(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211200445.5 (22)申请日 2022.09.29 (71)申请人 罗师红 地址 551700 贵州省毕节市七 星关区滨河 西路54号 (72)发明人 罗师红　任彦龙　 (51)Int.Cl. G06F 16/2458(2019.01) G06F 16/903(2019.01) G06F 11/14(2006.01) G06F 17/18(2006.01) G06N 20/00(2019.01) (54)发明名称 应用于数据管理仓库的容 灾方法及系统 (57)摘要 本发明的应用 于数据管理仓库的容灾方法 及系统， 首先利用设定机器学习算法确定待容灾 数字化业务大数据的当前联动描述向量， 并结合 所述当前联动描述向量确定参考数字化业务大 数据， 然后依据所述参考数字化业务大数据的容 灾处理记录， 对 所述待容灾数字化业务大数据进 行容灾处理。 在确定待容灾数字化业务大数据的 当前联动描述向量时， 可以结合 设定机器学习算 法的不同子模 型确定不同的特征， 进而通过不同 的特征得到抗干扰性强和扩展能力佳的当前联 动描述向量， 这样可快速精准地确定出参考数字 化业务大数据， 从而依据参考数字化业务大数据 的容灾处理记录指导待容灾数字化业务大数据 的容灾处理， 提高待容灾数字化业务大数据的容 灾处理效率和可靠性。 权利要求书3页 说明书14页 附图2页 CN 115374185 A 2022.11.22 CN 115374185 A 1.一种应用于数据 管理仓库的容灾方法， 其特征在于， 应用于数据容灾系统， 所述方法 包括： 获得所述涵盖目标业务数据共享事项的待容灾数字化业务大数据； 将所述待容灾数字 化业务大数据加载到涵盖要素挖掘子网络和多 元回归分析子网络的设定机器学习算法中， 得到所述要素挖掘子网络生成的容灾要素字符串以及所述多元回归分析子网络生成的个 性化知识标签； 其中， 所述个性化知识标签用于反映所述 目标业务数据共享事项的多元回 归分析结果； 对所述个性化知识标签和所述容灾要素字符串进行描述向量层面的联动处理， 得到所 述待容灾数字化业务大数据对应的当前联动描述向量； 结合每一备用数字化业务大数据和 所述待容灾数字化业务大数据分别对应的当前联动描述向量， 从所述每一备用数字化业务 大数据中， 确定与所述待容灾数字化业务大数据满足设定要求的不少于一个参考数字化业 务大数据； 依据所述参考数字化业务大数据的容灾处理记录， 对所述待容灾数字化业务大数据进 行容灾处理。 2.根据权利要求1所述的方法， 其特征在于， 所述对所述个性化知识标签和所述容灾要 素字符串进行描述向量层面的联动处理， 得到所述待容灾数字化业务大数据对应的当前联 动描述向量， 包括以下其中一项： 对所述个性化知识标签和所述容灾要素字符串进行组合， 得到所述待容灾数字化业务 大数据对应的基础联动描述向量， 并将所述基础联动描述向量， 确定为所述当前联动描述 向量； 对所述个性化知识标签和所述容灾要素字符串进行组合， 得到所述待容灾数字化业务 大数据对应的基础联动描述向量， 并获得与所述待容灾数字化业务大数据存在联系的各待 联动数字化业务大数据分别对应的基础联动描述向量， 以及结合所述待容灾数字化业务大 数据对应的基础联动描述向量以及所述各待联动数字化业务大数据分别对应的基础联动 描述向量， 得到所述当前 联动描述向量。 3.根据权利要求2所述的方法， 其特征在于， 所述对所述个性化知识标签和所述容灾要 素字符串 进行组合， 得到所述待容 灾数字化 业务大数据对应的基础联动描述向量， 包括： 遵循设定的向量组合 规则， 对所述个性 化知识标签和所述 容灾要素字符串 进行组合； 结合所述个性化知识标签和所述容灾要素字符串分别对应的设定可信因子， 对组合所 得的中间描述向量进行更新， 得到所述待容灾数字化业务大数据对应的基础联动描述向 量。 4.根据权利要求2所述的方法， 其特征在于， 所述结合所述待容灾数字化业务大数据对 应的基础联动描述向量以及所述各待联动数字化业务大数据分别对应的基础联动描述向 量， 得到所述当前 联动描述向量， 包括： 结合所述待容灾数字化业务大数据和所述各待联动数字化业务大数据分别对应的可 信因子， 对所述待容灾数字化业务大数据对应的基础联动描述向量以及所述各待联动数字 化业务大数据分别对应的基础联动描述向量进行全局运 算； 结合所述各待联动数字化业务大数据的数目， 对全局运算后得到的联动描述向量进行 均值处理， 得到所述当前 联动描述向量。权　利　要　求　书 1/3 页 2 CN 115374185 A 25.根据权利要求2所述的方法， 其特征在于， 所述个性化知识标签中涵盖各回归分析评 价值和去量纲数据； 所述对所述个性化知识标签和所述容灾要素字符串进行组合， 得到所述待容灾数字化 业务大数据对应的基础联动描述向量， 包括： 结合所述个性化知识标签中涵盖的所述去量 纲数据， 对所述个性化知识标签中涵盖的各回归分析评价值和所述容灾要 素字符串进 行去 量纲处理， 得到满足设定量化条件的各回归分析评价值和 容灾要素字符串； 对满足设定量 化条件的各回归分析评价值和容灾要 素字符串进 行组合， 得到所述待容灾数字化业务大数 据对应的基础联动描述向量； 其中， 所述各回归分析评价值包括各事项主题概率评分和各事项特征概率评分中的至 少一项。 6.根据权利要求2所述的方法， 其特征在于， 所述待容灾数字化业务大数据为数字服务 运行日志中的数字服 务运行记录， 所述数字服 务运行日志还涵盖剩余数字服 务运行记录； 所述获得与所述待容灾数字化业务大数据存在联系的各待联动数字化业务大数据分 别对应的基础联动描述向量之前， 还 包括： 将涵盖所述目标业务数据共享事项， 且数字签名先于所述数字服务运行记录的剩余数 字服务运行记录， 作为与所述待容灾数字化业务大数据存在联系的各待联动数字化业务大 数据； 对于所述各待联动数字化业务大数据中的随机一个待联动数字化业务大数据： 将所述 随机一个待联动数字化业务大数据加载到所述设定机器学习算法中， 得到所述随机一个待 联动数字化业务大数据对应的容灾要 素字符串和个性化知识标签， 其中所述随机一个待联 动数字化业务大数据的个性化知识标签用于反 映所述随机一个待联动数字化业务大数据 的多元回归分析结果； 结合所述随机一个待联动数字化业务大数据对应的容灾要 素字符串 和个性化知识标签， 得到所述随机一个待联动数字化业务大数据对应的基础联动描述向 量。 7.根据权利要求6所述的方法， 其特征在于， 所述结合每一备用数字化业务大数据和所 述待容灾数字化业务大数据分别对应的当前联动描述向量， 从所述每一备用数字化业务大 数据中， 确定与所述待容灾数字化业务大数据满足设定要求的不少于一个参考数字化业务 大数据之前， 还 包括： 从每一备用数字化业务大数据中， 确定出所述每一备用数字化业务大数据各自涵盖的 不少于一个待处 理数据集， 每 个待处理数据集中涵盖一种容 灾种类的业 务数据共享事项； 对于确定出的每一待处理数据集中的随机一个待处理数据集： 将所述随机一个待处理 数据集加载到所述设定机器学习算法中， 得到所述随机一个待处理数据集对应的容灾要 素 字符串和个性化知识标签， 并结合所述随机一个待处理数据集对应的容灾要 素字符串和个 性化知识标签， 获得所述 随机一个待处理数据集对应的当前联动描述向量； 统计所述 随机 一个待处理数据集对应的当前联动描述向量与对应的备用数字化业务大数据之间的对应 特征。 8.根据权利要求6所述的方法， 其特征在于， 所述结合每一备用数字化业务大数据和所 述待容灾数字化业务大数据分别对应的当前联动描述向量， 从所述每一备用数字化业务大 数据中， 确定与所述待容灾数字化业务大数据满足设定要求的不少于一个参考数字化业务权　利　要　求　书 2/3 页 3 CN 115374185 A 3