本發(fā)明涉及深度學(xué)習(xí)，具體是基于深度學(xué)習(xí)模型優(yōu)化的智能化低代碼開發(fā)方法及系統(tǒng)。

背景技術(shù)：

1、在現(xiàn)代的低代碼平臺中，隨著企業(yè)業(yè)務(wù)復(fù)雜性增加，低代碼平臺逐漸成為企業(yè)數(shù)字化轉(zhuǎn)型的關(guān)鍵工具。低代碼平臺通過圖形化界面簡化了應(yīng)用開發(fā)和部署過程，使得業(yè)務(wù)人員也能參與開發(fā)，降低了開發(fā)成本和時間。然而，隨著業(yè)務(wù)場景的復(fù)雜化和系統(tǒng)性能需求的提升，傳統(tǒng)的低代碼平臺面臨著如何在不斷變化的業(yè)務(wù)需求和技術(shù)環(huán)境中保持靈活性與高效性的問題。尤其是在業(yè)務(wù)流程優(yōu)化、資源調(diào)度、決策執(zhí)行等關(guān)鍵環(huán)節(jié)，低代碼平臺往往缺乏足夠的智能化決策支持和自動化的策略優(yōu)化機(jī)制，導(dǎo)致系統(tǒng)在大規(guī)模應(yīng)用時無法高效適應(yīng)業(yè)務(wù)變化，或者無法在動態(tài)環(huán)境中快速做出調(diào)整。

2、現(xiàn)有技術(shù)中，低代碼平臺通常依賴靜態(tài)規(guī)則或基于預(yù)定義的決策模型進(jìn)行邏輯流的部署和執(zhí)行，這種方式往往難以應(yīng)對復(fù)雜的多目標(biāo)優(yōu)化場景，也無法在大規(guī)模系統(tǒng)中自動調(diào)整資源分配和處理策略；傳統(tǒng)的自動化部署與資源調(diào)度方法通?；诠潭ㄅ渲?，缺乏根據(jù)業(yè)務(wù)負(fù)載、資源需求等動態(tài)因素進(jìn)行實時調(diào)整的能力，這使得平臺在面對大規(guī)模數(shù)據(jù)和業(yè)務(wù)波動時，常常出現(xiàn)性能瓶頸或資源浪費；

3、為此，本發(fā)明提出基于深度學(xué)習(xí)模型優(yōu)化的智能化低代碼開發(fā)方法及系統(tǒng)。

技術(shù)實現(xiàn)思路

1、本發(fā)明旨在至少解決現(xiàn)有技術(shù)中存在的技術(shù)問題之一。為此，本發(fā)明提出基于深度學(xué)習(xí)模型優(yōu)化的智能化低代碼開發(fā)方法及系統(tǒng)，提升了低代碼平臺的彈性、穩(wěn)定性和可擴(kuò)展性。

2、為實現(xiàn)上述目的，提出基于深度學(xué)習(xí)模型優(yōu)化的智能化低代碼開發(fā)方法，包括以下步驟：

3、步驟一：通過領(lǐng)域驅(qū)動的元建模技術(shù)構(gòu)建多維度的領(lǐng)域知識圖譜；

4、步驟二：基于所述領(lǐng)域知識圖譜，構(gòu)建三維時空融合的訓(xùn)練樣本集，采用transformer-gnn混合架構(gòu)對訓(xùn)練樣本集進(jìn)行跨模態(tài)特征對齊，生成攜帶語義約束的可執(zhí)行邏輯流模板；

5、步驟三：將所述可執(zhí)行邏輯流模板編碼為馬爾可夫決策過程，通過集成梯度反向傳播路徑生成的特征重要性指標(biāo)與pareto前沿分析模塊的多目標(biāo)強(qiáng)化學(xué)習(xí)框架，對馬爾可夫決策過程的邏輯流的優(yōu)化目標(biāo)進(jìn)行聯(lián)合策略優(yōu)化；

6、步驟四：提取所述聯(lián)合策略優(yōu)化后的策略參數(shù)化序列，注入運行時監(jiān)控模塊構(gòu)造的動態(tài)驗證沙箱環(huán)境，通過在線變分自編碼器對執(zhí)行軌跡進(jìn)行異常模式檢測與反饋式參數(shù)蒸餾迭代，完成對策略的動態(tài)調(diào)整；

7、步驟五：將經(jīng)動態(tài)驗證的策略參數(shù)化序列進(jìn)行目標(biāo)服務(wù)的自動化彈性部署；

8、所述通過領(lǐng)域驅(qū)動的元建模技術(shù)構(gòu)建多維度的領(lǐng)域知識圖譜包括以下步驟：

9、步驟101：通過可視化元模型編輯器定義領(lǐng)域?qū)嶓w類型、屬性及關(guān)系約束，調(diào)用預(yù)訓(xùn)練的多模態(tài)對齊模型對結(jié)構(gòu)化數(shù)據(jù)庫字段與非結(jié)構(gòu)化文檔術(shù)語進(jìn)行跨模態(tài)語義匹配，生成帶置信度標(biāo)注的實體-屬性映射表，實現(xiàn)領(lǐng)域元模型定義與異構(gòu)數(shù)據(jù)對齊；

10、步驟102：基于所述實體-屬性映射表，采用聯(lián)合學(xué)習(xí)框架訓(xùn)練領(lǐng)域?qū)Ｓ脤嶓w識別模型，從業(yè)務(wù)日志中提取結(jié)構(gòu)化事件三元組，并通過時序衰減函數(shù)計算實體交互權(quán)重，構(gòu)建帶動態(tài)邊權(quán)重的功能拓?fù)渚W(wǎng)絡(luò)，實現(xiàn)動態(tài)實體關(guān)系抽取與拓?fù)渚W(wǎng)絡(luò)構(gòu)建；

11、步驟103：解析領(lǐng)域文檔中的業(yè)務(wù)規(guī)則，將業(yè)務(wù)規(guī)則中的原子條件轉(zhuǎn)換為與所述功能拓?fù)渚W(wǎng)絡(luò)的節(jié)點特征維度對齊的稀疏約束矩陣，并通過自注意力機(jī)制消除規(guī)則沖突；

12、步驟104：基于所述功能拓?fù)渚W(wǎng)絡(luò)中各個節(jié)點id與所述稀疏約束矩陣，對業(yè)務(wù)流程日志進(jìn)行時空切片，利用超圖神經(jīng)網(wǎng)絡(luò)融合拓?fù)涮卣髋c時空流量模式，生成低秩壓縮的數(shù)據(jù)流向張量，實現(xiàn)數(shù)據(jù)流向張量的時空表征學(xué)習(xí)；

13、步驟105：將所述功能拓?fù)渚W(wǎng)絡(luò)、所述稀疏約束矩陣及所述數(shù)據(jù)流向張量通過圖神經(jīng)網(wǎng)絡(luò)的消息傳遞機(jī)制進(jìn)行模態(tài)對齊，生成融合時空-邏輯特征的領(lǐng)域知識圖譜，并存儲至圖數(shù)據(jù)庫；

14、基于所述領(lǐng)域知識圖譜，構(gòu)建三維時空融合的訓(xùn)練樣本集包括以下步驟：

15、步驟201：基于領(lǐng)域知識圖譜中功能拓?fù)渚W(wǎng)絡(luò)的鄰接矩陣與節(jié)點特征向量，采用動態(tài)隨機(jī)游走算法生成實體交互序列；

16、步驟202：將業(yè)務(wù)規(guī)則約束矩陣的非零元素映射至?xí)r空單元，通過稀疏張量乘法實現(xiàn)規(guī)則特征的連續(xù)空間嵌入；

17、步驟203：構(gòu)建分層圖注意力網(wǎng)絡(luò)，分底層拓?fù)涮卣魈崛?、中層時空特征融合和頂層規(guī)則特征注入三個階段融合多源特征；

18、步驟204：基于領(lǐng)域知識圖譜的時空索引與規(guī)則約束，采用對抗生成策略構(gòu)造困難負(fù)樣本，生成訓(xùn)練樣本集；

19、所述采用transformer-gnn混合架構(gòu)對訓(xùn)練樣本集進(jìn)行跨模態(tài)特征對齊，生成攜帶語義約束的可執(zhí)行邏輯流模板包括以下步驟：

20、步驟211：使用transformer模型對訓(xùn)練樣本集進(jìn)行時空序列特征的提?。?/p>

21、所述進(jìn)行時空序列特征的提取包括：

22、將訓(xùn)練樣本集按照時間、空間維度構(gòu)造為標(biāo)準(zhǔn)序列輸入，利用位置編碼器嵌入序列中每個元素的位置信息，確保transformer能捕捉局部及全局時空依賴；

23、采用多頭自注意力機(jī)制對輸入序列進(jìn)行特征抽取，且每個注意力頭從不同角度提取全局上下文信息，提供多視角的時空特征；

24、堆疊若干transformer編碼器層，最終輸出的序列特征張量作為后續(xù)跨模態(tài)融合所需的時空序列特征；

25、步驟212：基于領(lǐng)域知識圖譜，構(gòu)建gnn圖編碼模塊，并通過圖編碼模塊對圖結(jié)構(gòu)特征進(jìn)行提??；

26、所述對圖結(jié)構(gòu)特征進(jìn)行提取包括：

27、根據(jù)領(lǐng)域知識圖譜中構(gòu)建的功能拓?fù)渚W(wǎng)絡(luò)，利用領(lǐng)域知識圖譜中每個節(jié)點的特征向量作為各節(jié)點初始特征，利用鄰接矩陣和動態(tài)邊權(quán)重信息，構(gòu)造反映節(jié)點間交互關(guān)系的圖數(shù)據(jù)結(jié)構(gòu)；

28、選用圖卷積網(wǎng)絡(luò)、圖注意力網(wǎng)絡(luò)或超圖神經(jīng)網(wǎng)絡(luò)等消息傳遞機(jī)制，對圖結(jié)構(gòu)中各節(jié)點進(jìn)行多層信息傳遞，聚合鄰域節(jié)點特征；需要說明的是，在信息傳遞過程中引入邊權(quán)重動態(tài)更新策略，確保非線性和時變關(guān)系能夠被捕捉；

29、將經(jīng)過多層聚合后的節(jié)點特征矩陣輸出，并為每個節(jié)點生成全局上下文表示，該全局上下文表示作為圖結(jié)構(gòu)特征；

30、步驟213：對時空序列特征和圖結(jié)構(gòu)特征進(jìn)行融合，通過預(yù)定義的誘導(dǎo)信號損失函數(shù)，生成融合特征；

31、所述生成融合特征包括：

32、采用雙線性池化、交叉注意力機(jī)制或如全連接網(wǎng)絡(luò)與殘差連接的融合層的設(shè)計，將transformer提取的時空序列特征與gnn輸出的圖結(jié)構(gòu)特征進(jìn)行對齊，將對齊后的時空序列特征與圖結(jié)構(gòu)特征輸入融合層；

33、在融合層中，通過預(yù)定義的誘導(dǎo)信號損失函數(shù)，在反向傳播中引導(dǎo)模型生成的特征表示目標(biāo)約束；

34、通過融合層輸出統(tǒng)一的跨模態(tài)特征表示，作為融合特征；

35、步驟214：根據(jù)融合特征，通過解碼器構(gòu)建可執(zhí)行邏輯流模板；

36、所述通過解碼器構(gòu)建可執(zhí)行邏輯流模板包括：

37、構(gòu)建基于transformer解碼器或圖解碼器的模板生成模塊，將融合后的融合特征表示作為輸入；

38、在解碼過程中，嵌入來自領(lǐng)域規(guī)則的約束條件，例如各流程節(jié)點的資源限制、響應(yīng)時延約束及異常處理規(guī)則，從而生成的模板符合實際業(yè)務(wù)需求；

39、定義包括如交叉熵?fù)p失的生成損失、誘導(dǎo)信號約束損失以及領(lǐng)域一致性損失的聯(lián)合損失函數(shù)，根據(jù)生成損失，通過訓(xùn)練樣本集進(jìn)行訓(xùn)練，通過離線仿真或小規(guī)模在線測試，對生成模板進(jìn)行驗證；

40、所述將所述可執(zhí)行邏輯流模板編碼為馬爾可夫決策過程包括以下步驟：

41、步驟311：對輸入的可執(zhí)行邏輯流模板進(jìn)行預(yù)處理，將其內(nèi)部描述的業(yè)務(wù)流程、決策節(jié)點和轉(zhuǎn)移條件進(jìn)行提取，并基于提取的業(yè)務(wù)流程、決策節(jié)點和轉(zhuǎn)移條件構(gòu)建馬爾可夫決策過程的狀態(tài)空間；

