CN115840907A - 场景行为分析方法、装置、电子设备和介质 - Google Patents
场景行为分析方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN115840907A CN115840907A CN202310123658.0A CN202310123658A CN115840907A CN 115840907 A CN115840907 A CN 115840907A CN 202310123658 A CN202310123658 A CN 202310123658A CN 115840907 A CN115840907 A CN 115840907A
- Authority
- CN
- China
- Prior art keywords
- behavior
- scene
- data
- analyzed
- environment
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
本公开涉及计算机技术领域,提供了一种场景行为分析方法、装置、电子设备和介质。该方法包括:获取目标场景环境下的待分析场景行为数据;将上述待分析场景行为数据输入预设的行为分析回归模型,获得上述行为分析回归模型输出的行为响应结果;确定上述目标场景环境对应的安全规则;基于上述安全规则,分析上述行为响应结果,获得上述待分析场景行为数据的安全程度。该实施方式可以对特定场景环境下的复杂的控制行为进行行为分析,通过行为分析回归模型,确定控制行为的安全性。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种场景行为分析方法、装置、电子设备和介质。
背景技术
工业控制系统能够基于对特定的场景环境的监测(例如通过各种传感器等),做出面向工业生产的控制行为。随着自动化水平的提高,特别是AI等技术的应用,工业控制系统做出控制行为的智能程度不断提高,自主性权限也不断增大。对于一个工业控制系统来说,出于维护安全生产的需要,要求在特定的场景环境下针对工业控制系统的控制行为,进行行为分析,通过分析判定在该场景环境下该控制行为的安全性;但目前的分析方式,面向具有直接因果关系的“控制行为-响应结果”的行为分析是有效的,无法剖析复杂的控制行为和响应结果之间的关系,影响后续对控制行为安全性的判断效率和准确性。
发明内容
有鉴于此,本公开实施例提供了一种场景行为分析方法、装置、电子设备和介质,以解决现有技术中无法剖析复杂的控制行为和响应结果之间的关系,影响后续对控制行为安全性的判断效率和准确性的问题。
本公开实施例的第一方面,提供了一种场景行为分析方法,包括:获取目标场景环境下的待分析场景行为数据;将上述待分析场景行为数据输入预设的行为分析回归模型,获得上述行为分析回归模型输出的行为响应结果;确定上述目标场景环境对应的安全规则;基于上述安全规则,分析上述行为响应结果,获得上述待分析场景行为数据的安全程度。
本公开实施例的第二方面,提供了一种场景行为分析装置,包括:数据获取单元,被配置成获取目标场景环境下的待分析场景行为数据;结果获得单元,被配置成将上述待分析场景行为数据输入预设的行为分析回归模型,获得上述行为分析回归模型输出的行为响应结果;规则确定单元,被配置成确定上述目标场景环境对应的安全规则;行为分析单元,被配置成基于上述安全规则,分析上述行为响应结果,获得上述待分析场景行为数据的安全程度。
本公开实施例的第三方面,提供了一种电子设备,包括存储器、处理器以及存储在存储器中并且可以在处理器上运行的计算机程序,该处理器执行计算机程序时实现上述方法的步骤。
本公开实施例的第四方面,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述方法的步骤。
本公开实施例与现有技术相比存在的有益效果是:首先,获取目标场景环境下的待分析场景行为数据;然后,将上述待分析场景行为数据输入预设的行为分析回归模型,获得上述行为分析回归模型输出的行为响应结果;之后,确定上述目标场景环境对应的安全规则;最后,基于上述安全规则,分析上述行为响应结果,获得上述待分析场景行为数据的安全程度。本公开提供的方法及装置,可以将获取到的目标场景环境下的待分析场景行为数据输入至行为分析回归模型中,实现了能够对复杂更高维度、更深层级的数据进行行为分析的过程,以确定行为响应结果,并且,根据安全规则对行为响应结果进行分析,以确定待分析场景行为数据的安全性;通过构建行为分析回归模型,可以实现对复杂数据进行更合理、更直观的数据解释,实现对影响结果的分析过程,以准确地确定控制行为是否符合安全生产的要求,提高行为分析效率。
附图说明
为了更清楚地说明本公开实施例中的技术方案,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公开的一些实施例,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它的附图。
图1是根据本公开的一些实施例的场景行为分析方法的一个应用场景的示意图;
图2是根据本公开的场景行为分析方法的一些实施例的流程图;
图3是根据本公开的场景行为分析装置的一些实施例的结构示意图;
图4是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开的一些实施例的场景行为分析方法的一个应用场景的示意图。
