CN116933895B - 一种基于机器学习的物联网数据挖掘方法及系统 - Google Patents

一种基于机器学习的物联网数据挖掘方法及系统 Download PDF

Info

Publication number
CN116933895B
CN116933895B CN202311151324.0A CN202311151324A CN116933895B CN 116933895 B CN116933895 B CN 116933895B CN 202311151324 A CN202311151324 A CN 202311151324A CN 116933895 B CN116933895 B CN 116933895B
Authority
CN
China
Prior art keywords
data
internet
things
generate
key
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
CN202311151324.0A
Other languages
English (en)
Other versions
CN116933895A (zh
Inventor
徐缓
王国志
周骋
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.)
Suzhou Xuntuyi Intelligent Technology Co ltd
Original Assignee
Suzhou Xuntuyi Intelligent Technology 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 Suzhou Xuntuyi Intelligent Technology Co ltd filed Critical Suzhou Xuntuyi Intelligent Technology Co ltd
Priority to CN202311151324.0A priority Critical patent/CN116933895B/zh
Publication of CN116933895A publication Critical patent/CN116933895A/zh
Application granted granted Critical
Publication of CN116933895B publication Critical patent/CN116933895B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
    • H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
    • H04L63/0442—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload wherein the sending and receiving network entities apply asymmetric encryption, i.e. different keys for encryption and decryption
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/40—Network security protocols

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Security & Cryptography (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及数据挖掘技术领域，尤其涉及一种基于机器学习的物联网数据挖掘方法及系统。对分布式物联网数据采集节点进行实时物联网数据采集及预处理，生成标准物联网数据；对标准物联网数据进行关键物联网数据提取，生成关键物联网数据；对关键物联网数据进行物联网特征数据提取及特征数据关联，生成关联物联网特征数据；利用决策树算法与关联物联网特征数据进行物联网数据的挖掘学习模型建立及优化，生成优化物联网数据挖掘模型；将优化物联网数据挖掘模型配置在分布式物联网数据采集节点进行数据节点的自动化数据挖掘分析，生成自动化数据挖掘学习模型。本发明使得物联网数据对数据挖掘更加精简及自动化。