42、步驟312：從解析后的模板中識別出各個決策節(jié)點所允許的操作選項，構(gòu)成馬爾可夫決策過程的動作空間；

43、步驟313：將邏輯流模板中描述的流程轉(zhuǎn)移關(guān)系形式化為馬爾可夫決策過程的狀態(tài)轉(zhuǎn)移函數(shù)；

44、步驟314：為馬爾可夫決策過程設(shè)計獎勵函數(shù)，以評估在狀態(tài)s下采取動作a后獲得的即時收益或成本；

45、步驟315：狀態(tài)空間、動作空間、狀態(tài)轉(zhuǎn)移函數(shù)和獎勵函數(shù)組成馬爾可夫決策過程；

46、所述通過集成梯度反向傳播路徑生成的特征重要性指標(biāo)與pareto前沿分析模塊的多目標(biāo)強(qiáng)化學(xué)習(xí)框架，對馬爾可夫決策過程的邏輯流的優(yōu)化目標(biāo)進(jìn)行聯(lián)合策略優(yōu)化包括以下步驟：

47、步驟321：將已經(jīng)編碼為馬爾可夫決策過程的邏輯流作為優(yōu)化對象，采用集成梯度方法計算反向傳播路徑的特征重要性；

48、步驟322：設(shè)計pareto前沿分析模塊，為領(lǐng)域項目構(gòu)造多目標(biāo)評價體系，并基于特征重要性，為各個目標(biāo)生成賦予權(quán)重的目標(biāo)函數(shù)；

49、步驟323：構(gòu)建融合馬爾可夫決策過程和多目標(biāo)評價體系的多目標(biāo)強(qiáng)化學(xué)習(xí)框架；

50、步驟324：通過定義多目標(biāo)損失函數(shù)，根據(jù)多目標(biāo)強(qiáng)化學(xué)習(xí)框架的輸出進(jìn)行聯(lián)合策略優(yōu)化；

51、所述提取所述聯(lián)合策略優(yōu)化后的策略參數(shù)化序列，注入運行時監(jiān)控模塊構(gòu)造的動態(tài)驗證沙箱環(huán)境的方式為：

52、采用容器化和虛擬化技術(shù)構(gòu)建動態(tài)驗證沙箱環(huán)境，模擬與生產(chǎn)環(huán)境一致的代碼運行條件，同時通過實時監(jiān)控工具采集系統(tǒng)行為數(shù)據(jù)；

53、采用標(biāo)準(zhǔn)的接口調(diào)用和數(shù)據(jù)映射機(jī)制將策略參數(shù)化序列注入動態(tài)驗證沙箱環(huán)境，實現(xiàn)對策略在真實業(yè)務(wù)場景下的在線驗證和反饋；

54、通過在線變分自編碼器對執(zhí)行軌跡進(jìn)行異常模式檢測與反饋式參數(shù)蒸餾迭代的方式為：

55、預(yù)先收集動態(tài)驗證沙箱環(huán)境策略執(zhí)行的執(zhí)行軌跡數(shù)據(jù)，將其表示為一個軌跡序列集合；

56、在線變分自編碼器包含一個編碼器和一個解碼器，其訓(xùn)練目標(biāo)為最大化證據(jù)下界；

57、動態(tài)驗證沙箱環(huán)境中利用在線變分自編碼器對實時采集的執(zhí)行軌跡進(jìn)行重構(gòu)，并計算重構(gòu)誤差，基于重構(gòu)誤差，判定是否需要進(jìn)行反饋式參數(shù)蒸餾；

58、對于需要進(jìn)行反饋式參數(shù)蒸餾的執(zhí)行路徑，收集該執(zhí)行路徑的策略參數(shù)化序列，定義量化當(dāng)前策略與策略參數(shù)化序列之間的偏差損失函數(shù)，采用梯度下降方法對偏差損失函數(shù)進(jìn)行參數(shù)更新；

