一种用于机器学习分类的网络任务优化方法及系统与流程

1.本发明涉及网络任务优化领域，特别涉及一种用于机器学习分类的网络任务优化方法及系统。


背景技术：

2.随着网络的不断发展，对于一个任务，通常需要去探究，如何安排人力，如何分配资源，如何达到最大的效益以便能够把任务做的更好，这往往需要系统有足够的项目和任务分配能力。
3.然而，现有的任务优化方法一般采用单一需求优化方法，其覆盖面比较广，速度快，但是优化算法比较单一，优化能力不精细，导致优化结果会出现偏差，从而导致任务执行出现误差。
4.因此，本发明提供了一种用于机器学习分类的网络任务优化方法及系统。


技术实现要素：

5.本发明提供了一种用于机器学习分类的网络任务优化方法及系统，用以通过对任务的拆解分类，并对不同分类采用不同机器学习算法进行优化，可以实现对任务的精准优化，从而使得任务后续执行过程中可以更加高效准确。
6.本发明提供了一种用于机器学习分类的网络任务优化方法，包括：步骤1：接收网络任务优化请求，并基于机器分类引擎对网络任务优化请求进行拆解及分类；步骤2：将分类集合中每个子请求进行请求转换，得到第一优化需求数据；步骤3：根据每个子请求的第一优化需求数据以及所属分类集合的分类类型，确定对应子请求的机器学习算法；步骤4：基于机器学习算法对相应第一优化需求数据进行学习，并基于所有有效的第一优化需求数据的学习结果得到满足网络任务优化条件的目标优化方案，从而对网络任务进行优化。
7.在一种可能实现的方式中，接收网络任务优化请求，并基于机器分类引擎对网络任务优化请求进行拆解及分类，包括：步骤11：接收目标网络的网络任务优化请求，并对所述网络任务优化请求进行拆解处理；步骤12：基于机器分类引擎按照请求信息类型对拆解处理结果进行分类。
8.在一种可能实现的方式中，根据每个子请求的第一优化需求数据以及所属分类集合的分类类型，确定对应子请求的机器学习算法，包括：将每个子请求的第一优化需求数据以及所属分类集合的分类类型与预设数据-类型-算法分析表进行匹配；基于匹配结果确定对应子请求的机器学习算法。
9.在一种可能实现的方式中，基于机器学习算法对相应第一优化需求数据进行学习，包括：步骤41：确定第一优化需求数据中的任意两个优化需求子数据的任务相关度，并基于同个第一优化需求数据涉及到的所有任务相关度得到任务综合相关度；步骤42：从所有第一优化需求数据中筛选任务综合相关度小于预设相关度的第二优化需求数据；步骤43：对每个第二优化需求数据进行优化得到相应的第三优化需求数据；步骤44：从所有第一优化需求数据中剔除第三优化需求数据，得到若干第四优化需求数据；步骤45：判断每个第四优化需求数据中不同优化需求子数据之间的数据耦合程度指数，得到对应第四优化需求数据的数据矩阵；步骤46：根据所有第四优化需求数据对应的数据矩阵，构建得到第一综合数据矩阵；步骤47：获取不同第四优化需求数据之间的数据间关联度，并基于数据间关联度对第一综合数据矩阵进行优化，并剔除数据间关联度最小的优化需求数据，得到第二综合数据矩阵；步骤48：判断第二综合数据矩阵中同行向量以及同列向量的众数元素所对应的第一优化需求数据作为固定参数，对机器学习算法进行第一优化，得到优化机器学习算法；步骤49：基于优化机器学习算法对第一综合数据矩阵所对应的第一优化需求数据进行学习；其中，第一综合数据矩阵中每一数据即为有效第一优化需求数据。
10.在一种可能实现的方式中，对每个第二优化需求数据进行优化得到相应的第三优化需求数据，包括：获取第二优化需求数据中每一优化需求子数据对应的数据种类，并判断每个数据种类在第二优化需求数据中的相关程度；若相关程度低于预设程度，则对对应数据种类的优化需求子数据进行保留；反之，则将对应数据种类的优化需求子数据进行剔除，基于剔除结果得到第三优化需求数据。
11.在一种可能实现的方式中，基于所有有效的第一优化需求数据的学习结果得到满足网络任务优化请求的目标优化方案，从而对网络任务进行优化，包括：基于所有有效第一优化需求数据得到对应的第一综合优化请求；将第一综合优化请求中的优化请求类型个数并与预设关键请求类型个数进行比较；若预设关键请求类型个数大于优化请求类型的个数，则基于未匹配请求类型在第一综合优化请求集合中提取对应请求类型的优化请求，得到第二综合优化请求；基于所有有效第一优化需求数据及对应优化机器学习算法的学习结果，得到第二数据结果；基于第二数据结果匹配对应的目标优化方案，并基于目标优化方案对当前第二综合优化请求进行优化。
12.在一种可能实现的方式中，基于目标优化方案对网络任务进行优化后，还包括：对优化结果进行检查，具体包括：获取优化后的第二综合优化请求，并基于第二综合优化请求在虚拟机上进行预优化；将预优化结果对应的优化任务中的关键子任务与网络任务优化请求对应的网络任务的关键子任务进行比较；若比较结果完全吻合，则判断网络任务优化成功；反之，则判断当前网络任务优化存在优化偏差，需要重新对网络任务优化请求进行拆解。
13.本发明提供了一种用于机器学习分类的网络任务优化系统，包括：请求接收模块：接收网络任务优化请求，并基于机器分类引擎对网络任务优化请求进行拆解及分类；数据获取模块：将分类集合中每个子请求进行请求转换，得到第一优化需求数据；算法确定模块：根据每个子请求的第一优化需求数据以及所属分类集合的分类类型，确定对应子请求的机器学习算法；优化执行模块：基于机器学习算法对相应第一优化需求数据进行学习，并基于所有有效的第一优化需求数据的学习结果得到满足网络任务优化条件的目标优化方案，从而对网络任务进行优化。
14.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
15.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
16.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：图1为本发明实施例中一种用于机器学习分类的网络任务优化方法的流程图；图2为本发明实施例中一种用于机器学习分类的网络任务优化方法的另一流程图；图3为本发明实施例中一种用于机器学习分类的网络任务优化系统的结构图。
具体实施方式
17.以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
18.实施例1：本发明实施例提供了一种用于机器学习分类的网络任务优化方法，如图1所示，包括：步骤1：接收网络任务优化请求，并基于机器分类引擎对网络任务优化请求进行拆解及分类；
步骤2：将分类集合中每个子请求进行请求转换，得到第一优化需求数据；步骤3：根据每个子请求的第一优化需求数据以及所属分类集合的分类类型，确定对应子请求的机器学习算法；步骤4：基于机器学习算法对相应第一优化需求数据进行学习，并基于所有有效的第一优化需求数据的学习结果得到满足网络任务优化条件的目标优化方案，从而对网络任务进行优化。
19.该实施例中，网络任务优化请求是通过采用高新技术手段以及优化工具对网络参数合理调整，从而提高网络质量的维护工作的工作请求。
20.该实施例中，机器分类引擎是预设的能够对网络任务优化请求进行拆解分类的互联网工具，比如，机器分类引擎可以采用搭载netwrix数据分类平台的分类引擎。
21.该实施例中，请求转换是指将网络任务优化请求按照预设方式转换成对应的需求数据的过程，比如，将文本矢量化、命名实体识别。
22.该实施例中，第一优化需求数据是指将同一分类集合中的每个子请求进行请求转换后得到的子请求对应优化需求数据。
23.该实施例中，分类类型是指与第一优化需求数据对应的子请求属于的同一请求信息类型，请求信息类型是指将网络任务优化请求拆分成为若干个子请求后，对每一子请求按照不同的信息获取方式及不同的信息需求方式进行整合，整合结果对应的请求信息类型即为当前子请求的请求信息类型，请求信息类型一般有基本信息、任务状态信息、属性信息、对资源的能力要求信息。
24.该实施例中，机器学习算法是指基于优化需求数据以及对应分类集合的分类类型，得到的匹配学习策略，其中，机器学习有多种不同的机器学习策略，每种机器学习策略有对应多种机器学习算法。
25.该实施例中，有效的第一优化需求数据是指将第一优化需求数据经过处理，剔除无效优化需求数据后得到的第一优化需求数据。
26.该实施例中，目标优化方案是指根据第一优化需求数据的学习结果得到的满足网络任务优化条件的网络任务优化方案，并按照目标优化方案对目标网络任务进行优化。
27.该实施例中，网络任务优化条件包括时间优化条件、成本优化条件、资源优化条件等。
28.上述技术方案的有益效果是：通过对任务的拆解分类，并对不同分类采用不同机器学习算法进行优化，可以使得对任务的优化更加精准，从而使得任务的执行更加高效准确。
29.实施例2：基于实施例1的基础上，接收网络任务优化请求，并基于机器分类引擎对网络任务优化请求进行拆解及分类，包括：步骤11：接收目标网络的网络任务优化请求，并对所述网络任务优化请求进行拆解处理；步骤12：基于机器分类引擎按照请求信息类型对拆解处理结果进行分类。
30.该实施例中，网络任务优化请求是通过采用高新技术手段以及优化工具对网络参数合理调整，从而提高网络质量的维护工作的工作请求。
31.该实施例中，请求信息类型是指将网络任务优化请求拆分成为若干个子请求后，对每一子请求按照不同的信息获取方式及不同的信息需求方式进行整合，整合结果对应的请求信息类型即为当前子请求的请求信息类型，其中，同一需求信息类型对应多个子请求，请求信息类型包括但不限于：基本信息、任务状态信息、属性信息、对资源的能力要求信息。
32.上述技术方案的有益效果是：通过对任务的拆解分类，从而对不同分类采用不同机器学习算法进行优化，可以使得对任务的优化更加精准，从而使得任务的执行更加高效准确。
33.实施例3：基于实施例1的基础上，根据每个子请求的第一优化需求数据以及所属分类集合的分类类型，确定对应子请求的机器学习算法，包括：将每个子请求的第一优化需求数据以及所属分类集合的分类类型与预设数据-类型-算法分析表进行匹配；基于匹配结果确定对应子请求的机器学习算法。
34.该实施例中，第一优化需求数据是指将同一分类集合中的每个子请求进行请求转换后得到的子请求对应优化需求数据。
35.该实施例中，分类集合是指与第一优化需求数据对应的子请求属于的同一请求信息类型的子请求构建的集合。
36.该实施例中，数据-类型-算法分析表是根据第一优化需求数据以及对应的分类集合的分类类型在数据库中筛选对应算法的分析表。
37.该实施例中，机器学习算法是指基于优化需求数据以及对应分类集合的分类类型，得到的匹配学习策略，其中，机器学习有多种不同的机器学习策略，每种机器学习策略有对应多种机器学习算法。
38.上述技术方案的有益效果是：通过对优化请求的请求分类采用不同机器学习算法进行优化，可以使得对任务的优化更加精准，从而使得任务的执行更加高效准确。
39.实施例4：基于实施例3的基础上，基于机器学习算法对相应第一优化需求数据进行学习，包括：步骤41：确定第一优化需求数据中的任意两个优化需求子数据的任务相关度，并基于同个第一优化需求数据涉及到的所有任务相关度得到任务综合相关度；步骤42：从所有第一优化需求数据中筛选任务综合相关度小于预设相关度的第二优化需求数据；步骤43：对每个第二优化需求数据进行优化得到相应的第三优化需求数据；步骤44：从所有第一优化需求数据中剔除第三优化需求数据，得到若干第四优化需求数据；步骤45：判断每个第四优化需求数据中不同优化需求子数据之间的数据耦合程度指数，得到对应第四优化需求数据的数据矩阵；步骤46：根据所有第四优化需求数据对应的数据矩阵，构建得到第一综合数据矩阵；步骤47：获取不同第四优化需求数据之间的数据间关联度，并基于数据间关联度
对第一综合数据矩阵进行优化，并剔除数据间关联度最小的优化需求数据，得到第二综合数据矩阵；步骤48：判断第二综合数据矩阵中同行向量以及同列向量的众数元素所对应的第一优化需求数据作为固定参数，对机器学习算法进行第一优化，得到优化机器学习算法；步骤49：基于优化机器学习算法对第一综合数据矩阵所对应的第一优化需求数据进行学习；其中，第一综合数据矩阵中每一数据即为有效第一优化需求数据。
40.该实施例中，第一优化需求数据是指将同一分类集合中的每个子请求进行请求转换后得到的子请求对应优化需求数据，比如，通过命名实体识别的方式进行信息转换时，请求信息为包含时间、地点、时间表达式、数量等的长文本，进行请求转换时首先需要对请求进行拆分，比如，将长文本拆分成为单个时间文本、地点文本等，并基于拆分结果赋予不同文本信息不同的代码，比如，地点文本上海可以转换为200000。
41.该实施例中，优化需求子数据是指将第一优化需求进行拆分后得到的优化需求子数据，其中，对第一优化需求的拆分是按照不同主题类别选择对应适合的数据粒度级别拆分的。
42.该实施例中，任务相关度是指第一优化需求数据中任意两个优化需求子数据之间的数据相关联程度，其中，任务相关度的范围为[0,1）。
[0043]
该实施例中，任务综合相关度是指第一优化需求中所有优化需求子数据的任务相关度得到的综合相关度，其中，任务综合相关度是一个具体的数值。
[0044]
该实施例中，计算任务综合相关度t的过程如下：分别计算任意两个优化需求子数据之间的数据相关联程度：获取第一优化需求数据中第i个优化需求子数据与第j个优化需求子数据之间的第一检验结果以及第一优化需求数据中第i个优化需求子数据与第j个优化需求子数据之间的第二检验结果；；其中，为第一检验结果；为第二检验结果；为第一优化需求数据中第i个优化需求子数据与第j个优化需求子数据之间的最大重叠信息系数；为第i个优化需求子数据中与第j个优化需求子数据不一致部分数据信息x01，与第i个优化需求子数据和第j个优化需求子数据的重叠信息系数；为第一优化需求数据中第j个优化需求子数据中与第i个优化需求子数据不一致部分数据信息x02，与第i个优化需求子数据和第j个优化需求子数据的重叠信息系数；其中，
表示第i个优化需求子数据进行标准化处理之后所获取所有参数的平均值；表示第j个优化需求子数据进行标准化处理之后所获取所有参数的平均值；表示基于第i个优化需求子数据与第j个优化需求子数据所对应标准化处理后的参数的标准差；基于所述第一检验结果以及第二检验结果，确定第i个优化需求子数据与第j个优化需求子数的数据相关联程度；其中，为第一参考权重；为第二参考权重；根据所有数据相关联程度，确定任务综合相关度t：
[0045]
其中，t为任务综合相关度；n为第一优化需求数据中的优化需求子数据的个数。
[0046]
该实施例中，第i个优化需求子数据包含数据1、2、3，第j个优化需求子数据包含数据2、3、4，此时，x01针对的是数据1，x02针对的是数据4。
[0047]
该实施例中，预设相关度是指根据网络任务优化请求的请求精准度要求确定的，是预先设定好的，一般取值为0.5。
[0048]
该实施例中，第二优化需求数据是指第一优化需求数据中筛选任务综合相关度小于预设相关度的优化需求数据。
[0049]
该实施例中，第三优化需求数据是将第二优化需求数据中的相关程度高于预设程度的数据种类对应的优化需求子数据进行剔除后，剩余优化需求子数据得到的。
[0050]
该实施例中，第四优化需求数据是指在第一优化需求数据中剔除对应的第三优化需求数据后得到的优化需求数据集合。
[0051]
该实施例中，数据耦合程度指数是指第四优化需求数据中一个优化需求子数据与剩余每一优化需求子数据之间的数据耦合程度的程度指数，其中，数据耦合程度与优化需求子数据之间的数据属性、数据内容相关。
[0052]
该实施例中，数据矩阵是基于当前第四优化需求数据中所有优化需求子数据并结合优化需求子数据的数据耦合程度指数得到的数据矩阵，其中，数据矩阵的每一行代表同一优化需求子数据与剩余每一优化需求子数据的数据耦合程度数据矩阵的对角线上无数据。
[0053]
该实施例中，第一综合数据矩阵是基于所有第四优化需求数据对应的数据矩阵得到的，比如，第一综合数据矩阵可以为，其中，a、b、c、d均为一个独立的数据矩阵。
[0054]
该实施例中，数据间关联度是指不同第四优化需求数据之间的数据关联程度，即
为不同请求信息类型的优化请求对应的需求数据之间的关联程度。
[0055]
该实施例中，第二综合数据矩阵是指基于数据间关联度的高低对第一综合数据矩阵中的每一数据矩阵进行顺序调整，并剔除数据间关联度最小的优化需求数据对应的数据矩阵后得到的综合数据矩阵，比如，第一综合数据矩阵可以为，其中，与其他数据矩阵数据间关联度最小的数据矩阵为d，且数据矩阵a与其他数据矩阵的数据间关联度小于b，则第二综合数据矩阵可以表示为。
[0056]
该实施例中，固定参数是指将第二综合矩阵中同行向量以及同列向量的众数元素所对应的第一优化需求数据作为机器学习算法的固定输入参数，比如，第二综合矩阵中某行向量为a b c b c b d，则b为当前行向量的众数元素，可以选择b向量为固定参数。
[0057]
该实施例中，第一优化是指将固定参数代入机器学习算法中，将得到的输出结果与直接将第一优化需求数据作为固定参数代入机器学习算法后得到的输出结果进行比较，从而对机器学习算法进行调整。
[0058]
该实施例中，优化机器学习算法是指基于固定参数对机器学习算法进行优化后得到的优化算法。
[0059]
上述技术方案的有益效果是：通过对机器学习算法进行算法优化，并结合对优化需求数据的优化结果进行优化，可以使得对任务的优化更加精准，从而使得任务的执行更加高效准确。
[0060]
实施例5：基于实施例4的基础上，对每个第二优化需求数据进行优化得到相应的第三优化需求数据，包括：获取第二优化需求数据中每一优化需求子数据对应的数据种类，并判断每个数据种类在第二优化需求数据中的相关程度；若相关程度低于预设程度，则对对应数据种类的优化需求子数据进行保留；反之，则将对应数据种类的优化需求子数据进行剔除，基于剔除结果得到第三优化需求数据。
[0061]
该实施例中，第二优化需求数据是指第一优化需求数据中筛选任务综合相关度小于预设相关度的优化需求数据。
[0062]
该实施例中，优化需求子数据是指将第二优化需求进行拆分后得到的优化需求子数据。
[0063]
该实施例中，数据种类是指第二优化需求数据中每一需求子数据的基本数据类型。
[0064]
