CN108111363A - 一种分析车联网系统中通信链接是否异常的方法及装置 - Google Patents
一种分析车联网系统中通信链接是否异常的方法及装置 Download PDFInfo
- Publication number
- CN108111363A CN108111363A CN201611051117.8A CN201611051117A CN108111363A CN 108111363 A CN108111363 A CN 108111363A CN 201611051117 A CN201611051117 A CN 201611051117A CN 108111363 A CN108111363 A CN 108111363A
- Authority
- CN
- China
- Prior art keywords
- data
- training
- statistics
- communication
- abnormal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0805—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/16—Threshold monitoring
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Abstract
本发明提出了基于BP神经网络的机器学习算法来实时分析车联网系统中通信链接是否存在异常的方法及装置,无需设置任何审计规则,可以有效地实时监测车联网系统间的通信健康状况,判断系统通信网络是否正常,单个服务器连接的车辆是否接近系统容量上限等,并提高安全审计的预测准确度和实时判断的准确度。
Description
技术领域
本发明涉及通信技术领域,具体涉及一种分析车联网系统中通信链接是否异常的方法及装置。
背景技术
随着车联网的发展,以及社会对运营车辆的加强监管,越来越多的车辆接入各种车载终端。车载终端实时采集并向车联网云端服务器上报车辆的各种信息,各类用户通过网络,也可以远程操作控制车辆。若系统被某些险恶用心的人利用,对系统进行攻击,或进行各种恶意操作,对车辆及驾驶人员的人生安全都存在很大威胁。因此车联网系统亟待独立的安全审计系统来进行安全监控。
目前市场上的安全审计系统,一般都是针对数据库操作、网络用户操作行为和各类日志等方面进行审计,需要预置较全面的审计规则集,通过各种审计策略,或相关关联规则值来进行数据审计分析,实现安全审计判断。由于车联网系统运营管理的车辆数量可能不断变化,联网车辆数受工作时间地点以及无线网络通信环境等各种因素的影响也较大,很难通过一成不变的历史经验值来实时判断系统运行是否正常或安全,难以进行常规安全审计。
发明内容
为了解决传统网络安全审计技术过于依赖规则库,准确度不高的缺点,在研究BP神经网络算法和数理统计相关理论基础上,结合车联网通信数据特点,进行改进和处理,本发明提出了基于BP神经网络的机器学习算法来实时分析车联网系统中通信链接是否存在异常的方法及装置,无需设置任何审计规则,可以有效地实时监测车联网系统间的通信健康状况,判断系统通信网络是否正常,单个服务器连接的车辆是否接近系统容量上限等,并提高安全审计的预测准确度和实时判断的准确度。
具体方案如下:
一种分析车联网系统中通信链接是否异常的方法,包括以下步骤:
S1、数据采集:采集车联网系统中的通信数据,该通信数据包括车载终端与通信服务器之间的通信数据和浏览器客户端与web服务器之间的通信数据;
S2、数据预统计:根据采集的通信数据对车辆链接数量进行计数统计,并定时将统计数据存储到数据库中;
S3、数据训练:建立BP神经网络模型,以一天作为一个周期,获取近一周或多天以上某连续时间内每天二十四小时的统计数据,经过统一归一化处理后进行数据训练,以一天统计数据作为输入,第二天统计数据作为输出,分批进行数据训练;
通过对比预测数据的预测值与实际值之间的误差,调整模型的权值参数,当预测值与实际值之间的误差达到一定训练精度或训练次数达到一定限额时,结束训练;
获取最新两天时间的统计数据进行测试,和预测数据进行对比,计算出模型残差的标准差,作为实时判断的参考值;
新训练样本,并通过BP神经网络模型获取最新的预测数据,存入数据库;
S4、数据分析:
获取步骤S2的统计数据,以预测数据作为数据期望值,根据步骤S3训练模型计算的残差的标准差,以二倍标准差作为误差范围,计算出一次正常数据范围;
结合系统实际运营情况,统计出近期上线车辆数的最大值和最小值,获取预设的入网车辆总数参数,综合比较得到正常数据范围的上限与下限,计算出二次正常数据范围;
当统计数据超出二次正常数据范围,认为该时刻通信链接数异常,否则认为该时刻通信链接数正常。
进一步的,在所述的数据分析步骤之后,还包括异常报警:标记该时刻点的异常信息,并发送报警信息。
一种分析车联网系统中通信链接是否异常的装置,包括:
数据采集模块,用于采集车联网系统中的通信数据,该通信数据包括车载终端与通信服务器之间的通信数据和浏览器客户端与web服务器之间的通信数据;
数据预统计模块,用于根据采集的通信数据对车辆链接数量进行计数统计,并定时将统计数据存储到数据库中;
数据训练模块,用于建立BP神经网络模型,以一天作为一个周期,获取近一周或多天以上某连续时间内每天二十四小时的统计数据,经过统一归一化处理后进行数据训练,以一天统计数据作为输入,第二天统计数据作为输出,分批进行数据训练;通过对比预测数据的预测值与实际值之间的误差,调整模型的权值参数,当预测值与实际值之间的误差达到一定训练精度或训练次数达到一定限额时,结束训练;获取最新两天时间的统计数据进行测试,和预测数据进行对比,计算出模型残差的标准差,作为实时判断的参考值;更新训练样本,并通过BP神经网络模型获取最新的预测数据,存入数据库中;
数据分析模块,用于获取数据预统计模块的统计数据,以预测数据作为数据期望值,根据数据训练模块的训练模型计算的残差的标准差,以二倍标准差作为误差范围,计算出一次正常数据范围;结合系统实际运营情况,统计出近期上线车辆数的最大值和最小值,获取预设的入网车辆总数参数,综合比较得到正常数据范围的上限与下限,计算出二次正常数据范围;当统计数据超出二次正常数据范围,认为该时刻通信链接数异常,否则认为该时刻通信链接数正常。
进一步的,包括报警模块,用于标记该时刻点的异常信息,并发送报警信息。
本发明有益效果:本发明根据车载终端与车联网系统间的通信数据特点,基于BP神经网络算法,并结合数理统计相关原理,提出了一套根据历史入网车辆上线数据,预测未来24小时系统入网车辆上线规律,并根据预测数据自动实时分析车联网系统中车辆链接是否存在异常的方法。该方法及装置无需设置各种经验值或审计规则,也无需根据实际系统运行情况调整审计规则,可以有效地实时监测车联网运营车辆的通信健康状况,判断系统通信网络是否正常,单个服务器连接的车辆是否接近系统容量上限等,提高安全审计的预测准确度和实时判断的准确度,有效的实现对车联网系统的网络安全审计。
附图说明
图1为本发明一实施例方法流程图。
具体实施方式
为进一步说明各实施例,本发明提供有附图。这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。现结合附图和具体实施方式对本发明进一步说明。
本发明方法主要是依据车辆交通通信协议,预先分析计算出车联网系统中的各时间粒度的车辆链接数量,定期利用BP神经网络算法对各时间粒度与时间段下的预统计数据进行训练,分析出某时间段下的车辆链接数量统计特性和变化规律,并得到预测值,实时对比当前车辆链接数量与同期预测值,若超出一定范围,则认为该时刻的车辆链接数存在异常,发送报警信息给安全审计系统。
如图1所示为本发明一实施例方法的流程图,其包括数据采集、数据预统计、数据训练、数据分析的步骤,
本实施例中数据采集采用旁路接入方式,捕获车联网服务系统的各类通信数据,主要包括车载终端与通信服务器之间的通信数据和浏览器客户端与web服务器之间的通信数据,进行初步过滤后作为统计分析的基础。
数据预统计、数据训练和数据分析的具体过程如下:
(1)数据预统计:预统计的目标主要是将非平稳时间序列数据转化为平稳时间序列数据。系统解析车辆通信数据时,根据通信内容中的SIM卡号和消息ID号,识别出每个车载终端的链接信息,进行标记。车载终端心跳间隔一般为30秒至1分钟,因此按每隔2分钟的时间粒度,对车辆链接数量进行计数统计,并定时将计数信息存储到数据库中。
(2)数据训练:根据系统设置的时间窗参数,以一天作为一个周期,取出近一周或多天以上某连续时间内每天24小时的链接统计数据,经过统一归一化处理后进行训练。以前一天数据作为输入,第二天数据作为输出,分批进行训练。通过对比预测值与实际值之间的误差,对权值参数不断调整,直到训练模型达到最优效果。当误差达到一定训练精度或训练次数达到一定限额时,结束训练。然后取最新2天时间的样本进行测试,和预测数据进行对比,计算出模型残差的标准差,作为实时判断的参考值;由于车载终端在线状态与车辆工作时间、车辆通信稳定状况等多种因素相关,车联网系统内的车辆链接数会随车辆上下线而不断变化,但在一定时期内,联网车辆数基本上是呈现一定稳定趋势。因此每次定时训练,样本组都会去掉早期的样本数据,加入最新一天周期内的实际链接统计数据,然后进行训练,得到最新的一组预测数据,存入数据库中。若待加入的实际链接数据在(3)步骤中发现异常,则用最近周期对应时段的预测数据进行替换。
(3)数据分析:在执行步骤(1)后,查询出同时段的由步骤(2)计算出的预测数据,以预测数据作为数据期望值,根据步骤(2)训练模型计算的残差的标准差,以2倍标准差作为误差范围,计算出正常数据范围。同时结合系统实际运营情况,统计出近期上线车辆数的最大值和最小值,以及由管理员设置的入网车辆总数参数,综合比较得到正常数据范围的上限,即期望值不应超出入网车辆总数,也不能超出上线车辆数最大最小值。 当实际统计的每分钟链接数超出期望范围时,系统认为该时刻链接数存在异常。
本实施例数据分析步骤之后还包括异常报警的步骤:标记该时刻点的异常信息,并发送报警信息。
基于上述的分析车联网系统中通信链接是否异常的方法,本发明还提出一种分析车联网系统中通信链接是否异常的装置,包括:
数据采集模块,用于采集车联网系统中的通信数据,该通信数据包括车载终端与通信服务器之间的通信数据和浏览器客户端与web服务器之间的通信数据;
数据预统计模块,用于根据采集的通信数据对车辆链接数量进行计数统计,并定时将统计数据存储到数据库中;
数据训练模块,用于建立BP神经网络模型,以一天作为一个周期,获取近一周或多天以上某连续时间内每天二十四小时的统计数据,经过统一归一化处理后进行数据训练,以一天统计数据作为输入,第二天统计数据作为输出,分批进行数据训练;通过对比预测数据的预测值与实际值之间的误差,调整模型的权值参数,当预测值与实际值之间的误差达到一定训练精度或训练次数达到一定限额时,结束训练;获取最新两天时间的统计数据进行测试,和预测数据进行对比,计算出模型残差的标准差,作为实时判断的参考值;更新训练样本,并通过BP神经网络模型获取最新的预测数据,存入数据库中;
数据分析模块,用于获取数据预统计模块的统计数据,以预测数据作为数据期望值,根据数据训练模块的训练模型计算的残差的标准差,以二倍标准差作为误差范围,计算出一次正常数据范围;结合系统实际运营情况,统计出近期上线车辆数的最大值和最小值,获取预设的入网车辆总数参数,综合比较得到正常数据范围的上限与下限,计算出二次正常数据范围;当统计数据超出二次正常数据范围,认为该时刻通信链接数异常,否则认为该时刻通信链接数正常。
进一步的,包括报警模块,用于标记该时刻点的异常信息,并发送报警信息。
尽管结合优选实施方案具体展示和介绍了本发明,但所属领域的技术人员应该明白,在不脱离所附权利要求书所限定的本发明的精神和范围内,在形式上和细节上可以对本发明做出各种变化,均为本发明的保护范围。
Claims (4)
1.一种分析车联网系统中通信链接是否异常的方法,其特征在于,包括以下步骤:
S1、数据采集:采集车联网系统中的通信数据,该通信数据包括车载终端与通信服务器之间的通信数据和浏览器客户端与web服务器之间的通信数据;
S2、数据预统计:根据采集的通信数据对车辆链接数量进行计数统计,并定时将统计数据存储到数据库中;
S3、数据训练:建立BP神经网络模型,以一天作为一个周期,获取近一周或多天以上某连续时间内每天二十四小时的统计数据,经过统一归一化处理后进行数据训练,
以一天统计数据作为输入,第二天统计数据作为输出,分批进行数据训练;
通过对比预测数据的预测值与实际值之间的误差,调整模型的权值参数,当预测值与实际值之间的误差达到一定训练精度或训练次数达到一定限额时,结束训练;
获取最新两天时间的统计数据进行测试,和预测数据进行对比,计算出模型残差的标准差,作为实时判断的参考值;
更新训练样本,并通过BP神经网络模型获取最新的预测数据,存入数据库中;
S4、数据分析:
获取步骤S2的统计数据,以预测数据作为数据期望值,根据步骤S3训练模型计算的残差的标准差,以二倍标准差作为误差范围,计算出一次正常数据范围;
结合系统实际运营情况,统计出近期上线车辆数的最大值和最小值,获取预设的入网车辆总数参数,综合比较得到正常数据范围的上限与下限,计算出二次正常数据范围;
当统计数据超出二次正常数据范围,认为该时刻通信链接数异常,否则认为该时刻通信链接数正常。
2.根据权利要求1所述的分析车联网系统中通信链接是否异常的方法,其特征在于,在所述的数据分析步骤之后,还包括异常报警步骤:标记该时刻点的异常信息,并发送报警信息。
3.一种分析车联网系统中通信链接是否异常的装置,其特征在于,包括:
数据采集模块,用于采集车联网系统中的通信数据,该通信数据包括车载终端与通信服务器之间的通信数据和浏览器客户端与web服务器之间的通信数据;
数据预统计模块,用于根据采集的通信数据对车辆链接数量进行计数统计,并定时将统计数据存储到数据库中;
数据训练模块,用于建立BP神经网络模型,以一天作为一个周期,获取近一周或多天以上某连续时间内每天二十四小时的统计数据,经过统一归一化处理后进行数据训练,以一天统计数据作为输入,第二天统计数据作为输出,分批进行数据训练;通过对比预测数据的预测值与实际值之间的误差,调整模型的权值参数,当预测值与实际值之间的误差达到一定训练精度或训练次数达到一定限额时,结束训练;获取最新两天时间的统计数据进行测试,和预测数据进行对比,计算出模型残差的标准差,作为实时判断的参考值;更新训练样本,并通过BP神经网络模型获取最新的预测数据,存入数据库中;
数据分析模块,用于获取数据预统计模块的统计数据,以预测数据作为数据期望值,根据数据训练模块的训练模型计算的残差的标准差,以二倍标准差作为误差范围,计算出一次正常数据范围;结合系统实际运营情况,统计出近期上线车辆数的最大值和最小值,获取预设的入网车辆总数参数,综合比较得到正常数据范围的上限与下限,计算出二次正常数据范围;当统计数据超出二次正常数据范围,认为该时刻通信链接数异常,否则认为该时刻通信链接数正常。
4.根据权利要求3所述的分析车联网系统中通信链接是否异常的装置,其特征在于,包括报警模块,用于标记该时刻点的异常信息,并发送报警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611051117.8A CN108111363A (zh) | 2016-11-25 | 2016-11-25 | 一种分析车联网系统中通信链接是否异常的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611051117.8A CN108111363A (zh) | 2016-11-25 | 2016-11-25 | 一种分析车联网系统中通信链接是否异常的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108111363A true CN108111363A (zh) | 2018-06-01 |
Family
ID=62204977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611051117.8A Pending CN108111363A (zh) | 2016-11-25 | 2016-11-25 | 一种分析车联网系统中通信链接是否异常的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108111363A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796243A (zh) * | 2019-11-27 | 2020-02-14 | 重庆大学 | 一种连续型运行监测数据模拟发生方法及装置 |
CN112498269A (zh) * | 2020-11-11 | 2021-03-16 | 广州小鹏汽车科技有限公司 | 车载终端的异常识别方法、装置、服务器和存储介质 |
US20210235274A1 (en) * | 2020-01-09 | 2021-07-29 | Allstate Insurance Company | Fraud Detection Based On Geolocation Data |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101660974A (zh) * | 2008-08-29 | 2010-03-03 | 丰田自动车株式会社 | 用于车辆的异常分析系统和用于车辆的异常分析方法 |
CN103235933A (zh) * | 2013-04-15 | 2013-08-07 | 东南大学 | 一种基于隐马尔科夫模型的车辆异常行为检测方法 |
CN104657792A (zh) * | 2015-03-06 | 2015-05-27 | 中电海康集团有限公司 | 一种基于规则引擎和智能预测的预警方法 |
CN104915515A (zh) * | 2015-06-26 | 2015-09-16 | 武汉大学 | 一种基于bp神经网络的gfet建模方法 |
CN105389980A (zh) * | 2015-11-09 | 2016-03-09 | 上海交通大学 | 基于长短时记忆递归神经网络的短时交通流预测方法 |
CN105635241A (zh) * | 2014-11-24 | 2016-06-01 | 现代自动车株式会社 | 管理车辆异常状态的方法、系统和计算机可读记录介质 |
CN106095639A (zh) * | 2016-05-30 | 2016-11-09 | 中国农业银行股份有限公司 | 一种集群亚健康预警方法及系统 |
-
2016
- 2016-11-25 CN CN201611051117.8A patent/CN108111363A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101660974A (zh) * | 2008-08-29 | 2010-03-03 | 丰田自动车株式会社 | 用于车辆的异常分析系统和用于车辆的异常分析方法 |
CN103235933A (zh) * | 2013-04-15 | 2013-08-07 | 东南大学 | 一种基于隐马尔科夫模型的车辆异常行为检测方法 |
CN105635241A (zh) * | 2014-11-24 | 2016-06-01 | 现代自动车株式会社 | 管理车辆异常状态的方法、系统和计算机可读记录介质 |
CN104657792A (zh) * | 2015-03-06 | 2015-05-27 | 中电海康集团有限公司 | 一种基于规则引擎和智能预测的预警方法 |
CN104915515A (zh) * | 2015-06-26 | 2015-09-16 | 武汉大学 | 一种基于bp神经网络的gfet建模方法 |
CN105389980A (zh) * | 2015-11-09 | 2016-03-09 | 上海交通大学 | 基于长短时记忆递归神经网络的短时交通流预测方法 |
CN106095639A (zh) * | 2016-05-30 | 2016-11-09 | 中国农业银行股份有限公司 | 一种集群亚健康预警方法及系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796243A (zh) * | 2019-11-27 | 2020-02-14 | 重庆大学 | 一种连续型运行监测数据模拟发生方法及装置 |
US20210235274A1 (en) * | 2020-01-09 | 2021-07-29 | Allstate Insurance Company | Fraud Detection Based On Geolocation Data |
US11838761B2 (en) * | 2020-01-09 | 2023-12-05 | Allstate Insurance Company | Fraud detection based on geolocation data |
CN112498269A (zh) * | 2020-11-11 | 2021-03-16 | 广州小鹏汽车科技有限公司 | 车载终端的异常识别方法、装置、服务器和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114063507B (zh) | 基于智慧农业的远程设备控制系统及其控制方法 | |
US10013866B2 (en) | Production equipment monitoring method and system | |
CN108111363A (zh) | 一种分析车联网系统中通信链接是否异常的方法及装置 | |
CN108038553A (zh) | 轧机设备状态在线监测与诊断系统及监测诊断方法 | |
CN114331000A (zh) | 一种基于人工智能的智慧园区能耗管理系统 | |
CN108206747A (zh) | 告警生成方法和系统 | |
CN110169016A (zh) | 处理电信网络中网络事件的方法、控制节点、网络元件和系统 | |
CN114579818A (zh) | 一种可视化碳排放检测管理系统及方法 | |
CN103729804A (zh) | 一种应对电能质量预警的在线决策支持方法 | |
CN103824130A (zh) | 一种基于svm的粮情预测预警方法及系统 | |
CN110730234A (zh) | 一种电气火灾监控系统及其智能预警分析方法 | |
CN111784966A (zh) | 一种基于机器学习的人员管控的方法及系统 | |
TW202123654A (zh) | 基於行動物聯網之網路行為異常偵測系統及方法 | |
CN110763286A (zh) | 登机廊桥状态监测与故障诊断系统及方法 | |
CN110583594A (zh) | 一种病虫预警及防治系统 | |
CN110738458A (zh) | 工程造价管理系统及方法 | |
CN104950873B (zh) | 工业控制回路间歇振荡的在线检测方法 | |
CN108803545A (zh) | 多参数联合分析报警方法及系统 | |
CN110621003A (zh) | 一种电气设备故障诊断装置 | |
CN105965321A (zh) | 基于无线传感器网络的机床颤振智能监控系统及方法 | |
CN206133265U (zh) | 一种温室虫害远程监控服务器 | |
CN116543560B (zh) | 一种基于深度学习的智能路况预测系统及方法 | |
CN106990762A (zh) | 一种智能制造设备 | |
CN116595062A (zh) | 一种园区碳排放监测预警方法 | |
CN104378219A (zh) | 路由器流量数据智能分析的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180601 |