CN110213788A - 基于数据流时空特征的wsn异常检测及类型识别方法 - Google Patents
基于数据流时空特征的wsn异常检测及类型识别方法 Download PDFInfo
- Publication number
- CN110213788A CN110213788A CN201910518513.4A CN201910518513A CN110213788A CN 110213788 A CN110213788 A CN 110213788A CN 201910518513 A CN201910518513 A CN 201910518513A CN 110213788 A CN110213788 A CN 110213788A
- Authority
- CN
- China
- Prior art keywords
- space
- model
- state
- time
- transition probability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 230000005856 abnormality Effects 0.000 title claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims abstract description 54
- 230000007704 transition Effects 0.000 claims abstract description 47
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 23
- 239000000284 extract Substances 0.000 claims abstract description 12
- 230000000644 propagated effect Effects 0.000 claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 5
- 238000004321 preservation Methods 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 6
- 230000002547 anomalous effect Effects 0.000 description 2
- 230000006854 communication Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及基于数据流时空特征的WSN异常检测及类型识别方法,包括以下步骤:步骤S1:采用时空滑动窗口获取待测传感器目标节点及其邻居节点的实时数据流;步骤S2:将获取的实时数据流映射到对应的状态空间,并构建成Markov链的形式,基于Markov链计算状态转移概率矩阵和交叉状态转移概率矩阵提取实时数据流的时空特征;步骤S3:构建多分类卷积神经网络模型,并训练,得到训练好的多分类卷积神经网络模型模型;步骤S4:将实时数据流的时空特征输入至已训练好的多分类卷积神经网络模型模型中,通过前向传播,计算输出结果;步骤S5:根据模型输出结果判断数据流是否异常,并区分故障异常和事件异常。本发明可实现无线传感器网络的实时异常监测和异常类型识别。
Description
技术领域
本发明涉及一种基于数据流时空特征的WSN异常检测及类型识别方法。
背景技术
无线传感器网络(Wireless SensorNetwork,WSN)受到恶劣天气、自然事件、仪器故障等因素的影响,传感器数据异常时有发生。由于异常事件和仪器故障均能导致传感器产生类似的异常值,因此及时准确地检测传感器异常值并区分异常类型,对控制数据质量和判断异常来源有重要意义。
WSN异常检测方法是近年来国内外的研究热点。其中基于数据时空特征的异常检测方法和基于分类的异常检测方法是该领域的经典算法。基于数据时空特征的方法能在一定程度上判断数据类型,但没有将数据的时间特征和空间特征结合起来,且过度依赖于假设的数据分布,而假设往往不能反映出数据的真实分布。基于分类的方法不受数据分布和数据范围假设的限制,但由于带标记数据有限,分类器不能捕获异常数据的全部特征,难以进一步区分异常数据类型。
发明内容
有鉴于此,本发明的目的在于提供一种基于数据流时空特征的WSN异常检测及类型识别方法,实现无线传感器网络的实时异常监测和异常类型识别。
为实现上述目的,本发明采用如下技术方案:
一种基于数据流时空特征的WSN异常检测及类型识别方法,包括以下步骤:
步骤S1:采用时空滑动窗口获取无线传感器网络目标节点及其邻居节点的实时数据流;
步骤S2:将获取的实时数据流映射到对应的状态空间,并构建成Markov链的形式,基于Markov链计算状态转移概率矩阵和交叉状态转移概率矩阵提取实时数据流的时空特征;
步骤S3:构建多分类卷积神经网络模型,并从待测传感器历史数据中提取样本训练多分类卷积神经网络模型模型,得的训练好的多分类卷积神经网络模型模型;
步骤S4:将实时数据流的时空特征输入至已训练好的多分类卷积神经网络模型模型中,通过前向传播,计算输出结果;
