CN119477576A 一种基于边缘计算技术的高效审计方法及系统 （南京大学射阳高新技术研究院）

一种基于边缘计算技术的高效审计方法及本发明公开了一种基于边缘计算技术的高2步骤S1：数据采集与预处理，在边缘节点处通过多种传感器步骤S2：边缘侧数据分析，利用边缘计算设备的计算资源，在靠近数据源的边缘侧对预处理后的数据进行实时分析；采用基于机器学习和数据挖掘的算法进行数据分析，包括聚类分析、关联规则挖掘和异常检测算法；聚类分析采用K_Means算法，将数据划分于孤立森林算法，通过构建多个孤立树来识别异常数据点，引入数据局部性度量公式wn)T合成运算B=WOR得到综合评价结果向量B，符号O表示模糊合成运算，用于量化风3的操作和数据处理，采用数据压缩率计算公式其据传输效率和降低网络带宽占用，在通信过程中采用信号强度评估公式7.一种用于实现权利要求1_6任意一项所述的基于边缘计算技术的高效审计方法的系数据采集模块，用于在边缘节点处通过多种传感器和数据采集接口实时采集业务数边缘分析模块，与数据采集模块连接，利用边缘计算设备的计算资4模型训练模块，与边缘分析模块连接，用于从分析后的数据中提用决策树算法和线性回归算法进行模型训练，训练过程中采用实时更新和增量学习方式，风险评估与预警模块，与边缘分析模块和模型训练模块连接，用于构建协同审计模块，与边缘分析模块和模型训练模块连接，负责边缘节点所述基于边缘计算技术的高效审计系统支持分布式部署和扩展，根据5所述基于边缘计算技术的高效审计系统具备数据存储与管理模块，67换将不同来源和格式的数据统一转换为适合后续处树来识别异常数据点。引入数据局部性度量公式其中N为数据点述数据的本质属性和行为模式；利用提取的特征数据在边缘节点上进行本地模型训练，训练模型包括但不限于分类模型和预测模型；分类模型采用决策树算法，用于对数据进行分类，如正常数据和异常数据的分类；预测模型采用线性回归算法，用于对业务数据的趋势进行预测；模型训练过程中采用实时更新和增量学习的方式，不断优化模型的性能和准确性；引入基于梯度下降的优化算法，如随机梯度下降(SGD)，其更新公式为)T8处理。采用数据压缩率计算公式其中Doriginal为原模型的训练损失和收敛情况自动调整学习率，以加快模型的训练速度和提高模型的准确用于保障数据在传输过程中的安全性和可靠性，每个数据块都包含前一个数据块的哈希9传输协议保障数据传输安全。协同审计模块包含数据压缩率计算单元和信号强度评估单[0034]利用边缘计算资源进行数据分析，引入了多种先进的算法如K_Means聚类分析、Apriori关联规则挖掘和孤立森林异常检测算法等，并结合数据局部性度量公式优化分析边缘计算的实时性和本地处理能力，又借助云端的强大计算资源进行深度挖掘和综合分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、以特定换将不同来源和格式的数据统一转换为适合后续处理树来识别异常数据点。引入数据局部性度量公式其中N为数据点述数据的本质属性和行为模式；利用提取的特征数据在边缘节点上进行本地模型训练，训练模型包括但不限于分类模型和预测模型；分类模型采用决策树算法，用于对数据进行分类，如正常数据和异常数据的分类；预测模型采用线性回归算法，用于对业务数据的趋势进行预测；模型训练过程中采用实时更新和增量学习的方式，不断优化模型的性能和准确性；引入基于梯度下降的优化算法，如随机梯度下降(SGD)，其更新公式为)T处理。采用数据压缩率计算公式其中Doriginal为原传输协议保障数据传输安全。协同审计模块