基于人工智能的数据通路推荐方法及相关设备与流程

1.本技术涉及人工智能技术领域，尤其涉及一种基于人工智能的数据通路推荐方法及相关设备，其中，相关设备包括基于人工智能的数据通路推荐装置、电子设备及存储介质。


背景技术：

2.随着大数据科技的发展，人们在日常生活中对于诸如移动支付、实时通讯等数据传输场景的需求也越来越频繁。在互联网中，数据传输通常有多重通路可供选择，不同的数据通路对于用户的通信体验满意度、通信成功率有较为重要的影响。
3.目前，在各类通信场景下，通常会保留用户最近使用过的数据通路以供用户选择，这种方式未能考虑数据通路的通信成本和通信成功率，通常会导致用户对推荐的数据通路的满意度较低。


技术实现要素：

4.鉴于以上内容，有必要提供一种基于人工智能的数据通路推荐方法及相关设备，以解决如何提高用户对于推荐的数据通路的满意度这一技术问题，其中，相关设备包括基于人工智能的数据通路推荐装置、电子设备及存储介质。
5.本技术实施例提供一种基于人工智能的数据通路推荐方法，所述方法包括：
6.采集数据发送方和数据接收方的属性数据，依据所述数据发送方的属性数据查询发送节点，并依据所述数据接收方的属性数据查询接收节点；
7.组合所述发送节点与所述接收节点以获得多个数据通路，每个所述数据通路包含多个节点；
8.计算每个所述数据通路中所有节点的成本系数；
9.计算每个所述数据通路中所有节点的风险系数；
10.基于所述成本系数和所述风险系数计算每个所述数据通路的推荐指数；
11.依据所述推荐指数由大到小的顺序对所有所述数据通路进行排序，并将排序后的所述数据通路推荐给所述数据发送方。
12.在一些实施例中，所述组合所述发送节点与所述接收节点以获得多个数据通路，具体包括：
13.查询所述发送节点与所述接收节点的交集，以获得通用发送节点和通用接收节点；
14.针对每个所述通用发送节点，将所述通用发送节点分别与每个所述通用接收节点组合，获得多个通用节点组合；
15.针对每个所述通用节点组合，查询所述通用发送节点与所述通用接收节点之间的路由节点，并将所述通用发送节点、所述通用接收节点与所述路由节点联合作为所述通用节点组合对应的数据通路。
16.在一些实施例中，所述计算每个所述数据通路中所有节点的成本系数，具体包括：
17.针对每个节点，查询所述节点的数据传输费率以作为所述节点的金融成本，并查询所述节点接收和发送数据的时长以作为所述节点的时间成本；
18.依据所述金融成本和所述时间成本计算每个所述节点的初始成本系数；
19.查询每个所述节点在过去一个采样周期内进行数据传输的次数，并依据所述次数修正所述初始成本系数获得每个节点的成本系数。
20.在一些实施例中，所述依据所述次数修正所述初始成本系数获得每个节点的成本系数，具体包括：
21.针对每个所述节点，对所述次数进行归一化处理获得每个所述节点的历史权重；
22.将所述初始成本系数与所述历史权重的比值作为所述节点的成本系数。
23.在一些实施例中，所述计算每个所述数据通路中所有节点的风险系数，具体包括：
24.针对每个所述节点，查询过去一个采样周期内所述节点传输数据的总数量和丢包数量；
25.将所述丢包数量与所述总数量的比值作为所述节点的风险系数。
26.在一些实施例中，所述基于所述成本系数和所述风险系数计算每个所述数据通路的推荐指数，具体包括：
27.针对每个所述数据通路，对所述数据通路中每个节点对应的成本系数和风险系数分别进行归一化处理，获得每个节点的归一化成本系数和归一化风险系数；
28.依据所述归一化成本系数与所述归一化风险系数计算每个所述节点的推荐指数；
29.针对每个所述数据通路，计算所述数据通路中所有节点的推荐指数的均值以作为所述数据通路的推荐指数。
30.在一些实施例中，获得所述排序后的所述数据通路之后，所述方法还包括：
31.将所述数据发送方与所述数据接收方的属性数据联合编码为身份id，将所述身份id作为键并将所述排序后的数据通路作为值，以构建所述数据发送方对应的数据通路推荐模板。
32.本技术实施例还提供一种基于人工智能的数据通路推荐装置，所述装置包括：
33.查询单元，用于采集数据发送方和数据接收方的属性数据，依据所述数据发送方的属性数据查询发送节点，并依据所述数据接收方的属性数据查询接收节点；
34.组合单元，用于组合所述发送节点与所述接收节点以获得多个数据通路，每个所述数据通路包含多个节点；
35.第一计算单元，用于计算每个所述数据通路中所有节点的成本系数；
36.第二计算单元，用于计算每个所述数据通路中所有节点的风险系数；
