基于大数据的企业安全风险评估方法及系统

技术领域

本申请涉及智能化风险评估技术领域，并且更具体地，涉及一种基于大数据的企业安全风险评估方法及系统。

背景技术

企业安全风险评估能够保证企业的安全生产，找出企业生产过程中的安全隐患；特别是化工场所是化工企业发展的聚集区域，作为一个庞大而复杂的系统，化工场所存在着大量的危险源，化工场所内的工厂之间紧密联系，输送管道等相互交错，化工生产过程中不同原料相互影响，甚至会产生化学反应，造成严重的安全隐患，导致安全事故发生；同时，事故之间会出现连锁反应，从而造成无法估量的损失。

化工场所的这些风险因素时时刻刻威胁着周围人的生命与财产安全，若不加强管理，就会酿成事故。如何实现对企业安全风险的准确评估预警对提高安全生产有着重要意义。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于大数据的企业安全风险评估方法及系统，其获取被监控企业在预定时间段内多个预定时间点的风险参数的实时数据，其中，所述风险参数包括存储罐压力值、介质液位值、温度值和气体浓度值；以及，基于所述多个预定时间点的风险参数的实时数据，确定所述被监控企业的风险等级。这样，可以对企业安全风险进行准确评估预警，进而提高生产安全。

第一方面，提供了一种基于大数据的企业安全风险评估方法，其包括：

获取被监控企业在预定时间段内多个预定时间点的风险参数的实时数据，其中，所述风险参数包括存储罐压力值、介质液位值、温度值和气体浓度值；以及

基于所述多个预定时间点的风险参数的实时数据，确定所述被监控企业的风险等级。

第二方面，提供了一种基于大数据的企业安全风险评估系统，其包括：

数据获取模块，用于获取被监控企业在预定时间段内多个预定时间点的风险参数的实时数据，其中，所述风险参数包括存储罐压力值、介质液位值、温度值和气体浓度值；以及

风险等级确定模块，用于基于所述多个预定时间点的风险参数的实时数据，确定所述被监控企业的风险等级。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为根据本申请实施例的基于大数据的企业安全风险评估方法的流程图。

图2为根据本申请实施例的基于大数据的企业安全风险评估方法的架构示意图。

图3为根据本申请实施例的基于大数据的企业安全风险评估方法中步骤120的子步骤的流程图。

图4为根据本申请实施例的基于大数据的企业安全风险评估系统的框图。

图5为根据本申请实施例的基于大数据的企业安全风险评估方法的场景示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。

在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

需要说明的是，本申请实施例所涉及的术语“第一第二第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一第二第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一第二第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。

图1为根据本申请实施例的基于大数据的企业安全风险评估方法的流程图。图2为根据本申请实施例的基于大数据的企业安全风险评估方法的架构示意图。如图1和图2所示，所述基于大数据的企业安全风险评估方法，包括：110，获取被监控企业在预定时间段内多个预定时间点的风险参数的实时数据，其中，所述风险参数包括存储罐压力值、介质液位值、温度值和气体浓度值；以及，120，基于所述多个预定时间点的风险参数的实时数据，确定所述被监控企业的风险等级。

具体地，在所述步骤110中，获取被监控企业在预定时间段内多个预定时间点的风险参数的实时数据，其中，所述风险参数包括存储罐压力值、介质液位值、温度值和气体浓度值。

针对上述技术需求，本申请的技术构思为获取被监控企业在预定时间段内多个预定时间点的风险参数的实时数据，并使用基于大数据的企业安全风险评估引擎对所述风险参数的实时数据进行处理以得到所述被监控企业的风险等级。在本申请实施例中，所述风险参数包括存储罐压力值、介质液位值、温度值和气体浓度值。

具体地，在本申请的技术方案中，首先获取被监控企业在预定时间段内多个预定时间点的风险参数的实时数据，其中，所述风险参数包括存储罐压力值、介质液位值、温度值和气体浓度值。上述风险参数的实时数据可通过传感器系统来采集。

应可以理解，获取被监控企业在预定时间段内多个预定时间点的风险参数的实时数据是为了对企业的风险状况进行监测和评估。例如，存储罐的过高或过低压力可能会导致泄漏、爆炸或其他安全风险，监测存储罐压力可以帮助提前发现潜在的问题，并采取相应的措施。液位过高或过低可能会导致溢出、泄漏或设备故障，监测液位可以帮助确保设备在正常工作范围内，并及时采取措施以避免潜在的风险。温度过高或过低可能会导致设备故障、化学反应失控或其他安全问题，监测温度可以帮助及早发现异常情况，并采取适当的措施来控制风险。高浓度的有害气体可能会对人员健康造成威胁，甚至引发爆炸或火灾，监测气体浓度可以帮助确保工作环境的安全，并采取必要的措施来控制风险。

通过实时监测和分析这些风险参数的数据，可以对企业的风险状况进行评估。根据所采集到的数据和事先设定的风险评估模型，可以计算出企业的风险等级，并及时采取措施来降低风险，确保企业的安全运营。

具体地，在所述步骤120中，基于所述多个预定时间点的风险参数的实时数据，确定所述被监控企业的风险等级。图3为根据本申请实施例的基于大数据的企业安全风险评估方法中步骤120的子步骤的流程图，如图3所示，基于所述多个预定时间点的风险参数的实时数据，确定所述被监控企业的风险等级，包括：121，从所述多个预定时间点的风险参数的实时数据提取多参数融合特征向量；以及，122，基于所述多参数融合特征向量，确定所述被监控企业的风险等级。

其中，通过将多个风险参数的数据进行融合，可以综合评估企业的风险状况。这样可以更准确地反映企业的整体风险水平，而不仅仅依赖于单个参数的评估。通过实时采集和处理风险参数的数据，可以及时监测企业的风险状态。如果某个参数的数值异常或超过预设的阈值，系统可以立即发出警报并采取相应的措施，以避免潜在的风险事件。

通过使用大数据技术对风险参数的数据进行处理和分析，可以提供更多的信息和见解，帮助企业做出更明智的决策。例如，可以根据历史数据和模型预测，预测未来可能发生的风险事件，并采取相应的预防措施。通过使用大数据技术进行实时处理和风险评估，可以实现自动化的风险管理。系统可以根据预先设定的规则和算法，自动分析和评估风险等级，并触发相应的应对措施，减少人工干预的需求。

通过基于多参数融合特征向量确定企业的风险等级，可以提高风险管理的准确性和效率，帮助企业及时应对潜在的风险，并做出更明智的决策。

其中，从所述多个预定时间点的风险参数的实时数据提取多参数融合特征向量，包括：将所述多个预定时间点的风险参数的实时数据分别按照时间维度排列为存储罐压力值时序输入向量、介质液位值时序输入向量、温度值时序输入向量和气体浓度值时序输入向量；计算所述存储罐压力值时序输入向量、所述介质液位值时序输入向量、所述温度值时序输入向量和所述气体浓度值时序输入向量中每相邻两个位置的特征值之间的比值以得到存储罐压力波动时序输入向量、介质液位波动时序输入向量、温度波动时序输入向量和气体浓度波动时序输入向量；将所述存储罐压力值时序输入向量、所述介质液位值时序输入向量、所述温度值时序输入向量和所述气体浓度值时序输入向量，以及，所述存储罐压力波动时序输入向量、所述介质液位波动时序输入向量、所述温度波动时序输入向量和所述气体浓度波动时序输入向量分别对应地进行级联以得到存储罐压力值动-静时序输入向量、介质液位动-静时序输入向量、温度动-静时序输入向量和气体浓度动-静时序输入向量；从所述存储罐压力值动-静时序输入向量、所述介质液位动-静时序输入向量、所述温度动-静时序输入向量和所述气体浓度动-静时序输入向量得到存储罐压力值动-静时序特征向量、介质液位动-静时序特征向量、温度动-静时序特征向量和气体浓度动-静时序特征向量；以及，融合所述存储罐压力值动-静时序特征向量、所述介质液位动-静时序特征向量、所述温度动-静时序特征向量和所述气体浓度动-静时序特征向量以得到所述多参数融合特征向量。

接着，基于所述多个预定时间点的风险参数的实时数据，确定所述被监控企业的风险等级。该过程包括如下步骤：首先，基于大数据的企业安全风险评估引擎对所述多个预定时间点的风险参数的实时数据进行处理以得到多参数融合特征向量；进而，基于所述多参数融合特征向量，确定所述被监控企业的风险等级。

具体的，从所述多个预定时间点的风险参数的实时数据提取多参数融合特征向量的过程包括：首先将所述多个预定时间点的风险参数的实时数据分别按照时间维度排列为存储罐压力值时序输入向量、介质液位值时序输入向量、温度值时序输入向量和气体浓度值时序输入向量。也就是，将所述多个预定时间点的风险参数的实时数据沿着时间维度进行结构化数据规整以得到便于计算机处理的数据格式。考虑到在进行企业风险等级评估时，不仅要考虑各个风险参数的实时数据的绝对量，还需要考虑各个风险参数的实时数据的相对量。特别地，在本申请的技术方案中，计算所述存储罐压力值时序输入向量、所述介质液位值时序输入向量、所述温度值时序输入向量和所述气体浓度值时序输入向量中每相邻两个位置的特征值之间的比值以得到存储罐压力波动时序输入向量、介质液位波动时序输入向量、温度波动时序输入向量和气体浓度波动时序输入向量。也就是，在本申请的技术方案中，以相邻两个位置的风险参数的实时数据之间的比例值来表示特定风险参数的实时数据的波动特征。

进而，从所述多个预定时间点的风险参数的实时数据提取多参数融合特征向量的过程，还包括：将所述存储罐压力值时序输入向量、所述介质液位值时序输入向量、所述温度值时序输入向量和所述气体浓度值时序输入向量，以及，所述存储罐压力波动时序输入向量、所述介质液位波动时序输入向量、所述温度波动时序输入向量和所述气体浓度波动时序输入向量分别对应地进行级联以得到存储罐压力值动-静时序输入向量、介质液位动-静时序输入向量、温度动-静时序输入向量和气体浓度动-静时序输入向量。也就是，在数据层面，整合风险参数的实时数据的绝对量和风险参数的实时数据的相对量。

继而，将所述存储罐压力值动-静时序输入向量、所述介质液位动-静时序输入向量、所述温度动-静时序输入向量和所述气体浓度动-静时序输入向量分别通过基于卷积层的时序特征提取器以得到所述存储罐压力值动-静时序特征向量、所述介质液位动-静时序特征向量、所述温度动-静时序特征向量和所述气体浓度动-静时序特征向量。在本申请实施例中，所述卷积层使用一维卷积核，其用于提取时域局部邻域关联模式特征。

即从所述存储罐压力值动-静时序输入向量、所述介质液位动-静时序输入向量、所述温度动-静时序输入向量和所述气体浓度动-静时序输入向量得到存储罐压力值动-静时序特征向量、介质液位动-静时序特征向量、温度动-静时序特征向量和气体浓度动-静时序特征向量，包括：

将所述存储罐压力值动-静时序输入向量、所述介质液位动-静时序输入向量、所述温度动-静时序输入向量和所述气体浓度动-静时序输入向量分别通过基于卷积层的时序特征提取器以得到所述存储罐压力值动-静时序特征向量、所述介质液位动-静时序特征向量、所述温度动-静时序特征向量和所述气体浓度动-静时序特征向量

接着，融合所述存储罐压力值动-静时序特征向量、所述介质液位动-静时序特征向量、所述温度动-静时序特征向量和所述气体浓度动-静时序特征向量以得到所述多参数融合特征向量。

其中，融合所述存储罐压力值动-静时序特征向量、所述介质液位动-静时序特征向量、所述温度动-静时序特征向量和所述气体浓度动-静时序特征向量以得到所述多参数融合特征向量，包括：分别计算所述存储罐压力值动-静时序特征向量、所述介质液位动-静时序特征向量、所述温度动-静时序特征向量和所述气体浓度动-静时序特征向量相对于所述多参数融合特征向量的可转移特征的量化的可转移性感知因数；以及，以所述可转移性感知因数作为权重值，计算所述存储罐压力值动-静时序特征向量、所述介质液位动-静时序特征向量、所述温度动-静时序特征向量和所述气体浓度动-静时序特征向量之间的按位置加权和以得到优化多参数融合特征向量。

特别地，在本申请的技术方案中，融合所述存储罐压力值动-静时序特征向量、所述介质液位动-静时序特征向量、所述温度动-静时序特征向量和所述气体浓度动-静时序特征向量得到所述多参数融合特征向量，并将所述多参数融合特征向量通过分类器进行分类时，考虑到所述存储罐压力值动-静时序特征向量、所述介质液位动-静时序特征向量、所述温度动-静时序特征向量和所述气体浓度动-静时序特征向量分别表达存储罐压力值、介质液位值、温度值和气体浓度值的参数绝对值和比例值在时序上的局部关联特征，由于源数据本身的数据性质及其在时序分布上的差异，会使得所述存储罐压力值动-静时序特征向量、所述介质液位动-静时序特征向量、所述温度动-静时序特征向量和所述气体浓度动-静时序特征向量在特征表示上具有到融合空间的域转移差异，因此，如果能够在各个特征向量的特征融合和分类时考虑域转移差异来进行特征融合，就可以提升特征融合效果。

基于此，本申请的申请人对于所述存储罐压力值动-静时序特征向量、所述介质液位动-静时序特征向量、所述温度动-静时序特征向量和所述气体浓度动-静时序特征向量中的每个特征向量，例如记为V

其中，f

这里，所述可转移特征的量化的可转移性感知因数通过域转移下的不确定性度量来估计特征空间域到分类目标域的域不确定性，且由于该域不确定性估计可以用于标识已经在域间转移的特征表示，因此通过以该因数来作为权重分别对所述存储罐压力值动-静时序特征向量、所述介质液位动-静时序特征向量、所述温度动-静时序特征向量和所述气体浓度动-静时序特征向量进行加权，就可以通过特征空间域到分类目标域的跨域对齐来鉴别特征映射是否在域间有效转移，从而量化地感知不同特征向量中的可转移特征的可转移性，以实现域间自适应的特征融合。

进一步地，基于所述多参数融合特征向量，确定所述被监控企业的风险等级，包括：将所述优化多参数融合特征向量通过分类器以得到分类结果，所述分类结果用于表示被监控企业的风险等级标签。

在得到所述优化多参数融合特征向量后，将所述优化多参数融合特征向量通过分类器以得到分类结果，所述分类结果用于表示被监控企业的风险等级标签。也就是，在捕捉到被监控企业的风险参数的多参数融合特征后，使用所述分类器来确定所述被监控企业的风险参数的多参数融合特征所属的类概率标签，其中，所述类概率标签用于表示被监控企业的风险等级标签。

综上，基于本申请实施例的基于大数据的企业安全风险评估方法100被阐明，其获取被监控企业在预定时间段内多个预定时间点的风险参数的实时数据，并使用基于大数据的企业安全风险评估引擎对所述风险参数的实时数据进行处理以得到所述被监控企业的风险等级。

在本申请的另一个实施例中，本实施例的企业安全风险评估方法包括以下步骤：

1)获取风险参数对应的实时数据，判断实时数据是否大于设定实时阈值；

本实施例通过设置在化工场所内的传感器、监测仪等数据感知设备对风险参数进行数据采集，本实施例的风险参数为可燃气体浓度，但作为其它实施方式，也可以根据实际需求监测化工场所的温度参数、有毒气体参数、气象监测参数、储罐压力参数等。

本实施例在化工场所内的多个位置均设置有数据感知设备，每一个位置为一个监测点，本实施例对每个监测点采集的实时数据采用相同的分析方法，对于其中一个监测点，根据预设的采样时刻依次采样获得其对应的实时数据，这些采集的实时数据依次为：e

实时数据的大小能够直接反映监测点是否存在安全隐患，本实施例将获取的上述实时数据与设定的实时阈值进行比较，通过比较结果来判断监测点是否存在安全隐患。设定的实时阈值即安全参考值，可以根据实际应用场景和采集的风险参数的类型进行设定。

2)若大于，则进行第一风险预警；若不大于，根据实时数据计算各采样时刻对应的数据波动程度以及所述风险参数对应的实时风险等级；

当某个采集时刻的实时数据大于设定实时阈值时，意味着可燃气体浓度值大于安全参考值，很容易发生危险，因此本实施例在实时数据大于设定的实时阈值时进行一级预警，提示相关工作人员对监测点进行检测，防止危险源带来的安全隐患。

当采集的实时数据不大于设定实时阈值时，只能说明采集到的可燃气体的实时浓度值不大于安全参考值，但并不意味着监测点一切正常，没有安全风险，因为风险还有可能正在发展之中，只是还没有通过实时浓度值大于安全参考值的方式表现出来而已。因此，本实施例还在采集的实时数据不大于设定实时阈值时计算各采样时刻对应的数据波动程度以及所述风险参数对应的实时风险等级，以通过数据波动程度和实时风险等级来预测风险发展程度。

为了综合分析风险发展程度，本实施例还参考了采集参数的危险等级，当采集参数的危险等级较高时，相同波动程度下的风险发展程度就较大；当采集参数的危险等级较低时，相同波动程度下的风险发展程度就较小。为准确分析采集参数的危险等级对风险发展程度的影响，本实施例还结合采集到的实时数据对采集参数的危险等级进行修正，根据采集到的实时数据相对正常数据值波动的幅度将采集参数的危险等级进行调整.

3)根据所述数据波动程度和实时风险等级计算各采样时刻对应的风险发展程度，判断风险发展程度是否大于设定程度阈值；

在计算得到了数据波动程度和实时风险等级的基础上，本实施例采用如下计算公式计算各采样时刻对应的风险发展程度：

Vi＝τi*Bi

其中，V

本实施例采用上述公式计算了各采样时刻对应的风险发展程度，作为其它实施方式，可利用其它计算公式计算各采样时刻对应的风险发展程度，但应满足各采样时刻对应的风险发展程度与数据波动程度和实时风险等级均成正相关关系。

当V

4)若大于，则进行第二风险预警；若不大于，根据各采样时刻对应的风险发展程度构建偏差累积和序列；

当风险发展程度大于设定程度阈值时，意味着监测点存在较大风险，对监测点进行二级预警，以提示相关工作人员对监测点进行检测，防止危险源带来的安全隐患。

当风险发展程度不大于设定程度阈值时，为了实现对风险的提前预警，本实施例还根据各采集时刻对应的风险发展程度构建偏差累积和序列，以通过分析偏差累积和序列来分析监测点的潜在风险。

5)根据偏差累积和序列计算序列稳定指标，判断序列稳定指标是否大于设定稳定阈值，若大于，则进行第三风险预警。

当偏差累积和序列内的各元素越杂乱不稳定时，意味着监测点的风险发展越不稳定，监测点存在风险的可能性就越高；本实施例具体通过分析偏差累积和序列的序列稳定指标来判断监测点是否存在潜在风险；

针对每个序列即可的到对应的预测指标，根据所述风险预测指标模型，设置稳定阈值，当预测指标高于稳定阈值时，将对系统设置三级预警，认为该风险参数存在较高的风险性，工作人员将及时采取相应措施，防止风险事故的发生；稳定阈值的大小可以根据实际需要进行设定。

本实施例采用多个等同大小且互不相交的窗口对序列进行划分，在得到了R(w)之后还进一步计算了R

本实施例基于获取的风险参数对应的实时数据，先对实时数据是否大于设定实时阈值进行判断并设置一级风险预警机制；在实时数据不大于设定实时阈值时，进一步基于数据波动程度和风险参数对应的实时风险等级计算风险发展程度，并判断风险发展程度是否大于设定程度阈值和设置二级风险预警机制；在风险发展程度不大于设定程度阈值时，基于各采样时刻对应的风险发展程度构建偏差累积和序列，通过判断序列的稳定性指标来判断是否存在潜在危险，实现了对潜在风险的预警，防止了事故的发生。

在本申请的一个实施例中，图4为根据本申请实施例的基于大数据的企业安全风险评估系统的框图。如图4所示，根据本申请实施例的基于大数据的企业安全风险评估系统200，包括：数据获取模块210，用于获取被监控企业在预定时间段内多个预定时间点的风险参数的实时数据，其中，所述风险参数包括存储罐压力值、介质液位值、温度值和气体浓度值；以及，风险等级确定模块220，用于基于所述多个预定时间点的风险参数的实时数据，确定所述被监控企业的风险等级。

具体地，在所述基于大数据的企业安全风险评估系统中，所述风险等级确定模块，包括：向量提取单元，用于从所述多个预定时间点的风险参数的实时数据提取多参数融合特征向量；以及，风险确定单元，用于基于所述多参数融合特征向量，确定所述被监控企业的风险等级。

具体地，在所述基于大数据的企业安全风险评估系统中，所述向量提取单元，包括：向量排列子单元，用于将所述多个预定时间点的风险参数的实时数据分别按照时间维度排列为存储罐压力值时序输入向量、介质液位值时序输入向量、温度值时序输入向量和气体浓度值时序输入向量；比值计算子单元，用于计算所述存储罐压力值时序输入向量、所述介质液位值时序输入向量、所述温度值时序输入向量和所述气体浓度值时序输入向量中每相邻两个位置的特征值之间的比值以得到存储罐压力波动时序输入向量、介质液位波动时序输入向量、温度波动时序输入向量和气体浓度波动时序输入向量；级联子单元，用于将所述存储罐压力值时序输入向量、所述介质液位值时序输入向量、所述温度值时序输入向量和所述气体浓度值时序输入向量，以及，所述存储罐压力波动时序输入向量、所述介质液位波动时序输入向量、所述温度波动时序输入向量和所述气体浓度波动时序输入向量分别对应地进行级联以得到存储罐压力值动-静时序输入向量、介质液位动-静时序输入向量、温度动-静时序输入向量和气体浓度动-静时序输入向量；特征向量提取子单元，用于从所述存储罐压力值动-静时序输入向量、所述介质液位动-静时序输入向量、所述温度动-静时序输入向量和所述气体浓度动-静时序输入向量得到存储罐压力值动-静时序特征向量、介质液位动-静时序特征向量、温度动-静时序特征向量和气体浓度动-静时序特征向量；以及，融合子单元，用于融合所述存储罐压力值动-静时序特征向量、所述介质液位动-静时序特征向量、所述温度动-静时序特征向量和所述气体浓度动-静时序特征向量以得到所述多参数融合特征向量。

这里，本领域技术人员可以理解，上述基于大数据的企业安全风险评估系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的基于大数据的企业安全风险评估方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本申请实施例的基于大数据的企业安全风险评估系统200可以实现在各种终端设备中，例如用于基于大数据的企业安全风险评估的服务器等。在一个示例中，根据本申请实施例的基于大数据的企业安全风险评估系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于大数据的企业安全风险评估系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于大数据的企业安全风险评估系统200同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该基于大数据的企业安全风险评估系统200与该终端设备也可以是分立的设备，并且基于大数据的企业安全风险评估系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

图5为根据本申请实施例的基于大数据的企业安全风险评估方法的场景示意图。如图5所示，在该应用场景中，首先，获取被监控企业在预定时间段内多个预定时间点的风险参数的实时数据(例如，如图5中所示意的C)；然后，将获取的风险参数的实时数据输入至部署有基于大数据的企业安全风险评估算法的服务器(例如，如图5中所示意的S)中，其中所述服务器能够基于大数据的企业安全风险评估算法对所述风险参数的实时数据进行处理，以确定所述被监控企业的风险等级。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。