Description

一种基于机器学习的物联网数据挖掘方法及系统
技术领域
本发明涉及数据挖掘技术领域，尤其涉及一种基于机器学习的物联网数据挖掘方法及系统。
背景技术
物联网数据挖掘方法可以有效地从海量的物联网数据中提取有价值的信息和模式，实现智能化的决策和预测，帮助企业和组织更好地理解设备和传感器生成的数据，发现隐藏在数据背后的规律，优化运营和资源分配，提升系统的效率和性能，对于现代社会的物联网系统具有重要意义。然而，传统的物联网数据挖掘方法对于数据挖掘过于复杂，需要耗费大量的人力与财力，对于计算机的硬件压力太大，并且对于待挖掘的数据需要耗费大量的人工时间进行深度挖掘，增加了人工时间成本。
发明内容
基于此，本发明提供一种基于机器学习的物联网数据挖掘方法及系统，以解决至少一个上述技术问题。
为实现上述目的，一种基于机器学习的物联网数据挖掘方法，包括以下步骤：
步骤S1：获取分布式物联网数据采集节点；对分布式物联网数据采集节点进行实时物联网数据采集，从而生成初始物联网数据包；
步骤S2：对初始物联网数据包进行数字信号的编码转换，生成初始物联网数据；对初始物联网数据进行数据加密及数据序列格式转换，生成标准物联网数据；
步骤S3：对标准物联网数据进行数据段事件复杂度计算，生成数据段事件复杂度；根据数据段事件复杂度对标准物联网数据进行关键物联网数据提取，生成关键物联网数据；
步骤S4：对关键物联网数据进行物联网特征数据提取，生成物联网特征数据；利用K-Means聚合算法对物联网特征数据进行物联网特征数据的数据关联，生成关联物联网特征数据；
步骤S5：利用决策树算法与关联物联网特征数据进行物联网数据的挖掘学习模型建立，生成优化物联网数据挖掘模型；将优化物联网数据挖掘模型配置在分布式物联网数据采集节点进行数据节点的自动化数据挖掘分析，以生成自动化数据挖掘学习模型。
本发明通过获取分布式物联网数据采集节点，得以实现对分散在不同位置的数据源进行综合采集，丰富了数据的多样性和代表性，因为不同位置和环境下采集的数据反映了更全面的现实情况。实时物联网数据采集确保了数据的实时性，即数据几乎立即被捕获并传输至后续处理阶段，能够获取到最新的、实时变化的数据，有助于捕捉瞬时事件、趋势和突发情况提供了高质量、实时性和代表性的数据基础，为后续的分析和挖掘奠定了坚实的基础。对初始物联网数据包进行数字信号的编码转换，这个过程将原始数据从模拟形式转化为数字形式，有效地消除了模拟信号可能引入的噪音和失真，提高了数据的准确性和稳定性。对初始物联网数据进行数据加密操作，确保数据在传输和存储过程中的安全性，防止敏感信息被恶意访问和窃取，同时进行数据序列格式转换，将数据按照一定的规范和标准进行格式化，从而保证数据的一致性和可解析性，为后续的处理和分析提供了规范化的数据基础。对标准物联网数据进行数据段事件复杂度计算，揭示数据的内在结构和变化趋势，通过计算数据段事件的复杂度，捕捉到数据之间的关联性和模式，帮助揭示潜在的规律和异常现象。根据计算得出的数据段事件复杂度进行关键物联网数据的提取，这个过程能够从大量数据中筛选出具有重要意义的数据片段，降低冗余信息对后续分析的影响，从而提高了数据挖掘的效率和准确性。对关键物联网数据进行物联网特征数据提取，将复杂的原始数据转化为更有代表性的特征，通过提取物联网特征数据，捕捉到数据中的特征信息，从而为后续的分析和模型构建提供更加有效的数据表示。利用K-Means聚合算法对物联网特征数据进行数据关联，有助于将相似的特征数据聚合在一起，揭示数据的聚类和分布情况，帮助发现数据的潜在结构和相关性，通过生成关联物联网特征数据，系统为后续建模和分析提供了更丰富、更全面的数据视角。利用决策树算法结合关联物联网特征数据，建立物联网数据的挖掘学习模型，决策树算法能够根据关联特征数据推断出数据中的潜在模式和关联关系，从而为数据挖掘提供可靠的模型基础，模型的权重阈值调整优化能够确保模型在对关键数据进行分析时更为精准和可靠，提高了模型的适应性和泛化能力，生成了经过优化的物联网数据挖掘模型。将优化的数据挖掘模型配置在分布式物联网数据采集节点，实现数据节点的自动化数据挖掘分析，可以在实时监测和分析大规模数据的同时，减轻人工干预的负担，从而加快洞察信息的速度，为物联网应用的决策和发展提供了更有力的支持。因此，本发明的基于机器学习的物联网数据挖掘方法对于数据挖掘通过对物联网数据的关联特征进行挖掘，并根据挖掘结果建立一个自动化的挖掘模型，大大节约了人力与财力，降低了计算机的硬件压力，并且降低了人工去手动挖掘数据的时间成本。
优选地，步骤S1包括以下步骤：
步骤S11：获取分布式物联网数据采集节点；
步骤S12：根据分布式物联网数据采集节点进行网络通信接口建立，生成数据通信中心设备；
步骤S13：对数据通信中心设备进行网络带宽及设备能耗分析，生成数据通信中心设备的实时能耗数据；
步骤S14：利用数据通信中心设备对分布式数据采集节点进行实时物联网数据采集，并根据实时能耗数据对数据通信中心设备进行数据采集速率的实时调节，从而生成初始物联网数据包。
本发明获取分布式物联网数据采集节点有助于收集分散在多个地点的数据源，确保数据的全面性和多样性，有效扩展了数据源的范围，为后续分析提供了更为丰富的原始数据。通过建立网络通信接口实现了与分布式物联网数据采集节点的连接，从而将数据集中在一个中心设备，减少了数据传输的复杂性，提高了数据的集中性和统一性。进行网络带宽和设备能耗分析有助于评估系统资源的使用情况，从而优化数据传输和处理的效率，通过实时能耗数据能够实时监控设备的能源消耗情况，为后续的数据采集和传输提供了有效的参考。通过数据通信中心设备进行实时物联网数据采集，实现了数据的高效捕获和传输，而根据实时能耗数据对数据通信中心设备的数据采集速率进行实时调节，能够在保障数据质量的前提下，优化能源利用，确保数据采集的高效性。
优选地，步骤S2包括以下步骤：
步骤S21：对初始物联网数据包进行数字信号的编码转换，生成初始物联网数据；
步骤S22：利用非对称加密算法对初始物联网数据进行非对称加密处理，生成加密物联网数据；
步骤S23：对加密物联网数据进行数据清洗处理，生成清洗物联网数据；
步骤S24：利用最小-最大归一化法对清洗物联网数据进行数据归一化，生成归一化物联网数据；
步骤S25：对归一化物联网数据进行数据的时间序列提取，获得时间序列；
步骤S26：根据时间序列对归一化物联网数据进行时间序列的格式转换处理，生成标准物联网数据。
本发明通过数字信号的编码转换，将模拟信号转化为数字形式，有效地减少了数据的失真和噪音，提高了数据的准确性和稳定性，确保了数据的可靠性，并且将物联网的数据包转化为计算机可以处理的数字信号。通过非对称加密算法对初始物联网数据进行处理，确保数据在传输和存储过程中的安全性，有助于保护敏感信息免受未授权访问，提升了数据的机密性和隐私保护水平。数据清洗处理有助于去除数据中的噪音、异常和冗余信息，使得数据更加干净和可靠，通过清洗物联网数据能够获得更为准确和一致的数据基础，为后续分析和处理提供可靠的数据基础。最小-最大归一化法对数据进行处理，将数据映射到统一的尺度范围内，有助于消除不同特征的数量级差异，使得数据更适合进行比较和分析，确保了数据的一致性，提高了后续分析的准确性。通过对归一化物联网数据进行时间序列提取，能够从数据中提取出时间上的模式和趋势，有助于发现数据中的周期性变化和随时间变化的关联性，为后续的时间序列分析提供了基础。根据时间序列对归一化物联网数据进行格式转换，将数据整理为标准的时间序列形式，方便后续的时间序列分析和建模。
优选地，步骤S3包括以下步骤：
步骤S31：将标准物联网数据进行特定间隔的数据段划分处理，生成物联网数据段；
步骤S32：利用数据事件复杂度算法对物联网数据段进行数据段事件复杂度计算，生成数据段事件复杂度；
步骤S33：根据预设的事件复杂阈值与数据段事件复杂度对物联网数据段进行关键事件段提取，生成关键事件数据段；
步骤S34：利用预设的时间窗口对关键事件数据段进行前后文关键数据提取，生成关键物联网数据。
将标准物联网数据按照特定的间隔进行划分，生成一系列的物联网数据段，将连续的数据分割为多个离散的片段，为后续事件复杂度计算和关键信息提取创造了基础，降低数据处理的计算压力，大大提升数据处理的速度。通过数据事件复杂度算法对物联网数据段进行计算，获得数据段的事件复杂度，有助于评估数据段的内在模式和变化趋势，为后续的关键信息提取提供了定量依据。基于预设的事件复杂阈值和数据段事件复杂度，对物联网数据段进行筛选，提取出具有关键性质的事件段，聚焦地捕获数据中的重要信息，减少冗余信息的影响，为后续的关键数据提取和分析提供了有针对性的数据基础。利用预设的时间窗口，从关键事件数据段中提取前后文的关键数据，将相关信息进行聚合，有助于捕捉事件的上下文信息，使关键事件数据段更具完整性和信息量，为后续分析和建模提供更准确的数据基础。
优选地，步骤S32中的数据事件复杂度算法如下所示：
；
式中，P表示为数据段事件复杂度，T表示为物联网数据段涉及的结束时间，t表示为物联网数据段涉及的当前时间，K表示为物联网数据段的数据长度，Q表示为物联网数据段的出现频率，o表示为物联网数据段涉及的流量大小，p表示为物联网数据段设定的初始流量调整值，γ表示为数据段的数据项变更频率，τ表示为数据段事件复杂度的异常调整值。
本发明利用一种数据事件复杂度算法，该算法充分考虑了物联网数据段涉及的结束时间T、物联网数据段涉及的当前时间t、物联网数据段的数据长度K、物联网数据段的出现频率Q、物联网数据段涉及的流量大小o、物联网数据段设定的初始流量调整值p、数据段的数据项变更频率γ以及函数之间的相互作用关系，以形成函数关系式：
即，，通过该函数关系式对不同物联网数据段进行物联网复杂度计算，代表该物联网数据段的重要性，保留较高重要性的数据可以减少处理冗余数据。物联网数据段涉及的结束时间反映了数据的持续时长，可以影响到事件复杂度的计算，因为不同时间跨度下数据的变化可能导致不同的复杂性；物联网数据段涉及的当前时间影响数据事件复杂度的计算，因为随着时间推移，数据的特性和行为可能会发生变化，从而影响整体的复杂性；物联网数据段的数据长度表示为数据传输的数据量大小，数据的长度可能与事件的复杂性相关，较长的数据段可能包含更多的信息和变化；物联网数据段的出现频率反映频率高的数据事件可能具有更多的变化和交互，导致更高的复杂度；物联网数据段涉及的流量大小描述了数据传输速率或数据量的大小，数据流量大小会影响数据在一段时间内的总体复杂性，因为更大的流量可能意味着更多的数据交互和处理；物联网数据段设定的初始流量调整值用来调整初始流量的参数，在模型中引入初始状态的调整，以更好地反映实际情况；数据段的数据项变更频率影响数据的变化速率和模式，从而影响复杂度的计算。以此通过函数关系式对物联网数据段的复杂度进行量化评估，为后续步骤的数据处理和分析提供了全面的指标和依据。利用数据段事件复杂度的异常调整值τ对函数关系式进行调整修正，减少异常数据或误差项带来的误差影响，从而更准确地生成数据段事件复杂度P，提高了对物联网数据段进行数据段事件复杂度计算的准确性和可靠性。同时该公式中的调整值可以根据实际情况进行调整，应用于不同的物联网数据段中，提高了算法的灵活性与适用性。
优选地，步骤S4包括以下步骤：
步骤S41：利用傅里叶变换技术对关键物联网数据进行频域信号转换，生成关键物联网信号；
步骤S42：利用关键物联网信号强度算法对关键物联网信号进行关键物联网信号强度计算，生成关键物联网信号强度数据，并根据关键物联网信号强度数据进行物联网特征信号选取，生成物联网特征信号；
步骤S43：利用逆傅里叶变换技术对物联网特征信号进行时域数据转换，生成物联网特征数据；
步骤S44：利用K-Means聚合算法对物联网特征数据进行物联网特征数据的数据关联，生成关联物联网特征数据。
本发明通过傅里叶变换技术对关键物联网数据进行频域信号转换，将数据从时域转换到频域，有助于捕捉数据中的周期性、振荡等特征，从不同角度揭示数据的特征，为后续分析提供了更多信息。通过关键物联网信号强度算法计算关键物联网信号的强度，获得关键物联网信号强度数据，根据关键物联网信号强度数据进行物联网特征信号的选取，即根据信号强度选择出最具代表性和关联性的特征信号，有助于将信号的重要信息抽取出来，为后续特征分析和关联分析提供准确的数据基础。利用逆傅里叶变换技术对物联网特征信号进行时域数据转换，将频域信号重新转换回时域，将频域信号还原成原始时域数据，为后续的分析和建模提供更直观和易于理解的数据形式，通过傅里叶变换技术对关键物联网数据进行特征提取，通过信号的强度快速定位到物联网数据的特征信息，加快了数据处理的速度。通过K-Means聚合算法对物联网特征数据进行数据关联，将相似的特征数据进行聚合，揭示数据的聚类和分布情况，发现数据的内在结构和关联性，为后续模型构建和分析提供更准确的数据基础。
优选地，步骤S42关键物联网信号强度算法如下所示：
；
式中，S表示为关键物联网信号的强度大小，表示为关键物联网信号涉及的时间长度，r i 表示为i时刻的信号功率数值大小，A表示为信号功率数值大小的权重信息，B表示为关键物联网信号的信号转换损失数值，C表示为信号转换损失参考值，α表示为关键物联网信号的衰落参数，f表示为关键物联网信号的信号频率大小，E表示为关键物联网信号衰落的衰减系数，D表示为关键物联网信号的信号周期，ε表示为关键物联网信号的强度大小的异常调整值。
本发明利用一种关键物联网信号涉及的时间长度、i时刻的信号功率数值大小r i 、信号功率数值大小的权重信息A、关键物联网信号的信号转换损失数值B、信号转换损失参考值C、关键物联网信号的衰落参数α、关键物联网信号的信号频率大小f、关键物联网信号衰落的衰减系数E、关键物联网信号的信号周期D以及函数之间的相互作用关系，以形成函数关系式：
即， ，通过该函数关系式确定关键物联网信号中相对于信号强度较强的信号，代表该信号中对应的数据更具有价值性。关键物联网信号涉及的时间长度表示了关键信号涉及的时间跨度，影响信号强度的计算，因为不同的时间长度可能会影响信号的功率分布和衰减；i时刻的信号功率数值大小反映了信号的实际强度，为关键物联网信号强度计算的数据基础；信号功率数值大小的权重信息用于调整信号功率数值的权重，用来突出或弱化信号功率的影响，以更好地反映信号的实际贡献；关键物联网信号的信号转换损失数值是信号在传输和转换过程中的能量损失，这个参数影响了信号强度的计算；信号转换损失参考值用来校正信号转换损失，以更准确地估计信号的实际强度；关键物联网信号的衰落参数，衰落是信号在传播中随距离和环境变化而变弱的现象，这个参数用来描述信号衰落的特性；关键物联网信号的信号频率大小，关键物联网信号的信号频率影响信号的传输和衰落特性，不同频率下的信号强度可能会有所不同；关键物联网信号衰落的衰减系数描述了信号衰落的衰减程度，反映了信号在传输中的损失情况，影响了信号的实际强度；关键物联网信号的信号周期，周期性信号的频率变化是有规律的，这个参数可以影响信号强度的计算。通过函数关系式计算关键物联网信号的强度，更准确地分析出物联网数据中更具有价值性的数据。利用关键物联网信号的强度大小的异常调整值ε对函数关系式进行调整修正，减少异常数据或误差项带来的误差影响，从而更准确地生成关键物联网信号的强度大小S，提高了对关键物联网信号进行关键物联网信号强度计算的准确性和可靠性。同时该公式中的权重信息以及调整值可以根据实际情况进行调整，应用于不同的关键物联网信号中，提高了算法的灵活性与适用性。
优选地，步骤S44包括以下步骤：
利用K-Means聚合算法对物联网特征数据进行特征类型的数据划分，生成分类物联网特征数据，并根据分类物联网特征数据进行物联网特征数据的数据关联，生成关联物联网特征数据。
本发明利用K-Means聚合算法对物联网特征数据进行聚类，将相似特征数据划分为一类，从而形成分类物联网特征数据，从数据中识别出不同的特征类型和模式，使得后续的关联分析更具精确性和可解释性。基于分类物联网特征数据，对不同特征类型之间的关系进行分析和关联，从而生成关联物联网特征数据，发现不同特征类型之间的相互影响和相关性，为后续模型构建和分析提供更丰富、更全面的数据基础，通过关联物联网特征数据，更易于后续通过物联网数据之间的关联规则挖掘出潜在特征。
优选地，步骤S5包括以下步骤：
步骤S51：利用决策树算法建立强化物联网数据挖掘的映射关系，生成初始物联网数据挖掘学习模型；
步骤S52：将关联物联网特征数据传输至初始物联网数据挖掘学习模型中，并利用交叉验证法进行模型验证，生成物联网数据挖掘学习模型；
步骤S53：对物联网数据挖掘模型进行特征参数敏感性分析，生成模型影响特征参数；
步骤S54：利用贝叶斯优化算法对模型影响特征参数进行模型最优超参数提取，生成物联网数据挖掘模型的最优超参数；
步骤S55：根据最优超参数对物联网数据挖掘模型进行模型的权重阈值调整优化，生成优化物联网数据挖掘模型；
步骤S56：将优化物联网数据挖掘模型配置在分布式物联网数据采集节点进行数据节点的自动化数据挖掘分析，以生成自动化数据挖掘学习模型。
本发明通过决策树算法建立强化物联网数据挖掘的映射关系，将数据的特征与目标之间的关系进行建模，利用决策树算法将数据的潜在关联和模式转化为挖掘后的特征数据的初始映射关系，为后续的模型训练提供了基础。通过将关联物联网特征数据传输至初始挖掘学习模型中，并利用交叉验证法进行模型训练及测试，使模型能够更好地捕捉数据中的特征和关联性，于提升模型的预测和分析能力，为后续模型优化提供基础，交叉验证法可以更好的降低模型的过拟合能力。对物联网数据挖掘模型进行特征参数敏感性分析，识别出哪些特征对模型的输出具有较大影响，有助于理解模型的行为和决策过程，为后续模型调优提供定量依据。利用贝叶斯优化算法，从多个可能的超参数组合中提取出最优超参数，以使模型在验证集上表现最佳，优化模型的泛化能力和性能，提高模型的准确性和鲁棒性。基于最优超参数对模型的权重阈值进行调整优化，使模型更好地适应实际数据，提升模型在实际数据上的表现，增强了模型的预测能力和可靠性。将优化后的物联网数据挖掘模型配置在分布式物联网数据采集节点，实现数据节点的自动化数据挖掘分析，在实时监测和分析数据的同时，减轻了人工干预的负担，提高了数据挖掘的效率和即时性。
本说明书中提供一种基于机器学习的物联网数据挖掘系统，用于执行如上述所述的基于机器学习的物联网数据挖掘方法，该基于机器学习的物联网数据挖掘系统包括：
物联网数据包采集模块，用于获取分布式物联网数据采集节点；对分布式物联网数据采集节点进行实时物联网数据采集，从而生成初始物联网数据包；
物联网数据包处理模块，用于对初始物联网数据包进行数字信号的编码转换，生成初始物联网数据；对初始物联网数据进行数据加密及数据序列格式转换，生成标准物联网数据；
关键物联网数据提取模块，用于对标准物联网数据进行数据段事件复杂度计算，生成数据段事件复杂度；根据数据段事件复杂度对标准物联网数据进行关键物联网数据提取，生成关键物联网数据；
物联网特征数据关联模块，用于对关键物联网数据进行物联网特征数据提取，生成物联网特征数据；利用K-Means聚合算法对物联网特征数据进行物联网特征数据的数据关联，生成关联物联网特征数据；
自动化数据挖掘学习模型构建模块，利用决策树算法与关联物联网特征数据进行物联网数据的挖掘学习模型建立，生成优化物联网数据挖掘模型；将优化物联网数据挖掘模型配置在分布式物联网数据采集节点进行数据节点的自动化数据挖掘分析，以生成自动化数据挖掘学习模型。
本申请有益效果在于，本发明通过分布式物联网数据采集节点实时收集多源数据，确保了数据的全面性和多样性，对初始物联网数据进行数字信号编码、加密和序列转换，保护数据的安全性和完整性，同时通过数据清洗、归一化等操作，提高了数据的准确性和一致性，对杂乱的数据整理成可利用的数据集，加快数据处理的速度。在数据段事件复杂度计算、特征数据提取、关联分析等阶段，从数据中抽取出关键的模式和特征，将数据中的重要信息聚焦提取，减少了冗余和噪音的干扰，为后续分析提供了高价值的数据基础。利用决策树算法建立模型映射关系，并在关联物联网特征数据的基础上进行训练，使模型能够更好地理解数据的特性和关联性，通过参数敏感性分析、超参数提取和模型优化，进一步提升了模型的性能和泛化能力，使其更适用于不同场景和数据分布。将优化后的数据挖掘模型配置在分布式物联网数据采集节点，实现了自动化的数据挖掘分析，有助于实时监测和分析数据，及时发现异常和变化，并为实际决策提供有力支持，减少了人工干预的需求，提高了分析的效率和实时性。从不同角度揭示了数据中的潜在模式和关联进行挖掘，提取出为业务创新和决策提供新的视角和思路的有利挖掘数据，
附图说明
图1为本发明一种基于机器学习的物联网数据挖掘方法的步骤流程示意图；
图2为图1中步骤S3的详细实施步骤流程示意图；
图3为图1中步骤S4的详细实施步骤流程示意图；
图4为图1中步骤S5的详细实施步骤流程示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的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。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的，请参阅图1至图4，本发明提供一种基于机器学习的物联网数据挖掘方法，包括以下步骤：
步骤S1：获取分布式物联网数据采集节点；对分布式物联网数据采集节点进行实时物联网数据采集，从而生成初始物联网数据包；
步骤S2：对初始物联网数据包进行数字信号的编码转换，生成初始物联网数据；对初始物联网数据进行数据加密及数据序列格式转换，生成标准物联网数据；
步骤S3：对标准物联网数据进行数据段事件复杂度计算，生成数据段事件复杂度；根据数据段事件复杂度对标准物联网数据进行关键物联网数据提取，生成关键物联网数据；
步骤S4：对关键物联网数据进行物联网特征数据提取，生成物联网特征数据；利用K-Means聚合算法对物联网特征数据进行物联网特征数据的数据关联，生成关联物联网特征数据；
步骤S5：利用决策树算法与关联物联网特征数据进行物联网数据的挖掘学习模型建立，生成优化物联网数据挖掘模型；将优化物联网数据挖掘模型配置在分布式物联网数据采集节点进行数据节点的自动化数据挖掘分析，以生成自动化数据挖掘学习模型。
本发明通过获取分布式物联网数据采集节点，得以实现对分散在不同位置的数据源进行综合采集，丰富了数据的多样性和代表性，因为不同位置和环境下采集的数据反映了更全面的现实情况。实时物联网数据采集确保了数据的实时性，即数据几乎立即被捕获并传输至后续处理阶段，能够获取到最新的、实时变化的数据，有助于捕捉瞬时事件、趋势和突发情况提供了高质量、实时性和代表性的数据基础，为后续的分析和挖掘奠定了坚实的基础。对初始物联网数据包进行数字信号的编码转换，这个过程将原始数据从模拟形式转化为数字形式，有效地消除了模拟信号可能引入的噪音和失真，提高了数据的准确性和稳定性。对初始物联网数据进行数据加密操作，确保数据在传输和存储过程中的安全性，防止敏感信息被恶意访问和窃取，同时进行数据序列格式转换，将数据按照一定的规范和标准进行格式化，从而保证数据的一致性和可解析性，为后续的处理和分析提供了规范化的数据基础。对标准物联网数据进行数据段事件复杂度计算，揭示数据的内在结构和变化趋势，通过计算数据段事件的复杂度，捕捉到数据之间的关联性和模式，帮助揭示潜在的规律和异常现象。根据计算得出的数据段事件复杂度进行关键物联网数据的提取，这个过程能够从大量数据中筛选出具有重要意义的数据片段，降低冗余信息对后续分析的影响，从而提高了数据挖掘的效率和准确性。对关键物联网数据进行物联网特征数据提取，将复杂的原始数据转化为更有代表性的特征，通过提取物联网特征数据，捕捉到数据中的特征信息，从而为后续的分析和模型构建提供更加有效的数据表示。利用K-Means聚合算法对物联网特征数据进行数据关联，有助于将相似的特征数据聚合在一起，揭示数据的聚类和分布情况，帮助发现数据的潜在结构和相关性，通过生成关联物联网特征数据，系统为后续建模和分析提供了更丰富、更全面的数据视角。利用决策树算法结合关联物联网特征数据，建立物联网数据的挖掘学习模型，决策树算法能够根据关联特征数据推断出数据中的潜在模式和关联关系，从而为数据挖掘提供可靠的模型基础，模型的权重阈值调整优化能够确保模型在对关键数据进行分析时更为精准和可靠，提高了模型的适应性和泛化能力，生成了经过优化的物联网数据挖掘模型。将优化的数据挖掘模型配置在分布式物联网数据采集节点，实现数据节点的自动化数据挖掘分析，可以在实时监测和分析大规模数据的同时，减轻人工干预的负担，从而加快洞察信息的速度，为物联网应用的决策和发展提供了更有力的支持。因此，本发明的基于机器学习的物联网数据挖掘方法对于数据挖掘通过对物联网数据的关联特征进行挖掘，并根据挖掘结果建立一个自动化的挖掘模型，大大节约了人力与财力，降低了计算机的硬件压力，并且降低了人工去手动挖掘数据的时间成本。
本发明实施例中，参考图1所述，为本发明一种基于机器学习的物联网数据挖掘方法的步骤流程示意图，在本实施例中，所述基于机器学习的物联网数据挖掘方法包括以下步骤：
步骤S1：获取分布式物联网数据采集节点；对分布式物联网数据采集节点进行实时物联网数据采集，从而生成初始物联网数据包；
本发明实施例中，假设我们在一个智能城市中，需要收集来自分布式传感器节点的环境数据，这些传感器分布在城市各处，包括交通路口、公园和建筑物，通过与这些节点建立通信，实时采集环境数据，如空气质量、噪音水平和交通流量等，这些数据被传输到中央服务器，生成初始物联网数据包。
步骤S2：对初始物联网数据包进行数字信号的编码转换，生成初始物联网数据；对初始物联网数据进行数据加密及数据序列格式转换，生成标准物联网数据；
本发明实施例中，对于温度传感器的模拟信号，我们可以将其采样为数字信号，例如温度传感器输出的模拟电压值可以被转换为相应的数字温度值，比如摄氏度。在保护用户隐私的前提下，对数字温度值进行加密处理，确保数据的安全性，例如使用AES加密算法对温度数据进行加密，将加密后的数据转换为常用的JSON格式，以便于数据传输和存储。
步骤S3：对标准物联网数据进行数据段事件复杂度计算，生成数据段事件复杂度；根据数据段事件复杂度对标准物联网数据进行关键物联网数据提取，生成关键物联网数据；
本发明实施例中， 将生产数据划分为不同的时间段，比如每小时一个时间段，对每个时间段内的生产数据进行分析，计算事件复杂度，例如对于一个工作站，可以计算每个时间段内的产量变化和工作时间的波动情况，通过某种度量方法得到事件复杂度，基于计算得到的事件复杂度，可以确定哪些时间段具有较高的事件复杂度，这些时间段可能表示生产线上的异常情况或变化点，从这些高复杂度的时间段中提取关键物联网数据，如产量异常、工作时间波动等，作为关键数据，以供后续分析和决策使用。
步骤S4：对关键物联网数据进行物联网特征数据提取，生成物联网特征数据；利用K-Means聚合算法对物联网特征数据进行物联网特征数据的数据关联，生成关联物联网特征数据；
本发明实施例中，对于每个房间的用电数据，可以从中提取出多种特征，如平均用电量、峰值用电量和用电波动性等，例如计算每个房间过去一小时的平均用电量作为特征之一。将提取出的物联网特征数据，如平均用电量、峰值用电量等。应用K-Means聚合算法，可以将不同房间的用电特征进行聚类，将相似用电模式的房间归为一组，以此生成了关联的物联网特征数据集，其中每个聚类代表了一组相似的用电模式。
步骤S5：利用决策树算法与关联物联网特征数据进行物联网数据的挖掘学习模型建立，生成优化物联网数据挖掘模型；将优化物联网数据挖掘模型配置在分布式物联网数据采集节点进行数据节点的自动化数据挖掘分析，以生成自动化数据挖掘学习模型。
本发明实施例中，通过物联网特征数据，这些数据涵盖了不同物联网的主要特征信息，使用决策树算法建立一个自动化数据挖掘模型，将物联网的主要特征信息与采集的物联网信息关联起来。在建立模型的过程中，调整权重和阈值，以确保模型对异常情况有较高的准确度。将优化的数据挖掘模型部署到分布式物联网数据采集节点上，这些数据经过预处理后，输入到优化物联网数据挖掘模型中，模型根据先前的学习，自动分析每个人的采集到的物联网信息的主要特征。
优选地，步骤S1包括以下步骤：
步骤S11：获取分布式物联网数据采集节点；
步骤S12：根据分布式物联网数据采集节点进行网络通信接口建立，生成数据通信中心设备；
步骤S13：对数据通信中心设备进行网络带宽及设备能耗分析，生成数据通信中心设备的实时能耗数据；
步骤S14：利用数据通信中心设备对分布式数据采集节点进行实时物联网数据采集，并根据实时能耗数据对数据通信中心设备进行数据采集速率的实时调节，从而生成初始物联网数据包。
本发明获取分布式物联网数据采集节点有助于收集分散在多个地点的数据源，确保数据的全面性和多样性，有效扩展了数据源的范围，为后续分析提供了更为丰富的原始数据。通过建立网络通信接口实现了与分布式物联网数据采集节点的连接，从而将数据集中在一个中心设备，减少了数据传输的复杂性，提高了数据的集中性和统一性。进行网络带宽和设备能耗分析有助于评估系统资源的使用情况，从而优化数据传输和处理的效率，通过实时能耗数据能够实时监控设备的能源消耗情况，为后续的数据采集和传输提供了有效的参考。通过数据通信中心设备进行实时物联网数据采集，实现了数据的高效捕获和传输，而根据实时能耗数据对数据通信中心设备的数据采集速率进行实时调节，能够在保障数据质量的前提下，优化能源利用，确保数据采集的高效性。
本发明实施例中，在城市各个交通要道部署了多个交通传感器节点，这些节点分布于主要道路、交叉口等关键位置，每个节点可以采集实时的车辆流量、速度和道路状况等交通数据。为每个交通传感器节点建立网络通信接口，以便将采集到的数据传输到数据通信中心设备，这些接口可能基于无线通信技术如Wi-Fi、LoRa或5G。分析每个数据通信中心设备的网络带宽和能耗情况，这可以帮助我们了解通信瓶颈和设备能耗情况，以便后续调整和优化。数据通信中心设备利用网络接口，从各个交通传感器节点收集实时交通数据，如车辆流量和速度，根据设备能耗和网络带宽情况，动态调节数据采集速率，例如在交通高峰期间，可以提高数据采集速率以获取更准确的交通状况。
优选地，步骤S2包括以下步骤：
步骤S21：对初始物联网数据包进行数字信号的编码转换，生成初始物联网数据；
步骤S22：利用非对称加密算法对初始物联网数据进行非对称加密处理，生成加密物联网数据；
步骤S23：对加密物联网数据进行数据清洗处理，生成清洗物联网数据；
步骤S24：利用最小-最大归一化法对清洗物联网数据进行数据归一化，生成归一化物联网数据；
步骤S25：对归一化物联网数据进行数据的时间序列提取，获得时间序列；
步骤S26：根据时间序列对归一化物联网数据进行时间序列的格式转换处理，生成标准物联网数据。
本发明通过数字信号的编码转换，将模拟信号转化为数字形式，有效地减少了数据的失真和噪音，提高了数据的准确性和稳定性，确保了数据的可靠性，并且将物联网的数据包转化为计算机可以处理的数字信号。通过非对称加密算法对初始物联网数据进行处理，确保数据在传输和存储过程中的安全性，有助于保护敏感信息免受未授权访问，提升了数据的机密性和隐私保护水平。数据清洗处理有助于去除数据中的噪音、异常和冗余信息，使得数据更加干净和可靠，通过清洗物联网数据能够获得更为准确和一致的数据基础，为后续分析和处理提供可靠的数据基础。最小-最大归一化法对数据进行处理，将数据映射到统一的尺度范围内，有助于消除不同特征的数量级差异，使得数据更适合进行比较和分析，确保了数据的一致性，提高了后续分析的准确性。通过对归一化物联网数据进行时间序列提取，能够从数据中提取出时间上的模式和趋势，有助于发现数据中的周期性变化和随时间变化的关联性，为后续的时间序列分析提供了基础。根据时间序列对归一化物联网数据进行格式转换，将数据整理为标准的时间序列形式，方便后续的时间序列分析和建模。
本发明实施例中，从初始物联网数据包收集到的原始数据可能是模拟信号，如温度传感器的模拟温度值，我们使用模数转换器（ADC）将模拟信号转换为数字信号，得到初始的数字化数据。为了保护数据的安全性，我们使用非对称加密算法，如RSA算法，生成一对公钥和私钥，将公钥用于加密数据，假设我们要加密初始物联网数据，将初始物联网数据使用公钥进行加密，生成加密后物联网数据。在实际采集的数据中，物联网数据可能存在噪声或异常值，可以进行数据清洗，去除可能影响数据质量和准确性的异常值。为了使清洗物联网数据在同一尺度上进行比较，可以使用最小-最大归一化法将数据归一化到0到1之间，例如对于温度数据，我们可以将原始温度值映射到0到1的范围内。从归一化数据中提取时间序列，对于每个归一化物联网数据，可以按时间顺序组织，形成归一化物联网数据随时间变化的序列，根据需要将时间序列数据转换为标准的时间序列格式，如CSV或JSON，数据可以更方便地被其他系统读取和分析，以此生成标准物联网数据。
优选地，步骤S3包括以下步骤：
步骤S31：将标准物联网数据进行特定间隔的数据段划分处理，生成物联网数据段；
步骤S32：利用数据事件复杂度算法对物联网数据段进行数据段事件复杂度计算，生成数据段事件复杂度；
步骤S33：根据预设的事件复杂阈值与数据段事件复杂度对物联网数据段进行关键事件段提取，生成关键事件数据段；
步骤S34：利用预设的时间窗口对关键事件数据段进行前后文关键数据提取，生成关键物联网数据。
将标准物联网数据按照特定的间隔进行划分，生成一系列的物联网数据段，将连续的数据分割为多个离散的片段，为后续事件复杂度计算和关键信息提取创造了基础，降低数据处理的计算压力，大大提升数据处理的速度。通过数据事件复杂度算法对物联网数据段进行计算，获得数据段的事件复杂度，有助于评估数据段的内在模式和变化趋势，为后续的关键信息提取提供了定量依据。基于预设的事件复杂阈值和数据段事件复杂度，对物联网数据段进行筛选，提取出具有关键性质的事件段，聚焦地捕获数据中的重要信息，减少冗余信息的影响，为后续的关键数据提取和分析提供了有针对性的数据基础。利用预设的时间窗口，从关键事件数据段中提取前后文的关键数据，将相关信息进行聚合，有助于捕捉事件的上下文信息，使关键事件数据段更具完整性和信息量，为后续分析和建模提供更准确的数据基础。
作为本发明的一个实例，参考图2所示，为图1中步骤S3的详细实施步骤流程示意图，在本实例中所述步骤S3包括：
步骤S31：将标准物联网数据进行特定间隔的数据段划分处理，生成物联网数据段；
本发明实施例中，将连续的标准物联网数据流按照特定的时间间隔划分成不同的数据段，例如可以将每小时的传感器数据划分为不同的数据段，生成物联网数据段。
步骤S32：利用数据事件复杂度算法对物联网数据段进行数据段事件复杂度计算，生成数据段事件复杂度；
本发明实施例中，使用数据事件复杂度算法，我们可以分析每个数据段内的事件复杂度，例如对于一个数据段，我们可以计算其中传感器数据的变化情况、波动程度等指标，以衡量事件的复杂度。
步骤S33：根据预设的事件复杂阈值与数据段事件复杂度对物联网数据段进行关键事件段提取，生成关键事件数据段；
本发明实施例中，根据预设的事件复杂阈值与数据段事件复杂度，我们可以筛选出具有显著事件的数据段，即事件复杂度超过阈值的数据段，这些数据段中可能包含了生产线上的关键事件，如生产异常或设备故障，生成关键事件数据段，该数据具有较为已有的作用。
步骤S34：利用预设的时间窗口对关键事件数据段进行前后文关键数据提取，生成关键物联网数据。
本发明实施例中，针对每个关键事件数据段，可以利用预设的时间窗口来提取与事件相关的前后文关键数据，例如如果在某个数据段内检测到温度异常，我们可以从该数据段前后的时间窗口中提取温度、湿度和压力等数据，以便更好地分析和解释事件的原因。
优选地，步骤S32中的数据事件复杂度算法如下所示：
；
式中，P表示为数据段事件复杂度，T表示为物联网数据段涉及的结束时间，t表示为物联网数据段涉及的当前时间，K表示为物联网数据段的数据长度，Q表示为物联网数据段的出现频率，o表示为物联网数据段涉及的流量大小，p表示为物联网数据段设定的初始流量调整值，γ表示为数据段的数据项变更频率，τ表示为数据段事件复杂度的异常调整值。
本发明利用一种数据事件复杂度算法，该算法充分考虑了物联网数据段涉及的结束时间T、物联网数据段涉及的当前时间t、物联网数据段的数据长度K、物联网数据段的出现频率Q、物联网数据段涉及的流量大小o、物联网数据段设定的初始流量调整值p、数据段的数据项变更频率γ以及函数之间的相互作用关系，以形成函数关系式：
即，，通过该函数关系式对不同物联网数据段进行物联网复杂度计算，代表该物联网数据段的重要性，保留较高重要性的数据可以减少处理冗余数据。物联网数据段涉及的结束时间反映了数据的持续时长，可以影响到事件复杂度的计算，因为不同时间跨度下数据的变化可能导致不同的复杂性；物联网数据段涉及的当前时间影响数据事件复杂度的计算，因为随着时间推移，数据的特性和行为可能会发生变化，从而影响整体的复杂性；物联网数据段的数据长度表示为数据传输的数据量大小，数据的长度可能与事件的复杂性相关，较长的数据段可能包含更多的信息和变化；物联网数据段的出现频率反映频率高的数据事件可能具有更多的变化和交互，导致更高的复杂度；物联网数据段涉及的流量大小描述了数据传输速率或数据量的大小，数据流量大小会影响数据在一段时间内的总体复杂性，因为更大的流量可能意味着更多的数据交互和处理；物联网数据段设定的初始流量调整值用来调整初始流量的参数，在模型中引入初始状态的调整，以更好地反映实际情况；数据段的数据项变更频率影响数据的变化速率和模式，从而影响复杂度的计算。以此通过函数关系式对物联网数据段的复杂度进行量化评估，为后续步骤的数据处理和分析提供了全面的指标和依据。利用数据段事件复杂度的异常调整值τ对函数关系式进行调整修正，减少异常数据或误差项带来的误差影响，从而更准确地生成数据段事件复杂度P，提高了对物联网数据段进行数据段事件复杂度计算的准确性和可靠性。同时该公式中的调整值可以根据实际情况进行调整，应用于不同的物联网数据段中，提高了算法的灵活性与适用性。
优选地，步骤S4包括以下步骤：
步骤S41：利用傅里叶变换技术对关键物联网数据进行频域信号转换，生成关键物联网信号；
步骤S42：利用关键物联网信号强度算法对关键物联网信号进行关键物联网信号强度计算，生成关键物联网信号强度数据，并根据关键物联网信号强度数据进行物联网特征信号选取，生成物联网特征信号；
步骤S43：利用逆傅里叶变换技术对物联网特征信号进行时域数据转换，生成物联网特征数据；
步骤S44：利用K-Means聚合算法对物联网特征数据进行物联网特征数据的数据关联，生成关联物联网特征数据。
本发明通过傅里叶变换技术对关键物联网数据进行频域信号转换，将数据从时域转换到频域，有助于捕捉数据中的周期性、振荡等特征，从不同角度揭示数据的特征，为后续分析提供了更多信息。通过关键物联网信号强度算法计算关键物联网信号的强度，获得关键物联网信号强度数据，根据关键物联网信号强度数据进行物联网特征信号的选取，即根据信号强度选择出最具代表性和关联性的特征信号，有助于将信号的重要信息抽取出来，为后续特征分析和关联分析提供准确的数据基础。利用逆傅里叶变换技术对物联网特征信号进行时域数据转换，将频域信号重新转换回时域，将频域信号还原成原始时域数据，为后续的分析和建模提供更直观和易于理解的数据形式，通过傅里叶变换技术对关键物联网数据进行特征提取，通过信号的强度快速定位到物联网数据的特征信息，加快了数据处理的速度。通过K-Means聚合算法对物联网特征数据进行数据关联，将相似的特征数据进行聚合，揭示数据的聚类和分布情况，发现数据的内在结构和关联性，为后续模型构建和分析提供更准确的数据基础。
