CN103533571A - 基于投票策略的容错事件检测方法 - Google Patents

Abstract

本发明公开了一种基于投票策略的容错事件检测方法，包括顺序执行的如下步骤：（1）各个节点获取自身的检测数据；（2）基于直方图对检测数据进行容错处理；（3）基于属性的相关性对检测数据进行本地错误检测，区分出LF节点和初步的Normal节点；（4）对初步的Normal节点进行本地事件决策，区分出LE节点和Normal节点；（5）对LF节点和LE节点，计算其邻居节点的可信度；（6）基于可信度和距离权重投票，判断节点为Event节点或Normal节点。本发明提供的基于投票策略的容错事件检测方法，具有较高的事件检测率和错误修正率，具有较低的事件误报率和错误引入率，并具有较少的能力消耗。

Description

基于投票策略的容错事件检测方法

技术领域

本发明涉及一种无线传感器网络中容错事件检测方法，尤其涉及一种基于投票策略的容错事件检测（Fault-tolerant Event Detection Algorithm based on Voting，简称FEDAV）方法。

背景技术

无线传感器网络（Wireless Sensor Networks，简称WSN）是由一组传感器节点构成的无线自组织网络，用来实时地采集各种被监控对象的数据和信息，加以分析处理，将检测结果提供给网络的使用者。

WSN中的事件检测，就是指检测出事件发生的区域或边界。对于具有特定特征的事件（例如，森林火灾发生时，局部区域的高温，干燥等），当这类事件发生时，相应传感器的采样值会偏离正常情况的采样值。因此，若传感器的采样值达到一个事件阈值时，可以认为传感器的监测区域发生了事件，称为事件区域；否则，认为该区域无事件发生，称之为正常区域。

但是，恶劣的环境和传感器本身的不可靠性，往往导致传感器产生错误数据或噪声数据，从而影响整个网络对事件区域的检测。因此事件检测必须考虑容错处理，即在节点发生错误时，或在噪声数据的干扰下的，事件检测算法仍具有较好的检测性能。因为环境因素造成的事件或异常行为是空间相关的，而节点的故障或噪声数据则是随机不相关的，所以现有的事件检测算法的容错处理，大多依赖于传感数据的空间相关性，通过邻居节点之间交换数据进行容错，如基于Bayesian理论的容错，基于移动中位数的容错，基于移动均值的容错，基于投票的容错算法等。

基于Bayesian的容错算法（Krishnamachari B,Iyengar S.Distributed OTDS Algorithms forFault-Tolerant Event Region Detection in Wireless Sensor Networks[J].IEEE Trans,Computers,2004,53(3):241-250）是一种经典的容错算法，虽然具有较好的容错性能，但仅仅依据和自己事件判决结果一致的邻居个数是否达到半数，或者后验概率的大小来修正自己的事件决策结果，检测准确度不高，因为在空间冗余信息不足时，如对于事件边界处的节点，容错性能较差。而基于投票策略的容错算法（Chen J,Kher S,Somani A.Distributed Fault Detection ofWireless Sensor Networks[C].Proc of the2006Workshop on Dependability Issues in Wireless Ad HocNetworks and Sensor Networks,2006:65-71）未考虑邻居节点之间的距离因素，而不同远近的邻居节点对中心节点的容错作用是不同的。

基于空间相关性的容错处理具有很好的容错性能，但往往需要节点间频繁交换数据，能量消耗很大。而且，如果检测的数据本身包含错误，基于本地事件决策和邻居协作处理，会产生错误的检测结果。还应看到，在无线传感器网路中，每个节点具有不同的工作状态和可靠性，因此，在投票处理中，各邻居节点的投票权重也应不同。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明从节点自身数据的时间相关性出发，考虑节点内的容错处理，采用基于直方图和属性相关性的容错处理；在此基础上，基于节点间数据的空间相关性，给出一种基于投票策略的容错事件检测算法，具有事件检测效果好、容错处理效果好、且能量消耗低等优点。

