[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

说明书

本发明公开了一种基于神经网络模型的设备控制方法、装置、介质及设备，包括：获取待控制对象在目标控制策略的多种特征中的特征对应的样本节点，将样本节点的统计特征作为该控制对象的目标特征；将每一待控制对象的目标特征输入到聚类模型中得到第一数量个聚类；将每一聚类包括的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，将第一目标组作为多个控制对象的分类结果；针对每个分类结果，根据该分类结果中包括的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，统计每一分类结果中的控制代码行数量按照每一分类结果中的控制代码行数量的数值大小确定每一待控制对象的执行顺序，按照执行顺序控制每一待控制对象。

技术领域

本发明涉及设备安全技术领域，具体为基于神经网络模型的设备控制方法、装置、介质及设备。

背景技术

随着科技水平的发展，越来越多的设备可以通过终端设备或者远程服务器进行控制，降低了设备运行以及监控对人工操作的依赖性，大大地降低了人力成本，解放了劳动力。

相关场景中，基于设备控制状态对待控制设备中某一项项目类型下的参数进行控制，但是上述方案在匹配设备控制策略时仅仅是简单的对应关系匹配，或者深度学习匹配，未考虑到设备控制状态的整体性状态表达，也没有考虑到不同项目类型之间的差异表达，导致实际设备控制过程不仅造成控制偏差，还可能错误地学习每次控制过程，导致偏差越来越明显，进而造成设备控制的准确性以及安全性较低。

因此，如何提高设备控制的准确性以及安全性成为一个亟待解决的问题。

发明内容

为了至少克服现有技术中的上述不足，本申请的目的之一在于提供基于神经网络模型的设备控制方法、装置、介质及设备，首先对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，并将样本节点的统计特征作为该控制对象的目标特征，可以有效地获取到控制对象的特征，并且考虑到所有神经网络模型可以精确地对控制对象进行分类，基于聚类模型对待控制对象根据安全等级进行分类，可以提高控制对象分类的准确性以及时效性，提高控制效率。同时，将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得到分类结果，以及针对每个分类结果，根据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，统计解码操作后的每一分类结果中的控制代码行数量，按照每一分类结果中的控制代码行数量的数值大小确定每一待控制对象的执行顺序，并按照执行顺序控制所述每一待控制对象，不仅可以极大地降低设备控制过程中的人力成本，并且提高设备控制的准确性以及安全性。此外，避免控制设备的控制代码行被非法攻击篡改，造成控制效果不匹配的情况。

第一方面，提供基于神经网络模型的设备控制方法，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。

优选地，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；