TWI825713B - 用於感測裝置之分析設備、分析方法及電腦程式產品 - Google Patents
用於感測裝置之分析設備、分析方法及電腦程式產品 Download PDFInfo
- Publication number
- TWI825713B TWI825713B TW111117501A TW111117501A TWI825713B TW I825713 B TWI825713 B TW I825713B TW 111117501 A TW111117501 A TW 111117501A TW 111117501 A TW111117501 A TW 111117501A TW I825713 B TWI825713 B TW I825713B
- Authority
- TW
- Taiwan
- Prior art keywords
- behavior
- spectrogram
- type
- sensing device
- behavioral
- Prior art date
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 45
- 238000004590 computer program Methods 0.000 title claims abstract description 12
- 230000003542 behavioural effect Effects 0.000 claims abstract description 91
- 238000001514 detection method Methods 0.000 claims abstract description 72
- 238000001228 spectrum Methods 0.000 claims abstract description 60
- 238000013523 data management Methods 0.000 claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims abstract description 12
- 230000006399 behavior Effects 0.000 claims description 337
- 230000000737 periodic effect Effects 0.000 claims description 81
- 238000010586 diagram Methods 0.000 claims description 43
- 238000000034 method Methods 0.000 claims description 16
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 45
- 238000012545 processing Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 7
- 206010000117 Abnormal behaviour Diseases 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000005428 wave function Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本發明提出一種用於感測裝置之分析設備、分析方法及電腦程式產品。資料管理模組接收感測裝置的感測時序資料以根據行為分類記錄檔判斷感測裝置的類型，行為分類模組執行感測裝置的行為分類，行為偵測模組執行感測裝置的行為偵測，以將感測時序資料轉換成週期行為頻譜圖，再根據感測裝置的類型利用對應類型的偵測程序，將感測裝置的週期行為頻譜圖與行為頻譜圖儲存模組中對應類型的行為頻譜圖進行比對，藉此判斷感測裝置的行為係正常或異常。
Description
本發明係關於一種行為分析技術，詳言之，係關於一種用於感測裝置之行為分類和偵測的設備、方法。
近年來，應用在眾多領域的物聯網促進了產業結構的轉型升級和相關數位技術的躍進，物聯網係將裝置的運行狀態數位化以收集資料，並透過聯網技術傳送裝置所搜集的資料，藉此進行遠端監控與分析。
關於物聯網裝置的異常偵測技術，一般而言可在物聯網裝置中進行分析或是額外加裝偵測裝置，然而，如此可能導致時間和人力成本的增加，特別是由於物聯網裝置的數量龐大且散佈在各地，因此透過人力進行監測與維運之效率明顯欠佳，也難以掌握各個裝置的確實狀態。又或者，通過預設的閾值來判斷裝置是否過載以偵測裝置的異常，惟，根據閾值的設定往往仰賴人為經驗，而不同產業別之間物聯網裝置的類型差異甚大，僅靠設定閾值無法體現物聯網裝置的週期行為。
因此，如何提供能減少時間和人力成本並用於大量的感測裝置之行為異常偵測技術，實已成為本技術之研究課題。
為解決上述問題及其他問題，本發明揭示一種用於感測裝置之分析設備、分析方法及電腦程式產品。
本發明所揭之用於感測裝置之分析設備係包括：行為頻譜圖儲存模組，儲存多個類型的行為頻譜圖；行為分類記錄檔，記錄與一個或多個感測裝置對應的行為頻譜圖之類型；資料管理模組，接收該一個或多個感測裝置的感測時序資料，以根據該行為分類記錄檔，判斷該一個或多個感測裝置在該行為頻譜圖儲存模組中是否有對應類型的行為頻譜圖；以及行為偵測模組，將該一個或多個感測裝置的該感測時序資料轉換成週期行為頻譜圖，以於該資料管理模組根據該行為分類記錄檔判斷出該一個或多個感測裝置有該對應類型的行為頻譜圖時，根據該一個或多個感測裝置在該行為分類記錄檔的類型，利用對應類型的偵測程序，將該一個或多個感測裝置的週期行為頻譜圖與該行為頻譜圖儲存模組中該對應類型的行為頻譜圖進行圖形比對，俾完成該一個或多個感測裝置之分析。
本發明所揭之用於感測裝置之分析設備更包括：行為分類模組，於該資料管理模組根據該行為分類記錄檔判斷出該一個或多個感測裝置沒有該對應類型的行為頻譜圖時，將該一個或多個感測裝置的該週期行為頻譜圖與該行為頻譜圖儲存模組中該多個類型的行為頻譜圖進行比對，俾根據該行為分類模組之比對結果，將該一個或多個感測裝置進行分類以
儲存在該行為分類記錄檔，其中於該一個或多個感測裝置的該週期行為頻譜圖與該行為頻譜圖儲存模組中一類型的行為頻譜圖比對相同時，該行為分類模組係在該行為分類記錄檔中將該感測裝置歸類至該類型，而於該一個或多個感測裝置的該週期行為頻譜圖與該行為頻譜圖儲存模組中該多個類型的行為頻譜圖比對不同時，該行為分類模組則在該行為頻譜圖儲存模組中增加一新類型的行為頻譜圖。
於一實施例中，該行為分類模組係將該一個或多個感測裝置的週期行為頻譜圖彼此比對，以將該一個或多個感測裝置的多個週期行為頻譜圖分成多個群組，以於該行為頻譜圖儲存模組中儲存與該多個群組相關聯的該多個類型的行為頻譜圖，以及於該行為分類記錄檔中，記錄該一個或多個感測裝置與該多個類型的行為頻譜圖之間的對應關係。
於一實施例中，該行為偵測模組於該一個或多個感測裝置的週期行為頻譜圖與該行為頻譜圖儲存模組中該對應類型的行為頻譜圖比對相同時，判斷該一個或多個感測裝置行為正常，而該行為偵測模組於該一個或多個感測裝置的週期行為頻譜圖與該行為頻譜圖儲存模組中該對應類型的行為頻譜圖比對不同時，判斷該一個或多個感測裝置行為異常。
於一實施例中，該行為偵測模組係具有多個類型的多個偵測程序，其中，該行為偵測模組係利用一個對應類型的偵測程序來執行一個感測裝置的週期行為頻譜圖之圖形比對，該行為偵測模組係利用多個對應類型的偵測程序來執行多個感測裝置的週期行為頻譜圖之圖形比對。
本發明所揭之用於感測裝置之分析方法係包括：接收一個或多個感測裝置的感測時序資料；根據行為分類記錄檔，判斷該一個或多個
感測裝置在行為頻譜圖儲存模組中是否有對應類型的行為頻譜圖；將該一個或多個感測裝置的該感測時序資料轉換成週期行為頻譜圖；以及於根據該行為分類記錄檔判斷出該一個或多個感測裝置有該對應類型的行為頻譜圖時，根據該一個或多個感測裝置在該行為分類記錄檔的類型，利用對應類型的偵測程序，將該一個或多個感測裝置的週期行為頻譜圖與該行為頻譜圖儲存模組中該對應類型的行為頻譜圖進行比對，俾完成該一個或多個感測裝置之分析。
本發明所揭之用於感測裝置之分析方法更包括：於根據該行為分類記錄檔判斷出該一個或多個感測裝置沒有該對應類型的行為頻譜圖時，將該一個或多個感測裝置的該週期行為頻譜圖與該行為頻譜圖儲存模組中多個類型的行為頻譜圖進行比對，俾根據比對結果，將該一個或多個感測裝置進行分類以儲存在該行為分類記錄檔，其中，於該一個或多個感測裝置的該週期行為頻譜圖與該行為頻譜圖儲存模組中一類型的行為頻譜圖比對相同時，在該行為分類記錄檔中將該感測裝置歸類至該類型，而於該一個或多個感測裝置的該週期行為頻譜圖與該行為頻譜圖儲存模組中該多個類型的行為頻譜圖比對不同時，則在該行為頻譜圖儲存模組中增加一新類型的行為頻譜圖。
本發明所揭之用於感測裝置之分析方法更包括：將該一個或多個感測裝置的週期行為頻譜圖彼此比對，以將該一個或多個感測裝置的該週期行為頻譜圖分成多個群組；於該行為頻譜圖儲存模組中，儲存與該多個群組相關聯的該多個類型的行為頻譜圖；以及於該行為分類記錄檔中，記錄該一個或多個感測裝置與該多個類型的行為頻譜圖之間的對應關係。
於一實施例中，於該一個或多個感測裝置的週期行為頻譜圖與該行為頻譜圖儲存模組中該對應類型的行為頻譜圖比對相同時，判斷該一個或多個感測裝置行為正常，而於該一個或多個感測裝置的週期行為頻譜圖與該行為頻譜圖儲存模組中該對應類型的行為頻譜圖比對不同時，判斷該一個或多個感測裝置行為異常。
於一實施例中，該方法利用一個對應類型的偵測程序來執行一個感測裝置的週期行為頻譜圖之圖形比對，及其中，該方法利用多個對應類型的偵測程序來執行多個感測裝置的週期行為頻譜圖之圖形比對。
本發明所揭之電腦程式產品，經電腦下載電腦程式以執行如本發明所揭之用於感測裝置之分析方法。
根據本發明所揭之用於感測裝置之分析設備、分析方法及電腦程式產品，先將多個感測裝置進行分群，即具有相似的週期行為頻譜圖歸類在同一群組，如每小時上傳資料的感測裝置歸類在同一群組而每週上傳資料的感測裝置歸類在另一群組，而同一群組的感測裝置視為同一類型；接著，在行為頻譜圖儲存模組中儲存多個不同類型的行為頻譜圖，並在行為分類記錄檔中記錄各個感測裝置對應的類型，則同一群組(即同一類型)的感測裝置可使用同一類型的偵測程序來偵測該感測裝置是否異常，即將感測裝置的週期行為頻譜圖與行為頻譜圖儲存模組中對應類型的行為頻譜圖進行比對，且較多感測裝置的群組起較多的偵測程序來偵測，而較少感測裝置的群組起較少的偵測程序來偵測，藉此，能快速偵測大量感測裝置的異常行為。
1:感測裝置
11:感測裝置A、B、C、D
12:感測裝置E、F、G、H、I、J、K
13:感測裝置L、M、N
2,4:分析設備
21,41:資料管理模組
22,42:行為分類模組
23,43:行為偵測模組
231,431:1st類型偵測程序
232,432:2nd類型偵測程序
233:Nth類型偵測程序
433:3rd類型偵測程序
24,44:行為分類記錄檔
25,45:行為頻譜圖儲存模組
251,451:1st類型行為頻譜圖
252,452:2nd類型行為頻譜圖
253,453:Nth類型行為頻譜圖
453:3rd類型行為頻譜圖
26,46:結果處理模組
S211~S212,S221~S225,S231~S233:步驟
圖1係本發明之用於感測裝置之分析設備的方塊示意圖。
圖2係本發明之用於感測裝置之分析方法的流程示意圖。
圖3係本發明之用於感測裝置之分析設備的具體實施例之方塊示意圖。
以下藉由特定的實施例說明本案之實施方式，熟習此項技藝之人士可由本文所揭示之內容輕易地瞭解本案之其他優點及功效。本說明書所附圖式所繪示之結構、比值、大小等均僅用於配合說明書所揭示之內容，以供熟悉此技藝之人士之瞭解與閱讀，非用於限定本案可實施之限定條件，故任何修飾、改變或調整，在不影響本案所能產生之功效及所能達成之目的下，均應仍落在本案所揭示之技術內容得能涵蓋之範圍內。
請參閱圖1，本發明之分析設備2與感測裝置1網路連接，且分析設備22包括資料管理模組21、行為分類模組22、行為偵測模組23、行為分類記錄檔24、行為頻譜圖儲存模組25、結果處理模組26。
在一實施例中，分析設備2可為一遠端或雲端之伺服器。在另一實施例中，圖1中的各模組均可為軟體、硬體或韌體；若為硬體，則可為具有資料處理與運算能力之處理單元、處理器、電腦；若為軟體或韌體，則可包括處理單元、處理器、電腦可執行之指令。在一實施例中，感測裝置1可為一個裝置、多個同類型裝置、或多個不同類型裝置。
行為頻譜圖儲存模組25儲存有多個類型的行為頻譜圖，例如：1st類型行為頻譜圖251、2nd類型行為頻譜圖252、…、Nth類型行為頻譜圖253。這些行為頻譜圖可來自於將多個感測時序資料經傅立葉轉換而產生，再藉由機器學習方法將這些行為頻譜圖分群(clustering)，即將特徵相似的行為頻譜圖歸類為同一群組，例如類似週期行為的圖形歸成同一類型，以產生多個類型的行為頻譜圖而儲存在行為頻譜圖儲存模組25中，供後續行為分類模組22和行為偵測模組23執行比對時的依據。具體實施時，這些行為頻譜圖可被兩兩比對以分成多個群組，被分到同一群組的行為頻譜圖大致都具有相似的特徵，即視為同一類型。於一實施例中，一行為頻譜圖為一個該類型的感測裝置1之正常行為的一行為頻譜圖、或者為一個該類型的感測裝置1之歷史行為經過機器學習之後的優化模型之一行為頻譜圖。於另一實施例中，一行為頻譜圖為多個同類型的感測裝置1之正常行為統計之後的一行為頻譜圖、或者為多個同類型的感測裝置1之歷史行為經過機器學習之後的優化模型之一行為頻譜圖。
行為分類記錄檔24用於記錄感測裝置的類型，例如：1st類型、2nd類型、…、Nth類型，以及對應的行為頻譜圖之類型。例如：多個水質偵測裝置分類為1st類型，多個空氣品質偵測裝置分類為2nd類型，多個太陽能裝置分類為3rd類型。
資料管理模組21接收感測裝置1的感測時序資料，以根據行為分類記錄檔24判斷，感測裝置1在行為頻譜圖儲存模組25中是否有對應類型的行為頻譜圖，其中，感測裝置1的數量為一個(如圖1所示)或多個同類型或不同類型。於一實施例中，感測裝置1為具有通用唯一辨識
碼(UID)之物聯網裝置並週期性地上傳感測資料，資料管理模組21接收感測裝置1傳輸的感測時序資料時，能依其通用唯一辨識碼在行為分類記錄檔24中判斷感測裝置1的類型。於又一實施例中，感測裝置1週期性地傳輸感測資料至資料管理模組21，資料管理模組21依據感測裝置1的感測資料的傳輸頻率、資料傳輸量、或感測裝置1的所在場域而判斷感測裝置1的類型。如果在行為分類記錄檔24中無法判斷出感測裝置1的類型，表示感測裝置1的行為尚未分類且在行為頻譜圖儲存模組25中也沒有對應類型的行為頻譜圖，則由行為分類模組22執行接下來的行為分類；如果在行為分類記錄檔24中能判斷出感測裝置1的類型，表示感測裝置1的行為已分類且在行為頻譜圖儲存模組25中已有對應類型的行為頻譜圖，則由行為偵測模組23執行接下來的行為偵測。
行為分類模組22於該資料管理模組21判斷出感測裝置1沒有歸屬的類型時，執行感測裝置1的行為分類。於執行感測裝置1的行為分類時，先將感測裝置1的感測時序資料(time-series data)利用例如傳立葉轉換(Fourier transform)來轉換成週期行為頻譜圖(cyclic behavior spectrum)，接著，將感測裝置1的週期行為頻譜圖與行為頻譜圖儲存模組25中多個類型的行為頻譜圖進行比對，即與1st類型行為頻譜圖251、2nd類型行為頻譜圖252、…、Nth類型行為頻譜圖253一一比對，藉此得知感測裝置1的週期行為頻譜圖對應至哪一類型。於與行為頻譜圖儲存模組25中某一類型的行為頻譜圖比對出相同特徵時，行為分類模組22在行為分類記錄檔24中將感測裝置1歸類至該類型；而於與行為頻譜圖儲存模組25中多個類型的行為頻譜圖未比對出相同特徵時，行為分類模組22則
在行為頻譜圖儲存模組25中增加一新類型的行為頻譜圖，再記錄在行為分類記錄檔24中。舉例來說，假設有感測裝置A、B、C、D、E、F、G，這些感測裝置的週期行為頻譜圖先彼此比對以分成(例如)三個群組，則行為頻譜圖儲存模組25中儲存與這三個群組關聯的三個類型的行為頻譜圖。假設後續有一感測裝置H要分類，則將感測裝置H的週期行為頻譜圖與這三個類型的行為頻譜圖比對，若比對相符則將感測裝置H歸類至該類型，若比對不相符則將感測裝置H自成一類。
行為偵測模組23於資料管理模組21判斷出感測裝置1的類型時，執行感測裝置1的行為偵測。於執行感測裝置1的行為偵測時，先將感測裝置1的感測時序資料轉換成週期行為頻譜圖，接著，根據感測裝置1在行為分類記錄檔24的類型，利用對應類型的偵測程序，將感測裝置1的週期行為頻譜圖與行為頻譜圖儲存模組25中對應類型的行為頻譜圖進行圖形比對(例如：利用CNN來比對兩張行為頻譜圖，例如，比對感測裝置1的週期行為頻譜圖的特徵與行為頻譜圖儲存模組25中對應類型的行為頻譜圖的特徵，在相似的位置上比對兩張行為頻譜圖的大略特徵，藉此判斷兩張頻譜圖是否相同)。於該週期行為頻譜圖與行為頻譜圖儲存模組25中該對應類型的行為頻譜圖比對相同時，行為偵測模組23之比對結果係為正常，而於該週期行為頻譜圖與行為頻譜圖儲存模組25中該對應類型的行為頻譜圖比對不同時，行為偵測模組23之比對結果係為異常。
此外，行為偵測模組23具有多個類型的多個偵測程序，例如：多個1st類型偵測程序231、多個2nd類型偵測程序232、…、多個Nth類型偵測程序233，對於一個感測裝置的週期行為頻譜圖，行為偵測模組23
利用一個對應類型的偵測程序來執行圖形比對，而對於同時多個感測裝置的週期行為頻譜圖，行為偵測模組23同時利用多個對應類型的偵測程序來執行圖形比對。於一實施例中，根據行為分類記錄檔24得知感測裝置1為1st類型之後，行為偵測模組23利用1st類型偵測程序231，將感測裝置1的週期行為頻譜圖與行為頻譜圖儲存模組25中的1st類型行為頻譜圖251進行圖形比對，藉此獲得圖形比對相同或不相同之比對結果，其中不相同的情況可能是圖形形狀不同或者有圖形歧異點，皆可視為行為異常之判斷。
結果處理模組26接收行為偵測模組23之比對結果，若比對結果為行為正常，則顯示於偵測報表中，若比對結果為行為異常，則下達控制令至感測裝置1或啟動規則引擎以觸發其他裝置等等之多種處理，並顯示於偵測報表中。
因此，於圖1所示之實施例中，分析設備2將原本以時間序列呈現之感測裝置1的時序資料轉換成頻譜圖，藉此透過執行圖形比對來偵測感測裝置的行為正常或異常。另外，分析設備2將具有同樣特徵頻譜圖之感測裝置歸類為同一類型，並利用對應類型的偵測程序執行與對應類型的特徵頻譜圖之圖形比對，對於數量較多的類型的感測裝置使用較多偵測程序，而對於數量較少的類型的感測裝置使用較少偵測程序，藉此動態分配資源以減少資源的消耗。
請參閱圖2，本發明之用於感測裝置之分析方法包括步驟S211~S212、S221~S225、S231~S233，主要由分析設備所執行。
於步驟S211中，接收感測裝置的感測時序資料，接著進至步驟S212。
於步驟S212中，根據行為分類記錄檔，判斷感測裝置是否有對應類型的行為頻譜圖。若是，進至步驟S231~S233以執行行為偵測程序；若否，進至步驟S221~S225以執行行為分類程序。
於步驟S221中，將感測時序資料轉換為週期行為頻譜圖，接著進至步驟S222。
於步驟S222中，將感測裝置的週期行為頻譜圖與行為頻譜圖儲存模組中多個類型的行為頻譜圖進行比對，接著進至步驟S223。
於步驟S223中，是否比對出相同特徵的行為頻譜圖。若是，進至步驟S225以記錄在行為記錄檔中；若否，進至步驟S224以在行為頻譜圖儲存模組中增加一新類型的行為頻譜圖再記錄在行為記錄檔中。
於步驟S231中，將感測時序資料轉換為週期行為頻譜圖，接著進至步驟S232。
於步驟S232中，根據感測裝置的類型利用對應類型的偵測程序，將感測裝置的週期行為頻譜圖與行為頻譜圖儲存模組中對應類型的行為頻譜圖進行圖形比對，接著進至步驟S233。
於步驟S233中，處理比對結果，例如根據比對結果顯示紀錄、告警通知、或觸發動作。
本發明之方法係執行在例如伺服器、電腦或其他具有資料處理、運算、儲存、網路通聯等功能的一個單獨或多個集合之設備中，其中，該伺服器、電腦或設備包括中央處理器、硬碟、記憶體等。
此外，本發明之電腦程式產品係經由電腦載入程式後執行該方法，而本發明之電腦可讀取紀錄媒體(例如硬碟、軟碟、光碟、USB隨身
碟)係儲存有該電腦程式產品。另外，電腦程式產品亦可在網路上直接傳輸提供，故電腦程式產品係為載有電腦可讀取之程式且不限外在形式之物。
另外，本發明還提供一種電腦可讀媒介，係應用於具有處理器及/或記憶體之計算設備或電腦中，且電腦可讀媒介儲存有指令，並可利用計算設備或電腦透過處理器及/或記憶體執行電腦可讀媒介，以於執行電腦可讀媒介時執行上述方法及/或內容。
以下舉例說明本發明之用於感測裝置之分析設備、分析方法、電腦程式產品及電腦可讀取紀錄媒體的具體實施例。
請參閱圖3，感測裝置A,B,C,D 11(例如水質偵測裝置4台)、感測裝置E,F,G,H,I,J,K 12(例如空氣品質偵測裝置7台)、感測裝置L,M,N13(例如太陽能裝置3台)，傳送感測時序資料(例如溫度、濕度、PM2.5、水溫、含氧量、發電量)到分析設備4的感測資料管理模組41。
感測資料管理模組41接收感測時序資料，在行為分類記錄檔44中查詢裝置是否有對應類型的行為頻譜圖，以決定由行為分類模組42執行行為分類或由行為偵測模組43執行行為偵測。行為分類記錄檔44如表一所示。
在行為頻譜圖儲存模組45中儲存有1st類型行為頻譜圖451、2nd類型行為頻譜圖452、3rd類型行為頻譜圖453。例如，感測裝置11、12、13的感測資料原本是以時域表示，即橫軸為時間，而縱軸為振幅，也就是感測資料的單位(如溫度、濕度、含氧量、發電量等)，可以波函數表達。經過傅立葉轉換後即以頻域表示，其中，橫軸為頻率為，縱軸為波函數的相位角度。
若在行為分類記錄檔44中，裝置沒有對應類型的行為頻譜圖時，行為分類模組42先將裝置的歷史感測時序資料轉成傅立葉頻譜圖，與行為頻譜圖儲存模組45中的行為頻譜圖以two pair CNN比對分類方法。由於行為頻譜圖儲存模組45中的行為頻譜圖已分成三群，如此可降低複雜度，也就是說，如果為已有分群(例如四群)，此時假設有30個裝置，則要比對次數為30*4，會隨著分群的群數量越多，計算複雜度會降低；反之，如一開始沒有任何分群，假設有50個裝置同時要分群就要花費50*50比對次數，來分成4群(必須設定，且包含未知群)，導致複雜度提升。Two pair CNN比對係指，將感測裝置A、B、C、D、E、F、G的週期行為頻譜圖彼此比對以分成多個群組，例如裝置A與裝置B的週期行為頻譜圖比對，裝
置A與裝置C的週期行為頻譜圖比對，裝置A與裝置D的週期行為頻譜圖比對，裝置A與裝置E的週期行為頻譜圖比對，裝置A與裝置F的週期行為頻譜圖比對，裝置A與裝置G的週期行為頻譜圖比對，裝置B與裝置A的週期行為頻譜圖比對，裝置B與裝置C的週期行為頻譜圖比對，裝置B與裝置D的週期行為頻譜圖比對，裝置B與裝置E的週期行為頻譜圖比對，裝置B與裝置F的週期行為頻譜圖比對，裝置B與裝置G的週期行為頻譜圖比對，…，裝置G與裝置A的週期行為頻譜圖比對，裝置G與裝置B的週期行為頻譜圖比對，裝置G與裝置C的週期行為頻譜圖比對，裝置G與裝置D的週期行為頻譜圖比對，裝置G與裝置E的週期行為頻譜圖比對，裝置G與裝置F的週期行為頻譜圖比對。假設後續有一感測裝置H要分類，則將感測裝置H的週期行為頻譜圖與前述多個類型的行為頻譜圖比對，若比對相符則將感測裝置H歸類至該類型，若比對不相符則將感測裝置H自成一類。
若在行為分類記錄檔44中，裝置已有對應類型的行為頻譜圖時，行為偵測模組43包含多個偵測程序431-433來執行行為偵測。偵測程序431負責進行歸類在1st類型的感測A,B,C,D 11的傅立葉頻譜圖做CNN圖形比對，以此類推。在此，就是4*1比對，如圖形不符，表示設備上傳感測資料頻率有變化(視為行為異常)，如圖形相符視為行為正常。行為偵測模組43的結果無論異常或正常，皆會傳送到結果處理模組46。
換言之，若感測裝置11、12或13在行為分類記錄檔44中記錄有對應的類型，則無需執行行為分類而直接執行行為偵測；若感測裝置11、12或13在行為分類記錄檔44中未紀錄有對應的類型，則由行為分類
模組42先執行行為分類再由行為偵測模組43執行行為偵測。所述行為分類，即將感測裝置11、12或13的週期行為頻譜圖與行為頻譜圖儲存模組45中的多個類型的行為頻譜圖進行圖形比對，若相同則將感測裝置11、12或13歸類至該類型，若與全部類型的行為頻譜圖皆比對完後仍無相同者，則新增一新類型。所述行為偵測，即將感測裝置11、12或13的週期行為頻譜圖與行為頻譜圖儲存模組45中對應類型的行為頻譜圖進行圖形比對，若相同則判斷行為正常，若不同則判斷行為異常。
行為偵測模組43的結果傳送到結果處理模組46，結果處理模組46可將結果產生視覺化報表。如判斷結果為行為異常，可傳送到規則引擎，觸發相對的動作，例如發送簡訊通知管理人員察看異常的感測裝置L，例如觸發其他裝置啟動。
綜上所述，感測資料原本以時間序列呈現，本案將其採用傅立葉轉換為頻譜圖，因採用圖形比對，可判斷圖形形狀的不同(例如裝置上傳資料的週期異於平常)或者有歧異點(此可視為特殊門檻值)，藉此判斷是否行為異常。另外，本案採用行為分類來對感測裝置執行行為偵測，將具有相同或相似特徵的行為頻譜圖之裝置歸類為同一群，該群感測裝置可使用同一類型的偵測程序來共同偵測該群感測裝置的行為是否異常，故較多裝置的群組可起較多的偵測程序，而較少裝置的群組可起較少的偵測程序，藉此達到動態調整資源。
上述實施例僅例示性說明本案之功效，而非用於限制本案，任何熟習此項技藝之人士均可在不違背本案之精神及範疇下對上述該些實
施態樣進行修飾與改變。因此本案之權利保護範圍，應如後述之申請專利範圍所列。
1:感測裝置
2:分析設備
21:資料管理模組
22:行為分類模組
23:行為偵測模組
231:1st類型偵測程序
232:2nd類型偵測程序
233:Nth類型偵測程序
24:行為分類記錄檔
25:行為頻譜圖儲存模組
251:1st類型行為頻譜圖
252:2nd類型行為頻譜圖
253:Nth類型行為頻譜圖
26:結果處理模組
Claims (11)
- 一種用於感測裝置之分析設備，係包括：行為頻譜圖儲存模組，儲存多個行為頻譜圖，且各該行為頻譜圖係為一類型的一感測裝置之正常行為的一行為頻譜圖、一類型的一感測裝置之歷史行為經過機器學習之後的優化模型之一行為頻譜圖、同一類型的多個感測裝置之正常行為統計之後的一行為頻譜圖、或同一類型的多個感測裝置之歷史行為經過機器學習之後的優化模型之一行為頻譜圖；行為分類記錄檔，記錄與感測裝置的歸類資訊；資料管理模組，接收該感測裝置週期性傳來的感測時序資料，查詢該行為分類記錄檔，以判斷該感測裝置的類型以及在該行為頻譜圖儲存模組中是否有對應該類型的行為頻譜圖；以及行為偵測模組，將該感測裝置的該感測時序資料經傅立葉轉換而生成週期行為頻譜圖，以於該行為頻譜圖儲存模組中具有對應該類型的行為頻譜圖時，利用對應該類型的偵測程序，將該感測裝置的該週期行為頻譜圖與該行為頻譜圖儲存模組中對應該類型的行為頻譜圖進行圖形比對，俾根據比對結果分析該感測裝置。
- 如請求項1所述之分析設備，更包括：行為分類模組，於該資料管理模組查詢該行為分類記錄檔而判斷出行為頻譜圖儲存模組中沒有對應該類型的行為頻譜圖時，將該感測裝置的該週期行為頻譜圖與該行為頻譜圖儲存模組中該多個行為頻譜圖進行圖形比對，俾根據該行為分類模組之比對結果，將該裝置進行分類以儲存在該行為分類記錄檔， 其中，於該感測裝置的該週期行為頻譜圖與該行為頻譜圖儲存模組中一類型的行為頻譜圖比對相同時，該行為分類模組係在該行為分類記錄檔中將該感測裝置歸類至該類型，而於該感測裝置的該週期行為頻譜圖與該行為頻譜圖儲存模組中該多個類型的行為頻譜圖比對不同時，該行為分類模組則根據該感測裝置的該週期行為頻譜圖在該行為頻譜圖儲存模組中增加一新類型的行為頻譜圖。
- 如請求項1所述之分析設備，更包括行為分類模組，其中，該行為頻譜圖儲存模組中的該多個行為頻譜圖係來自於該行為分類模組將具有正常行為或歷史行為的感測裝置的週期行為頻譜圖彼此比對以分成多個群組，以於該行為分類記錄檔中，記錄該多個群組的行為頻譜圖之對應的類型。
- 如請求項1所述之分析設備，其中，該行為偵測模組利用對應該類型的偵測程序將該感測裝置的該週期行為頻譜圖與該行為頻譜圖儲存模組中對應該類型的行為頻譜圖進行圖形比對，而圖形比對相同時，判斷該感測裝置行為正常，而圖形比對不同時，判斷該感測裝置行為異常。
- 如請求項1所述之分析設備，其中，該行為偵測模組係具有多個偵測程序群，各該偵測程序群係對應各自的類型，且各該偵測程序群含有各自數量的偵測程序，其中，若該感測裝置的數量較少且為同類型，該行為偵測模組係利用含有較少數量且對應該感測裝置的類型的偵測程序群來執行圖形比對，其中，若該感測裝置的數量較多且為同類型，該行為偵測模組係利用含有較多且對應該感測裝置的類型的偵測程序群來執行圖形比對。
- 一種用於感測裝置之分析方法，係由分析設備所執行，該分析方法係包括：接收感測裝置週期性傳來的感測時序資料；查詢一行為分類記錄檔，判斷該感測裝置的類型以及一行為頻譜圖儲存模組中是否有對應該類型的行為頻譜圖，其中，該行為頻譜圖儲存模組係儲存有多個行為頻譜圖，且各該行為頻譜圖係為一類型的一感測裝置之正常行為的一行為頻譜圖、一類型的一感測裝置之歷史行為經過機器學習之後的優化模型之一行為頻譜圖、同一類型的多個感測裝置之正常行為統計之後的一行為頻譜圖、或同一類型的多個感測裝置之歷史行為經過機器學習之後的優化模型之一行為頻譜圖；將該感測裝置的該感測時序資料經傅立葉轉換而生成週期行為頻譜圖；以及當該行為頻譜圖儲存模組中具有對應該類型的行為頻譜圖時，利用對應該類型的偵測程序，將該感測裝置的該週期行為頻譜圖與該行為頻譜圖儲存模組中的對應該類型的行為頻譜圖進行圖形比對，俾根據比對結果分析該感測裝置。
- 如請求項6所述之分析方法，更包括：於查詢該行為分類記錄檔而判斷出該行為頻譜圖儲存模組中沒有對應該類型的行為頻譜圖時，將該感測裝置的該週期行為頻譜圖與該行為頻譜圖儲存模組中該多個行為頻譜圖進行圖形比對，俾根據比對結果將該感測裝置進行分類以儲存在該行為分類記錄檔， 其中，於該感測裝置的該週期行為頻譜圖與該行為頻譜圖儲存模組中一類型的行為頻譜圖比對相同時，在該行為分類記錄檔中將該感測裝置歸類至該類型，而於該感測裝置的該週期行為頻譜圖與該行為頻譜圖儲存模組中該多個行為頻譜圖比對不同時，則根據該感測裝置的該週期行為頻譜圖在該行為頻譜圖儲存模組中增加一新類型的行為頻譜圖。
- 如請求項6所述之方法，更包括：將具有正常行為或歷史行為的感測裝置的週期行為頻譜圖彼此比對以分成多個群組；以及於該行為分類記錄檔中，記錄該多個群組的行為頻譜圖之對應的類型。
- 如請求項6所述之方法，其中，利用對應該類型的偵測程序將該感測裝置的該週期行為頻譜圖與該行為頻譜圖儲存模組中對應該類型的行為頻譜圖進行圖形比對，而圖形比對相同時，判斷該感測裝置的行為正常，而圖形比對不同時，判斷該裝置的行為異常。
- 如請求項6所述之方法，其中，該分析設備係具有多個偵測程序群，各該偵測程序群係對應各自的類型，且各該偵測程序群含有各自數量的偵測程序，其中，若該感測裝置的數量較少且為同類型，利用含有較少數量且對應該感測裝置的類型的偵測程序群來執行圖形比對，及其中，若該感測裝置的數量較多且為同類型，利用含有較多且對應該感測裝置的類型的偵測程序群來執行圖形比對。
- 一種電腦程式產品，經電腦下載該電腦程式產品以執行如請求項6-10中任一項所述之分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111117501A TWI825713B (zh) | 2022-05-10 | 2022-05-10 | 用於感測裝置之分析設備、分析方法及電腦程式產品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111117501A TWI825713B (zh) | 2022-05-10 | 2022-05-10 | 用於感測裝置之分析設備、分析方法及電腦程式產品 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202344942A TW202344942A (zh) | 2023-11-16 |
| TWI825713B true TWI825713B (zh) | 2023-12-11 |
Family
ID=89720315
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW111117501A TWI825713B (zh) | 2022-05-10 | 2022-05-10 | 用於感測裝置之分析設備、分析方法及電腦程式產品 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI825713B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102282516A (zh) * | 2009-02-17 | 2011-12-14 | 株式会社日立制作所 | 异常检测方法及异常检测系统 |
| TWI525407B (zh) * | 2010-01-29 | 2016-03-11 | 東京威力科創股份有限公司 | 用於自主學習和自主改進半導體製造工具之方法和系統 |
| TW202200978A (zh) * | 2020-05-08 | 2022-01-01 | 香港商維視拍智能檢測有限公司 | 用於具人工智慧動力之檢驗及預測分析的系統及方法 |
-
2022
- 2022-05-10 TW TW111117501A patent/TWI825713B/zh active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102282516A (zh) * | 2009-02-17 | 2011-12-14 | 株式会社日立制作所 | 异常检测方法及异常检测系统 |
| TWI525407B (zh) * | 2010-01-29 | 2016-03-11 | 東京威力科創股份有限公司 | 用於自主學習和自主改進半導體製造工具之方法和系統 |
| TW202200978A (zh) * | 2020-05-08 | 2022-01-01 | 香港商維視拍智能檢測有限公司 | 用於具人工智慧動力之檢驗及預測分析的系統及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202344942A (zh) | 2023-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111178456B (zh) | 异常指标检测方法、装置、计算机设备和存储介质 | |
| US11037060B2 (en) | Analyzing sequence data using neural networks | |
| CN108228377B (zh) | 一种面向磁盘故障检测的smart阈值优化方法 | |
| EP3598306B1 (en) | Storage system latency evaluation based on i/o patterns | |
| Lan et al. | Toward automated anomaly identification in large-scale systems | |
| US9921937B2 (en) | Behavior clustering analysis and alerting system for computer applications | |
| US9870294B2 (en) | Visualization of behavior clustering of computer applications | |
| US10977569B2 (en) | Visualization of anomalies in time series data | |
| WO2017020614A1 (zh) | 一种检测磁盘的方法及装置 | |
| US20230121897A1 (en) | Autonomous discrimination of operation vibration signals | |
| JP7173284B2 (ja) | イベント監視装置、方法及びプログラム | |
| US11036981B1 (en) | Data monitoring system | |
| US10819593B1 (en) | Reporting continuous system service status based on using real-time short-term and long-term analysis techniques | |
| CN112114986A (zh) | 数据异常识别方法、装置、服务器和存储介质 | |
| CN116416884B (zh) | 一种显示器模组的测试装置及其测试方法 | |
| US20230281186A1 (en) | Explainable anomaly detection for categorical sensor data | |
| TWI825713B (zh) | 用於感測裝置之分析設備、分析方法及電腦程式產品 | |
| US9645875B2 (en) | Intelligent inter-process communication latency surveillance and prognostics | |
| WO2017011667A1 (en) | Distributed machine learning analytics framework for the anaylsis of streaming data sets from a computer enviroment | |
| CN110287256B (zh) | 一种基于云计算的电网数据并行处理系统及其处理方法 | |
| US11727021B2 (en) | Process control tool for processing big and wide data | |
| CN110874601B (zh) | 识别设备运行状态的方法、状态识别模型训练方法及装置 | |
| EP2915059B1 (en) | Analyzing data with computer vision | |
| US20240230733A1 (en) | Frequency domain resampling of time series signals | |
| CN113157506B (zh) | 一种基于变点小波法的硬盘失效分析方法 |