基于深度残差算法的工控网络存储异常智能监测平台

黄海艇，吕从飞，刘 烨

（1.工业互联网创新中心（上海）有限公司，上海 200120；2.江苏杰瑞信息科技有限公司，江苏连云港 222000）

目前我国已经进入大数据时代，云计算技术得到了发展，工控网络数据储存变得至关重要[1]。目前研究的工控网络存储异常智能监测平台存在监测召回率过低，而且监测时间过长[2]。

深度残差算法是一种有效的检测算法，通过深度分析数据，实现信息监测。综上所述，文中基于深度残差算法研究了一种新的工控网络存储异常智能监测平台，首先运用自适应方法对网络云数据进行储存优化，结合平衡调度法建立网络储存异常的自动监测模型。利用数据挖掘对工控网络中心数据进行访问，采用深度残差法对数据进行分析，通过交叉数据编译法构建数据交互模型，并对数据进行关联分布分析计算，得出智能监测结果，实现对储存异常的智能监测。

1 智能监测平台架构

工控网络存储异常智能监测平台主要包括用户存储管理和网络监测管理两大模块[3-4]。基于深度残差算法的工控网络存储异常智能监测平台结构如图1所示。

图1 基于深度残差算法的工控网络存储异常智能监测平台结构

观察图1 可知，用户存储管理模块通过对工控网络数据分配权限来监管网络用户。管理的权限包括工控网络用户的注册、登录以及用户的隐私数据存储，不同的管理内容对应不同的角色权限，以此控制用户浏览网络页面的次数和时限。同时，对工控网络数据库实行分块监测，易于工控网络存储异常智能监测平台后期扩展，确保网络数据简洁，不复杂[5-6]。除此之外，用户存储管理模块可监测工控网络数据表的生成，数据由网络平台不同角色、智能监测平台监测权限、工控网络智能监测项目等组成，工控网络数据表可协助监测平台监测工控网络数据，并实现网络数据的批量导入。通过批量导入功能可导入智能监测平台出现异常前的原始网络数据，并对工控网络出现的异常数据存储情况进行自动审核，通过审核的结果找出工控网络出现异常的数据，根据异常数据极值进行浏览、查询并计算[7-8]。

网络监测管理模块是工控网络存储异常智能监测平台结构的核心。根据工控网络数据存储类型对工控网络数据进行系统存储，网络监测管理模块包括工控网络数据管理、工控设备管理、网络自检管理、工控网络数据资料分析、工控网络异常系统设置、以及工控网络异常数据采集管理。工控网络数据管理模块可处理智能监测平台异常数据逻辑，网络自检模块主要检测工控网络表现层的控制请求，通过表现层接口访问工控网络数据逻辑层[9-10]。工控网络异常系统设置模块可访问网络数据库，并采集网络数据库内的异常数据参数，调用网络控制层接口，用以传输工控网络异常存储的原始数据，通过工控网络数据资料分析模块返回存储的异常数据，等待工控网络存储异常智能监测平台的响应，各个子模块之间保持松散的耦合关系，为智能监测平台提供数据存储调度的跳数。

监测平台接口如图2 所示。

图2 监测平台接口

2 智能监测平台工作流程

深度残差法是一种深度学习方法，在分析结构复杂的多维数据处理中具有很重要的应用意义。工控网络中心云计算的数据安全储存对大数据技术十分重要，要实现网络数据储存的数据安全、智能检测，首先需要构建云计算储存数据的访问模型，采用交叉数据编译法构建数据交互模型，用负载均衡模型对结构进行优化设计，对系统数据进行分布结构检测和数据储存分析，利用智能压缩多工控网络中心云计算储存数据进行特征提取和数据挖掘，结合自适应控制方法构建工控网络储存异常智能检测平台结构[11-12]。

利用正态分布法建立概率模型，如下：

考虑到网络中心服务器的负载情况，结合自适应均衡控制法则，可以得出云数据的储存关联规则：

其中，j代表特征值个数，根据特征向量与λ1,λ2,…,λn的相关性，构建数据特征相关性的分布矩阵Y=[y1,y2,…,yt]，在以其中的储存数据节点为基础副本，形成新的数据关联映射：

式中，xmi为各服务器的当前负载，数据副本为N，服务器数据库内的数据分布副本为：

在数据库中载入新的数据模块，得到服务器存储数据的综合负载为：

其中，w1～w4为惯性比例系数，Ci为均衡负载比，Di表示混合数据集，Mi为时间周期。将新的数据集X，归入C簇数据中，数据规模为n，可以得到随机分布特征：

由此得到移动网络中心云计算数据存储自动监测的优化模型，根据数据链路μ的随机分布特征，得出监测结果，根据计算结果可实现工控网络数据储存异常监测。

工控网络存储异常智能监测流程如图3 所示。

图3 基于深度残差算法的工控网络存储异常智能监测平台工作流程

图3 中，第一步，采集工控网络存储的异常数据。工控网络存储异常智能监测平台的异常数据采集是智能监测平台实现实时监测的基础，所以该文设计了智能监测平台的工控网络异常数据管理模块，通过该模块进入工控网络采集设置界面，工控网络存储异常智能监测平台对监测设备设置异常数据参数、批量异常数据参数上传与缓存，自动从工控网络数据库中采集网络异常数据，并上传到工控网络存储异常智能监测平台的本地数据库中，实现工控网络异常数据的自动导入[13-14]。当遇到网络延迟、拥塞或者网络卡顿等特殊情况时，可通过缩短数据输入间隔实现工控网络异常数据的及时监测，从而提升获取工控网络异常数据的时效性。网络用户可通过工控网络前端页面对数据采集设备进行自检，自检的内容包括异常数据参数的上传和下载以及采集的方式，这样的设计可以提升工控网络异常数据实时采集效率，灵活的异常数据采集方式可提高工控网络存储异常智能监测效率。

第二步，进行异常数据分析。可通过异常网络数据的时程与等值线图来进行工控网络异常数据的分析，在工控网络异常数据时程分析页面中，网络用户借助工控网络终端页面选择需要分析的异常网络数据，智能监测平台从工控网络数据库中查询异常网络数据，并同时计算多个网络异常数据，根据计算出的数据结果绘制时程线图进行对比分析，除此之外，也可以同时叠加多种工控网络异常数据，根据其时程线图分析异常数据出现的原因，并绘制异常数据原因曲线图，从而定性评估智能监测平台监测的时效性和稳定性，了解异常数据随时间的变化趋势[15]。

第三步，建立异常数据模型和报表。根据采集到的异常数据和数据分析结果建立相应的异常数据模型，分块检测模型是工控网络存储异常智能监测中最常用的一种数据模型，它可综合评估工控网络的稳定性，从而判断工控网络存储异常智能监测的可靠性，利用移动网络中心云计算数据计算结果可预测工控网络智能监测效果。针对网络数据模型，该智能监测平台可挑选不同监测时段的工控网络异常数据[16]，进行统计分析。分析完成后，根据网络用户设置的监测时限，建立异常数据报表，可自动在该报表中生成智能监测的异常数据最大值、最小值以及异常数据出现的时间区间，还可以同时生成工控网络异常数据的平均值，根据以上的统计指标，可实现工控网络存储异常智能监测。

3 实验研究

为了验证该文设计的基于深度残差算法的工控网络存储异常智能监测平台的监测能力，使用该文提出的深度残差算法与传统监测平台（文献[2]方法）进行实验对比。

通过对网络中心云计算储存数据进行正态分析，设工控网络异常数据采集的时间间隔为3.5 s，设异常数据信号码元时间长度为628 s，信号大小为2 500 kB，工控网络存储异常智能监测平台的模糊加权聚类系数为0.16，而传统的工控网络存储异常智能监测平台采集到的异常数据时间间隔为4.5 s，异常数据信号码元时间长度为1 002 s，工控网络异常数据显示信号大小为2 000 kB。软件单元主要功能设置如表1 所示。

表1 软件单元主要功能设置表

监测召回率实验结果如图4 所示。

图4 监测召回率实验结果

图4 中，通过对比实验数据可知，该文设计的基于深度残差算法的工控网络存储异常智能监测平台的异常数据采集时间间隔与传统监测平台相比，缩短了1.0 s，说明传统的工控网络存储异常智能监测平台的存储数据调度能力和检索能力较低，导致移动网络的云计算数据存储出现异常，无法实现工控网络存储异常智能监测；而该文设计的智能监测平台的数据调度能力更好，异常数据信号长度与传统平台的相比，减少了374，其出现数据异常的情况更少，验证了该文设计的工控网络存储异常智能监测平台的数据检索能力较高，进而证明基于深度残差算法的工控网络存储异常智能监测平台具有较高的监测能力。

4 结束语

该文基于深度残差算法，设计了一种工控网络存储异常智能监测平台，详细构建了一个基于深度残差算法的工控网络存储异常智能监测平台结构，介绍了深度残差算法的概念和应用，建立了移动网络中心云计算数据存储自动监测的优化模型，该模型结合深度残差算法对工控网络出现的异常数据进行自适应控制，从而形成工控网络存储异常智能监测流程，通过实验研究结果可知，文中设计的基于深度残差算法的工控网络存储异常智能监测平台具有较高的监测性能，并且数据检索能力和调度能力均优于传统工控网络存储异常智能监测平台。