CN113905405B - 一种电力无线接入专网异常流量检测方法 - Google Patents
一种电力无线接入专网异常流量检测方法 Download PDFInfo
- Publication number
- CN113905405B CN113905405B CN202111374755.4A CN202111374755A CN113905405B CN 113905405 B CN113905405 B CN 113905405B CN 202111374755 A CN202111374755 A CN 202111374755A CN 113905405 B CN113905405 B CN 113905405B
- Authority
- CN
- China
- Prior art keywords
- data
- cnn
- network
- wireless access
- power wireless
- 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 29
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 45
- 230000007246 mechanism Effects 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims abstract description 13
- 238000005070 sampling Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000015654 memory Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000000044 Amnesia Diseases 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 208000026139 Memory disease Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000006984 memory degeneration Effects 0.000 description 1
- 208000023060 memory loss Diseases 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及一种电力无线接入专网异常流量检测方法，包括以下步骤：S1：在电力无线接入专网场景下，对底层数据流进行采样并导入到OpenFlow控制器中，对数据流进行预处理及标准归一化；S2：采用卷积神经网络CNN提取时间序列数据特征并转化为维度固定的稠密向量，采用融合注意力机制的CNN单元捕捉时间序列细粒度特征；S3：将CNN提取的局部特征与长短期记忆网络LSTM提取的序列特征相结合，对电力接入专网流量数据进行异常检测。该方法有利于提高电力无线接入专网中异常流量检测的准确率。
Description
技术领域
本发明属于移动通信技术领域，具体涉及一种电力无线接入专网异常流量检测方法。
背景技术
随着电网规模的不断扩大及电力系统的不断升级改造，电网的信息化与智能化程度越来越高，电力数据量及种类呈现几何级数倍增的趋势，促使电网发展进入了大数据时代。智能电网给人类的社会生活带来了极大的便利的同时也带来网络异常故障的难题。以电力系统为目标的网络攻击和设备故障等突发事件会引发用户端的不正常断电和中断，造成巨大的经济损失和安全事故。因此，基于机器学习的电力系统异常检测具有重要的研究价值和现实意义。
目前，电力接入专网配电终端常采用基于IEC 60870-5-10规约(IEC 104)进行控制，由于无线接入信道质量伴随着业务存在着多变性，电力网络红均存在多变不可靠的业务流量，如延迟、吞吐量等因此，其流量具有特征维度高、规律性强、非线性的特点，导致异常流量检测处理时间长、实时性差等，然而选择较少的特征可能会导致畸形数据包、木马、缓冲区溢出等攻击类型难以被发现。由于大多数网络流量数据具有时序性，因此LSTM网络作为检测方法也得到诸多研究。LSTM网络具备一定的处理时序数据的信息挖掘能力，但当输入增多时，随着数据量的增大，单一长短期记忆网络训练时会出现梯度消失现象，并且伴随着模型的不稳定。
由于电力网数据具有海量、复杂、冗余等特点，因此，消除梯度消失问题以及提高检测精度成为电力网异常检测的首要目的。
发明内容
本发明的目的在于提供一种电力无线接入专网异常流量检测方法，该方法有利于提高电力无线接入专网中异常流量检测的准确率。
为实现上述目的，本发明采用的技术方案是：一种电力无线接入专网异常流量检测方法，包括以下步骤：
S1：在电力无线接入专网场景下，对底层数据流进行采样并导入到OpenFlow控制器中，对数据流进行预处理及标准归一化；
S2：采用卷积神经网络CNN提取时间序列数据特征并转化为维度固定的稠密向量，采用融合注意力机制的CNN单元捕捉时间序列细粒度特征；
S3：将CNN提取的局部特征与长短期记忆网络LSTM提取的序列特征相结合，对电力接入专网流量数据进行异常检测。
进一步地，该方法面向电力无线接入专网的异常流量检测，控制服务运行于OpenFlow控制器之上，ATD与无线核心网设备相连接；通过ATD对底层数据流进行采样导入到控制器中，对数据流的异常状态进行动态识别、预警和阻断。
进一步地，将电力网络数据输入CNN网络，首先在输入层输入流量数据Xi，以向量化成矩阵；输入长度限制为m，每条流量数据转换成n维向量；最后输出层输出二维矩阵Z＝[W1,W2,...Wm]，其中W＝[Xi1,Xi2,...Xin]表示为流量Xi的矩阵。
进一步地，在CNN单元中引入一种注意力机制来提高对重要特征的关注，将CNN模块的输出特征与重要特征的输出按元素相乘，由相应的注意机制模块进行输出；样本序列为CNN模块处理后的序列Xi的输出用WCNN表示，对应的注意力模块的输出用Wattention表示；将两个输出元素相乘，如下所示：
其中，表示元素乘式，i为时间序列在特征层中的对应位置，c表示通道；使用基于注意力机制的卷积神经网络AMCNN的最终特征层输出作为LSTM层的输入。
进一步地，在步骤S1中，在完成数据归一化标准处理后，使用两级时间窗口提取样本；第一时间窗记录作为输入序列的当前网络工作状态，第二时间窗记录作为标签预测的未来网络状态；将两个时间窗口设置为长度相等，根据不同时间窗的长度来比较模型的性能。
进一步地，该方法具体按如下步骤实现：
1)通过OpenFlows读取电网流量数据，并做归一化、标准化处理；
2)使用两级时间窗口提取样本数据，并输入至CNN单元；
3)将标准训练集数据通过CNN卷积层及最大池化层提取特征；
4)并行注意力机制模型同时与CNN模块进行细粒度特征提取，并输出特征矩阵；
5)通过LSTM网络训练分析特征矩阵，并对下一时间窗口数据进行预测；
6)将LSTM输出的矢量矩阵输入到Dropout层，以防止过拟合。
进一步地，在步骤S3中，通过sigmoid函数对全连通层的输出进行处理，得到0-1范围内的结果概率p，并设置阈值对预测结果进行分类。
与现有技术相比，本发明具有以下有益效果：提供了一种电力无线接入专网异常流量检测方法，通过基于深度学习的电力无线接入专网流量异常检测机制，可以实现较高的检测准确率以及较低的漏报误报率。针对电力网环境下，可以快速地应对因为流量异常而发生网络故障，从而大大提高了整体电力网络的鲁棒性，增强电力信息网络的安全性。
附图说明
图1为本发明实施例中异常流量检测模型示意图；
图2为本发明实施例中基于注意力机制的CNN-LSTM模型；
图3为本发明实施例的方法工作流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本实施例提供了一种电力无线接入专网异常流量检测方法，包括以下步骤：
S1：在电力无线接入专网场景下，对底层数据流进行采样并导入到OpenFlow控制器中，对数据流进行预处理及标准归一化；
S2：为避免序列特征稀疏分布的问题，采用卷积神经网络CNN提取时间序列数据特征并转化为维度固定的稠密向量；为防止记忆丢失和梯度分散问题，采用融合注意力机制的CNN单元捕捉重要的时间序列细粒度特征；
S3：将CNN提取的局部特征与长短期记忆网络LSTM提取的序列特征相结合，对电力接入专网流量数据进行异常检测。
本方法面向电力无线接入专网的异常流量检测。如图1所示，本发明提供了一种面向电力无线接入专网的异常流量检测模型。控制服务运行于OpenFlow控制器之上，ATD与无线核心网设备相连接。在异常流量识别方面，ATD对底层数据流进行采样导入到控制器中，对数据流的异常状态进行动态识别、预警和阻断。
通过对数据流的预处理以及标准归一化之后，使用基于注意力机制的CNN-LSTM模型来进行异常流量实时检测。
将OpenFlowS上读取的时间序列数据归一化处理，以加速模型收敛。数据归一化，即用以消除不同维度的数据之间的差异。对设备采集到的数据集中的数值型特征全部采用线性函数归一化处理进行等比例缩放。每一种特征数值范围转换为[0,1]，转换公式如下所示：
在完成数据归一化标准处理后，将使用两级时间窗口提取样本。第一时间窗记录作为输入序列的当前网络工作状态，第二时间窗记录作为标签预测的未来网络状态。将两个时间窗口设置为长度相等，根据不同时间窗的长度来比较模型的性能。
将电力网络数据输入CNN网络，首先在输入层输入流量数据Xi，以向量化成矩阵；输入长度限制为m，每条流量数据转换成n维向量；最后输出层输出二维矩阵Z＝[W1,W2,...Wm]，其中W＝[Xi1,Xi2,...Xin]表示为流量Xi的矩阵。
消除梯度消失问题以及提高检测精度是电力网异常检测的首要目的。通过对电网流量数据特点的分析，加入注意力机制可以加强对重要特征的提取，从而防止序列过长信息丢失的问题。并且由于电力网数据具有海量、复杂、冗余等特点，因此加入注意力机制可以更加合理的处理数据。注意力得分机制的定义如下：
ei＝a(u,vi)
其中，u是匹配的特征向量基于当前任务和用于与环境交互，vi是时间序列中时间戳的特征向量，ei是非规范注意力分数，αi为规范化注意力分数，c是根据注意力分数和特征序列vi计算出来的当前时间戳上的上下文特征。
如图2所示，本实施例构建了一种基于注意力机制的CNN-LSTM模型。
在CNN单元中引入注意力机制来提高对重要特征的关注，将CNN模块的输出特征与重要特征的输出按元素相乘，由相应的注意机制模块进行输出；样本序列为CNN模块处理后的序列Xi的输出用WCNN表示，对应的注意力模块的输出用Wattention表示；将两个输出元素相乘，如下所示：
其中，表示元素乘式，i为时间序列在特征层中的对应位置，c表示通道；使用基于注意力机制的卷积神经网络AMCNN的最终特征层输出作为LSTM层的输入。
如图3所示，基于AMCNN-LSTM模型进行电力网络异常检测的工作流程，具体包括以下步骤：
1)通过OpenFlows读取电网流量数据，并做归一化、标准化处理；
2)使用两级时间窗口提取样本数据，并输入至CNN单元；
3)将标准训练集数据通过CNN卷积层及最大池化层提取特征；
4)并行注意力机制模型同时与CNN模块进行细粒度特征提取，并输出特征矩阵；
5)通过LSTM网络训练分析特征矩阵，并对下一时间窗口数据进行预测；
6)将LSTM输出的矢量矩阵输入到Dropout层，以防止过拟合。
如图3所示，首先CNN的卷积层和池化层分别通过卷积运算和最大池化运算提取网络流量的特征，随后使用注意力模块进一步提取序列细粒度特征，将CNN单元处理后的输出与注意力单元的输出结合，得到AMCNN模块对序列数据特征提取后的输出矩阵。然后将提取到的特征矩阵输入到LSTM神经网络结构中进行网络异常预测，从LSTM模型中输出的矢量矩阵输入到Dropout层以防止数据过拟合。
通过sigmoid函数对全连通层的输出进行处理，得到0-1范围内的结果概率p，并设置阈值对预测结果进行分类。本实施例设定的阈值为0.5。当p大于0.5时，预测未来会出现网络故障，当p小于0.5时，预测未来不会出现网络故障。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (5)
1.一种电力无线接入专网异常流量检测方法，其特征在于，包括以下步骤：
S1：在电力无线接入专网场景下，对底层数据流进行采样并导入到OpenFlow控制器中，对数据流进行预处理及标准归一化；
S2：采用卷积神经网络CNN提取时间序列数据特征并转化为维度固定的稠密向量，采用融合注意力机制的CNN单元捕捉时间序列细粒度特征；
S3：将CNN提取的局部特征与长短期记忆网络LSTM提取的序列特征相结合，对电力接入专网流量数据进行异常检测；
在步骤S1中，在完成数据归一化标准处理后，使用两级时间窗口提取样本；第一时间窗记录作为输入序列的当前网络工作状态，第二时间窗记录作为标签预测的未来网络状态；将两个时间窗口设置为长度相等，根据不同时间窗的长度来比较模型的性能；
该方法具体按如下步骤实现：
1)通过OpenFlows读取电网流量数据，并做归一化、标准化处理；
2)使用两级时间窗口提取样本数据，并输入至CNN单元；
3)将标准训练集数据通过CNN卷积层及最大池化层提取特征；
4)并行注意力机制模型同时与CNN模块进行细粒度特征提取，并输出特征矩阵；
5)通过LSTM网络训练分析特征矩阵，并对下一时间窗口数据进行预测；
6)将LSTM输出的矢量矩阵输入到Dropout层，以防止过拟合。
2.根据权利要求1所述的一种电力无线接入专网异常流量检测方法，其特征在于，该方法面向电力无线接入专网的异常流量检测，控制服务运行于OpenFlow控制器之上，ATD与无线核心网设备相连接；通过ATD对底层数据流进行采样导入到控制器中，对数据流的异常状态进行动态识别、预警和阻断。
3.根据权利要求1所述的一种电力无线接入专网异常流量检测方法，其特征在于，将电力网络数据输入CNN网络，首先在输入层输入流量数据Xi，以向量化成矩阵；输入长度限制为m，每条流量数据转换成n维向量；最后输出层输出二维矩阵Z＝[W1,W2,...Wm]，其中W＝[Xi1,Xi2,...Xin]表示为流量Xi的矩阵。
4.根据权利要求1所述的一种电力无线接入专网异常流量检测方法，其特征在于，在CNN单元中引入一种注意力机制来提高对重要特征的关注，将CNN模块的输出特征与重要特征的输出按元素相乘，由相应的注意力机制模块进行输出；样本序列为CNN模块处理后的序列Xi的输出用WCNN表示，对应的注意力模块的输出用Wattention表示；将两个输出元素相乘，如下所示：
其中，表示元素乘式，i为时间序列在特征层中的对应位置，c表示通道；使用基于注意力机制的卷积神经网络AMCNN的最终特征层输出作为LSTM层的输入。
5.根据权利要求1所述的一种电力无线接入专网异常流量检测方法，其特征在于，在步骤S3中，通过sigmoid函数对全连通层的输出进行处理，得到0-1范围内的结果概率p，并设置阈值对预测结果进行分类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111374755.4A CN113905405B (zh) | 2021-11-19 | 2021-11-19 | 一种电力无线接入专网异常流量检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111374755.4A CN113905405B (zh) | 2021-11-19 | 2021-11-19 | 一种电力无线接入专网异常流量检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113905405A CN113905405A (zh) | 2022-01-07 |
| CN113905405B true CN113905405B (zh) | 2024-04-12 |
Family
ID=79194695
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111374755.4A Active CN113905405B (zh) | 2021-11-19 | 2021-11-19 | 一种电力无线接入专网异常流量检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113905405B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114611409B (zh) * | 2022-03-25 | 2024-02-02 | 国网江苏省电力有限公司泰州供电分公司 | 一种配电终端异常检测模型的建立方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111130839A (zh) * | 2019-11-04 | 2020-05-08 | 清华大学 | 一种流量需求矩阵预测方法及其系统 |
| CN111428789A (zh) * | 2020-03-25 | 2020-07-17 | 广东技术师范大学 | 一种基于深度学习的网络流量异常检测方法 |
| CN111935063A (zh) * | 2020-05-28 | 2020-11-13 | 国网电力科学研究院有限公司 | 一种终端设备异常网络访问行为监测系统及方法 |
| CN113537560A (zh) * | 2021-06-07 | 2021-10-22 | 同盾科技有限公司 | 用户投保意愿预测的方法、系统、电子装置和存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11625627B2 (en) * | 2020-04-21 | 2023-04-11 | Microsoft Technology Licensing, Llc | Predicted forecast offset from remote location sensor |
-
2021
- 2021-11-19 CN CN202111374755.4A patent/CN113905405B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111130839A (zh) * | 2019-11-04 | 2020-05-08 | 清华大学 | 一种流量需求矩阵预测方法及其系统 |
| CN111428789A (zh) * | 2020-03-25 | 2020-07-17 | 广东技术师范大学 | 一种基于深度学习的网络流量异常检测方法 |
| CN111935063A (zh) * | 2020-05-28 | 2020-11-13 | 国网电力科学研究院有限公司 | 一种终端设备异常网络访问行为监测系统及方法 |
| CN113537560A (zh) * | 2021-06-07 | 2021-10-22 | 同盾科技有限公司 | 用户投保意愿预测的方法、系统、电子装置和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113905405A (zh) | 2022-01-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103023927B (zh) | 一种稀疏表达下的基于非负矩阵分解的入侵检测方法及系统 | |
| CN114553983B (zh) | 一种基于深度学习高效工业控制协议解析方法 | |
| WO2023035757A1 (zh) | 生物聚合物的表征方法、装置、设备及计算机存储介质 | |
| CN113905405B (zh) | 一种电力无线接入专网异常流量检测方法 | |
| CN112738014A (zh) | 一种基于卷积时序网络的工控流量异常检测方法及系统 | |
| CN114281864A (zh) | 一种面向电力网络告警信息的关联分析方法 | |
| CN116699297A (zh) | 充电桩检测系统及其方法 | |
| CN111614576A (zh) | 一种基于小波分析和支持向量机的网络数据流量识别方法及系统 | |
| CN113687610B (zh) | 一种gan-cnn电力监测系统终端信息防护法方法 | |
| CN116055293A (zh) | 路由器的远程故障监控方法及路由器 | |
| CN111130942B (zh) | 一种基于消息大小分析的应用流量识别方法 | |
| CN116167370A (zh) | 基于日志时空特征分析的分布式系统异常检测方法 | |
| CN114611409B (zh) | 一种配电终端异常检测模型的建立方法及装置 | |
| CN117156442A (zh) | 基于5g网络的云数据安全保护方法及系统 | |
| CN114842371A (zh) | 一种无监督视频异常检测方法 | |
| CN113282433B (zh) | 集群异常检测方法、装置和相关设备 | |
| CN117082118A (zh) | 基于数据推导及端口预测的网络连接方法 | |
| CN114422515B (zh) | 一种适配电力行业的边缘计算架构设计方法及系统 | |
| CN113240098B (zh) | 基于混合门控神经网络的故障预测方法、装置和存储介质 | |
| CN113688953B (zh) | 基于多层gan网络的工控信号分类方法、装置和介质 | |
| CN115482436A (zh) | 图像筛选模型的训练方法、装置以及图像筛选方法 | |
| CN113935023A (zh) | 一种数据库异常行为检测方法及装置 | |
| CN113743306A (zh) | 一种基于slowfast双帧速率的实时智能视频监控异常行为分析方法 | |
| CN112417886A (zh) | 意图实体信息抽取方法、装置、计算机设备及存储介质 | |
| CN111626508A (zh) | 基于xgboost模型的轨道交通车载数据预测方法 |
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 |