基于神经网络的智能家居异常监测方法及系统

本发明涉及智能家居，尤其涉及一种基于神经网络的智能家居异常监测方法及系统。

背景技术：

1、随着智能设备技术的发展，越来越多的智能家居设备被应用在日常的家居环境中，以提高用户的体验，但由于恶意程序或恶意指令引发的智能家居环境的危险事件也开始更频繁地发生，对于智能家居安全监测的重视程度也随之增加。

2、但现有技术在解决智能家居安全监测时，一般仍然采用的是权限管理的方式来限制特定设备或程序的访问，或是通过对一些明显恶意或预先被识别为病毒的指令或程序进行限制，但这类现有技术由于权限的不可穷举的特性，往往存在漏洞，且效率不高，可见，现有技术存在缺陷，亟需解决。

技术实现思路

1、本发明所要解决的技术问题在于，提供一种基于神经网络的智能家居异常监测方法及系统，能够更加准确和实时的预测智能家居指令的风险，提高家居环境的智能程度和安全程度。

2、为了解决上述技术问题，本发明第一方面公开了一种基于神经网络的智能家居异常监测方法，所述方法包括：

3、获取目标智能家居环境对应的实时指令集合；

4、获取所述实时指令集合对应的家居设备的设备状态集合；

5、将所述实时指令集合和所述设备状态集合，以及预设的人类行为事件集合和环境变化事件集合，输入至训练好的dqn神经网络模型中，以得到所述实时指令集合对应的风险预测参数；所述dqn神经网络模型通过包括有多个训练用事件和训练用指令和对应的风险值标注的训练数据集训练得到；

6、根据所述实时指令集合对应的所述风险预测参数，确定所述实时指令集合对应的执行策略。

7、作为一种可选的实施方式，在本发明第一方面中，所述获取目标智能家居环境对应的实时指令集合，包括：

8、在目标智能家居环境的智能家居设备内设置中间件；

9、基于所述中间件实时获取所述目标智能家居环境中多个智能家居设备发送或准备接收的多个指令；

10、筛选出所述多个指令中满足预设的指令时间间隔规则和指令关联规则的指令，确定为实时指令集合。

11、作为一种可选的实施方式，在本发明第一方面中，所述指令时间间隔规则用于限制所述实时指令集合中任意两个指令的指令时间之间的时间差小于预设的时间差阈值；所述指令关联规则用于限制所述实时指令集合中的所有指令关联至同一操作事件。

12、作为一种可选的实施方式，在本发明第一方面中，所述将所述实时指令集合和所述设备状态集合，以及预设的人类行为事件集合和环境变化事件集合，输入至训练好的dqn神经网络模型中，以得到所述实时指令集合对应的风险预测参数，包括：

13、将所述实时指令集合中的第i个指令和当前设备状态，输入至训练好的dqn神经网络模型中，以得到所述第i个指令对应的指令危险预测结果和更新后的当前设备状态；所述i初始为1；所述当前设备状态初始为所述设备状态集合；

14、从预设的人类行为事件集合和环境变化事件集合中确定出目标事件，并将所述目标事件和所述更新后的设备状态，输入所述dqn神经网络模型中，以得到所述第i个指令对应的交互危险预测结果以及更新后的当前设备状态；

15、将i加1；

16、重复以上步骤直至得到实时指令集合中的所有所述指令对应的所述指令危险预测结果和所述交互危险预测结果。

17、作为一种可选的实施方式，在本发明第一方面中，所述从预设的人类行为事件集合和环境变化事件集合中确定出目标事件，包括：

18、计算预设的人类行为事件集合和环境变化事件集合中每一事件对应的在所述dqn神经网络模型中的风险预测值；

19、将所述风险预测值最高的所述事件确定为目标事件。

20、作为一种可选的实施方式，在本发明第一方面中，所述根据所述实时指令集合对应的所述风险预测参数，确定所述实时指令集合对应的执行策略，包括：

21、判断所述实时指令集合中所有指令对应的所述指令危险预测结果和所述交互危险预测结果均为无危险结果，得到第一判断结果；

22、若所述第一判断结果为是，确定所述实时指令集合对应的执行策略是全部执行；

23、若所述第一判断结果为否，确定所述实时指令集合对应的执行策略是暂停执行，并根据所述实时指令集合中所有指令对应的所述指令危险预测结果和所述交互危险预测结果，确定所述实时指令集合中每一指令对应的执行参数。

24、作为一种可选的实施方式，在本发明第一方面中，所述根据所述实时指令集合中所有指令对应的所述指令危险预测结果和所述交互危险预测结果，确定所述实时指令集合中每一指令对应的执行参数，包括：

25、筛选出所述实时指令集合中所有对应的所述指令危险预测结果或所述交互危险预测结果为有危险结果的指令，得到多个危险指令，并将所述实时指令集合中非所述危险指令的指令确定为安全指令；

26、将所有所述危险指令的执行参数确定为中止执行；

27、计算每一所述安全指令的指令时间与相邻的一个或两个安全指令的指令时间之间的时间差参数；所述时间差参数为一个时间差或多个时间差之间的平均值；

28、计算每一所述安全指令的指令类型与预设的危险指令类型数据之间的相似度；

29、计算每一所述安全指令的所述时间差参数和所述相似度的加权求和平均值，得到每一所述安全指令对应的安全参数；

30、将所述安全参数大于预设的参数阈值的所述安全指令的执行参数确定为予以执行，将所述安全参数小于所述参数阈值的所述安全指令的执行参数确定为中止执行。

31、作为一种可选的实施方式，在本发明第一方面中，所述计算每一所述安全指令的指令类型与预设的危险指令类型数据之间的相似度，包括：

32、对于任一所述安全指令，根据该安全指令和与该安全指令相邻的安全指令的指令代码，从预设的危险指令类型数据库中筛选出与该安全指令的代码相似度高于相似度阈值的多个危险指令类型数据；每一所述危险指令类型数据包括两个相邻的构成危险指令的指令数据；

33、计算该安全指令的指令类型和与该安全指令相邻的安全指令的指令类型形成的类型组合参数，与每一所述危险指令类型数据中的指令数据的类型组合参数，之间的第一相似度；

34、计算该安全指令对应的所有所述第一相似度的平均值，得到该安全指令的指令类型与预设的危险指令类型数据之间的相似度。

35、本发明第二方面公开了一种基于神经网络的智能家居异常监测系统，所述系统包括：

36、第一获取模块，用于获取目标智能家居环境对应的实时指令集合；

37、第二获取模块，用于获取所述实时指令集合对应的家居设备的设备状态集合；

38、预测模块，用于将所述实时指令集合和所述设备状态集合，以及预设的人类行为事件集合和环境变化事件集合，输入至训练好的dqn神经网络模型中，以得到所述实时指令集合对应的风险预测参数；所述dqn神经网络模型通过包括有多个训练用事件和训练用指令和对应的风险值标注的训练数据集训练得到；

39、确定模块，用于根据所述实时指令集合对应的所述风险预测参数，确定所述实时指令集合对应的执行策略。

40、作为一种可选的实施方式，在本发明第二方面中，所述第一获取模块获取目标智能家居环境对应的实时指令集合的具体方式，包括：

41、在目标智能家居环境的智能家居设备内设置中间件；

42、基于所述中间件实时获取所述目标智能家居环境中多个智能家居设备发送或准备接收的多个指令；

43、筛选出所述多个指令中满足预设的指令时间间隔规则和指令关联规则的指令，确定为实时指令集合。

44、作为一种可选的实施方式，在本发明第二方面中，所述指令时间间隔规则用于限制所述实时指令集合中任意两个指令的指令时间之间的时间差小于预设的时间差阈值；所述指令关联规则用于限制所述实时指令集合中的所有指令关联至同一操作事件。

45、作为一种可选的实施方式，在本发明第二方面中，所述预测模块将所述实时指令集合和所述设备状态集合，以及预设的人类行为事件集合和环境变化事件集合，输入至训练好的dqn神经网络模型中，以得到所述实时指令集合对应的风险预测参数的具体方式，包括：

46、将所述实时指令集合中的第i个指令和当前设备状态，输入至训练好的dqn神经网络模型中，以得到所述第i个指令对应的指令危险预测结果和更新后的当前设备状态；所述i初始为1；所述当前设备状态初始为所述设备状态集合；

47、从预设的人类行为事件集合和环境变化事件集合中确定出目标事件，并将所述目标事件和所述更新后的设备状态，输入所述dqn神经网络模型中，以得到所述第i个指令对应的交互危险预测结果以及更新后的当前设备状态；

48、将i加1；

49、重复以上步骤直至得到实时指令集合中的所有所述指令对应的所述指令危险预测结果和所述交互危险预测结果。

50、作为一种可选的实施方式，在本发明第二方面中，所述预测模块从预设的人类行为事件集合和环境变化事件集合中确定出目标事件的具体方式，包括：

51、计算预设的人类行为事件集合和环境变化事件集合中每一事件对应的在所述dqn神经网络模型中的风险预测值；

52、将所述风险预测值最高的所述事件确定为目标事件。

53、作为一种可选的实施方式，在本发明第二方面中，所述确定模块根据所述实时指令集合对应的所述风险预测参数，确定所述实时指令集合对应的执行策略的具体方式，包括：

54、判断所述实时指令集合中所有指令对应的所述指令危险预测结果和所述交互危险预测结果均为无危险结果，得到第一判断结果；

55、若所述第一判断结果为是，确定所述实时指令集合对应的执行策略是全部执行；

56、若所述第一判断结果为否，确定所述实时指令集合对应的执行策略是暂停执行，并根据所述实时指令集合中所有指令对应的所述指令危险预测结果和所述交互危险预测结果，确定所述实时指令集合中每一指令对应的执行参数。

57、作为一种可选的实施方式，在本发明第二方面中，所述确定模块根据所述实时指令集合中所有指令对应的所述指令危险预测结果和所述交互危险预测结果，确定所述实时指令集合中每一指令对应的执行参数的具体方式，包括：

58、筛选出所述实时指令集合中所有对应的所述指令危险预测结果或所述交互危险预测结果为有危险结果的指令，得到多个危险指令，并将所述实时指令集合中非所述危险指令的指令确定为安全指令；

59、将所有所述危险指令的执行参数确定为中止执行；

60、计算每一所述安全指令的指令时间与相邻的一个或两个安全指令的指令时间之间的时间差参数；所述时间差参数为一个时间差或多个时间差之间的平均值；

61、计算每一所述安全指令的指令类型与预设的危险指令类型数据之间的相似度；

62、计算每一所述安全指令的所述时间差参数和所述相似度的加权求和平均值，得到每一所述安全指令对应的安全参数；

63、将所述安全参数大于预设的参数阈值的所述安全指令的执行参数确定为予以执行，将所述安全参数小于所述参数阈值的所述安全指令的执行参数确定为中止执行。

64、作为一种可选的实施方式，在本发明第二方面中，所述确定模块计算每一所述安全指令的指令类型与预设的危险指令类型数据之间的相似度的具体方式，包括：

65、对于任一所述安全指令，根据该安全指令和与该安全指令相邻的安全指令的指令代码，从预设的危险指令类型数据库中筛选出与该安全指令的代码相似度高于相似度阈值的多个危险指令类型数据；每一所述危险指令类型数据包括两个相邻的构成危险指令的指令数据；

66、计算该安全指令的指令类型和与该安全指令相邻的安全指令的指令类型形成的类型组合参数，与每一所述危险指令类型数据中的指令数据的类型组合参数，之间的第一相似度；

67、计算该安全指令对应的所有所述第一相似度的平均值，得到该安全指令的指令类型与预设的危险指令类型数据之间的相似度。

68、本发明第三方面公开了另一种基于神经网络的智能家居异常监测系统，所述系统包括：

69、存储有可执行程序代码的存储器；

70、与所述存储器耦合的处理器；

71、所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第一方面公开的基于神经网络的智能家居异常监测方法中的部分或全部步骤。

72、与现有技术相比，本发明具有以下有益效果：

73、本发明能够根据家居设备的指令集合和设备状态以及预设的人类行为和环境变化事件，通过神经网络算法来预测指令的风险性，并以此确定指令的执行策略，从而能够更加准确和实时的预测智能家居指令的风险，提高家居环境的智能程度和安全程度。