CN116185315A - 一种基于人工智能的手持打印机数据监测预警系统及方法 - Google Patents
一种基于人工智能的手持打印机数据监测预警系统及方法 Download PDFInfo
- Publication number
- CN116185315A CN116185315A CN202310469606.9A CN202310469606A CN116185315A CN 116185315 A CN116185315 A CN 116185315A CN 202310469606 A CN202310469606 A CN 202310469606A CN 116185315 A CN116185315 A CN 116185315A
- Authority
- CN
- China
- Prior art keywords
- data
- user
- printer
- abnormal
- unit
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims abstract description 72
- 230000005856 abnormality Effects 0.000 claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 230000006399 behavior Effects 0.000 claims abstract description 12
- 238000010801 machine learning Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 20
- 238000012216 screening Methods 0.000 claims description 15
- 238000007405 data analysis Methods 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 12
- 230000010354 integration Effects 0.000 claims description 11
- 238000007726 management method Methods 0.000 claims description 10
- 238000013075 data extraction Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 238000013524 data verification Methods 0.000 claims description 6
- 238000004806 packaging method and process Methods 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000009471 action Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007306 turnover Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/12—Digital output to print unit, e.g. line printer, chain printer
- G06F3/1201—Dedicated interfaces to print systems
- G06F3/1202—Dedicated interfaces to print systems specifically adapted to achieve a particular effect
- G06F3/121—Facilitating exception or error detection and recovery, e.g. fault, media or consumables depleted
-
- 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)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Accessory Devices And Overall Control Thereof (AREA)
Abstract
本发明公开了一种基于人工智能的手持打印机数据监测预警系统及方法，包括S1：对手持打印机的相关使用数据进行获取；对获取到的使用数据进行整合，得到训练数据集，将训练数据集通过机器学习的方式根据打印机的数据记录建立场景判别模型；S2：基于使用场景对手持打印机的实时使用数据进行监测；S3：对监测到的数据进行分析，判断当前使用行为是否存在异常；S4：根据S3的分析结果，当无异常情况时，继续保持监测，当出现异常情况时，对异常情况进行分析，判断异常类型；S5：根据S4的异常分析结果，通过预设的处理方案对异常情况进行相应处理；以便于及时解决数据异常问题，避免因手持打印机数据异常导致的交易双方的各项损失。
Description
技术领域
本发明涉及人工智能技术领域，具体为一种基于人工智能的手持打印机数据监测预警系统及方法。
背景技术
打印机有很多种类，小巧轻便的手持打印机由于其自身的可移动性、低功耗、易装纸、操作简单等特点，目前广泛应用于各个场所，主要用于打印交易凭证，如业务发票、销售订单小票等。
现有的对打印机的监测，主要用于对打印机自身的打印故障进行监测，进而发出预警提示，但是缺少对使用手持打印机进行支付的行为数据监测，在实际使用中，当商家与顾客双方通过手持打印机进行交易时，存在一定的数据异常风险，可能导致出现交易矛盾的现象，当交易双方对于交易数据异常事件处理不当时，将会给交易双方带来一定损失。
因此，人们需要一种基于工智能的手持打印机数据监测预警系统及方法来解决上述问题。
发明内容
本发明的目的在于提供一种基于人工智能的手持打印机数据监测预警系统及方法，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手持打印机数据监测预警方法，包括以下步骤：
S1：对手持打印机的相关使用数据进行获取；对获取到的使用数据进行整合，得到训练数据集，将训练数据集通过机器学习的方式根据打印机的数据记录建立场景判别模型；
S2：基于使用场景对手持打印机的实时使用数据进行监测；
S3：对监测到的数据进行分析，判断当前使用行为是否存在异常；
S4：根据S3的分析结果，当无异常情况时，继续保持监测，当出现异常情况时，对异常情况进行分析，判断异常类型；
S5：根据S4的异常分析结果，通过预设的处理方案对异常情况进行相应处理。
进一步的；所述步骤S1具体包括：
步骤S1-1：通过访问手持打印机的日志记录对相关历史使用数据进行获取，根据预设的关键词对获取到的历史相关数据进行关键数据提取；
其中，所述提取方式可以为根据数据库表的表头对所需关键数据进行提取；
所述关键数据包括用户信息数据、时间点数据和交易信息数据；
所述关键数据包括用户信息集I，所述I内包括
，其中，/>
分别表示训练集中的第1、2、...、n个用户；/>
所述关键数据包括时间点数据集T，所述T内包括
，其中，/>
分别表示训练集中的第1、2、...、m个时间点信息；
所述关键数据包括交易信息数据集M，所述M内包括
，其中，
分别表示训练集中的第1、2、...、q个交易信息；
步骤S1-2：对提取到的关键数据进行整合处理，对整合处理后的数据进行打包封装，生成训练数据集X，所述X内包括
，其中，/>
分别表示训练集中的第1、2、...、z条数据；
其中，每条数据内包括一个用户数据，一个时间点数据和一条交易信息数据；
步骤S1-3：将所得训练数据集通过机器学习的方式，训练得到场景判别模型；
其中，所述步骤S1-3具体包括：
S1-3-1：将训练数据集中的每条数据在坐标系中进行映射，将每条数据所包含的变量数据转化为向量，得到N个变量组成的向量集
；
S1-3-2：根据以下公式计算向量集Y的概率密度：
其中，
表示向量集Y的均值向量，/>
表示向量集Y的协方差矩阵；/>
表示/>
的行列式；即：
计算向量集Y的概率密度的目的在于通过概率密度的大小对原始数据集进行筛选，对不具有代表意义的向量进行过滤，同时，通过概率密度的计算值能够在几何上较为直观的对数据的高斯分布进行反馈，从而实现根据分布情况对所需区域进行划分；
S1-3-3：设定阈值
，筛选数据集中概率密度/>
的数据；
S1-3-4：根据坐标系中映射得到的高斯分布结果进行区域划分，划分得到第一合理区域、第二合理区域和第三合理区域；
S1-3-5：根据区域划分结果，标记各合理区域的对应场景，完成场景判别模型的建立。
进一步的；所述步骤S2具体包括：
步骤S2-1：对手持打印机的实时使用数据进行采集，采集得到用户信息，时间信息和交易信息；
步骤S2-2：对采集到的用户信息进行分析，筛查该用户是否在数据库中存在用户标签；
步骤S2-3：若存在该用户的用户标签，则将新数据加入该用户对应用户标签的数据集内，若不存在该用户的用户标签，则对于该用户建立新的用户标签。
所述用户标签用于根据用户的消费记录对用户偏好和用户价值进行解析，以便于帮助商家根据自身业务需求，针对不同用户采用不同策略进行运营，以便于提高营业额，防止客源流失；
进一步的；根据上述步骤S1和S2得到的手持打印机使用场景判别模型和监测到的实时数据，在步骤S3中，根据对该使用场景的预设安全区间，对当前的手持打印机使用行为进行异常判断；所述安全区间根据S1中的区域划分结果对于不同场景，分别对各变量下的其他因变量的变化范围进行区间划分；
其中，对于无用户标签的用户，根据时间变量划分关于交易信息的安全区间；
对于具有用户标签的用户，结合其用户标签和时间变量划分关于交易信息安全区间；
具体包括以下步骤：
S3-1：将监测到的对于手持打印机的用户信息和时间信息输入场景判别模型中，输出当前使用场景，得到对应于该使用场景的交易信息安全区间；
S3-2：将监测到的实际交易信息进行映射，与安全区间进行对比；
S3-3：若当前交易信息与安全区间不匹配，则认为当前对于手持打印机的使用行为存在异常。
进一步的；在步骤S4中，根据S3的分析结果，当无异常情况时，继续保持监测，当出现异常情况时，对异常情况进行分析，通过人工二次核验或系统安全检测判断异常类型，所述异常类型包括操作异常和安全异常；
所述操作异常表示用户使用手持打印机进行输入操作时出现失误，造成的数据异常；
所述安全异常表示存在外部攻击对手持打印机的数据进行了修改，因此造成的数据异常；
在步骤S5中，根据S4得到的异常分析结果，通过预设的异常处理方案对异常情况进行相应处理。
一种基于人工智能的手持打印机数据监测预警系统，所述系统包括：数据获取模块、数据整合模块、数据监测模块、数据分析模块和异常管理模块；
所述数据获取模块用于对手持打印机的使用数据进行获取；
所述数据整合模块用于对获取到的历史使用数据进行整合；
所述数据监测模块用于对手持打印机的实时数据进行监测；
所述数据分析模块用于对监测到的实时数据进行分析；
所述异常管理模块用于对数据分析结果中的异常情况进行相应处理。
进一步的；所述数据获取模块通过对手持打印机的后台数据库进行访问，获取到该打印机的日志数据；
其中，获取的后台数据库中的打印机日志数据包括后台系统中一个或多个手持打印机的使用数据，在实际使用中，同一商家可装配多个手持打印机，通过数据上传实现数据共享，以便于实现营业结算；进一步的，通过获取同一后台或同一局域网内的手持打印机数据能够使得训练数据集更加完善，从而提高数据监测预警的准确度。
所述数据整合模块包括数据提取单元、数据整理单元和数据集生成单元；
所述数据提取单元用于对数据获取模块获取的数据进行关键数据提取，包括用户信息、时间信息、交易信息等；
所述数据整理单元用于对数据提取单元提取出的关键数据进行整理，并根据用户操作数据生成用户标签；
所述数据集生成单元用于对整理后的数据进行打包，得到训练数据集。
所述训练数据集用于对步骤S2中的场景判别模型提供数据来源；
进一步的；所述数据监测模块包括数据采集单元和用户筛查单元；
所述数据采集单元用于对手持打印机的实时使用数据进行采集；
所述用户筛查单元用于根据采集到的当前使用者的用户信息与数据库中的用户信息进行匹配，对当前使用者的用户标签进行解析；
筛查结果包括该用户在打印机的数据库中已有标签或该用户在打印机的数据库中暂无标签，即该用户初次使用，建立对于该用户的用户标签；
此处建立用户标签用于对各用户对于手持打印机的使用记录进行整合，提高对于用户操作数据合理性判断的依据，提高数据监测的准确度；同时，能够完善对于各用户的画像描写，以便于在后期将用户画像与业务推广进行结合，从而提高实体店面的销售量。
进一步的；所述数据分析模块包括区间划分单元、数据校验单元和异常预警单元；
所述区间划分单元用于根据数据库中的数据记录对打印机输入输出数据的合理区间进行划分，
进一步的，包括根据用户标签对个用户的个人数据进行合理区域划分；
所述数据校验单元用于对所述数据监测模块监测到的实时数据进行校验，判断当前操作数据是否存在异常；
所述异常预警单元用于根据所述数据校验单元中的校验结果，对校验不合理的异常操作数据进行预警提醒。
进一步的；所述异常管理模块包括异常判断单元和异常处理单元；
所述异常判断单元用于对校验结果中的异常操作进行分析，判断异常类型；
所述异常处理单元用于根据异常判断结果对各类异常情况进行相应处理；以便于能够及时解决各类异常情况，避免使用手持打印机引起的交易冲突事件；
具体的，若该异常属于操作异常，用户收到异常提示后，取消本次操作，重新进行输入；若该异常属于安全异常，锁定设备，及时中止本次操作，用户收到异常提示，并对该手持打印机进行安全漏洞的修复。
与现有技术相比，本发明所达到的有益效果是：
本发明通过数据获取模块对手持打印机的使用数据进行获取；通过数据整合模块用于对获取到的历史使用数据进行整合；通过数据监测模块对手持打印机的实时数据进行监测；通过数据分析模块对监测到的实时数据进行分析，当监测到数据异常风险时，通过异常管理模块对数据分析结果中的异常情况进行相应处理；能够及时解决各类异常情况，避免使用手持打印机引起的交易矛盾事件，防止因手持打印机数据异常导致的交易双方的各项损失。
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是本发明一种基于人工智能的手持打印机数据监测预警系统及方法的方法流程示意图；
图2是本发明一种基于人工智能的手持打印机数据监测预警系统及方法的模块结构示意图。
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。
下面结合图1-图2和具体实施例对本发明作进一步的说明。
实施例一：
如图1所示，本实施例提供了一种基于人工智能的手持打印机数据监测预警方法，具体包括以下步骤：
S1：对手持打印机的相关使用数据进行获取；对获取到的使用数据进行整合，得到训练数据集，将训练数据集通过机器学习的方式根据打印机的数据记录建立场景判别模型；
具体的，在步骤S1中，包括以下步骤：
步骤S1-1：通过访问手持打印机的日志记录对相关历史使用数据进行获取，根据预设的关键词对获取到的历史相关数据进行关键数据提取；
其中，所述提取方式可以为根据数据库表的表头对所需关键数据进行提取；
所述关键数据包括用户信息数据、时间点数据和交易信息数据；
所述关键数据包括用户信息集I，所述I内包括
，其中，/>
分别表示训练集中的第1、2、...、n个用户；
所述关键数据包括时间点数据集T，所述T内包括
，其中，/>
分别表示训练集中的第1、2、...、m个时间点信息；
所述关键数据包括交易信息数据集M，所述M内包括
，其中，
分别表示训练集中的第1、2、...、q个交易信息；
步骤S1-2：对提取到的关键数据进行整合处理，对整合处理后的数据进行打包封装，生成训练数据集X，所述X内包括
，其中，/>
分别表示训练集中的第1、2、...、z条数据；/>
例如，用户id，交易创建时间和交易完成时间，交易方式和交易金额；
步骤S1-3：将所得训练数据集通过机器学习的方式，训练得到场景判别模型；
其中，所述步骤S1-3具体包括：
S1-3-1：将训练数据集中的每条数据在坐标系中进行映射，将每条数据所包含的变量数据转化为向量，得到N个变量组成的向量集
；
S1-3-2：根据以下公式计算向量集Y的概率密度：
其中，
表示向量集Y的均值向量，/>
表示向量集Y的协方差矩阵；/>
表示
的行列式；即：
S1-3-3：设定阈值，筛选数据集中概率密度P(Y)>0.2的数据；
S1-3-4：根据坐标系中映射得到的高斯分布结果进行区域划分，划分得到第一合理区域、第二合理区域和第三合理区域；
S1-3-5：根据区域划分结果，标记各合理区域的对应场景，完成场景判别模型的建立。
例如，根据区域划分结果，标记第一合理区域为单价高且交易量较少的，如轻奢品牌专柜等使用场景，标记第三合理区域为单价低但交易量较多的，如超市等使用场景；
进一步的，对该系列手持打印机进行云端互联，在联锁商家或同类使用场景的前提下，省略对于模型训练的过程，直接调用该手持打印机中已有的判断模型，通过数据集成的方式实现手持打印机的数据同步。
S2：基于使用场景对手持打印机的实时使用数据进行监测；
具体的，在步骤S2中，包括以下步骤：
步骤S2-1：对手持打印机的实时使用数据进行采集，采集得到用户信息，时间信息和交易信息；
步骤S2-2：对采集到的用户信息进行分析，筛查该用户是否在数据库中存在用户标签；
步骤S2-3：若存在该用户的用户标签，则将新数据加入该用户对应用户标签的数据集内，若不存在该用户的用户标签，则对于该用户建立新的用户标签。
所述用户标签用于根据用户的消费记录对用户偏好和用户价值进行解析，以便于帮助商家根据自身业务需求，针对不同用户采用不同策略进行运营，以便于提高营业额，防止客源流失；
S3：对监测到的数据进行分析，判断当前使用行为是否存在异常；
具体的，根据上述步骤S1和S2得到的手持打印机使用场景判别模型和监测到的实时数据，在步骤S3中，根据对该使用场景的预设安全区间，对当前的手持打印机使用行为进行异常判断；所述安全区间根据S1中的区域划分结果对于不同场景，分别对各变量下的其他因变量的变化范围进行区间划分；
其中，对于无用户标签的用户，根据时间变量划分关于交易信息的安全区间；
对于具有用户标签的用户，结合其用户标签和时间变量划分关于交易信息安全区间；
其中，判断用户行为是否存在异常具体包括以下步骤：
S3-1：将监测到的对于手持打印机的用户信息和时间信息输入场景判别模型中，输出当前使用场景，得到对应于该使用场景的交易信息安全区间；
S3-2：将监测到的实际交易信息进行映射，与安全区间进行对比；
S3-3：若当前交易信息与安全区间不匹配，则认为当前对于手持打印机的使用行为存在异常。
S4：根据S3的分析结果，当无异常情况时，继续保持监测，当出现异常情况时，对异常情况进行分析，判断异常类型；
具体的，在步骤S4中，根据S3的分析结果，当无异常情况时，继续保持监测，当出现异常情况时，对异常情况进行分析，通过人工二次核验或系统安全检测判断异常类型，所述异常类型包括操作异常和安全异常；
所述操作异常表示用户使用手持打印机进行输入操作时出现失误，造成的数据异常；
所述安全异常表示存在外部攻击对手持打印机的数据进行了修改，因此造成的数据异常；
S5：根据S4的异常分析结果，通过预设的处理方案对异常情况进行相应处理。
具体的，在步骤S5中，根据S4得到的异常分析结果，通过预设的异常处理方案对异常情况进行相应处理；若该异常属于操作异常，用户收到异常提示后，取消本次操作，重新进行输入；若该异常属于安全异常，锁定设备，及时中止本次操作，当前操作用户收到数据异常提示，通过人工或系统的方式对该手持打印机进行安全漏洞的修复。
实施例二：
如图2所示，本实施例基于实施例一种基于人工智能的手持打印机数据监测预警方法，提供了一种基于人工智能的手持打印机数据监测预警系统，该系统包括：数据获取模块、数据整合模块、数据监测模块、数据分析模块和异常管理模块；
通过数据获取模块对手持打印机的使用数据进行获取；具体的，通过数据获取模块对手持打印机的后台数据库进行访问，获取到该打印机的日志数据；
其中，获取的后台数据库中的打印机日志数据包括后台系统中一个或多个手持打印机的使用数据，在实际使用中，同一商家可装配多个手持打印机，通过数据上传实现数据共享，以便于实现营业结算；进一步的，通过获取同一后台或同一局域网内的手持打印机数据能够使得训练数据集更加完善，从而提高数据监测预警的准确度。
通过数据整合模块对获取到的历史使用数据进行整合；具体的，数据整合模块包括数据提取单元、数据整理单元和数据集生成单元；
所述数据提取单元用于对数据获取模块获取的数据进行关键数据提取，包括用户信息、时间信息、交易信息等；
所述数据整理单元用于对数据提取单元提取出的关键数据进行整理，并根据用户操作数据生成用户标签；
所述数据集生成单元用于对整理后的数据进行打包，得到训练数据集。
所述训练数据集用于对步骤S2中的场景判别模型提供数据来源；
通过数据监测模块对手持打印机的实时数据进行监测；具体的，数据监测模块包括数据采集单元和用户筛查单元；
所述数据采集单元用于对手持打印机的实时使用数据进行采集；
所述用户筛查单元用于根据采集到的当前使用者的用户信息与数据库中的用户信息进行匹配，对当前使用者的用户标签进行解析；
筛查结果包括该用户在打印机的数据库中已有标签或该用户在打印机的数据库中暂无标签，即该用户初次使用，建立对于该用户的用户标签；
此处建立用户标签用于对各用户对于手持打印机的使用记录进行整合，提高对于用户操作数据合理性判断的依据，提高数据监测的准确度；同时，能够完善对于各用户的画像描写，以便于在后期将用户画像与业务推广进行结合，从而提高实体店面的销售量。
通过数据分析模块对监测到的实时数据进行分析；具体的，数据分析模块包括区间划分单元、数据校验单元和异常预警单元；
所述区间划分单元用于根据数据库中的数据记录对打印机输入输出数据的合理区间进行划分，进一步的，包括根据用户标签对个用户的个人数据进行合理区域划分；
所述数据校验单元用于对所述数据监测模块监测到的实时数据进行校验，判断当前操作数据是否存在异常；
所述异常预警单元用于根据所述数据校验单元中的校验结果，对校验不合理的异常操作数据进行预警提醒。
通过异常管理模块对数据分析结果中的异常情况进行相应处理；具体的，所述异常管理模块包括异常判断单元和异常处理单元；
所述异常判断单元用于对校验结果中的异常操作进行分析，判断异常类型；
所述异常处理单元用于根据异常判断结果对各类异常情况进行相应处理；以便于能够及时解决各类异常情况，避免使用手持打印机引起的交易冲突事件；
具体的，若该异常属于操作异常，用户收到异常提示后，取消本次操作，重新进行输入；若该异常属于安全异常，锁定设备，及时中止本次操作，用户收到异常提示，对该手持打印机进行安全漏洞的修复。
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 (10)
1.一种基于人工智能的手持打印机数据监测预警方法，其特征在于：包括以下步骤：
S1：对手持打印机的相关使用数据进行获取；对获取到的使用数据进行整合，得到训练数据集，将训练数据集通过机器学习的方式根据打印机的数据记录建立场景判别模型；
S2：基于使用场景对手持打印机的实时使用数据进行监测；
S3：对监测到的数据进行分析，判断当前使用行为是否存在异常；
S4：根据S3的分析结果，当无异常情况时，继续保持监测，当出现异常情况时，对异常情况进行分析，判断异常类型；
S5：根据S4的异常分析结果，通过预设的处理方案对异常情况进行相应处理。
2.根据权利要求1所述的一种基于人工智能的手持打印机数据监测预警方法，其特征在于：所述步骤S1具体包括：
步骤S1-1：通过访问手持打印机的日志记录对相关历史使用数据进行获取，根据预设的关键词对获取到的历史相关数据进行关键数据提取；
所述关键数据包括用户信息数据、时间点数据和交易信息数据；
步骤S1-2：对提取到的关键数据进行整合处理，对整合处理后的数据进行打包封装，生成训练数据集X，所述X内包括
，其中，/>
分别表示训练集中的第1、2、...、z条数据；其中，每条数据内包括一个用户数据，一个时间点数据，一条交易信息数据；
步骤S1-3：将所得训练数据集X通过机器学习的方式，训练得到场景判别模型；
其中，所述步骤S1-3中训练场景判别模型的具体包括以下步骤：
S1-3-1：将训练数据集中的每条数据在坐标系中进行映射，将每条数据所包含的变量数据转化为向量，得到N个变量组成的向量集
；
S1-3-2：根据以下公式计算向量集Y的概率密度：
其中，
表示向量集Y的均值向量，/>
表示向量集Y的协方差矩阵；/>
表示/>
的行列式；
S1-3-3：设定阈值
，筛选数据集中概率密度/>
的数据；
S1-3-4：根据坐标系中映射得到的高斯分布结果进行区域划分，划分得到第一合理区域、第二合理区域和第三合理区域；
S1-3-5：根据区域划分结果，标记各合理区域的对应场景，完成场景判别模型的建立。
3.根据权利要求1所述的一种基于人工智能的手持打印机数据监测预警方法，其特征在于：所述步骤S2具体包括：
步骤S2-1：对手持打印机的实时使用数据进行采集，采集得到用户信息，时间信息和交易信息；
步骤S2-2：对采集到的用户信息进行分析，筛查该用户是否在数据库中存在用户标签；
步骤S2-3：若存在该用户的用户标签，则将新数据加入该用户对应用户标签的数据集内，若不存在该用户的用户标签，则对于该用户建立新的用户标签。
4.根据权利要求1所述的一种基于人工智能的手持打印机数据监测预警方法，其特征在于：根据上述步骤S1和S2得到的手持打印机使用场景判别模型和监测到的实时数据，在步骤S3中，根据对该使用场景的预设安全区间，对当前的手持打印机使用行为进行异常判断；所述安全区间根据S1中的区域划分结果对于不同场景，分别对各变量下的其他因变量的变化范围进行区间划分；
具体包括以下步骤：
S3-1：将监测到的对于手持打印机的用户信息和时间信息输入场景判别模型中，输出当前使用场景，得到对应于该使用场景的交易信息安全区间；
S3-2：将监测到的实际交易信息进行映射，与安全区间进行对比；
S3-3：若当前交易信息与安全区间不匹配，则认为当前对于手持打印机的使用行为存在异常。
5.根据权利要求1所述的一种基于人工智能的手持打印机数据监测预警方法，其特征在于：在步骤S4中，根据S3的分析结果，当无异常情况时，继续保持监测，当出现异常情况时，对异常情况进行分析，通过人工二次核验或系统安全检测判断异常类型，所述异常类型包括操作异常和安全异常；
在步骤S5中，根据S4得到的异常分析结果，通过预设的异常处理方案对异常情况进行相应处理。
6.一种基于人工智能的手持打印机数据监测预警系统，其特征在于：所述系统包括：数据获取模块、数据整合模块、数据监测模块、数据分析模块和异常管理模块；
所述数据获取模块用于对手持打印机的使用数据进行获取；
所述数据整合模块用于对获取到的历史使用数据进行整合；
所述数据监测模块用于对手持打印机的实时数据进行监测；
所述数据分析模块用于对监测到的实时数据进行分析；
所述异常管理模块用于对数据分析结果中的异常情况进行相应处理。
7.根据权利要求6所述的一种基于人工智能的手持打印机数据监测预警系统，其特征在于：所述数据获取模块通过对手持打印机的后台数据库进行访问，获取到该打印机的日志数据；
所述数据整合模块包括数据提取单元、数据整理单元和数据集生成单元；
所述数据提取单元用于对数据获取模块获取的数据进行关键数据提取；
所述数据整理单元用于对数据提取单元提取出的关键数据进行整理，并根据用户操作数据生成用户标签；
所述数据集生成单元用于对整理后的数据进行打包，得到训练数据集。
8.根据权利要求6所述的一种基于人工智能的手持打印机数据监测预警系统，其特征在于：所述数据监测模块包括数据采集单元和用户筛查单元；
所述数据采集单元用于对手持打印机的实时使用数据进行采集；
所述用户筛查单元用于根据采集到的当前使用者的用户信息与数据库中的用户信息进行匹配，对当前使用者的用户标签进行解析；筛查结果包括该用户在打印机的数据库中已有标签或该用户在打印机的数据库中暂无标签，即该用户初次使用，建立对于该用户的用户标签。
9.根据权利要求6所述的一种基于人工智能的手持打印机数据监测预警系统，其特征在于：所述数据分析模块包括区间划分单元、数据校验单元和异常预警单元；
所述区间划分单元用于根据数据库中的数据记录对打印机输入输出数据的合理区间进行划分；
所述数据校验单元用于对所述数据监测模块监测到的实时数据进行校验，判断当前操作数据是否存在异常；
所述异常预警单元用于根据所述数据校验单元中的校验结果，对校验不合理的异常操作数据进行预警提醒。
10.根据权利要求6所述的一种基于人工智能的手持打印机数据监测预警系统，其特征在于：所述异常管理模块包括异常判断单元和异常处理单元；
所述异常判断单元用于对校验结果中的异常操作进行分析，判断异常类型；
所述异常处理单元用于根据异常判断结果对各类异常情况进行相应处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310469606.9A CN116185315B (zh) | 2023-04-27 | 2023-04-27 | 一种基于人工智能的手持打印机数据监测预警系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310469606.9A CN116185315B (zh) | 2023-04-27 | 2023-04-27 | 一种基于人工智能的手持打印机数据监测预警系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116185315A true CN116185315A (zh) | 2023-05-30 |
| CN116185315B CN116185315B (zh) | 2023-07-14 |
Family
ID=86440674
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310469606.9A Active CN116185315B (zh) | 2023-04-27 | 2023-04-27 | 一种基于人工智能的手持打印机数据监测预警系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116185315B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108230137A (zh) * | 2016-12-14 | 2018-06-29 | 大唐半导体设计有限公司 | 一种实现征信数据处理的方法及装置 |
| CN109558416A (zh) * | 2018-11-07 | 2019-04-02 | 北京先进数通信息技术股份公司 | 一种异常交易的检测方法、装置及存储介质 |
| CN109783318A (zh) * | 2019-01-07 | 2019-05-21 | 中国工商银行股份有限公司 | 智能终端金融外设安全监控方法、装置、服务器及系统 |
| CN111814910A (zh) * | 2020-08-12 | 2020-10-23 | 中国工商银行股份有限公司 | 异常检测方法、装置、电子设备及存储介质 |
| CN114140248A (zh) * | 2021-12-14 | 2022-03-04 | 重庆忽米网络科技有限公司 | 一种基于ai人工智能技术的异常交易识别方法 |
| CN114202417A (zh) * | 2021-12-01 | 2022-03-18 | 中国工商银行股份有限公司 | 异常交易检测方法、装置、设备、介质和程序产品 |
| CN114285596A (zh) * | 2021-11-16 | 2022-04-05 | 国网浙江省电力有限公司杭州供电公司 | 基于机器学习的变电站终端账号异常检测方法 |
| CN115688110A (zh) * | 2022-08-31 | 2023-02-03 | 中国工商银行股份有限公司 | 金融物联网平台设备预警方法及装置 |
-
2023
- 2023-04-27 CN CN202310469606.9A patent/CN116185315B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108230137A (zh) * | 2016-12-14 | 2018-06-29 | 大唐半导体设计有限公司 | 一种实现征信数据处理的方法及装置 |
| CN109558416A (zh) * | 2018-11-07 | 2019-04-02 | 北京先进数通信息技术股份公司 | 一种异常交易的检测方法、装置及存储介质 |
| CN109783318A (zh) * | 2019-01-07 | 2019-05-21 | 中国工商银行股份有限公司 | 智能终端金融外设安全监控方法、装置、服务器及系统 |
