一种信息保护方法、服务器和计算机可读存储介质与流程

本发明涉及家电控制领域中的保护技术，尤其涉及一种信息保护方法、服务器和计算机可读存储介质。

背景技术：

随着物联网技术的不断发展，为了满足用户对家电设备的远程控制，进而实现智能家居的构想，家电厂商推出了物联网家电，即家电与互联网进行通信链接；这样，用户可以采用智能终端例如手机等通过互联网对物联网家电进行远程控制，实现了用户还未到物联网家电所在地方就能控制物联网家电工作，例如用户还在办公室时就控制物联网电饭煲煮饭等等。

但是，随着远程控制的需求越来越大，由于存在行业对手之间的竞争，出现了网络恶意攻击等攻击行为。这些攻击行为容易破解远程控制系统，导致物联网家电被恶意启动，进入非正常的工作状态。

技术实现要素：

有鉴于此，本发明实施例期望提供一种信息保护方法、服务器和计算机可读存储介质，解决了现有技术中网络恶意攻击等攻击行为容易破解远程控制系统的问题，实现了可以及时发现物联网家电设备的异常操作，并提示用户是否允许执行物联网家电设备的异常操作，降低了物联网家电被恶意启动的风险，保证了物联网家电设备的正常工作。

为达到上述目的，本发明的技术方案是这样实现的：

一种信息保护方法，所述方法包括：

接收第一设备处于预设工作模式时在第一预设时间段发送的数据，得到第一数据；

基于预设算法和所述第一数据，生成第一模型；

若所述第一模型与预先设置的第二模型不匹配，发送用于确定所述第一设备是否继续工作的提示消息至第二设备。

可选的，所述若所述第一模型与预先设置的第二模型不匹配，发送用于确定所述第一设备是否继续工作的提示消息至第二设备之前，包括：

获取所述预设算法的特征系数；

获取所述第一设备处于预设工作模式时的目标样本数据；

基于所述目标样本数据，确定所述第一设备的第一训练样本的数量、第一训练集的数量、时间间隔和学习率；

基于所述特征系数、所述时间间隔、所述学习率、所述第一训练样本的数量和所述第一训练集的数量，采用所述预设算法对所述目标样本数据进行训练，得到所述第二模型。

可选的，所述若所述第一模型与预先设置的第二模型不匹配，发送用于确定所述第一设备是否继续工作的提示消息至第二设备之后，包括：

接收所述第二设备发送的用于指示所述第一设备继续工作的控制指令，并存储所述第一数据。

可选的，所述获取所述第一设备处于预设工作模式时的目标样本数据，包括：

接收所述第一设备处于预设工作模式时在第二预设时间段内发送的数据，得到第二数据；

对所述第二数据进行抽样处理，得到第一样本子数据；

获取所述服务器在所述第一预设时间段存储的所述第一数据，得到第二样本子数据；其中，所述目标样本数据包括所述第一样本子数据和所述第二样本子数据。

可选的，所述基于预设算法和所述第一数据，生成第一模型，包括：

基于所述第一数据，确定所述第一设备的第二训练样本的数量和第二训练集的数量；

基于所述特征系数、所述时间间隔、所述学习率、所述第二训练样本的数量和所述第二训练集的数量，采用所述预设算法对所述第一数据进行训练，得到所述第一模型。

可选的，所述第一数据包括：所述第一设备处于所述预设工作模式进行工作时的工作时间点、工作时长、工作功率以及工作间隔时长，所述第一设备的ip地址，所述预设工作模式的标识信息，所述第一设备的用户标识和/或所述第二设备的ip地址。

可选的，所述预设算法包括长短时记忆神经网络算法；

所述特征系数包括所述长短时记忆神经网络算法的输入层权重系数、输出层权重系数和偏置。

一种服务器，所述服务器包括：处理器、存储器及通信总线；

所述通信总线用于实现处理器和存储器之间的连接通信；

所述处理器用于执行存储器中存储的保护程序，以实现以下步骤：

接收第一设备处于预设工作模式时在第一预设时间段发送的数据，得到第一数据；

基于预设算法和所述第一数据，生成第一模型；

若所述第一模型与预先设置的第二模型不匹配，发送用于确定所述第一设备是否继续工作的提示消息至第二设备。

可选的，所述若所述第一模型与预先设置的第二模型不匹配，发送用于确定所述第一设备是否继续工作的提示消息至第二设备的步骤之前，所述处理器还用于执行以下步骤：

获取所述预设算法的特征系数；

获取所述第一设备处于预设工作模式时的目标样本数据；

基于所述目标样本数据，确定所述第一设备的第一训练样本的数量、第一训练集的数量、时间间隔和学习率；

基于所述特征系数、所述时间间隔、所述学习率、所述第一训练样本的数量和所述第一训练集的数量，采用所述预设算法对所述目标样本数据进行训练，得到所述第二模型。

可选的，所述若所述第一模型与预先设置的第二模型不匹配，发送用于确定所述第一设备是否继续工作的提示消息至第二设备的步骤之后，所述处理器还用于执行以下步骤：

接收所述第二设备发送的用于指示所述第一设备继续工作的控制指令，并存储所述第一数据。

可选的，所述处理器还用于执行以下步骤：

接收所述第一设备处于预设工作模式时在第二预设时间段内发送的数据，得到第二数据；

对所述第二数据进行抽样处理，得到第一样本子数据；

获取所述服务器在所述第一预设时间段存储的所述第一数据，得到第二样本子数据；其中，所述目标样本数据包括所述第一样本子数据和所述第二样本子数据。

可选的，所述处理器还用于执行以下步骤：

基于所述第一数据，确定所述第一设备的第二训练样本的数量和第二训练集的数量；

基于所述特征系数、所述时间间隔、所述学习率、所述第二训练样本的数量和所述第二训练集的数量，采用所述预设算法对所述第一数据进行训练，得到所述第一模型。

一种计算机可读存储介质，所述计算机可读存储介质上存储有保护程序，所述保护程序被处理器执行时实现上述所述的信息保护方法的步骤。

本发明的实施例所提供的信息保护方法、服务器和计算机可读存储介质，接收第一设备处于预设工作模式时在第一预设时间段发送的数据，得到第一数据，并基于预设算法和第一数据，生成第一模型，若第一模型和预先设置的第二模型不匹配，发送用于确定第一设备是否继续工作的提示消息至第二设备。这样，当服务器接收到第一设备发送的第一设备处于预设工作模式时的数据时，对第一数据进行分析生成第一模型，并对第一模型和预设的第二模型进行匹配处理，若第一模型与第二模型不匹配时，服务器生成提示信息发送至用户的第二设备，使用户通过第二设备控制第一设备是否继续工作，解决了现有技术中网络恶意攻击等攻击行为容易破解远程控制系统的问题，实现了可以及时发现物联网家电设备的异常操作，并提示用户是否允许执行物联网家电设备的异常操作，降低了物联网家电被恶意启动的风险，保证了物联网家电设备的正常工作。

附图说明

图1为本发明实施例提供的一种信息保护方法的流程示意图；

图2为本发明实施例提供的另一种信息保护方法的流程示意图；

图3为本发明实施例提供的又一种信息保护方法的流程示意图；

图4本发明实施例提供的一种信息保护方法的应用场景示意图；

图5为本发明实施例提供的再一种信息保护方法的流程示意图；

图6为本发明另一实施例提供的一种信息保护方法的流程示意图；

图7为本发明另一实施例提供的另一种信息保护方法的流程示意图；

图8为本发明实施例提供的一种服务器的结构示意图。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。

本发明的实施例提供一种信息保护方法，参照图1所示，该方法包括以下步骤：

步骤101、接收第一设备处于预设工作模式时在第一预设时间段发送的数据，得到第一数据。

具体的，步骤101“接收第一设备处于预设工作模式时在第一预设时间段发送的数据，得到第一数据”可以由服务器来实现。第一设备可以是具有上网功能的智能家电设备，例如是具有上网功能的电饭煲、空调、冰箱、和电磁炉等家电设备。预设工作模式为第一设备对应的工作模式，例如电饭煲的预设工作模式可以是柴火饭模式，还可以是煲仔饭模式等。第一数据可以是第一设备处于预设工作模式时进行工作的时间、第一设备的工作功率、以及第一设备处于预设工作模式时所连接的网络之间互连的协议(internetprotocol，ip)地址等，还包括与第一设备具有通信链接的第二设备所连接的网络ip地址等。第一预设时间段可以是预先设置的一种时间情况，例如可以是从第一设备被用户购买回家以第一次使用的时间开始的时间段，也可以是第一设备从第一次使用开始，到使用一段预设时间段后开始的时间。

步骤102、基于预设算法和第一数据，生成第一模型。

具体的，步骤102“基于预设算法和第一数据，生成第一模型”可以由服务器来实现。预设算法可以是长短时记忆神经网络(longshorttermmemorynetwork，lstm)算法。采用预设算法对第一数据进行学习训练，得到第一设备当前发送的第一数据对应的第一模型。

步骤103、若第一模型与预先设置的第二模型不匹配，发送用于确定第一设备是否继续工作的提示消息至第二设备。

具体的，步骤103“若第一模型与预先设置的第二模型不匹配，发送用于确定第一设备是否继续工作的提示消息至第二设备”可以由服务器来实现。第二模型是服务器对长期获得的该第一设备的数据采用预设算法进行学习训练得到的可以作为标准的参考模型。第二设备可以是具有上网功能并可以安装用于对第一设备进行远程控制的应用程序的终端设备，例如可以是智能手机、平板电脑和电脑等。

本发明的实施例所提供的信息保护方法，接收第一设备处于预设工作模式时在第一预设时间段发送的数据，得到第一数据，并基于预设算法和第一数据，生成第一模型，若第一模型和预先设置的第二模型不匹配，发送用于确定第一设备是否继续工作的提示消息至第二设备。这样，当服务器接收到第一设备发送的第一设备处于预设工作模式时的数据时，对第一数据进行分析生成第一模型，并对第一模型和预设的第二模型进行匹配处理，若第一模型与第二模型不匹配时，服务器生成提示信息发送至用户的第二设备，使用户通过第二设备控制第一设备是否继续工作，解决了现有技术中网络恶意攻击等攻击行为容易破解远程控制系统的问题，实现了可以及时发现物联网家电设备的异常操作，并提示用户是否允许执行物联网家电设备的异常操作，降低了物联网家电被恶意启动的风险，保证了物联网家电设备的正常工作。

基于前述实施例，本发明的实施例提供一种信息保护方法，参照图4所示，该方法包括以下步骤：

步骤201、服务器接收第一设备处于预设工作模式时在第一预设时间段发送的数据，得到第一数据。

其中，第一数据包括：第一设备处于预设工作模式进行工作时的工作时间点、工作时长、工作功率和/或工作间隔时长，第一设备的ip地址，预设工作模式的标识信息，第一设备的用户标识和/或第二设备的ip地址。

具体的，以第一设备为具有烹饪功能的家电设备为例进行说明，当第一设备已处于烹饪模式时，第一设备获取进入烹饪模式时的工作时间点、从开始烹饪到当前时刻的工作时长、进行烹饪时的工作功率、以及多次烹饪操作时两次相邻烹饪操作之间的工作间隔时长、第一设备所连接的数据网络的ip地址、生产厂商为该第一设备的烹饪模式设置的标识信息、第一设备的用户标识即用户买回第一设备后设置的可以使用该第一设备的用户的识别信息、以及第二设备所连接的数据网络的ip地址，得到第一数据，需说明的是，此次第一设备进行烹饪模式是用户使用第二设备向第一设备发送远程控制指令的，所以第一设备能够获取到第二设备的ip地址。

步骤202、服务器获取预设算法的特征系数。

其中，预设算法包括长短时记忆神经网络算法；特征系数包括长短时记忆神经网络算法的输入层权重系数、输出层权重系数和偏置。

具体的，预设算法还可以是除lsmt算法外的其他神经网络算法。特征系数可以是服务器从服务器中获取存储的与第一设备型号相同且在相同预设工作模式下存储的其他第一设备的第一数据，并对其他设备的第一数据进行统计分析得到的经验值。当预设算法为lsmt算法时，特征系数为输入层权重系数、输出层权重系数和偏置。

步骤203、服务器获取第一设备处于预设工作模式时目标样本数据。

具体的，目标样本数据是服务器对本地存储的第一设备处于预设工作模式时发送的历史数据进行采样得到的样本数据。

步骤204、服务器基于目标样本数据，确定第一设备的第一训练样本的数量、第一训练集的数量、时间间隔和学习率。

具体的，服务器对目标样本数据进行分析，基于确定训练样本的数量的方法确定第一训练样本的数量，基于确定训练集的数量的方法确定第一训练集的数量，并对目标样本数据进行统计分析，得到第一设备对应的时间间隔和学习率。

步骤205、服务器基于特征系数、时间间隔、学习率、第一训练样本的数量和第一训练集的数量，采用预设算法对目标样本数据进行训练，得到第二模型。

具体的，由于特征系数、时间间隔、学习率、第一训练样本的数量和第一训练集的数量是预设算法的参数，所以服务器将特征系数、时间间隔、学习率、第一训练样本的数量和第一训练集的数量带入预设算法中后，对目标样本数据进行学习训练，得到第二模型。其中，第二模型为参考模型，可以不断的根据接收到的第一数据进行修正，为用户模型、智能家电设备模型，或用户和智能家电设备模型。

步骤206、服务器基于预设算法和第一数据，生成第一模型。

其中，步骤206可以由以下步骤来实现：

步骤206a、服务器基于第一数据，确定第一设备的第二训练样本的数量和第二训练集的数量。

步骤206b、服务器基于特征系数、时间间隔、学习率、第二训练样本的数量和第二训练集的数量，采用预设算法对第一数据进行训练，得到第一模型。

步骤207、若第一模型与预先设置的第二模型不匹配，服务器发送用于确定第一设备是否继续工作的提示消息至第二设备。

具体的，若第一模型与预先设备的第二模型匹配，服务器存储第一数据，并默认第一设备继续工作。

步骤208、服务器接收第二设备发送的用于指示第一设备继续工作的控制指令，并存储第一数据。

具体的，用户看到服务器发送至第二设备的提示信息后，用户第二设备显示的提示信息确认第一设备当前在预设工作模式时进行的工作是否是自己控制第一设备工作的，若用户确认不是自己控制第一设备工作的，则用户向第二设备发送不同意第一设备继续工作的禁止第一设备继续工作的控制指令至第二设备，第二设备接收到用户发送的禁止第一设备继续工作的控制指令后，将禁止第一设备继续工作的控制指令发送至服务器，服务器将禁止第一设备继续工作的控制指令发送至第一设备，第一设备响应禁止第一设备继续工作的控制指令，停止工作，并服务器丢弃第一数据；若用户确认是自己控制第一设备工作的，则用户向第二设备发送用于指示第一设备继续工作的控制指令值服务器，服务器并存储第一数据，并将第一数据作为目标样本数据，以便于对第二模型进行不断的修正。

基于前述实施例，在本发明其他实施例中，如图3所示，步骤203可以由以下步骤来实现：

步骤203a、服务器接收第一设备处于预设工作模式时在第二预设时间段内发送的数据，得到第二数据。

具体的，第二预设时间段可以是用户将第一设备买回家开始使用的一段时间内，由于第一设备刚被买回使用，受到攻击的可能性较小，所以第二预设时间段可以是根据智能家电从开始到开始受到攻击的时间进行统计得到的一个经验值，即第二预设时间段为第一设备从第一次被用户使用开始计时，设置的一段时间，例如第二预设时间段为第一设备第一次使用开始计时的一个月，对应的第一预设时间段为第一设备第一使用开始，计时满第二预设时间段后开始的时间，即第一设备的使用寿命中除第二预设时间段外的时间。在第二预设时间段内，第一设备可以实时或定时将处于预设工作模式工作时得到的数据发送至服务器，服务器对第一设备发送的数据进行存储，得到第二数据。

步骤203b、服务器对第二数据进行抽样处理，得到第一样本子数据。

具体的，服务器可采用预设方式对第二数据进行抽样处理，例如对每天6：00-8:00、11:30-12:30和5:00-7:00之间的第二数据的抽样平率较高，如抽样频率为30秒一次，除上述时间外每天其余时间的抽样平率低一些，如抽样频率为10分钟一次等。

步骤203c、服务器获取服务器在第一预设时间段存储的第一数据，得到第二样本子数据。

其中，目标样本数据包括第一样本子数据和第二样本子数据。

需要说明的是，本实施例中与其它实施例中相同步骤或概念的解释可以参考其它实施例中的描述，此处不再赘述。

本发明的实施例所提供的信息保护方法，接收第一设备发送的第一设备处于预设工作模式时在第一预设时间段的数据，得到第一数据，并基于预设算法和第一数据，生成第一模型，若第一模型和预先设置的第二模型不匹配，发送用于确定第一设备是否继续工作的提示消息至第二设备。这样，当服务器接收到第一设备发送的第一设备处于预设工作模式时的数据时，对第一数据进行分析生成第一模型，并对第一模型和预设的第二模型进行匹配处理，若第一模型与第二模型不匹配时，服务器生成提示信息发送至用户的第二设备，使用户通过第二设备控制第一设备是否继续工作，解决了现有技术中网络恶意攻击等攻击行为容易破解远程控制系统的问题，实现了可以及时发现物联网家电设备的异常操作，并提示用户是否允许执行物联网家电设备的异常操作，降低了物联网家电被恶意启动的风险，保证了物联网家电设备的正常工作。

基于前述实施例，本发明提供一种信息保护方法应用场景图，应用于家电设备、深度学习服务器和例如手机等可以连接互联网的终端设备，以终端设备为移动端设备为例进行说明，如图4所示为家电设备(a1、a2、a3、a4……)、深度学习服务器b和移动端设备c之间的通信链接关系，家电设备(a1、a2、a3、a4……)与深度学习服务器b之间可以双向通信，即家电设备(a1、a2、a3、a4……)可以向深度学习服务器b发送消息，也可以接收深度学习服务器b向家电设备(a1、a2、a3、a4……)发送的消息；移动终端设备c可以向深度学习服务器b发送消息，也可以接收深度学习服务器b向家电设备(a1、a2、a3、a4……)发送的消息。需说明的是，家电设备(a1、a2、a3、a4……)接收深度学习服务器b发送的消息可以是深度学习服务器b接收到移动终端设备c发送的关于家电设备(a1、a2、a3或a4……)时的相关控制指令后，深度学习服务器b将相关控制指令转发至家电设备(a1、a2、a3或a4……)的。

基于图4所示的实施例，本发明实施例提供一种信息保护方法，包括以下步骤：

步骤301、深度学习服务器对智能家电设备上报的数据进行详细的记录，并得到原始数据：使用时间点、烹饪时长、烹饪功率、智能家电设备ip地址、功能菜单身份标识(identify，id)、智能家电设备的用户关系数据、烹饪间隔时长、应用程序使用者ip地址。

具体的，智能家电设备为具有烹饪功能的家电设备，这样，智能家电设备上报的原始数据包括：用户对智能家电设备的使用时间点、烹饪时长、烹饪功率、智能家电设备ip地址、功能菜单身份标识(identify，id)、智能家电设备的用户关系数据、烹饪间隔时长、应用程序使用者ip地址等。其中，智能家电设备ip地址即智能家电设备所连接的互联网的ip地址，功能菜单id为用户所使用的智能家电设备的某一烹饪功能对应的标识，应用程序使用者ip地址为移动终端设备中安装的用户可以远程控制智能家电设备的应用程序所连接的互联网的ip地址，智能家电设备的用户关系数据可以是可以使用智能家电设备的用户，可以是预先设置的可以使用家里的智能家电设备的用户之间的关系，例如一家有三口人时，具有使用家里的智能家电设备的用户为用户1、用户2和用户3，对应智能家电设备的用户关系数据可以是爸爸、妈妈和我。深度学习服务器对

步骤302、深度学习服务器对原始数据进行抽样，形成训练数据。

具体的，设定训练样本数(batch_size)、时间间隔(time_step)、训练集的数量(train_begin，train_end)，通过调节具体的学习率(learn_rate)，进行深度学习训练。

步骤303、深度学习服务器经过深度学习与训练，形成用户和/或家电设备运行数据模型temp_module。

其中，需说明的是步骤深度学习服务器在训练开始之前，需要定义输入层、输出层的权重和偏置，并且进行深度学习与训练的算法可以是lstm算法，还可以是其他神经网络算法，并不进行限定。

具体的，用户和/或家电运行模型temp_module为第一模型。

步骤304、深度学习服务器基于lsmt算法对时间的记忆性，经过反馈优化。

步骤305、深度学习服务器最终形成用户和/或家电设备行为数据模型module。

具体的，用户和/或家电设备行为数据模型module为第二模型。需说明的是，当第一模型为用户运行模型temp_module时，对应的第二模型为用户行为数据模型module；当第一模型为家电设备运行模型temp_module时，对应的第二模型为家电设备行为数据模型module；当第一模型为用户和家电设备运行模型temp_module时，对应的第二模型为用户和家电设备行为数据模型module。

其中，基于第二预设时间段内接收到第二数据得到预先设置的第二模型的过程如图6所示，具体包括以下步骤：

步骤401、智能家电设备和深度学习服务器开始运行信息保护程序。

步骤402、在第二预设时间段内时，智能家电设备接收开始工作的控制指令后开始运行。

步骤403、智能家电设备获取用户对家电设备的使用时间点、烹饪时长、烹饪功率、家电设备ip地址、功能菜单id、家电设备用户关系数据、烹饪间隔时长、应用程序使用者ip地址等第三数据并上报深度学习服务器。

步骤404、深度学习服务器对智能家电设备发送的第三数据进行积累，得到第二数据，并对第二数据进行采样，得到采样样本，并将采样样本填充到样本数据。

步骤405、深度学习服务器对得到的样本数据采用lsmt算法进行深度学习与训练，并形成用户与家电运行模型module。

步骤406、在第一预设时间段，深度学习服务器继续接收第一数据，对第一用户与家电运行模型进行持续优化、调整、反馈，判断第一数据是否使第一用户与家电运行模型趋近最优。

步骤407、如果第一数据使第一用户与家电运行模型不是趋近最优，则深度学习服务器将第一数据作为无效数据去除。

步骤408、如果第一数据使第一用户与家电运行模型趋近最优，则深度学习服务器存储该第一数据为第二数据，继续接收智能家电设备发送的第三数据并对第一用户与家电运行模型进行优化、调整、反馈，重复执行步骤407和408。

步骤409、深度学习服务器最终形成用户与家电设备行为数据模型module。

步骤411、智能家电设备和深度学习服务器结束运行信息保护程序。

在第一预设时间段内，基于图6得到用户与家电设备行为数据模型module与接收到的智能家电设备发送的第一数据对应的用户与家电运行模型temp_module进行匹配处理对应的操作过程如图7所示，具体包括以下步骤：

步骤501、智能家电设备和深度学习服务器开始运行信息保护程序。

步骤502、智能家电设备接收到开始烹饪工作的控制指令时，实时将智能家电设备的运行数据上报到深度学习服务器。

步骤503、深度学习服务器将各数据组合成样本数据并采用lsmt算法进行训练，形成用户与家电运行模型temp_module。

步骤504、深度学习服务器对temp_module与module进行比对，判断temp_module是否符合module。

步骤505、如果temp_module不符合module，则深度学习服务器发送主动警示信息至用户的移动终端设备，提示用户是否允许智能家电设备继续烹饪的提示信息至移动终端设备。

步骤506、深度学习服务器判断接收到的移动终端设备发送的控制指令。

步骤507、如果用户通过移动终端设备向深度学习服务器发送的是允许智能家电设备继续烹饪的控制指令，则深度学习服务器不发送任何控制指令至智能家电设备，使智能家电设备继续烹饪。

步骤508、如果用户通过移动终端设备向深度学习服务器发送的是不允许智能家电设备继续烹饪的控制指令，则深度学习服务器发送停止烹饪的控制指令至智能家电设备，使智能家电设备停止烹饪。

步骤509、如果temp_module符合module，则深度学习服务器不执行任何操作，使家电设备继续烹饪。

步骤510、智能家电设备和深度学习服务器结束运行信息保护程序。

需要说明的是，本实施例中与其它实施例中相同步骤或概念的解释可以参考其它实施例中的描述，此处不再赘述。

本发明的实施例所提供的信息保护方法，接收第一设备处于预设工作模式时在第一预设时间段发送的数据，得到第一数据，并基于预设算法和第一数据，生成第一模型，若第一模型和预先设置的第二模型不匹配，发送用于确定第一设备是否继续工作的提示消息至第二设备。这样，当服务器接收到第一设备发送的第一设备处于预设工作模式时的数据时，对第一数据进行分析生成第一模型，并对第一模型和预设的第二模型进行匹配处理，若第一模型与第二模型不匹配时，服务器生成提示信息发送至用户的第二设备，使用户通过第二设备控制第一设备是否继续工作，解决了现有技术中网络恶意攻击等攻击行为容易破解远程控制系统的问题，实现了可以及时发现物联网家电设备的异常操作，并提示用户是否允许执行物联网家电设备的异常操作，降低了物联网家电被恶意启动的风险，保证了物联网家电设备的正常工作。

基于前述实施例，本发明的实施例提供一种服务器6，该服务器可以应用于图1～3、5～7对应的实施例提供的一种信息保护方法中，参照图8所示，该服务器可以包括：处理器61、存储器62及通信总线63，其中：

通信总线63用于实现处理器和存储器之间的连接通信；

处理器61用于执行存储器62中存储的保护程序，以实现以下步骤：

接收第一设备处于预设工作模式时在第一预设时间段发送的数据，得到第一数据；

基于预设算法和第一数据，生成第一模型；

若第一模型与预先设置的第二模型不匹配，发送用于确定第一设备是否继续工作的提示消息至第二设备。

在本发明其他实施例中，若第一模型与预先设置的第二模型不匹配，发送用于确定第一设备是否继续工作的提示消息至第二设备的步骤之前，处理器61还用于执行以下步骤：

获取预设算法的特征系数；

获取第一设备处于预设工作模式时的目标样本数据；

基于目标样本数据，确定第一设备的第一训练样本的数量、第一训练集的数量、时间间隔和学习率；

基于特征系数、时间间隔、学习率、第一训练样本的数量和第一训练集的数量，采用预设算法对目标样本数据进行训练，得到第二模型。

在本发明其他实施例中，若第一模型与预先设置的第二模型不匹配，发送用于确定第一设备是否继续工作的提示消息至第二设备的步骤之后，处理器61还用于执行以下步骤：

接收第二设备发送的用于指示第一设备继续工作的控制指令，并存储第一数据。

在本发明其他实施例中，处理器61还用于执行以下步骤：

接收第一设备处于预设工作模式时在第二预设时间段内发送的数据，得到第二数据；

对第二数据进行抽样处理，得到第一样本子数据；

获取服务器在第一预设时间段存储的第一数据，得到第二样本子数据；其中，目标样本数据包括第一样本子数据和第二样本子数据。

在本发明其他实施例中，处理器61还用于执行以下步骤：

基于第一数据，确定第一设备的第二训练样本的数量和第二训练集的数量；

基于特征系数、时间间隔、学习率、第二训练样本的数量和第二训练集的数量，采用预设算法对第一数据进行训练，得到第一模型。

在本发明其他实施例中，第一数据包括：第一设备处于预设工作模式进行工作时的工作时间点、工作时长、工作功率以及工作间隔时长，第一设备的ip地址，预设工作模式的标识信息，第一设备的用户标识和/或第二设备的ip地址。

在本发明其他实施例中，预设算法包括长短时记忆神经网络算法；

特征系数包括长短时记忆神经网络算法的输入层权重系数、输出层权重系数和偏置。

需说明的是，本实施例中处理器所实现的步骤之间的交互过程，可以参照图1～3、5～7对应的实施例提供的一种信息保护方法中的交互过程，此处不再赘述。

本发明的实施例所提供的服务器，接收第一设备处于预设工作模式时在第一预设时间段发送的数据，得到第一数据，并基于预设算法和第一数据，生成第一模型，若第一模型和预先设置的第二模型不匹配，发送用于确定第一设备是否继续工作的提示消息至第二设备。这样，当服务器接收到第一设备发送的第一设备处于预设工作模式时的数据时，对第一数据进行分析生成第一模型，并对第一模型和预设的第二模型进行匹配处理，若第一模型与第二模型不匹配时，服务器生成提示信息发送至用户的第二设备，使用户通过第二设备控制第一设备是否继续工作，解决了现有技术中远程控制系统容易被黑客控制，物联网家电容易被黑客控制的问题，实现了可以及时发现黑客行为，并在发现物联网家电设备的异常操作时，提示用户是否允许执行物联网家电设备的异常操作，降低了物联网家电被恶意启动的风险。

基于前述实施例，本发明的实施例提供一种计算机可读存储介质，计算机可读存储介质存储有一个或者多个保护程序，一个或者多个保护程序可被一个或者多个处理器执行，以实现以下步骤：

接收第一设备处于预设工作模式时在第一预设时间段发送的数据，得到第一数据；

基于预设算法和第一数据，生成第一模型；

若第一模型与预先设置的第二模型不匹配，发送用于确定第一设备是否继续工作的提示消息至第二设备。

在本发明其他实施例中，若第一模型与预先设置的第二模型不匹配，发送用于确定第一设备是否继续工作的提示消息至第二设备之前，包括：

获取预设算法的特征系数；

获取第一设备处于预设工作模式时的目标样本数据；

基于目标样本数据，确定第一设备的第一训练样本的数量、第一训练集的数量、时间间隔和学习率；

基于特征系数、时间间隔、学习率、第一训练样本的数量和第一训练集的数量，采用预设算法对目标样本数据进行训练，得到第二模型。

在本发明其他实施例中，若第一模型与预先设置的第二模型不匹配，发送用于确定第一设备是否继续工作的提示消息至第二设备之后，包括：

接收第二设备发送的用于指示第一设备继续工作的控制指令，并存储第一数据。

在本发明其他实施例中，获取第一设备处于预设工作模式时的目标样本数据，包括：

接收第一设备处于预设工作模式时在第一预设时间段内发送的数据，得到第二数据；

对第二数据进行抽样处理，得到第一样本子数据；

获取服务器在第一预设时间段存储的第一数据，得到第二样本子数据；其中，目标样本数据包括第一样本子数据和第二样本子数据。

在本发明其他实施例中，基于预设算法和第一数据，生成第一模型，包括：

基于第一数据，确定第一设备的第二训练样本的数量和第二训练集的数量；

基于特征系数、时间间隔、学习率、第二训练样本的数量和第二训练集的数量，采用预设算法对第一数据进行训练，得到第一模型。

在本发明其他实施例中，第一数据包括：第一设备处于预设工作模式进行工作时的工作时间点、工作时长、工作功率以及工作间隔时长，第一设备的ip地址，预设工作模式的标识信息，第一设备的用户标识和/或第二设备的ip地址。

在本发明其他实施例中，预设算法包括长短时记忆神经网络算法；

特征系数包括长短时记忆神经网络算法的输入层权重系数、输出层权重系数和偏置。

需说明的是，本实施例中处理器所实现的步骤之间的交互过程，可以参照图1～3、5～7对应的实施例提供的一种信息保护方法中的交互过程，此处不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所描述的方法。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。