基于神经网络模型的设备控制方法、装置、介质及设备
文献发布时间:2023-06-19 12:02:28
技术领域
本发明涉及设备安全技术领域,具体为基于神经网络模型的设备控制方法、装置、介质及设备。
背景技术
随着科技水平的发展,越来越多的设备可以通过终端设备或者远程服务器进行控制,降低了设备运行以及监控对人工操作的依赖性,大大地降低了人力成本,解放了劳动力。
相关场景中,基于设备控制状态对待控制设备中某一项项目类型下的参数进行控制,但是上述方案在匹配设备控制策略时仅仅是简单的对应关系匹配,或者深度学习匹配,未考虑到设备控制状态的整体性状态表达,也没有考虑到不同项目类型之间的差异表达,导致实际设备控制过程不仅造成控制偏差,还可能错误地学习每次控制过程,导致偏差越来越明显,进而造成设备控制的准确性以及安全性较低。
因此,如何提高设备控制的准确性以及安全性成为一个亟待解决的问题。
发明内容
为了至少克服现有技术中的上述不足,本申请的目的之一在于提供基于神经网络模型的设备控制方法、装置、介质及设备,首先对待控制对象在目标控制策略的多种特征中的部分或全部特征对应的样本节点,并将样本节点的统计特征作为该控制对象的目标特征,可以有效地获取到控制对象的特征,并且考虑到所有神经网络模型可以精确地对控制对象进行分类,基于聚类模型对待控制对象根据安全等级进行分类,可以提高控制对象分类的准确性以及时效性,提高控制效率。同时,将控制对象按照对应的特征标志符数量的分类比例分入相应的第一目标组得到分类结果,以及针对每个分类结果,根据控制对象的时间戳的先后顺序,按照相应的协议类型进行解码操作,统计解码操作后的每一分类结果中的控制代码行数量,按照每一分类结果中的控制代码行数量的数值大小确定每一待控制对象的执行顺序,并按照执行顺序控制所述每一待控制对象,不仅可以极大地降低设备控制过程中的人力成本,并且提高设备控制的准确性以及安全性。此外,避免控制设备的控制代码行被非法攻击篡改,造成控制效果不匹配的情况。
第一方面,提供基于神经网络模型的设备控制方法,包括:
获取每一待控制对象在目标控制策略的多种特征中的部分或全部特征对应的样本节点,将所述样本节点的统计特征作为该控制对象的目标特征,所述统计特征为时间戳、特征标志符数量、协议类型、控制代码行数量中的任一种;
将所述每一待控制对象的所述目标特征输入到聚类模型中,以得到第一数量个聚类,其中,所述聚类模型是通过标注有控制对象对应的统计特征的安全级别以及不同安全级别对应的控制类型训练得到的;
将每一所述聚类中包括的所述控制对象,按照对应的特征标志符数量的分类比例分入相应的第一目标组,以将所述第一目标组作为所述多个控制对象的分类结果,所述分类比例用于指示每个第一目标组的总特征标志符数量占所述多个控制对象包含的特征标志符数量的总数量的比例;
针对每个所述分类结果,根据该分类结果中包括的所述控制对象的时间戳的先后顺序,按照相应的协议类型进行解码操作,并统计所述解码操作后的每一分类结果中的控制代码行数量,按照所述每一分类结果中的控制代码行数量的数值大小确定所述每一待控制对象的执行顺序,并按照所述执行顺序控制所述每一待控制对象。
优选地,所述聚类模型是根据以下方式建立的:
根据控制对象的统计特征筛选得到模型特征;
对每一所述模型特征进行样本类型判定,得到所述模型特征的正样本集合和负样本集合,其中,所述正样本集合为特征标志符数量多于所有控制对象的特征标志符数量平均数量的控制对象,所述负样本集合为特征标志符数量少于所有控制对象的特征标志符数量平均数量的控制对象;
根据所述正样本集合和所述负样本集合计算每一所述模型特征的信息增益,并根据所述信息增益的大小将对应的所述模型特征映射到树模型的节点上,得到组合特征,其中,所述树模型的每一节点对应有特征值;
针对每一所述组合特征对应的安全级别,根据每一控制对象对应的时间戳、协议类型以及控制代码行数量进行逻辑回归模型训练,得到所述聚类模型。
可选地,所述目标控制策略是通过以下方式生成的:
根据控制对象的协议类型生成的控制请求对应的每个控制任务的仿真过程条件以及每个所述控制任务对应的仿真过程控制代码行;
将所述每个控制任务的仿真过程条件映射到树模型的节点上,建立该仿真过程条件与所述树模型的节点的模型特征的对应关系,并根据所述对应关系确定其对应的仿真过程控制代码行及每一所述节点对应的特征值;
将每一所述特征值进行逻辑回归拟合,得到每一所述特征值对应的特征权重,并计算每一所述特征值和对应的特征权重的乘积,得到每一所述特征值对应的控制通道;
根据所述每一所述特征值对应的控制通道的优先级选择对应的脚本代码,并根据所述脚本代码生成相应的目标控制策略。
可选地,所述根据所述每一所述特征值对应的控制通道的优先级选择对应的脚本代码,包括:
根据所述每一所述特征值对应的控制通道的优先级对每个所述控制任务的顺序进行乱序操作;
将乱序后的每个所述控制任务对应的控制对象按照控制类型以及分类比例分为多个数量的第二目标组;
根据每一所述第二目标组中各控制对象的优先级确定所述控制对象的控制对象排序方向以及所述目标组的目标组排序方向,并根据所述控制对象排序方向以及所述目标组排序方向选择对应的脚本代码。
第二方面,提供基于神经网络模型的设备控制装置,包括:
获取模块,被配置为用于获取每一待控制对象在目标控制策略的多种特征中的部分或全部特征对应的样本节点,将所述样本节点的统计特征作为该控制对象的目标特征,所述统计特征为时间戳、特征标志符数量、协议类型、控制代码行数量中的任一种;
输入模块,被配置为用于将所述每一待控制对象的所述目标特征输入到聚类模型中,以得到第一数量个聚类,其中,所述聚类模型是通过标注有控制对象对应的统计特征的安全级别以及不同安全级别对应的控制类型训练得到的;
分组模块,被配置为用于将每一所述聚类中包括的所述控制对象,按照对应的特征标志符数量的分类比例分入相应的第一目标组,以将所述第一目标组作为所述多个控制对象的分类结果,所述分类比例用于指示每个第一目标组的总特征标志符数量占所述多个控制对象包含的特征标志符数量的总数量的比例;
控制模块,被配置为用于针对每个所述分类结果,根据该分类结果中包括的所述控制对象的时间戳的先后顺序,按照相应的协议类型进行解码操作,并统计所述解码操作后的每一分类结果中的控制代码行数量,按照所述每一分类结果中的控制代码行数量的数值大小确定所述每一待控制对象的执行顺序,并按照所述执行顺序控制所述每一待控制对象。
优选地,所述聚类模型是根据以下方式建立的:
根据控制对象的统计特征筛选得到模型特征;
对每一所述模型特征进行样本类型判定,得到所述模型特征的正样本集合和负样本集合,其中,所述正样本集合为特征标志符数量多于所有控制对象的特征标志符数量平均数量的控制对象,所述负样本集合为特征标志符数量少于所有控制对象的特征标志符数量平均数量的控制对象;
根据所述正样本集合和所述负样本集合计算每一所述模型特征的信息增益,并根据所述信息增益的大小将对应的所述模型特征映射到树模型的节点上,得到组合特征,其中,所述树模型的每一节点对应有特征值;
针对每一所述组合特征对应的安全级别,根据每一控制对象对应的时间戳、协议类型以及控制代码行数量进行逻辑回归模型训练,得到所述聚类模型。
优选地,所述获取模块被配置为用于:
根据控制对象的协议类型生成的控制请求对应的每个控制任务的仿真过程条件以及每个所述控制任务对应的仿真过程控制代码行;
将所述每个控制任务的仿真过程条件映射到树模型的节点上,建立该仿真过程条件与所述树模型的节点的模型特征的对应关系,并根据所述对应关系确定其对应的仿真过程控制代码行及每一所述节点对应的特征值;
将每一所述特征值进行逻辑回归拟合,得到每一所述特征值对应的特征权重,并计算每一所述特征值和对应的特征权重的乘积,得到每一所述特征值对应的控制通道;
根据所述每一所述特征值对应的控制通道的优先级选择对应的脚本代码,并根据所述脚本代码生成相应的目标控制策略。
优选地,所述获取模块具体被配置为用于:
根据所述每一所述特征值对应的控制通道的优先级对每个所述控制任务的顺序进行乱序操作;
将乱序后的每个所述控制任务对应的控制对象按照控制类型以及分类比例分为多个数量的第二目标组;
根据每一所述第二目标组中各控制对象的优先级确定所述控制对象的控制对象排序方向以及所述目标组的目标组排序方向,并根据所述控制对象排序方向以及所述目标组排序方向选择对应的脚本代码。
第三方面,提供基于神经网络模型的设备控制,是一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现第一方面任一项所述的基于神经网络模型的设备控制方法的步骤。
第四方面,提供基于神经网络模型的设备控制设备,是一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现第一方面任一项所述的基于神经网络模型的设备控制方法的步骤。
本发明通过对待控制对象在目标控制策略的多种特征中的部分或全部特征对应的样本节点,并将样本节点的统计特征作为该控制对象的目标特征,可以有效地获取到控制对象的特征,并且考虑到所有神经网络模型可以精确地对控制对象进行分类,基于聚类模型对待控制对象根据安全等级进行分类,可以提高控制对象分类的准确性以及时效性,提高控制效率。同时,将控制对象按照对应的特征标志符数量的分类比例分入相应的第一目标组得到分类结果,以及针对每个分类结果,根据控制对象的时间戳的先后顺序,按照相应的协议类型进行解码操作,统计解码操作后的每一分类结果中的控制代码行数量,按照每一分类结果中的控制代码行数量的数值大小确定每一待控制对象的执行顺序,并按照执行顺序控制所述每一待控制对象,不仅可以极大地降低设备控制过程中的人力成本,并且提高设备控制的准确性以及安全性。此外,避免控制设备的控制代码行被非法攻击篡改,造成控制效果不匹配的情况。
附图说明
图1为根据本发明提供的基于神经网络模型的设备控制方法的流程图。
图2为根据本发明提供的聚类模型训练的流程图。
图3为根据本发明提供的基于神经网络模型的设备控制装置的框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
请参阅图1,本发明提供一种技术方案:基于神经网络模型的设备控制方法,所述方法包括。
S101、获取每一待控制对象在目标控制策略的多种特征中的部分或全部特征对应的样本节点,将所述样本节点的统计特征作为该控制对象的目标特征,所述统计特征为时间戳、特征标志符数量、协议类型、控制代码行数量中的任一种;
S102、将所述每一待控制对象的所述目标特征输入到聚类模型中,以得到第一数量个聚类,其中,所述聚类模型是通过标注有控制对象对应的统计特征的安全级别以及不同安全级别对应的控制类型训练得到的;
S103、将每一所述聚类中包括的所述控制对象,按照对应的特征标志符数量的分类比例分入相应的第一目标组,以将所述第一目标组作为所述多个控制对象的分类结果,所述分类比例用于指示每个第一目标组的总特征标志符数量占所述多个控制对象包含的特征标志符数量的总数量的比例;
S104、针对每个所述分类结果,根据该分类结果中包括的所述控制对象的时间戳的先后顺序,按照相应的协议类型进行解码操作,并统计所述解码操作后的每一分类结果中的控制代码行数量,按照所述每一分类结果中的控制代码行数量的数值大小确定所述每一待控制对象的执行顺序,并按照所述执行顺序控制所述每一待控制对象。
优选地,请参阅图2,本发明提供聚类模型的训练方式,包括:
S201、根据控制对象的统计特征筛选得到模型特征;
S202、对每一所述模型特征进行样本类型判定,得到所述模型特征的正样本集合和负样本集合,其中,所述正样本集合为特征标志符数量多于所有控制对象的特征标志符数量平均数量的控制对象,所述负样本集合为特征标志符数量少于所有控制对象的特征标志符数量平均数量的控制对象;
S203、根据所述正样本集合和所述负样本集合计算每一所述模型特征的信息增益,并根据所述信息增益的大小将对应的所述模型特征映射到树模型的节点上,得到组合特征,其中,所述树模型的每一节点对应有特征值;
S204、针对每一所述组合特征对应的安全级别,根据每一控制对象对应的时间戳、协议类型以及控制代码行数量进行逻辑回归模型训练,得到所述聚类模型。
可选地,在步骤S101中,所述目标控制策略是通过以下方式生成的:
根据控制对象的协议类型生成的控制请求对应的每个控制任务的仿真过程条件以及每个所述控制任务对应的仿真过程控制代码行;
将所述每个控制任务的仿真过程条件映射到树模型的节点上,建立该仿真过程条件与所述树模型的节点的模型特征的对应关系,并根据所述对应关系确定其对应的仿真过程控制代码行及每一所述节点对应的特征值;
将每一所述特征值进行逻辑回归拟合,得到每一所述特征值对应的特征权重,并计算每一所述特征值和对应的特征权重的乘积,得到每一所述特征值对应的控制通道;
根据所述每一所述特征值对应的控制通道的优先级选择对应的脚本代码,并根据所述脚本代码生成相应的目标控制策略。
可选地,所述根据所述每一所述特征值对应的控制通道的优先级选择对应的脚本代码,包括:
根据所述每一所述特征值对应的控制通道的优先级对每个所述控制任务的顺序进行乱序操作;
将乱序后的每个所述控制任务对应的控制对象按照控制类型以及分类比例分为多个数量的第二目标组;
根据每一所述第二目标组中各控制对象的优先级确定所述控制对象的控制对象排序方向以及所述目标组的目标组排序方向,并根据所述控制对象排序方向以及所述目标组排序方向选择对应的脚本代码。
实施例2
基于相同的发明构思,请参阅图3,本实施例相对于实施例1,其区别之处在于:本发明还提供基于神经网络模型的设备控制装置,包括:获取模块310、输入模块320、分组模块330和控制模块340。
其中,获取模块310,被配置为用于获取每一待控制对象在目标控制策略的多种特征中的部分或全部特征对应的样本节点,将所述样本节点的统计特征作为该控制对象的目标特征,所述统计特征为时间戳、特征标志符数量、协议类型、控制代码行数量中的任一种;
输入模块320,被配置为用于将所述每一待控制对象的所述目标特征输入到聚类模型中,以得到第一数量个聚类,其中,所述聚类模型是通过标注有控制对象对应的统计特征的安全级别以及不同安全级别对应的控制类型训练得到的;
分组模块330,被配置为用于将每一所述聚类中包括的所述控制对象,按照对应的特征标志符数量的分类比例分入相应的第一目标组,以将所述第一目标组作为所述多个控制对象的分类结果,所述分类比例用于指示每个第一目标组的总特征标志符数量占所述多个控制对象包含的特征标志符数量的总数量的比例;
控制模块340,被配置为用于针对每个所述分类结果,根据该分类结果中包括的所述控制对象的时间戳的先后顺序,按照相应的协议类型进行解码操作,并统计所述解码操作后的每一分类结果中的控制代码行数量,按照所述每一分类结果中的控制代码行数量的数值大小确定所述每一待控制对象的执行顺序,并按照所述执行顺序控制所述每一待控制对象。
优选地,所述聚类模型是根据以下方式建立的:
根据控制对象的统计特征筛选得到模型特征;
对每一所述模型特征进行样本类型判定,得到所述模型特征的正样本集合和负样本集合,其中,所述正样本集合为特征标志符数量多于所有控制对象的特征标志符数量平均数量的控制对象,所述负样本集合为特征标志符数量少于所有控制对象的特征标志符数量平均数量的控制对象;
根据所述正样本集合和所述负样本集合计算每一所述模型特征的信息增益,并根据所述信息增益的大小将对应的所述模型特征映射到树模型的节点上,得到组合特征,其中,所述树模型的每一节点对应有特征值;
针对每一所述组合特征对应的安全级别,根据每一控制对象对应的时间戳、协议类型以及控制代码行数量进行逻辑回归模型训练,得到所述聚类模型。
优选地,所述获取模块被配置为用于:
根据控制对象的协议类型生成的控制请求对应的每个控制任务的仿真过程条件以及每个所述控制任务对应的仿真过程控制代码行;
将所述每个控制任务的仿真过程条件映射到树模型的节点上,建立该仿真过程条件与所述树模型的节点的模型特征的对应关系,并根据所述对应关系确定其对应的仿真过程控制代码行及每一所述节点对应的特征值;
将每一所述特征值进行逻辑回归拟合,得到每一所述特征值对应的特征权重,并计算每一所述特征值和对应的特征权重的乘积,得到每一所述特征值对应的控制通道;
根据所述每一所述特征值对应的控制通道的优先级选择对应的脚本代码,并根据所述脚本代码生成相应的目标控制策略。
优选地,所述获取模块具体被配置为用于:
根据所述每一所述特征值对应的控制通道的优先级对每个所述控制任务的顺序进行乱序操作;
将乱序后的每个所述控制任务对应的控制对象按照控制类型以及分类比例分为多个数量的第二目标组;
根据每一所述第二目标组中各控制对象的优先级确定所述控制对象的控制对象排序方向以及所述目标组的目标组排序方向,并根据所述控制对象排序方向以及所述目标组排序方向选择对应的脚本代码。
实施例3
基于相同的发明构思,本实施例相对于实施例1,其区别之处在于:本发明还提供基于神经网络模型的设备控制介质,是一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现任一项所述的基于神经网络模型的设备控制方法的步骤。
实施例4
基于相同的发明构思,本实施例相对于实施例1,其区别之处在于:本发明还提供基于神经网络模型的设备控制设备,是一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现任一项所述的基于神经网络模型的设备控制方法的步骤。
可选地,该电子设备可以被配置为一服务器,所述服务器与控制对象通过有线或无线的通信方式连接,因而,该电子设备还具备通信组件,用于与控制对象进行通信连接。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
- 基于神经网络模型的设备控制方法、装置、介质及设备
- 基于神经网络模型的处理方法、装置、设备和存储介质