步骤S5:根据模型输出结果判断数据流是否异常,并区分故障异常和事件异常。
进一步的,所述时空滑动窗口由目标节点及邻居节点最近的W个时刻的检测数据组成,通过时空滑动窗口模型获取目标节点及邻居节点的实时数据流。
进一步的,所述将获取的实时数据流映射到对应的状态空间,具体为:
设传感器数据序列为{u1,u2,...,ut},ut为传感器在t时刻的测量值,ut的差值特征为Δut=ut-ut-1;首先计算序列中每个数据的差值特征,将原始序列转化为差值序列{Δu1,Δu2,...,Δut},并根据3σ准则将传感器数据序列按其差值特征的大小映射到相应的状态空间;状态空间S包含9个状态,分别是a、b、c、d、e、f、g、h、k,对于传感器数据序列中的任一值ut,若ut的差值特征Δut满足映射函数中的相应条件,则将ut映射到状态空间S={a,b,c,d,e,f,g,h,k}中的对应状态,具体映射函数为:
其中,σ为差值序列{Δu1,Δu2,...,Δut}的标准差,传感器数据序列{u1,u2,...,ut}经过状态映射后转变为状态序列{s1,s2,...,st}。
进一步的,所述基于Markov链计算状态转移概率矩阵提取数据流的时间特征,计算交叉状态转移概率矩阵提取数据流的空间特征,具体如下:
(1)状态转移概率矩阵的计算方法如下:
A.将状态映射后的目标节点状态序列{s1,s2,...,st}构造成一阶Markov链模型X={X1,X2,...,Xt},X模型中t时刻的状态仅与t-1时刻的状态有关。X模型的状态空间为S={a,b,c,d,e,f,g,h,k};
B.计算目标节点状态序列所构建的X模型的状态转移概率pij,pij表示模型X在t-1时刻出现状态si后,在t时刻出现状态sj的概率,其中si,sj∈S。pij的计算公式如下:
式中,N(·)用于计算状态出现的总次数;
C.计算目标节点状态序列在状态空间S={a,b,c,d,e,f,g,h,k}内的所有可能的状态转移概率pij,构成状态转移概率矩阵P,矩阵P的大小为9×9,矩阵为:
其中,pij≥0且
(2)交叉状态转移概率矩阵的计算方法如下:
A.将状态映射后的目标节点状态序列和邻居节点状态序列分别构建成Markov链模型;对于目标节点A和节点A的邻居节点B,将A、B节点的状态序列分别构建成马尔科夫链模型和模型的状态空间分别为SA={a,b,c,d,e,f,g,h,k}、SB={a,b,c,d,e,f,g,h,k}。
B.然后计算目标节点状态序列与邻居节点状态序列的交叉状态转移概率
表示模型XA在t-1时刻出现状态后,模型XB在t时刻出现状态的概率,其中 的计算公式如下:
其中N(·)用于计算状态出现的总次数;
C.最后计算目标节点与邻居节点状态序列在状态空间SA={a,b,c,d,e,f,g,h,k}、SB={a,b,c,d,e,f,g,h,k}内的所有可能的交叉状态转移概率构成交叉状态转移概率矩阵PAB,矩阵PAB的大小为9×9,矩阵为:
其中,且
进一步的,所述步骤S3具体为:
步骤S31:构建多分类卷积神经网络模型,模型由输入层,卷积层C1,池化层S1,卷积层C2,池化层S2,全连接层FC1,全连接层FC2和输出层构成,共8层,模型中的激活函数为ReLU函数;
多分类卷积神经网络模型中每一层的作用及具体参数设置如下:输入层:输入数据为基于Markov提取的时空滑动窗口数据的时空特征,时空
特征为目标站点时空特征矩阵集合Π,Π由n个9×9的矩阵组成,包括目标站点的状态转移概率矩阵Π11和目标站点与邻居站点的交叉状态转移概率矩阵Π12,Π13,...,Π1n。
交替的卷积与池化层:交替的卷积层和池化层即卷积层(C1),池化层(S1),卷积层(C2),池化层(S2),交替的卷积层与池化层用于提取时空特征矩阵集合Π在不同局部区域的特征图。卷积层(C1)通过64个大小为3×3,步幅为1×1的卷积核对矩阵集合Π进行卷积运算,并经过ReLU激活函数得到输出特征图。池化层(S1)通过大小为2×2,步幅为1×1的池化窗口对提取的特征图进行压缩,减少冗余特征。卷积层(C2)通过128个大小为3×3的卷积核继续提取更高层次的特征。池化层(S2)通过大小为2×2步幅为1×1的池化窗口压缩特征图,得到最终的特征。
全连接层:模型采用2个全连接层以多层人工神经网络的方式对卷积层和池化层最后得到的特征图进行整合和降维,全连接层的神经元个数分别为128和64,经过2个全连接层后,特征图转化为64维的向量。
输出层:通过Softmax分类器将全连接层输出的64维向量全连接到输出层,并计算每个类别的输出概率,输出概率最高的类别为样本的计算类别。输出层包含4个神经元,代表目标节点数据流的类型,分别为正常、事件异常和固定型故障异常和漂移型故障异常。根据输出层的计算结果可判断数据流是否异常,并区分故障异常和事件异常。
步骤S32:从传感器历史数据中提取出正常、事件异常、漂移故障和固定值故障类样本,构成训练样本集合和测试样本集合;
步骤S33:将训练样本映射到对应的状态空间,构建成Markov链的形式,基于Markov链计算状态转移概率矩阵和交叉状态转移概率矩阵提取样本的时空特征;
步骤S34:将计算得到的训练样本的时空特征输入至多分类卷积神经网络模型进行训练,直到模型收敛,保存模型结构信息和模型参数信息.
进一步的,所述多分类卷积神经网络模型的训练过程包括前向和后向传播,前向传播过程中通过卷积层与池化层提取输入层数据的不同特征,全连接层整合特征,经过Softmax得到分类结果,并计算交叉熵损失,后向传播时根据链式法则计算梯度值,通过随机梯度下降法更新各层权重。
本发明与现有技术相比具有以下有益效果:
1、本发明采用时空滑动窗口模型获取传感器的实时数据流,可实现无线传感器网络的实时异常监测和异常类型识别。
2、本发明充分保留了传感器数据流的时间特征和空间特征,且相较于经典的基于时空特征的异常检测方法,本发明在异常检测的过程中不依赖于传感器数据流的假设分布,更符合现实情况。
3、本发明设计了8层多分类卷积神经网络模型对数据流的时空特征矩阵进行分类识别,且相较于经典的分类模型,多分类卷积神经网络模型能够从有限的样本数据中提取更多利于分类的信息,具有较高的分类精度,可以有效地检测异常并区分异常类型。
附图说明
图1是本发明实施例的方法流程示意图;
图2是本发明一实施例中时空滑动窗口模。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1,本发明提供一种基于数据流时空特征的WSN异常检测及类型识别方法,并在SensorScope无线传感器网络和带标记的LWSNDR无线传感器网络上实施,具体实施方式如下:
步骤S1:构建并训练多分类卷积神经网络模型,具体步骤如下:
步骤S11:首先从传感器历史数据中提取出正常、事件异常、漂移故障和固定值故障类样本,数据集情况如表1所示;然后从每个样本集中随机选择总样本的80%作为训练样本,20%为测试样本。
(1)在SensorScope无线传感器网络实施案例中,选择2号、7号和9号传感器为目标节点,邻居节点数为4,以节点收集的温度数据作为检测变量,从历史数据中选取正常、环境异常、漂移故障和固定值故障类样本,共收集3个样本集。SensorScope样本集的样本维度为30×5,样本的行代表不同的时刻,列代表目标节点及其邻居节点。
(2)在带标记的LWSNDR无线传感器网络实施案例中,选择单跳无线传感器网络中受热水壶干扰的室内1号和室外4号节点的传感器节点为目标节点,未受干扰的室内2号和室外3号节点为各自的邻居节点,从收集的湿度(H)和温度(T)数据中选取事件异常样本和正常样本,收集4个样本集。LWSNDR样本集的样本维度为34×2,样本的行代表不同的时刻,列代表目标节点及其邻居节点。
表格1样本集情况
步骤S12:将训练样本映射到对应的状态空间,构建成Markov链的形式,然后基于Markov链计算状态转移概率矩阵和交叉状态转移概率矩阵提取训练样本的时空特征。
(1)计算SensorScope-2,SensorScope-7,SensorScope-9训练样本集中每个样本的状态转移概率矩阵和交叉状态转移概率矩阵。对于每一个样本,状态转移概率矩阵由目标节点状态序列计算得到,矩阵大小为9×9;交叉状态转移概率矩阵由目标节点状态序列与邻居节点状态序列计算得到,矩阵大小为4×9×9。两种矩阵构成时空特征矩阵集合Π,Π的数据维度5×9×9,Π为样本的时空特征。
(2)计算LWSNDR-1-H,LWSNDR-1-T,LWSNDR-2-H,LWSNDR-2-T训练样本集中每个样本的状态转移概率矩阵和交叉状态转移概率矩阵。对于每一个样本,状态转移概率矩阵由目标节点状态序列计算得到,矩阵大小为9×9;交叉状态转移概率矩阵由目标节点状态序列与邻居节点状态序列计算得到,矩阵大小为9×9。两种矩阵构成时空特征矩阵集合Π,Π的数据维度为2×9×9,Π为样本的时空特征。
步骤S13:构建由输入层、交替的卷积与池化层、全连接层和输出层构成的8层多分类卷积神经网络模型,模型的输入为样本的时空特征,输出为样本对应的异常类型。
模型超参数设置为:学习率(learning_rate)为0.001,学习率动态衰减率(decay_rate)为0.9,迭代次数(epoch)为200,随机失活率(dropout)为0.2。由于SensorScope样本集和LWSNDR样本集的样本数量不同,故在本实施案例中将SensorScope样本集的批尺寸大小(batch_size)设置为100,将LWSNDR样本集模型的批尺寸大小(batch_size)设置为60。
步骤S14:依次将训练样本的时空特征输入至多分类卷积神经网络模型进行训练,得到7个训练好的模型。
(1)在SensorScope无线传感器网络实施案例中,将SensorScope-2,SensorScope-7,SensorScope-9样本集输入至多分类卷积神经网络模型进行训练,得到训练好的S2,S7,S9模型。
(2)在LWSNDR无线传感器网络实施案例中,将LWSNDR-1-H,LWSNDR-1-T,LWSNDR-2-H,LWSNDR-2-T样本集输入至多分类卷积神经网络模型进行训练,得到训练好的L1-H,L1-T,L2-H,L2-T模型。
模型训练包括以下内容:
(1)前向传播(Forward)。模型中的层按照从前至后顺序依次进行前向传播,第L层的输出是第L+1层的输入。在前向传播的末尾,定义损失函数,用于衡量网络模型输出的分类结果与样本真实标签的差异,本实施案例将交叉熵损失函数作为损失函数。
(2)反向传播(Backward)。首先利用链式法则和随机梯度下降算法,由后至前计算权值梯度,然后结合学习率和权值梯度,更新每层对应的权值。
(3)循环迭代训练网络。通过多次迭代训练多分类卷积神经网络模型,每次迭代包括前向传播和反向传播。循环迭代至模型收敛,保存模型结构信息和模型参数信息。
步骤S2:采用时空滑动窗口获取无线传感器网络目标节点及其邻居节点的实时数据流。
(1)在SensorScope无线传感器网络实施案例中,将未参与模型训练的传感器数据视为实时数据,采用时空滑动窗口获取2号,7号,9号目标节点及其邻居节点的实时温度数据流,共得到3个实时数据流,数据流的维度为30×5。
(2)在LWSNDR无线传感器网络实施案例中,将未参与模型训练的传感器数据视为实时数据,采用时空滑动窗口获取室内1号和室外4号目标节点及其邻居节点的实时温度数据流和实时湿度数据流,共得到4个实时数据流,数据流的维度为34×2。
构建的时空滑动窗口模型如下:
时空滑动窗口由目标节点及邻居节点最近的W个时刻的检测数据组成,建立的时空滑动窗口如图2所示,窗口大小为n×W,行代表不同的节点,其中,S1表示目标节点,{S2,...Sn}表示目标节点通信范围内的邻居节点集合;列代表传感器节点在不同时刻的检测值,{ui1,ui2,...,uiW}表示对应节点Si在最近W个时刻内的检测序列。当新数据产生时,时空滑动窗口整体向前滑动一个位置,将原窗口最末端的数据删除,并加入新的数据,以此实现时空滑动窗口的更新。
步骤S3:将获取的实时数据流映射到对应的状态空间,构建成Markov链的形式,并基于Markov链计算状态转移概率矩阵和交叉状态转移概率矩阵提取实时数据流的时空特征;
(1)在SensorScope无线传感器网络实施案例中,计算得到的实时数据流的时空特征为状态转移概率矩阵和交叉状态转移概率矩阵组成的时空特征矩阵集合Π,Π的数据维度5×9×9。
(2)在LWSNDR无线传感器网络实施案例中,计算得到的实时数据流的时空特征为状态转移概率矩阵和交叉状态转移概率矩阵组成的时空特征矩阵集合Π,Π的数据维度2×9×9。
步骤S4:加载保存的模型和已训练好的模型参数,将获取的实时数据流的时空特征矩阵分别输入至对应的已训练好的分类卷积神经网络模型中,通过前向传播,计算输出结果。
(1)在SensorScope无线传感器网络实施案例中,将2号,7号,9号目标节点及邻居节点的实时数据流的时空特征分别输入至S2,S7,S9模型,并计算输出结果。
(2)在LWSNDR无线传感器网络实施案例中,将室内1号和室外4号目标节点及其邻居节点的实时温度数据流和实时湿度数据流分别输入至L1-H,L1-T,L2-H,L2-T模型,并计算输出结果。
步骤S5:根据模型结果判断实时数据流是否异常,并区分故障异常和事件异常。若实时数据流存在故障异常或事件异常,表明实时数据流对应的目标节点发生了故障或者目标节点附近存在异常事件,以此实现无线传感器网络的异常检测及类型识别。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (6)
1.一种基于数据流时空特征的WSN异常检测及类型识别方法,其特征在于,包括以下步骤:
步骤S1:采用时空滑动窗口获取无线传感器网络目标节点及其邻居节点的实时数据流;
步骤S2:将获取的实时数据流映射到对应的状态空间,并构建成Markov链的形式,基于Markov链计算状态转移概率矩阵和交叉状态转移概率矩阵提取实时数据流的时空特征;
步骤S3:构建多分类卷积神经网络模型,并从无线传感器历史数据中提取样本训练多分类卷积神经网络模型模型,得的训练好的多分类卷积神经网络模型模型;
步骤S4:将实时数据流的时空特征输入至已训练好的多分类卷积神经网络模型模型中,通过前向传播,计算输出结果;
步骤S5:根据模型输出结果判断数据流是否异常,并区分故障异常和事件异常。
2.根据权利要求1所述的一种基于数据流时空特征的WSN异常检测及类型识别方法,其特征在于:所述时空滑动窗口由目标节点及邻居节点最近的甲个时刻的检测数据组成,通过时空滑动窗口模型获取目标节点及邻居节点的实时数据流。
3.根据权利要求1所述的一种基于数据流时空特征的WSN异常检测及类型识别方法,其特征在于:所述将获取的实时数据流映射到对应的状态空间,具体为:
设传感器数据序列为{u1,u2,...,ut},ut为传感器在t时刻的测量值,ut的差值特征为Δut=ut-ut-1;首先计算序列中每个数据的差值特征,将原始序列转化为差值序列{Δu1,Δu2,...,Δut},并根据3σ准则将传感器数据序列按其差值特征的大小映射到相应的状态空间;状态空间S共包含9个状态,分别是a、b、c、d、e、f、g、h、k,对于传感器数据序列中的任一值ut,若ut的差值特征Δut满足映射函数中的相应条件,则将ut映射到状态空间S={a,b,c,d,e,f,g,h,k}中的对应状态,映射函数为:
其中,σ为差值序列{Δu1,Δu2,...,Δut}的标准差,传感器数据序列{u1,u2,...,ut}经过状态映射后转变为状态序列{s1,s2,...,st}。
4.根据权利要求3所述的一种基于数据流时空特征的WSN异常检测及类型识别方法,其特征在于:所述基于Markov链计算状态转移概率矩阵提取数据流的时间特征,计算交叉状态转移概率矩阵提取数据流的空间特征,具体如下:
(1)状态转移概率矩阵的计算方法如下:
A.将状态映射后的目标节点状态序列{s1,s2,...,st}构造成一阶Markov链模型X={X1,X2,...,Xt},X模型中t时刻的状态仅与t-1时刻的状态有关;X模型的状态空间为S={a,b,c,d,e,f,g,h,k};
B.计算目标节点状态序列所构建的X模型的状态转移概率pij,pij表示模型X在t-1时刻出现状态si后,在t时刻出现状态sj的概率,其中si,sj∈S。pij的计算公式如下:
式中,N(·)用于计算状态出现的总次数;
C.计算目标节点状态序列在状态空间S={a,b,c,d,e,f,g,h,k}内的所有可能的状态转移概率pij,构成状态转移概率矩阵P,矩阵P的大小为9×9,矩阵为:
其中,pij≥0且
(2)交叉状态转移概率矩阵的计算方法如下:
A.将状态映射后的目标节点状态序列和邻居节点状态序列分别构建成Markov链模型;对于目标节点A和节点A的邻居节点B,将A、B节点的状态序列分别构建成马尔科夫链模型和模型的状态空间分别为SA={a,b,c,d,e,f,g,h,k}、SB={a,b,c,d,e,f,g,h,k}。
B.然后计算目标节点状态序列与邻居节点状态序列的交叉状态转移概率 表示模型XA在t-1时刻出现状态后,模型XB在t时刻出现状态的概率,其中 的计算公式如下:
其中N(·)用于计算状态出现的总次数;
C.最后计算目标节点与邻居节点状态序列在状态空间SA={a,b,c,d,e,f,g,h,k}、SB={a,b,c,d,e,f,g,h,k}内的所有可能的交叉状态转移概率构成交叉状态转移概率矩阵PAB,矩阵PAB的大小为9×9,矩阵为:
其中,且
5.根据权利要求1所述的一种基于数据流时空特征的WSN异常检测及类型识别方法,其特征在于:所述步骤S3具体为:
步骤S31:构建多分类卷积神经网络模型,模型由输入层,卷积层C1,池化层S1,卷积层C2,池化层S2,全连接层FCl,全连接层FC2和输出层构成,共8层,模型中的激活函数为ReLU函数;
步骤S32:从传感器历史数据中提取出正常、事件异常、漂移故障和固定值故障类样本,构成训练样本集合和测试样本集合;
步骤S33:将训练样本映射到对应的状态空间,构建成Markov链的形式,基于Markov链计算状态转移概率矩阵和交叉状态转移概率矩阵提取样本的时空特征;
步骤S34:将计算得到的训练样本的时空特征输入至多分类卷积神经网络模型进行训练,直到模型收敛,保存模型结构信息和模型参数信息。
6.根据权利要求5所述的一种基于数据流时空特征的WSN异常检测及类型识别方法,其特征在于:所述多分类卷积神经网络模型的训练过程包括前向和后向传播,前向传播过程中通过卷积层与池化层提取输入层数据的不同特征,全连接层整合特征,经过Softmax得到分类结果,并计算交叉熵损失,后向传播时根据链式法则计算梯度值,通过随机梯度下降法更新各层权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910518513.4A CN110213788B (zh) | 2019-06-15 | 2019-06-15 | 基于数据流时空特征的wsn异常检测及类型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910518513.4A CN110213788B (zh) | 2019-06-15 | 2019-06-15 | 基于数据流时空特征的wsn异常检测及类型识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110213788A true CN110213788A (zh) | 2019-09-06 |
CN110213788B CN110213788B (zh) | 2021-07-13 |
Family
ID=67792875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910518513.4A Expired - Fee Related CN110213788B (zh) | 2019-06-15 | 2019-06-15 | 基于数据流时空特征的wsn异常检测及类型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110213788B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110716843A (zh) * | 2019-09-09 | 2020-01-21 | 深圳壹账通智能科技有限公司 | ***故障分析处理方法、装置、存储介质及电子设备 |
CN111356108A (zh) * | 2020-03-06 | 2020-06-30 | 山东交通学院 | 基于神经网络的水下无线传感器网络异常诊断方法 |
CN111669373A (zh) * | 2020-05-25 | 2020-09-15 | 山东理工大学 | 基于时空卷积网络和拓扑感知的网络异常检测方法及*** |
CN112784896A (zh) * | 2021-01-20 | 2021-05-11 | 齐鲁工业大学 | 基于马尔可夫过程的时间序列流数据异常检测方法 |
WO2021139251A1 (zh) * | 2020-07-30 | 2021-07-15 | 平安科技(深圳)有限公司 | 服务***异常检测方法、装置、计算机设备和存储介质 |
CN113469228A (zh) * | 2021-06-18 | 2021-10-01 | 国网山东省电力公司淄博供电公司 | 一种基于数据流时空特征的电力负荷异常值辨识方法 |
CN113590654A (zh) * | 2021-06-22 | 2021-11-02 | 中国人民解放军国防科技大学 | 基于时空模式网络的航天器姿态***异常检测方法及装置 |
CN113899809A (zh) * | 2021-08-20 | 2022-01-07 | 中海石油技术检测有限公司 | 基于cnn分类和rnn预测的管道内检测器定位方法 |
CN113946758A (zh) * | 2020-06-30 | 2022-01-18 | 腾讯科技(深圳)有限公司 | 一种数据识别方法、装置、设备及可读存储介质 |
CN114338853A (zh) * | 2021-12-31 | 2022-04-12 | 西南民族大学 | 一种工业互联网下的区块链流量监检测方法 |
CN114781441A (zh) * | 2022-04-06 | 2022-07-22 | 电子科技大学 | Eeg运动想象分类方法及多空间卷积神经网络模型 |
WO2023143190A1 (en) * | 2022-01-28 | 2023-08-03 | International Business Machines Corporation | Unsupervised anomaly detection of industrial dynamic systems with contrastive latent density learning |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101442807A (zh) * | 2008-12-30 | 2009-05-27 | 北京邮电大学 | 通信***中资源分配的方法及*** |
US20110246411A1 (en) * | 2010-04-06 | 2011-10-06 | Laneman J Nicholas | Sequence detection methods, devices, and systems for spectrum sensing in dynamic spectrum access networks |
CN102323049A (zh) * | 2011-07-18 | 2012-01-18 | 福州大学 | 数据不完备下基于一致性数据替换的结构异常检测方法 |
CN102612065A (zh) * | 2012-03-19 | 2012-07-25 | 中国地质大学(武汉) | 无线传感器网络监控异常事件的快速容错检测方法 |
CN102655685A (zh) * | 2012-05-29 | 2012-09-05 | 福州大学 | 用于无线传感器网络的任务容错分配方法 |
US20140146687A1 (en) * | 2012-11-28 | 2014-05-29 | Huawei Technologies Co., Ltd. | Method and apparatus for remotely locating wireless network fault |
CN105205475A (zh) * | 2015-10-20 | 2015-12-30 | 北京工业大学 | 一种动态手势识别方法 |
CN105491614A (zh) * | 2016-01-22 | 2016-04-13 | 中国地质大学(武汉) | 基于二次混合压缩的无线传感网异常事件检测方法及*** |
US20160150438A1 (en) * | 2014-04-04 | 2016-05-26 | Parkervision, Inc. | Momentum transfer communication |
CN105760529A (zh) * | 2016-03-03 | 2016-07-13 | 福州大学 | 一种移动端矢量数据的空间索引和缓存构建方法 |
US20170102978A1 (en) * | 2015-10-07 | 2017-04-13 | Business Objects Software Ltd. | Detecting anomalies in an internet of things network |
CN106658590A (zh) * | 2016-12-28 | 2017-05-10 | 南京航空航天大学 | 基于WiFi信道状态信息多人室内环境状态监控***的设计与实现 |
CN106709511A (zh) * | 2016-12-08 | 2017-05-24 | 华中师范大学 | 基于深度学习的城市轨道交通全景监控视频故障检测方法 |
CN106782504A (zh) * | 2016-12-29 | 2017-05-31 | 百度在线网络技术(北京)有限公司 | 语音识别方法和装置 |
CN106960457A (zh) * | 2017-03-02 | 2017-07-18 | 华侨大学 | 一种基于图像语义提取和涂鸦的彩绘画创作方法 |
US20180018970A1 (en) * | 2016-07-15 | 2018-01-18 | Google Inc. | Neural network for recognition of signals in multiple sensory domains |
CN109447263A (zh) * | 2018-11-07 | 2019-03-08 | 任元 | 一种基于生成对抗网络的航天异常事件检测方法 |
CN109640335A (zh) * | 2019-02-28 | 2019-04-16 | 福建师范大学 | 基于卷积神经网络的无线传感器故障诊断算法 |
-
2019
- 2019-06-15 CN CN201910518513.4A patent/CN110213788B/zh not_active Expired - Fee Related
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101442807A (zh) * | 2008-12-30 | 2009-05-27 | 北京邮电大学 | 通信***中资源分配的方法及*** |
US20110246411A1 (en) * | 2010-04-06 | 2011-10-06 | Laneman J Nicholas | Sequence detection methods, devices, and systems for spectrum sensing in dynamic spectrum access networks |
CN102323049A (zh) * | 2011-07-18 | 2012-01-18 | 福州大学 | 数据不完备下基于一致性数据替换的结构异常检测方法 |
CN102612065A (zh) * | 2012-03-19 | 2012-07-25 | 中国地质大学(武汉) | 无线传感器网络监控异常事件的快速容错检测方法 |
CN102655685A (zh) * | 2012-05-29 | 2012-09-05 | 福州大学 | 用于无线传感器网络的任务容错分配方法 |
US20140146687A1 (en) * | 2012-11-28 | 2014-05-29 | Huawei Technologies Co., Ltd. | Method and apparatus for remotely locating wireless network fault |
US20160150438A1 (en) * | 2014-04-04 | 2016-05-26 | Parkervision, Inc. | Momentum transfer communication |
US20170102978A1 (en) * | 2015-10-07 | 2017-04-13 | Business Objects Software Ltd. | Detecting anomalies in an internet of things network |
CN105205475A (zh) * | 2015-10-20 | 2015-12-30 | 北京工业大学 | 一种动态手势识别方法 |
CN105491614A (zh) * | 2016-01-22 | 2016-04-13 | 中国地质大学(武汉) | 基于二次混合压缩的无线传感网异常事件检测方法及*** |
CN105760529A (zh) * | 2016-03-03 | 2016-07-13 | 福州大学 | 一种移动端矢量数据的空间索引和缓存构建方法 |
US20180018970A1 (en) * | 2016-07-15 | 2018-01-18 | Google Inc. | Neural network for recognition of signals in multiple sensory domains |
CN106709511A (zh) * | 2016-12-08 | 2017-05-24 | 华中师范大学 | 基于深度学习的城市轨道交通全景监控视频故障检测方法 |
CN106658590A (zh) * | 2016-12-28 | 2017-05-10 | 南京航空航天大学 | 基于WiFi信道状态信息多人室内环境状态监控***的设计与实现 |
CN106782504A (zh) * | 2016-12-29 | 2017-05-31 | 百度在线网络技术(北京)有限公司 | 语音识别方法和装置 |
CN106960457A (zh) * | 2017-03-02 | 2017-07-18 | 华侨大学 | 一种基于图像语义提取和涂鸦的彩绘画创作方法 |
CN109447263A (zh) * | 2018-11-07 | 2019-03-08 | 任元 | 一种基于生成对抗网络的航天异常事件检测方法 |
CN109640335A (zh) * | 2019-02-28 | 2019-04-16 | 福建师范大学 | 基于卷积神经网络的无线传感器故障诊断算法 |
Non-Patent Citations (1)
Title |
---|
刘莘: "基于时空分析的CCS泄漏预警关键技术研究", 《工程科技Ⅰ辑》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110716843B (zh) * | 2019-09-09 | 2022-11-22 | 深圳壹账通智能科技有限公司 | ***故障分析处理方法、装置、存储介质及电子设备 |
CN110716843A (zh) * | 2019-09-09 | 2020-01-21 | 深圳壹账通智能科技有限公司 | ***故障分析处理方法、装置、存储介质及电子设备 |
CN111356108A (zh) * | 2020-03-06 | 2020-06-30 | 山东交通学院 | 基于神经网络的水下无线传感器网络异常诊断方法 |
CN111356108B (zh) * | 2020-03-06 | 2022-04-19 | 山东交通学院 | 基于神经网络的水下无线传感器网络异常诊断方法 |
CN111669373A (zh) * | 2020-05-25 | 2020-09-15 | 山东理工大学 | 基于时空卷积网络和拓扑感知的网络异常检测方法及*** |
CN111669373B (zh) * | 2020-05-25 | 2022-04-01 | 山东理工大学 | 基于时空卷积网络和拓扑感知的网络异常检测方法及*** |
CN113946758A (zh) * | 2020-06-30 | 2022-01-18 | 腾讯科技(深圳)有限公司 | 一种数据识别方法、装置、设备及可读存储介质 |
WO2021139251A1 (zh) * | 2020-07-30 | 2021-07-15 | 平安科技(深圳)有限公司 | 服务***异常检测方法、装置、计算机设备和存储介质 |
CN112784896A (zh) * | 2021-01-20 | 2021-05-11 | 齐鲁工业大学 | 基于马尔可夫过程的时间序列流数据异常检测方法 |
CN113469228A (zh) * | 2021-06-18 | 2021-10-01 | 国网山东省电力公司淄博供电公司 | 一种基于数据流时空特征的电力负荷异常值辨识方法 |
CN113590654A (zh) * | 2021-06-22 | 2021-11-02 | 中国人民解放军国防科技大学 | 基于时空模式网络的航天器姿态***异常检测方法及装置 |
CN113899809A (zh) * | 2021-08-20 | 2022-01-07 | 中海石油技术检测有限公司 | 基于cnn分类和rnn预测的管道内检测器定位方法 |
CN113899809B (zh) * | 2021-08-20 | 2024-02-27 | 中海石油技术检测有限公司 | 基于cnn分类和rnn预测的管道内检测器定位方法 |
CN114338853A (zh) * | 2021-12-31 | 2022-04-12 | 西南民族大学 | 一种工业互联网下的区块链流量监检测方法 |
WO2023143190A1 (en) * | 2022-01-28 | 2023-08-03 | International Business Machines Corporation | Unsupervised anomaly detection of industrial dynamic systems with contrastive latent density learning |
CN114781441A (zh) * | 2022-04-06 | 2022-07-22 | 电子科技大学 | Eeg运动想象分类方法及多空间卷积神经网络模型 |
CN114781441B (zh) * | 2022-04-06 | 2024-01-26 | 电子科技大学 | Eeg运动想象分类方法及多空间卷积神经网络模型 |
Also Published As
Publication number | Publication date |
---|---|
CN110213788B (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110213788A (zh) | 基于数据流时空特征的wsn异常检测及类型识别方法 | |
CN112241814B (zh) | 一种基于强化时空图神经网络的交通预测方法 | |
CN111209434B (zh) | 一种基于多源异构数据融合的变电站设备巡检***及方法 | |
CN110135319A (zh) | 一种异常行为检测方法及其*** | |
CN109063728A (zh) | 一种火灾图像深度学习模式识别方法 | |
CN113240688A (zh) | 一种一体化洪涝灾害精准监测预警方法 | |
CN111814661B (zh) | 基于残差-循环神经网络的人体行为识别方法 | |
CN106682697A (zh) | 一种基于卷积神经网络的端到端物体检测方法 | |
CN109829893A (zh) | 一种基于注意力机制的缺陷目标检测方法 | |
CN104992223A (zh) | 基于深度学习的密集人数估计方法 | |
CN103268495B (zh) | 计算机***中基于先验知识聚类的人体行为建模识别方法 | |
CN107818302A (zh) | 基于卷积神经网络的非刚性多尺度物体检测方法 | |
CN107341452A (zh) | 基于四元数时空卷积神经网络的人体行为识别方法 | |
CN109800736A (zh) | 一种基于遥感影像和深度学习的道路提取方法 | |
CN108647742A (zh) | 基于轻量级神经网络的快速目标检测方法 | |
CN107301387A (zh) | 一种基于深度学习的图像高密度人群计数方法 | |
CN106991666B (zh) | 一种适用于多尺寸图片信息的病害图像识别方法 | |
CN109214308A (zh) | 一种基于焦点损失函数的交通异常图片识别方法 | |
CN111046961B (zh) | 基于双向长短时记忆单元和胶囊网络的故障分类方法 | |
CN108009477A (zh) | 图像的人流数量检测方法、装置、存储介质及电子设备 | |
CN114399719B (zh) | 一种变电站火灾视频监测方法 | |
CN108596883A (zh) | 一种基于深度学习和距离约束的航拍图像防震锤滑移故障诊断方法 | |
CN110533103A (zh) | 一种轻量级小物体目标检测方法及*** | |
CN109800712A (zh) | 一种基于深度卷积神经网络的车辆检测计数方法及设备 | |
CN113361686A (zh) | 一种多层异构多模态卷积神经网络集成式机器人巡检方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Wu Qunyong Inventor after: Deng Li Inventor before: Wu Qunyong Inventor before: Deng Liping |
|
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210713 |