【技术实现步骤摘要】
本专利技术涉及物联网，尤其涉及一种基于图结构学习的物联网异常检测方法及装置。
技术介绍
1、物联网(internet of things, iot)是通过互联网连接的协同终端和传感器组成的一种新兴技术。物联网可以应用于智能家居、可穿戴设备、智慧城市、医疗、农业、交通、工业等不同的应用领域。物联网的主要优势在于它能够根据传感器收集的数据做出适当的决策，并以智能的方式跟踪设备。典型的物联网环境涉及大量相互连接的传感器，例如水处理厂、发电厂或运输系统中的传感器。通常，从这些传感器收集的实时数据被处理并存储为物联网多元时间序列。这些时间序列中的变量通常是相互关联的，例如，在水处理厂中，如果监测流量的传感器数据出现异常，则监测水压的传感器数据也可能出现异常。由于有大量的传感器和由于它们之间关系的复杂性，在更复杂和大规模的物联网系统中执行异常检测通常更加困难。
2、物联网异常检测在现代社会中具有重要意义和价值。物联网设备通常分布在不同地理位置，监测大量设备状态和运行数据有助于预测潜在的故障或损坏。通过实时监测异常，可以提前预测设备可能出现的故障，并进行及时的维护，从而降低维修成本和停机时间，提高设备的可靠性和可用性。物联网系统涉及大量的数据传输和处理，而且通常在资源有限的环境中运行（如传感器节点、嵌入式设备等）。异常检测可以帮助识别异常的数据流、能源消耗等，从而优化资源分配，提高系统的效率和性能。物联网异常检测不仅有助于保障物联网系统的稳定性、安全性和效率，还能够提升用户体验，为数据分析和智能化决策提供有力支持，因此在物联网应用
3、传统的异常检测方法在一定程度上能够处理物联网实时数据的异常检测任务。其大多是基于统计分析的方法、规则基础的方法和基于模型的方法等。如在1979年tukey提出了一种统计学的方法来进行时序数据的异常检测。然而，这些传统方法通常依赖于人工定义的规则和特征，难以适应复杂和多变的物联网数据特征。此外，它们也无法很好地处理大规模数据和高维数据，其性能和可扩展性也受到限制。
4、随着技术的发展，各种物联网平台中的传感器和设备的数量不断的增加，这不但产生了更多的数据，还引起了对更大的算力的需求。而且增加的传感器的数量也会导致传感器之间的关系更加的复杂，这些都是时间序列异常检测任务遇到的一些挑战。在近年，机器学习和深度学习的方法在物联网实时数据的异常检测中取得了重要的成果。
5、在过去的十几年中，机器学习和深度学习的方法在计算机视觉的任务中取得了巨大的成功，因此研究人员利用这些方法来进行异常检测。如autoregressive model自回归模型（var）,假设变量之间存在相关的线性关系。long short-term memory长短期记忆网络（lstm）通过数据时间上的前后依赖来捕捉变量之间非线性关系。variationalautoencoder变分编码器（vae）通过编码器和解码器来得到变量之间的映射关系。generative adversarial networks 生成对抗网络（gan）通过训练过程中生成网络与判别网络不断对抗最后找到变量之间的映射关系。
6、虽然机器学习和深度学习的方法在物联网的异常检测任务中取得一定的成功，但是它们也存在一些不足：①通常机器学习和深度学习的方法是无监督的方法，其数据的标注成本较高。②虽然有标签的监督学习在实践中被证明有效，但其局限性也日益显现。越来越大的数据量导致其数据标注成本与难度的上升。
技术实现思路
1、本专利技术的目的就在于为了解决上述问题设计了一种基于图结构学习的物联网异常检测方法及装置。
2、本专利技术通过以下技术方案来实现上述目的：
3、基于图结构学习的物联网异常检测方法，包括：
4、s1、构建初始训练模型，初始训练模型包括两个第一模型和第二模型，第一模型和第二模型的结构相同；
5、s2、获取第一训练数据集、第二训练数据集和第三训练数据集，第一训练数据集包括带标签的物联网数据，第二训练数据集包括不带标签的物联网数据，第三训练数据集包括不带标签的物联网数据；
6、s3、训练优化第一模型和第二模型，具体为：第一训练数据集和第二训练数据集均导入第一模型，第三训练数据集导入第二模型，利用第一模型和第二模型得到的分析结果对第一模型和第二模型进行优化，得到优化后的第一模型和第二模型，优化后的第二模型作为异常检测模型；
7、s4、获取待分析的物联网数据；
8、s5、利用异常检测模型对待分析的物联网数据进行分析，得到检测结果。
9、基于图结构学习的物联网异常检测装置，包括：
10、储存器；储存器用于储存程序；
11、执行器；执行器用于执行储存器中储存的程序，执行器执行储存器中储存的程序时，实现如上述的基于图结构学习的物联网异常检测方法。
12、本专利技术的有益效果在于：本方法通过引入了第二模型可以充分利用未标记的数据进行半监督训练，从而提高异常检测模型的泛化能力和性能，通过一系列实验，验证了本异常检测模型的有效性，尽管只使用了极少量（1%-10%）的数据标注，但本异常检测模型在两个真实世界采集的数据集上的性能却超越了大多数无监督方法，有效的实现了降低数据的标注成本的目的。
本文档来自技高网...【技术保护点】
1.基于图结构学习的物联网异常检测方法，其特征在于，包括：
2.根据权利要求1所述的基于图结构学习的物联网异常检测方法，其特征在于，优化训练具体包括：
3.根据权利要求2所述的基于图结构学习的物联网异常检测方法，其特征在于，第一损失表示为：
4.根据权利要求2或3所述的基于图结构学习的物联网异常检测方法，其特征在于，在③中，更新第二模型的参数具体为：根据第一损失和第二损失计算最终损失Loss，根据最终损失更新第一模型的参数，最终损失Loss表示为：
5.根据权利要求2或3所述的基于图结构学习的物联网异常检测方法，其特征在于，在④中，根据更新完的第一模型的参数更新第二模型的参数，表示为：
6.根据权利要求1所述的基于图结构学习的物联网异常检测方法，其特征在于，第一模型和第二模型均包括输入层、图结构学习网络和多层感知网络、随机丢弃层Dropout和输出层，图结构学习网络用于生成邻接矩阵，输出层采用Sigmoid激活函数，输入层的输出作为图结构学习网络的输入，输入层的输出和图结构学习网络的输出均作为多层感知网络的输入，多层感知
7.根据权利要求6所述的基于图结构学习的物联网异常检测方法，其特征在于，多层感知网络包括D层图神经模块GCN和D层全局平均池化层GAP，第d层图神经模块GCN的输出分别作为第d+1层图神经模块GCN的输入和第d层全局平均池化层GAP的输入，D层全局平均池化层GAP的输出均作为随机丢弃层Dropout的输入，其中D为大于1的正整数，d≤D-1，d∈D。
8.根据权利要求6所述的基于图结构学习的物联网异常检测方法，其特征在于，邻接矩阵表示为：
9.基于图结构学习的物联网异常检测装置，其特征在于，包括：
...【技术特征摘要】
1.基于图结构学习的物联网异常检测方法，其特征在于，包括：
2.根据权利要求1所述的基于图结构学习的物联网异常检测方法，其特征在于，优化训练具体包括：
3.根据权利要求2所述的基于图结构学习的物联网异常检测方法，其特征在于，第一损失表示为：
4.根据权利要求2或3所述的基于图结构学习的物联网异常检测方法，其特征在于，在③中，更新第二模型的参数具体为：根据第一损失和第二损失计算最终损失loss，根据最终损失更新第一模型的参数，最终损失loss表示为：
5.根据权利要求2或3所述的基于图结构学习的物联网异常检测方法，其特征在于，在④中，根据更新完的第一模型的参数更新第二模型的参数，表示为：
6.根据权利要求1所述的基于图结构学习的物联网异常检测方法，其特征在于，第一模型和第二模型均包括输入层、图结构学习网络和多层感知网络、随机丢弃层dropout和...
【专利技术属性】
技术研发人员：陈鹏，宋伟建，张明河，单文煜，任建华，陈娟，李曦，谢春芝，
申请(专利权)人：西华大学，
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。