[發(fā)明專利]一種檢測(cè)設(shè)備異常的方法及裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 201910303411.0
• 申請(qǐng)日: 2019-04-16
• 公開（公告）號(hào): CN110113226B
• 公開（公告）日: 2021-03-12
• 發(fā)明（設(shè)計(jì)）人: 孫尚勇
• 申請(qǐng)（專利權(quán)）人: 新華三信息安全技術(shù)有限公司
• 主分類號(hào): H04L12/26
• 分類號(hào): H04L12/26;H04L12/24
• 代理公司: 北京柏杉松知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11413
• 代理人: 李欣;高鶯然

1.一種檢測(cè)設(shè)備異常的方法，其特征在于，所述方法包括：

獲取屬于同一設(shè)備類型的目標(biāo)設(shè)備的多個(gè)樣本特征向量，其中，一個(gè)樣本特征向量由同一歷史采樣時(shí)間點(diǎn)采集到的一個(gè)目標(biāo)設(shè)備的多個(gè)運(yùn)行指標(biāo)構(gòu)成，所述多個(gè)樣本特征向量包括在所述目標(biāo)設(shè)備運(yùn)行正常時(shí)采集到的正樣本特征向量，以及在所述目標(biāo)設(shè)備運(yùn)行異常時(shí)采集到的負(fù)樣本特征向量；

針對(duì)每個(gè)負(fù)樣本特征向量，確定與該負(fù)樣本特征向量滿足預(yù)設(shè)時(shí)空關(guān)聯(lián)度條件的正樣本特征向量，將所述負(fù)樣本特征向量和確定出的正樣本特征向量構(gòu)成訓(xùn)練樣本集合；

通過所述訓(xùn)練樣本集合對(duì)初始神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到所述目標(biāo)設(shè)備對(duì)應(yīng)的異常檢測(cè)模型；

當(dāng)獲取到任一目標(biāo)設(shè)備的待檢測(cè)特征向量時(shí)，將所述待檢測(cè)特征向量輸入至所述異常檢測(cè)模型，得到所述目標(biāo)設(shè)備的異常檢測(cè)結(jié)果，所述待檢測(cè)特征向量由同一采樣時(shí)間點(diǎn)采集到的所述任一目標(biāo)設(shè)備的多個(gè)運(yùn)行指標(biāo)構(gòu)成。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述確定與該負(fù)樣本特征向量滿足預(yù)設(shè)時(shí)空關(guān)聯(lián)度條件的正樣本特征向量，包括：

根據(jù)預(yù)先存儲(chǔ)的各樣本特征向量對(duì)應(yīng)的歷史采樣時(shí)間點(diǎn)，分別確定每個(gè)正樣本特征向量與該負(fù)樣本特征向量的時(shí)間距離；

確定與該負(fù)樣本特征向量的時(shí)間距離小于第一預(yù)設(shè)閾值的正樣本特征向量。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述根據(jù)預(yù)先存儲(chǔ)的各樣本特征向量對(duì)應(yīng)的歷史采樣時(shí)間點(diǎn)，分別確定每個(gè)正樣本特征向量與該負(fù)樣本特征向量的時(shí)間距離，包括：

根據(jù)預(yù)先存儲(chǔ)的各樣本特征向量對(duì)應(yīng)的歷史采樣時(shí)間點(diǎn)，針對(duì)每個(gè)正樣本特征向量，計(jì)算該正樣本特征向量對(duì)應(yīng)的歷史采樣時(shí)間點(diǎn)，與該負(fù)樣本特征向量對(duì)應(yīng)的歷史采樣時(shí)間點(diǎn)之間的時(shí)間間隔；

計(jì)算所述時(shí)間間隔與預(yù)設(shè)采樣周期的比值，將所述比值作為該正樣本特征向量與該負(fù)樣本特征向量的時(shí)間距離。

4.根據(jù)權(quán)利要求1-3任一項(xiàng)所述的方法，其特征在于，所述確定與該負(fù)樣本特征向量滿足預(yù)設(shè)時(shí)空關(guān)聯(lián)度條件的正樣本特征向量，包括：

根據(jù)預(yù)設(shè)的空間距離算法，分別確定每個(gè)正樣本特征向量與該負(fù)樣本特征向量的空間距離；

確定與該負(fù)樣本特征向量的空間距離小于第二預(yù)設(shè)閾值的正樣本特征向量。

5.一種檢測(cè)設(shè)備異常的裝置，其特征在于，所述裝置包括：獲取模塊、確定模塊、訓(xùn)練模塊和輸入模塊；

所述獲取模塊，用于獲取屬于同一設(shè)備類型的目標(biāo)設(shè)備的多個(gè)樣本特征向量，其中，一個(gè)樣本特征向量由同一歷史采樣時(shí)間點(diǎn)采集到的一個(gè)目標(biāo)設(shè)備的多個(gè)運(yùn)行指標(biāo)構(gòu)成，所述多個(gè)樣本特征向量包括在所述目標(biāo)設(shè)備運(yùn)行正常時(shí)采集到的正樣本特征向量，以及在所述目標(biāo)設(shè)備運(yùn)行異常時(shí)采集到的負(fù)樣本特征向量；

所述確定模塊，用于針對(duì)每個(gè)負(fù)樣本特征向量，確定與該負(fù)樣本特征向量滿足預(yù)設(shè)時(shí)空關(guān)聯(lián)度條件的正樣本特征向量，將所述負(fù)樣本特征向量和確定出的正樣本特征向量構(gòu)成訓(xùn)練樣本集合；

所述訓(xùn)練模塊，用于通過所述訓(xùn)練樣本集合對(duì)初始神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到所述目標(biāo)設(shè)備對(duì)應(yīng)的異常檢測(cè)模型；

所述輸入模塊，用于當(dāng)獲取到任一目標(biāo)設(shè)備的待檢測(cè)特征向量時(shí)，將所述待檢測(cè)特征向量輸入至所述異常檢測(cè)模型，得到所述目標(biāo)設(shè)備的異常檢測(cè)結(jié)果，所述待檢測(cè)特征向量由同一采樣時(shí)間點(diǎn)采集到的所述任一目標(biāo)設(shè)備的多個(gè)運(yùn)行指標(biāo)構(gòu)成。

6.根據(jù)權(quán)利要求5所述的裝置，其特征在于，所述確定模塊，具體用于：

根據(jù)預(yù)先存儲(chǔ)的各樣本特征向量對(duì)應(yīng)的歷史采樣時(shí)間點(diǎn)，分別確定每個(gè)正樣本特征向量與該負(fù)樣本特征向量的時(shí)間距離；

確定與該負(fù)樣本特征向量的時(shí)間距離小于第一預(yù)設(shè)閾值的正樣本特征向量。

7.根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述確定模塊，具體用于：

根據(jù)預(yù)先存儲(chǔ)的各樣本特征向量對(duì)應(yīng)的歷史采樣時(shí)間點(diǎn)，針對(duì)每個(gè)正樣本特征向量，計(jì)算該正樣本特征向量對(duì)應(yīng)的歷史采樣時(shí)間點(diǎn)，與該負(fù)樣本特征向量對(duì)應(yīng)的歷史采樣時(shí)間點(diǎn)之間的時(shí)間間隔；

計(jì)算所述時(shí)間間隔與預(yù)設(shè)采樣周期的比值，將所述比值作為該正樣本特征向量與該負(fù)樣本特征向量的時(shí)間距離。