CN117131379A - 基于神经网络的智能家居异常监测方法及系统 - Google Patents
基于神经网络的智能家居异常监测方法及系统 Download PDFInfo
- Publication number
- CN117131379A CN117131379A CN202311212237.1A CN202311212237A CN117131379A CN 117131379 A CN117131379 A CN 117131379A CN 202311212237 A CN202311212237 A CN 202311212237A CN 117131379 A CN117131379 A CN 117131379A
- Authority
- CN
- China
- Prior art keywords
- instruction
- real
- time
- instructions
- safety
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000003062 neural network model Methods 0.000 claims abstract description 35
- 230000008859 change Effects 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000006399 behavior Effects 0.000 claims description 30
- 230000003993 interaction Effects 0.000 claims description 28
- 238000012216 screening Methods 0.000 claims description 15
- 239000000725 suspension Substances 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 8
- 230000003542 behavioural effect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 241000700605 Viruses Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
本发明公开了一种基于神经网络的智能家居异常监测方法及系统,该方法包括:获取目标智能家居环境对应的实时指令集合;获取所述实时指令集合对应的家居设备的设备状态集合;将所述实时指令集合和所述设备状态集合,以及预设的人类行为事件集合和环境变化事件集合,输入至训练好的DQN神经网络模型中,以得到所述实时指令集合对应的风险预测参数;所述DQN神经网络模型通过包括有多个训练用事件和训练用指令和对应的风险值标注的训练数据集训练得到;根据所述实时指令集合对应的所述风险预测参数,确定所述实时指令集合对应的执行策略。可见,本发明能够更加准确和实时的预测智能家居指令的风险,提高家居环境的智能程度和安全程度。
Description
技术领域
本发明涉及智能家居技术领域,尤其涉及一种基于神经网络的智能家居异常监测方法及系统。
背景技术
随着智能设备技术的发展,越来越多的智能家居设备被应用在日常的家居环境中,以提高用户的体验,但由于恶意程序或恶意指令引发的智能家居环境的危险事件也开始更频繁地发生,对于智能家居安全监测的重视程度也随之增加。
但现有技术在解决智能家居安全监测时,一般仍然采用的是权限管理的方式来限制特定设备或程序的访问,或是通过对一些明显恶意或预先被识别为病毒的指令或程序进行限制,但这类现有技术由于权限的不可穷举的特性,往往存在漏洞,且效率不高,可见,现有技术存在缺陷,亟需解决。
发明内容
本发明所要解决的技术问题在于,提供一种基于神经网络的智能家居异常监测方法及系统,能够更加准确和实时的预测智能家居指令的风险,提高家居环境的智能程度和安全程度。
为了解决上述技术问题,本发明第一方面公开了一种基于神经网络的智能家居异常监测方法,所述方法包括:
获取目标智能家居环境对应的实时指令集合;
获取所述实时指令集合对应的家居设备的设备状态集合;
将所述实时指令集合和所述设备状态集合,以及预设的人类行为事件集合和环境变化事件集合,输入至训练好的DQN神经网络模型中,以得到所述实时指令集合对应的风险预测参数;所述DQN神经网络模型通过包括有多个训练用事件和训练用指令和对应的风险值标注的训练数据集训练得到;
根据所述实时指令集合对应的所述风险预测参数,确定所述实时指令集合对应的执行策略。
作为一种可选的实施方式,在本发明第一方面中,所述获取目标智能家居环境对应的实时指令集合,包括:
在目标智能家居环境的智能家居设备内设置中间件;
基于所述中间件实时获取所述目标智能家居环境中多个智能家居设备发送或准备接收的多个指令;
筛选出所述多个指令中满足预设的指令时间间隔规则和指令关联规则的指令,确定为实时指令集合。
作为一种可选的实施方式,在本发明第一方面中,所述指令时间间隔规则用于限制所述实时指令集合中任意两个指令的指令时间之间的时间差小于预设的时间差阈值;所述指令关联规则用于限制所述实时指令集合中的所有指令关联至同一操作事件。
作为一种可选的实施方式,在本发明第一方面中,所述将所述实时指令集合和所述设备状态集合,以及预设的人类行为事件集合和环境变化事件集合,输入至训练好的DQN神经网络模型中,以得到所述实时指令集合对应的风险预测参数,包括:
将所述实时指令集合中的第i个指令和当前设备状态,输入至训练好的DQN神经网络模型中,以得到所述第i个指令对应的指令危险预测结果和更新后的当前设备状态;所述i初始为1;所述当前设备状态初始为所述设备状态集合;
从预设的人类行为事件集合和环境变化事件集合中确定出目标事件,并将所述目标事件和所述更新后的设备状态,输入所述DQN神经网络模型中,以得到所述第i个指令对应的交互危险预测结果以及更新后的当前设备状态;
将i加1;
重复以上步骤直至得到实时指令集合中的所有所述指令对应的所述指令危险预测结果和所述交互危险预测结果。
作为一种可选的实施方式,在本发明第一方面中,所述从预设的人类行为事件集合和环境变化事件集合中确定出目标事件,包括:
计算预设的人类行为事件集合和环境变化事件集合中每一事件对应的在所述DQN神经网络模型中的风险预测值;
将所述风险预测值最高的所述事件确定为目标事件。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述实时指令集合对应的所述风险预测参数,确定所述实时指令集合对应的执行策略,包括:
判断所述实时指令集合中所有指令对应的所述指令危险预测结果和所述交互危险预测结果均为无危险结果,得到第一判断结果;
若所述第一判断结果为是,确定所述实时指令集合对应的执行策略是全部执行;
若所述第一判断结果为否,确定所述实时指令集合对应的执行策略是暂停执行,并根据所述实时指令集合中所有指令对应的所述指令危险预测结果和所述交互危险预测结果,确定所述实时指令集合中每一指令对应的执行参数。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述实时指令集合中所有指令对应的所述指令危险预测结果和所述交互危险预测结果,确定所述实时指令集合中每一指令对应的执行参数,包括:
筛选出所述实时指令集合中所有对应的所述指令危险预测结果或所述交互危险预测结果为有危险结果的指令,得到多个危险指令,并将所述实时指令集合中非所述危险指令的指令确定为安全指令;
将所有所述危险指令的执行参数确定为中止执行;
计算每一所述安全指令的指令时间与相邻的一个或两个安全指令的指令时间之间的时间差参数;所述时间差参数为一个时间差或多个时间差之间的平均值;
计算每一所述安全指令的指令类型与预设的危险指令类型数据之间的相似度;
计算每一所述安全指令的所述时间差参数和所述相似度的加权求和平均值,得到每一所述安全指令对应的安全参数;
将所述安全参数大于预设的参数阈值的所述安全指令的执行参数确定为予以执行,将所述安全参数小于所述参数阈值的所述安全指令的执行参数确定为中止执行。
作为一种可选的实施方式,在本发明第一方面中,所述计算每一所述安全指令的指令类型与预设的危险指令类型数据之间的相似度,包括:
对于任一所述安全指令,根据该安全指令和与该安全指令相邻的安全指令的指令代码,从预设的危险指令类型数据库中筛选出与该安全指令的代码相似度高于相似度阈值的多个危险指令类型数据;每一所述危险指令类型数据包括两个相邻的构成危险指令的指令数据;
计算该安全指令的指令类型和与该安全指令相邻的安全指令的指令类型形成的类型组合参数,与每一所述危险指令类型数据中的指令数据的类型组合参数,之间的第一相似度;
计算该安全指令对应的所有所述第一相似度的平均值,得到该安全指令的指令类型与预设的危险指令类型数据之间的相似度。
本发明第二方面公开了一种基于神经网络的智能家居异常监测系统,所述系统包括:
第一获取模块,用于获取目标智能家居环境对应的实时指令集合;
第二获取模块,用于获取所述实时指令集合对应的家居设备的设备状态集合;
预测模块,用于将所述实时指令集合和所述设备状态集合,以及预设的人类行为事件集合和环境变化事件集合,输入至训练好的DQN神经网络模型中,以得到所述实时指令集合对应的风险预测参数;所述DQN神经网络模型通过包括有多个训练用事件和训练用指令和对应的风险值标注的训练数据集训练得到;
确定模块,用于根据所述实时指令集合对应的所述风险预测参数,确定所述实时指令集合对应的执行策略。
作为一种可选的实施方式,在本发明第二方面中,所述第一获取模块获取目标智能家居环境对应的实时指令集合的具体方式,包括:
在目标智能家居环境的智能家居设备内设置中间件;
基于所述中间件实时获取所述目标智能家居环境中多个智能家居设备发送或准备接收的多个指令;
筛选出所述多个指令中满足预设的指令时间间隔规则和指令关联规则的指令,确定为实时指令集合。
作为一种可选的实施方式,在本发明第二方面中,所述指令时间间隔规则用于限制所述实时指令集合中任意两个指令的指令时间之间的时间差小于预设的时间差阈值;所述指令关联规则用于限制所述实时指令集合中的所有指令关联至同一操作事件。
作为一种可选的实施方式,在本发明第二方面中,所述预测模块将所述实时指令集合和所述设备状态集合,以及预设的人类行为事件集合和环境变化事件集合,输入至训练好的DQN神经网络模型中,以得到所述实时指令集合对应的风险预测参数的具体方式,包括:
将所述实时指令集合中的第i个指令和当前设备状态,输入至训练好的DQN神经网络模型中,以得到所述第i个指令对应的指令危险预测结果和更新后的当前设备状态;所述i初始为1;所述当前设备状态初始为所述设备状态集合;
从预设的人类行为事件集合和环境变化事件集合中确定出目标事件,并将所述目标事件和所述更新后的设备状态,输入所述DQN神经网络模型中,以得到所述第i个指令对应的交互危险预测结果以及更新后的当前设备状态;
将i加1;
重复以上步骤直至得到实时指令集合中的所有所述指令对应的所述指令危险预测结果和所述交互危险预测结果。
作为一种可选的实施方式,在本发明第二方面中,所述预测模块从预设的人类行为事件集合和环境变化事件集合中确定出目标事件的具体方式,包括:
计算预设的人类行为事件集合和环境变化事件集合中每一事件对应的在所述DQN神经网络模型中的风险预测值;
将所述风险预测值最高的所述事件确定为目标事件。
作为一种可选的实施方式,在本发明第二方面中,所述确定模块根据所述实时指令集合对应的所述风险预测参数,确定所述实时指令集合对应的执行策略的具体方式,包括:
判断所述实时指令集合中所有指令对应的所述指令危险预测结果和所述交互危险预测结果均为无危险结果,得到第一判断结果;
若所述第一判断结果为是,确定所述实时指令集合对应的执行策略是全部执行;
若所述第一判断结果为否,确定所述实时指令集合对应的执行策略是暂停执行,并根据所述实时指令集合中所有指令对应的所述指令危险预测结果和所述交互危险预测结果,确定所述实时指令集合中每一指令对应的执行参数。
作为一种可选的实施方式,在本发明第二方面中,所述确定模块根据所述实时指令集合中所有指令对应的所述指令危险预测结果和所述交互危险预测结果,确定所述实时指令集合中每一指令对应的执行参数的具体方式,包括:
筛选出所述实时指令集合中所有对应的所述指令危险预测结果或所述交互危险预测结果为有危险结果的指令,得到多个危险指令,并将所述实时指令集合中非所述危险指令的指令确定为安全指令;
将所有所述危险指令的执行参数确定为中止执行;
计算每一所述安全指令的指令时间与相邻的一个或两个安全指令的指令时间之间的时间差参数;所述时间差参数为一个时间差或多个时间差之间的平均值;
计算每一所述安全指令的指令类型与预设的危险指令类型数据之间的相似度;
计算每一所述安全指令的所述时间差参数和所述相似度的加权求和平均值,得到每一所述安全指令对应的安全参数;
将所述安全参数大于预设的参数阈值的所述安全指令的执行参数确定为予以执行,将所述安全参数小于所述参数阈值的所述安全指令的执行参数确定为中止执行。
作为一种可选的实施方式,在本发明第二方面中,所述确定模块计算每一所述安全指令的指令类型与预设的危险指令类型数据之间的相似度的具体方式,包括:
对于任一所述安全指令,根据该安全指令和与该安全指令相邻的安全指令的指令代码,从预设的危险指令类型数据库中筛选出与该安全指令的代码相似度高于相似度阈值的多个危险指令类型数据;每一所述危险指令类型数据包括两个相邻的构成危险指令的指令数据;
计算该安全指令的指令类型和与该安全指令相邻的安全指令的指令类型形成的类型组合参数,与每一所述危险指令类型数据中的指令数据的类型组合参数,之间的第一相似度;
计算该安全指令对应的所有所述第一相似度的平均值,得到该安全指令的指令类型与预设的危险指令类型数据之间的相似度。
本发明第三方面公开了另一种基于神经网络的智能家居异常监测系统,所述系统包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明第一方面公开的基于神经网络的智能家居异常监测方法中的部分或全部步骤。
与现有技术相比,本发明具有以下有益效果:
本发明能够根据家居设备的指令集合和设备状态以及预设的人类行为和环境变化事件,通过神经网络算法来预测指令的风险性,并以此确定指令的执行策略,从而能够更加准确和实时的预测智能家居指令的风险,提高家居环境的智能程度和安全程度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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是本发明实施例公开的一种基于神经网络的智能家居异常监测方法的流程示意图;
图2是本发明实施例公开的一种基于神经网络的智能家居异常监测系统的结构示意图;
图3是本发明实施例公开的另一种基于神经网络的智能家居异常监测系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或端没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于神经网络的智能家居异常监测方法及系统,能够根据家居设备的指令集合和设备状态以及预设的人类行为和环境变化事件,通过神经网络算法来预测指令的风险性,并以此确定指令的执行策略,从而能够更加准确和实时的预测智能家居指令的风险,提高家居环境的智能程度和安全程度。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种基于神经网络的智能家居异常监测方法的流程示意图。其中,图1所描述的方法可以应用于相应的智能家居监测数据处理设备、智能家居监测数据处理终端、智能家居监测数据处理服务器中,且该服务器可以是本地服务器,也可以是云服务器,本发明实施例不做限定如图1所示,该基于神经网络的智能家居异常监测方法可以包括以下操作:
101、获取目标智能家居环境对应的实时指令集合。
102、获取实时指令集合对应的家居设备的设备状态集合。
103、将实时指令集合和设备状态集合,以及预设的人类行为事件集合和环境变化事件集合,输入至训练好的DQN神经网络模型中,以得到实时指令集合对应的风险预测参数。
具体的,DQN神经网络模型通过包括有多个训练用事件和训练用指令和对应的风险值标注的训练数据集训练得到。
104、根据实时指令集合对应的风险预测参数,确定实时指令集合对应的执行策略。
可见,实施本发明实施例所描述的方法能够根据家居设备的指令集合和设备状态以及预设的人类行为和环境变化事件,通过神经网络算法来预测指令的风险性,并以此确定指令的执行策略,从而能够更加准确和实时的预测智能家居指令的风险,提高家居环境的智能程度和安全程度。
作为一种可选的实施例,上述步骤中的,获取目标智能家居环境对应的实时指令集合,包括:
在目标智能家居环境的智能家居设备内设置中间件;
基于中间件实时获取目标智能家居环境中多个智能家居设备发送或准备接收的多个指令;
筛选出多个指令中满足预设的指令时间间隔规则和指令关联规则的指令,确定为实时指令集合。
在一些具体的实施方案中,该中间件设置在智能家居设备与相应的应用程序中,以用于实时抓取目标智能家居环境中多个智能家居设备发送或准备接收的多个指令。可选的,在针对安卓系统的智能家居设备时,该中间件抓取指令的方式,可以为通过hooki ng技术来实现代码级别的抓取,并通过预设的代码分析规则和算法对指令的代码进行分析以识别出该指令的具体的类型或目的。
通过上述实施例,能够通过设置在智能家居设备内的中间件来抓取和分析指令以得到实时指令集合,从而在后续能够及时通过神经网络算法来预测指令的风险性,并以此确定指令的执行策略,可以更加准确和实时的预测智能家居指令的风险,提高家居环境的智能程度和安全程度。
作为一种可选的实施例,指令时间间隔规则用于限制实时指令集合中任意两个指令的指令时间之间的时间差小于预设的时间差阈值。
可选的,指令关联规则用于限制实时指令集合中的所有指令关联至同一操作事件。可选的,指令关联规则可以通过对指令代码中的具体类别的参数进行限定来实现,例如特定目的的指令的代码中的特定参数是相同的,可以通过预先设定代码规则来实现指令关联的识别。
通过上述实施例,能够通过指令时间间隔规则来筛选出短时间连续发出的多个指令作为待识别的指令集合,这是因为大部分情况下可能诱发危险事故的指令都是短时间连续发出的,而间隔较长时间发出的指令一般难以诱发严重的事故,而通过指令关联规则则可以筛选出为同一操作事件发出的多个指令,同样是根据经验得到的可能存在危险的多个指令的规律,从而可以更加准确和实时的预测智能家居指令的风险,提高家居环境的智能程度和安全程度。
作为一种可选的实施例,上述步骤中的,将实时指令集合和设备状态集合,以及预设的人类行为事件集合和环境变化事件集合,输入至训练好的DQN神经网络模型中,以得到实时指令集合对应的风险预测参数,包括:
将实时指令集合中的第i个指令和当前设备状态,输入至训练好的DQN神经网络模型中,以得到第i个指令对应的指令危险预测结果和更新后的当前设备状态;i初始为1;当前设备状态初始为设备状态集合;
从预设的人类行为事件集合和环境变化事件集合中确定出目标事件,并将目标事件和更新后的设备状态,输入DQN神经网络模型中,以得到第i个指令对应的交互危险预测结果以及更新后的当前设备状态;
将i加1;
重复以上步骤直至得到实时指令集合中的所有指令对应的指令危险预测结果和交互危险预测结果。
作为一种可选的实施例,上述步骤中的,从预设的人类行为事件集合和环境变化事件集合中确定出目标事件,包括:
计算预设的人类行为事件集合和环境变化事件集合中每一事件对应的在DQN神经网络模型中的风险预测值;
将风险预测值最高的事件确定为目标事件。
通过上述实施例,能够通过不断循环计算实时指令集合中的指令与当前设备状态的交互风险可能性以及对设备状态的实时更新,再通过人类行为事件集合和环境变化事件集合中的高风险事件不断继续预测其对更新后的设备状态可能导致的风险,从而能够充分评估指令集合中每一指令对设备的指令危险预测结果和交互危险预测结果,可以更加准确和实时的预测智能家居指令的风险,提高家居环境的智能程度和安全程度。
在一个具体的实施方案中,DQN神经网络模型的Q函数被定义为对模型函数每一步采取的动作的风险值的累计,其中该动作可以为人类行为事件集合和环境变化事件集合中的事件,或是设备的指令,其训练时的损失函数被定义为迭代过程中目标网络和近似网络的Q函数之间的差值,并通过最小化每次迭代的损失函数来训练该模型直至收敛,则上述步骤中的,将风险预测值最高的事件确定为目标事件时,计算每一事件的风险预测值的方式,也是通过该Q函数对不同事件的风险值进行计算来实现。
作为一种可选的实施例,上述步骤中的,根据实时指令集合对应的风险预测参数,确定实时指令集合对应的执行策略,包括:
判断实时指令集合中所有指令对应的指令危险预测结果和交互危险预测结果均为无危险结果,得到第一判断结果;
若第一判断结果为是,确定实时指令集合对应的执行策略是全部执行;
若第一判断结果为否,确定实时指令集合对应的执行策略是暂停执行,并根据实时指令集合中所有指令对应的指令危险预测结果和交互危险预测结果,确定实时指令集合中每一指令对应的执行参数。
在一些情况下,若第一判断结果为否,可以决定整个实时指令集合的所有指令都停止执行,以最大程度提高安全性。
通过上述实施例,能够通过对所有指令对应的指令危险预测结果和交互危险预测结果进行判断以确定是否要执行指令集合,以实现对指令集合的执行策略的确定,从而能够提高家居环境的智能程度和安全程度。
作为一种可选的实施例,上述步骤中的,根据实时指令集合中所有指令对应的指令危险预测结果和交互危险预测结果,确定实时指令集合中每一指令对应的执行参数,包括:
筛选出实时指令集合中所有对应的指令危险预测结果或交互危险预测结果为有危险结果的指令,得到多个危险指令,并将实时指令集合中非危险指令的指令确定为安全指令;
将所有危险指令的执行参数确定为中止执行;
计算每一安全指令的指令时间与相邻的一个或两个安全指令的指令时间之间的时间差参数;时间差参数为一个时间差或多个时间差之间的平均值;
计算每一安全指令的指令类型与预设的危险指令类型数据之间的相似度;
计算每一安全指令的时间差参数和相似度的加权求和平均值,得到每一安全指令对应的安全参数;
将安全参数大于预设的参数阈值的安全指令的执行参数确定为予以执行,将安全参数小于参数阈值的安全指令的执行参数确定为中止执行。
通过上述实施例,能够根据安全指令与相邻事件的安全指令的时间差和危险类型相似度,来进一步确定安全指令的执行策略,以实现对指令集合的执行策略的确定,从而能够在保证指令执行效率的同时,提高家居环境的智能程度和安全程度。
作为一种可选的实施例,上述步骤中的,计算每一安全指令的指令类型与预设的危险指令类型数据之间的相似度,包括:
对于任一安全指令,根据该安全指令和与该安全指令相邻的安全指令的指令代码,从预设的危险指令类型数据库中筛选出与该安全指令的代码相似度高于相似度阈值的多个危险指令类型数据;每一危险指令类型数据包括两个相邻的构成危险指令的指令数据;
计算该安全指令的指令类型和与该安全指令相邻的安全指令的指令类型形成的类型组合参数,与每一危险指令类型数据中的指令数据的类型组合参数,之间的第一相似度;
计算该安全指令对应的所有第一相似度的平均值,得到该安全指令的指令类型与预设的危险指令类型数据之间的相似度。
通过上述实施例,能够计算安全指令的指令类型和与安全指令相邻的安全指令的指令类型形成的类型组合参数,与每一危险指令类型数据中的指令数据的类型组合参数,之间的相似度,从而在后续能够以此确定安全指令的安全程度,以在保证指令执行效率的同时,提高家居环境的智能程度和安全程度。
实施例二
请参阅图2,图2是本发明实施例公开的一种基于神经网络的智能家居异常监测系统的结构示意图。其中,图2所描述的系统可以应用于相应的智能家居监测数据处理设备、智能家居监测数据处理终端、智能家居监测数据处理服务器中,且该服务器可以是本地服务器,也可以是云服务器,本发明实施例不做限定。如图2所示,该系统可以包括:
第一获取模块201,用于获取目标智能家居环境对应的实时指令集合;
第二获取模块202,用于获取实时指令集合对应的家居设备的设备状态集合;
预测模块203,用于将实时指令集合和设备状态集合,以及预设的人类行为事件集合和环境变化事件集合,输入至训练好的DQN神经网络模型中,以得到实时指令集合对应的风险预测参数;DQN神经网络模型通过包括有多个训练用事件和训练用指令和对应的风险值标注的训练数据集训练得到;
确定模块204,用于根据实时指令集合对应的风险预测参数,确定实时指令集合对应的执行策略。
作为一种可选的实施例,第一获取模块201获取目标智能家居环境对应的实时指令集合的具体方式,包括:
在目标智能家居环境的智能家居设备内设置中间件;
基于中间件实时获取目标智能家居环境中多个智能家居设备发送或准备接收的多个指令;
筛选出多个指令中满足预设的指令时间间隔规则和指令关联规则的指令,确定为实时指令集合。
作为一种可选的实施例,指令时间间隔规则用于限制实时指令集合中任意两个指令的指令时间之间的时间差小于预设的时间差阈值;指令关联规则用于限制实时指令集合中的所有指令关联至同一操作事件。
作为一种可选的实施例,预测模块203将实时指令集合和设备状态集合,以及预设的人类行为事件集合和环境变化事件集合,输入至训练好的DQN神经网络模型中,以得到实时指令集合对应的风险预测参数的具体方式,包括:
将实时指令集合中的第i个指令和当前设备状态,输入至训练好的DQN神经网络模型中,以得到第i个指令对应的指令危险预测结果和更新后的当前设备状态;i初始为1;当前设备状态初始为设备状态集合;
从预设的人类行为事件集合和环境变化事件集合中确定出目标事件,并将目标事件和更新后的设备状态,输入DQN神经网络模型中,以得到第i个指令对应的交互危险预测结果以及更新后的当前设备状态;
将i加1;
重复以上步骤直至得到实时指令集合中的所有指令对应的指令危险预测结果和交互危险预测结果。
作为一种可选的实施例,预测模块203从预设的人类行为事件集合和环境变化事件集合中确定出目标事件的具体方式,包括:
计算预设的人类行为事件集合和环境变化事件集合中每一事件对应的在DQN神经网络模型中的风险预测值;
将风险预测值最高的事件确定为目标事件。
作为一种可选的实施例,确定模块204根据实时指令集合对应的风险预测参数,确定实时指令集合对应的执行策略的具体方式,包括:
判断实时指令集合中所有指令对应的指令危险预测结果和交互危险预测结果均为无危险结果,得到第一判断结果;
若第一判断结果为是,确定实时指令集合对应的执行策略是全部执行;
若第一判断结果为否,确定实时指令集合对应的执行策略是暂停执行,并根据实时指令集合中所有指令对应的指令危险预测结果和交互危险预测结果,确定实时指令集合中每一指令对应的执行参数。
作为一种可选的实施例,确定模块204根据实时指令集合中所有指令对应的指令危险预测结果和交互危险预测结果,确定实时指令集合中每一指令对应的执行参数的具体方式,包括:
筛选出实时指令集合中所有对应的指令危险预测结果或交互危险预测结果为有危险结果的指令,得到多个危险指令,并将实时指令集合中非危险指令的指令确定为安全指令;
将所有危险指令的执行参数确定为中止执行;
计算每一安全指令的指令时间与相邻的一个或两个安全指令的指令时间之间的时间差参数;时间差参数为一个时间差或多个时间差之间的平均值;
计算每一安全指令的指令类型与预设的危险指令类型数据之间的相似度;
计算每一安全指令的时间差参数和相似度的加权求和平均值,得到每一安全指令对应的安全参数;
将安全参数大于预设的参数阈值的安全指令的执行参数确定为予以执行,将安全参数小于参数阈值的安全指令的执行参数确定为中止执行。
作为一种可选的实施例,确定模块204计算每一安全指令的指令类型与预设的危险指令类型数据之间的相似度的具体方式,包括:
对于任一安全指令,根据该安全指令和与该安全指令相邻的安全指令的指令代码,从预设的危险指令类型数据库中筛选出与该安全指令的代码相似度高于相似度阈值的多个危险指令类型数据;每一危险指令类型数据包括两个相邻的构成危险指令的指令数据;
计算该安全指令的指令类型和与该安全指令相邻的安全指令的指令类型形成的类型组合参数,与每一危险指令类型数据中的指令数据的类型组合参数,之间的第一相似度;
计算该安全指令对应的所有第一相似度的平均值,得到该安全指令的指令类型与预设的危险指令类型数据之间的相似度。
具体的,本实施例二中的各个模块和方案的技术效果可以参照实施例一中的表述,在此不再赘述。
实施例三
请参阅图3,图3是本发明实施例公开的另一种基于神经网络的智能家居异常监测系统的结构示意图。如图3所示,该系统可以包括:
存储有可执行程序代码的存储器301;
与存储器301耦合的处理器302;
处理器302调用存储器301中存储的可执行程序代码,执行本发明实施例一公开的基于神经网络的智能家居异常监测方法中的部分或全部步骤。
实施例四
本发明实施例公开了一种计算机存储介质,该计算机存储介质存储有计算机指令,该计算机指令被调用时,用于执行本发明实施例一公开的基于神经网络的智能家居异常监测方法中的部分或全部步骤。
以上所描述的系统实施例仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种基于神经网络的智能家居异常监测方法及系统所揭露的仅为本发明较佳实施例而已,仅用于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项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;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种基于神经网络的智能家居异常监测方法,其特征在于,所述方法包括:
获取目标智能家居环境对应的实时指令集合;
获取所述实时指令集合对应的家居设备的设备状态集合;
将所述实时指令集合和所述设备状态集合,以及预设的人类行为事件集合和环境变化事件集合,输入至训练好的DQN神经网络模型中,以得到所述实时指令集合对应的风险预测参数;所述DQN神经网络模型通过包括有多个训练用事件和训练用指令和对应的风险值标注的训练数据集训练得到;
根据所述实时指令集合对应的所述风险预测参数,确定所述实时指令集合对应的执行策略。
2.根据权利要求1所述的基于神经网络的智能家居异常监测方法,其特征在于,所述获取目标智能家居环境对应的实时指令集合,包括:
在目标智能家居环境的智能家居设备内设置中间件;
基于所述中间件实时获取所述目标智能家居环境中多个智能家居设备发送或准备接收的多个指令;
筛选出所述多个指令中满足预设的指令时间间隔规则和指令关联规则的指令,确定为实时指令集合。
3.根据权利要求2所述的基于神经网络的智能家居异常监测方法,其特征在于,所述指令时间间隔规则用于限制所述实时指令集合中任意两个指令的指令时间之间的时间差小于预设的时间差阈值;所述指令关联规则用于限制所述实时指令集合中的所有指令关联至同一操作事件。
4.根据权利要求1所述的基于神经网络的智能家居异常监测方法,其特征在于,所述将所述实时指令集合和所述设备状态集合,以及预设的人类行为事件集合和环境变化事件集合,输入至训练好的DQN神经网络模型中,以得到所述实时指令集合对应的风险预测参数,包括:
将所述实时指令集合中的第i个指令和当前设备状态,输入至训练好的DQN神经网络模型中,以得到所述第i个指令对应的指令危险预测结果和更新后的当前设备状态;所述i初始为1;所述当前设备状态初始为所述设备状态集合;
从预设的人类行为事件集合和环境变化事件集合中确定出目标事件,并将所述目标事件和所述更新后的设备状态,输入所述DQN神经网络模型中,以得到所述第i个指令对应的交互危险预测结果以及更新后的当前设备状态;
将i加1;
重复以上步骤直至得到实时指令集合中的所有所述指令对应的所述指令危险预测结果和所述交互危险预测结果。
5.根据权利要求4所述的基于神经网络的智能家居异常监测方法,其特征在于,所述从预设的人类行为事件集合和环境变化事件集合中确定出目标事件,包括:
计算预设的人类行为事件集合和环境变化事件集合中每一事件对应的在所述DQN神经网络模型中的风险预测值;
将所述风险预测值最高的所述事件确定为目标事件。
6.根据权利要求4所述的基于神经网络的智能家居异常监测方法,其特征在于,所述根据所述实时指令集合对应的所述风险预测参数,确定所述实时指令集合对应的执行策略,包括:
判断所述实时指令集合中所有指令对应的所述指令危险预测结果和所述交互危险预测结果均为无危险结果,得到第一判断结果;
若所述第一判断结果为是,确定所述实时指令集合对应的执行策略是全部执行;
若所述第一判断结果为否,确定所述实时指令集合对应的执行策略是暂停执行,并根据所述实时指令集合中所有指令对应的所述指令危险预测结果和所述交互危险预测结果,确定所述实时指令集合中每一指令对应的执行参数。
7.根据权利要求6所述的基于神经网络的智能家居异常监测方法,其特征在于,所述根据所述实时指令集合中所有指令对应的所述指令危险预测结果和所述交互危险预测结果,确定所述实时指令集合中每一指令对应的执行参数,包括:
筛选出所述实时指令集合中所有对应的所述指令危险预测结果或所述交互危险预测结果为有危险结果的指令,得到多个危险指令,并将所述实时指令集合中非所述危险指令的指令确定为安全指令;
将所有所述危险指令的执行参数确定为中止执行;
计算每一所述安全指令的指令时间与相邻的一个或两个安全指令的指令时间之间的时间差参数;所述时间差参数为一个时间差或多个时间差之间的平均值;
计算每一所述安全指令的指令类型与预设的危险指令类型数据之间的相似度;
计算每一所述安全指令的所述时间差参数和所述相似度的加权求和平均值,得到每一所述安全指令对应的安全参数;
将所述安全参数大于预设的参数阈值的所述安全指令的执行参数确定为予以执行,将所述安全参数小于所述参数阈值的所述安全指令的执行参数确定为中止执行。
8.根据权利要求7所述的基于神经网络的智能家居异常监测方法,其特征在于,所述计算每一所述安全指令的指令类型与预设的危险指令类型数据之间的相似度,包括:
对于任一所述安全指令,根据该安全指令和与该安全指令相邻的安全指令的指令代码,从预设的危险指令类型数据库中筛选出与该安全指令的代码相似度高于相似度阈值的多个危险指令类型数据;每一所述危险指令类型数据包括两个相邻的构成危险指令的指令数据;
计算该安全指令的指令类型和与该安全指令相邻的安全指令的指令类型形成的类型组合参数,与每一所述危险指令类型数据中的指令数据的类型组合参数,之间的第一相似度;
计算该安全指令对应的所有所述第一相似度的平均值,得到该安全指令的指令类型与预设的危险指令类型数据之间的相似度。
9.一种基于神经网络的智能家居异常监测系统,其特征在于,所述系统包括:
第一获取模块,用于获取目标智能家居环境对应的实时指令集合;
第二获取模块,用于获取所述实时指令集合对应的家居设备的设备状态集合;
预测模块,用于将所述实时指令集合和所述设备状态集合,以及预设的人类行为事件集合和环境变化事件集合,输入至训练好的DQN神经网络模型中,以得到所述实时指令集合对应的风险预测参数;所述DQN神经网络模型通过包括有多个训练用事件和训练用指令和对应的风险值标注的训练数据集训练得到;
确定模块,用于根据所述实时指令集合对应的所述风险预测参数,确定所述实时指令集合对应的执行策略。
10.一种基于神经网络的智能家居异常监测系统,其特征在于,所述系统包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-8任一项所述的基于神经网络的智能家居异常监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311212237.1A CN117131379A (zh) | 2023-09-19 | 2023-09-19 | 基于神经网络的智能家居异常监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311212237.1A CN117131379A (zh) | 2023-09-19 | 2023-09-19 | 基于神经网络的智能家居异常监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117131379A true CN117131379A (zh) | 2023-11-28 |
Family
ID=88856459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311212237.1A Pending CN117131379A (zh) | 2023-09-19 | 2023-09-19 | 基于神经网络的智能家居异常监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117131379A (zh) |
-
2023
- 2023-09-19 CN CN202311212237.1A patent/CN117131379A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112800116B (zh) | 一种业务数据的异常检测方法及装置 | |
CN103593609B (zh) | 一种可信行为识别的方法和装置 | |
CN109299135A (zh) | 基于识别模型的异常查询识别方法、识别设备及介质 | |
CN112437439B (zh) | 基于人工智能和特征分析的热点共享方法及大数据云平台 | |
CN107682317B (zh) | 建立数据检测模型的方法、数据检测方法及设备 | |
CN112329811A (zh) | 异常账号识别方法、装置、计算机设备和存储介质 | |
KR101692982B1 (ko) | 로그 분석 및 특징 자동 학습을 통한 위험 감지 및 접근제어 자동화 시스템 | |
JP2015170219A (ja) | アクセス管理方法およびアクセス管理システム | |
CN111259390A (zh) | 一种恶意进程实时监控的方法、设备和计算机设备 | |
CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
CN109753796A (zh) | 一种大数据计算机网络安全防护装置及使用方法 | |
CN116032602A (zh) | 一种自动识别威胁数据的方法、装置、设备及存储介质 | |
CN114329452A (zh) | 一种异常行为检测方法、装置及相关设备 | |
CN114493203A (zh) | 一种安全编排及自动化响应的方法和装置 | |
CN117131379A (zh) | 基于神经网络的智能家居异常监测方法及系统 | |
CN114218034A (zh) | 在大数据场景下的在线办公安防处理方法及大数据服务器 | |
CN113098827B (zh) | 基于态势感知的网络安全预警方法及装置 | |
CN114884712B (zh) | 一种网络资产风险级别信息确定方法、装置、设备及介质 | |
CN113721960A (zh) | 基于rpa和ai的应用程序漏洞修复方法和装置 | |
KR102617150B1 (ko) | 룰 필터링을 이용한 인공지능 기반의 오탐 방지 장치, 방법 및 프로그램 | |
CN112052449A (zh) | 一种恶意文件识别方法、装置、设备及存储介质 | |
CN115206042B (zh) | 工控安全的智能化监测方法、装置、设备及介质 | |
CN117315898A (zh) | 基于用户历史行为习惯的智慧家居安防报警方法及系统 | |
CN116028516A (zh) | 基于计划跟踪的数据更新方法及装置 | |
CN116955456B (zh) | 基于开源情报的舆论数据处理方法及系统 |
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 |