CN108260155B - 一种基于时空相似度的无线传感网异常检测方法 - Google Patents

Abstract

本发明涉及一种基于时空相似度的无线传感网异常检测方法，包括：根据特征集抽取算法获取代表性特征属性集；将所述代表性特征属性集映射到二维可视空间并获取可视化数据；根据时间相似度对所述可视化数据进行时间相似度计算，获取时间相似度数据模型；对所述数据模型进行空间相似度计算以完成基于时空相似度的无线传感网异常检测。采用本发明的技术方案，实现了传感器网络中的异常检测，对于异常检测中的特征提取从而进行检测的方法，对于判断异常特征属性之间的联系进而得出有效的、准确率高的异常检测结果提出具体可行的方案，具有处理负责密集节点的异常检测能力，使得传感器网络在更加复杂的场景下更精确地工作。

Description

一种基于时空相似度的无线传感网异常检测方法

技术领域

本发明涉及传感网络诊断技术领域，尤其涉及一种基于时空相似度的无线传感网异常检测方法。

背景技术

传感器网络是大量静止或移动的传感器以自组织和多跳的方式构成的无线网络，其目的是协作地感知、采集、处理和传输网络覆盖地理地区内感知对象的检测信息，并报告给用户，为用户提供了分布式计算环境下远程监测和控制。传感网络的主要组成部分包括传感器节点(Sensor Node)和基站节点(Sink Node)，通常，传感器节点通过无线多跳自住址形式形成通信网络，将所采集的数据传回基站。每一个传感器节点由数据采集模块、数据处理和控制模块、通信模块和供电模块等组成。相比传统的传感网络，无线传感器网络更容易出现故障，所以在部署应用时需要投入很多精力处理与应用逻辑无关的故障管理，网络管理和异常检测是决定无线传感网络能否可靠运行的关键问题。

目前，无线传感网异常检测的方法有很多种，其中，有一种检测方法是首先获取与当前事件相关的数据集，然后用图模型抽象概括事件数据，将事件数据转换成事件数据快照图，最后获取基于结构关联度的图进而进行异常检测。还有一种方法是提出了基于特征选择的方法对无线传感网进行检测。

然而，上述利用图模型抽象概括事件数据的方法，缺点在于对于密集布置的传感器节点群的异常，会随着节点数量的增加而呈现出异常检测性能指数级下降的弊端；上述对于基于特征选择的方法对无线传感网进行检测的方法，对于如何判断异常特征之间的联系进而得出有效的、准确率高的异常检测结果没有提出具体可行的方案。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于时空相似度的无线传感网异常检测方法。本发明要解决的技术问题通过以下技术方案实现：

本发明实施例提供了一种基于时空相似度的无线传感网异常检测方法，其特征在于，包括：

根据特征集抽取算法获取代表性特征属性集；

将所述代表性特征属性集映射到二维可视空间并获取可视化数据；

根据时间相似度对所述可视化数据进行时间相似度计算，获取时间相似度数据模型；

对所述数据模型进行空间相似度计算以完成基于时空相似度的无线传感网异常检测。

在本发明的一个实施例中，根据特征集抽取算法获取代表性特征属性集，包括：

收集特征属性；

计算所述特征属性中各对特征属性的相关系数；

根据所述相关系数将所述特征属性进行排序；

根据排序后的特征属性选取所述代表性特征属性集。

在本发明的一个实施例中，将所述代表性特征属性集映射到二维可视空间并获取可视化数据，包括：

建立二维可视化坐标系；

计算所述代表性特征属性集在所述二维可视化坐标系中的坐标，以将所述代表性特征属性集映射到所述二维可视化坐标系；

在所述二维可视化坐标系中，选择所述代表性特征属性集集中度在第一阈值范围内对应的数据作为所述可视化数据。

在本发明的一个实施例中，所述二维可视坐标系为二维空间中的笛卡尔坐标系，所述笛卡尔坐标系包括以所述笛卡尔坐标系原点为圆心的单位圆。

在本发明的一个实施例中，所述单位圆上包括多个均匀分布的锚点，用于标识所述代表性特征属性集的维度数。

在本发明的一个实施例中，计算所述代表性特征属性集在所述二维可视化坐标系中的坐标，包括：

将所述代表性特征属性集的横纵坐标值各自相加以得到所述代表性特征属性集在所述二维可视化坐标系中的坐标。

在本发明的一个实施例中，所述数据模型包括所述可视化数据和所述可视化数据在相邻时间段内的对应数据。

在本发明的一个实施例中，对所述数据模型进行空间相似度计算，包括：

将计算结果与第二阈值进行比对，若计算结果在所述第二阈值范围内则判断对应的可视化数据为正常数据，反之，则为异常数据。

在本发明的一个实施例中，所述数据模型的空间相似度计算公式为：

其中，

为所述可视化数据在相邻时间Variable₁和Variable₂的空间相似度计算结果，n为维度，x_i和y_i为所述数据模型中的数据坐标。

与现有技术相比，本发明的有益效果：

1)本发明提供的检测方法不会随着节点数量的增加而呈现出异常检测性能指数级下降的弊端，复杂的传感器网络场景下能够更好的有效的工作；

2)本发明提供的检测方法在获取传感网络的监测数据后依次进行时间相关检测和空间相关检测，从而得出有效的、更加精确的网络异常检测结果。

附图说明

图1为本发明实施例提供的一种无线传感器网络异常检测方法的流程图；

图2为本发明实施例提供的一种无线传感器网络异常检测方法的***的流程图；

图3为本发明实施例提供的一种无线传感器网络异常检测方法***的架构示意图。

具体实施方式

下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。

实施例一

其参见图1，图1为本发明实施例提供的一种无线传感器网络异常检测方法的流程图。本发明的检测方法可以用于检测无线传感网络异常，具体地，该方法包括以下步骤

步骤1、根据特征集抽取算法获取代表性特征属性集；

步骤2、将所述代表性特征属性集映射到二维可视空间并获取可视化数据；

步骤3、根据时间相似度对所述可视化数据进行时间相似度计算，获取时间相似度数据模型；

步骤4、对所述数据模型进行空间相似度计算以完成基于时空相似度的无线传感网异常检测。

其中，对于步骤1，可以包括：

步骤11、收集特征属性；

步骤12、计算所述特征属性中各对特征属性的相关系数；

步骤13、根据所述相关系数将所述特征属性进行排序；

步骤14、根据排序后的特征属性选取所述代表性特征属性集。

其中，对于步骤2，可以包括：

步骤21、建立二维可视化坐标系；

步骤22、计算所述代表性特征属性集在所述二维可视化坐标系中的坐标，以将所述代表性特征属性集映射到所述二维可视化坐标系；

步骤23、在所述二维可视化坐标系中，选择所述代表性特征属性集集中度在第一阈值范围内对应的数据作为所述可视化数据。

进一步地，步骤21中的所述二维可视坐标系为二维空间中的笛卡尔坐标系，所述笛卡尔坐标系包括以所述笛卡尔坐标系原点为圆心的单位圆。

进一步地，步骤21中的所述二维可视坐标系中的所述单位圆上包括多个均匀分布的锚点，用于标识所述代表性特征属性集的维度数。

其中，对于步骤23，可以包括：

将所述代表性特征属性集的横纵坐标值各自相加以得到所述代表性特征属性集在所述二维可视化坐标系中的坐标。

进一步地，步骤3中的所述数据模型包括所述可视化数据和所述可视化数据在相邻时间段内的对应数据。

其中，对于步骤4，可以包括：

将计算结果与第二阈值进行比对，若计算结果在所述第二阈值范围内则判断对应的可视化数据为正常数据，反之，则为异常数据。

进一步地，步骤4中的所述数据模型的空间相似度计算公式为：

其中，

为所述可视化数据在相邻时间Variable₁和Variable₂的空间相似度计算结果，n为维度，x_i和y_i为所述数据模型中的数据坐标。

在本实施例中，采用特征选择的方法，获得代表性特征属性集，并且将多维度的代表性特征属性集通过算法，映射到二维可视空间，使得网络状态可以通过二维图形形象的描述。通过可视化图形对一些异常数据进行检测和分析。根据时间相关性特点，对数据集映射点进行相关距离相似度计算，通过映射点之间的相似度判别数据的异常情况，并通过数据异常，进一步分析网络***异常。

实施例二

请继续参见图2和图3，图2为本发明实施例提供的一种无线传感器网络异常检测方法的***的流程图；图3为本发明实施例提供的一种无线传感器网络异常检测方法***的架构示意图。本实施例在上述实施例的基础上，进一步的对该检测方法进行详细描述。

一种基于时空相似度的无线传感网异常检测方法，包括以下步骤：

步骤1、收集特征属性。

如图3所示，传感器网络感知的往往是多维的数据即数据集。实际中部署的传感器数据的维度可达30维以上，从传感器感知的度数(如温度、光照、湿度、辐射量、电量等)，到网络路由读数(如发送和接收的包数、出现回路的次数、数据包经过的路由跳数等)。无线传感网包括:感知信息的分布式无线传感器节点群，负责汇聚信息的汇聚网关和各种通信网络(Zigbb、GPRS、Internet等)，以及终端基站对网络状态的监测、数据的存储及应用,通过数据传输和存储，收集网络的状态参数，其中每一维收集到的状态参数(如感知的温度、湿度等，网络状态信息如收发状态)都对应一维特征属性，本实施例选取了其中的7维数据参数来体现网络运行状态，7维的数据参数如下表所示：

步骤2、计算特征属性中各对特征属性的相关系数。

假如两个特征属性f_i和f_j的值分别为x_i和y_i，则他们的相关系数可以表示为：

其中，cov(fi,fj)表示f_i和f_j的协方差，Df_i表示f_i的标准差，对于相关系数的估计为：

通过计算，获得各对特征属性的相关系数，

步骤3、根据相关系数将特征属性进行排序。

根据各特征属性的相关系数进行排序，设置一个阈值作为高相关性的定义。选取0.95为完全相关属性值的阈值，若两个属性相关系数大于等于0.95，则可以认为是其中一个是冗余信息；而相关系数在[0.75,0.95]之间的值则可以认为相关度相对较高，但是这时的数据是否冗余仍需进一步判断；相关系数小于0.75的，则两个特征属性相关度很小

其中，排序时需要遵循两条规则：

第一，对于特征属性fi，含有高相关系数数量多的特征属性排序更靠前。

第二，如果有两个及以上的特征属性具有数目相同的高相关系数值，特征属性的平均相关系数大的，排序更靠前。

步骤4、根据排序后的特征属性选取代表性特征属性集。

特征属性的排序完成后，需要选择那些能最大化反映有效信息并且尽可能少的特征属性，以代表当前的***状态。由于同一组中的特征属性之间的冗余信息要更高，所以首先需要选择每组中使得相关系数最大化的特征属性，其次选择不同的组中，相关性系数最小化的特征属性。这样选出的特征属性组能够提供最大化的有效信息。

对于已经选定了一组特征属性集包括k个特征属性，计算该选定的特征属性集和其余特征属性之间的相关系数，包括这k个特征属性之间的相关系数。

定义特征属性和输出属性之间的平均相关系数为

不同特征属性间的平均相关系数为r_kk＝(f_k,f_k)，这时，衡量特征属性组之间相关性的相关系数的计算为：

基于相关系数的特征选择方法是(采用后向删除搜索策略)，首先，特征属性子集包含组里所有的特征属性，然后遍历计算，根据计算结果，一次移除一个特征属性，通过特征属性组之间相关性的相关系数的计算，在同一时刻，对一个选定的特征属性组内进行添加或删除特征属性。其中，相关系数低的特征属性会因为不具有相关性而被忽略。

步骤5、建立二维可视化坐标系。

建立笛卡尔坐标系，以笛卡尔坐标系的原点为圆心，作单位圆，其中，圆上的点(x_i，y_i)满足函数x_i ²+y_i ²＝1，且圆上的各个均分的锚点代表了传感器节点的维度数。其中，单位圆上的各个锚点的读数被定义成公式：

其中，

r表示半径，θ表示角度，dim表示维数，n表示统计的记录数

步骤6、计算所述代表性特征属性集在所述二维可视化坐标系中的坐标，以将所述代表性特征属性集映射到所述二维可视化坐标系。

根据步骤5计算代表性特征属性集对应的锚点横纵坐标，然后将所有的锚点的横纵坐标值各自相加，获得多维数据集在笛卡尔坐标中的二维数据点(x_i，y_i)，其中：

然后，根据坐标(x_i，y_i)在二维笛卡尔坐标系标出各个多维数据对应的二维数据点。

步骤7、在所述二维可视化坐标系中，选择所述代表性特征属性集集中度在第一阈值范围内对应的数据作为所述可视化数据。

根据笛卡尔坐标系标出各个二维数据点，获得二维数据点的分布情况，将其分为密集区域和离散区域，将离散区域的数据诊断为异常数据。

步骤8、根据时间相似度对所述可视化数据进行时间相似度计算，获取时间相似度数据模型。

根据时间相似性，同一传感器节点具有时间的相似性，即网络中无故障的传感器节点在相邻的时间内无论是传感器本身的状态读数还是监测环境的各项感知数据都应该具有相同或相似的特点。因此可以通过相邻时间感知的传感数据来诊断当前节点的状态。设时间Time1和Time2为相邻时间，则可视化数据的时间相似性为：设Variable₁(x₁，x₂，...x_n)和Variable₁(y₁，y₂，...y_n)分别为对应可视化数据的测量值，则两个可视化数据应当满足|Variable₁-Variable₂|＜ξ，其中阈值ξ取决于不同的应用领域；

其中，数据模型的空间相似度计算方法为：

其中，n为维度；

相似度数据模型为G(V，T)，G(V，T)为可视化数据在监测一段时间内的分布图，其中，V是这段时间映射的二维可视图的所有点，T是对应的每一个时间。

步骤9、对比数据模型得出最终结果。

首先，定义一个点集合E(V，T)，初始化为空，放置异常点；初始化阈值ξ，θ；对被检测的传感器节点v_i，找到该节点下一时间的的邻节点v_i+1；

其次，对于k＝i＝(1,2,...,n-1)，计算D_k,i+1，并且与ξ比较，如果D_k,i+1<ξ，则k＝i+1，i＝i+1，继续计算；而若D_k,i+1>ξ，标记v_i+1为故障点，添加到集合E中，k不变，i＝i+1继续计算。

然后，将k从2开始进行上述的计算，从3开始进行上述的计算，一直到从10开始进行上述的计算。对比θ次的计算结果E集合。将判定相同或者相似度极高的结果作为最终的故障检测结果。

采用本发明的技术方案，实现了传感器网络中的异常检测，对于异常检测中的特征提取从而进行检测的方法，对于判断异常特征属性之间的联系进而得出有效的、准确率高的异常检测结果提出具体可行的方案，具有处理负责密集节点的异常检测能力，使得传感器网络在更加复杂的场景下更精确地工作。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (7)

1.一种基于时空相似度的无线传感网异常检测方法，其特征在于，包括：

根据特征集抽取算法获取代表性特征属性集；

将所述代表性特征属性集映射到二维可视空间并获取可视化数据；

根据时间相似度对所述可视化数据进行时间相似度计算，获取时间相似度数据模型；

对所述数据模型进行空间相似度计算以完成基于时空相似度的无线传感网异常检测；

根据特征集抽取算法获取代表性特征属性集，包括：

收集特征属性；

计算所述特征属性中各对特征属性的相关系数；

根据所述相关系数将所述特征属性进行排序；

根据排序后的特征属性选取所述代表性特征属性集；

对所述数据模型进行空间相似度计算，包括：

将计算结果与第二阈值进行比对，若计算结果在所述第二阈值范围内则判断对应的可视化数据为正常数据，反之，则为异常数据。

2.根据权利要求1所述的方法，其特征在于，将所述代表性特征属性集映射到二维可视空间并获取可视化数据，包括：

建立二维可视化坐标系；

计算所述代表性特征属性集在所述二维可视化坐标系中的坐标，以将所述代表性特征属性集映射到所述二维可视化坐标系；

在所述二维可视化坐标系中，选择所述代表性特征属性集集中度在第一阈值范围内对应的数据作为所述可视化数据。

3.根据权利要求2所述的方法，其特征在于，所述二维可视坐标系为二维空间中的笛卡尔坐标系，所述笛卡尔坐标系包括以所述笛卡尔坐标系原点为圆心的单位圆。

4.根据权利要求3所述的方法，其特征在于，所述单位圆上包括多个均匀分布的锚点，用于标识所述代表性特征属性集的维度数。

5.根据权利要求2所述的方法，其特征在于，计算所述代表性特征属性集在所述二维可视化坐标系中的坐标，包括：

将所述代表性特征属性集的横纵坐标值各自相加以得到所述代表性特征属性集在所述二维可视化坐标系中的坐标。

6.根据权利要求1所述的方法，其特征在于，所述数据模型包括所述可视化数据和所述可视化数据在相邻时间段内的对应数据。

7.根据权利要求1所述的方法，其特征在于，所述数据模型的空间相似度计算公式为：

其中，

为所述可视化数据在相邻时间Variable₁和Variable₂的空间相似度计算结果，n为维度，x_i和y_i为所述数据模型中的数据坐标。

Images