CN114760214B - 基于边缘-云协作网络的服务异常检测方法 - Google Patents
基于边缘-云协作网络的服务异常检测方法 Download PDFInfo
- Publication number
- CN114760214B CN114760214B CN202210426132.5A CN202210426132A CN114760214B CN 114760214 B CN114760214 B CN 114760214B CN 202210426132 A CN202210426132 A CN 202210426132A CN 114760214 B CN114760214 B CN 114760214B
- Authority
- CN
- China
- Prior art keywords
- node
- boundary
- sensing data
- internet
- things
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 230000005856 abnormality Effects 0.000 title claims abstract description 41
- 230000002159 abnormal effect Effects 0.000 claims abstract description 83
- 238000001914 filtration Methods 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 238000012795 verification Methods 0.000 claims description 31
- 238000000034 method Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 230000006855 networking Effects 0.000 claims description 4
- 238000007670 refining Methods 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 61
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 101150064974 ass1 gene Proteins 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 230000001953 sensory effect Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 241000854291 Dianthus carthusianorum Species 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0823—Errors, e.g. transmission errors
-
- 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
- H04L43/02—Capturing of monitoring data
- H04L43/028—Capturing of monitoring data by filtering
-
- 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
- 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
-
- 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
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
-
- 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
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
基于边缘‑云协作网络的服务异常检测方法,包括:收集边缘网络中物联网节点提供的传感数据,根据传感数据从边缘网络中确定存在异常的目标边缘网络;根据传感数据生成目标边缘网络对应的局部异常边界;根据局部异常边界和传感数据通过预设的传感数据过滤算法获取上传云端的传感数据;根据上传云端的传感数据生成初始全局边界,根据初始全局边界和上传云端的传感数据确定候选边界节点;对候选边界节点进行验证得到用于边界细化的第一边界节点集合,确定目标边缘网络的第二边界节点集合;根据第一边界节点集合和第二边界节点集合生成最终的全局异常边界,能够减少需要传输到云中的传感数据,保证异常检测的准确性,有利于提升异常检测效率。
Description
技术领域
本申请涉及物联网和通信技术领域,具体而言,涉及基于边缘-云协作网络的服务异常检测方法。
背景技术
近些年来,物联网网络被广泛于支持工业应用。异常检测,旨在识别异常情况,通常定期执行,以保证物联网应用的健康状况。现有的异常检测方法,基于概率密度函数和优势图的检测机制,将所有传感数据传输至云端,然后利用边缘设备和云的协作对传感数据进行处理,从而确定潜在异常事件的边界。然而,在实践中发现,现有方法中,大量的传感数据的传输成本会加重网络负担,同时也会降低异常检测的准确性。
发明内容
本申请实施例的目的在于提供一种基于边缘-云协作网络的服务异常检测方法,能够减少需要传输到云中的传感数据,并保证异常检测的准确性,从而有利于提升异常检测的效率。
本申请实施例第一方面提供了一种基于边缘-云协作网络的服务异常检测方法,包括:
收集边缘网络中物联网节点提供的传感数据,并根据所述传感数据从所述边缘网络中确定存在异常的目标边缘网络;
根据所述传感数据生成所述目标边缘网络对应的局部异常边界;
根据所述局部异常边界和所述传感数据,通过预设的传感数据过滤算法获取上传云端的传感数据;
根据所述上传云端的传感数据生成初始全局边界;
根据所述初始全局边界和所述上传云端的传感数据,确定候选边界节点;
对所述候选边界节点进行验证,得到用于边界细化的第一边界节点集合,并确定所述目标边缘网络的第二边界节点集合;
根据所述第一边界节点集合和所述第二边界节点集合生成最终的全局异常边界。
在上述实现过程中,先收集边缘网络中物联网节点提供的传感数据,并根据传感数据从边缘网络中确定存在异常的目标边缘网络;然后根据传感数据生成目标边缘网络对应的局部异常边界;再根据局部异常边界和传感数据,通过预设的传感数据过滤算法获取上传云端的传感数据;接着根据上传云端的传感数据生成初始全局边界,根据初始全局边界和上传云端的传感数据,确定候选边界节点;对候选边界节点进行验证,得到用于边界细化的第一边界节点集合,并确定目标边缘网络的第二边界节点集合;最后根据第一边界节点集合和第二边界节点集合生成最终的全局异常边界,能够减少需要传输到云中的传感数据,并保证异常检测的准确性,从而有利于提升异常检测的效率。
进一步地,根据所述传感数据生成所述目标边缘网络对应的局部异常边界,包括:
根据所述传感数据计算所述目标边缘网络中每个网格对应的标量;
根据所述标量和预设等值,构建正负PN表;
根据所述正负PN表、预设的等值线绘制规则以及所述目标边缘网络中的网格,确定初始等值线集合;
根据所述标量对所述初始等值线集合中的每条初始等值线进行细化,得到细化后的等值线集合;
从所述等值线集合中确定出于预设异常阈值相匹配的等值线,作为所述目标边缘网络对应的局部异常边界。
进一步地,根据所述局部异常边界和所述传感数据,通过预设的传感数据过滤算法获取上传云端的传感数据,包括:
确定位于所述局部异常边界上的第一物联网节点集合;
根据所述传感数据对应的物联网节点和所述局部异常边界,确定待过滤的物联网节点;
通过预设的传感数据过滤算法和所述等值线集合对所述待过滤的物联网节点进行过滤处理,得到第二物联网节点集合;
汇总所述第一物联网节点集合和所述第二物联网节点集合,得到目标物联网节点集合;
根据所述目标物联网节点集合和所述传感数据,确定上传云端的传感数据。
进一步地,所述通过预设的传感数据过滤算法和所述等值线集合对所述待过滤的物联网节点进行过滤处理,得到第二物联网节点集合,包括:
根据所述传感数据确定每个所述待过滤的物联网节点对应的待过滤传感数据;
根据所述待过滤传感数据计算每个所述第二物联网节点的位置权重;
根据所述等值线集合确定所述目标边缘网络中相邻等值线之间形成的封闭带;
确定每个所述封闭带中的待过滤的物联网节点,其中,所有所述待过滤的物联网节点分布于不同的所述封闭带中;
根据预设的传感数据过滤算法和所述位置权重,对所有的所述待过滤的物联网节点进行过滤处理,得到第二物联网节点集合。
进一步地,根据所述初始全局边界和所述上传云端的传感数据,确定候选边界节点,包括:
根据所述初始全局边界和所述上传云端的传感数据进行插值计算,得到候选边界节点的真实地理位置、所述候选边界节点的估计传感数据、所述候选边界节点对应的辅助节点、所述辅助节点的真实地理位置以及所述辅助节点的估计辅助传感数据;其中,所述辅助节点包括外辅助节点和内辅助节点。
进一步地,对所述候选边界节点进行验证,得到用于边界细化的第一边界节点集合,包括:
根据预设异常阈值和所述估计传感数据,计算每个所述候选边界节点对应的偏差绝对值;
将所述偏差绝对值小于预设容忍偏差阈值的候选边界节点,确定为第一验证通过节点,并将所述偏差绝对值不小于所述预设容忍偏差阈值的候选边界节点,确定为待插值节点;
根据所述待插值节点以及所述待插值节点对应的辅助节点,重新进行插值计算,确定新估计节点的真实地理位置以及所述新估计节点的估计传感数据;
根据所述新估计节点的估计传感数据和所述预设异常阈值,计算所述新估计节点对应的偏差绝对值;
当所述新估计节点对应的偏差绝对值小于所述预设容忍偏差阈值时,将所述新估计节点确定为第二验证通过节点;
汇总所述第一验证通过节点和所述第二验证通过节点,得到用于边界细化的第一边界节点集合。
进一步地,确定所述目标边缘网络的第二边界节点集合,包括:
将所述传感数据中等于预设异常阈值的数据,确定为边界节点数据;
将所述边界节点数据对应的物联网节点确定为边界节点;
汇总所有所述边界节点,得到第二边界节点集合。
本申请实施例第二方面提供了一种基于边缘-云协作网络的服务异常检测装置,所述基于边缘-云协作网络的服务异常检测装置包括:
数据收集单元,用于收集边缘网络中物联网节点提供的传感数据;
第一确定单元,用于根据所述传感数据从所述边缘网络中确定存在异常的目标边缘网络;
第一生成单元,用于根据所述传感数据生成所述目标边缘网络对应的局部异常边界;
获取单元,用于根据所述局部异常边界和所述传感数据,通过预设的传感数据过滤算法获取上传云端的传感数据;
第二生成单元,用于根据所述上传云端的传感数据生成初始全局边界;
第二确定单元,用于根据所述初始全局边界和所述上传云端的传感数据,确定候选边界节点;
验证单元,用于对所述候选边界节点进行验证,得到用于边界细化的第一边界节点集合;
第三确定单元,用于确定所述目标边缘网络的第二边界节点集合;
第三生成单元,用于根据所述第一边界节点集合和所述第二边界节点集合生成最终的全局异常边界。
在上述实现过程中,数据收集单元先收集边缘网络中物联网节点提供的传感数据,第一确定单元根据传感数据从边缘网络中确定存在异常的目标边缘网络;然后第一生成单元根据传感数据生成目标边缘网络对应的局部异常边界;获取单元再根据局部异常边界和传感数据,通过预设的传感数据过滤算法获取上传云端的传感数据;接着第二生成单元根据上传云端的传感数据生成初始全局边界;第二确定单元根据初始全局边界和上传云端的传感数据,确定候选边界节点;验证单元对候选边界节点进行验证,得到用于边界细化的第一边界节点集合,第三确定单元确定目标边缘网络的第二边界节点集合;最后第三生成单元根据第一边界节点集合和第二边界节点集合生成最终的全局异常边界,能够减少需要传输到云中的传感数据,并保证异常检测的准确性,从而有利于提升异常检测的效率。
本申请实施例第三方面提供了一种电子设备,包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行本申请实施例第一方面中任一项所述的基于边缘-云协作网络的服务异常检测方法。
本申请实施例第四方面提供了一种计算机可读存储介质,其存储有计算机程序指令,所述计算机程序指令被一处理器读取并运行时,执行本申请实施例第一方面中任一项所述的基于边缘-云协作网络的服务异常检测方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种基于边缘-云协作网络的服务异常检测方法的流程示意图;
图2为本申请实施例提供的一种基于边缘-云协作网络的服务异常检测装置的结构示意图;
图3是本申请实施例提供的一种3TIEC框架的系统架构示意图;
图4是本申请实施例提供的一种生成初始等值线的示意图;
图5是本申请实施例提供的一种等值线的绘制规则示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1
请参看图1,图1为本申请实施例提供了一种基于边缘-云协作网络的服务异常检测方法的流程示意图。其中,该基于边缘-云协作网络的服务异常检测方法包括:
S101、收集边缘网络中物联网节点提供的传感数据,并根据传感数据从边缘网络中确定存在异常的目标边缘网络。
本申请实施例中,该边缘网络为传感-边缘-云协作网络中的边缘层,收集边缘网络中物联网节点提供的传感数据,并由各自的边缘节点进行分析,可以生成潜在异常的边界。
本申请实施例中,可以采用基于网格的形式对网络进行划分,考虑到物联网节点在网络中可能分布不均匀的事实,在边缘层的边缘网络中部署不同数量的物联网节点。设网络的大小为L*L,边缘网络的地理区域大小为R×R,则R=L/Nted,Nted表示网络中边缘层中边缘网络的数量。可以选择位于边缘网络中心的物联网节点作为其边缘节点,其中,边缘节点可以由不同的物联网节点轮流选择的,防止出现“热点”问题。通常,物联网节点的传感数据由边缘网络中的边缘节点收集,用于边缘网络的初始异常检测。
请一并参阅图3,图3是本申请实施例提供的一种3TIEC框架的系统架构示意图。如图3所示,3TIEC框架包括设备层、边缘层和云层。
其中,在设备层中,大量的物联网设备作为物联网节点部署在网络中;分析这些物联网节点监测的传感数据,用于在边缘节点和云中的异常检测。
其中,边缘层是边缘网络一层,物联网节点部署在边缘网络中;选择位于边缘网络中心的某个物联网节点作为其边缘节点,以便于传感数据的收集和潜在异常的初始检测。需要注意的是,边缘节点采用簇头选择机制,是由不同的物联网节点旋转的,以消除任何物联网节点的过度能耗。根据领域专家规定在空气中一氧化碳的阈值,通过对所有物联网节点的传感数据进行初始异常监测时,采用轻量级的Marching Squares算法在边缘网络中生成异常边界。值得强调的是,与异常有关的且位于异常边界附近的物联网节点对边界的细化具有重要意义,先过滤出与异常相关的传感数据,然后上传云进行进一步分析。这样,高度异常感知的传感数据就会被识别并路由到云中。候选边界节点可以由云来确定。一般由网络中的移动感知节点遍历,边缘节点和/或云应用其感知数据进行边界细化。
其中,从异常相关的边缘网络中收集感官数据后,在云层生成异常边界,其中在云层中除了该边界涉及的区域外,其他区域可能并没有部署物联网节点。因此,为了提高边界精度,通过克里金插值算法估计候选边界节点,并通过移动传感节点感知和收集候选边界节点的传感数据。然后,通过边缘网络和云的协作,细化关于异常的初始边界。
本申请实施例中,通过在边缘层上实现异常边界的生成。具体来说,基于部署在边缘网络中物联网节点提供的传感数据,在网络的边缘层采用反距离加权插值算法和Marching Squares算法生成等值线图,其中有一条等值线可以根据预设与异常相关的阈值来表示事件的边界。
如图3所示,cbni、cbnv表示候选边界节点,表示候选边界节点cbni对应的估计传感数据,/>表示候选边界节点cbnv对应的估计传感数据,isovalue=23.99表示表示等值线对应的值为23.99,/>分别表示第i个边缘网络中第j、l、h、k个物联网节点,/>表示第j个边缘网络中第g个物联网节点,/>表示物联网节点/>相对于等值为thd边界的位置权重,/>表示物联网节点/>相对于等值为thd边界的位置权重,eni表示边缘节点,thd表示预设异常阈值,/>表示物联网节点/>提供的传感数据,/>表示物联网节点/>提供的传感数据,/>表示物联网节点/>提供的传感数据,/>表示物联网节点/>提供的传感数据,/>表示物联网节点/>提供的传感数据,cbnv表示候选边界节点。
如图3所示,边缘节点eni接收并收集来自第i个边缘网络中物联网节点提供的传感数据边缘节点enj接收并收集来自第j个边缘网络中物联网节点提供的传感数据Sori表示物联网节点集合,则/>其中,/>表示第i个边缘网络中部署物联网节点的数量,其中i∈Nted,/>Nted表示网络中边缘层中边缘网络的数量,Ntsn表示网络中部署物联网节点的数量。
本申请实施例中,图3中所示的数值为举例示意的数值,对此本申请实施例不作限定。
本申请实施例中,该方法的执行主体可以为计算机、服务器等计算装置,对此本实施例中不作任何限定。
在本申请实施例中,该方法的执行主体还可以为智能手机、平板电脑等智能设备,对此本实施例中不作任何限定。
S102、根据传感数据生成目标边缘网络对应的局部异常边界。
本申请实施例中,在生成局部异常边界时,考虑到边缘节点的容量约束和资源稀缺性,采用一种基于阈值的轻量级机制,即当物联网节点的传感数据与预先设定的阈值相比出现异常时,能够检测到异常。当物联网节点识别出异常的传感数据时,采用经典的Marching Squares算法生成等值线,其中等值线的值与预设的阈值相等时,该等值线对应于边缘网络中的边界。
本申请实施例中,等值线是连接某一相同数值点的曲线。可以采用反距离加权插值算法(IDW),或其他轻量级插值算法,能够对特定位置处(网格)的传感数据进行插值,用来作为其位置处(网格)的标量。因此,在等值线的生成中,物联网节点对应地理位置处的传感数据与某一等值线相等时,此节点及其位置被用来绘制该等值线。
作为一种可选的实施方式,根据传感数据生成目标边缘网络对应的局部异常边界,包括:
根据传感数据计算目标边缘网络中每个网格对应的标量;
根据标量和预设等值,构建正负PN表;
根据正负PN表、预设的等值线绘制规则以及目标边缘网络中的网格,确定初始等值线集合;
根据标量对初始等值线集合中的每条初始等值线进行细化,得到细化后的等值线集合;
从等值线集合中确定出于预设异常阈值相匹配的等值线,作为目标边缘网络对应的局部异常边界。
在上述实施方式中,生成局部异常边界时,如图4中的(a)所示,先获取标量。具体地,根据Sori提供的传感数据,由下述公式1和2进行IDW插值(Inverse DistanceWeighted,空间插值)计算,获得Crg中网格中包含的顶点的传感数据。例如,在第i个边缘网络中收集到的传感数据/>和/>的传感数据/>根据位置/>到和/>之间的距离,计算目标地理位置处的传感数据,其中,Crg表示在边缘网络中进一步划分网格的位置坐标集合,位置/>表示第i个边缘网络的第t个目标的位置坐标。其中,进行插值计算的公式为:
公式1:
公式2:
其中,表示第i个边缘网络中传感数据/>对于位置/>的权重,表示物联网节点/>与位置/>之间的距离,β∈R+,表示控制参数,/>表示第i个边缘网络中第k个物联网节点/>获取的关于异常事件的传感数据。
通过上述公式,能够通过边缘网络中所有的物联网节点距离位置的距离,计算出权重/>(反距离加权权重IDW),然后根据所有已知点的数据加权求和,算出未知点的传感数据估计值/>
请一并参阅图4,图4是本申请实施例提供的一种生成初始等值线的示意图。如图4中的(a)所示,为了在边缘网络中生成等值线,将边缘网络进一步划分为多个q×q大小的网格。
在上述实施方式中,如图4中的(a)所示,边缘网络中的每个网格都有一个标量来表示其位置处的传感数据,并按照网格地理位置,插值得到的传感数据的集合记作Svg。
在上述实施方式中,如图4中的(b)所示,构建正负PN表时,将Svg中插值的传感数据与等值σ进行比较,其中大于σ的传感数据记为正点,用实黑点表示,而小于σ的传感数据记为负点,用空心黑点表示,其中,σ表示等值线的等值。当设置σ=5时,生成了图中所示的正负PN表。
请一并参阅图5,图5是本申请实施例提供的一种等值线的绘制规则示意图。如图5所示,在确定初始等值线集合时,在Marching Squares算法中,等值线的绘制规则有16种情况,分别对应于网格种会出现的16个特定状态。在正负PN表中,根据等值线绘制规则,查找各网格对应的状态,并将网格侧边上的中点设置为等值线的端点,相邻的网格进行连接,即得到初始的等值线,如图4中的(c)所示。
在上述实施方式中,在细化等值线时,大多数等值线并不通过网格的中点,则根据相邻网格的标量,线性插值得到相邻网格之间的交叉点,即等值线在网格中的真实端点,来替换初始等值线集合中每条初始等值线的默认中点,从而生成边缘网络异常的边界,如图4中的(d)所示。
在上述实施方式中,如图3所示,当预设异常阈值thd=23.99时,若物联网节点的传感数据/>时,则大于预设异常阈值thd,表示第i个边缘网络可能发生异常。为了捕获这种异常,采用生成边界的方法,在第i个边缘网络中生成等值线,其中等值等于预设异常阈值的等值线表示该边缘网络的局部异常边界,其中,该局部异常边界的等值σ=23.99,如图3中边缘层左侧子图中的黑色虚线所示。
本申请实施例中,预设异常阈值thd用以判断传感数据是否存在异常的预设阈值。
S103、确定位于局部异常边界上的第一物联网节点集合。
S104、根据传感数据对应的物联网节点和局部异常边界,确定待过滤的物联网节点。
S105、通过预设的传感数据过滤算法和等值线集合对待过滤的物联网节点进行过滤处理,得到第二物联网节点集合。
作为一种可选的实施方式,通过预设的传感数据过滤算法和等值线集合对待过滤的物联网节点进行过滤处理,得到第二物联网节点集合,包括:
根据传感数据确定每个待过滤的物联网节点对应的待过滤传感数据;
根据待过滤传感数据计算每个第二物联网节点的位置权重;
根据等值线集合确定目标边缘网络中相邻等值线之间形成的封闭带;
确定每个封闭带中的待过滤的物联网节点,其中,所有待过滤的物联网节点分布于不同的封闭带中;
根据预设的传感数据过滤算法和位置权重,对所有的待过滤的物联网节点进行过滤处理,得到第二物联网节点集合。
在上述实施方式中,在计算物联网节点的位置权重时,物联网节点的传感数据与局部边界的等值之间的差异与它们之间的距离成正比。差值越大,距离越长,其物联网节点的位置权重越小。因此,边缘网络中的每个物联网节点相对于局部边界都有一个位置权重,可以根据下列公式3计算位置权重:
公式3为:
其中,表示第i个边缘网络中第k个物联网节点/>对应的传感数据,thd表示预设异常阈值,/>表示物联网节点/>到局部异常边界(即等值σ=thd)的位置权重,γ表示控制参数,可以预先设置为2等,对此本申请实施不作限定。
在上述实施方式中,在确定封闭带时,可以采用新生成的基于thd的等值线集合进行确定,也可以采用上述等值线集合进行确定,对此本申请实施例不作限定。
在上述实施方式中,在生成基于thd的等值线集合时,先设置等值σ’=thd×α(α∈(0,1]),其中α是改变等值线等值的因子。当α发生变化时,得到了与thd相关的不同等值。因此,在边缘网络中生成了一组关于局部边界的等值线:Γ=Γσ∪…∪Γthd(公式4),其中,Γσ表示等值σ对应的等值线。公式4将具有不同等值的等值线组合成边缘网络中基于thd的等值线图,如图3中边缘层的左子图所示。
在上述实施方式中,边缘网络中相邻的等值线之间形成一个封闭带,每个带包含一定数量的物联网节点。根据其位置权重和预设的传感数据过滤算法,首先过滤出位置权重较低的物联网节点,当物联网节点的传感数据可能不会影响云中的全局边界的确定时,就会被确定并过滤掉。
在上述实施方式中,预设的传感数据过滤算法包括公式5,在一个封闭的波段中,被过滤掉的传感节点数由公式5计算:
其中,Nb为闭合带内的物联网节点的总数量,ωb为闭合带到局部异常边界的位置权重。
在上述实施方式中,以图3中边缘层左子图为示例,其中传感数据为45.96,位置权重/>为0.0145的/>会被过滤掉,而选择传感数据/>为31.40,位置权重/>为0.1272的/>会被路由到云。
S106、汇总第一物联网节点集合和第二物联网节点集合,得到目标物联网节点集合。
S107、根据目标物联网节点集合和传感数据,确定上传云端的传感数据。
本申请实施例中,实施上述步骤S104~步骤S107,能够根据局部异常边界和传感数据,通过预设的传感数据过滤算法获取上传云端的传感数据。
S108、根据上传云端的传感数据生成初始全局边界。
本申请实施例中,初始全局边界是基于上述绘制等值线得到的。
本申请实施例中,从不同的异常传感边缘网络上传云端的传感数据,由云收集为Asd=[Asdi,…,Asdp],其中,i∈Nted,p∈Nted。如上述示例所示,选择位于第i个边缘网络边界附近的传感数据为为31.40,并将其传感数据发送到云,然后,绘制出关于异常的初始全局边界,其中在边界生成中将等值σ设置为thd,如图3中云层的左子图所示。
本申请实施例中,在每个边缘网络独立生成潜在异常事件的局部边界后,需要收集与该异常最相关的传感数据,并路由到云中,以得到全局边界。由于网络中部署的物联网节点的稀疏性和不均匀性,识别出的局部边界可能不准确,因此需要进行细化。而边界节点大多都容量有限,且资源稀缺,在边缘节点上又很难实现边界细化。此外,由云产生的潜在异常的全局图像有利于识别潜在的边界节点。为了减少大量的传感数据路由到云中,同时尽可能少地阻碍边界检测的准确性,通过预设的传感数据过滤算法对所有的传感数据进行过滤,其中地理位置上靠近边界的物联网节点的传感数据对边界的细化最相关。因此,位于局部边界附近的物联网节点的传感数据被完全路由到云中。对于靠近作为局部边界的等值线,选择一定比例的物联网节点,将其相应的传感数据路由到云端。一般来说,等值线与局部边界之间的距离越短,被选择的物联网节点数量越多。
本申请实施例中,在边缘层配置关于传感数据的过滤机制,能够过滤掉与异常无关的数据,并将选择的传感数据路由到云中。具体来说,与异常边界相邻的物联网节点,其检测到的异常传感数据是需要完整的路由至云层。除此之外,以一定的比例选择其余的物联网节点,其比例与节点和边界之间距离成正相关。将其传感数据发送到云中。
S109、根据初始全局边界和上传云端的传感数据进行插值计算,得到候选边界节点的真实地理位置、候选边界节点的估计传感数据、候选边界节点对应的辅助节点、辅助节点的真实地理位置以及辅助节点的估计辅助传感数据;其中,辅助节点包括外辅助节点和内辅助节点。
本申请实施例中,实施步骤S106,能够实现候选边界节点的位置估计。考虑到网络中物联网节点的稀疏性和不均匀性,在某些边界区域可能存在少量或没有部署物联网节点的情况。为了提高边界检测的精度,可以采用克里金插值算法,对候选边界节点(CBN)的真实地理位置进行估计,其中候选边界节点的传感数据等于异常事件的阈值thd。除了CBN外,还存在两种类型的物联网节点:传感数据高于thd的内边界节点(IBN)和传感数据低于thd的外边界节点(OBN),这两者都对边界检测具有重要意义。
本申请实施例中,CBN及其辅助的IBN和OBN的生成如下:
步骤1:根据在云中生成的全局边界和边缘网络收集到的传感数据,假设估计值等于thd所在的地理位置即为CBN,采用克里金插值算法估计候选边界节点的位置。如图3所示,云层中右侧子图中的黑点代表CBN,即cbni的估计传感数据当thd设置为23.99时,则/>
步骤2:在对候选边界节点CBN地理位置的估计过程中,云层中的IBN和OBN里都有着相对应的克里金权重,可以将每个CBN的IBN和OBN排序为两个序列,其中选择各自序列中权重最高的两个节点作为辅助节点。例如,ibni是IBN序列中估计cbni的最高克里金权重,而obni是OBN序列中估计cbni的最高克里金权重,因此,ibni和obni分别作为cbni的辅助节点。
本申请实施例中,可以将候选边界节点CBN及其辅助节点(IBN和OBN)的真实地理位置和估计传感数据发送到相应的边缘网络,在边缘网络中进一步进行边界细化。
本申请实施例中,实施上述步骤S109,能够根据初始全局边界和上传云端的传感数据,确定候选边界节点。
S110、根据预设异常阈值和估计传感数据,计算每个候选边界节点对应的偏差绝对值。
本申请实施例中,在实际应用中,可以设置集合OpLst,用于存放从云层传输的候选边界节点CBN,设置集合AsLst1,用于存放CBN对应的内辅助节点IBN,设置AsLst2,用于存放CBN对应的外辅助节点OBN,设置SenLst,用于存放着由移动感知节点获取的真实传感数据,设置TgtLst,用于存放用于边界细化的验证成功的CBN,设置ClLst,用于存放验证失败的CBN。具体来说,一个移动感知节点,可以采用基于真实传感数据与阈值thd(即云服务器估计的传感数据)之间的偏差对其进行验证,可以遍历OpLst中的每个CBN进行验证。
本申请实施例中,可以遍历OpLst中的每个候选边界节点,计算每个候选边界节点对应的偏差绝对值。
S111、将偏差绝对值小于预设容忍偏差阈值的候选边界节点,确定为第一验证通过节点,并将偏差绝对值不小于预设容忍偏差阈值的候选边界节点,确定为待插值节点。
本申请实施例中,根据公式6可以确定出第一验证通过节点,然后可以将所有的第一验证通过节点添加至TgtLst中。其中,公式6为:
/>
其中,表示候选边界节点cbni对应的偏差绝对值,/>表示候选边界节点cbni对应的估计传感数据,/>κ为预设容忍偏差阈值,可以预先设置。
本申请实施例中,当偏差绝对值小于预设容忍偏差阈值的候选边界节点时,即在预设容忍偏差阈值κ范围内,则将其对应cbni从OpLst移动到TgtLst。这意味着该CBN可用于边界细化,并且不需要进一步的操作。例如,如图3边缘层右侧子图所示,移动传感节点遍历cbnv时,其传感数据/>(即24.17)与估计传感数据(即23.99)之间的偏差小于κ(即0.5),因此可以使用cbnv进行边界细化,则cbnv为第一验证通过节点。
S112、根据待插值节点以及待插值节点对应的辅助节点,重新进行插值计算,确定新估计节点的真实地理位置以及新估计节点的估计传感数据。
本申请实施例中,当存在一候选边界节点的偏差绝对值不小于预设容忍偏差阈值κ时,该候选边界节点则作为待插值节点,需要进一步遍历该待插值节点的邻近位置。将待插值节点从OpLst移到ClLst,表明该待插值节点是非边界节点,如图3边缘层右侧子图的灰色节点。通过公式7所示的重心坐标算法,可以对该待插值节点的真实地理位置作进一步估计,该算法基于传感数据的重力构建了一个三角形,公式7如下:
ωas1+ωas2+ωcb=1;
其中,由AsLst1的ass1,AsLst2的ass2和待插值节点构成的三角形中三个顶点,ωas1,ωas2和ωcb分别为该三角形顶点的位置权重。X和Y分别表示三角形顶点对应节点的横坐标和纵坐标,如Xncb表示CBN的水平坐标,Ycb表示CBN的垂直坐标。
S113、根据新估计节点的估计传感数据和预设异常阈值,计算新估计节点对应的偏差绝对值。
S114、当新估计节点对应的偏差绝对值小于预设容忍偏差阈值时,将新估计节点确定为第二验证通过节点。
本申请实施例中,则先确定待插值节点在AsLst1中对应的内辅助节点作为ass1,以及确定待插值节点在AsLst2中对应的外辅助节点作为ass2,再由待插值节点、ass1以及ass2构成的三角形中三个顶点,得到上述的一个三角形,然后通过公式7所示的重心坐标算法,进一步插值估计待插值节点对应的新估计节点cbn'u。将cbn'u的真实地理位置推到OpLst中,由移动传感节点遍历。该过程进行迭代,直到cbn'u对应的偏差绝对值满足公式6中的条件,则将该cbn'u确定为第二验证通过节点,并将第二验证通过节点加入TgtLst并应用于细化目的。例如,cbnu在传感数据(即28.62)和估计值(即23.99)之间有相对较大的偏差,cbn'u由公式7基于cbnu、cbnu对应的内辅助节点以及cbnu对应的外辅助节点进行确定。
S115、汇总第一验证通过节点和第二验证通过节点,得到用于边界细化的第一边界节点集合。
本申请实施例中,实施上述步骤S110~步骤S115,能够实现对候选边界节点的验证。
本申请实施例中,当OpLst中的最后一个CBN弹出,且TgtLst的数量与OpLst的数量相等时,意味着候选边界节点的验证结束。将所有验证成功并存放在TgtLst中边界节点,应用于边缘网络的边界细化,以得到精确的边界,此时TgtLst即为用于边界细化的第一边界节点集合。
本申请实施例中,第一边界节点集合的节点数量等于所有候选边界节点的总数量。
本申请实施例中,实施上述步骤S110~步骤S115,能够对候选边界节点进行验证,得到用于边界细化的第一边界节点集合。
本申请实施例中,边缘网络通过对候选边界节点的验证,能够对异常边界进行细化。
本申请实施例中,通过移动感知节点遍历候选边界节点CBN,以检验其地理位置处的真实传感数据与云服务器估计的数据是否相同或相似。遍历时,边缘节点收集CBN的传感数据,以进行节点的验证。根据验证成功的边界节点,在相应的边缘网络中生成精确的边界。
S116、确定目标边缘网络的第二边界节点集合。
作为一种可选的实施方式,确定目标边缘网络的第二边界节点集合,包括:
将传感数据中等于预设异常阈值的数据,确定为边界节点数据;
将边界节点数据对应的物联网节点确定为边界节点;
汇总所有边界节点,得到第二边界节点集合。
S117、根据第一边界节点集合和第二边界节点集合生成最终的全局异常边界。
作为一种可选的实施方式,在感知到异常的边缘网络中,经过验证的边界节点CBN被用于细化关于异常事件的边界。一方面,每个边缘网络生成的边界都是独立细化的。收集已验证CBN(即第一边界节点集合)对应的估计传感数据,输入到边界生成的算法中,生成等值线并确定出局部异常边界,每个有异常的边缘网络均对应一个局部异常边界。如图3所示,边缘层的右侧子图中橙色点表示的是已验证成功的CBN,以及橙色虚线表示在该边缘网络中已被细化过的局部异常边界。
本申请实施例中,可以通过边缘网络之间的协作生成关于异常事件的全局异常边界。通常传感数据等于预设异常阈值thd(在上述示例中,thd=23.99)的物联网节点被认为是边界节点,即边界节点位于异常边界之上。先收集这些边界节点得到第二边界节点集合,然后再获取TgtLst中验证成功的CBN,得到第一边界节点集合,再根据第一边界节点集合和第二边界节点集合生成关于等值等于thd的等值线,该等值线对应于异常事件的全局异常边界。如图3所示,关于超标准CO泄漏的边界在协作网络的边缘层细化,并在边缘层中间子图中用橙色实线表示。
本申请实施例中,在云层通过克里金插值算法来估计候选边界节点的位置,这些节点位置处的传感数据由边缘层中的移动传感节点进行感知验证,并由相邻边缘网络中的边缘节点联合检查,以得到一个确定异常的精确边界。
本申请实施例中,实施该方法,先从传感层收集到的传感数据,路由至边缘层进行分析,用以实现初始的异常检测,并生成初始的异常边界。通过传感数据的过滤机制,只有与异常相关的传感数据才会被路由到云端并在云端进行深入分析。然后,通过云上重量级的算法估计更多的边界节点,并路由至边缘层进行检查,进而细化异常事件的初始边界,实现高精度边界的检测。
可见,实施本实施例所描述的基于边缘-云协作网络的服务异常检测方法,能够减少需要传输到云中的传感数据,并保证异常检测的准确性,从而有利于提升异常检测的效率。
实施例2
请参看图2,图2为本申请实施例提供的一种基于边缘-云协作网络的服务异常检测装置的结构示意图。如图2所示,该基于边缘-云协作网络的服务异常检测装置包括:
数据收集单元210,用于收集边缘网络中物联网节点提供的传感数据;
第一确定单元220,用于根据传感数据从边缘网络中确定存在异常的目标边缘网络;
第一生成单元230,用于根据传感数据生成目标边缘网络对应的局部异常边界;
获取单元240,用于根据局部异常边界和传感数据,通过预设的传感数据过滤算法获取上传云端的传感数据;
第二生成单元250,用于根据上传云端的传感数据生成初始全局边界;
第二确定单元260,用于根据初始全局边界和上传云端的传感数据,确定候选边界节点;
验证单元270,用于对候选边界节点进行验证,得到用于边界细化的第一边界节点集合;
第三确定单元280,用于确定目标边缘网络的第二边界节点集合;
第三生成单元290,用于根据第一边界节点集合和第二边界节点集合生成最终的全局异常边界。
作为一种可选的实施方式,第一生成单元230包括:
第一计算子单元231,用于根据传感数据计算目标边缘网络中每个网格对应的标量;
构建子单元232,用于根据标量和预设等值,构建正负PN表;
第一确定子单元233,用于根据正负PN表、预设的等值线绘制规则以及目标边缘网络中的网格,确定初始等值线集合;
细化子单元234,用于根据标量对初始等值线集合中的每条初始等值线进行细化,得到细化后的等值线集合;
第一确定子单元233,还用于从等值线集合中确定出于预设异常阈值相匹配的等值线,作为目标边缘网络对应的局部异常边界。
作为一种可选的实施方式,获取单元240包括:
第二确定子单元241,用于确定位于局部异常边界上的第一物联网节点集合;以及根据传感数据对应的物联网节点和局部异常边界,确定待过滤的物联网节点;
过滤子单元242,用于通过预设的传感数据过滤算法和等值线集合对待过滤的物联网节点进行过滤处理,得到第二物联网节点集合;
第一汇总子单元243,用于汇总第一物联网节点集合和第二物联网节点集合,得到目标物联网节点集合;
第二确定子单元241,还用于根据目标物联网节点集合和传感数据,确定上传云端的传感数据。
作为一种可选的实施方式,过滤子单元242包括:
确定模块,用于根据传感数据确定每个待过滤的物联网节点对应的待过滤传感数据;
计算模块,用于根据待过滤传感数据计算每个第二物联网节点的位置权重;以及根据等值线集合确定目标边缘网络中相邻等值线之间形成的封闭带;以及确定每个封闭带中的待过滤的物联网节点,其中,所有待过滤的物联网节点分布于不同的封闭带中;
过滤模块,用于根据预设的传感数据过滤算法和位置权重,对所有的待过滤的物联网节点进行过滤处理,得到第二物联网节点集合。
作为一种可选的实施方式,第二确定单元260,具体用于根据初始全局边界和上传云端的传感数据进行插值计算,得到候选边界节点的真实地理位置、候选边界节点的估计传感数据、候选边界节点对应的辅助节点、辅助节点的真实地理位置以及辅助节点的估计辅助传感数据;其中,辅助节点包括外辅助节点和内辅助节点。
作为一种可选的实施方式,验证单元270包括:
第二计算子单元271,用于根据预设异常阈值和估计传感数据,计算每个候选边界节点对应的偏差绝对值;
第三确定子单元272,用于将偏差绝对值小于预设容忍偏差阈值的候选边界节点,确定为第一验证通过节点,并将偏差绝对值不小于预设容忍偏差阈值的候选边界节点,确定为待插值节点;
第二计算子单元271,还用于根据待插值节点以及待插值节点对应的辅助节点,重新进行插值计算,确定新估计节点的真实地理位置以及新估计节点的估计传感数据;以及根据新估计节点的估计传感数据和预设异常阈值,计算新估计节点对应的偏差绝对值;
第三确定子单元272,还用于当新估计节点对应的偏差绝对值小于预设容忍偏差阈值时,将新估计节点确定为第二验证通过节点;
第二汇总子单元273,用于汇总第一验证通过节点和第二验证通过节点,得到用于边界细化的第一边界节点集合。
作为一种可选的实施方式,第三确定单元280包括:
第四确定子单元281,用于将传感数据中等于预设异常阈值的数据,确定为边界节点数据;以及将边界节点数据对应的物联网节点确定为边界节点;
第三汇总子单元282,用于汇总所有边界节点,得到第二边界节点集合。
本申请实施例中,对于基于边缘-云协作网络的服务异常检测装置的解释说明可以参照实施例1中的描述,对此本实施例中不再多加赘述。
可见,实施本实施例所描述的基于边缘-云协作网络的服务异常检测装置,能够减少需要传输到云中的传感数据,并保证异常检测的准确性,从而有利于提升异常检测的效率。
本申请实施例提供了一种电子设备,包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行本申请实施例1或实施例2中任一项基于边缘-云协作网络的服务异常检测方法。
本申请实施例提供了一种计算机可读存储介质,其存储有计算机程序指令,所述计算机程序指令被一处理器读取并运行时,执行本申请实施例1或实施例2中任一项基于边缘-云协作网络的服务异常检测方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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存储介质中。基于这样的理解,本申请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)执行本申请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。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (5)
1.一种基于边缘-云协作网络的服务异常检测方法,其特征在于,包括:
收集边缘网络中物联网节点提供的传感数据,并根据所述传感数据从所述边缘网络中确定存在异常的目标边缘网络;
根据所述传感数据生成所述目标边缘网络对应的局部异常边界;
根据所述局部异常边界和所述传感数据,通过预设的传感数据过滤算法获取上传云端的传感数据;
根据所述上传云端的传感数据生成初始全局边界;
根据所述初始全局边界和所述上传云端的传感数据,确定候选边界节点;
对所述候选边界节点进行验证,得到用于边界细化的第一边界节点集合,并确定所述目标边缘网络的第二边界节点集合;
根据所述第一边界节点集合和所述第二边界节点集合生成最终的全局异常边界;
其中,根据所述传感数据生成所述目标边缘网络对应的局部异常边界,包括:
根据所述传感数据计算所述目标边缘网络中每个网格对应的标量;
根据所述标量和预设等值,构建正负PN表;
根据所述正负PN表、预设的等值线绘制规则以及所述目标边缘网络中的网格,确定初始等值线集合;
根据所述标量对所述初始等值线集合中的每条初始等值线进行细化,得到细化后的等值线集合;
从所述等值线集合中确定出于预设异常阈值相匹配的等值线,作为所述目标边缘网络对应的局部异常边界;
其中,根据所述局部异常边界和所述传感数据,通过预设的传感数据过滤算法获取上传云端的传感数据,包括:
确定位于所述局部异常边界上的第一物联网节点集合;
根据所述传感数据对应的物联网节点和所述局部异常边界,确定待过滤的物联网节点;
通过预设的传感数据过滤算法和所述等值线集合对所述待过滤的物联网节点进行过滤处理,得到第二物联网节点集合;
汇总所述第一物联网节点集合和所述第二物联网节点集合,得到目标物联网节点集合;
根据所述目标物联网节点集合和所述传感数据,确定上传云端的传感数据;
其中,根据所述初始全局边界和所述上传云端的传感数据,确定候选边界节点,包括:
根据所述初始全局边界和所述上传云端的传感数据进行插值计算,得到候选边界节点的真实地理位置、所述候选边界节点的估计传感数据、所述候选边界节点对应的辅助节点、所述辅助节点的真实地理位置以及所述辅助节点的估计辅助传感数据;其中,所述辅助节点包括外辅助节点和内辅助节点;
其中,对所述候选边界节点进行验证,得到用于边界细化的第一边界节点集合,包括:
根据预设异常阈值和所述估计传感数据,计算每个所述候选边界节点对应的偏差绝对值;
将所述偏差绝对值小于预设容忍偏差阈值的候选边界节点,确定为第一验证通过节点,并将所述偏差绝对值不小于所述预设容忍偏差阈值的候选边界节点,确定为待插值节点;
根据所述待插值节点以及所述待插值节点对应的辅助节点,重新进行插值计算,确定新估计节点的真实地理位置以及所述新估计节点的估计传感数据;
根据所述新估计节点的估计传感数据和所述预设异常阈值,计算所述新估计节点对应的偏差绝对值;
当所述新估计节点对应的偏差绝对值小于所述预设容忍偏差阈值时,将所述新估计节点确定为第二验证通过节点;
汇总所述第一验证通过节点和所述第二验证通过节点,得到用于边界细化的第一边界节点集合。
2.根据权利要求1所述的基于边缘-云协作网络的服务异常检测方法,其特征在于,所述通过预设的传感数据过滤算法和所述等值线集合对所述待过滤的物联网节点进行过滤处理,得到第二物联网节点集合,包括:
根据所述传感数据确定每个所述待过滤的物联网节点对应的待过滤传感数据;
根据所述待过滤传感数据计算每个所述第二物联网节点的位置权重;
根据所述等值线集合确定所述目标边缘网络中相邻等值线之间形成的封闭带;
确定每个所述封闭带中的待过滤的物联网节点,其中,所有所述待过滤的物联网节点分布于不同的所述封闭带中;
根据预设的传感数据过滤算法和所述位置权重,对所有的所述待过滤的物联网节点进行过滤处理,得到第二物联网节点集合。
3.根据权利要求1所述的基于边缘-云协作网络的服务异常检测方法,其特征在于,确定所述目标边缘网络的第二边界节点集合,包括:
将所述传感数据中等于预设异常阈值的数据,确定为边界节点数据;
将所述边界节点数据对应的物联网节点确定为边界节点;
汇总所有所述边界节点,得到第二边界节点集合。
4.一种电子设备,其特征在于,所述电子设备包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至3中任一项所述的基于边缘-云协作网络的服务异常检测方法。
5.一种可读存储介质,其特征在于,所述可读存储介质中存储有计算机程序指令,所述计算机程序指令被一处理器读取并运行时,执行权利要求1至3任一项所述的基于边缘-云协作网络的服务异常检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210426132.5A CN114760214B (zh) | 2022-04-21 | 2022-04-21 | 基于边缘-云协作网络的服务异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210426132.5A CN114760214B (zh) | 2022-04-21 | 2022-04-21 | 基于边缘-云协作网络的服务异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114760214A CN114760214A (zh) | 2022-07-15 |
CN114760214B true CN114760214B (zh) | 2023-12-08 |
Family
ID=82330294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210426132.5A Active CN114760214B (zh) | 2022-04-21 | 2022-04-21 | 基于边缘-云协作网络的服务异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114760214B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109347834A (zh) * | 2018-10-24 | 2019-02-15 | 广东工业大学 | 物联网边缘计算环境中异常数据的检测方法、装置及设备 |
CN111541685A (zh) * | 2020-04-20 | 2020-08-14 | 南京大学 | 一种基于网络结构学习的边缘云异常检测方法 |
CN112187907A (zh) * | 2020-09-22 | 2021-01-05 | 远光软件股份有限公司 | 边缘计算的数据处理方法、物联网通信方法及电子设备 |
CN112217876A (zh) * | 2020-09-22 | 2021-01-12 | 远光软件股份有限公司 | 物联网系统、物联网通信方法及电子设备 |
CN113422720A (zh) * | 2021-06-22 | 2021-09-21 | 河北卓智电子技术有限公司 | 基于边缘计算网关的异常检测方法 |
CN113840255A (zh) * | 2021-10-20 | 2021-12-24 | 河北工业大学 | 基于云边融合环境的异常探测方法 |
CN114299370A (zh) * | 2021-12-06 | 2022-04-08 | 北京邮电大学 | 一种基于云边协同的物联网场景感知方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11315024B2 (en) * | 2018-06-25 | 2022-04-26 | Kyndryl, Inc. | Cognitive computing systems and services utilizing internet of things environment |
US11539719B2 (en) * | 2020-06-08 | 2022-12-27 | Bank Of America Corporation | Target aware adaptive application for anomaly detection at the network edge |
-
2022
- 2022-04-21 CN CN202210426132.5A patent/CN114760214B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109347834A (zh) * | 2018-10-24 | 2019-02-15 | 广东工业大学 | 物联网边缘计算环境中异常数据的检测方法、装置及设备 |
CN111541685A (zh) * | 2020-04-20 | 2020-08-14 | 南京大学 | 一种基于网络结构学习的边缘云异常检测方法 |
CN112187907A (zh) * | 2020-09-22 | 2021-01-05 | 远光软件股份有限公司 | 边缘计算的数据处理方法、物联网通信方法及电子设备 |
CN112217876A (zh) * | 2020-09-22 | 2021-01-12 | 远光软件股份有限公司 | 物联网系统、物联网通信方法及电子设备 |
CN113422720A (zh) * | 2021-06-22 | 2021-09-21 | 河北卓智电子技术有限公司 | 基于边缘计算网关的异常检测方法 |
CN113840255A (zh) * | 2021-10-20 | 2021-12-24 | 河北工业大学 | 基于云边融合环境的异常探测方法 |
CN114299370A (zh) * | 2021-12-06 | 2022-04-08 | 北京邮电大学 | 一种基于云边协同的物联网场景感知方法及装置 |
Non-Patent Citations (4)
Title |
---|
Energy-Efficient Anomaly Detection With Primary and Secondary Attributes in Edge-Cloud Collaboration Networks;Xiaocui Li et al.;《IEEE INTERNET OF THINGS JOURNAL》;全文 * |
Energy-Efficient Boundary Detection of Continuous Objects in IoT Sensing Networks;Jin Diao 等;《IEEE Sensors Journal》;全文 * |
基于云计算的网络异常检测算法研究;李进文;《中国优秀硕士学位论文全文数据库 信息科技辑》;全文 * |
边缘计算应用:传感数据异常实时检测算法;张琪 等;计算机研究与发展(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114760214A (zh) | 2022-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106646338B (zh) | 一种快速精确的室内定位方法 | |
CN105046235B (zh) | 车道线的识别建模方法和装置、识别方法和装置 | |
Liu et al. | Exploring the uncertainty of activity zone detection using digital footprints with multi-scaled DBSCAN | |
CN109493119B (zh) | 一种基于poi数据的城市商业中心识别方法及系统 | |
US20140058705A1 (en) | System and Method for Detecting Abnormal Occurrences | |
CN108764325A (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
CN105323024B (zh) | 一种网络信号强度检测及融合方法 | |
CN107220312B (zh) | 一种基于共现图的兴趣点推荐方法及系统 | |
CN108540988B (zh) | 一种场景划分方法及装置 | |
CN103700109B (zh) | 基于多目标优化moea/d和模糊聚类的sar图像变化检测方法 | |
Lange et al. | The influence of sampling methods on pixel-wise hyperspectral image classification with 3D convolutional neural networks | |
CN111475746B (zh) | 兴趣点位置挖掘方法、装置、计算机设备和存储介质 | |
Timothée et al. | A network based kernel density estimator applied to Barcelona economic activities | |
Siyang et al. | WKNN indoor Wi-Fi localization method using k-means clustering based radio mapping | |
CN114610559A (zh) | 设备运行环境评估方法、判决模型训练方法、电子设备 | |
JP2015010927A (ja) | 観測値処理装置、観測値処理方法及び観測値処理プログラム | |
CN107729293B (zh) | 一种基于多元自适应回归的地理空间异常探测方法 | |
CN112203324B (zh) | 一种基于位置指纹库的mr定位方法及装置 | |
CN105407496B (zh) | 一种识别无线传感器网络中错误测量值的方法 | |
CN114760214B (zh) | 基于边缘-云协作网络的服务异常检测方法 | |
CN111931744A (zh) | 一种遥感影像变化检测方法和装置 | |
CN103546966A (zh) | 一种基于野外环境的无线传感器的节点定位方法 | |
CN111474516A (zh) | 一种基于众包样本曲面拟合的多层次室内定位方法及系统 | |
Zhao et al. | Urban spatial structure analysis: quantitative identification of urban social functions using building footprints | |
CN116193425A (zh) | 一种基于感知分组的时间序列异常数据在线检测方法 |
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 |