该实施例中，相关程度是指当前优化需求子数据对应的数据种类对第二优化需求数据的影响程度，比如，对资源的能力要求需求信息对应的需求数据在第二优化需求数据中的影响程度低于属性信息对应的需求数据在第二优化需求数据中的影响程度，所以，前者的相关程度小于后者，且相关程度的程度范围在0到1之间。
[0065]
该实施例中，预设程度是基于网络任务优化请求的请求精准度要求确定的。
[0066]
该实施例中，第三优化需求数据是将第二优化需求数据中的相关程度高于预设程度的数据种类对应的优化需求子数据进行剔除后，剩余优化需求子数据得到的。
[0067]
上述技术方案的有益效果是：通过采用优化后的需求数据对对应机器学习算法进行优化，从而实现对任务请求的优化，可以使得对任务的优化更加精准，从而使得任务的执行更加高效准确。
[0068]
实施例6：基于实施例5的基础上，基于所有有效的第一优化需求数据的学习结果得到满足网络任务优化请求的目标优化方案，从而对网络任务进行优化，如图2所示，包括：基于所有有效第一优化需求数据得到对应的第一综合优化请求；将第一综合优化请求中的优化请求类型个数并与预设关键请求类型个数进行比较；若预设关键请求类型个数大于优化请求类型的个数，则基于未匹配请求类型在第一综合优化请求集合中提取对应请求类型的优化请求，得到第二综合优化请求；基于所有有效第一优化需求数据及对应优化机器学习算法的学习结果，得到第二数据结果；基于第二数据结果匹配对应的目标优化方案，并基于目标优化方案对当前第二综合优化请求进行优化。
[0069]
该实施例中，有效第一优化需求数据是指将第一优化需求数据经过处理，剔除无效优化需求数据后得到的第一优化需求数据。
[0070]
该实施例中，第一综合优化请求是基于有效第一优化需求数据进行请求还原，得到的优化请求的集合。
[0071]
该实施例中，优化请求类型是指第一综合优化请求中的优化请求对应的请求类型，优化请求类型即为请求信息类型，包括但不限于：基本信息、任务状态信息、属性信息、对资源的能力要求信息。
[0072]
该实施例中，预设关键请求类型是指基于优化请求的请求精准度得到的满足当前请求精准度需要的关键请求类型。
[0073]
该实施例中，第二综合优化请求是指当预设关键请求类型个数大于优化请求类型的个数时，在第一综合优化请求中提取未进行请求类型对应的请求类型的优化请求构成的请求集合。
[0074]
该实施例中，第二数据结果是指基于所有有效第一优化需求数据及对应优化机器学习算法的学习结果得到的数据集合。
[0075]
该实施例中，目标优化方案是指根据第二数据结果得到的满足网络任务优化请求的网络任务优化方案。
[0076]
上述技术方案的有益效果是：通过对优化后的需求数据进行学习，并根据学习结果进行不同优化，可以使得任务优化更精准。
[0077]
实施例7：基于实施例6的基础上，基于目标优化方案对网络任务进行优化后，还包括：对优化结果进行检查，具体包括：
获取优化后的第二综合优化请求，并基于第二综合优化请求在虚拟机上进行预优化；将预优化结果对应的优化任务中的关键子任务与网络任务优化请求对应的网络任务的关键子任务进行比较；若比较结果完全吻合，则判断网络任务优化成功；反之，则判断当前网络任务优化存在优化偏差，需要重新对网络任务优化请求进行拆解。
[0078]
该实施例中，第二综合优化请求是指当预设关键请求类型个数大于优化请求类型的个数时，在第一综合优化请求中提取未进行请求类型对应的请求类型的优化请求构成的请求集合。
[0079]
该实施例中，预优化是指将第二综合优化请求的请求信息上传至虚拟机中，并进行虚拟优化。
[0080]
该实施例中，关键任务是指网络任务优化请求中必须进行优化的关键优化请求。
[0081]
该实施例中，网络任务优化请求是通过采用高新技术手段以及优化工具对网络参数合理调整，从而提高网络质量的维护工作的工作请求。
[0082]
该实施例中，优化偏差是指预优化结果对应的优化任务中的关键任务与网络任务优化请求对应的网络任务的关键任务不完全吻合时，未吻合部分对应的网络优化请求存在优化偏差，其中，优化偏差可能为优化缺失或优化错误。
[0083]
上述技术方案的有益效果是：通过对优化结果进行检查，并基于检查结果调整，可以使得任务的优化更加精准，从而使得任务的执行更加高效。
[0084]
实施例8：本发明实施例提供了一种用于机器学习分类的网络任务优化系统，如图3所示，包括：请求接收模块：接收网络任务优化请求，并基于机器分类引擎对网络任务优化请求进行拆解及分类；数据获取模块：将分类集合中每个子请求进行请求转换，得到第一优化需求数据；算法确定模块：根据每个子请求的第一优化需求数据以及所属分类集合的分类类型，确定对应子请求的机器学习算法；优化执行模块：基于机器学习算法对相应第一优化需求数据进行学习，并基于所有有效的第一优化需求数据的学习结果得到满足网络任务优化条件的目标优化方案，从而对网络任务进行优化。
[0085]
上述技术方案的有益效果是：通过对任务的拆解分类，并对不同分类采用不同机器学习算法进行优化，可以使得对任务的优化更加精准，从而使得任务的执行更加高效准确。
[0086]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

技术特征：
1.一种用于机器学习分类的网络任务优化方法，其特征在于，包括：步骤1：接收网络任务优化请求，并基于机器分类引擎对网络任务优化请求进行拆解及分类；步骤2：将分类集合中每个子请求进行请求转换，得到第一优化需求数据；步骤3：根据每个子请求的第一优化需求数据以及所属分类集合的分类类型，确定对应子请求的机器学习算法；步骤4：基于机器学习算法对相应第一优化需求数据进行学习，并基于所有有效的第一优化需求数据的学习结果得到满足网络任务优化条件的目标优化方案，从而对网络任务进行优化。2.根据权利要求1所述的一种用于机器学习分类的网络任务优化方法，其特征在于，接收网络任务优化请求，并基于机器学习分类引擎对网络任务优化请求进行拆解及分类，包括：步骤11：接收目标网络的网络任务优化请求，并对所述网络任务优化请求进行拆解处理；步骤12：基于机器分类引擎按照请求信息类型对拆解处理结果进行分类。3.根据权利要求1所述的一种用于机器学习分类的网络任务优化方法，其特征在于，根据每个子请求的第一优化需求数据以及所属分类集合的分类类型，确定对应子请求的机器学习算法，包括：将每个子请求的第一优化需求数据以及所属分类集合的分类类型与预设数据-类型-算法分析表进行匹配；基于匹配结果确定对应子请求的机器学习算法。4.根据权利要求3所述的一种用于机器学习分类的网络任务优化方法，其特征在于，基于机器学习算法对相应第一优化需求数据进行学习，包括：步骤41：确定第一优化需求数据中的任意两个优化需求子数据的任务相关度，并基于同个第一优化需求数据涉及到的所有任务相关度得到任务综合相关度；步骤42：从所有第一优化需求数据中筛选任务综合相关度小于预设相关度的第二优化需求数据；步骤43：对每个第二优化需求数据进行优化得到相应的第三优化需求数据；步骤44：从所有第一优化需求数据中剔除第三优化需求数据，得到若干第四优化需求数据；步骤45：判断每个第四优化需求数据中不同优化需求子数据之间的数据耦合程度指数，得到对应第四优化需求数据的数据矩阵；步骤46：根据所有第四优化需求数据对应的数据矩阵，构建得到第一综合数据矩阵；步骤47：获取不同第四优化需求数据之间的数据间关联度，并基于数据间关联度对第一综合数据矩阵进行优化，并剔除数据间关联度最小的优化需求数据，得到第二综合数据矩阵；步骤48：判断第二综合数据矩阵中同行向量以及同列向量的众数元素所对应的第一优化需求数据作为固定参数，对机器学习算法进行第一优化，得到优化机器学习算法；步骤49：基于优化机器学习算法对第一综合数据矩阵所对应的第一优化需求数据进行
