CN110365703B - 物联网终端异常状态检测方法、装置及终端设备 - Google Patents
物联网终端异常状态检测方法、装置及终端设备 Download PDFInfo
- Publication number
- CN110365703B CN110365703B CN201910697016.5A CN201910697016A CN110365703B CN 110365703 B CN110365703 B CN 110365703B CN 201910697016 A CN201910697016 A CN 201910697016A CN 110365703 B CN110365703 B CN 110365703B
- Authority
- CN
- China
- Prior art keywords
- network behavior
- sample
- terminal
- internet
- special event
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 75
- 238000001514 detection method Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 42
- 230000006399 behavior Effects 0.000 claims description 117
- 238000004590 computer program Methods 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 8
- 239000003550 marker Substances 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000006855 networking Effects 0.000 claims 2
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 206010048669 Terminal state Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明提供了一种物联网终端异常状态检测方法及装置,该方法应用于异常检测技术领域,所述方法包括:获取物联网终端的实时网络行为数据,所述实时网络行为数据包括当前网络行为数据和特殊事件标记;将所述当前网络行为数据输入至预设检测模型;若所述预设检测模型的输出结果显示当前网络行为存在异常,则检测所述特殊事件标记的标记值状态;若所述特殊事件标记的标记值为空,则确定物联网终端异常。本发明提供的物联网终端异常状态检测方法及装置能够有效提高物联网终端异常检测的准确性。
Description
技术领域
本发明属于异常检测技术领域,更具体地说,是涉及一种物联网终端异常状态检测方法、装置及终端设备。
背景技术
随着数字化与信息化时代的高速发展,物联网中的移动终端设备使用越来越广泛。尤其是在电力系统中,电力终端数量巨大,随着电力物联网的建设,终端数量与接入比例将进一步的增加。物联网终端的应用虽然给电力系统的智能化推进带来了极大的便利,但不断增长的终端数量也给电力系统的运维带来了巨大压力。
其中,在电力系统的物联网终端的异常检测方面,目前采用的方法是检测物联网终端的单个参数,根据该参数的参数值判断物联网终端是否存在异常。然而由于实际情况复杂多变,这种检测方法局限很大,准确度有待提高。
发明内容
本发明的目的在于提供一种物联网终端异常状态检测方法、装置及终端设备,以解决现有技术中存在的物联网终端异常检测精度较低的技术问题。
本发明实施例的第一方面,提供了一种物联网终端异常状态检测方法,包括:
获取物联网终端的实时网络行为数据,所述实时网络行为数据包括当前网络行为数据和特殊事件标记;
将所述当前网络行为数据输入至预设检测模型;
若所述预设检测模型的输出结果显示当前网络行为存在异常,则检测所述特殊事件标记的标记值状态;
若所述特殊事件标记的标记值为空,则确定物联网终端异常。
本发明实施例的第二方面,提供了一种物联网终端异常状态检测装置,包括:
数据获取模块,用于获取物联网终端的实时网络行为数据,所述实时网络行为数据包括当前网络行为数据和特殊事件标记;
异常检测模块,用于将所述当前网络行为数据输入至预设检测模型;
状态检测模块,用于若所述预设检测模型的输出结果显示当前网络行为存在异常,则检测所述特殊事件标记的标记值状态;
第一判断模块,用于若所述特殊事件标记的标记值为空,则确定物联网终端异常。
本发明实施例的第三方面,提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的物联网终端异常状态检测方法的步骤。
本发明实施例的第四方面,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程序,所述计算机程序被处理器执行时实现上述的物联网终端异常状态检测方法的步骤。
本发明提供的物联网终端异常状态检测方法及装置的有益效果在于:本发明实施例首先获取物联网终端的实时网络行为数据(其中,实时网络行为数据包括当前网络行为数据和特殊事件标记),再将当前网络行为数据输入至预设检测模型,最后通过预设检测模型和特殊事件标记对物联网终端的异常状态进行了检测。本发明实施例通过预设检测模型和特殊事件标记的双重检测方法,有效避免了特殊事件对网络行为数据的影响,从而有效避免了特殊事件对物联网终端异常状态判断的影响,进而提高了物联网终端异常状态检测的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的物联网终端异常状态检测方法的流程示意图;
图2的本发明另一实施例提供的物联网终端异常状态检测方法的流程示意图;
图3为本发明再一实施例提供的物联网终端异常状态检测方法的流程示意图;
图4为本发明又一实施例提供的物联网终端异常状态检测方法的流程示意图;
图5为本发明又一实施例提供的物联网终端异常状态检测方法的流程示意图;
图6为本发明又一实施例提供的物联网终端异常状态检测方法的流程示意图;
图7为本发明一实施例提供的物联网终端异常状态检测装置的结构框图;
图8为本发明一实施例提供的终端设备的示意框图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,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仅用以解释本发明,并不用于限定本发明。
请参考图1,图1为本发明一实施例提供的物联网终端异常状态检测方法的流程示意图。该方法包括:
S101:获取物联网终端的实时网络行为数据,实时网络行为数据包括当前网络行为数据和特殊事件标记。
在本实施例中,可以通过物联网终端的实时日志文本,来获取当前网络行为数据。
S102:将当前网络行为数据输入至预设检测模型。
在本实施例中,预设检测模型是基于卷积神经网络训练得到的,用于根据输入的当前网络数据确定物联网终端是否存在异常状态。预设检测模型的输出可以为物联网终端的异常值/异常概率值。
S103:若预设检测模型的输出结果显示当前网络行为存在异常,则检测特殊事件标记的标记值状态。
在本实施例中,若预设检测模型输出的物联网终端的异常值/异常概率值在预设异常值范围/预设概率范围内,则确定当前网络行为存在异常。若预设检测模型的输出结果显示当前网络行为存在异常,则检测特殊事件标记的标记值状态。
S104:若特殊事件标记的标记值为空,则确定物联网终端异常。
在本实施例中,若特殊事件标记的标记值不为空,则基于该特殊事件标记的标记值对物联网终端的异常状态进行进一步判断。
从上述描述可知,首先获取物联网终端的实时网络行为数据(其中,实时网络行为数据包括当前网络行为数据和特殊事件标记),再将当前网络行为数据输入至预设检测模型,最后通过预设检测模型和特殊事件标记对物联网终端的异常状态进行了检测。本发明实施例通过预设检测模型和特殊事件标记的双重检测方法,有效避免了特殊事件对网络行为数据的影响,从而有效避免了特殊事件对物联网终端异常状态判断的影响,进而提高了物联网终端异常状态检测的准确性。
请一并参考图1及图2,图2为本申请另一实施例提供的物联网终端异常状态检测方法的流程示意图。在上述实施例的基础上,物联网终端异常状态检测方法还可以包括:
S201:若特殊事件标记的标记值不为空,则根据特殊事件标记的标记值确定当前网络行为数据中各个参数对应的置信范围。
S202:若当前网络行为数据中存在某一参数,该参数的参数值未在该参数对应的置信范围内,则确定物联网终端异常。
在本实施例中,若特殊事件标记的标记值不为空,则表示当前存在特殊事件,则可以根据特殊事件的属性(本实施例以特殊事件标记的标记值来衡量)确定当前网络行为数据中各个参数对应的置信范围。
若当前网络行为数据中的所有参数的参数值均在其对应的置信范围内,则表示物联网终端状态正常。否则,当前网络行为数据中存在某一参数,该参数的参数值未在该参数对应的置信范围内,则确定物联网终端异常。
请一并参考图1及图3,图3为本申请再一实施例提供的物联网终端异常状态检测方法的流程示意图。在上述实施例的基础上,步骤S101可以详述为:
S301:获取物联网终端的实时日志文本。
S302:提取实时日志文本中的网络行为数据。
在本实施例中,网络行为数据中各个参数包括但不限于各类终端设备的连接状态、活跃时段、频次、连接时长以及流量大小等网络行为数据。
请一并参考图1及图4,图4为本申请又一实施例提供的物联网终端异常状态检测方法的流程示意图。在上述实施例的基础上,根据特殊事件标记的标记值确定当前网络行为数据中各个参数对应的置信范围,可以包括:
S401:建立特殊事件映射关系表,特殊事件映射关系表用于记录特殊事件标记的标记值与网络行为数据中各个参数对应的置信范围的映射关系。
S402:基于特殊事件映射关系表与特殊事件标记的标记值确定当前网络行为数据中各个参数对应的置信范围。
在本实施例中,特殊事件映射关系表用于记录特殊事件标记的标记值与网络行为数据中各个参数对应的置信范围的映射关系,因此可以根据特殊事件标记的标记值查找特殊事件映射关系表,确定当前网络行为数据中各个参数对应的置信范围。
