[發(fā)明專利]配電終端多源異構(gòu)安全監(jiān)測數(shù)據(jù)的跨模態(tài)聚合方法

有效

• 申請?zhí)枺?/td>: 202011351642.8
• 申請日: 2020-11-26
• 公開（公告）號: CN112468498B
• 公開（公告）日: 2022-06-14
• 發(fā)明（設(shè)計(jì)）人: 王昕平;官國飛;張騰飛;李春鵬;蔡子贇;蔣峰;宋慶武;欒奇麒;于洋
• 申請（專利權(quán)）人: 江蘇方天電力技術(shù)有限公司;南京郵電大學(xué)
• 主分類號: H04L9/40
• 分類號: H04L9/40;G06K9/62;G06N3/04
• 代理公司: 南京正聯(lián)知識產(chǎn)權(quán)代理有限公司 32243
• 代理人: 張玉紅

1.一種配電終端多源異構(gòu)安全監(jiān)測數(shù)據(jù)的跨模態(tài)聚合方法，其特征在于：包括以下步驟，

S1、通過分解和子空間學(xué)習(xí)，對原始數(shù)據(jù)中的安全告警數(shù)據(jù)和網(wǎng)絡(luò)日志數(shù)據(jù)，探索模態(tài)不變的子空間，并獲得強(qiáng)健的視圖不變的子空間，通過共同學(xué)習(xí)把各類型安全監(jiān)測數(shù)據(jù)連接到一個模型，得到變換的源域s_new1和目標(biāo)域s_new2；

S2、對多源異構(gòu)數(shù)據(jù)進(jìn)行跨模態(tài)聚合，具體為：使用得到的源域s_new1和目標(biāo)域s_new2利用非負(fù)矩陣分解探索各類型安全監(jiān)測數(shù)據(jù)之間的共享成分，然后通過奇異值分解得到奇異矩陣，同時利用概率分布的方法保護(hù)安全監(jiān)測數(shù)據(jù)的重要結(jié)構(gòu)，使用杰森-香農(nóng)散度縮小源域s_new1和目標(biāo)域s_new2之間的概率分布；

S3、在進(jìn)行跨模態(tài)聚合的同時，解決源域和目標(biāo)域之間的欠適配和不平等的問題，具體為：針對欠適配的問題，在共享的潛在子空間和映射所得到目標(biāo)域之間同時匹配特征值和調(diào)整樣本權(quán)重，在再生核希爾伯特空間對變換的源域s_new1和目標(biāo)域s_new2進(jìn)行特征匹配；針對不平等的問題，采用具有更強(qiáng)魯棒性的條件分布的估計(jì)，利用類先驗(yàn)估計(jì)構(gòu)建權(quán)重矩陣；最終獲得目標(biāo)函數(shù)，實(shí)現(xiàn)配電終端多源異構(gòu)安全監(jiān)測數(shù)據(jù)的跨模態(tài)聚合。

2.如權(quán)利要求1所述的配電終端多源異構(gòu)安全監(jiān)測數(shù)據(jù)的跨模態(tài)聚合方法，其特征在于：步驟S1中，對多源異構(gòu)數(shù)據(jù)進(jìn)行融合及 自適應(yīng)分布嵌入。

3.如權(quán)利要求1所述的配電終端多源異構(gòu)安全監(jiān)測數(shù)據(jù)的跨模態(tài)聚合方法，其特征在于：步驟S1中，獲得強(qiáng)健的視圖不變的子空間，具體為，

S11、獲取原始數(shù)據(jù)作為源域s，s＝{s₁,s₂,…,s_n}，源域s中包含安全告警數(shù)據(jù)s₁和網(wǎng)絡(luò)日志數(shù)據(jù)s₂，源域s中帶有標(biāo)簽的集合表示為Y_s，標(biāo)簽集合Y_t的未知網(wǎng)絡(luò)為目標(biāo)域t；

S12、通過子空間變換，尋找視圖不變強(qiáng)健的子空間，并通過共同學(xué)習(xí)獲得轉(zhuǎn)換過的源域s_new1和轉(zhuǎn)換過的目標(biāo)域s_new2。

4.如權(quán)利要求1-3任一項(xiàng)所述的配電終端多源異構(gòu)安全監(jiān)測數(shù)據(jù)的跨模態(tài)聚合方法，其特征在于：步驟S2中，對多源異構(gòu)數(shù)據(jù)進(jìn)行跨模態(tài)聚合，具體為，

S21、利用非負(fù)矩陣分解探索各種類型安全監(jiān)測數(shù)據(jù)之間共享的成分，目標(biāo)函數(shù)為：

式中，U為基矩陣，X為系數(shù)共享矩陣，s_i為源域s中的一種，U_i為s_i對應(yīng)的基矩陣，λ_i為平衡各種類型數(shù)據(jù)重要性的參數(shù)；

S22、利用概率分布發(fā)現(xiàn)數(shù)據(jù)空間本質(zhì)上具有辨別能力的結(jié)構(gòu)，盡可能多地保護(hù)安全監(jiān)測數(shù)據(jù)的重要結(jié)構(gòu)，通過Jensen-Shannon(杰森-香農(nóng))散度縮小各種安全監(jiān)測數(shù)據(jù)的概率分布：

式中，分別為{s₁,s₂,…,s_n}的概率分布，KL(·||·)為用來估計(jì)聯(lián)合概率分布的KL(庫爾貝克-萊布勒)散度；

S23、通過正交投影遷移深度數(shù)據(jù)信息的知識到目標(biāo)數(shù)據(jù)庫去對齊共享的潛在特征空間和目標(biāo)域中的數(shù)據(jù)：

式中，Π為目標(biāo)域的正定投影；

獲得最優(yōu)解，即當(dāng)前目標(biāo)函數(shù)所能得到的最優(yōu)的值，獲得正定投影Π后，目標(biāo)域t被投影到隱空間：s_new2＝Πt；奇異值分解被用于分解矩陣：s^TX＝QφS^T，其中，分別為{s₁,s₂,…,s_n}的概率分布，s為源域，S為右奇異矩陣，φ為奇異值矩陣；然后計(jì)算Π＝SΛQ^T，其中，Λ為連接矩陣Λ＝[I,0]∈R，0為全零矩陣；最終，來自相同類別的數(shù)據(jù)點(diǎn)距離更近，而在相同模態(tài)中的不同類別的數(shù)據(jù)點(diǎn)距離更遠(yuǎn)。

5.如權(quán)利要求4所述的配電終端多源異構(gòu)安全監(jiān)測數(shù)據(jù)的跨模態(tài)聚合方法，其特征在于：步驟S3中，解決轉(zhuǎn)換過的源域s_new1和轉(zhuǎn)換過的目標(biāo)域s_new2之間的欠適配和不平等問題并獲得目標(biāo)函數(shù)，具體為，

S31、在自適應(yīng)分布嵌入階段，為了特征匹配，在再生核希爾伯特空間中縮小非參數(shù)的最大均值差異：

式中，N_s和N_t分別是s_new和s_new2中樣本的個數(shù)，H表示希爾伯特空間；

為了調(diào)整樣本權(quán)重，算法進(jìn)一步對共享的潛在空間樣本縮小結(jié)構(gòu)稀疏2,1范數(shù)，在共享的潛在空間和映射所得到目標(biāo)域之間同時匹配特征值和調(diào)整樣本權(quán)重，從而得到一個自適應(yīng)的分類器；在自適應(yīng)分布嵌入階段縮小結(jié)構(gòu)稀疏2,1范數(shù)，使得到的分類器具有更強(qiáng)魯棒性；

S32、采用具有更強(qiáng)魯棒性的條件分布的估計(jì)，解決不平等的問題：

式中，s_new1和s_new2的類先驗(yàn)用來估計(jì)和對條件分布的散度需要估計(jì)邊緣分布和最后對每一個類構(gòu)建出所需要的權(quán)重矩陣；

結(jié)合公式(1)到公式(5)，得到最終的目標(biāo)函數(shù)：

式中，η為控制新表達(dá)的平滑度；

通過配電終端多源異構(gòu)安全監(jiān)測數(shù)據(jù)的跨模態(tài)聚合方法，選用不需要調(diào)整交叉驗(yàn)證參數(shù)的最近鄰分類器為基礎(chǔ)分類器。