CN110365650A - 一种工业互联网风险监测方法、系统、装置及存储介质 - Google Patents
一种工业互联网风险监测方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN110365650A CN110365650A CN201910522021.2A CN201910522021A CN110365650A CN 110365650 A CN110365650 A CN 110365650A CN 201910522021 A CN201910522021 A CN 201910522021A CN 110365650 A CN110365650 A CN 110365650A
- Authority
- CN
- China
- Prior art keywords
- industry internet
- monitor
- time point
- data
- prediction
- 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
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/069—Management of faults, events, alarms or notifications using logs of notifications; Post-processing of notifications
-
- 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
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
- H04L63/1425—Traffic logging, e.g. anomaly detection
Abstract
本发明公开了一种工业互联网风险监测方法、系统、装置及存储介质，通过对工业互联网日志数据进行预处理，可以从原始数据中提取关键数据，筛选掉无关数据及属性；通过训练生成监测器后，利用集成学习方法降低所述监测器预测结果的方差，提高了预测结果的准确性和可靠性，更加适应工业互联网风险监测的需求。
Description
技术领域
本发明涉及网络风险监测领域，尤其是一种工业互联网风险监测方法、系统、装置及存储介质。
背景技术
近年来，随着企业网络技术的发展和互联网应用的普及，传统意义上的单一计算机系统已经无法满足当前各种无所不在的网络应用需求，诸如云计算、物联网等新网络技术等已经逐渐渗透到工业控制的各个领域，工业互联网是其中的典型代表。由于有越来越多的设备连接到网络，网络异常的出现将变得不可避免。网络异常监测如今取得了很多成果，方法各有千秋，这些方法却都能够在一定的程度上实现异常监测，但是面对工业互联网异常监测的问题，这些方法普遍存在准确性和可靠性等方面的一些不足，因此传统方法的评估标准也不能适应工业互联网这种特殊场合的要求。
发明内容
为解决上述问题，本发明的目的在于提供一种工业互联网风险监测方法、系统、装置及存储介质。
本发明解决其问题所采用的技术方案是：
第一方面，本发明实施例提出了一种工业互联网风险监测方法，包括：
提取工业互联网日志数据；
对工业互联网日志数据进行预处理，得到训练数据集；
对训练数据集进行训练，得到监测器；
利用集成学习方法降低所述监测器预测结果的方差；
输入实时工业互联网日志数据到所述监测器中，得到预测结果。
进一步，所述对工业互联网数据进行预处理，得到训练数据集，包括：
提取日志类型关键字、主机数据和路径数据；
统计日志类型；
对主机数据、日志类型和路径数据进行去重；
统计词频。
进一步，利用滑动平均、自回归预测、神经网络、支持向量机、基因表达式编程中的至少一种模型对训练数据集进行训练。
进一步，所述利用集成学习方法降低所述监测器预测结果的方差，包括：
选取五种不同的时间序列预测技术作为弱学习算法，所述时间序列预测技术包括滑动平均、自回归预测、神经网络、支持向量机和基因表达式编程，对日志数据进行训练得到基本分类器模型p，其中，所述基本分类器模型p在时间点t对应的预测结果为
初始化基本分类器模型p在时间点t对应的权重为
重复执行优化步骤，达到停止条件后输出监测器；
其中，优化步骤包括：
计算加权线性组合下集成学习算法在时间点t的预测值
计算在时间点t的相对误差其中c(t)或者为在时间点t上非对称错误代价函数对应的值；
计算时间点t的实际异常数量v(t)；
计算时间点t时的预测异常数量
计算P函数： 其中，Cnormal为准确预测的代价，Cunder过低预测的代价；
计算R函数：其中，Cover为过高预测的代价；
计算非对称错误代价函数AEC： 其中，β是用于调整P函数和R函数的权重的参数；
更新权重
其中，输出的监测器为
第二方面，本发明实施例还提出了一种工业互联网风险监测系统，包括：
提取单元，用于提取工业互联网日志数据；
预处理单元，用于对工业互联网日志数据进行预处理，得到训练数据集；
训练单元，用于对训练数据集进行训练，得到监测器；
优化单元，用于利用集成学习方法降低所述监测器预测结果的方差；
输入单元，用于输入实时工业互联网日志数据到所述监测器中，得到预测结果。
进一步，所述预处理单元对工业互联网日志数据进行预处理，得到训练数据集，包括：
提取日志类型关键字、主机数据和路径数据；
统计日志类型；
对主机数据、日志类型和路径数据进行去重；
统计词频。
进一步，所述训练单元利用滑动平均、自回归预测、神经网络、支持向量机、基因表达式编程中的至少一种模型对训练数据集进行训练。
进一步，所述优化单元利用集成学习方法降低所述监测器预测结果的方差，包括：
选取五种不同的时间序列预测技术作为弱学习算法，所述时间序列预测技术包括滑动平均、自回归预测、神经网络、支持向量机和基因表达式编程，对日志数据进行训练得到基本分类器模型p，其中，所述基本分类器模型p在时间点t对应的预测结果为
