[发明专利]智能业务实现方法、装置及计算机可读存储介质

权利要求书

1.一种智能业务实现方法，其特征在于，所述方法包括：

收集设备安装时基于安全权限要求的源数据集，通过预先构建的特征提取模型对所述源数据集进行特征提取，得到特征数据集；

将所述特征数据集作为训练集输入至预先构建的智能设备识别模型中，输出所述设备的信任程度特征；

利用支持向量算法计算所述信任程度特征的信任值，并根据所述信任值识别出所述设备是否值得信任；

当所述设备值得信任时，在所述设备上进行推广业务，并在接收到用户在所述设备上执行的确认操作时，完成所述业务的实现，当所述设备不值得信任时，对所述设备不作处理。

2.如权利要求1所述的智能业务实现方法，其特征在于，所述特征提取模型包括kafka消息队列、清洗层、存储层、计算层和应用层；及所述通过预先构建的特征提取模型对所述源数据集进行特征提取，包括：

将所述源数据集输入至所述kafka消息队列进行存储；

通过所述清洗层对所述kafka消息队列中的源数据集进行预处理操作，得到目标数据集，并将所述目标数据集输入至所述存储层，以供所述计算层和应用层直接调用；

利用所述计算层的spark计算框架对所述目标数据集进行逻辑运算，完成所述源数据集的特征提取，得到所述特征数据集，并通过所述应用层的API接口传输所述特征数据集。

3.如权利要求2所述的智能业务实现方法，其特征在于，所述预处理操作包括数据整理和数据清洗；

其中，所述数据整理包括：

利用集群技术对所述源数据集的数据格式、各维度数值的离散化、聚类以及关联关系进行分析，得到所述源数据集的数据之间的关系和所述源数据集的数据边界值；

所述数据清洗包括：

通过数据的归一化对所述源数据集的数据进行缩放处理，并通过数据选择对所述源数据集中无关的信息数据集进行剔除，其中，所述数据的归一化计算方法如下所示：

x＝(x-μ)/σ

其中，x为归一化的数据，μ为数据的均值，σ为数据的方差。

4.如权利要求1所述的智能业务实现方法，其特征在于，所述将所述特征数据集作为训练集输入至预先构建的智能设备识别模型中，输出所述设备的信任程度特征，包括：

搭建包括卷积神经网络的智能设备识别模型；

将所述训练集输入至所述卷积神经网络的输入层，通过在所述卷积神经网络的卷积层中预设一组过滤器对所述训练集进行卷积操作，并提取出特征向量；

利用所述卷积神经网络的池化层对所述特征向量进行池化操作并将池化后的特征向量输入至全连接层，通过所述卷积神经网络的激活函数对所述池化后的特征向量输入分类的设备信任程度特征标签，并利用所述卷积神经网络输出层输出所述设备的信任程度特征的标签概率。

5.如权利要求1至4中任意一项所述的智能业务实现方法，其特征在于，所述支持向量算法为：

其中，sgn是一种符号函数，符号<>是向量的内积运算符，是已知的向量，x表示所述设备的信任程度特征，b是已知的实数，数据x_i指的是n维空间的向量，y_i代表第i个数据的类别，k指的是数据的总数，a_i表示第i个数据的学习率。

6.一种智能业务实现装置，其特征在于，所述装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的智能业务实现程序，所述智能业务实现程序被所述处理器执行时实现如下步骤：

收集设备安装时基于安全权限要求的源数据集，通过预先构建的特征提取模型对所述源数据集进行特征提取，得到特征数据集；

将所述特征数据集作为训练集输入至预先构建的智能设备识别模型中，输出所述设备的信任程度特征；

利用支持向量算法计算所述信任程度特征的信任值，并根据所述信任值识别出所述设备是否值得信任；

当所述设备值得信任时，在所述设备上进行推广业务，并在接收到用户在所述设备上执行的确认操作时，完成所述业务的实现，当所述设备不值得信任时，对所述设备不作处理。