[發明專利]混合型在線數據異常檢測方法

有效

• 申請號: 201911119057.2
• 申請日: 2019-11-15
• 公開（公告）號: CN110830946B
• 公開（公告）日: 2020-11-06
• 發明（設計）人: 李光輝;陳靈強
• 申請（專利權）人: 江南大學
• 主分類號: H04W4/38
• 分類號: H04W4/38;H04W24/02;H04W24/08
• 代理公司: 哈爾濱市陽光惠遠知識產權代理有限公司 23211
• 代理人: 林娟

本發明公開了混合型在線數據異常檢測方法，屬于無線傳感器網絡數據可靠性領域。本發明采用復合的異常檢測方法，利用無線傳感器網絡中數據時間相關性和空間相關性的特點，提高了算法的檢測精度。并且本發明采用了分布式的計算方法，降低了節點的通信和計算開銷，降低節點的能耗，可以實現異常的實時檢測，適合部署到真實的節點系統中。通過python仿真實驗驗證了混合型在線數據異常檢測方法具有較高的準確性和魯棒性。

技術領域

本發明屬于無線傳感器網絡數據可靠性領域，涉及混合型在線數據異常檢測方法，是一種復合的在線異常檢測算法。

背景技術

隨著物聯網的發展，大量無線傳感器網絡被部署在真實環境中，用于采集各種環境數據(如溫度、濕度、土壤酸堿度等)，海量的數據隨之產生。通過對采集的數據的實時分析，我們可以實現對環境的實時監控，從而判斷不良的環境條件(如森林監控系統檢測到火災，智慧農業系統檢測到土壤PH值不適宜等)，可以科學地指導人們的生產生活，但是其前提是確保數據真實可靠。

經大量研究發現，大多無線傳感器網絡采集的數據存在數據異常的問題。數據的異常有很多影響因素，如節點的損壞、節點的斷電、其他噪聲、甚至網絡攻擊等。由于節點部署的特殊性，大多數的影響因素無法有效地避免。因而，數據的異常檢測技術尤為重要。一般的異常檢測方法可以分為以下幾類：基于統計、基于近鄰、基于聚類和基于學習等。近些年來，為提高檢測的實時性，在線異常檢測的研究越來越受到科研人員的關注。

M.Xie等人提出的基于超網格結構的K近鄰異常檢測方法，大大降低了基于距離的檢測方法的計算復雜度(M.Xie,J.Hu,S.Han,and H.-H.Chen,“Scalable hypergrid k-NN-based online anomaly detection in wireless sensor networks,”IEEE Transactionson Parallel and Distributed Systems,vol.24,no.8,pp.1661-1670,2012.A.B.Sharma,L.Golubchik,and R.Govindan,“Sensor faults:Detection methods and prevalence inreal-world datasets,”ACM Transactions on Sensor Networks(TOSN),vol.6,no.3,pp.23,2010.)。通過構建超網格結構，將特征空間劃分為一個個連續的超立方體。然后將數據點映射到一個個超立方體中，進而統計非空的超立方體的坐標以及包含在其內的數據點的數量，形成一個全局標準文件(NP)。最終，不同于一般的基于距離的檢測方法，HGDB方法只需從NP中統計測試數據映射后的區域鄰近超立方體中的數據量總和，比較統計值與閾值大小。如果統計值大于閾值，則測試數據為正常，反之相反。HGDB在算法原理簡單，將一般基于距離的超橢球體檢測域改為超立方體檢測域，易實現，具有計算復雜度低的優點，且其考慮到了分布式計算的方法，是一種有效的在線檢測方法。然而，基于距離的異常檢測方法只考慮測試數據與整體數據的分布關系，而忽略了無線傳感器數據的時間相關性的特點，所以這類方法對于上下文異常檢測精度不高，尤其是那些低強度的噪聲。

發明內容

[技術問題]

本發明要解決的技術問題是提高無線傳感器網絡異常檢測的精度，在保障低的計算復雜度的前提下，提高檢測精度，增強算法的魯棒性。

[技術方案]