TWI635466B - 針對物聯網域之多重感測變化偵測技術 - Google Patents

針對物聯網域之多重感測變化偵測技術 Download PDF

Info

Publication number
TWI635466B
TWI635466B TW104127709A TW104127709A TWI635466B TW I635466 B TWI635466 B TW I635466B TW 104127709 A TW104127709 A TW 104127709A TW 104127709 A TW104127709 A TW 104127709A TW I635466 B TWI635466 B TW I635466B
Authority
TW
Taiwan
Prior art keywords
signals
sensor
combination
distribution
divergence
Prior art date
Application number
TW104127709A
Other languages
English (en)
Other versions
TW201626340A (zh
Inventor
李夫 法維雪弗斯基
艾米泰 亞蒙
Original Assignee
美商英特爾公司
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 美商英特爾公司 filed Critical 美商英特爾公司
Publication of TW201626340A publication Critical patent/TW201626340A/zh
Application granted granted Critical
Publication of TWI635466B publication Critical patent/TWI635466B/zh

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/021—Traffic management, e.g. flow control or congestion control in wireless networks with changing topologies, e.g. ad-hoc networks
    • G—PHYSICS
    • G08—SIGNALLING
    • G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
    • G08C25/00—Arrangements for preventing or correcting errors; Monitoring arrangements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Alarm Systems (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本文大體上描述用於多重感測變化偵測之系統及方法之實例。方法可包括自第一感測器組合接收第一組信號及自多個感測器中之第二感測器組合接收第二組信號，以及判定用於該第一組信號之第一分佈及用於該第二組信號之第二分佈。該方法可包括使用該第一感測器組合及該第二感測器組合、該等多個感測器之計數，及自該第二組信號中之多個信號至該第一組信號中之第一多個最鄰近信號及該第二組信號中之第二多個最鄰近信號之距離來估計該第一分佈與該第二分佈之間的發散度。該方法可包括判定該發散度是否超過閾值。

Description

針對物聯網域之多重感測變化偵測技術
本發明係有關於針對物聯網域之多重感測變化偵測技術。
發明背景
根據一些技術分析，至2020年將存在超過500億連接「物」。此將完全轉變當前基礎建設且將驅動工業、產品及服務中的新革新。在網路連接裝置藉由企業及公司的迅速採用中之最大挑戰之一為複雜性及為將物聯網(IoT)帶至市場而來自各種領域需要的知識。IoT為表示經由諸如網際網路的網路通訊的裝置及系統的術語。裝置及系統可包括創建大量資料的感測器。
依據本發明之一實施例，係特地提出一種多重感測變化偵測系統，其包含：一通訊模組，其用以從多個感測器中之一第一感測器組合接收一第一組信號且從該等多個感測器中之一第二感測器組合接收一第二組信號；以及一處理模組，其用以：判定用於該第一組信號之一第一分佈及用於該第二組信號之一第二分佈；至少部分基於該第 一感測器組合之一計數、該第二感測器組合之一計數、該等多個感測器之一計數、從該第二組信號中之多個信號至該第一組信號中之第一多個最鄰近信號之距離及從該第二組信號中之多個信號至該第二組信號中之第二多個最鄰近信號之距離來估計該第一分佈與該第二分佈之間的一發散度；且判定該發散度是否超過一閾值。
200、300、500‧‧‧系統
202‧‧‧感測器度量N
204‧‧‧模型化
206、308‧‧‧模型感測器差異N
208‧‧‧多重感測變化偵測組件(MCDC)
210‧‧‧警報M
302‧‧‧使用者介面
304‧‧‧組態資料庫
306‧‧‧HBase
310‧‧‧閾值
400、600‧‧‧圖表
402~406‧‧‧樣本
502‧‧‧中介者
504‧‧‧歷史資料庫(HBase)
506‧‧‧AKKA
508‧‧‧模型值緩衝
510‧‧‧感測器度量時間/感測器度量時間聚合
512‧‧‧感測器組合識別(SCID)值緩衝
514‧‧‧警戒引發
702‧‧‧多重感測變化偵測系統
704‧‧‧通訊模組
706‧‧‧警戒模組
708‧‧‧處理模組
800‧‧‧方法
802~810‧‧‧操作
900‧‧‧機器
902‧‧‧硬體處理器
904‧‧‧主記憶體
906‧‧‧靜態記憶體
908‧‧‧互連
910‧‧‧顯示裝置
912‧‧‧文數字輸入裝置
914‧‧‧使用者介面(UI)導航裝置
916‧‧‧儲存裝置
918‧‧‧信號產生裝置
920‧‧‧網路介面裝置
921‧‧‧感測器
922‧‧‧機器可讀取媒體
924‧‧‧資料結構或指令
926‧‧‧通訊網路
928‧‧‧輸出控制器
在不必按比例繪示之圖式中，相同的數字可描述不同視圖中之類似組件。具有不同字母後綴之相同的數字可表示類似組件之不同實例。圖式通常以舉例方式而非以限制方式說明本文件中論述之各種實施例。
圖1A及圖1B為例示根據一實施例之信號變化的圖表；圖2為例示根據一實施例之用於多重感測變化偵測之系統的方塊圖；圖3為例示根據一實施例之用於感測器閾值組合計算之系統的方塊圖；圖4為例示根據一實施例之k-最相鄰者估計的圖表；圖5為例示根據一實施例之用於感測器值緩衝之系統的方塊圖；圖6為例示根據一實施例之信號分配的圖表；圖7為例示根據一實施例之多重感測變化偵測系統的示意圖；圖8為例示根據一實施例之用於多重感測變化偵測之 方法的流程圖。
圖9為例示根據一實施例之示例性機器的方塊圖，本文所論述之技術(例如，方法論)中任何一或多個可在該示例性機器上持行。
較佳實施例之詳細說明
如以上所論述，IoT網路連接裝置將產生挑戰，因為複雜性及需要來實行服務的知識可為高的。基於開放原始碼軟體的雲端IoT分析平臺可經設計以極大地最小化攝取及處理在IoT情形中產生的大量資料之複雜性。另一示例性計算平臺可包括水平平臺，該水平平臺提供不同分析服務，該等不同分析服務可施加至不同垂直分段。
雲端IoT平臺可包括用於自許多裝置及感測器收集資料且將該資料儲存於雲端中的系統(例如，可縮放伺服器系統)。此可致能以規則為基礎的引擎，從而即時使用複雜機器學習技術及先進統計過程控制來提供對過程變化及異常之警告。
雲端IoT平臺可使用變化偵測，該變化偵測為用於偵測系統行為之變化的統計方法。在一實例中，方法監測描述系統的感測器值。若多個感測器之值在一段時間期間的變化為統計上顯著的，則方法產生警告。變化偵測之先前解決方案僅允許單個感測器監測。
先前解決方案利用監測當前單個感測器值與過去單個感測器值之間的相異性之方法，此通常被稱為異常 偵測。一些異常偵測技術係基於統計測試，該等統計測試評估觀察特定值之概率，該特定值為給定先前參考值或參考分佈。此等技術為有限的，因為該等技術經設計來偵測任何短暫變化，且在統計估計中不考慮時間維。異常偵測技術不偵測資料分佈或系統行為之行為，實情為該等異常偵測技術集中於特定異常點。此檢定之一實例為使用已知參考分佈來計算與新值之平均值的標準差之數目及評估值之概率。異常偵測之另一實例為一類支援向量機(SVM)技術。
其他技術使用用於比較分佈之檢定(諸如科摩哥洛夫史密諾夫(Kolmogorov Smirnov)檢定)來執行單感測器變化偵測。科摩哥洛夫史密諾夫檢定將參考時間點之前的感測器之一組值與參考時間點之後的感測器之一組值進行比較。該檢定構建每一組值之一維分佈且量測此兩個分佈之間的距離。若距離超過一定閾值，則引發指示感測器值分佈之閾值變化的警告。
單感測器變化偵測技術為內在有限的，因為該等技術僅處理一維值分佈，此並未採用物聯網之「大資料」本質之全部優點。此等技術由於其一維限制而無法利用同時來自裝置之多個感測器的整個資訊量。因此，單感測器變化偵測技術對於系統變化具有低偵測率及低於最佳偵測率且無法追蹤感測器之間的相關變化。單感測器變化偵測技術之一實例包括科摩哥洛夫史密諾夫檢定。
圖1A及圖1B展示例示根據一實施例之信號變化 的圖表。在圖1A中，展示隨時間推移的組合信號之圖表表示。在圖表中間，異常(或短暫變化)發生。異常偵測技術將能夠偵測此異常。變化偵測技術將亦能夠偵測此異常。在圖1B中，展示組合信號中之移位。異常偵測技術可不偵測此類型之變化，此狀況在考慮該類型之變化之延長時間段時可變得顯著。變化偵測技術將能夠偵測此類型之變化。圖1B中之變化可表示系統行為之一致變化，該一致變化可藉由變化偵測技術但不由異常偵測技術偵測。在圖1A及圖1B中，變化之前的圖表部分可表示過去分佈，變化期間的圖表部分(例如，在圓中)可表示當前分佈，且變化之後的圖表部分可表示未來分佈。
在一實例中，多重感測變化偵測可包括來自多個感測器之信號放大，作為對來自單個感測器之信號之改良，且在一起考慮許多小變化時可獲得高統計顯著性。多重感測變化偵測亦可包括偵測感測器相依性圖案之變化。
在一實例中，多重感測變化偵測可以單感測器變化偵測無法進行的方式利用收集感測資料。例如，方法可用來使用同時來自若干感測器之資訊引發對過程變化之警告。此方法可提供較佳效能，且比單感測器變化偵測展示更多過程變化。
在一實例中、感測器之組合可在物聯網域中用於變化偵測檢定，形成多重感測變化偵測檢定。物聯網域可經特徵化為同時來自多個裝置之各種感測器的連續資訊流，因此多重感測處理及變化偵測為有用的。
多重感測變化偵測亦可計算多重感測變化是否已發生。在每一時間點，可計算量測此組合中的感測器之過去值及未來值之相異性的分數。若相異性超過閾值，則可引發警告。在一實例中，多重感測變化偵測技術尤其適於物聯網域，因為考慮到所需要的資料之大小，多重感測變化偵測技術為準確及有效的，且可以可在物聯網域中為有用的線上串流模式來實行。
方法及技術可超出物聯網域加以使用，例如使用於用於自律環境控制之機器人中及使用於用於即將來臨的攻擊偵測之安全性中。
如以上所論述，現有變化偵測技術每次使用僅一感測器，且因此在該等現有變化偵測技術之能力方面為有限的。為偵測在參考時間點中的感測器值之變化，此等技術應用圍繞參考時間的固定長度之運行視窗，且對此時間視窗中的感測器值執行若干統計檢定。具體而言，時間視窗可經分成兩個不相交子視窗，且科摩哥洛夫史密諾夫檢定可經施加至在此等子視窗中的感測器值分佈之間的量測差異。若根據科摩哥洛夫史密諾夫檢定發現至少一對子視窗具有值之不同分佈，則變化經偵測。若兩個子視窗起源於相同理論分佈，則雙向科摩哥洛夫史密諾夫檢定提供具有兩個子視窗之經驗分佈之間的觀察距離之概率。若分佈低於閾值，則可引發警告。
在一實例中，多重感測變化偵測技術比現有單感測器變化偵測技術更佳，因為多重感測變化偵測藉由同時 自若干感測器收集信號來產生對變化之較高靈敏度。多重感測變化偵測亦可能能夠量測感測器之群組之間的相關之差異，而單感測變化偵測無法進行此舉。
為量測與單感測器變化偵測相比的多重感測變化偵測之效益，若干基準可包括：物聯網之指定安全性應用(以鍵次為基礎的鑒定)；使用分佈之已知變化，在不同模擬資料集合間直接比較多重感測變化偵測及單感測變化偵測；比較可基於量測偵測率，同時維持相同錯誤率(例如，當錯誤率保持恆定時，在多重感測變化偵測中多達8次較佳偵測)；比較可量測感測相關變化之偵測，該等感測相關變化可為不可能使用單感測器變化偵測偵測(例如，高達35%偵測率)。
多重感測變化偵測可在多變量變化偵測之領域中經分類。現有異常偵測技術係基於將一類支援向量機(SVM)使用於多變量概率分佈估計。
關於物聯網域的單感測器變化偵測技術之一缺陷為需要執行一類SVM模型學習，作為用於變化偵測之條件。SVM模型學習為計算上廣泛的方法，因為其涉及求解二次最佳化問題。另外，SVM模型需要用於模型訓練之可為比裝置中的感測器之數目大一個數量級的大量資料點。在物聯網之觀點的情況下，此意味異常偵測技術造成雲端系統上的顯著計算負荷，且由於訓練所需要的大量時間點 而不允許快速線上偵測。
多重感測變化偵測技術分數計算可對於所涉及最佳化技術而言可為快速且直接的。另外，用於強健分數計算的時間視窗中之點之數目對於多重感測變化偵測而言可比異常偵測或單感測器變化偵測低得多的，且多重感測變化偵測警告之固有遲延可極其小。在一實例中，多重感測變化偵測技術能夠在無雲端系統上的高計算負荷的情況下產生快速線上預測，此對於物聯網域而言為一優點。
圖2展示例示根據一實施例之用於多重感測變化偵測之系統200的方塊圖。在一實例中，多重感測變化偵測組件(MCDC)208將基於感測器之預定組合之值產生對裝置感測器資料之異常變化的自動線上警告，諸如警告M 210。感測器之組合可由使用者選擇或自動地判定。感測器N可輸出感測器度量N 202，該感測器度量N可藉由模型化204進行比較。模型化204可輸出用於感測器度量N 202之模型感測器差異N 206。模型感測器差異N 206可在多重感測變化偵測組件208中與一或多個其他模型感測器差異組合。多重感測變化偵測組件208可輸出與所偵測變化有關的一或多個警告，諸如警告M 210。
在一實例中，裝置可為含有一或多個感測器的實體物件或連接至一或多個感測器的實體物件。感測器可為裝置之一部分或使用裝置作為集線器的外部物件。度量可表示自單個感測器獲得的一系列值。例如，度量可包括溫度、濕度、風、速度、地理坐標、聲音等。在一實例中， 資料可經正規化。可在模型化級段中針對每一感測器或針對感測器之組合校準正規化常數。例如，乘法因子常數ki及加法因子常數bi可與每一輸入vi相關，使得正規化方程式可包括。此方程式為一示範性實施例且可使用用於正規化之其他技術。
在一實例中，感測器度量值可經聚合至相同時間間隔，例如，分抽樣。在一實例中，時間視窗中的樣本之數目可為組合中的感測器之數目之數量級，例如，以創建時間視窗大小。
圖3展示例示根據一實施例之用於感測器閾值組合計算之系統300的方塊圖。多重感測變化偵測可包括訓練級段。訓練級段可包括判定閾值，且閾值可遞迴地判定。在一實例中，訓練級段可實行為獨立操作級段。系統300可包括使用者介面302，該使用者介面可允許使用者選擇感測器之組合或用於目標警報率之靈敏度，或感測器之組合或靈敏度可自動地選擇(例如，特定裝置上的所有感測器可包括於組合中)。為訓練多重感測變化偵測技術，訓練組合可由裝置之感測器之子集或由使用者或自動地選擇的感測器組合之子集組成。感測器可為若干感測器組合之一部分。
系統300可包括組態資料庫304以儲存感測器組合及目標警報率。在一實例中，系統300可包括HBase 306以儲存歷史資料。系統300可自特定時間擷取歷史資料及模型感測器差異，諸如模型感測器差異N 308。感測器組合、目標警報率及模型感測器差異可由系統300用來判定用於 模型感測器差異之一或多個組合之視窗分數計算。系統300隨後可使用用於一或多個組合之視窗分數計算來判定用於一或多個組合之閾值。例如，模型感測器差異N 308可與一或多個其他模型感測器差異組合以創建感測器組合(具有識別M或SCID M)，以最終創建用於SCID M之閾值310。閾值310隨後可與所偵測多傳感器進行比較以判定是否發佈警告。若針對感測器組合之所偵測多感測器變化超過用於該組合之閾值，則可發佈警告。
用於將要訓練的每一組合之訓練期可由使用者或自動地選擇。將要訓練的每一組合之目標假警報率f亦可由使用者或自動地選取。目標警報率可包括預置整個裝置警報率之組態，諸如高、中等或低。用於全部組合之目標假警報率可相等。目標假警報率亦可自動地定義，諸如使得每日、每週或每月存在不超過一假警報。可使用用於判定目標假警報率之其他遞迴方法，諸如選擇假警報率與所偵測變化之比率、假警報率與正確警報率之比率或類似者。在另一實例中，使用者可選取用於假警報率之時間段，使得裝置在時間段期間平均輸出一假警報。目標假警報率亦可藉由使用目標正確警報率(例如，無誤否定，此可等於高假警報率)來選擇。
在一實例中，估計可類似於微分熵之估計，諸如在以下方程式中：H(X)=-ʃg(x)log g(x)dx
估計亦可包括直方圖或帕爾森視窗(Parzen-window)估計，諸如在以下方程式中：
此等估計技術之缺點在選取核心φ或以高維數處理詰問中包括困難。
微分熵之k-最鄰近者(KNN)估計可包括：x1、......、xN：樣本；εik--自xi至xi之第k最鄰近者之距離；概率密度之區域估計，諸如：g(x)~
，其中
圖4展示例示根據一實施例之k-最鄰近者估計之圖表400。在圖4中所示之示例性圖表400中，k經設定為等於2，且計算自樣本402至樣本404及樣本406之距離，因為樣本404及406為如由圖表400所示的至樣本402的兩個最鄰近者。若增加k值，則將計算距樣本402的額外樣本距離。若k值減少至1，則將僅計算自樣本402至樣本406之距離。
諸如微分熵之k-最鄰近者(KNN)估計的估計方法可經修改以用來估計Kullback Leibler(KL)發散度。在一實例中，多重感測變化偵測可包括警報閾值(T)之滑動視窗分數計算。如以上所論述，可單獨地訓練每一訓練感測器組合。用於特定時段之訓練資料可以時序方式組織。訓練 資料亦可經正規化，諸如根據如以上所論述之感測器正規化常數。可將滑動視窗施加至資料，且每一時間點可經選取為參考。每一視窗可包括緊接參考點之前的n個(參數)感測器組合值及緊接參考點之後的m個(參數)感測器組合值。對於每一滑動視窗，可計算Kullback Leibler(KL)之k-最鄰近者(KNN)估計(KNN KL)發散度分數。例如，可使用一方程式，其中d表示組合中的感測器之數目。對於過去(ρ)集合中的感測器組合之集合中之每一點，KNN KL發散度估計可判定至過去(ρ)集合中及未來(ν)集合中的感測器組合之集合中之k(參數)最近相鄰者之距離。KNN KL估計方程式可包括判定P，用於過去(ρ)集合之發散度：
KL發散度可包括表示分佈之間的距離。在一實例中，KL發散度可包括當使用基於第二分佈的碼而非使用基於第一分佈的碼來編碼來自第一分佈之樣本所需要的額外位元之預期(或計算)數目。KL發散度亦可並非關於分佈對稱的，諸如當使用來自經編碼至第二分佈的第一分佈之信號及來自經編碼至第一分佈的第二分佈之信號來計算時返回不同結果。KL發散度之KNN估計可避免多維分佈估計。
在另一實例中，多重感測變化偵測技術可包括針對未來(ν)集合中之每一點重複方程式且返回分數F。可使用分數值P加用於給定視窗之F來估計總計發散度分數。
當訓練時，在對於整個訓練集合完成分數之計算之後，可自動地偵測用於分數值之閾值以滿足目標假警報率。所計算分數估計之值(諸如P及F)可以遞減順序排序，其中S(1)為最大分數，且S(w)為最小分數，其中w為在訓練級段計算的分數之數目。可藉由使目標假警報率乘以在訓練級段計算的分數之數目來計算切割索引t，諸如t=f * w。閾值可包括用於切割索引處之特定參考點之KNN KL發散度分數估計，諸如T=S(x)。例如，若存在在訓練級段計算的四個分數，且目標假警報率為50%，則切割索引將為0.5*4=2。隨後，在該實例中，閾值將為用於S(2)之KNN KL發散度分數估計(例如，以遞減順序排序的第二最大分數)。閾值可經儲存於資料庫中以供未來使用。
圖5展示例示根據一實施例之用於感測器值緩衝之系統500的方塊圖。系統500可包括中介者502，諸如電腦或伺服器，以接收感測器度量。系統500亦可包括歷史資料庫(HBase)504以儲存感測器組合閾值或模型感測器資訊。其他資料庫或分散式應用程式可包括於系統500中。模型感測器資訊可由系統500用來緩衝模型值508。在一實例中，感測器資料可經增添至緩衝器，其中緩衝器包括當前感測器資料及剛剛過去感測器資料。在另一實例中，緩衝系統可包括當當前感測器資料經接收時將剛剛過去的感測器資料推進至另一緩衝段，及將當前感測器資料儲存於一緩衝器中且將剛剛過去的感測器資料儲存於第二緩衝器中。在另一實例中，每一感測器可具有用於儲存感測器資料的一 或多個相關聯獨立緩衝器。在系統500中，來自中介者502之緩衝模型感測器資訊及感測器度量可用來聚合感測器度量時間510。感測器度量時間聚合510可用來模型化感測器差異且緩衝感測器組合識別(SCID)值512。系統500可自模型感測器差異及SCID緩衝計算視窗分數。在一實例中，視窗分數計算可與SCID閾值進行比較，以判定視窗分數是否超過SCID閾值，且若視窗分數超過SCID閾值，則引發警告514。警告引發514可包括SCID警告。
在一實例中，在訓練級段之後，多重感測變化偵測可包括檢定級段(或主級段)。資料可根據單位抽樣時間重新抽樣，且可經儲存於線上且經聚合。每一訓練組合可經處理且單獨地保存。在一實例中，可針對每一組合維持(n+m)個先前樣本之視窗。亦可維持其他樣本大小。所儲存資料可經正規化且用於具有相同或類似感測器組合之其他類似裝置。在多重感測變化偵測中，在視窗之更新之後，可計算KNN KL分數。若分數高於訓練閾值，則可針對與閾值及分數有關的感測器之指定組合引發警告。警告可為區域的或遠端的、可聞的、可見的或經發送至使用者，諸如藉由電子郵件、正文式訊息、電話、電子郵件或類似者。
在另一實例中，多重感測變化偵測流程可包括相關於過去的固定點或相關於緊前點偵測變化。相對於參考點的多重感測變化偵測可包括儲存呈L個(參數)月、周、日、小時、分鐘、秒或類似者之形式的過去系統之快照。亦可針對未來視窗之給定大小校準分數閾值(D)。未來視窗點可 在稍後時間擷取，且分數Z可使用以上所描述之多重感測變化偵測技術來計算。若Z>D，則引發警告。
在一實例中，與單感測器方法相比，使用多於一個感測器可包括諸如對於相同假警報率的較高偵測率(例如，多達8次)的效益。使用多於一個感測器亦可包括對感測器相關變化之靈敏度(例如，35%偵測率)的效益。單感測器方法對感測相關變化不敏感。
圖6展示例示根據一實施例之信號分佈的圖表600。多重感測變化偵測技術可正確地識別圖表600中的分佈(諸如所示之橢圓分佈與圓形分佈)之間的差異。依賴一個感測器的技術未能正確地識別圖表600中的分佈之間的差異。
多重感測變化偵測方法、單感測變化偵測方法及異常偵測方法可發現自裝置到達的罕見資料段之短時段叢發，然而，僅多重感測變化偵測可提供全部裝置行為變化之資料。在變化由多重感測變化偵測技術發現之後，裝可經重新校準以繼續該裝置之監測。來自多重感測變化偵測技術之警告不限於否定警告，但亦可包括警告改良之裝置或系統行為，或並非分類為改良或否定的變化。多重感測變化偵測可達成可將高度有價值的資訊帶至使用者的能力，該等能力在異常偵測中或在單感測變化偵測中未發現。
在一實例中，實驗結果可包括表1及表2中之該等資料。表1將KNN KL與科摩哥洛夫史密諾夫檢定進行比較，將KNN KL結果作展示為優於KS結果。
KNN KL估計可利用多維資訊來偵測無法由一維方法偵測的變化，諸如μ之小變化、Σ之小變化或相關ρ之變化。基線資料可使用μ=0及σ=1的正態分佈。此等偵測率之結果展示於表2中。
在一實例中，可對真實資料執行KNN KL多重感測變化偵測，且實驗結果展示於表3中。例如，鍵次可用於資料，諸如真實世界手指打字計時資料集合。手指打字計時之真實世界資料可包括： 重複打字的相同10字母通行碼
51個人體受測者
每人8個每日對話
每一每日會話中的50個重複
以鍵彈起--鍵銨下之20個計時為特徵的每一打字
整個每一人類可藉由400個樣本*20個感測器表示
在一實例中，鍵次資料對多重感測變化偵測之應用可包括：使用人類之連序20X個計時之會話作為開始
插入另一人類之連序20X個計時之會話
偵測插入點
偵測假警報
重複該技術以發展樣本集合。
實驗結果之以上表係來自示範性實施例。使用本揭示案中所描述之其他實施例，其他結果可發生。
圖7展示例示根據一實施例之多重感測變化偵測系統702的示意圖。在一實例中，多重感測變化偵測系統702 可包括通訊模組704。通訊模組704可接收信號，諸如來自感測器之信號。通訊模組704可自多個感測器中之第一感測器組合接收第一組信號，且可自該等多個感測器中之第二感測器組合接收第二組信號。在一實例中，通訊模組704可自第一感測器組合及第二感測器組合中每一者接收另一組信號。在另一實例中，通訊模組704可接收關於感測器狀態或環境狀態的資訊或特性資料。
多重感測變化偵測系統702可包括處理模組708。處理模組708可判定用於第一組信號之第一分佈及用於第二組信號之第二分佈，第一組信號及第二組信號係藉由通訊模組接收。在一實例中，處理模組708可估計第一分佈與第二分佈之間的發散度。例如，處理模組708可使用第一感測器組合及第二感測器組合之計數、該等多個感測器之計數及自第二組信號中之多個信號至第一組信號中之第一多個最鄰近信號及第二組信號中之第二多個最鄰近信號之距離來估計發散度。最鄰近信號之距離估計可使用第二組信號中之信號與第一組信號及第二組信號兩者中之信號之間的KL距離之k-最鄰近者估計。k-最鄰近者中之k可包括該等多個最鄰近信號。處理模組708亦可判定發散度是否超過閾值。當發散度超過閾值時，處理模組708可產生警告。
處理模組708可藉由估計使用基於第二分佈的碼來編碼第一組信號所需要的額外位元之數目來估計發散度。例如，使用基於第一分佈的碼為編碼第一組信號所需要的位元之估計數目可為指定數目的位元，且使用第二分佈碼 來編碼第一組信號可需要超出位元之該數目的額外位元。在另一實例中，處理模組708可使用目標假警報率來判定閾值。在一實例中，多重感測變化偵測系統702可包括警告模組706。警告模組706可播放聲音、振動、閃光警告或以其他方式向使用者指示警告已經產生。
圖8展示例示根據一實施例之用於多重感測變化偵測之方法800的流程圖。在一實例中，方法800可包括操作802，以自多個感測器中之第一感測器組合接收第一組信號且自該等多個感測器中之第二感測器組合接收第二組信號來自第二組信號。方法800之操作804可包括判定用於第一組信號之第一分佈及用於第二組信號之第二分佈。方法800可包括操作806，以估計第一分佈與第二分佈之間的發散度，其中發散度係使用第一感測器組合、第二感測器組合、該等多個感測器之總計數及自第二組信號中之多個信號至第一組信號中之多個最鄰近信號及第二組信號中之第二多個最鄰近信號之距離來估計。在一實例中，方法800可包括操作808以判定發散度之估計是否超過閾值，及操作810以在發散度之估計超過閾值時產生警告。
在另一實例中，方法可包括包含在第一時段及第二時段自多個感測器接收特性資料的操作，特性資料表示感測器狀態或環境狀態。在一實例中，感測器狀態可包括感測器之位置、感測器之角度或定向、感測器之加速度、感測器之移動、操作狀態或類似者。在另一實例中，環境狀態可包括諸如風速、溫度、熱指數、濕度、加速度、移 動、光度、信號強度、音訊、視訊、化學分析、外部裝置功能性或類似者的資訊。特性資料可包括任何此等實例或類似者中一或多個。第一時段可包括在第二時段緊前的時間點。第一時段亦可包括在第二時段遠前的時間點。第一時段及第二時段可包括時間之瞬時或時間之視窗(離散的或連續的)，且可具有相同長度視窗、大體上相同長度視窗或不同長度的時間視窗。該等多個感測器可包括自動地或由使用者選擇的感測器之組合。在另一實例中，該等多個感測器可為用於一或多個特定裝置之感測器之完備群組。該等多個感測器可包括任何類型之量測設備，被動設備或主動設備。
在一實例中，操作可包括分析在第一時段及第二時段處的特性資料，以計算該等多個感測器之感測器狀態或環境狀態自第一時段至第二時段的發散度之估計。在一實例中，為計算發散度之估計，在任何以上方法中可包括使用Kullback Leibler(KL)之k-最鄰近者(KNN)估計(KNN KL)發散度分數。例如，對於第一時段中的該等多個感測器中之每一點，計算發散度之估計可包括判定至第一時段中及第二時段中之k-最鄰近者的距離。計算發散度之估計亦可包括針對第二時段中的該等多個感測器中之每一點判定至第一時段中及第二時段中之k-最鄰近者的距離。計算發散度之估計可包括組合所判定距離之兩個集合。在一實例中，第一時段或第二時段中一者可已在另一者之前發生。
操作可包括判定發散度之估計是否超過閾值，且 在發散度之估計超過閾值時產生警告。閾值可包括用於特定參考時段至另一特定參考點的發散度之估計，諸如使用在第一時段及第二時段之前的時段。閾值可包括預定值，諸如最小化誤錯誤率同時亦最小化誤否定率的值。在另一實例中，閾值可包括預定值、諸如使用者選定的值。閾值可包括在分析特性資料之前判定的KNN KL發散度分數之估計。閾值可經儲存，且方法可存取該閾值以判定發散度之估計是否超過該閾值。
警告可包括判定發散度之估計是否超過閾值的裝置本地的警告或裝置遠端的警告。產生警告可包括產生使用者介面之變化以顯示警告，諸如可聞或可視警告。警告可經諸如藉由電子郵件、正文式訊息、電話、電子郵件或類似者發送至使用者。警告可包括振動組件。
圖9展示例示根據一實施例之示例性機器900的方塊圖，本文所論述之技術(例如，方法論)中任何一或多個可在該示例性機器上執行。在替代性實施例中，機器900可作為獨立裝置操作或可連接(例如網路連接)至其他機器。在網路連接式佈署中，機器900可作為主從網路環境中之伺服器機器、客戶端機器或兩者操作。在一實例中，機器900可充當點對點(P2P)(或其他分散式)網路環境中之同級機器。機器900可為個人電腦(PC)、平板PC、機上盒(STB)、個人數位助理(PDA)、行動電話、網頁用具、網路路由器、交換器(switch)或橋接器，或能夠執行指令(順序的或其他形式)之任何機器，該等指令規定將要由該機器採取之動作。此 外，雖然僅例示單個機器，但「機器」一詞應亦被視為包括機器之任何集合，該等機器單獨或共同執行一組(或多組)指令以執行本文所論述之方法論中任何一或多個，諸如雲端計算、軟體即服務(SaaS)、其他電腦叢集組態。
如本文所述之實例可包括邏輯或多個組件、模組或機構，或者可在上述各者上操作。模組為在操作時能夠執行指定操作的有形實體(例如，硬體)。模組包括硬體。在一實例中，硬體可特定地經組配來實施特定操作(例如，經硬連接)。在一實例中，硬體可包括可組態執行單元(例如，電晶體、電路等)及含有指令的電腦可讀媒體，其中指令組配執行單元以在處於操作中時實施特定操作。組配可在執行單元或載入機構之指導下發生。因此，當裝置正操作時，執行單元以通訊方式耦接至電腦可讀媒體。在此實例中，執行單元可為多於一個模組之部件。例如，在操作下，執行單元可由第一指令集組配以在一時間點處實行第一模組，且由第二指令集重新組配以實行第二模組。
機器(例如，電腦系統)900可包括硬體處理器902(例如，中央處理單元(CPU)、圖形處理單元(GPU)、硬體處理器核心或上述三者之任何組合)，主記憶體904及靜態記憶體906，硬體處理器、主記憶體及靜態記憶體中一些或全部可經由互連(例如，匯流排)908彼此通訊。機器900可進一步包括顯示裝置910、文數字輸入裝置912(例如，鍵盤)及使用者介面(UI)導航裝置914(例如，滑鼠)。在一實例中，顯示裝置910、文數字輸入裝置912及及UI導航裝置914 可為觸控螢幕顯示器。機器900可另外包括儲存裝置(例如，驅動單元)916、信號產生裝置918(例如，揚聲器)、網路介面裝置920及一或多個感測器921，諸如全球定位系統(GPS)感測器、指南針、加速度計或其他感測器。機器900可包括輸出控制器928，諸如串列(例如，通用串列匯流排(USB)連接、平行的或其他有線或無線(例如，紅外線(IR)、近場通訊(NFC等)連接，以通訊或控制一或多個周邊裝置(例如，印表機、讀卡機等)。
儲存裝置916可包括為非暫時性的機器可讀取媒體922，該機器可讀取媒體上儲存體現本文所描述之技術或功能中任何一或多個或由本文所描述之技術或功能中任何一或多個利用的一或多組資料結構或指令924(例如，軟體)。指令924亦可完全或至少部分存在於主記憶體904內，存在於靜態記憶體906內或在該等指令由機器902執行期間存在於硬體處理器902內。在一實例中，硬體處理器902、主記憶體904、靜態記憶體906或儲存裝置916中一者或任何組合可構成機器可讀取媒體。
雖然機器可讀媒體922係例示為單個媒體，但是「機器可讀媒體」一詞可包括經組配來儲存一或多個指令924之單個媒體或多個媒體(例如，集中式資料庫或分散式資料庫，及/或相關聯快取記憶體及伺服器)。
「機器可讀媒體」一詞可包括任何媒體，該任何媒體能夠儲存、編碼或攜帶用於由機器900執行及使機器900執行本揭示案之技術中任何一或多個之指令，或者能夠 儲存、編碼或攜帶由此類指令使用或與此類指令相關聯之資料結構。非限制性機器可讀媒體實例可包括固態記憶體以及光學媒體及磁媒體。在一實例中，大量機器可讀媒體包含具有帶有不變(例如，靜止)質量的多個粒子之機器可讀媒體。因此，大量機器可讀媒體並非暫時傳播信號。大量機器可讀媒體之特定實例可包括：非依電性記憶體，諸如半導體記憶體裝置(例如，電氣可規劃唯讀記憶體(EPROM)、電氣可抹除可規劃唯讀記憶體(EEPROM))及快閃記憶體裝置；磁碟片，諸如內部硬碟片及可移式碟片；磁光碟片；以及CD-ROM碟片及DVD-ROM碟片。
指令924可進一步使用傳輸媒體經由網路介面裝置920在通訊網路926上傳輸或接收，該網路介面裝置利用多個傳送協定(例如，訊框中繼、網際網路協定(IP)、傳輸控制協定(TCP)、使用者資料報協定(UDP)、超本文傳送協定(HTTP)等)中之任一傳送協定。示例性通訊網路可包括區域網路(LAN)、廣域網路(WAN)、封包資料網路(例如，網際網路)、行動電話網路(例如，蜂巢式網路)、簡易老式電話(POTS)網路及無線資料網路(例如，習稱為Wi-Fi®之美國電機電子工程師學會(IEEE)802.11族之標準、習稱為WiMax®之IEEE 802.16族之標準)IEEE 802.15.4族之標準、同級間(P2P)網路等。在一實例中，網路介面裝置920可包括一或多個實體插孔(例如，乙太網路插孔、同軸插孔或電話插孔)或一或多個天線，以連接至通訊網路926。在一實例中，網路介面裝置920可包括多個天線以使用單輸入多輸 出(SIMO)、多輸入多輸出(MIMO)或多輸入單輸出(MISO)技術中至少一者無線地通訊。「傳輸媒體」一詞應被視為包括能夠儲存、編碼或攜帶用於由機器900執行之指令的任何無形媒體，且包括數位通訊信號或類比通訊信號或其他無形媒體以促進此軟體之通訊。
額外注解及實例
此等非限制性實例中每一者可主張其自身，或可與其他實例中一或多個組合於各種置換或組合中。
實例1包括藉由多重感測變化偵測系統體現的主題，該多重感測變化偵測系統包含：通訊模組，其用以自多個感測器中之第一感測器組合接收第一組信號且自該等多個感測器中之第二感測器組合接收第二組信號；以及處理模組，其用以：判定用於第一組信號之第一分佈及用於第二組信號之第二分佈；估計該第一分佈與該第二分佈之間的一發散度，其中該發散度係使用第一感測器組合之計數、第二感測器組合之計數、該等多個感測器之計數、自第二組信號中之多個信號至第一組信號中之第一多個最鄰近信號之距離及自第二組信號中之多個信號至第二組信號中之第二多個最鄰近信號之距離來估計；且判定發散度是否超過閾值。
在實例2中，實例1之主題可選擇性地包括其中處理模組進一步用以：偵測發散度超過閾值，且回應於偵測發散度超過閾值而產生警告。
在實例3中，實例1至2中一者或任何組合之主題 可選擇性地包括其中第一多個最鄰近信號及第二多個最鄰近信號分別包括相較於第一組信號及第二組信號的較少信號。
在實例4中，實例1至3中一者或任何組合之主題可選擇性地包括其中發散度係使用自第一組信號中之多個信號至第一組信號中之第三多個最鄰近信號及第二組信號中之第四多個最鄰近信號之距離來估計。
在實例5中，實例1至4中一者或任何組合之主題可選擇性地包括其中第一感測器組合及第二感測器組合係相同的。
在實例6中，實例1至5中一者或任何組合之主題可選擇性地包括其中第二組信號係在第一組信號緊前接收。
在實例7中，實例1至6中一者或任何組合之主題可選擇性地包括其中為估計發散度，處理模組進一步用以估計使用基於第二分佈的碼來編碼第一組信號所需要的額外位元之數目。
在實例8中，實例1至7中一者或任何組合之主題可選擇性地包括其中處理模組進一步用以使用目標假警報率來判定閾值。
在實例9中，實例1至8中一者或任何組合之主題可選擇性地包括其中處理模組用以使用假警報率與正確警報率之比率來遞迴地判定目標假警報率。
