(19)國家知識產(chǎn)權(quán)局寧高新園)孔令歡務(wù)所(特殊普通合伙)32410HO4L41/14(2022.01)HO4LHO4L基于多源數(shù)據(jù)融合的智能物聯(lián)網(wǎng)公共安全管控系統(tǒng)及方法本發(fā)明提供了一種基于多源數(shù)據(jù)融合的智為評分與控制提供參數(shù)依據(jù)；步驟2:采集來自物理傳感器、視頻監(jiān)控終端、設(shè)備日志系統(tǒng)、環(huán)境監(jiān)測單元和網(wǎng)結(jié)步碟3:對標(biāo)準(zhǔn)化數(shù)據(jù)進行語義處理，提取實體、屬性和關(guān)系信息，構(gòu)建語義三元組，步驟4:將標(biāo)準(zhǔn)化數(shù)據(jù)輸入邊緣異常處理模塊，執(zhí)行本地異常檢測，生成異常輸出信息步驟5:解析評分模型參數(shù)配置文件，提取當(dāng)前遠(yuǎn)行場景所需的評分指標(biāo)、歸一化函數(shù)類型、風(fēng)險闊值.步驟6:輸入統(tǒng)一語義表示結(jié)構(gòu)和異常輸出信息至評分模型，執(zhí)行融合分析，輸出各指系統(tǒng)的整體風(fēng)險評分結(jié)果；步驟7:基于風(fēng)險評分結(jié)果，進行分級告警判斷，并依據(jù)響應(yīng)策略模板生成控制響應(yīng)操控制設(shè)備的聯(lián)動執(zhí)行；參數(shù)進行更新；步驟9:記錄系統(tǒng)操作行為，執(zhí)行用戶身份鑒別和行為審計，并導(dǎo)出結(jié)構(gòu)化故據(jù)，用于21.基于多源數(shù)據(jù)融合的智能物聯(lián)網(wǎng)公共安全管控系統(tǒng)，其特征在于，包括：場景適配配置模塊，用于識別當(dāng)前系統(tǒng)運行場景，并加載與運行場景相對應(yīng)的評分模型參數(shù)配置文件與響應(yīng)策略模板；自適應(yīng)采集模塊，用于對來自物理傳感器、視頻監(jiān)控終端、設(shè)備日志系統(tǒng)、環(huán)境監(jiān)測單元和網(wǎng)絡(luò)通信節(jié)點的多源數(shù)據(jù)進行統(tǒng)一采集與預(yù)處理，生成結(jié)構(gòu)統(tǒng)一的標(biāo)準(zhǔn)化數(shù)據(jù)；語義融合模塊，用于從所述標(biāo)準(zhǔn)化數(shù)據(jù)中抽取實體、屬性和關(guān)系信息，轉(zhuǎn)化為語義三元邊緣異常處理模塊，用于在邊緣計算節(jié)點對所述標(biāo)準(zhǔn)化數(shù)據(jù)執(zhí)行本地異常檢測操作，輸出異常輸出信息，所述異常輸出信息包括異常識別標(biāo)記、異常評分值及與異常事件關(guān)聯(lián)的特征指標(biāo)參數(shù)；安全評分模塊，用于接收所述統(tǒng)一語義表示結(jié)構(gòu)及所述異常輸出信息，依據(jù)評分指標(biāo)體系與預(yù)設(shè)規(guī)則，基于評分模型參數(shù)配置文件構(gòu)建評分模型進行融合分析，輸出風(fēng)險評分智能告警模塊，用于根據(jù)風(fēng)險評分結(jié)果執(zhí)行分級告警判斷，并基于所述響應(yīng)策略模板生成相應(yīng)的控制響應(yīng)操作指令；模型優(yōu)化模塊，用于根據(jù)歷史數(shù)據(jù)與反饋信息對評分模型參數(shù)進行更新；可信治理模塊，用于實施用戶身份鑒別、操作行為審計與結(jié)構(gòu)化數(shù)據(jù)導(dǎo)出。2.根據(jù)權(quán)利要求1所述的基于多源數(shù)據(jù)融合的智能物聯(lián)網(wǎng)公共安全管控系統(tǒng)，其特征場景識別單元，用于通過設(shè)備類別標(biāo)識、部署參數(shù)或用戶標(biāo)記信息，識別當(dāng)前系統(tǒng)所處的運行場景類型；指標(biāo)準(zhǔn)備加載單元，用于根據(jù)識別出的運行場景類型，加載與所述運行場景類型對應(yīng)的評分模型參數(shù)配置文件，評分模型參數(shù)包括：參與評分的風(fēng)險指標(biāo)種類，以及各風(fēng)險指標(biāo)對應(yīng)的歸一化函數(shù)類型、風(fēng)險評分閾值、初始權(quán)重及風(fēng)險敏感系數(shù)；策略模板匹配單元，用于根據(jù)運行場景類型自動加載相應(yīng)的響應(yīng)策略模板，所述響應(yīng)策略模板包括控制動作序列、信號通道參數(shù)與通信協(xié)議適配項；本體結(jié)構(gòu)適配單元，用于根據(jù)場景定義自動加載符合0WL或RDF語義格式的本體描述文件，并更新語義標(biāo)簽與名稱空間配置數(shù)據(jù)。3.根據(jù)權(quán)利要求1所述的基于多源數(shù)據(jù)融合的智能物聯(lián)網(wǎng)公共安全管控系統(tǒng)，其特征協(xié)議識別單元，用于基于接入數(shù)據(jù)源的初始化握手報文中的字段特征或初始數(shù)據(jù)幀，時間同步單元，用于利用主控節(jié)點的NTP協(xié)議統(tǒng)一各數(shù)據(jù)源的時間戳，并通過滑動時間窗口對采樣間隔超過預(yù)設(shè)閾值的數(shù)據(jù)執(zhí)行線性插值；數(shù)據(jù)結(jié)構(gòu)轉(zhuǎn)換單元，對采集的圖像數(shù)據(jù)、文本數(shù)據(jù)和傳感器數(shù)值數(shù)據(jù)進行格式封裝，其中圖像數(shù)據(jù)通過YOLOv7模型提取圖像實體信息，文本數(shù)據(jù)由BERT模型提取關(guān)鍵詞、句法片段和上下文特征，傳感器數(shù)值數(shù)據(jù)經(jīng)歸一化處理后加注信號類型標(biāo)簽，格式封裝后的數(shù)據(jù)形成結(jié)構(gòu)統(tǒng)一的標(biāo)準(zhǔn)化數(shù)據(jù)。34.根據(jù)權(quán)利要求3所述的基于多源數(shù)據(jù)融合的智能物聯(lián)網(wǎng)公共安全管控系統(tǒng)，其特征設(shè)備狀態(tài)建模單元，用于基于模板匹配方法將加注文本語義提取單元，用于調(diào)用預(yù)設(shè)的大語言模型對文本數(shù)據(jù)中提取的關(guān)鍵詞、句法片圖像語義提取單元，用于將圖像實體信息輸入預(yù)訓(xùn)練的目標(biāo)檢測模型，識別關(guān)鍵設(shè)備知識圖譜推理單元，用于對所述設(shè)備狀態(tài)三元組、行為語義三元組和視覺語義三元組5.根據(jù)權(quán)利要求4所述的基于多源數(shù)據(jù)融合的智能物聯(lián)網(wǎng)公共安全管控系統(tǒng)，其特征異常檢測單元，用于基于滑動時間窗口內(nèi)的歷史統(tǒng)計在邊緣節(jié)點部署輕量級一維卷積神經(jīng)網(wǎng)絡(luò)模型，對多變量數(shù)據(jù)的變化模式進行異常識別，數(shù)據(jù)標(biāo)注單元，用于對檢測出的異常數(shù)據(jù)計算異常置信6.根據(jù)權(quán)利要求5所述的基于多源數(shù)據(jù)融合的智能物聯(lián)網(wǎng)公共安全管控系統(tǒng)，其特征權(quán)重調(diào)節(jié)單元，用于根據(jù)系統(tǒng)當(dāng)前環(huán)境狀態(tài)參數(shù)E,與參考標(biāo)準(zhǔn)值的偏差，動態(tài)修正各風(fēng)險指標(biāo)的初始權(quán)重Wk°,輸出動態(tài)權(quán)重W,計算公式為：第j項環(huán)境參數(shù)對第i個實體在第k個風(fēng)險指標(biāo)上的權(quán)重調(diào)節(jié)系數(shù)；tanh(·)為雙曲正切函指標(biāo)評分單元，用于對每個風(fēng)險指標(biāo)的觀測值進行非線性歸一化評估，結(jié)合所述動態(tài)權(quán)重Wdy,輸出原始評分值Sbas,計算公式為：4k個風(fēng)險指標(biāo)的風(fēng)險評分閾值上限和下限；中為風(fēng)險敏感系數(shù)；為極小常數(shù)，避免分母為異常修正單元，用于基于邊緣異常處理模塊輸出的異常評分值A(chǔ),對原始評分值總分計算單元，用于將各風(fēng)險指標(biāo)的最終評分值Sfn按動態(tài)權(quán)重W法進行加權(quán)求和，7.根據(jù)權(quán)利要求6所述的基于多源數(shù)據(jù)融合的智能物聯(lián)網(wǎng)公共安全管控系統(tǒng)，其特征8.根據(jù)權(quán)利要求6所述的基于多源數(shù)據(jù)融合的智能物聯(lián)網(wǎng)公共安全管控系統(tǒng)，其特征增量學(xué)習(xí)單元，用于在不重新全量訓(xùn)練的條件下，結(jié)合小批量數(shù)據(jù)輸入與梯度更新機5數(shù)H及異?？刂茩?quán)重系數(shù)αk;所述梯度更新基于特征歸因單元輸出的貢獻度結(jié)果，優(yōu)先調(diào)整對評分影響顯著的參9.根據(jù)權(quán)利要求1所述的基于多源數(shù)據(jù)融合的智能物聯(lián)網(wǎng)公共安全管控系統(tǒng)，其特征身份認(rèn)證單元，用于基于訪問控制策略與OAuth2.0協(xié)議對用戶與模塊之間進行訪問身份驗證；操作審計單元，用于記錄策略配置變更、模型更新與控制響應(yīng)操作指令，并對關(guān)鍵操作添加時間戳標(biāo)識與鏈?zhǔn)胶灻畔ⅲ徊僮鞔孀C單元，用于對控制響應(yīng)操作指令的執(zhí)行結(jié)果進行摘要計算，并基于哈希函數(shù)生成摘要值，將摘要結(jié)果通過區(qū)塊鏈節(jié)點存入分布式賬本中；數(shù)據(jù)導(dǎo)出單元，用于提供RESTful接口，按時間區(qū)間或事件類型導(dǎo)出歷史告警數(shù)據(jù)與策略調(diào)整記錄，并附帶相應(yīng)結(jié)構(gòu)化評價字段與審計元數(shù)據(jù)。10.根據(jù)權(quán)利要求1-9中任一項所述的基于多源數(shù)據(jù)融合的智能物聯(lián)網(wǎng)公共安全管控步驟1:識別當(dāng)前系統(tǒng)的運行場景，加載與所述運行場景對應(yīng)的評分模型參數(shù)配置文件和響應(yīng)策略模板，為評分與控制提供參數(shù)依據(jù)；步驟2:采集來自物理傳感器、視頻監(jiān)控終端、設(shè)備日志系統(tǒng)、環(huán)境監(jiān)測單元和網(wǎng)絡(luò)通信節(jié)點的多源數(shù)據(jù)，并對采集的數(shù)據(jù)進行協(xié)議解析、時間同步和格式封裝，生成結(jié)構(gòu)統(tǒng)一的標(biāo)準(zhǔn)化數(shù)據(jù)；步驟3:對標(biāo)準(zhǔn)化數(shù)據(jù)進行語義處理，提取實體、屬性和關(guān)系信息，構(gòu)建語義三元組，并以三元組構(gòu)建統(tǒng)一語義表示結(jié)構(gòu)，作為評分模型的輸入；步驟4:將標(biāo)準(zhǔn)化數(shù)據(jù)輸入邊緣異常處理模塊，執(zhí)行本地異常檢測，生成異常輸出信息，所述異常輸出信息包括異常識別標(biāo)記、異常評分值和關(guān)聯(lián)特征指標(biāo)參數(shù)；步驟5:解析評分模型參數(shù)配置文件，提取當(dāng)前運行場景所需的評分指標(biāo)、歸一化函數(shù)步驟6:輸入統(tǒng)一語義表示結(jié)構(gòu)和異常輸出信息至評分模型，執(zhí)行融合分析，輸出各指標(biāo)的風(fēng)險評分值和系統(tǒng)的整體風(fēng)險評分結(jié)果；步驟7:基于風(fēng)險評分結(jié)果，進行分級告警判斷，并依據(jù)響應(yīng)策略模板生成控制響應(yīng)操作指令，實現(xiàn)預(yù)設(shè)控制設(shè)備的聯(lián)動執(zhí)行；步驟8:利用運行過程中產(chǎn)生的歷史評分?jǐn)?shù)據(jù)與人工確認(rèn)的反饋信息，對評分模型參數(shù)配置文件中的指標(biāo)參數(shù)進行更新；步驟9:記錄系統(tǒng)操作行為，執(zhí)行用戶身份鑒別和行為審計，并導(dǎo)出結(jié)構(gòu)化數(shù)據(jù)，用于系統(tǒng)管理與外部接口調(diào)用。6技術(shù)領(lǐng)域[0001]本發(fā)明涉及物聯(lián)網(wǎng)安全技術(shù)領(lǐng)域，尤其涉及基于多源數(shù)據(jù)融合的智能物聯(lián)網(wǎng)公共安全管控系統(tǒng)及方法。背景技術(shù)[0002]隨著物聯(lián)網(wǎng)技術(shù)的快速發(fā)展，公共安全領(lǐng)域部署了大量的感知終端、視頻監(jiān)控設(shè)關(guān)鍵場景的實時感知與管控。這些感知設(shè)備不斷生成多類型、多結(jié)構(gòu)的運行數(shù)據(jù)，公共安全管控系統(tǒng)因此逐步向多源感知、數(shù)據(jù)融合和智能響應(yīng)的方向發(fā)展。[0003]目前，許多物聯(lián)網(wǎng)安全系統(tǒng)在運行過程中，普遍采用基于規(guī)則引擎、線性打分、閾值判斷等方式對各項安全指標(biāo)進行分析與評分，并結(jié)合評分結(jié)果進行告警判斷與響應(yīng)控制。典型做法包括：對每個風(fēng)險指標(biāo)設(shè)定固定的上下限區(qū)間，進行歸一化評分；根據(jù)專家經(jīng)驗設(shè)定評分權(quán)重；以及采用固定告警策略與控制命令模板進行響應(yīng)。然而，現(xiàn)有技術(shù)在以下幾個方面仍存在較大局限性：多源異構(gòu)數(shù)據(jù)缺乏統(tǒng)一處理機制，數(shù)據(jù)融合能力有限；評分機制大多基于靜態(tài)模型，缺乏對系統(tǒng)環(huán)境變化的動態(tài)適應(yīng)能力；權(quán)重設(shè)定方式單一，無法反映不同運行狀態(tài)下各指標(biāo)的相對風(fēng)險敏感性；異常擾動缺乏有效抑制策略，評分過程對突發(fā)異常高度敏感，影響結(jié)果穩(wěn)定性；告警等級與控制策略之間缺乏聯(lián)動邏輯，響應(yīng)滯后或策略匹配精度不高；評分模型大多無法根據(jù)反饋信息自動演化，長期運行存在精度下降風(fēng)險。[0004]因此，現(xiàn)有物聯(lián)網(wǎng)公共安全管控系統(tǒng)迫切需要一種能夠支持多源數(shù)據(jù)融合、評分機制自適應(yīng)、異常魯棒性強，并具備響應(yīng)策略聯(lián)動與模型自優(yōu)化能力的技術(shù)解決方案，以滿足在復(fù)雜動態(tài)環(huán)境下對公共安全事件的實時感知、智能判斷與可靠處置的需求。發(fā)明內(nèi)容[0005]針對現(xiàn)有物聯(lián)網(wǎng)公共安全管控系統(tǒng)中存在的多源數(shù)據(jù)融合困難、評分機制剛性、環(huán)境適應(yīng)性不足、告警響應(yīng)脫節(jié)、模型無法自演化以及系統(tǒng)缺乏可信治理等問題，本發(fā)明提供了基于多源數(shù)據(jù)融合的智能物聯(lián)網(wǎng)公共安全管控系統(tǒng)及方法。[0006]為了實現(xiàn)上述目的，本發(fā)明通過如下的技術(shù)方案來實現(xiàn)：基于多源數(shù)據(jù)融合的智能物聯(lián)網(wǎng)公共安全管控系統(tǒng)，包括：場景適配配置模塊，用于識別當(dāng)前系統(tǒng)運行場景，并加載與運行場景相對應(yīng)的評分模型參數(shù)配置文件與響應(yīng)策略模板；自適應(yīng)采集模塊，用于對來自物理傳感器、視頻監(jiān)控終端、設(shè)備日志系統(tǒng)、環(huán)境監(jiān)測單元和網(wǎng)絡(luò)通信節(jié)點的多源數(shù)據(jù)進行統(tǒng)一采集與預(yù)處理，生成結(jié)構(gòu)統(tǒng)一的標(biāo)準(zhǔn)化數(shù)據(jù)；語義融合模塊，用于從所述標(biāo)準(zhǔn)化數(shù)據(jù)中抽取實體、屬性和關(guān)系信息，轉(zhuǎn)化為語義三元組，構(gòu)建統(tǒng)一語義表示結(jié)構(gòu)；邊緣異常處理模塊，用于在邊緣計算節(jié)點對所述標(biāo)準(zhǔn)化數(shù)據(jù)執(zhí)行本地異常檢測操作，輸出異常輸出信息，所述異常輸出信息包括異常識別標(biāo)記、異常評分值及與異常事件關(guān)7聯(lián)的特征指標(biāo)參數(shù)；安全評分模塊，用于接收所述統(tǒng)一語義表示結(jié)構(gòu)及所述異常輸出信息，依據(jù)評分指標(biāo)體系與預(yù)設(shè)規(guī)則，基于評分模型參數(shù)配置文件構(gòu)建評分模型進行融合分析，輸出風(fēng)險評分結(jié)果；智能告警模塊，用于根據(jù)風(fēng)險評分結(jié)果執(zhí)行分級告警判斷，并基于所述響應(yīng)策略模板生成相應(yīng)的控制響應(yīng)操作指令；模型優(yōu)化模塊，用于根據(jù)歷史數(shù)據(jù)與反饋信息對評分模型參數(shù)進行更新；可信治理模塊，用于實施用戶身份鑒別、操作行為審計與結(jié)構(gòu)化數(shù)據(jù)導(dǎo)出，實現(xiàn)系統(tǒng)運行過程的可信管理。[0007]作為本發(fā)明的一種優(yōu)選方案，所述場景適配配置模塊包括：場景識別單元，用于通過設(shè)備類別標(biāo)識、部署參數(shù)或用戶標(biāo)記信息，識別當(dāng)前系統(tǒng)所處的運行場景類型；指標(biāo)準(zhǔn)備加載單元，用于根據(jù)識別出的運行場景類型，加載與所述運行場景類型對應(yīng)的評分模型參數(shù)配置文件，評分模型參數(shù)包括：參與評分的風(fēng)險指標(biāo)種類，以及各風(fēng)險指標(biāo)對應(yīng)的歸一化函數(shù)類型、風(fēng)險評分閾值、初始權(quán)重及風(fēng)險敏感系數(shù)；策略模板匹配單元，用于根據(jù)運行場景類型自動加載相應(yīng)的響應(yīng)策略模板，所述響應(yīng)策略模板包括控制動作序列、信號通道參數(shù)與通信協(xié)議適配項；本體結(jié)構(gòu)適配單元，用于根據(jù)場景定義自動加載符合OWL或RDF語義格式的本體描述文件，并更新語義標(biāo)簽與名稱空間配置數(shù)據(jù)。[0008]作為本發(fā)明的一種優(yōu)選方案，所述自適應(yīng)采集模塊包括：協(xié)議識別單元，用于基于接入數(shù)據(jù)源的初始化握手報文中的字段特征或初始數(shù)據(jù)時間同步單元，用于利用主控節(jié)點的NTP協(xié)議統(tǒng)一各數(shù)據(jù)源的時間戳，并通過滑動時間窗口對采樣間隔超過預(yù)設(shè)閾值的數(shù)據(jù)執(zhí)行線性插值；數(shù)據(jù)結(jié)構(gòu)轉(zhuǎn)換單元，對采集的圖像數(shù)據(jù)、文本數(shù)據(jù)和傳感器數(shù)值數(shù)據(jù)進行格式封法片段和上下文特征，傳感器數(shù)值數(shù)據(jù)經(jīng)歸一化處理后加注信號類型標(biāo)簽，格式封裝后的數(shù)據(jù)形成結(jié)構(gòu)統(tǒng)一的標(biāo)準(zhǔn)化數(shù)據(jù)。[0009]作為本發(fā)明的一種優(yōu)選方案，所述語義融合模塊包括：設(shè)備狀態(tài)建模單元，用于基于模板匹配方法將加注信號類型標(biāo)簽的傳感器數(shù)值數(shù)據(jù)轉(zhuǎn)換為對應(yīng)的設(shè)備狀態(tài)三元組，包括設(shè)備標(biāo)識，屬性類別和當(dāng)前數(shù)值；文本語義提取單元，用于調(diào)用預(yù)設(shè)的大語言模型對文本數(shù)據(jù)中提取的關(guān)鍵詞、句法片段和上下文特征進行語義實體抽取與關(guān)系識別，構(gòu)建行為語義三元組，包括動作主體、屬性變化與狀態(tài)標(biāo)識字段；圖像語義提取單元，用于將圖像實體信息輸入預(yù)訓(xùn)練的目標(biāo)檢測模型，識別關(guān)鍵設(shè)備或行為對象，并依據(jù)標(biāo)簽映射表將識別結(jié)果映射為語義圖譜中的實體節(jié)點，構(gòu)建視覺知識圖譜推理單元，用于對所述設(shè)備狀態(tài)三元組、行為語義三元組和視覺語義三8權(quán)重調(diào)節(jié)單元，用于根據(jù)系統(tǒng)當(dāng)前環(huán)境狀態(tài)參數(shù)E,與參考標(biāo)準(zhǔn)值的偏差，動其中：E,為第j項環(huán)境參數(shù)的當(dāng)前觀測值，E'“K為第j項環(huán)境參數(shù)對第i個實體在第k個風(fēng)險指標(biāo)上的權(quán)重調(diào)節(jié)系數(shù)；tanh()為雙曲正動態(tài)權(quán)重Wdy,輸出原始評分值Sa,計其中：Ri為第i個實體在第k個風(fēng)險指標(biāo)上的當(dāng)前觀測值；Rhig、R為第i個實分母為零；異常修正單元，用于基于邊緣異常處理模塊輸出的異常評分值A(chǔ)k,對原始評分值9總分計算單元，用于將各風(fēng)險指標(biāo)的最終評分值按動態(tài)權(quán)重W進行加權(quán)求策略匹配單元，用于根據(jù)當(dāng)前告警等級，從響應(yīng)策略模板中檢索匹配的策略參數(shù)，包括條件-動作響應(yīng)規(guī)則、控制模式字段及目標(biāo)設(shè)備映射參數(shù)，用于動態(tài)觸發(fā)系統(tǒng)控制策控制指令下發(fā)單元，用于基于MQTT協(xié)議或M增量學(xué)習(xí)單元，用于在不重新全量訓(xùn)練的條件下，結(jié)所述梯度更新基于特征歸因單元輸出的貢獻度結(jié)果，優(yōu)文件和響應(yīng)策略模板，為評分與控制提供參數(shù)依據(jù)；步驟2:采集來自物理傳感器、視頻監(jiān)控終端、設(shè)備日志系統(tǒng)、環(huán)境監(jiān)測單元和網(wǎng)絡(luò)通信節(jié)點的多源數(shù)據(jù)，并對采集的數(shù)據(jù)進行協(xié)議解析、時間同步和格式封裝，生成結(jié)構(gòu)統(tǒng)一的標(biāo)準(zhǔn)化數(shù)據(jù)；步驟3:對標(biāo)準(zhǔn)化數(shù)據(jù)進行語義處理，提取實體、屬性和關(guān)系信息，構(gòu)建語義三元組，并以三元組構(gòu)建統(tǒng)一語義表示結(jié)構(gòu)，作為評分模型的輸入；步驟4:將標(biāo)準(zhǔn)化數(shù)據(jù)輸入邊緣異常處理模塊，執(zhí)行本地異常檢測，生成異常輸出信息，所述異常輸出信息包括異常識別標(biāo)記、異常評分值和關(guān)聯(lián)特征指標(biāo)參數(shù)；步驟5:解析評分模型參數(shù)配置文件，提取當(dāng)前運行場景所需的評分指標(biāo)、歸一化步驟6:輸入統(tǒng)一語義表示結(jié)構(gòu)和異常輸出信息至評分模型，執(zhí)行融合分析，輸出各指標(biāo)的風(fēng)險評分值和系統(tǒng)的整體風(fēng)險評分結(jié)果；步驟7:基于風(fēng)險評分結(jié)果，進行分級告警判斷，并依據(jù)響應(yīng)策略模板生成控制響應(yīng)操作指令，實現(xiàn)預(yù)設(shè)控制設(shè)備的聯(lián)動執(zhí)行；步驟8:利用運行過程中產(chǎn)生的歷史評分?jǐn)?shù)據(jù)與人工確認(rèn)的反饋信息，對評分模型參數(shù)配置文件中的指標(biāo)參數(shù)進行更新；步驟9:記錄系統(tǒng)操作行為，執(zhí)行用戶身份鑒別和行為審計，并導(dǎo)出結(jié)構(gòu)化數(shù)據(jù)，用于系統(tǒng)管理與外部接口調(diào)用。[0016]本發(fā)明的有益效果是：本發(fā)明通過模塊化架構(gòu)設(shè)計，打通了物聯(lián)網(wǎng)公共安全管控統(tǒng)能夠根據(jù)當(dāng)前運行環(huán)境精準(zhǔn)加載對應(yīng)的評分模型參數(shù)與響應(yīng)策略，實現(xiàn)了面向場景的自適應(yīng)部署；通過集成多源數(shù)據(jù)采集機制，解決了異構(gòu)設(shè)備數(shù)據(jù)標(biāo)準(zhǔn)化處理難題；依托語義三元組與統(tǒng)一語義結(jié)構(gòu)的構(gòu)建方式，使系統(tǒng)具備了跨模態(tài)數(shù)據(jù)的關(guān)聯(lián)理解能力，為后續(xù)的異常檢測與風(fēng)險評估提供了語義支撐。引入邊緣異常處理模塊后，系統(tǒng)具備了現(xiàn)場級異常識別與標(biāo)注能力，顯著提升了對突發(fā)事件的響應(yīng)敏捷性與邊界安全防控能力。在風(fēng)險評估階段，本發(fā)明所設(shè)計的評分機制能夠融合語義實體狀態(tài)與異常特征指標(biāo)，并依據(jù)預(yù)設(shè)規(guī)則對各項風(fēng)險指標(biāo)執(zhí)行多因素融合分析，輸出具有區(qū)分度和穩(wěn)健性的風(fēng)險評分結(jié)果，有效避免了傳統(tǒng)評分模型對突變值或單點異常過度敏感的問題。評分結(jié)果將驅(qū)動智能告警模塊自動判斷當(dāng)前所處風(fēng)險等級，并聯(lián)動加載的響應(yīng)策略模板匹配控制方案，確保系統(tǒng)在不同告警等級下能夠?qū)嵤?yīng)的控制響應(yīng)，形成分析驅(qū)動的主動防控路徑。系統(tǒng)運行過程中還具備基于反饋數(shù)據(jù)的模型優(yōu)化能力，能夠?qū)υu分參數(shù)進行持續(xù)更新與修正，從而適應(yīng)環(huán)境變化與數(shù)據(jù)分布漂移。同時，系統(tǒng)集成身份認(rèn)證、操作審計與數(shù)據(jù)導(dǎo)出等可信治理能力，為管控全過程提供合規(guī)性和可追溯保障。本發(fā)明所提供的管控系統(tǒng)在融合能力、評分精度、響應(yīng)效率與可演化性等方面均具有顯著提升，能夠有效支撐復(fù)雜公共安全場景下的多源感知、智能判斷與閉環(huán)響應(yīng)需求。附圖說明[0017]為了更清楚地說明本發(fā)明實施例的技術(shù)方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本11領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其他圖1為本發(fā)明系統(tǒng)總體架構(gòu)示意圖；圖2為本發(fā)明實施例中安全評分流程圖；圖3是本發(fā)明的方法流程圖。具體實施方式[0018]為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合本發(fā)明實施例的附圖，對本發(fā)明實施例的技術(shù)方案進行清楚、完整地描述。顯然，所描述的實施例是本發(fā)明的一部分實施例，而不是全部的實施例?；谒枋龅谋景l(fā)明的實施例，本領(lǐng)域普通技術(shù)人員所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。[0019]為便于理解本發(fā)明，在此對說明書中涉及的部分術(shù)語作如下定義。除非特別說明，本領(lǐng)域技術(shù)人員應(yīng)理解這些術(shù)語在本發(fā)明中的含義限定于本申請所述技術(shù)內(nèi)容范圍內(nèi)：異常評分值：指系統(tǒng)對檢測到的異常數(shù)據(jù)進行量化評估所得的數(shù)值，反映數(shù)據(jù)異[0020]風(fēng)險敏感系數(shù)：用于調(diào)節(jié)評分函數(shù)對指標(biāo)變化的響應(yīng)強度，數(shù)值越大，評分函數(shù)對異常變化越敏感。備及動作參數(shù)，用于觸發(fā)具體控制操作。[0022]如圖1所示，為本發(fā)明的一個實施例，該實施例提供了基于多源數(shù)據(jù)融合的智能物(1)場景適配配置模塊用于識別當(dāng)前系統(tǒng)運行場景，并加載與運行場景相對應(yīng)的評分模型參數(shù)配置文件與響應(yīng)策略模板；所述場景適配配置模塊包括：場景識別單元，用于通過設(shè)備類別標(biāo)識、部署參數(shù)或用戶標(biāo)記信息，識別當(dāng)前系統(tǒng)所處的運行場景類型；指標(biāo)準(zhǔn)備加載單元，用于根據(jù)識別出的運行場景類型，加載與所述運行場景類型對應(yīng)的評分模型參數(shù)配置文件，評分模型參數(shù)包括：參與評分的風(fēng)險指標(biāo)種類，以及各風(fēng)險指標(biāo)對應(yīng)的歸一化函數(shù)類型、風(fēng)險評分閾值、初始權(quán)重及風(fēng)險敏感系數(shù)；策略模板匹配單元，用于根據(jù)運行場景類型自動加載相應(yīng)的響應(yīng)策略模板，所述響應(yīng)策略模板包括控制動作序列、信號通道參數(shù)與通信協(xié)議適配項；本體結(jié)構(gòu)適配單元，用于根據(jù)場景定義自動加載符合OWL或RDF語義格式的本體描述文件，并更新語義標(biāo)簽與名稱空間配置數(shù)據(jù)。[0023]在本發(fā)明的實施方式中，場景適配配置模塊用于系統(tǒng)啟動或運行環(huán)境變化時，自動識別當(dāng)前場景并加載相應(yīng)的評分模型參數(shù)與響應(yīng)策略模板，實現(xiàn)模型與控制邏輯的動態(tài)適配。[0024]系統(tǒng)通過采集設(shè)備標(biāo)識、部署參數(shù)和用戶配置信息，識別當(dāng)前所處的運行場景，并基于場景標(biāo)簽從參數(shù)庫中調(diào)入相應(yīng)的模型配置文件，包括評分指標(biāo)集、歸一化函數(shù)類型、權(quán)重初值與風(fēng)險敏感系數(shù)等，用于驅(qū)動評分模塊按需計算。[0025]隨后，系統(tǒng)匹配該場景對應(yīng)的響應(yīng)策略模板，加載控制指令序列、通信參數(shù)與協(xié)議設(shè)置，實現(xiàn)評分結(jié)果與控制響應(yīng)的聯(lián)動。為確保語義一致性，系統(tǒng)還將調(diào)用與場景關(guān)聯(lián)的語義本體文件(符合0WL或RDF格式),完成標(biāo)簽命名空間與屬性定義的更新，支持后續(xù)數(shù)據(jù)語義融合。[0026]該模塊具備運行時感知、按需加載、自適應(yīng)配置等能力，可在復(fù)雜環(huán)境中實現(xiàn)高效部署與策略聯(lián)動，區(qū)別于傳統(tǒng)靜態(tài)配置方案，提升了評分準(zhǔn)確性與響應(yīng)適配性。[0027](2)自適應(yīng)采集模塊用于對來自物理傳感器、視頻監(jiān)控終端、設(shè)備日志系統(tǒng)、環(huán)境監(jiān)測單元和網(wǎng)絡(luò)通信節(jié)點的多源數(shù)據(jù)進行統(tǒng)一采集與預(yù)處理，生成結(jié)構(gòu)統(tǒng)一的標(biāo)準(zhǔn)化數(shù)據(jù)；所述自適應(yīng)采集模塊包括：協(xié)議識別單元，用于基于接入數(shù)據(jù)源的初始化握手報文中的字段特征或初始數(shù)據(jù)時間同步單元，用于利用主控節(jié)點的NTP協(xié)議統(tǒng)一各數(shù)據(jù)源的時間戳，并通過滑動時間窗口對采樣間隔超過預(yù)設(shè)閾值的數(shù)據(jù)執(zhí)行線性插值；數(shù)據(jù)結(jié)構(gòu)轉(zhuǎn)換單元，對采集的圖像數(shù)據(jù)、文本數(shù)據(jù)和傳感器數(shù)值數(shù)據(jù)進行格式封法片段和上下文特征，傳感器數(shù)值數(shù)據(jù)經(jīng)歸一化處理后加注信號類型標(biāo)簽，格式封裝后的數(shù)據(jù)形成結(jié)構(gòu)統(tǒng)一的標(biāo)準(zhǔn)化數(shù)據(jù)。[0028]在本發(fā)明的實施方式中，自適應(yīng)采集模塊用于對來自各類物聯(lián)網(wǎng)終端的多源數(shù)據(jù)進行統(tǒng)一采集和預(yù)處理。系統(tǒng)接入數(shù)據(jù)后，首先通過協(xié)議識別機制自動解析通信協(xié)議類型，并加載對應(yīng)的解碼模塊，實現(xiàn)對多種標(biāo)準(zhǔn)與定制協(xié)議的兼容接入。[0029]隨后，系統(tǒng)通過時間同步單元統(tǒng)一各數(shù)據(jù)源的時間戳，采用滑動時間窗進行對齊與插值，解決不同采樣頻率與延遲帶來的時序偏差。[0030]多模態(tài)數(shù)據(jù)在結(jié)構(gòu)轉(zhuǎn)換單元中進行格式封裝。圖像數(shù)據(jù)提取目標(biāo)信息，文本數(shù)據(jù)提取語義三元組，傳感器數(shù)據(jù)則完成指標(biāo)歸一化標(biāo)注，最終統(tǒng)一生成具備時間、語義與來源標(biāo)識的標(biāo)準(zhǔn)化數(shù)據(jù)結(jié)構(gòu)，供后續(xù)模塊直接調(diào)用。