37.第三计算单元，用于基于所述成本系数和所述风险系数计算每个所述数据通路的推荐指数；
38.排序推荐单元，用于依据所述推荐指数由大到小的顺序对所有所述数据通路进行排序，并将排序后的所述数据通路推荐给所述数据发送方。
39.本技术实施例还提供一种电子设备，所述电子设备包括：
40.存储器，存储计算机可读指令；及
41.处理器，执行所述存储器中存储的计算机可读指令以实现所述基于人工智能的数
据通路推荐方法。
42.本技术实施例还提供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可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述基于人工智能的数据通路推荐方法。
43.上述基于人工智能的数据通路推荐方法通过组合数据的发送节点与接收节点获得多个数据通路。计算每个所述数据通路中所有节点的成本系数和风险系数，并基于所述成本系数和所述风险系数计算每个所述数据通路的推荐指数，最终依据所述推荐指数由大到小的顺序对所有所述数据通路进行排序，并将排序后的所述数据通路推荐给所述数据发送方。该方法能够根据不同数据通路的通信成本和通信风险对数据通路的推荐指数进行实时评估，从而实现自动化的数据通路推荐。
附图说明
44.图1是本技术所涉及的一种基于人工智能的数据通路推荐方法的较佳实施例的流程图。
45.图2是本技术所涉及的基于人工智能的数据通路推荐装置的较佳实施例的功能模块图。
46.图3是本技术所涉及的基于人工智能的数据通路推荐方法的较佳实施例的电子设备的结构示意图。
具体实施方式
47.为了能够更清楚地理解本技术的目的、特征和优点，下面结合附图和具体实施例对本技术进行详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互结合。在下面的描述中阐述了很多具体细节以便于充分理解本技术，所述描述的实施例仅是本技术一部分实施例，而不是全部的实施例。
48.此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
49.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中在本技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
50.本技术实施例提供一种基于人工智能的数据通路推荐方法，可应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字处理器(digital signal processor，dsp)、嵌入式设备等。
51.所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(personal digital assistant，pda)、游戏机、交
互式网络电视(internet protocol television，iptv)、智能式穿戴式设备等。
52.所述电子设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(cloud computing)的由大量主机或网络服务器构成的云。
53.所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(virtual private network，vpn)等。
54.如图1所示，是本技术基于人工智能的数据通路推荐方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
55.s10，采集数据发送方和数据接收方的属性数据，依据所述数据发送方的属性数据查询发送节点，并依据所述数据接收方的属性数据查询接收节点。
56.该可选的实施例中，所述数据发送方指要进行数据发送的个人、单位等；所述数据接收方指需要进行数据接收的个人、单位等。
57.该可选的实施例中，所述数据指在发送节点与接收节点之间流通的信息，示例性的，所述数据可以是交易指令、通讯数据等。
58.示例性的，当所述数据为交易指令时，所述数据发送方可以是付款方，所述数据接收方可以是收款方；当所述数据为通讯数据时，所述数据发送方可以是数据产生者，所述是数据接收方可以是数据接收者。
59.该可选的实施例中，所述数据发送方具备发送属性，所述发送属性用于表征所述数据发送方的身份，示例性的，当所述数据发送方是进行付款的个体时，所述数据发送方的属性数据包括：pan personal account number(个人账号)、cvc(信用卡验证码)、有效期和顾客姓名以及电子邮件地址等与交易相关的信息；当所述数据发送方是进行实时消息发送的个体时，所述发送属性可以是数据发送方的账号、名称、设备id、ip地址等。
60.该可选的实施例中，可依据所述数据发送方的属性查询所述数据发送方对应的发送节点，并可依据所述数据接收方的属性查询所述数据接收方对应的接收节点。
61.所述发送节点用于存储并发送数据，示例性的，当所述数据发送方是消费者，则所述数据发送节点可以是所述消费者支持的付款机构，例如某银行、某支付应用；当所述数据发送方是通讯消息的发送者，则所述数据发送节点可以是所述通讯消息发送者支持的数据发送应用，例如微信、qq等。
62.所述接收节点用于接收数据，示例性的，当数据接收方为商户，则所述数据接收方可用于表征所述商户支持的交易平台，例如某银行、某支付应用等；当所述数据接收方为通讯消息的接收者，则所述接收节点可以是所述数据接收方支持的通讯应用，例如微信、qq等。
63.如此，通过数据发送方和数据接收方的属性查询到数据发送节点和接收节点，为后续模拟数据通路提供了数据支撑。
64.s11，组合所述发送节点与所述接收节点以获得多个数据通路，每个所述数据通路包含多个节点。
65.在一个可选的实施例中，所述组合所述发送节点与所述接收节点以获得多个数据通路，具体包括：
66.查询所述发送节点与所述接收节点的交集，以获得通用发送节点和通用接收节
点；
67.针对每个所述通用发送节点，将所述通用发送节点分别与每个所述通用接收节点组合，获得多个通用节点组合；
68.针对每个所述通用节点组合，查询所述通用发送节点与所述通用接收节点之间的路由节点，并将所述通用发送节点、所述通用接收节点与所述路由节点联合作为所述通用节点组合对应的数据通路。
69.该可选的实施例中，可查询将所述发送节点与所述接收节点的交集，所述通用节点用于表征所述数据发送方和所述数据接收方均支持的节点，例如，当所述发送节点为微信，且所述接收节点也为微信，则微信为一个通用节点。
70.该可选的实施例中，针对每个所述通用发送节点，将所述通用发送节点分别与每个所述通用接收节点组合，获得多个通用节点组合。示例性的，当所述通用发送节点为节点a和节点b，且所述通用接收节点也为节点a和节点b时，所述通用节点组合包括：节点a-节点a、节点a-节点b、节点b-节点a、节点b-节点b。
71.该可选的实施例中，针对每个所述通用节点组合，查询所述通用发送节点与所述通用接收节点之间的路由节点，并将所述通用发送节点、通用接收节点与所述路由节点联合作为所述通用节点组合对应的数据通路。所述路由节点用于在通用发送节点向通用接收节点发送数据的过程中转发数据，所述路由节点可以是路由器、数据基站等具备数据传输功能的设备。
72.如此，通过查询每种节点组合之间的路由节点模拟构建每种节点组合对应的数据通路，为后续推荐目标数据通路提供了数据支撑。
73.s12，计算每个所述数据通路中所有节点的成本系数。
74.在一个可选的实施例中，所述计算每个所述数据通路中所有节点的成本系数，具体包括：
75.针对每个节点，查询所述节点的数据传输费率以作为所述节点的金融成本，并查询所述节点接收和发送数据的时长以作为所述节点的时间成本，所述节点指所述通用发送节点、所述通用接收节点和所述路由节点中任意一个节点；
76.依据所述金融成本和所述时间成本计算每个所述节点的初始成本系数；
77.查询每个所述节点在过去一个采样周期内进行数据传输的次数，并依据所述次数修正所述初始成本系数获得每个节点的成本系数。
78.该可选的实施例中，所述金融成本指所述节点传输数据的费率，所述费率指每传输一个单位的数据时通信运营商收取的费用，所述时间成本指所述节点传输一个单位的数据消耗的时间，所述单位可以是kb、mb等，本技术对此不做限定。
79.该可选的实施例中，可依据所述金融成本和时间成本计算每个所述节点的初始成本系数，所述初始成本系数的计算方式为：
80.x＝α*a+β*b
81.其中，x代表所述初始成本系数；a代表所述金融成本；b代表所述时间成本；α和β代表预设的金融权重和时间权重，优选的，所述α和β的取值均可以是0.5。
82.该可选的实施例中，针对每个所述节点，可采集该节点在过去一个采样周期内被用于进行数据传输的次数，所述次数越多则表明该节点在数据传输过程中的重要性越高。
83.在一个可选的实施例中，所述依据所述次数修正所述初始成本系数获得每个节点的成本系数，具体包括：
84.针对每个所述节点，对所述次数进行归一化处理获得每个所述节点的历史权重；
85.将所述初始成本系数与所述历史权重的比值作为所述节点的成本系数。
86.该可选的实施例中，可利用预设的归一化算法对每个所述节点的次数进行归一化处理，获得每个所述节点的历史权重，所述预设的归一化算法可以是最大化算法、最小化算法等现有的归一化算法，本技术对此不做限定。
87.若所述预设的归一化算法为最大化算法，则所述数据通路中每个节点的历史权重w的公式如下：
[0088][0089]
其中，w代表所述数据通路中每个节点的历史权重；v代表所述数据通路中每个节点在过去一个采样周期内被用于进行数据传输的次数；maxv指所述数据通路中所有节点被用于进行数据传输的次数的最大值。
[0090]
示例性的，若所述数据通路中包括三个节点且被用于传输数据的次数分别为节点a被使用1次、节点b被使用2次、节点c被使用3次，则所述节点a对应的历史权重为：
[0091][0092]
该可选的实施例中，针对每个所述节点，可将所述初始成本系数与所述历史权重的比值作为所述节点的成本系数，所述成本系数越高则表明所述节点在传输数据的过程中被优先使用的概率越低。
[0093]
示例性的，当某个节点的初始成本系数x为1且该节点的历史权重为0.33，则该节点的成本系数为3.03。
[0094]
如此，基于每个节点的数据传输费率和数据传输时间计算每个节点的初始成本系数，并利用每个节点在采样周期内被使用的次数修正所述初始成本系数，能够提升后续计算数据通路推荐指数的准确性。
[0095]
s13，计算每个所述数据通路中所有节点的风险系数。
[0096]
在一个可选的实施例中，所述计算每个所述数据通路中所有节点的风险系数，具体包括：
[0097]
针对每个所述节点，查询过去一个采样周期内所述节点传输数据的总数量和丢包数量；
[0098]
将所述丢包数量与所述总数量的比值作为所述节点的风险系数。
[0099]
该可选的实施例中，所述节点在过去一个采样周期内传输数据的总数量的单位和丢包数量的单位均可以是kb、mb、gb等，本技术对此不做限定。所述节点的风险系数的计算方式满足以下关系式：
[0100][0101]
其中，y代表所述节点的风险系数；d代表所述节点在过去一个采样周期内的丢包
数量；m代表所述节点在过去一个采样周期内传输数据的总数量。
[0102]
示例性的，当某一个节点在过去一个采样周期内传输数据的总数量m为100kb，且丢包数量d为1kb，则该节点的风险系数为：
[0103][0104]
如此，基于每个节点的在传输数据过程中丢失数据占数据总量的比例计算每个节点传输数据的风险，能够为后续计算每个数据通路的推荐指数提供数据支撑。
[0105]
s14，基于所述成本系数和所述风险系数计算每个所述数据通路的推荐指数。
[0106]
在一个可选的实施例中，所述基于所述成本系数和所述风险系数计算每个所述数据通路的推荐指数，具体包括：
[0107]
针对每个所述数据通路，对所述数据通路中每个节点对应的成本系数和风险系数分别进行归一化处理，获得每个节点的归一化成本系数和归一化风险系数；
[0108]
依据所述归一化成本系数与所述归一化风险系数计算每个所述节点的推荐指数；
[0109]
针对每个所述数据通路，计算所述数据通路中所有节点的推荐指数的均值以作为所述数据通路的推荐指数。
[0110]
该可选的实施例中，针对每个所述数据通路，可利用预设的归一化算法对所述数据通路中的每个节点对应的成本系数和风险系数分别进行归一化处理，获得每个节点的归一化成本系数和归一化风险系数，所述预设的归一化算法可以是最大化算法、最小化算法等现有的归一化算法，本技术对此不做限定。
[0111]
当所述预设的归一化算法为最大化算法，针对所述数据通路中的某一个节点，其归一化成本系数的计算公式为：
[0112][0113]
其中，p代表所述节点的归一化成本系数；u代表该节点的成本系数；maxu代表所述数据通路中所有节点的成本系数中的最大值。
[0114]
示例性的，针对某一个数据通路，当其中所有节点的成本系数分别为节点a为1、节点b为2、节点c为3，则针对所述节点a的归一化成本系数的计算方式为：
[0115][0116]
该可选的实施例中，可依据所述归一化成本系数p与归一化风险系数q计算所述节点的推荐指数，所述归一化成本系数和所述归一化风险系数越高，则所述推荐指数越低，所述节点推荐指数的计算方式满足以下关系式：
[0117][0118]
其中，s代表所述节点的推荐指数；p代表所述节点的归一化成本系数；q代表所述节点的归一化风险系数；θ为预设的常数，优选的，θ的取值可以是1。
[0119]
该可选的实施例中，针对每个所述数据通路，计算所述数据通路中所有节点的推荐指数的均值以作为所述数据通路的推荐指数。所述推荐指数越高，则所述数据通路越应
被推荐给所述数据发送方。
[0120]
如此，通过对每个节点的成本系数和风险系数进行归一化处理，统一所述推荐指数计算过程中各个变量的量纲，能够提升推荐指数的准确度。
[0121]
s15，依据所述推荐指数由大到小的顺序对所有所述数据通路进行排序，并将排序后的所述数据通路推荐给所述数据发送方。
[0122]
该可选的实施例中，所述数据通路对应的推荐指数越高，则表明该数据通路的通信成本和通信风险越低，因此可依据所述推荐指数由大到小的顺序将所有所述数据通路进行排序，并将排序之后的数据通路发送给所述数据发送方。
[0123]
在一个可选的实施例中，获得所述排序后的所述数据通路之后，所述方法还包括：
[0124]
将所述数据发送方与所述数据接收方的属性数据联合编码为身份id，将所述身份id作为键并将所述排序后的数据通路作为值，以构建所述数据发送方对应的数据通路推荐模板。
[0125]
该可选的实施例中，可依据预设的编码算法将所述数据发送方和所述数据接收方的属性数据编码为身份id，所述预设的编码算法可以是哈希算法、utf-8编码等现有的编码算法，本技术对此不做限定。
[0126]
所述数据通路推荐模板可用于在后续的数据传输过程中为数据发送方便捷的提供数据通路的选项指引。示例性的，当所述数据通路推荐模板被应用于移动支付领域，则所述数据发送方指付款方，所述数据接收方指收款方，所述数据发送方的属性数据指付款方的名称、账号等信息，所述数据接收方的属性数据指收款方的名称、账号等信息，可将所述收款方和所述付款方的属性数据联合编码为身份id，并将排序后的数据通路与所述身份id绑定以作为数据通路推荐模板，后续当所述付款方存在向所述收款方付款的需求时，可依据属性信息查询身份id，进一步查询所述身份id对应的数据通路推荐模板以及时推荐给所述付款方，从而能够降低付款方在支付过程中的通信成本与通信风险。
[0127]
上述基于人工智能的数据通路推荐方法通过组合数据的发送节点与接收节点获得多个数据通路。计算每个所述数据通路中所有节点的成本系数和风险系数，并基于所述成本系数和所述风险系数计算每个所述数据通路的推荐指数，最终依据所述推荐指数由大到小的顺序对所有所述数据通路进行排序，并将排序后的所述数据通路推荐给所述数据发送方。该方法能够根据不同数据通路的通信成本和通信风险对数据通路的推荐指数进行实时评估，从而实现自动化的数据通路推荐。
[0128]
如图2所示，是本技术实施例提供的基于人工智能的数据通路推荐装置的较佳实施例的功能模块图。基于人工智能的数据通路推荐装置11包括查询单元110、组合单元111、第一计算单元112、第二计算单元113、第三计算单元114、排序推荐单元115。本技术所称的模块/单元是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机程序段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
[0129]
所述查询单元110，用于采集数据发送方和数据接收方的属性数据，依据所述数据发送方的属性数据查询发送节点，并依据所述数据接收方的属性数据查询接收节点。
[0130]
所述组合单元111，用于组合所述发送节点与所述接收节点以获得多个数据通路，每个所述数据通路包含多个节点。
[0131]
所述第一计算单元112，用于计算每个所述数据通路中所有节点的成本系数。
[0132]
所述第二计算单元113，用于计算每个所述数据通路中所有节点的风险系数。
[0133]
所述第三计算单元114，用于基于所述成本系数和所述风险系数计算每个所述数据通路的推荐指数。
[0134]
所述排序推荐单元115，用于依据所述推荐指数由大到小的顺序对所有所述数据通路进行排序，并将排序后的所述数据通路推荐给所述数据发送方。
[0135]
在一个可选的实施例中，所述组合单元111具体用于：
[0136]
查询所述发送节点与所述接收节点的交集，以获得通用发送节点和通用接收节点；
[0137]
针对每个所述通用发送节点，将所述通用发送节点分别与每个所述通用接收节点组合，获得多个通用节点组合；
[0138]
针对每个所述通用节点组合，查询所述通用发送节点与所述通用接收节点之间的路由节点，并将所述通用发送节点、所述通用接收节点与所述路由节点联合作为所述通用节点组合对应的数据通路。
[0139]
在一个可选的实施例中，所述第一计算单元112具体用于：
[0140]
针对每个节点，查询所述节点的数据传输费率以作为所述节点的金融成本，并查询所述节点接收和发送数据的时长以作为所述节点的时间成本；
[0141]
依据所述金融成本和所述时间成本计算每个所述节点的初始成本系数；
[0142]
查询每个所述节点在过去一个采样周期内进行数据传输的次数，并依据所述次数修正所述初始成本系数获得每个节点的成本系数。
[0143]
在一个可选的实施例中，所述第一计算单元112依据所述次数修正所述初始成本系数获得每个节点的成本系数，具体包括：
[0144]
针对每个所述节点，对所述次数进行归一化处理获得每个所述节点的历史权重；
[0145]
将所述初始成本系数与所述历史权重的比值作为所述节点的成本系数。
[0146]
在一个可选的实施例中，所述第二计算单元113具体用于：
[0147]
针对每个所述节点，查询过去一个采样周期内所述节点传输数据的总数量和丢包数量；
[0148]
将所述丢包数量与所述总数量的比值作为所述节点的风险系数。
[0149]
在一个可选的实施例中，所述第三计算单元114具体用于：
[0150]
针对每个所述数据通路，对所述数据通路中每个节点对应的成本系数和风险系数分别进行归一化处理，获得每个节点的归一化成本系数和归一化风险系数；
[0151]
依据所述归一化成本系数与所述归一化风险系数计算每个所述节点的推荐指数；
[0152]
针对每个所述数据通路，计算所述数据通路中所有节点的推荐指数的均值以作为所述数据通路的推荐指数。
[0153]
在一个可选的实施例中，所述排序推荐单元115还用于：
[0154]
将所述数据发送方与所述数据接收方的属性数据联合编码为身份id，将所述身份id作为键并将所述排序后的数据通路作为值，以构建所述数据发送方对应的数据通路推荐模板。
[0155]
如图3所示，是本技术实施例提供的一种电子设备的结构示意图。电子设备1包括
存储器12和处理器13。存储器12用于存储计算机可读指令，处理器13用执行储器中存储的计算机可读指令以实现上述任一实施例的基于人工智能的数据通路推荐方法。
[0156]
在一个可选的实施例中，电子设备1还包括总线、存储在存储器12中并可在处理器13上运行的计算机程序，例如基于人工智能的数据通路推荐程序。
[0157]
图3仅示出了具有存储器12和处理器13的电子设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0158]
结合图1，电子设备1中的存储器12存储多个计算机可读指令以实现一种基于人工智能的数据通路推荐方法，处理器13可执行多个指令从而实现：
[0159]
采集数据发送方和数据接收方的属性数据，依据所述数据发送方的属性数据查询发送节点，并依据所述数据接收方的属性数据查询接收节点；
[0160]
组合所述发送节点与所述接收节点以获得多个数据通路，每个所述数据通路包含多个节点；
[0161]
计算每个所述数据通路中所有节点的成本系数；
[0162]
计算每个所述数据通路中所有节点的风险系数；
[0163]
基于所述成本系数和所述风险系数计算每个所述数据通路的推荐指数；
[0164]
依据所述推荐指数由大到小的顺序对所有所述数据通路进行排序，并将排序后的所述数据通路推荐给所述数据发送方。
[0165]
具体地，处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
[0166]
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，电子设备1既可以是总线型结构，也可以是星形结构，电子设备1还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置，例如电子设备1还可以包括输入输出设备、网络接入设备等。
[0167]
需要说明的是，电子设备1仅为举例，其他现有的或今后可能出现的电子产品如可适应于本技术，也应包含在本技术的保护范围以内，并以引用方式包含于此。
[0168]
其中，存储器12至少包括一种类型的可读存储介质，所述可读存储介质可以是非易失性的，也可以是易失性的。所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(smart media card,smc)、安全数字(secure digital,sd)卡、闪存卡(flash card)等。进一步地，存储器12还可以既包括电子设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于人工智能的数据通路推荐程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0169]
处理器13在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是电子设备1的控制核心(control unit)，利用各种接口和
线路连接整个电子设备1的各个部件，通过运行或执行存储在存储器12内的程序或者模块(例如执行基于人工智能的数据通路推荐程序等)，以及调用存储在存储器12内的数据，以执行电子设备1的各种功能和处理数据。
[0170]
所述处理器13执行电子设备1的操作系统以及安装的各类应用程序。处理器13执行所述应用程序以实现上述各个基于人工智能的数据通路推荐方法实施例中的步骤，例如图1所示的步骤。
[0171]
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在存储器12中，并由处理器13执行，以完成本技术。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机程序在电子设备1中的执行过程。例如，所述计算机程序可以被分割成查询单元110、组合单元111、第一计算单元112、第二计算单元113、第三计算单元114、排序推荐单元115。
[0172]
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备，或者网络设备等)或处理器(processor)执行本技术各个实施例所述基于人工智能的数据通路推荐方法的部分。
[0173]
电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指示相关的硬件设备来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。
[0174]
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存储器及其他存储器等。
[0175]
进一步地，计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
[0176]
总线可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，在图3中仅用一根箭头表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现存储器12以及至少一个处理器13等之间的连接通信。
[0177]
本技术实施例还提供一种计算机可读存储介质(图未示)，计算机可读存储介质中存储有计算机可读指令，计算机可读指令被电子设备中的处理器执行以实现上述任一实施例所述的基于人工智能的数据通路推荐方法。
[0178]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。说明书陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
[0179]
最后应说明的是，以上实施例仅用以说明本技术的技术方案而非限制，尽管参照
较佳实施例对本技术进行了详细说明，本领域的普通技术人员应当理解，可以对本技术的技术方案进行修改或等同替换，而不脱离本技术技术方案的精神和范围。

技术特征：
1.一种基于人工智能的数据通路推荐方法，其特征在于，所述方法包括：采集数据发送方和数据接收方的属性数据，依据所述数据发送方的属性数据查询发送节点，并依据所述数据接收方的属性数据查询接收节点；组合所述发送节点与所述接收节点以获得多个数据通路，每个所述数据通路包含多个节点；计算每个所述数据通路中所有节点的成本系数；计算每个所述数据通路中所有节点的风险系数；基于所述成本系数和所述风险系数计算每个所述数据通路的推荐指数；依据所述推荐指数由大到小的顺序对所有所述数据通路进行排序，并将排序后的所述数据通路推荐给所述数据发送方。2.如权利要求1所述的基于人工智能的数据通路推荐方法，其特征在于，所述组合所述发送节点与所述接收节点以获得多个数据通路，具体包括：查询所述发送节点与所述接收节点的交集，以获得通用发送节点和通用接收节点；针对每个所述通用发送节点，将所述通用发送节点分别与每个所述通用接收节点组合，获得多个通用节点组合；针对每个所述通用节点组合，查询所述通用发送节点与所述通用接收节点之间的路由节点，并将所述通用发送节点、所述通用接收节点与所述路由节点联合作为所述通用节点组合对应的数据通路。3.如权利要求1所述的基于人工智能的数据通路推荐方法，其特征在于，所述计算每个所述数据通路中所有节点的成本系数，具体包括：针对每个节点，查询所述节点的数据传输费率以作为所述节点的金融成本，并查询所述节点接收和发送数据的时长以作为所述节点的时间成本；依据所述金融成本和所述时间成本计算每个所述节点的初始成本系数；查询每个所述节点在过去一个采样周期内进行数据传输的次数，并依据所述次数修正所述初始成本系数获得每个节点的成本系数。4.如权利要求3所述的基于人工智能的数据通路推荐方法，其特征在于，所述依据所述次数修正所述初始成本系数获得每个节点的成本系数，具体包括：针对每个所述节点，对所述次数进行归一化处理获得每个所述节点的历史权重；将所述初始成本系数与所述历史权重的比值作为所述节点的成本系数。5.如权利要求1所述的基于人工智能的数据通路推荐方法，其特征在于，所述计算每个所述数据通路中所有节点的风险系数，具体包括：针对每个所述节点，查询过去一个采样周期内所述节点传输数据的总数量和丢包数量；将所述丢包数量与所述总数量的比值作为所述节点的风险系数。6.如权利要求1所述的基于人工智能的数据通路推荐方法，其特征在于，所述基于所述成本系数和所述风险系数计算每个所述数据通路的推荐指数，具体包括：针对每个所述数据通路，对所述数据通路中每个节点对应的成本系数和风险系数分别进行归一化处理，获得每个节点的归一化成本系数和归一化风险系数；依据所述归一化成本系数与所述归一化风险系数计算每个所述节点的推荐指数；
针对每个所述数据通路，计算所述数据通路中所有节点的推荐指数的均值以作为所述数据通路的推荐指数。7.如权利要求1所述的基于人工智能的数据通路推荐方法，其特征在于，获得所述排序后的所述数据通路之后，所述方法还包括：将所述数据发送方与所述数据接收方的属性数据联合编码为身份id，将所述身份id作为键并将所述排序后的数据通路作为值，以构建所述数据发送方对应的数据通路推荐模板。8.一种基于人工智能的数据通路推荐装置，其特征在于，所述装置包括：查询单元，用于采集数据发送方和数据接收方的属性数据，依据所述数据发送方的属性数据查询发送节点，并依据所述数据接收方的属性数据查询接收节点；组合单元，用于组合所述发送节点与所述接收节点以获得多个数据通路，每个所述数据通路包含多个节点；第一计算单元，用于计算每个所述数据通路中所有节点的成本系数；第二计算单元，用于计算每个所述数据通路中所有节点的风险系数；第三计算单元，用于基于所述成本系数和所述风险系数计算每个所述数据通路的推荐指数；排序推荐单元，用于依据所述推荐指数由大到小的顺序对所有所述数据通路进行排序，并将排序后的所述数据通路推荐给所述数据发送方。9.一种电子设备，其特征在于，所述电子设备包括：存储器，存储计算机可读指令；及处理器，执行所述存储器中存储的计算机可读指令以实现如权利要求1至7中任意一项所述的基于人工智能的数据通路推荐方法。10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的基于人工智能的数据通路推荐方法。

技术总结
本申请提出一种基于人工智能的数据通路推荐方法及相关设备，其中，相关设备包括基于人工智能的数据通路推荐装置、电子设备及存储介质，基于人工智能的数据通路推荐方法包括：组合数据的发送节点与接收节点获得多个数据通路。计算每个所述数据通路中所有节点的成本系数和风险系数，并基于所述成本系数和所述风险系数计算每个所述数据通路的推荐指数，最终依据所述推荐指数由大到小的顺序对所有所述数据通路进行排序，并将排序后的所述数据通路推荐给数据发送方。该方法能够根据不同数据通路的通信成本和通信风险对数据通路的推荐指数进行实时评估，从而能够实现自动化的数据通路推荐。本申请还适用于数字金融领域。本申请还适用于数字金融领域。本申请还适用于数字金融领域。


技术研发人员：王立君
受保护的技术使用者：平安付科技服务有限公司
技术研发日：2023.03.15
技术公布日：2023/7/26