CN120812087A - 一种基于人工智能的物业数据处理方法及系统 - Google Patents

Abstract

本申请提供了一种基于人工智能的物业数据处理方法及系统，涉及计算机技术领域，首先在物业管理系统中识别接入核心网络且存在风险异常的目标设备；随后采集该设备在处理物业数据时生成的运行参数；基于运行参数提取多维安全特征变量；将特征变量输入预先训练的分类模型，生成物业数据的安全状态概率分布；进一步结合动态工单负载指数作为决策因子，通过强化学习模型输出安防动作信息；最终根据安防动作生成控制请求并发送至安全控制设备，能够有效地对物业数据进行安全防护。

Description

一种基于人工智能的物业数据处理方法及系统

技术领域

本申请涉及计算机技术领域，特别涉及一种基于人工智能的物业数据处理方法及系统。

背景技术

随着物联网、人工智能及大数据技术的快速发展，物业管理领域正经历从传统人工管理向智能化、数字化管理的深刻变革。传统的物业管理系统通常依赖固定规则的安防策略法，难以应对复杂多变的业务场景和潜在风险，使得物业数据的管理不安全。

发明内容

本申请所要解决的技术问题是提供一种基于人工智能的物业数据处理方法及系统，能够有效地对物业数据进行安全防护。具体方案如下：

一种基于人工智能的物业数据处理方法，包括：

在物业管理系统的各个物业数据处理设备中确定目标设备，所述目标设备为接入物业核心网络且存在风险异常的设备；

获取目标设备的运行参数，所述运行参数由所述目标设备在处理物业数据时生成；

根据所述运行参数生成所述目标设备的安全特征变量，所述安全特征变量包括数据流波动指数、操作行为风险评分、交易异常关联度以及设备健康预测值；

将所述数据流波动指数、操作行为风险评分、交易异常关联度以及设备健康预测值输入到预先训练好的分类模型中，获得所述物业数据的安全状态概率分布；

将所述安全状态概率分布、所述交易异常关联度以及决策因子输入到强化学习模型中，获得所述业务数据对应的安防动作信息；所述决策因子基于所述物业管理系统的动态工单负载指数确定，所述动态工单负载指数表征所述物业管理系统在当前时间窗口内工单处理能力与资源分配压力的匹配程度；

根据所述安防动作信息生成控制请求，将所述控制请求发往安全控制设备，以由所述安全控制设备基于所述安防动作对所述物业数据进行安全防护。

上述的方法，可选的，所述在各个物业数据处理设备中确定目标设备，包括：

通过实时监测所述物业数据处理设备的网络接入状态，筛选出与物业核心网络建立有效通信连接的候选设备；

计算所述候选设备的每个历史操作行为与行为基线的偏离度；

在所述候选设备的异常行为数量大于数量阈值的情况下，确定所述候选设备为目标设备；所述异常行为数量为偏离度大于偏离度阈值的历史操作行为的数量。

上述的方法，可选的，所述运行参数包括运行日志、用户操作记录、交易流水及网络流量数据；

相应的，所述根据所述运行参数生成所述目标设备的安全特征变量，包括：

对所述网络流量数据进行滑动窗口分析，计算流量速率的标准差与基线流量的偏离度，结合流量的变化率大于变化率阈值的频次，生成数据流波动指数；

通过预设的随机森林模型对所述用户操作记录进行分析，获得操作行为风险评分；

确定所述交易流水中的交易特征，包括交易金额、频率、时间分布、交易对手方及其历史关联交易模式，识别出异常交易，并确定所述目标设备参与所述异常交易之间的交易异常关联度；

提取所述运行日志中的性能指标、资源消耗趋势及系统稳定性信息，输入至预设的设备健康预测模型中，预测所述目标设备在未来预设时间段内发生性能故障或宕机的概率值，作为所述设备健康预测值；

根据所述数据流波动指数、操作行为风险评分、交易异常关联度以及所述设备健康预测值组成所述目标设备的安全特征变量。

上述的方法，可选的，基于所述物业管理系统的动态工单负载指数确定决策因子的过程，包括：

获取所述物业管理系统的工单处理状态数据及资源分配数据；

根据所述工单处理状态数据及资源分配数据计算动态工单负载指数；

确定所述动态工单负载指数所处的阈值区间；

根据所述动态工单负载指数所处的阈值区间设置决策因子。

上述的方法，可选的，所述将所述控制请求发往安全控制设备之后，还包括：

接收所述安全控制设备返回的执行反馈数据；

根据所述执行反馈数据对所述强化学习模型的模型参数进行更新。

一种基于人工智能的物业数据处理系统，包括：

确定单元，用于在物业管理系统的各个物业数据处理设备中确定目标设备，所述目标设备为接入物业核心网络且存在风险异常的设备；

获取单元，用于获取目标设备的运行参数，所述运行参数由所述目标设备在处理物业数据时生成；

生成单元，用于根据所述运行参数生成所述目标设备的安全特征变量，所述安全特征变量包括数据流波动指数、操作行为风险评分、交易异常关联度以及设备健康预测值；

分类单元，用于将所述数据流波动指数、操作行为风险评分、交易异常关联度以及设备健康预测值输入到预先训练好的分类模型中，获得所述物业数据的安全状态概率分布；

决策单元，用于将所述安全状态概率分布、所述交易异常关联度以及决策因子输入到强化学习模型中，获得所述业务数据对应的安防动作信息；所述决策因子基于所述物业管理系统的动态工单负载指数确定，所述动态工单负载指数表征所述物业管理系统在当前时间窗口内工单处理能力与资源分配压力的匹配程度；

发送单元，用于根据所述安防动作信息生成控制请求，将所述控制请求发往安全控制设备，以由所述安全控制设备基于所述安防动作对所述物业数据进行安全防护。

上述的系统，可选的，所述确定单元，包括：

选取子单元，用于通过实时监测所述物业数据处理设备的网络接入状态，筛选出与物业核心网络建立有效通信连接的候选设备；

第一计算子单元，用于计算所述候选设备的每个历史操作行为与行为基线的偏离度；

第一确定子单元，用于在所述候选设备的异常行为数量大于数量阈值的情况下，确定所述候选设备为目标设备；所述异常行为数量为偏离度大于偏离度阈值的历史操作行为的数量。

上述的系统，可选的，所述运行参数包括运行日志、用户操作记录、交易流水及网络流量数据；

相应的，所述生成单元，包括：

第二计算子单元，用于对所述网络流量数据进行滑动窗口分析，计算流量速率的标准差与基线流量的偏离度，结合流量的变化率大于变化率阈值的频次，生成数据流波动指数；

分析子单元，用于通过预设的随机森林模型对所述用户操作记录进行分析，获得操作行为风险评分；

第二确定子单元，用于确定所述交易流水中的交易特征，包括交易金额、频率、时间分布、交易对手方及其历史关联交易模式，识别出异常交易，并确定所述目标设备参与所述异常交易之间的交易异常关联度；

提取子单元，用于提取所述运行日志中的性能指标、资源消耗趋势及系统稳定性信息，输入至预设的设备健康预测模型中，预测所述目标设备在未来预设时间段内发生性能故障或宕机的概率值，作为所述设备健康预测值；

执行子单元，用于根据所述数据流波动指数、操作行为风险评分、交易异常关联度以及所述设备健康预测值组成所述目标设备的安全特征变量。

上述的系统，可选的，决策单元，包括：

获取子单元，用于获取所述物业管理系统的工单处理状态数据及资源分配数据；

第三计算子单元，用于根据所述工单处理状态数据及资源分配数据计算动态工单负载指数；

第三确定子单元，用于确定所述动态工单负载指数所处的阈值区间；

设置子单元，用于根据所述动态工单负载指数所处的阈值区间设置决策因子。

上述的系统，可选的，还包括：

接收单元，用于接收所述安全控制设备返回的执行反馈数据；

参数更新单元，用于根据所述执行反馈数据对所述强化学习模型的模型参数进行更新。

基于上述本申请实施提供的一种基于人工智能的物业数据处理方法及系统，其中，在物业管理系统的各个物业数据处理设备中确定目标设备，所述目标设备为接入物业核心网络且存在风险异常的设备；获取目标设备的运行参数，所述运行参数由所述目标设备在处理物业数据时生成；根据所述运行参数生成所述目标设备的安全特征变量，所述安全特征变量包括数据流波动指数、操作行为风险评分、交易异常关联度以及设备健康预测值；将所述数据流波动指数、操作行为风险评分、交易异常关联度以及设备健康预测值输入到预先训练好的分类模型中，获得所述物业数据的安全状态概率分布；将所述安全状态概率分布、所述交易异常关联度以及决策因子输入到强化学习模型中，获得所述业务数据对应的安防动作信息；所述决策因子基于所述物业管理系统的动态工单负载指数确定，所述动态工单负载指数表征所述物业管理系统在当前时间窗口内工单处理能力与资源分配压力的匹配程度；根据所述安防动作信息生成控制请求，将所述控制请求发往安全控制设备，以由所述安全控制设备基于所述安防动作对所述物业数据进行安全防护。应用本申请实施例提供的方法，能够有效地对物业数据进行安全防护。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请提供的一种基于人工智能的物业数据处理方法的方法流程图；

图2为本申请提供的一种在各个物业数据处理设备中确定目标设备的过程的流程图；

图3为本申请提供的一种根据运行参数生成目标设备的安全特征变量的过程的流程图；

图4为本申请提供的一种基于人工智能的物业数据处理系统的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在本申请中，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本发明实施例提供了一种基于人工智能的物业数据处理方法，应用于电子设备，所述方法的方法流程图如图1所示，具体包括：

S101：在物业管理系统的各个物业数据处理设备中确定目标设备，所述目标设备为接入物业核心网络且存在风险异常的设备。

在本实施例中，可以通过实时监测各设备与物业核心网络之间的接入状态，筛选出已建立有效通信连接的候选设备集合；基于预设的安全行为基线，计算候选设备的历史操作行为序列中每个操作行为与所述基线的偏离度值，并统计偏离度值超过预设异常阈值的操作行为数量作为异常行为计数；当特定候选设备的异常行为计数大于预设数量阈值时，判定该设备存在风险异常状态，将其标记为目标设备。其中，所述物业核心网络指物业管理系统中用于传输核心业务数据的专用通信网络，所述风险异常状态表征设备在数据操作、资源访问或协议交互过程中出现偏离正常安全模式的行为特征。

可选的，物业数据处理设备，指物业管理系统中部署的用于执行物业数据采集、存储、计算或传输的物理或虚拟设备(如服务器、边缘计算节点、智能终端。

可选的，风险异常可以是指设备行为超出预设安全策略的异常状态，可以通过历史操作行为偏离度量化。行为基线可以是基于历史正常操作日志构建的行为频率、指令类型、访问时段的统计模型。

S102：获取目标设备的运行参数，所述运行参数由所述目标设备在处理物业数据时生成。

在本实施例中，实时采集所述目标设备在执行物业数据处理任务过程中产生的原生操作记录，所述运行参数由设备内部监控模块自动生成并存储于本地日志系统，其内容涵盖设备资源消耗状态、用户交互行为流水及业务数据处理轨迹；通过安全通信通道从目标设备的日志存储区提取结构化与非结构化数据集合，包括但不限于中央处理器利用率时序记录、内存分配快照、磁盘输入输出操作序列、网络数据包传输特征、用户指令执行历史以及物业费用计算、门禁控制指令执行、设备报修工单流转记录在内的核心业务操作元数据。其中，所述物业数据处理任务特指物业管理业务场景下对收费账目核算、安防信号解析、设施状态监测数据的计算、存储或转发操作。

通过嵌入式监控代理实时捕获所述目标设备在执行物业数据处理任务时产生的数据，包括：

运行日志：由设备操作系统及业务应用服务自动生成的时序记录，包含进程状态变更事件、资源分配错误告警、服务启停时间戳及性能计数器快照；

用户操作记录：记录通过人机交互界面或远程控制协议触发的操作指令序列，包括用户身份标识、执行命令文本、参数配置变更历史及访问对象路径；

交易流水：在物业费用结算、门禁权限变更、服务工单派发核心业务中产生的结构化事务记录，涵盖交易类型代码、金额数值、关联方设备标识、操作结果状态及数字签名验证信息；

网络流量数据：设备在网络通信层收发的原始数据包特征集合，包括传输协议类型、源/目的端口号、载荷大小分布、会话持续时间及流量方向标识。

所述运行参数的采集过程通过以下技术手段实现：在目标设备内核层部署轻量级钩子程序，以预设采样周期截获系统调用事件生成运行日志；在业务应用层注入审计模块，追踪用户会话生命周期内的操作轨迹并生成操作记录；在数据库事务总线上监听业务操作消息，提取关键字段后组装为交易流水；在网络驱动层设置镜像端口，复制流经设备的原始数据包并提取流量元数据。

S103：根据所述运行参数生成所述目标设备的安全特征变量，所述安全特征变量包括数据流波动指数、操作行为风险评分、交易异常关联度以及设备健康预测值。

在本实施例中，可以是基于网络流量数据的传输动态特性，通过滑动时间窗口分析计算实时流量速率相对于预设基准流量模式的偏离幅度，并结合单位时间内流量变化率超过预设敏感阈值的频次进行加权校准，生成表征网络行为异常度的数据流波动指数。

可选的，可以解析用户操作记录中的指令序列与操作对象关联关系，通过预训练的多决策树集成分类器识别高危操作模式(包括未授权访问尝试、敏感指令批量执行、权限越界操作)，依据操作类型危害等级、发生频率及时段异常性计算操作行为风险评分。

S104：将所述数据流波动指数、操作行为风险评分、交易异常关联度以及设备健康预测值输入到预先训练好的分类模型中，获得所述物业数据的安全状态概率分布。

在本实施例中，分类模型的结构采用多层感知机神经网络，输入层对应四个安全特征变量，隐藏层通过非线性激活函数学习特征交互关系，输出层使用归一化指数函数生成多类别概率。安全状态概率分布表征物业数据处于不同风险等级的可能性，包括：低风险状态概率、中风险状态概率或高风险状态概率；低风险状态概率表明设备运行正常且无恶意操作；中风险状态概率表明存在偶发性异常但未影响业务连续性；高风险状态概率表明检测到持续攻击行为或设备即将失效。

该分类模型可以通过基于历史物业安全事件标注的样本集训练得到，样本集包括设备故障、网络入侵、违规操作等多类典型场景。

S105：将所述安全状态概率分布、所述交易异常关联度以及决策因子输入到强化学习模型中，获得所述业务数据对应的安防动作信息；所述决策因子基于所述物业管理系统的动态工单负载指数确定，所述动态工单负载指数表征所述物业管理系统在当前时间窗口内工单处理能力与资源分配压力的匹配程度。

可选的，安防动作信息包含动作类型编码、执行强度参数及生效时长窗口。

在本实施例中，将安全状态概率分布、交易异常关联度及决策因子输入强化学习模型，输出安防动作信息的过程包括：

状态空间构建：以安全状态概率分布作为主环境状态；交易异常关联度作为辅助状态(强化交易链风险权重)；决策因子作为外部环境参数(动态调节动作选择策略)；

动作空间定义：基础动作类别、中级动作类别和高级动作类别；基础动作用于生成安全告警日志、限制非关键业务带宽；中级动作用于隔离高危设备端口、触发二次身份认证；高级动作用于中断异常交易流水、启动设备灾备切换；

奖励函数设计：成功阻断攻击时奖励值正增长；误阻断正常业务时惩罚值累加；资源消耗量与决策因子负相关(高负载时严控资源占用)；

策略优化机制：通过时序差分学习更新动作价值函数；结合ε-贪婪策略平衡探索与利用。

S106：根据所述安防动作信息生成控制请求，将所述控制请求发往安全控制设备，以由所述安全控制设备基于所述安防动作对所述物业数据进行安全防护。

在本实施例中，解析所述安防动作信息中的操作类型代码、目标设备标识及执行参数阈值；依据预设的安防指令编码规则，将操作类型映射为标准化的动作控制字；封装目标设备的物理地址、逻辑分区标识及动作生效条件，形成结构化控制请求报文。

可选的，所述安全控制设备接收控制请求后，根据动作控制字调用对应的底层驱动接口；在网络层设备上执行流量策略调整(如基于目标设备IP地址实施带宽限制)；在主机层设备上触发安全策略变更(如终止高危进程、冻结异常用户会话)；在业务层设备上启动事务级防护(如回滚欺异常物业费用交易、解除门禁异常授权)。

在本申请提供的一实施例中，基于上述的方案，可选的，所述在各个物业数据处理设备中确定目标设备的过程，如图2所示，包括：

S201：通过实时监测所述物业数据处理设备的网络接入状态，筛选出与物业核心网络建立有效通信连接的候选设备。

在本实施例中，通过部署于物业核心网络边界节点的状态探针，实时轮询各物业数据处理设备的网络连接特征，筛选出满足有效通信连接条件的候选设备集合；所述有效通信连接需同时满足：设备持有合法的数字证书且通过身份认证，设备在预设连续心跳周期内与核心网络保持双向数据交互，并且传输协议符合物业私有通信规范。

S202：计算所述候选设备的每个历史操作行为与行为基线的偏离度。

在本实施例中，计算候选设备的历史操作行为序列中每个操作行为与行为基线的偏离度值；行为基线通过分析历史正常操作日志构建，包含操作指令白名单、访问时段分布特征及资源占用阈值；偏离度计算采用动态形态匹配算法，量化实时操作行为在指令类型、执行频率、参数范围三个维度与基线的差异程度。

S203：在所述候选设备的异常行为数量大于数量阈值的情况下，确定所述候选设备为目标设备；所述异常行为数量为偏离度大于偏离度阈值的历史操作行为的数量。

在本实施例中，统计候选设备中偏离度值超过预设异常阈值(如≥0.85)的历史操作行为数量作为异常行为计数；当特定候选设备的异常行为计数大于预设数量阈值(如≥5次/小时)时，判定该设备存在持续性风险异常状态，将其标记为目标设备。

在本申请提供的一实施例中，基于上述的方案，可选的，所述运行参数包括运行日志、用户操作记录、交易流水及网络流量数据；

相应的，所述根据所述运行参数生成所述目标设备的安全特征变量的过程，如图3所示，包括：

S301：对所述网络流量数据进行滑动窗口分析，计算流量速率的标准差与基线流量的偏离度，结合流量的变化率大于变化率阈值的频次，生成数据流波动指数。

在本实施例中，对网络流量数据进行滑动窗口分析，计算预设时间窗口内实时流量速率的标准差相对于基准流量模式的偏离幅度，并统计单位时间内流量变化率超过预设敏感阈值的突发流量事件频次，通过加权融合所述偏离幅度与突发频次生成数据流波动指数。

S302：通过预设的随机森林模型对所述用户操作记录进行分析，获得操作行为风险评分。

在本实施例中，将用户操作记录输入预训练的随机森林模型，通过分析操作指令类型、执行频率、访问对象敏感级及上下文环境特征，识别高危操作模式(包括越权访问、批量敏感指令执行)，输出范围在0至1之间的操作行为风险评分。

S303：确定所述交易流水中的交易特征，包括交易金额、频率、时间分布、交易对手方及其历史关联交易模式，识别出异常交易，并确定所述目标设备参与所述异常交易之间的交易异常关联度。

在本实施例中，提取交易流水中的交易金额、时间戳分布、对手方设备标识及历史交易关联图谱特征，通过异常检测规则集(如单笔交易金额＞历史均值3倍、非工作时间交易密集发生)识别异常交易集群，计算目标设备与所述集群的交易交互频次及资金流向关联强度，生成交易异常关联度。

S304：提取所述运行日志中的性能指标、资源消耗趋势及系统稳定性信息，输入至预设的设备健康预测模型中，预测所述目标设备在未来预设时间段内发生性能故障或宕机的概率值，作为所述设备健康预测值。

可选的，解析运行日志中的中央处理器负载峰值、内存泄漏速率、磁盘坏道增长率关键性能指标及系统错误事件密度，输入至基于递归神经网络的预测模型，输出目标设备在未来24小时内发生功能性故障的概率值作为设备健康预测值。

S305：根据所述数据流波动指数、操作行为风险评分、交易异常关联度以及所述设备健康预测值组成所述目标设备的安全特征变量。

在本申请提供的一实施例中，基于上述的方案，可选的，基于所述物业管理系统的动态工单负载指数确定决策因子的过程，包括：

获取所述物业管理系统的工单处理状态数据及资源分配数据；

根据所述工单处理状态数据及资源分配数据计算动态工单负载指数；

确定所述动态工单负载指数所处的阈值区间；

根据所述动态工单负载指数所处的阈值区间设置决策因子。

在本实施例中，可以实时获取工单处理状态数据，包括待处理工单队列长度、工单平均处理延时、工单完成率；同步采集资源分配数据，包括中央处理器核心占用率、内存使用率、网络带宽利用率；将所述数据归一化后，通过加权融合算法生成范围在0％至100％之间的动态工单负载指数；工单队列积压率赋予第一权重系数(如0.5)；资源利用率饱和度赋予第二权重系数(如0.3)；工单处理延时偏离度赋予第三权重系数(如0.2)。

在本实施例中，动态工单负载指数越高，则表明物业管理系统在当前时间窗口内的工单处理能力与资源分配压力之间的匹配程度越差。

在本实施例中，当动态工单负载指数低于预设的第一负载阈值时，设置所述决策因子为第一决策因子；当动态工单负载指数高于预设的第二负载阈值时，设置所述决策因子为第二决策因子；所述第一负载阈值小于第二负载阈值，所述第一决策因子对应的安防动作响应级别大于所述第二决策因子对应的安防动作响应级别。

例如，当动态工单负载指数低于预设的第一负载阈值(如30％)时，设置决策因子为第一数值(如0.9)，对应高级安防响应级别，允许执行资源密集型动作(如深度流量分析、全量交易回溯)。当动态工单负载指数高于预设的第二负载阈值(如80％)时，设置决策因子为第二数值(如0.3)，对应基础安防响应级别，仅允许执行轻量级动作(如日志记录、关键业务限流)；所述第一负载阈值小于第二负载阈值，形成低负载区、过渡区、高负载区的三级响应机制。

在本申请提供的一实施例中，基于上述的方案，可选的，所述将所述控制请求发往安全控制设备之后，还包括：

接收所述安全控制设备返回的执行反馈数据；

根据所述执行反馈数据对所述强化学习模型的模型参数进行更新。

在本实施例中，所述将控制请求发往安全控制设备之后，还包括接收所述安全控制设备返回的执行反馈数据，并根据该反馈数据对强化学习模型的模型参数进行更新；其中，执行反馈数据包含安防动作执行结果代码、目标设备状态变化轨迹及触发的异常事件特征集合，所述执行结果代码表征动作成功执行、部分执行或失败状态，所述状态变化轨迹记录设备性能指标在动作执行前后的量化差异，所述异常事件特征包括网络连接异常中断、业务交易强制回滚等物业特有事件；基于所述反馈数据构造奖励信号：当安防动作成功执行且目标设备风险状态解除时生成正向奖励，当动作执行失败或引发新异常事件时生成负向惩罚；采用策略梯度优化算法，以所述奖励信号为优化目标调整强化学习模型中动作价值函数的权重参数，使模型在后续决策中优先选择奖励累积值最高的安防动作序列，实现物业安防策略的持续自优化。

可选的，执行反馈数据包括执行结果代码、目标设备状态变化轨迹和异常事件特征。

在本实施例中，执行结果代码可以是数字编码化结果，如"0"表示成功，"1"表示资源不足失败，"2"表示设备无响应、

在本实施例中，目标设备状态变化轨迹可以是动作执行前后中央处理器负载率、内存占用值、网络吞吐量的差值序列。

在本实施例中，异常事件特征可以是物业业务场景特有事件，如门禁控制指令被拒绝执行、物业费用交易因安全拦截回滚。

参见图4，为本申请实施例提供的一种基于人工智能的物业数据处理方法系统的结构示意图，所述系统包括：

确定单元401，用于在物业管理系统的各个物业数据处理设备中确定目标设备，所述目标设备为接入物业核心网络且存在风险异常的设备；

获取单元402，用于获取目标设备的运行参数，所述运行参数由所述目标设备在处理物业数据时生成；

生成单元403，用于根据所述运行参数生成所述目标设备的安全特征变量，所述安全特征变量包括数据流波动指数、操作行为风险评分、交易异常关联度以及设备健康预测值；

分类单元404，用于将所述数据流波动指数、操作行为风险评分、交易异常关联度以及设备健康预测值输入到预先训练好的分类模型中，获得所述物业数据的安全状态概率分布；

决策单元405，用于将所述安全状态概率分布、所述交易异常关联度以及决策因子输入到强化学习模型中，获得所述业务数据对应的安防动作信息；所述决策因子基于所述物业管理系统的动态工单负载指数确定，所述动态工单负载指数表征所述物业管理系统在当前时间窗口内工单处理能力与资源分配压力的匹配程度；

发送单元406，用于根据所述安防动作信息生成控制请求，将所述控制请求发往安全控制设备，以由所述安全控制设备基于所述安防动作对所述物业数据进行安全防护。

在本申请提供的一实施例中，基于上述的方案，可选的，所述确定单元401，包括：

选取子单元，用于通过实时监测所述物业数据处理设备的网络接入状态，筛选出与物业核心网络建立有效通信连接的候选设备；

第一计算子单元，用于计算所述候选设备的每个历史操作行为与行为基线的偏离度；

第一确定子单元，用于在所述候选设备的异常行为数量大于数量阈值的情况下，确定所述候选设备为目标设备；所述异常行为数量为偏离度大于偏离度阈值的历史操作行为的数量。

在本申请提供的一实施例中，基于上述的方案，可选的，所述运行参数包括运行日志、用户操作记录、交易流水及网络流量数据；

相应的，所述生成单元403，包括：

第二计算子单元，用于对所述网络流量数据进行滑动窗口分析，计算流量速率的标准差与基线流量的偏离度，结合流量的变化率大于变化率阈值的频次，生成数据流波动指数；

分析子单元，用于通过预设的随机森林模型对所述用户操作记录进行分析，获得操作行为风险评分；

第二确定子单元，用于确定所述交易流水中的交易特征，包括交易金额、频率、时间分布、交易对手方及其历史关联交易模式，识别出异常交易，并确定所述目标设备参与所述异常交易之间的交易异常关联度；

提取子单元，用于提取所述运行日志中的性能指标、资源消耗趋势及系统稳定性信息，输入至预设的设备健康预测模型中，预测所述目标设备在未来预设时间段内发生性能故障或宕机的概率值，作为所述设备健康预测值；

执行子单元，用于根据所述数据流波动指数、操作行为风险评分、交易异常关联度以及所述设备健康预测值组成所述目标设备的安全特征变量。

在本申请提供的一实施例中，基于上述的方案，可选的，决策单元405，包括：

获取子单元，用于获取所述物业管理系统的工单处理状态数据及资源分配数据；

第三计算子单元，用于根据所述工单处理状态数据及资源分配数据计算动态工单负载指数；

第三确定子单元，用于确定所述动态工单负载指数所处的阈值区间；

设置子单元，用于根据所述动态工单负载指数所处的阈值区间设置决策因子。

在本申请提供的一实施例中，基于上述的方案，可选的，还包括：

接收单元，用于接收所述安全控制设备返回的执行反馈数据；

参数更新单元，用于根据所述执行反馈数据对所述强化学习模型的模型参数进行更新。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

为了描述的方便，描述以上系统时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请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，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。

以上对本申请所提供的一种基于人工智能的物业数据处理方法进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种基于人工智能的物业数据处理方法，其特征在于，包括：

在物业管理系统的各个物业数据处理设备中确定目标设备，所述目标设备为接入物业核心网络且存在风险异常的设备；

获取所述目标设备的运行参数，所述运行参数由所述目标设备在处理物业数据时生成；

根据所述运行参数生成所述目标设备的安全特征变量，所述安全特征变量包括数据流波动指数、操作行为风险评分、交易异常关联度以及设备健康预测值；

将所述数据流波动指数、操作行为风险评分、交易异常关联度以及设备健康预测值输入到预先训练好的分类模型中，获得所述物业数据的安全状态概率分布；

将所述安全状态概率分布、所述交易异常关联度以及决策因子输入到强化学习模型中，获得所述业务数据对应的安防动作信息；所述决策因子基于所述物业管理系统的动态工单负载指数确定，所述动态工单负载指数表征所述物业管理系统在当前时间窗口内工单处理能力与资源分配压力的匹配程度；

根据所述安防动作信息生成控制请求，将所述控制请求发往安全控制设备，以由所述安全控制设备基于所述安防动作对所述物业数据进行安全防护。

2.根据权利要求1所述的方法，其特征在于，所述在各个物业数据处理设备中确定目标设备，包括：

通过实时监测所述物业数据处理设备的网络接入状态，筛选出与物业核心网络建立有效通信连接的候选设备；

计算所述候选设备的每个历史操作行为与行为基线的偏离度；

在所述候选设备的异常行为数量大于数量阈值的情况下，确定所述候选设备为目标设备；所述异常行为数量为偏离度大于偏离度阈值的历史操作行为的数量。

3.根据权利要求1所述的方法，其特征在于，所述运行参数包括运行日志、用户操作记录、交易流水及网络流量数据；

相应的，所述根据所述运行参数生成所述目标设备的安全特征变量，包括：

对所述网络流量数据进行滑动窗口分析，计算流量速率的标准差与基线流量的偏离度，结合流量的变化率大于变化率阈值的频次，生成数据流波动指数；

通过预设的随机森林模型对所述用户操作记录进行分析，获得操作行为风险评分；

确定所述交易流水中的交易特征，包括交易金额、频率、时间分布、交易对手方及其历史关联交易模式，识别出异常交易，并确定所述目标设备参与所述异常交易之间的交易异常关联度；

提取所述运行日志中的性能指标、资源消耗趋势及系统稳定性信息，输入至预设的设备健康预测模型中，预测所述目标设备在未来预设时间段内发生性能故障或宕机的概率值，作为所述设备健康预测值；

根据所述数据流波动指数、操作行为风险评分、交易异常关联度以及所述设备健康预测值组成所述目标设备的安全特征变量。

4.根据权利要求1所述的方法，其特征在于，基于所述物业管理系统的动态工单负载指数确定决策因子的过程，包括：

获取所述物业管理系统的工单处理状态数据及资源分配数据；

根据所述工单处理状态数据及资源分配数据计算动态工单负载指数；

确定所述动态工单负载指数所处的阈值区间；

根据所述动态工单负载指数所处的阈值区间设置决策因子。

5.根据权利要求1所述的方法，其特征在于，所述将所述控制请求发往安全控制设备之后，还包括：

接收所述安全控制设备返回的执行反馈数据；

根据所述执行反馈数据对所述强化学习模型的模型参数进行更新。

6.一种基于人工智能的物业数据处理系统，其特征在于，包括：

确定单元，用于在物业管理系统的各个物业数据处理设备中确定目标设备，所述目标设备为接入物业核心网络且存在风险异常的设备；

获取单元，用于获取目标设备的运行参数，所述运行参数由所述目标设备在处理物业数据时生成；

生成单元，用于根据所述运行参数生成所述目标设备的安全特征变量，所述安全特征变量包括数据流波动指数、操作行为风险评分、交易异常关联度以及设备健康预测值；

分类单元，用于将所述数据流波动指数、操作行为风险评分、交易异常关联度以及设备健康预测值输入到预先训练好的分类模型中，获得所述物业数据的安全状态概率分布；

决策单元，用于将所述安全状态概率分布、所述交易异常关联度以及决策因子输入到强化学习模型中，获得所述业务数据对应的安防动作信息；所述决策因子基于所述物业管理系统的动态工单负载指数确定，所述动态工单负载指数表征所述物业管理系统在当前时间窗口内工单处理能力与资源分配压力的匹配程度；

发送单元，用于根据所述安防动作信息生成控制请求，将所述控制请求发往安全控制设备，以由所述安全控制设备基于所述安防动作对所述物业数据进行安全防护。

7.根据权利要求6所述的系统，其特征在于，所述确定单元，包括：

选取子单元，用于通过实时监测所述物业数据处理设备的网络接入状态，筛选出与物业核心网络建立有效通信连接的候选设备；

第一计算子单元，用于计算所述候选设备的每个历史操作行为与行为基线的偏离度；

第一确定子单元，用于在所述候选设备的异常行为数量大于数量阈值的情况下，确定所述候选设备为目标设备；所述异常行为数量为偏离度大于偏离度阈值的历史操作行为的数量。

8.根据权利要求6所述的系统，其特征在于，所述运行参数包括运行日志、用户操作记录、交易流水及网络流量数据；

相应的，所述生成单元，包括：

第二计算子单元，用于对所述网络流量数据进行滑动窗口分析，计算流量速率的标准差与基线流量的偏离度，结合流量的变化率大于变化率阈值的频次，生成数据流波动指数；

分析子单元，用于通过预设的随机森林模型对所述用户操作记录进行分析，获得操作行为风险评分；

第二确定子单元，用于确定所述交易流水中的交易特征，包括交易金额、频率、时间分布、交易对手方及其历史关联交易模式，识别出异常交易，并确定所述目标设备参与所述异常交易之间的交易异常关联度；

提取子单元，用于提取所述运行日志中的性能指标、资源消耗趋势及系统稳定性信息，输入至预设的设备健康预测模型中，预测所述目标设备在未来预设时间段内发生性能故障或宕机的概率值，作为所述设备健康预测值；

执行子单元，用于根据所述数据流波动指数、操作行为风险评分、交易异常关联度以及所述设备健康预测值组成所述目标设备的安全特征变量。

9.根据权利要求6所述的系统，其特征在于，决策单元，包括：

获取子单元，用于获取所述物业管理系统的工单处理状态数据及资源分配数据；

第三计算子单元，用于根据所述工单处理状态数据及资源分配数据计算动态工单负载指数；

第三确定子单元，用于确定所述动态工单负载指数所处的阈值区间；

设置子单元，用于根据所述动态工单负载指数所处的阈值区间设置决策因子。

10.根据权利要求6所述的系统，其特征在于，还包括：

接收单元，用于接收所述安全控制设备返回的执行反馈数据；

参数更新单元，用于根据所述执行反馈数据对所述强化学习模型的模型参数进行更新。