CN115514679B - 一种基于通信模块的异常来源监测方法及系统 - Google Patents

Abstract

本发明公开了一种基于通信模块的异常来源监测方法及系统，涉及通信智能监测相关领域，所述方法包括：根据目标通信模块的信息，确定邻域电子模块；对所述邻域电子模块和所述目标通信模块进行时序采样，输出时序采样数据；根据所述时序采样数据进行数据连接关系分析，标注关联变化数据；根据所述标注关联变化数据，生成监测样本数据；连接所述云处理器，得到实时监测数据；将所述实时监测数据和所述监测样本数据输入至所述云处理器中，输出异常定位结果。解决了无法根据通信模块异常对带动的邻域异常进行对应处理，其异常监测联动化水平弱的技术问题，达到了结合对通信邻域模组进行联动异常数据定位分析，提高异常来源监测准确性的技术效果。

Description

一种基于通信模块的异常来源监测方法及系统

技术领域

本发明涉及通信智能监测相关领域，尤其涉及一种基于通信模块的异常来源监测方法及系统。

背景技术

在社会的发展下，人们生活水平提高，对信息传输的需求量提高，而通信模块作为目前的技术热门领域，被广泛应用于车辆监控、遥控、遥测、工业数据采集系统等，由于通信模块的性能不相同，容易产生数据异常，为了进一步对通信模块进行精确化管理，提高通信模块响应准确度，对通信模块进行异常定位成为必要措施。

现阶段对于通信模块的异常来源监测无法结合邻域模组实现综合化分析，产生通信模块异常后带动的邻域异常无法对应进行处理，其异常监测联动化水平弱的技术问题。

发明内容

针对现有技术中的缺陷，本申请通过提供一种基于通信模块的异常来源监测方法及系统，解决了现阶段无法结合邻域模组实现综合化分析，产生通信模块异常后带动的邻域异常无法对应进行处理，其异常监测联动化水平弱的技术问题，达到了通过结合对通信邻域模组进行联动异常数据定位分析，提高异常来源监测准确性的技术效果。

一方面，本申请提供一种基于通信模块的异常来源监测方法，所述方法应用于通信模块的异常管理系统，所述系统与云处理器通信连接，所述方法包括：获取目标通信模块的信息；根据所述目标通信模块的信息，确定与所述目标通信模块连接的邻域电子模块；对所述邻域电子模块和所述目标通信模块进行时序采样，输出时序采样数据，其中，所述时序采样数据包括通信采样数据和邻域采样数据；根据所述时序采样数据进行数据连接关系分析，标注关联变化数据；根据所述标注关联变化数据，生成监测样本数据；连接所述云处理器，对所述目标通信模块和所述邻域电子模块进行实时监测，得到实时监测数据；将所述实时监测数据和所述监测样本数据输入至所述云处理器中，根据所述云处理器，输出异常定位结果。

另一方面，本申请还提供了一种基于通信模块的异常来源监测方法的系统，所述系统包括：信息采集模块，所述信息采集模块用于获取目标通信模块的信息；邻域连接分析模块，所述邻域连接分析模块用于根据所述目标通信模块的信息，确定与所述目标通信模块连接的邻域电子模块；时序采样模块，所述时序采样模块用于对所述邻域电子模块和所述目标通信模块进行时序采样，输出时序采样数据，其中，所述时序采样数据包括通信采样数据和邻域采样数据；关联数据分析模块，所述关联数据分析模块用于根据所述时序采样数据进行数据连接关系分析，标注关联变化数据；样本生成模块，所述样本生成模块用于根据所述标注关联变化数据，生成监测样本数据；实时监测模块，所述实时监测模块用于连接所述云处理器，对所述目标通信模块和所述邻域电子模块进行实时监测，得到实时监测数据；异常输出模块，所述异常输出模块用于将所述实时监测数据和所述监测样本数据输入至所述云处理器中，根据所述云处理器，输出异常定位结果。

