基于多粒度联合孤立森林的机器人实时异常监控方法

针对机器人实时异常监控问题,提出了基于多粒度联合孤立森林的实时异常监控方法.该方法对机器人的历史数据进行多粒度参数重组得到一系列具有不同参数组合的数据集,每一个数据集都可以训练一个孤立森林,最终产生了一个孤立森林集合.多个孤立森林联合投票策略是使用一个异常数据集对各个森林进行测试,求出异常数据集在每个孤立森林上的平均异常分数,并由此确定每个孤立森林在联合孤立森林模型总体决策中的话语权.以机器人的碰撞异常作为监控对象对该方法进行评价,监控准确率达99.8％,且报警平均延迟仅为26.72 ms,说明该方法能够有效地实现机器人实时异常监控.     

应用大数据的居民用电客户电量异常检测

针对目前用电营业精益化管理不完善的问题，基于居民客户的用电量数据，运用k-shape聚类算法，按照用电类别及地域类型分类开展居民用电特征刻画，实现对居民用电客户特征进行精准划分。在此基础上，进一步利用孤立森林算法实现识别用电量异常的客户，智能协助管理人员发现异常用电行为及疑似电价执行差错等问题。提炼可实际落地应用的高质量、有价值、可变现的优秀大数据成果，进而堵塞用电营业管理漏洞，提升客户用电管理水平，助力泛在电力物联网建设对内促进质效提升的目标。     

针对WSN异常数据检测改进的孤立森林方法

异常数据检测一直是无线传感器网络安全的重要防护手段.针对现有方案计算复杂度高和检测精度低等问题,提出一种离散二进制粒子群优化孤立森林算法(BPSO-iForest).依据选择性集成思想,利用离散二进制粒子群算法改进由孤立森林算法生成的初始森林,选取初始森林中精度高、差异性大的隔离树,构建最优孤立森林,提升异常数据的检测精度和算法的执行效率.在无线传感器网络数据集上,与传统孤立森林、随机森林算法及其改进算法进行对比实验,结果表明本算法的检测精度和执行效率有明显的提升.     

基于专家反馈的广义孤立森林异常检测算法

针对孤立森林算法无法检测与轴平行的局部异常点以及树结构无法动态更新等问题,提出了一种基于专家反馈的广义孤立森林异常检测算法。首先,将数据映射在单位特征向量上,从映射区域内选择分割点划分数据空间,重复此操作构造出一棵广义孤立树;然后,给广义孤立森林中每棵树的叶节点引入权重,综合考虑子空间划分次数和子空间内样本数量对数据异常分数的影响;最后,计算每个数据的加权异常分数,并选择异常分数较大的数据交由专家进行批量标注,算法根据标注结果更新叶节点权重,从而实现树结构的动态调整。实验结果表明,该算法在7个数据集中专家标注真实异常的数量优于其他同类树结构算法,并在12个数据集中平均准确率比孤立森林、扩展孤立森林和广义孤立森林分别提升了38.952%、49.144%和49.144%。     

基于孤立森林算法的移动警务网络流量监测方法研究

本文针对移动警务网络复杂多变、数据量大的特点,提出一种基于孤立森林算法的网络流量监测方法。该方法以网络IP数据流为基础,通过对IP数据流提取特征参数,并将特征参数作为输入向量,利用孤立森林算法进行训练以实现监测。这种方法能够快速、有效地检测出移动警务网络中的异常流量,精确率高,在一定程度上对移动警务网络的智能运维和安全防护起到重要作用。     

基于孤立森林算法的管道漏水监测研究

随着城市化进程的加速和供水管网的不断扩展,管道漏水问题已成为供水公司面临的一大挑战。本研究提出了一种基于孤立森林算法的新型管道漏水监测方法。孤立森林作为一种高效的异常检测算法,通过构建随机二叉树,能够在较短时间内快速识别异常样本,展示了其在解决实际问题中的潜力。通过对实验结果的深入分析和讨论,本研究探讨了孤立森林算法在管道漏水监测中的优势和局限性,并提出了未来可能的改进方向。这一研究成果为智能水管网络的建设和维护以及水资源的合理利用提供了有益的参考,为解决城市供水系统中的漏水问题提供了一种创新且可行的技术路径。     

AMI环境下基于深度学习的异常用电监测方法

为解决现有异常用电监测方法,在AMI环境下存在的监测性能低的问题,提出基于深度学习的异常用电监测方法。根据用户异常用电机理,构建相应的异常用电模型。在该模型下,设置不同异常用电类型的用电负荷序列标准特征。在AMI环境下,利用智能电表设备采集用电计量数据,利用深度学习算法求解用电异常监测指标。通过计算异常监测指标与设置标准特征之间的关系,得出异常用电监测结果。通过性能测试实验得出结论：设计监测方法的最高准确率为95.5%,且监测面积不小于研究区域面积的90%,即设计方法在监测精度和范围两个方面均满足应用要求。     

基于移动终端的家庭智能用电系统设计

当前物联网技术已成为智能化领域的研究热点,并且被逐步应用到家庭用电领域。在此背景下,设计了一种基于移动终端的家庭智能用电系统,包括能够单独计量及控制的多插孔智能插座,功能完备的可视化平台,实现用电异常检测与终端平台预警。该系统优化了传统智能插座的缺陷,实现了智能设备与物联网的连接,可以采集、监测、控制、管理、诊断用电,帮助用户合理管理、优化家庭用电。     

基于同态加密的医疗数据密文异常检测方法

为了避免电子健康数据(electronic health records, EHRs)在异常检测过程中泄漏患者信息和诊断结果等问题,针对医院与患者敏感数据的隐私保护,提出了一种基于CKKS全同态加密的EHRs异常检测隐私保护模型.将医院以及患者的EHRs由CKKS算法实现浮点数同态加密,设计一个基于密文比较算法的协议,通过可信密钥服务器与第三方数据中心之间的通信建立密文态孤立森林模型.并利用CKKS算法的SIMD技术,实现密文数据在孤立森林模型上的异常检测,最终返回密文结果.理论分析和实验结果表明,所提出的方案能够保证EHRs的隐私安全.并且在不同的EHRs数据集上验证,该模型优于传统的明文异常检测算法和同类型密文异常检测算法,且在密文态上能够保持和明文孤立森林算法相近的检测效率,有较好的异常检测效果.     

云框架超大规模资源处理下无线传感网络数据异常检测

为改进无线传感网络数据异常检测方法精度低、网络能量消耗大等问题，提出基于云框架的大规模无线传感网络数据异常检测方法。在云框架超大规模资源处理下，通过自适应过采样法消除冗余数据；运用数据集成、标准化等预处理数据样本，计算协方差矩阵，从高到低排列特征矢量贡献率；二进制粒子群方法优化初始森林中的孤立树，挑选初始森林精度最高、差异度最大的孤立树组建最佳孤立森林，通过异常分数法检测数据特征异常情况，输出对应样本异常概率。实验部分对本文方法、图信号处理法和分层聚合法，进行检测率、虚警率、接电能耗、耗时等指标对比，数据表明，所提方法有效降低了节点能耗，数据异常检测速率快、正确率高，具备优秀的适用性与可靠性。     

供电企业基于三层分析模型的线损异常分析及处理研究

线损精益化管理一直都是国家电网公司一项重点工作,近几年线损数据获取技术日趋成熟,但是分析方法依旧匮乏,严重影响了高损治理的效果。为解决电网运行中高损治理不佳的问题,我们提出了用大数据分析方法来解决传统线损管理问题——供电企业基于三层分析模型的线损异常分析及处理研究。首先,搭建了一个由Hampel抗差算法、加权皮尔逊算法和随机森林算法三种不同算法构成的三层线损异常分析模型;通过该模型,可以结合不同用户用电量大小不一的特点,自上而下的分析大电量异常用户和小电量异常用户。然后将该模型嵌入公司已有的线损监控平台中,可以实现对全省线损数据的实时监测、有效挖掘、深度分析、精准定位和工单管控,形成基于三层分析模型的线损异常分析及处理新方法。该方法对分析处理10kV高损线路和0.4kV高损台区中效果显著。     

基于改进KNN算法的交通流异常数据修复方法

交通流数据分析是交通规划、控制、管理等工作实施的基础。交通流数据异常会给交通状态辨识及交通管理和控制带来困扰,不利于交通领域各方面研究及工作的开展。因此,对异常数据进行修复具有必要性。为了提高交通流异常数据修复精度,进一步改善交通数据质量,构建了基于改进K近邻（K-Nearest Neighbor,KNN）算法的交通流异常数据修复模型。通过对KNN基础模型中k值和状态向量进行优选、提出距离占比的近邻值权重选取方式,实现对其模型的改进。为了验证模型的有效性,采用实测交通流数据进行实验分析。实验结果表明,改进的KNN数据修复模型具有更高的修复精度,其平均相对误差为9.88%,能够有效改善数据质量,为智能交通控制体系提供基础数据支持。     

基于Isolation Forest改进的数据异常检测方法

针对现有的基于隔离森林(Isolation Forest)的数据异常检测算法检测精度低、执行效率差和泛化能力弱等问题,提出一种改进的数据异常检测方法SA-iForest。该方法基于模拟退火算法选择精度高和有差异性的隔离树来优化森林,同时去除冗余的隔离树,改进了隔离森林的森林构建。采用标准仿真数据集对所提方法进行验证,结果表明该方法与传统Isolation Forest和LOF方法相比,在准确率、执行效率和稳定性方面均有显著提高。     

基于无感识别技术的工器具智能分类系统设计

基于无感识别技术、物联网技术和云计算平台,构建了面向电力企业的物联网系统架构,结合云计算平台,设计了一款电力企业工器具智能分类系统。该系统基于无线射频识别技术(Radio Frequency Identification technology, RFID),将电子标签作为自动识别装置的工器具分类手段。工器具的数据在经过自动识别装置进行读取之后转入云计算平台进行大数据匹配,从而实现工器具的智能分类和管理。本文所设计的工器具智能分类系统在很大程度上解决了工器具在数据读取、状态诊断和智能分类管理上的问题,杜绝了电力企业中的各种安全管理问题,在完善工器具智能分类和电力企业智能管理方面有着重要意义和参考价值。     

物联网设备识别及异常检测研究综述

随着物联网技术的发展,物联网设备广泛应用于生产和生活的各个领域,但也为设备资产管理和安全管理带来了严峻的挑战.首先,由于物联网设备类型和接入方式的多样性,网络管理员通常难以得知网络中的物联网设备类型及运行状态.其次,物联网设备由于其计算、存储资源有限,难以部署传统防御措施,正逐渐成为网络攻击的焦点.因此,通过设备识别了解网络中的物联网设备并基于设备识别结果进行异常检测,以保证其正常运行尤为重要.近几年来,学术界围绕上述问题开展了大量的研究.系统地梳理物联网设备识别和异常检测方面的相关工作.在设备识别方面,根据是否向网络中发送数据包,现有研究可分为被动识别方法和主动识别方法.针对被动识别方法按照识别方法、识别粒度和应用场景进行进一步的调研,针对主动识别方法按照识别方法、识别粒度和探测粒度进行进一步的调研.在异常检测方面,按照基于机器学习算法的检测方法和基于行为规范的规则匹配方法进行梳理.在此基础上,总结物联网设备识别和异常检测领域的研究挑战并展望其未来发展方向.     

基于云计算的数据异常智能检测技术研究

针对传统数据异常智能检测技术无法实现检测率与误检率同步的问题,提出一种基于云计算的数据异常智能检测技术。该技术结合聚类分析算法,通过计算相似度实现异常数据与正常数据之间的分类,从而达到数据异常检测的目的,其过程如下:首先对待检测数据进行预处理,然后从预处理后的数据中提取代表性特性,接着计算待检测数据与数据特征之间的相似度,并按照相似度大小筛选出异常数据,最后进行异常数据响应,并进行相应处理。结果表明:与结合神经网络算法、深度学习算法、随机森林算法等传统数据异常检测技术相比,本技术在保证检测率的同时,降低了误检率,误检率分别降低0.19%,0.4%、0.53%。     

面向多元时序数据的个性化联邦异常检测方法

随着实时传感器在诸如机场、发电厂、智能工厂和医疗保健系统等各种领域的广泛运用,对多变量时间序列数据的异常检测变得更加重要。然而,目前面临两个关键的挑战。数据机构的敏感数据通常以孤岛的形式存在,这使得在保护隐私安全的前提下难以融合数据,无法训练出高性能的异常检测模型。不同数据机构的数据存在统计异构性,在个性化数据场景下,使用统一的异常检测模型的性能不佳。提出了一种面向多元时序数据的个性化联邦异常检测框架FedPAD（federated personalized anomaly detection）。FedPAD基于联邦学习架构,在保护隐私的前提下进行数据聚合,通过微调构建相对个性化的模型。在NASA航天器数据集上的实验表明,FedPAD能够实现准确和个性化的异常检测,相比于基准方法F1分数平均提高了6.9%。     

基于电力大数据的3D智能运检平台的应用与研究

电力大数据时代下,电力设备状态监测、运检管理、调度运行、环境气象等数据逐步实现互通共享,大数据技术为电力设备状态评估和智能运检方面提供了全新的解决思路和技术手段,如何尽可能的收集电力运行大数据,如何充分利用起电力运行数据,无疑具有十分重大的意义。本文结合当下大数据技术及数据挖掘分析方法在电力设备状态评估中应用的现状,重点介绍了一款已投入实际应用的基于电力运行大数据的3D智能运检平台的基本构成原理、电力运行大数据分析的内涵和3D智能运检平台的一些实际典型应用案例,探讨了大数据技术在电力设备状态监测、异常分析、故障预测、智能诊断等典型运检场景中应用的方法和效果,并展望了电力运行大数据应用需要克服的几个难题和面对的发展机遇。     

基于深度学习的网络流量异常识别与检测

针对传统的工控网络流量数据在复杂网络环境下特征维度高,特征处理复杂度高,模型检测效率低等问题,本文使用了一种基于随机森林(random forest, RF)和长短期记忆网络(long short-term memory, LSTM)结合的流量异常识别与检测方法.首先使用随机森林算法计算流量特征的重要度评分,筛选出重要特征,剔除冗余特征,然后使用LSTM进行异常流量的识别与检测.为了评估模型的有效性与优越性,本文使用准确率、精确率、召回率和F1-score进行模型评价,并与传统的机器学习方法 Naive Bayes、QDA、KNN算法进行对比.实验结果表明,在公开数据集CIC-IDS-2017中,异常流量识别的总体准确率达99%.与传统的机器学习算法相比,该方法有效地提高了复杂网络环境下异常检测的准确性和效率,在工业控制网络安全和异常检测方面具有实际应用价值.