在實例10中，實例1至9中一者或任何組合之主題 可選擇性地包括其中第二感測器組合係由使用者選擇。
在實例11中，實例1至10中一者或任何組合之主題可選擇性地包括其中通訊模組進一步用以在第一時段及第二時段處自第三感測器組合接收特性資料，該特性資料表示感測器狀態，其中處理模組進一步用以分析第一時段及第二時段以判定在第一時段及第二時段處第三感測器組合之感測器狀態之間的差異，且其中處理模組用以使用所判定差異來估計發散度。
在實例12中，實例1至11中一者或任何組合之主題可選擇性地包括其中感測器狀態包括感測器位置、感測器角度、感測器定向、感測器移動或感測器操作狀態中至少一者。
在實例13中，實例1至12中一者或任何組合之主題可選擇性地包括其中通訊模組進一步用以在第一時段及第二時段處自該等多個感測器接收特性資料，該特性資料表示環境狀態；其中處理模組進一步用以分析第一時段及第二時段以判定在第一時段及第二時段處該等多個感測器之該等環境狀態之間的差異；且其中處理模組用以使用所判定差異來估計發散度。
在實例14中，實例1至13中一者或任何組合之主題可選擇性地包括其中環境狀態包括關於風速、溫度、熱指數、濕度、移動、光度、信號強度、音訊、視訊、化學組成或外部裝置功能性中至少一者之資訊。
在實例15中，實例1至14中一者或任何組合之主 題可選擇性地包括其中第一感測器組合係由使用者選擇。
實例16包括藉由用於多重感測變化偵測之方法體現的主題，該方法包含：在裝置處自多個感測器中之第一感測器組合接收第一組信號；在裝置處自該等多個感測器中之第二感測器組合接收第二組信號；在裝置處判定用於第一組信號之第一分佈；在裝置處判定用於第二組信號之第二分佈；在裝置處估計第一分佈與第二分佈之間的發散度，其中發散度係使用第一感測器組合、第二感測器組合、該等多個感測器之總計數、自第二組信號中之多個信號至第一組信號中之第一多個最鄰近信號之距離及自第二組信號中之多個信號至第二組信號中之第二多個最鄰近信號之距離來估計；以及在裝置處判定發散度是否超過閾值。
在實例17中，實例16之主題可選擇性地包括判定發散度超過閾值，及回應於判定發散度超過閾值而產生警告。
在實例18中，實例16至17中一者或任何組合之主題可選擇性地包括其中第一多個最鄰近信號及第二多個最鄰近信號分別包括相較於第一組信號及第二組信號的較少信號。
在實例19中，實例16至18中一者或任何組合之主題可選擇性地包括其中估計發散度包括使用自第一組信號中之多個信號至第一組信號中之第三多個最鄰近信號及第二組信號中之第四多個最鄰近信號之距離來估計發散度。
在實例20中，實例16至19中一者或任何組合之主題可選擇性地包括其中第一感測器組合及第二感測器組合係相同的。
在實例21中，實例16至20中一者或任何組合之主題可選擇性地包括其中第二組信號係在第一組信號緊前接收。
在實例22中，實例16至21中一者或任何組合之主題可選擇性地包括其中估計發散度包括估計使用基於第二分佈的碼來編碼第一組信號所需要的額外位元之數目。
在實例23中，實例16至22中一者或任何組合之主題可選擇性地包括進一步包含使用目標假警報率來判定閾值。
在實例24中，實例16至23中一者或任何組合之主題可選擇性地包括進一步包含使用假警報率與正確警報率之比率來遞迴地判定目標假警報率。
在實例25中，實例16至24中一者或任何組合之主題可選擇性地包括其中第一感測器組合係由使用者選擇。
在實例26中，實例16至25中一者或任何組合之主題可選擇性地包括其中第二感測器組合係由使用者選擇。
在實例27中，實例16至26中一者或任何組合之主題可選擇性地包括在第一時段及第二時段處自第三感測器組合接收特性資料，該特性資料表示感測器狀態；以及分析第一時段及第二時段以判定在第一時段及第二時段處第三感測器組合之感測器狀態之間的差異，且其中估計發散 度包括使用所判定差異。
在實例28中，實例16至27中一者或任何組合之主題可選擇性地包括其中感測器狀態包括感測器位置、感測器角度、感測器定向、感測器移動或感測器操作狀態中至少一者。
在實例29中，實例16至28中一者或任何組合之主題可選擇性地包括在第一時段及第二時段處自該等多個感測器接收特性資料，該特性資料表示環境狀態；以及分析第一時段及第二時段以判定在第一時段及第二時段處該等多個感測器組合之環境狀態之間的差異，且其中估計發散度包括使用所判定差異。
在實例30中，實例16至29中一者或任何組合之主題可選擇性地包括其中環境狀態包括關於風速、溫度、熱指數、濕度、移動、光度、信號強度、音訊、視訊、化學組成或外部裝置功能性中至少一者之資訊。
在實例31中，實例16至30中一者或任何組合之主題可選擇性地包括至少一機器可讀媒體，該至少一機器可讀媒體包括用於接收資訊之指令，該等指令在由機器執行時使機器執行請求項16至30之方法中任一者。
在實例32中，實例16至31中一者或任何組合之主題可選擇性地包括設備，該設備包含用於執行請求項16至30之方法中任一者之手段。
實例33包括藉由用於多重感測變化偵測之方法體現的主題，該方法包含：接收手段，其用於在裝置處自 多個感測器中之第一感測器組合接收第一組信號；接收手段，其用於在裝置處自該等多個感測器中之第二感測器組合接收第二組信號；判定手段，其用於在裝置處判定用於第一組信號之第一分佈；判定手段，其用於在裝置處判定用於第二組信號之第二分佈；估計手段，其用於在裝置處估計第一分佈與第二分佈之間的發散度，其中發散度係使用第一感測器組合、第二感測器組合、該等多個感測器之總計數、自第二組信號中之多個信號至第一組信號中之第一多個最鄰近信號之距離，及自第二組信號中之多個信號至第二組信號中之第二多個最鄰近信號之距離來估計；以及判定手段，其用於在裝置處判定發散度是否超過閾值。
在實例34中，實例33之主題可選擇性地包括判定發散度超過閾值，及回應於判定發散度超過閾值而產生警告。
在實例35中，實例33至34中一者或任何組合之主題可選擇性地包括其中第一多個最鄰近信號及第二多個最鄰近信號分別包括相較於第一組信號及第二組信號的較少信號。
在實例36中，實例33至35中一者或任何組合之主題可選擇性地包括其中估計發散度包括使用自第一組信號中之多個信號至第一組信號中之第三多個最鄰近信號及第二組信號中之第四多個最鄰近信號之距離來估計發散度。
在實例37中，實例33至36中一者或任何組合之主題可選擇性地包括其中第一感測器組合及第二感測器組合 係相同的。
在實例38中，實例33至37中一者或任何組合之主題可選擇性地包括其中第二組信號係在第一組信號緊前接收。
在實例39中，實例33至38中一者或任何組合之主題可選擇性地包括其中估計發散度包括估計使用基於第二分佈的碼來編碼第一組信號所需要的額外位元之數目。
在實例40中，實例33至39中一者或任何組合之主題可選擇性地包括進一步包含使用目標假警報率來判定閾值。
在實例41中，實例33至40中一者或任何組合之主題可選擇性地包括進一步包含使用假警報率與正確警報率之比率來遞迴地判定目標假警報率。
在實例42中，實例33至41中一者或任何組合之主題可選擇性地包括其中第一感測器組合係由使用者選擇。
在實例43中，實例33至42中一者或任何組合之主題可選擇性地包括其中第二感測器組合係由使用者選擇。
在實例44中，實例33至43中一者或任何組合之主題可選擇性地包括在第一時段及第二時段處自第三感測器組合接收特性資料，該特性資料表示感測器狀態；以及分析第一時段及第二時段以判定在第一時段及第二時段處第三感測器組合之感測器狀態之間的差異，且其中用於估計發散度之手段包括使用所判定差異。
在實例45中，實例33至44中一者或任何組合之主 題可選擇性地包括其中感測器狀態包括感測器位置、感測器角度、感測器定向、感測器移動或感測器操作狀態中至少一者。
在實例46中，實例33至45中一者或任何組合之主題可選擇性地包括在第一時段及第二時段處自該等多個感測器接收特性資料，該特性資料表示環境狀態；以及分析第一時段及第二時段以判定在第一時段及第二時段處該等多個感測器之環境狀態之間的差異，且其中用於估計發散度之手段包括使用所判定差異。
在實例47中，實例33至46中一者或任何組合之主題可選擇性地包括其中環境狀態包括關於風速、溫度、熱指數、濕度、移動、光度、信號強度、音訊、視訊、化學組成或外部裝置功能性中至少一者之資訊。
以上詳細描述包括對隨附圖式之參考，該等隨附圖式形成詳細描述之一部分。圖式以例示方式展示可實踐之特定實施例。此等實施例在本文中亦被稱為「實例」。此等實例可包括除所示或所描述之彼等元件之外的元件。然而，本發明者亦涵蓋僅提供所示或所描述之該等元件之實例。此外，本發明者亦涵蓋使用所示或所描述之該等元件之任何組合或置換(或其一或多個態樣)，相對於特定實例(或其一或多個態樣)，或相對於本文所示或所描述之其他實例(或其一或多個態樣)的實例。
若此文獻與如此以引用方式併入的任何文獻之間的不一致用法發生，此文件中之用法控制。
在此文獻中，使用「一」或「一種」等詞(如專利文獻中常見的)以包括一個或多於一個，與「至少一個」或「一或多個」之任何其他實例或用法無關。在此文獻中，「或」一詞用以代表非排他或，使得「A或B」包括「A而非B」、「B而非A」及「A及B」，除非另有指示。在此文獻中，「包括」及「其中」等詞被用作個別「包含」及「在其中」一詞之通俗英語等效物。另外，在以下申請專利範圍中，「包括」及「包含」等詞係開放式的，亦即，包括除在請求項中之此術語之後列表之該等元件之外的元件之系統、裝置、物件、組成、配方或過程仍被視為落入該請求項之範疇內。此外，在以下申請專利範圍中，「第一」、「第二」及「第三」等詞僅用作標記，且並非意欲將數值要求強加於其物件。
本文所描述之方法實例可至少部分經機器或電腦實行。一些實例可包括以指令編碼的電腦可讀媒體或機器可讀媒體，該等指令可操作來組配電子裝置以執行如以上實例中所描述之方法。此類方法之實行方案可包括諸如微碼、組合語言碼、高階語言碼或類似者的的碼。此碼可包括用於執行各種方法之電腦可讀指令。碼可形成電腦程式產品之部分。此外，在一實例中，碼可有形地儲存於一或多個依電性、非暫時性或非依電性有形電腦可讀媒體上，諸如在執行期間或在其他時間。此等有形電腦可讀媒體之實例可包括但不限於硬碟片、可移磁碟片、可移光碟片(例如，光碟片及數位視訊碟片)、磁性磁帶盒、記憶體卡或記 憶體棒、隨機存取記憶體(RAM)、唯讀記憶體(ROM)及類似者。
以上描述意欲為例示性的，而非限制性的。例如，以上所描述之實例(或該等實例之一或多個態樣)可彼此組合地使用。其他實施例可諸如由此項技術之一般技術者在回顧以上描述之後使用。提供摘要以遵守C.F.R.1.72(b)，以允許讀者快速確定技術揭示之本性。在理解摘要將不用以解釋或限制申請專利範圍之範疇或意義的情況下提交摘要。又，在以上詳細描述中，各種特徵可被集合在一起以使本發明合理化。此將不被解釋為意欲使未主張之揭示特徵對任何請求項為必不可少。更確切而言，發明標的可位於少於特定揭示實施例之所有特徵中。因此，以下申請專利範圍因此併入詳細描述中作為實例或實施例，其中每一請求項主張其自身作為單獨的實施例，且設想在於此類實施例可彼此組合於各種組合或置換中。本發明之範疇以及等效物之全部範疇應參考隨附申請專利範圍來決定，此等請求項授予該等等效物權利。

Claims (22)

  1. 一種多重感測變化偵測系統，其包含：一通訊模組，其用以接收來自多個感測器中之一第一感測器組合的一第一組信號、及接收來自該等多個感測器中之一第二感測器組合的一第二組信號；以及一處理模組，其用以進行下列操作：判定針對該第一組信號的一第一分佈及針對該第二組信號的一第二分佈；至少部分基於該第一感測器組合之一計數、該第二感測器組合之一計數、該等多個感測器之一計數、從該第二組信號中之多個信號至該第一組信號中之第一複數個最鄰近信號的距離、及從該第二組信號中之多個信號至該第二組信號中之第二複數個最鄰近信號的距離，來估算該在第一分佈與該第二分佈之間的一發散度；計算一假警報率；利用一目標假警報率以及該假警報率來判定一閾值；及判定該發散度是否超過該閾值。
  2. 如請求項1之系統，其中，該處理模組進一步可用於進行下列操作：響應於判定出該發散度超過該閾值而產生一警告。
  3. 如請求項1之系統，其中，該等第一複數個最鄰近信號與該等第二複數個最鄰近信號分別包括比該第一組信號少的信號以及比該第二組信號少的信號。
  4. 如請求項1之系統，其中，係進一步利用從該第一組信號中之多個信號至該第一組信號中之第三複數個最鄰近信號及該第二組信號中之第四複數個最鄰近信號的距離來估算該發散度。
  5. 如請求項1之系統，其中，該第一感測器組合與該第二感測器組合相同。
  6. 如請求項1之系統，其中，該第二組信號係緊接在該第一組信號之前被接收。
  7. 如請求項1之系統，其中，該處理模組進一步可用於進行下列操作以估算該發散度：估算使用基於該第二分佈的一碼來編碼該第一組信號所需要的額外位元數目。
  8. 如請求項1之系統，其中，該處理模組可用於進行下列操作：利用假警報率與正確警報率之間的比率來遞迴地判定該目標假警報率。
  9. 如請求項1之系統，其中，該第二感測器組合係由一使用者選出。
  10. 如請求項1之系統，其中，該通訊模組進一步可用於進行下列操作：接收來自一第三感測器組合的在一第一時段及一第二時段的特性資料，該等特性資料可表示出感測器狀態；其中，該處理模組進一步可用於進行下列操作：分析在該第一時段及該第二時段的該等特性資料，以判定該第三感測器組合之該等感測器狀態在該第一時段與該第二時段之間的差異；並且其中，該處理模組可用於進行下列操作：利用所判定出的該差異來估算該發散度。
  11. 如請求項10之系統，其中，該等感測器狀態包括下列中之至少一者：感測器位置、感測器角度、感測器定向、感測器移動、或感測器操作狀態。
  12. 如請求項1之系統，其中，該通訊模組進一步可用於進行下列操作：接收來自該等多個感測器的在一第一時段及一第二時段的特性資料，該特性資料可表示出環境狀態；其中，該處理模組進一步可用於進行下列操作：分析在該第一時段及該第二時段的該等特性資料，以判定該等多個感測器之該等環境狀態在該第一時段與該第二時段之間的差異；並且其中，該處理模組可用於進行下列操作：利用所判定出的該差異來估算該發散度。
  13. 如請求項12之系統，其中，該等環境狀態包括有關下列中之至少一者的資訊：風速、溫度、熱指數、濕度、移動、光度、信號強度、音訊、視訊、化學組成、或外部裝置功能性。
  14. 如請求項1之系統，其中，該第一感測器組合係由一使用者選出。
  15. 一種用於多重感測變化偵測的方法，該方法包含下列步驟：於一裝置，接收來自多個感測器中之一第一感測器組合的一第一組信號；於該裝置，接收來自該等多個感測器中之一第二感測器組合的一第二組信號；於該裝置，判定針對該第一組信號的一第一分佈；於該裝置，判定針對該第二組信號的一第二分佈；於該裝置，至少部分基於該第一感測器組合、該第二感測器組合、該等多個感測器之一總計數、從該第二組信號中之多個信號至該第一組信號中之第一複數個最鄰近信號的距離、及從該第二組信號中之多個信號至該第二組信號中之第二複數個最鄰近信號的距離，來估算在該第一分佈與該第二分佈之間的一發散度；計算一假警報率；利用一目標假警報率以及該假警報率來判定一閾值；及於該裝置，判定該發散度是否超過該閾值。
  16. 如請求項15之方法，其進一步包含下列步驟：響應於判定出該發散度超過該閾值，而產生一警告。
  17. 如請求項15之方法，其進一步包含下列步驟：利用假警報率與正確警報率之間的比率來遞迴地判定該目標假警報率。
  18. 如請求項15之方法，其進一步包含下列步驟：接收來自一第三感測器組合的在一第一時段及一第二時段的特性資料，該等特性資料可表示出感測器狀態或環境狀態；以及分析在該第一時段及該第二時段的該等特性資料以判定該第三感測器組合之該等感測器狀態或該等環境狀態在該第一時段及該第二時段之間的差異；其中，估算該發散度之步驟包含對所判定出之該差異的使用。
  19. 如請求項18之方法，其中，該等感測器狀態包括下列中之至少一者：感測器位置、感測器角度、感測器定向、感測器移動、或感測器操作狀態。
  20. 如請求項18之方法，其中，該等環境狀態包括有關下列中之至少一者的資訊：風速、溫度、熱指數、濕度、移動、光度、信號強度、音訊、視訊、化學組成、或外部裝置功能性。
  21. 一種包括含有用於接收資訊之指令的至少一個非暫態機器可讀媒體的集合，該等指令在受一機器執行時可致使該機器進行以下操作：於該機器，接收來自多個感測器中之一第一感測器組合的一第一組信號；於該機器，接收來自該等多個感測器中之一第二感測器組合的一第二組信號；於該機器，判定針對該第一組信號的一第一分佈；於該機器，判定針對該第二組信號的一第二分佈；於該機器，至少部分基於該第一感測器組合、該第二感測器組合、該等多個感測器之一總計數、從該第二組信號中之多個信號至該第一組信號中之第一複數個最鄰近信號的距離、及從該第二組信號中之多個信號至該第二組信號中之第二複數個最鄰近信號的距離，來估算在該第一分佈與該第二分佈之間的一發散度；計算一假警報率；利用一目標假警報率以及該假警報率來判定一閾值；及於該機器，判定該發散度是否超過該閾值。
  22. 如請求項21之包括至少一個非暫態機器可讀媒體的集合，其進一步包含用於以下操作的指令：響應於判定出該發散度超過該閾值而產生一警告。
TW104127709A 2014-09-26 2015-08-25 針對物聯網域之多重感測變化偵測技術 TWI635466B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201462056199P 2014-09-26 2014-09-26
US62/056,199 2014-09-26
US14/579,083 2014-12-22
US14/579,083 US10356649B2 (en) 2014-09-26 2014-12-22 Multisensory change detection for internet of things domain

Publications (2)

Publication Number Publication Date
TW201626340A TW201626340A (zh) 2016-07-16
TWI635466B true TWI635466B (zh) 2018-09-11

Family

ID=55581836

Family Applications (1)

Application Number Title Priority Date Filing Date
TW104127709A TWI635466B (zh) 2014-09-26 2015-08-25 針對物聯網域之多重感測變化偵測技術

Country Status (5)

Country Link
US (2) US10356649B2 (zh)
EP (1) EP3198547B1 (zh)
CN (1) CN106796753B (zh)
TW (1) TWI635466B (zh)
WO (1) WO2016048788A1 (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10356649B2 (en) 2014-09-26 2019-07-16 Intel Corporation Multisensory change detection for internet of things domain
US10768591B2 (en) * 2015-09-03 2020-09-08 Mitsubishi Electric Corporation Behavior identification device, air conditioner, and robot control device
US9848035B2 (en) * 2015-12-24 2017-12-19 Intel Corporation Measurements exchange network, such as for internet-of-things (IoT) devices
AU2017277280A1 (en) * 2016-06-06 2018-12-20 Intertrust Technologies Corporation Anomaly detection systems and methods
WO2018100678A1 (ja) * 2016-11-30 2018-06-07 株式会社オプティム コンピュータシステム、エッジデバイス制御方法及びプログラム
CN106685946B (zh) * 2016-12-22 2019-10-25 北京邮电大学 一种物联网感知层入侵检测系统
US10637814B2 (en) 2017-01-18 2020-04-28 Microsoft Technology Licensing, Llc Communication routing based on physical status
US10679669B2 (en) 2017-01-18 2020-06-09 Microsoft Technology Licensing, Llc Automatic narration of signal segment
US10437884B2 (en) 2017-01-18 2019-10-08 Microsoft Technology Licensing, Llc Navigation of computer-navigable physical feature graph
US10635981B2 (en) 2017-01-18 2020-04-28 Microsoft Technology Licensing, Llc Automated movement orchestration
US11094212B2 (en) 2017-01-18 2021-08-17 Microsoft Technology Licensing, Llc Sharing signal segments of physical graph
US10606814B2 (en) 2017-01-18 2020-03-31 Microsoft Technology Licensing, Llc Computer-aided tracking of physical entities
US10482900B2 (en) 2017-01-18 2019-11-19 Microsoft Technology Licensing, Llc Organization of signal segments supporting sensed features
TWI658368B (zh) * 2017-06-21 2019-05-01 財團法人資訊工業策進會 感應器評估伺服器以及感應器評估方法
CN110798645B (zh) * 2018-08-01 2022-01-14 视联动力信息技术股份有限公司 一种基于视联网的报警方法和系统
DE102019113277A1 (de) * 2019-05-20 2020-11-26 Tekon-Prüftechnik GmbH Prüfadapter
US11676071B2 (en) 2020-06-30 2023-06-13 Oracle International Corporation Identifying and ranking anomalous measurements to identify faulty data sources in a multi-source environment
CN111935188B (zh) * 2020-10-12 2020-12-29 南京赛宁信息技术有限公司 基于ks检测的靶场环境中最大化攻击流量方法与装置
US11322976B1 (en) * 2021-02-17 2022-05-03 Sas Institute Inc. Diagnostic techniques for monitoring physical devices and resolving operational events

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7821393B2 (en) * 2008-02-01 2010-10-26 Balmart Sistemas Electronicos Y De Comunicaciones S.L. Multivariate environmental sensing system with intelligent storage and redundant transmission pathways
US20130155879A1 (en) * 2011-12-16 2013-06-20 International Business Machines Corporation Quasi-dynamic spectrum access for internet of things (iot) applications
US20130290305A1 (en) * 2012-04-28 2013-10-31 International Business Machines Corporation Data filtering in the internet of things
WO2014116977A2 (en) * 2013-01-25 2014-07-31 Qualcomm Incorporated Adaptive observation of behavioral features on a mobile device

Family Cites Families (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CH434363A (de) * 1964-07-10 1967-04-30 Siemens Ag Schaltungsanordnung zur dynamischen Überwachung der Betriebssicherheit von einzelnen oder miteinander verknüpften kontaktlosen Steuerbausteinen
US6694285B1 (en) * 1999-03-13 2004-02-17 Textron System Corporation Method and apparatus for monitoring rotating machinery
US7561877B2 (en) * 2005-03-18 2009-07-14 Qualcomm Incorporated Apparatus and methods for managing malfunctions on a wireless device
US20070008410A1 (en) * 2005-05-03 2007-01-11 Greg Benson Trusted monitoring system and method
US8164461B2 (en) * 2005-12-30 2012-04-24 Healthsense, Inc. Monitoring task performance
US20070178844A1 (en) * 2006-01-31 2007-08-02 Mutsuya Ii Method and system for identifying signal frequencies emitted at a known location using geographically distributed RF sensors
US7733220B2 (en) 2006-10-05 2010-06-08 Northrop Grumman Corporation System and methods for detecting change in a monitored environment
KR101261179B1 (ko) 2007-03-23 2013-05-09 퀄컴 인코포레이티드 멀티-센서 데이터 수집 및/또는 프로세싱
US8068986B1 (en) * 2007-04-27 2011-11-29 Majid Shahbazi Methods and apparatus related to sensor signal sniffing and/or analysis
EP2290371A1 (de) 2009-08-27 2011-03-02 F. Hoffmann-La Roche AG Kalibrierverfahren zur prospektiven Kalibrierung eines Messgeräts
TWI643101B (zh) * 2009-10-09 2018-12-01 禾瑞亞科技股份有限公司 分析貳維度資訊的方法與處理器
US8660022B2 (en) * 2009-11-16 2014-02-25 International Business Machines Corporation Adaptive remote decision making under quality of information requirements
US20110155879A1 (en) 2009-12-10 2011-06-30 Bacchus Fazil R Mylar™ ballon display rack
US8442787B2 (en) * 2010-04-30 2013-05-14 Infineon Technologies Ag Apparatus, sensor circuit, and method for operating an apparatus or a sensor circuit
KR20110125045A (ko) 2010-05-12 2011-11-18 한국시설안전공단 이종 시설물의 통합 안전 관리 시스템 및 방법
KR101129815B1 (ko) 2010-05-12 2012-03-23 한국시설안전공단 룰 엔진을 통한 이종 시설물의 센서 데이터 분석 방법
DE102010064203A1 (de) * 2010-12-27 2012-06-28 Robert Bosch Gmbh Verfahren und Vorrichtung zur Bestimmung einer Erkennungsschwelle
WO2012140601A1 (en) 2011-04-13 2012-10-18 Bar-Ilan University Anomaly detection methods, devices and systems
TWI468043B (zh) 2011-08-02 2015-01-01 Internat Mobile Iot Corp 燈源為基礎的物聯網
US20130201316A1 (en) * 2012-01-09 2013-08-08 May Patents Ltd. System and method for server based control
KR101376840B1 (ko) * 2012-11-26 2014-04-01 삼성전기주식회사 센서 자동이득제어 장치 및 방법, 그리고 센서 장치
US9226124B2 (en) * 2012-12-31 2015-12-29 Motorola Solutions, Inc. Method and apparatus for receiving a data stream during an incident
US9339188B2 (en) * 2013-03-04 2016-05-17 James Proud Methods from monitoring health, wellness and fitness with feedback
US9149189B2 (en) * 2013-03-04 2015-10-06 Hello, Inc. User or patient monitoring methods using one or more analysis tools
US20140247155A1 (en) * 2013-03-04 2014-09-04 Hello Inc. Methods using a mobile device to monitor an individual's activities, behaviors, habits or health parameters
CN103868692B (zh) 2014-03-18 2016-02-10 电子科技大学 基于核密度估计和k-l散度的旋转机械故障诊断方法
US10356649B2 (en) 2014-09-26 2019-07-16 Intel Corporation Multisensory change detection for internet of things domain

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7821393B2 (en) * 2008-02-01 2010-10-26 Balmart Sistemas Electronicos Y De Comunicaciones S.L. Multivariate environmental sensing system with intelligent storage and redundant transmission pathways
US20130155879A1 (en) * 2011-12-16 2013-06-20 International Business Machines Corporation Quasi-dynamic spectrum access for internet of things (iot) applications
US20130290305A1 (en) * 2012-04-28 2013-10-31 International Business Machines Corporation Data filtering in the internet of things
WO2014116977A2 (en) * 2013-01-25 2014-07-31 Qualcomm Incorporated Adaptive observation of behavioral features on a mobile device

Also Published As

Publication number Publication date
CN106796753A (zh) 2017-05-31
EP3198547A1 (en) 2017-08-02
US10966113B2 (en) 2021-03-30
US10356649B2 (en) 2019-07-16
US20200137610A1 (en) 2020-04-30
CN106796753B (zh) 2019-12-17
EP3198547A4 (en) 2018-05-30
US20160095013A1 (en) 2016-03-31
EP3198547B1 (en) 2019-06-19
WO2016048788A1 (en) 2016-03-31
TW201626340A (zh) 2016-07-16

Similar Documents

Publication Publication Date Title
TWI635466B (zh) 針對物聯網域之多重感測變化偵測技術
US11171977B2 (en) Unsupervised spoofing detection from traffic data in mobile networks
US10679135B2 (en) Periodicity analysis on heterogeneous logs
CN110443274B (zh) 异常检测方法、装置、计算机设备及存储介质
KR101967415B1 (ko) 글로벌 모델로부터의 로컬화된 학습
WO2018121157A1 (zh) 一种网络流量异常检测方法及装置
US11481495B2 (en) Anomalous behavior detection in processor based systems
WO2019222462A1 (en) Identification of sensitive data using machine learning
CN111131283B (zh) 恶意软件检测系统攻击防止
US10679064B2 (en) Optimized classifier update
JP2019110513A (ja) 異常検知方法、学習方法、異常検知装置、および、学習装置
US20160161375A1 (en) Text-mining approach for diagnostics and prognostics using temporal multidimensional sensor observations
US20190025435A1 (en) Cyber-physical system defense
JP2019105871A (ja) 異常候補抽出プログラム、異常候補抽出方法および異常候補抽出装置
WO2022115419A1 (en) Method of detecting an anomaly in a system
US11582132B2 (en) Systems and methods for identifying unknown protocols associated with industrial control systems
JP2008021045A (ja) 訪問情報分析装置および方法
CN116112287A (zh) 基于时空关联的网络攻击组织追踪方法与装置
Katsouros et al. Embedded event detection for self-aware and safer assets
Jabbar et al. BotDetectorFW: an optimized botnet detection framework based on five features-distance measures supported by comparisons of four machine learning classifiers using CICIDS2017 dataset
US20230177393A1 (en) Machine learning apparatus, machine learning system, machine learning method, and program
JP7013965B2 (ja) 情報処理装置、情報処理方法、及びプログラム
Majeed et al. Enhancing IoT Security: Federated Learning with Autoencoder Model for IoT Attacks Detection
CN118713913A (zh) 网络攻击流量数据的识别方法、装置及电子设备
Siripanthana et al. Sufficient reduction methods for multivariate time-dependent health surveillance data

Legal Events

Date Code Title Description
MM4A Annulment or lapse of patent due to non-payment of fees