[發明專利]一種無線傳感器網絡異常檢測方法

在審

• 申請號: 202010040468.9
• 申請日: 2020-01-15
• 公開（公告）號: CN111242272A
• 公開（公告）日: 2020-06-05
• 發明（設計）人: 雷李彪
• 申請（專利權）人: 東方紅衛星移動通信有限公司
• 主分類號: G06N3/00
• 分類號: G06N3/00;G06N20/10;H04W12/12
• 代理公司: 重慶啟恒騰元專利代理事務所(普通合伙) 50232
• 代理人: 萬建

本發明公開了一種無線傳感器網絡異常檢測方法，基于果蠅優化算法，將模糊支持向量機應用于無線傳感器網絡異常檢測領域包括以下步驟：訓練階段：S1：采集傳感器檢測數據，并對數據進行預處理，形成訓練數據集；S2：基于FSVM技術建立無線傳感器網絡異常檢測模型；S3：建立IFOA?FSVM模型，對數據集進行異常檢測訓練；檢測階段：S4：采集傳感器檢測數據，并對數據進行預處理，形成待測樣本；S5：將待測樣本輸入IFOA?FSVM模型進行檢測，判定待測樣本是否異常。

技術領域

本發明涉及無線傳感器網絡信息安全領域，尤其涉及一種無線傳感器網絡異常檢測方法。

背景技術

無線傳感器網絡是一種不同于傳統有線網絡的特殊移動自組織網絡。無線傳感器網絡因節點組網簡單、能自組織形成網絡、節點成本低廉等優勢而廣泛應用于各領域，如國防和反恐等軍事領域。當無線網絡傳感器異常時，實時高效地檢測出傳感器網絡中的異常數據，無論對于外部突發事件的預警防范，還是對于傳感器網絡本身的健康狀況監測，都具有十分重要的意義。

近年來，國內外對無線傳感器網絡異常數據檢測方法的研究已有諸多成果。在這些研究中，基于支持向量機的異常檢測技術因結構簡單、訓練速度快、具有良好的預測準確度以及具有較為充分的理論基礎已經成為異常檢測技術的研究熱點。然而，現有基于SVM(支持向量機)的無線傳感器網絡異常檢測模型大多沒有引入模糊理論，導致這類模型相比于基于模糊理論的支持向量機模型對含有噪聲樣本的數據集泛化能力弱。

與SVM一樣，FSVM(模糊支持向量機)超參數的大小對模型的預測能力影響較大，且設置這類算法的超參數比較困難，需要采取一定的策略對其設置，針對該情況，本發明采用果蠅優化算法對其設置。

發明內容

針對上述現有技術的不足，本專利申請所要解決的技術問題是：如何提供一種能夠解決超參數設置、提升異常檢測精度的無線傳感器網絡異常檢測方法。

為了實現上述目的，本發明采用了如下技術方案：

一種無線傳感器網絡異常檢測方法，基于果蠅優化算法，將模糊支持向量機應用于無線傳感器網絡異常檢測領域包括以下步驟：

訓練階段：

S1：采集傳感器檢測數據，并對數據進行預處理，形成訓練數據集；

S2：基于FSVM技術建立無線傳感器網絡異常檢測模型；

S3：建立IFOA-FSVM模型，對數據集進行異常檢測訓練；

檢測階段：

S4：采集傳感器檢測數據，并對數據進行預處理，形成待測樣本；

S5：將待測樣本輸入IFOA-FSVM模型進行檢測，判定待測樣本是否異常。

優選的，步驟S3中，對IFOA-FSVM模型的建立包括以下步驟：

A1：改進果蠅算法；

A2：結合步驟S1中的訓練數據集和A1中的改進果蠅算法，搜索FSVM得到最優參數；

A3將最優參數帶回FSVM完成異常檢測模型訓練。

優選的，步驟A1中，對果蠅算法進行改進包括以下步驟：

B1：初始化搜索算法中果蠅數量Num，算法總共迭代次數T，果蠅種群當前最優位置H_opt,j，果蠅種群歷史最優氣味濃度bestSmell，步長調節參數ρ和每輪迭代中抽取zz比例果蠅個體進行重新搜索，其中，j∈n，n為尋優目標函數的變量數；

B2：計算步長調節因子m(k)；

其中，k為當前迭代次數，ρ∈[2，8]，