流媒体异常内容分析方法及系统与流程

1.本发明涉及ai技术领域，具体而言，涉及一种流媒体异常内容分析方法及系统。


背景技术：

2.流媒体是采用流式传输技术在网络上连续实时播放的媒体格式，如音频、视频或多媒体文件，流媒体技术也称流式媒体技术，所谓流媒体技术就是把连续的影像和声音信息经过压缩处理后放上网站服务器，由视频服务器向用户计算机顺序或实时地传送各个压缩包，让用户一边下载一边观看、收听，而不需要等整个压缩文件下载到自己的计算机上才可以观看的网络传输技术，而如何让流媒体在运作过程中持续保持稳定快速的状态，需要对流媒体异常内容进行分析找到问题点解决，从而保持后续运作过程中的速度以及稳定性，而如何对流媒体异常内容进行分析并是本领域亟待解决的技术问题。


技术实现要素：

3.有鉴于此，本发明实施例的目的在于提供一种流媒体异常内容分析方法及系统，依据每次获取到的待学习流媒体数据序列中的待学习流媒体数据进行网络权重参数学习生成对应的第一流媒体异常内容编码网络，基于每次生成的第一流媒体异常内容编码网络生成的对应待学习流媒体数据的异常内容理解向量，由此提取目标训练流媒体数据序列并对待学习流媒体数据序列进行调整，确定每次提取的目标训练流媒体数据序列对应的目标流媒体异常内容编码网络，依据多次进行网络权重参数更新生成的目标流媒体异常内容编码网络和对应的目标训练流媒体数据序列生成流媒体内容异常预测网络，并对任意输入的流媒体数据进行异常预测分析，从而提高异常预测分析的可靠性。
4.依据本发明实施例的一个方面，提供一种流媒体异常内容分析方法，所述方法包括：
5.依次获取当前加载的待学习流媒体数据序列，依据每次获取到的待学习流媒体数据序列中的待学习流媒体数据进行网络权重参数学习生成对应的第一流媒体异常内容编码网络；
6.基于每次进行网络权重参数学习生成的第一流媒体异常内容编码网络生成的对应待学习流媒体数据的异常内容理解向量，从当前待学习流媒体数据序列中提取目标训练流媒体数据序列并对所述待学习流媒体数据序列进行调整，确定每次提取的目标训练流媒体数据序列对应的目标流媒体异常内容编码网络，所述目标流媒体异常内容编码网络为第一流媒体异常内容编码网络或第二流媒体异常内容编码网络，所述第二流媒体异常内容编码网络由所述目标训练流媒体数据序列进行网络权重参数更新生成；
7.依据多次进行网络权重参数更新生成的目标流媒体异常内容编码网络和对应的目标训练流媒体数据序列，进行网络权重参数更新生成流媒体内容异常预测网络，并基于所述流媒体内容异常预测网络对任意输入的流媒体数据进行异常预测分析。
8.一种可替代的实施方式，所述依次获取当前加载的待学习流媒体数据序列，依据
每次获取到的待学习流媒体数据序列中的待学习流媒体数据进行网络权重参数学习生成对应的第一流媒体异常内容编码网络，包括：
9.通过当前待学习流媒体数据序列中的待学习流媒体数据对预设的第一机器学习架构进行权重参数更新，生成当前第一流媒体异常内容编码网络。
10.一种可替代的实施方式，所述基于每次进行网络权重参数学习生成的第一流媒体异常内容编码网络生成的对应待学习流媒体数据的异常内容理解向量，从当前待学习流媒体数据序列中提取目标训练流媒体数据序列并对所述待学习流媒体数据序列进行调整，包括：
11.将当前待学习流媒体数据序列中的每一待学习流媒体数据输入当前第一流媒体异常内容编码网络，生成当前第一流媒体异常内容编码网络生成的对应待学习流媒体数据的异常内容理解向量；
12.基于所述异常内容理解向量从当前待学习流媒体数据序列中提取当前目标训练流媒体数据序列，并将当前待学习流媒体数据序列余下的待学习流媒体数据更新为下一轮网络权重参数学习的待学习流媒体数据序列，所述目标训练流媒体数据序列中的待学习流媒体数据的异常内容理解向量覆盖余下的待学习流媒体数据的异常内容理解向量。
13.一种可替代的实施方式，所述基于所述异常内容理解向量从当前待学习流媒体数据序列中提取当前目标训练流媒体数据序列，并将当前待学习流媒体数据序列余下的待学习流媒体数据更新为下一轮网络权重参数学习的待学习流媒体数据序列，包括：基于当前待学习流媒体数据序列中每一所述待学习流媒体数据的异常内容理解向量，计算当前待学习流媒体数据序列的异常内容平均向量；
14.将异常内容理解向量覆盖所述异常内容平均向量的待学习流媒体数据分配到当前目标训练流媒体数据序列，将异常内容理解向量的特征值小于或等于所述异常内容平均向量的特征值的待学习流媒体数据分配到下一轮网络权重参数学习的待学习流媒体数据序列。
15.一种可替代的实施方式，所述确定每次提取的目标训练流媒体数据序列对应的目标流媒体异常内容编码网络，包括：
16.将当前第一流媒体异常内容编码网络构建为当前提取的目标训练流媒体数据序列对应的目标流媒体异常内容编码网络。
17.一种可替代的实施方式，所述确定每次提取的目标训练流媒体数据序列对应的目标流媒体异常内容编码网络，包括：
18.通过当前提取的目标训练流媒体数据序列对预设的第一机器学习架构进行权重参数更新，生成当前第二流媒体异常内容编码网络，并将当前第二流媒体异常内容编码网络构建为当前提取的目标训练流媒体数据序列对应的目标流媒体异常内容编码网络。
19.一种可替代的实施方式，所述依据多次进行网络权重参数更新生成的目标流媒体异常内容编码网络和对应的目标训练流媒体数据序列，进行网络权重参数更新生成流媒体内容异常预测网络，包括：
20.将所述待学习流媒体数据所属的目标训练流媒体数据序列作为对应待学习流媒体数据的异常学习标注数据；
21.将所述待学习流媒体数据输入预设的第二机器学习架构，生成所述第二机器学习
架构生成的对应待学习流媒体数据的异常预测数据；
22.基于所述待学习流媒体数据对应的异常预测数据和异常学习标注数据，更新所述第二机器学习架构的权重参数，生成所述流媒体内容异常预测网络。
23.依据本发明实施例的另一个方面，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程序，当所述计算机程序被所述处理器执行时实现以上任意一项所述的流媒体异常内容分析方法。
24.依据本发明实施例的另一个方面，提供一种流媒体异常内容分析系统，包括处理器以及可读存储介质，所述可读存储介质中存储有计算机程序，当所述计算机程序被所述处理器执行时实现以上任意一项所述的流媒体异常内容分析方法。
25.综上所述，本发明提供的流媒体异常内容分析方法及系统，依据每次获取到的待学习流媒体数据序列中的待学习流媒体数据进行网络权重参数学习生成对应的第一流媒体异常内容编码网络，基于每次进行网络权重参数学习生成的第一流媒体异常内容编码网络生成的对应待学习流媒体数据的异常内容理解向量，从当前待学习流媒体数据序列中提取目标训练流媒体数据序列并对待学习流媒体数据序列进行调整，确定每次提取的目标训练流媒体数据序列对应的目标流媒体异常内容编码网络，依据多次进行网络权重参数更新生成的目标流媒体异常内容编码网络和对应的目标训练流媒体数据序列，进行网络权重参数更新生成流媒体内容异常预测网络，并基于流媒体内容异常预测网络对任意输入的流媒体数据进行异常预测分析，从而提高异常预测分析的可靠性。
附图说明
26.为了更清楚地说明本发明的技术方案，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，以下附图仅是本发明的某些实施例，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得到其他相关的附图。
27.图1是本发明所提供的流媒体异常内容分析方法的流程示意图。
具体实施方式
28.图1是本发明提供的流媒体异常内容分析方法的流程示意图，该方法可由流媒体异常内容分析系统执行，下面进行详细说明。
29.步骤s11，依次获取当前加载的待学习流媒体数据序列，依据每次获取到的待学习流媒体数据序列中的待学习流媒体数据进行网络权重参数学习生成对应的第一流媒体异常内容编码网络；
30.步骤s12，基于每次进行网络权重参数学习生成的第一流媒体异常内容编码网络生成的对应待学习流媒体数据的异常内容理解向量，从当前待学习流媒体数据序列中提取目标训练流媒体数据序列并对所述待学习流媒体数据序列进行调整，确定每次提取的目标训练流媒体数据序列对应的目标流媒体异常内容编码网络，所述目标流媒体异常内容编码网络为第一流媒体异常内容编码网络或第二流媒体异常内容编码网络，所述第二流媒体异常内容编码网络由所述目标训练流媒体数据序列进行网络权重参数更新生成；
31.步骤s13，依据多次进行网络权重参数更新生成的目标流媒体异常内容编码网络
和对应的目标训练流媒体数据序列，进行网络权重参数更新生成流媒体内容异常预测网络，并基于所述流媒体内容异常预测网络对任意输入的流媒体数据进行异常预测分析。
32.基于以上步骤，本实施例依据每次获取到的待学习流媒体数据序列中的待学习流媒体数据进行网络权重参数学习生成对应的第一流媒体异常内容编码网络，基于每次生成的第一流媒体异常内容编码网络生成的对应待学习流媒体数据的异常内容理解向量，由此提取目标训练流媒体数据序列并对待学习流媒体数据序列进行调整，确定每次提取的目标训练流媒体数据序列对应的目标流媒体异常内容编码网络，依据多次进行网络权重参数更新生成的目标流媒体异常内容编码网络和对应的目标训练流媒体数据序列生成流媒体内容异常预测网络，并对任意输入的流媒体数据进行异常预测分析，从而提高异常预测分析的可靠性。
33.一种可替代的实施方式，所述依次获取当前加载的待学习流媒体数据序列，依据每次获取到的待学习流媒体数据序列中的待学习流媒体数据进行网络权重参数学习生成对应的第一流媒体异常内容编码网络，包括：
34.通过当前待学习流媒体数据序列中的待学习流媒体数据对预设的第一机器学习架构进行权重参数更新，生成当前第一流媒体异常内容编码网络。
35.一种可替代的实施方式，所述基于每次进行网络权重参数学习生成的第一流媒体异常内容编码网络生成的对应待学习流媒体数据的异常内容理解向量，从当前待学习流媒体数据序列中提取目标训练流媒体数据序列并对所述待学习流媒体数据序列进行调整，包括：
36.将当前待学习流媒体数据序列中的每一待学习流媒体数据输入当前第一流媒体异常内容编码网络，生成当前第一流媒体异常内容编码网络生成的对应待学习流媒体数据的异常内容理解向量；
37.基于所述异常内容理解向量从当前待学习流媒体数据序列中提取当前目标训练流媒体数据序列，并将当前待学习流媒体数据序列余下的待学习流媒体数据更新为下一轮网络权重参数学习的待学习流媒体数据序列，所述目标训练流媒体数据序列中的待学习流媒体数据的异常内容理解向量覆盖余下的待学习流媒体数据的异常内容理解向量。
38.一种可替代的实施方式，所述基于所述异常内容理解向量从当前待学习流媒体数据序列中提取当前目标训练流媒体数据序列，并将当前待学习流媒体数据序列余下的待学习流媒体数据更新为下一轮网络权重参数学习的待学习流媒体数据序列，包括：基于当前待学习流媒体数据序列中每一所述待学习流媒体数据的异常内容理解向量，计算当前待学习流媒体数据序列的异常内容平均向量；
39.将异常内容理解向量覆盖所述异常内容平均向量的待学习流媒体数据分配到当前目标训练流媒体数据序列，将异常内容理解向量的特征值小于或等于所述异常内容平均向量的特征值的待学习流媒体数据分配到下一轮网络权重参数学习的待学习流媒体数据序列。
40.一种可替代的实施方式，所述确定每次提取的目标训练流媒体数据序列对应的目标流媒体异常内容编码网络，包括：
41.将当前第一流媒体异常内容编码网络构建为当前提取的目标训练流媒体数据序列对应的目标流媒体异常内容编码网络。
42.一种可替代的实施方式，所述确定每次提取的目标训练流媒体数据序列对应的目标流媒体异常内容编码网络，包括：
43.通过当前提取的目标训练流媒体数据序列对预设的第一机器学习架构进行权重参数更新，生成当前第二流媒体异常内容编码网络，并将当前第二流媒体异常内容编码网络构建为当前提取的目标训练流媒体数据序列对应的目标流媒体异常内容编码网络。
44.一种可替代的实施方式，所述依据多次进行网络权重参数更新生成的目标流媒体异常内容编码网络和对应的目标训练流媒体数据序列，进行网络权重参数更新生成流媒体内容异常预测网络，包括：
45.将所述待学习流媒体数据所属的目标训练流媒体数据序列作为对应待学习流媒体数据的异常学习标注数据；
46.将所述待学习流媒体数据输入预设的第二机器学习架构，生成所述第二机器学习架构生成的对应待学习流媒体数据的异常预测数据；
47.基于所述待学习流媒体数据对应的异常预测数据和异常学习标注数据，更新所述第二机器学习架构的权重参数，生成所述流媒体内容异常预测网络。
48.其中，对于一些可替代的实施方式而言，以上所述的流媒体异常内容分析系统可以包括一个或多个处理器以及存储器。存储器可以存储供所述流媒体异常内容分析系统执行或使用的数据、指令，所述流媒体异常内容分析系统可以通过执行或使用所述数据、指令以实现本发明描述的方法。
49.在各个实施例中，流媒体异常内容分析系统可以但不限于是：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，流媒体异常内容分析系统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，流媒体异常内容分析系统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。
50.本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
51.以上对本技术所提供的一种流媒体异常内容分析方法及系统，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。
52.基于本技术的一个方面，提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行前述各个实施例所述的流媒体异常内容分析方法。
53.基于本技术的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例各种可选实现方式中提供的方法。
54.本技术的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存
在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
55.在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
56.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以基于实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
57.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
58.所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，简称rom)、随机存取存储器(randomaccess memory，简称ram)、磁碟或者光盘等各种可以存储程序代码的介质。
59.以上所述，以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管基准前述实施例对本技术进行了详细的说明，本领域的普通技术成员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。
60.以上所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。通常在附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，在附图中提供的本发明的实施例的详细描述并非旨在限制本发明的保护范围，而仅仅是表示本发明的选定实施例。因此，本发明的保护范围应以权利要求的保护范围为准。此外，基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下可得到的所有其它实施例，都应属于本发明保护的范围。

技术特征：
1.一种流媒体异常内容分析方法，其特征在于，包括：依次获取当前加载的待学习流媒体数据序列，依据每次获取到的待学习流媒体数据序列中的待学习流媒体数据进行网络权重参数学习生成对应的第一流媒体异常内容编码网络；基于每次进行网络权重参数学习生成的第一流媒体异常内容编码网络生成的对应待学习流媒体数据的异常内容理解向量，从当前待学习流媒体数据序列中提取目标训练流媒体数据序列并对所述待学习流媒体数据序列进行调整，确定每次提取的目标训练流媒体数据序列对应的目标流媒体异常内容编码网络，所述目标流媒体异常内容编码网络为第一流媒体异常内容编码网络或第二流媒体异常内容编码网络，所述第二流媒体异常内容编码网络由所述目标训练流媒体数据序列进行网络权重参数更新生成；依据多次进行网络权重参数更新生成的目标流媒体异常内容编码网络和对应的目标训练流媒体数据序列，进行网络权重参数更新生成流媒体内容异常预测网络，并基于所述流媒体内容异常预测网络对任意输入的流媒体数据进行异常预测分析。2.根据权利要求1所述的流媒体异常内容分析方法，其特征在于，所述依次获取当前加载的待学习流媒体数据序列，依据每次获取到的待学习流媒体数据序列中的待学习流媒体数据进行网络权重参数学习生成对应的第一流媒体异常内容编码网络，包括：通过当前待学习流媒体数据序列中的待学习流媒体数据对预设的第一机器学习架构进行权重参数更新，生成当前第一流媒体异常内容编码网络。3.根据权利要求1所述的流媒体异常内容分析方法，其特征在于，所述基于每次进行网络权重参数学习生成的第一流媒体异常内容编码网络生成的对应待学习流媒体数据的异常内容理解向量，从当前待学习流媒体数据序列中提取目标训练流媒体数据序列并对所述待学习流媒体数据序列进行调整，包括：将当前待学习流媒体数据序列中的每一待学习流媒体数据输入当前第一流媒体异常内容编码网络，生成当前第一流媒体异常内容编码网络生成的对应待学习流媒体数据的异常内容理解向量；基于所述异常内容理解向量从当前待学习流媒体数据序列中提取当前目标训练流媒体数据序列，并将当前待学习流媒体数据序列余下的待学习流媒体数据更新为下一轮网络权重参数学习的待学习流媒体数据序列，所述目标训练流媒体数据序列中的待学习流媒体数据的异常内容理解向量覆盖余下的待学习流媒体数据的异常内容理解向量。4.根据权利要求3所述的流媒体异常内容分析方法，其特征在于，所述基于所述异常内容理解向量从当前待学习流媒体数据序列中提取当前目标训练流媒体数据序列，并将当前待学习流媒体数据序列余下的待学习流媒体数据更新为下一轮网络权重参数学习的待学习流媒体数据序列，包括：基于当前待学习流媒体数据序列中每一所述待学习流媒体数据的异常内容理解向量，计算当前待学习流媒体数据序列的异常内容平均向量；将异常内容理解向量覆盖所述异常内容平均向量的待学习流媒体数据分配到当前目标训练流媒体数据序列，将异常内容理解向量的特征值小于或等于所述异常内容平均向量的特征值的待学习流媒体数据分配到下一轮网络权重参数学习的待学习流媒体数据序列。5.根据权利要求1-4任一所述的流媒体异常内容分析方法，其特征在于，所述确定每次提取的目标训练流媒体数据序列对应的目标流媒体异常内容编码网络，包括：
将当前第一流媒体异常内容编码网络构建为当前提取的目标训练流媒体数据序列对应的目标流媒体异常内容编码网络。6.根据权利要求1-4任一所述的流媒体异常内容分析方法，其特征在于，所述确定每次提取的目标训练流媒体数据序列对应的目标流媒体异常内容编码网络，包括：通过当前提取的目标训练流媒体数据序列对预设的第一机器学习架构进行权重参数更新，生成当前第二流媒体异常内容编码网络，并将当前第二流媒体异常内容编码网络构建为当前提取的目标训练流媒体数据序列对应的目标流媒体异常内容编码网络。7.根据权利要求1-4任一所述的流媒体异常内容分析方法，其特征在于，所述依据多次进行网络权重参数更新生成的目标流媒体异常内容编码网络和对应的目标训练流媒体数据序列，进行网络权重参数更新生成流媒体内容异常预测网络，包括：将所述待学习流媒体数据所属的目标训练流媒体数据序列作为对应待学习流媒体数据的异常学习标注数据；将所述待学习流媒体数据输入预设的第二机器学习架构，生成所述第二机器学习架构生成的对应待学习流媒体数据的异常预测数据；基于所述待学习流媒体数据对应的异常预测数据和异常学习标注数据，更新所述第二机器学习架构的权重参数，生成所述流媒体内容异常预测网络。8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，当所述计算机程序被所述处理器执行时实现权利要求1-7中任意一项所述的流媒体异常内容分析方法。9.一种流媒体异常内容分析系统，其特征在于，包括处理器以及可读存储介质，所述可读存储介质中存储有计算机程序，当所述计算机程序被所述处理器执行时实现权利要求1-7中任意一项所述的流媒体异常内容分析方法。

技术总结
本发明实施例提供一种流媒体异常内容分析方法及系统，依据每次获取到的待学习流媒体数据序列中的待学习流媒体数据进行网络权重参数学习生成对应的第一流媒体异常内容编码网络，基于每次生成的第一流媒体异常内容编码网络生成的对应待学习流媒体数据的异常内容理解向量，由此提取目标训练流媒体数据序列并对待学习流媒体数据序列进行调整，确定每次提取的目标训练流媒体数据序列对应的目标流媒体异常内容编码网络，依据多次进行网络权重参数更新生成的目标流媒体异常内容编码网络和对应的目标训练流媒体数据序列生成流媒体内容异常预测网络，并对任意输入的流媒体数据进行异常预测分析，从而提高异常预测分析的可靠性。性。性。


技术研发人员：张军
受保护的技术使用者：上海京知信息科技有限公司
技术研发日：2023.08.01
技术公布日：2023/9/19