初始化基本分类器模型p在时间点t对应的权重为
重复执行优化步骤，达到停止条件后输出监测器；
其中，优化步骤包括：
计算加权线性组合下集成学习算法在时间点t的预测值
计算在时间点t的相对误差其中c(t)或者为在时间点t上非对称错误代价函数对应的值；
计算时间点t的实际异常数量v(t)；
计算时间点t时的预测异常数量
计算P函数： 其中，Cnormal为准确预测的代价，Cunder过低预测的代价；
计算R函数：其中，Cover为过高预测的代价；
计算非对称错误代价函数AEC： 其中，β是用于调整P函数和R函数的权重的参数；
更新权重
其中，输出的监测器为
第三方面，本发明实施例还提供了一种工业互联网风险监测装置，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面所述的方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行第一方面所述的方法。
本发明实施例中提供的一个或多个技术方案，至少具有如下有益效果：本发明实施例提供的一种工业互联网风险监测方法、系统、装置及存储介质，通过对工业互联网日志数据进行预处理，可以从原始数据中提取关键数据，筛选掉无关数据及属性；通过训练生成监测器后，利用集成学习方法降低所述监测器预测结果的方差，提高了预测结果的准确性和可靠性，更加适应工业互联网风险监测的需求。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明第一实施例中工业互联网风险监测方法的流程图；
图2是本发明第一实施例中对工业互联网数据进行预处理，得到训练数据集的流程图；
图3是本发明第一实施例中利用集成学习方法降低所述监测器预测结果的方差的流程图；
图4是本发明第一实施例中工业互联网风险监测系统的结构示意图；
图5是本发明第一实施例中工业互联网风险监测装置的结构示意图。
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，以下结合附图及实施例，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用以解释本发明，并不用于限定本发明。
需要说明的是，如果不冲突，本发明实施例中的各个特征可以相互结合，均在本发明的保护范围之内。另外，虽然在系统示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于系统中的模块划分，或流程图中的顺序执行所示出或描述的步骤。
下面结合附图，对本发明实施例作进一步阐述。
参照图1，本发明的第一实施例提供了一种工业互联网风险监测方法，包括但不限于以下步骤：
S100:提取工业互联网日志数据；
S200:对工业互联网日志数据进行预处理，得到训练数据集；
S300:对训练数据集进行训练，得到监测器；
S400:利用集成学习方法降低所述监测器预测结果的方差；
S500:输入实时工业互联网日志数据到所述监测器中，得到预测结果。
具体地，在S100中，工业互联网日志数据的提取，可以通过SysLog方式来采集日志数据,Syslog协议广泛应用在编程上,许多日志函数都已采纳Syslog协议,Syslog用于许多保护措施，可以通过它记录任何事件，并且，当今网络设备普遍支持Syslog协议，几乎所有的网络设备都可以通过Syslog协议,将日志信息以用户数据报协议(UDP)方式传送到远端服务器,供后台数据库管理和响应之用。另外，Syslog协议和进程具有简单的优点,在协议的发送者和接收者之间不要求严格的相互协调。
具体地，参照图2，在S200中，对工业互联网数据进行预处理，得到训练数据集，包括：
S210:提取日志类型关键字、主机数据和路径数据；
S220:统计日志类型；
S230:对主机数据、日志类型和路径数据进行去重；
S240:统计词频。
其中，通过对对主机数据、日志类型和路径数据进行去重，可以有效减少监测器的运算量，使整个方法的执行更加高效，同时，通过统计词频，可以得知日志数据里每个词语出现的次数，便于对整体的日志数据进行分析。
具体地，在S300中，利用滑动平均、自回归预测、神经网络、支持向量机、基因表达式编程中的至少一种模型对训练数据集进行训练。
其中，滑动平均模型在简单平均数法基础上，通过顺序逐期增减新旧数据求算移动平均值，借以消除偶然变动因素，找出事物发展趋势，并据此进行预测的方法。滑动平均法是趋势外推技术的一种。实际上是对具有明显的负荷变化趋势的数据序列进行曲线拟合，再用新曲线预报未来的某点处的值。
自回归预测模型用一个变量的时间数列作为因变量数列，用同一变量向过去推移若干期的时间数列作自变量数列，分析一个因变量数列和另一个或多个自变量数列之间的相关关系，建立回归方程进行预测。
神经网络模型模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。
支持向量机模型是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面，使用铰链损失函数计算经验风险并在求解系统中加入了正则化项以优化结构风险，是一个具有稀疏性和稳健性的分类器。
基因表达式编程模型从遗传算法和遗传程序设计中发展而来，它在吸收了二者优点的同时,又克服了二者的不足之处，其显著特点就是可以利用简单编码解决复杂问题。在解码时，按照从左到右的顺序读取基因中的一个个字符，然后根据语法规则将基因映射为相应的表达式树。
具体地，参照图3，在S400中，利用集成学习方法降低所述监测器预测结果的方差，包括：
S410:选取五种不同的时间序列预测技术作为弱学习算法，所述时间序列预测技术包括滑动平均、自回归预测、神经网络、支持向量机和基因表达式编程，对日志数据进行训练得到基本分类器模型p，其中，所述基本分类器模型p在时间点t对应的预测结果为
S420:初始化基本分类器模型p在时间点t对应的权重为
S430:计算加权线性组合下集成学习算法在时间点t的预测值
S440:计算在时间点t的相对误差其中c(t)或者为在时间点t上非对称错误代价函数对应的值；
S450:计算时间点t的实际异常数量v(t)；
S460:计算时间点t时的预测异常数量
S470:计算P函数： 其中，Cnormal为准确预测的代价，Cunder过低预测的代价；
S480:计算R函数：其中，Cover为过高预测的代价；
S490:计算非对称错误代价函数AEC： 其中，β是用于调整P函数和R函数的权重的参数；
S4100:更新权重
S4110:重复执行S430至S4100，达到停止条件后输出监测器
其中，每次重复执行t的值加一，停止条件是达到预设的t值，而预设的t值可以根据实际情况自由设置。
通过对工业互联网日志数据进行预处理，可以从原始数据中提取关键数据，筛选掉无关数据及属性；通过训练生成监测器后，利用集成学习方法降低所述监测器预测结果的方差，提高了预测结果的准确性和可靠性，更加适应工业互联网风险监测的需求。
另外，参照图4，本发明的第二实施例还提出了一种工业互联网风险监测系统，包括：
提取单元110，用于提取工业互联网日志数据；
预处理单元120，用于对工业互联网日志数据进行预处理，得到训练数据集；
训练单元130，用于对训练数据集进行训练，得到监测器；
优化单元140，用于利用集成学习方法降低所述监测器预测结果的方差；
输入单元150，用于输入实时工业互联网日志数据到所述监测器中，得到预测结果。
进一步，所述预处理单元120对工业互联网日志数据进行预处理，得到训练数据集，包括：
提取日志类型关键字、主机数据和路径数据；
统计日志类型；
对主机数据、日志类型和路径数据进行去重；
统计词频。
进一步，所述训练单元130利用滑动平均、自回归预测、神经网络、支持向量机、基因表达式编程中的至少一种模型对训练数据集进行训练。
进一步，所述优化单元140利用集成学习方法降低所述监测器预测结果的方差，包括：
选取五种不同的时间序列预测技术作为弱学习算法，所述时间序列预测技术包括滑动平均、自回归预测、神经网络、支持向量机和基因表达式编程，对日志数据进行训练得到基本分类器模型p，其中，所述基本分类器模型p在时间点t对应的预测结果为
初始化基本分类器模型p在时间点t对应的权重为
重复执行优化步骤，达到停止条件后输出监测器；
其中，优化步骤包括：
计算加权线性组合下集成学习算法在时间点t的预测值
计算在时间点t的相对误差其中c(t)或者为在时间点t上非对称错误代价函数对应的值；
计算时间点t的实际异常数量v(t)；
计算时间点t时的预测异常数量
计算P函数： 其中，Cnormal为准确预测的代价，Cunder过低预测的代价；
计算R函数：其中，Cover为过高预测的代价；
计算非对称错误代价函数AEC： 其中，β是用于调整P函数和R函数的权重的参数；
更新权重
其中，输出的监测器为
本实施例的一种工业互联网风险监测系统，与第一实施例中的工业互联网风险监测方法基于相同的发明构思，预处理单元120通过对工业互联网日志数据进行预处理，可以从原始数据中提取关键数据，筛选掉无关数据及属性；训练单元130通过训练生成监测器后，优化单元140利用集成学习方法降低所述监测器预测结果的方差，提高了预测结果的准确性和可靠性，更加适应工业互联网风险监测的需求。
参照图5，本发明的第三实施例还提供了一种工业互联网风险监测装置，包括：
至少一个处理器；
以及与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述第一至第八实施例中任意一种工业互联网风险监测方法。
该装置200可以是任意类型的智能终端，例如手机、平板电脑、个人计算机等。
处理器和存储器可以通过总线或者其他方式连接，图5中以通过总线连接为例。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块，如本发明实施例中的工业互联网风险监测方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行工业互联网风险监测装置的各种功能应用以及数据处理，即实现第一实施例的工业互联网风险监测方法。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据工业互联网风险监测装置的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该工业互联网风险监测装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器中，当被所述一个或者多个处理器执行时，执行上述任意方法实施例中的工业互联网风险监测方法，例如，执行以上描述的图1中的方法步骤S100至S500。
本发明的第四实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器执行，例如，被图5中的一个处理器执行，可使得上述一个或多个处理器执行上述第一实施例中的一种工业互联网风险监测方法，例如，执行以上描述的图1中的方法步骤S100至S500、图2中的方法步骤S210至S240、图3中的方法步骤S410至S4110、实现图4中工业互联网风险监测系统各个单元的功能。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述，本领域普通技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种工业互联网风险监测方法，其特征在于，包括：
提取工业互联网日志数据；
对工业互联网日志数据进行预处理，得到训练数据集；
对训练数据集进行训练，得到监测器；
利用集成学习方法降低所述监测器预测结果的方差；
输入实时工业互联网日志数据到所述监测器中，得到预测结果。
2.根据权利要求1所述的一种工业互联网风险监测方法，其特征在于，所述对工业互联网数据进行预处理，得到训练数据集，包括：
提取日志类型关键字、主机数据和路径数据；
统计日志类型；
对主机数据、日志类型和路径数据进行去重；
统计词频。
3.根据权利要求1所述的一种工业互联网风险监测方法，其特征在于：利用滑动平均、自回归预测、神经网络、支持向量机、基因表达式编程中的至少一种模型对训练数据集进行训练。
4.根据权利要求1所述的一种工业互联网风险监测方法，其特征在于，所述利用集成学习方法降低所述监测器预测结果的方差，包括：
选取五种不同的时间序列预测技术作为弱学习算法，所述时间序列预测技术包括滑动平均、自回归预测、神经网络、支持向量机和基因表达式编程，对日志数据进行训练得到基本分类器模型p，其中，所述基本分类器模型p在时间点t对应的预测结果为
初始化基本分类器模型p在时间点t对应的权重为
重复执行优化步骤，达到停止条件后输出监测器；
其中，优化步骤包括：
计算加权线性组合下集成学习算法在时间点t的预测值
计算在时间点t的相对误差其中c(t)或者为在时间点t上非对称错误代价函数对应的值；
计算时间点t的实际异常数量v(t)；
计算时间点t时的预测异常数量
计算P函数： 其中，Cnormal为准确预测的代价，Cunder过低预测的代价；
计算R函数：其中，Cover为过高预测的代价；
计算非对称错误代价函数AEC： 其中，β是用于调整P函数和R函数的权重的参数；
更新权重
其中，输出的监测器为
5.一种工业互联网风险监测系统，其特征在于，包括：
提取单元，用于提取工业互联网日志数据；
预处理单元，用于对工业互联网日志数据进行预处理，得到训练数据集；
训练单元，用于对训练数据集进行训练，得到监测器；
优化单元，用于利用集成学习方法降低所述监测器预测结果的方差；
输入单元，用于输入实时工业互联网日志数据到所述监测器中，得到预测结果。
6.根据权利要求5所述的一种工业互联网风险监测系统，其特征在于，所述预处理单元对工业互联网日志数据进行预处理，得到训练数据集，包括：
提取日志类型关键字、主机数据和路径数据；
统计日志类型；
对主机数据、日志类型和路径数据进行去重；
统计词频。
7.根据权利要求5所述的一种工业互联网风险监测系统，其特征在于：所述训练单元利用滑动平均、自回归预测、神经网络、支持向量机、基因表达式编程中的至少一种模型对训练数据集进行训练。
8.根据权利要求5所述的一种工业互联网风险监测系统，其特征在于，所述优化单元利用集成学习方法降低所述监测器预测结果的方差，包括：
选取五种不同的时间序列预测技术作为弱学习算法，所述时间序列预测技术包括滑动平均、自回归预测、神经网络、支持向量机和基因表达式编程，对日志数据进行训练得到基本分类器模型p，其中，所述基本分类器模型p在时间点t对应的预测结果为
初始化基本分类器模型p在时间点t对应的权重为
重复执行优化步骤，达到停止条件后输出监测器；
其中，优化步骤包括：
计算加权线性组合下集成学习算法在时间点t的预测值
计算在时间点t的相对误差其中c(t)或者为在时间点t上非对称错误代价函数对应的值；
计算时间点t的实际异常数量v(t)；
计算时间点t时的预测异常数量
计算P函数： 其中，Cnormal为准确预测的代价，Cunder过低预测的代价；
计算R函数：其中，Cover为过高预测的代价；
计算非对称错误代价函数AEC： 其中，β是用于调整P函数和R函数的权重的参数；
更新权重
其中，输出的监测器为
9.一种工业互联网风险监测装置，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-4任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1-4任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910522021.2A CN110365650A (zh) | 2019-06-17 | 2019-06-17 | 一种工业互联网风险监测方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910522021.2A CN110365650A (zh) | 2019-06-17 | 2019-06-17 | 一种工业互联网风险监测方法、系统、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110365650A true CN110365650A (zh) | 2019-10-22 |
Family
ID=68217290
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910522021.2A Pending CN110365650A (zh) | 2019-06-17 | 2019-06-17 | 一种工业互联网风险监测方法、系统、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110365650A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111510339A (zh) * | 2020-03-09 | 2020-08-07 | 中国信息通信研究院 | 一种工业互联网数据监测方法和装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190007433A1 (en) * | 2017-06-30 | 2019-01-03 | SparkCognition, Inc. | Server-supported malware detection and protection |
| CN109787958A (zh) * | 2018-12-15 | 2019-05-21 | 深圳先进技术研究院 | 网络流量实时检测方法及检测终端、计算机可读存储介质 |
-
2019
- 2019-06-17 CN CN201910522021.2A patent/CN110365650A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190007433A1 (en) * | 2017-06-30 | 2019-01-03 | SparkCognition, Inc. | Server-supported malware detection and protection |
| CN109787958A (zh) * | 2018-12-15 | 2019-05-21 | 深圳先进技术研究院 | 网络流量实时检测方法及检测终端、计算机可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 倪震等: "面向电力大数据日志分析平台的异常监测集成预测算法", 《南京理工大学学报》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111510339A (zh) * | 2020-03-09 | 2020-08-07 | 中国信息通信研究院 | 一种工业互联网数据监测方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Entity embedding-based anomaly detection for heterogeneous categorical events | |
| US11190562B2 (en) | Generic event stream processing for machine learning | |
| CN105283851B (zh) | 用于选择跟踪目标的成本分析 | |
| US20170109657A1 (en) | Machine Learning-Based Model for Identifying Executions of a Business Process | |
| Xiao et al. | Feature-selection-based dynamic transfer ensemble model for customer churn prediction | |
| US20170109676A1 (en) | Generation of Candidate Sequences Using Links Between Nonconsecutively Performed Steps of a Business Process | |
| US20170109668A1 (en) | Model for Linking Between Nonconsecutively Performed Steps in a Business Process | |
| US20170109667A1 (en) | Automaton-Based Identification of Executions of a Business Process | |
| US20170109636A1 (en) | Crowd-Based Model for Identifying Executions of a Business Process | |
| JP2005316998A (ja) | 製品のサポートに関するサービス要求のマイニング | |
| CN113094116B (zh) | 一种基于负载特征分析的深度学习应用云配置推荐方法及系统 | |
| CN110264038A (zh) | 一种产品测评模型的生成方法及设备 | |
| US20170109638A1 (en) | Ensemble-Based Identification of Executions of a Business Process | |
| CN114780233A (zh) | 基于微服务链路分析和强化学习的调度方法及装置 | |
| CN113515434A (zh) | 异常分类方法、装置、异常分类设备及存储介质 | |
| Liu et al. | Extracting, ranking, and evaluating quality features of web services through user review sentiment analysis | |
| Zhao et al. | A unified framework for bug report assignment | |
| CN110365650A (zh) | 一种工业互联网风险监测方法、系统、装置及存储介质 | |
| US20170109637A1 (en) | Crowd-Based Model for Identifying Nonconsecutive Executions of a Business Process | |
| Turgeman et al. | Context-aware incremental clustering of alerts in monitoring systems | |
| Feng et al. | Web Service QoS Classification Based on Optimized Convolutional Neural Network | |
| WO2020010930A1 (zh) | 客服机器人知识库歧义检测方法、存储介质和计算机设备 | |
| Bukhsh et al. | Analyzing excessive user feedback: A big data challenge | |
| Xu et al. | Towards user profiling for web recommendation | |
| Das et al. | Time-driven adaptive web personalization system for dynamic users |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191022 |