基于人工智能的边缘计算网关数据处理方法及网关技术

本申请提供了一种基于人工智能的边缘计算网关数据处理方法及网关，可以在扰动网关流量训练数据中实现流量异常检测网络的良好调试，此外，通过实时训练的纯净网关流量训练数据的多指示信息推理置信度，对上轮训练优化的对应各个指示信息的训练模板属性参考值进行调节，获得的实时训练优化的对应各个指示信息的训练模板属性参考值作为后一轮优化的对应各指示信息的纯净网关流量训练数据判定使用的参考值，完成不同轮优化采取的各指示信息的训练模板属性参考值的实时更新，提高在大量扰动网关流量训练数据中进行流量异常检测网络的训练的效果。的训练的效果。的训练的效果。

【技术实现步骤摘要】
基于人工智能的边缘计算网关数据处理方法及网关


[0001]本申请涉及人工智能领域，具体而言，涉及一种基于人工智能的边缘计算网关数据处理方法及网关。

技术介绍

[0002]边缘计算网关（Edge Computing Gateway）是一种位于边缘计算网络边缘的设备或系统，用于实现边缘计算的功能和服务。边缘计算是一种将计算和数据处理能力推向网络边缘的分布式计算模型。相比传统的云计算模型，边缘计算将计算资源更接近数据产生的地方，可以提供更低的延迟、更高的实时性和更好的网络带宽利用率。
[0003]为了提高系统的安全性，边缘计算网关需要能够有效地应对和管理流量异常，这可能涉及到流量监测、负载均衡、流量控制、安全防护等策略和机制，以保证边缘计算网络的稳定性和可靠性。常见的流量异常可能出于突发事件、大规模活动、网络攻击（例如分布式拒绝服务攻击（DDoS））、设备故障、网络拓扑变化等，如何实时高效对边缘计算网关的流量数据进行监测，是需要克服的技术问题。
[0004]随着人工智能技术的发展，人工智能在网关数据安全领域已经开始应用，例如威胁检测与本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的边缘计算网关数据处理方法，其特征在于，所述方法包括：获取实时训练的网关流量训练数据集合；通过上轮训练优化的流量异常检测网络提取所述网关流量训练数据集合中网关流量训练数据的流量数据特征，对所述流量数据特征进行归一化操作得到归一化流量特征，基于所述归一化流量特征进行多指示信息推理得到所述网关流量训练数据的多指示信息推理置信度；通过上轮训练优化的对应各个指示信息的训练模板属性参考值与所述网关流量训练数据的多指示信息推理置信度，在所述网关流量训练数据集合中确定对应各个指示信息的纯净网关流量训练数据并调节所述纯净网关流量训练数据的注释标记，基于所述纯净网关流量训练数据的注释标记与多指示信息推理置信度，确定实时训练的多指示信息推理误差；基于所述纯净网关流量训练数据的多指示信息推理置信度，对上轮训练优化的对应各个指示信息的训练模板属性参考值进行调节，得到实时训练优化的对应各个指示信息的训练模板属性参考值；在所述网关流量训练数据集合中确定所述网关流量训练数据的匹配网关流量训练数据与不匹配网关流量训练数据，基于所述网关流量训练数据、所述匹配网关流量训练数据与所述不匹配网关流量训练数据的归一化流量特征，以及所述网关流量训练数据的归一化流量特征与相应的归一化目标，确定实时训练的归一化误差；基于所述多指示信息推理误差与所述归一化误差，对上轮训练优化的流量异常检测网络优化得到实时训练优化的流量异常检测网络；获取实时网关流量数据，并基于所述流量异常检测网络对所述实时网关流量数据进行异常检测。2.如权利要求1所述的方法，其特征在于，所述通过上轮训练优化的对应各个指示信息的训练模板属性参考值与所述网关流量训练数据的多指示信息推理置信度，在所述网关流量训练数据集合中确定对应各个指示信息的纯净网关流量训练数据并调节所述纯净网关流量训练数据的注释标记，包括：逐一将所述多指示信息中的每个指示信息确定为目标指示信息；获取上轮训练优化的对应所述目标指示信息的积极训练模板参考值与消极训练模板参考值；如果所述网关流量训练数据的多指示信息推理置信度中，对应所述目标指示信息的推理置信度不小于所述目标指示信息的积极训练模板参考值，则确定所述网关流量训练数据为所述实时训练中的对应所述目标指示信息的纯净积极网关流量训练数据，调节所述网关流量训练数据对应所述目标指示信息的注释标记为第一标记结果；如果所述网关流量训练数据的多指示信息推理置信度中，对应所述目标指示信息的推理置信度不大于所述目标指示信息的消极训练模板参考值，则确定所述网关流量训练数据为所述实时训练中的对应所述目标指示信息的纯净消极网关流量训练数据，调节所述网关流量训练数据对应所述目标指示信息的注释标记为第二标记结果。3.如权利要求2所述的方法，其特征在于，所述基于所述纯净网关流量训练数据的多指示信息推理置信度，对上轮训练优化的对应各个指示信息的训练模板属性参考值进行调
节，得到实时训练优化的对应各个指示信息的训练模板属性参考值，包括：逐一将所述多指示信息中的每个指示信息确定为目标指示信息；基于所述实时训练中的所述目标指示信息的纯净积极网关流量训练数据，对应所述目标指示信息的推理置信度的平均结果，对上轮训练优化的对应所述目标指示信息的积极训练模板参考值进行优化，得到实时训练优化的对应所述目标指示信息的积极训练模板参考值；基于所述实时训练中的所述目标指示信息的纯净消极网关流量训练数据，对应所述目标指示信息的推理置信度的平均结果，对上轮训练优化的对应所述目标指示信息的消极训练模板参考值进行优化，得到实时训练优化的对应所述目标指示信息的消极训练模板参考值。4.如权利要求3所述的方法，其特征在于，所述基于所述实时训练中的所述目标指示信息的纯净积极网关流量训练数据，对应所述目标指示信息的推理置信度的平均结果，对上轮训练优化的对应所述目标指示信息的积极训练模板参考值进行优化，得到实时训练优化的对应所述目标指示信息的积极训练模板参考值，包括：将上轮训练优化的对应所述目标指示信息的积极训练模板参考值，与所述实时训练中的所述目标指示信息的纯净积极网关流量训练数据对应所述目标指示信息的推理置信度的平均结果进行偏心计算后相加，得到实时训练优化的对应所述目标指示信息的积极训练模板参考值；其中，所述上轮训练优化的对应所述目标指示信息的积极训练模板参考值的偏心系数大于所述平均结果的偏心系数；所述基于所述实时训练中的所述目标指示信息的纯净消极网关流量训练数据，对应所述目标指示信息的推理置信度的平均结果，对上轮训练优化的对应所述目标指示信息的消极训练模板参考值进行优化，得到实时训练优化的对应所述目标指示信息的消极训练模板参考值，包括：将上轮训练优化的对应所述目标指示信息的消极训练模板参考值，与所述实时训练中的所述目标指示信息的纯净消极网关流量训练数据对应所述目...

【专利技术属性】
技术研发人员：胡涛，刘晓林，陈廉之，
申请(专利权)人：成都雨云科技有限公司，
类型：发明
国别省市：