CN112070132A - 样本数据构建方法、装置、设备和介质 - Google Patents
样本数据构建方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN112070132A CN112070132A CN202010865395.7A CN202010865395A CN112070132A CN 112070132 A CN112070132 A CN 112070132A CN 202010865395 A CN202010865395 A CN 202010865395A CN 112070132 A CN112070132 A CN 112070132A
- Authority
- CN
- China
- Prior art keywords
- behavior data
- behavior
- combined
- data
- sequence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000010276 construction Methods 0.000 title claims abstract description 36
- 230000006399 behavior Effects 0.000 claims abstract description 269
- 238000001514 detection method Methods 0.000 claims abstract description 86
- 238000012544 monitoring process Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims description 51
- 230000008569 process Effects 0.000 claims description 30
- 230000015654 memory Effects 0.000 claims description 20
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 239000000126 substance Substances 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims 4
- 238000012549 training Methods 0.000 abstract description 19
- 238000010801 machine learning Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请实施例公开了一种样本数据构建方法、装置、设备和介质,涉及机器学习技术领域。其中,该样本数据构建方法包括:对检测对象在目标操作类型下的运行状态进行监测,得到与目标操作类型对应的至少两个目标运行行为数据;对目标运行行为数据进行组合排列,并对组合排列结果进行样本标记得到样本数据;其中,样本数据用于训练针对检测对象的异常检测模型。本申请实施例可以实现快速构建丰富的训练样本数据的效果。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及机器学习,具体涉及一种样本数据构建方法、装置、设备和介质。
背景技术
随着人工智能技术的发展,利用机器学习对设备的运行状态进行检测日益普遍。训练样本库的充足性,是机器学习得以有效实施的重要前提。
以汽车为例,通过人工智能技术来实现针对汽车的异常检测逐步成为汽车安全研究人员努力尝试的一个方向。然而,由于目前实际公开或实施的汽车安全攻击事件相对较少,也即车辆处于异常运行状态的行为监测数据较少,导致机器学习过程所需的训练样本库存在缺失。训练样本库的缺乏,使得机器学习在汽车运行状态的异常检测中无法发挥应有的价值。
发明内容
本申请提供一种样本数据构建方法、装置、设备和介质,以实现快速构建丰富的训练样本数据。
根据本申请实施例的一方面,提供了一种样本数据构建方法,包括:
对检测对象在目标操作类型下的运行状态进行监测,得到与所述目标操作类型对应的至少两个目标运行行为数据;
对所述目标运行行为数据进行组合排列,并对组合排列结果进行样本标记得到样本数据;其中,所述样本数据用于训练针对所述检测对象的异常检测模型。
根据本申请实施例的另一方面,提供了一种样本数据构建装置,包括:
运行监测模块,用于对检测对象在目标操作类型下的运行状态进行监测,得到与所述目标操作类型对应的至少两个目标运行行为数据;
样本数据确定模块,用于对所述目标运行行为数据进行组合排列,并对组合排列结果进行样本标记得到样本数据;其中,所述样本数据用于训练针对所述检测对象的异常检测模型。
根据本申请实施例的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如本申请实施例任一所述的样本数据构建方法。
根据本申请实施例的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使计算机执行如本申请实施例任一所述的样本数据构建方法。
根据本申请实施例的技术方案,通过对检测对象的运行状态进行监测,并对监测得到的与目标操作类型对应的目标运行行为数据进行组合排列,并对组合排列结果进行样本标记得到样本数据,实现了快速构建丰富的训练样本数据的效果。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请实施例公开的一种样本数据构建方法的流程图;
图2是根据本申请实施例公开的另一种样本数据构建方法的流程图;
图3是根据本申请实施例公开的一种车辆异常检测的流程示意图;
图4是根据本申请实施例公开的一种样本数据构建装置的结构示意图;
图5是根据本申请实施例公开的一种电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本申请实施例公开的一种样本数据构建方法的流程图,本申请实施例可以适用于快速构建用于模型训练的样本数据的情况。本申请实施例公开的方法可以由样本数据构建装置执行,该装置可以采用软件和/或硬件实现,并可集成在任意具有计算能力的电子设备上。
如图1所示,本申请实施例公开的样本数据构建方法可以包括:
S101、对检测对象在目标操作类型下的运行状态进行监测,得到与目标操作类型对应的至少两个目标运行行为数据。
其中,检测对象可以是任意的机械设备或者电子设备,目标操作类型与检测对象的运行功能有关,可以是检测对象的运行生命周期中的任意操作类型。示例性的,检测对象可以包括但不限于车辆,目标操作类型可以包括但不限于与车辆运行相关的操作,例如车辆启动、开车门、开空调、刹车制动等,相应的,利用本申请实施例技术方案构建的样本数据可以用于训练针对车辆的异常检测模型,从而准确定位车辆的异常运行行为数据。
通过对检测对象的运行状态进行监测,可以监测得到目标操作类型下检测对象的至少两个目标运行行为数据,该至少两个目标运行行为数据用于从检测对象的角度描述目标操作的实现过程。在目标操作类型下,目标运行行为数据的数量可以根据检测对象的实际运行而定,本申请实施例不作具体限定。
示例性的,可以通过对检测对象的运行状态进行监测,得到运行日志;然后对运行日志中用于表征运行行为数据的字段进行识别,得到与目标操作类型对应的至少两个目标运行行为数据。此外,还可以通过分析预先设置的用于记录目标操作实现过程的数据结构,得到与目标操作类型对应的至少两个目标运行行为数据。以检测对象为车辆,目标操作类型为开车门为例,检测对象的目标运行行为数据可以包括:1)接收用户端发送的开车门指令,2)解析该开车门指令,3)控制车门开启。
可选的,对检测对象在目标操作类型下的运行状态进行监测,得到与目标操作类型对应的至少两个目标运行行为数据,包括:
根据目标操作类型,对检测对象的运行过程进行切分,并分段监测运行状态,得到与目标操作类型对应的至少两个目标运行行为数据。也即根据具体的目标操作类型,可以对目标操作的实现过程进行切分,具体可以依据目标操作的实现过程发生时产生的接口函数调用情况进行切分,对于其中不太重要的接口函数可不参与过程切分,然后在每个切分点上设置相应的信息采集输出点,当检测对象的运行状态达到每个切分点时,便输出相应的运行信息,最终将输出的运行信息进行整合,得到与目标操作类型对应的至少两个目标运行行为数据。通过对检测对象的运行过程进行切分,实现了对检测对象的运行过程的细粒度监测,实现了准确、高效地确定检测对象在目标操作类型下的目标运行行为数据的效果。
S102、对目标运行行为数据进行组合排列,并对组合排列结果进行样本标记得到样本数据;其中,样本数据用于训练针对检测对象的异常检测模型。
在得到检测对象在目标操作类型下的目标运行行为数据后,可以对目标运行行为数据进行组合排列,具体可以采用全排列技术,得到与监测的多个目标运行行为数据之间运行顺序不一样的组合行为集合。每个组合行为集合中包括至少一个目标运行行为数据。每个组合行为集合中运行行为数据之间的运行顺序可以是对应目标操作类型的一种正常运行状态(即指符合常规执行逻辑的标准运行状态),也可以是一种异常运行状态。无论是对应正常运行状态还是对应异常运行状态,通过对目标运行行为数据进行组合排列后得到的组合行为集合,均作为本申请实施例中的样本数据,后续可以通过样本数据识别与分类标记,从而用于异常检测模型的训练过程中。样本数据的分类标记包括按照运行行为数据之间的正常运行顺序进行人工标记和自动化标记。需要说明的是,目标操作类型可以有一种,也可以有至少两种,根据与目标操作类型对应的目标运行行为数据所确定的为目标操作类型的样本数据,用于训练对检测对象的目标操作类型的异常检测模式。
仍以上述开车门为例,监测得到的检测对象的目标运行行为数据可以包括:1)接收用户端发送的开车门指令,2)解析该开车门指令,3)控制车门开启,通过基于这3个目标运行行为数据进行组合排列,具体可以采用全排列技术,最多可以得到15种组合排列结果,其中考虑了运行行为数据之间的运行顺序。例如,一种组合行为集合中可以包括1个运行行为数据元素—接收用户端发送的开车门指令,一种组合行为集合中可以包括2个运行行为数据元素—接收用户端发送的开车门指令和解析该开车门指令,一种组合行为集合中可以包括3个行为元素—控制车门开启,接收用户端发送的开车门指令和解析该开车门指令,当然,具体的组合排列结果并不限于前述示例。
在上述技术方案的基础上,进一步的,与目标操作类型对应的至少两个目标运行行为数据包括检测对象在正常运行状态下的运行行为数据;样本数据包括检测对象在异常运行状态下的运行行为数据,还可以包括检测对象在正常运行状态下的运行行为数据,其中,至少两个运行行为数据之间运行顺序的不同,可以对应不同的运行状态。也即在本申请实施例中,可以通过对监测得到的检测对象在正常运行状态下的运行行为数据进行组合排列,扩展得到检测对象在异常运行状态下的运行行为数据,从而扩展对检测对象在正常运行状态下的运行行为数据的利用方式,实现便捷构建针对检测对象的异常检测样本数据的效果。
当然,如果与目标操作类型对应的至少两个目标运行行为数据包括检测对象在异常运行状态下的运行行为数据,则通过运行行为数据的组合排列后得到的样本数据中,可以包括检测对象在异常运行状态下运行行为数据,还可以包括检测对象在正常运行状态下的运行行为数据,这与组合排列后的运行行为数据之间的运行顺序有关。
根据本申请实施例的技术方案,通过对检测对象的运行状态进行监测,并对监测得到的与目标操作类型对应的目标运行行为数据进行组合排列,并对组合排列结果进行样本标记得到样本数据,实现了快速构建丰富的训练样本数据的效果,解决了基于机器学习的异常检测过程中,单纯依赖检测对象的监测数据时可利用的样本数据有限的问题,尤其是当检测对象的异常运行状态发生情况较少时,针对异常运行状态的可利用样本数据较为匮乏的问题,为基于机器学习的异常检测奠定了丰富的样本数据基础。
图2是根据本申请实施例公开的另一种样本数据构建方法的流程图,基于上述技术方案进一步优化与扩展,并可以与上述各个可选实施方式进行结合。如图2所示,该方法可以包括:
S201、对检测对象在目标操作类型下的运行状态进行监测,得到与目标操作类型对应的至少两个目标运行行为数据。
S202、对目标运行行为数据进行组合排列,得到预设数量的组合行为序列;其中,组合行为序列中运行行为数据的位置排列顺序表示运行行为数据在组合行为序列中的运行顺序。
每个组合行为序列中可以包括至少一个目标运行行为数据,并且,组合运行行为数据序列的数量,即预设数量的取值,与监测到的目标运行行为数据的数量有关。优选的,可以对监测得到的目标运行行为数据进行全排列,从而得到多个组合行为序列,假设目标运行行为数据的数量为n,则组合行为序列的数量可以表示为如下:
为便于后续执行样本标记操作,通过运行行为数据组合得到的组合行为序列中,运行行为数据的位置排列顺序即表示了运行行为数据之间的运行顺序。
S203、按照目标操作类型下相邻运行行为数据之间的预设运行顺序,对组合行为序列进行样本标记,得到样本数据;其中,样本数据包括正样本和负样本。
其中,预设运行顺序可以是指检测对象在目标操作类型下,处于正常运行状态时,相邻运行行为数据之间的运行顺序。如果组合行为序列中包括的运行行为数据为至少两个,任意相邻的两个运行行为数据之间的运行顺序均满足该预设运行顺序,则将该组合行为序列标记为正样本,即对应检测对象的正常运行状态;如果组合行为序列中存在不满足预设运行顺序的相邻运行行为数据,则将该组合行为序列标记为负样本,即对应检测对象的异常运行状态。如果组合行为序列中包括的运行行为数据为一个,且该运行行为数据属于目标操作类型下处于运行首位的运行行为数据,即检测对象运行至该属于运行首位的运行行为数据时,对应目标操作实现过程的初始化阶段,则可以将该组合行为序列标记为正样本;如果该运行行为数据不属于目标操作类型下处于运行首位的运行行为数据,则可以将该组合行为序列标记为负样本。通过在样本数据构建过程中对组合得到的组合行为序列进行正负样本的标记,可以为后续训练异常检测模型提供便利性,省去样本数据再标记的操作,体现样本数据构建过程的完整性。
在上述技术方案的基础上,可选的,按照目标操作类型下相邻运行行为数据之间的预设运行顺序,对组合行为序列进行样本标记,得到样本数据,包括:
如果组合行为序列中包括的运行行为数据的数量为至少两个,且任意相邻的两个运行行为数据在组合行为序列中的运行标识满足以下关系,则将组合行为序列标记为正样本:
j=k·n+i%n+1;
其中,运行标识是按照预设运行顺序为运行行为数据预先分配,并且在运行标识分配过程中符合预设运行顺序的相邻运行行为数据的运行标识取值具有连续性,j表示组合行为序列中相邻的两个运行行为数据中位置在后的运行行为数据的运行标识,i表示组合行为序列中相邻的两个运行行为数据中位置在前的运行行为数据的运行标识,n表示组合行为序列中包括的运行行为数据总数,i%n表示i对n进行取模运算,k表示组合行为序列中的最小运行标识m除以n得到的整数商,i、j、k和n的取值均为整数。
进一步的,按照目标操作类型下相邻运行行为数据之间的预设运行顺序,对组合行为序列进行样本标记,得到样本数据,还包括:
如果组合行为序列中包括的运行行为数据的数量为一个,且该运行行为数据的运行标识为预设标识,则将组合行为序列标记为正样本;其中,预测标识用于表示目标操作类型下处于运行首位的运行行为数据。
其余不满足上述情况的组合行为序列,均可以标记为负样本。
以检测对象为车辆,目标操作类型为开车门为例,对组合行为序列的标记过程进行示例性说明,在开车门这一操作类型下,监测得到的符合预设运行顺序的目标运行行为数据,也即对应车辆正常运行状态的目标运行行为数据,依次可以包括:1)接收用户端发送的开车门指令E1,2)解析该开车门指令E2,3)控制车门开启E3,即分别为这3个目标运行行为数据分配了运行标识1、2和3,这3个目标运行行为数据本身构成一个正常行为序列{E1,E2,E3}。基于前述3个目标运行行为数据,通过全排列组合,可以得到15种组合排序结果,分别如下:
1)包括1个行为元素的情况:{E1}、{E2}、{E3};
2)包括2个行为元素的情况:{E1,E2}、{E1,E3}、{E2,E1}、{E2,E3}、{E3,E1}、{E3,E2};
3)包括3个行为元素的情况{E1,E2,E3}、{E1,E3,E2}、{E2,E3,E1}、{E2,E1,E3}、{E3,E1,E2}和{E3,E2,E1};
上述排列结果中可以标记为正样本的组合行为序列包括:{E1}、{E1,E2}、{E2,E3}、{E3,E1}、{E1,E2,E3}、{E2,E3,E1}和{E3,E1,E2};剩余的组合行为序列则标记为负样本。其中,需要说明的是,运行行为数据的执行具有循环性,例如组合行为序列{E1,E2,E3}可以表示一个完整的操作实现过程,而组合行为序列{E2,E3,E1}同样属于一个正常行为序列,只不过对应目标操作的两个实现过程,即E2和E3属于上一个实现过程的最后两个目标运行行为数据,接续的E1属于下一个实现过程的第一目标运行行为数据。
上述运行标识的取值1、2、3,只是作为一种示例,不应理解为对本申请实施例的具体限定,针对任意操作类型,监测得到的检测对象在正常运行状态下的一系列目标运行行为数据可以表示为{En1,En2,En3,……,Eni},运行标识ni的取值与目标操作类型下的目标运行行为数据数量有关。
根据本申请实施例的技术方案,通过对检测对象的运行状态进行监测,并对监测得到的与目标操作类型对应的目标运行行为数据进行组合排列,得到预设数量的组合行为序列,最终按照目标操作类型下相邻运行行为数据之间的预设运行顺序进行标记,完成样本数据的构建,实现了快速构建丰富的训练样本数据的效果,解决了基于机器学习的异常检测过程中,单纯依赖检测对象的监测数据时可利用的样本数据有限的问题;并且,通过在样本数据构建过程中对组合得到的组合行为序列进行正负样本的标记,省去了样本数据再标记的操作,体现了样本数据构建过程的完整性。
图3是根据本申请实施例公开的一种车辆异常检测的流程示意图,用于对本申请实施例进行示例性说明,不应理解为对本申请实施例的具体限定。如图3所示,首先明确要防护的汽车操作类型,然后对每个汽车操作的正常实现过程进行切分与监测,分别得到汽车运行的正常行为序列;然后对每个正常行为序列中的行为元素进行全排列,得到多组组合行为序列;其次,按照前述标记原则对每个组合行为序列进行正负样本的标记;最后,结合标记的正负样本以及操作类型,进行模型训练,得到针对车辆的异常检测模型,并将训练好的模型用于车辆的异常检测过程中。其中,关于模型训练过程中使用的模型训练算法,本申请实施例不作具体限定,可以根据实际需求而定,例如可以包括但不限于决策树算法等。
图4是根据本申请实施例公开的一种样本数据构建装置的结构示意图,本申请实施例可以适用于快速构建用于模型训练的样本数据的情况。本申请实施例公开的装置可以采用软件和/或硬件实现,并可集成在任意具有计算能力的电子设备上。
如图4所示,本申请实施例公开的样本数据构建装置400可以包括运行监测模块401和样本数据确定模块402,其中:
运行监测模块401,用于对检测对象在目标操作类型下的运行状态进行监测,得到与目标操作类型对应的至少两个目标运行行为数据;
样本数据确定模块402,用于对目标运行行为数据进行组合排列,并对组合排列结果进行样本标记得到样本数据;其中,样本数据用于训练针对检测对象的异常检测模型。
可选的,与目标操作类型对应的至少两个目标运行行为数据包括检测对象在正常运行状态下的运行行为数据;
样本数据包括检测对象在异常运行状态下的运行行为数据。
可选的,样本数据确定模块402包括:
行为组合单元,用于对目标运行行为数据进行组合排列,得到预设数量的组合行为序列;其中,预设数量与目标运行行为数据的数量有关,组合行为序列中运行行为数据的位置排列顺序表示运行行为数据在组合行为序列中的运行顺序;
样本标记单元,用于按照目标操作类型下相邻运行行为数据之间的预设运行顺序,对组合行为序列进行样本标记,得到样本数据;其中,样本数据包括正样本和负样本。
可选的,样本标记单元包括第一标记子单元,用于:
如果组合行为序列中包括的运行行为数据的数量为至少两个,且任意相邻的两个运行行为数据在组合行为序列中的运行标识满足以下关系,则将组合行为序列标记为正样本:
j=k·n+i%n+1;
其中,运行标识是按照预设运行顺序为运行行为数据预先分配,并且在运行标识分配过程中符合预设运行顺序的相邻运行行为数据的运行标识取值具有连续性,j表示组合行为序列中相邻的两个运行行为数据中位置在后的运行行为数据的运行标识,i表示组合行为序列中相邻的两个运行行为数据中位置在前的运行行为数据的运行标识,n表示组合行为序列中包括的运行行为数据总数,i%n表示i对n进行取模运算,k表示组合行为序列中的最小运行标识m除以n得到的整数商。
可选的,样本标记单元还包括第二标记子单元,用于:
如果组合行为序列中包括的运行行为数据的数量为一个,且该运行行为数据的运行标识为预设标识,则将组合行为序列标记为正样本;其中,预测标识用于表示目标操作类型下处于运行首位的运行行为数据。
可选的,运行监测模块401具体用于:
根据目标操作类型,对检测对象的运行过程进行切分,并分段监测检测对象的运行状态,得到与目标操作类型对应的至少两个目标运行行为数据。
可选的,检测对象包括车辆,目标操作类型包括与车辆运行相关的操作。
本申请实施例所公开的样本数据构建装置400可执行本申请实施例所公开的样本数据构建方法,具备执行方法相应的功能模块和有益效果。本申请装置实施例中未详尽描述的内容可以参考本申请任意方法实施例中的描述。
根据本申请的实施例,本申请实施例还提供了一种电子设备和一种可读存储介质。
如图5所示,图5是用于实现本申请实施例中样本数据构建方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请实施例的实现。
如图5所示,该电子设备包括:一个或多个处理器501、存储器502,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示图形用户界面(Graphical User Interface,GUI)的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作,例如,作为服务器阵列、一组刀片式服务器、或者多处理器***。图5中以一个处理器501为例。
存储器502即为本申请实施例所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本申请实施例所提供的样本数据构建方法。本申请实施例的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请实施例所提供的样本数据构建方法。
存储器502作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中样本数据构建方法对应的程序指令/模块,例如,附图4所示的运行监测模块401和样本数据确定模块402。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块,从而执行电子设备的各种功能应用以及数据处理,即实现上述方法实施例中的样本数据构建方法。
存储器502可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器502可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器502可选包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至用于实现本实施例中样本数据构建方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
用于实现本申请实施例中样本数据构建方法的电子设备还可以包括:输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接,图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息,以及产生与用于实现本实施例中样本数据构建方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置和触觉反馈装置等,其中,辅助照明装置例如发光二极管(Light Emitting Diode,LED);触觉反馈装置例如,振动电机等。该显示设备可以包括但不限于,液晶显示器(Liquid Crystal Display,LCD)、LED显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用集成电路(Application Specific Integrated Circuit,ASIC)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
这些计算程序,也称作程序、软件、软件应用、或者代码,包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置,例如,磁盘、光盘、存储器、可编程逻辑装置(Programmable Logic Device,PLD),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置,例如,阴极射线管(Cathode Ray Tube,CRT)或者LCD监视器;以及键盘和指向装置,例如,鼠标或者轨迹球,用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈,例如,视觉反馈、听觉反馈、或者触觉反馈;并且可以用任何形式,包括声输入、语音输入或者、触觉输入,来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***,例如,作为数据服务器,或者实施在包括中间件部件的计算***,例如,应用服务器,或者实施在包括前端部件的计算***,例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互,或者实施在包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信,例如通信网络,来将***的部件相互连接。通信网络的示例包括:局域网(Local Area Network,LAN)、广域网(Wide Area Network,WAN)、互联网和区块链网络。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
根据本申请实施例的技术方案,通过对检测对象的运行状态进行监测,并对监测得到的与目标操作类型对应的目标运行行为数据进行组合排列,并对组合排列结果进行样本标记得到样本数据,实现了快速构建丰富的训练样本数据的效果。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (16)
1.一种样本数据构建方法,包括:
对检测对象在目标操作类型下的运行状态进行监测,得到与所述目标操作类型对应的至少两个目标运行行为数据;
对所述目标运行行为数据进行组合排列,并对组合排列结果进行样本标记得到样本数据;其中,所述样本数据用于训练针对所述检测对象的异常检测模型。
2.根据权利要求1所述的方法,其中,与所述目标操作类型对应的至少两个目标运行行为数据包括所述检测对象在正常运行状态下的运行行为数据;
所述样本数据包括所述检测对象在异常运行状态下的运行行为数据。
3.根据权利要求1所述的方法,其中,对所述目标运行行为数据进行组合排列,并对组合排列结果进行样本标记得到样本数据,包括:
对所述目标运行行为数据进行组合排列,得到预设数量的组合行为序列;其中,所述组合行为序列中运行行为数据的位置排列顺序表示运行行为数据在所述组合行为序列中的运行顺序;
按照所述目标操作类型下相邻运行行为数据之间的预设运行顺序,对所述组合行为序列进行样本标记,得到所述样本数据;其中,样本数据包括正样本和负样本。
4.根据权利要求3所述的方法,其中,按照所述目标操作类型下相邻运行行为数据之间的预设运行顺序,对所述组合行为序列进行样本标记,得到所述样本数据,包括:
如果所述组合行为序列中包括的运行行为数据的数量为至少两个,且任意相邻的两个运行行为数据在所述组合行为序列中的运行标识满足以下关系,则将所述组合行为序列标记为正样本:
j=k·n+i%n+1
其中,所述运行标识是按照所述预设运行顺序为运行行为数据预先分配,并且在运行标识分配过程中符合所述预设运行顺序的相邻运行行为数据的运行标识取值具有连续性,j表示所述组合行为序列中相邻的两个运行行为数据中位置在后的运行行为数据的运行标识,i表示所述组合行为序列中相邻的两个运行行为数据中位置在前的运行行为数据的运行标识,n表示所述组合行为序列中包括的运行行为数据总数,i%n表示i对n进行取模运算,k表示所述组合行为序列中的最小运行标识m除以n得到的整数商。
5.根据权利要求4所述的方法,其中,按照所述目标操作类型下相邻运行行为数据之间的预设运行顺序,对所述组合行为序列进行样本标记,得到所述样本数据,还包括:
如果所述组合行为序列中包括的运行行为数据的数量为一个,且该运行行为数据的运行标识为预设标识,则将所述组合行为序列标记为正样本;其中,所述预测标识用于表示所述目标操作类型下处于运行首位的运行行为数据。
6.根据权利要求1所述的方法,其中,所述对检测对象在目标操作类型下的运行状态进行监测,得到与所述目标操作类型对应的至少两个目标运行行为数据,包括:
根据所述目标操作类型,对所述检测对象的运行过程进行切分,并分段监测所述运行状态,得到与所述目标操作类型对应的至少两个目标运行行为数据。
7.根据权利要求1所述的方法,其中,所述检测对象包括车辆,所述目标操作类型包括与车辆运行相关的操作。
8.一种样本数据构建装置,包括:
运行监测模块,用于对检测对象在目标操作类型下的运行状态进行监测,得到与所述目标操作类型对应的至少两个目标运行行为数据;
样本数据确定模块,用于对所述目标运行行为数据进行组合排列,并对组合排列结果进行样本标记得到样本数据;其中,所述样本数据用于训练针对所述检测对象的异常检测模型。
9.根据权利要求8所述的装置,其中,与所述目标操作类型对应的至少两个目标运行行为数据包括所述检测对象在正常运行状态下的运行行为数据;
所述样本数据包括所述检测对象在异常运行状态下的运行行为数据。
10.根据权利要求8所述的装置,其中,所述样本数据确定模块包括:
行为组合单元,用于对所述目标运行行为数据进行组合排列,得到预设数量的组合行为序列;其中,所述组合行为序列中运行行为数据的位置排列顺序表示运行行为数据在所述组合行为序列中的运行顺序;
样本标记单元,用于按照所述目标操作类型下相邻运行行为数据之间的预设运行顺序,对所述组合行为序列进行样本标记,得到所述样本数据;其中,样本数据包括正样本和负样本。
11.根据权利要求10所述的装置,其中,所述样本标记单元包括第一标记子单元,用于:
如果所述组合行为序列中包括的运行行为数据的数量为至少两个,且任意相邻的两个运行行为数据在所述组合行为序列中的运行标识满足以下关系,则将所述组合行为序列标记为正样本:
j=k·n+i%n+1
其中,所述运行标识是按照所述预设运行顺序为运行行为数据预先分配,并且在运行标识分配过程中符合所述预设运行顺序的相邻运行行为数据的运行标识取值具有连续性,j表示所述组合行为序列中相邻的两个运行行为数据中位置在后的运行行为数据的运行标识,i表示所述组合行为序列中相邻的两个运行行为数据中位置在前的运行行为数据的运行标识,n表示所述组合行为序列中包括的运行行为数据总数,i%n表示i对n进行取模运算,k表示所述组合行为序列中的最小运行标识m除以n得到的整数商。
12.根据权利要求11所述的装置,其中,所述样本标记单元还包括第二标记子单元,用于:
如果所述组合行为序列中包括的运行行为数据的数量为一个,且该运行行为数据的运行标识为预设标识,则将所述组合行为序列标记为正样本;其中,所述预测标识用于表示所述目标操作类型下处于运行首位的运行行为数据。
13.根据权利要求8所述的装置,其中,所述运行监测模块具体用于:
根据所述目标操作类型,对所述检测对象的运行过程进行切分,并分段监测所述检测对象的运行状态,得到与所述目标操作类型对应的至少两个目标运行行为数据。
14.根据权利要求8所述的装置,其中,所述检测对象包括车辆,所述目标操作类型包括与车辆运行相关的操作。
15.一种电子设备,其中,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的样本数据构建方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使计算机执行权利要求1-7中任一项所述的样本数据构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010865395.7A CN112070132A (zh) | 2020-08-25 | 2020-08-25 | 样本数据构建方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010865395.7A CN112070132A (zh) | 2020-08-25 | 2020-08-25 | 样本数据构建方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112070132A true CN112070132A (zh) | 2020-12-11 |
Family
ID=73659420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010865395.7A Pending CN112070132A (zh) | 2020-08-25 | 2020-08-25 | 样本数据构建方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112070132A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115204050A (zh) * | 2022-07-22 | 2022-10-18 | 木卫四(北京)科技有限公司 | 车载can总线数据异常检测方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130188176A1 (en) * | 2012-01-20 | 2013-07-25 | Peter Scott Lovely | Monitoring for disturbance of optical fiber |
CN204706192U (zh) * | 2015-06-04 | 2015-10-14 | 石立公 | 车载电子警察*** |
CN105160181A (zh) * | 2015-09-02 | 2015-12-16 | 华中科技大学 | 一种数控***指令域序列异常数据检测方法 |
CN105758644A (zh) * | 2016-05-16 | 2016-07-13 | 上海电力学院 | 基于变分模态分解和排列熵的滚动轴承故障诊断方法 |
CN107908300A (zh) * | 2017-11-17 | 2018-04-13 | 哈尔滨工业大学(威海) | 一种用户鼠标行为的合成与模拟方法及*** |
CN108537176A (zh) * | 2018-04-11 | 2018-09-14 | 武汉斗鱼网络科技有限公司 | 目标弹幕的识别方法、装置、终端及存储介质 |
CN110113226A (zh) * | 2019-04-16 | 2019-08-09 | 新华三信息安全技术有限公司 | 一种检测设备异常的方法及装置 |
CN110823237A (zh) * | 2019-10-24 | 2020-02-21 | 百度在线网络技术(北京)有限公司 | 起点绑路及预测模型获取方法、装置及存储介质 |
-
2020
- 2020-08-25 CN CN202010865395.7A patent/CN112070132A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130188176A1 (en) * | 2012-01-20 | 2013-07-25 | Peter Scott Lovely | Monitoring for disturbance of optical fiber |
CN204706192U (zh) * | 2015-06-04 | 2015-10-14 | 石立公 | 车载电子警察*** |
CN105160181A (zh) * | 2015-09-02 | 2015-12-16 | 华中科技大学 | 一种数控***指令域序列异常数据检测方法 |
CN105758644A (zh) * | 2016-05-16 | 2016-07-13 | 上海电力学院 | 基于变分模态分解和排列熵的滚动轴承故障诊断方法 |
CN107908300A (zh) * | 2017-11-17 | 2018-04-13 | 哈尔滨工业大学(威海) | 一种用户鼠标行为的合成与模拟方法及*** |
CN108537176A (zh) * | 2018-04-11 | 2018-09-14 | 武汉斗鱼网络科技有限公司 | 目标弹幕的识别方法、装置、终端及存储介质 |
CN110113226A (zh) * | 2019-04-16 | 2019-08-09 | 新华三信息安全技术有限公司 | 一种检测设备异常的方法及装置 |
CN110823237A (zh) * | 2019-10-24 | 2020-02-21 | 百度在线网络技术(北京)有限公司 | 起点绑路及预测模型获取方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
陈阳舟 等: "基于Co-training方法的车辆鲁棒检测算法", 《北京工业大学学报》, vol. 38, no. 03, pages 394 - 401 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115204050A (zh) * | 2022-07-22 | 2022-10-18 | 木卫四(北京)科技有限公司 | 车载can总线数据异常检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11288102B2 (en) | Modifying resources for composed systems based on resource models | |
CN111753914B (zh) | 模型优化方法和装置、电子设备及存储介质 | |
CN112241452B (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
CN111459816B (zh) | 故障注入测试方法、装置、***及存储介质 | |
CN111552646B (zh) | 用于回归测试的方法和装置 | |
CN111666206A (zh) | 变更代码的影响范围的获取方法、装置、设备及存储介质 | |
CN111506401B (zh) | 自动驾驶仿真任务调度方法、装置、电子设备及存储介质 | |
US10671061B2 (en) | Devices, methods, and systems for a distributed rule based automated fault detection | |
CN112070416B (zh) | 基于ai的rpa流程的生成方法、装置、设备及介质 | |
CN112508003A (zh) | 字符识别处理方法和装置 | |
CN112070132A (zh) | 样本数据构建方法、装置、设备和介质 | |
CN111696095B (zh) | 用于检测物体表面缺陷的方法及装置 | |
CN112560772B (zh) | 人脸的识别方法、装置、设备及存储介质 | |
CN111783644B (zh) | 检测方法、装置、设备和计算机存储介质 | |
CN113093695A (zh) | 一种数据驱动的sdn控制器故障诊断*** | |
CN111738325A (zh) | 图像识别方法、装置、设备以及存储介质 | |
CN112015995A (zh) | 数据分析的方法、装置、设备以及存储介质 | |
CN114116688B (zh) | 数据处理与数据质检方法、装置及可读存储介质 | |
CN115061895A (zh) | 业务流程编排方法、装置、电子设备及存储介质 | |
CN112101447A (zh) | 数据集的质量评估方法、装置、设备以及存储介质 | |
CN112560459A (zh) | 用于模型训练的样本筛选方法、装置、设备及存储介质 | |
CN112328710A (zh) | 实体信息处理方法、装置、电子设备和存储介质 | |
CN112101284A (zh) | 图像识别方法、图像识别模型的训练方法、装置及*** | |
CN111783872A (zh) | 训练模型的方法、装置、电子设备及计算机可读存储介质 | |
US10885462B2 (en) | Determine an interval duration and a training period length for log anomaly detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211020 Address after: 100176 101, floor 1, building 1, yard 7, Ruihe West 2nd Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing Applicant after: Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. Address before: 2 / F, *** building, 10 Shangdi 10th Street, Haidian District, Beijing 100085 Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd. |
|
TA01 | Transfer of patent application right |