[发明专利]配电终端多源异构安全监测数据的跨模态聚合方法

权利要求书

1.一种配电终端多源异构安全监测数据的跨模态聚合方法，其特征在于：包括以下步骤，

S1、通过分解和子空间学习，对原始数据中的安全告警数据和网络日志数据，探索模态不变的子空间，并获得强健的视图不变的子空间，通过共同学习把各类型安全监测数据连接到一个模型，得到变换的源域s_new1和目标域s_new2；

S2、对多源异构数据进行跨模态聚合，具体为：使用得到的源域s_new1和目标域s_new2利用非负矩阵分解探索各类型安全监测数据之间的共享成分，然后通过奇异值分解得到奇异矩阵，同时利用概率分布的方法保护安全监测数据的重要结构，使用杰森-香农散度缩小源域s_new1和目标域s_new2之间的概率分布；

S3、在进行跨模态聚合的同时，解决源域和目标域之间的欠适配和不平等的问题，具体为：针对欠适配的问题，在共享的潜在子空间和映射所得到目标域之间同时匹配特征值和调整样本权重，在再生核希尔伯特空间对变换的源域s_new1和目标域s_new2进行特征匹配；针对不平等的问题，采用具有更强鲁棒性的条件分布的估计，利用类先验估计构建权重矩阵；最终获得目标函数，实现配电终端多源异构安全监测数据的跨模态聚合。

2.如权利要求1所述的配电终端多源异构安全监测数据的跨模态聚合方法，其特征在于：步骤S1中，对多源异构数据进行融合及 自适应分布嵌入。

3.如权利要求1所述的配电终端多源异构安全监测数据的跨模态聚合方法，其特征在于：步骤S1中，获得强健的视图不变的子空间，具体为，

S11、获取原始数据作为源域s，s＝{s₁,s₂,…,s_n}，源域s中包含安全告警数据s₁和网络日志数据s₂，源域s中带有标签的集合表示为Y_s，标签集合Y_t的未知网络为目标域t；

S12、通过子空间变换，寻找视图不变强健的子空间，并通过共同学习获得转换过的源域s_new1和转换过的目标域s_new2。

4.如权利要求1-3任一项所述的配电终端多源异构安全监测数据的跨模态聚合方法，其特征在于：步骤S2中，对多源异构数据进行跨模态聚合，具体为，

S21、利用非负矩阵分解探索各种类型安全监测数据之间共享的成分，目标函数为：

式中，U为基矩阵，X为系数共享矩阵，s_i为源域s中的一种，U_i为s_i对应的基矩阵，λ_i为平衡各种类型数据重要性的参数；

S22、利用概率分布发现数据空间本质上具有辨别能力的结构，尽可能多地保护安全监测数据的重要结构，通过Jensen-Shannon(杰森-香农)散度缩小各种安全监测数据的概率分布：

式中，分别为{s₁,s₂,…,s_n}的概率分布，KL(·||·)为用来估计联合概率分布的KL(库尔贝克-莱布勒)散度；

S23、通过正交投影迁移深度数据信息的知识到目标数据库去对齐共享的潜在特征空间和目标域中的数据：

式中，Π为目标域的正定投影；

获得最优解，即当前目标函数所能得到的最优的值，获得正定投影Π后，目标域t被投影到隐空间：s_new2＝Πt；奇异值分解被用于分解矩阵：s^TX＝QφS^T，其中，分别为{s₁,s₂,…,s_n}的概率分布，s为源域，S为右奇异矩阵，φ为奇异值矩阵；然后计算Π＝SΛQ^T，其中，Λ为连接矩阵Λ＝[I,0]∈R，0为全零矩阵；最终，来自相同类别的数据点距离更近，而在相同模态中的不同类别的数据点距离更远。

5.如权利要求4所述的配电终端多源异构安全监测数据的跨模态聚合方法，其特征在于：步骤S3中，解决转换过的源域s_new1和转换过的目标域s_new2之间的欠适配和不平等问题并获得目标函数，具体为，

S31、在自适应分布嵌入阶段，为了特征匹配，在再生核希尔伯特空间中缩小非参数的最大均值差异：

式中，N_s和N_t分别是s_new和s_new2中样本的个数，H表示希尔伯特空间；

为了调整样本权重，算法进一步对共享的潜在空间样本缩小结构稀疏2,1范数，在共享的潜在空间和映射所得到目标域之间同时匹配特征值和调整样本权重，从而得到一个自适应的分类器；在自适应分布嵌入阶段缩小结构稀疏2,1范数，使得到的分类器具有更强鲁棒性；

S32、采用具有更强鲁棒性的条件分布的估计，解决不平等的问题：

式中，s_new1和s_new2的类先验用来估计和对条件分布的散度需要估计边缘分布和最后对每一个类构建出所需要的权重矩阵；

结合公式(1)到公式(5)，得到最终的目标函数：

式中，η为控制新表达的平滑度；

通过配电终端多源异构安全监测数据的跨模态聚合方法，选用不需要调整交叉验证参数的最近邻分类器为基础分类器。