在图1的应用场景中,首先,计算设备101可以获取目标场景环境下的待分析场景行为数据102。然后,将待分析场景行为数据102输入预设的行为分析回归模型103,计算设备101可以获得行为分析回归模型103输出的行为响应结果104。之后,计算设备101可以获取上述目标场景环境对应的安全规则105。最后,基于上述安全规则105分析上述行为响应结果104,计算设备101可以确定上述待分析场景行为数据的安全程度106。
需要说明的是,上述计算设备101可以是硬件,也可以是软件。当计算设备101为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备101体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的计算设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的计算设备。
图2是根据本公开的场景行为分析方法的一些实施例的流程图。图2的场景行为分析方法可以由图1的计算设备101执行。如图2所示,该场景行为分析方法包括:
步骤S201,获取目标场景环境下的待分析场景行为数据。
在一些实施例中,场景行为分析方法的执行主体(如图1所示的计算设备101)可以目标场景环境下的待分析场景行为数据。具体地,目标场景环境可以为工业生产的场景环境,对此不做任何限定。
在一些实施例中,工业控制系统能够基于对特定的场景环境的监测(例如通过各种传感器等),做出面向工业生产的控制行为。随着自动化水平的提高,特别是AI等技术的应用,工业控制系统做出控制行为的智能程度不断提高,自主性权限也不断增大。对于一个工业控制系统来说,出于维护安全生产的需要,要求在特定的场景环境下针对工业控制系统的控制行为,进行行为分析,通过分析判定在该场景环境下该控制行为的安全性。在现有技术中,行为分析是采用“控制行为-响应结果”的直接观测来分析和判定,即在特定的场景环境下,确定并记录工业控制系统的控制行为,继而观测行为的瞬时或者一定时间窗口内工业控制系统对该控制行为的响应结果,通过响应结果判定安全性,可以基于数据统计的方式进行反复的观测。
在一些实施例中,执行主体可通过各种传感器获取目标场景环境下的待分析场景行为数据;具体的,上述获取目标场景环境下的待分析场景行为数据,包括:确定目标场景环境对应的环境监测传感器;基于上述环境监测传感器,获取上述目标场景环境下的待分析场景行为数据。环境监测传感器可以包括红外线传感器、超声波传感器等,对此不做限定。进而,根据环境监测传感器获取到待分析场景行为数据。
步骤S202,将上述待分析场景行为数据输入预设的行为分析回归模型,获得上述行为分析回归模型输出的行为响应结果。
在一些实施例中,传统的方式面向具有直接因果关系的“控制行为-响应结果”的行为分析是有效的,却难以判断在工业控制系统的控制行为和响应结果之间更高维度、更深层级的动态演化规律,无法剖析复杂的控制行为和响应结果数据下的本质特征,获得更合理、更直观的行为分析。另一个缺点在于,对于复杂的、时变性强的工业控制系统来说,对“控制行为-响应结果”的进行观测数据采样的采样窗口时长和采样频率的要求很高,而对于特定的场景环境来讲,由于场景环境的时变性,导致该特定的场景环境无法维持足够的稳定,导致无法支持以上采样时长和采样频率。因此,本方案中可利用行为分析回归模型,能够实现对复杂控制行为数据对应的行为响应结果的获取。
在一些实施例中,执行主体可对上述行为分析回归模型进行预先训练获得,将在特定的场景环境下工业控制系统的“控制行为-响应结果”的复杂数据样本作为时间函数,建立函数型复杂样本数据的行为分析回归模型,实现回归系数估计;其训练方式如下:获取上述目标场景环境下的待训练复杂样本数据,并构建上述目标场景环境对应的初始行为分析回归模型;定义上述初始行为分析回归模型对应的损失函数;基于预设算法拟合上述初始行为分析回归模型,获得目标行为分析回归模型;将上述待训练复杂样本数据输入上述目标行为分析回归模型进行求解,获得预测响应结果;基于上述预测响应结果和上述损失函数,确定损失值,并根据上述损失值调整上述目标行为分析回归模型的模型参数,直至达到训练停止条件。具体的训练步骤如下:
第一步,构建“控制行为-响应结果”样本数据的函数型行为分析回归模型的模型
表达式。针对工业控制系统,在特定的场景环境下进行响应变量和协变量 观测,
获得n组观测数据值,,其中N是样本总数;上述协变量 该工业控制系统在特定的场景环境下的控制行为,上述响应变量为工业系统对上述
控制行为瞬时或者一定时间窗口内产生的响应结果;其中响应变量和单协变量都
是时变性的时间函数,因此构建“控制行为-响应结果”样本数据的函数型行为分析回归模
型,模型表达式为:(公式1)
其中:n-样本序号,;/>-截距函数;/>-回归系数函数,是/>的一个二元函数,可以解释为:对给定t, 放在协变量z在s处的值z(s)上的权重;具体地,模型表达式(公式1)中的s和t一样,都是时间。进一步解释,/>是通过积分得到的一个时间函数。作为示例,若表示为/>,则结果为s的函数有误,表示随机误差函数。
第三步,模型拟合:
T表示矩阵的转置。
a表示待估向量。
第四步,模型求解:
(3)得到以B表示的损失
(5)得到最终模型解
在一些实施例中,执行主体在上述获取上述目标场景环境下的待训练复杂样本数据,包括:获取上述目标场景环境下的初始监测数据;基于预设数据处理规则,对上述初始监测数据进行处理,获得待训练复杂样本数据。执行主体可对初始监测数据进行清洗、整理,并根据预设数据处理规则建立函数型复杂样本数据,即待训练复杂样本数据,具备无限维的空间特征,具有更强的普适性。
步骤S203,确定上述目标场景环境对应的安全规则。
在一些实施例中,上述执行主体可以通过如下步骤确定上述目标场景环境对应的安全规则,包括:确定上述目标场景环境的场景类型;基于上述场景类型在预设安全规则库中,确定上述目标场景环境对应的安全规则。执行主体根据目标场景环境的场景类型,在预设的安全规则数据库中进行查找比对,以确定该场景类型下预设的安全规则,便于后续直接利用上述安全规则进行行为分析。
步骤S204,基于上述安全规则,分析上述行为响应结果,获得上述待分析场景行为数据的安全程度。
在一些实施例中,上述执行主体可以通过如下步骤确定基于上述安全规则,分析上述行为响应结果,获得上述待分析场景行为数据的安全程度,包括:基于预设格式转换规则,对上述行为响应结果进行格式转换,获得待匹配行为响应结果;将上述安全规则与上述待匹配行为响应结果进行匹配,获得行为匹配结果;基于上述行为匹配结果,确定上述待分析场景行为数据的安全程度。执行主体可根据预设格式转换规则,对行为响应结果进行格式转换,并转换后的待匹配行为响应结果,需要说明的是,预设格式转换规则可预先设定,对此不走限定;进一步地,再根据行为匹配结果确定待分析场景行为数据的安全程度。
在一些实施例中,上述执行主体场景行为分析方法,其特征在于,上述获得上述待分析场景行为数据的安全程度之后,还包括:基于上述安全程度,确定在上述目标场景环境下是否执行上述待分析场景行为。根据安全生产的安全标准,判断该“响应结果”是否符合安全生产的要求。
在一些实施例中,将在特定的场景环境下工业控制系统的“控制行为-响应结果”的复杂数据样本作为时间函数,建立函数型复杂样本数据的行为分析回归模型,实现回归系数估计。函数型数据的回归分析,将动态函数曲线作为“原始数据”,具备无限维的空间特征,从而放松对数据采集频率的要求,具有更强的普适性。同时通过函数型数据特有的方法,识别高维数据更深层级的动态演化规律,剖析复杂数据下的本质特征,获得更合理、更直观的数据解释。本算法无需对数据采集频率做任何的限制,使用数据光滑后的函数型数据进行建模,并提供其回归系数核函数的估计算法和解的表示。
本公开实施例与现有技术相比存在的有益效果是:首先,获取目标场景环境下的待分析场景行为数据;然后,将上述待分析场景行为数据输入预设的行为分析回归模型,获得上述行为分析回归模型输出的行为响应结果;之后,确定上述目标场景环境对应的安全规则;最后,基于上述安全规则,分析上述行为响应结果,获得上述待分析场景行为数据的安全程度。本公开提供的方法及装置,可以将获取到的目标场景环境下的待分析场景行为数据输入至行为分析回归模型中,实现了能够对复杂更高维度、更深层级的数据进行行为分析的过程,以确定行为响应结果,并且,根据安全规则对行为响应结果进行分析,以确定待分析场景行为数据的安全性;通过构建行为分析回归模型,可以实现对复杂数据进行更合理、更直观的数据解释,实现对影响结果的分析过程,以准确地确定控制行为是否符合安全生产的要求,提高行为分析效率。
上述所有可选技术方案,可以采用任意结合形成本申请的可选实施例,在此不再一一赘述。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
图3是根据本公开的场景行为分析装置的一些实施例的结构示意图。如图3所示,该场景行为分析装置包括:数据获取单元301、结果获得单元302、规则确定单元303和行为分析单元304。其中,数据获取单元301,被配置成获取目标场景环境下的待分析场景行为数据;结果获得单元302,被配置成将上述待分析场景行为数据输入预设的行为分析回归模型,获得上述行为分析回归模型输出的行为响应结果;规则确定单元303,被配置成确定上述目标场景环境对应的安全规则;行为分析单元304,被配置成基于上述安全规则,分析上述行为响应结果,获得上述待分析场景行为数据的安全程度。
在一些实施例的一些可选的实现方式中,场景行为分析装置的行为分析单元304被进一步配置成:基于预设格式转换规则,对上述行为响应结果进行格式转换,获得待匹配行为响应结果;将上述安全规则与上述待匹配行为响应结果进行匹配,获得行为匹配结果;基于上述行为匹配结果,确定上述待分析场景行为数据的安全程度。
在一些实施例的一些可选的实现方式中,场景行为分析装置的数据获取单元301被进一步配置成:确定目标场景环境对应的环境监测传感器;基于上述环境监测传感器,获取上述目标场景环境下的待分析场景行为数据。
在一些实施例的一些可选的实现方式中,场景行为分析装置的规则确定单元303被进一步配置成:确定上述目标场景环境的场景类型;基于上述场景类型在预设安全规则库中,确定上述目标场景环境对应的安全规则。
在一些实施例的一些可选的实现方式中,场景行为分析装置被进一步配置成:获取上述目标场景环境下的待训练复杂样本数据,并构建上述目标场景环境对应的初始行为分析回归模型;定义上述初始行为分析回归模型对应的损失函数;基于预设算法拟合上述初始行为分析回归模型,获得目标行为分析回归模型;将上述待训练复杂样本数据输入上述目标行为分析回归模型进行求解,获得预测响应结果;基于上述预测响应结果和上述损失函数,确定损失值,并根据上述损失值调整上述目标行为分析回归模型的模型参数,直至达到训练停止条件。
在一些实施例的一些可选的实现方式中,场景行为分析装置被进一步配置成:获取上述目标场景环境下的初始监测数据;基于预设数据处理规则,对上述初始监测数据进行处理,获得待训练复杂样本数据。
在一些实施例的一些可选的实现方式中,场景行为分析装置被进一步配置成:基于上述安全程度,确定在上述目标场景环境下是否执行上述待分析场景行为。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本公开实施例的实施过程构成任何限定。
图4是本公开实施例提供的计算机设备4的示意图。如图4所示,该实施例的计算机设备4包括:处理器401、存储器402以及存储在该存储器402中并且可以在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者,处理器401执行计算机程序403时实现上述各装置实施例中各模块/单元的功能。
示例性地,计算机程序403可以被分割成一个或多个模块/单元,一个或多个模块/单元被存储在存储器402中,并由处理器401执行,以完成本公开。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序403在计算机设备4中的执行过程。
计算机设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算机设备。计算机设备4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解,图4仅仅是计算机设备4的示例,并不构成对计算机设备4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如,计算机设备还可以包括输入输出设备、网络接入设备、总线等。
处理器401可以是中央处理单元(Central Processing Unit,CPU),也可以是其它通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器402可以是计算机设备4的内部存储单元,例如,计算机设备4的硬盘或内存。存储器402也可以是计算机设备4的外部存储设备,例如,计算机设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器402还可以既包括计算机设备4的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及计算机设备所需的其它程序和数据。存储器402还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
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单元及算法步骤,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。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本公开的范围。
在本公开所提供的实施例中,应该理解到,所揭露的装置/计算机设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/计算机设备实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本公开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。
集成的模块/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存储介质中。基于这样的理解,本公开实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可以存储在计算机可读存储介质中,该计算机程序在被处理器执行时,可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如,在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本公开的技术方案,而非对其限制;尽管参照前述实施例对本公开进行了详细的说明,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,并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围,均应包含在本公开的保护范围之内。
Claims (10)
1.一种场景行为分析方法,其特征在于,包括:
获取目标场景环境下的待分析场景行为数据;
将所述待分析场景行为数据输入预设的行为分析回归模型,获得所述行为分析回归模型输出的行为响应结果;
确定所述目标场景环境对应的安全规则;
基于所述安全规则,分析所述行为响应结果,获得所述待分析场景行为数据的安全程度。
2.根据权利要求1所述的场景行为分析方法,其特征在于,所述基于所述安全规则,分析所述行为响应结果,获得所述待分析场景行为数据的安全程度,包括:
基于预设格式转换规则,对所述行为响应结果进行格式转换,获得待匹配行为响应结果;
将所述安全规则与所述待匹配行为响应结果进行匹配,获得行为匹配结果;
基于所述行为匹配结果,确定所述待分析场景行为数据的安全程度。
3.根据权利要求1所述的场景行为分析方法,其特征在于,所述获取目标场景环境下的待分析场景行为数据,包括:
确定目标场景环境对应的环境监测传感器;
基于所述环境监测传感器,获取所述目标场景环境下的待分析场景行为数据。
4.根据权利要求1所述的场景行为分析方法,其特征在于,所述确定所述目标场景环境对应的安全规则,包括:
确定所述目标场景环境的场景类型;
基于所述场景类型在预设安全规则库中,确定所述目标场景环境对应的安全规则。
5.根据权利要求1所述的场景行为分析方法,其特征在于,所述行为分析回归模型为预先训练获得,其训练方式如下:
获取所述目标场景环境下的待训练复杂样本数据,并构建所述目标场景环境对应的初始行为分析回归模型;
定义所述初始行为分析回归模型对应的损失函数;
基于预设算法拟合所述初始行为分析回归模型,获得目标行为分析回归模型;
将所述待训练复杂样本数据输入所述目标行为分析回归模型进行求解,获得预测响应结果;
基于所述预测响应结果和所述损失函数,确定损失值,并根据所述损失值调整所述目标行为分析回归模型的模型参数,直至达到训练停止条件。
6.根据权利要求5所述的场景行为分析方法,其特征在于,所述获取所述目标场景环境下的待训练复杂样本数据,包括:
获取所述目标场景环境下的初始监测数据;
基于预设数据处理规则,对所述初始监测数据进行处理,获得待训练复杂样本数据。
7.根据权利要求6所述的场景行为分析方法,其特征在于,所述获得所述待分析场景行为数据的安全程度之后,还包括:
基于所述安全程度,确定在所述目标场景环境下是否执行所述待分析场景行为。
8.一种场景行为分析装置,其特征在于,包括:
数据获取单元,被配置成获取目标场景环境下的待分析场景行为数据;
结果获得单元,被配置成将所述待分析场景行为数据输入预设的行为分析回归模型,获得所述行为分析回归模型输出的行为响应结果;
规则确定单元,被配置成确定所述目标场景环境对应的安全规则;
行为分析单元,被配置成基于所述安全规则,分析所述行为响应结果,获得所述待分析场景行为数据的安全程度。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并且可以在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310123658.0A CN115840907B (zh) | 2023-02-16 | 2023-02-16 | 场景行为分析方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310123658.0A CN115840907B (zh) | 2023-02-16 | 2023-02-16 | 场景行为分析方法、装置、电子设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115840907A true CN115840907A (zh) | 2023-03-24 |
CN115840907B CN115840907B (zh) | 2023-06-27 |
Family
ID=85579795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310123658.0A Active CN115840907B (zh) | 2023-02-16 | 2023-02-16 | 场景行为分析方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115840907B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190202486A1 (en) * | 2012-09-10 | 2019-07-04 | Siemens Mobility, Inc. | Railway safety critical systems with task redundancy and asymmetric communications capability |
CN110386153A (zh) * | 2019-07-30 | 2019-10-29 | 北京航空航天大学 | 基于系统理论危害分析的车道保持辅助系统安全分析方法 |
CN110843859A (zh) * | 2019-11-05 | 2020-02-28 | 中车戚墅堰机车有限公司 | 基于系统理论危害分析的列车自动防护系统安全分析方法 |
CN111967919A (zh) * | 2020-09-03 | 2020-11-20 | 上海积成能源科技有限公司 | 一种基于自回归和自适应提升算法的居民用电行为分析的系统及方法 |
CN115001934A (zh) * | 2022-04-27 | 2022-09-02 | 中国大唐集团科学技术研究总院有限公司 | 一种工控安全风险分析系统及方法 |
CN115378711A (zh) * | 2022-08-23 | 2022-11-22 | 中国石油天然气集团有限公司 | 一种工控网络的入侵检测方法和系统 |
-
2023
- 2023-02-16 CN CN202310123658.0A patent/CN115840907B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190202486A1 (en) * | 2012-09-10 | 2019-07-04 | Siemens Mobility, Inc. | Railway safety critical systems with task redundancy and asymmetric communications capability |
CN110386153A (zh) * | 2019-07-30 | 2019-10-29 | 北京航空航天大学 | 基于系统理论危害分析的车道保持辅助系统安全分析方法 |
CN110843859A (zh) * | 2019-11-05 | 2020-02-28 | 中车戚墅堰机车有限公司 | 基于系统理论危害分析的列车自动防护系统安全分析方法 |
CN111967919A (zh) * | 2020-09-03 | 2020-11-20 | 上海积成能源科技有限公司 | 一种基于自回归和自适应提升算法的居民用电行为分析的系统及方法 |
CN115001934A (zh) * | 2022-04-27 | 2022-09-02 | 中国大唐集团科学技术研究总院有限公司 | 一种工控安全风险分析系统及方法 |
CN115378711A (zh) * | 2022-08-23 | 2022-11-22 | 中国石油天然气集团有限公司 | 一种工控网络的入侵检测方法和系统 |
Non-Patent Citations (2)
Title |
---|
安超;周纯杰;: "基于控制行为模型的工控系统异常检测方法" * |
宋站威;周睿康;赖英旭;范科峰;姚相振;李琳;李巍;: "基于行为模型的工控异常检测方法研究" * |
Also Published As
Publication number | Publication date |
---|---|
CN115840907B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qin et al. | A direct optimization approach to hidden Markov modeling for single channel kinetics | |
US20190034497A1 (en) | Data2Data: Deep Learning for Time Series Representation and Retrieval | |
CN113379123A (zh) | 基于数字孪生的故障预测方法、装置、服务器及存储介质 | |
CN107688872A (zh) | 预测模型建立装置、方法及计算机可读存储介质 | |
CN102265227A (zh) | 用于在机器状况监视中创建状态估计模型的方法和设备 | |
CN111883262B (zh) | 疫情趋势预测方法、装置、电子设备及存储介质 | |
Kazemzadeh et al. | Change point estimation of multivariate linear profiles under linear drift | |
Xu et al. | An extension sample classification‐based extreme learning machine ensemble method for process fault diagnosis | |
Stumpf | Approximate Bayesian inference for complex ecosystems | |
CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
GB2617940A (en) | Spatiotemporal deep learning for behavioral biometrics | |
CN113672782A (zh) | 一种基于数据查询的物联网设备重要性匹配方法 | |
Li et al. | Symbolization‐based differential evolution strategy for identification of structural parameters | |
CN115840907A (zh) | 场景行为分析方法、装置、电子设备和介质 | |
Brigham et al. | Nonstationary filtered shot-noise processes and applications to neuronal membranes | |
CN114091090A (zh) | 一种基于隐私保护的数据处理模型获取方法、装置、终端设备及存储介质 | |
US20140278126A1 (en) | High-Resolution Melt Curve Classification Using Neural Networks | |
Zhang et al. | A set of novel correlation tests for nonlinear system variables | |
CN112950908B (zh) | 一种数据监测预警方法、系统、介质及电子终端 | |
Neftci et al. | Dynamic state and parameter estimation applied to neuromorphic systems | |
CN115225308A (zh) | 大规模群体攻击流量的攻击团伙识别方法及相关设备 | |
CN114565196A (zh) | 基于政务热线的多事件趋势预判方法、装置、设备及介质 | |
Möllenhoff et al. | Testing similarity of parametric competing risks models for identifying potentially similar pathways in healthcare | |
CN113609445A (zh) | 多源异构监测数据处理方法、终端设备及可读存储介质 | |
CN106017955A (zh) | 机械设备状态类别识别方法和系统 |
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 |