基于人脸识别的大数据控制方法及系统与流程

1.本技术涉及大数据技术领域，具体而言，涉及一种基于人脸识别的大数据控制方法及系统。


背景技术：

2.人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。基于此，包含人脸识别的一系列线上服务应用应运而生，对于这些人脸识别应用而言，其人脸识别的方向通常用于身份认证进而在用户授权的基础上进行大数据控制，如大数据采集控制、大数据读取控制等。相关技术中，当人脸识别应用中的应用执行实例在执行过程中存在异常执行节点时，对于其对应的大数据控制也应当进行优化，以规避可能产生的数据误差。然而，相关技术中在进行优化过程中会暂停人脸识别应用的接口开放，导致会影响人脸识别应用的常规应用实现。


技术实现要素：

3.有鉴于此，本技术的目的在于提供一种基于人脸识别的大数据控制方法及系统，从指定人脸识别应用中确定出异常执行节点后，通过在异常执行节点中加载功能实现数据，生成大数据控制链接程序，加载异常执行节点中的功能实现数据不会影响指定人脸识别应用的常规应用实现，在提高人脸识别应用在人脸识别过程中的稳定性的基础上进一步提高异常处置能力。
4.依据本技术的第一方面，提供一种基于人脸识别的大数据控制方法，应用于基于人脸识别的大数据控制系统，所述方法包括：
5.获取指定人脸识别应用中的应用执行实例之间的执行协同参数，基于所述执行协同参数在所述指定人脸识别应用的所述应用执行实例中确定异常执行节点；
6.调取用于配置大数据控制参数的控制模型数据，基于所述控制模型数据生成包含大数据控制模型的功能实现数据；所述功能实现数据中的大数据控制模型用于控制针对所述指定人脸识别应用的异常执行数据读取；
7.在所述指定人脸识别应用的异常执行节点中加载所述功能实现数据，生成用于上线的大数据控制链接程序。
8.在第一方面的一种可能的实施方式中，所述获取指定人脸识别应用中的应用执行实例之间的执行协同参数，基于所述执行协同参数在所述指定人脸识别应用的所述应用执行实例中确定异常执行节点，包括：
9.获取先验功能性校验序列，基于所述先验功能性校验序列中涵盖的先验功能性校验实现数据校验所述指定人脸识别应用，生成目标先验功能性校验事件序列；所述目标先验功能性校验事件序列中的每个已功能性校验事件用于衔接所述指定人脸识别应用中的
两个应用执行实例；
10.获取随机功能性校验序列，基于所述随机功能性校验序列中涵盖的随机功能性校验数据校验所述指定人脸识别应用，生成随机功能性校验事件序列；所述随机功能性校验事件序列中的每个已功能性校验事件用于衔接所述指定人脸识别应用中的两个应用执行实例；
11.确定所述目标先验功能性校验事件序列中的每个已功能性校验事件分别对应的第一异常触发频率，以及所述随机功能性校验事件序列中的每个已功能性校验事件分别对应的第二异常触发频率，基于所述第一异常触发频率和第二异常触发频率，确定所述指定人脸识别应用中的应用执行实例之间的执行协同参数；
12.基于所述执行协同参数，从所述随机功能性校验事件序列中确定所述指定人脸识别应用的异常执行节点。
13.在第一方面的一种可能的实施方式中，所述基于所述执行协同参数，从所述随机功能性校验事件序列中确定所述指定人脸识别应用的异常执行节点，包括：
14.从所述随机功能性校验事件序列中获取已功能性校验事件x；所述已功能性校验事件x用于衔接所述指定人脸识别应用中的应用执行实例y与应用执行实例v，x为不大于所述随机功能性校验事件序列中的已功能性校验事件数量的正整数，y、v均为不大于所述指定人脸识别应用中的应用执行实例数量的正整数；
15.如果所述应用执行实例y与所述应用执行实例v之间的执行协同参数小于设定协同强度，且所述已功能性校验事件x不属于所述目标先验功能性校验事件序列，则将所述已功能性校验事件x输出为异常校验事件；
16.对所述随机功能性校验事件序列中的异常校验事件进行组合，生成r个异常事件序列，基于每个异常事件序列中的异常校验事件所关联的应用执行实例，确定所述指定人脸识别应用的异常执行节点；r为正整数。
17.在第一方面的一种可能的实施方式中，所述大数据控制参数包括大数据控制限定数据、文件大小限定数据、大数据控制模型覆盖数据，所述控制模型数据包括针对所述大数据控制限定数据的第一模型数据、针对所述文件大小限定数据的第二模型数据，以及针对所述大数据控制模型覆盖数据的第三模型数据；
18.所述基于所述控制模型数据生成包含大数据控制模型的功能实现数据，包括：
19.基于所述控制模型数据中的所述第一模型数据、所述第二模型数据以及所述第三模型数据，生成w个大数据控制模型；w为正整数；