请一并参考图1及图5,图5为本申请又一实施例提供的物联网终端异常状态检测方法的流程示意图。在上述实施例的基础上,预设检测模型的建立方法可以包括:
S501:获取可靠网络行为样本。
S502:基于卷积神经网络建立初始检测模型。
S503:将可靠网络行为样本输入至初始检测模型中进行训练,得到预设检测模型。
在本实施例中,可以事先对样本进行筛选得到可靠网络行为样本,从源头上提高预设检测模型的检测精度。
请一并参考图1及图6,图6为本申请又一实施例提供的物联网终端异常状态检测方法的流程示意图。在上述实施例的基础上,步骤S501可以详述为:
S601:获取第一网络行为样本。
S602:基于预设可靠样本对第一网络行为样本进行筛选,得到可靠网络行为样本。
在本实施例中,步骤S602可以详述为:
训练第一网络行为样本和预设可靠样本,得到样本分类器;
获取第三网络行为样本,并将第三网络行为样本输入至样本分类器;
若样本分类器的分类准确率达到预设阈值,则将第一网络行为样本加入至可靠网络行为样本。
在本实施例中,可不断获取第一网络行为样本,不断地基于预设可靠样本对第一网络行为样本进行筛选,直至可靠网络样本达到预设数量要求。其中,预设可靠样本的样本数量远远小于第一网络行为样本。
从上述描述可知,本发明实施例通过预设可靠样本对第一网络行为样本进行筛选,保证了样本的可靠性,从而保证了预设检测模型的检测精度,进而提高了物联网终端异常检测的准确性。
对应于上文实施例的物联网终端异常状态检测方法,图7为本发明一实施例提供的物联网终端异常状态检测装置的结构框图。为了便于说明,仅示出了与本发明实施例相关的部分。参考图7,该装置包括:数据获取模块100,异常检测模块200,状态检测模块300,第一判断模块400。
其中,数据获取模块100,用于获取物联网终端的实时网络行为数据,实时网络行为数据包括当前网络行为数据和特殊事件标记。
异常检测模块200,用于将当前网络行为数据输入至预设检测模型。
状态检测模块300,用于若预设检测模型的输出结果显示当前网络行为存在异常,则检测特殊事件标记的标记值状态。
第一判断模块400,用于若特殊事件标记的标记值为空,则确定物联网终端异常。
参考图7,在本发明的另一个实施例中,物联网终端异常状态检测装置还可以包括:
范围获取模块500,用于若特殊事件标记的标记值不为空,则根据特殊事件标记的标记值确定当前网络行为数据中各个参数对应的置信范围。
第二判断模块600,用于若当前网络行为数据中存在某一参数,该参数的参数值未在该参数对应的置信范围内,则确定物联网终端异常。
参考图7,在本发明的再一个实施例中,数据获取模块100可以包括:
日志获取单元110,用于获取物联网终端的实时日志文本。
数据提取单元120,用于提取实时日志文本中的网络行为数据。
参考图7,在本发明的又一个实施例中,范围获取模块500可以包括:
关系建立单元510,用于建立特殊事件映射关系表,特殊事件映射关系表用于记录特殊事件标记的标记值与网络行为数据中各个参数对应的置信范围的映射关系。
范围获取单元520,用于基于特殊事件映射关系表与特殊事件标记的标记值确定当前网络行为数据中各个参数对应的置信范围。
参考图7,在本发明的又一个实施例中,物联网终端异常状态检测装置还可以包括模型建立模块700,模型建立模块700可以包括:
样本获取单元710,用于获取可靠网络行为样本。
初始模型建立单元720,用于基于卷积神经网络建立初始检测模型。
模型建立单元730,用于将可靠网络行为样本输入至初始检测模型中进行训练,得到预设检测模型。
参考图7,在本发明的又一个实施例中,样本获取单元710可以包括:
第一样本获取装置711,用于获取第一网络行为样本。
可靠样本获取装置712,用于基于预设可靠样本对第一网络行为样本进行筛选,得到可靠网络行为样本。
参见图8,图8为本发明一实施例提供的一种终端设备的示意框图。如图8所示的本实施例中的终端800可以包括:一个或多个处理器801、一个或多个输入设备802、一个或多个输出设备803及一个或多个存储器804。上述处理器801、输入设备802、则输出设备803及存储器804通过通信总线805完成相互间的通信。存储器804用于存储计算机程序,计算机程序包括程序指令。处理器801用于执行存储器804存储的程序指令。其中,处理器801被配置用于调用程序指令执行以下操作上述各装置实施例中各模块/单元的功能,例如图7所示模块100至600的功能。
应当理解,在本发明实施例中,所称处理器801可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备802可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等,输出设备803可以包括显示器(LCD等)、扬声器等。
该存储器804可以包括只读存储器和随机存取存储器,并向处理器801提供指令和数据。存储器804的一部分还可以包括非易失性随机存取存储器。例如,存储器804还可以存储设备类型的信息。
具体实现中,本发明实施例中所描述的处理器801、输入设备802、输出设备803可执行本发明实施例提供的物联网终端异常状态检测方法的第一实施例和第二实施例中所描述的实现方式,也可执行本发明实施例所描述的终端的实现方式,在此不再赘述。
在本发明的另一实施例中提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序包括程序指令,程序指令被处理器执行时实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
计算机可读存储介质可以是前述任一实施例的终端的内部存储单元,例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备,例如终端上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的终端和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的终端和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
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,作为单元显示的部件可以是或者也可以不是物理单元,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单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种物联网终端异常状态检测方法,其特征在于,包括:
获取物联网终端的实时网络行为数据,所述实时网络行为数据包括当前网络行为数据和特殊事件标记,所述特殊事件标记为影响网络行为数据的特殊事件对应的标记;
将所述当前网络行为数据输入至预设检测模型;若所述预设检测模型的输出结果显示当前网络行为存在异常,则检测所述特殊事件标记的标记值状态;若所述特殊事件标记的标记值为空,则确定物联网终端异常;若所述特殊事件标记的标记值不为空,则根据所述特殊事件标记的标记值确定当前网络行为数据中各个参数对应的置信范围;若当前网络行为数据中存在某一参数,该参数的参数值未在该参数对应的置信范围内,则确定物联网终端异常;
其中,所述预设检测模型的建立方法包括:获取可靠网络行为样本;基于卷积神经网络建立初始检测模型;将所述可靠网络行为样本输入至初始检测模型中进行训练,得到预设检测模型;
其中,所述获取可靠网络行为样本,包括:获取第一网络行为样本;基于预设可靠样本对所述第一网络行为样本进行筛选,得到可靠网络行为样本;
其中,基于预设可靠样本对所述第一网络行为样本进行筛选,得到可靠网络行为样本,包括:
步骤S1:训练第一网络行为样本和预设可靠样本,得到样本分类器;获取第三网络行为样本,并将第三网络行为样本输入至样本分类器;若样本分类器的分类准确率达到预设阈值,则将第一网络行为样本加入至可靠网络行为样本;
不断执行步骤S1,直至可靠网络行为样本达到预设数量要求。
2.如权利要求1所述的物联网终端异常状态检测方法,其特征在于,所述获取物联网终端的实时网络行为数据,包括:
获取物联网终端的实时日志文本;
提取所述实时日志文本中的网络行为数据。
3.如权利要求1所述的物联网终端异常状态检测方法,其特征在于,所述根据所述特殊事件标记的标记值确定当前网络行为数据中各个参数对应的置信范围,包括:
建立特殊事件映射关系表,所述特殊事件映射关系表用于记录特殊事件标记的标记值与网络行为数据中各个参数对应的置信范围的映射关系;
基于所述特殊事件映射关系表与所述特殊事件标记的标记值确定当前网络行为数据中各个参数对应的置信范围。
4.一种物联网终端异常状态检测装置,其特征在于,包括:
数据获取模块,用于获取物联网终端的实时网络行为数据,所述实时网络行为数据包括当前网络行为数据和特殊事件标记,所述特殊事件标记为影响网络行为数据的特殊事件对应的标记;
异常检测模块,用于将所述当前网络行为数据输入至预设检测模型;
状态检测模块,用于若所述预设检测模型的输出结果显示当前网络行为存在异常,则检测所述特殊事件标记的标记值状态;
第一判断模块,用于若所述特殊事件标记的标记值为空,则确定物联网终端异常;
范围获取模块,用于若所述特殊事件标记的标记值不为空,则根据所述特殊事件标记的标记值确定当前网络行为数据中各个参数对应的置信范围;
第二判断模块,用于若当前网络行为数据中存在某一参数,该参数的参数值未在该参数对应的置信范围内,则确定物联网终端异常;
其中,所述物联网终端异常状态检测装置还包括:模型建立模块,所述模型建立模块包括:
样本获取单元,用于获取可靠网络行为样本;
初始模型建立单元,用于基于卷积神经网络建立初始检测模型;
模型建立单元,用于将可靠网络行为样本输入至初始检测模型中进行训练,得到预设检测模型;
所述样本获取单元包括:
第一样本获取装置,用于获取第一网络行为样本;
可靠样本获取装置,用于基于预设可靠样本对第一网络行为样本进行筛选,得到可靠网络行为样本;
其中,所述可靠样本获取装置具体用于:
不断执行步骤S1,直至可靠网络行为样本达到预设数量要求;
其中步骤S1包括:训练第一网络行为样本和预设可靠样本,得到样本分类器;获取第三网络行为样本,并将第三网络行为样本输入至样本分类器;若样本分类器的分类准确率达到预设阈值,则将第一网络行为样本加入至可靠网络行为样本。
5.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至3任一项所述方法的步骤。
6.一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程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910697016.5A CN110365703B (zh) | 2019-07-30 | 2019-07-30 | 物联网终端异常状态检测方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910697016.5A CN110365703B (zh) | 2019-07-30 | 2019-07-30 | 物联网终端异常状态检测方法、装置及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110365703A CN110365703A (zh) | 2019-10-22 |
CN110365703B true CN110365703B (zh) | 2022-01-21 |
Family
ID=68222672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910697016.5A Active CN110365703B (zh) | 2019-07-30 | 2019-07-30 | 物联网终端异常状态检测方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110365703B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111010387B (zh) * | 2019-12-10 | 2022-08-02 | 杭州安恒信息技术股份有限公司 | 一种物联网设备非法替换检测方法、装置、设备及介质 |
CN111027981B (zh) * | 2019-12-13 | 2021-04-27 | 支付宝(杭州)信息技术有限公司 | 多方联合训练针对IoT机具的风险评估模型的方法及装置 |
CN113032242B (zh) * | 2019-12-25 | 2024-02-09 | 阿里巴巴集团控股有限公司 | 数据标记方法及装置,计算机存储介质和电子设备 |
CN111159486B (zh) * | 2019-12-31 | 2024-03-19 | 奇安信科技集团股份有限公司 | 网络数据的处理方法、装置、计算机设备和存储介质 |
CN111404777B (zh) * | 2020-03-12 | 2021-08-24 | 深圳市全智软创科技有限公司 | 一种物联网设备性能检测方法、装置及系统 |
CN111447115B (zh) * | 2020-03-25 | 2021-08-27 | 北京奥陌科技有限公司 | 一种物联网实体的状态监测方法 |
CN111476375B (zh) * | 2020-03-30 | 2023-09-19 | 中移动信息技术有限公司 | 一种确定识别模型的方法、装置、电子设备及存储介质 |
CN112084893B (zh) * | 2020-08-24 | 2024-05-17 | 中国银联股份有限公司 | 生物识别终端异常检测方法、装置、设备及存储介质 |
CN112087452B (zh) * | 2020-09-09 | 2022-11-15 | 北京元心科技有限公司 | 异常行为检测方法、装置、电子设备及计算机存储介质 |
CN113872823B (zh) * | 2021-08-06 | 2022-08-23 | 中标慧安信息技术股份有限公司 | 物联网终端异常启动监测方法及系统 |
CN113671287B (zh) * | 2021-08-16 | 2024-02-02 | 广东电力通信科技有限公司 | 电网自动化终端智能检测方法、系统和可读存储介质 |
CN114338284A (zh) * | 2021-12-24 | 2022-04-12 | 深圳尊悦智能科技有限公司 | 物联网5g智能网关 |
CN114528183B (zh) * | 2022-02-17 | 2023-05-02 | 厦门四信通信科技有限公司 | LoRa设备的离线预测方法、装置、设备及可读存储介质 |
CN115296976B (zh) * | 2022-06-28 | 2024-03-22 | 青岛海尔科技有限公司 | 物联网设备故障检测方法、装置、设备及存储介质 |
CN117255193B (zh) * | 2023-11-17 | 2024-03-26 | 深圳市光影百年科技有限公司 | 一种5g网络监控器的远程终端状态检测方法及系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6594620B1 (en) * | 1998-08-17 | 2003-07-15 | Aspen Technology, Inc. | Sensor validation apparatus and method |
US9563854B2 (en) * | 2014-01-06 | 2017-02-07 | Cisco Technology, Inc. | Distributed model training |
CN109962789B (zh) * | 2017-12-14 | 2022-03-08 | 中国电信股份有限公司 | 基于网络数据构建物联网应用标签体系的方法和装置 |
CN108768765A (zh) * | 2018-05-11 | 2018-11-06 | 中国联合网络通信集团有限公司 | 异常状态物联网卡稽查方法、装置及计算机可读存储介质 |
CN109688112A (zh) * | 2018-12-06 | 2019-04-26 | 南京邮电大学 | 工业物联网异常行为检测装置 |
CN109547455A (zh) * | 2018-12-06 | 2019-03-29 | 南京邮电大学 | 工业物联网异常行为检测方法、可读存储介质和终端 |
CN109818793A (zh) * | 2019-01-30 | 2019-05-28 | 基本立子(北京)科技发展有限公司 | 针对物联网的设备类型识别及网络入侵检测方法 |
-
2019
- 2019-07-30 CN CN201910697016.5A patent/CN110365703B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110365703A (zh) | 2019-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110365703B (zh) | 物联网终端异常状态检测方法、装置及终端设备 | |
CN108090567B (zh) | 电力通信系统故障诊断方法及装置 | |
CN109726364B (zh) | 用电量异常检测方法、装置、终端及计算机可读存储介质 | |
CN109085811B (zh) | 设备点检方法及装置 | |
CN112598537B (zh) | 电力设备故障诊断方法、装置及终端设备 | |
CN109064058B (zh) | 一种避雷器绝缘性能分析方法及装置 | |
CN104730487A (zh) | 电能表的监测装置 | |
CN111626360A (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
CN112163618A (zh) | 一种设备故障的检测方法及检测系统 | |
CN112730654B (zh) | 六氟化硫电气设备故障检测方法、装置及终端设备 | |
CN108197002B (zh) | 移动设备无埋点数据统计方法、系统、终端及介质 | |
CN111580004A (zh) | 电池检测方法、装置、设备及计算机可读存储介质 | |
CN109168138A (zh) | 网内换号的识别方法、装置及设备 | |
CN110265127B (zh) | 病种费用测算方法、装置及终端设备 | |
CN110751141A (zh) | 一种表计读数识别方法、装置、终端设备及存储介质 | |
CN110928441A (zh) | 一种触摸物识别方法、系统、终端设备及存储介质 | |
CN115670397A (zh) | 一种ppg伪迹识别方法、装置、存储介质及电子设备 | |
CN102870111A (zh) | 用于确定分析历史记录的方法和装置 | |
CN111104576A (zh) | 网页识别的处理方法、装置、系统及电子设备 | |
EP4181476A1 (en) | Network data analysis method, network data analysis functional network element and communication system | |
CN115334291A (zh) | 一种基于亿级像素全景补偿的隧道监控方法及装置 | |
CN114814643A (zh) | 交流电源接地故障监测方法、火灾预警系统 | |
CN110715799B (zh) | 断路器机械状态检测方法、装置及终端设备 | |
CN107748389A (zh) | 用于检测电缆状态异常的方法及装置 | |
CN114840570A (zh) | 数据处理方法、装置、电子设备及存储介质 |
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 |