学习；其中，第一综合数据矩阵中每一数据即为有效第一优化需求数据。5.根据权利要求4所述的一种用于机器学习分类的网络任务优化方法，其特征在于，对每个第二优化需求数据进行优化得到相应的第三优化需求数据，包括：获取第二优化需求数据中每一优化需求子数据对应的数据种类，并判断每个数据种类在第二优化需求数据中的相关程度；若相关程度低于预设程度，则对对应数据种类的优化需求子数据进行保留；反之，则将对应数据种类的优化需求子数据进行剔除，基于剔除结果得到第三优化需求数据。6.根据权利要求5所述的一种用于机器学习分类的网络任务优化方法，其特征在于，基于所有有效的第一优化需求数据的学习结果得到满足网络任务优化条件的目标优化方案，从而对网络任务进行优化，包括：基于所有有效第一优化需求数据得到对应的第一综合优化请求；将第一综合优化请求中的优化请求类型个数与预设关键请求类型个数进行比较；若预设关键请求类型个数大于优化请求类型的个数，则基于未匹配的请求类型在第一综合优化请求集合中提取对应请求类型的优化请求，得到第二综合优化请求；基于所有有效第一优化需求数据及对应优化机器学习算法的学习结果，得到第二数据结果；基于第二数据结果匹配对应的目标优化方案，并基于目标优化方案对当前第二综合优化请求进行优化。7.根据权利要求6所述的一种用于机器学习分类的网络任务优化方法，其特征在于，基于目标优化方案对网络任务进行优化后，还包括：对优化结果进行检查，具体包括：获取优化后的第二综合优化请求，并基于第二综合优化请求在虚拟机上进行预优化；将预优化结果对应的优化任务中的关键子任务与网络任务优化请求对应的网络任务的关键子任务进行比较；若比较结果完全吻合，则判断网络任务优化成功；反之，则判断当前网络任务优化存在优化偏差，需要重新对网络任务优化请求进行拆解。8.一种用于机器学习分类的网络任务优化系统，其特征在于，包括：请求接收模块：接收网络任务优化请求，并基于机器分类引擎对网络任务优化请求进行拆解及分类；数据获取模块：将分类集合中每个子请求进行请求转换，得到第一优化需求数据；算法确定模块：根据每个子请求的第一优化需求数据以及所属分类集合的分类类型，确定对应子请求的机器学习算法；优化执行模块：基于机器学习算法对相应第一优化需求数据进行学习，并基于所有有效的第一优化需求数据的学习结果得到满足网络任务优化条件的目标优化方案，从而对网络任务进行优化。

技术总结
本发明提供了一种用于机器学习分类的网络任务优化方法及系统。属于网络任务优化领域，包括：接收网络任务优化请求，并基于机器分类引擎对网络任务优化请求进行拆解及分类；将分类集合中每个子请求进行请求转换，得到第一优化需求数据；根据每个子请求的第一优化需求数据以及所属分类集合的分类类型，确定对应子请求的机器学习算法；基于机器学习算法对相应第一优化需求数据进行学习，并基于所有有效的第一优化需求数据的学习结果得到满足网络任务优化条件的目标优化方案，从而对网络任务进行优化。通过对任务的拆解分类，并对不同分类采用不同机器学习算法进行优化，可以使得对任务的优化更加精准，从而使得任务的执行更加高效准确。效准确。效准确。


技术研发人员：彭渊 邱张华 任昊 张得海 鲁定一 张雨 陈文浩 刘锐 王鑫
受保护的技术使用者：太极计算机股份有限公司
技术研发日：2023.07.12
技术公布日：2023/8/13