CN116069590B - 一种基于人工智能的计算机数据安全监测系统及方法 - Google Patents

一种基于人工智能的计算机数据安全监测系统及方法 Download PDF

Info

Publication number
CN116069590B
CN116069590B CN202310024363.8A CN202310024363A CN116069590B CN 116069590 B CN116069590 B CN 116069590B CN 202310024363 A CN202310024363 A CN 202310024363A CN 116069590 B CN116069590 B CN 116069590B
Authority
CN
China
Prior art keywords
computer
data
hard disk
case
output
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
CN202310024363.8A
Other languages
English (en)
Other versions
CN116069590A (zh
Inventor
李成骞
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.)
Gansu Haorun Technology Information Co ltd
Original Assignee
Gansu Haorun Technology Information Co ltd
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 Gansu Haorun Technology Information Co ltd filed Critical Gansu Haorun Technology Information Co ltd
Priority to CN202310024363.8A priority Critical patent/CN116069590B/zh
Publication of CN116069590A publication Critical patent/CN116069590A/zh
Application granted granted Critical
Publication of CN116069590B publication Critical patent/CN116069590B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3037—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a memory, e.g. virtual memory, cache
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/008—Reliability or availability analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3044—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is the mechanical casing of the computing system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
    • G06F11/324—Display of status information
    • G06F11/327—Alarm or error message display
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明涉及数据安全监测技术领域。具体为一种基于人工智能的计算机数据安全监测系统及方法，所述数据安全监测系统包括数据采集模块、数据传输模块、数据分析模块和告警模块；所述数据采集模块是采集机箱的倾角、机箱内部图像信息以及计算机关机异常次数的数据；所述数据传输模块是将采集到的数据传输到数据库中进行存储；所述数据分析模块是更加采集的数据分析硬盘发生故障的概率；所述告警模块是在硬盘故障概率大于设定阈值时，向终端设备发送告警提示；本发明通过对计算机机箱的震荡和关机异常的次数以及机箱内部的灰尘覆盖度去分析硬盘故障发生的概率，能够及时发现硬盘故障，提高检测维修的效率。

Description

一种基于人工智能的计算机数据安全监测系统及方法
技术领域
本发明涉及数据安全监测技术领域，具体为一种基于人工智能的计算机数据安全监测系统及方法。
背景技术
计算机俗称电脑，是现代一种用于高速计算的电子计算机器，可以进行数值计算，又可以进行逻辑计算，还具有存储记忆功能。是能够按照程序运行，自动、高速处理海量数据的现代化智能电子设备。电脑硬盘是计算机最主要的存储设备，计算机需要正常运行所需要的大部分软件都存储在硬盘上；硬盘含有磁头、磁道、扇区以及柱面等部分，当在硬盘工作的时候关掉电源，会导致硬盘的物理损坏，而且也会丢失数据；由于磁头和磁片的距离非常近，如果硬盘在工作的时候遭到剧烈的震荡会导致磁头敲打磁片，有可能磁头划伤磁片的情况出现，从而导致磁头损坏，整个硬盘无法使用，并且存在数据丢失的风险。在现有的技术下，只有当硬盘发生故障后使用者无法得知，只有在电脑出现蓝屏或者其他情况下使用者才会得知硬盘发生故障，并且由于没有及时维修导致硬盘中的数据丢失。
发明内容
本发明的目的在于提供一种基于人工智能的计算机数据安全监测系统及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于人工智能的计算机数据安全监测方法，所述计算机数据安全监测方法包括以下具体步骤：
S1-1、采集系统日志中计算机出现关机异常的次数，并且通过高清摄像头在设定的时间间隔中采集计算机机箱的内部的图像信息，根据计算机机箱的内部图像信息计算图像对比度来分析机箱内部的灰尘覆盖度；灰层对硬盘的损害是显而易见的，在沉积在硬盘的电路板的灰尘会严重影响电路板上芯片热量的散发，使得电路板上的元器件温度上升，进而导致芯片过热而烧毁；并且灰尘如果吸入水分，是很容易导致电路短路的；
S1-2、采集计算机机箱内部的机械硬盘在进行读写操作时，机械硬盘遭遇震动的强度大小；在硬盘工作的时候要尽量避免它的震荡，由于磁头与磁片的距离非常近，如果遭到剧烈的震荡会导致磁头敲打磁片，有可能磁头会划伤磁片，也可能会导致磁头的彻底损坏，使整个硬盘无法使用；
S1-3、将采集的数据信息进行加密存储到数据库中；
S1-4、建立一个硬盘故障预测模型，通过硬盘故障预测模型对硬盘的故障进行预测；
S1-5、当硬盘故障的概率大于设定的阈值时，数据安全监测系统向终端设备发送告警提示，提醒相关人员对计算机进行检查和维修。
进一步的，所述S1-1中采集计算机出现关机异常的次数具体方法如下：设置采集系统日志中计算机出现关机异常的次数为xi，并且采集系统日志中计算机出现关机异常次数的时间间隔T；
所述S1-1中根据计算机机箱的内部图像信息分析机箱内部的灰尘覆盖度的具体方法如下：设置高清摄像头采集计算机机箱内部图像信息的时间间隔为T，记不同时间间隔下的计算机机箱内部图像对比度为：Gi＝∑ff(mi，ni)2Pf(mi，ni)，其中f(mi，ni)＝|mi-ni|表示为相邻像素之间的灰度差；Pf(mi，ni)表示为相邻像素间的灰度差为f的像素分布；T为常数；i＝1、2、3，、、、，I，I为常数；图像对比度是指一幅图像中明暗区域最亮的白和最暗的黑之间不同亮度层级的测量；当机箱内部灰尘多时，摄像头采集的图像信息的明暗区域中的最亮的白远不如没有灰尘的时候亮；从而只是通过图像对比度能够得知，当计算机机箱内部的灰尘越多时，图像对比度值就会越小。
进一步的，所述S1-2中采集机械硬盘在进行读写操作时遭遇震动强度大小的具体方法如下：通过倾角传感器检测计算机机箱的倾角变化数据，记计算机机箱的倾角变化数据为集合A，其中A＝{a1、a2、a3，、、、，an}，n＝1、2、3，、、、，N，N为常数；获取计算机机箱的倾角变化的数据之间的时间间隔tn-1，能够计算得到计算机内部硬盘在进行读写操作时遭遇的震动强度为Qn＝k/tn-1，其中k为计算机机箱震动强度与倾角变化数据之间时间间隔的系数。
进一步的，所述S1-4中建立硬盘故障预测模型的具体方法如下：
利用BP神经网络预测模型对硬盘的故障进行预测，设置输入层节点分别为xi，Gi，Qn，其输出为Oz等于xi，Gi，Qn，其中z＝1、2、3，、、、，Z；xi表示为计算机出现关机异常的次数；Gi表示为计算机机箱内部图像对比度；Qn表示为计算机内部硬盘在进行读写操作时遭遇的震动强度；
将变量值Oz传送到第二层能够得到隐层节点的输入为输出为Oj＝1/[1+exp(-Ij)]，其中j＝1、2、3，、、、，J；ωzj为隐层节点j与输入层节点z之间的权值；θj为隐层节点j的偏置；
将变量值Oj传送到第三层能够得到输出层节点的输入为 输出yv＝1/[1+exp(-Sv)]，其中v＝1、2、3，、、、，V；ωjv为输入层节点v与隐层节点j之间的连接权值；θv为输出层节点v的偏置。
进一步的，针对输出yv与训练目标之间的均方误差能够表示为 其中为β样本数，β＝1、2、3，、、、，γ；tβl为第β个样本的第l个输出单元的目标输出结果，yβ1为第β个样本的第l个输出单元的网络运算结果；
设置阈值ε，当输出yv与训练目标之间的均方误差小于阈值ε时，则输出硬盘故障概率为当输出yv与训练目标之间的均方误差超过阈值ε时，调整网络内部连接权值的大小使得输出yv与训练目标之间的均方误差小于阈值ε，其中ε为常数；当硬盘故障的概率大于设定的阈值/>时，终端设备发出报警提示，其中/>为常数。
一种基于人工智能的计算机数据安全监测系统，所述数据安全监测系统包括数据采集模块、数据传输模块、数据分析模块和告警模块；所述数据采集模块是采集计算机机箱的倾角、机箱内部图像信息以及计算机关机异常次数的数据；所述数据传输模块是将采集到的计算机机箱的倾角、机箱内部图像信息以及计算机关机异常次数的数据传输到数据库中进行存储；所述数据分析模块是更加采集的数据分析计算机硬盘发生故障的概率；所述告警模块是在计算机硬盘故障概率大于设定阈值时，向终端设备发送告警提示；
所述数据采集模块的输出端与数据传输模块的输入端连接，所述数据传输模块的输出端数据分析模块的输入端连接，所述数据分析模块的输出端与告警模块的输入端连接。
进一步的，所述数据采集模块包括计算机机箱倾角采集单元、机箱内部图像信息采集单元和关机异常次数采集单元；所述计算机机箱倾角采集单元和机箱内部图像信息采集单元以及关机异常次数采集单元的输出端与故障预测单元的输入端连接；所述计算机机箱倾角采集单元是通过倾角传感器检测计算机机箱的倾斜角度，并且通过倾斜角度变化的时间间隔分析计算机内部硬盘在进行读写操作时遭遇的震动强度；所述机箱内部图像信息采集单元是通过高清摄像头采集计算机机箱内部的图像信息去分析机箱内部的灰尘覆盖度；所述关机异常次数采集单元是通过系统日志采集计算机出现关机异常的次数。
进一步的，所述数据传输模块包括数据加密单元和数据传输单元；所述数据传输单元的输出端与数据存储单元的输入端连接；所述数据加密单元是通过AES加密函数对计算机机箱倾角、机箱内部图像信息以及计算机关机异常的信息进行加密处理；所述数据传输单元是将加密后的数据传输到数据库中。
进一步的，所述数据分析模块包括数据存储单元和故障预测单元；所述数据存储单元是将采集的计算机机箱倾角、机箱内部图像信息以及计算机关机异常信息的数据进行存储；所述故障预测单元是利用硬盘故障预测模型分析计算机硬盘故障的概率。
与现有技术相比，本发明所达到的有益效果是：本发明通过对计算机机箱的震荡和关机异常的次数以及机箱内部的灰尘覆盖度去分析硬盘故障发生的概率，能够及时发现硬盘故障，提高检测维修的效率。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是一种基于人工智能的计算机数据安全监测系统的结构示意图。
具体实施方式
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，所描述的实施例仅仅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，都属于本发明保护的范围。
请参阅图1，本发明提供技术方案：一种基于人工智能的计算机数据安全监测方法，所述计算机数据安全监测方法包括以下具体步骤：
S1-1、采集系统日志中计算机出现关机异常的次数，并且通过高清摄像头在设定的时间间隔中采集计算机机箱的内部的图像信息，根据计算机机箱的内部图像信息计算图像对比度来分析机箱内部的灰尘覆盖度；灰层对硬盘的损害是显而易见的，在沉积在硬盘的电路板的灰尘会严重影响电路板上芯片热量的散发，使得电路板上的元器件温度上升，进而导致芯片过热而烧毁；并且灰尘如果吸入水分，是很容易导致电路短路的；
S1-2、采集计算机机箱内部的机械硬盘在进行读写操作时，机械硬盘遭遇震动的强度大小；在硬盘工作的时候要尽量避免它的震荡，由于磁头与磁片的距离非常近，如果遭到剧烈的震荡会导致磁头敲打磁片，有可能磁头会划伤磁片，也可能会导致磁头的彻底损坏，使整个硬盘无法使用；
S1-3、将采集的数据信息进行加密存储到数据库中；
S1-4、建立一个硬盘故障预测模型，通过硬盘故障预测模型对硬盘的故障进行预测；
S1-5、当硬盘故障的概率大于设定的阈值时，数据安全监测系统向终端设备发送告警提示，提醒相关人员对计算机进行检查和维修。
进一步的，所述S1-1中采集计算机出现关机异常的次数具体方法如下：设置采集系统日志中计算机出现关机异常的次数为xi，并且采集系统日志中计算机出现关机异常次数的时间间隔T；
所述S1-1中根据计算机机箱的内部图像信息分析机箱内部的灰尘覆盖度的具体方法如下：设置高清摄像头采集计算机机箱内部图像信息的时间间隔为T，记不同时间间隔下的计算机机箱内部图像对比度为：Gi＝∑ff(mi，ni)2Pf(mi，ni)，其中f(mi，ni)＝|mi-ni|表示为相邻像素之间的灰度差；Pf(mi，ni)表示为相邻像素间的灰度差为f的像素分布；T为常数；i＝1、2、3，、、、，I，I为常数；；图像对比度是指一幅图像中明暗区域最亮的白和最暗的黑之间不同亮度层级的测量；当机箱内部灰尘多时，摄像头采集的图像信息的明暗区域中的最亮的白远不如没有灰尘的时候亮；通过图像对比度能够得知，当计算机机箱内部的灰尘越多时，图像对比度值就会越小。
进一步的，所述S1-2中采集机械硬盘在进行读写操作时遭遇震动强度大小的具体方法如下：通过倾角传感器检测计算机机箱的倾角变化数据，记计算机机箱的倾角变化数据为集合A，其中A＝{a1、a2、a3，、、、，an}，n＝1、2、3，、、、，N，N为常数；获取计算机机箱的倾角变化的数据之间的时间间隔tn-1，能够计算得到计算机内部硬盘在进行读写操作时遭遇的震动强度为Qn＝k/tn-1，其中k为计算机机箱震动强度与倾角变化数据之间时间间隔的系数。
进一步的，所述S1-4中建立硬盘故障预测模型的具体方法如下：
利用BP神经网络预测模型对硬盘的故障进行预测，设置输入层节点分别为xi，Gi，Qn，其输出为Oz等于xi，Gi，Qn，其中z＝1、2、3，、、、，Z；xi表示为计算机出现关机异常的次数；Gi表示为计算机机箱内部图像对比度；Qn表示为计算机内部硬盘在进行读写操作时遭遇的震动强度；
将变量值Oz传送到第二层能够得到隐层节点的输入为输出为Oj＝1/[1+exp(-Ij)]，其中j＝1、2、3，、、、，J；ωzj为隐层节点j与输入层节点z之间的权值；θj为隐层节点j的偏置；
将变量值Oj传送到第三层能够得到输出层节点的输入为 输出yv＝1/[1+exp(-Sv)]，其中v＝1、2、3，、、、，V；ωjv为输入层节点v与隐层节点j之间的连接权值；θv为输出层节点v的偏置。
进一步的，针对输出yv与训练目标之间的均方误差能够表示为 其中为β样本数，β＝1、2、3，、、、，γ；tβl为第β个样本的第l个输出单元的目标输出结果，yβl为第β个样本的第l个输出单元的网络运算结果；
设置阈值ε，当输出yv与训练目标之间的均方误差小于阈值ε时，则输出硬盘故障概率为当输出yv与训练目标之间的均方误差超过阈值ε时，调整网络内部连接权值的大小使得输出yv与训练目标之间的均方误差小于阈值ε，其中ε为常数；当硬盘故障的概率大于设定的阈值/>时，终端设备发出报警提示，其中/>为常数。
一种基于人工智能的计算机数据安全监测系统，所述数据安全监测系统包括数据采集模块、数据传输模块、数据分析模块和告警模块；所述数据采集模块是采集计算机机箱的倾角、机箱内部图像信息以及计算机关机异常次数的数据；所述数据传输模块是将采集到的计算机机箱的倾角、机箱内部图像信息以及计算机关机异常次数的数据传输到数据库中进行存储；所述数据分析模块是更加采集的数据分析计算机硬盘发生故障的概率；所述告警模块是在计算机硬盘故障概率大于设定阈值时，向终端设备发送告警提示；
所述数据采集模块的输出端与数据传输模块的输入端连接，所述数据传输模块的输出端数据分析模块的输入端连接，所述数据分析模块的输出端与告警模块的输入端连接。
进一步的，所述数据采集模块包括计算机机箱倾角采集单元、机箱内部图像信息采集单元和关机异常次数采集单元；所述计算机机箱倾角采集单元和机箱内部图像信息采集单元以及关机异常次数采集单元的输出端与故障预测单元的输入端连接；所述计算机机箱倾角采集单元是通过倾角传感器检测计算机机箱的倾斜角度，并且通过倾斜角度变化的时间间隔分析计算机内部硬盘在进行读写操作时遭遇的震动强度；所述机箱内部图像信息采集单元是通过高清摄像头采集计算机机箱内部的图像信息去分析机箱内部的灰尘覆盖度；所述关机异常次数采集单元是通过系统日志采集计算机出现关机异常的次数。
进一步的，所述数据传输模块包括数据加密单元和数据传输单元；所述数据传输单元的输出端与数据存储单元的输入端连接；所述数据加密单元是通过AES加密函数对计算机机箱倾角、机箱内部图像信息以及计算机关机异常的信息进行加密处理；所述数据传输单元是将加密后的数据传输到数据库中。
进一步的，所述数据分析模块包括数据存储单元和故障预测单元；所述数据存储单元是将采集的计算机机箱倾角、机箱内部图像信息以及计算机关机异常信息的数据进行存储；所述故障预测单元是利用硬盘故障预测模型分析计算机硬盘故障的概率。
在本实施案例中：
设置在第一次时间间隔下计算机出现关机异常的次数为x1＝10的计算机机箱内部图像对比度为：G1＝∑ff(m1，n1)2Pf(m1，n1)，其中f(m1，n1)＝|m1-n1|表示为相邻像素之间的灰度差；Pf(m1，n1)表示为相邻像素间的灰度差为f的像素分布；通过倾角传感器检测计算机机箱的倾角变化数据，计算机机箱的倾角变化数据为集合A，其中A＝{10°、5°}计算机机箱的倾角变化的数据之间的时间间隔为0.1s，能够计算得到计算机内部硬盘在进行读写操作时遭遇的震动强度为Q1＝k/0.1＝10k，其中k为计算机机箱震动强度与倾角变化数据之间时间间隔的系数；
设置输入层节点分别为x1，G1，Q1，其输出为Oz等于x1，G1，Q1，其中z＝1、2、3；将变量值Oz传送到第二层能够得到隐层节点的输入为 输出为Oj＝1/[1+exp(-Ij)]，其中j＝1、2、3，、、、，J；ωzj为隐层节点j与输入层节点z之间的权值；θj为隐层节点j的偏置；
将变量值Oj传送到第三层能够得到输出层节点的输入为 输出yv＝1/[1+exp(-Sv)]，其中v＝1、2、3，、、、，V；ωjv为输入层节点v与隐层节点j之间的连接权值；θv为输出层节点v的偏置。
进一步的，针对输出yv与训练目标之间的均方误差能够表示为 其中为β样本数，β＝1、2、3，、、、，γ；tβl为第β个样本的第l个输出单元的目标输出结果，yβ1为第β个样本的第1个输出单元的网络运算结果；
设置阈值ε，当输出yv与训练目标之间的均方误差小于阈值ε时，则输出硬盘故障概率为当输出yv与训练目标之间的均方误差超过阈值ε时，调整网络内部连接权值的大小使得输出yv与训练目标之间的均方误差小于阈值ε，其中ε为常数；当硬盘故障的概率大于设定的阈值/>时，终端设备发出报警提示，其中/>为常数。
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。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于人工智能的计算机数据安全监测方法，其特征在于：所述计算机数据安全监测方法包括以下具体步骤：
S1-1、采集系统日志中计算机出现关机异常的次数，并且通过高清摄像头在设定的时间间隔中采集计算机机箱的内部的图像信息，根据计算机机箱的内部图像信息分析机箱内部的灰尘覆盖度；
S1-2、采集计算机机箱内部的机械硬盘在进行读写操作时，机械硬盘遭遇震动的强度大小；
S1-3、将采集的数据信息进行加密存储到数据库中；
S1-4、建立一个硬盘故障预测模型，通过硬盘故障预测模型对硬盘的故障进行预测；
S1-5、当硬盘故障的概率大于设定的阈值时，数据安全监测系统向终端设备发送告警提示，提醒相关人员对计算机进行检查和维修；
所述S1-1中采集计算机出现关机异常的次数具体方法如下：设置采集系统日志中计算机出现关机异常的次数为xi，并且采集系统日志中计算机出现关机异常次数的时间间隔T；
所述S1-1中根据计算机机箱的内部图像信息分析机箱内部的灰尘覆盖度的具体方法如下：设置高清摄像头采集计算机机箱内部图像信息的时间间隔为T，记不同时间间隔下的计算机机箱内部图像对比度为：Gi＝∑ff(mi，ni)2Pf(mi，ni)，其中f(mi，ni)＝|mi-ni|表示为相邻像素之间的灰度差；Pf(mi，ni)表示为相邻像素间的灰度差为f的像素分布；T为常数；i＝1、2、3，、、、，I，I为常数；
所述S1-2中采集机械硬盘在进行读写操作时遭遇震动强度大小的具体方法如下：通过倾角传感器检测计算机机箱的倾角变化数据，记计算机机箱的倾角变化数据为集合A，其中A＝{a1、a2、a3，、、、，an}，n＝1、2、3，、、、，N，N为常数；获取计算机机箱的倾角变化的数据之间的时间间隔tn-1，能够计算得到计算机内部硬盘在进行读写操作时遭遇的震动强度为Qn＝k/tn-1，其中k为计算机机箱震动强度与倾角变化数据之间时间间隔的系数。
2.根据权利要求1所述的一种基于人工智能的计算机数据安全监测方法，其特征在于：所述S1-4中建立硬盘故障预测模型的具体方法如下：
利用BP神经网络预测模型对硬盘的故障进行预测，设置输入层节点分别为xi，Gi，Qn，其输出为Oz等于xi，Gi，Qn，其中z＝1、2、3，、、、，Z；xi表示为计算机出现关机异常的次数；Gi表示为计算机机箱内部图像对比度；Qn表示为计算机内部硬盘在进行读写操作时遭遇的震动强度；
将变量值Oz传送到第二层能够得到隐层节点的输入为输出为Oj＝1/[1+exp(-Ij)]，其中j＝1、2、3，、、、，J；ωzj为隐层节点j与输入层节点z之间的权值；θj为隐层节点j的偏置；
将变量值Oj传送到第三层能够得到输出层节点的输入为 输出yv＝1/[1+exp(-Sv)]，其中v＝1、2、3，、、、，V；ωjv为输入层节点v与隐层节点j之间的连接权值；θv为输出层节点v的偏置。
3.根据权利要求2所述的一种基于人工智能的计算机数据安全监测方法，其特征在于：针对输出yv与训练目标之间的均方误差能够表示为 其中为β样本数，β＝1、2、3，、、、，γ；tβl为第β个样本的第l个输出单元的目标输出结果，yβl为第β个样本的第l个输出单元的网络运算结果；
设置阈值ε，当输出yv与训练目标之间的均方误差小于阈值ε时，则输出硬盘故障概率为当输出yv与训练目标之间的均方误差超过阈值ε时，调整网络内部连接权值的大小使得输出yv与训练目标之间的均方误差小于阈值ε，其中ε为常数；当硬盘故障的概率大于设定的阈值/>时，终端设备发出报警提示，其中/>为常数。
4.应用于权利要求1-3中任意一项的一种基于人工智能的计算机数据安全监测方法的一种基于人工智能的计算机数据安全监测系统，其特征在于：所述数据安全监测系统包括数据采集模块、数据传输模块、数据分析模块和告警模块；所述数据采集模块是采集计算机机箱的倾角、机箱内部图像信息以及计算机关机异常次数的数据；所述数据传输模块是将采集到的计算机机箱的倾角、机箱内部图像信息以及计算机关机异常次数的数据传输到数据库中进行存储；所述数据分析模块是更加采集的数据分析计算机硬盘发生故障的概率；所述告警模块是在计算机硬盘故障概率大于设定阈值时，向终端设备发送告警提示；
所述数据采集模块的输出端与数据传输模块的输入端连接，所述数据传输模块的输出端数据分析模块的输入端连接，所述数据分析模块的输出端与告警模块的输入端连接。
5.根据权利要求4所述的一种基于人工智能的计算机数据安全监测系统，其特征在于：所述数据采集模块包括计算机机箱倾角采集单元、机箱内部图像信息采集单元和关机异常次数采集单元；所述计算机机箱倾角采集单元和机箱内部图像信息采集单元以及关机异常次数采集单元的输出端与故障预测单元的输入端连接；所述计算机机箱倾角采集单元是通过倾角传感器检测计算机机箱的倾斜角度，并且通过倾斜角度变化的时间间隔分析计算机内部硬盘在进行读写操作时遭遇的震动强度；所述机箱内部图像信息采集单元是通过高清摄像头采集计算机机箱内部的图像信息去分析机箱内部的灰尘覆盖度；所述关机异常次数采集单元是通过系统日志采集计算机出现关机异常的次数。
6.根据权利要求5所述的一种基于人工智能的计算机数据安全监测系统，其特征在于：所述数据传输模块包括数据加密单元和数据传输单元；所述数据传输单元的输出端与数据存储单元的输入端连接；所述数据加密单元是通过AES加密函数对计算机机箱倾角、机箱内部图像信息以及计算机关机异常的信息进行加密处理；所述数据传输单元是将加密后的数据传输到数据库中。
7.根据权利要求6所述的一种基于人工智能的计算机数据安全监测系统，其特征在于：所述数据分析模块包括数据存储单元和故障预测单元；所述数据存储单元是将采集的计算机机箱倾角、机箱内部图像信息以及计算机关机异常信息的数据进行存储；所述故障预测单元是利用硬盘故障预测模型分析计算机硬盘故障的概率。
CN202310024363.8A 2023-01-09 2023-01-09 一种基于人工智能的计算机数据安全监测系统及方法 Active CN116069590B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310024363.8A CN116069590B (zh) 2023-01-09 2023-01-09 一种基于人工智能的计算机数据安全监测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310024363.8A CN116069590B (zh) 2023-01-09 2023-01-09 一种基于人工智能的计算机数据安全监测系统及方法

Publications (2)

Publication Number Publication Date
CN116069590A CN116069590A (zh) 2023-05-05
CN116069590B true CN116069590B (zh) 2023-10-24

Family

ID=86178123

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310024363.8A Active CN116069590B (zh) 2023-01-09 2023-01-09 一种基于人工智能的计算机数据安全监测系统及方法

Country Status (1)

Country Link
CN (1) CN116069590B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108829565A (zh) * 2018-06-30 2018-11-16 常州大学 一种计算机运行状态监测系统
CN111796645A (zh) * 2020-06-16 2020-10-20 安徽泰德电子科技有限公司 一种计算机的故障报警系统
WO2021170048A1 (zh) * 2020-02-26 2021-09-02 杭州海康威视数字技术股份有限公司 一种数据存储方法、装置及存储介质
KR20210147318A (ko) * 2020-05-28 2021-12-07 (주)브이엠에스 복합센서 기반의 인공지능형 결함 진단 시스템
CN114579380A (zh) * 2022-03-02 2022-06-03 淮北仕欧网络科技有限公司 一种计算机系统故障的人工智能检测系统及方法
WO2022166481A1 (zh) * 2021-02-08 2022-08-11 华为技术有限公司 一种针对硬盘的故障预测方法、装置及设备
CN115018176A (zh) * 2022-06-20 2022-09-06 上海金桥信息股份有限公司 电子设备健康度的预测方法、装置、终端及介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108829565A (zh) * 2018-06-30 2018-11-16 常州大学 一种计算机运行状态监测系统
WO2021170048A1 (zh) * 2020-02-26 2021-09-02 杭州海康威视数字技术股份有限公司 一种数据存储方法、装置及存储介质
KR20210147318A (ko) * 2020-05-28 2021-12-07 (주)브이엠에스 복합센서 기반의 인공지능형 결함 진단 시스템
CN111796645A (zh) * 2020-06-16 2020-10-20 安徽泰德电子科技有限公司 一种计算机的故障报警系统
WO2022166481A1 (zh) * 2021-02-08 2022-08-11 华为技术有限公司 一种针对硬盘的故障预测方法、装置及设备
CN114579380A (zh) * 2022-03-02 2022-06-03 淮北仕欧网络科技有限公司 一种计算机系统故障的人工智能检测系统及方法
CN115018176A (zh) * 2022-06-20 2022-09-06 上海金桥信息股份有限公司 电子设备健康度的预测方法、装置、终端及介质

Also Published As

Publication number Publication date
CN116069590A (zh) 2023-05-05

Similar Documents

Publication Publication Date Title
CA2508008C (en) A method for developing a unified quality assessment and providing an automated fault diagnostic tool for turbine machine systems and the like
CN110910383A (zh) 基于红外图像识别的调相机故障监测方法和系统
CN117439916A (zh) 一种网络安全测试评估系统及方法
CN117783769B (zh) 基于可视平台的配电网络故障定位方法、系统、设备及存储介质
CN116862202B (zh) 基于大数据分析的企业管理数据治理方法
CN116168019B (zh) 基于机器视觉技术的电网故障检测方法及系统
CN112733147A (zh) 设备安全管理方法及系统
CN115309871A (zh) 一种基于人工智能算法的工业大数据处理方法及系统
Kanade Securing drone-based ad hoc network using blockchain
KR20230088041A (ko) 블록체인을 이용한 이상 탐지 방법 및 이를 구현하는 서버
CN116563283A (zh) 基于图像处理的蒸汽锅炉气体泄露检测方法及检测装置
CN118155047A (zh) 一种适用于高寒地区的小型电池管理方法
CN116069590B (zh) 一种基于人工智能的计算机数据安全监测系统及方法
CN118041648A (zh) 一种基于自适应探测的工控漏洞扫描方法及其系统
CN112560111B (zh) 一种适用于物联网的时序数据采集防篡改方法及装置
CN117932394A (zh) 电子元器件故障管理方法以及系统
CN113193616A (zh) 一种用于输电通道监拍设备的健康状态评估方法
US11334053B2 (en) Failure prediction model generating apparatus and method thereof
WO2018003028A1 (ja) ボイラーの故障判定装置、故障判定方法およびサービス方法
CN117766014B (zh) 辐照检测存储器芯片的测试方法
CN117830032B (zh) 一种输电线网监控抓拍及风险评估方法及系统
CN118154609B (zh) 一种光伏组件故障检测方法
CN118158061B (zh) 一种数据内容保密检查系统及检查方法
CN117611134A (zh) 基于区块链与神经网络的电力设施维护方法与系统
CN116185838A (zh) 一种基于镜像仿真环境的程序内部固件检测装置及方法

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
TA01 Transfer of patent application right

Effective date of registration: 20230927

Address after: 730000, 13th Floor, No. 17 Kangle Road, Xigu District, Lanzhou City, Gansu Province

Applicant after: Gansu Haorun Technology Information Co.,Ltd.

Address before: 150000 room 2106-527, building 4, innovation and entrepreneurship Plaza, science and technology innovation city, hi tech Industrial Development Zone, Harbin, Heilongjiang Province (No. 689, Shize Road, Songbei District)

Applicant before: Heilongjiang Yugong Software Technology Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant