本发明涉及物联网通信，尤其涉及用于hvac的物联网设备通信异常检测方法及系统。
背景技术：
1、暖通空调(heating,ventilation and air conditioning，简称hvac)是指室内负责暖气、通风及空气调节的系统或相关设备。暖通空调系统可以控制空气的温度及湿度，提高室内的舒适度，广泛应用于中大型工业建筑或办公建筑中。
2、现有大型建筑物中的暖通空调系统包含的空气处理设备复杂多样，而且随着建筑设施的现代化建设，通常都会采用物联网技术对空气处理设备进行通信控制及管理，但是由于空气处理设备以及物联网通信系统设备具有多样性，整个物联网系统可能会存在各种各样的安全漏洞，留下如远程登录端口开放、系统固件过时、敏感数据传输未加密等隐患。这些隐患会导致物联网通信容易被黑客恶意攻击或者出现系统故障，尤其是对物联网中比较重要的通信行为如智能设备管理、智能设备交换机的交付控制、重要信息通信、设备的维护运行等，会因为一些人为或自然产生的异常，对物联网的正常通信造成破坏，影响暖通空调系统的正常运转。
3、因此，在暖通空调系统中利用物联网环境下的通信数据来检测异常，并针对异常采取相应的措施能够有效地保护暖通空调系统正常运转。当然，这种针对物联网通信数据的异常检测方法还可以应用于其他领域，如更贴近生活的智能家居，推动社会智能发展的智慧城市，推动生产力发展的工业物联网以及应用互联网思维的车联网等。面对物联网的广阔应用前景，构建准确高效的异常检测模型是保障物联网安全通信的一个重要并且十分紧迫的问题。
技术实现思路
1、为了解决上述技术问题，本发明提供了用于hvac的物联网设备通信异常检测方法及系统。
2、本发明采用以下技术方案：用于hvac的物联网设备通信异常检测方法，所述方法包括：
3、获取物联网设备之间的在先数据，基于时序将所述在先数据分为远期数据和近期数据；
4、基于k均值聚类算法将所述远期数据作为训练样本构建第一检测模型，基于孤立森林算法将所述近期数据作为训练样本构建第二检测模型；
5、根据所述远期数据与所述近期数据的分布相似度设定所述第一检测模型及所述第二检测模型的权重，生成目标检测模型；
6、将物联网设备进行通信的实时数据输入至所述目标检测模型，得到目标异常值，基于所述目标异常值判断所述实时数据是否正常；
7、持续采集所述实时数据，基于预设时段更新所述远期数据及所述近期数据，对更新后的所述远期数据进行筛选得到信任数据；
8、基于所述信任数据、更新后的所述远期数据及更新后的所述近期数据动态更新所述目标检测模型，以实现对物联网设备之间的通信数据持续检测。
9、本发明一实施例的用于hvac的物联网设备通信异常检测方法，通过将在线数据分为远期数据和近期数据，并分别用远期数据和近期数据训练第一检测模型和第二检测模型，再利用两组数据的分布相似度将两个检测模型融合，有效提高了物联网通信数据异常检测的准确性；再通过定期的更新远期数据和近期数据，并从远期数据中筛选信任数据用于更新目标检测模型，使得目标检测模型能够基于时序持续更新，避免初始采集的在先数据与未来采集的通信数据存在偏差时目标检测模型不适应未来采集数据的情况，使得目标检测模型具有长效的精确检测物联网通信异常的能力，为暖通空调系统的物联网通信提供保障。
10、进一步的，获取物联网设备之间的在先数据，基于时序将所述在先数据分为远期数据和近期数据的步骤具体包括：
11、获取物联网设备之间进行通信的在先数据，所述在先数据为带有时戳的数据流，设所述在先数据的时间跨度为t，记为；
12、基于时序将所述在先数据分为远期数据和近期数据，分别记为和，其中，为所述远期数据的时间跨度，为所述近期数据的时间跨度，且，；
13、令，其中，n的取值基于所述在先数据的大小而定。
14、进一步的，在所述基于时序将所述在先数据分为远期数据和近期数据之前，将所述在先数据进行归一化处理，步骤具体包括：
15、设每个所述在先数据为a，则进行归一化处理后的每个所述在先数据记为：
16、
17、其中，为所述在先数据所对应特征的最大值，为所述在先数据所对应特征的最小值。
18、进一步的，基于k均值聚类算法将所述远期数据作为训练样本构建第一检测模型的步骤具体包括：
19、基于k均值聚类算法设所述远期数据具有n个历史样本，记每个所述历史样本为，其中，；从所述历史样本中选取k个样本作为类簇中心，记所述类簇中心为，其中，；
20、计算剩余的所述历史样本到k个所述类簇中心的欧氏距离：
21、
22、其中，为第个所述历史样本到k个所述类簇中心的欧氏距离；
23、根据所述欧氏距离的值将所述历史样本划分为k个簇，记每个簇为,其中，；每个簇内具有多个样本，计算每个簇内的样本的平均值，并基于该平均值选择样本中心点，记为；
24、基于所述样本中心点进行聚类迭代，直至聚类结果不再变化为止，并将每个所述历史样本到每个簇的所述样本中心点的距离作为所述历史样本的检测结果，得到第一检测模型：
25、
26、其中，为第y个簇的所述样本中心点，为第个所述历史样本，k为簇的数量，为第个所述历史样本的异常值。
27、进一步的，基于孤立森林算法将所述近期数据作为训练样本构建第二检测模型的步骤具体包括：
28、基于所述孤立森林算法将每个所述近期数据在所有孤立树中的路径长度平均值作为所述近期数据的检测结果，从而得到第二检测模型：
29、
30、其中，所述近期数据具有q个当前样本，第b个所述当前样本记为，为第b个所述当前样本轮询全部孤立树时轮询的全部长度和的平均值，为树高度的归一化系数，，为调和函数。
31、进一步的，根据所述远期数据与所述近期数据的分布相似度设定所述第一检测模型及所述第二检测模型的权重，生成目标检测模型的步骤具体包括：
32、计算所述远期数据与所述近期数据的分布相似度：
33、
34、其中，；
35、令所述第一检测模型的权重及所述第二检测模型的权重为：
36、
37、
38、其中，为预设参数，和分别为权重的最大值及最小值；
39、则所述目标检测模型为：
40、
41、其中，为所述第一检测模型，为所述第二检测模型。
42、进一步的，基于所述目标异常值判断所述实时数据是否正常的步骤具体包括：
43、若所述目标异常值大于等于预设的异常阈值，则判定当前的所述实时数据异常；
44、若所述目标异常值小于预设的异常阈值，则判定当前的所述实时数据正常。
45、进一步的，持续采集所述实时数据，基于预设时段更新所述远期数据及所述近期数据，对更新后的所述远期数据进行筛选得到信任数据的步骤具体包括：
46、持续采集所述实时数据，并记录检测时长；其中，所述预设时段小于所述近期数据的时间跨度，设所述预设时段为t；
47、当所述检测时长达到所述预设时段时，将所述远期数据时序在前且时间跨度为t的数据删除，将所述近期数据时序在前且时间跨度为t的数据划归入所述远期数据，将采集的时间跨度为t的所述实时数据划归入所述近期数据，从而完成对所述远期数据及所述近期数据的更新，同时对所述远期数据的时间跨度及所述近期数据的时间跨度的时序范围完成更新；
48、选取更新后的时间跨度为的所述远期数据作为信任数据，其中，，且的时序范围位于更新后的的时序范围的中间。
49、进一步的，基于所述信任数据、更新后的所述远期数据及更新后的所述近期数据动态更新所述目标检测模型的步骤具体包括：
50、基于所述信任数据对所述第一检测模型进行更新，记为，基于更新后的所述近期数据对所述第二检测模型进行更新，记为；
51、基于更新后的所述远期数据及更新后的所述近期数据对所述第一检测模型及所述第二检测模型的权重进行更新，分别记为及；
52、则更新后的所述目标检测模型为：
53、
54、其中，为更新后的所述目标检测模型。
55、本发明还提出用于hvac的物联网设备通信异常检测系统，所述系统包括：
56、获取模块，用于获取物联网设备之间的在先数据，基于时序将所述在先数据分为远期数据和近期数据；
57、建立模块，用于基于k均值聚类算法将所述远期数据作为训练样本构建第一检测模型，基于孤立森林算法将所述近期数据作为训练样本构建第二检测模型；
58、计算模块，用于根据所述远期数据与所述近期数据的分布相似度设定所述第一检测模型及所述第二检测模型的权重，生成目标检测模型；
59、检测模块，用于将物联网设备进行通信的实时数据输入至所述目标检测模型，得到目标异常值，基于所述目标异常值判断所述实时数据是否正常；
60、数据更新模块，用于持续采集所述实时数据，基于预设时段更新所述远期数据及所述近期数据，对更新后的所述远期数据进行筛选得到信任数据；
61、模型更新模块，用于基于所述信任数据、更新后的所述远期数据及更新后的所述近期数据动态更新所述目标检测模型，以实现对物联网设备之间的通信数据持续检测。
62、本发明一实施例的用于hvac的物联网设备通信异常检测系统，通过将在线数据分为远期数据和近期数据，并分别用远期数据和近期数据训练第一检测模型和第二检测模型，再利用两组数据的分布相似度将两个检测模型融合，有效提高了物联网通信数据异常检测的准确性；再通过定期的更新远期数据和近期数据，并从远期数据中筛选信任数据用于更新目标检测模型，使得目标检测模型能够基于时序持续更新，避免初始采集的在先数据与未来采集的通信数据存在偏差时目标检测模型不适应未来采集数据的情况，使得目标检测模型具有长效的精确检测物联网通信异常的能力，为暖通空调系统的物联网通信提供保障。
1.用于hvac的物联网设备通信异常检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的用于hvac的物联网设备通信异常检测方法，其特征在于，获取物联网设备之间的在先数据，基于时序将所述在先数据分为远期数据和近期数据的步骤具体包括：
3.根据权利要求1所述的用于hvac的物联网设备通信异常检测方法，其特征在于，在所述基于时序将所述在先数据分为远期数据和近期数据之前，将所述在先数据进行归一化处理，步骤具体包括：
4.根据权利要求1所述的用于hvac的物联网设备通信异常检测方法，其特征在于，基于k均值聚类算法将所述远期数据作为训练样本构建第一检测模型的步骤具体包括：
5.根据权利要求4所述的用于hvac的物联网设备通信异常检测方法，其特征在于，基于孤立森林算法将所述近期数据作为训练样本构建第二检测模型的步骤具体包括：
6.根据权利要求5所述的用于hvac的物联网设备通信异常检测方法，其特征在于，根据所述远期数据与所述近期数据的分布相似度设定所述第一检测模型及所述第二检测模型的权重，生成目标检测模型的步骤具体包括：
7.根据权利要求1所述的用于hvac的物联网设备通信异常检测方法，其特征在于，基于所述目标异常值判断所述实时数据是否正常的步骤具体包括：
8.根据权利要求2所述的用于hvac的物联网设备通信异常检测方法，其特征在于，持续采集所述实时数据，基于预设时段更新所述远期数据及所述近期数据，对更新后的所述远期数据进行筛选得到信任数据的步骤具体包括：
9.根据权利要求1所述的用于hvac的物联网设备通信异常检测方法，其特征在于，基于所述信任数据、更新后的所述远期数据及更新后的所述近期数据动态更新所述目标检测模型的步骤具体包括：
10.用于hvac的物联网设备通信异常检测系统，其特征在于，所述系统包括：
