[發(fā)明專利]一種傳感器網(wǎng)絡(luò)異常檢測(cè)方法

無(wú)效

• 申請(qǐng)?zhí)枺?/td>: 200910061537.8
• 申請(qǐng)日: 2009-04-07
• 公開（公告）號(hào): CN101516099A
• 公開（公告）日: 2009-08-26
• 發(fā)明（設(shè)計(jì)）人: 劉文予;蔣洪波;舒樂(lè);張松濤;劉文平;陳金華;劉軍
• 申請(qǐng)（專利權(quán)）人: 華中科技大學(xué)
• 主分類號(hào): H04W24/00
• 分類號(hào): H04W24/00;H04W84/18;H04L29/08
• 代理公司: 華中科技大學(xué)專利中心
• 代理人: 李 智

技術(shù)領(lǐng)域

本發(fā)明涉及無(wú)線傳感器網(wǎng)絡(luò)，特別是涉及無(wú)線傳感器網(wǎng)絡(luò)異常檢測(cè)的方法。?

背景技術(shù)

在無(wú)線傳感器網(wǎng)絡(luò)中，大量的原始傳感器數(shù)據(jù)之間一般都有高度的空間或時(shí)間相關(guān)性，把所有這些數(shù)據(jù)完全傳輸?shù)交竟?jié)點(diǎn)(Sink)既浪費(fèi)能量也沒(méi)有必要。數(shù)據(jù)融合(data?aggregation，或稱為數(shù)據(jù)匯聚)的主要思想就是傳輸路徑上的節(jié)點(diǎn)之間進(jìn)行交互式的協(xié)同合作，通過(guò)去除相關(guān)性冗余來(lái)大大壓縮數(shù)據(jù)量，從而以更少的數(shù)據(jù)表達(dá)同樣或相當(dāng)?shù)男畔⒘俊?

當(dāng)前基于傳感器網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)據(jù)空間相關(guān)性或時(shí)間相關(guān)性進(jìn)行的數(shù)據(jù)融合已有部分的研究成果，但是并未形成一個(gè)理論體系。尤其針對(duì)空間相關(guān)性和時(shí)間相關(guān)性的利用都是割裂開來(lái)的，沒(méi)有將空間相關(guān)性和時(shí)間相關(guān)性有機(jī)的、系統(tǒng)的結(jié)合在一起，從而阻礙了數(shù)據(jù)融合效率的進(jìn)一步提高；?

現(xiàn)有的數(shù)據(jù)融合模型都是局部獨(dú)立的，對(duì)各個(gè)局部之間的關(guān)系和多層次信息融合沒(méi)有一個(gè)科學(xué)的解釋和建模。實(shí)際上數(shù)據(jù)之間的相關(guān)性是具有層次性的，而且是隨著距離的增加而逐漸減弱的，各個(gè)局部之間還具有相關(guān)性，現(xiàn)有研究都是確定性的劃定一個(gè)區(qū)域或界限為局部，只認(rèn)定為這部分的數(shù)據(jù)擁有局部相關(guān)性。?

現(xiàn)有的數(shù)據(jù)融合處理模型首先是關(guān)注傳感器數(shù)據(jù)，對(duì)于數(shù)據(jù)反映的被探測(cè)事件建模只是進(jìn)行了簡(jiǎn)單的處理，這就如同語(yǔ)音編碼中的幅值編碼和模型編碼的差距；另外，現(xiàn)有的數(shù)據(jù)處理模型對(duì)高級(jí)應(yīng)用特性支持不足，如同樣是表現(xiàn)溫度數(shù)據(jù)，需要拓?fù)湫畔⒌臄?shù)據(jù)融合研究(如等高線求取)?和僅需要統(tǒng)計(jì)信息的數(shù)據(jù)融合研究采用的方法完全不同，沒(méi)有統(tǒng)一的數(shù)學(xué)模型形式。此外針對(duì)多重傳感數(shù)據(jù)(如同時(shí)表現(xiàn)溫度、濕度)的統(tǒng)一數(shù)據(jù)融合的研究還沒(méi)有有意義的成果。而這些數(shù)據(jù)處理的理論、方法，往往需要把原始的低維數(shù)據(jù)集轉(zhuǎn)化為高維數(shù)據(jù)集，目前的研究主要局限在低維應(yīng)用場(chǎng)合，高維數(shù)據(jù)集的分析和建模工作尚未完全展開；最后，現(xiàn)有的數(shù)據(jù)處理模型主要集中在使用線性系統(tǒng)來(lái)分析和處理數(shù)據(jù)的空間和時(shí)間相關(guān)性，例如使用線性預(yù)測(cè)模型來(lái)進(jìn)行預(yù)測(cè)從而減少數(shù)據(jù)傳輸，但現(xiàn)實(shí)的系統(tǒng)往往較為復(fù)雜，線性系統(tǒng)模型往往不具有通用性。?

有很多異常值檢測(cè)算法都是判斷傳感器節(jié)點(diǎn)數(shù)據(jù)和其相鄰節(jié)點(diǎn)數(shù)據(jù)的差值來(lái)決定是否是異常值，這樣需要的時(shí)間較長(zhǎng)而且不能保證其準(zhǔn)確性。利用數(shù)據(jù)融合的架構(gòu)，將異常值檢測(cè)問(wèn)題轉(zhuǎn)化成給定數(shù)據(jù)融合的構(gòu)架的推理問(wèn)題，即對(duì)于給定序列，根據(jù)已有的數(shù)據(jù)融合的構(gòu)架推測(cè)出其對(duì)應(yīng)的最大可能的狀態(tài)序列，如果根據(jù)已有的模型使用現(xiàn)有的狀態(tài)序列得到的似然函數(shù)值來(lái)判斷，結(jié)果將更實(shí)用。?

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種無(wú)線傳感器網(wǎng)絡(luò)異常檢測(cè)方法，充分考慮數(shù)據(jù)在時(shí)間上和空間上的相關(guān)性，有效減少數(shù)據(jù)冗余及通信開銷，延長(zhǎng)傳感器節(jié)點(diǎn)的壽命，達(dá)到異常檢測(cè)的目的。?

一種傳感器網(wǎng)絡(luò)異常檢測(cè)方法，對(duì)網(wǎng)絡(luò)進(jìn)行分簇，各簇按照如下方法進(jìn)行異常檢測(cè)：?

步驟1)簇頭匯聚簇內(nèi)第i個(gè)單位時(shí)間內(nèi)所有節(jié)點(diǎn)的高維數(shù)據(jù)序列，以該高維數(shù)據(jù)序列為訓(xùn)練樣本，采用隱馬爾科夫模型構(gòu)建方法構(gòu)建第i個(gè)單位時(shí)間的節(jié)點(diǎn)高維數(shù)據(jù)變遷模型，i＝1，2，…，N，N為提取的單位時(shí)間數(shù)量；?

步驟2)以變遷模型相似性為分類基準(zhǔn)，將第1，2，…，N個(gè)單位時(shí)間的節(jié)點(diǎn)高維數(shù)據(jù)變遷模型進(jìn)行分類；?

步驟3)對(duì)于屬于第j類的節(jié)點(diǎn)高維數(shù)據(jù)初始變遷模型，將其對(duì)應(yīng)單?位時(shí)間內(nèi)的所有高維數(shù)據(jù)序列匯聚，構(gòu)成新的訓(xùn)練樣本，采用隱馬爾科夫模型構(gòu)建方法構(gòu)建第j類節(jié)點(diǎn)高維數(shù)據(jù)變遷模型，j＝1，2，…，N1，N1為步驟2)得到的分類數(shù)；?

步驟4)利用第j類節(jié)點(diǎn)高維數(shù)據(jù)變遷模型對(duì)簇中所有節(jié)點(diǎn)采集的數(shù)據(jù)進(jìn)行異常檢測(cè)。?

本發(fā)明的技術(shù)效果體現(xiàn)在：?

(1)多維數(shù)據(jù)融合。對(duì)網(wǎng)絡(luò)中的高維數(shù)據(jù)集(如同時(shí)包含溫度、濕度)進(jìn)行數(shù)據(jù)融合，采用HMM模型對(duì)高維數(shù)據(jù)集進(jìn)行建模，建立適合任何維數(shù)的一般數(shù)據(jù)集的數(shù)據(jù)融合模型；?

(2)減少冗余，減少開銷。本發(fā)明充分利用傳感器網(wǎng)絡(luò)采集到數(shù)據(jù)時(shí)間和空間上的相關(guān)性，首先通過(guò)分簇算法，由空間上的相關(guān)性，簇內(nèi)節(jié)點(diǎn)采集到的數(shù)據(jù)差異不大，以簇為單位進(jìn)行建模，減少了模型的冗余，也方便對(duì)簇內(nèi)節(jié)點(diǎn)采集到的后續(xù)數(shù)據(jù)進(jìn)行異常檢測(cè)；考慮時(shí)間上的相關(guān)性，對(duì)模型分類，重新構(gòu)建新訓(xùn)練樣本構(gòu)建新模型，進(jìn)一步減少模型的冗余；采用隱馬爾科夫模型對(duì)高維數(shù)據(jù)集變遷進(jìn)行建模，使得在異常檢測(cè)的過(guò)程中從節(jié)點(diǎn)無(wú)需將采集到的所有數(shù)據(jù)發(fā)送給簇頭節(jié)點(diǎn)，只需將變遷序列(即采樣后的序列)發(fā)送給簇頭節(jié)點(diǎn)，從而大大減少了通信開銷。?

附圖說(shuō)明

圖1為本發(fā)明無(wú)線傳感器網(wǎng)絡(luò)結(jié)構(gòu)示意圖；?