示例性地，ai噪声输出单元包括六个多通道噪声信息分析分支，模板威胁感知数据集加载到基础多通道噪声信息分析分支后，当前多通道噪声信息分析分支分析获得的基础模板多通道噪声信息确定为下一多通道噪声信息分析分支的多通道噪声信息信息，相邻多通道噪声信息分析分支分析获得的基础模板多通道噪声信息的历史认证显著特征也是相关联的。ai噪声输出单元对模板威胁感知数据集进行由浅入深的多通道噪声信息分析，输出表征不同对应于历史认证显著特征特征的基础模板多通道噪声信息。其中，显著特征量较小的多通道噪声信息上的一个通道噪声信息片段对应模板威胁感知数据集上较大的片段，因此显著特征量较小的多通道噪声信息适合用于解析显著特征量较大的威胁感知活动数据，显著特征量较大的多通道噪声信息上的一个通道噪声信息片段对应模板威胁感知数据集上较小的片段，因此显著特征量较大的多通道噪声信息适合用于解析显著特征量较小的威胁感知活动数据。
21.process130，对每个基础模板多通道噪声信息进行噪声点输出，输出每个潜在显著噪声点关联的第一输出显著噪声点，基于每个潜在显著噪声点和模板显著噪声点之间的噪声点学习代价，从每个第一输出显著噪声点中确定第二输出显著噪声点。
22.其中，第一输出显著噪声点是指对潜在显著噪声点进行调整得到的输出显著噪声点。
23.例如一些设计中，在得到基础模板多通道噪声信息后，大数据采集系统100可以对每个基础模板多通道噪声信息进行噪声点输出，基于潜在显著噪声点所处噪声点位置分布信息的多通道噪声信息确定潜在显著噪声点关联的第一ai学习数据，基于第一ai学习数据调整关联的潜在显著噪声点，输出关联的第一输出显著噪声点。依据噪声点输出后，每个基础模板多通道噪声信息上的每个潜在显著噪声点都可以得到关联的第一输出显著噪声点。大数据采集系统100可以计算每个潜在显著噪声点和模板显著噪声点之间的噪声点学习代价，基于噪声点学习代价从每个潜在显著噪声点中确定与模板显著噪声点最接近的至少一个潜在显著噪声点确定为模板显著噪声点，将模板潜在显著噪声点关联的第一输出显著噪声点确定为第二输出显著噪声点。
24.例如一些设计中，模板威胁感知数据集中的模板显著噪声点可以有至少两个，换言之，模板威胁感知数据集中包括至少两个威胁感知活动数据。那么，大数据采集系统100可以从每个潜在显著噪声点中确定分别与每个模板显著噪声点的噪声点定位信息最接近的至少一个潜在显著噪声点确定为关联的模板显著噪声点，从而得到每个模板显著噪声点分别关联的至少一个模板显著噪声点。
25.process140，基于基础模板多通道噪声信息确定基础模板多通道噪声信息关联的观测模板多通道噪声信息，将基础模板多通道噪声信息与关联的观测模板多通道噪声信息进行噪声特征聚合，输出关联的目标模板多通道噪声信息。
26.例如一些设计中，大数据采集系统100可以对基础模板多通道噪声信息进行历史相关联的噪声扩展，由此确定基础模板多通道噪声信息关联的观测模板多通道噪声信息。基础模板多通道噪声信息和关联的观测模板多通道噪声信息为对应于历史认证显著特征匹配的多通道噪声信息。大数据采集系统100将基础模板多通道噪声信息和关联的观测模板多通道噪声信息进行噪声特征聚合，输出基础模板多通道噪声信息关联的目标模板多通道噪声信息。
27.例如一些设计中，大数据采集系统100可以依据历史相关联的噪声扩展得到每个基础模板多通道噪声信息分别关联的观测模板多通道噪声信息，然后将每个基础模板多通道噪声信息分别和关联的观测模板多通道噪声信息进行噪声特征聚合，输出每个基础模板多通道噪声信息分别关联的目标模板多通道噪声信息。为了减少计算量，大数据采集系统100也可以从每个基础模板多通道噪声信息中选取部分基础模板多通道噪声信息计算关联的观测模板多通道噪声信息，将存在观测模板多通道噪声信息的基础模板多通道噪声信息和关联的观测模板多通道噪声信息进行噪声特征聚合，输出关联的目标模板多通道噪声信息。
28.例如一些设计中，至少两个对应于历史认证显著特征的基础模板多通道噪声信息为按对应于历史认证显著特征的显著强度进行分布的基础模板多通道噪声信息。基于基础模板多通道噪声信息确定基础模板多通道噪声信息关联的观测模板多通道噪声信息，具体包括：将当前基础模板多通道噪声信息的历史认证显著特征扩展为当前基础模板多通道噪声信息关联的噪声显著强度的历史认证显著特征，将扩展的当前基础模板多通道噪声信息确定为与扩展的当前基础模板多通道噪声信息的历史认证显著特征匹配的基础模板多通道噪声信息所关联的观测模板多通道噪声信息。
29.例如一些设计中，大数据采集系统100可以将当前基础模板多通道噪声信息的历史认证显著特征扩展为当前基础模板多通道噪声信息关联的噪声显著强度的历史认证显著特征，由此将扩展的当前基础模板多通道噪声信息确定为与当前基础模板多通道噪声信息的历史认证显著特征相关联的基础模板多通道噪声信息相匹配的观测模板多通道噪声信息。后续，在将基础模板多通道噪声信息与关联的观测模板多通道噪声信息进行噪声特征聚合时，可以使得不同基础模板多通道噪声信息之间可以进行噪声特征传递，由此可以增强噪声点分析获得的噪声估计性能。
