CN113949656B - 一种基于人工智能的安防网络监测系统 - Google Patents
一种基于人工智能的安防网络监测系统 Download PDFInfo
- Publication number
- CN113949656B CN113949656B CN202111203889.XA CN202111203889A CN113949656B CN 113949656 B CN113949656 B CN 113949656B CN 202111203889 A CN202111203889 A CN 202111203889A CN 113949656 B CN113949656 B CN 113949656B
- Authority
- CN
- China
- Prior art keywords
- state
- network
- security
- node
- point
- 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
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
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- H04L43/04—Processing captured monitoring data, e.g. for logfile generation
-
- 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
- H04L43/04—Processing captured monitoring data, e.g. for logfile generation
- H04L43/045—Processing captured monitoring data, e.g. for logfile generation for graphical visualisation of monitoring data
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及一种基于人工智能的安防网络监测系统，其包括：安防节点、网络状态检测服务器和数据库，各安防节点与网络状态检测服务器具有通信连接。安防节点实时发送网络性能数据到网络状态检测服务器，网络状态检测服务器根据网络性能数据的发送时间和发送顺序生成网络时序数据，并根据网络性能数据和网络时序数据生成安防节点的节点网络状态数据集，然后根据所有安防节点的节点网络状态数据集生成网络状态轨迹曲线。网络状态检测服务器删除网络状态轨迹曲线中的孤立状态点，并根据网络状态轨迹曲线中除孤立状态点外的状态点生成安防网络状态图，然后将安防网络状态图输入状态检测模型以输出安防网络的网络状态值。
Description
技术领域
本发明涉及人工智能和智慧安防领域，尤其涉及一种基于人工智能的安防网络监测系统。
背景技术
安防系统又称安全防范系统，以维护安全为目的，运用安全防范产品和其它相关产品所构成的入侵报警系统、视频安防系统、出入口控制系统、防爆安全系统等。智慧城市的安防系统，不仅需要对自然属性的天灾进行防范，也需要对人为破坏的人祸进行防范，以构建安全和谐的社会环境，保证居民的生活安全。
对于安防网络来说的良好的网络状态是十分重要的，但是现有的检测安防网络的网络状态的方法大多通过探测接收安防节点的网络缓冲区状态来反映当前的网络状态，但是，这种方式的准确性并不是很高。因此，急需一种高效并且准确的网络状态检测方法。
发明内容
为了解决上述问题，本发明提供了一种基于人工智能的安防网络监测系统，其包括：
安防节点、网络状态检测服务器和数据库，各安防节点与网络状态检测服务器具有通信连接；网络状态检测服务器与数据库具有通信连接；安防节点周期性地发送网络性能数据到网络状态检测服务器；
网络状态检测服务器根据网络性能数据的发送时间和发送顺序生成网络时序数据，并根据网络时序数据对网络性能数据进行时序分解以获取安防节点在周期内每个时间点的节点网络状态数据，然后将所有节点网络状态数据按照时间顺序排列以得到安防节点在周期内的节点网络状态数据集；
网络状态检测服务器对安防节点的节点网络状态数据集的每个节点网络状态数据进行状态编码得到安防节点的节点网络状态信号，并将安防节点的所有节点网络状态信号按照时间顺序进行排列得到安防节点的节点网络状态序列，然后将安防节点的节点网络状态序列输入特征重构模型输出安防节点的时序状态特征；
网络状态检测服务器根据安防网络中所有安防节点的时序状态特征生成网络状态轨迹曲线，并根据网络状态轨迹曲线计算每个状态点的前序曲线度和后序曲线度，然后将前序曲线度和后序曲线度之差大于预设阈值的状态点作为孤立状态点；所述状态点表征相应安防节点在周期内的网络状态；
网络状态检测服务器删除网络状态轨迹曲线中的孤立状态点，并根据网络状态轨迹曲线中除了孤立状态点外的状态点生成安防网络状态图，然后将安防网络状态图输入状态检测模型以输出安防网络的网络状态值；
状态检测模型的卷积神经网络提取安防网络状态图的安防网络状态特征，并根据安防网络中各安防节点的节点上下文将安防网络状态特征按照安防网络状态图的网络结构转换为安防网络在各个时刻的安防网络静态特征；
将安防网络在各个时刻的安防网络静态特征进行时序化后输入状态检测模型的递归神经网络以对时序化后的安防网络静态特征进行迭代计算以输出安防网络的安防网络动态特征；
状态检测模型的BP神经网络对安防网络动态特征进行特征重要性分析，并根据特征重要性进行特征权重分配以得到特征权重矩阵；通过特征权重矩阵对安防网络动态特征进行加权操作，并对加权操作后的安防网络动态特征进行偏置操作后计算安防网络的网络状态值。
进一步地，所述网络性能数据表征相应安防节点的网络性能指标，其包括：速率、带宽、吞吐量、发送时延、处理时延和排队时延；所述网络时序数据表征相应安防节点的网络性能数据的时序信息。
进一步地，所述状态检测模型包括卷积神经网络、递归神经网络和BP神经网络；所述特征重构模型包括卷积层、池化层、反卷积层和反池化层。
进一步地，所述状态点的前序曲线度为网络状态轨迹曲线中状态点与该状态点的前序状态点之间的轨迹曲线段的曲线度；所述状态点的前序状态点为从该状态点开始沿着网络状态轨迹曲线的正方向所遇到的第一个状态点。所述状态点的后序曲线度为网络状态轨迹曲线中状态点与该状态点的后序状态点之间的轨迹曲线段的曲线度；所述状态点的后序状态点为从该状态点开始沿着网络状态轨迹曲线的负方向所遇到的第一个状态点。
进一步地，网络状态检测服务器将安防节点的节点网络状态序列输入特征重构模型以输出安防节点的时序状态特征包括：
卷积层利用多个卷积核从多个角度提取安防节点的节点网络状态信号的特征以得到安防节点的若干个局部状态特征，并对安防节点的所有局部状态特征进行卷积操作以捕捉安防节点的所有局部状态特征的局部关联性以得到安防节点的局部关联特征；
池化层对安防节点的所有局部状态特征进行池化操作以对安防节点的所有局部状态特征在空间维度进行压缩和去冗余，并将安防节点的所有局部状态特征进行特征融合以得到安防节点的全局状态特征，然后将安防节点的全局状态特征和安防节点的局部关联特征进行特征拼接以得到安防节点的关联状态特征；
反卷积层对安防节点的关联状态特征进行转置卷积以得到安防节点的转置状态特征；反池化层对安防节点的转置状态特征进行反池化以对以得到安防节点的节点网络状态特征；卷积层在时间维度上对安防节点的所有节点网络状态特征进行卷积得到安防节点的时序状态特征。
进一步地，网络状态检测服务器根据安防网络中所有安防节点的时序状态特征生成网络状态轨迹曲线包括：
网络状态检测服务器从数据库获取安防节点的节点上下文，并根据安防节点的节点上下文获取安防节点与其他安防节点的网络结构距离；
网络状态检测服务器获取安防节点的邻域半径中的安防节点，并将其作为安防节点的邻域节点，然后根据安防节点与各邻域节点的网络结构距离将邻域节点的时序状态特征迭代的聚合在安防节点以得到安防节点的节点状态特征；
网络状态检测服务器将安防网络中各安防节点的节点状态特征映射到状态空间以得到安防网络中各安防节点的状态点，并提取安防网络中各安防节点的状态点的空间位置特征，然后将安防网络中所有安防节点的状态点根据空间顺序和空间位置特征进行平滑连接以得到网络状态轨迹曲线。
进一步地，网络状态检测服务器根据网络状态轨迹曲线中除孤立状态点外的状态点生成安防网络状态图包括：
网络状态检测服务器将网络状态轨迹曲线中除了孤立状态点外的状态点作为联合状态点，并将所有的联合状态点进行相空间重构以得到每个联合状态点的相空间向量；
网络状态检测服务器按照网络状态轨迹曲线中联合状态点的空间顺序遍历所有的联合状态点，并将正在遍历的联合状态点作为目标状态点，然后将除了目标状态点外的其他联合状态点作为候选状态点；
网络状态检测服务器计算目标状态点的相空间向量与每个候选状态点的相空间向量的向量之差以得到目标状态点与每个候选状态点的相空间差向量，并根据相空间差向量计算目标状态点与每个候选状态点的第一移动值，然后将第一移动值大于第一移动阈值的候选状态点平移至与目标状态点处于同一垂直线的位置；
网络状态检测服务器获取目标状态点的前序状态点和后序状态点，并将其作为目标前序点和目标后序点，然后分别计算目标状态点的相空间向量与目标前序点的相空间向量和目标后序点的相空间向量的向量差以得到前序差向量和后序差向量；
网络状态检测服务器计算前序差向量和后序差向量的向量差以得到前后差向量，并根据前后差向量计算目标状态点的第二移动值；
在目标状态点的第二移动值大于第二移动阈值时，网络状态检测服务器将目标前序点和目标后序点平移至与目标状态点处于同一水平线的位置；
重复以上步骤，直到遍历完所有的联合状态点，并根据此时所有联合状态点的位置生成安防网络状态图。
本发明具有以下有益效果：本发明通过各安防节点的网络状态数据利用特征重构模型建模安防网络的多角度时序特征，并通过反卷积网络对安防的原始状态进行重构从而使学习到的特征能够尽可能多的包含安防网络状态有关的重要特征信息从而提高检测安防网络状态的准确率。
附图说明
图1为一示例性实施例提供的一种基于人工智能的安防网络监测系统的结构框图。
具体实施方式
下面将结合本文实施例中的附图，对本文实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本文一部分实施例，而不是全部的实施例。基于本文中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本文保护的范围。
参见图1，在一个实施例中，一种基于人工智能的安防网络监测系统可以包括：
安防节点、网络状态检测服务器和数据库，各安防节点与网络状态检测服务器具有通信连接；网络状态检测服务器与数据库具有通信连接；安防节点周期性地发送网络性能数据到网络状态检测服务器；
网络状态检测服务器根据网络性能数据的发送时间和发送顺序生成网络时序数据，并根据网络时序数据对网络性能数据进行时序分解以获取安防节点在周期内每个时间点的节点网络状态数据，然后将所有节点网络状态数据按照时间顺序排列以得到安防节点在周期内的节点网络状态数据集；
网络状态检测服务器对安防节点的节点网络状态数据集的每个节点网络状态数据进行状态编码得到安防节点的节点网络状态信号，并将安防节点的所有节点网络状态信号按照时间顺序进行排列得到安防节点的节点网络状态序列，然后将安防节点的节点网络状态序列输入特征重构模型输出安防节点的时序状态特征；
网络状态检测服务器根据安防网络中所有安防节点的时序状态特征生成网络状态轨迹曲线，并根据网络状态轨迹曲线计算每个状态点的前序曲线度和后序曲线度，然后将前序曲线度和后序曲线度之差大于预设阈值的状态点作为孤立状态点；所述状态点表征相应安防节点在周期内的网络状态；
网络状态检测服务器删除网络状态轨迹曲线中的孤立状态点，并根据网络状态轨迹曲线中除了孤立状态点外的状态点生成安防网络状态图，然后将安防网络状态图输入状态检测模型以输出安防网络的网络状态值；
状态检测模型的卷积神经网络提取安防网络状态图的安防网络状态特征，并根据安防网络中各安防节点的节点上下文将安防网络状态特征按照安防网络状态图的网络结构转换为安防网络在各个时刻的安防网络静态特征；
将安防网络在各个时刻的安防网络静态特征进行时序化后输入状态检测模型的递归神经网络以对时序化后的安防网络静态特征进行迭代计算以输出安防网络的安防网络动态特征；
状态检测模型的BP神经网络对安防网络动态特征进行特征重要性分析，并根据特征重要性进行特征权重分配以得到特征权重矩阵；通过特征权重矩阵对安防网络动态特征进行加权操作，并对加权操作后的安防网络动态特征进行偏置操作后计算安防网络的网络状态值。
为了便于理解，下面对本发明的工作方法和原理进行具体说明。
具体的，在一个实施例中，一种基于人工智能的安防网络监测系统执行的工作流程可以包括以下步骤：
S1、网络状态检测服务器实时获取安防网络中安防节点在周期内的网络性能数据和网络时序数据，并根据所述网络时序数据对网络性能数据进行时序分解以获取安防节点在周期内每个时间点的节点网络状态数据，然后将所有节点网络状态数据按照时间顺序排列以得到安防节点在周期内的节点网络状态数据集。
具体地，网络性能数据表征相应安防节点在周期内所有时间点的网络性能指标，其包括：速率、带宽、吞吐量、发送时延、处理时延和排队时延；网络时序数据表征相应安防节点的网络性能数据的时序信息。节点网络状态数据集为按照时间顺序进行排列的若干个节点网络状态数据。节点网络状态数据用于表征相应安防节点在特定时间点的网络性能指标的数据。
S2、网络状态检测服务器对安防节点的节点网络状态数据集的每个节点网络状态数据进行状态编码以得到安防节点的节点网络状态信号，并将安防节点的所有节点网络状态信号按照时间顺序进行排列以得到安防节点的节点网络状态序列，然后将安防节点的节点网络状态序列输入特征重构模型以输出安防节点的时序状态特征。
节点网络状态序列为按照时间进行排列的若干个节点网络状态信号，节点网络状态信号用于表征相应安防节点在相应时间点的网络状态。
节点网络状态数据和节点网络状态信号都用于表示相应安防节点在相应时间点的网络状态，但是节点网络状态数据和节点网络状态信号的表现形式不同。
