CN118214691A - 一种网络状态异常数据监测方法、装置、设备、介质及产品 - Google Patents

Abstract

本公开实施例公开了一种网络状态异常数据监测方法、装置、设备、介质及产品，该方法包括：根据历史网络状态数据确定目标k近邻值，所述历史网络状态数据包括正常数据和异常数据；基于所述目标k近邻值对实时网络状态数据进行监测，以监测所述实时网络状态数据中的正常数据和异常数据；其中，所述目标k近邻值在满足所述历史网络状态数据中的近邻链接点包括异常数据的情况下确定。本技术方案根据由历史网络状态数据确定的目标k近邻值对实时网络状态数据进行监测，以确定实时网络状态数据中的正常数据和异常数据，保证了在异常数据出现时，可以及时监测到并进行防护，保证了网络运行的安全性和稳定性。

Description

一种网络状态异常数据监测方法、装置、设备、介质及产品

技术领域

本公开实施例涉及数据处理技术领域，尤其涉及一种网络状态异常数据监测方法、装置、设备、介质及产品。

背景技术

电力物联网结合了先进的物联网技术和电力系统，致力于实现对电网的高效、智能化管理。在这一框架下，网络状态同步成为一个至关重要的概念。网络状态同步指的是在电力物联网中确保所有设备和系统按照统一的带宽、时延、丢包率或抖动等参数标准运行，这对于维持电网的稳定性和效率至关重要。在电力物联网中，从发电厂到消费端，包括各种传感器、智能电表、监控设备和控制系统，都需要准确的参数以协调操作。例如，精确的时间标记对于故障检测、电网状态监控、数据收集和分析等方面至关重要，时间同步技术确保了所有这些组件可以无缝地、准确地交换信息，从而提高电网的可靠性和性能。

随着电力物联网向更高级别的自动化和智能化发展，网络状态同步的技术也将变得更加复杂和重要，它不仅是电力系统运行的基础，也是推动未来电力系统创新的关键因素。如果网络状态与参数标准的偏差过大，则该数据可能是无效的、异常的数据，其掺杂在有效或正常的数据中，会影响信息准确性，甚至威胁到电网运行安全。因此，亟需一种有效的方法能够可靠得识别异常数据。

发明内容

本公开实施例提供了一种网络状态异常数据监测方法、装置、设备、介质及产品，实现了对实时网络状态数据中的异常数据的监测。

第一方面，提供了一种网络状态异常数据监测方法，包括：

根据历史网络状态数据确定目标k近邻值，所述历史网络状态数据包括正常数据和异常数据；

基于所述目标k近邻值对实时网络状态数据进行监测，以监测所述实时网络状态数据中的正常数据和异常数据；

其中，所述目标k近邻值在满足所述历史网络状态数据中的近邻链接点包括异常数据的情况下确定。

第二方面，提供了一种网络状态异常数据监测装置，包括：

确定模块，用于根据历史网络状态数据确定目标k近邻值，所述历史网络状态数据包括正常数据和异常数据；

监测模块，用于基于所述目标k近邻值对实时网络状态数据进行监测，以监测所述实时网络状态数据中的正常数据和异常数据；

其中，所述目标k近邻值在满足所述历史网络状态数据中的近邻链接点包括异常数据的情况下确定。

第三方面，提供了一种电子设备，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开实施例上述第一方面所述的网络状态异常数据监测方法。

第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开实施例上述第一方面所述的网络状态异常数据监测方法。

第五方面，提供了一种计算机程序产品，包括计算机程序和/或指令，其特征在于，所述计算机程序和/或指令被处理器执行时实现本公开实施例上述第一方面所述的网络状态异常数据监测方法。

本公开实施例公开了一种网络状态异常数据监测方法、装置、设备、介质及产品，该方法包括：根据历史网络状态数据确定目标k近邻值，所述历史网络状态数据包括正常数据和异常数据；基于所述目标k近邻值对实时网络状态数据进行监测，以监测所述实时网络状态数据中的正常数据和异常数据；其中，所述目标k近邻值在满足所述历史网络状态数据中的近邻链接点包括异常数据的情况下确定。本技术方案根据由历史网络状态数据确定的目标k近邻值对实时网络状态数据进行监测，并确定实时网络状态数据中的正常数据和异常数据。该方法保证了在异常数据出现时，可以及时监测到并进行防护，保证了电力系统安全运行。

应当理解，本部分所描述的内容并非旨在标识本公开实施例的关键或重要特征，也不用于限制本公开实施例的范围。本公开实施例的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本公开实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开实施例的一些实施例，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是本公开实施例一提供的一种网络状态异常数据监测方法的流程图；

图2是本公开实施例二提供的另一种网络状态异常数据监测方法的流程图；

图3是本公开实施例二提供的网络状态异常数据监测过程的实现示意图；

图4是本公开实施例三提供的一种网络状态异常数据监测装置的结构示意图；

图5是本公开实施例提供的一种电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本公开实施例的方案，下面将结合本公开实施例中的附图，对本公开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公开实施例一部分的实施例，而不是全部的实施例。基于本公开实施例中的实施例，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，都应当属于本公开实施例保护的范围。

需要说明的是，本公开实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

图1为本公开实施例一提供的一种网络状态异常数据监测方法的流程图，本实施例可适用于对异常数据进行监测的情况，该方法可以由网络状态异常数据监测装置来执行，该网络状态异常数据监测装置可以采用硬件和/或软件的形式实现，该网络状态异常数据监测装置可配置于电子设备中，电子设备包括但不限于计算机、电脑、终端以及服务器等具有数据处理能力的设备。如图1所示，该方法包括：

S110、根据历史网络状态数据确定目标k近邻值，历史网络状态数据包括正常数据和异常数据。

本实施例中，历史网络状态数据可以是已经记录的本地网络状态数据，例如带宽、时延、丢包率或抖动等数据，还可以是这些网络状态数据与参数标准（如标准带宽、标准时延、标准丢包率或标准抖动等参数）之间的偏差。以钟差数据为例，历史网络状态数据包括历史数据的时钟与标准时钟的差值及其所对应的数据。历史网络状态数据可以包括正常数据和异常数据，其中，正常数据可以是本地数据与相应参数标准的偏差在正常范围内的数据，异常数据可以是本地数据与相应参数标准的偏差在异常范围内的数据。以钟差数据为例，历史网络状态数据可以包括：历史数据A（钟差为0.1秒）、历史数据B（钟差为0.1秒）、历史数据C（钟差为0.5秒），其中，正常数据可以包括：历史数据A（钟差为0.1秒）、历史数据B（钟差为0.1秒）；异常数据可以包括：历史数据C（钟差为0.5秒）。

具体的，通过历史网络状态数据可以确定目标k近邻值，其中，目标k近邻值是k近邻算法中距离数据对象最近邻数据的数量。k近邻算法是一种用于分类和回归机器学习算法，可以通过观察一个数据对象的个最近邻的（/>是正整数）类别分布，或者它们的连续数值，预测该数据对象的类别或数值。示例性的，在一个数据集/>中，距离数据对象/>最近的/>个数据对象组成的集合称为数据对象/>的k近邻，数据对象/>的k近邻可以表示为：

其中，表示数据对象/>和/>之间的距离，/>表示距离数据对象/>第k近邻的数据对象与数据对象/>之间的距离，/>表示数据对象/>的k近邻。

接上述描述，在得到历史网络状态数据后，可以标明历史网络状态数据中的正常数据和异常数据，并生成用于训练的数据集。利用k近邻算法，基于k值进行迭代，得到数据集中每一个的数据对象的k近邻，在该数据对象与至少一个k近邻相互k近邻的情况下，可以将数据对象确定为近邻链接点。本实施例中，近邻链接点可以存储于预设数据结构中，当所述近邻链接点中包含异常数据时停止迭代，可以根据当前的值确定目标k近邻值。

其中，近邻链接点可以是相互k近邻的个数不为0的数据对象，相互k近邻可以理解为数据对象与另一个数据对象互为k近邻，如：当数据对象属于数据对象/>的k近邻，同时数据对象/>属于数据对象/>的k近邻时，数据对象/>和数据对象/>是相互k近邻，可以表示为：

具体的，基于历史网络状态数据生成的数据集，/>可以是数据对象的k近邻的个数，根据/>的数值进行迭代，当迭代到k近邻算法中的近邻链接点中包含异常数据时，可以停止迭代，并基于此时的/>值确定用于监测实时延迟数据的目标k近邻值。

示例性的，当为5时，通过对历史网络状态数据中的数据对象迭代发现近邻链接点中包含异常数据，可以停止迭代，并将4（5-1=4）确定为目标k近邻值。

S120、基于目标k近邻值对实时网络状态数据进行监测，以确定实时网络状态数据中的正常数据和异常数据，其中，目标k近邻值在满足所述历史网络状态数据中的近邻链接点包括异常数据的情况下确定。

本实施例中，在得到目标k近邻值后，可以基于目标k近邻值对实时网络状态数据进行监测，确定所述实时网络状态数据中的正常数据和异常数据。

示例性的，目标k近邻值为4时，可以对实时网络状态数据中的数据对象的4个近邻值进行监测，确定所述实时网络状态数据中的正常数据和异常数据。

本实施例提供了一种网络状态异常数据监测方法，包括：根据历史网络状态数据确定目标k近邻值，所述历史网络状态数据包括正常数据和异常数据；基于所述目标k近邻值对实时网络状态数据进行监测，以监测所述实时网络状态数据中的正常数据和异常数据；其中，所述目标k近邻值在满足所述历史网络状态数据中的近邻链接点包括异常数据的情况下确定。该方法保证了在异常数据出现或攻击发生时，可以及时监测到并进行防护，保证了电力系统安全运行。

作为一种可选的实施方式，本实施例提供的网络状态异常数据监测方法还可以包括：

a1）剔除所述实时网络状态数据中的异常数据；

具体的，通过目标k近邻值监测到实时网络状态数据中包括异常数据时，可以剔除所述实时网络状态数据中的异常数据。

b1）根据所述实时网络状态数据中的正常数据对应的网络状态确定标准网络状态。

接上述描述，对所述实时网络状态数据中的异常数据进行剔除后，可以根据实时网络状态数据中的正常数据对应的网络状态确定标准网络状态，所述标准网络状态可以是实时网络状态数据中的正常数据对应的网络状态的平均值。在一些实施例中，也不排除用其他计算方式确定标准网络状态，例如，可以是实时网络状态数据中的正常数据对应的网络状态的中值或众数等。在此基础上，可准确确定实时网络状态数据的标准网络状态，确保实时网络状态数据的同步效果，提高数据质量。

作为一种可选的实施方式，网络状态数据可以为钟差数据；

基于目标k近邻值对实时网络状态数据进行监测，包括：

a2）根据标准时钟对实时时延数据取钟差，得到实时网络状态数据；

本实施例中，标准时钟可以是用于精确定义时间单位的时钟，本实施例中，标准时钟可以是卫星标准时钟。具体的，在得到实时时延数据后，可以确定所述实时时延数据的接收时间，根据标准时钟可以计算实时时延数据的钟差。其中，所述实时时延数据可以是实时接收的产生延时的数据。

示例性的，实时时延数据在卫星标准时钟下对应的时刻为8:00:00，而在电子设备本地对应的时刻为8:00:01，则实时时延数据/>的钟差为1秒。

b2）遍历所述实时网络状态数据中的每个数据对象，对于当前遍历的所述数据对象，基于所述目标k近邻值确定所述数据对象的k近邻点，若所述数据对象与任意一个k近邻点为相互k近邻，则所述数据对象为正常数据，若所述数据对象与任意一个k近邻点均不为相互k近邻，则所述数据对象为异常数据。

示例性的，在得到实时网络状态数据后，可以遍历实时网络状态数据中的每一个数据对象，对每一个数据对象Q，根据目标k近邻值（记为），确定数据对象Q的/>个近邻点，并记录/>个近邻点的编号，根据编号的大小确定数据对象Q是否与任意一个k近邻点为相互k近邻。若确定数据对象Q与任意一个k近邻点为相互k近邻，则所述对象为正常数据；若数据对象Q与任意一个k近邻点均不相互k近邻，则确定数据对象Q为异常数据。

在此基础上，由于目标k近邻值是根据历史网络状态数据采用迭代的方式确定的最合适的k值，能够保证对实时网络状态数据监测的可靠性，确保数据的同步效果，提高电力系统运行的可靠性及安全性。

实施例二

图2为本实施例二提供的另一种网络状态异常数据监测方法的流程图，本实施例是对上述实施例进一步的细化和扩展，对根据历史网络状态数据通过迭代的方式确定目标k近邻值的过程进行具体描述。如图2所示，该方法包括：

S210、遍历候选值集合中的每个候选值。

本实施例中，候选值集合可以是k近邻算法中的取值的集合。示例性的：候选值集合可以包括2至25的整数，遍历候选值集合中的每个候选值可以是/>值可以从2到25取值，/>值每次产生改变时，都可以对历史网络状态数据进行处理。

S220、基于当前候选值确定历史网络状态数据中的近邻链接点，并将近邻链接点加入至预设数据结构。

具体的，可以遍历候选值结合中的每一个候选值，对于每一个当前候选值，可以基于当前候选值，根据k近邻算法确定历史网络状态数据中的数据对象的相互k近邻。当数据对象的相互k近邻个数不为零，便可以将所述数据对象确定为近邻链接点。

接上述描述，因为在目标k近邻值确定的过程中需要频繁地计算数据对象的相互k近邻，为避免迭代过程中频繁计算数据对象的相互k近邻，可以将近邻链接点保存至预设数据结构中进行存储，其中，所述预设数据结构可以是用来存储近邻链接点的数据结构。在后续迭代时，可以通过查找预设数据结构确定数据对象的任意k近邻，简化了获取数据对象的相互k近邻的过程。需要说明的是，两个互为相互k近邻的点在k值增加时，仍然是相互K近邻点，因此可以将已知的相互k近邻点存储起来以在后续迭代中使用。

具体的，所述预设数据结构可以包括：数组列表、KD树、Ball Tree（球树）、CoverTree（封面树）、动态数据结构和/或优先列队等数据结构。本实施例中，预设数据结构可以是k维树。k维树也可以称为KD树，它是一种用于在多维空间中高效存储和搜索点的数据结构，它是二叉树的变体，可以将多维空间划分为较小的子空间来提高搜索效率。

S230、判断预设数据结构中是否存在异常数据。

需要说明的是，所述预设数据结构中可以存储近邻链接点及其编号。在得到所述预设数据结构后，可以根据编号判断所述预设数据结构中是否存在异常数据。示例性的，可以通过预设数据结构中存储的数据对象的编号判断是否存在异常数据。

示例性的，可以对历史网络状态数据进行初值为0的顺序编号，正常数据的编号最大为30，在训练过程中，当正常数据中的编号出现了40，可以认为编号40对应的数据对象为异常数据。

S240、若预设数据结构中存在异常数据，则根据当前候选值输出目标k近邻值，停止遍历候选值，执行步骤S260。

可以知道的时，若所述预设数据结构中存在异常数据时，基于当前候选值输出目标k近邻值，并且停止遍历候选值。

示例性的，基于值确定所述历史网络状态数据中的近邻链接点，并将近邻链接点存储至k维树中，判断k维树中是否存在异常数据，若存在异常数据，则输出目标k近邻值为，并停止对候选值的遍历。

S250、若预设数据结构中不存在异常数据，则对于当前候选值的操作结束，并遍历下一个候选值，继续执行步骤S220和S230。

可以知道的是，若所述预设数据结构中不存在异常数据时，则对于当前候选值的操作结束，遍历下一个候选值。基于下一个候选值，重复执行步骤S220和S230。

S260、基于目标k近邻值对实时网络状态数据进行监测，以确定实时网络状态数据中的正常数据和异常数据；其中，目标k近邻值在满足历史网络状态数据中的近邻链接点包括异常数据的情况下确定。

本实施例中，目标k近邻值可以是在满足历史网络状态数据中的近邻链接点包括异常数据的情况下确定的。在得到目标k近邻值后，可以根据目标k近邻值对实时网络状态数据中的数据对象进行遍历，确定所述数据对象的k近邻点。

接上述描述，若所述数据对象与任意一个k近邻点为相互k近邻，则确定所述数据对象为正常数据；若所述数据对象与任意一个k近邻点都不为相互k近邻，则确定所述数据对象为异常数据。

本实施例提供了另一种网络状态异常数据监测方法，包括：遍历候选值集合中的每个候选值，对于当前候选值执行以下操作：基于所述当前候选值确定所述历史网络状态数据中的近邻链接点，并将所述近邻链接点加入至预设数据结构；若所述预设数据结构中存在异常数据，则根据所述当前候选值输出目标k近邻值，停止遍历候选值；若所述预设数据结构中不存在异常数据，则对于当前候选值的操作结束；基于所述目标k近邻值对实时网络状态数据进行监测，以确定所述实时网络状态数据中的正常数据和异常数据；其中，所述目标k近邻值在满足所述历史网络状态数据中的近邻链接点包括异常数据的情况下确定。该方法保证了在异常数据出现时，可以及时监测到并进行防护，保证了电力系统安全运行。

作为一种可选的实施方式，所述基于所述当前候选值确定所述历史网络状态数据中的近邻链接点，包括：

遍历所述历史网络状态数据中的每个数据对象，对于当前遍历的所述数据对象执行以下操作：

a3）若所述预设数据结构中包括所述数据对象，则所述数据对象为近邻链接点；

具体的，可以遍历历史网络状态数据中的每一个数据对象，通过在预设数据结构中查找历史网络状态数据中的每一个数据对象，当预设数据结构中包括历史网络状态数据中的数据对象时，则可以确定所述数据对象是近邻链接点。

b3）若所述预设数据结构中不包括所述数据对象，则基于所述当前候选值确定所述数据对象的k近邻点；若所述数据对象与任意一个k近邻点为相互k近邻，则所述数据对象为近邻链接点；若所述数据对象与任意一个k近邻点均不为相互k近邻，则所述数据对象为非近邻链接点。

可以知道的是，可以遍历历史网络状态数据中的每一个数据对象，通过在预设数据结构中查找历史网络状态数据中的每一个数据对象，若所述预设数据结构中不包括所述数据对象，可以基于当前候选值确定所述数据对象的k近邻点。

接上述描述，若所述数据对象与所述数据对象的任意一个的k近邻点为相互k近邻，则可以确定所述数据对象为近邻链接点；若所述数据对象与所述数据对象的任意一个的k近邻点都不为相互k近邻，则可以确定所述数据对象不是近邻链接点。

作为一种可选的实施方式，所述根据所述当前候选值输出目标k近邻值，包括：

将所述当前候选值减1得到目标k近邻值并输出所述目标k近邻值。

需要解释的是，预设数据结构是用于对近邻链接点进行存储的，所述预设数据结构可以用于对所述数据对象是否是近邻链接点进行判断。因此当检测到所述预设数据结构中存在异常数据时，表明此时的候选值k的数值不合适，此时应该停止遍历每个候选值的遍历进程，并将当前候选值减1，得到目标k近邻值并输出所述目标k近邻值。

作为一种可选的实施方式，在遍历所述历史网络状态数据中的每个数据对象之前，还包括：

所述历史网络状态数据中的每个数据对象依次编号，编号值依次从小到大，其中，所述历史网络状态数据中异常数据的编号值大于所述历史网络状态数据中正常数据的编号值。

可以知道的是，在得到历史网络状态数据后，可以对历史网络状态数据中的每个数据对象进行编号，编号值可以依次从小到大，需要说明的是，对历史网络状态数据进行编号时，需要先对正常数据进行编号，正常数据全部编号完成后，对异常数据进行编号，即异常数据的编号值应大于正常数据的编号值，在异常识别的过程中可以通过编号判断是否出现异常数据被识别为正常数据的情况。

以下通过一个具体示例对本申请的网络状态异常数据监测方法进行说明。图3是本公开实施例二提供的网络状态异常数据监测过程的实现示意图，如图3所示：

首先，通过迭代的方式根据历史网络状态数据确定目标k近邻值：步骤1）确定输入和输出，输入为历史网络状态数据的数据集，输出为K近邻法的参数，即目标k近邻值。

步骤2）参数初始化：，/>；其中，/>为迭代的当前候选值，/>为当前遍历的数据对象的编号。

步骤3）扫描数据集，对数据集/>中所有数据对象进行初值为0的顺序编号，注意，可使异常数据的编号值大于正常数据，并记录异常数据的编号值，便于区分，在分类时可清楚的知道有没有异常数据被误判成正常数据，比如当正常数据一类中出现了编号为x，x大于正常数据的编号值，则可知其为异常数据；从数据集/>中选取编号为/>的数据对象/>；

步骤4）通过查找KD树，判断是否为近邻链接点；若是，/>，/>，，/>，跳到步骤4），否则，跳到步骤6），其中，/>表示近邻链接点的集合，也就是KD树中点的集合，/>表示/>的近邻链接点确定结果，其值为/>表示确定为近邻链接点。

步骤5）根据K近邻法，找到的k近邻点，并记录其k近邻点的编号。

步骤6）根据记录的编号，各k近邻点按照从小到大的顺序，依次计算是否是其近邻点，当确定/>是其中一个点的近邻点时停止计算并令/>，/>，/>，并将该状态保存到KD树中，跳到步骤3），否则，跳到步骤7）。

步骤7）如果不是任何一个点的k近邻点，则令/>，/>，表示确定/>非近邻链接点。

步骤8）如果数据集还有未被访问的数据，跳到步骤3），否则，跳到步骤9）。

步骤9）查找KD树其中是否有异常数据，若有，立刻停止迭代，并执行步骤10），输出，作为目标k近邻值，结束训练过程，否则令/>，/>，跳到步骤3）。

步骤10）输出，作为目标k近邻值。

在上述基础上，基于输出的目标k近邻值监测实时网络状态数据，以实时时延数据为例：

步骤11）对实时时延数据取钟差并将其传输到程序中。

步骤12）对于实时网络状态数据中的任意数据对象Q，根据K近邻法和训练过程得 到的目标k近邻值，找到Q的近邻点，并记录其k近邻点的编号。

步骤13）根据记录的编号，由小到大对于每个k近邻点计算Q是否是其k近邻点；

步骤14）当确定Q是其中一个点的近邻点时停止计算并判断其为正常数据。

步骤15）如果Q不是任何一个点的近邻点，则判断其为异常数据并将其剔除。

步骤16）取正常数据的平均值作为正确的钟差。

在此基础上，通过KD树存储近邻链接点，可简化确定近邻链接点的过程，同时，通过目标k近邻点确定正常数据和异常数据，并剔除异常数，保证了在异常数据出现时，可以及时监测到并进行防护，保证了电力系统安全运行可实现对实时网络状态数据中的异常数据的监测，保证钟差数据的正确性，进而保证电力系统运行安全。

实施例三

图4是本公开实施例三提供的一种网络状态异常数据监测装置的结构示意图；如图4所示，该装置包括：确定模块310、监测模块320。

其中，确定模块310，用于根据历史网络状态数据确定目标k近邻值，所述历史网络状态数据包括正常数据和异常数据；

监测模块320，用于基于所述目标k近邻值对实时网络状态数据进行监测，以监测所述实时网络状态数据中的正常数据和异常数据；

其中，所述目标k近邻值在满足所述历史网络状态数据中的近邻链接点包括异常数据的情况下确定。

本公开实施例三提供了一种网络状态异常数据监测装置，保证了在异常数据出现时，可以及时监测到并进行防护，保证了电力系统安全运行。

进一步的，确定模块310还包括：

遍历单元，用于遍历候选值集合中的每个候选值；

近邻链接点确定单元，用于基于所述当前候选值确定所述历史网络状态数据中的近邻链接点，并将所述近邻链接点加入至预设数据结构；

目标k近邻值输出单元，用于若所述预设数据结构中存在异常数据，则根据所述当前候选值输出目标k近邻值，停止遍历候选值；

当前候选值的操作结束单元，用于若所述预设数据结构中不存在异常数据，则对于当前候选值的操作结束。

进一步的，近邻链接点确定单元还可以用于：

遍历所述历史网络状态数据中的每个数据对象，对于当前遍历的所述数据对象执行以下操作：

若所述预设数据结构中包括所述数据对象，则所述数据对象为近邻链接点；

若所述预设数据结构中不包括所述数据对象，则基于所述当前候选值确定所述数据对象的k近邻点；若所述数据对象与任意一个k近邻点为相互k近邻，则所述数据对象为近邻链接点；若所述数据对象与任意一个k近邻点均不为相互k近邻，则所述数据对象为非近邻链接点。

进一步的，目标k近邻值输出单元还可以用于：

将所述当前候选值减1得到目标k近邻值并输出所述目标k近邻值。

进一步的，所述预设数据结构包括k维树。

进一步的，所述装置，还可以包括：

编号模块，用于对所述历史网络状态数据中的每个数据对象依次编号，编号值依次从小到大，其中，所述历史网络状态数据中异常数据的编号值大于所述历史网络状态数据中正常数据的编号值。

进一步的，监测模块320，还可以包括；

取钟差单元，用于根据标准时钟对实时时延数据取钟差，得到实时网络状态数据；

监测单元，用于遍历所述实时网络状态数据中的每个数据对象，对于当前遍历的所述数据对象，基于所述目标k近邻值确定所述数据对象的k近邻点，若所述数据对象与任意一个k近邻点为相互k近邻，则所述数据对象为正常数据，若所述数据对象与任意一个k近邻点均不为相互k近邻，则所述数据对象为异常数据。

进一步的，所述装置还包括：

剔除模块，用于剔除所述实时网络状态数据中的异常数据；

钟差确定模块，用于根据所述实时网络状态数据中的正常数据对应的网络状态确定标准网络状态。

本公开实施例所提供的网络状态异常数据监测装置可执行本公开实施例任意实施例所提供的网络状态异常数据监测方法，具备执行方法相应的功能模块和有益效果。

实施例四

图5示出了可以用来实施本公开实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开实施例的实现。

如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器（ROM）12、随机访问存储器（RAM）13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器（ROM）12中的计算机程序或者从存储单元18加载到随机访问存储器（RAM）13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出（I/O）接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微处理器等。处理器11执行上文所描述的各个方法和处理，例如网络状态异常数据监测方法。

在一些实施例中，网络状态异常数据监测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的网络状态异常数据监测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行网络状态异常数据监测方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、负载可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开实施例的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开实施例的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开实施例中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开实施例的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开实施例保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开实施例的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开实施例保护范围之内。

本公开实施例还提供了一种计算机程序产品，包括计算机程序和/或指令，该计算机程序在被处理器执行时实现如本申请任意实施例所提供的网络状态异常数据监测方法。

计算机程序产品在实现的过程中，可以以一种或多种程序设计语言或其组合来编写用于执行本公开实施例操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。

注意，上述仅为本公开实施例的较佳实施例及所运用技术原理。本领域技术人员会理解，本公开实施例不限于这里的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本公开实施例的保护范围。因此，虽然通过以上实施例对本公开实施例进行了较为详细的说明，但是本公开实施例不仅仅限于以上实施例，在不脱离本公开实施例的构思的情况下，还可以包括更多其他等效实施例，而本公开实施例的范围由所附的权利要求范围决定。

Claims (12)

1.一种网络状态异常数据监测方法，其特征在于，包括：

根据历史网络状态数据确定目标k近邻值，所述历史网络状态数据包括正常数据和异常数据，所述目标k近邻值为用于监测实时网络状态数据的任意数据对象对应的k近邻点的数量；

基于所述目标k近邻值对实时网络状态数据进行监测，以确定所述实时网络状态数据中的正常数据和异常数据；

其中，所述目标k近邻值在满足所述历史网络状态数据中的近邻链接点包括异常数据的情况下确定；所述近邻链接点为满足以下条件的数据对象：所述数据对象与所述数据对象的至少一个k近邻点互为k近邻；

其中，所述根据历史网络状态数据确定目标k近邻值，包括：

遍历候选值集合中的每个候选值，对于当前候选值执行以下操作：

基于所述当前候选值确定所述历史网络状态数据中的近邻链接点，并将所述近邻链接点加入至预设数据结构；

若所述预设数据结构中存在异常数据，则根据所述当前候选值输出目标k近邻值，停止遍历候选值；

若所述预设数据结构中不存在异常数据，则对于当前候选值的操作结束；

其中，所述基于所述当前候选值确定所述历史网络状态数据中的近邻链接点，包括：

遍历所述历史网络状态数据中的每个数据对象，对于当前遍历的数据对象执行以下操作：

若所述预设数据结构中包括所述当前遍历的数据对象，则所述当前遍历的数据对象为近邻链接点；

若所述预设数据结构中不包括所述数据对象，则基于所述当前候选值确定所述数据对象的k近邻点；若所述数据对象与任意一个k近邻点为相互k近邻，则所述数据对象为近邻链接点；若所述数据对象与任意一个k近邻点均不为相互k近邻，则所述数据对象为非近邻链接点。

2.根据权利要求1所述的方法，其特征在于，所述根据所述当前候选值输出目标k近邻值，包括：

将所述当前候选值减1得到目标k近邻值并输出所述目标k近邻值。

3.根据权利要求1所述的方法，其特征在于，所述预设数据结构包括k维树。

4.根据权利要求1所述的方法，其特征在于，在遍历所述历史网络状态数据中的每个数据对象之前，还包括；

所述历史网络状态数据中的每个数据对象依次编号，编号值依次从小到大，其中，所述历史网络状态数据中异常数据的编号值大于所述历史网络状态数据中正常数据的编号值。

5.根据权利要求1所述的方法，其特征在于，基于所述目标k近邻值对实时网络状态数据进行监测，包括：

遍历所述实时网络状态数据中的每个数据对象，对于所述实时网络状态数据中当前遍历的所述数据对象，基于所述目标k近邻值确定所述实时网络状态数据中当前遍历的数据对象的k近邻点，若所述实时网络状态数据中当前遍历的数据对象与任意一个k近邻点为相互k近邻，则所述实时网络状态数据中当前遍历的数据对象为正常数据，若所述实时网络状态数据中当前遍历的数据对象与任意一个k近邻点均不为相互k近邻，则所述实时网络状态数据中当前遍历的数据对象为异常数据。

6.根据权利要求1-5任一项所述的方法，其特征在于，还包括：

剔除所述实时网络状态数据中的异常数据；

根据所述实时网络状态数据中的正常数据对应的网络状态确定标准网络状态。

7.一种网络状态异常数据监测装置，其特征在于，包括：

确定模块，用于根据历史网络状态数据确定目标k近邻值，所述历史网络状态数据包括正常数据和异常数据，所述目标k近邻值为用于监测实时网络状态数据的任意数据对象对应的k近邻点的数量；

监测模块，用于基于所述目标k近邻值对实时网络状态数据进行监测，以确定所述实时网络状态数据中的正常数据和异常数据；

其中，所述目标k近邻值在满足所述历史网络状态数据中的近邻链接点包括异常数据的情况下确定；所述近邻链接点为满足以下条件的数据对象：所述数据对象与所述数据对象的至少一个k近邻点互为k近邻；

其中，确定模块还包括：

遍历单元，用于遍历候选值集合中的每个候选值，对于当前候选值执行以下操作：

近邻链接点确定单元，用于基于所述当前候选值确定所述历史网络状态数据中的近邻链接点，并将所述近邻链接点加入至预设数据结构；

目标k近邻值输出单元，用于若所述预设数据结构中存在异常数据，则根据所述当前候选值输出目标k近邻值，停止遍历候选值；

当前候选值的操作结束单元，用于若所述预设数据结构中不存在异常数据，则对于当前候选值的操作结束；

其中，近邻链接点确定单元，还用于：

遍历所述历史网络状态数据中的每个数据对象，对于当前遍历的数据对象执行以下操作：

若所述预设数据结构中包括所述当前遍历的数据对象，则所述当前遍历的数据对象为近邻链接点；

若所述预设数据结构中不包括所述数据对象，则基于所述当前候选值确定所述数据对象的k近邻点；若所述数据对象与任意一个k近邻点为相互k近邻，则所述数据对象为近邻链接点；若所述数据对象与任意一个k近邻点均不为相互k近邻，则所述数据对象为非近邻链接点。

8.根据权利要求7所述的装置，其特征在于，监测模块包括：

监测单元，用于遍历所述实时网络状态数据中的每个数据对象，对于所述实时网络状态数据中当前遍历的所述数据对象，基于所述目标k近邻值确定所述实时网络状态数据中当前遍历的数据对象的k近邻点，若所述实时网络状态数据中当前遍历的数据对象与任意一个k近邻点为相互k近邻，则所述实时网络状态数据中当前遍历的数据对象为正常数据，若所述实时网络状态数据中当前遍历的数据对象与任意一个k近邻点均不为相互k近邻，则所述实时网络状态数据中当前遍历的数据对象为异常数据。

9.根据权利要求7-8任一项所述的装置，其特征在于，还包括：

剔除模块，用于剔除所述实时网络状态数据中的异常数据；

钟差确定模块，用于根据所述实时网络状态数据中的正常数据对应的网络状态确定标准网络状态。

10.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-6中任一所述的网络状态异常数据监测方法。

11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的网络状态异常数据监测方法。

12.一种计算机程序产品，包括计算机程序和/或指令，其特征在于，所述计算机程序和/或指令被处理器执行时实现如权利要求1-6中任一所述的网络状态异常数据监测方法。