30.示例性地，模板威胁感知数据集依据六个多通道噪声信息分析分支后得到六个基础模板多通道噪声信息，每个基础模板多通道噪声信息的历史认证显著特征依次递减。大数据采集系统100可以将后一对应于历史认证显著特征关联的基础模板多通道噪声信息的历史认证显著特征扩展为当前对应于历史认证显著特征，并将其作为与当前对应于历史认证显著特征关联的基础模板多通道噪声信息所匹配的观测模板多通道噪声信息。示例性地，将第二对应于历史认证显著特征关联的基础模板多通道噪声信息扩展为第一对应于历史认证显著特征，将扩展后的基础模板多通道噪声信息确定为与第一对应于历史认证显著特征关联的基础模板多通道噪声信息所匹配的观测模板多通道噪声信息。将第三对应于历史认证显著特征关联的基础模板多通道噪声信息扩展为第二对应于历史认证显著特征，将扩展后的基础模板多通道噪声信息确定为与第二对应于历史认证显著特征关联的基础模板多通道噪声信息所匹配的观测模板多通道噪声信息。其中，可以将第六对应于历史认证显著特征关联的基础模板多通道噪声信息直接作为第六对应于历史认证显著特征关联的基础模板多通道噪声信息所匹配的观测模板多通道噪声信息。也可以将第五对应于历史认证显著特征关联的基础模板多通道噪声信息扩展为第六对应于历史认证显著特征，将扩展后的基础模板多通道噪声信息确定为与第六对应于历史认证显著特征关联的基础模板多通道噪声信息所匹配的观测模板多通道噪声信息。其中，大数据采集系统100也可以将前一对应于历史认证显著特征关联的基础模板多通道噪声信息的历史认证显著特征转换为当
前对应于历史认证显著特征，并将其作为与当前对应于历史认证显著特征关联的基础模板多通道噪声信息所匹配的观测模板多通道噪声信息。
31.示例性地，当确定每个基础模板多通道噪声信息分别关联的观测模板多通道噪声信息后，大数据采集系统100可以将基础模板多通道噪声信息和对应观测模板多通道噪声信息进行聚合，输出每个基础模板多通道噪声信息分别关联的目标模板多通道噪声信息。
32.process150，基于第二输出显著噪声点对目标模板多通道噪声信息进行噪声点输出，输出第二输出显著噪声点关联的第三输出显著噪声点。
33.其中，第三输出显著噪声点是指对第二输出显著噪声点进行优化得到的输出显著噪声点。
34.例如一些设计中，大数据采集系统100可以将第二输出显著噪声点确定为目标模板多通道噪声信息中的潜在显著噪声点，对目标模板多通道噪声信息进行噪声点输出，基于第二输出显著噪声点所处噪声点位置分布信息的多通道噪声信息确定第二输出显著噪声点关联的第二ai学习数据，基于第二ai学习数据调整第二输出显著噪声点，输出关联的第三输出显著噪声点。总体而言，大数据采集系统100对基础模板多通道噪声信息进行噪声点输出，输出潜在显著噪声点关联的第一ai学习数据，对目标模板多通道噪声信息进行噪声点输出，输出第二输出显著噪声点关联的第二ai学习数据，最后基于第二ai学习数据、关联的第一ai学习数据调整关联的潜在显著噪声点确定第三输出显著噪声点。换言之，先进行首次噪声点输出得到第一ai学习数据，从而得到第一输出显著噪声点，再进行二次噪声点输出得到第二ai学习数据，基于第二ai学习数据对关联的第一输出显著噪声点进行优化，进而确定更为精确的第三输出显著噪声点。
35.process160，基于第一输出显著噪声点和模板显著噪声点的噪声点学习代价、第三输出显著噪声点和模板显著噪声点的噪声点学习代价确定第一噪声学习依据信息，基于第一噪声学习依据信息更新所述ai噪声输出单元的噪声学习配置信息，直到所述第一噪声学习依据信息不再变化，输出目标ai噪声输出单元。
36.例如一些设计中，在确定第一输出显著噪声点和第三输出显著噪声点后，大数据采集系统100可以计算第一输出显著噪声点和模板显著噪声点的噪声点学习代价、以及第三输出显著噪声点和模板显著噪声点的噪声点学习代价，基于计算得到的噪声点学习代价确定第一噪声学习依据信息，基于第一噪声学习依据信息进行逆向传递优化，更新所述ai噪声输出单元的噪声学习配置信息，直到所述第一噪声学习依据信息不再变化，输出目标ai噪声输出单元。
37.例如一些设计中，为了进一步提高ai噪声输出单元的噪声估计性能，大数据采集系统100可以基于第一噪声学习依据信息和第二噪声学习依据信息更新所述ai噪声输出单元的噪声学习配置信息，直到所述第一噪声学习依据信息不再变化，输出目标ai噪声输出单元。此外，大数据采集系统100也可以基于第一噪声学习依据信息和协同训练依据信息更新所述ai噪声输出单元的噪声学习配置信息，直到所述第一噪声学习依据信息不再变化，输出目标ai噪声输出单元。当然，大数据采集系统100还可以基于第一噪声学习依据信息、第二噪声学习依据信息和协同训练依据信息共同更新所述ai噪声输出单元的噪声学习配置信息，直到所述第一噪声学习依据信息不再变化，输出目标ai噪声输出单元。
38.由此，例如对每个基础模板多通道噪声信息进行噪声点输出，由此对潜在显著噪
声点进行噪声点输出调整后获得第一输出显著噪声点，依据结合至少两个多通道噪声信息以便于确定更符合实际噪声产生条件的目标模板多通道噪声信息，基于第二输出显著噪声点对目标模板多通道噪声信息进行噪声点输出，由此对第二输出显著噪声点进行进阶输出调整后获得第三输出显著噪声点，使得第三输出显著噪声点更接近于实际显著噪声点，进而基于两次显著噪声点分析结果和实际显著噪声点确定第一噪声学习依据信息来优化噪声学习配置信息，由此获得ai噪声输出性能更强的ai噪声输出单元。
39.例如一些设计中，对每个基础模板多通道噪声信息进行噪声点输出，输出每个潜在显著噪声点关联的第一输出显著噪声点，基于每个潜在显著噪声点和模板显著噪声点之间的噪声点学习代价，从每个第一输出显著噪声点中确定第二输出显著噪声点，具体包括：分别对每个基础模板多通道噪声信息进行噪声点输出，输出每个基础模板多通道噪声信息分别关联的第一ai学习数据簇；第一ai学习数据簇包括基础模板多通道噪声信息上每个潜在显著噪声点分别关联的第一ai学习数据；基于潜在显著噪声点和关联的第一ai学习数据确定关联的第一输出显著噪声点；在当前基础模板多通道噪声信息中，基于每个潜在显著噪声点和模板显著噪声点之间的噪声匹配度，从每个潜在显著噪声点中确定模板潜在显著噪声点，将模板潜在显著噪声点关联的第一输出显著噪声点确定为当前基础模板多通道噪声信息关联的参考输出显著噪声点；基于每个基础模板多通道噪声信息分别关联的参考输出显著噪声点确定第二输出显著噪声点。
