[發(fā)明專利]異常數(shù)據(jù)的檢測方法、裝置、計算機設(shè)備和存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 202110506773.7
• 申請日: 2021-05-10
• 公開（公告）號: CN113328908B
• 公開（公告）日: 2022-07-26
• 發(fā)明（設(shè)計）人: 王歷曄;熊文;張少凡;孫磊;高強;姜臻;張斌
• 申請（專利權(quán)）人: 廣東電網(wǎng)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(lián)合專利商標代理有限公司 44224
• 代理人: 楊歡

本申請涉及一種異常數(shù)據(jù)的檢測方法、裝置、計算機設(shè)備和存儲介質(zhì)。方法包括：獲取通過物聯(lián)網(wǎng)中的傳感設(shè)備采集得到的待檢測數(shù)據(jù)；將與待檢測數(shù)據(jù)對應(yīng)的特征向量，輸入至策略選擇模型中，通過策略選擇模型確定目標模型標識；從物聯(lián)網(wǎng)的多個層級所部署的檢測模型中，確定與目標模型標識對應(yīng)的目標檢測模型；目標檢測模型所處的層級與待檢測數(shù)據(jù)的特征向量所表征的層級特性相匹配；將待檢測數(shù)據(jù)傳輸至目標檢測模型所處層級中的檢測設(shè)備，以使得檢測設(shè)備中部署的目標檢測模型對特征向量進行處理，輸出與待檢測數(shù)據(jù)對應(yīng)的檢測結(jié)果，檢測結(jié)果包括表征正常的檢測結(jié)果和表征異常的檢測結(jié)果。采用本方法能夠極大地提高異常檢測的效率。

技術(shù)領(lǐng)域

本申請涉及物聯(lián)網(wǎng)技術(shù)領(lǐng)域，特別是涉及一種異常數(shù)據(jù)的檢測方法、裝置、計算機設(shè)備和存儲介質(zhì)。

背景技術(shù)

在物聯(lián)網(wǎng)中，傳感器設(shè)備能夠?qū)⒕唧w的物理現(xiàn)象轉(zhuǎn)換為抽象的信號數(shù)據(jù)，并將這些數(shù)據(jù)傳輸?shù)皆破脚_中以進行更豐富的處理和分析。但是，由于傳感器設(shè)備可能發(fā)生的故障以及實際信號中存在的噪聲，導致所收集到的數(shù)據(jù)經(jīng)常會出現(xiàn)異常乃至錯誤，從而影響到后續(xù)的處理和分析。與此同時，這些異常通常伴隨著一些重要的事件，例如設(shè)備故障、環(huán)境的突然變化和安全攻擊等。因此，需要對這些傳感器設(shè)備所產(chǎn)生的異常數(shù)據(jù)進行檢測。

傳統(tǒng)方式中通常采用部署在云服務(wù)器的異常檢測模型例如基于機器學習模型(比如神經(jīng)網(wǎng)絡(luò)、支持向量機等)來對物聯(lián)網(wǎng)環(huán)境中的異常數(shù)據(jù)進行檢測。然而，將所有的數(shù)據(jù)傳輸?shù)皆品?wù)器的傳統(tǒng)方法會導致網(wǎng)絡(luò)產(chǎn)生較高的通信延遲，從而導致檢測效率低下。

發(fā)明內(nèi)容

基于此，有必要針對上述技術(shù)問題，提供一種能夠提高異常數(shù)據(jù)的檢測效率的異常數(shù)據(jù)的檢測方法、裝置、計算機設(shè)備和存儲介質(zhì)。

一種異常數(shù)據(jù)的檢測方法，所述方法包括：

獲取通過物聯(lián)網(wǎng)中的傳感設(shè)備采集得到的待檢測數(shù)據(jù)；

將與所述待檢測數(shù)據(jù)對應(yīng)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(lián)網(wǎng)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(yīng)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(shù)據(jù)的特征向量所表征的層級特性相匹配；

將所述待檢測數(shù)據(jù)傳輸至所述目標檢測模型所處層級中的檢測設(shè)備，以使得所述檢測設(shè)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(shù)據(jù)對應(yīng)的檢測結(jié)果，所述檢測結(jié)果包括表征正常的檢測結(jié)果和表征異常的檢測結(jié)果。

在其中一個實施例中，所述獲取通過物聯(lián)網(wǎng)中的傳感設(shè)備采集得到的待檢測數(shù)據(jù)，包括：

確定與所述待檢測數(shù)據(jù)對應(yīng)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(shù)據(jù)對應(yīng)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(shù)據(jù)的原始特征的平均值、中位數(shù)、方差、標準差、總和、最大值、以及最小值。

在其中一個實施例中，所述將與所述待檢測數(shù)據(jù)對應(yīng)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(jù)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(yīng)的模型標識作為目標模型標識。

在其中一個實施例中，所述策略選擇模型的訓練步驟包括：

獲取樣本數(shù)據(jù)，并將所述樣本數(shù)據(jù)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(yīng)的預(yù)測模型標識；