一种基于CNN与注意力机制融合的多源传感器异常检测方法与流程

摘要: 本发明涉及数据处理,具体涉及一种基于cnn与注意力机制融合的多源传感器异常检测方法。背景技术:1、如无人机、移动巡检机器人等无人巡检终端在电力系统无人巡检过程中...
一种基于CNN与注意力机制融合的多源传感器异常检测方法与流程

本发明涉及数据处理,具体涉及一种基于cnn与注意力机制融合的多源传感器异常检测方法。

背景技术:

1、如无人机、移动巡检机器人等无人巡检终端在电力系统无人巡检过程中采集的实时数据会回传给系统终端,并自动回传巡检里程、时长、地理位置等状态数据至信息外网,这个过程存在数据采集时电力敏感数据泄露及发生dos攻击的风险,一旦在采集阶段受到虚假数据注入、传感器欺骗、状态篡改、恶意干扰或拒绝服务攻击,将可能导致巡检状态判断失真、飞行控制异常、缺陷识别偏差,甚至影响电力设备和现场人员安全;

2、中国专利公告号cn119322941b公开了一种小型无人机巡检数据管理方法,涉及无人机巡检技术领域,用于解决无人机巡检数据管理不清晰的问题;该发明通过高精度定位技术和时间戳同步,将无人机采集的多模态数据与设备位置关联,实现巡检数据的时空一致性,并进行多模态特征融合与降维处理,生成统一的特征表示,提升数据分析的精度和效率,结合历史数据与实时采集数据,实时监测设备状态,识别分类故障模式并评估风险,通过时间序列预测模型预测故障发展趋势,生成维护建议,提高故障诊断的及时性,基于故障检测结果,动态优化巡检任务优先级与路径规划,生成最优巡检路线,并修正飞行路径,提高了巡检任务的智能化和精准度,显著提升了无人机巡检系统的效率和安全性;

3、由上可知,现有技术聚焦于终端自身运行状态监测与故障诊断,其检测目标仅限于终端异常或数据异常本身,未将多源传感器异常检测结果与数据安全防护措施进行联动,难以有效应对针对电力巡检终端的网络攻击、数据篡改等安全威胁。

技术实现思路

1、针对现有技术中的缺陷,本发明提供一种基于cnn与注意力机制融合的多源传感器异常检测方法,以降低数据安全威胁。

2、本发明一优选实施例提供一种基于cnn与注意力机制融合的多源传感器异常检测方法,应用于电力巡检终端,所述方法,包括:

3、获取带有时间序列的电力巡检终端多源数据,所述多源数据包括姿态数据、加速度数据、gps数据、图像数据;

4、对所述多源数据作归一化处理后进行时间戳对齐,形成沿时间序列排布的时空特征输入数据;

5、基于cnn对所述时空特征输入数据作特征提取,得到深度特征;

6、基于注意力机制对所述深度特征进行异常概率评估;

7、若所述异常概率评估的数值超出预设阈值范围,则对提取特征所对应的时空特征输入数据进行高强度加密。

8、在一实施例中,基于cnn对所述时空特征输入数据作特征提取,得到深度特征,包括:

9、利用一维卷积层沿所述时间序列滑动,提取各多源数据在一定时间内的局部时空相关性和突变特征,得到深度特征;

10、通过线性投影将所述深度特征生成查询矩阵、键矩阵及值矩阵;

11、计算所述多源数据对应特征通道与时间步之间的注意力权重系数矩阵,并生成加权后的全局动态特征表示。

12、在一实施例中,基于注意力机制对所述深度特征进行异常概率评估,包括:

13、将所述全局动态特征表示输入全连接层构建分类器,计算该特征对应数据遭受攻击的异常得分;

14、通过二分类或多分类输出层对异常得分做归一化求解异常概率,当异常概率大于动态自适应阈值时,判定发生异常攻击。

15、在一实施例中,利用一维卷积层沿所述时间序列滑动,提取各多源数据在一定时间内的局部时空相关性和突变特征,得到深度特征,其一维卷积层的运算表达式如下:

16、

17、其中,为第l个卷积层的输出深度特征,为卷积核权重,为偏置项,表示一维卷积操作,为非线性激活函数。

18、在一实施例中,计算所述多源数据对应特征通道与时间步之间的注意力权重系数矩阵,并生成加权后的全局动态特征表示,其运算公式为:

19、

20、其中,z为全局动态特征表示,q为查询矩阵,k为键矩阵,v为值矩阵,为键向量的维度大小。

21、在一实施例中,通过二分类或多分类输出层对异常得分做归一化求解异常概率,当异常概率大于动态自适应阈值时,判定发生异常攻击,其求解异常概率公式为:

22、

23、其中,p为异常概率,z为全局动态特征表示,k为全部候选类别,为异常类别a对应的权重向量运算结果,为第k类对应的权重向量运算结果,是类别a的偏置,为第k类的偏置项。

24、在一实施例中,所述归一化处理的计算公式为:

25、

26、其中,为第i路传感器在时刻t归一化之后的数据,为第i路传感器在时刻t的原始观测数据,和分别为该多源数据在历史正常滑动窗口内观测值的经验均值和标准差。

27、在一实施例中,在计算所述注意力权重系数矩阵时,依据图像数据的模糊程度对图像特征通道进行动态加权;其中,图像模糊程度与其特征通道的权重成正相关。

28、由上述技术方案可知,本发明提供的一种基于cnn与注意力机制融合的多源传感器异常检测方法可以包括以下有益效果:

29、本申请通过将cnn的局部特征提取能力与注意力机制的全局依赖建模能力相融合,对电力巡检终端的姿态、加速度、gps及图像等多源时序数据进行深度联合分析,有效应对虚假数据注入、传感器欺骗、状态篡改及拒绝服务攻击等安全威胁,显著提升了复杂环境下异常攻击的检测精度与实时性;利用注意力机制动态评估异常概率,有效降低了误报与漏报风险;而针对判定为异常的数据即刻实施高强度加密,从数据源头构建主动防御屏障,保障了敏感数据的安全性与隐私性,实现了对数据安全的高效感知、精准预警与主动防御。

30、应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本申请。

1.一种基于cnn与注意力机制融合的多源传感器异常检测方法,应用于电力巡检终端,其特征在于,所述方法,包括:

2.根据权利要求1所述的方法,其特征在于:基于注意力机制对所述深度特征进行异常概率评估,包括:

3.根据权利要求1所述的方法,其特征在于:利用一维卷积层沿所述时间序列滑动,提取各多源数据在一定时间内的局部时空相关性和突变特征,得到深度特征,其一维卷积层的运算表达式如下:

4.根据权利要求1所述的方法,其特征在于:计算所述多源数据对应特征通道与时间步之间的注意力权重系数矩阵,并生成加权后的全局动态特征表示,其运算公式为:

5.根据权利要求2所述的方法,其特征在于:通过二分类或多分类输出层对异常得分做归一化求解异常概率,当异常概率大于动态自适应阈值时,判定发生异常攻击,其求解异常概率公式为:

6.根据权利要求1所述的方法,其特征在于:所述归一化处理的计算公式为: