[發明專利]一種針對無線傳感網絡數據的可變閾值異常點檢測方法

有效

• 申請號: 201410152562.8
• 申請日: 2014-04-14
• 公開（公告）號: CN104080108B
• 公開（公告）日: 2017-10-24
• 發明（設計）人: 翟小超;馮海林;楊國平;齊小剛
• 申請（專利權）人: 西安電子科技大學
• 主分類號: H04W24/02
• 分類號: H04W24/02;H04W84/18
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明涉及無線傳感器領域，特別是無線傳感器網絡中的數據異常值檢測，用于解決無線傳感網絡采集到的數據中存在的大量不可靠數據的問題。

技術背景

無線傳感網絡WSNs是由大量微小的、低消耗的傳感器節點通過無線通信構建而成。目前無線傳感網絡被部署在各種各樣的環境中，許多網絡是部署在無人監督的惡劣的環境中。出于對網絡部署成本的考慮，傳感器節點常常是低成本，低質量的。另一方面，由于傳感器自身的低成本和部署環境的不確定性，導致傳感器采集到的數據中存在很多的誤差、錯誤、丟失值、重復值或不一致數據。文獻Sensor Network Data Fault Detection with Maximum A Posterior Selection and Bayesian Modeling的作者在一片紅樹林中部署一個感網絡，用于監測樹林中的微氣候，但收集到的數據中僅有49％可以做出有意義的解釋，而大鴨島(BDI)部署的傳感網絡中，每個節點采集到的數據中有3％到60％被認為是有問題的。數據中存在如此高的不可靠率，很難將這些數據用于有意義的科學研究中。異常點正是導致無線傳感網絡數據不可靠的最主要原因之一，所以無線傳感網絡中數據的異常值檢測受到越來越廣泛的重視。異常值檢測的研究最早源于數據挖掘領域。現存文獻中存在很多種異常值檢測方法，比如說支持向量機，聚類方法，統計學方法，基于臨近點的方法等。但是，無線傳感網絡有其自身特點，一些現存的檢測方法并不能很好的應用于無線傳感網絡中。針對無線傳感網絡，需要考慮以下幾個方面：

(1)資源約束：低成本、低質量的傳感器節點在能量、內存空間、計算能力和通信帶寬上都非常有限，而大多數傳統的異常值檢測方法很少考慮在有限的內存和計算能力下算法執行的性能。

(2)高的通信消耗：傳感網絡每個節點無線通信消耗了節點絕大多數能量。節點在通信時消耗的能量是在計算時消耗能量的好幾倍。大多數傳統的異常值檢測方法采用集中式的方法對數據集進行分析處理，這樣會產生大量的能量消耗和通信負載，將大大降低網絡的使用壽命。如何降低通信開銷以改善網絡通信負載并延長網絡壽命，是設計無線傳感網絡異常值檢測方法的一項重要挑戰。

(3)分布式數據流：在一個正常運行的無線傳感網絡中每一個傳感器都在實時感知數據，數據以一種分布式數據流的形式動態變化。而且數據的潛在分布很難事先獲取。大多數傳統的異常值檢測方法屬于線下的數據分析方法，很難用于處理分布式數據流。還有一些異常值檢測方法是基于數據分布的先驗知識，這些方法也很難用于傳感網絡中。如何在線的處理分布式數據流，是設計無線傳感網絡異常值檢測方法的一項重要挑戰。

因此，一個好的無線傳感網絡異常值檢測方法應該是，保持低的通信負載，低的內存和計算開銷，同時又能維持高檢出率和低誤報率的線上的分布式方法。

在文獻Quarter Sphere Based Distributed Anomaly Detection in Wireless Sensor Networks中，作者給出了一種支持向量機的異常值檢測方法。為了降低計算復雜度，文中采用一階四分之一球SVM。這種方法可以對每個傳感器采集的數據進行局部的異常值檢測。但是，這種方法需要每隔一個時間段傳感器采集到足夠多的數據后才能對收集的數據進行檢測，不是一種實時的線上的檢測方法。

在文獻Context-Aware Sensors中，作者將被檢測節點(指的是傳感器)的鄰居節點當前的采集到的數據和被檢測節點上一時刻的數據作為屬性，構建一個樸素貝葉斯分類器。這種方法實現了線上的實時的異常檢測，并且還可以近似的預測網絡中的丟失數據。然而，這種方法存在幾個缺點：首先，文中并沒有給出在一個動態的網絡環境中如何尋找合適的鄰居節點；其次，這種方法僅僅適用于一維數據；再次，這種方法事先需要一個訓練集來學習分類器參數，大多數情況下一個好的訓練集是很難獲得的。

在文獻Hierarchical Anomaly Detection in Distributed Large-Scale Sensor Networks中，作者利用PCA技術，有效地對傳感網絡中數據的時空相關性進行建模，并識別出局部的異常值。網絡中的每一個主節點，首先選取合適的主元構建主子空間，然后對其附近所有節點采集到的數據進行實時的局部異常檢測。如果數據明顯的偏離主子空間，就認為它是一個異常值。然而，PCA方法事先需要一個訓練集來計算主元，而且在選取合適主元時計算法雜度非常高。