1.一种应用于AI分析的数字化在线应用处理方法，其特征在于，所述方法包括：

对数字化在线应用的应用异常数据中的目标非受控应用异常活动进行应用实现错误点分析，输出所述目标非受控应用异常活动中的应用实现错误点信息；

对各个所述应用实现错误点信息中的应用实现错误点进行特征挖掘，结合特征挖掘生成的各个应用实现错误点的依赖应用实现错误点信息以及错误渗透信息确定各个应用实现错误点所对应的注意力信息，并结合所述各个应用实现错误点所对应的注意力信息确定目标应用实现错误点；

结合所述目标应用实现错误点，对所述数字化在线应用所对应的应用功能实现进程中的程序执行组件进行补丁修复；

所述对数字化在线应用的应用异常数据中的目标非受控应用异常活动进行应用实现错误点分析，输出所述目标非受控应用异常活动中的应用实现错误点信息，通过以下步骤实现：获取所述数字化在线应用在应用功能实现进程中生成的应用于应用实现错误点挖掘任务的应用异常数据，所述应用异常数据包括多个应用异常活动；

利用第一应用异常挖掘模型对所述应用异常数据中的每个应用异常活动进行异常模态挖掘，输出所述每个应用异常活动的异常模态挖掘数据以及所述每个应用异常活动的异常空间图卷积矢量，所述异常模态挖掘数据表征应用异常活动所对应的异常模态；

结合所述每个应用异常活动的异常模态挖掘数据，从所述应用异常数据中获取受控应用异常活动以及M个非受控应用异常活动，所述受控应用异常活动与所述非受控应用异常活动均属于所述应用异常活动，所述M为正整数；

结合所述受控应用异常活动的异常空间图卷积矢量以及每个非受控应用异常活动的异常空间图卷积矢量，输出M个第一矢量相关度量值以及M个第二矢量相关度量值，所述M个第一矢量相关度量值包括所述每个非受控应用异常活动与所述受控应用异常活动之间的第一矢量相关度量值，所述M个第二矢量相关度量值包括所述每个非受控应用异常活动所对应的第二矢量相关度量值，所述矢量相关度量值反映对应的应用异常活动之间的矢量距离；

结合所述M个第一矢量相关度量值以及所述M个第二矢量相关度量值，输出所述每个非受控应用异常活动所对应的参考矢量相关度量值，所述参考矢量相关度量值表示非受控应用异常活动的集中性程度值；

从所述每个非受控应用异常活动所对应的参考矢量相关度量值中获取最大度量值，并将所述最大度量值所对应的非受控应用异常活动作为目标非受控应用异常活动；

利用应用异常决策神经模型对所述目标非受控应用异常活动进行应用异常决策，输出所述目标非受控应用异常活动的应用异常决策信息，所述应用异常决策信息用于确定所述目标非受控应用异常活动中的应用实现错误点信息；

所述结合所述目标应用实现错误点，对所述数字化在线应用所对应的应用功能实现进程中的程序执行组件进行补丁修复的步骤，包括：确定所述目标应用实现错误点在所述数字化在线应用所对应的应用功能实现进程中的程序执行组件；

按照各个目标应用实现错误点的注意力参数值的大小顺序确定各个目标应用实现错误点的补丁修复优先级，进而从云端预置的补丁资源库中下载各个目标应用实现错误点所对应的修复补丁程序，对所述数字化在线应用所对应的应用功能实现进程中的程序执行组件进行补丁修复。

2.根据权利要求1所述的应用于AI分析的数字化在线应用处理方法，其特征在于，所述利用第一应用异常挖掘模型对所述应用异常数据中的每个应用异常活动进行异常模态挖掘，输出所述每个应用异常活动的异常模态挖掘数据以及所述每个应用异常活动的异常空间图卷积矢量，包括：对应于所述应用异常数据中的所述每个应用异常活动，结合所述第一应用异常挖掘模型中构建的图神经网络分支提取所述每个应用异常活动的异常空间图卷积矢量；

对应于所述每个应用异常活动的异常空间图卷积矢量，结合所述第一应用异常挖掘模型中构建的池化分支提取所述每个应用异常活动的池化特征矢量；

对应于所述每个应用异常活动的池化特征矢量，结合所述第一应用异常挖掘模型中构建的全连接单元获取所述每个应用异常活动的异常模态概率分布；

结合所述每个应用异常活动的异常模态概率分布，输出所述每个应用异常活动的异常模态挖掘数据。

3.根据权利要求1所述的应用于AI分析的数字化在线应用处理方法，其特征在于，所述方法还包括：获取第二模板应用异常活动数据，所述第二模板应用异常活动数据包括多个第二模板应用异常活动，每个第二模板应用异常活动对应于异常模态先验标定数据；

对应于所述第二模板应用异常活动数据中的每个第二模板应用异常活动，结合所述第一应用异常挖掘模型获取所述每个第二模板应用异常活动所对应的异常模态概率分布；

结合所述每个第二模板应用异常活动所对应的异常模态概率分布以及所述异常模态先验标定数据，输出第二Loss值；

结合所述第二Loss值对所述第一应用异常挖掘模型进行训练。

4.根据权利要求1所述的应用于AI分析的数字化在线应用处理方法，其特征在于，所述获取所述数字化在线应用在应用功能实现进程中生成的应用于应用实现错误点挖掘任务的应用异常数据，包括：获取应用于应用实现错误点挖掘任务的基础应用异常活动数据，所述基础应用异常活动数据包括多个应用异常活动；

利用第二应用异常挖掘模型对所述基础应用异常活动数据中的每个应用异常活动进行特征挖掘，输出所述每个应用异常活动的冲突特征估计数据，所述冲突特征估计数据表征应用异常活动的冲突特征状态；

结合所述每个应用异常活动的冲突特征估计数据，将所述基础应用异常活动数据中冲突特征估计数据属于冲突估计状态的应用异常活动作为所述应用异常数据中的应用异常活动。

5.根据权利要求4所述的应用于AI分析的数字化在线应用处理方法，其特征在于，所述方法还包括：获取第一模板应用异常活动数据，所述第一模板应用异常活动数据包括多个第一模板应用异常活动，每个第一模板应用异常活动对应于冲突状态先验标定数据；

对应于所述第一模板应用异常活动数据中的每个第一模板应用异常活动，结合所述第二应用异常挖掘模型获取所述每个第一模板应用异常活动所对应的冲突特征学习数据；

结合所述每个第一模板应用异常活动所对应的冲突特征学习数据以及所述冲突状态先验标定数据，输出第一Loss值；

结合所述第一Loss值对所述第二应用异常挖掘模型进行训练。

6.根据权利要求1所述的应用于AI分析的数字化在线应用处理方法，其特征在于，所述结合所述受控应用异常活动的异常空间图卷积矢量以及每个非受控应用异常活动的异常空间图卷积矢量，输出M个第一矢量相关度量值以及M个第二矢量相关度量值，包括：对所述受控应用异常活动的异常空间图卷积矢量以及所述每个非受控应用异常活动的异常空间图卷积矢量进行类间相关度量值确定，输出所述每个非受控应用异常活动与所述受控应用异常活动之间的第一矢量相关度量值；

对所述每个非受控应用异常活动的异常空间图卷积矢量以及其它各个非受控应用异常活动对应异常空间图卷积矢量进行类内相关度量值确定，输出所述每个非受控应用异常活动所对应的第二矢量相关度量值，所述其它各个非受控应用异常活动为所述M个非受控应用异常活动中除了所述非受控应用异常活动之外的余下非受控应用异常活动；

所述结合所述M个第一矢量相关度量值以及所述M个第二矢量相关度量值，输出所述每个非受控应用异常活动所对应的参考矢量相关度量值，包括：对应于所述每个非受控应用异常活动，对非受控应用异常活动所对应的第一矢量相关度量值以及第二矢量相关度量值进行加权计算，输出所述非受控应用异常活动所对应的参考矢量相关度量值；

所述对所述受控应用异常活动的异常空间图卷积矢量以及所述每个非受控应用异常活动的异常空间图卷积矢量进行类间相关度量值确定，输出所述每个非受控应用异常活动与所述受控应用异常活动之间的第一矢量相关度量值，包括：对应于所述每个非受控应用异常活动，将非受控应用异常活动对应异常空间图卷积矢量中的每个图节点卷积矢量，与所述受控应用异常活动对应异常空间图卷积矢量中相对应异常实例的图节点卷积矢量进行矢量距离确定，输出所述非受控应用异常活动与所述受控应用异常活动之间的V个图节点卷积矢量距离，所述V为正整数；

对应于所述每个非受控应用异常活动，对所述非受控应用异常活动与所述受控应用异常活动之间的V个图节点卷积矢量距离进行相关度量值确定，输出所述非受控应用异常活动与所述受控应用异常活动之间的第一矢量相关度量值；

所述对所述每个非受控应用异常活动的异常空间图卷积矢量以及其它各个非受控应用异常活动对应异常空间图卷积矢量进行类内相关度量值确定，输出所述每个非受控应用异常活动所对应的第二矢量相关度量值，包括：对应于所述每个非受控应用异常活动，将非受控应用异常活动对应异常空间图卷积矢量中的每个图节点卷积矢量，与所述其它各个非受控应用异常活动对应异常空间图卷积矢量中相对应异常实例的图节点卷积矢量进行矢量距离确定，输出所述每个非受控应用异常活动与所述其它各个非受控应用异常活动之间的V个图节点卷积矢量距离，所述V为正整数；

对应于所述每个非受控应用异常活动，对所述非受控应用异常活动与所述其它各个非受控应用异常活动之间的V个图节点卷积矢量距离进行相关度量值确定，输出所述非受控应用异常活动与所述其它各个非受控应用异常活动之间的第一矢量距离；

对应于所述每个非受控应用异常活动，对所述非受控应用异常活动与所述其它各个非受控应用异常活动之间的第一矢量距离进行平均矢量距离确定，输出所述非受控应用异常活动所对应的第二矢量相关度量值；

或者，所述对所述受控应用异常活动的异常空间图卷积矢量以及所述每个非受控应用异常活动的异常空间图卷积矢量进行类间相关度量值确定，输出所述每个非受控应用异常活动与所述受控应用异常活动之间的第一矢量相关度量值，包括：对所述受控应用异常活动的异常空间图卷积矢量以及所述每个非受控应用异常活动的异常空间图卷积矢量进行矢量距离确定，输出所述每个非受控应用异常活动与所述受控应用异常活动之间的图卷积矢量距离；

对所述受控应用异常活动的异常渗透直方图矢量以及所述每个非受控应用异常活动的异常渗透直方图矢量进行矢量距离确定，输出所述每个非受控应用异常活动与所述受控应用异常活动之间的直方图矢量相关度量值；

对应于所述每个非受控应用异常活动，对非受控应用异常活动与所述受控应用异常活动之间的图卷积矢量距离，以及所述非受控应用异常活动与所述受控应用异常活动之间的直方图矢量相关度量值进行加权计算，输出所述非受控应用异常活动与所述受控应用异常活动之间的第一矢量相关度量值；

所述对所述每个非受控应用异常活动的异常空间图卷积矢量以及其它各个非受控应用异常活动对应异常空间图卷积矢量进行类内相关度量值确定，输出所述每个非受控应用异常活动所对应的第二矢量相关度量值，包括：结合所述每个非受控应用异常活动的异常空间图卷积矢量，输出所述每个非受控应用异常活动所对应的平均图卷积矢量距离；

结合所述每个非受控应用异常活动的异常渗透直方图矢量，输出所述每个非受控应用异常活动所对应的平均直方图矢量距离；

对应于所述每个非受控应用异常活动，对非受控应用异常活动所对应的平均图卷积矢量距离，以及所述非受控应用异常活动所对应的平均直方图矢量距离进行加权计算，输出所述非受控应用异常活动所对应的第二矢量相关度量值。

7.一种AI应用系统，其特征在于，所述AI应用系统包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，所述处理器用于运行所述计算机程序时，执行权利要求1-6中任意一项所述的应用于AI分析的数字化在线应用处理方法。