CN117574308B 基于人工智能的计量芯片异常检测方法及系统 （江西金格信安云技术有限公司）

开发区火炬大街948号先锋软件1号研US2019132224A1,2019.05.02US2022101103A1,2022.03.31基于人工智能的计量芯片异常检测方法及算法，对芯片中的节点进行特征提取和表示学习，通过图结构捕捉节点间的依赖性和相互作2NetworkwithAttentionMechanismforDiscoveringtheBrain'sAbnormalofAttentionDeficitHCongressonImageandSignalPr3所述节点表示数据集包括每个节点的特征向量、节点间的拓扑关系特征的整合结果和跨类别节点的交互模式，所述异常模式标识具体为异常子图的结构描4基于所述增强边缘关联图，采用动态权重调整算法，根据实时基于所述加权关联图，采用信息增益算法和随机森林算法，执行节基于所述异构关联模式数据集，采用图查询和筛选算法，识别具基于所述潜在异常子图集，应用图模式分析算法，对子图中的结构和基于所述子图模式偏差分析集，采用异常模式识别算法，在子图中基于所述初始策略参数集，采用策略梯度方法进行模型性能评估基于所述优化策略参数集，采用模拟经验回放对模型进行迭代训练和优基于所述调整后的模型参数集，采用目标网络更新策略细化模型5基于所述调整后的预测模型，采用变分自编码器进行深度特征学习基于所述特征编码集，采用重构误差分析方法计算输入数据和基于所述重构误差分析报告，采用统计异常检测算法对异常分值基于所述异常分值数据，采用多维度数据分析，综合考虑多特征基于所述趋势周期模型，采用孤立森林算法进行潜在故障点的检测基于所述潜在故障识别报告，采用长短期记忆网络进行未来趋势所述特征提取模块基于计量芯片数据，采用图卷积网络算法所述关联分析模块基于节点表示数据集，采用图注意力网络算法分析节点间的关联所述子图识别模块基于异构关联模式数据集，采用子图匹配算法分所述预测与趋势分析模块基于调整后的预测模型，采用时间序列分析和预测建模技6789系统用于执行上述基于人工智能的计量芯片异常检测方法，所述系统包括特征提取模块、[0051]所述特征提取模块基于计量芯片数据，采用图卷积网络算法对节点进行特征提[0055]所述模型调整模块针对异常模式标识，采用深度强化学习算法进行模型性能评示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限使网络的表示更加准确和高效。最终生成的加权关联图不仅展现了节点间的相互依赖性，还提供了深入理解网络结构和功能的重要视[0121]在S501步骤中，通过异常模式标识，采用深度Q网络算法进行环境分析和策略学生成的结构化时间序列分析数据为进一步的建模和分析提供了清晰立森林是一种有效的异常检测算法，特别适合于识别数据中的非典型变动或潜在故障点。常检测系统用于执行上述基于人工智能的计量芯片异常检测方法，系统包括特征提取模[0145]关联分析模块基于节点表示数据集，采用图注意力网络算法分析节点间的关联[0149]预测与趋势分析模块基于调整后的预测模型，采用时间序列分析和预测建模技本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施