一种基于大数据的通信异常感知系统及方法

技术领域

本发明涉及通信安全技术领域，具体为一种基于大数据的通信异常感知系统及方法。

背景技术

时代的发展使得网络成为了信息社会的标志，它不仅将整个社会的信息资源整合在一起，还促进了信息的流动，从而改变着人们的生活方式。不仅如此，随着我国经济的迅猛发展和科学技术的日新月异，我国的网络通信能力得到了很大的提高，但这也使得存在一些人试图获取、篡改和窃取网络信息的可能性，并由此引发了网络信息的安全问题。

通信网络是由许许多多的网络节点构成的，而网络节点是指一台电脑或其他设备与一个有独立地址和具有传送或接收数据功能的网络相连；当传输多种不同的网络信息时，每一个网络节点与其相邻节点之间会存在一定的影响度，而在时间序列下，不同节点或同一节点数据发生异常时，很难做到及时预警和监控。同时，攻击者在攻击通信网络时，会建立虚假信息来模糊监控系统，因此如何构建评估数据并通过安全评估模型识别异常节点成为人们亟待解决的问题之一。

所以，人们需要一种基于大数据的通信异常感知系统及方法来解决上述问题。

发明内容

本发明的目的在于提供一种基于大数据的通信异常感知系统及方法，以解决上述背景技术中提出的问题。

为了解决上述技术问题，本发明提供如下技术方案：一种基于大数据的通信异常感知方法，包括以下步骤：

步骤S100：采集所有网络节点的位置信息建立节点位置信息集；

由于节点与相邻节点之间存在一定的相互作用，可以进行相互监控，因此，对同一时间序列下各节点自身的通信数据和对相邻节点的监控数据进行采集，分别形成节点信息集和节点监控数据集；

步骤S200：获取所有采集到的数据，利用非对称加密算法对数据进行加密处理并上传至区块链；

步骤S300：根据存储的节点信息集构建异常区间模型，并获取节点监控数据集，利用异常区间模型分析网络相邻节点数据的异常风险，对整个网络结构进行安全评估；

步骤S400：接收评估数据，当数据判定网络异常时，分析节点数据的真实性，进行定位，精确分析相邻节点异常可能性，当数据判定网络正常时，分析节点监控数据的相似性，利用节点位置判断是否因各相邻节点的影响导致虚假信息的产生；

步骤S500：对所有分析的结果进行及时的反馈，智能预警并通知相关人员处理。

进一步的，在步骤S100中：建立节点位置信息集、节点信息集和节点监控数据集的具体实施过程包括：

步骤S110：基于工业控制系统中的控制中心为原点，构建二维平面坐标系，获取网络节点的位置信息，形成位置信息集A＝{(x

步骤S120：获取历史工作状态下，各节点在不同时间序列下所有的通信数据，形成节点信息集B＝{b

步骤S130：采集不同时间序列下各网络节点对相邻节点的监控数据，形成节点监控数据集C＝{c

进一步的，在步骤S200中：对采集的数据进行存储加密的具体实施过程包括：

步骤S210：获取位置信息集A，节点信息集B，节点监控数据集C，利用非对称加密算法将所有数据进行加密处理；其中，所述非对称加密算法属于本领域技术人员的常规技术手段，因此在本申请中就不再做出过多的赘述；

步骤S220：对解密后的数据上传至区块链进行存储。

进一步的，在步骤S300中：构建异常区间模型，并对整个网络结构进行安全评估的具体实施过程包括：

步骤S310：分析在网络结构中是否产生恶意节点位置：

以控制中心位置作为信标，向未知节点同时发送传播速度分别为v1和v2的信号，记录到达时间分别为t1和t2，则根据公式：

d＝(t1-t2)*v1*v2/(v2-v1)；

得到未知节点与信标之间的距离d；

基于未知节点与信标之间的距离d，遍历位置信息集A中节点坐标(x

步骤S320：根据各节点的通信数据构建异常区间模型，其中，所述异常区间模型用于分析相邻节点的数据是否异常：提取任意时间序列下的各节点信息b

步骤S330：获取各节点的监控数据，根据异常区间模型建立预警评估模型，对整个网络结构进行安全评估。

在步骤S320中：构建异常区间模型的具体实施过程包括：

S321：获取任意时间序列t下的各节点信息b

S322：根据任意第i个节点的p维空间数据构建相关系数矩阵，分析特征数据：

R＝[r

进一步得到R相应的节点数据单位特征向量：

基于任意第i个节点的特征数据，得到n个节点的特征数据集：F＝{f

S323：根据各节点的特征数据将数据进行分类：遍历数据集F，根据关联度公式：

得到任意节点i的特征数据与其他节点的特征数据的相似度集合u

基于相似度集合u

S324：根据任意第φ，φ≤m个组别的节点数量建立异常区间模型：获取任意第φ个组别的节点通信数据集gφ和节点信息数量δφ，根据公式，得到节点异常估值h范围：

其中，

分别得到hmax和hmin，组成异常区间模型：[hmin，hmax]，根据计算的数值在某一估值h附近时来判断具体某一个节点是否异常；其他组别的网络节点的通信数据以此类推。

在步骤S330中：根据异常区间模型建立预警评估模型，对整个网络结构进行安全评估的具体实施过程包括：

S331：基于m个组别的节点信息，获取任意第φ个组别的节点位置范围；同时提取任意时间序列t下各节点的监控数据c

判断各相邻节点是否在第φ个组别的节点位置范围内，将不在所述范围内的节点进行剔除，并记录不在所述范围内的节点数量为pφ，则得到预警评估模型：

S332：对整个网络结构进行安全评估：遍历m个组别的节点信息，基于任意第φ个组别的预警评估模型

基于历史工作状态下的第1、2、…、s个时间序列，得到整个网络结构安全评估模型：

其中，H

进一步的，在步骤S400中：分析节点数据的真实性，定位，精确分析相邻节点异常可能性，同时利用节点位置判断是否因各相邻节点的影响导致虚假信息的产生的具体实施过程包括：

S410：评估数据发生异常时，定位分析节点异常数据的真实性：当识别到某一异常数据在安全评估模型中的某一区间内时，定位所述区间对应的节点位置范围，并在所述节点范围内利用异常检测算法定位异常数据，分析节点异常的原因；其中，所述异常检测算法属于本领域技术人员的常规技术手段，因此在本申请中就不再做出过多的赘述；

S420：利用节点位置判断是否因各相邻节点的影响导致虚假信息的产生：当接收到评估数据在安全评估模型中某一区间与另一相邻区间之间，并判定为正常数据时，定位所述两个区间对应的节点位置范围，获取在所述两个节点位置范围内的各节点监控数据，分别形成两个节点监控数据集V1，V2；

基于两个节点监控数据集V1，V2，由于在两个异常区间之间，结合历史数据，存在一定由于相邻节点的影响导致虚假信息产生的可能性，则利用余弦相似度算法比较两者之间的关联性，当关联度大于阈值λ时，判定所述两组节点位置范围节点数据存在异常使信息发生错误；反之，则表示数据正常；其中，所述余弦相似度算法属于本领域技术人员的常规技术手段，因此在本申请中就不再做出过多的赘述。

进一步的，在步骤S500中：对所有分析的结果进行及时的反馈，智能预警并通知相关人员处理的具体实施过程包括：

S510：当检测到数据异常发生异常时，智能预警，反馈具体的网络异常节点位置并通知相关人员；

S520：当检测到数据正常时，反馈系统运行正常。

一种基于大数据的通信异常感知方法的通信异常感知系统，系统包括：节点采集模块、区块链存储模块、安全评估模块、异常分析模块和信息反馈模块；

通过节点采集模块采集所有网络节点的位置信息建立节点位置信息集，由于由于节点与相邻节点之间存在一定的相互作用，可以进行相互监控，则采集各节点自身的通信数据和对相邻节点的监控数据，分别形成节点信息集和节点监控数据集；

通过区块链存储模块获取所有采集到的数据，利用非对称加密算法对数据进行加密处理并上传至区块链；

通过安全评估模块根据存储的节点信息集构建异常区间模型，获取节点监控数据集，利用异常区间模型分析网络相邻节点数据的异常风险，对整个网络结构进行安全评估；

通过异常分析模块接收评估数据，当数据判定网络异常时，分析节点数据的真实性，定位，精确分析相邻节点异常可能性，当数据判定网络正常时，分析节点监控数据的相似性，利用节点位置判断是否因各相邻节点的影响导致虚假信息的产生；

通过信息反馈模块对所有分析的结果进行及时的反馈，智能预警并通知相关人员处理。

所述节点采集模块包括位置采集单元、信息采集单元和监控采集单元；

位置采集单元用于采集所有网络节点的位置信息，形成位置信息集；信息采集单元用于采集各个网络节点的通信数据；监控采集单元用于采集各个节点对相邻节点的监控数据；

所述区块链存储模块包括加密单元和存储单元；

加密单元用于利用非对称加密算法对采集的所有数据进行加密处理，有利于增加通信数据安全性；存储单元用于将加密后的数据进行上链存储；

所述安全评估模块包括节点位置分析单元、模型构建单元和风险评估单元；

节点位置分析单元用于分析在网络结构中是否产生恶意节点位置，避免网络攻击者利用虚假节点来掩盖对其它节点进行攻击的行为；模型构建单元用于根据各节点的通信数据构建异常区间模型，其中，所述异常区间模型用于分析相邻节点的数据是否异常；风险评估单元用于接收各节点监控数据，对整个网络信息进行安全评估，用于分析系统是否异常；

所述异常分析模块包括数据真实性分析单元和影响度分析单元；

真实性分析单元接收评估异常的数据，定位分析节点异常数据的真实性；影响度分析单元接收评估正常的数据，分析相邻节点之间的影响度，判断是否因各相邻节点的影响导致虚假信息的产生。

与现有技术相比，本发明所达到的有益效果是：

本发明通过利用节点与相邻节点之间相互监控，有利于对节点之间的影响程度进行判断；通过对采集的数据进行加密处理，有利于增加通信数据安全性；通过利用信号传播速度与传播时间分析节点之间的距离，并根据节点距离分析是否产生恶意节点，影响通信网络结构的行为，避免网络攻击者利用虚假节点来掩盖对其它节点进行攻击的行为；从而增加后续对数据评估的准确性；通过获取任意时间序列下的各节点信息，映射到多维空间下，并根据数据建立相关系数矩阵，从而得到各节点的特征数据集，有利于后续对数据的分类与异常区间模型的建立；通过利用关联度公式将特征数据相似的归为一组，并根据分组后的节点信息和节点数量建立异常区间模型，有利于对相互作用的节点进行分析，提高后续对通信网络异常感知的准确度；通过获取分组后的各节点监控数据，定位分析数据的范围，并根据监控节点数量与时间构建安全评估模型，增加对网络异常分析的严谨性与准确性；通过利用异常检测算的判断数据异常的节点信息真实性，有利于分析监控数据异常还是节点本身异常，提高数据分析的严谨性；通过判断正常数据区间范围，并分析所属区间的节点范围的相似性，来判定所述两组节点位置范围的节点数据是否存在异常使信息发生错误，减少对数据分析的误判率，提高数据分析效率，提高对通信异常的感知力。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1是本发明一种基于大数据的通信异常感知系统的结构图；

图2是本发明一种基于大数据的通信异常感知方法的流程图。

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。

请参阅图1-图2，本发明提供技术方案：一种基于大数据的通信异常感知系统，系统包括：节点采集模块、区块链存储模块、安全评估模块、异常分析模块和信息反馈模块；

通过节点采集模块采集所有网络节点的位置信息建立节点位置信息集，由于由于节点与相邻节点之间存在一定的相互作用，可以进行相互监控，则采集各节点自身的通信数据和对相邻节点的监控数据，分别形成节点信息集和节点监控数据集。

所述节点采集模块包括位置采集单元、信息采集单元和监控采集单元；

位置采集单元用于采集所有网络节点的位置信息，形成位置信息集；信息采集单元用于采集各个网络节点的通信数据；监控采集单元用于采集各个节点对相邻节点的监控数据；

通过区块链存储模块获取所有采集到的数据，利用非对称加密算法对数据进行加密处理并上传至区块链；

所述区块链存储模块包括加密单元和存储单元；

加密单元用于利用非对称加密算法对采集的所有数据进行加密处理，有利于增加通信数据安全性；存储单元用于将加密后的数据进行上链存储。

通过安全评估模块根据存储的节点信息集构建异常区间模型，获取节点监控数据集，利用异常区间模型分析网络相邻节点数据的异常风险，对整个网络结构进行安全评估；

所述安全评估模块包括节点位置分析单元、模型构建单元和风险评估单元；

节点位置分析单元用于分析在网络结构中是否产生恶意节点位置，避免网络攻击者利用虚假节点来掩盖对其它节点进行攻击的行为；模型构建单元用于根据各节点的通信数据构建异常区间模型，其中，所述异常区间模型用于分析相邻节点的数据是否异常；风险评估单元用于接收各节点监控数据，对整个网络信息进行安全评估，用于分析系统是否异常。

通过异常分析模块接收评估数据，当数据判定网络异常时，分析节点数据的真实性，定位，精确分析相邻节点异常可能性，当数据判定网络正常时，分析节点监控数据的相似性，利用节点位置判断是否因各相邻节点的影响导致虚假信息的产生；

所述异常分析模块包括数据真实性分析单元和影响度分析单元；

真实性分析单元接收评估异常的数据，定位分析节点异常数据的真实性；影响度分析单元接收评估正常的数据，分析相邻节点之间的影响度，判断是否因各相邻节点的影响导致虚假信息的产生。

通过信息反馈模块当检测到数据异常发生异常时，智能预警，反馈具体的网络异常节点位置并通知相关人员；当检测到数据正常时，反馈系统运行正常。

一种基于大数据的通信异常感知方法，包括以下步骤：

步骤S100：采集所有网络节点的位置信息建立节点位置信息集；

由于节点与相邻节点之间存在一定的相互作用，可以进行相互监控，因此，对同一时间序列下各节点自身的通信数据和对相邻节点的监控数据进行采集，分别形成节点信息集和节点监控数据集；

通过利用节点与相邻节点之间相互监控，有利于对节点之间的影响程度进行判断。

在步骤S100中：建立节点位置信息集、节点信息集和节点监控数据集的具体实施过程包括：

步骤S110：基于工业控制系统中的控制中心为原点，构建二维平面坐标系，获取网络节点的位置信息，形成位置信息集A＝{(x

步骤S120：获取历史工作状态下，各节点在不同时间序列下所有的通信数据，形成节点信息集B＝{b

步骤S130：采集不同时间序列下各网络节点对相邻节点的监控数据，形成节点监控数据集C＝{c

步骤S200：获取所有采集到的数据，利用非对称加密算法对数据进行加密处理并上传至区块链；

在步骤S200中：对采集的数据进行存储加密的具体实施过程包括：

步骤S210：获取位置信息集A，节点信息集B，节点监控数据集C，利用非对称加密算法将所有数据进行加密处理；其中，所述非对称加密算法属于本领域技术人员的常规技术手段，因此在本申请中就不再做出过多的赘述；

通过对采集的数据进行加密处理，有利于增加通信数据安全性；

步骤S220：对解密后的数据上传至区块链进行存储。

步骤S300：根据存储的节点信息集构建异常区间模型，并获取节点监控数据集，利用异常区间模型分析网络相邻节点数据的异常风险，对整个网络结构进行安全评估；

在步骤S300中：构建异常区间模型，并对整个网络结构进行安全评估的具体实施过程包括：

步骤S310：分析在网络结构中是否产生恶意节点位置：

以控制中心位置作为信标，向未知节点同时发送传播速度分别为v1和v2的信号，记录到达时间分别为t1和t2，则根据公式：

d＝(t1-t2)*v1*v2/(v2-v1)；

得到未知节点与信标之间的距离d；

基于未知节点与信标之间的距离d，遍历位置信息集A中节点坐标(x

通过利用信号传播速度与传播时间分析节点之间的距离，并根据节点距离分析是否产生恶意节点，影响通信网络结构的行为，避免网络攻击者利用虚假节点来掩盖对其它节点进行攻击的行为；从而增加后续对数据评估的准确性。

步骤S320：根据各节点的通信数据构建异常区间模型，其中，所述异常区间模型用于分析相邻节点的数据是否异常：提取任意时间序列下的各节点信息b

在步骤S320中：构建异常区间模型的具体实施过程包括：

S321：获取任意时间序列t下的各节点信息b

S322：根据任意第i个节点的p维空间数据构建相关系数矩阵，分析特征数据：

R＝[r

进一步得到R相应的节点数据单位特征向量：

基于任意第i个节点的特征数据，得到n个节点的特征数据集：F＝{f

通过获取任意时间序列下的各节点信息，映射到多维空间下，并根据数据建立相关系数矩阵，从而得到n个节点的特征数据集，有利于后续对数据的分类与异常区间模型的建立；

S323：根据各节点的特征数据将数据进行分类：遍历数据集F，根据关联度公式：

得到任意节点i的特征数据与其他节点的特征数据的相似度集合u

基于相似度集合u

S324：根据任意第φ，φ≤m个组别的节点数量建立异常区间模型：获取任意第φ个组别的节点通信数据集gφ和节点信息数量δφ，根据公式，得到节点异常估值h范围：

其中，

分别得到hmax和hmin，组成异常区间模型：[hmin，hmax]，根据计算的数值在某一估值h附近时来判断具体某一个节点是否异常；其他组别的网络节点的通信数据以此类推。

通过利用关联度公式将特征数据相似的归为一组，并根据分组后的节点信息和节点数量建立异常区间模型，有利于对相互作用的节点进行分析，提高后续对通信网络异常感知的准确度；

步骤S330：获取各节点的监控数据，根据异常区间模型建立预警评估模型，对整个网络结构进行安全评估。

在步骤S330中：根据异常区间模型建立预警评估模型，对整个网络结构进行安全评估的具体实施过程包括：

S331：基于m个组别的节点信息，获取任意第φ个组别的节点位置范围；同时提取任意时间序列t下各节点的监控数据c

判断各相邻节点是否在第φ个组别的节点位置范围内，将不在所述范围内的节点进行剔除，并记录不在所述范围内的节点数量为pφ，则得到预警评估模型：

S332：对整个网络结构进行安全评估：遍历m个组别的节点信息，基于任意第φ个组别的预警评估模型

基于历史工作状态下的第1、2、…、s个时间序列，得到整个网络结构安全评估模型：

其中，H

通过获取分组后的各节点监控数据，定位分析数据的范围，并根据监控节点数量与时间构建安全评估模型，增加对网络异常分析的严谨性与准确性；

步骤S400：接收评估数据，当数据判定网络异常时，分析节点数据的真实性，进行定位，精确分析相邻节点异常可能性，当数据判定网络正常时，分析节点监控数据的相似性，利用节点位置判断是否因各相邻节点的影响导致虚假信息的产生；

在步骤S400中：分析节点数据的真实性，定位，精确分析相邻节点异常可能性，同时利用节点位置判断是否因各相邻节点的影响导致虚假信息的产生的具体实施过程包括：

S410：评估数据发生异常时，定位分析节点异常数据的真实性：当识别到某一异常数据在安全评估模型中的某一区间内时，定位所述区间对应的节点位置范围，并在所述节点范围内利用异常检测算法定位异常数据，分析节点异常的原因；其中，所述异常检测算法属于本领域技术人员的常规技术手段，因此在本申请中就不再做出过多的赘述；

通过利用异常检测算的判断数据异常的节点信息真实性，有利于分析监控数据异常还是节点本身异常，提高数据分析的严谨性；

S420：利用节点位置判断是否因各相邻节点的影响导致虚假信息的产生：当接收到评估数据在安全评估模型中某一区间与另一相邻区间之间，并判定为正常数据时，定位所述两个区间对应的节点位置范围，获取在所述两个节点位置范围内的各节点监控数据，分别形成两个节点监控数据集V1，V2；

基于两个节点监控数据集V1，V2，由于在两个异常区间之间，结合历史数据，存在一定由于相邻节点的影响导致虚假信息产生的可能性，则利用余弦相似度算法比较两者之间的关联性，当关联度大于阈值λ时，判定所述两组节点位置范围节点数据存在异常使信息发生错误；反之，则表示数据正常；其中，所述余弦相似度算法属于本领域技术人员的常规技术手段，因此在本申请中就不再做出过多的赘述。

通过判断正常数据区间范围，并分析所属区间的节点范围的相似性，来判定所述两组节点位置范围的节点数据是否存在异常使信息发生错误，减少对数据分析的误判率，提高数据分析效率。

步骤S500：对所有分析的结果进行及时的反馈，智能预警并通知相关人员处理。

在步骤S500中：对所有分析的结果进行及时的反馈，智能预警并通知相关人员处理的具体实施过程包括：

S510：当检测到数据异常发生异常时，智能预警，反馈具体的网络异常节点位置并通知相关人员；

S520：当检测到数据正常时，反馈系统运行正常。

实施例一：

在步骤S100中：

步骤S110：基于工业控制系统中的控制中心为原点，构建二维平面坐标系，获取网络节点的位置信息，形成位置信息集A＝{(x

步骤S120：获取历史工作状态下，各节点在不同时间序列下所有的通信数据，形成节点信息集B＝{b

步骤S130：采集不同时间序列下各网络节点对相邻节点的监控数据，形成节点监控数据集C＝{c

在步骤S200中：

步骤S210：获取位置信息集A，节点信息集B，节点监控数据集C，利用非对称加密算法将所有数据进行加密处理；

步骤S220：对解密后的数据上传至区块链进行存储。

在步骤S300中：

步骤S310：分析在网络结构中是否产生恶意节点位置：

以控制中心位置作为信标，向未知节点同时发送传播速度分别为v1和v2的信号，记录到达时间分别为t1和t2，则根据公式：

d＝(10-5)*60*10/(60-10)＝5*600/50＝60m；

得到未知节点与信标之间的距离d；

基于未知节点与信标之间的距离d，遍历位置信息集A中节点坐标(x

步骤S320：根据各节点的通信数据构建异常区间模型：提取任意时间序列下的各节点信息b

在步骤S320中：

S321：获取任意时间序列t下的各节点信息b

S322：根据任意第i个节点的20维空间数据构建相关系数矩阵，分析特征数据：

R＝[r

进一步得到R相应的节点数据单位特征向量：

基于任意第i个节点的特征数据，得到30个节点的特征数据集：F＝{f

S323：根据各节点的特征数据将数据进行分类：遍历数据集F，根据关联度公式：

得到任意节点i的特征数据与其他节点的特征数据的相似度集合u

基于相似度集合u

S324：根据任意第φ个组别的节点数量建立异常区间模型：获取任意第φ个组别的节点通信数据集gφ和节点信息数量δφ，根据公式，得到节点异常估值h范围：以第一组为例：

其中，

分别得到hmax＝256和hmin＝220，组成异常区间模型：[220，256]，根据计算的数值在某一估值h附近时来判断具体某一个节点是否异常；其他组别的网络节点的通信数据以此类推。

步骤S330：获取各节点的监控数据，根据异常区间模型建立预警评估模型，对整个网络结构进行安全评估。

在步骤S330中：

S331：基于4个组别的节点信息，获取任意第φ个组别的节点位置范围；同时提取任意时间序列t下各节点的监控数据c

判断各相邻节点是否在第φ个组别的节点位置范围内，将不在所述范围内的节点进行剔除，并记录不在所述范围内的节点数量为pφ，则得到预警评估模型：

S332：对整个网络结构进行安全评估：遍历4个组别的节点信息，基于任意第φ个组别的预警评估模型

基于历史工作状态下的第1、2、…、100个时间序列，得到整个网络结构安全评估模型：

其中，H

在步骤S400中：

S410：评估数据发生异常时，定位分析节点异常数据的真实性：当识别到某一异常数据在安全评估模型中的某一区间内时，定位所述区间对应的节点位置范围，并在所述节点范围内利用异常检测算法定位异常数据，分析节点异常的原因；其中，所述异常检测算法属于本领域技术人员的常规技术手段，因此在本申请中就不再做出过多的赘述；

S420：利用节点位置判断是否因各相邻节点的影响导致虚假信息的产生：当接收到评估数据在安全评估模型中某一区间与另一相邻区间之间，并判定为正常数据时，定位所述两个区间对应的节点位置范围，获取在所述两个节点位置范围内的各节点监控数据，分别形成两个节点监控数据集V1，V2；

基于两个节点监控数据集V1，V2，由于在两个异常区间之间，结合历史数据，存在一定由于相邻节点的影响导致虚假信息产生的可能性，则利用余弦相似度算法比较两者之间的关联性，当关联度大于阈值λ时，判定所述两组节点位置范围节点数据存在异常使信息发生错误；反之，则表示数据正常。

在步骤S500中：

S510：当检测到数据异常发生异常时，智能预警，反馈具体的网络异常节点位置并通知相关人员；

S520：当检测到数据正常时，反馈系统运行正常。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。