CN119420585A 基于边缘计算的能源补给站安全防护方法及系统 （四川华体照明科技股份有限公司）

基于边缘计算的能源补给站安全防护方法基于边缘计算的能源补给站安全防护方法及系统。通过获取目标边缘计算节点的监测流量数型对应的异常支持度，在训练流量监测智能体2获取目标边缘计算节点的监测流量数据，所述目标边缘化监测智能体进行训练获得的神经网络，所述初始化监测智能体包括初始化监测子模型、基于所述异常流量监测结果和所述监测流量数据生成监测流将所述监测流量数据输入数据编码子模型，对所述监测流量数据进行数据编码处理，将所述编码特征表示输入目标监测子模型，对所述编码特征表示中将所述编码特征表示输入核心异常数据项监测子模型，对所述将所述编码特征表示输入目标分类子模型，得到异常类型集合基于所述异常数据范围、所述核心异常数据项、所述异常数据项将所述监测流量数据输入第一编码子模型，对所述监测流量数据进行降维将所述第一降维特征表示输入第二编码子模型，对所述第一降维特获取示例监测流量数据，其中，所述示例监测流量数据包括标记有示例数据项对应的示例类型和所述示例类型对应的示例支持度的第三示例监测流量数3示例降维特征表示代表抽取了所述示例监测流量数据的流量将所述示例降维特征表示分别输入所述初始化监测子模型、所述初分别结合所述初始化编码子模型采用综合代价函数按序分别对所述初始化监测子模如果所述示例降维特征表示与所述第一示例监测流基于所述预估异常数据范围和所述示例异常数据范围确定所在所述第一代价函数不符合第一训练停止指标时，优化在所述第一代价函数符合所述第一训练停止指标时，将所述将所述示例降维特征表示输入所述初始化监测子模型，确定预估4基于所述预估定位数据项、所述预估定位数据项微调量、所述在所述示例降维特征表示与所述第二示例监测流量数据关基于所述预估核心异常数据项和所述示例核心异常数据项确定所在所述第二代价函数不符合第二训练停止指标时，优化在所述第二代价函数符合所述第二训练停止指标时，将所述初其中，所述在所述示例降维特征表示与所述第二示例监测流例降维特征表示输入所述初始化核心异常数据项监测子模型，生成预估核心异常数据项，将所述示例降维特征表示输入所述初始化核心异常数据项监测异常数据项的数量以及每个所述预估核心异常数据项的基于所述预估核心异常数据项的数量以及每个所述预估核心异常数据项的位置和支持度生成所述预估核心异常数据项；或者，所述将所述示例降维特征表示分别输入所述初始化心异常数据项监测子模型以及所述初始化分类子模型进行分离训练，得到临时监测智能在所述示例降维特征表示与所述第三示例监测流量数据关基于所述预估类型、所述预估支持度和所述示例类型、所述示例支在所述第三代价函数不符合第三训练停止指标时，优化在所述第三代价函数符合所述第三训练停止指标时，将所述其中，所述在所述示例降维特征表示与所述第三示例监测流基于所述流量特征数组生成所述预估类型和所述5将所述示例监测流量数据输入临时编码子模型，对所述示例监测流量数在所述综合代价函数不符合综合训练停止指标时，优化所述在所述综合代价函数符合所述综合训练停止指标时，将一个或多个计算机程序；其中所述一个或多个计算机程序被配置为由所述一个或多个处理器执行，所述一个或多个计算机程序被所述处理器执行时，67能体包括初始化监测子模型、初始化核心异常数据项监测子模型以及初始化分类子模型，[0008]图1是本发明实施例提供的一种基于边缘计算的能源补给站安全防护方法的流程[0011]本发明实施例中基于边缘计算的能源补给站安全防护方法的执行主体为计算机能源补给站的边缘计算节点，监测流量数据为在目标监测周期中进出能源补给站的数据8流在目标监测周期内被连续收集，构成了监测流量数据的主体。目标监测周期是指计算机系统设定的一段时间范围，用于确定哪些数据应该被收集和分析。这个周期可以是固定的对关键异常行为的敏感度。9[0020]流量监测智能体是通过对初始化监测智能体进行一系列复杂的训练过程得到并计算出一个异常支持度来反映这种异常行为的普遍[0027]在协同训练过程中，计算机系统将新的监测流量数据输会在标注数据中标记出该记录对应的异常数据范围、核心异常数据项（如果该记录恰好是核心异常数据项之一）以及异常类型。同时，计算机系统还会根据异常支持度的计算公式充电行为，其中某辆电动汽车的充电时间异常长，且充电量远大于正常水平。在这种情况下，计算机系统在监测流量标注数据中为这条充电记录标记出异常数据范围（即该电动汽编码器实现，那么计算机系统就会将监测流量数据作为输入，通过自编码器的编码层进行[0041]值得注意的是，数据编码子模型的性能对后续步骤的准确性和效率有着重要影score、IQR等）、基于距离的方法（如K_means、DBSCAN等）和基于密度的方法（如LOF、实现，那么计算机系统首先计算编码特征表示中每个特征的均值和标准差，然后计算每个数据点与均值之间的标准偏差（Z_score）。如果某个数据点的Z_score超过了预设的阈值监测子模型能够识别出编码特征表示中的异常数据点。以识别出那些对异常行为贡献最大或最具代表性的数据项。心异常数据项监测子模型采用K_means聚类算法实现，那么计算机系统首先确定聚类数K的质心所在的簇中。这个过程会不断迭代，直到质心的位置不再发生显著变化或达到预设了各自簇中数据项的共同特征。策树、随机森林、神经网络等。这些算法能够从编码特征表示中学习数据的分布规律和特数据）来训练目标分类子模型，使其能够准确地将新的异常数据项分类到正确的异常类型中。[0058]监测流量标注数据是一种处理输出的数据集，它不仅包含了原始的监测流量数为后续的深入分析和安全防护策略的制定提供可靠的步骤S1211：将监测流量数据输入第一编码子模型，对监测流量数据进行降维处机森林等。以神经网络为例，可以通过学习数据的内在表示来提取有用的特征。在步骤以及标记有示例数据项对应的示例类型和示例类型对应的示例支持度的第三示例监测流场景中，初始化监测子模型可能学习到充电时长超过一定阈值的数据段为异常数据范围，初始化核心异常数据项监测子模型可能识别出充电速率异常高的数据项为核心异常数据森林或神经网络等分类算法来学习示例降维特征表示与异常类型之间的映射关系。临时监测智能体（即包含临时监测子模型、临时核心异常数据项监测子模型以及临时分类计算机系统将示例监测流量数据同时输入到所有子模型中，并观察它们的输出结果。如果某个子模型的输出与其他子模型的输出存在不一致或冲突的情况，计算机系统就会调整该子模型的参数以使其输出更加符合整体期望。通过不断迭代和优化，最终可以得到一个性能优异的流量监测智能体。协同训练的具体实施方式可能因应用场景和数据特性的不同而同训练可能涉及在异常数据范围检测、核心异常数据项识别和异常类型分类等任务之间进初始化监测子模型、初始化核心异常数据项监测子模型以及初始化分类子模型进行训练。高分类准确率计算机可以提高模型对核心异常数据项的识别能力。[0087]在一种实现方案中，步骤S30中，将示例降维特征表示分别输入初始化监测子模[0088]在步骤S31中，计算机系统判断示例降维特征表示是否与第一示例监测流量数据化监测子模型中。初始化监测子模型是一个专门用于检测异常数据范围的机器学习模型，它通过分析输入数据的特征来预测数据中可能存在的异常区域。在电动汽车充电场景中，[0089]在步骤S32中，计算机系统基于初始化监测子模型生成的预估异常数据范围和示[0090]接下来，在步骤S33中，计算机系统检查第一代价函数是否符合第一训练停止指[0094]在子步骤S311中，计算机系统将示例降维特征表示输入到初始化监测子模型初始化监测子模型是一个经过预训练的机器学习模型，它专门用于检测数据中的异常范位数据项微调量可能是正负5个数据点（表示异常行为可能在第95到105个数据点之间开[0099]综上所述，步骤S31中的两个子步骤S311和S312共同构成了初始化监测子模型对异常行为分析和处理提供有力的支持。这一过程不仅依赖于先进的机器学习算法和技术，[0102]在子步骤S30A中，初始化核心异常数据项监测子模型会输出预估核心异常数据数据项可能是一组特定的充电速率值，这些值在模型看来是导致异常充电行为的关键因二训练停止指标是一个预设的阈值或条件，用于判断模型是否已经训练到足够好的程度，其值仍然较高那么计算机系统就会优化初始化编码子模型和初始化核心异常数据项监味着计算机系统根据预估核心异常数据项与示例核心异常数据项之间的差异来调整模型低到预设的阈值以下那么计算机系统就会将初始化核心异常数据项监测子模型确定为估核心异常数据项的数量以及每个预估核心异常数据项步骤S30A2：基于预估核心异常数据项的数量以及每个预估核心异常数据项的位[0109]在子步骤S30A1中，计算机系统将示例降维特征表示输入到初始化核心异常数据项监测子模型中。初始化核心异常数据项监测子模型是一个经过预训练的机器学习模型，的支持度。预估核心异常数据项的数量是指模型预测的异常行为中核心异常数据项的总值仍然较高那么计算机系统就会优化初始化编码子模型和初始化分类子模型的模型变据项监测子模型进行类似的分离训练过程，直到它们也分别满足各自的训练停止指标为如，对于某条充电记录，流量特征数组可能如下所示：[{类型:"正常充电",支持度:[0131]继续以电动汽车充电场景为例，假设在子步骤S30a1中得到了上述的流量特征数[0134]在一种实现方案中，步骤S41，采用综合代价函数对临时监测智能体进行协同训是临时编码子模型输出的一个低维向量或矩阵，它包含了示例监测流量数据中的关键信