作为本发明的一个实例，参考图3所示，为图1中步骤S4的详细实施步骤流程示意图，在本实例中所述步骤S4包括：
步骤S41：利用傅里叶变换技术对关键物联网数据进行频域信号转换，生成关键物联网信号；
本发明实施例中，对关键物联网数据应用傅里叶变换，将时域的信号转换为频域信号，得到频谱信息，例如可以将电流和电压的波形转换为频谱图，以便分析在不同频率范围内的信号分布情况。
步骤S42：利用关键物联网信号强度算法对关键物联网信号进行关键物联网信号强度计算，生成关键物联网信号强度数据，并根据关键物联网信号强度数据进行物联网特征信号选取，生成物联网特征信号；
本发明实施例中，利用关键物联网信号强度算法，可以计算频域信号的强度，对于每个频率分量，可以使用一定的权重和衰减参数，结合傅里叶变换后的幅度信息，计算出该频率分量的强度，这将帮助我们识别在不同频率范围内的能量集中情况，以及哪些频率分量对应着物联网数据的特征信息。
步骤S43：利用逆傅里叶变换技术对物联网特征信号进行时域数据转换，生成物联网特征数据；
本发明实施例中，利用逆傅里叶变换技术，将经过强度计算的频域信号转换回时域，这转换为可供计算机处理识别的数据，其中包含了与能源使用模式相关的特征，生成物联网特征数据。
步骤S44：利用K-Means聚合算法对物联网特征数据进行物联网特征数据的数据关联，生成关联物联网特征数据。
本发明实施例中，应用K-Means聚合算法可以对从逆傅里叶变换得到的时域信号进行聚类分析，这将帮助我们识别出不同的能源使用模式，每个聚类群集代表一个特定的能源模式，例如高负载、低负载等，以此就能够将相似的能源模式进行关联，生成关联物联网特征数据，以支持后续的能源优化和故障检测。
优选地，步骤S42关键物联网信号强度算法如下所示：
；
式中，S表示为关键物联网信号的强度大小，表示为关键物联网信号涉及的时间长度，r i 表示为i时刻的信号功率数值大小，A表示为信号功率数值大小的权重信息，B表示为关键物联网信号的信号转换损失数值，C表示为信号转换损失参考值，α表示为关键物联网信号的衰落参数，f表示为关键物联网信号的信号频率大小，E表示为关键物联网信号衰落的衰减系数，D表示为关键物联网信号的信号周期，ε表示为关键物联网信号的强度大小的异常调整值。
本发明利用一种关键物联网信号涉及的时间长度、i时刻的信号功率数值大小r i 、信号功率数值大小的权重信息A、关键物联网信号的信号转换损失数值B、信号转换损失参考值C、关键物联网信号的衰落参数α、关键物联网信号的信号频率大小f、关键物联网信号衰落的衰减系数E、关键物联网信号的信号周期D以及函数之间的相互作用关系，以形成函数关系式：
即， ，通过该函数关系式确定关键物联网信号中相对于信号强度较强的信号，代表该信号中对应的数据更具有价值性。关键物联网信号涉及的时间长度表示了关键信号涉及的时间跨度，影响信号强度的计算，因为不同的时间长度可能会影响信号的功率分布和衰减；i时刻的信号功率数值大小反映了信号的实际强度，为关键物联网信号强度计算的数据基础；信号功率数值大小的权重信息用于调整信号功率数值的权重，用来突出或弱化信号功率的影响，以更好地反映信号的实际贡献；关键物联网信号的信号转换损失数值是信号在传输和转换过程中的能量损失，这个参数影响了信号强度的计算；信号转换损失参考值用来校正信号转换损失，以更准确地估计信号的实际强度；关键物联网信号的衰落参数，衰落是信号在传播中随距离和环境变化而变弱的现象，这个参数用来描述信号衰落的特性；关键物联网信号的信号频率大小，关键物联网信号的信号频率影响信号的传输和衰落特性，不同频率下的信号强度可能会有所不同；关键物联网信号衰落的衰减系数描述了信号衰落的衰减程度，反映了信号在传输中的损失情况，影响了信号的实际强度；关键物联网信号的信号周期，周期性信号的频率变化是有规律的，这个参数可以影响信号强度的计算。通过函数关系式计算关键物联网信号的强度，更准确地分析出物联网数据中更具有价值性的数据。利用关键物联网信号的强度大小的异常调整值ε对函数关系式进行调整修正，减少异常数据或误差项带来的误差影响，从而更准确地生成关键物联网信号的强度大小S，提高了对关键物联网信号进行关键物联网信号强度计算的准确性和可靠性。同时该公式中的权重信息以及调整值可以根据实际情况进行调整，应用于不同的关键物联网信号中，提高了算法的灵活性与适用性。
优选地，步骤S44包括以下步骤：
利用K-Means聚合算法对物联网特征数据进行特征类型的数据划分，生成分类物联网特征数据，并根据分类物联网特征数据进行物联网特征数据的数据关联，生成关联物联网特征数据。
本发明利用K-Means聚合算法对物联网特征数据进行聚类，将相似特征数据划分为一类，从而形成分类物联网特征数据，从数据中识别出不同的特征类型和模式，使得后续的关联分析更具精确性和可解释性。基于分类物联网特征数据，对不同特征类型之间的关系进行分析和关联，从而生成关联物联网特征数据，发现不同特征类型之间的相互影响和相关性，为后续模型构建和分析提供更丰富、更全面的数据基础，通过关联物联网特征数据，更易于后续通过物联网数据之间的关联规则挖掘出潜在特征。
优选地，步骤S5包括以下步骤：
步骤S51：利用决策树算法建立强化物联网数据挖掘的映射关系，生成初始物联网数据挖掘学习模型；
步骤S52：将关联物联网特征数据传输至初始物联网数据挖掘学习模型中，并利用交叉验证法进行模型验证，生成物联网数据挖掘学习模型；
步骤S53：对物联网数据挖掘模型进行特征参数敏感性分析，生成模型影响特征参数；
步骤S54：利用贝叶斯优化算法对模型影响特征参数进行模型最优超参数提取，生成物联网数据挖掘模型的最优超参数；
步骤S55：根据最优超参数对物联网数据挖掘模型进行模型的权重阈值调整优化，生成优化物联网数据挖掘模型；
步骤S56：将优化物联网数据挖掘模型配置在分布式物联网数据采集节点进行数据节点的自动化数据挖掘分析，以生成自动化数据挖掘学习模型。
本发明通过决策树算法建立强化物联网数据挖掘的映射关系，将数据的特征与目标之间的关系进行建模，利用决策树算法将数据的潜在关联和模式转化为挖掘后的特征数据的初始映射关系，为后续的模型训练提供了基础。通过利用关联物联网特征数据对初始挖掘学习模型进行训练，使模型能够更好地捕捉数据中的特征和关联性，于提升模型的预测和分析能力，为后续模型优化提供基础。对物联网数据挖掘模型进行特征参数敏感性分析，识别出哪些特征对模型的输出具有较大影响，有助于理解模型的行为和决策过程，为后续模型调优提供定量依据。利用贝叶斯优化算法，从多个可能的超参数组合中提取出最优超参数，以使模型在验证集上表现最佳，优化模型的泛化能力和性能，提高模型的准确性和鲁棒性。基于最优超参数对模型的权重阈值进行调整优化，使模型更好地适应实际数据，提升模型在实际数据上的表现，增强了模型的预测能力和可靠性。将优化后的物联网数据挖掘模型配置在分布式物联网数据采集节点，实现数据节点的自动化数据挖掘分析，在实时监测和分析数据的同时，减轻了人工干预的负担，提高了数据挖掘的效率和即时性。
作为本发明的一个实例，参考图4所示，为图1中步骤S5的详细实施步骤流程示意图，在本实例中所述步骤S5包括：
步骤S51：利用决策树算法建立强化物联网数据挖掘的映射关系，生成初始物联网数据挖掘学习模型；
本发明实施例中，选择决策树算法作为初始模型，用于建立物联网数据的挖掘映射关系。例如，我们可以使用一个决策树来预测能源系统的负载模式，基于关键物联网特征数据（如能量分布、周期性等）进行决策树的构建。
步骤S52：将关联物联网特征数据传输至初始物联网数据挖掘学习模型中，并利用交叉验证法进行模型验证，生成物联网数据挖掘学习模型；
本发明实施例中，将关联物联网特征数据传输至初始决策树模型中，为了确保模型的有效性，我们利用交叉验证法，将数据分为训练集和验证集，并评估模型在验证集上的性能，例如预测准确率、召回率等，以此对模型训练及测试，降低模型过拟合与欠拟合问题，得到适用于自动化挖掘数据的数学模型，生成物联网数据挖掘学习模型。
步骤S53：对物联网数据挖掘模型进行特征参数敏感性分析，生成模型影响特征参数；
本发明实施例中，对初始物联网数据挖掘学习模型进行特征参数敏感性分析，以了解每个关键特征对模型性能的影响程度，有助于我们确定哪些特征对于预测能源模式非常重要，从而更好地理解模型的工作机制，生成模型影响特征参数。
步骤S54：利用贝叶斯优化算法对模型影响特征参数进行模型最优超参数提取，生成物联网数据挖掘模型的最优超参数；
本发明实施例中，利用贝叶斯优化算法，可以搜索模型的最优超参数，例如决策树的深度、节点分裂准则等。这个步骤旨在找到一组超参数，使得模型在验证集上的性能达到最佳，生成物联网数据挖掘模型的最优超参数。
步骤S55：根据最优超参数对物联网数据挖掘模型进行模型的权重阈值调整优化，生成优化物联网数据挖掘模型；
本发明实施例中，基于找到的最优超参数，对初始物联网数据挖掘学习模型进行权重阈值的调整，这有助于提高模型的鲁棒性和泛化能力，使其更适应各种能源使用模式的预测和分析，生成优化物联网数据挖掘模型。
步骤S56：将优化物联网数据挖掘模型配置在分布式物联网数据采集节点进行数据节点的自动化数据挖掘分析，以生成自动化数据挖掘学习模型。
本发明实施例中，将优化后的物联网数据挖掘模型部署在分布式物联网数据采集节点上，使其能够自动进行数据挖掘分析，例如每个节点可以根据实时采集的数据，预测物联网数据的使用模式并进行物联网设备中可能存在的故障检测，从而实现自动化的能源优化和监测。
本说明书中提供一种基于机器学习的物联网数据挖掘系统，用于执行如上述所述的基于机器学习的物联网数据挖掘方法，该基于机器学习的物联网数据挖掘系统包括：
物联网数据包采集模块，用于获取分布式物联网数据采集节点；对分布式物联网数据采集节点进行实时物联网数据采集，从而生成初始物联网数据包；
物联网数据包处理模块，用于对初始物联网数据包进行数字信号的编码转换，生成初始物联网数据；对初始物联网数据进行数据加密及数据序列格式转换，生成标准物联网数据；
关键物联网数据提取模块，用于对标准物联网数据进行数据段事件复杂度计算，生成数据段事件复杂度；根据数据段事件复杂度对标准物联网数据进行关键物联网数据提取，生成关键物联网数据；
物联网特征数据关联模块，用于对关键物联网数据进行物联网特征数据提取，生成物联网特征数据；利用K-Means聚合算法对物联网特征数据进行物联网特征数据的数据关联，生成关联物联网特征数据；
自动化数据挖掘学习模型构建模块，利用决策树算法与关联物联网特征数据进行物联网数据的挖掘学习模型建立，生成优化物联网数据挖掘模型；将优化物联网数据挖掘模型配置在分布式物联网数据采集节点进行数据节点的自动化数据挖掘分析，以生成自动化数据挖掘学习模型。
本申请有益效果在于，本发明通过分布式物联网数据采集节点实时收集多源数据，确保了数据的全面性和多样性，对初始物联网数据进行数字信号编码、加密和序列转换，保护数据的安全性和完整性，同时通过数据清洗、归一化等操作，提高了数据的准确性和一致性，对杂乱的数据整理成可利用的数据集，加快数据处理的速度。在数据段事件复杂度计算、特征数据提取、关联分析等阶段，从数据中抽取出关键的模式和特征，将数据中的重要信息聚焦提取，减少了冗余和噪音的干扰，为后续分析提供了高价值的数据基础。利用决策树算法建立模型映射关系，并在关联物联网特征数据的基础上进行训练，使模型能够更好地理解数据的特性和关联性，通过参数敏感性分析、超参数提取和模型优化，进一步提升了模型的性能和泛化能力，使其更适用于不同场景和数据分布。将优化后的数据挖掘模型配置在分布式物联网数据采集节点，实现了自动化的数据挖掘分析，有助于实时监测和分析数据，及时发现异常和变化，并为实际决策提供有力支持，减少了人工干预的需求，提高了分析的效率和实时性。从不同角度揭示了数据中的潜在模式和关联进行挖掘，提取出为业务创新和决策提供新的视角和思路的有利挖掘数据，
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种基于机器学习的物联网数据挖掘方法，其特征在于，包括以下步骤：
步骤S1：获取分布式物联网数据采集节点；对分布式物联网数据采集节点进行实时物联网数据采集，从而生成初始物联网数据包；
步骤S2：对初始物联网数据包进行数字信号的编码转换，生成初始物联网数据；对初始物联网数据进行数据加密及数据序列格式转换，生成标准物联网数据；
步骤S3，包括：
步骤S31：将标准物联网数据进行特定间隔的数据段划分处理，生成物联网数据段；
步骤S32：利用数据事件复杂度算法对物联网数据段进行数据段事件复杂度计算，生成数据段事件复杂度；
其中，数据事件复杂度算法如下所示：
；
式中，P表示为数据段事件复杂度，T表示为物联网数据段涉及的结束时间，t表示为物联网数据段涉及的当前时间，K表示为物联网数据段的数据长度，Q表示为物联网数据段的出现频率，o表示为物联网数据段涉及的流量大小，p表示为物联网数据段设定的初始流量调整值，γ表示为数据段的数据项变更频率，τ表示为数据段事件复杂度的异常调整值；
步骤S33：根据预设的事件复杂阈值与数据段事件复杂度对物联网数据段进行关键事件段提取，生成关键事件数据段；
步骤S34：利用预设的时间窗口对关键事件数据段进行前后文关键数据提取，生成关键物联网数据；
步骤S4：对关键物联网数据进行物联网特征数据提取，生成物联网特征数据；利用K-Means聚合算法对物联网特征数据进行物联网特征数据的数据关联，生成关联物联网特征数据；
步骤S5：利用决策树算法与关联物联网特征数据进行物联网数据的挖掘学习模型建立，生成优化物联网数据挖掘模型；将优化物联网数据挖掘模型配置在分布式物联网数据采集节点进行数据节点的自动化数据挖掘分析，以生成自动化数据挖掘学习模型。
2.根据权利要求1所述的基于机器学习的物联网数据挖掘方法，其特征在于，步骤S1包括以下步骤：
步骤S11：获取分布式物联网数据采集节点；
步骤S12：根据分布式物联网数据采集节点进行网络通信接口建立，生成数据通信中心设备；
步骤S13：对数据通信中心设备进行网络带宽及设备能耗分析，生成数据通信中心设备的实时能耗数据；
步骤S14：利用数据通信中心设备对分布式数据采集节点进行实时物联网数据采集，并根据实时能耗数据对数据通信中心设备进行数据采集速率的实时调节，从而生成初始物联网数据包。
3.根据权利要求2所述的基于机器学习的物联网数据挖掘方法，其特征在于，步骤S2包括以下步骤：
步骤S21：对初始物联网数据包进行数字信号的编码转换，生成初始物联网数据；
步骤S22：利用非对称加密算法对初始物联网数据进行非对称加密处理，生成加密物联网数据；
步骤S23：对加密物联网数据进行数据清洗处理，生成清洗物联网数据；
步骤S24：利用最小-最大归一化法对清洗物联网数据进行数据归一化，生成归一化物联网数据；
步骤S25：对归一化物联网数据进行数据的时间序列提取，获得时间序列；
步骤S26：根据时间序列对归一化物联网数据进行时间序列的格式转换处理，生成标准物联网数据。
4.根据权利要求1所述的基于机器学习的物联网数据挖掘方法，其特征在于，步骤S4包括以下步骤：
步骤S41：利用傅里叶变换技术对关键物联网数据进行频域信号转换，生成关键物联网信号；
步骤S42：利用关键物联网信号强度算法对关键物联网信号进行关键物联网信号强度计算，生成关键物联网信号强度数据，并根据关键物联网信号强度数据进行物联网特征信号选取，生成物联网特征信号；
步骤S43：利用逆傅里叶变换技术对物联网特征信号进行时域数据转换，生成物联网特征数据；
步骤S44：利用K-Means聚合算法对物联网特征数据进行物联网特征数据的数据关联，生成关联物联网特征数据。
5.根据权利要求4所述的基于机器学习的物联网数据挖掘方法，其特征在于，步骤S42关键物联网信号强度算法如下所示：
；
式中，S表示为关键物联网信号的强度大小，表示为关键物联网信号涉及的时间长度，ri表示为i时刻的信号功率数值大小，A表示为信号功率数值大小的权重信息，B表示为关键物联网信号的信号转换损失数值，C表示为信号转换损失参考值，α表示为关键物联网信号的衰落参数，f表示为关键物联网信号的信号频率大小，E表示为关键物联网信号衰落的衰减系数，D表示为关键物联网信号的信号周期，ε表示为关键物联网信号的强度大小的异常调整值。
6.根据权利要求4所述的基于机器学习的物联网数据挖掘方法，其特征在于，步骤S44包括以下步骤：
利用K-Means聚合算法对物联网特征数据进行特征类型的数据划分，生成分类物联网特征数据，并根据分类物联网特征数据进行物联网特征数据的数据关联，生成关联物联网特征数据。
7.根据权利要求1所述的基于机器学习的物联网数据挖掘方法，其特征在于，步骤S5包括以下步骤：
步骤S51：利用决策树算法建立强化物联网数据挖掘的映射关系，生成初始物联网数据挖掘学习模型；
步骤S52：将关联物联网特征数据传输至初始物联网数据挖掘学习模型中，并利用交叉验证法进行模型验证，生成物联网数据挖掘学习模型；
步骤S53：对物联网数据挖掘模型进行特征参数敏感性分析，生成模型影响特征参数；
步骤S54：利用贝叶斯优化算法对模型影响特征参数进行模型最优超参数提取，生成物联网数据挖掘模型的最优超参数；
步骤S55：根据最优超参数对物联网数据挖掘模型进行模型的权重阈值调整优化，生成优化物联网数据挖掘模型；
步骤S56：将优化物联网数据挖掘模型配置在分布式物联网数据采集节点进行数据节点的自动化数据挖掘分析，以生成自动化数据挖掘学习模型。
8.一种基于机器学习的物联网数据挖掘系统，其特征在于，用于执行如权利要求1所述的基于机器学习的物联网数据挖掘方法，该基于机器学习的物联网数据挖掘系统包括：
物联网数据包采集模块，用于获取分布式物联网数据采集节点；对分布式物联网数据采集节点进行实时物联网数据采集，从而生成初始物联网数据包；
物联网数据包处理模块，用于对初始物联网数据包进行数字信号的编码转换，生成初始物联网数据；对初始物联网数据进行数据加密及数据序列格式转换，生成标准物联网数据；
关键物联网数据提取模块，用于对标准物联网数据进行数据段事件复杂度计算，生成数据事件复杂度；根据数据段事件复杂度对标准物联网数据进行关键物联网数据提取，生成关键物联网数据；
物联网特征数据关联模块，用于对关键物联网数据进行物联网特征数据提取，生成物联网特征数据；利用K-Means聚合算法对物联网特征数据进行物联网特征数据的数据关联，生成关联物联网特征数据；
自动化数据挖掘学习模型构建模块，利用决策树算法与关联物联网特征数据进行物联网数据的挖掘学习模型建立，生成优化物联网数据挖掘模型；将优化物联网数据挖掘模型配置在分布式物联网数据采集节点进行数据节点的自动化数据挖掘分析，以生成自动化数据挖掘学习模型。
CN202311151324.0A 2023-09-07 2023-09-07 一种基于机器学习的物联网数据挖掘方法及系统 Active CN116933895B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311151324.0A CN116933895B (zh) 2023-09-07 2023-09-07 一种基于机器学习的物联网数据挖掘方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311151324.0A CN116933895B (zh) 2023-09-07 2023-09-07 一种基于机器学习的物联网数据挖掘方法及系统

Publications (2)

Publication Number Publication Date
CN116933895A CN116933895A (zh) 2023-10-24
CN116933895B true CN116933895B (zh) 2023-12-08

Family

ID=88377354

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311151324.0A Active CN116933895B (zh) 2023-09-07 2023-09-07 一种基于机器学习的物联网数据挖掘方法及系统

Country Status (1)

Country Link
CN (1) CN116933895B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117348434A (zh) * 2023-11-16 2024-01-05 佛山市康利家具有限公司 基于用户生活习惯的智能家居管理系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104866587A (zh) * 2015-05-28 2015-08-26 成都艺辰德迅科技有限公司 基于物联网的数据挖掘方法
CN110533112A (zh) * 2019-09-04 2019-12-03 天津神舟通用数据技术有限公司 车联网大数据跨域分析融合方法
CN112818030A (zh) * 2021-01-21 2021-05-18 北京理工大学 一种自适应的分布式流数据关联规则挖掘方法
JP7240691B1 (ja) * 2021-09-08 2023-03-16 山東大学 データドライブの能動配電網異常状態検知方法及びシステム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104866587A (zh) * 2015-05-28 2015-08-26 成都艺辰德迅科技有限公司 基于物联网的数据挖掘方法
CN110533112A (zh) * 2019-09-04 2019-12-03 天津神舟通用数据技术有限公司 车联网大数据跨域分析融合方法
CN112818030A (zh) * 2021-01-21 2021-05-18 北京理工大学 一种自适应的分布式流数据关联规则挖掘方法
JP7240691B1 (ja) * 2021-09-08 2023-03-16 山東大学 データドライブの能動配電網異常状態検知方法及びシステム

Also Published As

Publication number Publication date
CN116933895A (zh) 2023-10-24

Similar Documents

Publication Publication Date Title
Wang A multinomial logistic regression modeling approach for anomaly intrusion detection
CN116933895B (zh) 一种基于机器学习的物联网数据挖掘方法及系统
CN105577679A (zh) 一种基于特征选择与密度峰值聚类的异常流量检测方法
Ye et al. EWMA forecast of normal system activity for computer intrusion detection
Efstathopoulos et al. Operational data based intrusion detection system for smart grid
CN111726351B (zh) 基于Bagging改进的GRU并行网络流量异常检测方法
CN111444233B (zh) 基于复制器神经网络模型发现环境监测异常数据的方法
CN111191720B (zh) 一种业务场景的识别方法、装置及电子设备
Wang et al. YATA: Yet Another Proposal for Traffic Analysis and Anomaly Detection.
RU2654167C2 (ru) Способ обнаружения скрытых взаимосвязей в Интернете Вещей
CN117592060B (zh) 一种处理器网络安全漏洞检测方法及系统
CN115168423A (zh) 一种基于本地差分隐私的智能电网数据聚合方法
CN111600878A (zh) 一种基于maf-adm的低速率拒绝服务攻击检测方法
CN112464209A (zh) 一种电力终端指纹认证方法及装置
CN113746780A (zh) 基于主机画像的异常主机检测方法、装置、介质和设备
CN111506636A (zh) 一种基于自回归和近邻算法的居民用电行为分析的系统及方法
Kodali et al. An Investigation into Deep Learning Based Network Intrusion Detection System for IoT Systems
Rodriguez et al. Improving network security through traffic log anomaly detection using time series analysis
CN107783942B (zh) 一种异常行为检测方法及装置
CN113240381A (zh) 微电网电力审计系统
Bourdon et al. Hardware-Performance-Counters-based anomaly detection in massively deployed smart industrial devices
AU2021269196A1 (en) Performance event troubleshooting system
Tian et al. Network intrusion detection based on system calls and data mining
Xu et al. Design of Monitoring Algorithm for Abnormal Network Traffic Sequence Based on Wavelet Transform
Gong et al. MSTP Network Data Traffic Anomaly Optimization Detection 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