本發(fā)明屬于邊端，特別是一種基于深度學習大模型的邊端實時監(jiān)控與異常行為分析方法。

背景技術：

1、隨著物聯(lián)網(wǎng)（iot）、邊緣計算和人工智能（ai）技術的迅猛發(fā)展，邊端設備的智能化和互聯(lián)性日益增強，廣泛應用于智能家居、工業(yè)自動化和智能交通等領域。然而，隨著邊端設備的普及，異常行為的檢測和安全性保障成為亟待解決的重要問題。現(xiàn)有的異常檢測方法通常依賴于規(guī)則或閾值，難以適應多變且復雜的環(huán)境，并且在處理多維度和多模態(tài)的邊端設備行為數(shù)據(jù)時，往往無法有效整合不同類型的數(shù)據(jù)，導致信息丟失。

技術實現(xiàn)思路

1、本發(fā)明的目的是提供一種基于深度學習大模型的邊端實時監(jiān)控與異常行為分析方法，以解決現(xiàn)有技術中的不足，能夠通過結合深度學習技術和多模態(tài)數(shù)據(jù)分析，為異常行為的識別和響應提供可靠的依據(jù)，實現(xiàn)對邊端設備的全面監(jiān)控與智能分析。

2、本申請的一個實施例提供了一種基于深度學習大模型的邊端實時監(jiān)控與異常行為分析方法，所述方法包括：

3、實時監(jiān)控并采集邊端設備的多維行為數(shù)據(jù)集，并生成所述多維行為數(shù)據(jù)集的多模態(tài)聚合數(shù)據(jù)；

4、根據(jù)所述多模態(tài)聚合數(shù)據(jù)，生成所述多維行為數(shù)據(jù)集中每個數(shù)據(jù)點的行為描述符，其中，所述行為描述符為低維潛在空間表示；

5、基于所述行為描述符計算行為相似性指數(shù)，以評估每個數(shù)據(jù)點對應的當前行為與正常行為的相似度；

6、根據(jù)所述多維行為數(shù)據(jù)集，利用預先訓練的基于深度學習的異常評分預測模型，預測每個數(shù)據(jù)點的預測異常分數(shù)；

7、根據(jù)所述異常預測分數(shù)和所述行為相似性指數(shù)，評估每個數(shù)據(jù)點的異常程度，并根據(jù)所述異常程度確定異常行為數(shù)據(jù)點。

8、可選的，所述多維行為數(shù)據(jù)集的多模態(tài)聚合數(shù)據(jù)的生成方式為：

9、其中，所述為多模態(tài)聚合數(shù)據(jù)，所述為第k個數(shù)據(jù)點的權重，所述為第j個數(shù)據(jù)點的權重，所述為第k個數(shù)據(jù)點的數(shù)據(jù)，所述為數(shù)據(jù)點數(shù)量。

10、可選的，所述行為描述符的生成方式為：

11、其中，所述為第k個數(shù)據(jù)點的行為描述符，所述為自編碼器函數(shù)，所述為噪聲項。

12、可選的，所述行為相似性指數(shù)的計算公式為：

13、其中，所述為第k個數(shù)據(jù)點的行為相似性指數(shù)，所述為第k個數(shù)據(jù)點對應的正常行為數(shù)據(jù)的行為描述符，為與之間的歐幾里得距離。

14、可選的，所述根據(jù)所述異常預測分數(shù)和所述行為相似性指數(shù)，評估每個數(shù)據(jù)點的異常程度，包括：

15、根據(jù)所述異常預測分數(shù)和所述行為相似性指數(shù)，計算每個數(shù)據(jù)點的最終異常評分，作為每個數(shù)據(jù)點的異常程度，其中，所述最終異常評分為：

16、其中，所述為第k個數(shù)據(jù)點的最終異常評分，所述為第k個數(shù)據(jù)點的預測異常評分，所述為各個數(shù)據(jù)點對應的正常行為數(shù)據(jù)的均值，所述為各個數(shù)據(jù)點對應的正常行為數(shù)據(jù)的標準差。

17、可選的，所述根據(jù)所述異常程度確定異常行為數(shù)據(jù)點，包括：

18、根據(jù)每個數(shù)據(jù)點的最終異常評分，如果所述最終異常評分大于預設閾值，則將該最終異常評分對應的數(shù)據(jù)點確定為異常行為數(shù)據(jù)點，否則為正常行為數(shù)據(jù)點。

19、本申請的又一實施例提供了一種基于深度學習大模型的邊端實時監(jiān)控與異常行為分析系統(tǒng)，所述系統(tǒng)包括：

20、監(jiān)控模塊，用于實時監(jiān)控并采集邊端設備的多維行為數(shù)據(jù)集，并生成所述多維行為數(shù)據(jù)集的多模態(tài)聚合數(shù)據(jù)；

21、生成模塊，用于根據(jù)所述多模態(tài)聚合數(shù)據(jù)，生成所述多維行為數(shù)據(jù)集中每個數(shù)據(jù)點的行為描述符，其中，所述行為描述符為低維潛在空間表示；

22、計算模塊，用于基于所述行為描述符計算行為相似性指數(shù)，以評估每個數(shù)據(jù)點對應的當前行為與正常行為的相似度；

23、預測模塊，用于根據(jù)所述多維行為數(shù)據(jù)集，利用預先訓練的基于深度學習的異常評分預測模型，預測每個數(shù)據(jù)點的預測異常分數(shù)；

24、評估模塊，用于根據(jù)所述異常預測分數(shù)和所述行為相似性指數(shù)，評估每個數(shù)據(jù)點的異常程度，并根據(jù)所述異常程度確定異常行為數(shù)據(jù)點。

25、本申請的又一實施例提供了一種存儲介質(zhì)，所述存儲介質(zhì)中存儲有計算機程序，其中，所述計算機程序被設置為運行時執(zhí)行上述任一項中所述的方法。

26、本申請的又一實施例提供了一種電子設備，包括存儲器和處理器，所述存儲器中存儲有計算機程序，所述處理器被設置為運行所述計算機程序以執(zhí)行上述任一項中所述的方法。

27、與現(xiàn)有技術相比，本發(fā)明提供的一種基于深度學習大模型的邊端實時監(jiān)控與異常行為分析方法，實時監(jiān)控并采集邊端設備的多維行為數(shù)據(jù)集，并生成多維行為數(shù)據(jù)集的多模態(tài)聚合數(shù)據(jù)；根據(jù)多模態(tài)聚合數(shù)據(jù)，生成多維行為數(shù)據(jù)集中每個數(shù)據(jù)點的行為描述符；基于行為描述符計算行為相似性指數(shù)，以評估每個數(shù)據(jù)點對應的當前行為與正常行為的相似度；根據(jù)多維行為數(shù)據(jù)集，利用預先訓練的基于深度學習的異常評分預測模型，預測每個數(shù)據(jù)點的預測異常分數(shù)；根據(jù)異常預測分數(shù)和行為相似性指數(shù)，評估每個數(shù)據(jù)點的異常程度，并根據(jù)異常程度確定異常行為數(shù)據(jù)點，從而能夠通過結合深度學習技術和多模態(tài)數(shù)據(jù)分析，為異常行為的識別和響應提供可靠的依據(jù)，實現(xiàn)對邊端設備的全面監(jiān)控與智能分析。

技術特征：

1.一種基于深度學習大模型的邊端實時監(jiān)控與異常行為分析方法，其特征在于，所述方法包括：

2.根據(jù)權利要求1所述的方法，其特征在于，所述多維行為數(shù)據(jù)集的多模態(tài)聚合數(shù)據(jù)的生成方式為：

3.根據(jù)權利要求2所述的方法，其特征在于，所述行為描述符的生成方式為：

4.根據(jù)權利要求3所述的方法，其特征在于，所述行為相似性指數(shù)的計算公式為：

5.根據(jù)權利要求4所述的方法，其特征在于，所述根據(jù)所述異常預測分數(shù)和所述行為相似性指數(shù)，評估每個數(shù)據(jù)點的異常程度，包括：

6.根據(jù)權利要求5所述的方法，其特征在于，所述根據(jù)所述異常程度確定異常行為數(shù)據(jù)點，包括：

7.一種基于深度學習大模型的邊端實時監(jiān)控與異常行為分析系統(tǒng)，其特征在于，所述系統(tǒng)包括：

8.根據(jù)權利要求7所述的系統(tǒng)，其特征在于，所述多維行為數(shù)據(jù)集的多模態(tài)聚合數(shù)據(jù)的生成方式為：

9.一種存儲介質(zhì)，其特征在于，所述存儲介質(zhì)中存儲有計算機程序，其中，所述計算機程序被設置為運行時執(zhí)行權利要求1-6中任一項所述的方法。

10.一種電子設備，包括存儲器和處理器，其特征在于，所述存儲器中存儲有計算機程序，所述處理器被設置為運行所述計算機程序以執(zhí)行權利要求1-6中任一項所述的方法。

技術總結
本發(fā)明公開了一種基于深度學習大模型的邊端實時監(jiān)控與異常行為分析方法，方法包括：實時監(jiān)控并采集邊端設備的多維行為數(shù)據(jù)集，并生成多維行為數(shù)據(jù)集的多模態(tài)聚合數(shù)據(jù)；根據(jù)多模態(tài)聚合數(shù)據(jù)，生成多維行為數(shù)據(jù)集中每個數(shù)據(jù)點的行為描述符；基于行為描述符計算行為相似性指數(shù)；根據(jù)多維行為數(shù)據(jù)集，利用基于深度學習的異常評分預測模型，預測每個數(shù)據(jù)點的預測異常分數(shù)；根據(jù)異常預測分數(shù)和行為相似性指數(shù)，評估每個數(shù)據(jù)點的異常程度，并根據(jù)異常程度確定異常行為數(shù)據(jù)點。利用本發(fā)明實施例，能夠通過結合深度學習技術和多模態(tài)數(shù)據(jù)分析，為異常行為的識別和響應提供可靠的依據(jù)，實現(xiàn)對邊端設備的全面監(jiān)控與智能分析。

技術研發(fā)人員：趙周行,韓民楊,毛樟君,謝烈勇,凌文杰,黃澤
受保護的技術使用者：浙江省通信產(chǎn)業(yè)服務有限公司
技術研發(fā)日：
技術公布日：2024/12/19