一种物联网设备检测方法、系统和设备技术方案

本发明专利技术公开了一种物联网设备检测方法、系统和设备，方法包括：对各物联设备的高维数据集进行预处理，得到正常样本集和第一异常样本集；利用深度卷积对抗网络中的生成器将随机噪声生成为扩充异常样本，将生成器和判别器进行反复交叉对抗训练，得到第二异常样本集；将训练样本集输入到分类回归树中进行分类训练，得到异常检测模型；基于异常检测模型对待检测物联进行异常检测。本发明专利技术利用第二异常样本集对异常样本进行数据扩充，解决因异常样本数量少而导致正负样本不平衡的问题，从而提高模型的训练精度；通过将训练样本集输入到分类回归树中进行分类训练，以实现对物联网设备的异常行为进行分类检测，提高设备使用的安全性。提高设备使用的安全性。提高设备使用的安全性。

【技术实现步骤摘要】
一种物联网设备检测方法、系统和设备


[0001]本专利技术属于物联网
，具体涉及一种物联网设备检测方法、系统和设备。

技术介绍

[0002]物联网是指通过信息传感设备，按照约定的协议，将任务物体与网络相连，通过信息传播媒介进行信息交互和通信。物联网的目的是实现不受地点、时间限制，长期快速的连接，如智慧家居、智慧城市、智慧交通等应用环境的移动物联网设备。5G时代的到来为物联网技术的发展提供了极大支持，5G标准的指定能够很好地满足物联网的需求，包括网速、容量和安全性等，推动了工业物联网的发展。
[0003]随着物联网的不断发展，海量的设备数据和用户数据导致数据量的激增，向物联网设备提出了高容量、超低延迟、向最终用户提供更好的服务质量和用户体验等要求。而传统异常检测算法大多将原始数据视为正常数据，忽略异常数据来解决数据不均衡这一难题，因此现有方法无法利用异常数据来对异常检测模型进行训练，导致检测结果不够准确。

技术实现思路

[0004]本专利技术的目的是提供一种物联网设备检测方法、系统和设备，用以解决现有技术中存在的无法利用异常数据来对异常检测模型进行训练，导致检测结果不够准确的技术问题。
[0005]为了实现上述目的，本专利技术采用以下技术方案：一方面提供一种物联网设备检测方法，包括：获取各物联设备的高维数据集，并对所述高维数据集进行预处理，得到正常样本集和第一异常样本集；引入采样过程中产生的符合高斯分布的随机噪声，利用深度卷积对抗网络中的生成器将随机噪声生成为扩充异常样本，将扩充异常样本和所述第一异常样本集输入到深度卷积对抗网络中的判别器中进行判别，并将生成器和判别器进行反复交叉对抗训练，得到第二异常样本集；将所述正常样本集、所述第一异常样本集和第二异常样本集整合为训练样本集集输入到分类回归树中进行分类训练，得到异常检测模型；基于所述异常检测模型对待检测物联网设备进行异常检测。
[0006]在一种可能的设计中，所述高维数据集包括高维时间序列数据集，所述高维时间序列数据集包括与各数据特征属性对应的值，各数据特征属性至少包括时间、设备标识、设备类型、设备位置以及设备运行数据，其中，设备运行数据包括设备流量数据。
[0007]在一种可能的设计中，对所述高维数据集进行预处理，包括：采用min
‑
max法对高维时间序列数据集进行归一化处理实现数据标准化，采用主成分分析法对标准化后的高维时间序列数据集进行降维处理，并采用K
‑
mean算法对降维后的时间序列数据集进行聚类分析。
[0008]在一种可能的设计中，在对所述高维时间序列数据集进行归一化处理、降维处理和聚类分析之后，所述方法还包括：对聚类分析之后时间序列数据集进行至少两次滑窗处理，以增加异常样本数据各维度间的相关性和异常样本数据与时间的相关性。
[0009]在一种可能的设计中，将扩充异常样本和所述第一异常样本集输入到深度卷积对抗网络中的判别器中进行判别，并将生成器和判别器进行反复交叉对抗训练，得到第二异常样本集，包括：步骤（1）：将扩充异常样本和所述第一异常样本集输入到判别器中，以便判别器对扩充异常样本和第一异常样本进行区分判别；步骤（2）：采用随机梯度上升法更新判别器的参数，直至判别器的训练能力达到预设标准时，利用随机梯度下降法更新生成器的参数，以便生成器利用映射的多维数据产生新的扩充异常样本；步骤（3）：重复步骤（1）和步骤（2），对判别器和生成器进行反复交叉训练，直至判别器无法对扩充异常样本和第一异常样本进行准确判别时，完成生成器的训练；步骤（4）：将生成器完成训练时输出的扩充异常样本作为第二异常样本集。
[0010]在一种可能的设计中，当判别器无法对扩充异常样本和第一异常样本进行准确判别时，表明深度卷积对抗网络达到数据平衡，此时深度卷积对抗网络的目标函数表达时如下：其中，表示判别器，表示生成器，表示深度卷积对抗网络的目标函数，表示第一异常样本，表示扩充异常样本，表示判别器输出，即判别的样本结果，表示生成器输出，即随机噪声生成的扩充异常样本，表示第一异常样本集的数据分布，表示扩充异常样本的数据分布。
[0011]在一种可能的设计中，在得到第二异常样本集之前，所述方法还包括：对训练完成时的生成器加入特征收缩约束，以惩罚扩充异常样本中与预设样本分布偏差超过阈值的样本点。
[0012]在一种可能的设计中，将所述正常样本集、所述第一异常样本集和第二异常样本集整合为训练样本集集输入到分类回归树中进行分类训练，包括：将步骤A：将正常样本集、第一异常样本集和第二异常样本集整合为训练样本集，并计算训练样本集的洛伦茨系数；步骤B：对训练样本集中的每个数据特征取特征值，根据特征值分别将训练样本集划分为两个子集，并在划分为两个子集后计算每一数据特征的洛伦茨系数；步骤C：选取洛伦茨系数最小的数据特征作为最优特征，将对应的特征值作为分割点来生成二叉树，并将各个训练样本分配至两个子节点中；步骤D：对两个子节点递归调用步骤A~步骤C，直至训练样本集的洛伦茨系数小于阈值，生成对应的分类回归树。
[0013]第二方面提供一种物联网设备检测系统，包括：数据处理模块，用于获取各物联设备的高维数据集，并对所述高维数据集进行预处理，得到正常样本集和第一异常样本集；样本扩充模块，用于引入采样过程中产生的符合高斯分布的随机噪声，利用深度卷积对抗网络中的生成器将随机噪声生成为扩充异常样本，将扩充异常样本和所述第一异常样本集输入到深度卷积对抗网络中的判别器中进行判别，并将生成器和判别器进行反复交叉对抗训练，得到第二异常样本集；分类训练模块，用于将正常样本集、第一异常样本集和第二异常样本集整合为训练样本集集，输入到分类回归树中进行分类训练，得到异常检测模型；异常检测模块，用于基于所述异常检测模型对待检测物联网设备进行异常检测。
[0014]第三方面，本专利技术提供一种计算机设备，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面任意一种可能的设计中所述的物联网设备检测方法。
[0015]第四方面，本专利技术提供一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面任意一种可能的设计中所述的物联网设备检测方法。
[0016]第五方面，本专利技术提供一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面任意一种可能的设计中所述的物联网设备检测方法。
[0017]本专利技术相较于现有技术的有益效果为：本专利技术通过引入采样过程的随机噪声，并利用深度卷积对抗网络中的生成器将随机噪声生成为扩充异常样本，将扩充异常样本和所述第一异常样本集输入到深度卷积对抗网络中的判别器中进行判别，并将生成器和判别器进行反复交叉对抗训练，得到第二异常样本集，以利用第二异常样本集对异常样本进行数据扩充，解决因异常样本数量少而导致正负样本不平衡的问题，从而提高模型的训练精度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种物联网设备检测方法，其特征在于，包括：获取各物联设备的高维数据集，并对所述高维数据集进行预处理，得到正常样本集和第一异常样本集；引入采样过程中产生的符合高斯分布的随机噪声，利用深度卷积对抗网络中的生成器将随机噪声生成为扩充异常样本，将扩充异常样本和所述第一异常样本集输入到深度卷积对抗网络中的判别器中进行判别，并将生成器和判别器进行反复交叉对抗训练，得到第二异常样本集；将正常样本集、第一异常样本集和第二异常样本集整合为训练样本集集输入到分类回归树中进行分类训练，得到异常检测模型；基于所述异常检测模型对待检测物联网设备进行异常检测。2.根据权利要求1所述的物联网设备检测方法，其特征在于，所述高维数据集包括高维时间序列数据集，所述高维时间序列数据集包括与各数据特征属性对应的值，各数据特征属性至少包括时间、设备标识、设备类型、设备位置以及设备运行数据，其中，设备运行数据包括设备流量数据。3.根据权利要求2所述的物联网设备检测方法，其特征在于，对所述高维数据集进行预处理，包括：采用min
‑
max法对高维时间序列数据集进行归一化处理实现数据标准化，采用主成分分析法对标准化后的高维时间序列数据集进行降维处理，并采用K
‑
mean算法对降维后的时间序列数据集进行聚类分析。4.根据权利要求3所述的物联网设备检测方法，其特征在于，在对所述高维时间序列数据集进行归一化处理、降维处理和聚类分析之后，所述方法还包括：对聚类分析之后的时间序列数据集进行至少两次滑窗处理，以增加异常样本数据各维度间的相关性以及异常样本数据与时间的相关性。5.根据权利要求1所述的物联网设备检测方法，其特征在于，将扩充异常样本和所述第一异常样本集输入到深度卷积对抗网络中的判别器中进行判别，并将生成器和判别器进行反复交叉对抗训练，得到第二异常样本集，包括：步骤（1）：将扩充异常样本和所述第一异常样本集输入到判别器中，以便判别器对扩充异常样本和第一异常样本进行区分判别；步骤（2）：采用随机梯度上升法更新判别器的参数，直至判别器的训练能力达到预设标准时，利用随机梯度下降法更新生成器的参数，以便生成器利用映射的多维数据产生新的扩充异常样本；步骤（3）：重复步骤（1）和步骤（2），对判别器和生成器进行反复交叉训练，直至判别器无法对扩充异常样本和第一异常样本进行准确判别时，完成生成器的训练；步骤（4）：将生成器完成训练时输出的扩充异常样本作为第二异常样本集。6.根据权利要求5所...

【专利技术属性】
技术研发人员：葛航，李守位，卢文科，殷亭，李海洋，
申请(专利权)人：郑州华泰联合工业自动化有限公司，
类型：发明
国别省市：