一种智能门锁的防撬方法及系统与流程
- 国知局
- 2024-07-31 22:24:37
本发明涉及智能家居,具体涉及一种智能门锁的防撬方法及系统。
背景技术:
1、在门锁的开锁过程中,利用身份鉴权的形式进行人员确定,避免非法人员进行数字化撬锁等行为。其中,身份鉴权形式包括身份验证(指纹识别和人脸识别)、密码验证等。门锁网络通讯数据主要涉及门锁设备与控制中心或用户设备之间的通讯日志,这些数据对于确保开锁过程的安全性至关重要。门锁的控制中心可以实时监控门锁网络通讯数据,及时发现异常情况,例如密码错误、非法指纹尝试等,可以进行相应处理比如触发预警装置,从而增强智能门锁系统的安全性。
2、通常情况下,门锁的控制中心在对门锁网络通讯数据进行监控时,常采用异常检索算法对门锁网络通讯数据进行异常检测,可以有效地识别和预警存在异常的数字化撬锁行为。但是利用该方法进行异常检测的过程中,如果短时间内存在多次高频远程访问尝试操作,对应时间的门锁网络通讯数据在异常检测的表现中会形成单一的高密度类簇,会使得数据的局部密度较高且较为接近,未考虑相同时间段的历史数据中是否存在频繁的访问操作,导致异常检测结果较不准确,导致门锁防撬监控结果较不准确。
技术实现思路
1、为了解决现有异常检测算法的检测结果较不准确,导致门锁防撬监控结果较不准确发技术问题,本发明的目的在于提供一种智能门锁的防撬方法及系统,所采用的技术方案具体如下:
2、第一方面,本发明提供了一种智能门锁的防撬方法,包括:
3、在每天中每个设定时间段内采集智能门锁存在交互操作时的每个维度的门锁交互数据;
4、根据每天中每个设定时间段内每个维度的门锁交互数据与相邻天中相同设定时间段内相同维度的门锁交互数据的数据量分布之间的差异、门锁交互数据之间的时间分布差异以及数据值差异,得到每天中每个设定时间段内每个维度的每个门锁交互数据的数据密集程度;
5、根据每天中每个设定时间段内每个维度与其他维度的门锁交互数据之间的时间分布差异、每个维度的每个门锁交互数据的数据密集程度与每个维度下数据整体密集分布之间的差异,得到每天中每个设定时间段每个维度的每个门锁交互数据的异常评价指标;
6、利用所述异常评价指标分别对每天中每个设定时间段内每个维度下的每个门锁交互数据进行离群检测的异常得分进行调整,根据调整后的异常得分获取门锁的异常检测结果。
7、优选地,所述根据每天中每个设定时间段内每个维度的门锁交互数据与相邻天中相同设定时间段内相同维度的门锁交互数据的数据量分布之间的差异、门锁交互数据之间的时间分布差异以及数据值差异,得到每天中每个设定时间段内每个维度的每个门锁交互数据的数据密集程度,具体包括:
8、将任意一天中任意一个设定时间段内任意一个维度的任意一个门锁交互数据记为选定门锁交互数据,将所述任意一天的天数邻域内每天的相同设定时间段均记为参考天中的参考设定时间段;
9、根据选定门锁交互数据所在设定时间段内的门锁交互数据的总数与每个参考天中参考设定时间段内与选定门锁交互数据相同维度的门锁交互数据总数之间的差异情况,得到选定门锁交互数据的第一系数;
10、根据选定门锁交互数据与选定门锁交互数据所在设定时间段内相同维度的其他门锁交互数据之间的时间分布差异以及数据值差异,得到选定门锁交互数据的第二系数;
11、根据所述第一系数和第二系数得到选定门锁交互数据的数据密集程度,所述第一系数和第二系数均与所述数据密集程度呈正相关关系。
12、优选地,所述选定门锁交互数据的第一系数的获取方法具体为:
13、将第i天第t个设定时间段在第k个维度下的第x个门锁交互数据作为选定门锁交互数据,所述选定门锁交互数据的第一系数的计算公式为:
14、
15、其中,wi,t(k,x)表示第i天第t个设定时间段内第k个维度的第x个门锁交互数据的数据密集程度,α1表示选定门锁交互数据的第一系数,n表示第i天的天数邻域内包含天数的数量,qk(i,t)表示第i天第t个设定时间段内第k个维度的所有门锁交互数据的数量,qk(i-n,t)表示第i-n天第t个设定时间段内第k个维度的所有门锁交互数据的数量。
16、优选地,所述选定门锁交互数据的第二系数的获取方法具体为:
17、
18、其中,α2表示选定门锁交互数据的第二系数,表示选定门锁交互数据与第i天第t个设定时间段内第k个维度的其他每个门锁交互数据之间差异的均值,n0表示第i天第t个设定时间段内第k个维度的门锁交互数据的总数量,m0表示第i天第t个设定时间段内第k个维度下除了选定门锁交互数据外其他所有数据的集合,表示第i天第t个设定时间段内第k个维度的第x个门锁交互数据与第u个门锁交互数据之间的时间间隔,表示第i天第t个设定时间段内第k个维度的第x个门锁交互数据与第v个门锁交互数据之间的时间间隔,u≠v,且u,v∈m0,ε为预设的超参数。
19、优选地,所述根据每天中每个设定时间段内每个维度与其他维度的门锁交互数据之间的时间分布差异、每个维度的每个门锁交互数据的数据密集程度与每个维度下数据整体密集分布之间的差异,得到每天中每个设定时间段每个维度的每个门锁交互数据的异常评价指标,具体包括:
20、将任意一天中任意一个设定时间段内任意一个维度的任意一个门锁交互数据记为任意一天中目标设定时间段内目标维度的目标门锁交互数据;
21、根据目标门锁交互数据的时序值与目标设定时间段内每个维度的门锁交互数据的时序值之间的差异情况,得到目标设定时间段内每个维度下的权重系数;
22、根据所述权重系数、目标设定时间段内每个维度的门锁交互数据的数据密集程度和相同维度下的所有门锁交互数据的数据密集程度的均值,得到目标门锁交互数据的异常评价指标。
23、优选地,所述异常评价指标的获取方法具体为:
24、将第i天中第r个设定时间段的第k个维度的第y个门锁交互数据作为目标设定时间段内目标维度的目标门锁交互数据,所述目标门锁交互数据的异常评价指标的计算公式为:
25、
26、其中,gi,r(k,y)表示目标门锁交互数据的异常评价指标,i表示第i天,r表示第r个设定时间段,k表示第k个维度,y表示第y个门锁交互数据,n1表示所有维度的总数量,ti,r(k,y)表示第i天中第r个设定时间段的第k个维度的第y个门锁交互数据的时序值,ti,r(m,y)表示第i天中第r个设定时间段的第m个维度的第y个门锁交互数据的时序值,wi,r(m,y)表示第i天中第r个设定时间段的第m个维度的第y个门锁交互数据的数据密集程度,表示第i天中第r个设定时间段的第m个维度所有门锁交互数据的数据密集程度,表示目标设定时间段内第m个维度下的权重系数,exp()表示以自然常数e为底的指数函数。
27、优选地,所述利用所述异常评价指标分别对每天中每个设定时间段内每个维度下的每个门锁交互数据进行离群检测的异常得分进行调整,具体包括:
28、利用lof离群检测算法获取每天中每个设定时间段内每个维度下的每个门锁交互数据的局部离群因子,并记为所述门锁交互数据的异常得分;
29、对每个门锁交互数据的异常评价指标进行归一化处理,将归一化后的异常评价指标和常数1的和值与对应的异常得分的乘积作为每天中每个设定时间段内每个维度下的每个门锁交互数据调整后的异常得分。
30、优选地,所述根据调整后的异常得分获取门锁的异常检测结果,具体包括:
31、计算每天中每个设定时间段内每个时刻下所有维度下对应的调整后的异常得分的均值记为每个时刻的特征异常得分,当每个时刻的特征异常得分大于预设的异常阈值时,对应时刻存在门锁异常。
32、优选地,所述每个维度对应一种门锁交互数据,每个维度的门锁交互数据包括通讯频率、响应时间、通讯数据包大小和命令类型。
33、第二方面,本发明提供了一种智能门锁的防撬系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被处理器执行时实现一种智能门锁的防撬方法的步骤。
34、本发明实施例至少具有如下有益效果:
35、本发明首先采集存在操作时的每个维度的门锁交互数据,并且数据采集了不同天中相同设定时间段内的数据,为后续数据同步性分析提供数据基础。然后,通过分析相同维度下不同天中在相同设定时间段内的门锁交互数据的数据量、时间分布以及数据值之间的差异情况,对每个维度的每个门锁交互数据的数据密集程度进行量化,考虑到正常情况不同天相同时间节点的数据应当是较为接近的情况,数据密集程度越大说明门锁交互数据存在异常的数据集中性或者密集性越大。进一步的,结合相同设定时间段内不同维度下的门锁交互数据之间的时间分布差异、数据密度程度与整体的差异,获取每个维度的每个门锁交互数据的异常评价指标,异常评价指标从门锁交互数据在相同时间节点内不同维度下的时间同步性和密集性分布的差异性方面,反映了门锁交互数据存在异常的可能性情况。最后,结合异常评价指标对每个门锁交互数据的原始异常得分进行调整,使得原始较为集中的异常数据特征变得较为离散,利用调整后的异常得分进行异常评价的结果更加准确,减小了聚集性较高的异常数据被误检为正常数据的可能性,能够获得更加准确的门锁防撬监控结果。
本文地址:https://www.jishuxx.com/zhuanli/20240731/193251.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。
下一篇
返回列表