CN115630756B - 基于大数据风险评估的港区威胁事件预测方法 - Google Patents

基于大数据风险评估的港区威胁事件预测方法 Download PDF

Info

Publication number
CN115630756B
CN115630756B CN202211653143.3A CN202211653143A CN115630756B CN 115630756 B CN115630756 B CN 115630756B CN 202211653143 A CN202211653143 A CN 202211653143A CN 115630756 B CN115630756 B CN 115630756B
Authority
CN
China
Prior art keywords
port
data
threat event
port area
threat
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
Application number
CN202211653143.3A
Other languages
English (en)
Other versions
CN115630756A (zh
Inventor
崔迪
孙国庆
李筠
占小跳
张霞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Waterborne Transport Research Institute
Original Assignee
China Waterborne Transport Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Waterborne Transport Research Institute filed Critical China Waterborne Transport Research Institute
Priority to CN202211653143.3A priority Critical patent/CN115630756B/zh
Publication of CN115630756A publication Critical patent/CN115630756A/zh
Application granted granted Critical
Publication of CN115630756B publication Critical patent/CN115630756B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开基于大数据风险评估的港区威胁事件预测方法，涉及数据处理技术领域，包括以下步骤：步骤1：获取港区边界坐标，根据港区边界坐标确认港区地域范围，捕捉港区地域范围内所有可行径路径；步骤2：采集港区地域范围内设备配置及工作人员配置数据，构建数据库储存港区地域范围内的设备配置及工作人员配置数据；本发明能够有效地对港区的各项配置参数进行采集，并根据采集结果数据作为基础的港区威胁事件判定的前提条件，同步采用港区历史威胁事件作为数据参考，从而对港区的威胁事件进行预测，使港区管理端用在对港区进行管理的过程中能够获取更多港区的实时状态数据，以便于港区管理端用户对港区进行更好的管理。

Description

基于大数据风险评估的港区威胁事件预测方法
技术领域
本发明涉及数据处理技术领域，具体涉及基于大数据风险评估的港区威胁事件预测方法。
背景技术
水路运输是为各主要运输方式中兴起最早、历史最长的运输方式，其技术经济特征是载重量大、成本低、投资省，但灵活性小，连续性也差，较适于担负大宗、低值、笨重和各种散装货物的中长距离运输，其中特别是海运，更适于承担各种外贸货物的进出口运输；
水路运输以船舶为主要运输工具、以港口或港站为运输基地、以水域包括海洋、河流和湖泊为运输活动范围的一种运输方式，水运仍是世界许多国家最重要的运输方式之一。
根据《中华人民共和国港口设施保安规则》，《交通运输行业反恐怖防范基本要求》（JT/T 961-2015），《安全防范工程技术规范》（GB 50348-2004）港口设施保安风险评估的目的，是分析各种潜在的保安威胁事件发生的可能性及后果，综合确定该威胁事件的风险等级，以此来判定是否需要采取新的保安措施，并对其降低风险的效果进行评估。
保安威胁事件是指在特定环境下，有可能对港口设施的人员、重要财产和基础设施（包括在港船舶）造成伤害或破坏的事件。
因水路运输特性及运输货物的价值，港区中出现的威胁事件较其他物流运输中转而言更多，由于其区域范围较大，中转物流货物较多，管理不便，这也为港区物流的威胁事件产生提供了条件，目前人们采用人工巡检及摄像头监控的方式来管理港区现场，但对于威胁事件的捕捉及时性较差，且无法做到一定程度的威胁事件预测。
发明内容
解决的技术问题
针对现有技术所存在的上述缺点，本发明提供了基于大数据风险评估的港区威胁事件预测方法，解决了上述背景技术中提出的技术问题。
技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
基于大数据风险评估的港区威胁事件预测方法，包括以下步骤：
步骤1：获取港区边界坐标，根据港区边界坐标确认港区地域范围，捕捉港区地域范围内所有可行径路径；
步骤2：采集港区地域范围内设备配置及工作人员配置数据，构建数据库储存港区地域范围内的设备配置及工作人员配置数据；
步骤3：实时分析港区地域范围内的设备及工作人员在线状态，实时获取港区地域范围内货物通过可行径路径进出信息；
步骤4：采集港区地域范围内历史威胁事件及其他指定港区历史威胁事件，获取威胁事件特征数据，设定捕捉时间阈，根据设定的捕捉时间阈捕捉港区地域范围内及指定港区于威胁事件发生前后时间阈内的其他特征数据；
步骤5：设定威胁事件风险等级，将威胁事件风险等级配置于由威胁事件特征数据与其他特征数据所计算的风险熵中，根据计算的风险熵判定威胁事件风险等级；
步骤6：港区管理端用户根据威胁事件风险等级设计港区威胁事件维护方案，港区管理端用户根据威胁事件风险等级实时触发相应维护方案；
步骤7：构建数据交互平台，港区管理端用户通过认证其所管理港区信息访问数据交互平台，并于数据交互平台中共享威胁事件数据内容。
更进一步地，所述步骤2中构建的数据库中储存的港区地域范围内设备配置及工作人员数据内容通过港区管理人员设定周期实时更新。
更进一步地，所述步骤3对港区地域范围内设备及工作人员在线状态进行分析及货物进出信息进行获取后，同步参考货物进出信息与港区地域范围内的设备及工作人员在线状态进行配置，根据配置结果实时通过港区地域范围设备、工作人员在线状态或货物进出信息中任意一组数据获取其他两组数据；
其中，所述步骤3中分析、获取的港区地域范围设备、工作人员在线状态或货物进出信息为港区地域范围内管理端用户自主设定的港区日常运转规划配置。
更进一步地，所述步骤3下级设置有子步骤，包括以下步骤：
步骤31：实时监测港区地域范围内设备、工作人员及货物进出信息数据，判定检测港区地域范围内数据内容是否与港区日常运转规划配置一致；
步骤32：将监测到的港区地域范围内设备、工作人员及货物进出信息数据与港区日常运转规划配置进行比对，获取比对差异项，将差异项向港区管理端用户反馈询问是否知晓；
步骤33：控制设备、工作人员及货物从港区地域范围内当前进程中下线。
更进一步地，所述步骤31在判定结果为是时步骤3的子步骤执行结束向步骤4跳转，所述步骤32的判定结果为是时步骤3的子步骤执行结束向步骤4跳转。
更进一步地，所述步骤4中其他指定港区根据当前港区管理端用户自主选择取用；
其中，威胁事件特征数据包括：威胁事件发生时港区地域范围内设备、工作人员、货物配置状态；威胁事件发生时间；威胁事件类型；威胁事件造成损失、威胁事件于港区地域范围内的发生区域；
其他特征数据包括：港区地域范围内设备、工作人员、货物信息数据中任意一项或多项。
更进一步地，所述步骤4在获取威胁事件特征数据及其他特征数据后，根据威胁事件特征数据内容及其他特征数据内容计算港区地域范围的当前风险熵，公式如下：
Figure SMS_1
；
式中：
Figure SMS_2
为风险熵值；
c为威胁事件特征数据与其他特征数据的比例常数；
Figure SMS_3
为港区地域范围内风险态数据个数；
Figure SMS_4
为其他特征数据中存在的脆弱性数据特征个数；
Figure SMS_5
为威胁事件特征数据中的威胁数据个数。
更进一步地，所述步骤6中港区管理端用户根据威胁事件风险等级设计的港区威胁事件维护方案于每一风险等级威胁事件中不少于两组。
更进一步地，所述步骤7中数据交互平台设置有数据共享反馈周期，在每一数据共享反馈周期结束后触发步骤4再次执行。
更进一步地，所述步骤7中构建的数据交互平台为复杂网络结构，数据交互平台在进行威胁事件数据共享时通过如下公式计算数据共享时效，根据共享时效控制数据交互平台的运行开闭，公式为：
Figure SMS_6
；
式中：
Figure SMS_7
为各所需传输威胁事件数据传输路径的长度均值；
Figure SMS_8
为数据交互平台应用网络规模；
Figure SMS_9
为网络节点i与j间的最短传输路径距离。
有益效果
采用本发明提供的技术方案，与已知的公有技术相比，具有如下有益效果：
1、本发明提供一种基于大数据风险评估的港区威胁事件预测方法，通过方法中的步骤执行能够有效地对港区的各项配置参数进行采集，并根据采集结果数据作为基础的港区威胁事件判定的前提条件，同步采用港区历史威胁事件作为数据参考，从而对港区的威胁事件进行预测，使港区管理端用在对港区进行管理的过程中能够获取更多港区的实时状态数据，以便于港区管理端用户对港区进行更好的管理。
2、本发明中方法在步骤的执行过程中通过设计港区维护方案及威胁事件评定等级的方式来确保港区在发生威胁事件时具备充足的维护能力，从而达到威胁事件被及时遏制发展的目的。
3、本发明中方法在步骤的执行过程中还能够对港区发生的威胁事件数据内容通过数据共享平台进行共享，以便于各港区管理端用户之间相互学习、借鉴，从而为港区管理端用户带来更多的港区管理方案的启发。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1为基于大数据风险评估的港区威胁事件预测方法中步骤1-4的流程 示意图；
图2为基于大数据风险评估的港区威胁事件预测方法中步骤4-7的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合实施例对本发明作进一步的描述。
实施例1
本实施例的基于大数据风险评估的港区威胁事件预测方法，如图1所示，包括以下步骤：
步骤1：获取港区边界坐标，根据港区边界坐标确认港区地域范围，捕捉港区地域范围内所有可行径路径；
步骤2：采集港区地域范围内设备配置及工作人员配置数据，构建数据库储存港区地域范围内的设备配置及工作人员配置数据；
步骤3：实时分析港区地域范围内的设备及工作人员在线状态，实时获取港区地域范围内货物通过可行径路径进出信息；
步骤4：采集港区地域范围内历史威胁事件及其他指定港区历史威胁事件，获取威胁事件特征数据，设定捕捉时间阈，根据设定的捕捉时间阈捕捉港区地域范围内及指定港区于威胁事件发生前后时间阈内的其他特征数据；
步骤5：设定威胁事件风险等级，将威胁事件风险等级配置于由威胁事件特征数据与其他特征数据所计算的风险熵中，根据计算的风险熵判定威胁事件风险等级；
步骤6：港区管理端用户根据威胁事件风险等级设计港区威胁事件维护方案，港区管理端用户根据威胁事件风险等级实时触发相应维护方案；
步骤7：构建数据交互平台，港区管理端用户通过认证其所管理港区信息访问数据交互平台，并于数据交互平台中共享威胁事件数据内容。
实施例2
在具体实施层面，在实施例1的基础上，本实施例参照图1所示对实施例1中基于大数据风险评估的港区威胁事件预测方法做进一步具体说明：
步骤2中构建的数据库中储存的港区地域范围内设备配置及工作人员数据内容通过港区管理人员设定周期实时更新。
如图1所示，步骤3对港区地域范围内设备及工作人员在线状态进行分析及货物进出信息进行获取后，同步参考货物进出信息与港区地域范围内的设备及工作人员在线状态进行配置，根据配置结果实时通过港区地域范围设备、工作人员在线状态或货物进出信息中任意一组数据获取其他两组数据；
其中，步骤3中分析、获取的港区地域范围设备、工作人员在线状态或货物进出信息为港区地域范围内管理端用户自主设定的港区日常运转规划配置。
如图1所示，步骤3下级设置有子步骤，包括以下步骤：
步骤31：实时监测港区地域范围内设备、工作人员及货物进出信息数据，判定检测港区地域范围内数据内容是否与港区日常运转规划配置一致；
步骤32：将监测到的港区地域范围内设备、工作人员及货物进出信息数据与港区日常运转规划配置进行比对，获取比对差异项，将差异项向港区管理端用户反馈询问是否知晓；
步骤33：控制设备、工作人员及货物从港区地域范围内当前进程中下线。
如图1所示，步骤31在判定结果为是时步骤3的子步骤执行结束向步骤4跳转，步骤32的判定结果为是时步骤3的子步骤执行结束向步骤4跳转。
步骤4中其他指定港区根据当前港区管理端用户自主选择取用；
其中，威胁事件特征数据包括：威胁事件发生时港区地域范围内设备、工作人员、货物配置状态；威胁事件发生时间；威胁事件类型；威胁事件造成损失、威胁事件于港区地域范围内的发生区域；
其他特征数据包括：港区地域范围内设备、工作人员、货物信息数据中任意一项或多项。
其中，步骤4在获取威胁事件特征数据及其他特征数据后，根据威胁事件特征数据内容及其他特征数据内容计算港区地域范围的当前风险熵，公式如下：
Figure SMS_10
；
式中：
Figure SMS_11
为风险熵值；
c为威胁事件特征数据与其他特征数据的比例常数；
Figure SMS_12
为港区地域范围内风险态数据个数；
Figure SMS_13
为其他特征数据中存在的脆弱性数据特征个数；
Figure SMS_14
为威胁事件特征数据中的威胁数据个数。
实施例3
在具体实施层面，在实施例1的基础上，本实施例参照图2所示对实施例1中基于大数据风险评估的港区威胁事件预测方法做进一步具体说明：
如图2所示，步骤6中港区管理端用户根据威胁事件风险等级设计的港区威胁事件维护方案于每一风险等级威胁事件中不少于两组。
通过该设置可以使得港区在出现威胁事件时具有备用威胁事件维护方案提供保障。
如图2所示，步骤7中数据交互平台设置有数据共享反馈周期，在每一数据共享反馈周期结束后触发步骤4再次执行。
通过该设置可以使得方法对威胁事件的预测能力能够跟随方法的使用时间进一步增长。
其中，步骤7中构建的数据交互平台为复杂网络结构，数据交互平台在进行威胁事件数据共享时通过如下公式计算数据共享时效，根据共享时效控制数据交互平台的运行开闭，公式为：
Figure SMS_15
；
式中：
Figure SMS_16
各所需传输威胁事件数据传输路径的长度均值；
Figure SMS_17
为数据交互平台应用网络规模；
Figure SMS_18
为网络节点i与j间的最短传输路径距离。
综上而言，上述实施例中记载的方法能够有效地对港区的各项配置参数进行采集，并根据采集结果数据作为基础的港区威胁事件判定的前提条件，同步采用港区历史威胁事件作为数据参考，从而对港区的威胁事件进行预测，使港区管理端用在对港区进行管理的过程中能够获取更多港区的实时状态数据，以便于港区管理端用户对港区进行更好的管理，且方法在步骤的执行过程中通过设计港区维护方案及威胁事件评定等级的方式来确保港区在发生威胁事件时具备充足的维护能力，从而达到威胁事件被及时遏制发展的目的，并且方法在步骤的执行过程中还能够对港区发生的威胁事件数据内容通过数据共享平台进行共享，以便于各港区管理端用户之间相互学习、借鉴，从而为港区管理端用户带来更多的港区管理方案的启发。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.基于大数据风险评估的港区威胁事件预测方法，其特征在于，包括以下步骤：
步骤1：获取港区边界坐标，根据港区边界坐标确认港区地域范围，捕捉港区地域范围内所有可行径路径；
步骤2：采集港区地域范围内设备配置及工作人员配置数据，构建数据库储存港区地域范围内的设备配置及工作人员配置数据；
步骤3：实时分析港区地域范围内的设备及工作人员在线状态，实时获取港区地域范围内货物通过可行径路径进出信息；
步骤4：采集港区地域范围内历史威胁事件及其他指定港区历史威胁事件，获取威胁事件特征数据，设定捕捉时间阈，根据设定的捕捉时间阈捕捉港区地域范围内及指定港区于威胁事件发生前后时间阈内的其他特征数据；
步骤5：设定威胁事件风险等级，将威胁事件风险等级配置于由威胁事件特征数据与其他特征数据所计算的风险熵中，根据计算的风险熵判定威胁事件风险等级；
步骤6：港区管理端用户根据威胁事件风险等级设计港区威胁事件维护方案，港区管理端用户根据威胁事件风险等级实时触发相应维护方案；
步骤7：构建数据交互平台，港区管理端用户通过认证其所管理港区信息访问数据交互平台，并于数据交互平台中共享威胁事件数据内容；
所述步骤4中其他指定港区根据当前港区管理端用户自主选择取用；
其中，威胁事件特征数据包括：威胁事件发生时港区地域范围内设备、工作人员、货物配置状态；威胁事件发生时间；威胁事件类型；威胁事件造成损失、威胁事件于港区地域范围内的发生区域；
其他特征数据包括：港区地域范围内设备、工作人员、货物信息数据中任意一项或多项；
所述步骤4在获取威胁事件特征数据及其他特征数据后，根据威胁事件特征数据内容及其他特征数据内容计算港区地域范围的当前风险熵，公式如下：
Figure QLYQS_1
；
式中：
Figure QLYQS_2
为风险熵值；
c为威胁事件特征数据与其他特征数据的比例常数；
Figure QLYQS_3
为港区地域范围内风险态数据个数；
Figure QLYQS_4
为其他特征数据中存在的脆弱性数据特征个数；
Figure QLYQS_5
为威胁事件特征数据中的威胁数据个数；
所述步骤7中构建的数据交互平台为复杂网络结构，数据交互平台在进行威胁事件数据共享时通过如下公式计算数据共享时效，根据共享时效控制数据交互平台的运行开闭，公式为：
Figure QLYQS_6
；
式中：
Figure QLYQS_7
为各所需传输威胁事件数据传输路径的长度均值；
Figure QLYQS_8
为数据交互平台应用网络规模；
Figure QLYQS_9
为网络节点i与j间的最短传输路径距离。
2.根据权利要求1所述的基于大数据风险评估的港区威胁事件预测方法，其特征在于，所述步骤2中构建的数据库中储存的港区地域范围内设备配置及工作人员数据内容通过港区管理人员设定周期实时更新。
3.根据权利要求1所述的基于大数据风险评估的港区威胁事件预测方法，其特征在于，所述步骤3对港区地域范围内设备及工作人员在线状态进行分析及货物进出信息进行获取后，同步参考货物进出信息与港区地域范围内的设备及工作人员在线状态进行配置，根据配置结果实时通过港区地域范围设备、工作人员在线状态或货物进出信息中任意一组数据获取其他两组数据；
其中，所述步骤3中分析、获取的港区地域范围设备、工作人员在线状态或货物进出信息为港区地域范围内管理端用户自主设定的港区日常运转规划配置。
4.根据权利要求1所述的基于大数据风险评估的港区威胁事件预测方法，其特征在于，所述步骤3下级设置有子步骤，包括以下步骤：
步骤31：实时监测港区地域范围内设备、工作人员及货物进出信息数据，判定检测港区地域范围内数据内容是否与港区日常运转规划配置一致；
步骤32：将监测到的港区地域范围内设备、工作人员及货物进出信息数据与港区日常运转规划配置进行比对，获取比对差异项，将差异项向港区管理端用户反馈询问是否知晓；
步骤33：控制设备、工作人员及货物从港区地域范围内当前进程中下线。
5.根据权利要求4所述的基于大数据风险评估的港区威胁事件预测方法，其特征在于，所述步骤31在判定结果为是时步骤3的子步骤执行结束向步骤4跳转，所述步骤32的判定结果为是时步骤3的子步骤执行结束向步骤4跳转。
6.根据权利要求1所述的基于大数据风险评估的港区威胁事件预测方法，其特征在于，所述步骤6中港区管理端用户根据威胁事件风险等级设计的港区威胁事件维护方案于每一风险等级威胁事件中不少于两组。
7.根据权利要求1所述的基于大数据风险评估的港区威胁事件预测方法，其特征在于，所述步骤7中数据交互平台设置有数据共享反馈周期，在每一数据共享反馈周期结束后触发步骤4再次执行。
CN202211653143.3A 2022-12-22 2022-12-22 基于大数据风险评估的港区威胁事件预测方法 Active CN115630756B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211653143.3A CN115630756B (zh) 2022-12-22 2022-12-22 基于大数据风险评估的港区威胁事件预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211653143.3A CN115630756B (zh) 2022-12-22 2022-12-22 基于大数据风险评估的港区威胁事件预测方法

Publications (2)

Publication Number Publication Date
CN115630756A CN115630756A (zh) 2023-01-20
CN115630756B true CN115630756B (zh) 2023-03-17

Family

ID=84910237

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211653143.3A Active CN115630756B (zh) 2022-12-22 2022-12-22 基于大数据风险评估的港区威胁事件预测方法

Country Status (1)

Country Link
CN (1) CN115630756B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115994689B (zh) * 2023-03-22 2023-05-30 交通运输部水运科学研究所 一种智慧码头港区危险货物安全运输的管理方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109935042A (zh) * 2019-03-07 2019-06-25 大连大学 一种港口危险品智能监控预警系统
CN114997757A (zh) * 2022-08-04 2022-09-02 交通运输部水运科学研究所 基于级联失效的港口石化区域运输风险预警方法及系统
CN115187019A (zh) * 2022-06-28 2022-10-14 中国电子科技集团公司第三十研究所 一种人工智能全生命周期安全风险评估方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7313695B2 (en) * 2004-03-23 2007-12-25 Sourcefire, Inc. Systems and methods for dynamic threat assessment
CN105787677B (zh) * 2016-03-31 2017-11-10 交通运输部水运科学研究所 石化港区事故风险区域定量评估方法
CN109886594A (zh) * 2019-03-01 2019-06-14 大连海大船舶导航国家工程研究中心有限责任公司 一种应用于海港边防检查的风险等级评估方法
US11748488B2 (en) * 2019-12-24 2023-09-05 Sixgill Ltd. Information security risk management
CN112543196A (zh) * 2020-12-04 2021-03-23 国网山东省电力公司电力科学研究院 一种基于区块链智能合约的网络威胁情报共享平台
CN115018391A (zh) * 2022-08-05 2022-09-06 交通运输部规划研究院 一种基于多源数据的溢油风险定量预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109935042A (zh) * 2019-03-07 2019-06-25 大连大学 一种港口危险品智能监控预警系统
CN115187019A (zh) * 2022-06-28 2022-10-14 中国电子科技集团公司第三十研究所 一种人工智能全生命周期安全风险评估方法及装置
CN114997757A (zh) * 2022-08-04 2022-09-02 交通运输部水运科学研究所 基于级联失效的港口石化区域运输风险预警方法及系统

Also Published As

Publication number Publication date
CN115630756A (zh) 2023-01-20

Similar Documents

Publication Publication Date Title
Straub et al. Value of information: A roadmap to quantifying the benefit of structural health monitoring
CN106412501B (zh) 一种视频的施工安全行为智能监控系统及其监控方法
CN105069695B (zh) 一种智能变电站实时风险分析系统及分析方法
CN107317718B (zh) 一种运维服务管理方法及管理平台
Oughton et al. Stochastic counterfactual risk analysis for the vulnerability assessment of cyber‐physical attacks on electricity distribution infrastructure networks
CN102947801A (zh) 恶意攻击检测和分析
CN115630756B (zh) 基于大数据风险评估的港区威胁事件预测方法
Shen et al. Large‐scale systems resilience: A survey and unifying framework
Jakaria et al. Safety analysis of AMI networks through smart fraud detection
CN104753952A (zh) 基于虚拟机业务数据流的入侵检测分析系统
Bellini et al. Towards a novel conceptualization of cyber resilience
Hong et al. Data integrity attacks against outage management systems
Sapori et al. A quantitative approach to risk management in critical infrastructures
Dragomir et al. Adaptive Neuro-Fuzzy inference system for mid term prognostic error stabilization.
Salehie et al. Adaptive security and privacy in smart grids: A software engineering vision
CN116668192B (zh) 一种网络用户行为异常检测方法及系统
CN105608380A (zh) 一种基于虚拟机生命周期的云计算安全性评估方法
Andrysiak et al. Anomaly Detection for Smart Lighting Infrastructure with the Use of Time Series Analysis.
Liu et al. Artificial intelligence and computational intelligence: a challenge for power system engineers
CN109871711A (zh) 海洋大数据共享分发风险控制模型及方法
CN112261009B (zh) 一种针对铁路调度集中系统的网络入侵检测方法
Zhukov et al. Risk assessment in critical infrastructure computer networks
Hromada et al. Resilience Assessment in Electricity Critical Infrastructure from the Point of View of Converged Security. Energies 2021, 14, 1624
Shaopei et al. RCM-fuzzy model and its applications to maintenance with cost/serviceability optimization
Vivekanadam IoT based smart grid attack resistance in AC and DC state estimation

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