40.例如一些设计中，大数据采集系统100可以分别对每个基础模板多通道噪声信息进行噪声点输出，输出每个基础模板多通道噪声信息分别关联的第一ai学习数据簇，其中，第一ai学习数据簇包括基础模板多通道噪声信息上每个潜在显著噪声点分别关联的第一ai学习数据。一个潜在显著噪声点关联的第一ai学习数据是基于对该潜在显著噪声点所处定位的多通道噪声信息进行数据分析得到的。然后，大数据采集系统100可以基于第一ai学习数据调整关联的潜在显著噪声点，输出第一输出显著噪声点。
41.在得到每个基础模板多通道噪声信息中每个潜在显著噪声点分别关联的第一输出显著噪声点后，大数据采集系统100可以从每个基础模板多通道噪声信息中查找与模板显著噪声点最接近的潜在显著噪声点确定为模板显著噪声点，输出每个基础模板多通道噪声信息分别关联的模板显著噪声点。模板显著噪声点的输出过程可以是在当前基础模板多通道噪声信息中，确定每个潜在显著噪声点分别和模板显著噪声点之间的噪声匹配度，基于噪声匹配度从每个潜在显著噪声点中确定模板潜在显著噪声点。具体可以是将噪声匹配度最高的潜在显著噪声点确定为模板显著噪声点，也可以是将噪声匹配度进行降序处理，将噪声匹配度排序靠前的至少两个潜在显著噪声点确定为模板显著噪声点。然后，大数据采集系统100可以将基础模板多通道噪声信息中模板潜在显著噪声点关联的第一输出显著噪声点确定为基础模板多通道噪声信息关联的参考输出显著噪声点。最后，大数据采集系统100基于每个基础模板多通道噪声信息分别关联的参考输出显著噪声点确定第二输出显著噪声点。换言之，大数据采集系统100可以从每个模板潜在显著噪声点关联的第一输出显著噪声点中确定第二输出显著噪声点。具体可以是将与模板显著噪声点的匹配度最大的参考输出显著噪声点确定为第二输出显著噪声点，也可以是将与模板显著噪声点的匹配度较大的至少两个参考输出显著噪声点确定为第二输出显著噪声点，还可以将每个参考输出显著噪声点都作为第二输出显著噪声点。
42.例如一些设计中，基于每个潜在显著噪声点和模板显著噪声点之间的噪声匹配度，从每个潜在显著噪声点中确定模板潜在显著噪声点，具体包括：将最大噪声匹配度关联的潜在显著噪声点确定为模板显著噪声点。
43.例如一些设计中，在当前基础模板多通道噪声信息中，大数据采集系统100可以将最大噪声匹配度关联的潜在显著噪声点确定为模板显著噪声点。换言之，大数据采集系统100可以剔除明显没有关联在威胁感知活动数据上的潜在显著噪声点，保留当前关联最精确的潜在显著噪声点，将当前关联最精确的潜在显著噪声点确定为模板显著噪声点。其中，在计算潜在显著噪声点和模板显著噪声点的噪声匹配度时，需要将潜在显著噪声点和模板显著噪声点扩展联系到同一对应于历史认证显著特征上进行比较。
44.例如一些设计中，基于每个基础模板多通道噪声信息分别关联的参考输出显著噪声点确定第二输出显著噪声点，具体包括：在每个参考输出显著噪声点中，将与模板显著噪声点的匹配度最大的参考输出显著噪声点确定为第二输出显著噪声点。
45.例如一些设计中，在得到每个基础模板多通道噪声信息分别关联的参考输出显著噪声点后，大数据采集系统100可以计算每个参考输出显著噪声点分别和模板显著噪声点之间的噪声匹配度，从中选取与模板显著噪声点的匹配度最大的参考输出显著噪声点确定为第二输出显著噪声点。换言之，大数据采集系统100进一步择优选择，从当前关联较精确的至少两个潜在显著噪声点关联的参考输出显著噪声点中进一步选取最优的参考输出显著噪声点确定为第二输出显著噪声点。其中，在计算参考输出显著噪声点和模板显著噪声点的噪声匹配度时，需要将参考输出显著噪声点和模板显著噪声点扩展联系到同一对应于历史认证显著特征上进行比较。
46.例如，对每个基础模板多通道噪声信息进行噪声点输出，输出每个基础模板多通道噪声信息上每个潜在显著噪声点分别关联的第一输出显著噪声点，对每个第一输出显著噪声点进行首次筛分，从中筛分出每个基础模板多通道噪声信息关联的参考输出显著噪声点，对每个参考输出显著噪声点进行进阶筛分，从中筛分出第二输出显著噪声点。这样，经过两次筛分可以从每个对应于历史认证显著特征的基础模板多通道噪声信息的噪声点输出结果中准确筛分出与模板显著噪声点最接近的显著噪声点。
47.例如一些设计中，基于第二输出显著噪声点对目标模板多通道噪声信息进行噪声点输出，输出第二输出显著噪声点关联的第三输出显著噪声点，具体包括：基于每个基础模板多通道噪声信息的历史认证显著特征的显著度确定每个基础模板多通道噪声信息之间的噪声联系信息；基于噪声联系信息将第二输出显著噪声点扩展联系到基础模板多通道噪声信息关联的目标模板多通道噪声信息上；对扩展联系后的目标模板多通道噪声信息进行噪声点输出，输出第二输出显著噪声点关联的第三输出显著噪声点。
48.例如一些设计中，大数据采集系统100在对目标模板多通道噪声信息进行噪声点输出时，因为第二输出显著噪声点是特定基础模板多通道噪声信息上的第一输出显著噪声点，该基础模板多通道噪声信息和目标模板多通道噪声信息的历史认证显著特征的显著度不一定相同，所以大数据采集系统100需要将第二输出显著噪声点同步关联到每个目标模板多通道噪声信息上。大数据采集系统100可以先基于每个基础模板多通道噪声信息的历