59、所述將經(jīng)動態(tài)驗證的策略參數(shù)化序列進(jìn)行目標(biāo)服務(wù)的自動化彈性部署的方式為：

60、低代碼平臺接收經(jīng)過在線異常檢測和反饋式參數(shù)蒸餾迭代后獲得的策略參數(shù)化序列，并通過預(yù)定義的映射規(guī)則，將各參數(shù)轉(zhuǎn)換為部署配置的具體項；

61、根據(jù)獲得的部署配置的具體項在低代碼平臺進(jìn)行相應(yīng)的部署。

62、提出基于深度學(xué)習(xí)模型優(yōu)化的智能化低代碼開發(fā)系統(tǒng)，包括知識圖譜構(gòu)建模塊、邏輯流模板構(gòu)建模塊、策略優(yōu)化模塊、策略動態(tài)調(diào)整模塊以及策略部署模塊；其中，各個模塊之間通過電性方式連接；

63、知識圖譜構(gòu)建模塊，通過領(lǐng)域驅(qū)動的元建模技術(shù)構(gòu)建多維度的領(lǐng)域知識圖譜，并將領(lǐng)域知識圖譜發(fā)送至邏輯流模板構(gòu)建模塊；

64、邏輯流模板構(gòu)建模塊，基于所述領(lǐng)域知識圖譜，構(gòu)建三維時空融合的訓(xùn)練樣本集，采用transformer-gnn混合架構(gòu)對訓(xùn)練樣本集進(jìn)行跨模態(tài)特征對齊，生成攜帶語義約束的可執(zhí)行邏輯流模板，并將可執(zhí)行邏輯流模板發(fā)送至策略優(yōu)化模塊；

65、策略優(yōu)化模塊，將所述可執(zhí)行邏輯流模板編碼為馬爾可夫決策過程，通過集成梯度反向傳播路徑生成的特征重要性指標(biāo)與pareto前沿分析模塊的多目標(biāo)強(qiáng)化學(xué)習(xí)框架，對馬爾可夫決策過程的邏輯流的優(yōu)化目標(biāo)進(jìn)行聯(lián)合策略優(yōu)化，將聯(lián)合策略優(yōu)化后的策略參數(shù)化序列發(fā)送至策略動態(tài)調(diào)整模塊；

66、策略動態(tài)調(diào)整模塊，提取所述聯(lián)合策略優(yōu)化后的策略參數(shù)化序列，注入運行時監(jiān)控模塊構(gòu)造的動態(tài)驗證沙箱環(huán)境，通過在線變分自編碼器對執(zhí)行軌跡進(jìn)行異常模式檢測與反饋式參數(shù)蒸餾迭代，完成對策略的動態(tài)調(diào)整，將動態(tài)調(diào)整后的策略發(fā)送至策略部署模塊；

67、策略部署模塊，將經(jīng)動態(tài)驗證的策略參數(shù)化序列進(jìn)行目標(biāo)服務(wù)的自動化彈性部署。

68、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

69、本發(fā)明首先通過領(lǐng)域驅(qū)動建模技術(shù)構(gòu)建多維度知識圖譜，提取出業(yè)務(wù)流程中的關(guān)鍵節(jié)點和關(guān)聯(lián)，隨后利用transformer-gnn混合架構(gòu)對多模態(tài)數(shù)據(jù)進(jìn)行特征對齊，生成攜帶語義約束的可執(zhí)行邏輯流模板。通過集成梯度和pareto前沿分析模塊，結(jié)合多目標(biāo)強(qiáng)化學(xué)習(xí)框架，對馬爾可夫決策過程中的各個目標(biāo)進(jìn)行聯(lián)合優(yōu)化，找到最佳決策路徑，通過在線變分自編碼器對執(zhí)行軌跡進(jìn)行實時重構(gòu)和異常模式檢測，發(fā)現(xiàn)偏離預(yù)期的執(zhí)行軌跡時，反饋并觸發(fā)參數(shù)蒸餾迭代過程，自動調(diào)整策略，保證系統(tǒng)在實際運行中的穩(wěn)定性和高效性，最后對調(diào)整后的策略進(jìn)行自動化部署；實現(xiàn)了實時優(yōu)化策略，靈活調(diào)度資源，避免了傳統(tǒng)方法中的靜態(tài)配置問題，提升了低代碼平臺的彈性、穩(wěn)定性和可擴(kuò)展性。