CN113382413B - 基于机器学习的智能无人设备组网异常检测方法及系统 - Google Patents

基于机器学习的智能无人设备组网异常检测方法及系统 Download PDF

Info

Publication number
CN113382413B
CN113382413B CN202110634005.XA CN202110634005A CN113382413B CN 113382413 B CN113382413 B CN 113382413B CN 202110634005 A CN202110634005 A CN 202110634005A CN 113382413 B CN113382413 B CN 113382413B
Authority
CN
China
Prior art keywords
intelligent unmanned
networking
unmanned equipment
events
driving
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
Application number
CN202110634005.XA
Other languages
English (en)
Other versions
CN113382413A (zh
Inventor
李腾
方保坤
乔伟
廖艾
林杨旭
孙小敏
马卓
马建峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN202110634005.XA priority Critical patent/CN113382413B/zh
Publication of CN113382413A publication Critical patent/CN113382413A/zh
Application granted granted Critical
Publication of CN113382413B publication Critical patent/CN113382413B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/12—Detection or prevention of fraud
    • H04W12/121—Wireless intrusion detection systems [WIDS]; Wireless intrusion prevention systems [WIPS]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/009—Security arrangements; Authentication; Protecting privacy or anonymity specially adapted for networks, e.g. wireless sensor networks, ad-hoc networks, RFID networks or cloud networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Signal Processing (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Hardware Design (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

基于机器学习的智能无人设备组网异常检测方法及系统，检测方法包括：获取智能无人设备组网中每一辆智能无人设备的行驶数据和组网中相互通信所产生的网络数据，抽取不同特征的数据以表示智能无人设备组网在行驶过程中的行驶状态和网络状态，并将其转化为特征向量；对特征向量进行降维，并对降维后的特征向量根据密度分布进行智能无人设备的行驶事件聚类，将智能无人设备组网中各智能无人设备的行驶事件划分为正常事件和异常事件；针对划分后的行驶事件，将对应的特征向量整合成相应的矩阵输入机器学习模型中，学习正常事件和异常事件的特征，再利用模型对智能无人设备组网实现异常检测。本发明结合了行驶数据和网络数据，能实现高效的异常检测。

Description

基于机器学习的智能无人设备组网异常检测方法及系统
技术领域
本发明属于组网异常检测领域，具体涉及一种基于机器学习的智能无人设备组网异常检测方法及系统。
背景技术
智能无人设备组网是由多辆利用人为的无线电遥控操纵或自主程序控制装置操纵的可重复使用智能无人设备所组成的设备群体，例如，无人车、无人机、无人艇等。它们由于操纵性强、完成度高、执行任务能力灵活等特点，在生活中的很多领域都得到了广泛的应用，例如，农业灌溉、物流运输、抢险救灾、航拍摄影、军事监测等。相对于单个智能无人设备执行任务由于负荷有限、任务范围小而无法完成复杂任务等缺点，多架智能无人设备协同工作的智能无人设备组网能够更大范围地进行扩展应用。多设备、多平台的智能无人设备组网协同工作，可以实现协同、相互支撑互补，通过共享网络资源，相互通信配合完成任务。在智能无人设备组网中，因为智能无人设备间的无线网络传输的范围是有限的，所以当智能无人设备组网要完成相互的通信时，通常都是需要发生多跳的通信传播，在这其中智能无人设备就要承担起无线通信网络中的中继节点，这样在这其中也就形成了自组织网络。
由此可见，在这种移动自组织网中，有无线通信、无网络中心、拓扑结构多变和多跳中继等网络特点。由于在这个自组织网络中，每一架智能无人设备就是一个网络节点，通过无线链路进行通信，因此在这个过程中，若有恶意攻击者进行对智能无人设备组网的网络攻击或者欺骗攻击，可能会使得智能无人设备组网瘫痪，导致设备的碰撞损坏，造成极大的损失。为了保证智能无人设备组网行驶过程中的安全可靠运行，能够监测、管理智能无人设备组网的健康状况并在需要时采取预测措施是至关重要的。但是，目前针对智能无人设备组网在行驶的过程中，并没有可靠的异常检测的方法，并且在行驶过程中可能出现的行驶问题和网络问题并没有相关的关联，相结合检测的难度较大。因此，要确保智能无人设备组网的安全性和可靠性，需要其具备能够实时感知的异常检测能力以评估自身健康状况。
发明内容
本发明的目的在于针对上述现有技术中智能无人设备中行驶数据与网络数据相结合异常检测较为困难以及智能无人设备组网异常检测效果不佳的问题，提供一种基于机器学习的智能无人设备组网异常检测方法及系统，能够快速高效地实现对智能无人设备组网的异常检测。
为了实现上述目的，本发明有如下的技术方案：
一种基于机器学习的智能无人设备组网异常检测方法，包括以下步骤：
-获取智能无人设备组网中每一辆智能无人设备的行驶数据和组网中相互通信所产生的网络数据，抽取多种不同特征的数据以表示智能无人设备组网在行驶过程中的行驶状态和网络状态，并将其转化为特征向量；
-对特征向量进行降维，并对降维后的特征向量根据密度分布进行智能无人设备的行驶事件聚类，将智能无人设备组网中各智能无人设备的行驶事件划分为正常事件和异常事件；
-针对划分后的行驶事件，将对应的特征向量整合成相应的矩阵输入机器学习模型中，学习正常事件和异常事件的特征，再利用模型对智能无人设备组网实现异常检测。
作为本发明智能无人设备组网异常检测方法的一种优选方案，按下表根据智能无人设备的历史行驶数据抽取14种不同特征的数据：
Figure GDA0003806980800000021
Figure GDA0003806980800000031
通过以上14种特征的数据表示智能无人设备组网在行驶过程中的行驶状态。
作为本发明智能无人设备组网异常检测方法的一种优选方案，按下表根据智能无人设备组网的历史网络数据抽取11种不同特征的数据：
Figure GDA0003806980800000032
Figure GDA0003806980800000041
通过以上11种特征的数据表示智能无人设备组网在行驶过程中的网络状态。
作为本发明智能无人设备组网异常检测方法的一种优选方案，将表示行驶状态和网络状态共25种数据的特征向量整合成5*5的二维矩阵，作为模型输入。
作为本发明智能无人设备组网异常检测方法的一种优选方案，所述的对特征向量进行降维具体包括：利用PCA算法在不丢失智能无人设备的行驶数据和智能无人设备组网的网络数据的主要特征的条件下，将得到的高维向量降维成3至5维向量。
作为本发明智能无人设备组网异常检测方法的一种优选方案，使用DBSCAN算法进行智能无人设备的行驶事件聚类，根据数据分布的特征形成没有偏倚的聚类簇，进而划分出各智能无人设备行驶事件的正常事件和异常事件。