[0031]通過該模塊，系統(tǒng)實現(xiàn)了異構(gòu)協(xié)議識別、多源時間對齊與語義統(tǒng)一結(jié)構(gòu)生成，為語義融合與評分分析提供了標(biāo)準(zhǔn)化、時序一致的數(shù)據(jù)支撐。用于從所述標(biāo)準(zhǔn)化數(shù)據(jù)中抽取實體、屬性和關(guān)系信息，轉(zhuǎn)化為語義三元組，構(gòu)建統(tǒng)一語義表示結(jié)構(gòu)；所述語義融合模塊包括：設(shè)備狀態(tài)建模單元，用于基于模板匹配方法將加注信號類型標(biāo)簽的傳感器數(shù)值數(shù)據(jù)轉(zhuǎn)換為對應(yīng)的設(shè)備狀態(tài)三元組，包括設(shè)備標(biāo)識，屬性類別和當(dāng)前數(shù)值；文本語義提取單元，用于調(diào)用預(yù)設(shè)的大語言模型對文本數(shù)據(jù)中提取的關(guān)鍵詞、句法片段和上下文特征進行語義實體抽取與關(guān)系識別，構(gòu)建行為語義三元組，包括動作主體、屬性變化與狀態(tài)標(biāo)識字段；圖像語義提取單元，用于將圖像實體信息輸入預(yù)訓(xùn)練的目標(biāo)檢測模型，識別關(guān)鍵設(shè)備或行為對象，并依據(jù)標(biāo)簽映射表將識別結(jié)果映射為語義圖譜中的實體節(jié)點，構(gòu)建視覺知識圖譜推理單元，用于對所述設(shè)備狀態(tài)三元組、行為語義三元組和視覺語義三元組進行統(tǒng)一組織，構(gòu)建統(tǒng)一語義表示結(jié)構(gòu)，并基于圖譜嵌入算法TransE執(zhí)行實體關(guān)系向量學(xué)習(xí)，對缺失關(guān)系進行補全，僅保留推理置信度高于設(shè)定閾值的實體關(guān)系用于圖譜更新。[0033]本實施例中，語義融合模塊用于將結(jié)構(gòu)化數(shù)據(jù)中的設(shè)備標(biāo)識、屬性和狀態(tài)信息轉(zhuǎn)化為語義三元組，并構(gòu)建統(tǒng)一的語義表示結(jié)構(gòu)。系統(tǒng)基于模板規(guī)則或模型識別，將數(shù)據(jù)組織[0034]文本數(shù)據(jù)通過語言模型提取實體及關(guān)系，圖像數(shù)據(jù)通過檢測模型識別關(guān)鍵對象，均轉(zhuǎn)化為語義節(jié)點。融合結(jié)果形成圖譜結(jié)構(gòu)，并通過圖推理算法補全實體關(guān)系，增強語義關(guān)聯(lián)和跨模態(tài)理解能力。[0035](4)邊緣異常處理模塊用于在邊緣計算節(jié)點對所述標(biāo)準(zhǔn)化數(shù)據(jù)執(zhí)行本地異常檢測操作，輸出異常輸出信息，所述異常輸出信息包括異常識別標(biāo)記、異常評分值及與異常事件關(guān)聯(lián)的特征指標(biāo)參數(shù)；所述邊緣異常處理模塊包括：數(shù)據(jù)篩選單元，用于對接收的標(biāo)準(zhǔn)化數(shù)據(jù)執(zhí)行數(shù)據(jù)質(zhì)量檢測，包括對字段缺失率、采樣頻率偏移情況和均值波動指標(biāo)進行計算，并將質(zhì)量低于設(shè)定閾值的數(shù)據(jù)樣本剔除；異常檢測單元，用于基于滑動時間窗口內(nèi)的歷史統(tǒng)計均值與當(dāng)前采樣值之間的偏差關(guān)系進行差分判斷，并結(jié)合預(yù)設(shè)閾值篩選出可能的異常數(shù)據(jù)；所述異常檢測單元進一步支持在邊緣節(jié)點部署輕量級一維卷積神經(jīng)網(wǎng)絡(luò)模型，對多變量數(shù)據(jù)的變化模式進行異常識別，所述輕量級一維卷積神經(jīng)網(wǎng)絡(luò)模型通過中心節(jié)點周期性同步更新參數(shù)；數(shù)據(jù)標(biāo)注單元，用于對檢測出的異常數(shù)據(jù)計算異常置信度，并基于異常置信度值通過非線性衰減函數(shù)生成異常評分值，所述異常評分值用于標(biāo)注異常數(shù)據(jù)的質(zhì)量等級，包括高質(zhì)量、中質(zhì)量和低質(zhì)量多個等級。[0036]本實施例中，邊緣異常處理模塊部署于邊緣節(jié)點，用于在數(shù)據(jù)采集端對標(biāo)準(zhǔn)化數(shù)據(jù)進行實時質(zhì)量檢測與異常識別，減少系統(tǒng)延遲與帶寬占用。[0037]模塊首先通過數(shù)據(jù)篩選判斷采樣完整性和波動特征，剔除質(zhì)量不達(dá)標(biāo)的數(shù)據(jù)樣本。隨后，基于滑動時間窗口分析歷史與當(dāng)前值間的偏差關(guān)系，結(jié)合設(shè)閾計算，識別出潛在異常。[0038]在此基礎(chǔ)上，模塊調(diào)用輕量級卷積神經(jīng)網(wǎng)絡(luò)模型，分析多變量數(shù)據(jù)間的變化模式，進一步判定異常事件的類型與特征。模型參數(shù)可通過中心節(jié)點周期同步更新，提升邊緣模型的泛化能力與適應(yīng)性。[0039]檢測出的異常數(shù)據(jù)將由注注單元計算置信評分，基于偏差程度與模型判斷置信[0040](5)安全評分模塊用于接收所述統(tǒng)一語義表示結(jié)構(gòu)及所述異常輸出信息，依據(jù)評分指標(biāo)體系與預(yù)設(shè)規(guī)則，基于評分模型參數(shù)配置文件構(gòu)建評分模型進行融合分析，輸出風(fēng)險評分結(jié)果；在本發(fā)明實施例中，安全評分模塊通過多階段評分機制實現(xiàn)各類風(fēng)險指標(biāo)的動態(tài)行評分計算。步驟S201:權(quán)重調(diào)整單元根據(jù)各風(fēng)險指標(biāo)的當(dāng)前值與參考標(biāo)準(zhǔn)值的差異，對每個指標(biāo)的權(quán)重進行動態(tài)調(diào)整。[0043]在一個具體的實施例中，根據(jù)系統(tǒng)當(dāng)前環(huán)境狀態(tài)參數(shù)E,與參考標(biāo)準(zhǔn)值E“的偏步驟S202:指標(biāo)評分單元所述動態(tài)權(quán)重W,輸出原始評分值S,計算公式為：其中：R為i個實體在第k個風(fēng)險指標(biāo)上的當(dāng)前觀測值；Rhig、R為第k個指標(biāo)步驟S203:異常修正單元[0045]在一個具體的實施例中，基于邊緣異常處理模塊輸出的異常評分值A(chǔ),最終將各個指標(biāo)的修正評分按照權(quán)重匯總，得到用于根據(jù)風(fēng)險評分結(jié)果執(zhí)行分級告警判斷，并基于策略匹配單元，用于根據(jù)當(dāng)前告警等級，從響應(yīng)策略模板中檢索匹配的策略參數(shù)，包括條件-動作響應(yīng)規(guī)則、控制模式字段及目標(biāo)設(shè)備映射參數(shù)，用于動態(tài)觸發(fā)系統(tǒng)控制策控制指令下發(fā)單元，用于基于MQTT協(xié)議或M特征歸因單元，用于基于訓(xùn)練完成的隨機森林模型輸出的特征重要性排序結(jié)果，增量學(xué)習(xí)單元，用于在不重新全量訓(xùn)練的條件下，結(jié)對各指標(biāo)執(zhí)行歸一化評分并融合權(quán)重修正機制的組合結(jié)構(gòu)；策略自適應(yīng)修正單元，用于根據(jù)風(fēng)險評分結(jié)果中涉及的關(guān)鍵指標(biāo)偏移趨勢，對已配置的告警等級與響應(yīng)動作之間的映射關(guān)系執(zhí)行重配置操作；知識圖譜更新單元，用于通過語義圖譜接口接入新增的語義三元組，執(zhí)行實體注入操作與沖突三元組篩除，更新語義節(jié)點間的連接關(guān)系。[0050](8)可信治理模塊用于實施用戶身份鑒別、操作行為審計與結(jié)構(gòu)化數(shù)據(jù)導(dǎo)出，實現(xiàn)系統(tǒng)運行過程的可信管理。[0051]所述可信治理模塊包括：身份認(rèn)證單元，用于基于訪問控制策略與OAuth2.0協(xié)議對用戶與模塊之間進行訪問身份驗證；操作審計單元，用于記錄策略配置變更、模型更新與控制響應(yīng)操作指令，并對關(guān)鍵操作添加時間戳標(biāo)識與鏈?zhǔn)胶灻畔?；操作存證單元，用于對控制響應(yīng)操作指令的執(zhí)行結(jié)果進行摘要計算，并基于哈希函數(shù)生成摘要值，將摘要結(jié)果通過區(qū)塊鏈節(jié)點存入分布式賬本中；數(shù)據(jù)導(dǎo)出單元，用于提供RESTful接口，按時間區(qū)間或事件類型導(dǎo)出歷史告警數(shù)據(jù)與策略調(diào)整記錄，并附帶相應(yīng)結(jié)構(gòu)化評價字段與審計元數(shù)據(jù)。[0052]如圖3所示，在本發(fā)明所述的基于多源數(shù)據(jù)融合的智能物聯(lián)網(wǎng)公共安全管控系統(tǒng)中，提出了一種完整的管控方法，用于在實際部署場景中實現(xiàn)數(shù)據(jù)驅(qū)動的安全態(tài)勢識別、風(fēng)領(lǐng)域。[0053]該方法包括以下步驟：步驟1:識別當(dāng)前系統(tǒng)的運行場景，加載與所述運行場景對應(yīng)的評分模型參數(shù)配置文件和響應(yīng)策略模板，為評分與控制提供參數(shù)依據(jù)；步驟2:采集來自物理傳感器、視頻監(jiān)控終端、設(shè)備日志系統(tǒng)、環(huán)境監(jiān)測單元和網(wǎng)絡(luò)通信節(jié)點的多源數(shù)據(jù)，并對采集的數(shù)據(jù)進行協(xié)議解析、時間同步和格式封裝，生成結(jié)構(gòu)統(tǒng)一的標(biāo)準(zhǔn)化數(shù)據(jù)；步驟3:對標(biāo)準(zhǔn)化數(shù)據(jù)進行語義處理，提取實體、屬性和關(guān)系信息，構(gòu)建語義三元組，并以三元組構(gòu)建統(tǒng)一語義表示結(jié)構(gòu)，作為評分模型的輸入；步驟4:將標(biāo)準(zhǔn)化數(shù)據(jù)輸入邊緣異常處理模塊，執(zhí)行本地異常檢測，生成異常輸出信息，所述異常輸出信息包括異常識別標(biāo)記、異常評分值和關(guān)聯(lián)特征指標(biāo)參數(shù)；步驟5:解析評分模型參數(shù)配置文件，提取當(dāng)前運行場景所需的評分指標(biāo)、歸一化步驟6:輸入統(tǒng)一語義表示結(jié)構(gòu)和異常輸出信息至評分模型，執(zhí)行融合分析，輸出各指標(biāo)的風(fēng)險評分值和系統(tǒng)的整體風(fēng)險評分結(jié)果；步驟7:基于風(fēng)險評分結(jié)果，進行分級告警判斷，并依據(jù)響應(yīng)策略模板生成控制響應(yīng)操作指令，實現(xiàn)預(yù)設(shè)控制設(shè)備的聯(lián)動執(zhí)行；步驟8:利用運行過程中產(chǎn)生的歷史評分?jǐn)?shù)據(jù)與人工確認(rèn)的反饋信息，對評分模型參數(shù)配置文件中的指標(biāo)參數(shù)進行更新；步驟9:記錄系統(tǒng)操作行為，執(zhí)