本发明专利技术公开了一种基于大数据的智能家居终端风险评估方法及系统,包括获取智能家居终端的工作数据,对所述工作数据进行预处理,所述日志数据进行异常识别获得问题数据,将所述问题数据和所述风险数据库进行比对获得风险等级,将所述维护数据输入难度系数模型获得难度系数,根据所述难度系数校正所述风险等级获得风险评估函数,根据所述风险评估函数构建智能家居终端风险评估模型,将待评估数据输入所述智能家居终端风险评估模型,输出风险评估结果。该方法不仅可以提高智能家居终端风险评估方法的精度,同时具有较好的可解释性,可以直接应用于智能家居终端风险评估系统中。
【技术实现步骤摘要】
本专利技术涉及大数据领域,尤其涉及一种基于大数据的智能家居终端风险评估方法及系统。
技术介绍
1、随着科技的飞速发展,智能家居系统已逐渐融入人们的日常生活。然而,随之而来的安全风险也日益凸显。如何在享受智能家居带来的便利的同时,保障家居安全,已成为当前亟待解决的问题。因此,一种基于大数据的智能家居终端风险评估方法及系统的研发变得尤为重要。尽管已有一些智能家居安全风险评估方法,但它们主要集中在对单一设备的风险评估,缺乏对整个家居系统的全面分析。此外,这些方法通常基于传统的人工分析,效率低下且准确性难以保证。因此,需要一种基于大数据的智能家居终端风险评估方法及系统,以实现对整个家居系统的全面、快速、准确的评估。
技术实现思路
1、本专利技术的目的是要提供一种基于大数据的智能家居终端风险评估方法及系统。
2、为达到上述目的,本专利技术是按照以下技术方案实施的:
3、本专利技术包括以下步骤:
4、获取智能家居终端的工作数据,对所述工作数据进行预处理,所述工作数据包括日志数据、维护数据和风险数据库;
5、对所述日志数据进行异常识别获得问题数据,将所述问题数据和所述风险数据库进行比对获得风险等级:
6、将所述维护数据输入难度系数模型获得难度系数,根据所述难度系数校正所述风险等级获得风险评估函数;
7、根据所述风险评估函数构建智能家居终端风险评估模型,将待评估数据输入所述智能家居终端风险评估模型,输出风险评估结果。
<
p>8、进一步的,对所述日志数据进行异常识别获得问题数据的方法,包括:9、对日志数据进行文本转换获得日常数据,提取日常数据的特征获取工作特征,基于问题数据根据工作特征对日常数据进行聚类获得分类数据;
10、假设分类数据分布在超球体中,则分类数据满足:
11、
12、其中第i个分类数据为ci,超球体的球心为y,超球体的半径为l,松弛变量为转置为t,根据超球体构建目标函数,表达式为:
13、
14、
15、其中目标函数为惩罚参数为χ,分类数据的数量为p,第i个松弛变量为使用拉格朗日乘数法将目标函数转化为求对偶问题的最大值,表达式为:
16、
17、
18、其中第i个拉格朗日乘子为ρi,第i个分类数据的权重为μi,第j个分类数据为cj,第j个分类数据的权重为μj,采用序列最小优化算法求解最大值问题,求解超球体的中心,表达式为:
19、
20、判别异常点,表达式为:
21、
22、其中分类数据和超球体球心的距离为b,当分类数据位于超球体外时为异常,将异常的分类数据输出为问题数据。
23、进一步的,将所述问题数据和所述风险数据库进行比对获得风险等级的方法,包括:
24、将问题数据按照时间顺序进行排序,获取排序后问题数据的起始点、终止点、局部极小值点、局部极大值点并按时间吮吸排序得到时间序列极值;
25、计算相位差、点类型和距离:
26、d(g,w)=|sva(g)-fva(w)|
27、m(g,w)=|sps(g)-fps(w)|
28、r(g,w)=1-ζsty(g)fty(w)
29、其中点g和点w的距离为d(g,w),时间序列s中点g的距离为sva(g),时间序列f中点w的距离为fva(w),点g和点w的相位差为m(g,w),时间序列s中点g的相位为sps(g),时间序列f中点w的相位为fps(w),点g和点w的类型为r(g,w),调节点类型的权重参数为ζ,时间序列f中点w的数据类型为fty(w),时间序列s中点g的数据类型为sty(g);
30、计算权重函数:
31、
32、其中原始序列的中点为vb,最大权重为θmax,变化因子为δ,问题数据的数量为k,计算扩展加权动态时间弯曲距离:
33、
34、aew(g,w)=|θ(g,w)d(g,w)|m
35、+min{aew(g-1,w)∨aew(g,w-1)∨aew(g-1,w-1)}
36、其中时间序列s长度为ls,时间序列f长度为lf,长度ls和长度lf累积代价矩阵为aew(ls,lf),点g和点w的累积代价矩阵为aew(g,w),或为∨,点g-1和点w的累积代价矩阵为aew(g-1,w),点g和点w-1的累积代价矩阵为aew(g,w-1),点g-1和点w-1的累积代价矩阵为aew(g-1,w-1),时间序列s和时间序列f的扩展加权动态时间弯曲距离为dm(s,f);
37、若g<ls,则令g+1;若w<lf,则令w+1,重新计算相位差、点类型和距离;若g=ls且w=lf则输出长度ls和长度lf累积代价矩阵;
38、将累积代价矩阵与风险数据库对比,根据高代价区域确定风险等级。
39、进一步的,将所述维护数据输入难度系数模型获得难度系数的方法,包括:
40、
41、其中t时刻的维护数据为φt,第υ个影响因子为λυ,维护数据φt和影响因子λυ的难度关联程度为υ(φt,λυ),线性归一化函数为norm(·),影响因子的数量为κ,时刻t的数量为z,第1权重为第2权重为t时刻的修正系数为t时刻的难度系数为
42、进一步的,所述难度系数模型采用神经网络算法和回归分析算法。
43、进一步的,根据所述难度系数校正所述风险等级获得风险评估函数的方法,包括:
44、将难度系数输入,构造关于时间序列的系数递关系,考虑难度系数下输入与输出变量的递推方程为:
45、
46、其中t+1时刻的输出为u(t+1),t+1时刻实际风险等级和预测风险等级的误差为t+1时刻的输入为r(t+1),转置为t,t时刻的难度系数为
47、使用最小二乘算法进行递推,表达式为:
48、
49、其中t时刻的增益矩阵为h(t),t时刻的协方差矩阵为s(t),遗忘因子为θ,t+1时刻的协方差矩阵为s(t+1),t+1时刻的难度系数为
50、更新难度系数,表达式为:
51、
52、其中惩罚权重向量为权重向量表达式为:
53、
54、
55、其中t+1时刻的误差比值参数为h(t+1),根据更新后的难度系数给出风险评估函数:
56、
57、其中t时刻的风险评估函数为t时刻第a个的问题数据为va(t),t时刻第a个的难度系数为问题数据的数量为q。
58、进一步的,根据所述风险评估函数构建智能家居终端风险评估模型的方法,包括:
59、将风险评估函数作为智能家居终端风险评估模型的目标函数;
60、智能家居终端风险评估模型包括贝叶斯网络算法、聚本文档来自技高网
...
【技术保护点】
1.一种基于大数据的智能家居终端风险评估方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于大数据的智能家居终端风险评估方法,其特征在于,对所述日志数据进行异常识别获得问题数据的方法,包括:
3.根据权利要求1所述的一种基于大数据的智能家居终端风险评估方法,其特征在于,将所述问题数据和所述风险数据库进行比对获得风险等级的方法,包括:
4.根据权利要求1所述的一种基于大数据的智能家居终端风险评估方法,其特征在于,将所述维护数据输入难度系数模型获得难度系数的方法,包括:
5.根据权利要求1所述的一种基于大数据的智能家居终端风险评估方法,其特征在于,所述难度系数模型采用神经网络算法和回归分析算法。
6.根据权利要求1所述的一种基于大数据的智能家居终端风险评估方法,其特征在于,根据所述难度系数校正所述风险等级获得风险评估函数的方法,包括:
7.根据权利要求1所述的一种基于大数据的智能家居终端风险评估方法,其特征在于,根据所述风险评估函数构建智能家居终端风险评估模型的方法,包括:
8.一种基于大数据的智能家居终端风险评估系统,其特征在于,包括:
...
【技术特征摘要】
1.一种基于大数据的智能家居终端风险评估方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于大数据的智能家居终端风险评估方法,其特征在于,对所述日志数据进行异常识别获得问题数据的方法,包括:
3.根据权利要求1所述的一种基于大数据的智能家居终端风险评估方法,其特征在于,将所述问题数据和所述风险数据库进行比对获得风险等级的方法,包括:
4.根据权利要求1所述的一种基于大数据的智能家居终端风险评估方法,其特征在于,将所述维护数据输入难度系数模型获得难度系数的方法,包括:
【专利技术属性】
技术研发人员:刘霞,房祥静,陈倩雯,许丽丹,王坤然,张静姝,叶如意,许潇文,
申请(专利权)人:中国标准化研究院,
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。