拟通过本申请提出的一种基于通信模块的异常来源监测方法及系统，所产生的技术效果如下：

由于采用了通过获取目标通信模块的信息，确定与该目标通信模块连接的邻域电子模块，再分别对所述目标通信模块和所述邻域电子模块进行时序采样，输出通信采样数据和邻域采样数据，进一步的，为了分析基于通信采样数据和邻域采样数据之间的变化关系，标注关联变化数据，以生成监测样本数据，进一步的，连接所述云处理器，对所述目标通信模块和所述邻域电子模块进行实时监测，得到实时监测数据，以所述监测样本数据作为分析基础，将所述实时监测数据和所述监测样本数据输入至所述云处理器中，根据所述云处理器中的异常监测模型和异常定位模型进行异常数据识别，输出异常来源定位结果的方式，达到了通过结合对通信邻域模组进行联动异常数据定位分析，提高异常来源监测准确性的技术效果。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

通过阅读参照以下附图对非限制性实施例所做的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本申请实施例一种基于通信模块的异常来源监测方法的流程示意图；

图2为本申请实施例一种基于通信模块的异常来源监测方法的得到预设采样频率的流程示意图；

图3为本申请实施例一种基于通信模块的异常来源监测方法的网络层优化的流程示意图；

图4为本申请实施例一种基于通信模块的异常来源监测方法的系统的结构示意图；

附图标记说明：信息采集模块11，邻域连接分析模块12，时序采样模块13，关联数据分析模块14，样本生成模块15，实时监测模块16，异常输出模块17。

具体实施方式

实施例一

如图1所示，本申请实施例提供了一种基于通信模块的异常来源监测方法，所述方法应用于通信模块的异常管理系统，所述系统与云处理器通信连接，所述方法包括：

步骤S100：获取目标通信模块的信息；

步骤S200：根据所述目标通信模块的信息，确定与所述目标通信模块连接的邻域电子模块；

在社会的发展下，人们生活水平提高，对信息传输的需求量提高，而通信模块作为目前的技术热门领域，被广泛应用于车辆监控、遥控、遥测、工业数据采集系统等，由于通信模块的性能不相同，容易产生数据异常，为了进一步对通信模块进行精确化管理，提高通信模块响应准确度，对通信模块进行异常定位成为必要措施。现阶段对于通信模块的异常来源监测无法结合邻域模组实现综合化分析，产生通信模块异常后带动的邻域异常无法对应进行处理，其异常监测联动化水平弱的技术问题，拟提出一种基于通信模块的异常来源监测方法，用于解决上述问题，达到通过结合对通信邻域模组进行联动异常数据定位分析，提高异常来源监测准确性的技术效果。

获取所述目标通信模块，其中，所述目标通信模块为根据该通信模块的使用领域所确定的通信模块属性，从而传输对应的数据信息，比如用于门禁识别的无线通信模块，或者用于工业数据采集的通信模块，从而通过确定通信模块的信息，进一步获取用于辅助该模块而对应连接的辅助电子模块，即所述邻域电子模块，其中，所述邻域电子模块为根据通信模块功能连接的相邻连接模块，通过对各个电子模块进行拓扑结构分析，以所述目标通信模块为中心，获取周围连接的电子模块，从而实现模组结合的多功能通信传输，进一步的提供联动分析的数据基础。

步骤S300：对所述邻域电子模块和所述目标通信模块进行时序采样，输出时序采样数据，其中，所述时序采样数据包括通信采样数据和邻域采样数据；

进一步的，如图2所示，本申请实施例步骤S300还包括：

步骤S310：分别获取所述邻域电子模块和所述目标通信模块的数据类型；

步骤S320：通过对所述邻域电子模块的数据类型和所述目标通信模块的数据类型进行数据流分析，获取所述邻域电子模块中各个数据类型对应的N个数据输出频率；

步骤S330：根据所述目标通信模块的数据类型，确定通信数据输出频率；

步骤S340：以所述N个数据输出频率和所述通信数据输出频率进行采样设置，得到预设采样频率；

步骤S350：根据所述预设采样频率对所述邻域电子模块和所述目标通信模块进行时序采样。

具体而言，当确定目标通信模块和邻域电子模块后，以数据采样的方式进行数据提取，输出通信采样数据和邻域采样数据，其中，所述通信采样数据和所述邻域采样数据为等时序采样的对应数据，即通信采样数据和邻域采样数据为一一对应关系，从而能够对目标通信模块数据变化同时其邻域电子模块的变化进行关系分析。

进一步的，由于各个通信模块和邻域电子模块的数据类型不相同，在等时序周期采样的过程中需要保持数据对应关系的完整性，从而采用数据流分析的方式，对各个模块的数据输出频率进行分析，设置对应的采样频率，保证获取的通信采样数据和邻域采样数据完整，其过程如下：

分别确定各个邻域电子模块的数据类型，和目标通信模块的数据类型，进一步的，对邻域电子模块的数据类型和所述目标通信模块的数据类型进行数据流量分析，针对各个数据类型确定对应的N个输出频率，为了保证采样数据的有效性，以所述目标通信模块的数据输出频率为主要参照对象，分别对所述N个输出频率进行一一对比，获取数据流量少即输出频率低的模块，按照其相对大小和差值，对采样频率进行预设，防止由于数据产生少，从而造成时序采样不完整或分布空白的出现。

进一步的，本申请实施例步骤S340还包括：

步骤S341：将所述通信数据输出频率作为输入定量，将所述N个数据输出频率作为输入变量，搭建逻辑函数，其中，所述逻辑函数用于输出最佳采样频率；

步骤S342：根据所述逻辑函数进行输出频率同步逻辑判断，输出响应结果，其中，所述响应结果包括所述预设采样频率。

进一步的，本申请实施例步骤S341还包括：

步骤S341-1：获取预设样本数据量；

步骤S341-2：将所述预设样本数据量输入所述逻辑函数中作为采样约束变量，更新所述逻辑函数，生成优化逻辑函数；

步骤S341-3：根据所述优化逻辑函数，输出二次响应结果，其中，所述二次响应结果为基于预设样本数据量的约束条件下最佳采样频率。

具体而言，获取预设采样频率的过程主要是根据函数计算获取的过程如下，将所述通信数据输出频率作为输入定量，将各个邻域电子模块对应的N个数据输出频率作为输入变量，搭建逻辑函数，根据所述逻辑函数进行输出频率同步逻辑判断，从而获取标识比对结果，进行采样频率逻辑输出，其判断逻辑有，以提取出小于等于通信数据输出频率的M个数据输出频率进行等量代换，即应用其M中最小的输出频率进行预设采样频率的转化，进一步的，还可以通过对各个邻域电子模块与目标通信模块的相关性进行筛选，进一步优化预设采样频率的输出。

进一步的，根据实际情况的需求，其样本量需要进行限定，因此，通过获取所需的预设样本数据量，进一步的对采样频率进行限制，即当预设样本数据量越小，设置的采样频率越大，呈反比关系，因此，将所述预设样本数据量输入所述逻辑函数中作为采样约束变量，更新所述逻辑函数，以优化后的逻辑函数进一步进行采样频率的二次响应，输出基于预设样本数据量的约束条件下最佳采样频率，提高了采样分析数据的灵活性和可调整性，增加了异常来源的分析效果。

步骤S400：根据所述时序采样数据进行数据连接关系分析，标注关联变化数据；

步骤S500：根据所述标注关联变化数据，生成监测样本数据；

具体而言，根据所述时序采样数据进行进一步的联合分析，即由于所述时序采样数据采样的样本数据表示目标通信模块与邻域电子模块的数据联动变化关系，以目标通信模块数据变化，带动邻域电子模块数据变化的连接方式，进行关联变化分析，从而标识其中具有关联变化的数据，将该变化数据作为各个邻域电子模块中用于进行联动异常分析的指标，即作为监测样本数据进行分析。

步骤S600：连接所述云处理器，对所述目标通信模块和所述邻域电子模块进行实时监测，得到实时监测数据；

步骤S700：将所述实时监测数据和所述监测样本数据输入至所述云处理器中，根据所述云处理器，输出异常定位结果。

具体而言，通过连接云处理器对接入的目标通信模块和邻域电子模块进行监测和数据处理，以将所述实时监测数据和所述监测样本数据进行异常源定位，从而输出异常定位结果。

由于所述监测样本数据集为基于通信模块与邻域电子模块之间连接的关联性进行分析获取的数据，作为比对、查找的样本库。由于目标通信模块的异常监测数据较多，为了保证数据的有效利用，连接云处理器将获取的所有数据输入至所述云处理器中进行处理，因此，当接收到实时的监测数据后，将所述实时监测数据和所述监测样本数据输入至所述云处理器中，根据所述云处理器，输出异常定位结果，其中，所述云处理器中包括由所述监测样本数据提前训练好的异常监测模型和异常定位模型，所述异常监测模型用于分析实时输入数据在目标通信模块和邻域通信模块之间变化的波动关系，所述异常定位模型用于根据异常数据识别对应所属的邻域电子模块，从而能够基于目标通信模块输出对应的联动异常来源。所述云处理器的主要处理过程如下：