作为本发明智能无人设备组网异常检测方法的一种优选方案，所述的机器学习模型以卷积神经网络CNN算法和支持向量机SVM算法为核心，具体的，通过CNN算法实现对输入的特征向量的特征提取，再利用SVM算法替代CNN算法中的softmax以实现二分类的机器学习，从而实现异常检测。
作为本发明智能无人设备组网异常检测方法的一种优选方案，采用对智能无人设备组网的特殊智能无人设备以及组网中所有设备的平均值
Figure GDA0003806980800000042
进行异常检测，所述的特殊智能无人设备包括边缘智能无人设备Ei和中心智能无人设备Ci，若其中出现一个或多个异常事件，则视为智能无人设备组网出现异常事件。
本发明还提供一种基于机器学习的智能无人设备组网异常检测系统，包括：
特征向量获取模块，用于获取智能无人设备组网中每一辆智能无人设备的行驶数据和组网中相互通信所产生的网络数据，抽取多种不同特征的数据以表示智能无人设备组网在行驶过程中的行驶状态和网络状态，并将其转化为特征向量；
事件划分模块，用于对特征向量进行降维，并对降维后的特征向量根据密度分布进行智能无人设备的行驶事件聚类，将智能无人设备组网中各智能无人设备的行驶事件划分为正常事件和异常事件；
模型构建与检测模块，用于针对划分后的行驶事件，将对应的特征向量整合成相应的矩阵输入机器学习模型中，学习正常事件和异常事件的特征，再利用模型对智能无人设备组网实现异常检测。
作为本发明智能无人设备组网异常检测系统的一种优选方案，系统设置在智能无人设备组网的中枢控制无人设备中，所述中枢控制无人设备通过实时地接受和反馈组网中各智能无人设备的行驶数据和网络数据实现异常检测。
相较于现有技术，本发明至少具有如下有益效果：通过收集在智能无人设备组网在行驶过程产生的行驶数据和网络数据，这些数据都可以实时地反映出智能无人设备组网在行驶过程中的健康状况。因此通过对这些历史数据进行机器学习，实现了实时智能无人设备组网异常检测，保障了智能无人设备组网作业的安全性。通过智能无人设备在行驶过程中的行驶数据和智能无人设备组网的网络数据两者相结合形成的二维矩阵，通过将该二维矩阵输入机器学习模型中进行学习，兼顾了智能无人设备的行驶数据和智能无人设备组网中的网络数据，保障了智能无人设备组网异常检测的全面性。本发明异常检测方法具有比较高的计算效率并且拥有较高的异常检测准确率，能够在行驶过程中及时地反馈行驶健康状态和异常信息。在整体思路上将无结构、数量大的行驶数据和网络数据转化为数字向量，通过对得到的高维向量进行降维后，有效减轻了计算的负担。本发明不依赖于特定的智能无人设备组网，通过抽取智能无人设备组网中的智能无人设备常见的行驶数据特征和网络数据特征进行机器学习，可实现多种类及跨种类的智能无人设备组网的异常检测，具有良好的适用性。
进一步的，本发明异常检测方法利用了CNN算法与SVM算法相结合的机器学习算法，通过将智能无人设备的行驶数据和智能无人设备组网的网络数据相结合形成的二维矩阵输入卷积神经网络CNN进行特征学习，再输入支持向量机SVM中进行二分类，即通过CNN算法实现对输入的特征向量的特征提取，再利用SVM算法替代CNN算法中的softmax以实现二分类的机器学习，以此实现异常检测，这样能够使得检测的速度大大提升。
进一步的，本发明提出的智能无人设备组网异常检测系统设置在智能无人设备组网的中枢控制无人设备中，能够更快的执行异常检测。
附图说明
图1本发明基于机器学习的智能无人设备组网异常检测方法整体流程图；
图2本发明以CNN算法与SVM算法相结合构建机器学习模型的流程图；
图3本发明智能无人设备组网异常判定的流程图；
图4本发明方法的检测准确率统计图。
具体实施方式
下面结合附图对本发明做进一步的详细说明。
本发明提出的一种基于机器学习的智能无人设备组网异常检测方法，主要由两个阶段构成：机器学习阶段和异常检测阶段，参见图1所示流程。
首先，抽取智能无人设备组网中的行驶数据和网络数据，通过PCA算法对抽取到的所有特征向量进行降维处理，再利用DBSCAN算法对降维后的特征进行密度聚类，划分为正常事件和异常事件。然后将划分好事件的特征向量输入CNN算法进行特征提取，再输入SVM算法中以实现二分类，就可以实现对智能无人设备组网的异常检测。
本发明根据智能无人设备的历史行驶数据，选取14项特征，如表1所示。
表1
特征名称 单位 描述
e<sub>1</sub> m/s 传感器X轴速度
e<sub>2</sub> m/s 传感器Y轴速度
e<sub>3</sub> m/s 传感器Z轴速度
e<sub>4</sub> m/s^2 传感器X轴加速度
e<sub>5</sub> m/s^2 传感器Y轴加速度
e<sub>6</sub> m/s^2 传感器Z轴加速度
e<sub>7</sub> m/s GPS X轴速度
e<sub>8</sub> m/s GPS Y轴速度
e<sub>9</sub> m/s GPS Z轴速度
e<sub>10</sub> m/s^2 GPS X轴加速度
e<sub>11</sub> m/s^2 GPS Y轴加速度
e<sub>12</sub> m/s^2 GPS Z轴加速度
e<sub>13</sub> 待定 其他特征1
e<sub>14</sub> 待定 其他特征2
本发明根据智能无人设备组网的历史网络数据，选取11项特征，如表2所示
表2
Figure GDA0003806980800000071
Figure GDA0003806980800000081
在一种实施例中，基于机器学习的智能无人设备组网异常检测包括以下步骤：
步骤一、特征向量抽取；
(1a)从智能无人设备组中抽取相应的智能无人设备的行驶数据和网络数据，并从这些数据中抽取出给定的25项相关特征；智能无人设备的行驶数据中包括智能无人设备行驶过程中的速度、加速度以及与该无人设备相关的行驶特征(例如：无人机的飞行高度、无人艇的下潜深度)等共14项特征(e1,e2,e3,…,e14),以此衡量智能无人设备行驶状态。智能无人设备组网的通信数据中包括连接持续时间、数据字节数、两秒内的连接数以及错误连接数共11项特征(f1,f2,f3,…,f11)，以此衡量智能无人设备组网通信网络状态。
(1b)对抽取出来的数据进行过滤和预处理，筛除掉智能无人设备在预备阶段和结束阶段的相关参数，避免在此阶段的数据影响能无人设备组网的正常事件和异常事件划分，以及异常检测的效果；
(1c)将抽取到的25项特征数据对应的特征向量，转化成5*5的二维矩阵，作为后续步骤中事件划分以及机器学习、异常检测的输入；
步骤二、特征向量降维和事件划分；
(2a)由步骤(1c)得到的事件的特征向量矩阵，利用PCA算法，在不丢失主要特征的条件下，对得到的高维向量进行降维操作，使其降至3-5维，减少其计算复杂度；
(2b)得到降维后的特征向量，选择DBSCAN算法，利用特征向量密度的分布，将事件分类到集中的簇类当中，并归为正常事件。其他离群的特征向量则归为异常事件。以此实现正常事件与异常事件的划分。
步骤三、机器学习和异常检测；
(3a)根据步骤(1c)中得到的事件的特征向量矩阵和步骤(2b)中事件划分的结果，利用CNN算法实现对特征向量的特征进行抽取，并将CNN算法中最后的softmax替换成SVM算法，实现二元分类的效果，如图2所示。
(3b)将实时的行驶数据与网络数据输入训练好的机器学习模型中，即可实现对智能无人设备的异常检测。
(3c)针对智能无人设备组网的异常检测，参见图3，本发明对智能无人设备组网中的特殊智能无人设备和组网中所有设备的平均值进行异常检测，若其中出现一个或多个异常事件，则视为智能无人设备组网发生异常。智能无人设备组网的特殊智能无人设备例如边缘智能无人设备和中心智能无人设备，在预设的训练集上进行机器学习，统计准确率参见图4。
本发明还提供一种基于机器学习的智能无人设备组网异常检测系统，包括：
特征向量获取模块，用于获取智能无人设备组网中每一辆智能无人设备的行驶数据和组网中相互通信所产生的网络数据，抽取多种不同特征的数据以表示智能无人设备组网在行驶过程中的行驶状态和网络状态，并将其转化为特征向量；
事件划分模块，用于对特征向量进行降维，并对降维后的特征向量根据密度分布进行智能无人设备的行驶事件聚类，将智能无人设备组网中各智能无人设备的行驶事件划分为正常事件和异常事件；
模型构建与检测模块，用于针对划分后的行驶事件，将对应的特征向量整合成相应的矩阵输入机器学习模型中，学习正常事件和异常事件的特征，再利用模型对智能无人设备组网实现异常检测。
本发明的智能无人设备组网异常检测系统设置在智能无人设备组网的中枢控制无人设备中，中枢控制无人设备通过在行驶过程中的实时地接受和反馈其他智能无人设备的行驶数据和网络数据，可以实现快速、高效的完成智能无人设备组网异常检测。
以上描述的仅仅是本发明的一个具体实施例，并不构成对本发明技术方案的任何限制。显然对本领域的技术人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、思想的情况下，进行形式和细节上的各种修正和改变，但是这些基于本发明思想的修正和改变仍在本发明权利要求书的保护范围之内。

Claims (9)

1.一种基于机器学习的智能无人设备组网异常检测方法，其特征在于，包括以下步骤：
-获取智能无人设备组网中每一辆智能无人设备的行驶数据和组网中相互通信所产生的网络数据，抽取多种不同特征的数据以表示智能无人设备组网在行驶过程中的行驶状态和网络状态，并将其转化为特征向量；
-对特征向量进行降维，并对降维后的特征向量根据密度分布进行智能无人设备的行驶事件聚类，将智能无人设备组网中各智能无人设备的行驶事件划分为正常事件和异常事件；
-针对划分后的行驶事件，将对应的特征向量整合成相应的矩阵输入机器学习模型中，学习正常事件和异常事件的特征，再利用模型对智能无人设备组网实现异常检测；
所述的机器学习模型以卷积神经网络CNN算法和支持向量机SVM算法为核心，具体的，通过CNN算法实现对输入的特征向量的特征提取，再利用SVM算法替代CNN算法中的softmax以实现二分类的机器学习，从而实现异常检测。
2.根据权利要求1所述基于机器学习的智能无人设备组网异常检测方法，其特征在于：按下表根据智能无人设备的历史行驶数据抽取14种不同特征的数据：
Figure FDA0003806980790000011
Figure FDA0003806980790000021
通过以上14种特征的数据表示智能无人设备组网在行驶过程中的行驶状态。
3.根据权利要求2所述基于机器学习的智能无人设备组网异常检测方法，其特征在于：按下表根据智能无人设备组网的历史网络数据抽取11种不同特征的数据：
Figure FDA0003806980790000022
通过以上11种特征的数据表示智能无人设备组网在行驶过程中的网络状态。
4.根据权利要求3所述基于机器学习的智能无人设备组网异常检测方法，其特征在于：将表示行驶状态和网络状态共25种数据的特征向量整合成5*5的二维矩阵，作为模型输入。
5.根据权利要求1所述基于机器学习的智能无人设备组网异常检测方法，其特征在于，所述的对特征向量进行降维具体包括：利用PCA算法在不丢失智能无人设备的行驶数据和智能无人设备组网的网络数据的主要特征的条件下，将得到的高维向量降维成3至5维向量。
6.根据权利要求1所述基于机器学习的智能无人设备组网异常检测方法，其特征在于：使用DBSCAN算法进行智能无人设备的行驶事件聚类，根据数据分布的特征形成没有偏倚的聚类簇，进而划分出各智能无人设备行驶事件的正常事件和异常事件。
7.根据权利要求1所述基于机器学习的智能无人设备组网异常检测方法，其特征在于：采用对智能无人设备组网的特殊智能无人设备以及组网中所有设备的平均值
Figure FDA0003806980790000031
进行异常检测，所述的特殊智能无人设备包括边缘智能无人设备Ei和中心智能无人设备Ci，若其中出现一个或多个异常事件，则视为智能无人设备组网出现异常事件。
8.一种基于机器学习的智能无人设备组网异常检测系统，其特征在于，包括：
特征向量获取模块，用于获取智能无人设备组网中每一辆智能无人设备的行驶数据和组网中相互通信所产生的网络数据，抽取多种不同特征的数据以表示智能无人设备组网在行驶过程中的行驶状态和网络状态，并将其转化为特征向量；
事件划分模块，用于对特征向量进行降维，并对降维后的特征向量根据密度分布进行智能无人设备的行驶事件聚类，将智能无人设备组网中各智能无人设备的行驶事件划分为正常事件和异常事件；
模型构建与检测模块，用于针对划分后的行驶事件，将对应的特征向量整合成相应的矩阵输入机器学习模型中，学习正常事件和异常事件的特征，再利用模型对智能无人设备组网实现异常检测；所述的机器学习模型以卷积神经网络CNN算法和支持向量机SVM算法为核心，具体的，通过CNN算法实现对输入的特征向量的特征提取，再利用SVM算法替代CNN算法中的softmax以实现二分类的机器学习，从而实现异常检测。
9.根据权利要求8所述基于机器学习的智能无人设备组网异常检测系统，其特征在于：系统设置在智能无人设备组网的中枢控制无人设备中，所述中枢控制无人设备通过实时地接受和反馈组网中各智能无人设备的行驶数据和网络数据实现异常检测。
CN202110634005.XA 2021-06-07 2021-06-07 基于机器学习的智能无人设备组网异常检测方法及系统 Active CN113382413B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110634005.XA CN113382413B (zh) 2021-06-07 2021-06-07 基于机器学习的智能无人设备组网异常检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110634005.XA CN113382413B (zh) 2021-06-07 2021-06-07 基于机器学习的智能无人设备组网异常检测方法及系统

Publications (2)

Publication Number Publication Date
CN113382413A CN113382413A (zh) 2021-09-10
CN113382413B true CN113382413B (zh) 2022-09-27

Family

ID=77576186

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110634005.XA Active CN113382413B (zh) 2021-06-07 2021-06-07 基于机器学习的智能无人设备组网异常检测方法及系统

Country Status (1)

Country Link
CN (1) CN113382413B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109885092A (zh) * 2019-03-25 2019-06-14 西安电子科技大学 一种无人机飞控数据的识别方法
CN110086776A (zh) * 2019-03-22 2019-08-02 国网河南省电力公司经济技术研究院 基于深度学习的智能变电站网络入侵检测系统及检测方法
CN111736566A (zh) * 2019-03-25 2020-10-02 南京智能制造研究院有限公司 一种基于机器学习与边缘计算的远程设备健康预测方法
CN111753300A (zh) * 2020-06-29 2020-10-09 浙江工业大学 面向强化学习的检测防御异常数据方法和装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10460255B2 (en) * 2016-07-29 2019-10-29 Splunk Inc. Machine learning in edge analytics
US10931687B2 (en) * 2018-02-20 2021-02-23 General Electric Company Cyber-attack detection, localization, and neutralization for unmanned aerial vehicles
CN111626092B (zh) * 2020-03-26 2023-04-07 陕西陕北矿业韩家湾煤炭有限公司 一种基于机器学习的无人机影像地裂缝识别及提取方法
CN111907730B (zh) * 2020-07-31 2021-12-10 西安电子科技大学 一种实时在线的无人机多故障异常检测方法及设备
CN112100137A (zh) * 2020-09-07 2020-12-18 西安电子科技大学 一种基于多日志协同分析的无人机异常检测方法
CN112288155B (zh) * 2020-10-23 2022-12-09 云南昆船设计研究院有限公司 基于机器学习和协同过滤的安防预案生成调度方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110086776A (zh) * 2019-03-22 2019-08-02 国网河南省电力公司经济技术研究院 基于深度学习的智能变电站网络入侵检测系统及检测方法
CN109885092A (zh) * 2019-03-25 2019-06-14 西安电子科技大学 一种无人机飞控数据的识别方法
CN111736566A (zh) * 2019-03-25 2020-10-02 南京智能制造研究院有限公司 一种基于机器学习与边缘计算的远程设备健康预测方法
CN111753300A (zh) * 2020-06-29 2020-10-09 浙江工业大学 面向强化学习的检测防御异常数据方法和装置

Also Published As

Publication number Publication date
CN113382413A (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
CN111970309B (zh) 基于Spark车联网组合深度学习入侵检测方法及系统
CN109582040B (zh) 一种无人机集群队形及性能脆弱性评估方法及系统
US11757723B2 (en) Distributed secure state reconstruction method based on double-layer dynamic switching observer
CN108334033A (zh) 基于物联网与机器学习的冲床组故障预测方法及其系统
CN110321940B (zh) 飞行器遥测数据特征提取与分级分类方法及装置
CN112367303B (zh) 分布式自学习异常流量协同检测方法及系统
US11881014B2 (en) Intelligent image sensing device for sensing-computing-cloud integration based on federated learning framework
CN115510950A (zh) 基于时间卷积网络的飞行器遥测数据异常检测方法及系统
CN113111115A (zh) 一种数据信息管理系统及其方法
CN114595773A (zh) 基于工厂生产过程的多源异构孪生数据融合方法及系统
CN116542322A (zh) 一种联邦学习方法
Fouda et al. A lightweight hierarchical AI model for UAV-enabled edge computing with forest-fire detection use-case
CN116112283A (zh) 一种基于cnn-lstm的电力系统网络安全态势预测方法及系统
CN113382413B (zh) 基于机器学习的智能无人设备组网异常检测方法及系统
CN116756225B (zh) 一种基于计算机网络安全的态势数据信息处理方法
CN111770133B (zh) 一种多体慧联云控平台
CN113887330A (zh) 一种基于遥感图像的目标检测系统
CN117034189A (zh) 多源物联网数据融合方法
CN115001937B (zh) 面向智慧城市物联网的故障预测方法及装置
CN113703482B (zh) 大型无人机群中基于简化注意力网络的任务规划方法
CN116052024A (zh) 基于轻量化目标识别神经网络模型的电力线路巡检方法
CN116224791A (zh) 智能制造协作机器人边缘系统的协作训练控制方法
CN114549962A (zh) 一种园林植物叶病分类方法
CN112104407A (zh) 基于隐私保护的无人机群通信网络异常检测及溯源方法
CN108199868A (zh) 一种基于战术云的集群系统分布式控制方法

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