[发明专利]一种基于双LSTM迭代学习的物联网数据流检测方法

权利要求书

1.一种基于双LSTM迭代学习的物联网数据流检测方法，其特征在于：内容包括：

步骤1：获取非异常数据流信息后进行向量化处理，得到数据向量；

步骤2：构建训练样本；

步骤3：构建结构相同的主LSTM模型和从LSTM模型，将训练样本输入从LSTM模型进行训练，从LSTM模型输出的模型参数传至主LSTM模型中，主LSTM模型负责数据流的检测；

步骤4：主LSTM模型从需要检测的数据流中获取数据，并判断是否出现扩展设备：若无扩展设备，则对获取数据进行向量化处理，得到数据向量δ₀；若有扩展设备，则对获取数据进行向量化处理得到数据向量δ′₀，数据向量δ′₀含未扩展设备时的数据向量δ₀以及扩展设备的数据向量σ_ED，先屏蔽扩展设备数据向量σ_ED，得到与扩展前长度一致的数据向量δ₀；

步骤5：将数据向量δ₀拆分成M段长度相等的向量片段，构建M组衍生向量，衍生向量生成方式为：每次任意取M-1段向量片段，按照原划分位置关系排列，位置空缺处填入训练数据同位置的均值；

步骤6：将M组衍生向量及数据向量δ₀输入主LSTM模型中，主LSTM模型输出M+1个包括预测类型pre_i及预测类型对应的概率值P_i的子结果；计算细分事件的阈值概率若则输出预测类型pre_i，若则判断为异常事件无需进行细分；统计M+1个结果中出现次数最高的预测值作为最终的判断结果值pre_result，并输出数据流的检测结果；

步骤7：将数据向量δ₀和判断结果值pre_result，或者将数据向量δ′₀和判断结果值pre_result组合形成新的训练样本，将新训练样本投入从LSTM模型中进行训练，训练后的更新参数传至主LSTM模型中。

2.根据权利要求1所述的一种基于双LSTM迭代学习的物联网数据流检测方法，其特征在于：所述步骤2中的训练样本是将非异常行为进行细分，按照X＝(x₁,x₂,…,x_n)进行标记，其中x_i表示第i种细分事件对应的事件发生数，i＝1,2,…,n。

3.根据权利要求2所述的一种基于双LSTM迭代学习的物联网数据流检测方法，其特征在于：所述步骤5中将数据向量拆分成10段，得到10组衍生向量δ₁,δ₂,…δ₁₀；步骤6中主LSTM模型输出的子结果表示为results＝(pre₀,P₀),(pre₁,P₁),…(pre₁₀,P₁₀)，细分事件的阈值概率计算公式如下：

其中，表示细分事件的平均事件数，表示基于统计的异常事件概率换算至训练样本中的事件数，α为异常概率，表示细分事件数对阈值概率的影响，

4.根据权利要求3所述的一种基于双LSTM迭代学习的物联网数据流检测方法，其特征在于：所述步骤7中先进行是否有新扩展设备的判断，若没有扩展设备，则将数据向量δ₀和判断结果值pre_result组合形成新的训练样本；若有新扩展设备，则将数据向量δ′₀和判断结果值pre_result组合形成新的训练样本，并记录扩展训练样本容量N；判断扩展训练样本容量N是否大于原有训练样本容量X，若大于则表明设备扩展已完成，不再认为此时有新设备接入，且将原训练样本容量更新为N；若不大于，则表明设备扩展未完成，继续认为此时有新设备接入，继续执行步骤4。

5.根据权利要求1所述的一种基于双LSTM迭代学习的物联网数据流检测方法，其特征在于：所述向量化处理内容如下：

1)网络初始化，获取传感器节点的数据；

2)判断是否为开关型数据，若“是”则将开启信号或高电平设置为1，将关闭信号或者低电平设置为0；若“否”则执行步骤3)；

3)判断是否为脉冲型数据，若“是”则记录脉冲信号并换算成具体数字型数据；若“否”则执行步骤4)；

4)判断是否为数字型数据，若“是”则直接记录数字型数据，若“否”则执行步骤5)；

5)判断是否为模拟量型数据，若“是”则利用公式进行归一化计算，其中d_max和d_min为可预见的数值的最大、最小值，d为当前记录的模拟量数据，d_nor为进行归一化后的模拟量数据；若“否”则认为数据类型出现错误，报告错误信息。