CN116684878A - 一种5g信息传输数据安全监测*** - Google Patents
一种5g信息传输数据安全监测*** Download PDFInfo
- Publication number
- CN116684878A CN116684878A CN202310836452.2A CN202310836452A CN116684878A CN 116684878 A CN116684878 A CN 116684878A CN 202310836452 A CN202310836452 A CN 202310836452A CN 116684878 A CN116684878 A CN 116684878A
- Authority
- CN
- China
- Prior art keywords
- data
- data flow
- time sequence
- vector
- feature
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 57
- 230000005540 biological transmission Effects 0.000 title claims abstract description 42
- 230000002159 abnormal effect Effects 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 187
- 238000000605 extraction Methods 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 27
- 230000004927 fusion Effects 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 230000014759 maintenance of location Effects 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000012098 association analyses Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012300 Sequence Analysis Methods 0.000 claims description 2
- 230000009545 invasion Effects 0.000 abstract description 5
- 230000007123 defense Effects 0.000 abstract description 4
- 238000000034 method Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 11
- 230000000875 corresponding effect Effects 0.000 description 9
- 230000007613 environmental effect Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000012806 monitoring device Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010219 correlation analysis Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000005311 autocorrelation function Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/12—Detection or prevention of fraud
- H04W12/121—Wireless intrusion detection systems [WIDS]; Wireless intrusion prevention systems [WIPS]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
- H04L63/1425—Traffic logging, e.g. anomaly detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请公开了一种5G信息传输数据安全监测***,其通过使用数据包检测和防御***监测网络中的数据流量,从而及时发现和阻止异常的数据包,以防止恶意攻击和入侵。这样,可以对传输的数据进行实时监测和分析,并采取相应的措施来保护网络的安全性。
Description
技术领域
本申请涉及智能监测领域,且更为具体地,涉及一种5G信息传输数据安全监测***。
背景技术
随着5G网络的广泛应用,信息传输的数据安全成为一个重要的问题。恶意攻击和入侵可能会导致数据泄露、***瘫痪和网络服务中断等严重后果。因此,建立一个5G信息传输数据安全监测***是非常必要的。
然而,传统的传输数据安全监测***需要大量的人力资源和时间来分析和检测网络中的安全事件,导致监测效率低下,难以满足实际应用需求。并且,传统的监测***无法实时响应安全事件,导致安全问题的扩大和损失的增加。不仅如此,现有的传输数据安全监测***在处理大规模数据传输时缺乏足够的可靠性。也就是说,现有监测***在高负荷情况下,可能出现延迟、丢包或数据错误等问题,影响数据的完整性和准确性。
因此,期望一种优化的5G信息传输数据安全监测***。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种5G信息传输数据安全监测***,其通过使用数据包检测和防御***监测网络中的数据流量,从而及时发现和阻止异常的数据包,以防止恶意攻击和入侵。这样,可以对传输的数据进行实时监测和分析,并采取相应的措施来保护网络的安全性。
根据本申请的一个方面,提供了一种5G信息传输数据安全监测***,其包括:
数据流量采集模块,用于获取预定时间段内多个预定时间点的由5G网络传输的数据流量值;
数据流量时序分析模块,用于对所述多个预定时间点的由5G网络传输的数据流量值进行时序关联分析以得到数据流量绝对-波动时序特征向量;以及
数据流量异常检测模块,用于基于所述数据流量绝对-波动时序特征向量,确定数据流量是否正常。
根据本申请的另一个方面,提供了一种5G信息传输数据安全监测方法,其包括:
获取预定时间段内多个预定时间点的由5G网络传输的数据流量值;
对所述多个预定时间点的由5G网络传输的数据流量值进行时序关联分析以得到数据流量绝对-波动时序特征向量;以及
基于所述数据流量绝对-波动时序特征向量,确定数据流量是否正常。
与现有技术相比,本申请提供的一种5G信息传输数据安全监测***,其通过使用数据包检测和防御***监测网络中的数据流量,从而及时发现和阻止异常的数据包,以防止恶意攻击和入侵。这样,可以对传输的数据进行实时监测和分析,并采取相应的措施来保护网络的安全性。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的5G信息传输数据安全监测***的框图;
图2为根据本申请实施例的5G信息传输数据安全监测***的***架构图;
图3为根据本申请实施例的5G信息传输数据安全监测***中数据流量时序分析模块的框图;
图4为根据本申请实施例的5G信息传输数据安全监测***中数据流量异常检测模块的框图;
图5为根据本申请实施例的5G信息传输数据安全监测方法的流程图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的***中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述***和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的***所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
传统的传输数据安全监测***需要大量的人力资源和时间来分析和检测网络中的安全事件,导致监测效率低下,难以满足实际应用需求。并且,传统的监测***无法实时响应安全事件,导致安全问题的扩大和损失的增加。不仅如此,现有的传输数据安全监测***在处理大规模数据传输时缺乏足够的可靠性。也就是说,现有监测***在高负荷情况下,可能出现延迟、丢包或数据错误等问题,影响数据的完整性和准确性。因此,期望一种优化的5G信息传输数据安全监测***。
在本申请的技术方案中,提出了一种5G信息传输数据安全监测***。图1为根据本申请实施例的5G信息传输数据安全监测***的框图。图2为根据本申请实施例的5G信息传输数据安全监测***的***架构图。如图1和图2所示,根据本申请的实施例的5G信息传输数据安全监测***300,包括:数据流量采集模块310,用于获取预定时间段内多个预定时间点的由5G网络传输的数据流量值;数据流量时序分析模块320,用于对所述多个预定时间点的由5G网络传输的数据流量值进行时序关联分析以得到数据流量绝对-波动时序特征向量;以及,数据流量异常检测模块330,用于基于所述数据流量绝对-波动时序特征向量,确定数据流量是否正常。
具体地,所述数据流量采集模块310,用于获取预定时间段内多个预定时间点的由5G网络传输的数据流量值。数据流量值是指在一个特定时间段内通过网络传输的数据量。它通常以比特(bit)或字节(byte)为单位进行计量。数据流量值可以用来衡量网络使用的程度,以及评估网络的带宽和性能。在移动通信中,数据流量值常用于计算用户的流量消耗,以确定是否超出了套餐限制。对于网络提供商和服务提供商来说,了解和管理数据流量值也是管理网络资源和优化网络性能的重要指标。
相应的,在一种可能的实现方式中,可通过以下步骤来获取预定时间段内多个预定时间点的由5G网络传输的数据流量值,例如:确定时间段和时间点:首先确定你想要获取数据流量的时间段,例如从2023年6月1日到2023年6月30日。然后确定你想要获取数据流量的时间点,例如每天的上午9点、下午3点和晚上8点;配置数据流量监测设备:在每个预定时间点的位置上安装数据流量监测设备。这可以是专门的网络流量监测器或者是支持网络流量监测功能的设备,如路由器或交换机。确保这些设备已经连接到5G网络;设置数据流量监测器:进入每个数据流量监测设备的管理界面,并设置监测器以在预定时间点开始监测数据流量。你可以指定监测的时间段和时间点,并选择监测的网络接口(通常是与5G网络连接的接口);获取数据流量值:在每个预定时间点结束后,从数据流量监测设备中获取数据流量值。这可以通过访问监测设备的管理界面或使用相关的API来完成。确保记录每个时间点的数据流量值;分析和整理数据:将获取的数据流量值进行整理和分析。你可以使用电子表格软件或数据分析工具来处理数据,计算每个时间点的数据流量平均值、最大值或其他统计指标。
具体地,所述数据流量时序分析模块320,用于对所述多个预定时间点的由5G网络传输的数据流量值进行时序关联分析以得到数据流量绝对-波动时序特征向量。特别地,在本申请的一个具体示例中,如图3所示,所述数据流量时序分析模块320,包括:数据流量时序排列单元321,用于将所述多个预定时间点的由5G网络传输的数据流量值按照时间维度排列为数据流量时序输入向量;数据流量波动单元322,用于计算所述数据流量时序输入向量中每相邻两个预定时间点的数据流量值之间的差值以得到数据流量波动时序输入向量;多维度数据融合单元323,用于融合所述数据流量时序输入向量和所述数据流量波动时序输入向量以得到数据流量绝对-波动时序输入矩阵;以及,数据流量时序变化特征提取单元324,用于对所述数据流量绝对-波动时序输入矩阵进行特征提取以得到所述数据流量绝对-波动时序特征向量。
更具体地,所述数据流量时序排列单元321,用于将所述多个预定时间点的由5G网络传输的数据流量值按照时间维度排列为数据流量时序输入向量。考虑到由于所述数据流量值在时间维度上有着动态性的变化规律,当发生恶意攻击和入侵时,数据流量会产生异常。因此,对于所述数据流量值的时序变化情况进行分析能够对于数据流量的异常性进行监测,从而确保网络的安全。基于此,在本申请的技术方案中,需要将所述多个预定时间点的由5G网络传输的数据流量值按照时间维度排列为数据流量时序输入向量,以此来整合所述数据流量值在时序上的分布信息,以便于后续对于所述数据流量值的时序变化情况进行分析。
相应的,在一种可能的实现方式中,可通过以下步骤将所述多个预定时间点的由5G网络传输的数据流量值按照时间维度排列为数据流量时序输入向量,例如:确定数据采集时间点:根据需要监测的农作物生长周期和关键阶段,确定多个预定时间点进行数据采集。这些时间点可以是每小时、每天或每周等;安装传感器和设备:在农田或种植区域内安装传感器和设备,用于采集环境参数和农作物高度值。传感器可以包括温度传感器、湿度传感器、光照传感器、风速传感器、雨量传感器、气压传感器和土壤PH传感器。另外,安装高度传感器用于测量农作物的生长高度;连接到5G网络:确保传感器和设备能够连接到5G网络,以便实时传输数据。5G网络的高速传输和低延迟特性将确保数据能够及时传送和处理;数据采集和传输:在预定的时间点,传感器将采集环境参数和农作物高度值的数据,并通过5G网络传输到数据处理中心或云服务器。每个时间点的数据将按照时间顺序进行传输,形成数据流量时序;数据处理和分析:在数据处理中心或云服务器上,对接收到的数据进行处理和分析。可以使用数据分析算法来计算每个时间点的平均环境参数值和农作物高度值。这些数据可以用于评估农作物的生长状况和优化种植条件;数据可视化和报告:将处理和分析后的数据进行可视化展示,可以通过图表、曲线等方式呈现。这样农作物管理人员可以直观地了解农作物的生长情况,并根据数据报告进行决策和调整种植策略。
更具体地,所述数据流量波动单元322,用于计算所述数据流量时序输入向量中每相邻两个预定时间点的数据流量值之间的差值以得到数据流量波动时序输入向量。考虑到所述数据流量值在时序上的变化特征较为微弱,也就是说,当发生数据流量异常时,异常状态下的有关于所述数据流量值的变化信息为细微的小幅度变化特征,难以进行充分地捕捉。因此,在本申请的技术方案中,进一步计算所述数据流量时序输入向量中每相邻两个预定时间点的数据流量值之间的差值以得到数据流量波动时序输入向量,以此来表示所述数据流量值在时间维度上的相对波动信息,有利于后续对于所述数据流量值的异常变化进行监测。
相应的,在一种可能的实现方式中,可通过以下步骤计算所述数据流量时序输入向量中每相邻两个预定时间点的数据流量值之间的差值以得到数据流量波动时序输入向量,例如:定义预定时间点:确定需要获取数据流量值的预定时间点。这可以是在农作物生长周期内的多个时间点,例如每天的固定时间点或每周的固定时间点;获取数据流量值:在每个预定时间点,通过传感器或其他数据采集设备获取数据流量值。这可以是通过网络流量监测设备、传感器或其他相关设备获取的;计算差值:对于每相邻两个预定时间点的数据流量值,计算它们之间的差值。差值可以通过减去前一个时间点的数据流量值从而得到;构建时序输入向量:将计算得到的差值作为数据流量波动的时序输入向量的元素。每个元素代表了相邻两个时间点的数据流量值之间的差值;使用时序输入向量进行分析:将构建的时序输入向量用于进一步的数据分析和处理。可以使用各种机器学习算法、统计方法或其他分析技术来分析数据流量波动的模式、趋势或异常情况。
更具体地,所述多维度数据融合单元323,用于融合所述数据流量时序输入向量和所述数据流量波动时序输入向量以得到数据流量绝对-波动时序输入矩阵。特别地,在本申请的一个具体示例中,所述多维度数据融合单元323,用于:使用高斯密度图来融合所述数据流量时序输入向量和所述数据流量波动时序输入向量以得到所述数据流量绝对-波动时序输入矩阵。应可以理解,为了能够进一步提高对于所述数据流量值时序变化特征的捕捉刻画充分性,从而更加准确地进行数据流量的异常监测,以保护网络的安全性,在本申请的技术方案中,使用高斯密度图来融合所述数据流量时序输入向量和所述数据流量波动时序输入向量以得到数据流量绝对-波动时序输入矩阵,从而使用所述数据流量值的绝对变化特征和相对波动特征来综合进行数据流量的异常监测。
高斯融合(Gaussian fusion)是一种常用的数据融合方法,用于将多个传感器或多个数据源的信息合并成一个更准确和可靠的估计值。它基于高斯分布的概率理论,通过对不同数据源的测量值进行加权平均,得到一个更精确的估计结果。高斯融合在许多领域都有广泛的应用,例如机器人导航、目标跟踪、传感器网络等。通过将多个传感器的信息进行融合,可以提高***的鲁棒性和准确性,从而更好地理解和感知环境。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式融合所述数据流量时序输入向量和所述数据流量波动时序输入向量以得到数据流量绝对-波动时序输入矩阵,例如:收集数据流量时序输入向量:收集农作物生长周期内多个时间点的环境参数数据,包括温度、湿度、光照时间、风速、雨量、气压、土壤PH值。每个时间点的数据作为一个向量的元素;收集数据流量波动时序输入向量:收集农作物生长周期内多个时间点的农作物高度值。每个时间点的高度值作为一个向量的元素;融合数据流量时序输入向量和数据流量波动时序输入向量:将数据流量时序输入向量和数据流量波动时序输入向量按时间对应位置进行融合。可以使用矩阵运算或者逐个元素的方式进行融合;得到数据流量绝对-波动时序输入矩阵:将融合后的向量转化为矩阵形式,其中每一行表示一个时间点的数据。这样得到的矩阵即为数据流量绝对-波动时序输入矩阵。
更具体地,所述数据流量时序变化特征提取单元324,用于对所述数据流量绝对-波动时序输入矩阵进行特征提取以得到所述数据流量绝对-波动时序特征向量。特别地,在本申请的一个具体示例中,所述数据流量时序变化特征提取单元324,用于:将所述数据流量绝对-波动时序输入矩阵通过基于卷积神经网络模型的时序特征提取器以得到所述数据流量绝对-波动时序特征向量。也就是,使用在隐含关联特征提取方面具有优异表现的基于卷积神经网络模型的时序特征提取器来进行所述数据流量绝对-波动时序输入矩阵的特征挖掘,以此来提取出所述数据流量值的绝对量和相对波动量在时间维度上的时序关联特征分布信息,从而得到数据流量绝对-波动时序特征向量。
卷积神经网络(Convolutional Neural Network,简称CNN)是一种主要用于图像处理和模式识别的深度学习模型。它的设计灵感来自于生物视觉***中的神经元结构。CNN的核心思想是通过在网络中引入卷积层和池化层来提取图像特征,并通过全连接层进行分类或回归等任务。卷积层通过卷积操作对输入图像进行特征提取,可以捕捉到图像中的局部空间信息。池化层则用于降低特征图的尺寸,并保留主要的特征。CNN模型通常由多个卷积层、池化层和全连接层组成。在每个卷积层中,可以使用不同的卷积核来提取不同的特征。在训练过程中,CNN通过反向传播算法来优化网络参数,使得网络能够学习到更有效的特征表示。
根据本申请的实施例,将所述数据流量绝对-波动时序输入矩阵通过基于卷积神经网络模型的时序特征提取器以得到所述数据流量绝对-波动时序特征向量,包括:使用所述基于卷积神经网络模型的时序特征提取器的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述基于卷积神经网络模型的时序特征提取器的最后一层的输出为所述数据流量绝对-波动时序特征向量,所述基于卷积神经网络模型的时序特征提取器的第一层的输入为所述数据流量绝对-波动时序输入矩阵。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式对所述数据流量绝对-波动时序输入矩阵进行特征提取以得到所述数据流量绝对-波动时序特征向量,例如:数据预处理:首先,对原始数据进行预处理。这可能包括去除噪声、填补缺失值、数据归一化等操作,以确保数据的质量和一致性;时序切片:将数据流量绝对-波动时序输入矩阵切分成多个时序切片。每个时序切片对应于一个时间段内的数据;特征提取:对于每个时序切片,可以从中提取一些特征。常用的特征提取方法包括统计特征提取、频域特征提取、时域特征提取等。以下是一些常见的特征提取方法:统计特征提取:计算时序切片中的统计指标,如均值、方差、最大值、最小值等。频域特征提取:将时序切片转换到频域,提取频域特征,如频谱能量、频谱峰值等。时域特征提取:在时域上对时序切片进行分析,提取时域特征,如自相关函数、差分函数等;特征向量构建:将从每个时序切片中提取的特征组合成一个特征向量。可以根据需要选择特征向量的长度和组合方式;特征选择:如果特征向量过长或包含冗余信息,可以使用特征选择方法来选择最具代表性的特征子集。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式对所述多个预定时间点的由5G网络传输的数据流量值进行时序关联分析以得到数据流量绝对-波动时序特征向量,例如:数据采集:使用高度传感器和其他传感器收集农作物生长周期内多个时间点的环境参数数据,包括温度、湿度、光照时间、风速、雨量、气压、土壤PH值。同时,使用网络测量工具或设备,如路由器、交换机等,收集5G网络在这些时间点上的数据流量值;数据预处理:对采集到的数据进行预处理,包括数据清洗、去除异常值、填补缺失值等。对于环境参数数据,可以进行平滑处理以减少噪声影响。对于数据流量值,可以进行单位转换和归一化处理,以便后续分析;时序关联分析:将环境参数数据和数据流量值进行时序关联分析,以探索它们之间的关系。可以使用时间序列分析方法,如自相关函数、互相关函数、谱分析等,来分析它们的时序特征和相关性;特征提取:基于时序关联分析的结果,提取数据流量的绝对-波动时序特征向量。这些特征向量可以包括数据流量的平均值、方差、最大值、最小值、波动范围等。可以根据实际需求选择合适的特征;特征分析和应用:对提取的特征进行分析和应用。可以使用机器学习算法、统计分析方法等,对特征进行分类、聚类、预测等。这些特征可以用于农作物生长管理的决策支持,如优化种植条件、预测产量、监测异常情况等。
具体地,所述数据流量异常检测模块330,用于基于所述数据流量绝对-波动时序特征向量,确定数据流量是否正常。特别地,在本申请的一个具体示例中,如图4所示,所述数据流量异常检测模块330,包括:特征优化因子计算单元331,用于对所述数据流量时序输入向量和所述数据流量波动时序输入向量进行前向传播信息保留融合以得到校正特征向量;特征加权优化单元332,用于将所述校正特征向量进行线性变换后,计算线性变换后的所述校正特征向量与所述数据流量绝对-波动时序特征向量的按位置点乘以得到优化数据流量绝对-波动时序特征向量;以及,数据流量异常分类单元333,用于将所述优化数据流量绝对-波动时序特征向量通过分类器以得到分类结果,所述分类结果用于表示数据流量是否正常。
更具体地,所述特征优化因子计算单元331,用于对所述数据流量时序输入向量和所述数据流量波动时序输入向量进行前向传播信息保留融合以得到校正特征向量。在本申请的技术方案中,所述数据流量时序输入向量和所述数据流量波动时序输入向量分别表达数据流量值沿时序的分布及其沿时序方向下的波动,在通过高斯密度图融合所述数据流量时序输入向量和所述数据流量波动时序输入向量时,考虑到高斯密度图虽然从高斯概率分布的角度基于所述数据流量时序输入向量和所述数据流量波动时序输入向量之间的分布关系来有效地融合了所述数据流量值及其波动值在时序下的分布,但是由于高斯离散化时的随机特性,仍然不可避免地导致绝对时序信息的损失。这样,在将所述数据流量绝对-波动时序输入矩阵通过基于卷积神经网络模型的时序特征提取器得到所述数据流量绝对-波动时序特征向量时,绝对时序信息的损失会在模型的前向传播时产生特征信息的损失,从而影响所述数据流量绝对-波动时序特征向量对于局部时序关联特征的表达效果,也就影响了其通过分类器得到的分类结果的准确性。基于此,本申请的一个具体示例中,通过对所述数据流量时序输入向量,例如记为和所述数据流量波动时序输入向量,例如记为/>进行前向传播信息保留融合来得到校正特征向量,例如记为/>,其中/>表示为:
其中,是所述数据流量时序输入向量,/>是所述数据流量波动时序输入向量,和/>分别表示将特征向量左移/>位和右移/>位,/>为取整函数,/>是所述数据流量时序输入向量和所述数据流量波动时序输入向量的所有特征值的均值,/>表示特征向量的一范数,/>是所述数据流量时序输入向量和所述数据流量波动时序输入向量之间的距离,且/>为以2为底的对数函数值,/>和/>分别表示按位置减法和加法,/>和/>为加权超参数,/>是所述校正特征向量。这里,针对所述数据流量时序输入向量/>和所述数据流量波动时序输入向量/>在网络模型中的前向传播过程中,由于局部时序关联特征提取操作产生的在向量尺度上的浮点分布误差和特征信息损失,通过从均一化信息角度来引入向量的逐位位移操作,来平衡和标准化前向传播过程中的量化误差和信息损失,并通过在特征提取之前重塑特征参数的分布来引入分布多样性,由此以扩大信息熵的方式进行信息保留(retention)。这样,将得到的所述校正特征向量/>进行线性变换后再对所述数据流量绝对-波动时序特征向量进行点乘,就可以减少所述数据流量绝对-波动时序特征向量对于所述所述数据流量值及其波动值本身的绝对时序关联特征的表达的信息损失,从而提升其通过分类器得到的分类结果的准确性。这样,能够对传输的数据进行实时监测和分析,以对于异常流量数据进行有效检测,从而及时发现和阻止异常的数据包,以防止恶意攻击和入侵,保护网络的安全性。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式对所述数据流量时序输入向量和所述数据流量波动时序输入向量进行前向传播信息保留融合以得到校正特征向量,例如:准备数据:首先,收集和准备需要进行融合的数据。这包括数据流量时序输入向量和数据流量波动时序输入向量。这些向量包含了不同时间点的数据流量值和波动情况;特征提取:对于每个输入向量,进行特征提取操作。这可以包括使用卷积神经网络(CNN)或循环神经网络(RNN)等方法从输入向量中提取有用的特征;信息保留融合:将特征向量进行信息保留融合。这可以通过不同的方法实现,例如使用门控机制(如门控循环单元GRU或长短时记忆网络LSTM)来控制特征的保留和遗忘;校正特征向量:对融合后的特征向量进行校正。这可以通过添加校正层或使用其他方法来调整特征向量的值,以使其更准确地表示输入数据;输出结果:最后,将校正后的特征向量作为输出结果使用,可以用于进一步的分析、预测或其他应用。
更具体地,所述特征加权优化单元332,用于将所述校正特征向量进行线性变换后,计算线性变换后的所述校正特征向量与所述数据流量绝对-波动时序特征向量的按位置点乘以得到优化数据流量绝对-波动时序特征向量。
线性变换是指在数学中,将一个向量空间的元素映射到另一个向量空间的操作。它具有保持向量加法和标量乘法运算的性质,即满足线性性质。线性变换在许多领域中都有广泛的应用,包括线性代数、计算机图形学、信号处理等。它们可以用来描述物理***的行为、解决线性方程组、进行数据压缩和特征提取等任务。
按位置点乘是一种向量运算,也称为哈达玛积(Hadamard product)或元素对应乘积。它是将两个具有相同维度的向量的对应元素相乘得到一个新的向量。按位置点乘在许多领域中都有应用,例如图像处理中的像素级操作、信号处理中的滤波器设计、向量化计算等。它可以用来逐元素地对向量进行操作,而不改变向量的维度和结构。
相应的,在一种可能的实现方式中,可通过以下步骤将所述校正特征向量进行线性变换后,计算线性变换后的所述校正特征向量与所述数据流量绝对-波动时序特征向量的按位置点乘以得到优化数据流量绝对-波动时序特征向量,例如:校正特征向量:首先,对所述校正特征向量进行线性变换。假设校正特征向量为A,线性变换矩阵为M,则线性变换后的校正特征向量为B = M * A;数据流量绝对-波动时序特征向量:假设数据流量绝对-波动时序特征向量为C;按位置点乘:对线性变换后的校正特征向量B和数据流量绝对-波动时序特征向量C进行按位置点乘。这意味着对应位置的元素相乘。得到的向量为D,其中 D[i] =B[i]* C[i],其中 i 表示向量的索引;优化数据流量绝对-波动时序特征向量:最终得到的优化数据流量绝对-波动时序特征向量为D。
更具体地,所述数据流量异常分类单元333,用于将所述优化数据流量绝对-波动时序特征向量通过分类器以得到分类结果,所述分类结果用于表示数据流量是否正常。特别地,在本申请的一个具体示例中,所述数据流量异常分类单元333,包括:全连接编码子单元,用于使用所述分类器的多个全连接层对所述优化数据流量绝对-波动时序特征向量进行全连接编码以得到编码分类特征向量;以及,分类结果生成子单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
所述全连接编码子单元,用于使用所述分类器的多个全连接层对所述优化数据流量绝对-波动时序特征向量进行全连接编码以得到编码分类特征向量。值得一提的是,所述分类器是一种机器学习模型,用于将输入数据分为不同的类别或标签。分类器可以根据输入数据的特征进行学习,并根据学习到的模式和规律对新的未标记数据进行分类。
全连接编码(Fully Connected Encoding)是一种常用的神经网络编码方法,也称为全连接层或密集连接层。在全连接编码中,每个神经元与上一层的所有神经元都相连,每个连接都有一个权重。这种编码方式可以将输入数据的特征映射到隐藏层或输出层,实现特征的非线性组合和转换。全连接编码的过程可以简单描述为:将输入数据通过一系列的线性变换和非线性激活函数,映射到隐藏层或输出层。每个神经元的输出是由其输入与对应的权重进行加权求和,并经过激活函数进行非线性变换。这样,每个神经元都可以学习到输入数据中不同的特征和模式。全连接编码在深度学习中广泛应用于图像识别、自然语言处理、语音识别等任务中。通过多层的全连接层叠加,神经网络可以学习到更高级别的特征表示,提高模型的表达能力和性能。
所述分类结果生成子单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。值得注意的是,所述Softmax分类函数是一种常用的分类函数,通常用于多类别分类问题。它将输入的向量转换为一个概率分布,其中每个元素代表了输入属于某个类别的概率。Softmax函数的输出是一个概率分布,所有元素的值都在 0 到 1 之间,并且所有元素的和为 1。这使得它适用于多类别分类问题,可以将输入向量映射到不同类别的概率上。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式将所述优化数据流量绝对-波动时序特征向量通过分类器以得到分类结果,所述分类结果用于表示数据流量是否正常,例如:收集数据:收集用于训练和测试分类器的数据。这些数据应包括正常数据流量和异常数据流量的样本;特征提取:对收集到的数据进行特征提取,以便将其表示为特征向量。在这种情况下,使用优化后的数据流量绝对-波动时序特征向量作为输入特征;数据划分:将数据集划分为训练集和测试集。通常,大部分数据用于训练分类器,而少部分数据用于评估分类器的性能;训练分类器:使用训练集对分类器进行训练。常见的分类器包括决策树、支持向量机、逻辑回归等。分类器的目标是学***后,可以将其部署到实际应用中。通过将新的数据流量输入分类器,可以得到数据流量是否正常的分类结果。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式基于所述数据流量绝对-波动时序特征向量,确定数据流量是否正常,例如:数据采集:首先需要通过传感器或监测设备收集数据流量的实时信息。这些传感器可以安装在网络节点、服务器、路由器等位置,以便获取准确的数据流量信息;数据预处理:采集到的原始数据通常需要进行预处理,以去除噪声、平滑数据并进行格式转换。常见的预处理方法包括滤波、降采样和数据归一化等;特征提取:从预处理后的数据中提取特征是确定数据流量是否正常的关键步骤。特征可以是数据的统计特性,如均值、方差、最大值和最小值,也可以是频域特征、时域特征或其他领域专有的特征;特征向量构建:将提取到的特征组合成特征向量。特征向量是描述数据流量的数学表示,可以用来刻画数据流量的波动特征;特征选择:对于构建好的特征向量,可以使用特征选择算法选择最具代表性的特征子集,以减少特征的维度并提高分类或异常检测性能;正常/异常分类:使用机器学习、统计模型或其他分类算法对特征向量进行训练和分类。训练阶段需要使用已标记的数据样本进行模型训练,然后将未知数据样本输入模型进行分类,判断数据流量是否正常;异常检测和报警:如果分类结果显示数据流量异常,***可以触发警报或采取相应的措施,如通知网络管理员、自动调整网络配置或采取其他应急措施。
综上,根据本申请实施例的5G信息传输数据安全监测***300被阐明,其通过使用数据包检测和防御***监测网络中的数据流量,从而及时发现和阻止异常的数据包,以防止恶意攻击和入侵。这样,可以对传输的数据进行实时监测和分析,并采取相应的措施来保护网络的安全性。
如上所述,根据本申请实施例的5G信息传输数据安全监测***300可以实现在各种无线终端中,例如具有5G信息传输数据安全监测算法的服务器等。在一种可能的实现方式中,根据本申请实施例的5G信息传输数据安全监测***300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该5G信息传输数据安全监测***300可以是该无线终端的操作***中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该5G信息传输数据安全监测***300同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该5G信息传输数据安全监测***300与该无线终端也可以是分立的设备,并且该5G信息传输数据安全监测***300可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
进一步地,还提供一种5G信息传输数据安全监测方法。
图5为根据本申请实施例的5G信息传输数据安全监测方法的流程图。。如图5所示,根据本申请实施例的5G信息传输数据安全监测方法,包括:S110,获取预定时间段内多个预定时间点的由5G网络传输的数据流量值;S120,对所述多个预定时间点的由5G网络传输的数据流量值进行时序关联分析以得到数据流量绝对-波动时序特征向量;以及,S130,基于所述数据流量绝对-波动时序特征向量,确定数据流量是否正常。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (8)
1.一种5G信息传输数据安全监测***,其特征在于,包括:
数据流量采集模块,用于获取预定时间段内多个预定时间点的由5G网络传输的数据流量值;
数据流量时序分析模块,用于对所述多个预定时间点的由5G网络传输的数据流量值进行时序关联分析以得到数据流量绝对-波动时序特征向量;以及
数据流量异常检测模块,用于基于所述数据流量绝对-波动时序特征向量,确定数据流量是否正常。
2.根据权利要求1所述的5G信息传输数据安全监测***,其特征在于,所述数据流量时序分析模块,包括:
数据流量时序排列单元,用于将所述多个预定时间点的由5G网络传输的数据流量值按照时间维度排列为数据流量时序输入向量;
数据流量波动单元,用于计算所述数据流量时序输入向量中每相邻两个预定时间点的数据流量值之间的差值以得到数据流量波动时序输入向量;
多维度数据融合单元,用于融合所述数据流量时序输入向量和所述数据流量波动时序输入向量以得到数据流量绝对-波动时序输入矩阵;以及
数据流量时序变化特征提取单元,用于对所述数据流量绝对-波动时序输入矩阵进行特征提取以得到所述数据流量绝对-波动时序特征向量。
3.根据权利要求2所述的5G信息传输数据安全监测***,其特征在于,所述多维度数据融合单元,用于:使用高斯密度图来融合所述数据流量时序输入向量和所述数据流量波动时序输入向量以得到所述数据流量绝对-波动时序输入矩阵。
4.根据权利要求3所述的5G信息传输数据安全监测***,其特征在于,所述数据流量时序变化特征提取单元,用于:将所述数据流量绝对-波动时序输入矩阵通过基于卷积神经网络模型的时序特征提取器以得到所述数据流量绝对-波动时序特征向量。
5.根据权利要求4所述的5G信息传输数据安全监测***,其特征在于,所述数据流量时序变化特征提取单元,用于:使用所述基于卷积神经网络模型的时序特征提取器的各层在层的正向传递中分别对输入数据进行:
对输入数据进行卷积处理以得到卷积特征图;
对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述基于卷积神经网络模型的时序特征提取器的最后一层的输出为所述数据流量绝对-波动时序特征向量,所述基于卷积神经网络模型的时序特征提取器的第一层的输入为所述数据流量绝对-波动时序输入矩阵。
6.根据权利要求5所述的5G信息传输数据安全监测***,其特征在于,所述数据流量异常检测模块,包括:
特征优化因子计算单元,用于对所述数据流量时序输入向量和所述数据流量波动时序输入向量进行前向传播信息保留融合以得到校正特征向量;
特征加权优化单元,用于将所述校正特征向量进行线性变换后,计算线性变换后的所述校正特征向量与所述数据流量绝对-波动时序特征向量的按位置点乘以得到优化数据流量绝对-波动时序特征向量;以及
数据流量异常分类单元,用于将所述优化数据流量绝对-波动时序特征向量通过分类器以得到分类结果,所述分类结果用于表示数据流量是否正常。
7.根据权利要求6所述的5G信息传输数据安全监测***,其特征在于,所述特征优化因子计算单元,用于:以如下融合优化公式对所述数据流量时序输入向量和所述数据流量波动时序输入向量进行前向传播信息保留融合以得到所述校正特征向量;
其中,所述融合优化公式为:
其中,是所述数据流量时序输入向量,/>是所述数据流量波动时序输入向量,/>和分别表示将特征向量左移/>位和右移/>位,/>为取整函数,/>是所述数据流量时序输入向量和所述数据流量波动时序输入向量的所有特征值的均值,/>表示特征向量的一范数,/> 是所述数据流量时序输入向量和所述数据流量波动时序输入向量之间的距离,且/>为以2为底的对数函数值,/>和/>分别表示按位置减法和加法,/>和/>为加权超参数,/>是所述校正特征向量。
8. 根据权利要求7所述的5G信息传输数据安全监测***,其特征在于,所述数据流量异常分类单元,包括:
全连接编码子单元,用于使用所述分类器的多个全连接层对所述优化数据流量绝对-波动时序特征向量进行全连接编码以得到编码分类特征向量;以及
分类结果生成子单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310836452.2A CN116684878B (zh) | 2023-07-10 | 2023-07-10 | 一种5g信息传输数据安全监测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310836452.2A CN116684878B (zh) | 2023-07-10 | 2023-07-10 | 一种5g信息传输数据安全监测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116684878A true CN116684878A (zh) | 2023-09-01 |
CN116684878B CN116684878B (zh) | 2024-01-30 |
Family
ID=87783859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310836452.2A Active CN116684878B (zh) | 2023-07-10 | 2023-07-10 | 一种5g信息传输数据安全监测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116684878B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117156442A (zh) * | 2023-10-31 | 2023-12-01 | 深圳市中科鼎创科技股份有限公司 | 基于5g网络的云数据安全保护方法及*** |
CN117834256A (zh) * | 2023-12-29 | 2024-04-05 | 广东云达智能物联科技有限公司 | 基于大数据的物联网设备安全监控*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112968816A (zh) * | 2021-03-14 | 2021-06-15 | 国网浙江省电力有限公司电力科学研究院 | 通过流量异常检测筛选物联网设备异常的方法及*** |
WO2022113273A1 (ja) * | 2020-11-27 | 2022-06-02 | 日本電信電話株式会社 | 時系列データ分析装置、時系列データ分析方法、及び時系列データ分析プログラム |
WO2022142120A1 (zh) * | 2020-12-31 | 2022-07-07 | 平安科技(深圳)有限公司 | 基于人工智能的数据检测方法、装置、服务器及存储介质 |
CN114936789A (zh) * | 2022-04-30 | 2022-08-23 | 宁波大学科学技术学院 | 一种基于时序特征分解技术的并网光伏发电***状态监测方法 |
CN115811440A (zh) * | 2023-01-12 | 2023-03-17 | 南京众智维信息科技有限公司 | 一种基于网络态势感知的实时流量检测方法 |
CN116015837A (zh) * | 2022-12-22 | 2023-04-25 | 南阳理工学院 | 用于计算机网络信息安全的入侵检测方法及*** |
-
2023
- 2023-07-10 CN CN202310836452.2A patent/CN116684878B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022113273A1 (ja) * | 2020-11-27 | 2022-06-02 | 日本電信電話株式会社 | 時系列データ分析装置、時系列データ分析方法、及び時系列データ分析プログラム |
WO2022142120A1 (zh) * | 2020-12-31 | 2022-07-07 | 平安科技(深圳)有限公司 | 基于人工智能的数据检测方法、装置、服务器及存储介质 |
CN112968816A (zh) * | 2021-03-14 | 2021-06-15 | 国网浙江省电力有限公司电力科学研究院 | 通过流量异常检测筛选物联网设备异常的方法及*** |
CN114936789A (zh) * | 2022-04-30 | 2022-08-23 | 宁波大学科学技术学院 | 一种基于时序特征分解技术的并网光伏发电***状态监测方法 |
CN116015837A (zh) * | 2022-12-22 | 2023-04-25 | 南阳理工学院 | 用于计算机网络信息安全的入侵检测方法及*** |
CN115811440A (zh) * | 2023-01-12 | 2023-03-17 | 南京众智维信息科技有限公司 | 一种基于网络态势感知的实时流量检测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117156442A (zh) * | 2023-10-31 | 2023-12-01 | 深圳市中科鼎创科技股份有限公司 | 基于5g网络的云数据安全保护方法及*** |
CN117156442B (zh) * | 2023-10-31 | 2024-03-12 | 深圳市中科鼎创科技股份有限公司 | 基于5g网络的云数据安全保护方法及*** |
CN117834256A (zh) * | 2023-12-29 | 2024-04-05 | 广东云达智能物联科技有限公司 | 基于大数据的物联网设备安全监控*** |
CN117834256B (zh) * | 2023-12-29 | 2024-06-18 | 广东云达智能物联科技有限公司 | 基于大数据的物联网设备安全监控*** |
Also Published As
Publication number | Publication date |
---|---|
CN116684878B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116684878B (zh) | 一种5g信息传输数据安全监测*** | |
CN112015153B (zh) | 一种无菌灌装生产线异常检测***和方法 | |
CN111178456A (zh) | 异常指标检测方法、装置、计算机设备和存储介质 | |
CN111475680A (zh) | 检测异常高密子图的方法、装置、设备及存储介质 | |
CN112132430B (zh) | 一种配电主设备分布式状态传感器可靠性评估方法及*** | |
CN107257351A (zh) | 一种基于灰色lof流量异常检测***及其检测方法 | |
CN117041017B (zh) | 数据中心的智能运维管理方法及*** | |
US20230118175A1 (en) | Event analysis in an electric power system | |
CN117421684B (zh) | 基于数据挖掘和神经网络的异常数据监测与分析方法 | |
CN112367303B (zh) | 分布式自学习异常流量协同检测方法及*** | |
CN117156442B (zh) | 基于5g网络的云数据安全保护方法及*** | |
CN113822366A (zh) | 业务指标异常检测方法及装置、电子设备、存储介质 | |
CN114338351B (zh) | 网络异常根因确定方法、装置、计算机设备及存储介质 | |
CN117671396B (zh) | 施工进度的智能监控预警***及方法 | |
CN117579513B (zh) | 汇聚分流设备的可视化运维***及其方法 | |
CN117388893B (zh) | 一种基于gps的多设备定位*** | |
CN117368651B (zh) | 一种配电网故障综合分析***及方法 | |
CN116660761B (zh) | 一种锂离子电池检测方法及*** | |
CN117421994A (zh) | 一种边缘应用健康度的监测方法和监测*** | |
CN117556359A (zh) | 配电设备健康状态评估***及方法 | |
CN115941807A (zh) | 一种园区安防***数据高效压缩方法 | |
CN113469247B (zh) | 网络资产异常检测方法 | |
CN113807716A (zh) | 一种基于人工智能的网络运维自动化方法 | |
CN113469228A (zh) | 一种基于数据流时空特征的电力负荷异常值辨识方法 | |
CN113958463A (zh) | 风机叶片在线监测方法、***及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |