一种工业互联网风险监测方法、系统、装置及存储介质制造方法及图纸

本发明专利技术公开了一种工业互联网风险监测方法、系统、装置及存储介质，通过对工业互联网日志数据进行预处理，可以从原始数据中提取关键数据，筛选掉无关数据及属性；通过训练生成监测器后，利用集成学习方法降低所述监测器预测结果的方差，提高了预测结果的准确性和可靠性，更加适应工业互联网风险监测的需求。

An industrial Internet risk monitoring method, system, device and storage medium

【技术实现步骤摘要】
一种工业互联网风险监测方法、系统、装置及存储介质
本专利技术涉及网络风险监测领域，尤其是一种工业互联网风险监测方法、系统、装置及存储介质。
技术介绍
近年来，随着企业网络技术的发展和互联网应用的普及，传统意义上的单一计算机系统已经无法满足当前各种无所不在的网络应用需求，诸如云计算、物联网等新网络技术等已经逐渐渗透到工业控制的各个领域，工业互联网是其中的典型代表。由于有越来越多的设备连接到网络，网络异常的出现将变得不可避免。网络异常监测如今取得了很多成果，方法各有千秋，这些方法却都能够在一定的程度上实现异常监测，但是面对工业互联网异常监测的问题，这些方法普遍存在准确性和可靠性等方面的一些不足，因此传统方法的评估标准也不能适应工业互联网这种特殊场合的要求。
技术实现思路
为解决上述问题，本专利技术的目的在于提供一种工业互联网风险监测方法、系统、装置及存储介质。本专利技术解决其问题所采用的技术方案是：第一方面，本专利技术实施例提出了一种工业互联网风险监测方法，包括：提取工业互联网日志数据；对工业互联网日志数据进行预处理，得到训练数据集；对训练数据集进行训练，得到监测器；利用集成学习方法降低所述监测器预测结果的方差；输入实时工业互联网日志数据到所述监测器中，得到预测结果。进一步，所述对工业互联网数据进行预处理，得到训练数据集，包括：提取日志类型关键字、主机数据和路径数据；统计日志类型；对主机数据、日志类型和路径数据进行去重；统计词频。进一步，利用滑动平均、自回归预测、神经网络、支持向量机、基因表达式编程中的至少一种模型对训练数据集进行训练。进一步，所述利用集成学习方法降低所述监测器预测结果的方差，包括：选取五种不同的时间序列预测技术作为弱学习算法，所述时间序列预测技术包括滑动平均、自回归预测、神经网络、支持向量机和基因表达式编程，对日志数据进行训练得到基本分类器模型p，其中，所述基本分类器模型p在时间点t对应的预测结果为初始化基本分类器模型p在时间点t对应的权重为重复执行优化步骤，达到停止条件后输出监测器；其中，优化步骤包括：计算加权线性组合下集成学习算法在时间点t的预测值计算在时间点t的相对误差其中c(t)或者为在时间点t上非对称错误代价函数对应的值；计算时间点t的实际异常数量v(t)；计算时间点t时的预测异常数量计算P函数：其中，Cnormal为准确预测的代价，Cunder过低预测的代价；计算R函数：其中，Cover为过高预测的代价；计算非对称错误代价函数AEC：其中，β是用于调整P函数和R函数的权重的参数；更新权重其中，输出的监测器为第二方面，本专利技术实施例还提出了一种工业互联网风险监测系统，包括：提取单元，用于提取工业互联网日志数据；预处理单元，用于对工业互联网日志数据进行预处理，得到训练数据集；训练单元，用于对训练数据集进行训练，得到监测器；优化单元，用于利用集成学习方法降低所述监测器预测结果的方差；输入单元，用于输入实时工业互联网日志数据到所述监测器中，得到预测结果。进一步，所述预处理单元对工业互联网日志数据进行预处理，得到训练数据集，包括：提取日志类型关键字、主机数据和路径数据；统计日志类型；对主机数据、日志类型和路径数据进行去重；统计词频。进一步，所述训练单元利用滑动平均、自回归预测、神经网络、支持向量机、基因表达式编程中的至少一种模型对训练数据集进行训练。进一步，所述优化单元利用集成学习方法降低所述监测器预测结果的方差，包括：选取五种不同的时间序列预测技术作为弱学习算法，所述时间序列预测技术包括滑动平均、自回归预测、神经网络、支持向量机和基因表达式编程，对日志数据进行训练得到基本分类器模型p，其中，所述基本分类器模型p在时间点t对应的预测结果为初始化基本分类器模型p在时间点t对应的权重为重复执行优化步骤，达到停止条件后输出监测器；其中，优化步骤包括：计算加权线性组合下集成学习算法在时间点t的预测值计算在时间点t的相对误差其中c(t)或者为在时间点t上非对称错误代价函数对应的值；计算时间点t的实际异常数量v(t)；计算时间点t时的预测异常数量计算P函数：其中，Cnormal为准确预测的代价，Cunder过低预测的代价；计算R函数：其中，Cover为过高预测的代价；计算非对称错误代价函数AEC：其中，β是用于调整P函数和R函数的权重的参数；更新权重其中，输出的监测器为第三方面，本专利技术实施例还提供了一种工业互联网风险监测装置，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指令，所述指令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第一方面所述的方法。第四方面，本专利技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行第一方面所述的方法。本专利技术实施例中提供的一个或多个技术方案，至少具有如下有益效果：本专利技术实施例提供的一种工业互联网风险监测方法、系统、装置及存储介质，通过对工业互联网日志数据进行预处理，可以从原始数据中提取关键数据，筛选掉无关数据及属性；通过训练生成监测器后，利用集成学习方法降低所述监测器预测结果的方差，提高了预测结果的准确性和可靠性，更加适应工业互联网风险监测的需求。附图说明下面结合附图和实例对本专利技术作进一步说明。图1是本专利技术第一实施例中工业互联网风险监测方法的流程图；图2是本专利技术第一实施例中对工业互联网数据进行预处理，得到训练数据集的流程图；图3是本专利技术第一实施例中利用集成学习方法降低所述监测器预测结果的方差的流程图；图4是本专利技术第一实施例中工业互联网风险监测系统的结构示意图；图5是本专利技术第一实施例中工业互联网风险监测装置的结构示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。需要说明的是，如果不冲突，本专利技术实施例中的各个特征可以相互结合，均在本专利技术的保护范围之内。另外，虽然在系统示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于系统中的模块划分，或流程图中的顺序执行所示出或描述的步骤。下面结合附图，对本专利技术实施例作进一步阐述。参照图1，本专利技术的第一实施例提供了一种工业互联网风险监测方法，包括但不限于以下步骤：S100:提取工业互联网日志数据；S200:对工业互联网日志数据进行预处理，得到训练数据集；S300:对训练数据集进行训练，得到监测器；S400:利用集成学习方法降低所述监测器预测结果的方差；S500:输入实时工业互联网日志数据到所述监测器中，得到预测结果。具体地，在S100中，工业互联网日志数据的提取，可以通过SysLog方式来采集日志数据,Syslog协议广泛应用在编程上,许多日志函数都已采纳Syslog协议,Syslog用于许多保护措施，可以通过它记录任何事件，并且，当今网络设备普遍支持Syslog协议，几乎所有的网络设备都可以通过Syslog协议,将日志信息以用户数据报协议(UDP)方式传送到远端服务器,供后台数据库管理和响应之用。另外，Syslog协议和进程具本文档来自技高网...

【技术保护点】
1.一种工业互联网风险监测方法，其特征在于，包括：提取工业互联网日志数据；对工业互联网日志数据进行预处理，得到训练数据集；对训练数据集进行训练，得到监测器；利用集成学习方法降低所述监测器预测结果的方差；输入实时工业互联网日志数据到所述监测器中，得到预测结果。

【技术特征摘要】
1.一种工业互联网风险监测方法，其特征在于，包括：提取工业互联网日志数据；对工业互联网日志数据进行预处理，得到训练数据集；对训练数据集进行训练，得到监测器；利用集成学习方法降低所述监测器预测结果的方差；输入实时工业互联网日志数据到所述监测器中，得到预测结果。2.根据权利要求1所述的一种工业互联网风险监测方法，其特征在于，所述对工业互联网数据进行预处理，得到训练数据集，包括：提取日志类型关键字、主机数据和路径数据；统计日志类型；对主机数据、日志类型和路径数据进行去重；统计词频。3.根据权利要求1所述的一种工业互联网风险监测方法，其特征在于：利用滑动平均、自回归预测、神经网络、支持向量机、基因表达式编程中的至少一种模型对训练数据集进行训练。4.根据权利要求1所述的一种工业互联网风险监测方法，其特征在于，所述利用集成学习方法降低所述监测器预测结果的方差，包括：选取五种不同的时间序列预测技术作为弱学习算法，所述时间序列预测技术包括滑动平均、自回归预测、神经网络、支持向量机和基因表达式编程，对日志数据进行训练得到基本分类器模型p，其中，所述基本分类器模型p在时间点t对应的预测结果为初始化基本分类器模型p在时间点t对应的权重为重复执行优化步骤，达到停止条件后输出监测器；其中，优化步骤包括：计算加权线性组合下集成学习算法在时间点t的预测值计算在时间点t的相对误差其中c(t)或者为在时间点t上非对称错误代价函数对应的值；计算时间点t的实际异常数量v(t)；计算时间点t时的预测异常数量计算P函数：其中，Cnormal为准确预测的代价，Cunder过低预测的代价；计算R函数：其中，Cover为过高预测的代价；计算非对称错误代价函数AEC：其中，β是用于调整P函数和R函数的权重的参数；更新权重其中，输出的监测器为5.一种工业互联网风险监测系统，其特征在于，包括：提取单元，用于提取工业互联网日志数据；预处理单元，用于对工业互联网日志数据进行预处理，得到训练数据集；训练单元，用于对训练数据集进行训练，得到监测器；优化单元，用于利用集成学习方法降低所述监测器预测结果的方差；输入...

【专利技术属性】
技术研发人员：陈盛之，李千目，龙华秋，容振邦，倪震，
申请(专利权)人：五邑大学，
类型：发明
国别省市：广东,44