史认证显著特征的显著度确定每个基础模板多通道噪声信息之间的噪声联系信息。噪声联系信息是指在每个基础模板多通道噪声信息之间，用于表示模板威胁感知数据集上同一原始通道噪声信息片段的每个通道噪声信息片段的预设关联信息。示例性地，基础模板多通道噪声信息1的历史认证显著特征的显著度小于基础模板多通道噪声信息2，基础模板多通道噪声信息1上的一个通道噪声信息片段对应基础模板多通道噪声信息2上的一个信息片段，该通道噪声信息片段和该信息片段都表示模板威胁感知数据集上同一区域关联的多通道噪声信息，该通道噪声信息片段和该信息片段上的每个通道噪声信息片段具有设定协同关系。然后，大数据采集系统100基于噪声联系信息将第二输出显著噪声点扩展联系到基础模板多通道噪声信息关联的目标模板多通道噪声信息上，再对扩展联系后的目标模板多通道噪声信息进行噪声点输出，输出第二输出显著噪声点关联的第三输出显著噪声点。在关联第二输出显著噪声点时，大数据采集系统100需要先确定第二输出显著噪声点在目标模板多通道噪声信息上的噪声点分布信息，然后在该噪声点分布信息上生成固定对应于历史认证显著特征的第二输出显著噪声点。换言之，每个目标模板多通道噪声信息上的第二输出显著噪声点的历史认证显著特征是匹配的，噪声点分布信息是不同的。其中，每个目标模板多通道噪声信息的历史认证显著特征的显著度不同，同样涵盖区间的第二输出显著噪声点即使噪声点分布信息对应同一原始通道噪声信息片段，每个第二输出显著噪声点也是对应模板威胁感知数据集上不同大小的信息片段。因此，对扩展联系后的目标模板多通道噪声信息进行噪声点输出，进一步噪声输出第二输出显著噪声点相对于威胁感知活动数据的区别信息，可以更加精确地确定出威胁感知活动数据。
49.例如一些设计中，对扩展联系后的目标模板多通道噪声信息进行噪声点输出，输出第二输出显著噪声点关联的第三输出显著噪声点，具体包括：对扩展联系后的目标模板多通道噪声信息进行噪声点输出，输出第二输出显著噪声点关联的第二ai学习数据；基于第二输出显著噪声点和关联的第二ai学习数据确定关联的第三输出显著噪声点。
50.例如一些设计中，大数据采集系统100可以对扩展联系后的目标模板多通道噪声信息进行噪声点输出，基于第二输出显著噪声点在目标模板多通道噪声信息上所处定位的多通道噪声信息确定第二输出显著噪声点关联的第二ai学习数据，再基于第二ai学习数据调整第二输出显著噪声点确定关联的第三输出显著噪声点。
51.例如，将第二输出显著噪声点扩展联系到每个目标模板多通道噪声信息上，对扩展联系后的目标模板多通道噪声信息进行噪声点输出，可以在首次噪声输出的基础上，综合每个对应于历史认证显著特征进行进阶噪声输出，基于进阶噪声输出结果对首次噪声输出的显著噪声点进行优化，从而得到更准确的输出显著噪声点。
52.例如一些设计中，基于第一噪声学习依据信息更新所述ai噪声输出单元的噪声学习配置信息，直到所述第一噪声学习依据信息不再变化，输出目标ai噪声输出单元，具体包括：process210，将与模板显著噪声点的噪声匹配度大于目标匹配门限值的潜在显著噪声点和第二输出显著噪声点关联的目标噪声点置信度确定为第一噪声点估计信息，将与模板显著噪声点的噪声匹配度小于或等于目标匹配门限值的潜在显著噪声点和第二输出显著噪声点关联的目标噪声点置信度确定为第二噪声点估计信息。
53.其中，噪声点估计信息是用于确定显著噪声点所相关的攻击噪声点定位信息的噪声点定位信息。当显著噪声点关联的噪声点估计信息为第一噪声点估计信息时，确定显著噪声点关联的是威胁感知活动数据。当显著噪声点关联的噪声点估计信息为第二噪声点估计信息时，确定显著噪声点关联的不是威胁感知活动数据。第一噪声点估计信息和第二噪声点估计信息可以基于需要进行设置，示例性地，将第一噪声点估计信息确定为1，第二噪声点估计信息确定为0。目标匹配门限值也可以基于需要进行设置，示例性地，将目标匹配门限值设置为0.5。
54.例如一些设计中，为了进一步提高威胁感知活动数据的噪声分析准确性，除了训练优化潜在显著噪声点确定输出显著噪声点，还可以进一步训练输出输出显著噪声点的噪声点定位信息，从而综合输出显著噪声点的噪声点位置分布信息可以更准确地定位威胁感知活动数据。大数据采集系统100可以对基础模板多通道噪声信息上的潜在显著噪声点进行噪声输出，将与模板显著噪声点的匹配度大于目标匹配门限值的潜在显著噪声点确定为第一噪声点，将与模板显著噪声点的匹配度小于或等于目标匹配门限值的潜在显著噪声点确定为第二噪声点，同理，大数据采集系统100也可以对目标模板多通道噪声信息上的第二输出显著噪声点进行噪声输出，将与模板显著噪声点的匹配度大于目标匹配门限值的第二输出显著噪声点确定为第一噪声点，将与模板显著噪声点的匹配度小于或等于目标匹配门限值的第二输出显著噪声点确定为第二噪声点。大数据采集系统100可以将第一噪声点联的噪声点估计信息确定为第一噪声点估计信息，将第二噪声点关联的噪声点估计信息确定为第二噪声点估计信息。这样，大数据采集系统100基于第一噪声点和第二噪声点可以进行训练，由此更精确地输出显著噪声点关联的噪声点估计信息。
55.其中，在计算潜在显著噪声点和模板显著噪声点之间的噪声匹配度，以及第二输出显著噪声点和模板显著噪声点之间的噪声匹配度时，需要将潜在显著噪声点和模板显著噪声点扩展联系到同一对应于历史认证显著特征后再进行计算，将第二输出显著噪声点和模板显著噪声点扩展联系到同一对应于历史认证显著特征后再进行计算。
56.process220，基于潜在显著噪声点关联的实际估计置信度和目标噪声点置信度、第二输出显著噪声点关联的实际估计置信度和目标噪声点置信度生成第二噪声学习依据信息；潜在显著噪声点关联的实际估计置信度是对基础模板多通道噪声信息进行噪声点输出确定的，第二输出显著噪声点关联的实际估计置信度是对目标模板多通道噪声信息进行噪声点输出确定的。
57.process230，基于第一噪声学习依据信息和第二噪声学习依据信息更新所述ai噪声输出单元的噪声学习配置信息，直到所述第一噪声学习依据信息不再变化，输出目标ai噪声输出单元。
58.例如一些设计中，在对基础模板多通道噪声信息进行噪声点输出时，大数据采集系统100不仅可以得到潜在显著噪声点关联的第一ai学习数据，还可以得到潜在显著噪声点关联的实际估计置信度，同理，在对目标模板多通道噪声信息进行噪声点输出时，大数据采集系统100不仅可以得到第二输出显著噪声点关联的第一ai学习数据，还可以得到第二输出显著噪声点关联的实际估计置信度。因此，大数据采集系统100可以基于潜在显著噪声点关联的实际估计置信度和目标噪声点置信度之间的噪声点估计信息差异、第二输出显著噪声点关联的实际估计置信度和目标噪声点置信度之间的噪声点估计信息差异计算第二
噪声学习依据信息，结合第一噪声学习依据信息和第二噪声学习依据信息进行逆向传递优化，更新所述ai噪声输出单元的噪声学习配置信息，直到所述第一噪声学习依据信息不再变化，输出目标ai噪声输出单元。这样，目标ai噪声输出单元在应用时，结合显著噪声点的噪声点位置分布信息可以有效还原出威胁感知活动数据。
59.例如，基于第一噪声学习依据信息和第二噪声学习依据信息进行学习，能够让目标ai噪声输出单元同时输出显著噪声点的噪声点位置分布信息，从而基于显著噪声点的噪声点位置分布信息准确定位威胁感知活动数据。
60.例如一些设计中，基于第一噪声学习依据信息和第二噪声学习依据信息更新所述ai噪声输出单元的噪声学习配置信息，直到所述第一噪声学习依据信息不再变化，输出目标ai噪声输出单元，具体包括：process310，将模板威胁感知数据集加载到满足模型开发部署条件的协同显著噪声点输出网络，输出每个基础模板多通道噪声信息关联的第一协同多通道噪声信息和每个目标模板多通道噪声信息关联的第二协同多通道噪声信息；协同显著噪声点输出网络的函数参数层的参数量级大于ai噪声输出单元的函数参数层的参数量级，协同显著噪声点输出网络和ai噪声输出单元的多通道噪声信息分析分支之间具有设定协同关系；process320，基于基础模板多通道噪声信息和关联的第一协同多通道噪声信息之间的第一噪声联系信息、目标模板多通道噪声信息和关联的第二协同多通道噪声信息之间的第二噪声联系信息生成协同训练依据信息；process330，基于第一噪声学习依据信息、第二噪声学习依据信息和协同训练依据信息更新所述ai噪声输出单元的噪声学习配置信息，直到所述第一噪声学习依据信息不再变化，输出目标ai噪声输出单元。
61.其中，协同显著噪声点输出网络为被继承ai噪声输出单元，ai噪声输出单元为继承ai噪声输出单元。被继承ai噪声输出单元的函数参数层的参数量级大于继承ai噪声输出单元的函数参数层的参数量级，被继承ai噪声输出单元的噪声输出函数功能层组成和继承ai噪声输出单元的噪声输出函数功能层构成可以相同或者不同。被继承ai噪声输出单元依据对加载到威胁感知数据集进行多通道噪声信息分析得到的多通道噪声信息的输出数据流比继承ai噪声输出单元依据对加载到威胁感知数据集进行多通道噪声信息分析得到的多通道噪声信息的输出数据流大，主要在于被继承ai噪声输出单元解析得到的多通道噪声信息的核函数数量更多。被继承ai噪声输出单元和继承ai噪声输出单元都包括多通道噪声信息分析分支，被继承ai噪声输出单元的多通道噪声信息分析分支可以和继承ai噪声输出单元的多通道噪声信息分析分支的层数相同，当然，被继承ai噪声输出单元的多通道噪声信息分析分支也可以比继承ai噪声输出单元的多通道噪声信息分析分支多。
62.例如一些设计中，为了提高ai噪声输出单元的噪声输出效率，可以进一步对ai噪声输出单元进行处理，输出输出数据流小的ai噪声输出单元。大数据采集系统100可以获取满足模型开发部署条件的协同显著噪声点输出网络，将同一模板威胁感知数据集分别加载到协同显著噪声点输出网络和ai噪声输出单元。大数据采集系统100依据ai噪声输出单元对模板威胁感知数据集进行数据处理，可以得到基础模板多通道噪声信息和目标模板多通道噪声信息，依据协同显著噪声点输出网络对模板威胁感知数据集进行数据处理，可以得到第一协同多通道噪声信息和第二协同多通道噪声信息。继承ai噪声输出单元依据多通道
噪声信息分析分支对模板威胁感知数据集进行多通道噪声信息分析可以得到初始多通道噪声信息，由具有设定协同关系的多通道噪声信息分析分支分析获得的基础模板多通道噪声信息和第一协同多通道噪声信息也具有设定协同关系。继承ai噪声输出单元对初始多通道噪声信息进行衍生和融合可以得到关联的目标多通道噪声信息，由具有设定协同关系的基础模板多通道噪声信息和第一协同多通道噪声信息依据融合得到的目标模板多通道噪声信息和第二协同多通道噪声信息也具有设定协同关系。
63.由于协同显著噪声点输出网络具有更强的网络性能，因此可以让基础模板多通道噪声信息向第一协同多通道噪声信息学习，让基础模板多通道噪声信息向第一协同多通道噪声信息接近，让目标模板多通道噪声信息向第二协同多通道噪声信息学习，让目标模板多通道噪声信息向第二协同多通道噪声信息接近。大数据采集系统100可以计算基础模板多通道噪声信息和关联的第一协同多通道噪声信息之间的第一噪声联系信息，确定目标模板多通道噪声信息和关联的第二协同多通道噪声信息之间的第二噪声联系信息，基于第一噪声联系信息和第二噪声联系信息生成协同训练依据信息，结合第一噪声学习依据信息、第二噪声学习依据信息和协同训练依据信息共同进行逆向传递优化，更新所述ai噪声输出单元的噪声学习配置信息，直到所述第一噪声学习依据信息不再变化，输出目标ai噪声输出单元。
64.例如一些设计中，协同显著噪声点输出网络是预先训练好的，训练过程和ai噪声输出单元相同，都是基于第一噪声学习依据信息、或第一噪声学习依据信息和第二噪声学习依据信息训练得到的。
65.例如一些设计中，协同显著噪声点输出网络和ai噪声输出单元的多通道噪声信息分析分支的层数相同，并且排序匹配的多通道噪声信息分析分支之前具有设定协同关系。示例性地，协同显著噪声点输出网络和ai噪声输出单元均包括三个多通道噪声信息分析分支，协同显著噪声点输出网络的基础多通道噪声信息分析分支和ai噪声输出单元的基础多通道噪声信息分析分支对应，协同显著噪声点输出网络的观测多通道噪声信息分析分支和ai噪声输出单元的观测多通道噪声信息分析分支对应，协同显著噪声点输出网络的目标多通道噪声信息分析分支和ai噪声输出单元的目标多通道噪声信息分析分支对应。
66.例如一些设计中，协同显著噪声点输出网络的多通道噪声信息分析分支多于ai噪声输出单元的多通道噪声信息分析分支。ai噪声输出单元的第一个多通道噪声信息分析分支和协同显著噪声点输出网络的第一个多通道噪声信息分析分支对应，ai噪声输出单元的末端多通道噪声信息分析分支和协同显著噪声点输出网络的末端多通道噪声信息分析分支对应，从而保障ai噪声输出单元从威胁感知数据集中解析得到的浅层和深层特征接近于协同显著噪声点输出网络的能力。而ai噪声输出单元的其它多通道噪声信息分析分支分别和协同显著噪声点输出网络的一个多通道噪声信息分析分支对应，但是需要注意的是，不可以重叠关联。示例性地，协同显著噪声点输出网络包括六个多通道噪声信息分析分支，ai噪声输出单元包括四个多通道噪声信息分析分支，ai噪声输出单元的基础多通道噪声信息分析分支和协同显著噪声点输出网络中的基础多通道噪声信息分析分支对应，ai噪声输出单元的第四多通道噪声信息分析分支和协同显著噪声点输出网络中的第六多通道噪声信息分析分支对应，当ai噪声输出单元的观测多通道噪声信息分析分支和协同显著噪声点输出网络中的目标多通道噪声信息分析分支对应时，ai噪声输出单元的目标多通道噪声信息
分析分支不能和协同显著噪声点输出网络中的观测多通道噪声信息分析分支对应，不能形成重叠关联，此时，ai噪声输出单元的目标多通道噪声信息分析分支只能和协同显著噪声点输出网络中的第四多通道噪声信息分析分支或第五多通道噪声信息分析分支对应。
67.例如，在进行后续ai噪声输出训练时，进一步对ai噪声输出单元进行协同学习，可以得到输出数据流小的ai噪声输出单元，从而目标ai噪声输出单元在应用时，可以提高噪声输出效率和噪声估计性能。
68.例如一些设计中，基于基础模板多通道噪声信息和关联的第一协同多通道噪声信息之间的第一噪声联系信息、目标模板多通道噪声信息和关联的第二协同多通道噪声信息之间的第二噪声联系信息生成协同训练依据信息，具体包括：对每个基础模板多通道噪声信息进行显著特征转换，以使每个显著特征转换后的基础模板多通道噪声信息和关联的第一协同多通道噪声信息的历史认证显著特征相同；确定显著特征转换后的基础模板多通道噪声信息和关联的第一协同多通道噪声信息之间的基础噪声协同联系度，基于每个基础噪声协同联系度确定第一噪声联系信息；对每个目标模板多通道噪声信息进行显著特征转换，以使每个显著特征转换后的目标模板多通道噪声信息和关联的第二协同多通道噪声信息的历史认证显著特征相同；确定显著特征转换后的目标模板多通道噪声信息和关联的第二协同多通道噪声信息之间的观测噪声协同联系度，基于每个观测噪声协同联系度确定第二噪声联系信息；基于第一噪声联系信息和第二噪声联系信息生成协同训练依据信息。
69.例如一些设计中，由于协同显著噪声点输出网络的函数参数层的参数量级大于基础显著噪声点输出网络的函数参数层的参数量级，第一协同多通道噪声信息的历史认证显著特征的显著度比关联的基础模板多通道噪声信息大，第二协同多通道噪声信息的历史认证显著特征的显著度比关联的目标模板多通道噪声信息大。因此，在计算噪声联系信息时，需要将具有设定协同关系的多通道噪声信息转化为同一对应于历史认证显著特征，依据对应于历史认证显著特征匹配的多通道噪声信息之间的相似范围来评估多通道噪声信息之间的匹配度。大数据采集系统100可以对每个基础模板多通道噪声信息进行显著特征转换，使得每个显著特征转换后的基础模板多通道噪声信息和关联的第一协同多通道噪声信息的历史认证显著特征相同，然后确定显著特征转换后的基础模板多通道噪声信息和关联的第一协同多通道噪声信息之间的基础噪声协同联系度，基于基础噪声协同联系度确定基础模板多通道噪声信息和关联的第一协同多通道噪声信息之间的第一噪声联系信息。示例性地，直接将基础噪声协同联系度作为第一噪声联系信息。同理，大数据采集系统100可以对每个目标模板多通道噪声信息进行显著特征转换，使得每个显著特征转换后的目标模板多通道噪声信息和关联的第二协同多通道噪声信息的历史认证显著特征相同，然后确定显著特征转换后的目标模板多通道噪声信息和关联的第二协同多通道噪声信息之间的观测噪声协同联系度，基于观测噪声协同联系度确定目标模板多通道噪声信息和关联的第二协同多通道噪声信息之间的第二噪声联系信息。最后，大数据采集系统100基于第一噪声联系信息和第二噪声联系信息生成协同训练依据信息，示例性地，将第一噪声联系信息和第二噪声联系信息的和作为协同训练依据信息。
70.以第一噪声联系信息为例说明噪声联系信息计算过程。假设ai噪声输出单元和协同显著噪声点输出网络均包括六个多通道噪声信息分析分支，并且排序匹配的多通道噪声
信息分析分支之前具有设定协同关系。同一模板威胁感知数据集分别加载到ai噪声输出单元和协同显著噪声点输出网络后，可以得到六个基础模板多通道噪声信息和六个第一协同多通道噪声信息。具有设定协同关系的多通道噪声信息分析分支分析获得的基础模板多通道噪声信息和第一协同多通道噪声信息相互对应。大数据采集系统100可以对基础模板多通道噪声信息进行显著特征转换，使基础模板多通道噪声信息和关联的第一协同多通道噪声信息的历史认证显著特征相同，进而计算对应于历史认证显著特征匹配的基础模板多通道噪声信息和关联的第一协同多通道噪声信息之间的相似范围，输出六个相似范围，然后基于六个相似范围得到第一噪声联系信息。
71.例如，将两个多通道噪声信息转化为同一对应于历史认证显著特征后，再基于多通道噪声信息之间的相似范围得到多通道噪声信息之间的噪声联系信息，能够准确评估多通道噪声信息之间的匹配度。
72.例如一些设计中，参阅图1所示，提供了一种通过人工智能决策的大数据去噪方法，通过人工智能决策的大数据去噪方法包括以下步骤：process510，获取云端业务数据服务器中对应于威胁感知任务的威胁感知数据集。
73.process520，基于匹配噪声输出部署条件的ai噪声输出单元对对应于威胁感知任务的威胁感知数据集进行多通道噪声信息分析，输出至少两个对应于历史认证显著特征的基础多通道显著噪声信息；每个基础多通道显著噪声信息用于表达潜在显著噪声点。
74.process530，对每个基础多通道显著噪声信息进行噪声点输出，输出对应于威胁感知任务的威胁感知数据集上威胁感知活动数据关联的模糊显著噪声点。
75.process540，基于基础多通道显著噪声信息确定基础多通道显著噪声信息关联的观测多通道显著噪声信息，将基础多通道显著噪声信息与关联的观测多通道显著噪声信息进行噪声特征聚合，输出关联的目标多通道显著噪声信息。
76.process550，基于模糊显著噪声点对目标多通道显著噪声信息进行噪声点输出，输出对应于威胁感知任务的威胁感知数据集上威胁感知活动数据关联的筛定显著噪声点，而后基于筛定显著噪声点对云端业务数据服务器进行威胁感知优化。
77.例如一些设计中，大数据采集系统100可以实时或者基于任务需要对应于威胁感知任务的威胁感知数据集。大数据采集系统100可以对对应于威胁感知任务的威胁感知数据集进行多通道噪声信息分析，输出至少两个对应于历史认证显著特征的基础多通道显著噪声信息，并在每个基础多通道显著噪声信息上携带配置至少一种潜在显著噪声点。大数据采集系统100对每个基础多通道显著噪声信息进行噪声点输出，输出每个潜在显著噪声点关联的待定显著噪声点，从每个待定显著噪声点中确定对应于威胁感知任务的威胁感知数据集上威胁感知活动数据关联的模糊显著噪声点。大数据采集系统100具体可以是从每个待定显著噪声点中选择噪声点估计信息大于目标匹配门限值的待定显著噪声点确定为模糊显著噪声点，其中，噪声点估计信息也是大数据采集系统100对每个基础多通道显著噪声信息进行噪声点输出确定的，潜在显著噪声点关联的待定显著噪声点是对基础多通道显著噪声信息进行噪声点输出得到每个潜在显著噪声点关联的初始噪声输出代价值，基于潜在显著噪声点和关联的初始噪声输出代价值确定的。接着，大数据采集系统100对基础模板多通道噪声信息进行特征衍生关联，输出基础模板多通道噪声信息关联的观测模板多通道
噪声信息，将基础模板多通道噪声信息和关联的观测模板多通道噪声信息进行噪声特征聚合，输出关联的目标模板多通道噪声信息，其中，基础模板多通道噪声信息和关联的观测模板多通道噪声信息为对应于历史认证显著特征匹配的多通道噪声信息。大数据采集系统100可以将模糊显著噪声点确定为目标多通道显著噪声信息上的潜在显著噪声点，对目标多通道显著噪声信息进行噪声点输出，输出模糊显著噪声点关联的参考显著噪声点，从每个参考显著噪声点中确定对应于威胁感知任务的威胁感知数据集上威胁感知活动数据关联的筛定显著噪声点。大数据采集系统100具体可以是从每个参考显著噪声点中选择噪声点估计信息大于目标匹配门限值的参考显著噪声点确定为筛定显著噪声点，其中，噪声点估计信息也是大数据采集系统100对目标多通道显著噪声信息进行噪声点输出确定的，模糊显著噪声点关联的参考显著噪声点是对目标多通道显著噪声信息进行噪声点输出得到模糊显著噪声点关联的目标噪声输出代价值，基于模糊显著噪声点和关联的目标噪声输出代价值确定的。
78.其中，对威胁感知数据集进行多通道噪声信息分析、对多通道噪声信息进行噪声点输出、生成目标多通道显著噪声信息的具体过程都可以参照前述通过人工智能决策的大数据去噪方法的每个相关实施例的通过人工智能决策的大数据去噪方法，此处不再赘述。
79.例如一些设计中，大数据采集系统100可以借助ai架构层模型对对应于威胁感知任务的威胁感知数据集进行通过人工智能决策的大数据去噪。大数据采集系统100可以将对应于威胁感知任务的威胁感知数据集加载到目标ai噪声输出单元，模型输出对应于威胁感知任务的威胁感知数据集上威胁感知活动数据关联的筛定显著噪声点。其中，ai噪声输出单元的训练过程可以参照前述通过人工智能决策的大数据去噪方法的每个相关实施例的通过人工智能决策的大数据去噪方法，此处不再赘述。
80.采用以上方案，对每个基础多通道显著噪声信息进行噪声点输出，由此对潜在显著噪声点进行噪声点输出调整后获得模糊显著噪声点，依据结合至少两个多通道噪声信息以便于确定更符合实际噪声产生条件的目标模板多通道噪声信息，基于模糊显著噪声点对目标模板多通道噪声信息进行噪声点输出，由此对模糊显著噪声点进行进阶输出调整后获得筛定显著噪声点，筛定显著噪声点能够更准确地表达威胁感知活动数据的精确噪声路径，由此提高大数据去噪的精确性，由此提高大数据去噪的精确性，换言之提高后续针对威胁感知流程（如威胁感知大数据的采集流程）进行不断优化的可靠性。
81.例如一些设计中，针对前述的process550，可以依据以下步骤实现。
82.process601，获取筛定显著噪声点的噪声产生路径数据。
83.示例性地，噪声产生路径数据包括筛定显著噪声点的一系列的噪声产生路径以及目标威胁感知对象通道。
84.process602，从噪声产生路径数据中获取与威胁感知路径模型存在路径重合点的噪声路径成员，输出噪声路径成员的噪声感知节点数据；其中，噪声路径成员包括独立噪声感知节点和联动噪声感知节点。
85.示例性地，噪声路径成员用于记录不同的噪声产生路径的路径信息。
86.process603，从噪声感知节点数据中确定用于确定筛定显著噪声点的威胁感知优化依据的目标噪声感知节点数据。例如，可以从噪声感知节点数据中获取历史感知频率大于预设频率的数据作为目标噪声感知节点数据。
87.process604，基于目标噪声感知节点数据对筛定显著噪声点进行威胁感知优化字段分析，输出筛定显著噪声点的威胁感知优化依据的威胁感知优化字段序列。例如，可以process605，依据威胁感知优化字段序列从噪声产生路径数据中确定目标威胁感知对象通道，并对目标威胁感知对象通道进行威胁感知优化。
88.如此，能够在获取得到的噪声产生路径数据中获取与威胁感知路径模型存在路径重合点的噪声路径成员，以得到噪声感知节点数据，从而从噪声感知节点数据中确定目标噪声感知节点数据，这样可以基于目标噪声感知节点数据对筛定显著噪声点进行威胁感知优化字段分析得到威胁感知优化字段序列。如此，可以依据威胁感知优化字段序列从噪声产生路径数据中筛分出目标威胁感知对象通道并进行威胁感知优化。由于在确定目标威胁感知对象通道时是考虑了筛定显著噪声点的威胁感知优化依据的，因此能够在不影响筛定显著噪声点的情况下从筛定显著噪声点的噪声产生路径数据中确定出关键的目标威胁感知对象通道，并对目标威胁感知对象通道进行威胁感知优化。
89.图2示出了本技术实施例提供的用于实现上述的通过人工智能决策的大数据去噪方法的大数据采集系统100的硬件结构意图，如图2所示，大数据采集系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。
90.处理器110可以根据存储在机器可读存储介质120中的程序而执行各种适当的动作和处理，例如前述实施例所描述的通过人工智能决策的大数据去噪方法所对应的程序指令。处理器110、机器可读存储介质120以及通信单元140通过总线130进行信号传输。
91.特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信单元140从网络上被下载和安装，在该计算机程序被处理器110执行时，执行本发明实施例的方法中限定的上述功能。
92.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通过人工智能决策的大数据去噪方法。
93.需要说明的是，本发明上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（ram）、只读存储器（rom）、可擦式可编程只读存储器（eprom或闪存）、光纤、便携式紧凑磁盘只读存储器（cd-rom）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，确定机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，确定机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的
程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf（射频）等等，或者上述的任意合适的组合。
94.上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
95.上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备执行上述实施例所示的方法。
96.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通过人工智能决策的大数据去噪方法。
97.可以以一种或多种程序设计语言或其组合来编写用于执行本发明的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（localarea network ，简称lan）或广域网（wide area network ，简称wan）—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
98.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
99.本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
100.最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。