技术方案：为实现上述目的，本发明采用的技术方案为：

基于投票策略的容错事件检测方法，定义节点的状态如下：

Normal：表示节点S_local的监测区域内无事件发生，节点S_local未出现故障和错误；

LF：表示节点S_local可能出现故障或错误数据，用于节点S_local的本地事件判定中；

LE：表示节点S_local监测区域内可能出现事件，用于节点S_local的本地事件判定中；

Event：表示节点S_local监测区域内出现事件，用于节点S_local投票决策中；

Fault：表示节点S_local出现故障事件，且不能纠正，用于节点S_local投票决策中；

包括顺序执行的如下步骤：

（1）各个节点获取自身的检测数据；

（2）基于直方图对检测数据进行容错处理；

（3）基于属性的相关性对检测数据进行本地错误检测，区分出LF节点和初步的Normal节点；

（4）对初步的Normal节点进行本地事件决策，区分出LE节点和Normal节点；

（5）对LF节点和LE节点，计算其邻居节点的可信度；

（6）基于可信度和距离权重投票，判断节点为Event节点或Normal节点。

具体的，所述步骤（2）中，基于直方图对检测数据进行容错处理时，数据中心的获取方法如下：

（21）对于数据x₁,x₂,…,x_n，根据各数据生成直方图结构，得到k个分组g₁,g₂,…,g_i,…,g_k；

（22）定义第i个分组的大小|g_i|为第i个分组中包含的数据的个数，根据各个分组的大小由大到小排列得到g_k',…,g_i',…,g₂',g₁'；

（23）给定一个均值数据覆盖度m₀，由大到小累积各组数据，直到组g_r'满足下式：

$\frac{\underset{i=r}{\overset{k}{\mathrm{\Σ}}}{g}_i^{\′}}{\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{g}_i^{\′}}\≥m_0$

m₀取值与数据的信噪比有关，信噪比越小，m₀取值越小，以过滤更多的噪声数据；若噪声数据的产生概率为p，则m₀应小于1-p；

（24）以组g_r',…,g_k'包含的数据，计算数据中心

$p=\underset{i=r}{\overset{k}{\mathrm{\Σ}}}\left|g_i^{\′}\right|$

${\stackrel{\‾}{x}}_h=\frac{1}{p}\mathrm{\Σ}{x}_j$

此处

i=r,r+1,…,k。

节点错误数据与噪声数据是小概率事件。本方法过滤掉小概率数据，既减少了噪声数据的影响，又在计算中考虑了更多的正常数据。

具体的，所述步骤（3）中，基于属性的相关性对检测数据进行本地错误检测，区分出LF节点和初步的Normal节点，具体方法为：记节点的两个强相关属性X和Y的初始相关性为R₀(X,Y)，实时相关性为R(X,Y)，对于一个相关性偏离度阈值ξ，若属性相关性的变化程度满足下式：

$\left|\frac{R(X,Y)-R_0(X,Y)}{R_0(X,Y)}\right|<\mathrm{\&xi;}$

则认为X和Y的相关性没有变化，节点为初步的Normal节点；否则，认为X和Y的相关性发生了变化，节点为Event节点。

设E(X)、E(Y)分别为两个属性X和Y的期望值，D(X)、D(Y)为属性X和Y的方差，X和Y的线性相关性定义如下：

$R(X,Y)=\frac{E\left\{\right[X-E\left(X\right)\left]\right[Y-E\left(Y\right)\left]\right\}}{\sqrt{D\left(X\right)}\sqrt{D\left(Y\right)}}$

对于节点数据，采用下式进行近似计算：

$R(X,Y)=\frac{\mathrm{\&Sigma;}(X-\stackrel{\&OverBar;}{X})(Y-\stackrel{\&OverBar;}{Y})}{\sqrt{\mathrm{\&Sigma;}{(X-\stackrel{\&OverBar;}{X})}^2\&times;\sqrt{\mathrm{\&Sigma;}{(Y-\stackrel{\&OverBar;}{Y})}^2}}}$

考虑到节点存储空间十分有限，采用累加方式计算X和Y的相关性：

$R(X,Y)=\frac{\mathrm{\&Sigma;XY}-\frac{\mathrm{\&Sigma;X\&Sigma;Y}}{n}}{\sqrt{{\mathrm{\&Sigma;X}}^2-\frac{{\left(\mathrm{\&Sigma;X}\right)}^2}{n}}\&times;\sqrt{\mathrm{\&Sigma;}{Y}^2-\frac{{\left(\mathrm{\&Sigma;Y}\right)}^2}{n}}}$

具体的，所述步骤（4）中，对初步的Normal节点进行本地事件决策，区分出LE节点和Normal节点，具体方法为：

设属性X在正常情况下的平均取值为M_n，在事件发生时的平均取值为M_e，M_e>M_n，定义事件发生的阈值x_th为：

$x_{\mathrm{th}}=\frac{1}{2}(M_n+M_e)$

对于属性X的实时取值x_i，事件发生的二元判断规则为：

$B_e=\left\{\begin{array}{cc}1& x_i>x_{\mathrm{th}}\\ 0& x_i\&le;x_{\mathrm{th}}\end{array}\right.$

其中，B_e=1表示节点为LE节点，B_e=0表示节点为Normal节点。

节点的可信度，代表节点当前决策的可信赖程度，反映了节点当前工作状态。节点可信度通过节点当前检测数据和历史检测数据的一致性来体现。具体的，所述步骤（5）中，节点的可信度C通过下式计算：

$C=1-\frac{|R-R_0|}{\left|R\right|+\left|R_0\right|}$

其中，R₀(X,Y)表示属性X和属性Y的初始相关性，R(X,Y)表示属性X和属性Y的实时相关性。C越靠近1，表明属性X和Y之间的相关性随着时间的流逝变化越小，该节点出现故障的概率越低，从而节点的可信度越高；反之，C越靠近0，节点可信度越低。

具体的，所述步骤（6）中，基于可信度和距离权重投票，判断节点为Event节点或Normal节点，具体方法为：

（61）定义S_local为当前节点，S_i为S_local的一跳邻居节点，则：

距离当前节点S_local较近的节点与它的状态较相似，投票权重也应该越大，因此采用反距离权重规则进行投票。节点S_i相对于节点S_local的反距离权重InvDistWeight_il为：

${\mathrm{InvDist}}_{\mathrm{il}}=\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}\mathrm{Dis}\tan \mathrm{ce}(S_i,S_{\mathrm{local}})-\mathrm{Dis}\tan \mathrm{ce}(S_i,S_{\mathrm{local}})$

${\mathrm{InvDistWeight}}_{\mathrm{il}}=\frac{{\mathrm{InvDist}}_{\mathrm{il}}}{\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{InvDist}}_{\mathrm{il}}}$

其中，Distance(S_i,S_local)是节点S_i和节点S_local之间坐标的欧几里得距离；

节点S_i对节点S_local的投票值V_i为：

V_i=C_i×InvDistWeight_il

其中，C表示节点的可信度；

（62）在当前节点S_local的所有一跳邻居节点S_i中，计算具有相同本地事件决策结果投票值之和，记所有本地决策为LE节点的投票值之和为V_e，所有本地决策为Normal节点的投票值之和为V_n，计算V_e和V_n之间的差异程度V_diff为：

$V_{\mathrm{diff}}=\frac{|V_e-V_n|}{|V_e+V_n|}$

（64）将V_diff和设定的事件边界阈值θ进行比较：

表1FEDAV算法投票处理判定规则

按照上表判断节点S_local的最终状态。

当节点S_local位于事件边界区域而导致邻居节点信息不足时，无法依赖邻居的投票纠正节点S_local的错误状态。对于这种情况，根据Tobler第一定律，距离不同的邻居节点与当前节点的相关性不同，因此采用基于反距离加权法的空间差值算法，通过邻居节点的数据估计节点S_local的检测值

其中，d_i为节点S_i到节点S_local之间的距离，p为距离的幂值；

然后以

作为节点S_local的实时取值，采用步骤（4）的方法进行本地事件决策，并将步骤（4）区分出的结果作为节点S_local的最终决策结果。

对于没有有效邻居节点投票的节点S_local（例如，节点S_local的所有邻居节点的本地事件决策结果均为LF），若经过投票处理的最终状态为未定状态，则设置节点S_local的状态为Fault。

有益效果：本发明提供的基于投票策略的容错事件检测方法，具有较高的事件检测率和错误修正率，具有较低的事件误报率和错误引入率，并具有较少的能力消耗。

附图说明

图1为本发明的流程图；

图2为本发明中节点状态转移图；

图3为英特尔伯克利实验室事件模拟场景，第一组数据源；

图4为1024个节点构成传感器网络中的事件模拟场景，第二组数据源；

图5为FEDAV、OTDS和SFEDA事件识别率的对比(采用第一组数据)；

图6为FEDAV、OTDS和SFEDA事件识别率的对比(采用第二组数据)；

图7为FEDAV、OTDS和SFEDA事件误报率的对比(采用第一组数据)；

图8为FEDAV、OTDS和SFEDA事件误报率的对比(采用第二组数据)；

图9为FEDAV、OTDS和SFEDA错误修正率的对比(采用第一组数据)；

图10为FEDAV、OTDS和SFEDA错误修正率的对比(采用第二组数据)；

图11为FEDAV、OTDS和SFEDA错误引入率的对比(采用第一组数据)；

图12为FEDAV、OTDS和SFEDA错误引入率的对比(采用第二组数据)；

图13为FEDAV、OTDS和SFEDA信息交换频率的对比(采用第一组数据)；

图14为FEDAV、OTDS和SFEDA信息交换频率的对比(采用第二组数据)。

具体实施方式

下面结合附图对本发明作更进一步的说明。

如图1、图2所示为一种基于投票策略的容错事件检测方法，定义节点的状态如下：

Normal：表示节点S_local的监测区域内无事件发生，节点S_local未出现故障和错误；

LF：表示节点S_local可能出现故障或错误数据，用于节点S_local的本地事件判定中；

LE：表示节点S_local监测区域内可能出现事件，用于节点S_local的本地事件判定中；

Event：表示节点S_local监测区域内出现事件，用于节点S_local投票决策中；

Fault：表示节点S_local出现故障事件，且不能纠正，用于节点S_local投票决策中；

包括顺序执行的如下步骤：

（1）各个节点获取自身的检测数据；

（2）基于直方图对检测数据进行容错处理；

（3）基于属性的相关性对检测数据进行本地错误检测，区分出LF节点和初步的Normal节点；

（4）对初步的Normal节点进行本地事件决策，区分出LE节点和Normal节点；

（5）对LF节点和LE节点，计算其邻居节点的可信度；

（6）基于可信度和距离权重投票，判断节点为Event节点或Normal节点。

具体的，所述步骤（2）中，基于直方图对检测数据进行容错处理时，数据中心的获取方法如下：

（21）对于数据x₁,x₂,…,x_n，根据各数据生成直方图结构，得到k个分组g₁,g₂,…,g_i,…,g_k；

（22）定义第i个分组的大小|g_i|为第i个分组中包含的数据的个数，根据各个分组的大小由大到小排列得到g_k',…,g_i',…,g₂',g₁'；

（23）给定一个均值数据覆盖度m₀，由大到小累积各组数据，直到组g_r'满足下式：

$\frac{\underset{i=r}{\overset{k}{\mathrm{\&Sigma;}}}{g}_i^{\&prime;}}{\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{g}_i^{\&prime;}}\&GreaterEqual;m_0$

m₀取值与数据的信噪比有关，信噪比越小，m₀取值越小，以过滤更多的噪声数据；若噪声数据的产生概率为p，则m₀应小于1-p；

（24）以组g_r',…,g_k'包含的数据，计算数据中心

$p=\underset{i=r}{\overset{k}{\mathrm{\&Sigma;}}}\left|g_i^{\&prime;}\right|$

${\stackrel{\&OverBar;}{x}}_h=\frac{1}{p}\mathrm{\&Sigma;}{x}_j$

此处i=r,r+1,…,k。

节点错误数据与噪声数据是小概率事件。本方法过滤掉小概率数据，既减少了噪声数据的影响，又在计算中考虑了更多的正常数据。

具体的，所述步骤（3）中，基于属性的相关性对检测数据进行本地错误检测，区分出LF节点和初步的Normal节点，具体方法为：记节点的两个强相关属性X和Y的初始相关性为R₀(X,Y)，实时相关性为R(X,Y)，对于一个相关性偏离度阈值ξ，若属性相关性的变化程度满足下式：

$\left|\frac{R(X,Y)-R_0(X,Y)}{R_0(X,Y)}\right|<\mathrm{\&xi;}$

则认为X和Y的相关性没有变化，节点为初步的Normal节点；否则，认为X和Y的相关性发生了变化，节点为Event节点。

设E(X)、E(Y)分别为两个属性X和Y的期望值，D(X)、D(Y)为属性X和Y的方差，X和Y的线性相关性定义如下：

$R(X,Y)=\frac{E\left\{\right[X-E\left(X\right)\left]\right[Y-E\left(Y\right)\left]\right\}}{\sqrt{D\left(X\right)}\sqrt{D\left(Y\right)}}$

对于节点数据，采用下式进行近似计算：

$R(X,Y)=\frac{\mathrm{\&Sigma;}(X-\stackrel{\&OverBar;}{X})(Y-\stackrel{\&OverBar;}{Y})}{\sqrt{\mathrm{\&Sigma;}{(X-\stackrel{\&OverBar;}{X})}^2\&times;\sqrt{\mathrm{\&Sigma;}{(Y-\stackrel{\&OverBar;}{Y})}^2}}}$

考虑到节点存储空间十分有限，采用累加方式计算X和Y的相关性：

$R(X,Y)=\frac{\mathrm{\&Sigma;XY}-\frac{\mathrm{\&Sigma;X\&Sigma;Y}}{n}}{\sqrt{{\mathrm{\&Sigma;X}}^2-\frac{{\left(\mathrm{\&Sigma;X}\right)}^2}{n}}\&times;\sqrt{\mathrm{\&Sigma;}{Y}^2-\frac{{\left(\mathrm{\&Sigma;Y}\right)}^2}{n}}}$

具体的，所述步骤（4）中，对初步的Normal节点进行本地事件决策，区分出LE节点和Normal节点，具体方法为：

设属性X在正常情况下的平均取值为M_n，在事件发生时的平均取值为M_e，M_e>M_n，定义事件发生的阈值x_th为：

$x_{\mathrm{th}}=\frac{1}{2}(M_n+M_e)$

对于属性X的实时取值x_i，事件发生的二元判断规则为：

$B_e=\left\{\begin{array}{cc}1& x_i>x_{\mathrm{th}}\\ 0& x_i\&le;x_{\mathrm{th}}\end{array}\right.$

其中，B_e=1表示节点为LE节点，B_e=0表示节点为Normal节点。

节点的可信度，代表节点当前决策的可信赖程度，反映了节点当前工作状态。节点可信度通过节点当前检测数据和历史检测数据的一致性来体现。具体的，所述步骤（5）中，节点的可信度C通过下式计算：

$C=1-\frac{|R-R_0|}{\left|R\right|+\left|R_0\right|}$

其中，R₀(X,Y)表示属性X和属性Y的初始相关性，R(X,Y)表示属性X和属性Y的实时相关性。C越靠近1，表明属性X和Y之间的相关性随着时间的流逝变化越小，该节点出现故障的概率越低，从而节点的可信度越高；反之，C越靠近0，节点可信度越低。

具体的，所述步骤（6）中，基于可信度和距离权重投票，判断节点为Event节点或Normal节点，具体方法为：

（61）定义S_local为当前节点，S_i为S_local的一跳邻居节点，则：

距离当前节点S_local较近的节点与它的状态较相似，投票权重也应该越大，因此采用反距离权重规则进行投票。节点S_i相对于节点S_local的反距离权重InvDistWeight_il为：

${\mathrm{InvDist}}_{\mathrm{il}}=\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}\mathrm{Dis}\tan \mathrm{ce}(S_i,S_{\mathrm{local}})-\mathrm{Dis}\tan \mathrm{ce}(S_i,S_{\mathrm{local}})$

${\mathrm{InvDistWeight}}_{\mathrm{il}}=\frac{{\mathrm{InvDist}}_{\mathrm{il}}}{\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{InvDist}}_{\mathrm{il}}}$

其中，Distance(S_i,S_local)是节点S_i和节点S_local之间坐标的欧几里得距离；

节点S_i对节点S_local的投票值V_i为：

V_i=C_i×InvDistWeight_il

其中，C表示节点的可信度；

（62）在当前节点S_local的所有一跳邻居节点S_i中，计算具有相同本地事件决策结果投票值之和，记所有本地决策为LE节点的投票值之和为V_e，所有本地决策为Normal节点的投票值之和为V_n，计算V_e和V_n之间的差异程度V_diff为：

$V_{\mathrm{diff}}=\frac{|V_e-V_n|}{|V_e+V_n|}$

（64）将V_diff和设定的事件边界阈值θ进行比较，按照表1判断节点S_local的最终状态。

当节点S_local位于事件边界区域而导致邻居节点信息不足时，无法依赖邻居的投票纠正节点S_local的错误状态。对于这种情况，根据Tobler第一定律，距离不同的邻居节点与当前节点的相关性不同，因此采用基于反距离加权法的空间差值算法，通过邻居节点的数据估计节点S_local的检测值

其中，d_i为节点S_i到节点S_local之间的距离，p为距离的幂值；

然后以

作为节点S_local的实时取值，采用步骤（4）的方法进行本地事件决策，并将步骤（4）区分出的结果作为节点S_local的最终决策结果。

对于没有有效邻居节点投票的节点S_local（例如，节点S_local的所有邻居节点的本地事件决策结果均为LF），若经过投票处理的最终状态为未定状态，则设置节点S_local的状态为Fault。

下面结合实验对本发明作出进一步的说明。

实验采用了两组数据来对算法进行仿真分析。第一组，我们采用英特尔伯克利实验室的提供的真实的无线传感器网络数据；这些真实节点数据具有很好的时空相关性，部分物理量之间具有强相关性，可基本体现算法的检测效果。但是，因为该实验室部署的传感器节点仅有54个，而实际应用中，WSN的部署密度很大。为此，我们采用第二组数据，模拟了1024个节点构成的传感器网络，以更好的体现算法的性能情况。

第一组数据是由部署在英特尔伯克利实验室内的54个节点产生的，实验室的大小为42m×32m，节点数据采集的间隔为31秒，采集的物理量包括温度、相对湿度、光照、节点电压。物理量中的温度和相对湿度之间存在较强的线性相关性，因此，可据此进行属性相关性的分析。

模拟中，我们采用某一天的正常数据来处理，噪声数据和事件数据采用合成的方式加入。噪声数据和错误数据的发生概率假设符合标准正态分布。事件数据，通过模拟在某一点A(x,y)产生一个事件，以该点为中心，以R为半径的圆内，为事件区域，该区域内的检测数据明显高于其他区域。模拟事件发生的场景如图3所示，其中，节点1为事件发生的中心位置，用曲线线围绕出的区域为事件区域。

第二组数据，我们模拟了1024个节点构成的传感器网络，分布在32×32的空间范围内。采用一个时空关联模型，生成模拟数据。每个节点产生的数据包括两个属性，他们具有强线性相关性。噪声数据和事件数据的模拟方式同第一组数据。图4为一个事件发生的模拟场景，其中*表示节点错误，表示节点正常，+表示节点事件发生。

实验采用FEDAV、OTDS（Optimal Threshold Decision Scheme，最优阈值判决方法）和SFEDA（Spatio-temporal based Fault-tolerant Event Detection Algorithm，基于时空相关性的容错事件检测算法）三种检测方法对上述两组数据进行容错事件检测，结果如图5～14所示。

图5、图6显示了在节点错误概率发生变化时，FEDAV、OTDS和SFEDA算法的事件识别率的对比情况。由图可知，在节点错误率较低时，三种算法的事件识别率差别不大。但随着错误率的增加，OTDS和SFEDA算法的事件识别性能下降很快；而FEDAV算法的检测性能比较稳定。这是因为随着错误率的增加，采用OTDS和SFEDA算法，在事件的边界区域到事件区域内部，越来越多的节点不能满足半数投票的条件，从而不能有效识别出事件的发生。

而FEDAV算法采用了基于属性相关性的容错，可将错误节点从正常节点和事件节点中区分出来，不参与对其他节点的投票，从而避免错误节点对投票的影响；再者，在投票时，考虑了节点决策的可信度，使投票结果真实反映节点的工作状态；最后，在事件边界区域，FEDAV算法主要依赖于可靠节点的本地决策，不依赖于投票处理，所以整体上，FEDAV算法的事件检测性能比较稳定。正因为SFEDA算法也不完全依赖于多数投票，所以事件识别率略微优于OTDS算法。

图6中，曲线的变化比较平缓，说明随着节点部署密度的增大，空间节点的冗余信息增多，三种算法的事件检测性能都变得比较稳定，但可以看出，FEDAV算法的事件检测率仍明显优于OTDS和SFEDA算法。

图7、图8显示了在节点错误概率发生变化时，FEDAV、OTDS和SFEDA算法的事件误报率的对比情况，图7采用第一组数据，而图8采用第二组数据实现。在事件区域内，节点的决策满足多数投票机制的条件，可有效识别出事件节点，误报率很小，因此，三种算法的误报率都比较低。

但在事件边界区域，OTDS和SFEDA算法采用多数投票策略，容易出现决策的歧义性，因为正常节点和事件节点的投票值相差不大，不满足多数投票表决的条件。而FEDAV算法不采用多数投票表决，对可信度较高的当前节点，依赖自身的判断结果；对于已经处于错误状态的边界节点，依据邻居节点的数据估计测量值，再进行事件检测。这样，就减少了误判的发生，降低了误报率。

图9和图10显示了在节点错误概率发生变化时，FEDAV、OTDS和SFEDA算法错误修正率的对比。可以看出，对于错误修正率，FEDAV算法的错误修正率比较稳定，即使错误率增加时，仍保持了较好的容错性能。这是由于基于属性相关性的容错处理，减少了错误节点的影响；并且投票过程中，考虑了节点决策的可信度，这样，在投票中，由多数可信度高的节点决定投票的结果，可正确检测出节点错误并进行纠错。而OTDS和SFEDA算法仅根据多数投票节点的状态来确定当前节点的状态，容错性能存在不足，随着错误率的增加，更多的邻居节点出现错误，从而由错误的节点决定了当前节点的决策结果，导致不能修复本地决策的错误。

图10加强了FEDAV算法和OTDS、SFEDA算法的性能对比结果，也说明了增加节点的部署密度，可以使算法的容错性能变得稳定。

错误引入率即算法引入的新的错误，图11和图12是FEDAV算法和OTDS、SFEDA算法的错误引入率的对比。

对于基于投票策略的算法，新错误的引入主要发生在事件边界区域，因为空间冗余信息不足，不满足多数投票机制。而FEDAV算法在事件边界区域，不采用投票处理：如果节点状态可信，没有发生错误，则以节点的本地事件决策状态作为最终检测结果；如果节点状态为LF，则通过邻居数据计算的估计值来进行本地决策。这样，就可避免引入新的错误。

而OTDS算法，在整个网络内，采用投票策略，因此错误引入率较高。而SFEDA算法仅在检测数据明显变化时，采用投票处理；其他情况下，依赖于节点的本地决策，所以错误引入率低于OTDS算法。

图11中，在节点错误概率较低时，错误引入率也很高，是因为第一组数据，节点密度较小，因此空间冗余信息不足，此时的错误引入率并非是由节点错误造成的，而是因为对事件边界节点的投票结果，存在歧义性，容易产生新的错误。而图12的节点密度较大，体现了实际应用中的工作状态，因此，错误引入率符合理论值。

由于传感器节点计算所消耗的能量要远小于通信消耗的能量，因此，我们用节点的通信量表示节点的能量消耗。考虑到FEDAV、SFEDA和OTDS算法都基于节点决策结果的空间投票机制，节点间交换的数据多为决策数据，因此，为便于分析，我们采用信息交换次数来表示算法的能量消耗，每次信息交换包括向一个邻居节点发送请求信息和接受该邻居节点的反馈信息。进而，我们定义信息交换频率，是通过算法的信息交换次数，被OTDS算法的信息交换次数所除得到。

图13、图14分别给出了采用两组数据时，FEDAV、SFEDA和OTDS算法的能量消耗对比情况。由图可以看出，OTDS算法的能量消耗最高，因为无论节点是正常状态还是异常状态，都需要邻居节点的投票决策，因此，节点间需频繁交换数据，能量消耗很大。而SFEDA算法仅在数据发生明显变化时，才进行投票处理，因此，能量消耗较小，而且其信息交换的频率和数据发生明显变化的概率有关。

而FEDAV算法因为仅在节点事件和节点错误的时候，才需要节点协作处理，因此信息交换频率较小。但随着节点错误率的上升，节点协作的次数增多，故而信息交换频率也升高。由图，当节点错误概率较低时，FEDAV算法的能量消耗较小；而节点错误概率较高时，SFEDA算法的能耗较小。

经过上面的实验，可以得出FEDAV算法在事件检测效果、容错处理效果和能量消耗三方面都明显优于OTDS算法和SFEDA算法，这也验证了参照算法的分析结果。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.基于投票策略的容错事件检测方法，其特征在于：

定义节点的状态如下：

Normal：表示节点S_local的监测区域内无事件发生，节点S_local未出现故障和错误；

LF：表示节点S_local可能出现故障或错误数据，用于节点S_local的本地事件判定中；

LE：表示节点S_local监测区域内可能出现事件，用于节点S_local的本地事件判定中；

Event：表示节点S_local监测区域内出现事件，用于节点S_local投票决策中；

Fault：表示节点S_local出现故障事件，且不能纠正，用于节点S_local投票决策中；

包括顺序执行的如下步骤：

（1）各个节点获取自身的检测数据；

（2）基于直方图对检测数据进行容错处理；

（3）基于属性的相关性对检测数据进行本地错误检测，区分出LF节点和初步的Normal节点；

（4）对初步的Normal节点进行本地事件决策，区分出LE节点和Normal节点；

（5）对LF节点和LE节点，计算其邻居节点的可信度；

（6）基于可信度和距离权重投票，判断节点为Event节点或Normal节点。

2.根据权利要求1所述的基于投票策略的容错事件检测方法，其特征在于：所述步骤（2）中，基于直方图对检测数据进行容错处理时，数据中心的获取方法如下：

（21）对于数据x₁,x₂,…,x_n，根据各数据生成直方图结构，得到k个分组g₁,g₂,…,g_i,…,g_k；

（22）定义第i个分组的大小|g_i|为第i个分组中包含的数据的个数，根据各个分组的大小由大到小排列得到g_k',…,g_i',…,g₂',g₁'；

（23）给定一个均值数据覆盖度m₀，由大到小累积各组数据，直到组g_r'满足下式：

$\frac{\underset{i=r}{\overset{k}{\mathrm{\&Sigma;}}}{g}_i^{\&prime;}}{\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{g}_i^{\&prime;}}\&GreaterEqual;m_0$

（24）以组g_r',…,g_k'包含的数据，计算数据中心

$p=\underset{i=r}{\overset{k}{\mathrm{\&Sigma;}}}\left|g_i^{\&prime;}\right|$

${\stackrel{\&OverBar;}{x}}_h=\frac{1}{p}\mathrm{\&Sigma;}{x}_j$

此处

i=r,r+1,",k。

3.根据权利要求1所述的基于投票策略的容错事件检测方法，其特征在于：所述步骤（3）中，基于属性的相关性对检测数据进行本地错误检测，区分出LF节点和初步的Normal节点，具体方法为：记节点的两个强相关属性X和Y的初始相关性为R₀(X,Y)，实时相关性为R(X,Y)，对于一个相关性偏离度阈值ξ，若属性相关性的变化程度满足下式：

$\left|\frac{R(X,Y)-R_0(X,Y)}{R_0(X,Y)}\right|<\mathrm{\&xi;}$

则认为X和Y的相关性没有变化，节点为初步的Normal节点；否则，认为X和Y的相关性发生了变化，节点为Event节点。

4.根据权利要求1所述的基于投票策略的容错事件检测方法，其特征在于：所述步骤（4）中，对初步的Normal节点进行本地事件决策，区分出LE节点和Normal节点，具体方法为：

设属性X在正常情况下的平均取值为M_n，在事件发生时的平均取值为M_e，M_e>M_n，定义事件发生的阈值x_th为：

$x_{\mathrm{th}}=\frac{1}{2}(M_n+M_e)$

对于属性X的实时取值x_i，事件发生的二元判断规则为：

$B_e=\left\{\begin{array}{cc}1& x_i>x_{\mathrm{th}}\\ 0& x_i\&le;x_{\mathrm{th}}\end{array}\right.$

其中，B_e=1表示节点为LE节点，B_e=0表示节点为Normal节点。

5.根据权利要求1所述的基于投票策略的容错事件检测方法，其特征在于：所述步骤（5）中，节点的可信度C通过下式计算：

$C=1-\frac{|R-R_0|}{\left|R\right|+\left|R_0\right|}$

其中，R₀(X,Y)表示属性X和属性Y的初始相关性，R(X,Y)表示属性X和属性Y的实时相关性。

6.根据权利要求1所述的基于投票策略的容错事件检测方法，其特征在于：所述步骤（6）中，基于可信度和距离权重投票，判断节点为Event节点或Normal节点，具体方法为：

（61）定义S_local为当前节点，S_i为S_local的一跳邻居节点，则：

节点S_i相对于节点S_local的反距离权重InvDistWei_ght_il为：

${\mathrm{InvDist}}_{\mathrm{il}}=\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}\mathrm{Dis}\tan \mathrm{ce}(S_i,S_{\mathrm{local}})-\mathrm{Dis}\tan \mathrm{ce}(S_i,S_{\mathrm{local}})$

${\mathrm{InvDistWeight}}_{\mathrm{il}}=\frac{{\mathrm{InvDist}}_{\mathrm{il}}}{\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{InvDist}}_{\mathrm{il}}}$

其中，Distance(S_i,S_local)是节点S_i和节点S_local之间坐标的欧几里得距离；

节点S_i对节点S_local的投票值V_i为：

V_i=C_i×InvDistWeight_il

其中，C表示节点的可信度；

（62）在当前节点S_local的所有一跳邻居节点S_i中，计算具有相同本地事件决策结果投票值之和，记所有本地决策为LE节点的投票值之和为V_e，所有本地决策为Normal节点的投票值之和为V_n，计算V_e和V_n之间的差异程度V_diff为：

$V_{\mathrm{diff}}=\frac{|V_e-V_n|}{|V_e+V_n|}$

（64）将V_diff和设定的事件边界阈值θ进行比较：

按照上表判断节点S_local的最终状态。

7.根据权利要求6所述的基于投票策略的容错事件检测方法，其特征在于：当节点S_local的邻居节点的冗余信息不足，无法依赖邻居的投票纠正节点S_local的错误状态时，首先通过邻居节点的数据估计节点S_local的检测值

其中，d_i为节点S_i到节点S_local之间的距离，p为距离的幂值；

然后以作为节点S_local的实时取值，采用步骤（4）的方法进行本地事件决策，并将步骤（4）区分出的结果作为节点S_local的最终决策结果。

8.根据权利要求7所述的基于投票策略的容错事件检测方法，其特征在于：对于没有有效邻居节点投票的节点S_local，若经过投票处理的最终状态为未定状态，则设置节点S_local的状态为Fault。

Images