一种通信终端的异常检测方法、装置、设备及介质与流程

1.本技术涉及物联网技术领域，特别是涉及一种通信终端的异常检测方法、装置、设备及介质。


背景技术：

2.随着物联网技术成熟，物联网已经大规模应用于各个领域，物联网不同于传统的通络物联网主要提供物与物的连接，物联网能够将更多的物体连接到网络中。物联网通信系统中涉及到的通信终端的数量很多，通常有成千上万个通信终端，这些通信终端位置在部署时候有可能是固定不变的，也有可能是不固定且根据实施场景不断变化的，导致在物联网系统长期运营中，对这些通信终端的维护和管理带来巨大工作量和成本。因此为了及时发现和定位物联网中的处于异常工作状态的通信终端，现有的检测通信终端异常的方法是通过特定的参数对通信终端的状态进行检测，可举例说明：收集通信终端处设置的温度传感器和/或湿度传感器检测到的多个温度值和/或湿度值，其中温度值和/或湿度值的个数为10个，在判断第1个温度值和/或湿度值并得出通信终端是否处于异常状态后，再次判断第2个第一个温度值和/或湿度值，依次类推，直到判断完第10个温度值和/或湿度值。此时，在检测通信终端的状态时，检测速度过慢，且不能在线学习。
3.鉴于上述存在的问题，寻求如何使得检测通信设备异常方法的在线学习且能够提升检测速度是本领域技术人员竭力解决的问题。


技术实现要素：

4.本技术的目的是提供一种通信终端的异常检测方法、装置、设备及介质，用于使检测通信设备异常方法在线学习且提升检测速度。
5.为解决上述技术问题，本技术提供一种通信终端的异常检测方法，包括：
6.获取各通信终端的数据；
7.根据数据实时更新gbm模型；其中，gbm模型构建步骤包括：根据通信终端的历史数据以及用户需求确定检测通信终端的问题类型；根据问题类型构建对应的gbm模型，gbm模型引入本地学习器的局部损失和gbm模型的全局损失；
8.利用更新后的gbm模型对数据进行异常检测，以确定通信终端是否处于异常状态。
9.优选地，根据数据实时更新gbm模型包括：
10.根据数据确定调节参数；
11.根据调节参数得到残差；
12.根据残差确定局部损失；
13.根据局部损失确定全局损失；
14.更新gbm模型。
15.优选地，在根据数据实时更新gbm模型之后，在利用更新后的gbm模型对数据进行异常检测之前，还包括：
16.对gbm模型进行模型评估，并得到评估结果；
17.根据评估结果判断更新后的gbm模型是否达到检测标准；
18.若是，则进入利用更新后的gbm模型对数据进行异常检测的步骤；
19.若否，则返回至根据数据实时更新gbm模型的步骤。
20.优选地，根据通信终端的历史数据以及用户需求确定检测通信终端的问题类型包括：
21.选取特征分类方法对数据进行特征提取，并得到各类特征，其中，特征分类方法分别为过滤法、封装法、嵌入法；
22.根据特征确定问题类型，其中，问题类型至少包括回归问题和分类问题。
23.优选地，更新gbm模型包括：
24.利用梯度下降法更新gbm模型。
25.优选地，在获取各通信终端的数据之后，在根据数据实时更新gbm模型之前，还包括：
26.对数据进行预处理，预处理至少包括删除脏数据、数据清洗。
27.优选地，在根据数据确定调节参数之前，还包括：
28.初始化数据。
29.为解决上述技术问题，本技术还提供了一种通信终端的异常检测装置，包括：
30.获取模块，用于获取各通信终端的数据；
31.第一更新模块，用于根据数据实时更新gbm模型；其中，gbm模型构建步骤包括：根据通信终端的历史数据以及用户需求确定检测通信终端的问题类型；根据问题类型构建对应的gbm模型，gbm模型引入本地学习器的局部损失和gbm模型的全局损失；
32.检测模块，用于利用更新后的gbm模型对数据进行异常检测，以确定通信终端是否处于异常状态。
33.此外，该模块该包括以下模块：
34.根据数据实时更新gbm模型包括：
35.第一确定模块，用于根据数据确定调节参数；
36.得到模块，用于根据调节参数得到残差；
37.第二确定模块，用于根据残差确定局部损失；
38.第三确定模块，用于根据局部损失确定全局损失；
39.第二更新模块，用于更新gbm模型。
40.在根据数据实时更新gbm模型之后，在利用更新后的gbm模型对数据进行异常检测之前，还包括：
41.评估模块，用于对gbm模型进行模型评估，并得到评估结果；
42.判断模块，用于根据评估结果判断更新后的gbm模型是否达到检测标准；
43.若是，则触发检测模块；
44.若否，则触发第一更新模块。
45.根据通信终端的历史数据以及用户需求确定检测通信终端的问题类型包括：
46.选取模块，用于选取特征分类方法对数据进行特征提取，并得到各类特征，其中，特征分类方法分别为过滤法、封装法、嵌入法；
47.第四确定模块，用于根据特征确定问题类型，其中，问题类型至少包括回归问题和分类问题。
48.更新gbm模型包括：
49.第三更新模块，用于利用梯度下降法更新gbm模型。
50.在获取各通信终端的数据之后，在根据数据实时更新gbm模型之前，还包括：
51.预处理模块，用于对数据进行预处理，预处理至少包括删除脏数据、数据清洗。
52.在根据数据确定调节参数之前，还包括：
53.初始化模块，用于初始化数据。
54.为解决上述技术问题，本技术还提供了一种通信终端的异常检测设备，包括：
55.存储器，用于存储计算机程序；
56.处理器，用于指向计算机程序，实现一种通信终端的异常检测方法的步骤。
57.为解决上述技术问题，本技术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，计算机程序被处理器执行时，实现上述全部一种通信终端的异常检测方法的步骤。
58.本技术所提供的一种通信终端的异常检测方法，包括：获取各通信终端的数据；根据数据实时更新gbm模型；其中，根据通信终端的历史数据以及用户需求确定检测通信终端的问题类型；根据问题类型构建对应的gbm模型，其中gbm模型引入本地学习器的局部损失和gbm模型的全局损失；利用更新后的gbm模型对数据进行异常检测，以确定通信终端是否处于异常状态。由于本技术中的gbm模型引入了局部损失和全局损失，相比于现有的检测异常的方法，该方法可以举例理解为：获取到10个数据时，根据局部损失和全局损失确定第1个数据在模型中学习到70％时，立即输入第2个数据；第2个数据在模型中学习到50％时立即输入第3个数据，直到学习完全部数据，以此实现并行训练且提高数据检测速度；gbm模型可以根据数据实时更新，实现对gbm模型的在线更新并进行异常检测，保证异常检测的准确度。
59.本技术还提供了一种通信终端的异常检测装置、设备及介质，效果同上。
附图说明
60.为了更清楚地说明本技术实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，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。
61.图1为本技术实施例所提供的一种通信终端的异常检测方法流程图；
62.图2为本技术实施例所提供的一种通信终端的异常检测装置结构图；
63.图3为本技术实施例所提供的一种通信终端的异常检测设备结构图。
具体实施方式
64.下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部实施例。基于本技术中的实施例，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，都属于本技术保护范围。
65.本技术的核心是提供一种通信终端的异常检测方法、装置、设备及介质，其能够使检测通信设备异常方法在线学习且提升检测速度。
66.为了使本技术领域的人员更好地理解本技术方案，下面结合附图和具体实施方式对本技术作进一步的详细说明。
67.图1为本技术实施例所提供的一种通信终端的异常检测方法流程图。如图1所示，该通信终端的异常检测方法包括：
68.s10：获取各通信终端的数据。
69.s11：根据数据实时更新gbm模型。
70.其中，gbm模型构建步骤包括：
71.根据通信终端的历史数据以及用户需求确定检测通信终端的问题类型；
72.根据问题类型构建对应的gbm模型，gbm模型引入本地学习器的局部损失和gbm模型的全局损失。其中，对于局部损失和全局损失可以理解为：学校的大礼堂中举行活动，老师需要去安排位置，其中局部损失可以为：按照学生们的身高的高度按顺序占用位置，全局损失可以为：将身高超过180cm的同学安排在礼堂的后几排就坐。此时因为局部损失从属于全局损失，因此使得该方法也能够保持检测结果的准确性。
73.s12：利用更新后的gbm模型对数据进行异常检测。
74.用于确定通信终端是否处于异常状态。
75.其中，在获取各通信终端的数据之后，在根据数据实时更新gbm模型之前，还包括：
76.对数据进行预处理，预处理至少包括删除脏数据、数据清洗。
77.在本实施例中，对于gbm模型(gradient boosting machine，gbm)，也可以称为梯度提升机，通常被口语化称为硬gbm。然而在本技术中引入了本地学习器的局部损失和gbm模型的全局损失的gbm模型，可以称为软梯度提升机(soft gradient boosting machine，sgbm)，通常被口语化称为软gbm。
78.本技术所提供的一种通信终端的异常检测方法，包括：获取各通信终端的数据；根据数据实时更新gbm模型；其中，根据通信终端的历史数据以及用户需求确定检测通信终端的问题类型；根据问题类型构建对应的gbm模型，其中gbm模型引入本地学习器的局部损失和gbm模型的全局损失；利用更新后的gbm模型对数据进行异常检测，以确定通信终端是否处于异常状态。由于本技术中的gbm模型引入了局部损失和全局损失，相比于现有的检测异常的方法，该方法可以举例理解为：获取到10个数据时，根据局部损失和全局损失确定第1个数据在模型中学习到70％时，立即输入第2个数据；第2个数据在模型中学习到50％时立即输入第3个数据，直到学习完全部数据，以此实现并行训练且提高数据检测速度；gbm模型可以根据数据实时更新，实现对gbm模型的在线更新并进行异常检测，保证异常检测的准确度。
79.在上述实施例的基础上，作为一种更优的实施例，根据数据实时更新gbm模型包括：
80.根据数据确定调节参数；
81.根据调节参数得到残差；
82.根据残差确定局部损失；
83.根据局部损失确定全局损失；
84.更新gbm模型。其中，利用梯度下降法更新gbm模型。
85.其中，在根据数据确定调节参数之前，还包括：
86.初始化数据。
87.由于通过局部损失和全局损失实时更新gbm模型，因此使得基学习器之间呈现交互指数增长，进而实现了梯度提升的效果。
88.由于本技术中的gbm模型引入了局部损失和全局损失，相比于现有的检测异常的方法，该方法可以举例理解为：当获取到10个通信终端的数据时，对于第1个数据检测到70％时就能确定该数据对应的通信终端是否异常，且在第1个数据检测到70％时立即检测第2个数据，同样的，当第2个数据检测到50％时立即检测第3个数据，以此类推，直到检测完第10个数据，此时，提高了数据检测速度，且由于局部损失是服从于全局损失的，因此同样保证了检测的准确度。
89.在上述实施例的基础上，作为一种更优的实施例，在根据数据实时更新gbm模型之后，在利用更新后的gbm模型对数据进行异常检测之前，还包括：
90.对gbm模型进行模型评估，并得到评估结果；
91.根据评估结果判断更新后的gbm模型是否达到检测标准；
92.若是，则进入利用更新后的gbm模型对数据进行异常检测的步骤；
93.若否，则返回至根据数据实时更新gbm模型的步骤。
94.考虑到得出的模型可能不能适用于实时变化的各种数据，因此得到的模型也是多种多样，为了确保检测的准确度，对gbm模型进行模型评估，并根据评估结果判断更新后的gbm模型是否达到检测标准，达到标准时，对数据进行异常检测。以此确保检测的准确度。
95.在上述实施例的基础上，作为一种更优的实施例，根据通信终端的历史数据以及用户需求确定检测通信终端的问题类型包括：
96.选取特征分类方法对数据进行特征提取，并得到各类特征，其中，特征分类方法分别为过滤法、封装法、嵌入法；
97.根据特征确定问题类型，其中，问题类型至少包括回归问题和分类问题。
98.其中，过滤法用于提升softgbm模型的训练速度；
99.封装法用于提升softgbm模型的性能；
100.嵌入法用于同时提升softgbm模型的训练速度和性能。
101.为了使得该gbm模型拥有更好的特性，可根据用户需求自主选择特征分类方法。
102.对于gbm模型(硬gbm)在训练过程中，在训练集的范围内求取目标函数的最优解，且需要说明的是，目标函数的解代表训练集的拟合程度。可以理解的是，对于模型的逐步优化，会将数据分为测试集、训练集和验证集。该目标函数中一般会包括损失函数(通常也被称为经验风险)和正则项(通常也被称为结果风险函数)，其中，损失函数用于衡量预测结果与真实结果之间的差异，可以将信息熵、信息增益，均方差等均作为损失函数；正则项用于衡量gbm模型的复杂度，同时用于防止gbm模型出现过拟合的现象，可以将回归函数中的二次项正则作为正则式。一般来说，在gbm模型中一般将二叉决策树作为基学习器，其中，二叉决策树用于限制树生长的最大深度。在决策树中，一般含有树的节点数和叶子节点样本预测值。因此，目标函数可以表示为如下公式：
103.obj(f)＝l(f) ω(f)
104.其中，obj(f)为目标函数，l(f)为损失函数，ω(f)为正则项。
105.当前的gbdt算法(gradient boosting decision tree)实现使用cart作为基学习器。在gbdt算法中，决策树的分割一般分成左叶子节点和右叶子节点两类。这种分类方法对于连续值来说，选择一个最佳的分割点；但是对于离散值来说，一般通用的处理方法是将离散数据做one-hot编码，xgboost(extreme gradient boosting)中使用的也是one-hot编码。one-hot编码意味着在每一个决策节点只能使用one vs res的切分方式，当类别数量多的时候，切分出的左右节点的数据不平衡，每次切分的收益会很小。再加上决策树学习利用的是统计信息，统计信息在数据小的时候是不准确的。基于直方图的算法可以有另一种处理方式，将该类别特征所有的类别bin中的sum_gradient和/或sum_hessian值从小到大排序，按照结果依次枚举最优分割点。此时分割点左叶子节点和右叶子节点都可能包含多个特征类别，但是这样的方式容易过拟合。
106.level-wise指的是在决策树的生长过程中，每一次对同一层的所有可分割的叶子节点做分割。而leaf-wise是每一次只对所有可分割叶子节点中的一个节点做分割。level-wise过一次数据可以同时分裂同一层的叶子，容易进行多线程优化，易于控制模型复杂度，不容易过拟合。但实际上，level-wise不加区分的对待同一层的叶子，很多叶子的分裂增益较低，没必要进行搜索和分裂，带来了很多没必要的资源浪费。leaf-wise在分裂次数相同的情况下，可以降低更多的误差，得到更好的精度。leaf-wise的缺点是可能会长出比较深的决策树，易于过拟合。因此可以在leaf-wise的基础上增加最大深度的限制，在保证高效率的同时防止过拟合。一般使用level-wise的决策树生长过程中有max_depth超参控制过拟合，而leaf-wise生长的决策树，除了max_depth，还有max_leaf用于控制过拟合。
107.根据上述实施例可知，想要得到最优特征分裂点，需要使用特征并行算法。特征并行算法能够同时实现不同机器在不同的特征集合上分别寻找最优的分割点以及在机器间同步最优的分割点。
108.其中，特征并行算法的步骤如下：
109.根据不同的特征子集，将数据集进行垂直切分，其中，不同机器worker有不同的特征子集；
110.每个worker寻找局部的最优分裂特征以及分裂点；
111.不同worker之间进行网络传输，交换最优分裂信息，最终得到最优的分裂信息；
112.具有最优分裂特征的worker，局部进行分裂，并将分裂结果广播到其他worker；
113.其他worker根据接收到的数据进行切分数据。
114.其中，还存在一种特征并行算法的步骤如下：
115.每个worker在基于局部的特征集合找到最优分裂特征；
116.workder间传输最优分裂信息，并得到全局最优分裂信息；
117.每个worker基于全局最优分裂信息，在本地进行数据分裂，生成决策树。
118.需要说明的还是，当数据量很大时，特征并行算法受限于特征分裂效率。因此，当数据量大时，推荐使用数据并行算法。
119.其中，数据并行算法的步骤如下：
120.水平切分数据集；
121.每个worker基于数据集构建局部特征直方图(histogram)；
122.归并所有局部的特征直方图，得到全局直方图；
123.找到最优分裂信息，进行数据分裂。
124.其中，还存在一种数据并行算法的步骤如下：
125.使用reduce scatter并行计算子归并，且得到来自不同worker的不同特征子集的直方图；
126.在局部归并的直方图中找到最优局部分裂信息，最终同步找到最优的分裂信息；
127.使用直方图减法加快训练速度。
128.需要说明的是，此时只需要对其中一个子节点进行数据传输，另一个子节点可以通过histogram subtraction得到。此时能起到降低传输代价的作用。
129.由于梯度下降法需要使用泰勒公式，以下进行详细说明：
130.基于一阶泰勒展开的梯度下降如下所示：
131.在模型训练的时候一般是求目标函数的最小值，在不考虑正则项的情况下，我们先考虑求损失函数的最小值。假设已知l(x0)以及l
(1)
(x0)的值，则l(x0)在x0处的一阶泰勒展开为：
132.l(x)＝l(x0) l
(1)
(x0)(x-x0) o(x-x0)
133.为了得到l的最小值，梯度下降法的目标是得到一个比之前的l(x0)更小的值，然后一步一步减小。为了得到x，使得l(x)＜l(x0)，令：
134.x-x0＝-η*l
(1)
(x0)
135.其中，η为一用于缩放的正的常数，此时：
136.l(x)≈l(x0) l
(1)
(x0)(x-x0)＝l(x0)-η*l
(1)
(x0)2＜l(x0)
137.基于一阶泰勒展开的梯度下降，目标是求得当前函数在给定x0的一个小范围内的更小值。
138.基于二阶泰勒展开的梯度下降如下所示：
[0139][0140]
即，
[0141]
取，l(x)得到x0小范围内的最小值。
[0142]
在上述实施例中，对于通信终端的异常检测方法进行了详细描述，本技术还提供通信终端的异常检测装置对应的实施例。需要说明的是，本技术从两个角度对装置部分的实施例进行描述，一种是基于功能模块的角度，另一种是基于硬件的角度。
[0143]
图2为本技术实施例所提供的一种通信终端的异常检测装置结构图。如图2所示，本技术还提供了一种通信终端的异常检测装置，包括：
[0144]
获取模块20，用于获取各通信终端的数据；
[0145]
第一更新模块21，用于根据数据实时更新gbm模型；其中，gbm模型构建步骤包括：
根据通信终端的历史数据以及用户需求确定检测通信终端的问题类型；根据问题类型构建对应的gbm模型，gbm模型引入本地学习器的局部损失和gbm模型的全局损失；
[0146]
检测模块22，用于利用更新后的gbm模型对数据进行异常检测，以确定通信终端是否处于异常状态。
[0147]
此外，该模块该包括以下模块：
[0148]
根据数据实时更新gbm模型包括：
[0149]
第一确定模块，用于根据数据确定调节参数；
[0150]
得到模块，用于根据调节参数得到残差；
[0151]
第二确定模块，用于根据残差确定局部损失；
[0152]
第三确定模块，用于根据局部损失确定全局损失；
[0153]
第二更新模块，用于更新gbm模型。
[0154]
在根据数据实时更新gbm模型之后，在利用更新后的gbm模型对数据进行异常检测之前，还包括：
[0155]
评估模块，用于对gbm模型进行模型评估，并得到评估结果；
[0156]
判断模块，用于根据评估结果判断更新后的gbm模型是否达到检测标准；
[0157]
若是，则触发检测模块；
[0158]
若否，则触发第一更新模块。
[0159]
根据通信终端的历史数据以及用户需求确定检测通信终端的问题类型包括：
[0160]
选取模块，用于选取特征分类方法对数据进行特征提取，并得到各类特征，其中，特征分类方法分别为过滤法、封装法、嵌入法；
[0161]
第四确定模块，用于根据特征确定问题类型，其中，问题类型至少包括回归问题和分类问题。
[0162]
更新gbm模型包括：
[0163]
第三更新模块，用于利用梯度下降法更新gbm模型。
[0164]
在获取各通信终端的数据之后，在根据数据实时更新gbm模型之前，还包括：
[0165]
预处理模块，用于对数据进行预处理，预处理至少包括删除脏数据、数据清洗。
[0166]
在根据数据确定调节参数之前，还包括：
[0167]
初始化模块，用于初始化数据。
[0168]
本技术所提供的一种通信终端的异常检测方法，包括：获取各通信终端的数据；根据数据实时更新gbm模型；其中，根据通信终端的历史数据以及用户需求确定检测通信终端的问题类型；根据问题类型构建对应的gbm模型，其中gbm模型引入本地学习器的局部损失和gbm模型的全局损失；利用更新后的gbm模型对数据进行异常检测，以确定通信终端是否处于异常状态。由于本技术中的gbm模型引入了局部损失和全局损失，相比于现有的检测异常的方法，该方法可以举例理解为：获取到10个数据时，根据局部损失和全局损失确定第1个数据在模型中学习到70％时，立即输入第2个数据；第2个数据在模型中学习到50％时立即输入第3个数据，直到学习完全部数据，以此实现并行训练且提高数据检测速度；gbm模型可以根据数据实时更新，实现对gbm模型的在线更新并进行异常检测，保证异常检测的准确度。
[0169]
由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请
参见方法部分的实施例的描述，这里暂不赘述。
[0170]
图3为本技术实施例所提供的一种通信终端的异常检测设备结构图，如图3所示，通信终端的异常检测设备包括：
[0171]
存储器30，用于存储计算机程序；
[0172]
处理器31，用于执行计算机程序时实现如上述实施例中所提到的通信终端的异常检测方法的步骤。
[0173]
本实施例提供的通信终端的异常检测设备可以包括但不限于智能手机、平板电脑、笔记本电脑或台式电脑等。
[0174]
其中，处理器31可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器31可以采用数字信号处理(digital signal processing，dsp)、现场可编程门阵列(field－programmable gate array，fpga)、可编程逻辑阵列(programmable logic array，pla)中的至少一种硬件形式来实现。处理器31也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称中央处理器(central processing unit，cpu)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器31可以集成有图像处理器(graphics processing unit，gpu)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器31还可以包括人工智能(artificial intelligence，ai)处理器，该ai处理器用于处理有关机器学习的计算操作。
[0175]
存储器30可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器30还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器30至少用于存储以下计算机程序，其中，该计算机程序被处理器31加载并执行之后，能够实现前述任意一个实施例公开的通信终端的异常检测方法的相关步骤。另外，存储器30所存储的资源还可以包括操作系统和数据等，存储方式可以是短暂存储或者永久存储。其中，操作系统可以包括windows、unix、linux等。数据可以包括但不限于通信终端的异常检测方法等。
[0176]
在一些实施例中，通信终端的异常检测设备还可包括有显示屏、输入输出接口、通信接口、电源以及通信总线。
[0177]
本领域技术人员可以理解，图3中示出的结构并不构成对通信终端的异常检测设备的限定，可以包括比图示更多或更少的组件。
[0178]
本技术实施例提供的通信终端的异常检测设备，包括存储器30和处理器31，处理器31在执行存储器30存储的程序时，能够实现通信终端的异常检测方法。
[0179]
最后，本技术还提供一种计算机可读存储介质对应的实施例。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述方法实施例中记载的步骤。
[0180]
可以理解的是，如果上述实施例中的方法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，本技术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全部或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，执行本技术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。
[0181]
以上对本技术所提供的一种通信终端的异常检测方法、装置、设备及介质进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以对本技术进行若干改进和修饰，这些改进和修饰也落入本技术权利要求的保护范围内。
[0182]
还需要说明的是，在本说明书中，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。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。