CN113473115B - 基于灰度形态学的机顶盒异常检测方法 - Google Patents

Abstract

本发明公开了一种基于灰度形态学的机顶盒异常检测方法，包括包含机顶盒设备电流数据获取、数据预处理、数据的膨胀腐蚀计算、数据的阈值及预测、预警；本发明通过内置安卓系统后台服务实时采集设备电流，对采集数据通过数学灰度形态学分析达到实时掌控设备运行情况，对可能出现的设备异常提前预警。

Description

基于灰度形态学的机顶盒异常检测方法

技术领域

本发明涉及机顶盒异常检测技术领域，特别是一种基于灰度形态学的机顶盒异常检测方法。

背景技术

随着互联网技术的不断发展，智能电视也取得了飞速的进展，现阶段智能电视数据源主要来源于机顶盒，机顶盒是基于一定条件的硬件配置由安卓系统加一系列相关的apk软件构成，由机顶盒输出信号到智能电视，同时让大多数用户在普通模拟电视机上实现既能娱乐，又能上网等多种服务。

当前，多数机顶盒制造厂商大多针对业务需求根据硬件配置对安卓系统进行裁剪，因此，一旦硬件发生异常，极有可能对系统运行造成重大影响，若出现此种情况，将影响用户使用体验，进而影响品牌口碑，不利品牌发展。

传统的对机顶盒的进行异常检测的方法存在以下缺点：

1、当前机顶盒异常层面的检测，工程师更多关注的是硬件损坏后的维修或替换；

2、已有技术主要是由用户输入故障与设备内置已有故障库进行匹配，依赖历史故障或专家库，受人工影响较大，并且是由用户主动发起，影响用户体验感受；

3、过渡依赖云端大数据预测，且依赖网络；本地设备难以支持深度学习或机器学习需要的环境。

发明内容

为解决现有技术中异常故障数据少，数据指标单一难以发现异常特征；数据中含有细小无意义噪声难以滤波或存在因硬件采集等存在的数据空洞；依赖专家库，数据指标之间的相互关系无法有效分析等问题，本发明的目的是提供一种基于灰度形态学的机顶盒异常检测方法。

为实现上述目的，本发明采用的技术方案是：一种基于灰度形态学的机顶盒异常检测方法，包括以下步骤：

(1)连续获取机顶盒的电流数据进行存储，采集连续An个周期的正常运行数据作为样本；

(2)初始化列表Ls，Ls1，Ls2，Lst1，Lst2，Lj1，Lj2，初始化字典M1和M2，对采集的样本进行归一化处理，分别计算各周期数据的参数，并将各周期计算出的参数转为二维矩阵m*n，加入到列表Ls，记列表Ls中子元素的个数为size；

(3)从列表Ls中随机选取k个矩阵到列表Ls1,剩下的矩阵加入列表Ls2,并重复j次，k取值区间为(size*0.3,size*0.7)之间的整数，且满足k＝X*Y,X和Y为大于1的整数，将每次产生的列表Ls1与列表Ls2分别加入到列表Lst1与列表Lst2，算Lst2中各子列表对应元素值的均值，构成灰度形态学中腐蚀膨胀运算的结构元素S，其结构也为m*n的二维矩阵；

(4)遍历列表Lst1,将子列表Ls1数据排列为X行Y列的二维矩阵R，共产生j个二维矩阵R；

(5)对j个二维矩阵R分别按结构元素S进行灰度形态学的腐蚀计算和膨胀计算，步长均为step；得到j个腐蚀结构矩阵并加入列表Lj1和j个膨胀结构矩阵并加入列表Lj2；

(6)遍历列表Lj1,对各子矩阵对应位置的元素排序，得到对应位置元素最大值max1和最小值min1，同时计算排序后前p1个点每相邻2点的变化幅度值和最后p1个点每相邻2点的变化幅度值，前p1点产生p1-1个幅度值后加权求和为ts1，计算变化均值为as1；最后p1点产生p1-1个幅度值后加权求和为te1，计算变化均值为ae1；将对应下标i作为字典M1键key，值为[min1*(1-as1),max1*(1+ae1)]区间加入M1；同时将设备信息和列表Lj1数据上传至云端；

(7)遍历Lj2,对各子矩阵对应位置的元素排序，得到对应位置元素最大值max2和最小值min2，同时计算排序后前p1个点每相邻2点的变化幅度值和最后p1个点每相邻2点的变化幅度值，前p1点产生p1-1个幅度值后加权求和为ts2，计算变化均值为as2；最后p1点产生p1-1个幅度值后加权求和为te2，计算变化均值为ae2；将对应下标i作为字典M2键key，值为[min2*(1-as2),max2*(1+ae2)]区间加入M2；同时将设备信息和列表Lj2数据上传至云端；

(8)计算实测数据k个周期的腐蚀结果矩阵和膨胀结果矩阵，各元素对应位置下标作为键key，分别从M1和M2中取出key对应的值v1,v2；v1为腐蚀矩阵元素对应的区间,v2为膨胀矩阵元素对应的区间，腐蚀矩阵对应元素在对应v1区间则计为正常，否则为不正常；膨胀矩阵对应元素在对应v2区间则计为正常，否则为不正常；投票法计算结果。

(9)根据投票法的结果，如果不正常票数多，则认为可能出现异常，异常次数加1；连续异常次数大于E且本地网络异常时，在设备端进行预警；若网络正常，将实测数据的腐蚀结果矩阵和膨胀结果矩阵上传至云端，云端通过深度神经网络模型二次判断，正常则不提示，否则更新异常数据库，并及时提示用户，流程结束。

作为本发明的进一步改进，在步骤(2)中，所述的参数包括各周期数据的均值、标准差、最大值、最小值、斜率、均方根、变异系数、中位数、当前数据与下一组数据的弗雷歇距离。

本发明的有益效果是：

本发明可以通过内置安卓系统后台服务实时采集设备电流，对采集数据通过数学灰度形态学分析达到实时掌控设备运行情况，对可能出现的设备异常提前预警，解决因设备出现问题给用户造成的困扰，可以在不需要异常数据的情况下本地进行异常检测，不需要前期大量数据的处理工作，通过数学形态学处理有效利用各参数指标关系，且设备不需要集成昂贵的人工智能算法模块组件，可以集成到设备终端，可以在出现重大异常前及时通知用户，算法简单有效。

附图说明

图1为本发明实施例的流程框图；

图2为本发明实施例中腐蚀计算和膨胀计算的位置变化示意图；

图3为本发明实施例中4行4列的二位矩阵R的结构示意图。

具体实施方式

下面结合附图对本发明的实施例进行详细说明。

实施例

灰度形态学是数学形态学的分支，主要在二值形态学基础上发展而来，有2个基本的运算，即腐蚀运算和膨胀运算；腐蚀运算即对需要计算的矩阵按结构元素矩阵大小进行对应位置相减，相减的最小值作为原点位置的新值，因此要求结构元素原点位置上下行数量一致，左右列数一致(即保持对称)，行数和列数可表示为(n乘以2+1),n为1时，表示3行3列，n为2时表示5行5列；膨胀运算即对需要计算的矩阵按结构元素矩阵大小进行对应位置相加，相加的最大值作为原点位置的新值；腐蚀和膨胀计算均按照一定步长向右向下移动。

如图1所示，一种基于灰度形态学的机顶盒异常检测方法，主要包含机顶盒设备电流数据获取、数据预处理、数据的膨胀腐蚀计算、数据的阈值及预测、预警；具体包含以下步骤：

步骤S1：开发源码环境下编译运行的后台服务软件，具体的以接收开机广播后，开启后台服务按分钟连续获取设备电流进行存储，获取电流方式按不同平台采用文件流读取对应平台指定系统目录下指定文件值，采集连续n分钟(即n个周期)的正常运行数据作为样本(根据用户播放电视习惯，建议采样周期为1440个周期)；对各周期样本数据进行最大值最小值归一化处理到[0,1]区间；

步骤S2：初始化列表Ls，Ls1，Ls2，Lst1，Lst2，Lj1，Lj2，初始化字典M1，M2；

步骤S3：分别计算各周期数据的均值、标准差、最大值、最小值、斜率、均方根、变异系数、相邻数据的弗雷歇距离，参数不仅限于此类参数指标，设定参数个数为m*n个，即可以表示为m行n列的二维矩阵(根据参数数量和灰度形态学计算需要，建议为3行3列的二维矩阵)，参数数据指标个数不足m*n的，尾部以0补齐；将各周期m行n列的二维矩阵加入列表Ls，即Ls每一个子元素均为m*n的二维矩阵，计算得到Ls子数据长度size；

步骤S4：从列表Ls中随机选取k个数据列表加入Ls1，剩下的加入Ls2,k取值区间为(size*0.3,size*0.7)之间的整数且满足k＝X*Y，X和Y为大于1的整数，Ls1列表结构如图3所示，这里表示的为4行4列，将Ls1加入Lst1,Ls2加入Lst2；

步骤S5：重复步骤S4执行j次，即Lst1，Lst2列表子元素个数均为j个，子元素均为m*n的二维矩阵列表；

步骤S6：遍历列表Lst2，计算各子列表对应下标子元素的均值(即所有m行n列矩阵对应下标位置的均值)，并加入结构元素S，即构成了腐蚀膨胀运算的结构元素，其结构也为m行n列的二维矩阵；

步骤S7：遍历列表Lst1，将子列表Ls1数据排列为X行Y列的二维矩阵R，如图3所示的结构，共产生j个二维矩阵R；

步骤S8：对j个二维矩阵R分别按结构元素S进行灰度形态学的腐蚀计算和膨胀计算，步长均为step，其中step表示为1<＝step<＝n的整数，腐蚀计算即将矩阵R与结构元素S同等矩阵大小对应位置值相减的最小值置为矩阵原点值进行更新，膨胀计算即将矩阵R与结构元素S同等矩阵大小对应位置值相加的最大值置为矩阵原点值进行更新；得到j个腐蚀结构矩阵并加入列表Lj1和j个膨胀结构矩阵并加入列表Lj2；腐蚀和膨胀计算位置变化如图2所示；

步骤S9：遍历Lj1,下标i＝0开始，总长度为j，子元素为Lj1[i]列表，将各Lj1[i]对应下标位置的元素加入新列表Lti，对Lti列表按从小到大排序，长度为size1,则Lti最大值max1＝Lti[size1-1]和最小值min1＝Lti[0]，同时计算排序后的Lti列表前p1个点每相邻2点的变化幅度值和最后p1个点每相邻2点的变化幅度值，计算规则如：Lti[0]/Lti[1]，Lti[1]/Lti[2]，Lti[2]/Lti[3]…；前p1点产生p1-1个幅度值后加权求和为ts1，计算变化均值为as1；最后p1点产生p1-1个幅度值后加权求和为te1，计算变化均值为ae1；其中p1为[2,size1/2]之间的整数；将下标i作为字典M1键key，值为[min1*(1-as1),max1*(1+ae1)]区间加入字典M1；同时将设备信息和Lj1数据上传至云端；

步骤S10：遍历Lj2,下标d＝0开始，总长度为j，子元素为Lj2[d]列表，将各Lj2[d]对应下标位置的元素加入新列表Ltd，对Ltd列表按从小到大排序，长度为size2,则Ltd最大值max2＝Ltd[size2-1]和最小值min2＝Ltd[0]，同时计算排序后的Ltd列表前p1个点每相邻2点的变化幅度值和最后p1个点每相邻2点的变化幅度值，计算规则如：Ltd[0]/Ltd[1]，Ltd[1]/Ltd[2]，Ltd[2]/Ltd[3]…；前p1点产生p1-1个幅度值后加权求和为ts2，计算变化均值为as2；最后p1点产生p1-1个幅度值后加权求和为te2，计算变化均值为ae2；其中p1为[2,size2/2]之间的整数；将下标d作为字典M2键key，值为[min2*(1-as2),max2*(1+ae2)]区间加入字典M2；同时将设备信息和Lj2数据上传至云端；

步骤S11：设置正常计数器n1＝0,不正常计数器n2＝0，异常次数计数器count＝0，异常次数标记为整数E；同理采集实测k个周期数据(在嵌入式环境下，建议采集30个周期的数据)，归一化后计算各周期数据的均值、标准差、最大值、最小值、斜率、均方根、变异系数、相邻数据弗雷歇距离等m*n个数据，产生了k个m*n结构数据，转换为X*Y结构的二维矩阵R2，对R2按结构元素S进行灰度形态学的腐蚀计算和膨胀计算，步长均为step；得到腐蚀结果矩阵T1和膨胀结果矩阵T2，分别将T1,T2各元素对应位置下标作为键key，分别从M1和M2中取出key对应的值v1,v2；v1为腐蚀矩阵元素对应的区间,v2为膨胀矩阵元素对应的区间；T1对应元素在对应v1区间则n1+＝1，否则为n2+＝1；T2对应元素在对应v2区间则n1+＝1，否则n2+＝1；投票法计算结果，如果n2>n1,则count+＝1；当count>E时则认定本地设备异常，无网络则后台服务应用提示用户进行预警；存在网络则上传T1和T2以及对应设备信息至云端进行深度神经网络二次校验判断，云端判断正常则不提示，否则云端更新异常数据库，并及时提示用户，count置0，重复执行S11步骤，流程结束。

在本实施例中，获取电流方式为安卓源码环境下开发的系统后台服务软件，以收到开机广播开始数据采集，并以文件流读取指定文件数据；以m*n数据的均值、标准差、最大值、最小值、斜率、均方根、变异系数、相邻数据的弗雷歇距离等参数作为灰度形态学计算的子数据；结构元素S的子元素为列表Lst2各子列表对应下标子元素的均值；实测周期数与列表Ls中随机选取的数据个数一致，均为k,且k是满足X*Y的，即可以构成X行Y列的矩阵；对腐蚀结果矩阵和膨胀结果矩阵均采取子元素最大值和最小值区间判断，且最大值和最小值变化阈值采用非固定形式；以最大值和最小值临近点变化幅值的均值作为阈值；对腐蚀结果矩阵和膨胀结果矩阵子元素分别采取不同的判断区间按投票法决策进行计数器累积；本地异常以连续异常次数达到E时为判断标准；且在网络运行的情况下，进行了云端二次校验判断。

以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (1)

1.一种基于灰度形态学的机顶盒异常检测方法，其特征在于，包括以下步骤：

(1)连续获取机顶盒的电流数据进行存储，采集连续An个周期的正常运行数据作为样本；

(2)初始化列表Ls，Ls1，Ls2，Lst1，Lst2，Lj1，Lj2，初始化字典M1和M2，对采集的样本进行归一化处理，分别计算各周期数据的参数，并将各周期计算出的参数转为二维矩阵m*n，加入到列表Ls，记列表Ls中子元素的个数为size；所述的参数包括各周期数据的均值、标准差、最大值、最小值、斜率、均方根、变异系数、中位数、当前数据与下一组数据的弗雷歇距离；

(3)从列表Ls中随机选取k个矩阵到列表Ls1,剩下的矩阵加入列表Ls2,并重复j次，k取值区间为(size*0.3,size*0.7)之间的整数，且满足k＝X*Y,X和Y为大于1的整数，将每次产生的列表Ls1与列表Ls2分别加入到列表Lst1与列表Lst2，算Lst2中各子列表对应元素值的均值，构成灰度形态学中腐蚀膨胀运算的结构元素S，其结构也为m*n的二维矩阵；

(4)遍历列表Lst1,将子列表Ls1数据排列为X行Y列的二维矩阵R，共产生j个二维矩阵R；

(5)对j个二维矩阵R分别按结构元素S进行灰度形态学的腐蚀计算和膨胀计算，步长均为step；得到j个腐蚀结构矩阵并加入列表Lj1和j个膨胀结构矩阵并加入列表Lj2；

(6)遍历列表Lj1,对各子矩阵对应位置的元素排序，得到对应位置元素最大值max1和最小值min1，同时计算排序后前p1个点每相邻2点的变化幅度值和最后p1个点每相邻2点的变化幅度值，前p1点产生p1-1个幅度值后加权求和为ts1，计算变化均值为as1；最后p1点产生p1-1个幅度值后加权求和为te1，计算变化均值为ae1；将对应下标i作为字典M1键key，值为[min1*(1-as1),max1*(1+ae1)]区间加入M1；同时将设备信息和列表Lj1数据上传至云端；

(7)遍历Lj2,对各子矩阵对应位置的元素排序，得到对应位置元素最大值max2和最小值min2，同时计算排序后前p1个点每相邻2点的变化幅度值和最后p1个点每相邻2点的变化幅度值，前p1点产生p1-1个幅度值后加权求和为ts2，计算变化均值为as2；最后p1点产生p1-1个幅度值后加权求和为te2，计算变化均值为ae2；将对应下标i作为字典M2键key，值为[min2*(1-as2),max2*(1+ae2)]区间加入M2；同时将设备信息和列表Lj2数据上传至云端；

(8)计算实测数据k个周期的腐蚀结果矩阵和膨胀结果矩阵，各元素对应位置下标作为键key，分别从M1和M2中取出key对应的值v1,v2；v1为腐蚀矩阵元素对应的区间,v2为膨胀矩阵元素对应的区间，腐蚀矩阵对应元素在对应v1区间则计为正常，否则为不正常；膨胀矩阵对应元素在对应v2区间则计为正常，否则为不正常；投票法计算结果；

(9)根据投票法的结果，如果不正常票数多，则认为可能出现异常，异常次数加1；连续异常次数大于E且本地网络异常时，在设备端进行预警；若网络正常，将实测数据的腐蚀结果矩阵和膨胀结果矩阵上传至云端，云端通过深度神经网络模型二次判断，正常则不提示，否则更新异常数据库，并及时提示用户，流程结束。

Images