CN109445406B - 基于场景测试与事务搜索的工业控制系统安全检测方法 - Google Patents
基于场景测试与事务搜索的工业控制系统安全检测方法 Download PDFInfo
- Publication number
- CN109445406B CN109445406B CN201811212459.2A CN201811212459A CN109445406B CN 109445406 B CN109445406 B CN 109445406B CN 201811212459 A CN201811212459 A CN 201811212459A CN 109445406 B CN109445406 B CN 109445406B
- Authority
- CN
- China
- Prior art keywords
- industrial control
- data
- scene
- control system
- test
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
- G05B23/0278—Qualitative, e.g. if-then rules; Fuzzy logic; Lookup tables; Symptomatic search; FMEA
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种基于场景测试与事务搜索的工业控制系统安全检测方法,通过研究分析工业控制系统所处的应用场景,基于长时间的采集周期压缩操作指令空间,获得正常场景下的测试用例,再利用工业控制离线测试,制造与测试用例相匹配的响应数据,并以事务性数据库的模式构建工业控制系统的安全基准,成功地将大数据的建模分析任务转化为大数据的搜索比对任务,实现对控制功能的标准符合性认定。本发明不依赖于经验模式和先验特征、不依赖于控制规律和机理解析、不依赖于人工智能和数据建模,从行为表现层面精准辨识安全问题,显著提升检测准确率。
Description
技术领域
本发明涉及工业控制系统功能安全保障技术领域,具体为一种基于场景测试与事务搜索的工业控制系统安全检测方法。
背景技术
面对国家关键基础设施,融入其中、控制其内、凌驾其上的工业控制系统,直接关系到生产生活与建设运营安全,一旦遭到破坏或者丧失功能,可能导致物理实体系统硬摧毁,严重危害人民群众生命财产安全,乃至国家公共安全。
随着大数据时代的到来,利用基于数据驱动的人工智能方法为工业控制系统建模安全基线,形成可信“白名单”,有效应对各类偏离正常操作行为的未知攻击,是当下工业控制系统安全检测的首选技术路径。然而,算法能力弱、数据质量低、计算能力差是人工智能方法面临的主要短板。
算法能力弱。常用算法的训练建模方式是举一百反一,不是举一反三,其本质在于学习过的即可识别,没学过的无法识别,尤其是在面临未知攻击境况下这种小样本甚至零样本学习案例时,现有算法往往无能为力。
数据质量低。工业控制环境中参与学习建模的大数据伴随着时间的延长、范围的扩大,以及粒度的细化,正在以加速度式激增,但是不完全信息和随机性信息的存在,极大地限制了面向单领域和单任务的数据标注。
计算能力差。基于高密度数据驱动的工业控制安全基线建模,需要高密度的计算环境支撑,而现有计算架构对计算资源的利用已经遭遇到存储墙、功耗墙、算法墙、处理墙等天花板效应,计算能力的提升举步维艰。
上述问题将严重影响到基于人工智能方法构筑的工业控制系统安全基线的准确度与可靠性,数据驱动始终难以达到工业级的安全严苛等级。
发明内容
针对上述问题,本发明的目的在于提供一种不依赖于经验模式和先验特征、不依赖于控制规律和机理解析、不依赖于人工智能和数据建模,从行为表现层面精准辨识安全问题,显著提升检测准确率的基于场景测试与事务搜索的工业控制系统安全检测方法。技术方案如下:
一种基于场景测试与事务搜索的工业控制系统安全检测方法,包括以下步骤:
步骤A:围绕真实应用场景下的工业控制系统,镜像获取线上操作指令数据;
步骤B:采用工业控制在环测试的方式,线下生成应用场景的响应反馈大数据;
步骤C:基于线上操作指令数据及其测试制造的响应反馈大数据,构建事务性数据库;
步骤D:将事务性数据库作为安全基准,通过搜索匹配的方式识别异常数据。
进一步的,所述步骤A具体包括:
A1:根据工控对象的产品类型与应用场景,对工控对象定型分类;
A2:根据工控对象的定型分类,采集用户使用习惯及周边关联环境的线上场景激励数据:
A3:在不干扰实际生产运营的境况里,以安全隔离与受控交换的机制,对确定应用场景中用户使用习惯及周边关联环境数据映射下的工业控制系统的操作指令予以镜像同步采集。
更进一步的,,所述工控对象定型分类包括:既有场景上的既有产品、新型场景上的既有产品、既有场景上的新型产品、新型场景上的新型产品;
