[發明專利]基于貝塞爾曲線更新的節點行為監測時長自適應調整方法

有效

• 申請號: 202011298883.0
• 申請日: 2020-11-18
• 公開（公告）號: CN112469072B
• 公開（公告）日: 2022-05-03
• 發明（設計）人: 楊柳;張平;施學鴻;姜法勇;程琪
• 申請（專利權）人: 重慶郵電大學
• 主分類號: H04W24/08
• 分類號: H04W24/08;H04W84/18
• 代理公司: 重慶輝騰律師事務所 50215
• 代理人: 王海軍

1.一種基于貝塞爾曲線更新的節點行為監測時長自適應調整方法，其特征在于，包括：

S1：獲取傳感網中各個節點的數據傳輸行為特征，根據各個節點的數據傳輸行為特征構建標準事件模板B-Spline曲線；所述標準事件模板B-Spline曲線包括標準傳輸事件模板B-Spline曲線和標準惡意傳輸事件模板B-Spline曲線；

S11：將傳感網絡中的任意節點與該節點的鄰近節點交互，并對交互的節點進行合作標記處理；標記節點主動向被標記節點發起數據傳輸請求，學習被標記點的數據傳輸行為；

S12：將數據傳輸行為的平均時延和數據丟包率分別轉化為對應的模糊集合；

S13：根據模糊規則庫將對應的模糊集合轉換為二維特征輸出數據模糊集；

S14：采用TSK系統對二維特征輸出數據模糊集進行降維處理，得到一維特征輸出模糊集；

S15：根據一維特征輸出模糊集構建一維特征曲線；

S16：提取一維特征曲線的特征點，根據特征點構建標準事件模板B-Spline曲線；

S2：實時監聽各個傳感器節點傳輸數據的行為特征，根據行為特征構建節點傳輸事件模板B-Spline曲線；

S21：通過行為動態監測系統實時獲取各個節點傳輸的行為數據；所述行為數據包括數據包的平均時延和丟包率；

S22：對節點傳輸的行為數據進行互補中心化處理，得到奇異的Hermite矩陣H；構建奇異的Hermite矩陣H：

其中，C_xx表示樣本集X內的協方差，C_xy表示X和Y集合間的協方差，C_yy表示樣本集Y內的協方差；

S23：對矩陣H進行SVD分解，得到節點平均時延典型基u和節點丟包率典型基v；通過對矩陣H的SVD分解求出基本樣本集X，Y的典型基u、v，u為節點平均時延典型基，v為節點丟包率典型基

u、v的具體求解如下：

其中，H表示Hermie矩陣，γ表示奇異值；

S24：根據節點平均時延典型基u和節點丟包率典型基v求出樣本集的投影向量矩陣ω_x、ω_y；

S25：將樣本集的投影向量矩陣與樣本集的樣本數據相乘得到典型變量和計算樣本集的投影向量矩陣的公式為：

S26：將典型變量和進行加權融合，得到單一特征的節點行為數據；

S27：根據單一特征的節點行為數據構建節點傳輸事件模板B-Spline曲線；S3：對實時監聽的行為特征進行動態漂移檢測，根據漂移檢測結果對標準事件模板B-Spline曲線進行補償更新；采用更新后的標準事件模板B-Spline曲線和節點傳輸事件模板B-Spline曲線對節點進行惡意檢測，確定惡意等級；

S31：對實時監聽的行為特征進行標記，得到標記數據集D；即對行為動態監測系統獲得的平均時延和數據丟包率數據流間隔時間τ進行標記，被標記的數據構成標記數據集D，再選取合適距離d將數據流分割為大小相同的數據塊d_i；

S32：采用動態漂移檢測方法對標記數據集D中的數據進行檢測；

S321：計算標記數據集D中數據塊d_i的質心P_i和數據塊中的標簽數據質心L_i；

S322：根據數據塊質心P_i和標簽數據質心L_i構成向量g_l,p，計算相鄰向量g_l,p和g_{l+1，p+1}的夾角θ；夾角θ的公式為：

其中，g_l，p表示標簽數據的質心和數據空間的質心相連的向量，||g_l，p||表示g_lp向量的模長，g_l+1，p+1表示下一個標簽數據的質心和下一個數據空間的質心相連的向量；

S323：隨機選取x_R與x_L為雙側置信區間，其中，d_i≤x_R-x_L≤2d_i；對于給定的信任概率a，x_R與x_L之間的數據x滿足P(x_R＜x＜x_L)≥1-a；

S324：根據雙側置信區間x_R、x_L以及信任概率a計算數據塊的均值為μ和方差σ²；根據均值和方差計算該數據塊的閾值上限u和閾值下限d；

閾值上限u為：

閾值下限d為：

其中，x_L、x_R表示x區間的邊界值，n表示樣本個數；

S325：若標記數據集D中的數據高于閾值上限，則認為數據發生了漂移；若低于閾值下限，則認為未發生漂移；

S33：根據動態漂移檢測結果，對標準事件模板B-Spline曲線進行漂移補償更新；

S331：根據節點發生漂移的數量進行初步分類；若節點發生漂移的數量大于預設數量值，則此漂移由信道行為所導致的；否則為節點的惡意行為導致的結果；

S332：采用間隔τ對標準傳輸事件模板B-Spline曲線進行離散化，同時將數據分成距離為d的數據塊d_i；

S333：求取標準傳輸事件模板d_i數據塊的質心q_i，計算標準事件模板數據塊的質心q_i和標簽數據質心L_i的歐式距離；

S334：去除歐式距離中的最大值與最小值，對剩余的歐式距離求平均值，得到曲線更新的偏移量；

S335：根據時間間隔τ計算對標準事件模板B-Spline曲線進行更新的起始位置；根據起始位置和偏移量對標準事件模板B-Spline曲線進行漂移補償；

S34：對節點傳輸事件模板B-Spline曲線進行線性變換，使節點傳輸事件模板B-Spline曲線的尺度大小與更新后的標準事件模板B-Spline曲線一致；

S35：計算節點傳輸事件模板B-Spline曲線與更新后的標準事件模板B-Spline曲線的Frechet距離；

計算Frechet距離的具體過程包括：在t時刻內，節點傳輸事件模板B-Spline曲線的上采樣點為A(α(t))，標準事件模板B-Spline曲線的上采樣點為B(α(t))；計算節點傳輸事件模板B-Spline曲線和標準事件模板B-Spline曲線的歐式距離為：d(A(α(t))，B(α(t)))；在每次采樣中t離散的遍歷區間為[0，1]；根據遍歷區間計算該采樣下的最大距離；其公式為：

其中，α(t)為概率函數，A(α(t))表示節點傳輸事件模板B-Spline曲線的上采樣點，B(α(t))表示標準事件模板B-Spline曲線的上采樣點；

S36：根據Frechet距離的大小確定節點的傳輸行為性質和節點的惡意等級；其中，距離越小，相似度越高；

S4：根據惡意檢測結果調整對該節點的監測時長。