【技术实现步骤摘要】
本专利技术涉及异常检测，尤其涉及一种基于深度自编码器与多模态融合算法的异常检测方法。
技术介绍
1、在现代物联网系统中，数以百万计的互联设备不间断地生成海量的时序数据，这些数据不仅包含了设备运行状态的实时反馈，还可能携带着环境变化、用户行为等多维度信息。然而，正是这种数据的庞大体量和高度动态性，给异常检测带来了前所未有的挑战。异常检测的目标是在这些连续且复杂的时序数据流中识别出偏离正常模式的事件，它们可能预示着设备故障、系统入侵或是其他潜在危机。
2、现有专利公开了一种基于变分自动编码器的设备状态异常检测方法(公开号cn115438692a)，属于机械系统智能诊断与监测
；包括以下步骤：采集机械设备正常运行时的振动信号；对信号进行预处理获得包含时域、频域以及自相关的多模态数据，进行数据融合后作为训练集；构建变分自动编码器vae网络；使用训练集对网络进行训练。由于异常事件本身稀少且形态多变，加之数据的噪声和多样性，该专利所公开技术中的异常检测技术往往难以满足高精度和低延迟的要求。
技术实现思路
1、本专利技术主要解决的技术问题是提供一种基于深度自编码器与多模态融合算法的异常检测方法，解决了上述
技术介绍
中的问题。
2、为解决上述技术问题，根据本专利技术的一个方面，更具体的说是一种基于深度自编码器与多模态融合算法的异常检测方法，包括以下步骤：
3、s1、在设备侧部署各类传感器，获取各类设备信息，并将传感器采集到的数据转换成可传输的网络协议进行传输
4、s2、通过分布式协议适配技术对不同规范与标准的协议进行适配，统一消息的类型与标准；
5、s3、在靠近数据源和用户的地理位置部署边缘计算节点，配备必要的计算、存储和通信能力，构建边缘节点上的智能决策模块；
6、s4、利用云中心搭建动态资源监控系统，实时收集边缘节点的资源状态，利用分布式负载均衡算法动态调整任务分配和数据路由；
7、s5、根据采集系统中图像、音频以及设备运行日志构建深度自编码器模型；
8、s6、利用正常样本集对自编码器进行训练，确保模型能有效捕获数据的内在结构和特征并设计多模态融合策略，将各模态特征拼接映射到同一空间；
9、s7、利用训练好的自编码器对新样本进行编码和重构，计算重构误差或残差作为异常度量，应用多模态融合策略，整合各模态的异常度量，得出最终的异常检测结果。
10、更进一步的，所述步骤s2中，状态机生成与解析算法的分布式协议适配的具体步骤有：
11、s201、根据设备协议类型明确待适配的分布式协议的规范和标准，并根据协议规范设计相应的状态机模型；
12、s202、编写状态机生成工具，将状态机设计模型转换为源码，根据目标编程语言和展馆项目架构，定制代码生成模板，确保生成的代码集成到运维管理系统中；
13、s203、实现协议适配，编写消息解析器，能够根据协议规范解析接收到的字节流，还原为有意义的消息结构，并实现消息编码器，将本地对象按照协议规范转换成可网络传输的字节流；
14、s204、将多协议状态机进行集成，实现不同消息事件下正确迁移状态，并执行相应动作。
15、更进一步的，所述步骤s201中的规范和标准包括消息类型、消息结构、交互流程、状态转移规则。
16、更进一步的，所述步骤s4中，边缘智能与分布式负载均衡算法的云边实时协同技术中，在靠近数据源和用户的地理位置部署边缘计算节点，配备必要的计算、存储和通信能力，构建边缘节点上的智能决策模块，利用机器学习对本地数据的实时分析和决策。
17、更进一步的，所述云中心搭建动态资源监控系统，并实时收集边缘节点的资源状态，利用分布式负载均衡算法动态调整任务分配和数据路由。
18、更进一步的，建立云边服务注册与发现机制使边缘服务能够被云中心和其它边缘节点透明访问，根据负载变化自动调整边缘服务实例数量，实现服务容量的动态扩缩。
19、更进一步的，所述步骤s7中，深度自编码器与多模态融合算法的异常检测具体步骤有：
20、s701、将采集系统中的图像、音频以及设备运行日志中的文本信息录入系统并对数据进行清洗、格式转换、标准化预处理；
21、s702、构建深度自编码器模型，并利用正常样本集对自编码器进行训练；
22、s703、设计多模态融合策略，将各模态特征拼接映射到同一空间；
23、s704、利用训练好的自编码器对新样本进行编码和重构，计算重构误差或残差作为异常度量，应用多模态融合策略，整合各模态的异常度量，得出最终的异常检测结果。
24、更进一步的，所述步骤s704中，对训练好的自编码器对新样本进行编码和重构并计算重构误差，有：
25、
26、式中，c表示计算的重构误差，xi表示原始数据，表示重构数据，n表示数据点的总数；
27、而对训练好的自编码器对新样本进行编码和重构并计算残差有：
28、
29、式中，m表示所计算残差，xi表示原始数据，表示重构数据，n表示数据点的总数。
30、更进一步的，所述步骤s702中，构建深度自编码器模型，包括编码器和解码器两部分。
31、有益效果：
32、1、本专利技术通过在设备侧部署各类传感器，获取各类设备信息，并将传感器采集到的数据转换成可传输的网络协议进行传输，通过分布式协议适配技术对不同规范与标准的协议进行适配，统一消息的类型与标准。
33、2、本专利技术通过在靠近数据源和用户的地理位置部署边缘计算节点，配备必要的计算、存储和通信能力，构建边缘节点上的智能决策模块，云中心搭建动态资源监控系统，实时收集边缘节点的资源状态，利用分布式负载均衡算法动态调整任务分配和数据路由。
34、3、本专利技术根据采集系统中图像、音频以及设备运行日志构建深度自编码器模型，利用正常样本集对自编码器进行训练，确保模型能有效捕获数据的内在结构和特征并设计多模态融合策略，将各模态特征拼接映射到同一空间。
35、4、本专利技术利用训练好的自编码器对新样本进行编码和重构，计算重构误差或残差作为异常度量，应用多模态融合策略，整合各模态的异常度量，得出最终的异常检测结果。
本文档来自技高网...【技术保护点】
1.一种基于深度自编码器与多模态融合算法的异常检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度自编码器与多模态融合算法的异常检测方法，其特征在于：所述步骤S2中，状态机生成与解析算法的分布式协议适配的具体步骤有：
3.根据权利要求2所述的基于深度自编码器与多模态融合算法的异常检测方法，其特征在于：所述步骤S201中的规范和标准包括消息类型、消息结构、交互流程、状态转移规则。
4.根据权利要求1所述的基于深度自编码器与多模态融合算法的异常检测方法，其特征在于：所述步骤S4中，边缘智能与分布式负载均衡算法的云边实时协同技术中，在靠近数据源和用户的地理位置部署边缘计算节点，配备必要的计算、存储和通信能力，构建边缘节点上的智能决策模块，利用机器学习对本地数据的实时分析和决策。
5.根据权利要求4所述的基于深度自编码器与多模态融合算法的异常检测方法，其特征在于：所述云中心搭建动态资源监控系统，并实时收集边缘节点的资源状态，利用分布式负载均衡算法动态调整任务分配和数据路由。
6.根据权利要求5所述的基于深度自编
7.根据权利要求1所述的基于深度自编码器与多模态融合算法的异常检测方法，其特征在于：所述步骤S7中，深度自编码器与多模态融合算法的异常检测具体步骤有：
8.根据权利要求7所述的基于深度自编码器与多模态融合算法的异常检测方法，其特征在于：所述步骤S704中，对训练好的自编码器对新样本进行编码和重构并计算重构误差，有：
9.根据权利要求7所述的基于深度自编码器与多模态融合算法的异常检测方法，其特征在于：所述步骤S702中，构建深度自编码器模型，包括编码器和解码器两部分。
...【技术特征摘要】
1.一种基于深度自编码器与多模态融合算法的异常检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度自编码器与多模态融合算法的异常检测方法，其特征在于：所述步骤s2中，状态机生成与解析算法的分布式协议适配的具体步骤有：
3.根据权利要求2所述的基于深度自编码器与多模态融合算法的异常检测方法，其特征在于：所述步骤s201中的规范和标准包括消息类型、消息结构、交互流程、状态转移规则。
4.根据权利要求1所述的基于深度自编码器与多模态融合算法的异常检测方法，其特征在于：所述步骤s4中，边缘智能与分布式负载均衡算法的云边实时协同技术中，在靠近数据源和用户的地理位置部署边缘计算节点，配备必要的计算、存储和通信能力，构建边缘节点上的智能决策模块，利用机器学习对本地数据的实时分析和决策。
5.根据权利要求4所述的基于深度自编码器与多模态融合算法的异常检测方法，其特征在于：所述云中心...
【专利技术属性】
技术研发人员：吴军，刘彦巍，冷海涛，程燊，朱鹏，丁志东，
申请(专利权)人：苏州苏高新数字科技有限公司，
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。