[發明專利]一種基于異構分布式光纖傳感器的在線外部入侵監測方法

有效

• 申請號: 202010816520.5
• 申請日: 2020-08-14
• 公開（公告）號: CN112383921B
• 公開（公告）日: 2022-08-05
• 發明（設計）人: 何蘇道;陳復揚;徐寧;王克杰;王子理
• 申請（專利權）人: 南京航空航天大學
• 主分類號: H04W12/121
• 分類號: H04W12/121;H04W24/02;H04W24/06;H04W84/18
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 曹坤

1.一種基于異構分布式光纖傳感器的在線外部入侵監測方法，其特征在于，包括如下步驟：

步驟(1.1)、設計一個分布式半分享集成監測網絡；通過局部分類器對分布式半分享集成監測網絡中各個傳感器節點i的信號進行實時分類，獲得局部分類結果；

其中，設計分布式半分享集成監測網絡的具體操作步驟如下：

(1.1.1)、利用傳感器節點i的離線數據集X_i，基于深度孤立森林設計局部分類器；

(1.1.2)、基于權值半分享策略對局部分類器進行集成；

步驟(1.2)、基于結合深度自編碼器和孤立森林的深度孤立森林算法構建局部分類器，刻畫各個傳感器節點i的局部特性；

所述基于深度孤立森林算法所設計的局部分類器具體包含如下步驟：

(1.2.1)、基于傳感器節點i的離線數據集X_i，設計j_max層的深度自編碼器；

(1.2.2)、基于j_max層深度自編碼器的編碼輸出訓練孤立森林Φ_i；

其中，所述深度自編碼器的具體操作步驟包括如下：

輸入：傳感器節點i的離線數據集X_i；深度自編碼器的最大深度j_max層；

(1.2.1.1)、初始化參數：設深度自編碼器逐層訓練過程中的實時層數j＝1，深度自編碼器第一層的輸入I_i,1＝X_i；

(1.2.1.2)、基于l₂范式構造第j層深度自編碼器的損失函數：

min‖I_i,j-D_j(E_j(I_i,j))‖₂ (1)

其中，D_j表示第j層深度自編碼器的解碼權重，E_j表示第j層深度自編碼器的編碼權重，I_i,j表示第j層深度自編碼器的輸入；

(1.2.1.3)、基于Adam算法優化公式(1)；

(1.2.1.4)、計算下一層的輸入I_i,j+1：

I_i,j+1＝E_j(I_i,j) (2)

(1.2.1.5)、j＝j+1；

(1.2.1.6)、當j≤j_max時，重復執行步驟(1.2.1.2)-(1.2.1.5)；當jj_max時，執行步驟(1.2.1.7)；

(1.2.1.7)、基于l₂范式構造深度自編碼器全局損失函數：

(1.2.1.8)、基于Adam算法優化公式(3)，得到最優編碼權重

(1.2.1.9)、根據(1.2.1.8)中所得到的最優編碼權重，計算深度自編碼器的編碼輸出

所述孤立森林Φ_i的具體操作步驟包括如下：

離線訓練：

輸入：傳感器節點i的編碼輸出孤立森林Φ_i深度n_estimator；最大樣本數量m_s；

(1.2.2.1)、從編碼樣本集中隨機取出m_s個樣本訓練一個二叉樹，

(1.2.2.2)、重復步驟(1.2.2.1)直到二叉樹數量達到n_estimator；

輸出：孤立森林模型Φ_i；

在線分類：

輸入：實時樣本x(i,t)的編碼值

(1.2.2.3)、對于孤立森林Φ_i中的每一個二叉樹，計算編碼值達到葉子節點所需要經過的路徑長度

(1.2.2.4)、計算異常分數

其中，表示的平均值；c(n_estimator)表示一個標準化常數，通過計算；其中H(x)表示一個調和數，通過ln(x)+0.5772156649得出；

(1.2.2.5)、設定閾值T_c則孤立森林的輸出表示：

輸出：二值化的異常分類結果c_i,t；

步驟(1.3)、引入權值半分享策略簡化分布式半分享集成監測網絡的結構，并設計并行式計算框架；

其中，所設計的權值半分享策略通過在傳感器節點間共享深度自編碼器的權重以簡化模型參數，并行式計算框架利用多線程分配二叉樹的計算任務到各個CPU或GPU，包括如下步驟：

離線訓練：

輸入：各個傳感器節點i的離線數據集X_i；深度自編碼器的最大深度j_max；孤立森林Φ_i深度n_estimator；最大樣本數量m_s；

(1.3.1)、步驟(1.2.1)中基于離線數據集X_i訓練一個深度自編碼器；

(1.3.2)、利用所獲得的深度自編碼器對離線數據集X_i進行編碼得到離線數據集的編碼集

(1.3.3)、分配每個CPU或GPU所需要訓練的局部分類器數量，并基于離線數據集的編碼集訓練得到各個傳感器節點i的局部孤立森林Φ_i；

在線預測：

(1.3.4)、基于batch-testing方法對批量實時樣本x(i,t)進行編碼，得到編碼值

(1.3.5)、根據(1.3.3)中的計算資源分配，計算編碼值所對應的局部分類結果c_i,t；

步驟(1.4)、基于貝葉斯推理設計全局監測器，結合空間滑動窗口判斷監測區域是否存在入侵及存在入侵時入侵的位置；

其中，基于貝葉斯推理設計全局監測器包括如下步驟：

輸入：空間滑動窗口長度w_s；先驗概率其中N和分別表示正常狀態和入侵狀態；

(1.4.1)、集成局部分類表達Z(i,t):

(1.4.2)、計算入侵狀態的后驗概率

其中，通過下式得到：

其中，表示對應傳感器節點的分類性能評價指標；在有正負樣本的測試中表示敏感度和召回率，在僅有負樣本的條件下用準確率及1-準確率代替；所述P(z∈Z(i,t))通過全概率公式得到：

其中，和P(z∈Z(i,t)|N)通過式(9)及其變體得到；

(1.4.3)、設定閾值T_P；當后驗概率大于T_P時，則存在入侵，入侵地點為(i+w_s-1)/2；否則為正常狀態。