CN110336860A - 工业物联网中基于多维数据处理的关键节点数据保护方法 - Google Patents
工业物联网中基于多维数据处理的关键节点数据保护方法 Download PDFInfo
- Publication number
- CN110336860A CN110336860A CN201910510102.0A CN201910510102A CN110336860A CN 110336860 A CN110336860 A CN 110336860A CN 201910510102 A CN201910510102 A CN 201910510102A CN 110336860 A CN110336860 A CN 110336860A
- Authority
- CN
- China
- Prior art keywords
- data
- node
- key
- dimension
- multidimensional
- 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
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- 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
本发明公开了一种工业物联网中基于多维数据处理的关键节点数据保护方法,首先,对需要部署工业物联网的整个工厂区域进行划分,采用基于ARX模型的多维数据的处理方法,综合考虑了不同区域内的环境差异性,监测数据的多维性,关键节点数据的重要性,复杂工业条件下噪声污染等问题,揭示特定区域内节点数据的时间和空间相关性,采用OCSVM对数据检测,选取正常数据计算每个节点的关键系数,对高优先级节点设置备份节点,最终实现对工业物联网中关键节点数据的保护。该方法满足了在实际工业生产条件下的诸多限制,提高了识别的精度和可靠性。
Description
技术领域
本发明属于工业物联网安全保护技术领域,具体涉及传感器节点在工业物联网感知层中的识别保护方法。
背景技术
工业物联网(Industrial Internet of Things)可以定义为“机器、计算机和人员使用业务转型所取得的先进的数据分析成果来实现智能化的工业操作”。在这个工业4.0或者“工业互联网”的大背景下,工业物联网已经成为数字化转型中心舞台的一部分。数据是相关产品中的关键资产和生产资料,且在在整个产品生命周期的应用分析中是必不可少的功能。由工业物联网(IIoT)支持实施的维护和服务是几乎所有工业物联网行业的两个关键应用领域。在诸如医疗保健,航空航天,机器人,煤矿,石油和天然气,采矿,冶金等许多其它工业物联网的应用场景,预测性维护、数据支持的服务和远程可能性监测,甚至从服务到控制以及操作优化等等环节都依赖于工业物联网的发展。
物联网层次结构分为三层,自下向上依次是:感知层、网络层、应用层。感知层是物联网的核心,是信息采集的关键部分。感知层位于物联网三层结构中的底层,其功能为“感知”,即通过传感网络获取环境信息,在支持工业物联网的应用中,应用环境的信息由无线传感器收集,因为它们具有无基础设施部署的优势。然而,无线传感器节点的普遍部署会产生大量的传感器数据,传感器数据中的错误可能会导致工业应用中的严重损坏。因此,错误检测在工业物联网中起着至关重要的作用。传统的错误检测方法通常是基于阈值的,这样的检测方法往往无法及时应对突发情况下产生的数据,也无法在检测准确度和误报率之间取得平衡。同时由于连接的传感器设备种类各不同且数目众多,因此对采集到的这些多维数据进行有效合理地处理是非常必要的。
在实际的工业物联网应用环境中,为了适应工业化生产的要求,传感器节点的部署面临着诸多限制条件。首先,由于工厂的环境错综复杂,会影响传感器节点的正常寿命;其次,工业环境中的背景噪声会对传感器节点的测量过程造成干扰,使得数据产生不可避免的误差;与此同时,由于节点部署的数目众多、覆盖面积广、无人管理等特点,外部攻击者往往可以潜入某一区域,对传感器节点进行失能攻击以及干扰攻击,从而导致传感器节点以及测量数据被破坏,而安全管理员却无法在第一时间内赶到事发地点进行补救。当敏感区域内的关键节点遭到破坏后,会导致重要数据无法正常地被传感器节点测量或者接收,控制中心缺少相关数据的支持,整个工业生产系统因此陷入停滞状态,甚至发生不可逆转的重大事故和灾难,造成巨大的经济财产损失。
因为关键节点对于整个IIoT的正常运行至关重要,同时在实际工业生产中,节点一旦完成部署完成后,会长时间处于无人管理的情况下,所以预先识别感知层中的关键节点,并且为其部署备份节点进行数据保护具有十分重要的意义。传统的感知层中的关键节点的识别保护方法,往往是通过计算每个节点的数据量在整个网络流量中的占比,从而获得优先级顺序并对节点进行选择。单纯地从流量角度出发选择关键节点,忽视了节点所处区域的环境因素、遭受潜在攻击的频率、数据的波动程度、检测目标的重要性等一系列条件。因此,必须研究一种更加完善的关键节点的识别方法,提高识别的合理性和精确性,更好地保护节点的测量数据。
发明内容
针对上述问题,本发明提出一种工业物联网中基于多维数据处理的关键节点数据保护方法,在实际工业生产环境中,采用基于ARX模型的多维数据的处理方法,综合考虑了不同区域内的环境差异性,监测数据的多维性,关键节点数据的重要性,复杂工业条件下噪声污染等问题,揭示特定区域内节点数据的时间和空间相关性,采用OCSVM对数据检测,选取正常数据信息计算每个节点的关键系数,对高优先级节点设置备份,最终实现对工业物联网中关键节点的数据保护。
实现上述技术目的,达到上述技术效果,本发明通过以下技术方案实现:
一种工业物联网中基于多维数据处理的关键节点数据保护方法,包括以下步骤:
(1)构建不同区域内节点间的关系模型
整个工业生产区域根据监测目标的差异性划分为多个子区域,子区域内的监测数据通过感知层中的传感器节点获得;每个子区域设置一个边缘服务器,非同质节点在每个子区域内进行部署,每个节点同时采集多维数据D,相同区域内的传感器节点响应取决于共同的物理系统,根据维度的不同,对节点收集到的数据属性进行区分,并且获得区域内的最大维度Wm;使用相关图来表征相同子区域内数据的相关性,最终,定量地构建子区域内传感器节点间的关系模型;
(2)关键节点的数据保护
无人管理的自动化工业生产环境中,外部攻击者的攻击和工业噪声污染都会使得传感器节点收集到的数据产生误差甚至错误,通过ARX模型表示系统输出的线性关系,引入随机变量εij考虑噪声的影响,获取系统参数θij,确定估计值和测量数据之间的残差eij;通过正常的样本数据训练OCSVM模型,对每个节点收集到的数据进行异常检测,记录数据异常值的出现频率,计算节点的关键系数L,进行优先级排序设置备份节点,最终保护关键节点的数据。
上述步骤(1)中每个节点采集的多维数据D的表达公式为Di=[X1,X2…Xn]T,n≤Wm,其中Di为节点采集到的数据矩阵,Wm为采集数据的最大维度,i为传感器节点的标签号,X为数据向量,表达式为X()=(x1,x2,…xt),其中xt表示为在某个时刻t采集到的数据。
上述步骤(1)中,在建模阶段,使用相关图来表征相同子区域内数据的相关性,相关图的表达式为G={V,E,Sv,Se},V为传感器的读数集合,E为节点间的链接集,Sv,Se分别是顶点和链接的状态集,当Se设置为“1”时,表示读数错误,反之,当Se设置为“0”时,表示读数正确。
上述步骤(1)中,通过关系模型,表征传感器节点对的数据流之间的相关性,相同粗细的边框里表示该数据的属性相同。相同维度且具有时空相关性的数据用实线相关联,反之,用虚线相关联。
上述步骤(2)中的ARX模型的表达式为A(Z)Xi(t)=B(Z)Xj(t-k)+εij(t),其中Xi,Xj代表传感器节点对之间的数据流,A(Z),B(Z)代表Z-变换的模型转换参数,t代表时间变量,εij(t)代表独立同分布的随机变量,用于计算噪声误差;通过ARX线性模型来获取系统参数,将A(Z),B(Z)进行转化,原有的线性表达式重写为其中θij代表系统的参数,在系统部署前,收集传感器节点的数据用于训练,获取系统参数训练过程如下:
上述步骤(2)中估计值和测量值的残差计算公式为其中代表该节点读数的估计值,使用OCSVM以正常的样本数据进行训练,其中训练集的表达式为e(t),t=1,2,…T0,其中T0代表训练样本的数量,从而对新数据的残差进行检测,得到每个节点数据集中的错误数据的数量,计算节点的关键系数。
上述的节点i的关键系数的计算公式为Li=fi·γi·C.vi,其中fi代表节点数据异常值的出现频率,γi代表节点的损失饱和度,C.vi代表节点的变异系数。
上述节点数据异常值的出现频率fi的计算公式为
其中Ni代表节点i处检测到的异常值的数量,Mi代表节点i收集到的总的数据的数量。
上述节点的损失饱和度γi的计算公式为
损失饱和度γi表示节点i收集的数据量Mi占整个子区域总数据量Fj的百分比,其中子区域总数据量的计算公式为
其中m为子区域内总的节点数目。
上述节点i的变异系数C.v的计算公式为
其中σiq代表节点i的第q维数据的标准差,μiq代表节点i的第q维数据的平均值,Wm为采集数据的最大维度。
节点i的第q维数据的平均值μiq计算公式为
其中xkq为节点收集到第q维的正常数据,Miq为第q维数据的总数量,Niq为第q维数据异常值的数量,C为正常数据的数量。
节点i的第q维数据的标准差σiq计算公式为
本发明的有益效果:
本发明通过整个工厂区域进行划分,运用基于ARX模型的多维数据的处理方法,可以有效地解决其原本对事故数据难以判断,多维数据难以处理,工业噪声污染难以消除等问题,并且采用一种改进的OCSVM模型,保障了感知层节点遭受攻击后,产生的错误数据的检测问题,通过计算关键系数,实现对关键节点的识别和数据的保护,同时降低感知层中节点遭到破坏后产生的影响,对保护整个IIoT的安全有着重要意义。
附图说明
图1为本发明一种实施例的网络模型图;
图2为本发明一种实施例的传感器节点的数据结构示意图;
图3为本发明一种实施例的训练ARX模型的计算示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例,仅仅用以解释本发明,并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
为了解决在实际工业生产环境中,如何将传感器节点采集的多维数据统一处理,避免突发情况下的数据误报为错误数据,并保证有效识别感知层中的关键节点加以保护;同时还要尽可能满足IIoT的低延迟、低能耗、大范围、可靠传输等限制条件的问题,因此,本发明提出一种工业物联网中基于多维数据处理的关键节点数据保护方法,包括以下步骤:
步骤一、构建不同区域内节点间的关系模型
如图1所示,整个工业生产区域根据监测目标的差异性划分为多个子区域,子区域内的监测数据通过感知层中的传感器节点获得;在每个子区域内进行部署数量众多的非同质传感器节点采集监测数据,每个节点同时采集多维数据集D,相同区域内的传感器节点响应取决于共同的物理系统,根据数据维度的不同,对节点收集到的数据属性进行区分,并且获得区域内的最大维度Wm。
为了保证数据处理的低延迟、低能耗,降低传感器节点计算的额外成本,为每个子区域分配一个边缘计算服务器。边缘服务器采用有源设备,满足整个IIoT长时间稳定运行、大数据处理的要求。同时,关键节点的识别计算在边缘服务器上进行,各个边缘服务器可以通过ISDN网关进行数据交互,减少数据冗余。
感知层中的每个节点采集的多维数据D的表达公式为Di=[X1,X2…Xn]T,n≤Wm,其中Di为节点采集到的数据矩阵,Wm为采集数据的最大维度,i为传感器节点的标签号,X为数据向量,表达式为X(t)=(x1,x2,…xt),其中xt表示为在某个时刻t采集到的数据。
使用相关图来表征相同子区域内数据的相关性,相关图的表达式为G={V,E,Sv,Se},V为传感器的读数集合,E为节点间的链接集,Sv,Se分别是顶点和链接的状态集,当Se设置为“1”时,表示读数错误,反之,当Se设置为“0”时,表示读数正确。
如图2所示,假设传感器节点同时收集到湿度、温度、压强三类数据,分别对应细、中、粗三种边框线条,相同粗细的边框里表示该数据的属性相同。通过此类关系模型,表征传感器节点对的数据流之间的相关性,相同维度且具有时空相关性的数据用实线相关联,反之,用虚线相关联。
步骤二、关键节点的数据保护
如图3所示,顶点表示传感器节点的相邻节点,当完成了上述的关系模型构建后,根据相邻节点之间的时间和空间相关性,通过ARX模型表示系统输出的线性关系,引入随机变量εij考虑噪声的影响,获取系统参数θij,确定估计值和测量数据之间的残差eij;通过正常的样本数据训练OCSVM模型,对每个节点收集到的数据进行异常检测,记录数据异常值的出现频率,计算节点的关键系数L,进行优先级排序设置备份节点,最终保护关键节点的数据。
ARX模型的表达式为A(Z)Xi(t)=B(Z)Xj(t-k)+εij(t),其中Xi,Xj代表传感器节点对之间的数据流,A(Z),B(Z)代表Z-变换的模型转换参数,t代表时间变量,εij(t)代表独立同分布的随机变量,用于计算噪声误差;通过ARX线性模型来获取系统参数,将A(Z),B(Z)进行转化,原有的线性表达式重写为其中θij代表系统的参数,在系统部署前,收集传感器节点的数据用于训练,获取系统参数训练过程如下:
上述估计值和测量值的残差计算公式为其中代表该节点读数的估计值,使用OCSVM以正常的样本数据进行训练,其中训练集的表达式为e(t),t=1,2,…T0,其中T0代表训练样本的数量,从而对新数据的残差进行检测,得到每个节点数据集中的错误数据的数量,计算节点的关键系数。
上述的节点i的关键系数的计算公式为Li=fi·γi·C.vi,其中fi代表节点数据异常值的出现频率,γi代表节点的损失饱和度,C.vi代表节点的变异系数。
上述节点错误数据的出现频率fi的计算公式为
其中Ni代表节点i处检测到的异常值的数量,Mi代表节点i收集到的总的数据的数量。
上述节点的损失饱和度γi的计算公式为
损失饱和度γi表示节点i收集的数据量Mi占整个子区域总数据量Fj的百分比,其中子区域总数据量的计算公式为
其中m为子区域内总的节点数目。
上述节点i的变异系数C.v的计算公式为
其中σiq代表节点i的第q维数据的标准差,μiq代表节点i的第q维数据的平均值,Wm为采集数据的最大维度。
节点i的第q维数据的平均值μiq计算公式为
其中xkq为节点收集到第q维的正常数据,Miq为第q维数据的总数量,Niq为第q维数据异常值的数量,C为正常数据的数量。
节点i的第q维数据的标准差σiq计算公式为
综上所述:
本发明公开了一种工业物联网中基于多维数据处理的关键节点数据保护方法,首先,对整个工厂区域进行划分,采用基于ARX模型的多维数据的处理方法,综合考虑了不同区域内的环境差异性,监测数据的多维性,关键节点数据的重要性,复杂工业条件下噪声污染等问题,揭示特定区域内节点数据的时间和空间相关性,采用OCSVM的方法检测数据,选取正常数据计算每个节点的关键系数,对高优先级节点设置备份节点,最终实现对工业物联网中关键节点的数据保护。相比于传统的基于流量的关键节点识别方法,该方法满足了在实际工业生产条件下的诸多限制,提高了识别的精度和可靠性。
以上显示和描述了本发明的基本原理、主要特征以及本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种工业物联网中基于多维数据处理的关键节点数据保护方法,其特征在于,包括以下步骤:
(1)构建不同区域内节点间的关系模型
整个工业生产区域根据监测目标的差异性划分为多个子区域,子区域内的监测数据通过感知层中的传感器节点获得;每个子区域设置一个边缘服务器,非同质节点在每个子区域内进行部署,每个节点同时采集多维数据D,相同区域内的传感器节点响应取决于共同的物理系统,根据维度的不同,对节点收集到的数据属性进行区分,并且获得区域内的最大维度Wm;使用相关图来表征相同子区域内数据的相关性,最终,定量地构建子区域内传感器节点间的关系模型;
(2)关键节点的数据保护
无人管理的自动化工业生产环境中,外部攻击者的攻击和工业噪声污染都会使得传感器节点收集到的数据产生误差甚至错误,通过ARX模型表示系统输出的线性关系,引入随机变量εij考虑噪声的影响,获取系统参数θij,确定估计值和测量数据之间的残差eij;通过正常的样本数据训练OCSVM模型,对每个节点收集到的数据进行异常检测,记录数据异常值的出现频率,计算节点的关键系数L,进行优先级排序设置备份节点,最终保护关键节点的数据。
2.根据权利要求1所述的工业物联网中基于多维数据处理的关键节点数据保护方法,其特征在于:所述步骤(1)中每个节点采集的多维数据D的表达公式为Di=[X1,X2...Xn]T,n≤Wm,其中Di为节点采集到的数据矩阵,Wm为采集数据的最大维度,i为传感器节点的标签号,X为数据向量,表达式为X(t)=(x1,x2,...xt),其中xt表示为在某个时刻t采集到的数据。
3.根据权利要求1所述的工业物联网中基于多维数据处理的关键节点数据保护方法,其特征在于:所述步骤(1)中,使用相关图来表征相同子区域内数据的相关性,相关图的表达式为G={V,E,Sv,Se},V为传感器的读数集合,E为节点间的链接集,Sv,Se分别是顶点和链接的状态集,当Se设置为“1”时,表示读数错误,反之,当Se设置为“0”时,表示读数正确。
4.根据权利要求1所述的工业物联网中基于多维数据处理的关键节点数据保护方法,其特征在于:所述步骤(1)中,通过关系模型,表征传感器节点对的数据流之间的相关性,相同维度且具有时空相关性的数据用实线相关联,反之,用虚线相关联。
5.根据权利要求1所述的工业物联网中基于多维数据处理的关键节点数据保护方法,其特征在于:所述步骤(2)中的ARX模型的表达式为A(Z)Xi(t)=B(Z)Xj(t-k)+εij(t),其中Xi,Xj代表传感器节点对之间的数据流,A(Z),B(Z)代表Z-变换的模型转换参数,t代表时间变量,εij(t)代表独立同分布的随机变量,用于计算噪声误差;通过ARX线性模型来获取系统参数,将A(Z),B(Z)进行转化,原有的线性表达式重写为其中θij代表系统的参数,在系统部署前,收集传感器节点的数据用于训练,获取系统参数训练过程如下:
6.根据权利要求1所述的工业物联网中基于多维数据处理的关键节点数据保护方法,其特征在于:所述步骤(2)中估计值和测量值的残差计算公式为其中代表该节点读数的估计值,使用OCSVM以正常的样本数据进行训练,其中训练集的表达式为e(t),t=1,2,...T0,其中T0代表训练样本的数量,从而对新数据的残差进行检测,得到每个节点数据集中的错误数据的数量。
7.根据权利要求1所述的工业物联网中基于多维数据处理的关键节点数据保护方法,其特征在于:所述的节点i的关键系数的计算公式为Li=fi·γi·C.vi,其中fi代表节点数据异常值的出现频率,γi代表节点的损失饱和度,C.vi代表节点的变异系数。
8.根据权利要求7所述的工业物联网中基于多维数据处理的关键节点数据保护方法,其特征在于:所述节点数据异常值的出现频率fi的计算公式为
其中Ni代表节点i处检测到的异常值的数量,Mi代表节点i收集到的总的数据的数量。
9.根据权利要求7所述的工业物联网中基于多维数据处理的关键节点数据保护方法,其特征在于:所述节点的损失饱和度γi的计算公式为
γi表示节点i收集的数据量Mi占整个子区域总数据量Fj的百分比,其中子区域总数据量的计算公式为
其中m为子区域内总的节点数目。
10.根据权利要求7所述的工业物联网中基于多维数据处理的关键节点数据保护方法,其特征在于:所述节点i的变异系数C.vi的计算公式为:
其中σiq代表节点i的第q维数据的标准差,μiq代表节点i的第q维数据的平均值,Wm为采集数据的最大维度;
节点i的第q维数据的平均值μiq计算公式为:
其中xkq为节点收集到第q维的正常数据,Miq为第q维数据的总数量,Niq为第q维数据异常值的数量,C为正常数据的数量;
节点i的第q维数据的标准差σiq计算公式为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910510102.0A CN110336860A (zh) | 2019-06-13 | 2019-06-13 | 工业物联网中基于多维数据处理的关键节点数据保护方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910510102.0A CN110336860A (zh) | 2019-06-13 | 2019-06-13 | 工业物联网中基于多维数据处理的关键节点数据保护方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110336860A true CN110336860A (zh) | 2019-10-15 |
Family
ID=68141005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910510102.0A Pending CN110336860A (zh) | 2019-06-13 | 2019-06-13 | 工业物联网中基于多维数据处理的关键节点数据保护方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110336860A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112004204A (zh) * | 2020-08-12 | 2020-11-27 | 河海大学常州校区 | 工业物联网中基于分层处理的高维数据异常检测方法 |
CN113329038A (zh) * | 2021-08-03 | 2021-08-31 | 南京天华中安通信技术有限公司 | 一种关键数字资产保护方法和装置、电子设备、存储介质 |
CN116320042A (zh) * | 2023-05-16 | 2023-06-23 | 陕西思极科技有限公司 | 边缘计算的物联终端监测控制系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102045708A (zh) * | 2011-01-25 | 2011-05-04 | 河海大学常州校区 | 基于能量预测的无线传感器网络入侵检测方法 |
US20150052097A1 (en) * | 2011-12-29 | 2015-02-19 | Ha Yoon Song | Data processing method, data processing device, data collecting method and information providing method |
CN105703963A (zh) * | 2014-11-26 | 2016-06-22 | 中国科学院沈阳自动化研究所 | 基于pso-ocsvm的工业控制系统通信行为异常检测方法 |
CN105704103A (zh) * | 2014-11-26 | 2016-06-22 | 中国科学院沈阳自动化研究所 | 基于OCSVM双轮廓模型的Modbus TCP通信行为异常检测方法 |
US20180234351A1 (en) * | 2017-02-14 | 2018-08-16 | At&T Intellectual Property I, L.P. | Systems and Methods For Allocating and Managing Resources in an Internet of Things Environment Using Location Based Focus of Attention |
-
2019
- 2019-06-13 CN CN201910510102.0A patent/CN110336860A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102045708A (zh) * | 2011-01-25 | 2011-05-04 | 河海大学常州校区 | 基于能量预测的无线传感器网络入侵检测方法 |
US20150052097A1 (en) * | 2011-12-29 | 2015-02-19 | Ha Yoon Song | Data processing method, data processing device, data collecting method and information providing method |
CN105703963A (zh) * | 2014-11-26 | 2016-06-22 | 中国科学院沈阳自动化研究所 | 基于pso-ocsvm的工业控制系统通信行为异常检测方法 |
CN105704103A (zh) * | 2014-11-26 | 2016-06-22 | 中国科学院沈阳自动化研究所 | 基于OCSVM双轮廓模型的Modbus TCP通信行为异常检测方法 |
US20180234351A1 (en) * | 2017-02-14 | 2018-08-16 | At&T Intellectual Property I, L.P. | Systems and Methods For Allocating and Managing Resources in an Internet of Things Environment Using Location Based Focus of Attention |
Non-Patent Citations (3)
Title |
---|
JIANLIANG GAO等: ""On Threshold-Free Error Detection for Industrial Wireless Sensor Networks"", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》 * |
李琳: ""基于OCSVM的工业控制系统入侵检测算法研究"", 《基于OCSVM的工业控制系统入侵检测算法研究》 * |
江冰等: ""基于农田无线传感网络的分簇路由算法"", 《农业工程学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112004204A (zh) * | 2020-08-12 | 2020-11-27 | 河海大学常州校区 | 工业物联网中基于分层处理的高维数据异常检测方法 |
CN112004204B (zh) * | 2020-08-12 | 2022-09-23 | 河海大学常州校区 | 工业物联网中基于分层处理的高维数据异常检测方法 |
CN113329038A (zh) * | 2021-08-03 | 2021-08-31 | 南京天华中安通信技术有限公司 | 一种关键数字资产保护方法和装置、电子设备、存储介质 |
CN116320042A (zh) * | 2023-05-16 | 2023-06-23 | 陕西思极科技有限公司 | 边缘计算的物联终端监测控制系统 |
CN116320042B (zh) * | 2023-05-16 | 2023-08-04 | 陕西思极科技有限公司 | 边缘计算的物联终端监测控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Eftekhar Azam et al. | Damage detection in structural systems utilizing artificial neural networks and proper orthogonal decomposition | |
Wang | Towards zero-defect manufacturing (ZDM)—a data mining approach | |
Chen et al. | Dynamic process fault monitoring based on neural network and PCA | |
CN112987675B (zh) | 一种异常检测的方法、装置、计算机设备和介质 | |
CN110336860A (zh) | 工业物联网中基于多维数据处理的关键节点数据保护方法 | |
CN112508105B (zh) | 一种采油机故障检测与检索方法 | |
CN109522948A (zh) | 一种基于正交局部保持投影的故障检测方法 | |
CN112284440B (zh) | 一种传感器数据偏差自适应修正方法 | |
Han et al. | Anomaly detection based on multidimensional data processing for protecting vital devices in 6G-enabled massive IIoT | |
Kirchen et al. | Metrics for the evaluation of data quality of signal data in industrial processes | |
CN112766301B (zh) | 一种采油机示功图相似性判断方法 | |
Mohammadi Ghazi et al. | Damage detection with small data set using energy‐based nonlinear features | |
CN116153505B (zh) | 基于医用压力传感器的危重病人体征智能识别方法及系统 | |
CN116066343A (zh) | 一种输油泵机组故障模型的智能预警方法及系统 | |
CN108257365A (zh) | 一种基于全局不确定性证据动态融合的工业报警器设计方法 | |
Doymaz et al. | A strategy for detection and isolation of sensor failures and process upsets | |
Shi et al. | Research on the initial fault prediction method of rolling bearings based on DCAE-TCN transfer learning | |
KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
CN112380073B (zh) | 一种故障位置的检测方法、装置及可读存储介质 | |
CN117076915B (zh) | Fpso原油工艺系统的智能故障归因分析方法及系统 | |
CN117111544B (zh) | 一种自动适配的楼宇物联网监控方法及系统 | |
CN117313015A (zh) | 一种基于时序和多变量的时间序列异常检测方法及系统 | |
CN109990803A (zh) | 检测系统异常的方法、装置及传感器处理的方法、装置 | |
CN117235664A (zh) | 配电通信设备的故障诊断方法、系统和计算机设备 | |
CN116907772A (zh) | 桥梁结构监测传感器的自诊断与故障源鉴别方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191015 |
|
RJ01 | Rejection of invention patent application after publication |