20.在所述w个大数据控制模型的每个大数据控制模型中加载用于标记大数据控制位置的标签，生成包含w个大数据控制模型的功能实现数据。
21.在第一方面的一种可能的实施方式中，所述第三模型数据包括第一模型成员数据和第二模型成员数据，所述第一模型成员数据所确定的数据覆盖范围大于所述第二模型成员数据所确定的数据覆盖范围；
22.所述基于所述控制模型数据中的所述第一模型数据、所述第二模型数据以及所述第三模型数据，生成w个大数据控制模型，包括：
23.基于所述控制模型数据中的所述第一模型数据、所述第二模型数据以及所述第一模型成员数据，生成第一模态控制模型；所述第一模态控制模型表征在异常执行数据读取
中维持执行活动来执行异常执行节点；
24.基于所述控制模型数据中的所述第一模型数据、所述第二模型数据以及所述第二模型成员数据，生成第二模态控制模型，将所述第一模态控制模型和所述第二模态控制模型输出为所述w个大数据控制模型；所述第二模态控制模型用于抑制异常执行数据读取的执行活动。
25.在第一方面的一种可能的实施方式中，所述在所述指定人脸识别应用的异常执行节点中加载所述功能实现数据，生成用于上线的大数据控制链接程序，包括：
26.在所述指定人脸识别应用的异常执行节点中确定所述功能实现数据对应的核心功能实现位置，基于功能实现激活函数将所述功能实现数据加载所述核心功能实现位置；
27.在所述功能实现激活函数中对加载所述功能实现数据的指定人脸识别应用进行功能实现激活处理，生成用于上线的大数据控制链接程序。
28.在第一方面的一种可能的实施方式中，还包括：
29.将所述大数据控制链接程序提交到大数据控制系统，以使所述大数据控制系统中的第一控制组件获取所述大数据控制链接程序，对所述大数据控制链接程序进行执行，启用所述大数据控制链接程序对应的程序文件。
30.在第一方面的一种可能的实施方式中，还包括：
31.在监测到第二控制组件对所述大数据控制链接程序进行异常执行数据读取时，获取所述第二控制组件在所述异常执行数据读取中所提供的目标功能性校验序列；
32.利用所述大数据控制链接程序中的所述功能实现数据，从所述目标功能性校验序列中维持与所述异常执行节点相关联的目标执行活动；所述目标执行活动用于控制所述异常执行数据读取中的错误点决策分支；
33.所述功能实现数据中的大数据控制模型包括第一模态控制模型；
34.所述利用所述大数据控制链接程序中的所述功能实现数据，从所述目标功能性校验序列中维持与所述异常执行节点相关联的目标执行活动，包括：
35.在监测到所述目标功能性校验序列中的执行活动i在所述大数据控制链接程序中的实现节点为所述异常执行节点时，利用所述功能实现数据中的所述第一模态控制模型，确定所述执行活动i的执行性能效果数据；i为正整数；
36.利用所述异常执行数据读取的执行活动评估模型，对所述执行活动i的执行性能效果数据进行执行活动评估，生成所述执行活动i的执行活动评估值；
37.在监测到所述执行活动i的执行活动评估值符合设定要求时，将所述执行活动i输出为所述目标执行活动；
38.所述功能实现数据中的大数据控制模型包括第二模态控制模型；
39.所述利用所述大数据控制链接程序中的所述功能实现数据，从所述目标功能性校验序列中维持与所述异常执行节点相关联的目标执行活动，包括：
40.在监测到所述目标功能性校验序列中的执行活动j在所述大数据控制链接程序中的实现节点为所述异常执行节点时，基于所述功能实现数据中的所述第二模态控制模型，在所述异常执行数据读取的执行活动扩展衍生模型中对所述执行活动j进行扩展衍生，生成候选执行活动；j为正整数；
41.在监测到所述候选执行活动的执行价值大于所述执行活动j的执行价值时，将所
述候选执行活动输出为所述目标执行活动；
42.其中，所述方法还包括：
43.在所述异常执行数据读取中，基于所述目标功能性校验序列中的执行活动校验所述大数据控制链接程序，利用所述大数据控制链接程序中的所述功能实现数据涵盖的功能实现逻辑，生成所述目标功能性校验序列中的执行活动对应的至少一个实现快照数据；
44.获取所述至少一个实现快照数据分别对应的快照挖掘数据，对所述目标功能性校验序列中的执行活动所对应的快照挖掘数据进行占用资源分析，生成快照挖掘占用资源；
45.在监测到所述快照挖掘占用资源的资源量大于设定资源量时，生成挖掘扩展指示数据；所述挖掘扩展指示数据表征所述异常执行数据读取扩展快照挖掘数据的挖掘调度资源。
46.依据本技术的第二方面，提供一种基于人脸识别的大数据控制系统，所述基于人脸识别的大数据控制系统包括处理器以及可读存储介质，所述可读存储介质存储有程序，该程序被处理器执行时实现前述的基于人脸识别的大数据控制方法。
47.依据本技术的第三方面，提供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执行指令，在监测到所述计算机可执行指令被执行时，实现前述的基于人脸识别的大数据控制方法。
48.依据上述任意一个方面，本技术中，可以获取指定人脸识别应用中的应用执行实例之间的执行协同参数，基于执行协同参数在指定人脸识别应用的应用执行实例中确定异常执行节点，进而可以调取用于配置大数据控制参数的控制模型数据，基于控制模型数据生成包含大数据控制模型的功能实现数据，该功能实现数据中的大数据控制模型用于控制针对指定人脸识别应用的异常执行数据读取，在指定人脸识别应用的异常执行节点中加载功能实现数据，生成用于上线的大数据控制链接程序。可见，从指定人脸识别应用中确定出异常执行节点后，通过在异常执行节点中加载功能实现数据，生成大数据控制链接程序，加载异常执行节点中的功能实现数据不会影响指定人脸识别应用的常规应用实现，在提高人脸识别应用在人脸识别过程中的稳定性的基础上进一步提高异常处置能力。
附图说明
49.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以依据这些附图获得其它相关的附图。
50.图1本技术实施例所提供的基于人脸识别的大数据控制方法的流程示意图；
51.图2示出了本技术实施例所提供的用于实现上述的基于人脸识别的大数据控制方法的基于人脸识别的大数据控制系统的组件结构示意图。
具体实施方式
52.为使本技术实施例的目的、技术方案和优点更加清楚，下面将依据本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，应当理解，本技术中附图仅起到说明和描述的目的，并不用于限定本技术的保护范围。另外，应当理解，示意性的附
图并未按实物比例绘制。本技术中使用的流程图示出了基于本技术实施例的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本技术内容的指引下，可以向流程图添加一个或多个其它操作，也可以从流程图中移除一个或多个操作。
53.另外，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，都属于本技术保护的范围。
54.图1示出了本技术实施例提供的基于人脸识别的大数据控制方法的流程示意图，应当理解，在其它实施例中，本实施例的基于人脸识别的大数据控制方法其中部分步骤的顺序可以依据实际需要相互交换，或者其中的部分步骤也可以省略或删除。该基于人脸识别的大数据控制方法的详细步骤介绍如下。
55.步骤s101，获取指定人脸识别应用中的应用执行实例之间的执行协同参数，基于执行协同参数在指定人脸识别应用的应用执行实例中确定异常执行节点。
56.在执行指定人脸识别应用时，可以执行该指定人脸识别应用中的全部或部分应用执行实例，如输入不同的功能性校验数据可以执行不同的应用执行实例，即不同的功能性校验数据可以对应不同的实现快照数据，此处不同的功能性校验数据可以对应程序文件的不同程序功能。可以通过输入不同的功能性校验数据所执行的应用执行实例，获取指定人脸识别应用中涵盖的应用执行实例之间的执行协同参数。执行协同参数可以是指任何两个应用执行实例执行过程中存在协同行为的参数值。示例性地，功能性校验数据1在指定人脸识别应用中所执行的路径为：应用执行实例1—》应用执行实例2—》应用执行实例3，功能性校验数据2在指定人脸识别应用中所执行的路径为应用执行实例1—》应用执行实例2—》应用执行实例4—》应用执行实例5，可以确定应用执行实例1与应用执行实例2之间的执行协同参数为2，应用执行实例2与应用执行实例3之间的执行协同参数为1，应用执行实例2与应用执行实例4之间的执行协同参数为1，应用执行实例4与应用执行实例5之间的执行协同参数为1。
57.进一步地，可以基于应用执行实例之间的执行协同参数，对指定人脸识别应用中的应用执行实例进行分析，从指定人脸识别应用涵盖的应用执行实例中确定异常执行节点，该异常执行节点可以是指失效功能性校验数据在指定人脸识别应用中所执行的节点。
58.本实施例可以获取先验功能性校验序列，基于先验功能性校验序列中涵盖的先验功能性校验实现数据执行指定人脸识别应用，生成目标先验功能性校验事件序列，该目标先验功能性校验事件序列中的每个已功能性校验事件用于衔接指定人脸识别应用中的两个应用执行实例，即目标先验功能性校验事件序列中的每个已功能性校验事件都可以用于表示两个应用执行实例在先验功能性校验实现数据下的调用关系；此外还可以获取随机功能性校验序列，基于随机功能性校验序列中涵盖的随机功能性校验数据执行指定人脸识别应用，生成随机功能性校验事件序列，该随机功能性校验事件序列中的每个已功能性校验事件用于衔接指定人脸识别应用中的两个应用执行实例，即随机功能性校验事件序列中的每个已功能性校验事件都可表征两个应用执行实例在随机功能性校验数据下的调用关系。
其中，先验功能性校验序列可以包含至少一个先验功能性校验实现数据，随机功能性校验序列可以包括至少一个随机功能性校验数据，该随机功能性校验数据可以为先验功能性校验实现数据，也可以为无效功能性校验数据；目标先验功能性校验事件序列包含先验功能性校验序列中的每个先验功能性校验实现数据在指定人脸识别应用中所执行的应用执行实例之间的链路，不同的先验功能性校验实现数据在指定人脸识别应用中的实现节点可能包含相同的已功能性校验事件，因此目标先验功能性校验事件序列中可以出现至少一次同一个已功能性校验事件；同理，随机功能性校验事件序列中也可以出现至少一次已功能性校验事件。当然，目标先验功能性校验事件序列和随机功能性校验事件序列中可以包含相同的已功能性校验事件，即目标先验功能性校验事件序列和随机功能性校验事件序列中可能存在一部分重复的已功能性校验事件。
59.本实施例可以确定目标先验功能性校验事件序列中的每个已功能性校验事件分别对应的第一异常触发频率，并获取随机功能性校验事件序列中的每个已功能性校验事件分别对应的第二异常触发频率；基于第一异常触发频率和第二异常触发频率，确定指定人脸识别应用中的应用执行实例之间的执行协同参数，进而可以基于执行协同参数，从随机功能性校验事件序列中确定指定人脸识别应用的异常执行节点。此外，对于随机功能性校验事件序列中的任一个已功能性校验事件(例如，已功能性校验事件x)，该已功能性校验事件x可以用于衔接指定人脸识别应用中的应用执行实例y与应用执行实例v，即用于表示应用执行实例y与应用执行实例v之间的调用关系，x为不大于随机功能性校验事件序列中的已功能性校验事件数量的正整数，y、v均为不大于指定人脸识别应用中的应用执行实例数量的正整数；若应用执行实例y与应用执行实例v之间的执行协同参数小于设定协同强度，且已功能性校验事件x不属于目标先验功能性校验事件序列，则可以将已功能性校验事件x输出为异常校验事件；通过对随机功能性校验事件序列中的异常校验事件进行组合，可以得到r个异常事件序列，基于每个异常事件序列中的异常校验事件所关联的应用执行实例，确定指定人脸识别应用的异常执行节点，r为正整数，如r可以取值为1，2，
……
；由于目标先验功能性校验事件序列中的已功能性校验事件均为先验功能性校验实现数据所执行的链路，因此目标先验功能性校验事件序列中的已功能性校验事件不可能为异常校验事件，异常校验事件均属于随机功能性校验事件序列。
60.一种可能的实施方式中，可以在确定得到执行协同参数后，可以从随机功能性校验事件序列中确定异常校验事件，并对所有异常校验事件进行组合，可以得到r个异常事件序列，每个异常事件序列中的异常校验事件可以构成至少一个异常执行节点。
61.步骤s102，调取用于配置大数据控制参数的控制模型数据，基于控制模型数据生成包含大数据控制模型的功能实现数据；功能实现数据中的大数据控制模型用于控制针对指定人脸识别应用的异常执行数据读取。
62.示例性地，本实施例可以调取用于配置大数据控制参数的控制模型数据，该大数据控制参数可以为至少一个，如大数据控制参数可以包括大数据控制限定数据、文件大小限定数据、大数据控制模型覆盖数据等，控制模型数据可以包括上述各个大数据控制参数的配置信息；基于控制模型数据生成包含大数据控制模型的功能实现数据，该功能实现数据的核心逻辑可以是指一组大数据控制模型，功能实现数据中的大数据控制模型可以用于控制针对指定人脸识别应用(程序文件)的异常执行数据读取。
63.可选的，当大数据控制参数包括大数据控制限定数据、文件大小限定数据、大数据控制模型覆盖数据时，控制模型数据可以包括针对大数据控制限定数据的第一模型数据、针对文件大小限定数据的第二模型数据，以及针对大数据控制模型覆盖数据的第三模型数据；计算机设备可以基于控制模型数据中的第一模型数据、第二模型数据以及第三模型数据，生成w个大数据控制模型；w为正整数；在w个大数据控制模型的每个大数据控制模型中加载用于标记大数据控制位置的标签，生成包含w个大数据控制模型的功能实现数据。
64.例如，当第三模型数据包括第一模型成员数据和第二模型成员数据，且第一模型成员数据所确定的数据覆盖范围大于第二模型成员数据所确定的数据覆盖范围时，本实施例可以基于控制模型数据中的第一模型数据、第二模型数据以及第一模型成员数据，生成第一模态控制模型，该第一模态控制模型表征在异常执行数据读取中维持执行活动来执行异常执行节点，也可以理解为第一模态控制模型用于误导异常执行数据读取器维持更多的执行活动来执行异常执行节点，此处的异常执行数据读取器可以是指用于进行异常执行数据读取的工具；基于控制模型数据中的第一模型数据、第二模型数据以及第二模型成员数据，生成第二模态控制模型，将第一模态控制模型和第二模态控制模型输出为w个大数据控制模型，该第二模态控制模型用于抑制异常执行数据读取的执行活动。
