CN112202630A - 一种基于无监督模型的网路质量异常检测方法及装置 - Google Patents
一种基于无监督模型的网路质量异常检测方法及装置 Download PDFInfo
- Publication number
- CN112202630A CN112202630A CN202010974194.0A CN202010974194A CN112202630A CN 112202630 A CN112202630 A CN 112202630A CN 202010974194 A CN202010974194 A CN 202010974194A CN 112202630 A CN112202630 A CN 112202630A
- Authority
- CN
- China
- Prior art keywords
- data
- index
- abnormal
- network quality
- model
- 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
Images
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
- H04L43/50—Testing arrangements
-
- 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
- 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
- H04L43/0817—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability by checking functioning
-
- 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
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
-
- 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
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
- H04L43/0894—Packet rate
-
- 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
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/50—Testing arrangements
- H04L43/55—Testing of service level quality, e.g. simulating service usage
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Quality & Reliability (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开一种基于无监督模型的网路质量异常检测方法及装置,其中,该方法包括:数据获取及预处理;使用受限玻尔兹曼机建模;根据目标的异常数据比例确定判定阈值;计算测试数据,通过阈值判断异常。该方法及装置通过受限玻尔兹曼机的计算能够找出多特征网络数据的正常分布范围,同时通过加权欧氏距离的计算可以找出异常样本,又可以根据实际数据情况调整不同特征的权重从而改变对于异常数据的筛选判断;对于没有标签样本的数据,可以有效的检测出网络质量异常的数据,且准确性较高。
Description
技术领域
本发明涉及网络异常检测领域,尤其是一种基于无监督模型的网路质量异常检测方法及装置。
背景技术
网络性能数据通常数据量较大且难以全部给出网络质量是否异常的标签,故网络性能数据属于无标签数据。现有技术方案中,对于网络异常检测采用的比较常用的方法是使用某一采集装置获取到某一性能数据,通过判断该性能指标是否超过阈值或性能指标是否在一定时间内发生突变来判断网络是否异常,部分采用无监督进行网络质量异常判断方法的建模较为简单,准确性无法得到较好的保证。
发明内容
为克服常用的网络异常检测方法存在的上述问题,本发明提供一种基于无监督模型的网路质量异常检测方法及装置。
为实现上述目的,本发明采用下述技术方案:
在本发明一实施例中,提出了一种基于无监督模型的网路质量异常检测方法,该方法包括:
步骤一,数据获取及预处理
通过数据采集系统获取到用于判断网络质量是否异常的多指标性能数据;对异常数据进行清洗;所有的指标进行归一化处理,得到处理后的指标数据;根据不同指标数据确定不同指标的权重;
步骤二,使用受限玻尔兹曼机建模
步骤三,根据目标的异常数据比例确定判定阈值
建模完成后,将训练数据重新带入受限玻尔兹曼机模型计算,得到关于训练数据的重构数据;计算所有数据的加权欧式距离后,根据设定的异常数据的比例来确定异常判断的阈值;
步骤四,计算测试数据,通过阈值判断异常
将测试数据带入受限玻尔兹曼机模型计算,得到重构数据,计算重构数据和原测试数据的加权欧式距离,对于加权欧式距离过大,即超过步骤三中的阈值的样本,判断其为异常数据。
进一步地,步骤一中多指标性能数据至少包括以下内容的任意一项或任意项组合:
网络测速数据、宽带用户光衰数据以及pon口流量利用率数据。
进一步地,步骤一中对异常数据进行清洗,包括:
对于有缺失值的数据和连续值数据,选取平均值进行填充;对于离散值数据,选取众数进行填充;对于数据存在明显异常值的情况,将该数据进行删除处理。
进一步地,步骤一中归一化处理采用min-max标准化方法。
更进一步地,归一化处理公式为:
式中,x是单指标的原始值,min是该单指标在所有数据集中的最小值,max是该单指标在所有数据集中的最大值,x*是该单指标归一化处理后得到的值。
进一步地,步骤一中根据不同指标数据确定不同指标的权重,包括:
对于每一条单一的指标数据,一个尺度单位设为该指标数据分布的方差值的倒数;
通过统一除以权重中最小值的数来实现所有权重统一数值范围,此时权重最小的指标权重为1,其余指标权重均大于等于1;
若需要根据先验经验改变各指标的权重,则人工定义各指标先验经验的权重,将定义好的先验经验权重与权重指标相乘,得到新的权重指标。
进一步地,步骤三中加权欧氏距离的计算公式为:
式中,xi是第i个归一化处理后的原性能指标数据,yi是第i个经过模型重构后的性能指标数据,wi是步骤一计算得到的权重。
在本发明一实施例中,还提出了一种基于无监督模型的网路质量异常检测装置,该装置包括:
数据获取及预处理模块,用于通过数据采集系统获取到用于判断网络质量是否异常的多指标性能数据,对异常数据进行清洗,所有的指标进行归一化处理,得到处理后的指标数据,根据不同指标数据确定不同指标的权重;
建模模块,用于使用受限玻尔兹曼机建模;
阈值确定判定模块,用于建模完成后,将训练数据重新带入受限玻尔兹曼机模型计算,得到关于训练数据的重构数据,计算所有数据的加权欧式距离后,根据设定的异常数据的比例来确定异常判断的阈值;
异常数据判断模块,用于将测试数据带入受限玻尔兹曼机模型计算,得到重构数据,计算重构数据和原测试数据的加权欧式距离,对于加权欧式距离过大,即超过阈值确定判定模块中的阈值的样本,判断其为异常数据。
有益效果:
本发明提出的基于无监督模型的网路质量异常检测方法及装置通过受限玻尔兹曼机的计算能够找出多特征网络数据的正常分布范围,同时通过加权欧氏距离的计算可以找出异常样本,又可以根据实际数据情况调整不同特征的权重从而改变对于异常数据的筛选判断;对于没有标签样本的数据,可以有效的检测出网络质量异常的数据,且准确性较高。
附图说明
图1是本发明一实施例的基于无监督模型的网路质量异常检测方法流程示意图;
图2是本发明一实施例的基于无监督模型的网路质量异常检测装置结构示意图。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神,应当理解,给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明,而并非以任何方式限制本发明的范围。相反,提供这些实施方式是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
本领域技术人员知道,本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此,本公开可以具体实现为以下形式,即:完全的硬件、完全的软件(包括固件、驻留软件、微代码等),或者硬件和软件结合的形式。
根据本发明的实施方式,提出了一种基于无监督模型的网路质量异常检测方法及装置,通过受限玻尔兹曼机的计算能够找出多特征网络数据的正常分布范围,同时通过加权欧氏距离的计算可以找出异常样本,又可以根据实际数据情况调整不同特征的权重从而改变对于异常数据的筛选判断。
下面参考本发明的若干代表性实施方式,详细阐释本发明的原理和精神。
图1是本发明一实施例的基于无监督模型的网路质量异常检测方法流程示意图。如图1所示,该方法包括:
步骤一,数据获取及预处理
通过数据采集系统获取到用于判断网络质量是否异常的多指标性能数据,包括网络测速数据、宽带用户光衰数据以及pon口流量利用率数据等,性能指标数据在不同使用场景中可选取不同的指标;
对异常数据进行清洗,对于有缺失值的数据和连续值数据,选取平均值进行填充;对于离散值数据,选取众数进行填充;对于数据存在明显异常值的情况,将该数据进行删除处理;
所有的指标进行归一化处理,得到处理后的指标数据,其中:
归一化处理方式:min-max标准化;
归一化处理公式为:
式中,x是单指标的原始值,min是该单指标在所有数据集中的最小值,max是该单指标在所有数据集中的最大值,x*是该单指标归一化处理后得到的值;
根据不同指标数据确定不同指标的权重,包括:
对于每一条单一的指标数据,一个尺度单位设为该指标数据分布的方差值的倒数;
通过统一除以权重中最小值的数来实现所有权重统一数值范围,此时权重最小的指标权重为1,其余指标权重均大于等于1;
若需要根据先验经验改变各指标的权重,则人工定义各指标先验经验的权重,将定义好的先验经验权重与权重指标相乘,得到新的权重指标。
步骤二,使用受限玻尔兹曼机建模
受限玻尔兹曼机是一种通过输入数据集学习概率分布的随机生成神经网络,通过模型训练计算出隐层的权重来表达单元之间的相关性,模型对于给出的数据根据隐层值进行重构,重构值与数据值越接近则说明数据越正常,反之则说明数据异常;
受限玻尔兹曼机具有强大的无监督学习能力,通过隐藏层和可见层之间的单元连接能够学习数据中复杂的规则,适合用于分类任务,这与无标签的网络质量数据的异常检测场景十分吻合,并且受限玻尔兹曼机在一些有大量无标签数据的分类任务中已经取得了良好的效果,这也是我们在网络异常检测中选择受限玻尔兹曼机的原因之一。
步骤三,根据目标的异常数据比例确定判定阈值
建模完成后,将训练数据重新带入受限玻尔兹曼机模型计算,得到关于训练数据的重构数据,重构出的数据是模型认为的现有数据应当遵循的分布,若现有数据与重构数据差别过大,说明现有数据更可能是异常数据;阈值的确定方式是通过计算加权欧氏距离来确定,权重的确定基于上述步骤一中的计算不同指标权重的方式;计算所有数据的加权欧式距离后,根据设定的异常数据的比例(默认设定10%的数据为异常)来确定异常判断的阈值,其中:
加权欧氏距离的计算公式为:
式中,xi是第i个归一化处理后的原性能指标数据,yi是第i个经过模型重构后的性能指标数据,wi是步骤一计算得到的权重。
步骤四,计算测试数据,通过阈值判断异常
将测试数据带入受限玻尔兹曼机模型计算,得到重构数据,计算重构数据和原测试数据的加权欧式距离,对于加权欧式距离过大,即超过步骤三中的阈值的样本,判断其为异常数据。
需要说明的是,尽管在上述实施例及附图中以特定顺序描述了本发明方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
为了对上述基于无监督模型的网路质量异常检测方法进行更为清楚的解释,下面结合一个具体的实施例来进行说明,然而值得注意的是该实施例仅是为了更好地说明本发明,并不构成对本发明不当的限定。
下面以一个具体实施操作的结果为例,实现网路质量异常检测,具体如下:
我们通过数据采集获取到过去一个月的网络性能数据,数据指标包括网络测速数据,宽带用户光衰数据,pon口流量利用率数据等,按照上述方法进行建模,得到无监督的网络异常检测模型,然后我们以新的一天的数据进行测试验证:
测试数据共有3773156条,其中模型预测判断出的网络质量异常的数据为498935条;
我们将测试结果与测试数据中部分通过人工标记了网络异常标签的数据进行比较,得到测试结果准确率:97.95%,召回率:92.88%,精确率:91.49%,可以看出检测的准确性较高。
基于同一发明构思,本发明还提出一种基于无监督模型的网路质量异常检测装置。该装置的实施可以参见上述方法的实施,重复之处不再赘述。以下所使用的术语“模块”,可以是实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图2是本发明一实施例的基于无监督模型的网路质量异常检测装置结构示意图。如图2所示,该装置包括:
数据获取及预处理模块101,用于通过数据采集系统获取到用于判断网络质量是否异常的多指标性能数据,对异常数据进行清洗,所有的指标进行归一化处理,得到处理后的指标数据,根据不同指标数据确定不同指标的权重;
建模模块102,用于使用受限玻尔兹曼机建模;
阈值确定判定模块103,用于建模完成后,将训练数据重新带入受限玻尔兹曼机模型计算,得到关于训练数据的重构数据,计算所有数据的加权欧式距离后,根据设定的异常数据的比例来确定异常判断的阈值;
异常数据判断模块104,用于将测试数据带入受限玻尔兹曼机模型计算,得到重构数据,计算重构数据和原测试数据的加权欧式距离,对于加权欧式距离过大,即超过阈值确定判定模块中的阈值的样本,判断其为异常数据。
应当注意,尽管在上文详细描述中提及了基于无监督模型的网路质量异常检测装置的若干模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之,上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
本发明提出的基于无监督模型的网路质量异常检测方法及装置通过受限玻尔兹曼机的计算能够找出多特征网络数据的正常分布范围,同时通过加权欧氏距离的计算可以找出异常样本,又可以根据实际数据情况调整不同特征的权重从而改变对于异常数据的筛选判断。本发明对于没有标签样本的数据,可以有效的检测出网络质量异常的数据,且准确性较高。
虽然已经参考若干具体实施方式描述了本发明的精神和原理,但是应该理解,本发明并不限于所公开的具体实施方式,对各方面的划分也不意味着这些方面中的特征不能组合以进行受益,这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包含的各种修改和等同布置。
对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (8)
1.一种基于无监督模型的网路质量异常检测方法,其特征在于,该方法包括:
步骤一,数据获取及预处理
通过数据采集系统获取到用于判断网络质量是否异常的多指标性能数据;对异常数据进行清洗;所有的指标进行归一化处理,得到处理后的指标数据;根据不同指标数据确定不同指标的权重;
步骤二,使用受限玻尔兹曼机建模
步骤三,根据目标的异常数据比例确定判定阈值
建模完成后,将训练数据重新带入受限玻尔兹曼机模型计算,得到关于训练数据的重构数据;计算所有数据的加权欧式距离后,根据设定的异常数据的比例来确定异常判断的阈值;
步骤四,计算测试数据,通过阈值判断异常
将测试数据带入受限玻尔兹曼机模型计算,得到重构数据,计算重构数据和原测试数据的加权欧式距离,对于加权欧式距离过大,即超过步骤三中的阈值的样本,判断其为异常数据。
2.根据权利要求1所述的基于无监督模型的网路质量异常检测方法,其特征在于,所述步骤一中多指标性能数据至少包括以下内容的任意一项或任意项组合:
网络测速数据、宽带用户光衰数据以及pon口流量利用率数据。
3.根据权利要求1所述的基于无监督模型的网路质量异常检测方法,其特征在于,所述步骤一中对异常数据进行清洗,包括:
对于有缺失值的数据和连续值数据,选取平均值进行填充;对于离散值数据,选取众数进行填充;对于数据存在明显异常值的情况,将该数据进行删除处理。
4.根据权利要求1所述的基于无监督模型的网路质量异常检测方法,其特征在于,所述步骤一中归一化处理采用min-max标准化方法。
6.根据权利要求1所述的基于无监督模型的网路质量异常检测方法,其特征在于,所述步骤一中根据不同指标数据确定不同指标的权重,包括:
对于每一条单一的指标数据,一个尺度单位设为该指标数据分布的方差值的倒数;
通过统一除以权重中最小值的数来实现所有权重统一数值范围,此时权重最小的指标权重为1,其余指标权重均大于等于1;
若需要根据先验经验改变各指标的权重,则人工定义各指标先验经验的权重,将定义好的先验经验权重与权重指标相乘,得到新的权重指标。
8.一种基于无监督模型的网路质量异常检测装置,其特征在于,该装置包括:
数据获取及预处理模块,用于通过数据采集系统获取到用于判断网络质量是否异常的多指标性能数据,对异常数据进行清洗,所有的指标进行归一化处理,得到处理后的指标数据,根据不同指标数据确定不同指标的权重;
建模模块,用于使用受限玻尔兹曼机建模;
阈值确定判定模块,用于建模完成后,将训练数据重新带入受限玻尔兹曼机模型计算,得到关于训练数据的重构数据,计算所有数据的加权欧式距离后,根据设定的异常数据的比例来确定异常判断的阈值;
异常数据判断模块,用于将测试数据带入受限玻尔兹曼机模型计算,得到重构数据,计算重构数据和原测试数据的加权欧式距离,对于加权欧式距离过大,即超过阈值确定判定模块中的阈值的样本,判断其为异常数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010974194.0A CN112202630A (zh) | 2020-09-16 | 2020-09-16 | 一种基于无监督模型的网路质量异常检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010974194.0A CN112202630A (zh) | 2020-09-16 | 2020-09-16 | 一种基于无监督模型的网路质量异常检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112202630A true CN112202630A (zh) | 2021-01-08 |
Family
ID=74014987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010974194.0A Pending CN112202630A (zh) | 2020-09-16 | 2020-09-16 | 一种基于无监督模型的网路质量异常检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112202630A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113284000A (zh) * | 2021-04-08 | 2021-08-20 | 南方电网数字电网研究院有限公司 | 用户用电数据异常检测方法、装置、计算机设备 |
CN113822421A (zh) * | 2021-10-14 | 2021-12-21 | 平安科技(深圳)有限公司 | 基于神经网络的异常定位方法、系统、设备及存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268594A (zh) * | 2014-09-24 | 2015-01-07 | 中安消技术有限公司 | 一种视频异常事件检测方法及装置 |
CN106202946A (zh) * | 2016-07-18 | 2016-12-07 | 燕山大学 | 基于深度信念网络模型的水泥熟料游离钙含量预测方法 |
CN106611090A (zh) * | 2016-12-31 | 2017-05-03 | 中国科学技术大学 | 一种基于重构深度学习的道边空气污染物浓度预测方法 |
CN106919556A (zh) * | 2017-02-21 | 2017-07-04 | 重庆邮电大学 | 一种采用稀疏编码的自然语言语义深度解析算法 |
CN108089099A (zh) * | 2017-12-18 | 2018-05-29 | 广东电网有限责任公司佛山供电局 | 基于深度置信网络的配电网故障的诊断方法 |
CN108520301A (zh) * | 2018-04-17 | 2018-09-11 | 重庆大学 | 一种基于深度置信网络的电路间歇故障诊断方法 |
CN109147817A (zh) * | 2018-08-29 | 2019-01-04 | 昆明理工大学 | 一种基于变异受限玻尔兹曼机的去噪音频特征提取算法 |
CN109412900A (zh) * | 2018-12-04 | 2019-03-01 | 腾讯科技(深圳)有限公司 | 一种网络状态识别的方法、模型训练的方法及装置 |
CN109844749A (zh) * | 2018-08-29 | 2019-06-04 | 区链通网络有限公司 | 一种基于图算法的节点异常检测方法、装置及存储装置 |
CN109919306A (zh) * | 2019-03-25 | 2019-06-21 | 中国科学院上海高等研究院 | 高维数据异常检测系统及方法 |
CN109948424A (zh) * | 2019-01-22 | 2019-06-28 | 四川大学 | 一种基于加速度运动特征描述子的群体异常行为检测方法 |
CN110266728A (zh) * | 2019-07-17 | 2019-09-20 | 杨鲲 | 基于mqtt消息队列的安全防御及异常检测方法、装置及系统 |
US20200089534A1 (en) * | 2017-08-21 | 2020-03-19 | Shanghai Cambricon Information Technology Co., Ltd | Data sharing system and data sharing method therefor |
-
2020
- 2020-09-16 CN CN202010974194.0A patent/CN112202630A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268594A (zh) * | 2014-09-24 | 2015-01-07 | 中安消技术有限公司 | 一种视频异常事件检测方法及装置 |
CN106202946A (zh) * | 2016-07-18 | 2016-12-07 | 燕山大学 | 基于深度信念网络模型的水泥熟料游离钙含量预测方法 |
CN106611090A (zh) * | 2016-12-31 | 2017-05-03 | 中国科学技术大学 | 一种基于重构深度学习的道边空气污染物浓度预测方法 |
CN106919556A (zh) * | 2017-02-21 | 2017-07-04 | 重庆邮电大学 | 一种采用稀疏编码的自然语言语义深度解析算法 |
US20200089534A1 (en) * | 2017-08-21 | 2020-03-19 | Shanghai Cambricon Information Technology Co., Ltd | Data sharing system and data sharing method therefor |
CN108089099A (zh) * | 2017-12-18 | 2018-05-29 | 广东电网有限责任公司佛山供电局 | 基于深度置信网络的配电网故障的诊断方法 |
CN108520301A (zh) * | 2018-04-17 | 2018-09-11 | 重庆大学 | 一种基于深度置信网络的电路间歇故障诊断方法 |
CN109147817A (zh) * | 2018-08-29 | 2019-01-04 | 昆明理工大学 | 一种基于变异受限玻尔兹曼机的去噪音频特征提取算法 |
CN109844749A (zh) * | 2018-08-29 | 2019-06-04 | 区链通网络有限公司 | 一种基于图算法的节点异常检测方法、装置及存储装置 |
CN109412900A (zh) * | 2018-12-04 | 2019-03-01 | 腾讯科技(深圳)有限公司 | 一种网络状态识别的方法、模型训练的方法及装置 |
CN109948424A (zh) * | 2019-01-22 | 2019-06-28 | 四川大学 | 一种基于加速度运动特征描述子的群体异常行为检测方法 |
CN109919306A (zh) * | 2019-03-25 | 2019-06-21 | 中国科学院上海高等研究院 | 高维数据异常检测系统及方法 |
CN110266728A (zh) * | 2019-07-17 | 2019-09-20 | 杨鲲 | 基于mqtt消息队列的安全防御及异常检测方法、装置及系统 |
Non-Patent Citations (1)
Title |
---|
郑非凡,: ""基于ResNet深度神经网络的异常检测模型"", 《网络新媒体技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113284000A (zh) * | 2021-04-08 | 2021-08-20 | 南方电网数字电网研究院有限公司 | 用户用电数据异常检测方法、装置、计算机设备 |
CN113822421A (zh) * | 2021-10-14 | 2021-12-21 | 平安科技(深圳)有限公司 | 基于神经网络的异常定位方法、系统、设备及存储介质 |
CN113822421B (zh) * | 2021-10-14 | 2024-05-14 | 平安科技(深圳)有限公司 | 基于神经网络的异常定位方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112508105B (zh) | 一种采油机故障检测与检索方法 | |
CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
CN109816031B (zh) | 一种基于数据不均衡度量的变压器状态评估聚类分析方法 | |
CN109389145B (zh) | 基于计量大数据聚类模型的电能表生产厂商评价方法 | |
CN108647707B (zh) | 概率神经网络创建方法、故障诊断方法及装置、存储介质 | |
EP1958034B1 (en) | Use of sequential clustering for instance selection in machine condition monitoring | |
CN115409131B (zh) | 基于spc过程管控系统的生产线异常检测方法 | |
CN113780443B (zh) | 一种面向威胁检测的网络安全态势评估方法 | |
CN111665066B (zh) | 基于卷积神经网络的设备故障自适应上下预警界生成方法 | |
CN112202630A (zh) | 一种基于无监督模型的网路质量异常检测方法及装置 | |
CN109186964A (zh) | 基于角度重采样与roc-svm的旋转机械故障诊断方法 | |
CN111060316A (zh) | 基于卷积神经网络模型的滚动轴承状态监测方法和系统 | |
CN117454283A (zh) | 一种用于风电机组运行检测数据的状态评估方法 | |
CN115081331A (zh) | 一种基于状态参数重构误差的风电机组运行状态异常检测方法 | |
CN117093947B (zh) | 一种发电柴油机运行异常监测方法及系统 | |
CN112416661B (zh) | 基于压缩感知的多指标时间序列异常检测方法和装置 | |
CN113837591A (zh) | 一种面向多工况运行条件的装备健康评估方法 | |
CN116595465A (zh) | 基于自编码器和数据增强的高维稀疏数据离群点检测方法及系统 | |
CN113033845B (zh) | 一种电力传输资源共建共享的建设方法及装置 | |
CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
CN114387545A (zh) | 基于前馈网络的角膜生物力学特性的智能检测方法 | |
CN112580260A (zh) | 管网水流量的预测方法、装置以及计算机可读存储介质 | |
CN113051809A (zh) | 一种基于改进受限玻尔兹曼机的虚拟健康因子构建方法 | |
CN111881502A (zh) | 一种基于模糊聚类分析的桥梁状态判别方法 | |
CN111553396A (zh) | 一种配电自动化终端在线检测方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210108 |