基于数据挖掘的物联网异常监测方法及系统

摘要

本发明提供的基于数据挖掘的物联网异常监测方法及系统，涉及人工智能技术领域。在本发明中，确定出待监测物联网系统对应的系统运行监测数据簇；确定出系统运行监测数据簇对应的优化后的异常分析网络；利用优化后的异常分析网络，对系统运行监测数据簇进行物联网运行异常分析操作，以分析出待监测物联网系统对应的系统运行标识数据簇。基于上述内容，可以在一定程度上提高物联网异常监测的可靠度。

权利要求

1.一种基于数据挖掘的物联网异常监测方法，其特征在于，包括：

确定出待监测物联网系统对应的系统运行监测数据簇，所述系统运行监测数据簇中的系统运行监测数据包括系统运行日志；

确定出所述系统运行监测数据簇对应的优化后的异常分析网络；

利用所述优化后的异常分析网络，对所述系统运行监测数据簇进行物联网运行异常分析操作，以分析出所述待监测物联网系统对应的系统运行标识数据簇，所述系统运行标识数据簇包括多个系统运行标识数据，所述多个系统运行标识数据用于反映所述待监测物联网系统在多个运行监测层面上具有的运行异常预测信息；

所述系统运行监测数据簇中包括至少一个预设数据维度以外的其它数据维度对应的系统运行监测数据；以及，所述优化后的异常分析网络通过基于后期示例性数据将候选的异常分析网络进行网络更新操作以形成，所述后期示例性数据包括后期示例性的系统运行监测数据簇和所述预设数据维度对应的示例性标识数据，所述后期示例性的系统运行监测数据簇包括所述预设数据维度对应的系统运行监测数据，所述候选的异常分析网络通过基于前期示例性数据将原始的异常分析网络进行网络更新操作以形成，所述前期示例性数据包括多个示例性数据维度对应的前期示例性的系统运行监测数据簇和对应的示例性标识数据簇；

其中，所述利用所述优化后的异常分析网络，对所述系统运行监测数据簇进行物联网运行异常分析操作，以分析出所述待监测物联网系统对应的系统运行标识数据簇的步骤，包括：对所述系统运行监测数据簇进行加载，以加载到所述优化后的异常分析网络包括的特征空间映射单元中，以利用所述特征空间映射单元，对所述系统运行监测数据簇进行特征空间映射操作，以形成各数据维度对应的各运行空间映射特征表示；

利用所述优化后的异常分析网络包括的映射特征整合单元，对各数据维度对应的各运行空间映射特征表示进行映射特征整合操作，以输出所述待监测物联网系统对应的待分析运行特征表示；

利用所述优化后的异常分析网络，在所述预设数据维度对应的待定标识数据簇中，匹配出所述待分析运行特征表示对应的系统运行标识数据，以形成所述待监测物联网系统对应的系统运行标识数据簇，所述预设数据维度属于所述待监测物联网系统在数据交换的维度，所述系统运行标识数据簇至少包括数据交换丢失对应的系统运行标识数据、数据交互失真对应的系统运行标识数据。

2.如权利要求1所述的基于数据挖掘的物联网异常监测方法，其特征在于，所述后期示例性数据的形成过程，包括：确定出在前时间区间对应的在前物联网运行信息簇，以及，确定出在后时间区间基于所述预设数据维度具有的在后物联网运行信息簇，所述在后时间区间属于所述在前时间区间以后的一个时间区间，所述在前物联网运行信息簇包括所述预设数据维度对应的物联网系统运行信息；

基于所述在前物联网运行信息簇，分析形成后期示例性数据包括的后期示例性的系统运行监测数据簇；

基于所述在后物联网运行信息簇，分析形成所述后期示例性数据包括的预设数据维度对应的示例性标识数据。

3.如权利要求1所述的基于数据挖掘的物联网异常监测方法，其特征在于，所述候选的异常分析网络的网络更新过程，包括：确定出配置的主筛选参数和从筛选参数；

基于所述后期示例性数据，将所述候选的异常分析网络进行网络更新操作，以及，基于所述主筛选参数，对后期示例性的系统运行监测数据簇中预设数据维度对应的系统运行监测数据进行筛选，并基于所述从筛选参数，对后期示例性的系统运行监测数据簇中其它数据维度对应的系统运行监测数据进行筛选。

4.如权利要求1所述的基于数据挖掘的物联网异常监测方法，其特征在于，所述前期示例性数据的形成过程，包括:确定出各示例性数据维度分别对应的示例性物联网运行信息簇；

确定出各所述示例性物联网运行信息簇中各示例性物联网运行信息对应的标识数据，以形成各示例性数据维度对应的标识数据示例性簇；

基于各所述标识数据示例性簇中各标识数据对应的示例性物联网运行信息对应的运行持续时长和运行信息有效性参数，分析出各所述标识数据示例性簇中各标识数据的重要性表征参数；

基于各所述标识数据示例性簇中各标识数据的重要性表征参数，分析出所述前期示例性数据对应的标识数据筛选簇；

在所述标识数据筛选簇中，确定出目标数量的筛选标识数据，以确定为所述前期示例性数据对应的目标示例性标识数据，以及，基于所述目标示例性标识数据，形成所述前期示例性数据对应的示例性标识数据簇；

基于所述标识数据筛选簇中未被确定为目标示例性标识数据的其它筛选标识数据和所述示例性物联网运行信息簇，确定出所述前期示例性数据对应的前期示例性的系统运行监测数据簇。

5.如权利要求4所述的基于数据挖掘的物联网异常监测方法，其特征在于，所述在所述标识数据筛选簇中，确定出目标数量的筛选标识数据，以确定为所述前期示例性数据对应的目标示例性标识数据，以及，基于所述目标示例性标识数据，形成所述前期示例性数据对应的示例性标识数据簇的步骤，包括：在所述标识数据筛选簇中，确定出目标数量的筛选标识数据，以确定为所述前期示例性数据对应的目标示例性标识数据；

对所述目标示例性标识数据进行标记，以标记为所述前期示例性数据对应的相关的示例性标识数据；

确定出非相关的示例性标识数据，所述非相关的示例性标识数据是基于第一示例性标识数据和第二示例性标识数据中的至少一种示例性标识数据，所述第一示例性标识数据属于所述前期示例性数据以外的其它示例性数据对应的相关的示例性标识数据；所述第二示例性标识数据属于预先构建的标识数据库中的标识数据；

基于所述相关的示例性标识数据和所述非相关的示例性标识数据，确定出所述前期示例性数据对应的示例性标识数据簇。

6.如权利要求1所述的基于数据挖掘的物联网异常监测方法，其特征在于，所述映射特征整合单元包括特征内部整合单元、特征外部整合单元、特征关联整合单元和特征线性整合单元；

所述利用所述优化后的异常分析网络包括的映射特征整合单元，对各数据维度对应的各运行空间映射特征表示进行映射特征整合操作，以输出所述待监测物联网系统对应的待分析运行特征表示的步骤，包括：利用所述特征内部整合单元，分别对各所述数据维度对应的各运行空间映射特征表示进行整合操作，以输出各数据维度对应的内部映射特征表示；

利用所述特征外部整合单元，对各所述内部映射特征表示进行整合操作，以输出所述待监测物联网系统对应的外部映射特征表示；

利用所述特征关联整合单元，将所述外部映射特征表示中的局部特征表示进行关联分析操作，以输出对应的关联分析特征表示，所述外部映射特征表示包括多个局部特征表示，该关联分析操作的对象包括所述多个局部特征表示中的至少两个局部特征表示，且所述多个局部特征表示中的每两个局部特征表示具有相同的特征表示尺寸，每一个所述局部特征表示中的特征表示参数属于所述外部映射特征表示中的特征表示参数；

利用所述特征线性整合单元，对所述外部映射特征表示和所述关联分析特征表示进行线性整合操作，以输出所述待监测物联网系统对应的待分析运行特征表示。

7.如权利要求6所述的基于数据挖掘的物联网异常监测方法，其特征在于，所述利用所述特征内部整合单元，分别对各所述数据维度对应的各运行空间映射特征表示进行整合操作，以输出各数据维度对应的内部映射特征表示的步骤，包括：利用所述特征内部整合单元，确定出各所述数据维度对应的各运行空间映射特征表示分别具有的显著性评估参数；

利用所述特征内部整合单元，对各所述数据维度对应的各运行空间映射特征表示基于各自对应的显著性评估参数进行加权整合操作，以形成各所述数据维度对应的内部映射特征表示；

并且，所述利用所述特征外部整合单元，对各所述内部映射特征表示进行整合操作，以输出所述待监测物联网系统对应的外部映射特征表示的步骤，包括：利用所述特征外部整合单元，确定出各所述内部映射特征表示分别对应的显著性评估参数；

利用所述特征外部整合单元，对各所述内部映射特征表示基于各自对应的显著性评估参数进行加权整合操作，以形成所述待监测物联网系统对应的外部映射特征表示。

8.如权利要求1‑7任意一项所述的基于数据挖掘的物联网异常监测方法，其特征在于，所述确定出所述系统运行监测数据簇对应的优化后的异常分析网络的步骤，包括：确定出候选的异常分析网络，所述候选的异常分析网络通过基于前期示例性数据将原始的异常分析网络进行网络更新操作以形成，所述前期示例性数据包括多个示例性数据维度对应的前期示例性的系统运行监测数据簇和对应的示例性标识数据簇；

确定出后期示例性数据，所述后期示例性数据包括后期示例性的系统运行监测数据簇和预设数据维度对应的示例性标识数据，所述后期示例性的系统运行监测数据簇包括所述预设数据维度对应的系统运行监测数据；

对所述后期示例性的系统运行监测数据簇进行加载，以加载到所述候选的异常分析网络的特征空间映射单元中，以利用所述特征空间映射单元将所述后期示例性的系统运行监测数据簇进行特征空间映射操作，以形成各数据维度对应的各运行空间映射特征表示；

利用所述候选的异常分析网络包括的映射特征整合单元，对各数据维度对应的各运行空间映射特征表示进行映射特征整合操作，以输出对应的待分析运行特征表示；

基于所述待分析运行特征表示和所述预设数据维度对应的示例性标识数据，将所述候选的异常分析网络进行网络更新操作，以形成所述预设数据维度对应的优化后的异常分析网络。

9.一种基于数据挖掘的物联网异常监测系统，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现权利要求1‑8任意一项所述的基于数据挖掘的物联网异常监测方法。

说明书

基于数据挖掘的物联网异常监测方法及系统

技术领域

[0001] 本发明涉及人工智能技术领域，具体而言，涉及一种基于数据挖掘的物联网异常监测方法及系统。

背景技术

[0002] 通过信息传感设备，按照约定的协议，把任何物品与互联网连接起来，进行信息交换和通信，以实现智能化识别、定位、跟踪、监控和管理的一种网络。通俗地讲，物联网就是“物物相连的互联网”，它包含两层含义：第一，物联网是互联网的延伸和扩展，其核心和基础仍然是互联网；第二，物联网的用户端不仅包括人，还包括物品，物联网实现了人与物品及物品之间信息的交换和通信。由于物联网的应用范围比较广，因此，需要对物联网进行异常监测，但是，在现有技术中，存在着可靠度不高的问题。

发明内容

[0003] 有鉴于此，本发明的目的在于提供一种基于数据挖掘的物联网异常监测方法及系统，以在一定程度上提高物联网异常监测的可靠度。

[0004] 为实现上述目的，本发明实施例采用如下技术方案：

[0005] 一种基于数据挖掘的物联网异常监测方法，包括：

[0006] 确定出待监测物联网系统对应的系统运行监测数据簇，所述系统运行监测数据簇中的系统运行监测数据包括系统运行日志；

[0007] 确定出所述系统运行监测数据簇对应的优化后的异常分析网络；

[0008] 利用所述优化后的异常分析网络，对所述系统运行监测数据簇进行物联网运行异常分析操作，以分析出所述待监测物联网系统对应的系统运行标识数据簇，所述系统运行标识数据簇包括多个系统运行标识数据，所述多个系统运行标识数据用于反映所述待监测物联网系统在多个运行监测层面上具有的运行异常预测信息。

[0009] 在一些优选的实施例中，在上述基于数据挖掘的物联网异常监测方法中，所述系统运行监测数据簇中包括至少一个预设数据维度以外的其它数据维度对应的系统运行监测数据；以及，所述优化后的异常分析网络通过基于后期示例性数据将候选的异常分析网络进行网络更新操作以形成，所述后期示例性数据包括后期示例性的系统运行监测数据簇和所述预设数据维度对应的示例性标识数据，所述后期示例性的系统运行监测数据簇包括所述预设数据维度对应的系统运行监测数据，所述候选的异常分析网络通过基于前期示例性数据将原始的异常分析网络进行网络更新操作以形成，所述前期示例性数据包括多个示例性数据维度对应的前期示例性的系统运行监测数据簇和对应的示例性标识数据簇；

[0010] 其中，所述利用所述优化后的异常分析网络，对所述系统运行监测数据簇进行物联网运行异常分析操作，以分析出所述待监测物联网系统对应的系统运行标识数据簇的步骤，包括：

[0011] 对所述系统运行监测数据簇进行加载，以加载到所述优化后的异常分析网络包括的特征空间映射单元中，以利用所述特征空间映射单元，对所述系统运行监测数据簇进行特征空间映射操作，以形成各数据维度对应的各运行空间映射特征表示；

[0012] 利用所述优化后的异常分析网络包括的映射特征整合单元，对各数据维度对应的各运行空间映射特征表示进行映射特征整合操作，以输出所述待监测物联网系统对应的待分析运行特征表示；

[0013] 利用所述优化后的异常分析网络，在所述预设数据维度对应的待定标识数据簇中，匹配出所述待分析运行特征表示对应的系统运行标识数据，以形成所述待监测物联网系统对应的系统运行标识数据簇，所述预设数据维度属于所述待监测物联网系统在数据交换的维度，所述系统运行标识数据簇至少包括数据交换丢失对应的系统运行标识数据、数据交互失真对应的系统运行标识数据。

[0014] 在一些优选的实施例中，在上述基于数据挖掘的物联网异常监测方法中，所述后期示例性数据的形成过程，包括：

[0015] 确定出在前时间区间对应的在前物联网运行信息簇，以及，确定出在后时间区间基于所述预设数据维度具有的在后物联网运行信息簇，所述在后时间区间属于所述在前时间区间以后的一个时间区间，所述在前物联网运行信息簇包括所述预设数据维度对应的物联网系统运行信息；

[0016] 基于所述在前物联网运行信息簇，分析形成后期示例性数据包括的后期示例性的系统运行监测数据簇；

[0017] 基于所述在后物联网运行信息簇，分析形成所述后期示例性数据包括的预设数据维度对应的示例性标识数据。

[0018] 在一些优选的实施例中，在上述基于数据挖掘的物联网异常监测方法中，所述候选的异常分析网络的网络更新过程，包括：

[0019] 确定出配置的主筛选参数和从筛选参数；

[0020] 基于所述后期示例性数据，将所述候选的异常分析网络进行网络更新操作，以及，基于所述主筛选参数，对后期示例性的系统运行监测数据簇中预设数据维度对应的系统运行监测数据进行筛选，并基于所述从筛选参数，对后期示例性的系统运行监测数据簇中其它数据维度对应的系统运行监测数据进行筛选。

[0021] 在一些优选的实施例中，在上述基于数据挖掘的物联网异常监测方法中，所述前期示例性数据的形成过程，包括:

[0022] 确定出各示例性数据维度分别对应的示例性物联网运行信息簇；

[0023] 确定出各所述示例性物联网运行信息簇中各示例性物联网运行信息对应的标识数据，以形成各示例性数据维度对应的标识数据示例性簇；

[0024] 基于各所述标识数据示例性簇中各标识数据对应的示例性物联网运行信息对应的运行持续时长和运行信息有效性参数，分析出各所述标识数据示例性簇中各标识数据的重要性表征参数；

[0025] 基于各所述标识数据示例性簇中各标识数据的重要性表征参数，分析出所述前期示例性数据对应的标识数据筛选簇；

[0026] 在所述标识数据筛选簇中，确定出目标数量的筛选标识数据，以确定为所述前期示例性数据对应的目标示例性标识数据，以及，基于所述目标示例性标识数据，形成所述前期示例性数据对应的示例性标识数据簇；

[0027] 基于所述标识数据筛选簇中未被确定为目标示例性标识数据的其它筛选标识数据和所述示例性物联网运行信息簇，确定出所述前期示例性数据对应的前期示例性的系统运行监测数据簇。

[0028] 在一些优选的实施例中，在上述基于数据挖掘的物联网异常监测方法中，所述在所述标识数据筛选簇中，确定出目标数量的筛选标识数据，以确定为所述前期示例性数据对应的目标示例性标识数据，以及，基于所述目标示例性标识数据，形成所述前期示例性数据对应的示例性标识数据簇的步骤，包括：

[0029] 在所述标识数据筛选簇中，确定出目标数量的筛选标识数据，以确定为所述前期示例性数据对应的目标示例性标识数据；

[0030] 对所述目标示例性标识数据进行标记，以标记为所述前期示例性数据对应的相关的示例性标识数据；

[0031] 确定出非相关的示例性标识数据，所述非相关的示例性标识数据是基于第一示例性标识数据和第二示例性标识数据中的至少一种示例性标识数据，所述第一示例性标识数据属于所述前期示例性数据以外的其它示例性数据对应的相关的示例性标识数据；所述第二示例性标识数据属于预先构建的标识数据库中的标识数据；

[0032] 基于所述相关的示例性标识数据和所述非相关的示例性标识数据，确定出所述前期示例性数据对应的示例性标识数据簇。

[0033] 在一些优选的实施例中，在上述基于数据挖掘的物联网异常监测方法中，所述映射特征整合单元包括特征内部整合单元、特征外部整合单元、特征关联整合单元和特征线性整合单元；

[0034] 所述利用所述优化后的异常分析网络包括的映射特征整合单元，对各数据维度对应的各运行空间映射特征表示进行映射特征整合操作，以输出所述待监测物联网系统对应的待分析运行特征表示的步骤，包括：

[0035] 利用所述特征内部整合单元，分别对各所述数据维度对应的各运行空间映射特征表示进行整合操作，以输出各数据维度对应的内部映射特征表示；

[0036] 利用所述特征外部整合单元，对各所述内部映射特征表示进行整合操作，以输出所述待监测物联网系统对应的外部映射特征表示；

[0037] 利用所述特征关联整合单元，将所述外部映射特征表示中的局部特征表示进行关联分析操作，以输出对应的关联分析特征表示，所述外部映射特征表示包括多个局部特征表示，该关联分析操作的对象包括所述多个局部特征表示中的至少两个局部特征表示，且所述多个局部特征表示中的每两个局部特征表示具有相同的特征表示尺寸，每一个所述局部特征表示中的特征表示参数属于所述外部映射特征表示中的特征表示参数；

[0038] 利用所述特征线性整合单元，对所述外部映射特征表示和所述关联分析特征表示进行线性整合操作，以输出所述待监测物联网系统对应的待分析运行特征表示。

[0039] 在一些优选的实施例中，在上述基于数据挖掘的物联网异常监测方法中，所述利用所述特征内部整合单元，分别对各所述数据维度对应的各运行空间映射特征表示进行整合操作，以输出各数据维度对应的内部映射特征表示的步骤，包括：

[0040] 利用所述特征内部整合单元，确定出各所述数据维度对应的各运行空间映射特征表示分别具有的显著性评估参数；

[0041] 利用所述特征内部整合单元，对各所述数据维度对应的各运行空间映射特征表示基于各自对应的显著性评估参数进行加权整合操作，以形成各所述数据维度对应的内部映射特征表示；

[0042] 并且，所述利用所述特征外部整合单元，对各所述内部映射特征表示进行整合操作，以输出所述待监测物联网系统对应的外部映射特征表示的步骤，包括：

[0043] 利用所述特征外部整合单元，确定出各所述内部映射特征表示分别对应的显著性评估参数；

[0044] 利用所述特征外部整合单元，对各所述内部映射特征表示基于各自对应的显著性评估参数进行加权整合操作，以形成所述待监测物联网系统对应的外部映射特征表示。

[0045] 在一些优选的实施例中，在上述基于数据挖掘的物联网异常监测方法中，所述确定出所述系统运行监测数据簇对应的优化后的异常分析网络的步骤，包括：

[0046] 确定出候选的异常分析网络，所述候选的异常分析网络通过基于前期示例性数据将原始的异常分析网络进行网络更新操作以形成，所述前期示例性数据包括多个示例性数据维度对应的前期示例性的系统运行监测数据簇和对应的示例性标识数据簇；

[0047] 确定出后期示例性数据，所述后期示例性数据包括后期示例性的系统运行监测数据簇和预设数据维度对应的示例性标识数据，所述后期示例性的系统运行监测数据簇包括所述预设数据维度对应的系统运行监测数据；

[0048] 对所述后期示例性的系统运行监测数据簇进行加载，以加载到所述候选的异常分析网络的特征空间映射单元中，以利用所述特征空间映射单元将所述后期示例性的系统运行监测数据簇进行特征空间映射操作，以形成各数据维度对应的各运行空间映射特征表示；

[0049] 利用所述候选的异常分析网络包括的映射特征整合单元，对各数据维度对应的各运行空间映射特征表示进行映射特征整合操作，以输出对应的待分析运行特征表示；

[0050] 基于所述待分析运行特征表示和所述预设数据维度对应的示例性标识数据，将所述候选的异常分析网络进行网络更新操作，以形成所述预设数据维度对应的优化后的异常分析网络。

[0051] 本发明实施例还提供一种基于数据挖掘的物联网异常监测系统，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现上述的基于数据挖掘的物联网异常监测方法。

[0052] 本发明实施例提供的基于数据挖掘的物联网异常监测方法及系统，可以先确定出待监测物联网系统对应的系统运行监测数据簇；确定出系统运行监测数据簇对应的优化后的异常分析网络；利用优化后的异常分析网络，对系统运行监测数据簇进行物联网运行异常分析操作，以分析出待监测物联网系统对应的系统运行标识数据簇。基于前述的内容，由于分析出的系统运行标识数据簇包括多个系统运行标识数据，使得表征运行异常的内容更为丰富，因此可以在一定程度上提高物联网异常监测的可靠度，从而改善现有技术中存在的物联网异常监测的可靠度不高的问题。

[0053] 为使本发明的上述目的、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

[0054] 图1为本发明实施例提供的基于数据挖掘的物联网异常监测系统的结构框图。

[0055] 图2为本发明实施例提供的基于数据挖掘的物联网异常监测方法包括的各步骤的流程示意图。

[0056] 图3为本发明实施例提供的基于数据挖掘的物联网异常监测装置包括的各模块的示意图。

具体实施方式

[0057] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

[0058] 因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0059] 如图1所示，本发明实施例提供了一种基于数据挖掘的物联网异常监测系统。其中，所述物联网异常监测系统可以包括存储器和处理器。

[0060] 具体而言，所述存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件（firmware）的形式，存在的软件功能模块（计算机程序）。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序，从而实现本发明实施例（如后文所述）提供的基于数据挖掘的物联网异常监测方法。

[0061] 具体而言，在一些可能的实施方式中，所述存储器可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable  Read‑Only Memory，PROM），可擦除只读存储器（Erasable Programmable Read‑Only Memory，EPROM），电可擦除只读存储器（Electric Erasable Programmable Read‑Only Memory，EEPROM）等。所述处理器可以是一种通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）、片上系统(System on Chip，SoC)等；还可以是数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

[0062] 具体而言，在一些可能的实施方式中，所述基于数据挖掘的物联网异常监测系统可以是一种具备数据处理能力的服务器。

[0063] 结合图2，本发明实施例还提供一种基于数据挖掘的物联网异常监测方法，可应用于上述基于数据挖掘的物联网异常监测系统。其中，所述基于数据挖掘的物联网异常监测方法有关的流程所定义的方法步骤，可以由所述基于数据挖掘的物联网异常监测系统实现。

[0064] 下面将对图2所示的具体流程，进行详细阐述。

[0065] 步骤S110，确定出待监测物联网系统对应的系统运行监测数据簇。

[0066] 在本发明实施例中，所述基于数据挖掘的物联网异常监测系统可以确定出待监测物联网系统对应的系统运行监测数据簇。所述系统运行监测数据簇中的系统运行监测数据包括系统运行日志，即用于记录待监测物联网系统的运行过程，如各物联网终端、物联网网关等物联网设备的运行过程，举例来说，可以是XXX时间XXX设备执行了XXX操作。

[0067] 步骤S120，确定出所述系统运行监测数据簇对应的优化后的异常分析网络。

[0068] 在本发明实施例中，所述基于数据挖掘的物联网异常监测系统可以确定出所述系统运行监测数据簇对应的优化后的异常分析网络。也就是说，所述优化后的异常分析网络是基于与所述系统运行监测数据簇相关的其它运行监测数据进行网络学习以形成。

[0069] 步骤S130，利用所述优化后的异常分析网络，对所述系统运行监测数据簇进行物联网运行异常分析操作，以分析出所述待监测物联网系统对应的系统运行标识数据簇。

[0070] 在本发明实施例中，所述基于数据挖掘的物联网异常监测系统可以利用所述优化后的异常分析网络，对所述系统运行监测数据簇进行物联网运行异常分析操作，以分析出所述待监测物联网系统对应的系统运行标识数据簇。所述系统运行标识数据簇包括多个系统运行标识数据，所述多个系统运行标识数据用于反映所述待监测物联网系统在多个运行监测层面上具有的运行异常预测信息，如是否具有异常等。

[0071] 基于前述的内容，即前述的步骤S110、步骤S120和步骤S130，由于分析出的系统运行标识数据簇包括多个系统运行标识数据，使得表征运行异常的内容更为丰富，因此可以在一定程度上提高物联网异常监测的可靠度，从而改善现有技术中存在的物联网异常监测的可靠度不高的问题。

[0072] 具体而言，在一些可能的实施方式中，上面的步骤S120，即所述确定出所述系统运行监测数据簇对应的优化后的异常分析网络的步骤，可以进一步包括以下的详细实施内容：

[0073] 确定出候选的异常分析网络，所述候选的异常分析网络通过基于前期示例性数据将原始的异常分析网络进行网络更新操作以形成，所述前期示例性数据包括多个示例性数据维度对应的前期示例性的系统运行监测数据簇和对应的示例性标识数据簇，即学习到系统运行监测数据簇和示例性标识数据簇之间的数据映射关系；

[0074] 确定出后期示例性数据，所述后期示例性数据包括后期示例性的系统运行监测数据簇和预设数据维度对应的示例性标识数据，所述后期示例性的系统运行监测数据簇包括所述预设数据维度对应的系统运行监测数据；

[0075] 对所述后期示例性的系统运行监测数据簇进行加载，以加载到所述候选的异常分析网络的特征空间映射单元中，以利用所述特征空间映射单元将所述后期示例性的系统运行监测数据簇进行特征空间映射操作，以形成各数据维度对应的各运行空间映射特征表示，如前相关描述；

[0076] 利用所述候选的异常分析网络包括的映射特征整合单元，对各数据维度对应的各运行空间映射特征表示进行映射特征整合操作，以输出对应的待分析运行特征表示，如前相关描述；

[0077] 基于所述待分析运行特征表示和所述预设数据维度对应的示例性标识数据，将所述候选的异常分析网络进行网络更新操作，以形成所述预设数据维度对应的优化后的异常分析网络，也就是说，基于所述待分析运行特征表示和所述预设数据维度对应的示例性标识数据之间的差异，将所述候选的异常分析网络包括的网络参数进行更新优化。

[0078] 其中，具体而言，在一些可能的实施方式中，所述基于所述待分析运行特征表示和所述预设数据维度对应的示例性标识数据，将所述候选的异常分析网络进行网络更新操作，以形成所述预设数据维度对应的优化后的异常分析网络的步骤，可以进一步包括以下的详细实施内容：

[0079] 基于所述预设数据维度对应的示例性标识数据与所述相关的示例性标识数据和所述非相关的示例性标识数据之间的所属关系，确定出所述预设数据维度对应的示例性标识数据具有的实际表征参数，例如，在所述预设数据维度对应的示例性标识数据属于所述相关的示例性标识数据的时候，该实际表征参数可以等于1，如表征具有数据交互失真，在所述预设数据维度对应的示例性标识数据属于所述非相关的示例性标识数据的时候，该实际表征参数可以等于0，如表征不具有数据交互失真；

[0080] 将所述预设数据维度对应的示例性标识数据进行特征空间映射操作，如进行编码，以形成对应的示例性标识特征表示；

[0081] 对所述示例性标识特征表示和所述待分析运行特征表示进行数量积的计算，以输出对应的特征表示数量积，以及，对所述特征表示数量积进行指数运算，最后，对指数运算的结果进行调整，以形成所述待分析运行特征表示对应的估计表征参数，例如，可以先对所述指数运算的结果与目标数值进行求和计算，再将所述指数运算的结果与求和计算的结果进行比值计算，以得到对应的估计表征参数，该目标数值可以等于1；

[0082] 确定出所述估计表征参数的第一负相关值，并确定出所述实际表征参数的第二负相关值，例如，所述第一负相关值和所述估计表征参数之间的和值可以等于所述目标数值，所述第二负相关值和所述实际表征参数之间的和值也可以等于所述目标数值；

[0083] 基于所述实际表征参数，对所述估计表征参数的取对数结果进行加权，以形成对应的第一加权参数，以及，基于所述第二负相关值，对所述第一负相关值的取对数结果进行加权，以形成对应的第二加权参数，以及，对所述第一加权参数和所述第二加权参数进行融合，以得到所述候选的异常分析网络具有的网络更新误差参数；示例性地，可以先计算所述第一加权系数和所述第二加权系数之间的和值，该网络更新误差参数可以与该和值之间具有负相关的关系，如两者之间的和值等于1；在其它实施方式中，如所述预设数据维度对应的示例性标识数据可以为多个，如数据交换丢失对应的系统运行标识数据、数据交互失真对应的系统运行标识数据，如此，可以进一步将得到的多个网络更新误差参数进行均值计算，以得到最后的网络更新误差参数，以进行后续的网络更新操作；

[0084] 沿着降低所述网络更新误差参数的方向，将所述候选的异常分析网络进行网络更新操作，形成所述预设数据维度对应的优化后的异常分析网络。

[0085] 具体而言，在一些可能的实施方式中，所述系统运行监测数据簇中包括至少一个预设数据维度以外的其它数据维度对应的系统运行监测数据，即所述系统运行监测数据簇在包括预设数据维度对应的系统运行监测数据的基础上，还包括预设数据维度以外的至少一个其它数据维度对应的系统运行监测数据。另外，所述优化后的异常分析网络通过基于后期示例性数据将候选的异常分析网络进行网络更新操作以形成，所述后期示例性数据包括后期示例性的系统运行监测数据簇和所述预设数据维度对应的示例性标识数据（用于反映对应的运行异常信息），所述后期示例性的系统运行监测数据簇包括所述预设数据维度对应的系统运行监测数据，所述候选的异常分析网络通过基于前期示例性数据将原始的异常分析网络进行网络更新操作以形成，所述前期示例性数据包括多个示例性数据维度对应的前期示例性的系统运行监测数据簇和对应的示例性标识数据簇。

[0086] 基于此，上面的步骤S130，即所述利用所述优化后的异常分析网络，对所述系统运行监测数据簇进行物联网运行异常分析操作，以分析出所述待监测物联网系统对应的系统运行标识数据簇的步骤，可以进一步包括以下的详细实施内容：

[0087] 对所述系统运行监测数据簇进行加载，以加载到所述优化后的异常分析网络包括的特征空间映射单元中，以利用所述特征空间映射单元，对所述系统运行监测数据簇进行特征空间映射操作，以形成各数据维度对应的各运行空间映射特征表示，所述特征空间映射单元可以是编码网络，如此，可以分别对各数据维度对应的系统运行监测数据进行编码处理，以实现特征空间的映射，从而得到各数据维度对应的各运行空间映射特征表示；

[0088] 利用所述优化后的异常分析网络包括的映射特征整合单元，对各数据维度对应的各运行空间映射特征表示进行映射特征整合操作，以输出所述待监测物联网系统对应的待分析运行特征表示；

[0089] 利用所述优化后的异常分析网络，在所述预设数据维度对应的待定标识数据簇中，匹配出所述待分析运行特征表示对应的系统运行标识数据，以形成所述待监测物联网系统对应的系统运行标识数据簇，所述预设数据维度属于所述待监测物联网系统在数据交换的维度（基于此，可以是针对所述待监测物联网系统中的网关设备进行的分析，如此，所述至少一个其它数据维度可以是后端的服务器对网关设备下发的指令的执行信息的维度，还可以是网关设备之间进行数据共享的记录信息的维度，以及，还可以是网关设备之间进行协同计算的记录信息的维度等），所述系统运行标识数据簇至少包括数据交换丢失对应的系统运行标识数据、数据交互失真对应的系统运行标识数据，以及，其它基于实际需求选择的数据。

[0090] 具体而言，在一些可能的实施方式中，所述后期示例性数据的形成过程，可以进一步包括以下的详细实施内容：

[0091] 确定出在前时间区间对应的在前物联网运行信息簇，以及，确定出在后时间区间基于所述预设数据维度具有的在后物联网运行信息簇，所述在后时间区间属于所述在前时间区间以后的一个时间区间（另外，所述在后时间区间和所述在前时间区间的具体时间区间长度不受限制，且所述在后时间区间和所述在前时间区间之间的间隔也不受限制），所述在前物联网运行信息簇包括所述预设数据维度对应的物联网系统运行信息，即对相应的物联网系统进行的数据交换过程进行记录的数据，可以用文本表示；

[0092] 基于所述在前物联网运行信息簇，分析形成后期示例性数据包括的后期示例性的系统运行监测数据簇，例如，可以直接将所述在前物联网运行信息簇作为所述期示例性的系统运行监测数据簇；

[0093] 基于所述在后物联网运行信息簇，分析形成所述后期示例性数据包括的预设数据维度对应的示例性标识数据，例如，可以对所述在后物联网运行信息簇进行分析，如提取出其中携带的信息，如前端上报的能够表征运行异常的状态信息，或后端下发的能够表征运行异常的状态信息，若没有提取到相应的状态信息，可以进行人工标注，以得到示例性标识数据。

[0094] 具体而言，在一些可能的实施方式中，所述候选的异常分析网络的网络更新过程，可以进一步包括以下的详细实施内容：

[0095] 确定出配置的主筛选参数和从筛选参数；

[0096] 基于所述后期示例性数据，将所述候选的异常分析网络进行网络更新操作，以及，基于所述主筛选参数，对后期示例性的系统运行监测数据簇中预设数据维度对应的系统运行监测数据进行筛选，并基于所述从筛选参数，对后期示例性的系统运行监测数据簇中其它数据维度对应的系统运行监测数据进行筛选；也就是说，在基于所述后期示例性数据对候选的异常分析网络进行网络更新的过程中，基于所述主筛选参数，选中所述后期示例性的系统运行监测数据簇中预设数据维度对应的系统运行监测数据，即筛除所述后期示例性的系统运行监测数据簇中预设数据维度对应的部分的系统运行监测数据；在将预设数据维度对应的系统运行监测数据丢弃后，所述后期示例性的系统运行监测数据簇中只剩下了其它数据维度对应的系统运行监测数据，因此，可以学习在预设数据维度的数据丢弃的时候，其它数据维度的数据如何映射到预设数据维度的系统运行标识数据簇，降低了对预设数据维度的数据的依赖；另一方面，在基于所述后期示例性数据对候选的异常分析网络进行网络更新的过程中，基于所述从筛选参数，选中所述后期示例性的系统运行监测数据簇中其它数据维度对应的系统运行监测数据，即筛除所述后期示例性的系统运行监测数据簇中其它数据维度对应的部分的系统运行监测数据，在对其它数据维度对应的系统运行监测数据进行筛除时，可以选择其它数据维度中的一个或者多个数据维度的数据进行筛除。

[0097] 其中，所述主筛选参数和所述从筛选参数的具体数值不受限制，并且，所述主筛选参数小于所述从筛选参数，举例来说，在一个具体的实施例中，可以设定以30％的主筛选参数以选中所述后期示例性的系统运行监测数据簇中预设数据维度对应的系统运行监测数据，以70％的主筛选参数以选中所述后期示例性的系统运行监测数据簇中其它数据维度对应的系统运行监测数据。倘若将所述候选的异常分析网络进行了100次的网络更新操作，其中，有30次选中了后期示例性的系统运行监测数据簇中预设数据维度对应的系统运行监测数据，有70次选中其它数据维度对应的系统运行监测数据。

[0098] 具体而言，在一些可能的实施方式中，所述前期示例性数据的形成过程，可以进一步包括以下的详细实施内容：

[0099] 确定出各示例性数据维度分别对应的示例性物联网运行信息簇，所述示例性物联网运行信息簇中可以包括多个示例性物联网运行信息；

[0100] 确定出各所述示例性物联网运行信息簇中各示例性物联网运行信息对应的标识数据，以形成各示例性数据维度对应的标识数据示例性簇，所述标识数据可以是基于其它神经网络分析形成，也可以是人工标注形成；

[0101] 基于各所述标识数据示例性簇中各标识数据对应的示例性物联网运行信息对应的运行持续时长和运行信息有效性参数，分析出各所述标识数据示例性簇中各标识数据的重要性表征参数，也就是说，所述重要性表征参数可以融合对应的运行持续时长和运行信息有效性参数；

[0102] 基于各所述标识数据示例性簇中各标识数据的重要性表征参数，分析出所述前期示例性数据对应的标识数据筛选簇，例如，可以提取出重要性表征参数最大的一个或指定数量的多个标识数据，以作为所述前期示例性数据对应的标识数据筛选簇；

[0103] 在所述标识数据筛选簇中，确定出目标数量的筛选标识数据，以确定为所述前期示例性数据对应的目标示例性标识数据，以及，基于所述目标示例性标识数据，形成所述前期示例性数据对应的示例性标识数据簇；也就是说，所述目标示例性标识数据包括目标数量的筛选标识数据，所述目标数量的具体数值不受限制，例如，可以直接将所述目标示例性标识数据作为所述前期示例性数据对应的示例性标识数据簇；

[0104] 基于所述标识数据筛选簇中未被确定为目标示例性标识数据的其它筛选标识数据和所述示例性物联网运行信息簇，确定出所述前期示例性数据对应的前期示例性的系统运行监测数据簇，例如，可以将所述标识数据筛选簇中未被确定为目标示例性标识数据的其它筛选标识数据，加入到所述示例性物联网运行信息簇中的相应数据中，如此，可以形成所述前期示例性数据对应的前期示例性的系统运行监测数据簇。

[0105] 其中，具体而言，在一些可能的实施方式中，所述基于各所述标识数据示例性簇中各标识数据对应的示例性物联网运行信息对应的运行持续时长和运行信息有效性参数，分析出各所述标识数据示例性簇中各标识数据的重要性表征参数的步骤，可以进一步包括以下的详细实施内容：

[0106] 确定出各所述标识数据示例性簇中各标识数据对应的示例性物联网运行信息的运行结束时刻信息，以及，基于所述运行结束时刻信息，确定出具有相关性的运行信息有效性参数，例如，所述运行结束时刻信息越晚，则所述运行信息有效性参数越大；反之，所述运行结束时刻信息越早，则所述运行信息有效性参数越小；

[0107] 分别对各所述标识数据示例性簇中各标识数据对应的示例性物联网运行信息对应的运行持续时长和运行信息有效性参数进行融合计算，如将运行持续时长和运行信息有效性参数进行相乘运算，如此，可以得到所述标识数据示例性簇中各标识数据的重要性表征参数。

[0108] 具体而言，在一些可能的实施方式中，所述在所述标识数据筛选簇中，确定出目标数量的筛选标识数据，以确定为所述前期示例性数据对应的目标示例性标识数据，以及，基于所述目标示例性标识数据，形成所述前期示例性数据对应的示例性标识数据簇的步骤，可以进一步包括以下的详细实施内容：

[0109] 在所述标识数据筛选簇中，确定出目标数量的筛选标识数据，以确定为所述前期示例性数据对应的目标示例性标识数据；

[0110] 对所述目标示例性标识数据进行标记，以标记为所述前期示例性数据对应的相关的示例性标识数据；

[0111] 确定出非相关的示例性标识数据，所述非相关的示例性标识数据是基于第一示例性标识数据和第二示例性标识数据中的至少一种示例性标识数据，所述第一示例性标识数据属于所述前期示例性数据以外的其它示例性数据对应的相关的示例性标识数据，例如，对应的物联网系统可以不一样，举例来说，所述前期示例性数据可以是针对物联网系统1，所述第一示例性标识数据可以是针对物联网系统2；所述第二示例性标识数据属于预先构建的标识数据库中的标识数据（可以随机筛选）；

[0112] 基于所述相关的示例性标识数据和所述非相关的示例性标识数据，确定出所述前期示例性数据对应的示例性标识数据簇，也就是说，所述示例性标识数据簇可以包括所述相关的示例性标识数据和所述非相关的示例性标识数据，即在网络更新的过程中，需要降低输出数据和所述相关的示例性标识数据之间的差距，以及增大输出数据和所述非相关的示例性标识数据；基于此，由于增加了所述非相关的示例性标识数据，可以保证在数据较少时，得到的前期示例性数据仍然能够有足够的准确度，保证更新效果。

[0113] 具体而言，在一些可能的实施方式中，所述映射特征整合单元可以包括特征内部整合单元、特征外部整合单元、特征关联整合单元和特征线性整合单元，基于此，所述利用所述优化后的异常分析网络包括的映射特征整合单元，对各数据维度对应的各运行空间映射特征表示进行映射特征整合操作，以输出所述待监测物联网系统对应的待分析运行特征表示的步骤，可以进一步包括以下的详细实施内容：

[0114] 利用所述特征内部整合单元，分别对各所述数据维度对应的各运行空间映射特征表示进行整合操作，以输出各数据维度对应的内部映射特征表示，也就是说，将各所述数据维度对应的各运行空间映射特征表示进行自身的分析整合，以得到信息表征能力更强的内部映射特征表示，具体来说，一个数据维度对应的运行空间映射特征表示可以有多个，也就是说，一个数据维度对应的系统运行监测数据可以为多个，如系统包括的多个设备，每一个设备都具有对应的系统运行监测数据，或者说，也可以按照时间进行划分，即针对多个时间段，可以具有对应的多个系统运行监测数据，如此，可以将一个数据维度对应的多个运行空间映射特征表示进行整合，如叠加或均值化等操作，从而得到一个数据维度对应的内部映射特征表示；

[0115] 利用所述特征外部整合单元，对各所述内部映射特征表示进行整合操作，以输出所述待监测物联网系统对应的外部映射特征表示，也就是说，将各个数据维度的信息进行进一步的增强，如此，可以进一步提高出所述待监测物联网系统对应的外部映射特征表示的信息表达能力；

[0116] 利用所述特征关联整合单元，将所述外部映射特征表示中的局部特征表示进行关联分析操作，以输出对应的关联分析特征表示，也就是说，对所述外部映射特征表示中的各个部分进行关联分析；示例性地，所述外部映射特征表示的每一个特征表示参数，都可以作为所述外部映射特征表示的一个局部特征表示，如此，所述外部映射特征表示可以包括多个局部特征表示，如此，关联分析特征表示则是指对外部映射特征表示中的局部特征表示进行聚合后得到的，能够反映各局部特征表示之间相关性的特征表示（即向量，前述的特征表示参数即向量参数）；具体地，可以将所述外部映射特征表示中任意的两个或两个以上的局部特征表示进行关联分析操作，经过关联分析操作后便可得到多个可以表示局部特征表示之间相关性的关联局部特征表示，然后，可以将这些关联局部特征表示聚合，即可得到所述待监测物联网系统对应的关联分析特征表示；

[0117] 利用所述特征线性整合单元，对所述外部映射特征表示和所述关联分析特征表示进行线性整合操作，以输出所述待监测物联网系统对应的待分析运行特征表示，所述特征线性整合单元可以是一种多层感知机。

[0118] 具体而言，在一些可能的实施方式中，所述利用所述特征内部整合单元，分别对各所述数据维度对应的各运行空间映射特征表示进行整合操作，以输出各数据维度对应的内部映射特征表示的步骤，可以进一步包括以下的详细实施内容：

[0119] 利用所述特征内部整合单元，确定出各所述数据维度对应的各运行空间映射特征表示分别具有的显著性评估参数，示例性地，针对任意一个数据维度，可以确定出该数据维度对应的多个运行空间映射特征表示，然后，针对所述多个运行空间映射特征表示中的任意一个运行空间映射特征表示，对该运行空间映射特征表示以外的其它运行空间映射特征表示进行均值化操作，以形成该运行空间映射特征表示对应的均值运行空间映射特征表示，以及，基于该均值运行空间映射特征表示，分析出该运行空间映射特征表示具有的显著性评估参数，例如，可以将该均值运行空间映射特征表示和该运行空间映射特征表示的数量积作为显著性评估参数；

[0120] 利用所述特征内部整合单元，对各所述数据维度对应的各运行空间映射特征表示基于各自对应的显著性评估参数进行加权整合操作，以形成各所述数据维度对应的内部映射特征表示，例如，针对任意一个数据维度，可以将对应的显著性评估参数作为加权系数，以对该数据维度对应的多个运行空间映射特征表示进行加权求和操作，得到对应的内部映射特征表示。

[0121] 具体而言，在一些可能的实施方式中，所述利用所述特征外部整合单元，对各所述内部映射特征表示进行整合操作，以输出所述待监测物联网系统对应的外部映射特征表示的步骤，可以进一步包括以下的详细实施内容：

[0122] 利用所述特征外部整合单元，确定出各所述内部映射特征表示分别对应的显著性评估参数，示例性地，针对任意一个内部映射特征表示，对该内部映射特征表示以外的各其它内部映射特征表示进行均值化操作，以形成对应的均值内部映射特征表示，以及，基于该均值内部映射特征表示，确定出该内部映射特征表示对应的显著性评估参数，例如，可以将该均值内部映射特征表示和该内部映射特征表示之间的数量积，作为该内部映射特征表示对应的显著性评估参数；

[0123] 利用所述特征外部整合单元，对各所述内部映射特征表示基于各自对应的显著性评估参数进行加权整合操作，如前述的加权求和计算，以形成所述待监测物联网系统对应的外部映射特征表示。

[0124] 其中，具体而言，在一些可能的实施方式中，所述利用所述特征关联整合单元，将所述外部映射特征表示中的局部特征表示进行关联分析操作，以输出对应的关联分析特征表示的步骤，可以进一步包括以下的详细实施内容：

[0125] 利用所述特征关联整合单元，将所述外部映射特征表示中的特征表示参数进行分割组合操作，以形成所述外部映射特征表示对应的多个局部特征表示，所述多个局部特征表示中的每两个局部特征表示之间具有的尺寸一致，如包括的特征表示参数的行数量和列数量都一致，如都是1行1列、2行2列、3行3列、8行8列等；

[0126] 利用所述特征关联整合单元包括的第一参数矩阵包括的每一个第一参数，分别对所述多个局部特征表示中的每一个局部特征表示进行加权处理，以及，利用所述特征关联整合单元包括的第二参数矩阵包括的每一个第二参数，对分别对加权的局部特征表示进行叠加运算，以形成对应的变换局部特征表示，即得到对应的多个变换局部特征表示，分割组合操作的参数、第一参数矩阵和第二参数矩阵都可以在相应的神经网络更新过程中形成；

[0127] 分别对每一个所述局部特征表示和对应的变换局部特征表示进行点积计算，以得到对应的多个点积计算值；

[0128] 分别对所述多个点积计算值中的至少两个点积计算值或每两个点积计算值进行点积计算，以得到至少一个目标点积计算值，最后，可以基于所述至少一个目标点积计算值，确定出对应的关联分析特征表示，例如，可以将所述至少一个目标点积计算值组合在一起，就可以形成对应的关联分析特征表示，即所述关联分析特征表示包括至少一个目标点积计算值组合。

[0129] 其中，具体而言，在一些可能的实施方式中，所述特征线性整合单元可以包括第一特征线性整合单元和第二特征线性整合单元，基于此，所述利用所述特征线性整合单元，对所述外部映射特征表示和所述关联分析特征表示进行线性整合操作，以输出所述待监测物联网系统对应的待分析运行特征表示的步骤，可以进一步包括以下的详细实施内容：

[0130] 利用所述第一特征线性整合单元，对所述关联分析特征表示进行维度变换操作，以形成维度与所述外部映射特征表示的维度一样的维度变换特征表示，以及，将所述维度变换特征表示和所述外部映射特征表示进行级联组合操作，以形成对应的级联组合特征表示，如{所述维度变换特征表示，所述外部映射特征表示}；利用所述第二特征线性整合单元，将所述级联组合特征表示映射为所述待监测物联网系统对应的待分析运行特征表示；示例性地，所述第一特征线性整合单元可以由多层全连接神经网络组成。

[0131] 其中，具体而言，在一些可能的实施方式中，所述利用所述优化后的异常分析网络，在所述预设数据维度对应的待定标识数据簇中，匹配出所述待分析运行特征表示对应的系统运行标识数据，以形成所述待监测物联网系统对应的系统运行标识数据簇的步骤，可以进一步包括以下的详细实施内容：

[0132] 对于所述预设数据维度对应的待定标识数据簇中的每一个待定标识数据，对该待定标识数据进行特征空间映射操作，如通过编码网络进行编码，以形成该待定标识数据对应的标识映射特征表示，以及，对该标识映射特征表示和所述待分析运行特征表示进行匹配度计算，如计算余弦相似度，如此，可以得到该待定标识数据对应的特征表示匹配参数；

[0133] 基于所述特征表示匹配参数，在所述预设数据维度对应的待定标识数据簇中，匹配出所述待分析运行特征表示对应的系统运行标识数据，以形成所述待监测物联网系统对应的系统运行标识数据簇；示例性地，所述系统运行标识数据对应的特征表示匹配参数可以大于或等于预先配置的参考特征表示匹配参数，所述参考特征表示匹配参数可以根据需求进行配置。

[0134] 结合图3，本发明实施例还提供一种基于数据挖掘的物联网异常监测装置，可应用于上述基于数据挖掘的物联网异常监测系统。其中，所述基于数据挖掘的物联网异常监测装置可以包括：

[0135] 运行监测数据确定模块，用于确定出待监测物联网系统对应的系统运行监测数据簇，所述系统运行监测数据簇中的系统运行监测数据包括系统运行日志；

[0136] 分析网络确定模块，用于确定出所述系统运行监测数据簇对应的优化后的异常分析网络；

[0137] 运行异常分析模块，用于利用所述优化后的异常分析网络，对所述系统运行监测数据簇进行物联网运行异常分析操作，以分析出所述待监测物联网系统对应的系统运行标识数据簇，所述系统运行标识数据簇包括多个系统运行标识数据，所述多个系统运行标识数据用于反映所述待监测物联网系统在多个运行监测层面上具有的运行异常预测信息。

[0138] 综上所述，本发明提供的基于数据挖掘的物联网异常监测方法及系统，可以先确定出待监测物联网系统对应的系统运行监测数据簇；确定出系统运行监测数据簇对应的优化后的异常分析网络；利用优化后的异常分析网络，对系统运行监测数据簇进行物联网运行异常分析操作，以分析出待监测物联网系统对应的系统运行标识数据簇。基于前述的内容，由于分析出的系统运行标识数据簇包括多个系统运行标识数据，使得表征运行异常的内容更为丰富，因此可以在一定程度上提高物联网异常监测的可靠度，从而改善现有技术中存在的物联网异常监测的可靠度不高的问题。

[0139] 以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。