基于智能锁控制系统的异常报警方法及系统与流程

本技术涉及计算机，具体而言，涉及一种基于智能锁控制系统的异常报警方法及系统。

背景技术：

1、随着科技的不断进步，智能锁作为一种新型的安全防护设备，已经广泛应用于各个领域，如家庭、办公、商业等场所。智能锁控制系统通过电子技术和信息技术实现对锁的远程控制、管理以及状态监测等功能，从而提高了安全性和便利性。然而，在实际应用过程中，智能锁控制系统可能面临着各种异常情况和安全威胁，如非法入侵、系统故障、操作失误等，这些异常情况可能导致锁具无法正常工作，甚至带来安全隐患。

2、为了及时发现并处理这些异常情况，保障智能锁控制系统的稳定性和安全性，需要一种有效的异常报警方法。现有的异常报警方法通常基于简单的阈值判断或规则匹配，这些方法在处理复杂多变的异常情况时存在一定的局限性，如误报率高、漏报率高等问题。同时，这些方法往往无法准确识别异常的出现与消失时点，从而影响了异常处理的及时性和有效性。

技术实现思路

1、有鉴于此，本技术的目的在于提供一种基于智能锁控制系统的异常报警方法及系统。

2、依据本技术的第一方面，提供一种基于智能锁控制系统的异常报警方法，应用于异常报警系统，所述方法包括：

3、获取智能锁锁定控制事件的初始数据流，所述初始数据流包括所述智能锁锁定控制事件中的每个事件节点数据对应的初始运行数据集合；

4、将所述初始数据流加载到异常检测神经网络进行异常特征区域估计，生成所述每个事件节点数据对应的异常特征区域估计参数；

5、分别依据所述每个事件节点数据对应的异常特征区域估计参数对所述每个事件节点数据对应的初始运行数据集合进行区域特征强化处理，生成所述智能锁锁定控制事件的区域特征强化数据流；

6、将所述区域特征强化数据流加载到异常报警网络进行异常侦测，生成所述智能锁锁定控制事件的异常报警数据，所述异常报警数据包括所述智能锁锁定控制事件中异常的出现与消失时点信息。

7、在第一方面的一种可能的实施方式中，所述异常报警数据还包括所述智能锁锁定控制事件中异常的标签属性；所述异常报警网络包括异常时点预测单元和异常标签属性预测单元；所述将所述区域特征强化数据流加载到异常报警网络进行异常侦测，生成所述智能锁锁定控制事件的异常报警数据包括：

8、将所述区域特征强化数据流分别作为所述异常时点预测单元和所述异常标签属性预测单元的输入数据，在所述异常时点预测单元中进行异常的出现与消失时点信息预测，并在所述异常标签属性预测单元中进行异常标签属性预测，生成所述智能锁锁定控制事件中异常的出现与消失时点信息和标签属性。

9、在第一方面的一种可能的实施方式中，所述每个事件节点数据对应的异常特征区域估计参数包括所述每个事件节点数据对应的异常触发估计参数和异常终止估计参数；

10、所述分别依据所述每个事件节点数据对应的异常特征区域估计参数对所述每个事件节点数据对应的初始运行数据集合进行区域特征强化处理，生成所述智能锁锁定控制事件的区域特征强化数据流包括：

11、分别依据所述每个事件节点数据对应的异常触发估计参数和异常终止估计参数对所述每个事件节点数据对应的初始运行数据集合进行区域特征强化处理，生成所述每个事件节点数据对应的区域特征强化矢量；

12、依据所述智能锁锁定控制事件中的每个事件节点数据对应的区域特征强化矢量生成所述智能锁锁定控制事件的区域特征强化数据流。

13、在第一方面的一种可能的实施方式中，所述分别依据所述每个事件节点数据对应的异常触发估计参数和异常终止估计参数对所述每个事件节点数据对应的初始运行数据集合进行区域特征强化处理，生成所述每个事件节点数据对应的区域特征强化矢量包括：

14、依据所述每个事件节点数据对应的异常触发估计参数对所述每个事件节点数据对应的初始运行数据集合进行融合，生成第一融合数据集合；

15、依据所述每个事件节点数据对应的异常终止估计参数对所述每个事件节点数据对应的初始运行数据集合进行融合，生成第二融合数据集合；

16、对所述第一融合数据集合和所述第二融合数据集合进行集成，生成所述每个事件节点数据对应的区域特征强化矢量。

17、在第一方面的一种可能的实施方式中，所述依据所述每个事件节点数据对应的异常触发估计参数对所述每个事件节点数据对应的初始运行数据集合进行融合，生成第一融合数据集合的步骤，包括：

18、获取每个事件节点数据对应的异常触发估计参数所对应的触发阈值、触发时间窗口、触发模式；

19、针对每个事件节点数据的初始运行数据集合，根据异常触发估计参数中的触发阈值，筛选出可能触发异常的数据子集；

20、在筛选出的数据子集中，根据所述触发时间窗口和触发模式进行数据的时序分析和模式匹配，以确定异常触发的时点和数据特征；

21、将确定异常触发的数据特征进行加权融合，生成第一融合数据集合。

22、在第一方面的一种可能的实施方式中，所述依据所述每个事件节点数据对应的异常终止估计参数对所述每个事件节点数据对应的初始运行数据集合进行融合，生成第二融合数据集合的步骤，包括：

23、获取每个事件节点数据对应的异常终止估计参数所对应的终止阈值、终止时间窗口、终止模式；

24、针对每个事件节点数据的初始运行数据集合，根据异常终止估计参数中的终止阈值，筛选出可能终止异常的数据子集；

25、在筛选出的数据子集中，根据所述终止时间窗口和终止模式进行数据的时序分析和模式匹配，以确定异常终止的时点和数据特征；

26、将确定异常终止的数据特征进行加权融合，生成第二融合数据集合。

27、在第一方面的一种可能的实施方式中，所述方法还包括：

28、获取多个携带异常特征区域注释数据的样例事件节点数据对应的初始运行数据集合；

29、依据所述多个携带异常特征区域注释数据的样例事件节点数据对应的初始运行数据集合，对初始化神经网络进行异常特征区域估计的参数学习，在异常特征区域估计的参数学习中更新所述初始化神经网络的参数信息直至所述初始化神经网络符合训练终止要求，生成所述异常检测神经网络。

30、在第一方面的一种可能的实施方式中，所述获取多个携带异常特征区域注释数据的样例事件节点数据对应的初始运行数据集合包括：

31、获取多个携带异常的出现与消失时点信息的样例事件数据流；

32、基于所述异常的出现与消失时点信息对所述样例事件数据流中的每个样例事件节点数据进行异常特征区域注释，生成所述每个样例事件节点数据的异常特征区域注释数据；

33、将每个携带所述异常特征区域注释数据的样例事件节点数据加载到编码器，依据所述编码器对所述每个携带所述异常特征区域注释数据的样例事件节点数据进行编码器，生成所述多个携带异常特征区域注释数据的样例事件节点数据对应的初始运行数据集合。

34、在第一方面的一种可能的实施方式中，所述异常的出现与消失时点信息包括所述样例事件数据流中的异常出现时点信息和所述样例事件数据流中的异常消失时点信息；所述基于所述异常的出现与消失时点信息对所述样例事件数据流中的每个样例事件节点数据进行异常特征区域注释，生成所述每个样例事件节点数据的异常特征区域注释数据包括：

35、分别计算所述样例事件数据流中的每个样例事件节点数据与所述异常出现时点信息之间的第一偏离度；

36、分别基于所述第一偏离度对所述每个样例事件节点数据进行异常出现注释，生成所述每个样例事件节点数据的异常出现注释数据；

37、分别计算所述样例事件数据流中的每个样例事件节点数据与所述异常消失时点信息之间的第二偏离度；

38、分别基于所述第二偏离度对所述每个样例事件节点数据进行异常消失注释，生成所述每个样例事件节点数据的异常消失注释数据；

39、将所述每个样例事件节点数据的异常出现注释数据和异常消失注释数据作为所述每个样例事件节点数据的异常特征区域注释数据。

40、依据本技术的第二方面，提供一种异常报警系统，所述异常报警系统包括处理器以及可读存储介质，所述可读存储介质存储有程序，该程序被处理器执行时实现前述的基于智能锁控制系统的异常报警方法。

41、依据本技术的第三方面，提供提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，在监测到所述计算机可执行指令被执行时，实现前述的基于智能锁控制系统的异常报警方法。

42、依据以上任意一个方面，通过获取智能锁锁定控制事件的初始数据流，并利用异常检测神经网络对初始数据流进行异常特征区域估计，实现了对智能锁锁定控制事件中异常特征的精准识别。进一步地，通过对每个事件节点数据对应的初始运行数据集合进行区域特征强化处理，生成了具有显著异常特征的区域特征强化数据流，从而提高了异常报警的准确性。最终，通过异常报警网络对区域特征强化数据流进行异常侦测，生成了包括异常出现与消失时点信息的异常报警数据，为及时响应和处理智能锁锁定控制事件中的异常情况提供了有效支持，能够显著提升智能锁控制系统的安全性和可靠性，降低因异常情况导致的损失和风险。