65.步骤s103，在指定人脸识别应用的异常执行节点中加载功能实现数据，生成用于上线的大数据控制链接程序。
66.示例性地，本实施例可以在指定人脸识别应用的异常执行节点中加载功能实现数据，生成大数据控制过程中的异常读取防护的链接程序，即大数据控制链接程序。该大数据控制链接程序可以确保指定人脸识别应用正常执行的基础上，可以控制异常执行数据读取的行为。
67.其中，本实施例可以在指定人脸识别应用的异常执行节点中确定功能实现数据对应的核心功能实现位置，基于功能实现激活函数将功能实现数据加载核心功能实现位置；在功能实现激活函数中对加载功能实现数据的指定人脸识别应用进行功能实现激活处理，生成用于上线的大数据控制链接程序。
68.进一步地，本实施例可以将大数据控制链接程序提交到大数据控制系统，以使大数据控制系统中的第一控制组件获取大数据控制链接程序，对大数据控制链接程序进行执行，启用大数据控制链接程序对应的程序文件，可以通过第一控制组件正常使用大数据控制链接程序所对应的程序文件。
69.一种可能的实施方式中，以上方法可以包括以下步骤：
70.步骤s201，在监测到第二控制组件对大数据控制链接程序进行异常执行数据读取时，获取第二控制组件在异常执行数据读取中所提供的目标功能性校验序列。
71.示例性地，当第二控制组件对想要攻击程序文件时，该第二控制组件可以采用目标功能性校验序列中的执行活动对大数据控制链接程序进行异常执行数据读取，此时可以获取第二控制组件在异常执行数据读取中所提供的目标功能性校验序列，该目标功能性校验序列可以包括第二控制组件对大数据控制链接程序进行异常执行数据读取时所使用的执行活动。
72.第二控制组件在得到目标功能性校验序列后，可以启动用于执行异常执行数据读取的目标进程，将目标功能性校验序列发送给功能性校验系统，并打开功能性校验系统中
的大数据控制链接程序等
73.步骤s202，通过大数据控制链接程序中的功能实现数据，从目标功能性校验序列中维持与异常执行节点相关联的目标执行活动；目标执行活动用于控制异常执行数据读取中的错误点决策分支。
74.示例性地，由于大数据控制链接程序中注入了功能实现数据，本实施例可以通过大数据控制链接程序中的功能实现数据，从目标功能性校验序列中维持与异常执行节点相关联的目标执行活动，目标执行活动可以用于对大数据控制链接程序进行异常执行数据读取。
75.其中，例如功能实现数据中的大数据控制模型可以包括第一模态控制模型，当目标功能性校验序列中的执行活动i在大数据控制链接程序中的实现节点为异常执行节点时，通过功能实现数据中的第一模态控制模型，确定执行活动i的执行性能效果数据，其中i可以为正整数，如i可以取值为1，2，
……
，执行活动i可以为目标功能性校验序列中的任意一个执行活动；通过异常执行数据读取的执行活动评估模型，对执行活动i的执行性能效果数据进行执行活动评估，生成执行活动i的执行活动评估值；当执行活动i的执行活动评估值符合设定要求时，将执行活动i输出为目标执行活动。
76.功能实现数据中的大数据控制模型可以包括第二模态控制模型；当目标功能性校验序列中的执行活动j在大数据控制链接程序中的实现节点为异常执行节点时，基于功能实现数据中的第二模态控制模型，在异常执行数据读取的执行活动扩展衍生模型中对执行活动j进行扩展衍生，生成候选执行活动；其中j可以为正整数，如j可以取值为1，2，
……
，执行活动j可以为目标功能性校验序列中的任意一个执行活动；当候选执行活动的执行价值大于执行活动j的执行价值时，将候选执行活动输出为目标执行活动。
77.在异常执行数据读取中，基于目标功能性校验序列中的执行活动执行大数据控制链接程序，通过大数据控制链接程序中的功能实现数据涵盖的功能实现逻辑，生成目标功能性校验序列中的执行活动对应的至少一个实现快照数据；获取至少一个实现快照数据分别对应的快照挖掘数据，对目标功能性校验序列中的执行活动所对应的快照挖掘数据进行占用资源分析，生成快照挖掘占用资源；当快照挖掘占用资源的资源量大于设定资源量时，生成挖掘扩展指示数据，其中，挖掘扩展指示数据可以表征异常执行数据读取扩展快照挖掘数据的挖掘调度资源。
78.图2示意性地示出了可被用于实现本技术中所述的各个实施例的基于人脸识别的大数据控制系统100。
79.对于一个实施例，图2示出了基于人脸识别的大数据控制系统100，该基于人脸识别的大数据控制系统100具有一个或多个处理器102、被耦合到(一个或多个)处理器102中的至少一个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(nvm)/存储设备108、被耦合到控制模块104的一个或多个输入/输出设备110，和被耦合到控制模块106的网络接口112。
80.处理器102可包括一个或多个单核或多核处理器，处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。在一些实施例中，基于人脸识别的大数据控制系统100能够作为本技术实施例中所述网关等服务器设备。
81.在一些实施例中，基于人脸识别的大数据控制系统100可包括具有指令114的一个
或多个计算机可读介质(例如，存储器106或nvm/存储设备108)和与该一个或多个计算机可读介质相合并被配置为执行指令114以实现模块从而执行本公开中所述的动作的一个或多个处理器102。
82.对于一个实施例，控制模块104可包括任意适当的接口控制器，以向(一个或多个)处理器102中的至少一个和/或与控制模块104通信的任意适当的设备或组件提供任意适当的接口。
83.控制模块104可包括存储器控制器模块，以向存储器106提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
84.存储器106可被用于例如为基于人脸识别的大数据控制系统100加载和存储数据和/或指令114。对于一个实施例，存储器106可包括任意适当的易失性存储器，例如，适当的dram。在一些实施例中，存储器106可包括双倍数据速率类型四同步动态随机存取存储器(ddr4sdram)。
85.对于一个实施例，控制模块104可包括一个或多个输入/输出控制器，以向nvm/存储设备108及(一个或多个)输入/输出设备110提供接口。
86.例如，nvm/存储设备108可被用于存储数据和/或指令114。nvm/存储设备108可包括任意适当的非易失性存储器(例如，闪存)和/或可包括任意适当的(一个或多个)非易失性存储设备(例如，一个或多个硬盘驱动器(hdd)、一个或多个光盘(cd)驱动器和/或一个或多个数字通用光盘(dvd)驱动器)。
87.nvm/存储设备108可包括在物理上作为基于人脸识别的大数据控制系统100被安装在其上的设备的一部分的存储资源，或者其可被该设备访问可不必作为该设备的一部分。例如，nvm/存储设备108可依据网络经由(一个或多个)输入/输出设备110进行访问。
88.(一个或多个)输入/输出设备110可为基于人脸识别的大数据控制系统100提供接口以与任意其他适当的设备通信，输入/输出设备110可以包括通信组件、拼音组件、传感器组件等。网络接口112可为基于人脸识别的大数据控制系统100提供接口以依据一个或多个网络通信，基于人脸识别的大数据控制系统100可根据一个或多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的一个或多个组件进行无线通信，例如接入基于通信标准的无线网络，如wifi、2g、3g、4g、5g等，或它们的组合进行无线通信。
89.对于一个实施例，(一个或多个)处理器102中的至少一个可与控制模块104的一个或多个控制器(例如，存储器控制器模块)的逻辑封装在一起。对于一个实施例，(一个或多个)处理器102中的至少一个可与控制模块104的一个或多个控制器的逻辑封装在一起以形成系统级封装(sid)。对于一个实施例，(一个或多个)处理器102中的至少一个可与控制模块104的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例，(一个或多个)处理器102中的至少一个可与控制模块104的一个或多个控制器的逻辑集成在同一模具上以形成片上系统(soc)。
90.在各个实施例中，基于人脸识别的大数据控制系统100可以但不限于是：服务器、台式计算设备或移动计算设备(例如，膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中，基于人脸识别的大数据控制系统100可具有更多或更少的组件和/或不同的架构。例如，在一些实施例中，服务器100包括一个或多个摄像机、键盘、液晶显示器(lcd)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用
集成电路(asic)和扬声器。
91.本技术实施例提供了一种电子设备，包括：一个或多个处理器；和，其上存储有指令的一个或多个机器可读介质，当由所述一个或多个处理器执行时，使得所述电子设备执行如本技术中一个或多个所述的数据处理方法。
92.以上对本技术进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的一般技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。

技术特征：
1.一种基于人脸识别的大数据控制方法，其特征在于，所述方法包括：获取指定人脸识别应用中的应用执行实例之间的执行协同参数，基于所述执行协同参数在所述指定人脸识别应用的所述应用执行实例中确定异常执行节点；调取用于配置大数据控制参数的控制模型数据，基于所述控制模型数据生成包含大数据控制模型的功能实现数据；所述功能实现数据中的大数据控制模型用于控制针对所述指定人脸识别应用的异常执行数据读取；在所述指定人脸识别应用的异常执行节点中加载所述功能实现数据，生成用于上线的大数据控制链接程序。2.根据权利要求1所述的基于人脸识别的大数据控制方法，其特征在于，所述获取指定人脸识别应用中的应用执行实例之间的执行协同参数，基于所述执行协同参数在所述指定人脸识别应用的所述应用执行实例中确定异常执行节点，包括：获取先验功能性校验序列，基于所述先验功能性校验序列中涵盖的先验功能性校验实现数据校验所述指定人脸识别应用，生成目标先验功能性校验事件序列；所述目标先验功能性校验事件序列中的每个已功能性校验事件用于衔接所述指定人脸识别应用中的两个应用执行实例；获取随机功能性校验序列，基于所述随机功能性校验序列中涵盖的随机功能性校验数据校验所述指定人脸识别应用，生成随机功能性校验事件序列；所述随机功能性校验事件序列中的每个已功能性校验事件用于衔接所述指定人脸识别应用中的两个应用执行实例；确定所述目标先验功能性校验事件序列中的每个已功能性校验事件分别对应的第一异常触发频率，以及所述随机功能性校验事件序列中的每个已功能性校验事件分别对应的第二异常触发频率，基于所述第一异常触发频率和第二异常触发频率，确定所述指定人脸识别应用中的应用执行实例之间的执行协同参数；基于所述执行协同参数，从所述随机功能性校验事件序列中确定所述指定人脸识别应用的异常执行节点。3.根据权利要求2所述的基于人脸识别的大数据控制方法，其特征在于，所述基于所述执行协同参数，从所述随机功能性校验事件序列中确定所述指定人脸识别应用的异常执行节点，包括：从所述随机功能性校验事件序列中获取已功能性校验事件x；所述已功能性校验事件x用于衔接所述指定人脸识别应用中的应用执行实例y与应用执行实例v，x为不大于所述随机功能性校验事件序列中的已功能性校验事件数量的正整数，y、v均为不大于所述指定人脸识别应用中的应用执行实例数量的正整数；如果所述应用执行实例y与所述应用执行实例v之间的执行协同参数小于设定协同强度，且所述已功能性校验事件x不属于所述目标先验功能性校验事件序列，则将所述已功能性校验事件x输出为异常校验事件；对所述随机功能性校验事件序列中的异常校验事件进行组合，生成r个异常事件序列，基于每个异常事件序列中的异常校验事件所关联的应用执行实例，确定所述指定人脸识别应用的异常执行节点；r为正整数。4.根据权利要求1所述的基于人脸识别的大数据控制方法，其特征在于，所述大数据控制参数包括大数据控制限定数据、文件大小限定数据、大数据控制模型覆盖数据，所述控制
模型数据包括针对所述大数据控制限定数据的第一模型数据、针对所述文件大小限定数据的第二模型数据，以及针对所述大数据控制模型覆盖数据的第三模型数据；所述基于所述控制模型数据生成包含大数据控制模型的功能实现数据，包括：基于所述控制模型数据中的所述第一模型数据、所述第二模型数据以及所述第三模型数据，生成w个大数据控制模型；w为正整数；在所述w个大数据控制模型的每个大数据控制模型中加载用于标记大数据控制位置的标签，生成包含w个大数据控制模型的功能实现数据。5.根据权利要求4所述的基于人脸识别的大数据控制方法，其特征在于，所述第三模型数据包括第一模型成员数据和第二模型成员数据，所述第一模型成员数据所确定的数据覆盖范围大于所述第二模型成员数据所确定的数据覆盖范围；所述基于所述控制模型数据中的所述第一模型数据、所述第二模型数据以及所述第三模型数据，生成w个大数据控制模型，包括：基于所述控制模型数据中的所述第一模型数据、所述第二模型数据以及所述第一模型成员数据，生成第一模态控制模型；所述第一模态控制模型表征在异常执行数据读取中维持执行活动来执行异常执行节点；基于所述控制模型数据中的所述第一模型数据、所述第二模型数据以及所述第二模型成员数据，生成第二模态控制模型，将所述第一模态控制模型和所述第二模态控制模型输出为所述w个大数据控制模型；所述第二模态控制模型用于抑制异常执行数据读取的执行活动。6.根据权利要求1所述的基于人脸识别的大数据控制方法，其特征在于，所述在所述指定人脸识别应用的异常执行节点中加载所述功能实现数据，生成用于上线的大数据控制链接程序，包括：在所述指定人脸识别应用的异常执行节点中确定所述功能实现数据对应的核心功能实现位置，基于功能实现激活函数将所述功能实现数据加载所述核心功能实现位置；在所述功能实现激活函数中对加载所述功能实现数据的指定人脸识别应用进行功能实现激活处理，生成用于上线的大数据控制链接程序。7.根据权利要求1所述的基于人脸识别的大数据控制方法，其特征在于，还包括：将所述大数据控制链接程序提交到大数据控制系统，以使所述大数据控制系统中的第一控制组件获取所述大数据控制链接程序，对所述大数据控制链接程序进行执行，启用所述大数据控制链接程序对应的程序文件。8.根据权利要求1所述的基于人脸识别的大数据控制方法，其特征在于，还包括：在监测到第二控制组件对所述大数据控制链接程序进行异常执行数据读取时，获取所述第二控制组件在所述异常执行数据读取中所提供的目标功能性校验序列；利用所述大数据控制链接程序中的所述功能实现数据，从所述目标功能性校验序列中维持与所述异常执行节点相关联的目标执行活动；所述目标执行活动用于控制所述异常执行数据读取中的错误点决策分支；所述功能实现数据中的大数据控制模型包括第一模态控制模型；所述利用所述大数据控制链接程序中的所述功能实现数据，从所述目标功能性校验序列中维持与所述异常执行节点相关联的目标执行活动，包括：
在监测到所述目标功能性校验序列中的执行活动i在所述大数据控制链接程序中的实现节点为所述异常执行节点时，利用所述功能实现数据中的所述第一模态控制模型，确定所述执行活动i的执行性能效果数据；i为正整数；利用所述异常执行数据读取的执行活动评估模型，对所述执行活动i的执行性能效果数据进行执行活动评估，生成所述执行活动i的执行活动评估值；在监测到所述执行活动i的执行活动评估值符合设定要求时，将所述执行活动i输出为所述目标执行活动；所述功能实现数据中的大数据控制模型包括第二模态控制模型；所述利用所述大数据控制链接程序中的所述功能实现数据，从所述目标功能性校验序列中维持与所述异常执行节点相关联的目标执行活动，包括：在监测到所述目标功能性校验序列中的执行活动j在所述大数据控制链接程序中的实现节点为所述异常执行节点时，基于所述功能实现数据中的所述第二模态控制模型，在所述异常执行数据读取的执行活动扩展衍生模型中对所述执行活动j进行扩展衍生，生成候选执行活动；j为正整数；在监测到所述候选执行活动的执行价值大于所述执行活动j的执行价值时，将所述候选执行活动输出为所述目标执行活动；其中，所述方法还包括：在所述异常执行数据读取中，基于所述目标功能性校验序列中的执行活动校验所述大数据控制链接程序，利用所述大数据控制链接程序中的所述功能实现数据涵盖的功能实现逻辑，生成所述目标功能性校验序列中的执行活动对应的至少一个实现快照数据；获取所述至少一个实现快照数据分别对应的快照挖掘数据，对所述目标功能性校验序列中的执行活动所对应的快照挖掘数据进行占用资源分析，生成快照挖掘占用资源；在监测到所述快照挖掘占用资源的资源量大于设定资源量时，生成挖掘扩展指示数据；所述挖掘扩展指示数据表征所述异常执行数据读取扩展快照挖掘数据的挖掘调度资源。9.一种基于人脸识别的大数据控制系统，其特征在于，所述基于人脸识别的大数据控制系统包括处理器以及可读存储介质，所述可读存储介质存储有程序，该程序被处理器执行时实现上述权利要求1-8任意一项所述的基于人脸识别的大数据控制方法。10.一种可读存储介质，其特征在于，所述可读存储介质存储有程序，该程序被处理器执行时实现上述权利要求1-8任意一项所述的基于人脸识别的大数据控制方法。

技术总结
本申请实施例提供一种基于人脸识别的大数据控制方法及系统，可以基于指定人脸识别应用中的应用执行实例之间的执行协同参数在指定人脸识别应用的应用执行实例中确定异常执行节点，进而基于用于配置大数据控制参数的控制模型数据生成包含大数据控制模型的功能实现数据，在指定人脸识别应用的异常执行节点中加载功能实现数据，生成用于上线的大数据控制链接程序。可见，从指定人脸识别应用中确定出异常执行节点后，通过在异常执行节点中加载功能实现数据，生成大数据控制链接程序，加载异常执行节点中的功能实现数据不会影响指定人脸识别应用的常规应用实现，在提高人脸识别应用在人脸识别过程中的稳定性的基础上进一步提高异常处置能力。提高异常处置能力。提高异常处置能力。


技术研发人员：刘姣
受保护的技术使用者：山西若霖网络科技有限公司
技术研发日：2023.05.16
技术公布日：2023/7/12