基于深度学习算法与AP聚类的轻量级分布式数据泄露检测

轻量级分布式数据在分布上存在属性特征。在对该类数据的泄漏状态进行检测时,可能导致输出结果误差较大。因此,文章提出了基于深度学习算法与AP聚类的轻量级分布式数据泄露检测方法。结合数据簇不同区域meanshift模长的差异性,对分布式数据的局部中心量度进行了重新定义,并采用深度学习的方式将属于边缘区域的部分进行了剔除处理。同时,引入了AP聚类算法,将数据泄露检测问题转化为原始轻量级数据点初始连接能力计算和连接能力衰减状态计算的问题,从而根据聚类后数据簇内数据点之间的关系确定数据泄露状态。在测试结果中,设计检测方法的输出结果与实际设置值表现出较高的拟合度,对应的误差始终稳定在0.008以下,最小误差为0。

基于数字孪生技术的工控网络设备可视化监控方法研究

现行工控网络设备可视化监控方法的应用效果不佳,不仅设备状态监测精准度低,而且网络设备超调量高。对此,文章提出了基于数字孪生技术的工控网络设备可视化监控方法,首先利用数字孪生技术建立网络设备虚拟模型;其次通过布设无线传感器采集设备状态数据并对其进行清洗处理;接着对网络设备数据进行虚拟映射,旨在对设备异常状态进行可视化监测及调控;最终实现基于数字孪生技术的工控网络设备可视化监控。经实验证明,该方法的监测精准度高于95%,超调量不足1%,可以实现对工控网络设备的精准可视化监控。