一种基于人工智能预警的安全管理系统的制作方法

本发明涉及网络安全，具体地说，涉及一种基于人工智能预警的安全管理系统。

背景技术：

1、基于人工智能预警的安全管理系统是一种利用先进的技术手段对监控目标进行实时监测、数据采集、分析处理和预警的自动化系统。它的主要功能包括实时监控、数据采集、异常检测、预警通知等。这种系统的目的是提高安全管理的效率和预防事故的发生。基于人工智能预警的安全管理系统依托于先进的背景技术，包括人工智能的深度学习与图像识别、物联网的实时数据采集、大数据的分析处理、云计算的弹性资源支持、网络安全的防护机制、数据分析与可视化的信息传达，以及边缘计算的高效响应，共同构建了一个强大的监控平台。该系统能够实时监控、智能分析并及时预警潜在的安全风险，极大地提升了安全管理的效率和准确性。

2、在现有的基于人工智能预警的安全管理系统中，误报和漏报问题很严重，缺少正确的管理。一些管理人员在安装完系统后过度依赖，没有制定相应的反应机制和应急机制，导致系统预警后得不到及时响应。系统可能在复杂背景或低光条件下难以正确识别行人，导致事故发生。因此，设计一种基于人工智能预警的安全管理系统。

技术实现思路

1、本发明的目的在于提供一种基于人工智能预警的安全管理系统，以解决上述背景技术中提出的在现有的基于人工智能预警的安全管理系统中，误报和漏报问题很严重，缺少正确的管理。一些管理人员在安装完系统后过度依赖，没有制定相应的反应机制和应急机制，导致系统预警后得不到及时响应。系统可能在复杂背景或低光条件下难以正确识别行人，导致事故发生的问题。

2、为实现上述目的，本发明目的在于提供了一种基于人工智能预警的安全管理系统，包括数据采集单元，所述数据采集单元用于实时收集现场的安全监控数据；

3、数据分析单元，所述数据分析单元基于局部异常因子算法安全监控数据中的异常数据点，引入时间序列分析对局部异常因子算法进行优化；

4、其中，引入时间序列分析优化的局部异常因子算法具体为：

5、

6、其中，weightedloft表示在时间点t处，经过时间序列特征加权优化后的局部异常因子值；表示基于时间点t处的时间序列特征ft，通过适应性策略选取的k个最近邻居集合；w(o,t)表示一个时间加权因子，时间点t时，数据点o相对于t的权重；lrdratio(ft)表示在时间点t，基于时间序列特征向量ft计算得到的局部可达密度比；lrdratio(o)表示数据点o的局部可达密度比；k表示确定邻居数量的参数；o表示邻居数据点；

7、风险评估单元，所述风险评估单元基于风险评估模型对安全监控数据中的异常数据点进行风险评分计算划分风险等级；

8、预警通知单元，所述预警通知单元用于根据划分的风险等级触发预警机制。

9、作为本技术方案的进一步改进，所述数据采集单元包括传感器网络模块和摄像头模块；

10、其中，所述传感器网络模块用于集成和管理各种物理传感器实时监测环境参数；

11、所述摄像头模块用于实时捕捉现场的视频流；

12、其中，安全监控数据包括温度、湿度、烟雾、人员行为数据、物体类型数据。

13、作为本技术方案的进一步改进，所述数据分析单元基于局部异常因子算法建立异常检测模型，用于检测安全监控数据中的异常数据点，则异常检测模型的构建过程具体为：

14、s3.1、将从数据采集单元获取的安全监控数据导入到数据库；

15、s3.2、通过数据清洗，进行数据预处理，用于去除噪声和不一致性；

16、s3.3、从原始安全监控数据中提取有助于风险识别的关键特征；

17、其中，关键特征包括：

18、从传感器网络模块提取温度、湿度、烟雾特征；

19、从视频流中提取人员行为检测、物体类型特征；

20、s3.4、使用局部异常因子算法计算异常因子；

21、s3.5、使用预处理后的数据集对异常检测模型进行训练；

22、s3.6、对异常检测模型进行k折交叉验证；

23、s3.7、通过评估指标对异常检测模型进行评估；

24、s3.8、将验证和评估后的异常检测模型进行部署。

25、作为本技术方案的进一步改进，所述s3.4中，未引入时间序列分析优化的局部异常因子算法具体包括：

26、

27、其中，pc表示温度数据点；lrdratio(pc)表示pc的局部可达密度；nk(pc)表示pc的k个最近邻居集合；reachabilitydistance(pc,o)表示pc到o的可达距离；lrdratio(o)表示o的局部可达密度；lof(pc)表示pc的lof值，lof(pc)的值越接近1，pc表示正常温度数据点；如果lof(p)的值显著大于1，pc表示异常温度数据点；

28、

29、

30、其中，ps表示湿度数据点；lrdratio(ps)表示ps的局部可达密度；nk(ps)表示ps的k个最近邻居集合；reachabilitydistance(ps,o)表示ps到o的可达距离；lrdratio(o)表示o的局部可达密度；lof(ps)表示ps的lof值，lof(ps)的值越接近1，ps表示正常湿度数据点；如果lof(ps)的值显著大于1，ps表示异常湿度数据点；

31、

32、其中，py表示烟雾数据点；lrdratio(py)表示py的局部可达密度；nk(py)表示py的k个最近邻居集合；reachabilitydistance(py,o)表示py到o的可达距离；lrdratio(o)表示o的局部可达密度；lof(py)表示py的lof值，lof(py)的值越接近1，py表示正常烟雾数据点；如果lof(py)的值显著大于1，py表示异常烟雾数据点；

33、

34、其中，pr表示人员行为数据点；lrdratio(pr)表示pr的局部可达密度；nk(pr)表示pr的k个最近邻居集合；reachabilitydistance(pr,o)表示pr到o的可达距离；lrdratio(o)表示o的局部可达密度；lof(pr)表示pr的lof值，lof(pr)的值越接近1，pr表示正常人员行为数据点；如果lof(pr)的值显著大于1，pr表示异常人员行为数据点；

35、

36、其中，pw表示物体类型数据点；lrdratio(pw)表示pw的局部可达密度；nk(pw)表示pw的k个最近邻居集合；reachabilitydistance(pw,o)表示pw到o的可达距离；lrdratio(o)表示o的局部可达密度；lof(pw)表示pw的lof值，lof(pw)的值越接近1，pw表示正常物体类型数据点；如果lof(pw)的值显著大于1，pw表示异常物体类型数据点。

37、作为本技术方案的进一步改进，所述s3.6中，k折交叉验证涉及的具体步骤为：

38、s3.61、将整个数据集随机划分为k个大小大致相同的子集；

39、s3.62、选择k-1个子集作为训练集，剩余的1个子集作为验证集；

40、s3.63、使用选定的训练集来训练异常检测模型；

41、s3.64、在验证集上进行测试模型的性能。

42、作为本技术方案的进一步改进，所述s3.7中，将精确率、召回率和f1分数作为评估指标：

43、其中，精确率用于评估异常检测模型在标记异常数据点时的准确性；

44、召回率用于评估异常检测模型在实际检测到所有异常数据点方面的能力；

45、f1分数用于综合考虑精确率和召回率这两个方面，提供一个全面的性能评估。

46、其中，评估指标包括：

47、精确率：

48、

49、其中，tp表示真正例的数量，即预测为正类且实际也为正类的样本数量；fp表示假正例的数量，即预测为正类但实际为负类的样本数量；

50、召回率：

51、

52、其中，fn表示假负例的数量，即实际为正类但被模型预测为负类的样本数量；

53、f1分数：

54、

55、f1score的取值范围是0到1，f1score越接近1，表示模型在精确率和召回率两方面都表现得越好。

56、作为本技术方案的进一步改进，所述风险评估单元包括风险评估模型，所述风险评估模型基于卷积神经网络算法进行构建，则风险评估模型的构建过程具体为：

57、s8.1、将历史异常数据点的特征和历史风险评分进行数据预处理；

58、s8.2、使用卷积神经网络算法和批量归一化算法结合的混合算法与数据集来训练风险评估模型；

59、s8.3、使用k折交叉验证对风险评估模型进行验证；

60、s8.4、通过评估指标对风险评估模型进行评估；

61、s8.5、将验证和评估后的风险评估模型进行部署。

62、作为本技术方案的进一步改进，所述s8.2中，混合算法具体为：

63、

64、其中，表示经过批量归一化处理后的输出中的一个元素，位于第i行、第j列和第k通道；γ表示可学习的缩放因子；表示批量内的方差；∈表示一个很小的常数；表示标准化因子；表示卷积操作后未经归一化的特征图中的元素值，位于第i行、第j列和第k通道；μb表示该批量内所有相同位置元素的平均值；β表示一个可学习的偏移量。

65、其中，卷积神经网络算法具体为：

66、

67、其中，i表示输入图像；k表示卷积核；b表示偏置项；o表示输出特征图；m表示卷积核的高度；n表示卷积核的宽度；i和j表示输出特征图上的位置索引；m和n表示卷积核内部的索引变量。

68、批量归一化算法具体为：

69、

70、其中，μb表示mini-batch内所有同一特征图位置元素的均值；表示mini-batch内所有同一特征图位置元素的方差；n表示批量大小；h表示特征图的高度；w表示特征图的宽度；γ表示可学习的缩放参数；β表示可学习的偏移参数，∈表示一个很小的常数，用于防止除以零的情况。

71、作为本技术方案的进一步改进，所述风险评估单元中，风险评分计算具体为：

72、设三个风险维度：严重程度、影响范围、发生频率，每个维度都有一个评分范围；

73、通过加权和的方式计算：

74、rs＝s×ws+i×wi+f×wi；

75、ws+wi+wi＝1；

76、其中，rs表示风险评分；s表示严重程度；ws表示严重程度的权重；i表示影响范围；wi表示影响范围的权重；f表示发生频率；wf表示发生频率的权重。

77、作为本技术方案的进一步改进，所述预警通知单元包括预警模块，所述预警模块用于根据风险等级的高低进行预警；

78、其中，风险等级的划分通常是基于风险评分的阈值来判断的；

79、如果rs<tlow，则rl＝low；

80、如果tlow≤rs<thigh，则rl＝medium；

81、如果rs≥thigh，则rl＝high；

82、其中，tlow、thigh表示根据风险评分确定的阈值；rl表示风险等级；rl＝low表示低风险；rl＝medium表示中风险；rl＝high表示高风险。

83、其中，根据风险等级的高低进行预警包括：低风险闪蓝灯，轻微警报声；中风险闪黄灯，中等警报声；高风险闪红灯，高度警报声。

84、与现有技术相比，本发明的有益效果：

85、1、该一种基于人工智能预警的安全管理系统中，基于传感器网络模块和摄像头模块实时收集现场的安全监控数据，可以更加准确地获取到现场信息，提高了准确率。基于局部异常因子算法分析安全监控数据中的异常数据点，引入时间序列分析对局部异常因子算法进行优化提高了系统的准确性。

86、2、该一种基于人工智能预警的安全管理系统中，建立异常检测模型检测安全监控数据中的异常数据点，并通过对异常检测模型的训练、验证、评估，提高了检测的稳定性和效率。通过对风险等级的划分，使得预警信息更具体，提高了安全性。使用卷积神经网络算法和批量归一化算法结合的混合算法让风险评估模型处理得更加迅速，提高了效率。