基于深度殘差算法的工控網絡存儲異常智能監測平臺

黃海艇，呂從飛，劉 燁

（1.工業互聯網創新中心（上海）有限公司，上海 200120；2.江蘇杰瑞信息科技有限公司，江蘇連云港 222000）

目前我國已經進入大數據時代，云計算技術得到了發展，工控網絡數據儲存變得至關重要[1]。目前研究的工控網絡存儲異常智能監測平臺存在監測召回率過低，而且監測時間過長[2]。

深度殘差算法是一種有效的檢測算法，通過深度分析數據，實現信息監測。綜上所述，文中基于深度殘差算法研究了一種新的工控網絡存儲異常智能監測平臺，首先運用自適應方法對網絡云數據進行儲存優化，結合平衡調度法建立網絡儲存異常的自動監測模型。利用數據挖掘對工控網絡中心數據進行訪問，采用深度殘差法對數據進行分析，通過交叉數據編譯法構建數據交互模型，并對數據進行關聯分布分析計算，得出智能監測結果，實現對儲存異常的智能監測。

1 智能監測平臺架構

工控網絡存儲異常智能監測平臺主要包括用戶存儲管理和網絡監測管理兩大模塊[3-4]。基于深度殘差算法的工控網絡存儲異常智能監測平臺結構如圖1所示。

圖1 基于深度殘差算法的工控網絡存儲異常智能監測平臺結構

觀察圖1 可知，用戶存儲管理模塊通過對工控網絡數據分配權限來監管網絡用戶。管理的權限包括工控網絡用戶的注冊、登錄以及用戶的隱私數據存儲，不同的管理內容對應不同的角色權限，以此控制用戶瀏覽網絡頁面的次數和時限。同時，對工控網絡數據庫實行分塊監測，易于工控網絡存儲異常智能監測平臺后期擴展，確保網絡數據簡潔，不復雜[5-6]。除此之外，用戶存儲管理模塊可監測工控網絡數據表的生成，數據由網絡平臺不同角色、智能監測平臺監測權限、工控網絡智能監測項目等組成，工控網絡數據表可協助監測平臺監測工控網絡數據，并實現網絡數據的批量導入。通過批量導入功能可導入智能監測平臺出現異常前的原始網絡數據，并對工控網絡出現的異常數據存儲情況進行自動審核，通過審核的結果找出工控網絡出現異常的數據，根據異常數據極值進行瀏覽、查詢并計算[7-8]。

網絡監測管理模塊是工控網絡存儲異常智能監測平臺結構的核心。根據工控網絡數據存儲類型對工控網絡數據進行系統存儲，網絡監測管理模塊包括工控網絡數據管理、工控設備管理、網絡自檢管理、工控網絡數據資料分析、工控網絡異常系統設置、以及工控網絡異常數據采集管理。工控網絡數據管理模塊可處理智能監測平臺異常數據邏輯，網絡自檢模塊主要檢測工控網絡表現層的控制請求，通過表現層接口訪問工控網絡數據邏輯層[9-10]。工控網絡異常系統設置模塊可訪問網絡數據庫，并采集網絡數據庫內的異常數據參數，調用網絡控制層接口，用以傳輸工控網絡異常存儲的原始數據，通過工控網絡數據資料分析模塊返回存儲的異常數據，等待工控網絡存儲異常智能監測平臺的響應，各個子模塊之間保持松散的耦合關系，為智能監測平臺提供數據存儲調度的跳數。

監測平臺接口如圖2 所示。

圖2 監測平臺接口

2 智能監測平臺工作流程

深度殘差法是一種深度學習方法，在分析結構復雜的多維數據處理中具有很重要的應用意義。工控網絡中心云計算的數據安全儲存對大數據技術十分重要，要實現網絡數據儲存的數據安全、智能檢測，首先需要構建云計算儲存數據的訪問模型，采用交叉數據編譯法構建數據交互模型，用負載均衡模型對結構進行優化設計，對系統數據進行分布結構檢測和數據儲存分析，利用智能壓縮多工控網絡中心云計算儲存數據進行特征提取和數據挖掘，結合自適應控制方法構建工控網絡儲存異常智能檢測平臺結構[11-12]。

利用正態分布法建立概率模型，如下：

考慮到網絡中心服務器的負載情況，結合自適應均衡控制法則，可以得出云數據的儲存關聯規則：

其中，j代表特征值個數，根據特征向量與λ1,λ2,…,λn的相關性，構建數據特征相關性的分布矩陣Y=[y1,y2,…,yt]，在以其中的儲存數據節點為基礎副本，形成新的數據關聯映射：

式中，xmi為各服務器的當前負載，數據副本為N，服務器數據庫內的數據分布副本為：

在數據庫中載入新的數據模塊，得到服務器存儲數據的綜合負載為：

其中，w1～w4為慣性比例系數，Ci為均衡負載比，Di表示混合數據集，Mi為時間周期。將新的數據集X，歸入C簇數據中，數據規模為n，可以得到隨機分布特征：

由此得到移動網絡中心云計算數據存儲自動監測的優化模型，根據數據鏈路μ的隨機分布特征，得出監測結果，根據計算結果可實現工控網絡數據儲存異常監測。

工控網絡存儲異常智能監測流程如圖3 所示。

圖3 基于深度殘差算法的工控網絡存儲異常智能監測平臺工作流程

圖3 中，第一步，采集工控網絡存儲的異常數據。工控網絡存儲異常智能監測平臺的異常數據采集是智能監測平臺實現實時監測的基礎，所以該文設計了智能監測平臺的工控網絡異常數據管理模塊，通過該模塊進入工控網絡采集設置界面，工控網絡存儲異常智能監測平臺對監測設備設置異常數據參數、批量異常數據參數上傳與緩存，自動從工控網絡數據庫中采集網絡異常數據，并上傳到工控網絡存儲異常智能監測平臺的本地數據庫中，實現工控網絡異常數據的自動導入[13-14]。當遇到網絡延遲、擁塞或者網絡卡頓等特殊情況時，可通過縮短數據輸入間隔實現工控網絡異常數據的及時監測，從而提升獲取工控網絡異常數據的時效性。網絡用戶可通過工控網絡前端頁面對數據采集設備進行自檢，自檢的內容包括異常數據參數的上傳和下載以及采集的方式，這樣的設計可以提升工控網絡異常數據實時采集效率，靈活的異常數據采集方式可提高工控網絡存儲異常智能監測效率。

第二步，進行異常數據分析?？赏ㄟ^異常網絡數據的時程與等值線圖來進行工控網絡異常數據的分析，在工控網絡異常數據時程分析頁面中，網絡用戶借助工控網絡終端頁面選擇需要分析的異常網絡數據，智能監測平臺從工控網絡數據庫中查詢異常網絡數據，并同時計算多個網絡異常數據，根據計算出的數據結果繪制時程線圖進行對比分析，除此之外，也可以同時疊加多種工控網絡異常數據，根據其時程線圖分析異常數據出現的原因，并繪制異常數據原因曲線圖，從而定性評估智能監測平臺監測的時效性和穩定性，了解異常數據隨時間的變化趨勢[15]。

第三步，建立異常數據模型和報表。根據采集到的異常數據和數據分析結果建立相應的異常數據模型，分塊檢測模型是工控網絡存儲異常智能監測中最常用的一種數據模型，它可綜合評估工控網絡的穩定性，從而判斷工控網絡存儲異常智能監測的可靠性，利用移動網絡中心云計算數據計算結果可預測工控網絡智能監測效果。針對網絡數據模型，該智能監測平臺可挑選不同監測時段的工控網絡異常數據[16]，進行統計分析。分析完成后，根據網絡用戶設置的監測時限，建立異常數據報表，可自動在該報表中生成智能監測的異常數據最大值、最小值以及異常數據出現的時間區間，還可以同時生成工控網絡異常數據的平均值，根據以上的統計指標，可實現工控網絡存儲異常智能監測。

3 實驗研究

為了驗證該文設計的基于深度殘差算法的工控網絡存儲異常智能監測平臺的監測能力，使用該文提出的深度殘差算法與傳統監測平臺（文獻[2]方法）進行實驗對比。

通過對網絡中心云計算儲存數據進行正態分析，設工控網絡異常數據采集的時間間隔為3.5 s，設異常數據信號碼元時間長度為628 s，信號大小為2 500 kB，工控網絡存儲異常智能監測平臺的模糊加權聚類系數為0.16，而傳統的工控網絡存儲異常智能監測平臺采集到的異常數據時間間隔為4.5 s，異常數據信號碼元時間長度為1 002 s，工控網絡異常數據顯示信號大小為2 000 kB。軟件單元主要功能設置如表1 所示。

表1 軟件單元主要功能設置表

監測召回率實驗結果如圖4 所示。

圖4 監測召回率實驗結果

圖4 中，通過對比實驗數據可知，該文設計的基于深度殘差算法的工控網絡存儲異常智能監測平臺的異常數據采集時間間隔與傳統監測平臺相比，縮短了1.0 s，說明傳統的工控網絡存儲異常智能監測平臺的存儲數據調度能力和檢索能力較低，導致移動網絡的云計算數據存儲出現異常，無法實現工控網絡存儲異常智能監測；而該文設計的智能監測平臺的數據調度能力更好，異常數據信號長度與傳統平臺的相比，減少了374，其出現數據異常的情況更少，驗證了該文設計的工控網絡存儲異常智能監測平臺的數據檢索能力較高，進而證明基于深度殘差算法的工控網絡存儲異常智能監測平臺具有較高的監測能力。

4 結束語

該文基于深度殘差算法，設計了一種工控網絡存儲異常智能監測平臺，詳細構建了一個基于深度殘差算法的工控網絡存儲異常智能監測平臺結構，介紹了深度殘差算法的概念和應用，建立了移動網絡中心云計算數據存儲自動監測的優化模型，該模型結合深度殘差算法對工控網絡出現的異常數據進行自適應控制，從而形成工控網絡存儲異常智能監測流程，通過實驗研究結果可知，文中設計的基于深度殘差算法的工控網絡存儲異常智能監測平臺具有較高的監測性能，并且數據檢索能力和調度能力均優于傳統工控網絡存儲異常智能監測平臺。