| CN111814910A (zh) * | 2020-08-12 | 2020-10-23 | 中国工商银行股份有限公司 | 异常检测方法、装置、电子设备及存储介质 |
| CN114285596A (zh) * | 2021-11-16 | 2022-04-05 | 国网浙江省电力有限公司杭州供电公司 | 基于机器学习的变电站终端账号异常检测方法 |
| CN114202417A (zh) * | 2021-12-01 | 2022-03-18 | 中国工商银行股份有限公司 | 异常交易检测方法、装置、设备、介质和程序产品 |
| CN114140248A (zh) * | 2021-12-14 | 2022-03-04 | 重庆忽米网络科技有限公司 | 一种基于ai人工智能技术的异常交易识别方法 |
| CN115688110A (zh) * | 2022-08-31 | 2023-02-03 | 中国工商银行股份有限公司 | 金融物联网平台设备预警方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 莫凡;何帅;孙佳;范渊;刘博;: "基于机器学习的用户实体行为分析技术在账号异常检测中的应用", 通信技术, no. 05 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116185315B (zh) | 2023-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107689887B (zh) | 一种核电厂控制系统临时控制变更在线管理系统 | |
| US8868985B2 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
| CN110263952B (zh) | 一种电子产品智能回收系统 | |
| Zhang et al. | Lab | |
| CN111274227B (zh) | 一种基于聚类分析和关联规则的数据库审计系统及方法 | |
| Chen et al. | [Retracted] Audit Data Analysis and Application Based on Correlation Analysis Algorithm | |
| Panigrahi | A framework for discovering internal financial fraud using analytics | |
| CN106355489A (zh) | 一种面向管理的数据中心系统及数据处理方法 | |
| CN116579868A (zh) | 一种财务管理系统及财务管理方法 | |
| CN113326684B (zh) | 一种合同签约管理方法、系统及装置 | |
| CN115062117A (zh) | 一种基于自然语言处理技术的文档自动生成分类的方法 | |
| CN116185315B (zh) | 一种基于人工智能的手持打印机数据监测预警系统及方法 | |
| CN113962514A (zh) | 一种经营风险识别的方法 | |
| CN112465397A (zh) | 一种审计数据的分析方法和装置 | |
| CN112163813A (zh) | 一种在线采购的交易清单核算方法 | |
| CN115269570A (zh) | 一种基于零缺陷工程大数据的质量分析方法及系统 | |
| CN110659747B (zh) | 一种基于工艺落实与成本管控的车辆检修方法及系统 | |
| CN112347068A (zh) | 基于elk的日志分析方法及系统 | |
| CN116468395B (zh) | 一种审计整改系统 | |
| CN116383020B (zh) | 一种基于区块链的互联网数据分析管理系统及方法 | |
| CN218456425U (zh) | 一种互联网计算机大数据信息处理系统 | |
| CN116957827A (zh) | 一种基于数据分析的业财一体化管理系统 | |
| CN117575628A (zh) | 一种考虑上下游供应链的全生命周期碳足迹监测分析系统 | |
| CN113723098A (zh) | 一种生产事件标签推荐方法及装置 | |
| Zhao | Construction of Information Compliance Management and Control System for Power Supply Enterprises Based on Big Data Algorithm |
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 |