[發明專利]異常設備識別方法及裝置和電子設備

在審

• 申請號: 201711143907.3
• 申請日: 2017-11-17
• 公開（公告）號: CN108009058A
• 公開（公告）日: 2018-05-08
• 發明（設計）人: 任偲
• 申請（專利權）人: 阿里巴巴集團控股有限公司
• 主分類號: G06F11/22
• 分類號: G06F11/22
• 代理公司: 北京博思佳知識產權代理有限公司 11415
• 代理人: 林祥

1.一種異常設備識別方法，所述方法包括：

接收客戶端上報的設備硬件數據；

將所述設備硬件數據輸入到判別模型中，所述判別模型通過對抗生成網絡訓練得到；

根據所述判別模型輸出結果，確定所述客戶端上報的設備是否是異常設備。

2.根據權利要求1所述的方法，所述判別模型，通過如下方式訓練得到：

初始化對抗網絡；所述對抗網絡包括生成模型和判別模型；

獲取真樣本集；所述真實樣本集包括歷史上報的正常設備的硬件數據；

將所述真樣本集輸入所述生成模型，得到所述生成模型輸出的假樣本集；所述假樣本集包括異常設備的硬件數據；

將所述真樣本集和假樣本集輸入到所述判別模型，得到所述判別模型輸出的全部樣本的判別結果；

判斷所述全部樣本的判別結果是否都正確；

在所述全部樣本的判別結果都正確的情況下，將所述判別模型確定為最終的判別模型。

3.根據權利要求1或2所述的方法，所述判別模型包括：

深度學習網絡模型或者機器學習模型。

4.根據權利要求3所述的方法，所述深度學習網絡模型包括：

卷積神經網絡模型、循環神經網絡模型或長短期記憶網絡模型。

5.根據權利要求3所述的方法，所述機器學習模型包括：

支持向量機、決策樹或隨機森林。

6.根據權利要求1所述的方法，所述根據所述判別模型輸出結果，確定所述上報的設備是否異常，具體包括：

在所述判別模型輸出結果為0的情況下，確定所述上報的設備異常；

或者，

在所述判別模型輸出結果為1的情況下，確定所述上報的設備正常。

7.根據權利要求6所述的方法，所述在所述判別模型輸出結果為0的情況下，確定所述上報的設備異常之后，所述方法還包括：

將該異常設備上登錄的用戶賬戶加入黑名單。

8.根據權利要求2所述的方法，在所述獲取歷史上報設備的硬件數據以及判別數據之后，所述方法還包括：

將所述真樣本集中離散的硬件數據轉換為連續的硬件數據。

9.根據權利要求8所述的方法，所述轉換的方式包括信息檢索數據挖掘的常用加權技術。

10.一種異常設備識別裝置，所述裝置包括：

接收單元，接收客戶端上報的設備硬件數據；

輸入單元，將所述設備硬件數據輸入到判別模型中，所述判別模型通過對抗生成網絡訓練得到；

識別單元，根據所述判別模型輸出結果，確定所述客戶端上報的設備是否是異常設備。

11.根據權利要求10所述的裝置，所述判別模型，通過如下子單元訓練得到：

初始化子單元，初始化對抗網絡；所述對抗網絡包括生成模型和判別模型；

獲取子單元，獲取真樣本集；所述真實樣本集包括歷史上報的真實設備的硬件數據；

第一輸入子單元，將所述真樣本集輸入所述生成模型，得到所述生成模型輸出的假樣本集；所述假樣本集包括異常設備的硬件數據；

第二輸入子單元，將所述真樣本集和假樣本集輸入到所述判別模型，得到所述判別模型輸出的全部樣本的判別結果；

判斷子單元，判斷所述全部樣本的判別結果是否都正確；

確定子單元，在所述全部樣本的判別結果都正確的情況下，將所述判別模型確定為最終的判別模型。

12.根據權利要求10或11所述的裝置，所述判別模型包括：

深度學習網絡模型或者機器學習模型。

13.根據權利要求12所述的裝置，所述深度學習網絡模型包括：

卷積神經網絡模型、循環神經網絡模型或長短期記憶網絡模型。