基于分层网络表征学习的工业设备事件检测方法及设备技术

本发明专利技术涉及一种基于分层网络表征学习的工业设备事件检测方法及设备，所述方法包括：获取待检测事件数据，通过一预训练的分层网络表征学习模型，获得属性表征和映射关系，从而获得与待检测事件对应的事件表征，将所得事件表征与所有正常和异常事件的簇心计算欧氏距离，将待检测事件归类为距离小的一类。与现有技术相比，本发明专利技术具有更强的异常检测能力和鲁棒性。棒性。棒性。

【技术实现步骤摘要】
基于分层网络表征学习的工业设备事件检测方法及设备


[0001]本专利技术涉及工业设备异常事件检测
，尤其是涉及一种基于分层网络表征学习的工业设备事件检测方法及设备。

技术介绍

[0002]5G和物联网技术为工业设备提供了数据的实时记录和采集方法，这些数据是智能信息服务的潜在来源。近年来，基于行为模型的工业设备事件异常检测已成为解决网络系统入侵检测等安全问题的一种有效方法。基于行为模型的工业设备事件异常检测是指检测事件与设备的正常行为模式匹配程度。该模型对行为数据的要求比其他网络服务更为严格。因此，工业数据的质量将严重影响后续模型的性能。
[0003]不幸的是，在现实中，工业设备由于一些不可抗拒的限制，如采集技术、隐私保护和业务特征等，导致可用的行为数据通常质量有限、稀疏和零碎。这种数据难以直接满足行为模型需要的数据稳定性和显著性。为了保障工业互联网场景下工业设备的事件安全，需要建立切实有效工业设备事件检测方法，特别是对于那些仅有低质量行为数据的工业场景。
[0004]为了增强行为数据，通常有内部增强和外部增强两种方法。在外本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于分层网络表征学习的工业设备事件检测方法，其特征在于，该方法包括：获取待检测事件数据，通过一预训练的分层网络表征学习模型，获得属性表征和映射关系，从而获得与待检测事件对应的事件表征，将所得事件表征与所有正常和异常事件的簇心计算欧氏距离，将待检测事件归类为距离小的一类。2.根据权利要求1所述的基于分层网络表征学习的工业设备事件检测方法，其特征在于，所述分层网络表征学习模型的构建具体包括：获取离散化的工业设备事件数据，所述工业设备事件数据带有异常事件或正常事件的标签；构建包括事件层、属性层及其映射关系的分层网络，针对工业设备事件数据中每一个事件，将事件的唯一标识符置入事件层，将事件中每个属性置入属性层，引入图神经网络来对属性层进行嵌入，属性视作节点，属性的共现关系视作边；基于所述分层网络，采用网络表征学习算法进行学习，训练获得所述分层网络表征学习模型。3.根据权利要求2所述的基于分层网络表征学习的工业设备事件检测方法，其特征在于，所述离散化具体为：对于离散型数据，保留其原本的离散性；对于连续型数据，根据不同的业务特点设置基本单元，将原始属性转化为基本单元的倍数，使其转化为离散型数据。4.根据权利要求2所述的基于分层网络表征学习的工业设备事件检测方法，其特征在于，通过一事件级提取器捕获所述属性层中的一阶属性交互和二阶属性交互，进而设计所述映射关系。5.根据权利要求2所述的基于分层网络表征学习的工业设备事件检测方法，其特征在于，所述分层网络表征学习模型训练时采用的损失函数表示为：L＝L
s
+L
c
+L
reg
其中，L为...

【专利技术属性】
技术研发人员：王成，朱航宇，
申请(专利权)人：同济大学，
类型：发明
国别省市：