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】
本专利技术涉及计算机,尤其涉及一种车联网云平台日志序列和参数异常检测方法及系统。
技术介绍
1、车联网构建了连接车与车、车与人、车与道路环境之间的通信网络。研究者们通过在车辆上配备固定传感器、控制部件和决策部件,同时融合网络通信技术,搭建了信息交互通道,最终实现了模拟驾驶员行为的智能车辆。
2、云端是车联网的核心。云端主要有数据存储、数据处理以及各种车辆公共服务功能,将数据处理过程迁移到云端,保证了车载端的灵活性。同时,云端上的各种车辆公共服务功能包括了最基本的车辆控制功能。云端围绕车辆的计算和监控管理来部署,有效提升了车联网生态系统的开放化和共享化。但是对于云端部署的各种服务系统和数据库来说,存在更多潜在的攻击接口,更容易受到各类恶意攻击。在车联网智能化、网联化快速发展的背景下,车联网安全问题得到了前所未有的重视。
3、近年来,随着深度学习的兴起,基于深度学习的车联网云平台日志异常检测方法可以提取到更深层的日志事件特征,提高了模型对日志的异常检测能力。虽然,用深度学习的方法取得了不错的效果。但是,目前这些方法忽略了对车联网云平台日志中日志事件前后关系的有效利用,只能够提取到比较单一的特征,无法有效地挖掘出日志中更深层的关系;而且随着序列长度的增加,会导致模型产生长依赖性,使得模型的检测效果随着序列长度的增加逐渐衰退。因此,车联网云平台的日志异常检测仍然是一个艰巨的任务。
4、车联网云平台是整个车联网生态系统中的重要一环。车联网云平台若遭受恶意黑客或好奇用户的攻击,将导致巨大的安全隐患,直接威
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车联网云平台日志序列和参数异常检测方法及系统。
2、本专利技术通过以下技术方案来实现上述目的:
3、车联网云平台日志序列和参数异常检测方法,包括:
4、s1、构建异常检测模型,异常检测模型包括输入层、第一检测模型、第二检测模型和输出层,第一检测模型用于检测日志序列的异常情况,第二检测模型用于检测日志参数的异常情况,输入层的输出分别作为第一检测模型和第二检测模型的输入,第一检测模型和第二检测模型的输出均作为输出层的输入;
5、s2、获取训练数据集,训练数据集中的数据为车联网云平台的历史日志数据;
6、s3、训练数据集导入异常检测模型,对异常检测模型进行优化训练;
7、s4、获取车联网云平台的待检测日志数据,利用优化后的异常检测模型对待检测日志数据进行异常检测,得到异常检测结果。
8、车联网云平台日志序列和参数异常检测系统,包括:
9、储存器;储存器用于储存计算机程序;
10、执行器;执行器用于执行储存器中储存的计算机程序,执行该计算机程序时,实现如上述的车联网云平台日志序列和参数异常检测方法。
11、本专利技术的有益效果在于:本检测方法以深度神经网络为主线,优化现有的车联网云平台日志解析器和特征提取器,设计了新的异常检测模型,可以有效提取日志的语义信息和时间结构关系,解决异常漏检率较高和异常误报的问题,有着更好的性能和可扩展性。
本文档来自技高网...【技术保护点】
1.车联网云平台日志序列和参数异常检测方法,其特征在于,包括:
2.根据权利要求1所述的车联网云平台日志序列和参数异常检测方法,其特征在于,第一检测模型从输入到输出依次包括嵌入层、第一神经网络模块、注意力模块和第一分类器,第一神经网络模块用于处理日志序列得到单元状态值。
3.根据权利要求2所述的车联网云平台日志序列和参数异常检测方法,其特征在于,第一神经网络模块包括A组记忆网络,每组记忆网络包括第一网络、第二网络和叠加层,输入第一神经网络模块的数据划分为多组,每组数据包括A个数据,第a个数据分别输入到第a组记忆网络的第一网络和第二网络,第a组第一网络的输出作为第a-1组第一网络的输入,第a-1组第二网络的输出作为第a组第二网络的输入,第a组第一网络和第二网络的输出均作为第a组叠加层的输入,A组记忆网络的输出均作为图注意力网络的输入,A为正整数,a∈A。
4.根据权利要求2所述的车联网云平台日志序列和参数异常检测方法,其特征在于,注意力模块从输入到输出依次包括第一线性层、多头注意力层、融合层和第二线性层。
5.根据权利要求1所述的车联
6.根据权利要求5所述的车联网云平台日志序列和参数异常检测方法,其特征在于,图注意力网络从输入到输出依次包括时间结构特征提取层和投影层,时间结构特征提取层用于提取两条日志之间的时间间隔,投影层用于将时间间隔投影到图嵌入空间中。
7.根据权利要求6所述的车联网云平台日志序列和参数异常检测方法,其特征在于,将时间间隔投影到图嵌入空间中表示为:,Wt是时间变换系数,表示时间结构特征提取层中计算的第k条和第j条日志之间的时间间隔。
8.根据权利要求1所述的车联网云平台日志序列和参数异常检测方法,其特征在于,在S3中,利用交叉熵损失函数对异常检测模型进行优化,表示为:
9.根据权利要求5所述的车联网云平台日志序列和参数异常检测方法,其特征在于,嵌入相似度表示为:,其中,和是任意两个节点的日志语义向量,Wo表示图变换矩阵,是为了实现节点特征的自适应线性组合,突出重要节点的信息,并减弱不重要节点的影响,以提高日志时间图的表示能力。
10.车联网云平台日志序列和参数异常检测系统,其特征在于,包括:
...【技术特征摘要】
1.车联网云平台日志序列和参数异常检测方法,其特征在于,包括:
2.根据权利要求1所述的车联网云平台日志序列和参数异常检测方法,其特征在于,第一检测模型从输入到输出依次包括嵌入层、第一神经网络模块、注意力模块和第一分类器,第一神经网络模块用于处理日志序列得到单元状态值。
3.根据权利要求2所述的车联网云平台日志序列和参数异常检测方法,其特征在于,第一神经网络模块包括a组记忆网络,每组记忆网络包括第一网络、第二网络和叠加层,输入第一神经网络模块的数据划分为多组,每组数据包括a个数据,第a个数据分别输入到第a组记忆网络的第一网络和第二网络,第a组第一网络的输出作为第a-1组第一网络的输入,第a-1组第二网络的输出作为第a组第二网络的输入,第a组第一网络和第二网络的输出均作为第a组叠加层的输入,a组记忆网络的输出均作为图注意力网络的输入,a为正整数,a∈a。
4.根据权利要求2所述的车联网云平台日志序列和参数异常检测方法,其特征在于,注意力模块从输入到输出依次包括第一线性层、多头注意力层、融合层和第二线性层。
5.根据权利要求1所述的车联网云平台日志序列和参数异常检测方法,其特征在于,第二检测模型从输入到输出依次包括词嵌入层、bigru神经网络、相似度分析层、图注意力网络和第二分类器,bigru神...
【专利技术属性】
技术研发人员:倪冲,刘明,吴磊,陈鹏,单文煜,
申请(专利权)人:衢州海易科技有限公司,
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。