进一步的，本申请实施例步骤S700还包括：

步骤S710：将所述实时监测数据和所述监测样本数据输入所述云处理器中，其中，所述云处理器包括异常监测模型和异常定位模型，其中，所述异常监测模型和所述异常定位模型数据交互；

步骤S720：根据所述异常监测模型和所述异常定位模型，输出所述异常定位结果，其中，所述异常定位结果为异常源定位信息。

进一步的，本申请实施例步骤S720还包括：

步骤S721：将所述实时监测数据和所述监测样本数据输入所述异常监测模型中，根据所述异常监测模型进行数据波动分析，获取波动指标；

步骤S722：根据所述波动指标，确定异常波动数据；

步骤S723：将所述异常波动数据输入所述异常定位模型中，根据所述异常定位模型进行所属模块定位，输出所述异常源定位信息。

具体地，通过异常监测模型按照对实时输入的监测数据进行异常波动分析，从而确定异常数据集，进一步的，异常定位模型为神经网络模型，神经网络模型为由大量处理单元进行互联而形成的网络，各个网络层之间存在函数学习关系，将监测样本数据和实时监测数据作为模型训练数据进行学习和误差的映射关系分析，从而提高模型识别准确性，进行数据的监督学习的过程包括：以所述监测样本数据作为监督标识训练集，当学习样本提供给输入神经元后，神经元的激活值(该层神经元输出值)从输入层经过各隐含层向输出层传播，在输出层的各神经元获得网络的输入响应，然后按照减少网络输出与实际输出样本之间误差的方向，从输出层反向经过各隐含层回到输入层，从而逐步修正各隐含权值，以形成异常数据与关联异常设备之间的映射关系，其中，所述异常定位模型的学习通过对异常数据进行异常源分析，以实时监测数据和监测样本数据之间数据的连接关系，对应确定发生异常的关联设备源，从而能够达到对异常设备进行关联分析的效果，示例性的，电表通信模块用于完成电表参数的处理、电表参数的配置、电表数据采集、电表数据监控以及电表数据分析等，当电表通信模块进行电表抄表时检测输出其出现电表数据异常的数据，根据该异常数据获取对应的出现异常的电表源，另外的，由于本申请实施例提供的基于模块连接关系进行的关联异常监测系统，能够根据对通信模块中的异常进行相关异常模块分析，比如，抄表系统出现异常数据，对应的分析采集设备的异常、以及参数配置的异常或者数据分析的异常，输出各个对应的异常数据，达到了对通信模块中各个模块进行联合异常检测，用于提高电表在进行异常监测时的异常识别效率，实现异常数据的同步识别，为之后的异常分析提供基础。

由于所述异常监测模型和所述异常定位模型数据交互，所述异常监测模型的输出与所述异常定位模型的输入连接，将所述实时监测数据和所述监测样本数据输入所述异常监测模型中，根据所述异常监测模型进行数据波动分析，获取波动指标，再根据所述波动指标，确定异常波动数据最后将所述异常波动数据输入所述异常定位模型中，根据所述异常定位模型进行所属模块定位，输出所述异常源定位信息，达到了通过邻域电子模块联动分析的方式进行异常源的智能化定位。

示例性的，即通过上述训练好的

进一步的，如图3所示，本申请实施例步骤S710还包括：

步骤S711：连接所述云处理器，获取系统配置信息；

步骤S712：根据所述系统配置信息，确定预设数据容量，其中，所述预设数据容量用于对进行异常分析的历史数据存储大小进行限制；

步骤S713：获取所述异常监测模型的数据量化指标；

步骤S714：根据所述预设数据容量和所述数据量化指标进行计算，配置记忆周期；

步骤S715：以所述记忆周期，生成短期记忆网络层；

步骤S716：将所述短期记忆网络层嵌入所述异常监测模型中进行模型网络层优化。

具体而言，由于模型自身的计算能力随着对应的数据负载而降低，为了保持模型的计算持续准确性，进一步对该模型的性能进行优化，能够保证输出异常来源的准确性，其优化过程主要以嵌入一短期记忆网络层的方式进行，所述短期记忆网络层与所述异常监测模型的输入层与隐含层之间嵌入连接，从而能够对所述异常监测模型进行短期记忆识别，从而筛检模型数据，进一步保持所述异常监测模型的持续高性能和异常来源识别的有效性，其中，配置短期记忆网络层的过程如下：

通过连接云处理器，获取云处理器中的系统配置信息，由于系统配置信息决定了信息负载能力，因此，通过确定系统配置信息来进一步确定预设数据容量，来对进行异常分析的历史数据存储大小进行限制，另一方面，获取所述异常监测模型中的数据流动量，即所述数据量化指标，其中，所述数据量化指标为基于模型监测流程执行完毕的单位数据流量，从而能够以预设数据容量和所述数据量化指标进行计算，配置以所述数据量化指标为输入，所述预设数据容量为目标的所需记忆周期，根据该记忆周期生成短期记忆网络层嵌入所述异常监测模型中进行模型网络层优化，达到了通过优化模型性能来提高异常来源监测准确性的技术效果。

结合上述实施例，本发明具有如下的有益效果：

由于采用了通过获取目标通信模块的信息，确定与该目标通信模块连接的邻域电子模块，再分别对所述目标通信模块和所述邻域电子模块进行时序采样，输出通信采样数据和邻域采样数据，进一步的，为了分析基于通信采样数据和邻域采样数据之间的变化关系，标注关联变化数据，以生成监测样本数据，进一步的，连接所述云处理器，对所述目标通信模块和所述邻域电子模块进行实时监测，得到实时监测数据，以所述监测样本数据作为分析基础，将所述实时监测数据和所述监测样本数据输入至所述云处理器中，根据所述云处理器中的异常监测模型和异常定位模型进行异常数据识别，输出异常来源定位结果的方式，达到了通过结合对通信邻域模组进行联动异常数据定位分析，提高异常来源监测准确性的技术效果。

采用了将各个邻域电子模块对应的N个数据输出频率作为输入变量，搭建逻辑函数，根据所述逻辑函数进行输出频率同步逻辑判断和等量代换，输出预设采样频率，提高了采样分析数据的灵活性和可调整性，增加了异常来源的分析效果。

采用了以预设数据容量和所述数据量化指标进行计算，配置以所述数据量化指标为输入，所述预设数据容量为目标的所需记忆周期，根据该记忆周期生成短期记忆网络层嵌入所述异常监测模型中进行模型网络层优化，达到了通过优化模型性能来提高异常来源监测准确性的技术效果。

实施例二

基于与前述实施例中一种基于通信模块的异常来源监测方法同样发明构思，本发明还提供了一种基于通信模块的异常来源监测方法的系统，如图4所示，所述系统包括：

信息采集模块11，所述信息采集模块11用于获取目标通信模块的信息；

邻域连接分析模块12，所述邻域连接分析模块12用于根据所述目标通信模块的信息，确定与所述目标通信模块连接的邻域电子模块；

时序采样模块13，所述时序采样模块13用于对所述邻域电子模块和所述目标通信模块进行时序采样，输出时序采样数据，其中，所述时序采样数据包括通信采样数据和邻域采样数据；

关联数据分析模块14，所述关联数据分析模块14用于根据所述时序采样数据进行数据连接关系分析，标注关联变化数据；

样本生成模块15，所述样本生成模块15用于根据所述标注关联变化数据，生成监测样本数据；

实时监测模块16，所述实时监测模块16用于连接所述云处理器，对所述目标通信模块和所述邻域电子模块进行实时监测，得到实时监测数据；

异常输出模块17，所述异常输出模块17用于将所述实时监测数据和所述监测样本数据输入至所述云处理器中，根据所述云处理器，输出异常定位结果。

进一步的，所述时序采样模块13还包括：

数据类型分析单元，所述数据类型分析单元用于分别获取所述邻域电子模块和所述目标通信模块的数据类型；

数据流分析单元，所述数据流分析单元用于通过对所述邻域电子模块的数据类型和所述目标通信模块的数据类型进行数据流分析，获取所述邻域电子模块中各个数据类型对应的N个数据输出频率；

输出频率获取单元，所述输出频率获取单元用于根据所述目标通信模块的数据类型，确定通信数据输出频率；

采样设置单元，所述采样设置单元用于以所述N个数据输出频率和所述通信数据输出频率进行采样设置，得到预设采样频率；

时序采样单元，所述时序采样单元用于根据所述预设采样频率对所述邻域电子模块和所述目标通信模块进行时序采样。

进一步的，所述采样设置单元还包括：

逻辑函数分析单元，所述逻辑函数分析单元用于将所述通信数据输出频率作为输入定量，将所述N个数据输出频率作为输入变量，搭建逻辑函数，其中，所述逻辑函数用于输出最佳采样频率；

频率同步计算单元，所述频率同步计算单元用于根据所述逻辑函数进行输出频率同步逻辑判断，输出响应结果，其中，所述响应结果包括所述预设采样频率。

进一步的，所述逻辑函数分析还包括：

数据量预设单元，所述数据量预设单元用于获取预设样本数据量；

逻辑函数更新单元，所述逻辑函数更新单元用于将所述预设样本数据量输入所述逻辑函数中作为采样约束变量，更新所述逻辑函数，生成优化逻辑函数；

二次响应单元，所述二次响应单元用于根据所述优化逻辑函数，输出二次响应结果，其中，所述二次响应结果为基于预设样本数据量的约束条件下最佳采样频率。

进一步的，所述异常输出模块17还包括：

监测模型分析单元，所述监测模型分析单元用于将所述实时监测数据和所述监测样本数据输入所述云处理器中，其中，所述云处理器包括异常监测模型和异常定位模型，其中，所述异常监测模型和所述异常定位模型数据交互；

异常结果输出单元，所述异常结果输出单元用于根据所述异常监测模型和所述异常定位模型，输出所述异常定位结果，其中，所述异常定位结果为异常源定位信息。

进一步的，所述监测模型分析单元还包括：

数据波动分析单元，所述数据波动分析单元用于将所述实时监测数据和所述监测样本数据输入所述异常监测模型中，根据所述异常监测模型进行数据波动分析，获取波动指标；

异常波动输出单元，所述异常波动输出单元用于根据所述波动指标，确定异常波动数据；

异常源定位单元，所述异常源定位单元用于将所述异常波动数据输入所述异常定位模型中，根据所述异常定位模型进行所属模块定位，输出所述异常源定位信息。

进一步的，所述监测模型分析单元还包括：

系统配置分析单元，所述系统配置分析单元用于连接所述云处理器，获取系统配置信息；

数据容量分析单元，所述数据容量分析单元用于根据所述系统配置信息，确定预设数据容量，其中，所述预设数据容量用于对进行异常分析的历史数据存储大小进行限制；

数据量化分析单元，所述数据量化分析单元用于获取所述异常监测模型的数据量化指标；

配置记忆周期单元，所述配置记忆周期单元用于根据所述预设数据容量和所述数据量化指标进行计算，配置记忆周期；

网络层输出单元，所述网络层输出单元用于以所述记忆周期，生成短期记忆网络层；

网络层嵌入单元，所述网络层嵌入单元用于将所述短期记忆网络层嵌入所述异常监测模型中进行模型网络层优化。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的装置及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。以上实施例所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (7)

1.一种基于通信模块的异常来源监测方法，其特征在于，所述方法应用于通信模块的异常管理系统，所述系统与云处理器通信连接，所述方法包括：

获取目标通信模块的信息；

根据所述目标通信模块的信息，确定与所述目标通信模块连接的邻域电子模块；

对所述邻域电子模块和所述目标通信模块进行时序采样，输出时序采样数据，其中，所述时序采样数据包括通信采样数据和邻域采样数据；

根据所述时序采样数据进行数据连接关系分析，标注关联变化数据；

根据所述标注关联变化数据，生成监测样本数据；

连接所述云处理器，对所述目标通信模块和所述邻域电子模块进行实时监测，得到实时监测数据；

将所述实时监测数据和所述监测样本数据输入至所述云处理器中，根据所述云处理器，输出异常定位结果；

将所述实时监测数据和所述监测样本数据输入至所述云处理器中，根据所述云处理器，输出异常定位结果，所述方法还包括：

将所述实时监测数据和所述监测样本数据输入所述云处理器中，其中，所述云处理器包括异常监测模型和异常定位模型，其中，所述异常监测模型和所述异常定位模型数据交互；

根据所述异常监测模型和所述异常定位模型，输出所述异常定位结果，其中，所述异常定位结果为异常源定位信息。

2.如权利要求1所述的方法，其特征在于，对所述邻域电子模块和所述目标通信模块进行时序采样，所述方法还包括：

分别获取所述邻域电子模块和所述目标通信模块的数据类型；

通过对所述邻域电子模块的数据类型和所述目标通信模块的数据类型进行数据流分析，获取所述邻域电子模块中各个数据类型对应的N个数据输出频率；

根据所述目标通信模块的数据类型，确定通信数据输出频率；

以所述N个数据输出频率和所述通信数据输出频率进行采样设置，得到预设采样频率；

根据所述预设采样频率对所述邻域电子模块和所述目标通信模块进行时序采样。

3.如权利要求2所述的方法，其特征在于，所述方法还包括：

将所述通信数据输出频率作为输入定量，将所述N个数据输出频率作为输入变量，搭建逻辑函数，其中，所述逻辑函数用于输出最佳采样频率；

根据所述逻辑函数进行输出频率同步逻辑判断，输出响应结果，其中，所述响应结果包括所述预设采样频率。

4.如权利要求3所述的方法，其特征在于，所述方法还包括：

获取预设样本数据量；

将所述预设样本数据量输入所述逻辑函数中作为采样约束变量，更新所述逻辑函数，生成优化逻辑函数；

根据所述优化逻辑函数，输出二次响应结果，其中，所述二次响应结果为基于预设样本数据量的约束条件下最佳采样频率。

5.如权利要求1所述的方法，其特征在于，根据所述异常监测模型和所述异常定位模型，输出所述异常定位结果，所述方法还包括：

将所述实时监测数据和所述监测样本数据输入所述异常监测模型中，根据所述异常监测模型进行数据波动分析，获取波动指标；

根据所述波动指标，确定异常波动数据；

将所述异常波动数据输入所述异常定位模型中，根据所述异常定位模型进行所属模块定位，输出所述异常源定位信息。

6.如权利要求1所述的方法，其特征在于，所述方法还包括：

连接所述云处理器，获取系统配置信息；

根据所述系统配置信息，确定预设数据容量，其中，所述预设数据容量用于对进行异常分析的历史数据存储大小进行限制；

获取所述异常监测模型的数据量化指标；

根据所述预设数据容量和所述数据量化指标进行计算，配置记忆周期；

以所述记忆周期，生成短期记忆网络层；

将所述短期记忆网络层嵌入所述异常监测模型中进行模型网络层优化。

7.一种基于通信模块的异常来源监测方法的系统，其特征在于，所述系统与云处理器通信连接，所述系统包括：

信息采集模块，所述信息采集模块用于获取目标通信模块的信息；

邻域连接分析模块，所述邻域连接分析模块用于根据所述目标通信模块的信息，确定与所述目标通信模块连接的邻域电子模块；

时序采样模块，所述时序采样模块用于对所述邻域电子模块和所述目标通信模块进行时序采样，输出时序采样数据，其中，所述时序采样数据包括通信采样数据和邻域采样数据；

关联数据分析模块，所述关联数据分析模块用于根据所述时序采样数据进行数据连接关系分析，标注关联变化数据；

样本生成模块，所述样本生成模块用于根据所述标注关联变化数据，生成监测样本数据；

实时监测模块，所述实时监测模块用于连接所述云处理器，对所述目标通信模块和所述邻域电子模块进行实时监测，得到实时监测数据；

异常输出模块，所述异常输出模块用于将所述实时监测数据和所述监测样本数据输入至所述云处理器中，根据所述云处理器，输出异常定位结果；

所述异常输出模块还包括：

监测模型分析单元，所述监测模型分析单元用于将所述实时监测数据和所述监测样本数据输入所述云处理器中，其中，所述云处理器包括异常监测模型和异常定位模型，其中，所述异常监测模型和所述异常定位模型数据交互；

异常结果输出单元，所述异常结果输出单元用于根据所述异常监测模型和所述异常定位模型，输出所述异常定位结果，其中，所述异常定位结果为异常源定位信息。

Images