一种基于异常检测模型的操作系统终端检测算法的制作方法

1.本发明涉及操作系统终端检测技术领域，具体地说，涉及一种基于异常检测模型的操作系统终端检测算法。


背景技术：

2.终端一般解释如下：1.电路或部件的电气输入或输出的点之一。2.可以向系统输入或从系统输出数据的地点或位置。3.用户借以和计算机通信的器件终端扩展资料：终端也称终端设备，是计算机网络中处于网络最外围的设备，主要用于用户信息的输入以及处理结果的输出等。在早期计算机系统中，由于计算机主机昂贵，因此一个主机一般会配置多个终端，这些终端本身不具备计算能力，仅仅承担信息输入输出的工作，运算和处理均由主机来完成。终端，即计算机显示终端，是计算机系统的输入、输出设备。计算机显示终端伴随主机时代的集中处理模式而产生，并随着计算技术的发展而不断发展。
3.中国专利号cn113536066a提供一种数据异常检测算法确定方法、装置及计算机设备，该方法包括：获取待检测数据；根据预设特征提取工具对所述待检测数据进行特征提取，得到所述待检测数据的指纹信息；根据所述待检测数据的指纹信息与预设算法选择模型中的指纹信息进行特征匹配，根据与待检测数据的指纹信息最相似的指纹信息对应的异常检测算法确定待检测数据的异常检测算法。本发明通过对待检数据进行特征提取，与提前设置好的预设算法选择模型中的多个数据的指纹信息进行特征匹配，根据匹配度最高的指纹信息对应的异常检测算法确定该待检测数据的异常检测算法，可以实现根据数据特征变化，实时选择最适应该待检测数据的异常检测算法，场景适应能力强，通用性较好。
4.现有技术中的操作系统终端检测算法，不能对信息进行区分异常检测及对比，导致处理的信息量较大，导致检测较慢，同时混合检测及操作系统终端自身的异常检测会出现较大的漏洞，容易检测出现错误。


技术实现要素：

5.(一)解决的技术问题
6.针对现有技术的不足，本发明的目的在于提供一种基于异常检测模型，且能快速处理信息和多重异常检测的操作系统终端检测算法。
7.(二)技术方案
8.本为实现上述目的，本发明提供如下技术方案，一种基于异常检测模型的操作系统终端检测算法所采用的技术方案是:包括操作系统终端和异常检测模型，所述操作系统终端包括异常检测模型，所述操作系统终端包括的检测算法步骤如下：
9.s1、检测：通过操作系统终端内的安全信息检测系统对进入到操作系统终端的信息进行检测，检测内容信息是否有病毒，如果没有将内容直接进入到下一步；
10.s2、分配：将数字信息与图片信息进行分开，然后数字信息与图片信息分别进入到操作系统终端内的异常检测一和对比1中，然后进行下一步处理；
11.s3、数字信息异常处理和图片信息异常对比
12.s31：数字信息进入到异常检测一中进行异常检测
13.s311.如果数字信息在异常检测一中检测结果没有异常，数字信息将进行信息正常处理；
14.s312.如果数字信息在异常检测一中检测结果有异常，数字信息将进行进入到异常检测模型内；
15.s313.异常检测二：异常检测二内包括异常检测一、统计检验方法、基于深度的方法、基于偏差的方法、基于距离的方法、基于密度的方法和深度学习方法，循环进行检测，如果都没有问题将数字信息进行信息正常处理；
16.s32：图片信息进入到对比1中进行异常检测
17.s321.在对比1中进行图片信息对比，如果没有异常，进入到对比2中进行图片信息对比，如果没有没有异常将图片信息进行信息正常处理，如果在对比1和对比2中出现异常，将进入到异常对比m中；
18.s322.在异常对比m中对图片信息进行m次对比，如果没有异常，将图片信息进入到信息正常处理。
19.作为优选方案，所述s1中，如果内容携带病毒，将信息直接定义为异常信息，然后移出操作系统终端检测，所述s313中，如果其中一个出现异常，将异常数字信息移入到信息异常中，然后移出操作系统终端，所述s322中，如果其中一个出现对比异常，图片信息将进入到异常信息，然后移出操作系统终端。
20.作为优选方案，所述s313中，异常检测二进行对数字信息循环检测时，如果n《7时，将数字信息循环在异常检测二内进行检测，每检查一次将进行n+1，如果n≥7时，异常检测二检测结束。
21.作为优选方案，所述s322中，异常对比m进行对图片信息循环检测时，如果m《a时，a≥3，将数字信息循环在异常对比m内进行检测，每检查一次将进行m+1，如果m≥a时，异常对比m检测结束。
22.作为优选方案，所述s313中，统计检验方法：使用这类方法基于的基本假设是，正常的数据是遵循特定分布形式的，并且占了很大比例，而异常点的位置和正常点相比存在比较大的偏移。
23.作为优选方案，所述s313中，基于深度的方法：基于深度的方法，即从点空间的边缘定位异常点，按照不同程度的需求，决定层数及异常点的个数，圆中密密麻麻的黑点代表一个个数据点，基于的假设是点空间中心这些分布比较集中、密度较高的点都是正常点，而异常点都位于外层，即分布比较稀疏的地方。
24.作为优选方案，所述s313中，基于偏差的方法：这是一种比较简单的统计方法，最初是为单维异常检测设计的，给定一个数据集后，对每个点进行检测，如果一个点自身的值与整个集合的指标存在过大的偏差，则该点为异常点，这个指标的含义就是当把某个点从集合剔除后方差所降低的差值，我们通过设定一个阈值，与这些偏差值进行比较来确定哪些点存在异常。
25.作为优选方案，所述s313中，基于距离的方法：基于距离的方法，即计算每个点与周围点的距离，来判断一个点是不是存在异常，基于的假设是正常点的周围存在很多个近
邻点，而异常点距离周围点的距离都比较远。
26.作为优选方案，所述s313中，基于密度的方法：与基于距离的方法类似，该类方法是针对所研究的点，计算它的周围密度和其临近点的周围密度，基于这两个密度值计算出相对密度，作为异常分数，即相对密度越大，异常程度越高，基于的假设是，正常点与其近邻点的密度是相近的，而异常点的密度和周围的点存在较大差异。
27.作为优选方案，所述s313中，深度学习方法：自编码器由编码器一和解码器二两部分构成，左边部分为编码器一，它可以把高维的输入压缩成低维的形式来表示，在此过程中，神经网络会尽量留下有用的信息，去除掉一些不重要的信息和噪声，右边部分为解码器二，它负责把压缩了的数据再进行还原，努力恢复成原本的样子。
28.(三)有益效果
29.与现有技术相比，本发明提供了一种基于异常检测模型的操作系统终端检测算法，具备以下有益效果：
30.1、通过设置的异常检测模型，异常检测模型是操作系统终端基于的异常检测，在操作系统终端内部异常检测之后出现异常，将信息进入到异常异常检测模型内，通过异常检测模型内的异常检测二进行再次检测，保证操作系统终端检测严谨性，以及提高操作系统终端检测的质量。
31.2、通过设置的异常对比n，对比1是对图片进行对比，然后进行对比2进行双重对比检测，如果出现异常将进入到异常对比n中，然后反复对比不同类似图片，提高图片的对比检测的精确度。
32.3、通过设置的检测和分配，对信息进行安全检测，检测是否有病毒及异常数据，保证操作系统终端使用的安全，同时将信息进行分配成数字信息及图片，将信息进行分开处理，提高信息处理检测的效率。
33.4、本发明的操作系统终端检测算法，能对信息进行区分异常检测及对比，提高处理的信息量，及检测效率高，同时分开检测及操作系统终端以外的双重异常检测会提高检测的准确率，不易检测出现错误。
附图说明
34.图1为本发明整体结构示意图。
具体实施方式
35.下面结合具体实施例和说明书附图对本发明做进一步阐述和说明:
36.请参阅图1，本发明：一种基于异常检测模型的操作系统终端检测算法，包括操作系统终端和异常检测模型，所述操作系统终端包括异常检测模型，所述操作系统终端包括的检测算法步骤如下：
37.s1、检测：通过操作系统终端内的安全信息检测系统对进入到操作系统终端的信息进行检测，检测内容信息是否有病毒，如果没有将内容直接进入到下一步，如果内容携带病毒，将信息直接定义为异常信息，然后移出操作系统终端检测；
38.s2、分配：将数字信息与图片信息进行分开，然后数字信息与图片信息分别进入到操作系统终端内的异常检测一和对比1中，然后进行下一步处理；
39.s3、数字信息异常处理和图片信息异常对比
40.s31：数字信息进入到异常检测一中进行异常检测
41.s311.如果数字信息在异常检测一中检测结果没有异常，数字信息将进行信息正常处理；
42.s312.如果数字信息在异常检测一中检测结果有异常，数字信息将进行进入到异常检测模型内；
43.s313.异常检测二：异常检测二内包括异常检测一、统计检验方法、基于深度的方法、基于偏差的方法、基于距离的方法、
44.基于密度的方法和深度学习方法，循环进行检测，如果都没有问题将数字信息进行信息正常处理，异常检测二进行对数字信息循环检测时，如果n《7时，将数字信息循环在异常检测二内进行检测，每检查一次将进行n+1，如果n
45.≥7时，异常检测二检测结束，如果其中一个出现异常，将异常数字信息移入到信息异常中，然后移出操作系统终端；
46.s32：图片信息进入到对比1中进行异常检测
47.s321.在对比1中进行图片信息对比，如果没有异常，进入到对比2中进行图片信息对比，如果没有没有异常将图片信息进行信息正常处理，如果在对比1和对比2中出现异常，将进入到异常对比m中；
48.s322.在异常对比m中对图片信息进行m次对比，如果没有异常，将图片信息进入到信息正常处理，异常对比m进行对图片信息循环检测时，如果m《a时，a≥3，将数字信息循环在异常对比m内进行检测，每检查一次将进行m+1，如果m≥a时，异常对比m检测结束，如果其中一个出现对比异常，图片信息将进入到异常信息，然后移出操作系统终端。
49.作为优选方案，所述s313中，统计检验方法：使用这类方法基于的基本假设是，正常的数据是遵循特定分布形式的，并且占了很大比例，而异常点的位置和正常点相比存在比较大的偏移，基于深度的方法：基于深度的方法，即从点空间的边缘定位异常点，按照不同程度的需求，决定层数及异常点的个数，圆中密密麻麻的黑点代表一个个数据点，基于的假设是点空间中心这些分布比较集中、密度较高的点都是正常点，而异常点都位于外层，即分布比较稀疏的地方，基于偏差的方法：这是一种比较简单的统计方法，最初是为单维异常检测设计的，给定一个数据集后，对每个点进行检测，如果一个点自身的值与整个集合的指标存在过大的偏差，则该点为异常点，这个指标的含义就是当把某个点从集合剔除后方差所降低的差值，我们通过设定一个阈值，与这些偏差值进行比较来确定哪些点存在异常，基于距离的方法：基于距离的方法，即计算每个点与周围点的距离，来判断一个点是不是存在异常，基于的假设是正常点的周围存在很多个近邻点，而异常点距离周围点的距离都比较远，基于密度的方法：与基于距离的方法类似，该类方法是针对所研究的点，计算它的周围密度和其临近点的周围密度，基于这两个密度值计算出相对密度，作为异常分数，即相对密度越大，异常程度越高，基于的假设是，正常点与其近邻点的密度是相近的，而异常点的密度和周围的点存在较大差异，设计这种方法的动机是，基于距离的异常检测方法不能很好地处理一些密度存在差异的数据集，如果使用基于距离的模型，半径和比例已经设定好了，点o2很容易被识别为异常点，因为右上的c1子集中很多点与周围点的距离要比o2还小，其中很多点就会被标为正常点，但如果从密度的角度来看，o2更像是一个正常点，所以无论单
从哪个角度看，我们都可能会忽略另一个维度上的特征，因此还是要根据具体场景和目标任务，以及数据集本身的特点来进行算法的选择，或是进行算法的结合，深度学习方法：自编码器由编码器一和解码器二两部分构成，左边部分为编码器一，它可以把高维的输入压缩成低维的形式来表示，在此过程中，神经网络会尽量留下有用的信息，去除掉一些不重要的信息和噪声，右边部分为解码器二，它负责把压缩了的数据再进行还原，努力恢复成原本的样子。
50.实施例一
51.一种基于异常检测模型的操作系统终端检测算法，包括操作系统终端和异常检测模型，所述操作系统终端包括异常检测模型，所述操作系统终端包括的检测算法步骤如下：
52.s1、检测：通过操作系统终端内的安全信息检测系统对进入到操作系统终端的信息进行检测，检测内容信息是否有病毒，如果没有将内容直接进入到下一步，如果内容携带病毒，将信息直接定义为异常信息，然后移出操作系统终端检测；
53.s2、分配：将数字信息与图片信息进行分开，然后数字信息与图片信息分别进入到操作系统终端内的异常检测一和对比1中，然后进行下一步处理；
54.s3、数字信息异常处理和图片信息异常对比
55.s31：数字信息进入到异常检测一中进行异常检测
56.s311.如果数字信息在异常检测一中检测结果没有异常，数字信息将进行信息正常处理；
57.s312.如果数字信息在异常检测一中检测结果有异常，数字信息将移入到信息异常中，然后移出操作系统终端；
58.s32：图片信息进入到对比1中进行异常检测
59.s321.在对比1中进行图片信息对比，如果没有异常，进入到对比2中进行图片信息对比，如果没有没有异常将图片信息进行信息正常处理，如果在对比1和对比2中出现异常，图片信息将进入到异常信息，然后移出操作系统终端。
60.实施例二
61.一种基于异常检测模型的操作系统终端检测算法，包括操作系统终端和异常检测模型，所述操作系统终端包括异常检测模型，所述操作系统终端包括的检测算法步骤如下：
62.s1、检测：通过操作系统终端内的安全信息检测系统对进入到操作系统终端的信息进行检测，检测内容信息是否有病毒，如果没有将内容直接进入到下一步，如果内容携带病毒，将信息直接定义为异常信息，然后移出操作系统终端检测；
63.s2、分配：将数字信息与图片信息进行分开，然后数字信息与图片信息分别进入到操作系统终端内的异常检测一和对比1中，然后进行下一步处理；
64.s3、数字信息异常处理和图片信息异常对比
65.s31：数字信息进入到异常检测一中进行异常检测
66.s311.如果数字信息在异常检测一中检测结果没有异常，数字信息将进行信息正常处理；
67.s312.如果数字信息在异常检测一中检测结果有异常，数字信息将进行进入到异常检测模型内；
68.s313.异常检测二：异常检测二内包括异常检测一、统计检验方法、基于深度的方
法、基于偏差的方法、基于距离的方法、
69.基于密度的方法和深度学习方法，循环进行检测，如果都没有问题将数字信息进行信息正常处理，异常检测二进行对数字信息循环检测时，如果n《7时，将数字信息循环在异常检测二内进行检测，每检查一次将进行n+1，如果n
70.≥7时，异常检测二检测结束，如果其中一个出现异常，将异常数字信息移入到信息异常中，然后移出操作系统终端；
71.s32：图片信息进入到对比1中进行异常检测
72.s321.在对比1中进行图片信息对比，如果没有异常，进入到对比2中进行图片信息对比，如果没有没有异常将图片信息进行信息正常处理，如果在对比1和对比2中出现异常，将进入到异常对比m中；
73.s322.在异常对比m中对图片信息进行m次对比，如果没有异常，将图片信息进入到信息正常处理，异常对比m进行对图片信息循环检测时，a＝3，如果m《3时，将数字信息循环在异常对比m内进行检测，每检查一次将进行m+1，如果m≥3时，异常对比m检测结束，如果其中一个出现对比异常，图片信息将进入到异常信息，然后移出操作系统终端。
74.实施例三
75.一种基于异常检测模型的操作系统终端检测算法，包括操作系统终端和异常检测模型，所述操作系统终端包括异常检测模型，所述操作系统终端包括的检测算法步骤如下：
76.s1、检测：通过操作系统终端内的安全信息检测系统对进入到操作系统终端的信息进行检测，检测内容信息是否有病毒，如果没有将内容直接进入到下一步，如果内容携带病毒，将信息直接定义为异常信息，然后移出操作系统终端检测；
77.s2、分配：将数字信息与图片信息进行分开，然后数字信息与图片信息分别进入到操作系统终端内的异常检测一和对比1中，然后进行下一步处理；
78.s3、数字信息异常处理和图片信息异常对比
79.s31：数字信息进入到异常检测一中进行异常检测
80.s311.如果数字信息在异常检测一中检测结果没有异常，数字信息将进行信息正常处理；
81.s312.如果数字信息在异常检测一中检测结果有异常，数字信息将进行进入到异常检测模型内；
82.s313.异常检测二：异常检测二内包括异常检测一、统计检验方法、基于深度的方法、基于偏差的方法、基于距离的方法、
83.基于密度的方法和深度学习方法，循环进行检测，如果都没有问题将数字信息进行信息正常处理，异常检测二进行对数字信息循环检测时，如果n《7时，将数字信息循环在异常检测二内进行检测，每检查一次将进行n+1，如果n
84.≥7时，异常检测二检测结束，如果其中一个出现异常，将异常数字信息移入到信息异常中，然后移出操作系统终端；
85.s32：图片信息进入到对比1中进行异常检测
86.s321.在对比1中进行图片信息对比，如果没有异常，进入到对比2中进行图片信息对比，如果没有没有异常将图片信息进行信息正常处理，如果在对比1和对比2中出现异常，将进入到异常对比m中；
87.s322.在异常对比m中对图片信息进行m次对比，如果没有异常，将图片信息进入到信息正常处理，异常对比m进行对图片信息循环检测时，a＝10，如果m《10时，将数字信息循环在异常对比m内进行检测，每检查一次将进行m+1，如果m≥10时，异常对比m检测结束，如果其中一个出现对比异常，图片信息将进入到异常信息，然后移出操作系统终端。
88.实施例一、实施例二和实施例三中实施例一没有采用异常检测模型和异常对比，在实施例二和实施例三中，a值变化，其余参数不变，可得知，实施例一检测的结果出错概率较大，实施例三中检测的结果质量较好，由此可知，采用异常检测模型和异常对比中参数a越大检测的结果出错概率越小，但是a的参数越大，异常检测的时长也随之增加。
89.最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

技术特征：
1.一种基于异常检测模型的操作系统终端检测算法，包括操作系统终端和异常检测模型，其特征在于：所述操作系统终端包括异常检测模型，所述操作系统终端包括的检测算法步骤如下：s1、检测：通过操作系统终端内的安全信息检测系统对进入到操作系统终端的信息进行检测，检测内容信息是否有病毒，如果没有将内容直接进入到下一步，如果内容携带病毒，将信息直接定义为异常信息，然后移出操作系统终端检测；s2、分配：将数字信息与图片信息进行分开，然后数字信息与图片信息分别进入到操作系统终端内的异常检测一和对比1中，然后进行下一步处理；s3、数字信息异常处理和图片信息异常对比s31：数字信息进入到异常检测一中进行异常检测s311.如果数字信息在异常检测一中检测结果没有异常，数字信息将进行信息正常处理；s312.如果数字信息在异常检测一中检测结果有异常，数字信息将进行进入到异常检测模型内；s313.异常检测二：异常检测二内包括异常检测一、统计检验方法、基于深度的方法、基于偏差的方法、基于距离的方法、基于密度的方法和深度学习方法，循环进行检测，如果都没有问题将数字信息进行信息正常处理，如果其中一个出现异常，将异常数字信息移入到信息异常中，然后移出操作系统终端；s32：图片信息进入到对比1中进行异常检测s321.在对比1中进行图片信息对比，如果没有异常，进入到对比2中进行图片信息对比，如果没有没有异常将图片信息进行信息正常处理，如果在对比1和对比2中出现异常，将进入到异常对比m中；s322.在异常对比m中对图片信息进行m次对比，如果没有异常，将图片信息进入到信息正常处理，如果其中一个出现对比异常，图片信息将进入到异常信息，然后移出操作系统终端。2.根据权利要求1所述的一种基于异常检测模型的操作系统终端检测算法，其特征在于：所述s1中，如果内容携带病毒，将信息直接定义为异常信息，然后移出操作系统终端检测，所述s313中，如果其中一个出现异常，将异常数字信息移入到信息异常中，然后移出操作系统终端，所述s322中，如果其中一个出现对比异常，图片信息将进入到异常信息，然后移出操作系统终端。3.根据权利要求1所述的一种基于异常检测模型的操作系统终端检测算法，其特征在于：所述s313中，异常检测二进行对数字信息循环检测时，如果n<7时，将数字信息循环在异常检测二内进行检测，每检查一次将进行n+1，如果n≥7时，异常检测二检测结束。4.根据权利要求1所述的一种基于异常检测模型的操作系统终端检测算法，其特征在于：所述s322中，异常对比m进行对图片信息循环检测时，如果m<a时，a≥3，将数字信息循环在异常对比m内进行检测，每检查一次将进行m+1，如果m≥a时，异常对比m检测结束。5.根据权利要求1所述的一种基于异常检测模型的操作系统终端检测算法，其特征在于：所述s313中，统计检验方法：使用这类方法基于的基本假设是，正常的数据是遵循特定分布形式的，并且占了很大比例，而异常点的位置和正常点相比存在比较大的偏移。
6.根据权利要求1所述的一种基于异常检测模型的操作系统终端检测算法，其特征在于：所述s313中，基于深度的方法：基于深度的方法，即从点空间的边缘定位异常点，按照不同程度的需求，决定层数及异常点的个数，圆中密密麻麻的黑点代表一个个数据点，基于的假设是点空间中心这些分布比较集中、密度较高的点都是正常点，而异常点都位于外层，即分布比较稀疏的地方。7.根据权利要求1所述的一种基于异常检测模型的操作系统终端检测算法，其特征在于：所述s313中，基于偏差的方法：这是一种比较简单的统计方法，最初是为单维异常检测设计的，给定一个数据集后，对每个点进行检测，如果一个点自身的值与整个集合的指标存在过大的偏差，则该点为异常点，这个指标的含义就是当把某个点从集合剔除后方差所降低的差值，我们通过设定一个阈值，与这些偏差值进行比较来确定哪些点存在异常。8.根据权利要求1所述的一种基于异常检测模型的操作系统终端检测算法，其特征在于：所述s313中，基于距离的方法：基于距离的方法，即计算每个点与周围点的距离，来判断一个点是不是存在异常，基于的假设是正常点的周围存在很多个近邻点，而异常点距离周围点的距离都比较远。9.根据权利要求1所述的一种基于异常检测模型的操作系统终端检测算法，其特征在于：所述s313中，基于密度的方法：与基于距离的方法类似，该类方法是针对所研究的点，计算它的周围密度和其临近点的周围密度，基于这两个密度值计算出相对密度，作为异常分数，即相对密度越大，异常程度越高，基于的假设是，正常点与其近邻点的密度是相近的，而异常点的密度和周围的点存在较大差异，设计这种方法的动机是，基于距离的异常检测方法不能很好地处理一些密度存在差异的数据集，如果使用基于距离的模型，半径和比例已经设定好了，点o2很容易被识别为异常点，因为右上的c1子集中很多点与周围点的距离要比o2还小，其中很多点就会被标为正常点，但如果从密度的角度来看，o2更像是一个正常点，所以无论单从哪个角度看，我们都可能会忽略另一个维度上的特征，因此还是要根据具体场景和目标任务，以及数据集本身的特点来进行算法的选择，或是进行算法的结合。10.根据权利要求1所述的一种基于异常检测模型的操作系统终端检测算法，其特征在于：所述s313中，深度学习方法：自编码器由编码器一和解码器二两部分构成，左边部分为编码器一，它可以把高维的输入压缩成低维的形式来表示，在此过程中，神经网络会尽量留下有用的信息，去除掉一些不重要的信息和噪声，右边部分为解码器二，它负责把压缩了的数据再进行还原，努力恢复成原本的样子。

技术总结
本发明公开了一种基于异常检测模型的操作系统终端检测算法，包括操作系统终端和异常检测模型，操作系统终端包括异常检测模型，操作系统终端包括的检测算法步骤如下：S1、检测：通过操作系统终端内的安全信息检测系统对进入到操作系统终端的信息进行检测，检测内容信息是否有病毒，如果没有将内容直接进入到下一步；S2、分配：将数字信息与图片信息进行分开，然后数字信息与图片信息分别进入到操作系统终端内的异常检测一和对比1中，然后进行下一步处理。本发明能对信息进行区分异常检测及对比，提高处理的信息量，及检测效率高，同时分开检测及操作系统终端以外的双重异常检测会提高检测的准确率，不易检测出现错误。不易检测出现错误。不易检测出现错误。


技术研发人员：蔡国源 黄宏聪 鲁跃峰 曾宪超 余升红
受保护的技术使用者：南方电网数字电网集团信息通信科技有限公司
技术研发日：2023.03.23
技术公布日：2023/8/14