特征重构模型包括卷积层、池化层、反卷积层和反池化层。
在一个实施例中，网络状态检测服务器将安防节点的节点网络状态序列输入特征重构模型以输出安防节点的时序状态特征包括：
卷积层利用多个卷积核从多个角度提取安防节点的节点网络状态信号的特征以得到安防节点的若干个局部状态特征，并对安防节点的所有局部状态特征进行卷积操作以捕捉安防节点的所有局部状态特征的局部关联性以得到安防节点的局部关联特征；
池化层对安防节点的所有局部状态特征进行池化操作以对安防节点的所有局部状态特征在空间维度进行压缩和去冗余，并将安防节点的所有局部状态特征进行特征融合以得到安防节点的全局状态特征，然后将安防节点的全局状态特征和安防节点的局部关联特征进行特征拼接以得到安防节点的关联状态特征；
反卷积层对安防节点的关联状态特征进行转置卷积以得到安防节点的转置状态特征；反池化层对安防节点的转置状态特征进行反池化以对以得到安防节点的节点网络状态特征；卷积层在时间维度上对安防节点的所有节点网络状态特征进行卷积得到安防节点的时序状态特征。
S3、网络状态检测服务器从数据库获取安防节点的节点上下文，并根据安防节点的节点上下文获取安防节点与其他安防节点的网络结构距离；获取安防节点的邻域半径中的安防节点，并将其作为安防节点的邻域节点，然后根据安防节点与各邻域节点的网络结构距离将邻域节点的时序状态特征迭代的聚合在安防节点以得到安防节点的节点状态特征。
可选地，节点上下文记录了安防节点与其他安防节点的结构关系。邻域半径为根据实际情况预先进行设置。安防节点的邻域节点为该安防节点与邻域节点的网络结构距离小于或等于邻域半径。节点状态特征用于表征安防节点的网络状态特征。
S4、网络状态检测服务器将安防网络中各安防节点的节点状态特征映射到状态空间以得到安防网络中各安防节点的状态点，并提取安防网络中各安防节点的状态点的空间位置特征，然后将安防网络中所有安防节点的状态点根据空间顺序和空间位置特征进行平滑连接以得到网络状态轨迹曲线。
状态点表征相应安防节点在周期内的网络状态。网络状态轨迹曲线记录了安防网络在一个周期内的网络状态的变化情况。
S5、网络状态检测服务器根据网络状态轨迹曲线计算每个状态点的前序曲线度和后序曲线度并将前序曲线度和后序曲线度之差大于预设阈值的状态点作为孤立状态点。
在一个实施例中，所述状态点的前序曲线度为网络状态轨迹曲线中状态点与该状态点的前序状态点之间的轨迹曲线段的曲线度；所述状态点的前序状态点为从该状态点开始沿着网络状态轨迹曲线的正方向所遇到的第一个状态点。所述状态点的后序曲线度为网络状态轨迹曲线中状态点与该状态点的后序状态点之间的轨迹曲线段的曲线度；所述状态点的后序状态点为从该状态点开始沿着网络状态轨迹曲线的负方向所遇到的第一个状态点。预设阈值为判断孤立状态点的临界值，根据实际情况预先进行设置。
S6、网络状态检测服务器删除网络状态轨迹曲线中的孤立状态点，并根据网络状态轨迹曲线中除了孤立状态点外的状态点生成安防网络状态图，然后将安防网络状态图输入状态检测模型以输出安防网络的网络状态值。
状态检测模型包括：卷积神经网络、递归神经网络和BP神经网络；
在一个实施例中，网络状态检测服务器根据网络状态轨迹曲线中除了孤立状态点外的状态点生成安防网络状态图包括：
网络状态检测服务器将网络状态轨迹曲线中除了孤立状态点外的状态点作为联合状态点，并将所有的联合状态点进行相空间重构以得到每个联合状态点的相空间向量；
网络状态检测服务器按照网络状态轨迹曲线中联合状态点的空间顺序遍历所有的联合状态点，并将正在遍历的联合状态点作为目标状态点，然后将除了目标状态点外的其他联合状态点作为候选状态点；
网络状态检测服务器计算目标状态点的相空间向量与每个候选状态点的相空间向量的向量之差以得到目标状态点与每个候选状态点的相空间差向量，并根据相空间差向量计算目标状态点与每个候选状态点的第一移动值，然后将第一移动值大于第一移动阈值的候选状态点平移至与目标状态点处于同一垂直线的位置；
网络状态检测服务器获取目标状态点的前序状态点和后序状态点，并将其作为目标前序点和目标后序点，然后分别计算目标状态点的相空间向量与目标前序点的相空间向量和目标后序点的相空间向量的向量差以得到前序差向量和后序差向量；
网络状态检测服务器计算前序差向量和后序差向量的向量差以得到前后差向量，并根据前后差向量计算目标状态点的第二移动值；
在目标状态点的第二移动值大于第二移动阈值时，网络状态检测服务器将目标前序点和目标后序点平移至与目标状态点处于同一水平线的位置；
重复以上步骤，直到遍历完所有的联合状态点，并根据此时所有联合状态点的位置生成安防网络状态图。
第一移动阈值和第二移动阈值为根据实际情况预先进行设置。
在一个实施例中，将安防网络状态图输入状态检测模型以输出安防网络的网络状态值包括：
状态检测模型的卷积神经网络提取安防网络状态图的安防网络状态特征，并根据安防网络中各安防节点的节点上下文将安防网络状态特征按照安防网络状态图的网络结构转换为安防网络在各个时刻的安防网络静态特征；
将安防网络在各个时刻的安防网络静态特征进行时序化后输入状态检测模型的递归神经网络以对时序化后的安防网络静态特征进行迭代计算以输出安防网络的安防网络动态特征；
状态检测模型的BP神经网络对安防网络动态特征进行特征重要性分析，并根据特征重要性进行特征权重分配以得到特征权重矩阵；通过特征权重矩阵对安防网络动态特征进行加权操作，并对加权操作后的安防网络动态特征进行偏置操作后计算安防网络的网络状态值。
网络状态值用于评价网络状态的优劣程度。
本发明通过各安防节点的网络状态数据利用特征重构模型建模安防网络的多角度时序特征，并通过反卷积网络对安防的原始状态进行重构从而使学习到的特征能够尽可能多的包含安防网络状态有关的重要特征信息从而提高检测安防网络状态的准确率。
另外，在本文各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本文的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本文各个实施例所述方法的全部或部分步骤而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另外，虽然上面参考特定模块讨论了特定功能，但是应当注意，本文讨论的各个模块的功能可以分为多个模块，和/或多个模块的至少一些功能可以组合成单个模块。另外，本文讨论的特定模块执行动作包括该特定模块本身执行动作，或者替换地该特定模块调用或以其他方式访问执行该动作的另一个组件或模块(或结合该特定模块一起执行动作)。因此，执行动作的特定模块可以包括执行动作的特定模块本身和/或执行动作的该特定模块调用或以其他方式访问的另一模块。
需要理解的是，尽管第一、第二、第三等术语在本文中可以用来描述各种设备、元件、部件或元素，但是这些设备、元件、部件或元素不应当由这些术语限制。这些术语仅用来将一个设备、元件、部件或元素与另一个设备、元件、部件或元素相区分。
尽管已经结合一些实施例描述了本发明，但是其不旨在被限于在本文中所阐述的特定形式。相反，本发明的范围仅由所附权利要求来限制。特征在权利要求中的次序不暗示特征必须以其工作的任何特定次序。此外，在权利要求中，词“包括”不排除其它元件，并且不定冠词“一”或“一个”不排除多个。
Claims (8)
1.一种基于人工智能的安防网络监测系统，其特征在于，其包括：安防节点、网络状态检测服务器和数据库，各安防节点与网络状态检测服务器具有通信连接；网络状态检测服务器与数据库具有通信连接；安防节点周期性地发送网络性能数据到网络状态检测服务器；
网络状态检测服务器根据网络性能数据的发送时间和发送顺序生成网络时序数据，并根据网络时序数据对网络性能数据进行时序分解以获取安防节点在周期内每个时间点的节点网络状态数据，然后将所有节点网络状态数据按照时间顺序排列以得到安防节点在周期内的节点网络状态数据集；
网络状态检测服务器对安防节点的节点网络状态数据集的每个节点网络状态数据进行状态编码得到安防节点的节点网络状态信号，并将安防节点的所有节点网络状态信号按照时间顺序进行排列得到安防节点的节点网络状态序列，然后将安防节点的节点网络状态序列输入特征重构模型输出安防节点的时序状态特征；
网络状态检测服务器根据安防网络中所有安防节点的时序状态特征生成网络状态轨迹曲线，并根据网络状态轨迹曲线计算每个状态点的前序曲线度和后序曲线度，然后将前序曲线度和后序曲线度之差大于预设阈值的状态点作为孤立状态点；所述状态点表征相应安防节点在周期内的网络状态；
网络状态检测服务器删除网络状态轨迹曲线中的孤立状态点，并根据网络状态轨迹曲线中除了孤立状态点外的状态点生成安防网络状态图，然后将安防网络状态图输入状态检测模型以输出安防网络的网络状态值；
状态检测模型的卷积神经网络提取安防网络状态图的安防网络状态特征，并根据安防网络中各安防节点的节点上下文将安防网络状态特征按照安防网络状态图的网络结构转换为安防网络在各个时刻的安防网络静态特征；
将安防网络在各个时刻的安防网络静态特征进行时序化后输入状态检测模型的递归神经网络以对时序化后的安防网络静态特征进行迭代计算以输出安防网络的安防网络动态特征；
状态检测模型的BP神经网络对安防网络动态特征进行特征重要性分析，并根据特征重要性进行特征权重分配以得到特征权重矩阵；通过特征权重矩阵对安防网络动态特征进行加权操作，并对加权操作后的安防网络动态特征进行偏置操作后计算安防网络的网络状态值。
2.根据权利要求1所述的系统，其特征在于，所述网络性能数据表征相应安防节点的网络性能指标，其包括：速率、带宽、吞吐量、发送时延、处理时延和排队时延；所述网络时序数据表征相应安防节点的网络性能数据的时序信息。
3.根据权利要求2所述的系统，其特征在于，网络状态检测服务器将安防节点的节点网络状态序列输入特征重构模型以输出安防节点的时序状态特征包括：
卷积层利用多个卷积核从多个角度提取安防节点的节点网络状态信号的特征以得到安防节点的若干个局部状态特征，并对安防节点的所有局部状态特征进行卷积操作以捕捉安防节点的所有局部状态特征的局部关联性以得到安防节点的局部关联特征；
池化层对安防节点的所有局部状态特征进行池化操作以对安防节点的所有局部状态特征在空间维度进行压缩和去冗余，并将安防节点的所有局部状态特征进行特征融合以得到安防节点的全局状态特征，然后将安防节点的全局状态特征和安防节点的局部关联特征进行特征拼接以得到安防节点的关联状态特征；
反卷积层对安防节点的关联状态特征进行转置卷积以得到安防节点的转置状态特征；反池化层对安防节点的转置状态特征进行反池化以得到安防节点的节点网络状态特征；卷积层在时间维度上对安防节点的所有节点网络状态特征进行卷积得到安防节点的时序状态特征。
4.根据权利要求2或3所述的系统，其特征在于，网络状态检测服务器根据安防网络中所有安防节点的时序状态特征生成网络状态轨迹曲线包括：
网络状态检测服务器从数据库获取安防节点的节点上下文，并根据安防节点的节点上下文获取安防节点与其他安防节点的网络结构距离；
网络状态检测服务器获取安防节点的邻域半径中的安防节点，并将其作为安防节点的邻域节点，然后根据安防节点与各邻域节点的网络结构距离将邻域节点的时序状态特征迭代的聚合在安防节点以得到安防节点的节点状态特征；
网络状态检测服务器将安防网络中各安防节点的节点状态特征映射到状态空间以得到安防网络中各安防节点的状态点，并提取安防网络中各安防节点的状态点的空间位置特征，然后将安防网络中所有安防节点的状态点根据空间顺序和空间位置特征进行平滑连接以得到网络状态轨迹曲线。
5.根据权利要求4所述的系统，其特征在于，所述状态点的前序曲线度为网络状态轨迹曲线中状态点与该状态点的前序状态点之间的轨迹曲线段的曲线度；所述状态点的前序状态点为从该状态点开始沿着网络状态轨迹曲线的正方向所遇到的第一个状态点。
6.根据权利要求5所述的系统，其特征在于，所述状态点的后序曲线度为网络状态轨迹曲线中状态点与该状态点的后序状态点之间的轨迹曲线段的曲线度；所述状态点的后序状态点为从该状态点开始沿着网络状态轨迹曲线的负方向所遇到的第一个状态点。
7.根据权利要求6所述的系统，其特征在于，所述网络状态检测服务器根据网络状态轨迹曲线中除孤立状态点外的状态点生成安防网络状态图包括：
步骤1：网络状态检测服务器将网络状态轨迹曲线中除了孤立状态点外的状态点作为联合状态点，并将所有的联合状态点进行相空间重构以得到每个联合状态点的相空间向量；
步骤2：网络状态检测服务器按照网络状态轨迹曲线中联合状态点的空间顺序遍历所有的联合状态点，并将正在遍历的联合状态点作为目标状态点，然后将除了目标状态点外的其他联合状态点作为候选状态点；
步骤3：网络状态检测服务器计算目标状态点的相空间向量与每个候选状态点的相空间向量的向量之差以得到目标状态点与每个候选状态点的相空间差向量，并根据相空间差向量计算目标状态点与每个候选状态点的第一移动值，然后将第一移动值大于第一移动阈值的候选状态点平移至与目标状态点处于同一垂直线的位置；
步骤4：网络状态检测服务器获取目标状态点的前序状态点和后序状态点，并将其作为目标前序点和目标后序点，然后分别计算目标状态点的相空间向量与目标前序点的相空间向量和目标后序点的相空间向量的向量差以得到前序差向量和后序差向量；
步骤5：网络状态检测服务器计算前序差向量和后序差向量的向量差以得到前后差向量，并根据前后差向量计算目标状态点的第二移动值；
在目标状态点的第二移动值大于第二移动阈值时，网络状态检测服务器将目标前序点和目标后序点平移至与目标状态点处于同一水平线的位置；
重复步骤1至步骤5，直到遍历完所有的联合状态点，并根据此时所有联合状态点的位置生成安防网络状态图。
8.根据权利要求7所述的系统，其特征在于，所述状态检测模型包括：卷积神经网络、递归神经网络和BP神经网络；所述特征重构模型包括卷积层、池化层、反卷积层和反池化层。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111203889.XA CN113949656B (zh) | 2021-10-15 | 2021-10-15 | 一种基于人工智能的安防网络监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111203889.XA CN113949656B (zh) | 2021-10-15 | 2021-10-15 | 一种基于人工智能的安防网络监测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113949656A CN113949656A (zh) | 2022-01-18 |
