CN109947079A - 基于边缘计算的区域异常检测方法和边缘计算设备 - Google Patents

Abstract

本申请实施例公开了一种基于边缘计算的区域异常检测方法和边缘计算设备，该方法包括：边缘计算设备获取接入所述边缘计算设备的多个物联网设备采集的监控特征数据，其中所述多个物联网设备属于同一指定区域；将所述多个物联网设备的监控特征数据作为异常检测随机森林模型的输入，以预测所述指定区域是否发生异常，其中，所述异常检测随机森林模型包括基于所述多个物联网设备的监控特征数据分别训练得到的多颗随机森林决策树。

Description

基于边缘计算的区域异常检测方法和边缘计算设备

技术领域

本申请涉及计算机软件技术领域，尤其涉及一种基于边缘计算的区域异常检测方法和边缘计算设备。

背景技术

随着IOT(物联网)的发展，设备大规模接入物联网，在终端设备上产生的海量数据在提供商业价值的同时，也对大数据风控提出了新的挑战。其一，伴随着物联网发展的趋势，交易和支付的发起将逐渐摆脱对单一移动设备的依赖，从当前主要依赖于PC或手机端的支付方式变为可穿戴设备如智能手表手环，智能眼镜等，甚而取设备化(无感)支付。其次，伴随着对个人隐私数据越来越高的监管要求，隐私数据的获取和使用也将受到极大的限制。

如何应对个人隐私数据越来越高的监管要求并实现异常检测，已成为亟待解决的问题。

发明内容

本申请实施例的目的是提供一种基于边缘计算的区域异常检测方法和边缘计算设备，以通过区域内的物联网设备采集的监控特征数据进行异常检测。

为解决上述技术问题，本申请实施例是这样实现的：

第一方面，提出了一种基于边缘计算的区域异常检测方法，包括：

边缘计算设备获取接入所述边缘计算设备的多个物联网设备采集的监控特征数据，其中所述多个物联网设备属于同一指定区域；

将所述多个物联网设备的监控特征数据作为异常检测随机森林模型的输入，以预测所述指定区域是否发生异常，其中，所述异常检测随机森林模型包括基于所述多个物联网设备的监控特征数据分别训练得到的多颗随机森林决策树中的至少部分决策树。

第二方面，提出了一种边缘计算设备，包括：

获取模块，获取接入所述边缘计算设备的多个物联网设备采集的监控特征数据，其中所述多个物联网设备属于同一指定区域；

预测模块，将所述多个物联网设备的监控特征数据作为异常检测随机森林模型的输入，以预测所述指定区域是否发生异常，其中，所述异常检测随机森林模型包括基于所述多个物联网设备的监控特征数据分别训练得到的多颗随机森林决策树中的至少部分决策树。

第三方面，提出了一种边缘计算设备，该边缘计算设备包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：

获取接入所述边缘计算设备的多个物联网设备采集的监控特征数据，其中所述多个物联网设备属于同一指定区域；

将所述多个物联网设备的监控特征数据作为异常检测随机森林模型的输入，以预测所述指定区域是否发生异常，其中，所述异常检测随机森林模型包括基于所述多个物联网设备的监控特征数据分别训练得到的多颗随机森林决策树中的至少部分决策树。

第四方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的边缘计算设备执行时，使得所述边缘计算设备执行以下操作：

获取接入所述边缘计算设备的多个物联网设备采集的监控特征数据，其中所述多个物联网设备属于同一指定区域；

将所述多个物联网设备的监控特征数据作为异常检测随机森林模型的输入，以预测所述指定区域是否发生异常，其中，所述异常检测随机森林模型包括基于所述多个物联网设备的监控特征数据分别训练得到的多颗随机森林决策树中的至少部分决策树。

由以上本申请实施例提供的技术方案可见，本申请实施例方案至少具备如下一种技术效果：

通过采集接入同一边缘计算设备的多个物联网设备的监控特征数据，并输入到基于该多个物联网设备的历史监控特征数据训练的异常检测森林模型进行预测，从而基于多个物联网设备的当前采集数据判别是否发生异常，以实现异常检测。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例基于边缘计算的区域异常检测场景示意图。

图2是本申请的一个实施例基于边缘计算的区域异常检测方法流程图。

图3是本申请实施例边缘计算设备训练异常检测随机森林模型的示意图。

图4是本申请的一个实施例电子设备的结构示意图。

图5是本申请的一个实施例边缘计算设备的结构示意图。

具体实施方式

本申请实施例提供一种基于边缘计算的区域异常检测方法和边缘计算设备。

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

图1是本申请实施例基于边缘计算的区域异常检测场景示意图。

如图1所示，物联网设备可采集多种数据，以智能手机为例，智能手机可通过加速度计采集速度数据、通过近场计采集姿势数据、通过陀螺仪采集动作幅度数据、通过压力计采集触屏压力数据、通过光照计采集光照强度数据、通过温度计采集温度数据、通过湿度计采集湿度数据、通过气压计采集RPC数据，等等。

物联网设备采集数据后，可形成物联网设备对应的特征数据，上传到边缘计算设备中。边缘计算设备可提供IOT终端计算服务，对多个物联网设备上传的特征数据进行加工处理，形成异常检测模型所需的特征数据，输入到IOT终端决策模型中进行决策。此外，边缘计算设备还可将特征数据存储在边缘计算服务端中进行备份，以作为边缘计算设备的IOT终端决策模型的训练样本来源。

应理解，由于边缘计算设备的存储能力和计算能力的限制，单纯依赖边缘计算设备进行异常检测的决策，可能会出现较大的误判，特别是基于多个物联网设备的决策树进行判断时，判决为异常和判决为正常的比例相对接近时。此时，需要由云端/服务端进行异常检测的决策。其中，云端/服务端存储更多的样本数据，具备更大的计算容量，判决结果更为准确。这样，边缘计算设备和云端/服务端可各自分担部分的决策任务，例如，各自50％，或者4:6，7:3，等等。

下面，结合图1，对本申请实施例的技术方案做进一步的描述。

图2是本申请的一个实施例基于边缘计算的区域异常检测方法流程图。图1的方法可由边缘计算设备执行。应理解，本申请实施例的边缘计算(Edge computing)设备，是指靠近数据源头的网络边缘侧设备，可融合网络、计算、存储、应用核心能力等的开放平台，就近提供服务并满足安全与隐私保护等方面的关键需求。在本申请实施例中，图1的方法可包括：

S210，获取接入所述边缘计算设备的多个物联网设备采集的监控特征数据。

应理解，本申请实施例物联网设备采集的监控特征数据，可以包括物联网设备本身的运行特征数据和物联网设备采集的环境数据中的至少一种。

物联网设备采集的环境数据，可以包括物联网设备监测环境时采集的数据，例如，温度计采集的环境温度，湿度计采集的空气湿度，地面压力计采集的地面压力数据，麦克风采集的声波数据，摄像头采集的图像数据，等等。

物联网设备本身的运行特征数据，可以包括用户操作物联网设备产生的操作特征数据，也可以包括物联网设备定时监控采集的其它运行数据。用户操作物联网设备产生的操作特征数据，例如智能手机中通过加速度计采集的速度数据、通过近场计采集的姿势数据、通过陀螺仪采集的动作幅度数据、通过压力计采集的触屏压力数据、通过光照计采集的光照强度数据、通过温度计采集的温度数据、通过湿度计采集的湿度数据、通过气压计采集RPC的数据，等等

此外，监控特征数据中还可以携带时间戳信息，用于标识采集数据的发生时间。

可选地，所述多个物联网设备属于同一指定区域。应理解，本申请实施例中，所述边缘计算设备可对指定区域内的物联网设备进行监控，以获取物联网设备采集的监控特征数据。本申请实施例中提到的指定区域，例如，可以是某个智能家居、某个公司的办公场所、某个大厦，等等。此时的异常检测，可用于检测该指定区域是否发生异常。

以智能家居为例，物联网设备采集的特征数据，例如可以包括智能门窗的开启事件和/或关闭事件，麦克风采集的声音数据，光强感应器采集的光强数据，电冰箱的打开事件和/或关闭事件，电视的开机事件，等等。

S220，将所述多个物联网设备的监控特征数据作为异常检测随机森林模型的输入，以预测所述指定区域是否发生异常。其中，所述异常检测随机森林模型包括基于所述多个物联网设备的监控特征数据分别训练得到的多颗随机森林决策树中的至少部分决策树。

还是以智能家居为例，假设有个陌生人在工作日10:00进入该智能家居，此时智能家居中物联网设备采集的特征数据，例如智能门窗、麦克风等采集的数据将会明显异常于平常的数据，基于物联网设备的历史特征数据进行随机森林训练得到的异常检测随机森林模型将会很容易地识别出这种状态为异常状态。

本申请实施例中，通过采集接入同一边缘计算设备的多个物联网设备的监控特征数据，并输入到基于该多个物联网设备的历史监控特征数据训练的异常检测森林模型进行预测，从而基于多个物联网设备的当前采集数据判别指定区域是否发生异常，以实现区域的异常检测。

当然，应理解，如果判别为异常状态，此时可基于异常状态对应的处理策略进行处理，例如，通过警报设备发出警报；向指定人员发送告警信息，等等。本申请实施例对此不作限制。

特别地，当该多个物联网设备为可穿戴设备时，指定区域为可穿戴设备的使用用户周边预定范围内，边缘计算设备为所述使用用户的智能终端。此时，异常检测随机森林模型还可包括基于智能终端采集的监控特征数据训练得到的随机森林决策树。

可选地，如果所述异常检测随机森林模型中输出判决结果的随机森林决策树比例小于预设阈值，则将所述多个物联网设备的监控特征数据上报所述边缘计算设备接入的云端服务器，以通过所述运动服务器的异常检测随机森林模型进行判决，所述运动服务器的异常检测随机森林模型包括基于所述多个物联网设备的监控特征数据分别训练得到的多颗随机森林决策树；

接收所述云端服务器反馈的判决结果，并将所述判决结果作为预测结果输出。

如图1所示，当边缘计算服务无法准确进行决策时，可上报云端/服务器端由云端/服务器端进行决策。当然，应理解，云端/服务器端中也包括基于多个物联网设备的监控特征数据训练得到的异常检测随机森林模型。

此外，应理解，云端/服务器端的异常检测随机森林模型训练的数据的时间跨度可以比边缘计算设备的异常检测随机森林模型训练的数据更长，例如，云端/服务器端的异常检测随机森林模型采用3个月的训练数据，边缘计算设备的异常检测随机森林模型采用1周的训练数据，等等。

此外，应理解，云端/服务器端的异常检测随机森林模型包括的决策树可以比边缘计算设备的异常检测随机森林模型的决策树更多，例如，云端/服务器端的异常检测随机森林模型包括20棵决策树，边缘计算设备的异常检测随机森林模型包括6棵决策树，等等。

当然，应理解，进一步地，所述方法还包括：

将采集的所述多个物联网设备的监控特征数据上传到所述云端服务器，以进行所述云端服务器的异常检测随机森林模型的训练。

此外，应理解，本申请实施例中，边缘计算设备可基于当前时刻之前预定时长范围内物联网设备上报的监控特征数据，训练物联网设备对应的随机森林决策树，一个随机森林决策树对应于一个物联网设备。也即是说，目标物联网设备在所述多颗随机森林决策树中对应的目标随机森林决策树是基于当前时刻之前预定时长范围内所述边缘计算设备采集的目标物联网设备的监控特征数据进行随机森林模型训练得到的。

可选地，作为一个实施例，当所述训练样本的采集时间距离当前时刻的时长大于预定时长时，所述训练样本在训练的随机森林决策树中权重因子为0。

本申请实施例中，通过将距离当前时刻时长间隔大于预定时长的样本数据的训练权重设置为0，从而可以保证由随机森林决策树构成的异常检测随机森林模型基于最近的样本数据进行预测。

可选地，作为另一个实施例，每隔预定时间，基于当前时刻之前预定时长范围内所述多个物联网设备的监控特征数据，分别对所述多个物联网设备对应的随机森林决策树进行训练，从而可以保证由随机森林决策树构成的异常检测随机森林模型基于最近的样本数据进行预测。

图3是本申请实施例边缘计算设备训练异常检测随机森林模型的示意图。如图3所示，边缘计算设备可基于各物联网设备上报的监控特征数据，独立建模，剪枝，评估等。可选地，边缘计算设备执行的方法还可包括：维护管理所述异常检测随机森林模型的随机森林决策树。

可选地，作为一个实施例，边缘计算设备维护管理所述异常检测随机森林模型的随机森林决策树包括：

基于历史时间段内的异常预测结果和所述历史时间段内的实际异常情况对所述多个物联网设备对应的多颗随机森林决策树进行评估；

根据评估结果对所述异常检测随机森林模型进行剪枝操作。

可选地，作为一个实施例，边缘计算设备维护管理所述异常检测随机森林模型的随机森林决策树包括：

当检测到多个物联网设备中的目标物联网设备发生故障，将所述目标物联网设备在所述异常检测随机森林模型对应的目标随机森林决策树移除。

可选地，作为一个实施例，边缘计算设备维护管理所述异常检测随机森林模型的随机森林决策树包括：

当预设时间段内未接收到多个物联网设备中的目标物联网设备的监控特征数据，将所述目标物联网设备在所述异常检测随机森林模型对应的目标随机森林决策树移除。

可选地，作为一个实施例，边缘计算设备维护管理所述异常检测随机森林模型的随机森林决策树包括：

当检测到新增物联网设备接入所述边缘计算设备时，采集所述新增物联网设备的监控特征数据训练所述新增物联网设备对应的随机森林决策树；

如果所述新增物联网设备的训练样本数大于第一预设阈值，则将所述新增物联网设备对应的随机森林决策树加入到所述异常检测随机森林模型中。

可选地，作为一个实施例，边缘计算设备维护管理所述异常检测随机森林模型的随机森林决策树包括：

当检测到新增物联网设备接入所述边缘计算设备时，采集所述新增物联网设备的监控特征数据训练所述新增物联网设备对应的随机森林决策树；

如果用于训练所述新增物联网设备的监控特征数据的采集累计时长大于第二预设阈值，则将所述新增物联网设备对应的随机森林决策树加入到所述异常检测随机森林模型中。

可选地，作为一个实施例，所述方法还包括：

当预测所述指定区域发生异常时，阻止接入所述边缘计算设备的支付设备的支付操作；和/或

当预测所述指定区域未发生异常时，允许接入所述边缘计算设备的支付设备的支付操作；

其中，所述边缘计算设备对接入所述支付设备的支付操作进行异常检测。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

图4是本申请的一个实施例电子设备的结构示意图。请参考图4，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。

处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。

处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成基于边缘计算的区域异常检测装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：

获取接入所述边缘计算设备的多个物联网设备采集的监控特征数据，其中所述多个物联网设备属于同一指定区域；

将所述多个物联网设备的监控特征数据作为异常检测随机森林模型的输入，以预测所述指定区域是否发生异常，其中，所述异常检测随机森林模型包括基于所述多个物联网设备的监控特征数据分别训练得到的多颗随机森林决策树中的至少部分决策树。

上述如本申请图2所示实施例揭示的基于边缘计算的区域异常检测装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(CentralProcessing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

该电子设备还可执行图2的方法，并实现基于边缘计算的区域异常检测装置或边缘计算设备在图1、图2所示实施例的功能，本申请实施例在此不再赘述。

当然，除了软件实现方式之外，本申请的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的便携式电子设备执行时，能够使该便携式电子设备执行图2所示实施例的方法，并具体用于执行以下操作：

获取接入所述边缘计算设备的多个物联网设备采集的监控特征数据，其中所述多个物联网设备属于同一指定区域；

将所述多个物联网设备的监控特征数据作为异常检测随机森林模型的输入，以预测所述指定区域是否发生异常，其中，所述异常检测随机森林模型包括基于所述多个物联网设备的监控特征数据分别训练得到的多颗随机森林决策树中的至少部分决策树。

图5是本申请的一个实施例边缘计算设备的结构示意图。请参考图5，在一种软件实施方式中，边缘计算设备可包括：

获取模块510，获取接入所述边缘计算设备的多个物联网设备采集的监控特征数据，其中所述多个物联网设备属于同一指定区域；

预测模块520，将所述多个物联网设备的监控特征数据作为异常检测随机森林模型的输入，以预测所述指定区域是否发生异常，其中，所述异常检测随机森林模型包括基于所述多个物联网设备的监控特征数据分别训练得到的多颗随机森林决策树中的至少部分决策树。

该边缘计算设备还可执行图2的方法，并实现基于边缘计算的区域异常检测装置或边缘计算设备在图1、图2所示实施例的功能，本申请实施例在此不再赘述。

总之，以上所述仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

Claims (16)

1.一种基于边缘计算的区域异常检测方法，包括：

边缘计算设备获取接入所述边缘计算设备的多个物联网设备采集的监控特征数据，其中所述多个物联网设备属于同一指定区域；

将所述多个物联网设备的监控特征数据作为异常检测随机森林模型的输入，以预测所述指定区域是否发生异常，其中，所述异常检测随机森林模型包括基于所述多个物联网设备的监控特征数据分别训练得到的多颗随机森林决策树中的至少部分决策树。

2.如权利要求1所述的方法，

所述目标物联网设备在所述多颗随机森林决策树中对应的目标随机森林决策树是基于当前时刻之前预定时长范围内所述边缘计算设备采集的目标物联网设备的监控特征数据进行随机森林模型训练得到。

3.如权利要求1所述的方法，当所述训练样本的采集时间距离当前时刻的时长大于预定时长时，所述训练样本在训练的随机森林决策树中的权重因子为0。

4.如权利要求1所述的方法，所述方法还包括：

每隔预定时间，基于当前时刻之前预定时长范围内所述多个物联网设备的监控特征数据，分别对所述多个物联网设备对应的随机森林决策树进行训练。

5.如权利要求1所述的方法，所述方法还包括：

如果所述异常检测随机森林模型中输出判决结果的随机森林决策树比例小于预设阈值，则将所述多个物联网设备的监控特征数据上报所述边缘计算设备接入的云端服务器，以通过所述运动服务器的异常检测随机森林模型进行判决，所述运动服务器的异常检测随机森林模型包括基于所述多个物联网设备的监控特征数据分别训练得到的多颗随机森林决策树中的至少部分决策树；

接收所述云端服务器反馈的判决结果，并将所述判决结果作为预测结果输出。

6.如权利要求5所述的方法，所述方法还包括：

将采集的所述多个物联网设备的监控特征数据上传到所述云端服务器，以进行所述云端服务器的异常检测随机森林模型的训练。

7.如权利要求1所述的方法，所述方法还包括：

维护管理所述异常检测随机森林模型的随机森林决策树。

8.如权利要求7所述的方法，维护管理所述异常检测随机森林模型的随机森林决策树包括：

基于历史时间段内的异常预测结果和所述历史时间段内的实际异常情况对所述多个物联网设备对应的多颗随机森林决策树进行评估；

根据评估结果对所述异常检测随机森林模型进行剪枝操作。

9.如权利要求7所述的方法，维护管理所述异常检测随机森林模型的随机森林决策树包括：

当检测到多个物联网设备中的目标物联网设备发生故障，将所述目标物联网设备在所述异常检测随机森林模型对应的目标随机森林决策树移除。

10.如权利要求7所述的方法，维护管理所述异常检测随机森林模型的随机森林决策树包括：

当预设时间段内未接收到多个物联网设备中的目标物联网设备的监控特征数据，将所述目标物联网设备在所述异常检测随机森林模型对应的目标随机森林决策树移除。

11.如权利要求7所述的方法，维护管理所述异常检测随机森林模型的随机森林决策树包括：

当检测到新增物联网设备接入所述边缘计算设备时，采集所述新增物联网设备的监控特征数据训练所述新增物联网设备对应的随机森林决策树；

如果所述新增物联网设备的训练样本数大于第一预设阈值，则将所述新增物联网设备对应的随机森林决策树加入到所述异常检测随机森林模型中。

12.如权利要求7所述的方法，维护管理所述异常检测随机森林模型的随机森林决策树包括：

当检测到新增物联网设备接入所述边缘计算设备时，采集所述新增物联网设备的监控特征数据训练所述新增物联网设备对应的随机森林决策树；

如果用于训练所述新增物联网设备的监控特征数据的采集累计时长大于第二预设阈值，则将所述新增物联网设备对应的随机森林决策树加入到所述异常检测随机森林模型中。

13.如权利要求1-11中任一项所述的方法，所述方法还包括：

当预测所述指定区域发生异常时，阻止接入所述边缘计算设备的支付设备的支付操作；和/或

当预测所述指定区域未发生异常时，允许接入所述边缘计算设备的支付设备的支付操作，

其中，所述边缘计算设备对接入所述支付设备的支付操作进行异常检测。

14.一种边缘计算设备，包括：

获取模块，获取接入所述边缘计算设备的多个物联网设备采集的监控特征数据，其中所述多个物联网设备属于同一指定区域；

预测模块，将所述多个物联网设备的监控特征数据作为异常检测随机森林模型的输入，以预测所述指定区域是否发生异常，其中，所述异常检测随机森林模型包括基于所述多个物联网设备的监控特征数据分别训练得到的多颗随机森林决策树中的至少部分决策树。

15.一种边缘计算设备，包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：

获取接入所述边缘计算设备的多个物联网设备采集的监控特征数据，其中所述多个物联网设备属于同一指定区域；

将所述多个物联网设备的监控特征数据作为异常检测随机森林模型的输入，以预测所述指定区域是否发生异常，其中，所述异常检测随机森林模型包括基于所述多个物联网设备的监控特征数据分别训练得到的多颗随机森林决策树中的至少部分决策树。

16.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的边缘计算设备执行时，使得所述边缘计算设备执行以下操作：

获取接入所述边缘计算设备的多个物联网设备采集的监控特征数据，其中所述多个物联网设备属于同一指定区域；

将所述多个物联网设备的监控特征数据作为异常检测随机森林模型的输入，以预测所述指定区域是否发生异常，其中，所述异常检测随机森林模型包括基于所述多个物联网设备的监控特征数据分别训练得到的多颗随机森林决策树中的至少部分决策树。