[发明专利]基于局部敏感布隆过滤器的工业物联网隐性异常检测方法

说明书

本发明公开基于局部敏感布隆过滤器的工业物联网隐性异常检测方法，获取工业物联网的原始多类型数据并通过特征化将多媒体数据转换成特征向量；IIoT数据利用SP‑FJLT进行哈希投影后通过相互竞争策略进行除噪，再映射到Bloom Filter上以将Bloom Filter被哈希映射的位向量由“0”变为“1”。本发明提出的基于空间划分的快速SP‑FJLT变换具有很强的映射保距性，可以准确识别隐性特征，减少了数据在哈希投影中的精度损失。本发明方法具有更高的检测率以及更低的误报率。

技术领域

本发明涉及工业物联网技术领域，尤其涉及基于局部敏感布隆过滤器的工业物联网隐性异常检测方法。

背景技术

随着工业4.0时代的到来，工业物联网系统(Industrial Internet of Things,IIoT)目前在已经广泛应用于安全监控、智能交通、环境监测等领域。工业物联网系统的传感器节点配备了摄像机、麦克风和其他传感器，能够从物理环境中收集视频、音频、图像等多媒体数据。但是，传感器设备由于持续使用和正常磨损出现损坏，导致收集和记录的IIoT数据出现异常。由于IIoT数据通常具有高维度、大规模、多类型的特点，大规模高维数据无关特征的存在可以掩盖异常的存在，隐性异常难以被检测。因此，构建一个良好的异常检测模型对IIoT应用有非常重要的意义。

当前已有很多学者开展了相关的异常检测方法研究^]，特别是近年来，异常检测算法的研究已成为产业界与学术界共同关注的热点问题。

目前，在异常检测算法研究中具有代表性的有：东南大学的Deng Fengji等人提出了一种基于Bloom Filter的异常流量检测框架。主要分析了两种异常流量(端口扫描流量和TCP泛洪流量)。对于端口扫描流量，使用Bloom Filter结构框架可以检索这个流已经访问的端口。如果在不同的端口上有太多的流量，则可以确定异常。对于TCP泛洪流量，使用Count Bloom Filter来计算一段时间内每种类型的流中具有相似长度的包的数量。如果检测到相同长度的报文比例较高，则异常发生的概率较大。韩国高等科学技术学院的SangminLee等人提出了一种新的用于异常事件检测的双向多尺度聚合网络(BMAN)。提出的BMAN学习正常事件的时空模式，以检测偏离学习的正常模式为异常。BMAN主要由两部分组成:帧间预测器和外观-运动关节检测器。设计了帧间预测器对正常模式进行编码，利用基于注意力的双向多尺度聚合生成帧间预测器。通过特征聚合，实现了常规模式编码对目标尺度变化和复杂运动的鲁棒性。在编码正常模式的基础上，同时考虑场景的外观特征和运动特征的外观-运动联合检测器检测异常事件。美国马里兰大学的Xavier Gibert等人使用计算机视觉和模式识别方法^[12]的自动轨道检测最近显示出了提高安全性的潜力，利用深度卷积神经网络(DCNN)允许更频繁的检查，同时减少人为错误。

总的来说，以上这些方法为异常检测拓展的新的思路，但是现有异常检测方法依然存在两个方面的问题：

(1)大规模高维特征的存在可以掩盖异常的存在，隐性异常难以被检测系统检测。

(2)在耗费大量时间标记好训练数据后，异常检测模型仍需要大量的时间进行训练修正才能够有效的对异常进行检测，并且模型对参数具有较高的敏感性。

发明内容

本发明的目的在于提供基于局部敏感布隆过滤器的工业物联网隐性异常检测方法。

本发明采用的技术方案是：

基于局部敏感布隆过滤器的工业物联网隐性异常检测方法，其包括以下步骤：

步骤1，获取工业物联网IIoT的原始多类型数据，并通过特征化将多媒体数据转换成特征向量；

步骤2，IIoT数据利用SP-FJLT进行哈希投影，