CN113422720B - 基于边缘计算网关的异常检测方法 - Google Patents

基于边缘计算网关的异常检测方法 Download PDF

Info

Publication number
CN113422720B
CN113422720B CN202110690571.2A CN202110690571A CN113422720B CN 113422720 B CN113422720 B CN 113422720B CN 202110690571 A CN202110690571 A CN 202110690571A CN 113422720 B CN113422720 B CN 113422720B
Authority
CN
China
Prior art keywords
detection model
time sequence
detection
edge computing
sensor
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
CN202110690571.2A
Other languages
English (en)
Other versions
CN113422720A (zh
Inventor
张玉彬
田堂东
仇立佳
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.)
Hebei Zhuozhi Electronic Technology Co ltd
Original Assignee
Hebei Zhuozhi Electronic Technology Co ltd
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 Hebei Zhuozhi Electronic Technology Co ltd filed Critical Hebei Zhuozhi Electronic Technology Co ltd
Priority to CN202110690571.2A priority Critical patent/CN113422720B/zh
Publication of CN113422720A publication Critical patent/CN113422720A/zh
Application granted granted Critical
Publication of CN113422720B publication Critical patent/CN113422720B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/66—Arrangements for connecting between networks having differing types of switching systems, e.g. gateways
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
    • 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
    • H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
    • H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Selective Calling Equipment (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本公开的实施例提供了基于边缘计算网关的异常检测方法、装置、设备和计算机可读存储介质。应用于边缘计算网关，所述边缘计算网关部署有云服务器下发的预先训练的第一检测模型和第二检测模型，包括：接收与所述边缘计算网关相连接的多个传感器采集并上传的数据，所述数据为多变量时间序列；通过所述第一检测模型对所述多变量时间序列进行检测，确定对应的传感器的类别，将所述多变量时间序列中对应传感器的类别进行组合，构建基于所述多变量时间序列的词袋；通过所述第二检测模型对所述词袋进行检测，得到对应的检测结果；所述云服务器根据所述检测结果启动相应的异常应对方案。以此方式，可以降低上传至云服务器的数据量，减轻主干链路带宽负载。

Description

基于边缘计算网关的异常检测方法
技术领域
本公开的实施例一般涉及数据监测领域，并且更具体地，涉及基于边缘计算网关的异常检测方法、装置、设备和计算机可读存储介质。
背景技术
随着物联网技术飞速发展，以传感器为基础的检测网络被广泛应用于各种环境监测和控制当中。如大棚监控、森林监测、安防监测等。在系统部署过程中，大量的在线物联网终端设备连接在系统中。
当前物联网监测体系中，所有的传感器数据都被传输到MQTT服务器(云服务器)，通过存在云上的算法对现场的设备进行控制，然而体系中大量的数据上传和处理给MQTT服务器的带宽负载和实时性反馈等方面带来了严峻考验。
发明内容
根据本公开的实施例，提供了一种基于边缘计算网关的异常检测方案。
在本公开的第一方面，提供了一种基于边缘计算网关的异常检测方法，应用于边缘计算网关，所述边缘计算网关部署有云服务器下发的预先训练的第一检测模型和第二检测模型，该方法包括：
接收与所述边缘计算网关相连接的多个传感器采集并上传的数据，所述数据为多变量时间序列；
通过所述第一检测模型对所述多变量时间序列进行检测，确定对应的传感器的类别，将所述多变量时间序列中对应传感器的类别进行组合，构建基于所述多变量时间序列的词袋；
通过所述第二检测模型对所述词袋进行检测，得到对应的检测结果；
将所述第二检测模型的检测结果发送至云服务器，以便所述云服务器根据所述检测结果启动相应的异常应对方案。
进一步地，所述第一检测模型通过如下步骤训练得到：
对多个传感器采集并上传的多变时间序列进行传感器类别标注，生成第一训练样本集；
将所述第一训练样本集中的多变量时间序列作为输入，将与所述多变量时间序列对应的传感器类别作为期望输出，训练第一检测模型。
进一步地，所述第一检测模型包括基于WEASEL+MUSE分类器的检测模型。
进一步地，所述通过所述第一检测模型对所述多变量时间序列进行检测，确定对应的传感器的类别包括：
通过WEASEL+MUSE分类器分别为每一个传感器类别创建一个符号表示，生成一组特征；所述特征包括多窗口长度、单图、双图和维度标识；
基于所述WEASEL+MUSE分类器的一个热度编码表示所述特征，形成一个用于表示传感器类别的词。
进一步地，所述第二检测模型通过如下步骤训练得到：
生成第二训练样本集；所述第二训练样本集包括所述词袋中每个词的状态以及所述词袋对应的标注；
将所述词袋中每一个词的状态作为输入，将与所述词袋对应的标注作为输出，对所述第二检测模型进行训练。
进一步地，所述以便云服务器根据所述检测结果启动相应的异常应对方案包括：
若检测结果为异常，则将异常值发送至云服务器，所述云服务器根据接收的所述异常值启动相应的异常应对方案。
在本公开的第二方面，提供了一种基于边缘计算网关的异常检测装置，应用于边缘计算网关，所述边缘计算网关部署有云服务器下发的预先训练的第一检测模型和第二检测模型，该装置包括：
接收模块，用于接收与所述边缘计算网关相连接的多个传感器采集并上传的数据，所述数据为多变量时间序列；
构建模块，用于通过所述第一检测模型对所述多变量时间序列进行检测，确定对应的传感器的类别，将所述多变量时间序列中对应传感器的类别进行组合，构建基于所述多变量时间序列的词袋；
检测模块，用于通过所述第二检测模型对所述词袋进行检测，得到对应的检测结果；
处理模块，用于将所述第二检测模型的检测结果发送至云服务器，以便所述云服务器根据所述检测结果启动相应的异常应对方案。
在本公开的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。
在本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如根据本公开的第一方面的方法。
本申请实施例提供的基于边缘计算网关的异常检测方法，通过接收与所述边缘计算网关相连接的多个传感器采集并上传的数据，所述数据为多变量时间序列；通过所述第一检测模型对所述多变量时间序列进行检测，确定对应的传感器的类别，将所述多变量时间序列中对应传感器的类别进行组合，构建基于所述多变量时间序列的词袋；通过所述第二检测模型对所述词袋进行检测，得到对应的检测结果；所述云服务器根据所述检测结果启动相应的异常应对方案，提高了服务及信息反馈的实时性，降低了由于终端设备与MQTT服务器的远程交互所带来的回程时延。
应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
图1示出了能够在其中实现本公开的实施例的示例性运行环境的示意图；
图2示出了根据本公开的实施例的边缘计算网关的功能示意图；
图3示出了根据本公开的实施例的系统结构示意图；
图4示出了根据本公开的实施例的基于边缘计算网关的异常检测方法的流程图；
图5示出了根据本公开的实施例的分析概率图；
图6示出了根据本公开的实施例的基于边缘计算网关的异常检测装置的方框图；
图7示出了能够实施本公开的实施例的示例性电子设备的方框图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
图1示出了能够在其中实现本公开的实施例的示例性运行环境100的示意图。在运行环境100中包括MQTT服务器(云服务器)102、边缘计算网关104和传感器106。
其中，MQTT服务器102，用于大规模和高复杂度的数据处理及数据存储，例如，训练本公开中的第一检测模型和第二检测模型；接收边缘计算网关上传的检测结果等；
如图2所示，边缘计算网关104(边缘计算节点)可作为中继设备，用于对传感器106上传的数据进行异常检测，将检测结果发送至MQTT服务器102；接收MQTT服务器102反馈的异常应对方案，并转发至底层控制器执行所述异常应对方案；例如，当反馈的异常应对方案为温度异常应对方案时，可将所述方案发送至消防控制器，通过所述消防控制器启动对应的报警装置；
传感器106，用以实时感知并采集环境数据，将采集到的数据(多变量时间序列)发送至边缘计算网关104；所述传感器106包括温度、湿度、光照强度和/或二氧化碳浓度传感器等。
在一些实施例中，MQTT服务器102、边缘计算网关104和传感器106间可通过基于TCP(传输控制)协议的MQTT(消息队列遥测传输)协议作为主要的通信协议。
在一些实施例中，如图3所示，边缘计算网关104配有LoRa(远距离无线电(LongRange Radio)，一种线性调频扩频的调制技术)模块，可通过以太网、WiFi或移动数据流量等方式将数据上传至MQTT服务器102；相比现有的移动数据通信模块，所述LoRa模块具有如下优点：
1)无需为每一个监控单元(传感器106)支付流量费用，可节约了大量数据流量费用；
2)传输距离远，理论传输距离可达10km。即使在楼宇、工厂等环境下，考虑信号因阻隔而衰减，也可达到1km，通常可满足覆盖范围需求；
3)功耗低，不会对传感器106的电源模块带来压力，同时节约了经济成本；
4)可兼容各类传感器106；
可解决物联网系统中使用成本、覆盖范围和制式兼容的问题。
在一些实施例中，如图3所示，当监控范围较大时，可采用分组的形式对传感器106采集的数据进行检测。即，每个LoRa节点中包括对应区域内的所有传感器(每一个节点都嵌入了温度、湿度、光照强度以及二氧化碳浓度等传感器)，后续进行异常检测时以所述LoRa节点为单位，可进一步地加快数据处理速度。
图4示出了根据本公开实施例的基于边缘计算网关的异常检测方法400的流程图。方法400可以由图1中的边缘计算网关104执行；
其中，所述边缘计算网关104部署有云服务器102下发的预先训练的第一检测模型和第二检测模型。
S410，接收与所述边缘计算网关相连接的多个传感器采集并上传的数据，所述数据为多变量时间序列。
在一些实施例中，收与所述边缘计算网关相连接的多个传感器采集并上传的数据，形成多变量时间序列(MTSS)。
进一步地，可使用w维多变量时间序列s(t)＝[s1,s2,…,sw]描述传感器；例如，若采集的多变量时间序列数据是从LoRa节点发出时，可从中抽取关键性能指标温度、湿度、光照强度和/或二氧化碳浓度等，构建w维时间序列来描述所述传感器(LoRa节点)。
需要说明的是，所述传感器的类型和采集数据的时间，可根据实际应用场景进行设定。
S420，通过所述第一检测模型对所述多变量时间序列进行检测，确定对应的传感器的类别，将所有传感器的类别进行组合构建基于所述多变量时间序列的词袋；
在一些实施例中，所述第一检测模型可通过如下步骤训练得到：
对传感器上传的多变时间序列进行传感器类别标注，生成第一训练样本集；例如，将温度传感器类别标注为1、湿度传感器类别标注为2等；
将所述第一训练样本集中的多变量时间序列作为输入，将与所述多变量时间序列对应的传感器类别作为期望输出，训练所述第一检测模型；所述第一检测模型包括基于WEASEL+MUSE分类器的检测模型；
其中，所述WEASEL+MUSE分类器使用固定时间长度(依据数据采集的时间，可在相应网关中设置)组成的数据集(多变量时间序列)进行训练；
在一些实施例中，通过WEASEL+MUSE分类器分别为每一个传感器类别创建一个符号表示，生成一组特征；所述特征包括多窗口长度、单图、双图和维度标识等；
基于所述WEASEL+MUSE分类器的一个热度编码表示所述特征，形成一个用于表示传感器类别的词，即，将每个传感器的类别视为一个词；将所有传感器的类别进行组合构建基于所述多变量时间序列的词袋。
需要说明的是，通过所述WEASEL+MUSE热度编码表示的特性包含维度的标识符，可以描述不同维度上事件的共同发生，即，可以对每个词的描述更加精确。
S430，通过所述第二检测模型对所述词袋进行检测。
在一些实施例中，第二检测模型可通过如下步骤训练得到：
生成第二训练样本集；所述第二训练样本集包括所述词袋的状态以及所述词袋对应的标注；
将所述词袋状态作为输入，将与所述词袋对应的标注作为输出，对所述第二检测模型进行训练。
具体地，设定一个描述符集合，所述描述符集合包括所述词袋中所有词对应的标注。基于所述描述符集合，将欧氏距离作为聚类尺度通过k-means算法生成代码本，在每个聚类的中心定义一个时空词，即，每个传感器对应的标注被划分到唯一的类成员(时空词)；
如图5所示，图中水平部分(d-z-w)表示联合概率p(wi，dj，zk)，节点d、z、w、r和s均表示随机变量；所述i、j、k均为大于等于1的正整数；
所述d、w和s表示观察变量；所述z和r表示隐含量；
所述d表示多变量时空序列；
所述z表示传感器类别；
所述w表示时空词；
所述s表示实时网关数据；
所述k表示节点上传的网关综合数据数量；
所述r用于标识结果的状态(异常、正常)；
将步骤S420得到的词袋和所述代码本进行语义关联，即：
用p(dj)表示在获取的全部多变量时间序列中，选中多变量时间序列dj的概率；
用p(zk︱dj)表示多变量时间序列中dj属于传感器类别zk的概率；
用p(wi︱zk)表示在传感器类别zk中选中时空词wi的概率；
综上可得：
Figure BDA0003126537130000091
在所述多变量时空序列中选出时空词wi的概率为：
p(dj，wi)＝p(dj)p(wi︱dj)
根据条件概率可以得到：
Figure BDA0003126537130000092
其中，所述N为节点上传的传感器数据数量；
所述V表示时空词的个数；所述N和V均为大于等于1的正整数；
所述m为网关综合数据数量；
用MLE法估计参数，得到似然函数L：
Figure BDA0003126537130000101
对p求极大极大似然估计，得到目标函数为：
Figure BDA0003126537130000102
基于所述目标函数和全概率公式，通过EM算法求得所述p(wi︱zk)、p(zk︱dj)的值；所述全概率公式为：
Figure BDA0003126537130000103
综上，基于上述训练方法，训练得到第二检测模型，基于所述第二检测模型和概率公式确定下述异常检测公式：
Figure BDA0003126537130000104
通过上述异常检测公式对所述词袋进行检测，得到检测结果。
S440，将所述第二检测模型的检测结果发送至云服务器，以便所述云服务器根据所述检测结果启动相应的异常应对方案。
在一些实施例中，边缘计算网关104将步骤S430得到的检测结果和预存的数据异常行为表进行比对，若所述异常行为表中包括所述检测结果，则将所述检测结果(值)发送至云服务器102，所述云服务器102接收的所述检测结果，启动相应的异常应对方案；反之(数据正常)，则不向所述云服务器102发送任何信息。
进一步地，所述启动相应的异常应对方案包括：
云服务器102可直接将所述异常应对方案发送至底层控制器(例如，消防报警控制器等)，所述底层控制器接收并执行所述异常应对方案；
云服务器102也可将所述异常应对方案发送至边缘计算网关104，由所述边缘计算网关104作为中继，将所述异常应对方案转发至底层控制器，所述底层控制器接收并执行所述异常应对方案。
根据本公开的实施例，实现了以下技术效果：
基于边缘计算网关104，通过训练的第一、第二检测模型对传感器106上传的数据进行初步处理，分流MQTT服务器102的计算任务，降低上传至MQTT服务器102的数据量，从而减轻主干链路的带宽负载。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本公开所必须的。
以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。
图6示出了根据本公开的实施例的基于边缘计算网关的异常检测装置600的方框图。如图6所示，装置600包括：
接收模块610，用于接收与所述边缘计算网关相连接的多个传感器采集并上传的数据，所述数据为多变量时间序列；
构建模块620，用于通过所述第一检测模型对所述多变量时间序列进行检测，确定对应的传感器的类别，将所述多变量时间序列中对应传感器的类别进行组合，构建基于所述多变量时间序列的词袋；
检测模块630，用于通过所述第二检测模型对所述词袋进行检测，得到对应的检测结果；
处理模块640，用于将所述第二检测模型的检测结果发送至云服务器，以便所述云服务器根据所述检测结果启动相应的异常应对方案。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图7示出了可以用来实施本公开的实施例的电子设备700的示意性框图。如图所示，设备700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的计算机程序指令或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序指令，来执行各种适当的动作和处理。在RAM 703中，还可以存储设备700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理单元701执行上文所描述的各个方法和处理，例如方法400。例如，在一些实施例中，方法400可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由CPU 701执行时，可以执行上文描述的方法400的一个或多个步骤。备选地，在其他实施例中，CPU 701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法400。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)等等。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (8)

1.一种基于边缘计算网关的异常检测方法，应用于边缘计算网关，所述边缘计算网关部署有云服务器下发的预先训练的第一检测模型和第二检测模型；其特征在于，包括：
接收与所述边缘计算网关相连接的多个传感器采集并上传的数据，所述数据为多变量时间序列；
通过所述第一检测模型对所述多变量时间序列进行检测，确定对应的传感器的类别，将所述多变量时间序列中对应传感器的类别进行组合，构建基于所述多变量时间序列的词袋，所述第一检测模型通过如下步骤训练得到：对多个传感器采集并上传的多变时间序列进行传感器类别标注，生成第一训练样本集；将所述第一训练样本集中的多变量时间序列作为输入，将与所述多变量时间序列对应的传感器类别作为期望输出，训练第一检测模型；
通过所述第二检测模型对所述词袋进行检测，得到对应的检测结果，所述第二检测模型通过如下步骤训练得到：生成第二训练样本集；所述第二训练样本集包括所述词袋的状态以及所述词袋对应的标注；将所述词袋的状态作为输入，将与所述词袋对应的标注作为输出，对所述第二检测模型进行训练；
将所述第二检测模型的检测结果发送至云服务器，以便所述云服务器根据所述检测结果启动相应的异常应对方案。
2.根据权利要求1所述的方法，其特征在于，所述第一检测模型包括基于WEASEL+MUSE分类器的检测模型。
3.根据权利要求2所述的方法，其特征在于，所述通过所述第一检测模型对所述多变量时间序列进行检测，确定对应的传感器的类别包括：
通过WEASEL+MUSE分类器分别为每一个传感器类别创建一个符号表示，生成一组特征；所述特征包括多窗口长度、单图、双图和维度标识；
基于所述WEASEL+MUSE分类器的一个热度编码表示所述特征，形成一个用于表示传感器类别的词。
4.根据权利要求1所述的方法，其特征在于，所述以便云服务器根据所述检测结果启动相应的异常应对方案包括：
若检测结果为异常，则将异常值发送至云服务器，所述云服务器根据接收的所述异常值启动相应的异常应对方案。
5.一种基于边缘计算网关的异常检测装置，应用于边缘计算网关，所述边缘计算网关部署有云服务器下发的预先训练的第一检测模型和第二检测模型；其特征在于，包括：
接收模块，用于接收与所述边缘计算网关相连接的多个传感器采集并上传的数据，所述数据为多变量时间序列；
构建模块，用于通过所述第一检测模型对所述多变量时间序列进行检测，确定对应的传感器的类别，将所述多变量时间序列中对应传感器的类别进行组合，构建基于所述多变量时间序列的词袋，所述第一检测模型通过如下步骤训练得到：对多个传感器采集并上传的多变时间序列进行传感器类别标注，生成第一训练样本集；将所述第一训练样本集中的多变量时间序列作为输入，将与所述多变量时间序列对应的传感器类别作为期望输出，训练第一检测模型；
检测模块，用于通过所述第二检测模型对所述词袋进行检测，得到对应的检测结果，所述第二检测模型通过如下步骤训练得到：生成第二训练样本集；所述第二训练样本集包括所述词袋的状态以及所述词袋对应的标注；将所述词袋的状态作为输入，将与所述词袋对应的标注作为输出，对所述第二检测模型进行训练；
处理模块，用于将所述第二检测模型的检测结果发送至云服务器，以便所述云服务器根据所述检测结果启动相应的异常应对方案。
6.根据权利要求5所述的装置，其特征在于，所述第一检测模型通过如下步骤训练得到：
对传感器上传的多变时间序列进行传感器类别标注，生成第一训练样本集；
将所述第一训练样本集中的多变量时间序列作为输入，将与所述多变量时间序列对应的传感器类别作为期望输出，通过已训练完成的WEASEL+MUSE分类器对所述第一检测模型进行训练。
7.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～4中任一项所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～4中任一项所述的方法。
CN202110690571.2A 2021-06-22 2021-06-22 基于边缘计算网关的异常检测方法 Active CN113422720B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110690571.2A CN113422720B (zh) 2021-06-22 2021-06-22 基于边缘计算网关的异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110690571.2A CN113422720B (zh) 2021-06-22 2021-06-22 基于边缘计算网关的异常检测方法

Publications (2)

Publication Number Publication Date
CN113422720A CN113422720A (zh) 2021-09-21
CN113422720B true CN113422720B (zh) 2023-04-25

Family

ID=77789726

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110690571.2A Active CN113422720B (zh) 2021-06-22 2021-06-22 基于边缘计算网关的异常检测方法

Country Status (1)

Country Link
CN (1) CN113422720B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114896216A (zh) * 2022-02-21 2022-08-12 深圳市玄羽科技有限公司 基于区块链的工业互联网数据存储方法、系统及电子设备
CN114996233A (zh) * 2022-02-21 2022-09-02 深圳市玄羽科技有限公司 工业互联网平台数据处理方法、装置及计算机可读介质
CN114448830B (zh) * 2022-03-07 2024-04-05 中国农业银行股份有限公司 一种设备检测系统及方法
CN114760214B (zh) * 2022-04-21 2023-12-08 中国地质大学（北京） 基于边缘-云协作网络的服务异常检测方法
CN114710369B (zh) * 2022-06-06 2022-08-16 山东云天安全技术有限公司 一种异常数据检测方法、装置、计算机设备及存储介质
CN115412403B (zh) * 2022-07-14 2023-09-22 石家庄学院 基于云边协同的智能网关
CN115955334B (zh) * 2022-12-02 2023-11-10 深圳市铭励扬科技有限公司 一种基于边缘计算的网络攻击流量处理方法及系统
CN116192688A (zh) * 2023-02-17 2023-05-30 中科海微(北京)科技有限公司 面向边缘计算的分布式异常检测方法、装置、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110034968A (zh) * 2019-03-12 2019-07-19 上海交通大学 基于边缘计算的多传感器融合车辆安全异常检测方法
CN110411554A (zh) * 2018-04-27 2019-11-05 华为技术有限公司 一种电机设备检测方法、装置及系统
CN111291832A (zh) * 2020-03-11 2020-06-16 重庆大学 基于Stack集成神经网络的传感器数据分类方法
CN111753091A (zh) * 2020-06-30 2020-10-09 北京小米松果电子有限公司 分类方法、分类模型的训练方法、装置、设备及存储介质
CN112611936A (zh) * 2020-11-27 2021-04-06 云南大学 一种基于边缘计算的配网变压器故障动态检测与分类系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200225655A1 (en) * 2016-05-09 2020-07-16 Strong Force Iot Portfolio 2016, Llc Methods, systems, kits and apparatuses for monitoring and managing industrial settings in an industrial internet of things data collection environment

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110411554A (zh) * 2018-04-27 2019-11-05 华为技术有限公司 一种电机设备检测方法、装置及系统
CN110034968A (zh) * 2019-03-12 2019-07-19 上海交通大学 基于边缘计算的多传感器融合车辆安全异常检测方法
CN111291832A (zh) * 2020-03-11 2020-06-16 重庆大学 基于Stack集成神经网络的传感器数据分类方法
CN111753091A (zh) * 2020-06-30 2020-10-09 北京小米松果电子有限公司 分类方法、分类模型的训练方法、装置、设备及存储介质
CN112611936A (zh) * 2020-11-27 2021-04-06 云南大学 一种基于边缘计算的配网变压器故障动态检测与分类系统

Also Published As

Publication number Publication date
CN113422720A (zh) 2021-09-21

Similar Documents

Publication Publication Date Title
CN113422720B (zh) 基于边缘计算网关的异常检测方法
US20230083626A1 (en) Pipeline monitoring methods and internet of things based on smart gas pipeline network safety
US20210343095A1 (en) Automated architectural specification generation and hardware identification
CN111191767B (zh) 一种基于向量化的恶意流量攻击类型的判断方法
EP3248109A1 (en) Machine learning heterogeneous edge device, method, and system
US11537877B2 (en) Deep learning system for accelerated diagnostics on unstructured text data
CN113313280B (zh) 云平台的巡检方法、电子设备及非易失性存储介质
CN115396204A (zh) 一种基于序列预测的工控网络流量异常检测方法及装置
CN114819134A (zh) 更新机器学习模型的方法、设备和计算机程序产品
CN111736539B (zh) 一种监控数据显示方法、装置、系统、服务器及存储介质
CN112985518B (zh) 一种基于物联网的温湿度智能监测方法及装置
Khan et al. Internet of things and wireless sensor network solution in smart environmental monitoring
CN117146385A (zh) 一种基于物联网的通风系统和方法
CN116545740A (zh) 一种基于大数据的威胁行为分析方法及服务器
CN106292610B (zh) 智能家居控制系统
CN112738808B (zh) 无线网络中DDoS攻击检测方法、云服务器及移动终端
EP3686812A1 (en) System and method for context-based training of a machine learning model
CN106546535A (zh) 光学检测装置、光学检测方法与光学检测系统
US8150792B1 (en) System and method for performing activities based on proximity
CN111562539B (zh) 应用DataSocket技术实现智能电能表数据通信的系统及方法
CN111061795B (zh) 一种数据处理方法、装置、智能终端及存储介质
CN117596598B (zh) 一种无人机通讯协议数据异常检测方法
CN114596552B (zh) 信息处理方法、训练方法、装置、设备、车辆及介质
Kaushal et al. Interworking of M2M and oneM2M
CN116662801A (zh) 主机日志数据威胁检测模型训练方法、检测方法及装置

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
GR01 Patent grant
GR01 Patent grant