[發明專利]異常數據的檢測方法、裝置、計算機設備和存儲介質

有效

• 申請號: 202110506773.7
• 申請日: 2021-05-10
• 公開（公告）號: CN113328908B
• 公開（公告）日: 2022-07-26
• 發明（設計）人: 王歷曄;熊文;張少凡;孫磊;高強;姜臻;張斌
• 申請（專利權）人: 廣東電網有限責任公司廣州供電局
• 主分類號: H04L43/08
• 分類號: H04L43/08;H04L67/12;G06K9/62
• 代理公司: 華進聯合專利商標代理有限公司 44224
• 代理人: 楊歡

1.一種異常數據的檢測方法，其特征在于，所述方法包括：

獲取通過物聯網中的傳感設備采集得到的待檢測數據；

將與所述待檢測數據對應的特征向量，輸入至策略選擇模型中，通過所述策略選擇模型確定目標模型標識；

從所述物聯網的多個層級所部署的檢測模型中，確定與所述目標模型標識對應的目標檢測模型；所述目標檢測模型所處的層級與所述待檢測數據的特征向量所表征的層級特性相匹配；

將所述待檢測數據傳輸至所述目標檢測模型所處層級中、部署有所述目標檢測模型的檢測設備，以使得所述檢測設備中部署的所述目標檢測模型對所述特征向量進行處理，輸出與所述待檢測數據對應的檢測結果，所述檢測結果包括表征正常的檢測結果和表征異常的檢測結果。

2.根據權利要求1所述的方法，其特征在于，所述獲取通過物聯網中的傳感設備采集得到的待檢測數據，包括：

確定與所述待檢測數據對應的原始特征；

對所述原始特征進行降維處理，得到所述待檢測數據對應的特征向量；

其中，所述降維處理的方式包括如下至少一種：計算所述待檢測數據的原始特征的平均值、中位數、方差、標準差、總和、最大值、以及最小值。

3.根據權利要求1所述的方法，其特征在于，所述將與所述待檢測數據對應的特征向量，輸入至策略選擇模型中，通過所述策略選擇模型確定目標模型標識，包括：

將所述特征向量輸入至策略選擇模型中，通過所述策略選擇模型依據所述特征向量計算選擇各檢測模型的概率值，得到概率分布向量；

從所述概率分布向量中選擇最大概率值作為目標概率值，并將目標概率值所對應的模型標識作為目標模型標識。

4.根據權利要求1所述的方法，其特征在于，所述策略選擇模型的訓練步驟包括：

獲取樣本數據，并將所述樣本數據輸入至待訓練的策略選擇模型中，通過所述待訓練的策略選擇模型輸出對應的預測模型標識；

在當次訓練過程中，基于預先設置的效益函數，計算與當次訓練輸出的預測模型標識對應的預測檢測模型相關的預期效益值；所述預期效益值用于表征通過預測檢測模型進行預測時相應的準確率和時間成本；

基于前次訓練所對應的預期效益值與當次訓練所對應的預期效益值間的差異，朝最大化預期效益值的方向，對所述策略選擇模型的模型參數進行迭代更新，并進入下一次的訓練過程進行迭代訓練，直至達到訓練停止條件時停止，得到訓練好的策略選擇模型。

5.根據權利要求4所述的方法，其特征在于，所述在當次訓練過程中，基于預先設置的效益函數，計算與當次訓練輸出的預測模型標識對應的預測檢測模型相關的預期效益值，包括：

將當次訓練所對應的樣本數據，加載至當次訓練輸出的預測模型標識對應的預測檢測模型，并獲取對應的時間成本；

基于當次訓練輸出的預測模型標識對應的預測檢測模型，對當次訓練所對應的樣本數據進行處理，得到預測檢測結果；

根據所述預測檢測結果，與當次訓練所對應的樣本數據的正負類別間的差異，確定當次訓練所對應的檢測準確率；

基于所述時間成本和所述檢測準確率，確定與當次訓練輸出的預測模型標識對應的預測檢測模型相關的預期效益值。

6.根據權利要求1所述的方法，其特征在于，所述檢測設備中部署的目標檢測模型對所述特征向量進行處理，輸出與所述待檢測數據對應的檢測結果，包括：

將所述待檢測數據的特征向量輸入至所述目標檢測模型中，由所述目標檢測模型計算所述特征向量與所述待檢測數據經自編碼后的擬合值之間的當前誤差；

依據訓練期間得到的誤差分布情況，計算所述當前誤差在服從所述誤差分布情況下的對數概率值；

依據所述對數概率值與預先設置的閾值的大小關系，輸出與所述待檢測數據對應的檢測結果。

7.根據權利要求1-5任一項所述的方法，其特征在于，所述檢測模型為具有不同編碼層次結構的自編碼模型，且依據各檢測模型的編碼層次結構的不同，各檢測模型至少分別部署在所述物聯網中的物聯網設備層、邊緣服務器層、以及云服務器層。