| CN113949656B true CN113949656B (zh) | 2022-11-04 |
Family
ID=79330662
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111203889.XA Active CN113949656B (zh) | 2021-10-15 | 2021-10-15 | 一种基于人工智能的安防网络监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113949656B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011171981A (ja) * | 2010-02-18 | 2011-09-01 | Oki Electric Industry Co Ltd | ネットワーク障害検出システム |
| 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 |
| CN110110707A (zh) * | 2019-05-24 | 2019-08-09 | 苏州闪驰数控系统集成有限公司 | 人工智能cnn、lstm神经网络动态识别系统 |
| CN112101482A (zh) * | 2020-10-26 | 2020-12-18 | 西安交通大学 | 一种对有缺失卫星数据进行参数异常模式检测的方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113347042A (zh) * | 2021-06-25 | 2021-09-03 | 东莞市慧学慧玩教育科技有限公司 | 基于数字化和人工智能的数据安全防护方法及服务器 |
-
2021
- 2021-10-15 CN CN202111203889.XA patent/CN113949656B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011171981A (ja) * | 2010-02-18 | 2011-09-01 | Oki Electric Industry Co Ltd | ネットワーク障害検出システム |
| 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 |
| CN110110707A (zh) * | 2019-05-24 | 2019-08-09 | 苏州闪驰数控系统集成有限公司 | 人工智能cnn、lstm神经网络动态识别系统 |
| CN112101482A (zh) * | 2020-10-26 | 2020-12-18 | 西安交通大学 | 一种对有缺失卫星数据进行参数异常模式检测的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113949656A (zh) | 2022-01-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114220271B (zh) | 基于动态时空图卷积循环网络的交通流预测方法、设备及存储介质 | |
| CN113515770A (zh) | 基于隐私保护确定目标业务模型的方法及装置 | |
| CN112100369B (zh) | 结合语义的网络故障关联规则生成方法和网络故障检测方法 | |
| CN112085163A (zh) | 一种基于注意力增强图卷积神经网络agc和门控循环单元gru的空气质量预测方法 | |
| CN108022171B (zh) | 一种数据处理方法及设备 | |
| CN113961759A (zh) | 基于属性图表示学习的异常检测方法 | |
| CN113379176B (zh) | 电信网络异常数据检测方法、装置、设备和可读存储介质 | |
| CN112528275A (zh) | 基于元路径学习与子图采样的apt网络攻击检测方法 | |
| CN113783874A (zh) | 基于安全知识图谱的网络安全态势评估方法及系统 | |
| CN113779169B (zh) | 时空数据流模型自增强方法 | |
| CN116361256B (zh) | 基于日志解析的数据同步方法及系统 | |
| CN117078048A (zh) | 基于数字孪生的智慧城市资源管理方法及系统 | |
| CN113783876B (zh) | 基于图神经网络的网络安全态势感知方法及相关设备 | |
| CN111612641A (zh) | 一种社交网络中有影响力用户的识别方法 | |
| CN114970816A (zh) | 训练图神经网络的方法及装置 | |
| CN113194493B (zh) | 基于图神经网络的无线网络数据缺失属性恢复方法及装置 | |
| CN113949656B (zh) | 一种基于人工智能的安防网络监测系统 | |
| CN112489420B (zh) | 一种公路交通状态预测方法、系统、终端以及存储介质 | |
| CN113541986B (zh) | 5g切片的故障预测方法、装置及计算设备 | |
| CN111092873B (zh) | 非对称卷积网络的流量检测模型的训练方法及检测方法 | |
| CN112396166A (zh) | 基于混合粒度聚合器的图卷积神经网络训练方法及装置 | |
| CN117272195A (zh) | 基于图卷积注意力网络的区块链异常节点检测方法及系统 | |
| CN116662866A (zh) | 基于数据插补和表征学习的端到端不完整时间序列分类方法 | |
| CN114037051A (zh) | 一种基于决策边界的深度学习模型压缩方法 | |
| JP7230324B2 (ja) | ニューラルネットワークの学習方法、コンピュータプログラム及びコンピュータ装置 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220629 Address after: 610000 room 61, floor 1, building 1, No. 61, Donghua lane, Huayang street, Tianfu new area, Chengdu, Sichuan Province Applicant after: Chengdu chenmai Technology Co.,Ltd. Address before: 610000 the Fifth Research Institute of Telecommunications Science and technology, No. 22, Dacisi Road, Jinjiang District, Chengdu City, Sichuan Province Applicant before: Ren Huanying |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20221010 Address after: 100000 No. 327, Building 1, Yard 3, Xingke South Second Street, Yanqi Economic Development Zone, Huairou District, Beijing Applicant after: JINGDEZHEN POWER PLANT OF SPIC JIANGXI ELECTRIC POWER Co.,Ltd. Applicant after: Xinchang power generation branch of Jiangxi Electric Power Co., Ltd. of State Power Investment Group Applicant after: Zhongke Xinkong (Beijing) Technology Co.,Ltd. Applicant after: Xiong Hui Applicant after: Chen Long Applicant after: Zhu Yu Applicant after: Huang Da Applicant after: Zhang Yun Applicant after: Tao Song Address before: 610000 room 61, floor 1, building 1, No. 61, Donghua lane, Huayang street, Tianfu new area, Chengdu, Sichuan Province Applicant before: Chengdu chenmai Technology Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |