System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及电力通信数据处理的,尤其涉及一种用于电力通信流量预测的异常数据处理系统。
技术介绍
1、随着电力通信网络的规模扩大和业务需求的增加,网络数据流量规模越来越大,使得异常数据处理和流量预测等问题日益复杂化。在电力通信系统中,异常数据如网络攻击、设备故障等可能对系统产生严重影响,因此迫切需要开发一种专门的系统来处理这些异常数据,并进行流量预测和分析。
2、异常数据处理系统必须能够在面对大规模数据的情况下,快速准确地识别和处理各类异常数据,包括但不限于数据干扰、异常流量、和恶意攻击等。同时,该系统还应当具备对电力通信网络流量进行准确预测和分析的能力,以满足对网络性能和稳定性的需求。
3、因此,在电力通信领域,开发一种集成先进算法和技术的异常数据处理系统,能够高效地处理异常数据、进行流量预测以及支持系统决策,将对网络的安全性、运行效率和可靠性产生深远的影响。
技术实现思路
1、本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊,而这种简化或省略不能用于限制本专利技术的范围。
2、鉴于上述现有电力通信系统存在的问题,提出了本专利技术。
3、因此,本专利技术解决的技术问题是:解决现有电力通信系统异常数据处理和流量预测等问题日益复杂化的问题。
4、为解决上述技术问题,本专利技术提供如下
5、作为本专利技术所述的用于电力通信流量预测的异常数据处理系统的一种优选方案,其中:所述数据采集及预处理单元对电力通信数据进行采集及预处理时具体包括如下步骤,联网获取多个终端与主站的网络通信拓扑,对多个终端的网络流量进行旁路提取,进行标准化处理后获取多个终端的网络流量数据包;对多个所述网络流量数据包进行压缩;传输至所述分析单元。
6、作为本专利技术所述的用于电力通信流量预测的异常数据处理系统的一种优选方案,其中:所述分析单元构建所述流量特征模型后还包括对所述流量特征模型的训练;
7、其中,训练过程具体为:对于多个终端中的每个终端,按照预设的周期采集一簇网络流量;基于选择的统计特征,按照所述统计特征统计所述一簇网络流量,生成包括多个统计特征的统计特征数据;计算所述统计特征数据的信息熵,生成流量训练数据,包括:
8、所述统计特征数据的信息熵计算公式如下:
9、
10、其中:h(x)是所述统计特征数据的信息熵,x表示该特征的n个状态,x={xi|i=1,2 ,… ,n},ni是第i个状态xi出现的次数,s表示该统计特征n个状态总的出现次数,ni/s表示第i个状态xi发生的概率,h(x)∈[0 ,log2n]。
11、作为本专利技术所述的用于电力通信流量预测的异常数据处理系统的一种优选方案,其中:所述分析单元通过所述流量训练数据对所述流量特征模型进行训练,生成多个终端中的每个终端的流量特征模型;当所述第一流量异常指数大于设定的第一阈值时,则判断所述终端的流量异常;或当所述第一流量异常指数小于设定的第一阈值时,对多个终端的网络流量数据包进行解析,根据数据包特征模型和所述多个终端的网络流量数据包的解析数据,计算每个终端的第二流量异常指数;根据确定的所述第一流量异常指数和所述第二流量异常指数的权重,计算基于所述第一流量异常指数和所述第二流量异常指数的流量异常综合指数;当所述流量异常综合指数大于设定的第二阈值时,则判断所述终端的流量异常。
12、作为本专利技术所述的用于电力通信流量预测的异常数据处理系统的一种优选方案,其中:所述根据所述第一流量异常指数,基于k 折交叉验证,采用非贪婪教与学优化算法确定网络流量异常检测模型,具体包括:获取机器学习算法;所述机器学习算法包括:支持向量机、决策树以及神经网络;基于k折交叉验证,采用非贪婪教与学优化算法,优化所述机器学习算法的参数;所述参数包括惩罚系数和核宽;根据所述流量数据和优化后的所述机器学习算法的参数确定网络流量异常检测模型。
13、作为本专利技术所述的用于电力通信流量预测的异常数据处理系统的一种优选方案,其中:预处理包括标准格式转换、归一化处理和无效数据清除。
14、作为本专利技术所述的用于电力通信流量预测的异常数据处理系统的一种优选方案,其中:优化所述机器学习算法的参数具体包括,
15、获取第一训练数据集,所述第一训练数据集包括所述电网系统中任意两个互相通信的电网节点在n个连续时间段内的真实电量变化数据;
16、利用所述第一训练数据集对所述电量变化预测模型进行训练,训练时,将所述n个连续时间段内的第i个时间段对应的真实电量变化数据输入所述电量变化预测模型中,得到第i+1个时间段对应的预测电量变化数据,基于所述第i+1个时间段对应的预测电量变化数据和所述第i+1个时间段的真实电量变化数据的误差,更新所述电量变化预测模型的参数,直至预测电量变化数据和对应的真实电量变化数据的误差满足第一预设条件,得到训练好的所述电量变化预测模型,其中,n为大于等于2的正整数,i依次取1至n-1。
17、本专利技术的有益效果:本专利技术提供一种用于电力通信流量预测的异常数据处理系统,本专利技术的异常数据处理系统,通过引入先进的数据处理算法和模型,能够高效处理电力通信网络中的异常数据,并进行流量预测和分析,提高了系统的稳定性和可靠性,具有如下优点:
18、1. 提高了异常数据的处理速度和准确性,有效降低了电力通信系统故障风险;
19、2. 基于流量预测分析,为电力通信网络规划和运营决策提供了重要参考依据;
20、3. 采用了先进的机器学习和数据挖掘技术,充分利用了大数据资源,系统性能优越,适用范围广泛。因此,本专利技术具有较高的实用和推广价值,对提高电力通信网络的运行效率和稳定性具有积极意义。
本文档来自技高网...【技术保护点】
1.一种用于电力通信流量预测的异常数据处理系统,其特征在于:包括以下部件,
2.根据权利要求1所述的用于电力通信流量预测的异常数据处理系统,其特征在于:所述数据采集及预处理单元对电力通信数据进行采集及预处理时具体包括如下步骤,
3.根据权利要求2所述的用于电力通信流量预测的异常数据处理系统,其特征在于:所述分析单元构建所述流量特征模型后还包括对所述流量特征模型的训练;
4.根据权利要求3所述的用于电力通信流量预测的异常数据处理系统,其特征在于:所述分析单元通过所述流量训练数据对所述流量特征模型进行训练,生成多个终端中的每个终端的流量特征模型;
5. 根据权利要求4所述的用于电力通信流量预测的异常数据处理系统,其特征在于:所述根据所述第一流量异常指数,基于K 折交叉验证,采用非贪婪教与学优化算法确定网络流量异常检测模型,具体包括:
6.根据权利要求5所述的用于电力通信流量预测的异常数据处理系统,其特征在于:预处理包括标准格式转换、归一化处理和无效数据清除。
7.根据权利要求6所述的用于电力通信流量预测的异常数据
...【技术特征摘要】
1.一种用于电力通信流量预测的异常数据处理系统,其特征在于:包括以下部件,
2.根据权利要求1所述的用于电力通信流量预测的异常数据处理系统,其特征在于:所述数据采集及预处理单元对电力通信数据进行采集及预处理时具体包括如下步骤,
3.根据权利要求2所述的用于电力通信流量预测的异常数据处理系统,其特征在于:所述分析单元构建所述流量特征模型后还包括对所述流量特征模型的训练;
4.根据权利要求3所述的用于电力通信流量预测的异常数据处理系统,其特征在于:所述分析单元通过所述流量训练数据对所述流量...
【专利技术属性】
技术研发人员:窦增,武迪,李佳,张瑞雪,刘凌宇,姜华,张文龙,张凯,李黎滨,张松,丛犁,王熙,崔杰,苏伟佳,张强,
申请(专利权)人:吉林省吉能电力通信有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。