所述线上场景激励数据采集包括:对于既有场景上的既有产品,通过对其线上周期化运行的历史数据实施镜像采集,形成线上场景激励数据集;对于新型场景上的既有产品,通过对其试运行阶段的历史数据实施镜像采集,形成线上场景激励数据集;对于既有场景上的新型产品,通过对该场景下的、等价于本功能行为控制过程的线上周期化运行的历史数据予以镜像采集,形成线上场景激励数据集;对于新型场景上的新型产品,通过对其试运行阶段的历史数据实施镜像采集,形成线上场景激励数据集。
更进一步的,所述真实应用场景不拘泥于特定主客体及其行为,以及特定时空环境,其具有功能适用场景的一般普适性,需要限定在特定的行业领域背景下;工业控制系统的应用场景选择基于自身考虑,对能够呈现出其现有、潜在和未来需要的差异化工况进行遴选整合,形成适用于自身功能的应用场景。
更进一步的,所述步骤B具体为:
B1:根据工业控制系统的应用场景特征,在规模化线上场景激励数据集中,标记操作指令的时域频域规律;
B2:基于操作指令的时域频域规律,将激励数据集作为测试用例,在离线状态下快放式地注入到工业控制系统中开展在环测试,生成响应反馈大数据。
更进一步的,所述步骤C具体为:
C1:将确定应用场景下工业控制系统的操作指令与响应反馈数据作对应标记,形成键值对,从而把控制逻辑变迁实例转化成行为功能的安全基准模式表;
C2:通过关系型数据建库,构筑工业控制系统的操作响应事务性数据库,该数据库符合标准的范式设计要求。
更进一步的,步骤D具体为:
D1:激励信号识别定位:针对实际待检测激励输入数据实例,通过所述行为功能的安全基准模式表,标识标记对应功能,并定位匹配激励输入数据实例所对应的操作指令;
D2:对偶指令搜索追踪:以激励响应的安全基准模板库推动控制功能的标准符合性认定,基于事务性数据库记录的键值对搜索追踪到安全基准模板库中的与激励数据相对应的响应数据;
D3:响应数据识别研判:通过事务性搜索比对的方式,核验实际待检测输出数据实例是否与安全基准模式表中的响应数据一致,如一致,则无异常,否则,则行为异常。
更进一步的,所述事务性搜索比对的方式建立在基于并行机制的云计算之上,先针对事务性搜索比对的计算模式和任务负载特征对云中的计算资源实施虚拟化;再通过对计算资源的智能调度和管理将事务性搜索比对任务拆分至云中各个节点进行并行计算,最终再将结果收集后统一处理。
本发明的有益效果是:本发明在建立安全基准时不依赖于经验模式和先验特征、不依赖于控制规律和机理解析、不依赖于人工智能和数据建模,其穷尽特定工况场景下的所有工业控制行为表现,利用搜索匹配的方式辨识异常,显著提升检测准确率。
附图说明
图1为本发明的步骤流程框图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细说明。如图1所示,一种基于场景测试与事务搜索的工业控制系统安全检测方法,包括以下步骤:
步骤A:围绕真实应用场景下的工业控制系统,镜像获取线上操作指令数据。
工业控制系统的安全检测必须以其真实应用场景的还原为基础,以场景行为表现的符合性判定为基准;而且,工业控制系统的应用场景首先需要限定在特定的行业领域背景下,选择应基于自身考虑,对可以呈现出其现有、潜在和未来需要的差异化工况进行遴选整合,形成适用于自身功能的应用场景。工业控制系统必须为具备规范化操作规程的实物产品型式。在不干扰实际生产运营的境况里,以安全隔离与受控交换的机制对确定应用场景中用户使用习惯及周边关联环境数据映射下的工业控制系统的操作指令予以镜像同步采集。线上数据采集应保持应用场景的周期化循环,以此支持工业控制行为的复现和操作指令的数据复现,确保形成规模化的线上场景激励数据集。
A1:工控对象产品定型。
对于被测工控对象而言,其行为表现与应用场景密不可分,不能抛开应用场景而单独进行功能行为测试。鉴于工控对象的产品类型与应用场景均可分为既有和新型两类,因此,可将工控对象定型为四类:既有场景上的既有产品、新型场景上的既有产品、既有场景上的新型产品、新型场景上的新型产品。
A2:场景激励采集设置。
依据工控对象的定型分类,激励数据采集也分为四种方式:一是对于既有场景上的既有产品,通过对其线上周期化运行的历史数据实施镜像采集,形成线上场景激励数据集;二是对于新型场景上的既有产品,通过对其试运行阶段的历史数据实施镜像采集,形成线上场景激励数据集;三是对于既有场景上的新型产品,由于采集的是用户使用习惯数据和周边环境数据,故可通过对该场景下的、等价于本功能行为控制过程的线上周期化运行的历史数据予以镜像采集,形成线上场景激励数据集;四是对于新型场景上的新型产品,由于采集的是用户使用习惯数据和周边环境数据,故可通过对其试运行阶段的历史数据实施镜像采集,形成线上场景激励数据集。
A3:仿真数据镜像回收。
在真实或者试点的运行环境中,以安全隔离与受控交换的方式对被测工控对象的用户使用行为习惯数据和周边关联数据进行镜像,回收至存储服务设备,完善其数据备份、数据管理、权限分配以及综合查询功能,以此支持被测工控对象的用户行为复制和周围数据复现,为形成大规模高逼真的线上场景仿真奠定基础。
步骤B:采用工业控制在环测试的方式,线下生成应用场景的响应反馈数据。
根据工业控制系统的应用场景特征,在规模化线上场景激励数据集中,标记操作指令的时域频域规律;基于操作指令的时域频域规律,将激励数据集作为测试用例,在离线状态下快放式地注入到工业控制系统中开展在环测试,生成响应反馈数据。
(1)激励数据周期划分。
被测工控对象的功能行为及其应用场景拥有明显的行为发生规律及其执行频度特征,故可计算该操作指令的响应时间T。只需要将时间T作标志即可对激励数据进行周期划分,以此区别并标注出相应的功能行为。
(2)自动回放录波测试。
将周期划分并标记后的数据进行压缩,在短时内进行控制逻辑的离线式压缩回放在环测试,基于用户使用场景的含义覆盖性生成控制功能的响应反馈大数据。
步骤C:基于操作指令及其测试制造的响应反馈大数据,构建事务性数据库。
将确定应用场景下工业控制系统的操作指令与响应反馈数据做对应标记,形成键值对;通过关系型数据建库,构筑工业控制系统的操作响应事务数据库,该数据库符合标准的范式设计要求。
(1)控制功能指令建库。
由于控制功能可能以组合方式出现,因此必须对控制功能进行功能-指令的分类建库。
(2)激励响应数据建库。
基于具体操作指令测试生成的响应大数据,以事务性数据库记录的键值对方法把控制逻辑变迁实例转化成行为功能的安全基准模式表。
步骤D:将事务性数据库作为安全基准,通过搜索匹配的方式识别异常数据。
将确定应用场景下工业控制系统的操作响应事务数据库作为本场景中本控制系统的安全基准模式;通过事务性搜索比对的方式,将待检测数据与安全基准模式间进行键值对层面的匹配诊断。
针对事务性搜索比对的计算模式和任务负载特征对云中的计算资源实施虚拟化;通过对计算资源的智能调度和管理将事务性搜索比对任务拆分至云中各个节点进行并行计算,最终再将结果收集后统一处理。
(1)激励信号识别定位。
针对实际待检测激励输入数据实例,通过上述行为功能的安全基准模式表,标识标记对应功能,并定位匹配激励输入数据实例所对应的操作指令。
(2)对偶指令搜索追踪。
以激励响应的安全基准模板库推动控制功能的标准符合性认定,基于事务性数据库记录的键值对搜索追踪到安全基准模板库中的与激励数据相对应的响应数据
(3)响应数据识别研判。
核验实际待检测输出数据实例是否与安全基准模式库中的响应数据一致,如一致,则无异常,否则,则行为异常。
Claims (6)
1.一种基于场景测试与事务搜索的工业控制系统安全检测方法,其特征在于,包括以下步骤:
步骤A:围绕真实应用场景下的工业控制系统,镜像获取线上操作指令数据;
步骤B:采用工业控制在环测试的方式,线下生成应用场景的响应反馈大数据;
步骤C:基于线上操作指令数据及其测试制造的响应反馈大数据,构建事务性数据库;
C1:将确定应用场景下工业控制系统的操作指令与响应反馈数据作对应标记,形成键值对,从而把控制逻辑变迁实例转化成行为功能的安全基准模式表;
C2:通过关系型数据建库,构筑工业控制系统的操作响应事务性数据库,该数据库符合标准的范式设计要求;
步骤D:将事务性数据库作为安全基准,通过搜索匹配的方式识别异常数据;
D1:激励信号识别定位:针对实际待检测激励输入数据实例,通过所述行为功能的安全基准模式表,标识标记对应功能,并定位匹配激励输入数据实例所对应的操作指令;
D2:对偶指令搜索追踪:以激励响应的安全基准模板库推动控制功能的标准符合性认定,基于事务性数据库记录的键值对搜索追踪到安全基准模板库中的与激励数据相对应的响应数据;
D3:响应数据识别研判:通过事务性搜索比对的方式,核验实际待检测输出数据实例是否与安全基准模式表中的响应数据一致,如一致,则无异常,否则,则行为异常。
2.根据权利要求1所述的基于场景测试与事务搜索的工业控制系统安全检测方法,其特征在于,所述步骤A具体包括:
A1:根据工控对象的产品类型与应用场景,对工控对象定型分类;
A2:根据工控对象的定型分类,采集用户使用习惯及周边关联环境的线上场景激励数据:
A3:在不干扰实际生产运营的境况里,以安全隔离与受控交换的机制,对确定应用场景中用户使用习惯及周边关联环境数据映射下的工业控制系统的操作指令予以镜像同步采集。
3.根据权利要求2所述的基于场景测试与事务搜索的工业控制系统安全检测方法,其特征在于,所述工控对象定型分类包括:既有场景上的既有产品、新型场景上的既有产品、既有场景上的新型产品、新型场景上的新型产品;
所述线上场景激励数据采集包括:对于既有场景上的既有产品,通过对其线上周期化运行的历史数据实施镜像采集,形成线上场景激励数据集;对于新型场景上的既有产品,通过对其试运行阶段的历史数据实施镜像采集,形成线上场景激励数据集;对于既有场景上的新型产品,通过对该场景下的、等价于本功能行为控制过程的线上周期化运行的历史数据予以镜像采集,形成线上场景激励数据集;对于新型场景上的新型产品,通过对其试运行阶段的历史数据实施镜像采集,形成线上场景激励数据集。
4.根据权利要求1所述的基于场景测试与事务搜索的工业控制系统安全检测方法,其特征在于,所述真实应用场景不拘泥于特定主客体及其行为,以及特定时空环境,其具有功能适用场景的一般普适性,需要限定在特定的行业领域背景下;工业控制系统的应用场景选择基于自身考虑,对能够呈现出其现有、潜在和未来需要的差异化工况进行遴选整合,形成适用于自身功能的应用场景。
5.根据权利要求1所述的基于场景测试与事务搜索的工业控制系统安全检测方法,其特征在于,所述步骤B具体为:
B1:根据工业控制系统的应用场景特征,在规模化线上场景激励数据集中,标记操作指令的时域频域规律;
B2:基于操作指令的时域频域规律,将激励数据集作为测试用例,在离线状态下快放式地注入到工业控制系统中开展在环测试,生成响应反馈大数据。
6.根据权利要求1所述的基于场景测试与事务搜索的工业控制系统安全检测方法,其特征在于,所述事务性搜索比对的方式建立在基于并行机制的云计算之上,先针对事务性搜索比对的计算模式和任务负载特征对云中的计算资源实施虚拟化;再通过对计算资源的智能调度和管理将事务性搜索比对任务拆分至云中各个节点进行并行计算,最终再将结果收集后统一处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811212459.2A CN109445406B (zh) | 2018-10-18 | 2018-10-18 | 基于场景测试与事务搜索的工业控制系统安全检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811212459.2A CN109445406B (zh) | 2018-10-18 | 2018-10-18 | 基于场景测试与事务搜索的工业控制系统安全检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109445406A CN109445406A (zh) | 2019-03-08 |
CN109445406B true CN109445406B (zh) | 2021-05-18 |
Family
ID=65547544
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811212459.2A Active CN109445406B (zh) | 2018-10-18 | 2018-10-18 | 基于场景测试与事务搜索的工业控制系统安全检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109445406B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110647133B (zh) * | 2019-09-09 | 2022-03-15 | 深圳市永达电子信息股份有限公司 | 轨道交通设备状态检测维护方法及系统 |
CN111239529A (zh) * | 2020-03-05 | 2020-06-05 | 西南交通大学 | 一种支持机电设备预测性维护的激励测试方法及系统 |
CN111680906B (zh) * | 2020-06-03 | 2021-03-02 | 贵州航天云网科技有限公司 | 一种面向工控系统安全检测及预警的系统构建方法及装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08249046A (ja) * | 1995-03-13 | 1996-09-27 | Toshiba Corp | アラーム予測ステーション |
CN101140458A (zh) * | 2006-09-06 | 2008-03-12 | 费舍-柔斯芒特系统股份有限公司 | 以多变量统计分析及在线过程仿真为基础的过程设备监控 |
CN101154236A (zh) * | 2006-09-29 | 2008-04-02 | 欧姆龙株式会社 | 数据库生成装置以及数据库活用支援装置 |
CN102508898A (zh) * | 2011-11-04 | 2012-06-20 | 浪潮(北京)电子信息产业有限公司 | 一种基于云计算的数据访问方法和数据库系统 |
CN105122163A (zh) * | 2014-03-24 | 2015-12-02 | 三菱电机信息系统株式会社 | 错误处理系统 |
CN105302112A (zh) * | 2015-10-23 | 2016-02-03 | 中国电子科技集团公司第十研究所 | Icni系统智能故障诊断系统 |
CN105467975A (zh) * | 2015-12-29 | 2016-04-06 | 山东鲁能软件技术有限公司 | 一种设备故障诊断方法 |
EP3076291A1 (en) * | 2015-03-30 | 2016-10-05 | Rockwell Automation Germany GmbH & Co. KG | Method for assignment of verification numbers |
CN106779505A (zh) * | 2017-02-28 | 2017-05-31 | 中国南方电网有限责任公司 | 一种基于大数据驱动的输电线路故障预警方法及系统 |
CN106778210A (zh) * | 2016-12-16 | 2017-05-31 | 成都巧班科技有限公司 | 一种基于免疫学习的工业控制系统功能安全验证方法 |
CN107360134A (zh) * | 2017-06-08 | 2017-11-17 | 杭州谷逸网络科技有限公司 | 安全远程控制终端的实现方法及其安全系统 |
CN207541496U (zh) * | 2017-12-19 | 2018-06-26 | 中国第一汽车股份有限公司 | 一种基于车身域控制器的自动诊断测试装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102637019B (zh) * | 2011-02-10 | 2014-04-02 | 武汉科技大学 | 一种工业生产过程智能集成故障诊断方法及装置 |
CN207380536U (zh) * | 2017-06-13 | 2018-05-18 | 中山麦迪克机电设备有限公司 | 一种机床设备故障诊断检测装置 |
CN107491061B (zh) * | 2017-08-31 | 2019-09-03 | 中国第一汽车股份有限公司 | 一种商用车obd诊断设备的网络自动化测试系统及其方法 |
-
2018
- 2018-10-18 CN CN201811212459.2A patent/CN109445406B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08249046A (ja) * | 1995-03-13 | 1996-09-27 | Toshiba Corp | アラーム予測ステーション |
CN101140458A (zh) * | 2006-09-06 | 2008-03-12 | 费舍-柔斯芒特系统股份有限公司 | 以多变量统计分析及在线过程仿真为基础的过程设备监控 |
CN101154236A (zh) * | 2006-09-29 | 2008-04-02 | 欧姆龙株式会社 | 数据库生成装置以及数据库活用支援装置 |
CN102508898A (zh) * | 2011-11-04 | 2012-06-20 | 浪潮(北京)电子信息产业有限公司 | 一种基于云计算的数据访问方法和数据库系统 |
CN105122163A (zh) * | 2014-03-24 | 2015-12-02 | 三菱电机信息系统株式会社 | 错误处理系统 |
EP3076291A1 (en) * | 2015-03-30 | 2016-10-05 | Rockwell Automation Germany GmbH & Co. KG | Method for assignment of verification numbers |
CN105302112A (zh) * | 2015-10-23 | 2016-02-03 | 中国电子科技集团公司第十研究所 | Icni系统智能故障诊断系统 |
CN105467975A (zh) * | 2015-12-29 | 2016-04-06 | 山东鲁能软件技术有限公司 | 一种设备故障诊断方法 |
CN106778210A (zh) * | 2016-12-16 | 2017-05-31 | 成都巧班科技有限公司 | 一种基于免疫学习的工业控制系统功能安全验证方法 |
CN106779505A (zh) * | 2017-02-28 | 2017-05-31 | 中国南方电网有限责任公司 | 一种基于大数据驱动的输电线路故障预警方法及系统 |
CN107360134A (zh) * | 2017-06-08 | 2017-11-17 | 杭州谷逸网络科技有限公司 | 安全远程控制终端的实现方法及其安全系统 |
CN207541496U (zh) * | 2017-12-19 | 2018-06-26 | 中国第一汽车股份有限公司 | 一种基于车身域控制器的自动诊断测试装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109445406A (zh) | 2019-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110321371B (zh) | 日志数据异常检测方法、装置、终端及介质 | |
Zhao | Perspectives on nonstationary process monitoring in the era of industrial artificial intelligence | |
Prabha et al. | Software defect prediction using machine learning techniques | |
CN109445406B (zh) | 基于场景测试与事务搜索的工业控制系统安全检测方法 | |
WO2021143268A1 (zh) | 基于模糊推理理论的电力信息系统健康评估方法及系统 | |
JP2016100005A (ja) | リコンサイル方法、プロセッサ及び記憶媒体 | |
CN109871002B (zh) | 基于张量标签学习的并发异常状态识别与定位系统 | |
Wang et al. | Research on anomaly detection and real-time reliability evaluation with the log of cloud platform | |
CN114968727B (zh) | 基于人工智能运维的数据库贯穿基础设施的故障定位方法 | |
Demertzis et al. | Variational restricted Boltzmann machines to automated anomaly detection | |
Xie et al. | Logm: Log analysis for multiple components of hadoop platform | |
Chen et al. | Failure detection and localization in component based systems by online tracking | |
Ferraro et al. | A novel approach for predictive maintenance combining GAF encoding strategies and deep networks | |
Cohen et al. | Shapley-based explainable ai for clustering applications in fault diagnosis and prognosis | |
Sorkunlu et al. | dynamicmf: A matrix factorization approach to monitor resource usage in high performance computing systems | |
Su et al. | KPI anomaly detection method for Data Center AIOps based on GRU-GAN | |
Zhou et al. | Performance evaluation method for network monitoring based on separable temporal exponential random graph models with application to the study of autocorrelation effects | |
Serra et al. | Characterization of time series for analyzing of the evolution of time series clusters | |
Zhang et al. | A comparison of different statistics for detecting multiplicative faults in multivariate statistics-based fault detection approaches | |
Zhang | Anomaly detecting and ranking of the cloud computing platform by multi-view learning | |
Wang et al. | Multi‐block principal component analysis based on variable weight information and its application to multivariate process monitoring | |
Ma et al. | Positive active power outlier detection based on one-class svm | |
Xu et al. | Matrix Manifold-Based Performance Monitoring of Automatic Control Systems | |
Li et al. | Knowledge discovery and anomaly identification for low correlation industry data | |
Xie et al. | A pvalue-guided anomaly detection approach combining multiple heterogeneous log parser algorithms on IIoT systems |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |