[发明专利]基于神经网络模型的设备控制方法、装置、介质及设备

权利要求书

1.基于神经网络模型的设备控制方法，其特征在于，包括：

获取每一待控制对象在目标控制策略的多种特征中的部分或全部特征对应的样本节点，将所述样本节点的统计特征作为该控制对象的目标特征，所述统计特征为时间戳、特征标志符数量、协议类型、控制代码行数量中的任一种；

将所述每一待控制对象的所述目标特征输入到聚类模型中，以得到第一数量个聚类，其中，所述聚类模型是通过标注有控制对象对应的统计特征的安全级别以及不同安全级别对应的控制类型训练得到的；

将每一所述聚类中包括的所述控制对象，按照对应的特征标志符数量的分类比例分入相应的第一目标组，以将所述第一目标组作为所述多个控制对象的分类结果，所述分类比例用于指示每个第一目标组的总特征标志符数量占所述多个控制对象包含的特征标志符数量的总数量的比例；

针对每个所述分类结果，根据该分类结果中包括的所述控制对象的时间戳的先后顺序，按照相应的协议类型进行解码操作，并统计所述解码操作后的每一分类结果中的控制代码行数量，按照所述每一分类结果中的控制代码行数量的数值大小确定所述每一待控制对象的执行顺序，并按照所述执行顺序控制所述每一待控制对象。

2.根据权利要求1所述的方法，其特征在于，所述聚类模型是根据以下方式建立的：

根据控制对象的统计特征筛选得到模型特征；

对每一所述模型特征进行样本类型判定，得到所述模型特征的正样本集合和负样本集合，其中，所述正样本集合为特征标志符数量多于所有控制对象的特征标志符数量平均数量的控制对象，所述负样本集合为特征标志符数量少于所有控制对象的特征标志符数量平均数量的控制对象；

根据所述正样本集合和所述负样本集合计算每一所述模型特征的信息增益，并根据所述信息增益的大小将对应的所述模型特征映射到树模型的节点上，得到组合特征，其中，所述树模型的每一节点对应有特征值；

针对每一所述组合特征对应的安全级别，根据每一控制对象对应的时间戳、协议类型以及控制代码行数量进行逻辑回归模型训练，得到所述聚类模型。

3.根据权利要求1所述的方法，其特征在于，所述目标控制策略是通过以下方式生成的：

根据控制对象的协议类型生成的控制请求对应的每个控制任务的仿真过程条件以及每个所述控制任务对应的仿真过程控制代码行；

将所述每个控制任务的仿真过程条件映射到树模型的节点上，建立该仿真过程条件与所述树模型的节点的模型特征的对应关系，并根据所述对应关系确定其对应的仿真过程控制代码行及每一所述节点对应的特征值；

将每一所述特征值进行逻辑回归拟合，得到每一所述特征值对应的特征权重，并计算每一所述特征值和对应的特征权重的乘积，得到每一所述特征值对应的控制通道；

根据所述每一所述特征值对应的控制通道的优先级选择对应的脚本代码，并根据所述脚本代码生成相应的目标控制策略。

4.根据权利要求3所述的方法，其特征在于，所述根据所述每一所述特征值对应的控制通道的优先级选择对应的脚本代码，包括：

根据所述每一所述特征值对应的控制通道的优先级对每个所述控制任务的顺序进行乱序操作；

将乱序后的每个所述控制任务对应的控制对象按照控制类型以及分类比例分为多个数量的第二目标组；

根据每一所述第二目标组中各控制对象的优先级确定所述控制对象的控制对象排序方向以及所述目标组的目标组排序方向，并根据所述控制对象排序方向以及所述目标组排序方向选择对应的脚本代码。