CN119475328A 面向集成模块的数据流智能重构方法、装置及智能芯片 （深圳硬之城信息技术有限公司）

道梅都社区中康路136号深圳新一代2对芯片集成模块数据流进行双流特征分解，得到第一模块流特征提取将所述第一模块流特征提取向量和所述第一数据流特征提取向量输入对抗网络进行基于芯片系统运行参数构建有向因果图，并对所述有向因果图进行图神经网络编码，将所述运行模式嵌入向量、所述第二模块流特征提取向量和所述第基于所述数据流安全评分和所述解耦特征向量进行多层贝叶斯感将芯片集成模块数据流输入特征转换层进行映射变换，得到维度转所述维度转换特征矩阵进行模块标签标注，得到标注后的训练数据集和对应的模块标签基于所述标注后的训练数据集构建包含卷积层、批归一化层和激活层的第一神经网根据所述第三特征图和所述模块标签集计算交叉熵损失函对所述维度转换特征矩阵进行随机仿射变换和随机裁剪变换，得到增基于所述增强后的训练数据集构建包含降维层、编码层和重构对所述第六特征图与所述增强后的训练数据集计算欧氏距离损失值述第一模块流特征提取向量和所述第一数据流特征提取向量输入对抗网络进行特征优化，对所述第一模块流特征提取向量和所述第一数据流特征提取向量进行特征连基于所述混合特征向量构建判别器网络，所述判别器网络包含特征提取层和分类层，3基于所述判别结果计算对抗损失函数，对所述判别器网络进行根据所述噪声判别得分对所述第一数据流特征提取向量进行随机梯度下降将所述残差特征向量输入全连接神经网络进行特征映射，得到映射对芯片系统运行参数进行采集和归一化处理，得到系统状态参数矩基于所述系统状态参数矩阵构建初始顶点集合，并构建顶点间的有向连对所述有向因果图中的每个顶点构建包含输入变换层和输出变换层的顶点特征提取基于所述有向因果图的边集，对所述顶点嵌入特征进行注意力权将所述注意力分数矩阵与所述顶点嵌入特征进行矩阵乘法运算，得到加权特征矩阵，将所述顶点更新特征矩阵输入多层图卷积网络进行特征聚合，得到图结构特征向量，将所述运行模式嵌入向量、所述第二模块流特征提取向量和所述第将所述联合特征张量输入条件变分自编码网络的第一全连将所述编码器输入特征输入条件变分自编码网络的第二全连接层进行均值基于所述潜在空间均值向量和所述潜在空间方差向量进行重参4对所述解码器输入特征进行条件解码重构，将所述解码器输入特第一全连接层进行特征变换，得到第二隐层特征，对所述第二隐层特征进行批归一化和将所述激活特征输入解码器网络的第二全连接层进行重构映射，得到重构特征向量，并计算所述重构特征向量与所述联合特征张量的重构损基于所述重构损失和所述KL散度损失对所述条件变分自编码网络进行优对所述解耦特征向量进行高斯核密度变换，得到特征核密度矩阵，对所述条件概率向量进行对数变换运算，得到概率安全分量，并根对所述特征映射向量和所述安全边界集合计算欧氏基于所述概率安全分量和所述边界安全分量构建加权组合函数，得到组合权重系数，所述数据流安全评分和所述解耦特征向量进行多层贝叶斯感知重构，得到目标重构数据对所述数据流安全评分进行阈值判断，得到安全掩码向量，并将所述对所述安全特征向量构建包含先验层和似然层的贝叶斯神经网络，通将所述先验权重矩阵和所述似然概率向量输入变分推理模块进行采样将所述安全特征向量和所述最优重构参数输入重构解码器，通对所述重构特征向量进行反归一化和维度变换处理，得到初始重构数特征分解模块，用于对芯片集成模块数据流进行双流特特征优化模块，用于将所述第一模块流特征提取向量和5构建模块，用于基于芯片系统运行参数构建有向因果解耦模块，用于将所述运行模式嵌入向量、所述第二模块流特征提取向量计算模块，用于对所述解耦特征向量进行概率密度计重构模块，用于基于所述数据流安全评分和所述解耦特征向9.一种面向集成模块的数据流智能重构设备，其特所述至少一个处理器调用所述存储器中的所述指令，以使得所述面向流智能重构设备执行如权利要求1_7中任一项所述的面向集成模块的数据流智能重构方6将所述第一模块流特征提取向量和所述第一数据流特征提取向量输入对抗网络7[0012]图1为本发明实施例中面向集成模块的数据流智能重构方法的一个实施例示意图2为本发明实施例中面向集成模块的数据流智能重构装置的一个实施例示意图3为本发明实施例中面向集成模块的数据流智能重构设备的一个实施例示意8可以理解的是，本发明的执行主体可以为面向集成模块的数据流智能重构装置，9[0017]102、将第一模块流特征提取向量和第一数据流特征提取向量输入对抗网络进行具体的，对第一模块流特征提取向量与第一数据流特征提取向量进行特征连接。换层和输出变换层的顶点特征提取器。输入变换层将顶点的初始参数映射到高维特征空结构特征向量进行自注意力池化操作。自注意力池化通过为特征向量的不同部分分配权器网络的第一全连接层通过线性变换重新映射潜在变量样本和运行模式嵌入向量的联合该向量表示解耦特征在当前运行模式下的概率状态。对条件概率向量进行对数变换运算，获了芯片系统运行条件对数据流结构的影响，解决了传统方法忽视运行条件影响的问题。设计条件变分自编码网络进行因果解耦，有效处理了不同运行条件下的数据分布变化问将芯片集成模块数据流输入特征转换层进行映射变换，得到维度转换特征矩阵，并对维度转换特征矩阵进行模块标签标注，得到标注后的训练数据集和对应的模块标签基于标注后的训练数据集构建包含卷积层、批归一化层和激活层的第一神经网YIne=ly,ya…,ynl，其中yi表示每个特Conv；过滑动窗口对局部区域特征进行加权求和用于提取局;;第六特征图与增强后的训练数据集之间的欧氏距离损;[0027]具体的，对第一模块流特征提取向量和第一数据流特征提取向量vsstan进;混合特征向量vaix构建判别器网络，该网络包含特征提取层和分类层;;;;;;;对有向因果图中的每个顶点构建包含输入变换层和输出变换层的顶点特征提取将顶点更新特征矩阵输入多层图卷积网络进行特征聚合，得到图结构特征向量，;始顶点集合。每个顶点表示一个运行参数(如某模块的温度、电压)，顶点集合记为图G=(V,E)，并用邻接矩阵表示有向边的连接强度。例如，若V1(温度)对V2;其中是第i个顶点的参数向量，NnER"是输入变换的权重矩阵，;;;;;;将激活特征输入解码器网络的第二全连接层进行重构映射，得到重构特征向量，并计算重构特征向量与联合特征张量的重构损;其中[·,·,·]表示拼接操作。联合特征张量同时包含运行模式、模块流特征和;其中w,eR⃞(+n+n)是权重矩阵，是偏置向量，k是降维后的特征维;;;;其中0表示逐元素乘法，是从标准正态分布采样的噪声。潜在变量样本z与运;;;;;;据组合权重系数对概率安全分量和边界安全分量进行加权求和运算，得到数据流安全评;在不同维度的密度值。将特征核密度矩阵输入条件概率计算单元，与运行模式嵌入向量;其中联合概率P(Z,E)通过点积操作计算为：;;;;;;;将先验权重矩阵和似然概率向量输入变分推理模块进行采样，得到后验分布参将安全特征向量和最优重构参数输入重构解码器，通过多层感知机进行特征映;其中M,是安全掩码的第i个元素，用于标记特征是否符合安全标准。例如，若;;;是偏置向量。将先验权重矩阵,rw和似然;后验分布的最优重构参数oup：;;其中Nhsp和bnap是感知机的权重和偏置。对重构特征向量zrsc进行反归一化处;;中面向集成模块的数据流智能重构装置一个特征优化模块202，用于将第一模块流特征提取向量和第一数据流特征提取向量重构模块206，用于基于数据流安全评分和解耦特征向量进行多层贝叶斯感知重[0038]上面图2从模块化功能实体的角度对本发明实施例中的中面向集成模块的数据流[0039]图3是本发明实施例提供的一种面向集成模块的数据流智能重构设备的结构示意理器310可以设置为与存储介质330通信，在面向集成模块的数据流智能重构设备300上执行存储介质330中的一系列指令操作，以实现上述面向集成模块的数据流智能重构方法的技术人员可以理解，图3示出的面向集成模块的数