一种异常检测的方法、装置、电子设备及存储介质

技术领域

本申请涉及异常检测技术领域，具体而言，涉及一种异常检测的方法、装置、电子设备及存储介质。

背景技术

异常检测，旨在识别与大多数样本显著偏离的异常样本，是确保物联网(Internetof Things,IoT)网络中工作流应用程序健康运行的关键任务之一。随着边缘计算在工业中的广泛应用，物联网设备已广泛部署，并将它们的功能封装为各种任务，以支持工作流应用程序。因此，目前工作通常会收集和分析以多变量时间序列表示的观测数据，以检查工作流应用程序的健康状态。然而，考虑到异常情况应该非常罕见，并且某些类型的异常可能在监测期间不会发生，观测数据可能在正常样本和异常样本之间呈现高度不平衡的分布。此外，数据集中可能缺乏特定类型异常的样本。因此，工作流应用程序中的任务依赖关系可能无法全面捕捉，从而使准确检测异常变得具有挑战性。

目前，异常检测的相关工作采用了基于正常样本的任务依赖性学习和异常评分相结合的方法。在工作流应用程序中，实际的异常情况可能与多个任务相关联，因此，捕捉到这些物联网设备对应不同任务之间的依赖关系变得至关重要。

发明内容

有鉴于此，本申请的目的在于提供一种异常检测的方法、装置、电子设备及存储介质，以克服现有技术中的问题。

第一方面，本申请实施例提供了一种异常检测的方法，所述方法包括：

根据目标物联网系统工作过程中产生的历史时间序列数据，构建数据驱动图结构；

将所述数据驱动图结构与基于知识图结构进行融合，得到知识增强图结构；其中，所述基于知识图结构表征目标物联网系统中预选物联网设备之间指令的任务依赖关系；

通过预设的知识增强图注意力预测网络对所述知识增强图结构中所有目标节点进行预测，得到所述目标节点的预测值，并计算所述目标节点的预测值与观测值之间的图偏差分数；

根据所述图偏差分数和所述目标物联网系统的正常输出量，检测所述目标物联网系统是否存在异常。

在本申请一些技术方案中，上述数据驱动图结构中的节点表征所述目标物联网系统中的各个物联网设备，节点与节点之间的边表征物联网设备之间的任务依赖关系；

所述方法通过以下方式构建数据驱动图结构：

根据目标物联网设备的嵌入向量计算所述目标物联网设备与其他物联网设备之间的相似度；

根据所述目标物联网设备与其他物联网设备之间的相似度，确定所述目标物联网设备对应的目标节点的邻居节点。

在本申请一些技术方案中，上述方通过以下方式确定所述目标节点的邻居节点：

计算所述目标物联网设备与候选邻居节点之间的归一化点积；

根据所述归一化点积，从所述候选邻居节点中选择预设数量的邻居节点。

在本申请一些技术方案中，上述方法通过以下方式得到知识增强图结构：

根据所述基于知识图结构中包含的知识依赖关系，对所述数据驱动图结构中的知识依赖关系进行迭代，得到迭代后的所述知识增强图结构。

在本申请一些技术方案中，上述方法通过以下方式对所述知识增强图结构中所有目标节点进行预测：

根据所述目标物联网系统的工作流中的工作阶段，将所述目标物联网系统分为多个子工作流；

使用知识增强图注意力预测网络，基于子工作流的特征、历史时间序列数据以及所述目标物联网系统的嵌入向量对物联网设备在未来时刻的属性数据值进行预测。

在本申请一些技术方案中，上述计算所述目标节点的预测值与观测值之间的图偏差分数，包括：

计算所述预测值与所述观测值之间的预测误差，并确定所述预测误差的中位数和四份位距；

根据所述预测误差、所述中位数和所述四份位距，计算所述图偏差分数。

在本申请一些技术方案中，上述根据所述图偏差分数和所述目标物联网系统的正常输出量，检测所述目标物联网系统是否存在异常，包括：

将所述图偏差分数与预设的检测阈值进行对比；

将所述目标物联网系统的实际输出量与所述正常输出量进行对比；

在所述图偏差分数小于所述检测阈值且所述实际输出量达到所述正常输出量时，所述目标物联网系统为正常状态。

第二方面，本申请实施例提供了一种异常检测的装置，所述装置包括：

构建模块，用于根据目标物联网系统工作过程中产生的历史时间序列数据，构建数据驱动图结构；

融合模块，用于将所述数据驱动图结构与基于知识图结构进行融合，得到知识增强图结构；其中，所述基于知识图结构表征目标物联网系统中预选物联网设备之间指令的任务依赖关系；

预测模块，用于通过预设的知识增强图注意力预测网络对所述知识增强图结构中所有目标节点进行预测，得到所述目标节点的预测值，并计算所述目标节点的预测值与观测值之间的图偏差分数；

检测模块，用于根据所述图偏差分数和所述目标物联网系统的正常输出量，检测所述目标物联网系统是否存在异常。

第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的异常检测的方法的步骤。

第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述的异常检测的方法的步骤。

本申请的实施例提供的技术方案可以包括以下有益效果：

本申请方法包括根据目标物联网系统工作过程中产生的历史时间序列数据，构建数据驱动图结构；将所述数据驱动图结构与基于知识图结构进行融合，得到知识增强图结构；其中，所述基于知识图结构表征目标物联网系统中预选物联网设备之间指令的任务依赖关系；通过预设的知识增强图注意力预测网络对所述知识增强图结构中所有目标节点进行预测，得到所述目标节点的预测值，并计算所述目标节点的预测值与观测值之间的图偏差分数；根据所述图偏差分数和所述目标物联网系统的正常输出量，检测所述目标物联网系统是否存在异常。

本申请将领域知识融入到传统图注意力预测网络中，以提供有价值的信息，增强正常模式学习的鲁棒性，并提高异常检测的性能。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1示出了本申请实施例所提供的一种异常检测的方法的流程示意图；

图2示出了本申请实施例所提供的一种SWaT系统工作流示意图；

图3示出了本申请实施例所提供的一种检测框架的示意图；

图4示出了本申请实施例所提供的一种异常检测装置示意图；

图5为本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，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清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。

另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的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。

需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其他的特征。

异常检测，旨在识别与大多数样本显著偏离的异常样本，是确保物联网(Internetof Things,IoT)网络中工作流应用程序健康运行的关键任务之一。随着边缘计算在工业中的广泛应用，物联网设备已广泛部署，并将它们的功能封装为各种任务，以支持工作流应用程序。因此，目前工作通常会收集和分析以多变量时间序列表示的观测数据，以检查工作流应用程序的健康状态。然而，考虑到异常情况应该非常罕见，并且某些类型的异常可能在监测期间不会发生，观测数据可能在正常样本和异常样本之间呈现高度不平衡的分布。此外，数据集中可能缺乏特定类型异常的样本。因此，工作流应用程序中的任务依赖关系可能无法全面捕捉，从而使准确检测异常变得具有挑战性。

目前，异常检测的相关工作采用了基于正常样本的任务依赖性学习和异常评分相结合的方法。其中，一种常见方法是基于预测模型的异常检测，通过比较观测数据与基于时间序列数据学习的任务依赖性预测的预期行为之间的异常评分来检测异常。这种方法通常适用于检测与单个任务相关的异常情况。另一方面，基于重构模型的异常检测工作通过挖掘多变量时间序列数据的分布来检测罕见且偏离这些分布的异常情况。在工作流应用程序中，实际的异常情况可能与多个任务相关联，因此，捕捉到这些物联网设备对应不同任务之间的依赖关系变得至关重要。

考虑到这一点，目前的研究已经开发了一些技术来捕捉物联网设备之间存在的复杂依赖关系，这些依赖关系用于描述工作流中潜在的正常模式。通过识别和预测行为的偏差来检测异常。例如，研究人员提出了一个基于长短期记忆神经网络(Long Short-TermMemory,LSTM)的预测模型，用于捕捉设备之间的时间依赖关系，并预测设备的未来行为。然后，采用非参数动态误差阈值策略来检测异常行为。类似基于LSTM网络模型的工作还提出了一个高斯朴素贝叶斯模型，通过计算预测误差来检测异常行为。此外，还有一些简化版本的LSTM，如门控循环单元(Gated Recurrent Units,GRUs)，被引入到工业目标物联网系统中的异常检测，致力于捕捉随机变量之间的时间依赖关系。同时，引入了自适应方法来选择异常阈值，以提高异常检测的性能。然而，上述方法在异常检测中的准确性有限，因为它们没有考虑到物联网设备之间可能存在的空间依赖关系。因此，一些研究旨在验证多变量时间序列数据中的空间依赖关系是否影响异常检测的模式生成性能。例如，研究人员采用概率图模型来捕捉物联网设备之间的空间依赖关系。然而，这些概率模型难以对复杂和高度非平稳的时间序列进行建模。为了克服这个限制，一种基于最大均值差异的深度卷积自编码器(Convolutional AutoEncoder,CAE)被提出来，用于描述多个设备之间的空间依赖关系。此外，该方法还结合了卷积神经网络(Convolutional Neural Network,CNN)和双向LSTM模型，以捕捉设备之间的长期时间依赖关系。因此，这种工作流可以捕捉到复杂的时空依赖关系，以反映正常模式并进行异常检测，但这些依赖关系仍然以黑盒的形式呈现，可能无法对检测到的异常行为提供明确的解释。

为了明确表示工作流中设备之间的复杂依赖关系，图神经网络(Graph NeuralNetworks,GNNs)已被应用于异常检测中。通过学习图结构，GNNs能够显式地描述物联网设备之间的依赖关系。例如，研究人员提出了一种堆叠图卷积循环网络模型，该模型利用高斯信道嵌入构建图结构，用来表示多变量时间序列之间的时空依赖关系。然而，现有基于图卷积网络(Graph Convolutional Network,GCN)的模型假设所有邻居节点对目标节点有着相同程度的影响作用，忽视了物联网设备支持不同任务时所产生的不同程度的依赖关系。为了解决这一问题，研究学者引入了一种基于图注意力机制的预测模型，通过为每个节点分配适当的权重，准确地捕捉节点之间的依赖关系，从而改善了异常检测性能。上述这些建模技术的进步已逐步提高了基于预测的异常检测方法的性能。然而，这些方法可能仍难以准确检测某些异常，因为它们很少考虑到除历史传感器数据之外的领域知识所揭示的有价值信息。例如，在Secure Water Treatment(SWaT)和WAter DIstribution(WADI)异常检测场景中，每个部署的物联网设备都具有子工作流特征，这些特征指的是工业目标物联网系统中的子过程特征。相同子工作流特征的设备隶属于同一个子工作流，这表明它们可能具有相似性，应该在节点特征的聚合中进行学习。

目前，研究人员已将知识增强的方法广泛应用于提高预测准确性的任务中。例如，在链接预测中，相关研究致力于捕捉用户和物品之间的相互依赖关系，以预测用户偏好并提供个性化推荐服务。为了提高预测准确性，研究人员将特定于每个场景的表示集成到全局模型参数中，并根据训练数据进行更新。这些特定场景表示的领域知识，旨在补充不同场景的特征，以弥补数据稀疏性，使模型能够从有限的训练数据中学习场景之间的相互依赖关系。在农作物产量预测的研究中，研究人员将相邻县的地理特征集成到基于图的递归神经网络中，提高了农作物产量预测的准确性。这些研究专注于在特征嵌入中集成领域知识，使模型能够学习超出现有数据的额外特征。此外，研究学者还提出一种利用道路网络结构作为静态交通图，初始化了基于GCN的预测模型的图结构。然后，该图用于基于时间序列数据建模动态时空关系，用于交通流预测。该方法在交通流预测方面取得了显著的性能改进，但其知识增强主要集中在图结构的初始化上，对于预测任务至关重要的图依赖关系学习仍依赖于数据。目前，基于偏差异常评分机制的工作仅将预测误差用作异常检测的指标，未能充分融入特定领域知识，可能导致检测到与物理常识相矛盾的异常。因此，异常检测的准确性受到了负面影响。

基于此，本申请实施例提供了一种异常检测的方法、装置、电子设备及存储介质，下面通过实施例进行描述。

图1示出了本申请实施例所提供的一种异常检测的方法的流程示意图，其中，该方法包括步骤S101-S104；具体的：

S101、根据目标物联网系统工作过程中产生的历史时间序列数据，构建数据驱动图结构；

S102、将所述数据驱动图结构与基于知识图结构进行融合，得到知识增强图结构；其中，所述基于知识图结构表征目标物联网系统中预选物联网设备之间指令的任务依赖关系；

S103、通过预设的知识增强图注意力预测网络对所述知识增强图结构中所有目标节点进行预测，得到所述目标节点的预测值，并计算所述目标节点的预测值与观测值之间的图偏差分数；

S104、根据所述图偏差分数和所述目标物联网系统的正常输出量，检测所述目标物联网系统是否存在异常。

本申请将领域知识融入到传统图注意力预测网络中，以提供有价值的信息，增强正常模式学习的鲁棒性，并提高异常检测的性能。

下面对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

在介绍本申请中异常检测方法之前，需要明确本申请实施例中提到名字的相关定义。它们的定义如下：

依赖关系K

例如，如图2所示，SW1:原水供应和储存；SW2:化学加药；SW3:UF；SW4:脱氯；SW5:RO；SW6:RO渗透液转移,UF冲洗，ATTx0y:分析仪指示变送器，DPITTx0y:差压指示变送器，FITx0y:流量指示变送器LITx0y:液位指示变送器，Px0y:泵，MYx0y:电动阀。在SWaT场景中对第i个设备(e.g.,LIT401)进行了攻击，然后第j个设备(e.g.,UV401)受到间接影响，而第l个设备(e.g.,P602)正常运行。因此，表示第i个设备(e.g.,LIT401)和第j个设备(e.g.,UV401)之间存在基于知识的依赖关系，即

子工作流信息K

例如，如图2所示，在SWaT中某些设备的子工作流特征被表示为a

正常输出量K

以SWaT为例，目标物联网系统在正常状态下通常每分钟产生5加仑的处理水，其中观察到FIT401的流量应保持在1.2cm/hr以满足该输出要求。因此，这个条件

本申请实施例主要是针对目标物联网系统进行的检测，目标物联网系统中包含有多个物联网设备，每个物联网设备上都会设置有传感器等采集设备。在物联网设备工作的过程中采集其产生的历史时间序列数据。例如图2所示的供水目标物联网系统，其产生的历史时间序列数据包括了水压、流速等。为了保证物联网目标物联网系统的正常工作，需要对物联网目标物联网系统进行检测。

在对目标物联网系统进行检测的时候，本申请实施例先获取了目标物联网系统的历史时间序列数据，然后基于历史时间序列数据构建了数据驱动图结构。

为了构建数据驱动图结构，本申请实施例先计算了目标物联网设备与其他物联网设备之间的相似度，根据相似度来确定是否在目标物联网设备对应的节点与其他物联网设备对应的节点之间进行连接边。

具体的，本申请实施例将目标物联网系统中部署的每个物联网设备在图结构中表示为一个节点，节点之间的边表示它们的任务依赖关系。本申请将这个图结构表示为G＝(V,E)，其中V表示节点集合，E表示边集合。通常情况下，目标物联网系统中部署的不同物联网设备具有不同的特征，这些特征构成了它们的行为基础。这些特征在工作流中可能以复杂的方式相互关联。为了捕捉物联网设备之间复杂的任务依赖关系，引入了嵌入向量(表示为ev

为了构建一个数据驱动的图(表示为G

其中，归一化点积T

这个度量方法使本申请能够评估节点之间的相似度，并在图中对选择邻居节点做出决策。为了确定G

其中

大多数情况下，GNNs中使用的图结构很难预先建立。因此，本申请所提方法通过将基于知识的图结构G

具体的，基于知识图结构是由依赖矩阵K

为了建立基于知识的图结构G

其中

通过组合基于知识的依赖关系和数据驱动的依赖关系，构建知识增强图结构G

在得到了知识增强图结构之后，需要学习图结构之间存在的依赖相关性，以实现对物联网设备未来时刻属性值的预测。为了检测工作流中的异常行为，本申请采用了基于图注意力的预测网络，以识别与其预测行为显著偏离的物联网设备。为了实现这一目标，G

z

当前大多数的异常检测方法将网络中部署的所有物联网设备视为一个单一实体，然后基于定期收集的时间序列数据联合学习它们的复杂依赖关系。事实上，许多工业目标物联网系统采用面向工作流的生产方法。这些目标物联网系统通常由多个独立的子工作流组成，其中每个子工作流包含不同数量的物联网设备。因此，同一子工作流内的物联网设备之间可能存在空间依赖关系，而不同子工作流之间的物联网设备可能存在时间依赖关系。然而，先前的研究工作没有捕捉到这些潜在的依赖关系，而这些依赖关系可以为捕捉设备之间的时空依赖关系提供有价值的见解。为了弥补这个差距，如图3所示，本申请将子工作流信息K

dk

其中W

为了提取重要特征用于后续的预测任务，图注意力网络模型自适应地分配注意权重给知识增强图结构中的每个节点，并逐步聚合和更新节点的特征表示。对于图G

其中

在提出的知识增强注意机制中，节点能够在特征拼接中融入自身和邻居信息，这可以更全面地捕捉节点之间的关系。具体而言，节点i使用注意权重系数g

在时间t，图G

其中°表示逐元素乘积。然后，将知识增强特征ke馈送到具有输出维度为n的全连接线性层，用于预测包括时间t在内的p个时间步的行为，并表示为

最后，计算观察值y

通过上述方式即可得到知识增强图注意力预测网络，将知识增强图结构作为输入用来训练知识增强的图注意力预测网络，通过捕捉知识增强图结构的依赖关系，预测物联网设备在未来时刻的行为。

在得到了目标物联网的预测行为之后，将目标物联网设备的预测行为与其观察行为进行比较，计算图偏差分数，用于识别工作流中可疑的异常行为。此外，本申请所提方法将正常输出量K

具体的，本申请引入了图偏差分数来计算物联网设备在预选时间的行为偏差。具体而言，对于时间t的节点i上的物联网设备，观察值

为了对工作流中每个设备的预测误差进行标准化，本申请计算它们的中位数和四分位距(IQR)，而不是使用均值和标准差，因为均值和标准差容易受到异常值的强烈影响。具体公式如下所示：

其中A

计算得到的图偏差分数主要用于检测工作流中预选设备的异常数值偏差。此外，工业工作流通常具有在正常状态下可以实现的预定义正常输出量K

本申请采用了一个两步机制，涉及图偏差分数和正常输出量，来确定时间t的工作流程y

在图结构学习方面，本申请提出了一种知识增强图结构，用于捕捉物联网设备之间的时空依赖关系，该图结构是通过结合基于知识的图结构和数据驱动图结构进行学习的，旨在捕捉物联网设备之间的相关性，为异常检测提供可解释性。

在基于图注意力的预测方面，本申请利用历史时间序列数据和基于知识的特征来学习时空依赖关系。具体而言，将基于知识的特征融入到每个设备的特征中，通过聚合其邻居特征来训练图模型，并利用知识增强图注意力模型来预测物联网设备的行为。

在知识增强的异常检测方面，本申请利用领域知识以及基于预测行为和观测值之间的异常分数来识别偏离学习模式的异常行为。同时，本申请根据已构建的知识增强图结构对检测到的异常行为进行分析解释。

本申请在公开可用的SWaT和WADI数据集中进行大量的实验，并与最先进的技术进行比较来评估本申请的异常检测方法。评估结果表明，本申请的方法在异常检测准确性方面优于当前最先进的技术。

图4示出了本申请实施例所提供的一种异常检测的装置的结构示意图，所述装置包括：

构建模块，用于根据目标物联网系统工作过程中产生的历史时间序列数据，构建数据驱动图结构；

融合模块，用于将所述数据驱动图结构与基于知识图结构进行融合，得到知识增强图结构；其中，所述基于知识图结构表征目标物联网系统中预选物联网设备之间指令的任务依赖关系；

预测模块，用于通过预设的知识增强图注意力预测网络对所述知识增强图结构中所有目标节点进行预测，得到所述目标节点的预测值，并计算所述目标节点的预测值与观测值之间的图偏差分数；

检测模块，用于根据所述图偏差分数和所述目标物联网系统的正常输出量，检测所述目标物联网系统是否存在异常。

所述数据驱动图结构中的节点表征所述目标物联网系统中的各个物联网设备，节点与节点之间的边表征物联网设备之间的任务依赖关系；

所述装置通过以下方式构建数据驱动图结构：

根据目标物联网设备的嵌入向量计算所述目标物联网设备与其他物联网设备之间的相似度；

根据所述目标物联网设备与其他物联网设备之间的相似度，确定所述目标物联网设备对应的目标节点的邻居节点。

所述方通过以下方式确定所述目标节点的邻居节点：

计算所述目标物联网设备与候选邻居节点之间的归一化点积；

根据所述归一化点积，从所述候选邻居节点中选择预设数量的邻居节点。

所述装置通过以下方式得到知识增强图结构：

根据所述基于知识图结构中包含的知识依赖关系，对所述数据驱动图结构中的知识依赖关系进行迭代，得到迭代后的所述知识增强图结构。

所述装置通过以下方式对所述知识增强图结构中任一目标节点进行预测：

根据所述目标物联网系统的工作流中的工作阶段，将所述目标物联网系统分为多个子工作流；

使用知识增强图注意力预测网络，基于子工作流的特征、历史时间序列数据以及所述目标物联网系统的嵌入向量对物联网设备在未来时刻的属性数据值进行预测。

所述计算所述目标节点的预测值与观测值之间的图偏差分数，包括：

计算所述预测值与所述观测值之间的预测误差，并确定所述预测误差的中位数和四份位距；

根据所述预测误差、所述中位数和所述四份位距，计算所述图偏差分数。

所述根据所述图偏差分数和所述目标物联网系统的正常输出量，检测所述目标物联网系统是否存在异常，包括：

将所述图偏差分数与预设的检测阈值进行对比；

将所述目标物联网系统的实际输出量与所述正常输出量进行对比；

在所述图偏差分数小于所述检测阈值且所述实际输出量达到所述正常输出量时，所述目标物联网系统为正常状态。

如图5所示，本申请实施例提供了一种电子设备，用于执行本申请中的异常检测的方法，该设备包括存储器、处理器、总线及存储在该存储器上并可在该处理器上运行的计算机程序，其中，上述处理器执行上述计算机程序时实现上述的异常检测的方法的步骤。

具体地，上述存储器和处理器可以为通用的存储器和处理器，这里不做具体限定，当处理器运行存储器存储的计算机程序时，能够执行上述的异常检测的方法。

对应于本申请中的异常检测的方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述的异常检测的方法的步骤。

具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述的异常检测的方法。

在本申请所提供的实施例中，应该理解到，所揭露目标物联网系统和方法，可以通过其他的方式实现。以上所描述的目标物联网系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个目标物联网系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，目标物联网系统或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。