CN114244751A - 无线传感器网络异常检测方法和*** - Google Patents
无线传感器网络异常检测方法和*** Download PDFInfo
- Publication number
- CN114244751A CN114244751A CN202111388255.6A CN202111388255A CN114244751A CN 114244751 A CN114244751 A CN 114244751A CN 202111388255 A CN202111388255 A CN 202111388255A CN 114244751 A CN114244751 A CN 114244751A
- Authority
- CN
- China
- Prior art keywords
- data
- network node
- sensor
- abnormal
- sample
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 107
- 230000002159 abnormal effect Effects 0.000 claims abstract description 221
- 238000012544 monitoring process Methods 0.000 claims abstract description 208
- 230000005540 biological transmission Effects 0.000 claims abstract description 138
- 238000007667 floating Methods 0.000 claims description 38
- 230000003993 interaction Effects 0.000 claims description 29
- 230000005856 abnormality Effects 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 14
- 230000002452 interceptive effect Effects 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 abstract description 8
- 238000012545 processing Methods 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 8
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0852—Delays
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
- H04L43/0894—Packet rate
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/16—Threshold monitoring
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- 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
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供了无线传感器网络异常检测方法和***,其通过对无线传感器网络的任一传感器进行监测数据序列的分析,以此确定对应的传感器是否属于异常传感器;再判断异常传感器所在的网络节点是否存在数据传输延迟,以此确定对应的网络节点是否属于异常网络节点,这样能够对异常网络节点形成的监测数据进行采集和分析,同时在对监测数据进行异常检测前进行数据预处理,以此剔除一部分对异常检测结果没有影响的冗余数据,从而大大减小监测数据的数据量和降低后续进行数据异常检测的工作量,并且还能够提高数据异常检测的准确性和可靠性。
Description
技术领域
本发明涉及物联网监控的技术领域,特别涉及无线传感器网络异常检测方法和***。
背景技术
无线传感器网络通常在不同监测地点分别设置温度传感器或者压力传感器等不同类型的传感器,以此构建形成分布式传感器网络,再利用无线传输技术收集所有传感器监测到的数据并进行数据分析,从而实现对监测区域的全范围监测。在实际应用中,无线传感器网络由于自身故障或者受到外界环境干扰等因素的影响,其监测得到的数据可能会存在异常,若这些异常数据没有被有效排除而进入后续的分析处理环节,会严重影响无线传感器网络监测结果的准确性和可靠性,因此需要对无线传感器网络监测得到的异常数据进行检测和排除。由于无线传感器网络监测得到的数据量较多,现有技术难以对每个数据准确进行异常检测,这严重影响数据异常检测的效率和精确度。
发明内容
针对现有技术存在的缺陷,本发明提供无线传感器网络异常检测方法和***,其通过对无线传感器网络的任一传感器进行监测数据序列的分析,以此确定对应的传感器是否属于异常传感器;再判断异常传感器所在的网络节点是否存在数据传输延迟,以此确定对应的网络节点是否属于异常网络节点,这样能够对异常网络节点形成的监测数据进行采集和分析,同时在对监测数据进行异常检测前进行数据预处理,以此剔除一部分对异常检测结果没有影响的冗余数据,从而大大减小监测数据的数据量和降低后续进行数据异常检测的工作量,并且还能够提高数据异常检测的准确性和可靠性。
本发明提供无线传感器网络异常检测方法,其特征在于,其包括如下步骤:
步骤S1,采集无线传感器网络中任一传感器在不同时间段内分别形成的两个监测数据序列;分析两个所述监测数据序列,以此判断所述传感器是否存在监测数据浮动异常;再根据所述监测数据浮动异常的判断结果,确定所述传感器是否属于异常传感器;
步骤S2,获取与所述异常传感器处于同一网络节点的所有传感器各自分别与网络节点中继终端之间的数据交互传输状态;分析所述数据交互传输状态,判断所述网络节点中每个传感器与所述网络节点中继终端之间是否存在数据传输延迟;
步骤S3,根据所述数据传输延迟的判断结果,确定所述网络节点是否属于异常网络节点;采集异常网络节点中所有传感器形成的监测数据,并分析所述监测数据,以此判断所述异常网络节点是否存在数据异常;再根据所述数据异常的判断结果,进行数据异常上报处理;
进一步,在所述步骤S1中,采集无线传感器网络中任一传感器在不同时间段内分别形成的两个监测数据序列;分析两个所述监测数据序列,以此判断所述传感器是否存在监测数据浮动异常;再根据所述监测数据浮动异常的判断结果,确定所述传感器是否属于异常传感器具体包括:
步骤S101,采集无线传感器网络中任一传感器在第一时间段内形成的第一监测数据序列;采集所述任一传感器在第二时间段内形成的第二监测数据序列;其中,所述第一时间段与第二时间段具有相同的时间长度,以及所述第一时间段与所述第二时间段相互不邻接;
步骤S102,分析所述第一监测数据序列和所述第二监测数据序列,以此确定所述第一监测数据序列对应的第一方差和所述第二监测数据序列对应的第二方差;并确定所述第一方差与所述第二方差之间的差值的绝对值;
步骤S103,将所述差值的绝对值与预设差值阈值进行比对;若所述差值的绝对值小于或等于所述预设差值阈值,则确定所述任一传感器不存在监测数据浮动异常,同时确定所述任一传感器属于正常传感器;若所述差值的绝对值大于所述预设差值阈值,则确定所述任一传感器存在监测数据浮动异常,同时确定所述任一传感器属于异常传感器;
进一步,在所述步骤S2中,获取与所述异常传感器处于同一网络节点的所有传感器各自分别与网络节点中继终端之间的数据交互传输状态;分析所述数据交互传输状态,判断所述网络节点中每个传感器与所述网络节点中继终端之间是否存在数据传输延迟具体包括:
步骤S201,获取与所述异常传感器处于同一网络节点的所有传感器分别与网络节点中终端之间在数据交互过程中的上行数据传输速率和下行数据传输速率,以此作为所述数据交互传输状态;
步骤S202,确定所述上行数据传输速率与所述下行数据传输速率之间速率比值,并将所述速率比值与预设速率比阈值进行比对;若所述速率比值小于或等于预设速率比阈值,则确定对应传感器与所述网络节点中继终端之间不能存在数据传输延迟;若所述速率比值大于预设速率比阈值,则确定对应传感器与所述网络节点中继终端之间存在数据传输延迟;
进一步,在所述步骤S3中,根据所述数据传输延迟的判断结果,确定所述网络节点是否属于异常网络节点;采集异常网络节点中所有传感器形成的监测数据,并分析所述监测数据,以此判断所述异常网络节点是否存在数据异常;再根据所述数据异常的判断结果,进行数据异常上报处理具体包括:
步骤S301,若与所述异常传感器处于同一网络节点的所有传感器中超过预设数量比例的传感器被判断为存在数据传输延迟,则确定所述网络节点属于异常网络节点;否则,确定所述网络节点属于正常网络节点;
步骤S302,采集异常网络节点中所有传感器形成的监测数据,并且每个监测数据作为一个检测样本点,将所有检测样本点随机划分为若干样本簇,再利用下面公式(1)确定所有样本簇之间的样本相似度值E,
在上述公式(1)中,Ci表示将所有检测样本点随机划分为k个样本簇中的第i个样本簇;x表示第i个样本簇包含的检测样本点;∣Ci∣表示对第i个样本簇取绝对值;Ji表示第i个样本簇包含的所有检测样本点的平均值;d(x,Ji)表示求取x与Ji之间的数值距离函数;
当任意一个点的簇分配结果发生改变时,对样本数据集中的每个点,对每个均值点,计算均值点与数据点之间的距离将数据点分配到距离其最近的簇对每一个簇,计算簇中所有点的均值并将均值作为簇的中心;
再利用下面公式(2),得到使得所有样本簇之间样本相似度值最高的每个样本簇对应平均值,
最后利用下面公式(3),将集合D[k]包含的每个平均值与所有检测样本点对应的平均值JZ进行比对,并根据比对结果,对相应样本簇进行标记,
在上述公式(3)中,QCl表示对样本簇Cl进行颜色标记的标记值,R表示预设红色标记值,G表示预设绿色标记值;QCl=G表示样本簇Cl包含的检测样本点数据正常,并将样本簇Cl标记为绿色;QCl=R表示样本簇Cl包含的检测样本点数据异常,并将样本簇Cl标记为红色;
步骤S303,对被确定为数据异常的样本簇进行SVDD算法检测,再将SVDD算法检测的结果上报至无线传感器网络的云端平台后,对被确定为数据异常的样本簇进行删除。
本发明还提供无线传感器网络异常检测***,其特征在于,其包括传感器状态确定模块、网络节点传输延迟确定模块、网络节点状态确定模块和数据异常判断与上报模块;其中,
所述传感器状态确定模块用于采集无线传感器网络中任一传感器在不同时间段内分别形成的两个监测数据序列;分析两个所述监测数据序列,以此判断所述传感器是否存在监测数据浮动异常;再根据所述监测数据浮动异常的判断结果,确定所述传感器是否属于异常传感器;
所述网络节点传输延迟确定模块用于获取与所述异常传感器处于同一网络节点的所有传感器各自分别与网络节点中继终端之间的数据交互传输状态;分析所述数据交互传输状态,判断所述网络节点中每个传感器与所述网络节点中继终端之间是否存在数据传输延迟;
所述网络节点状态确定模块用于根据所述数据传输延迟的判断结果,确定所述网络节点是否属于异常网络节点;
所述数据异常判断与上报模块用于采集异常网络节点中所有传感器形成的监测数据,并分析所述监测数据,以此判断所述异常网络节点是否存在数据异常;再根据所述数据异常的判断结果,进行数据异常上报处理;
进一步,所述传感器状态确定模块用于采集无线传感器网络中任一传感器在不同时间段内分别形成的两个监测数据序列;分析两个所述监测数据序列,以此判断所述传感器是否存在监测数据浮动异常;再根据所述监测数据浮动异常的判断结果,确定所述传感器是否属于异常传感器具体包括:
采集无线传感器网络中任一传感器在第一时间段内形成的第一监测数据序列;采集所述任一传感器在第二时间段内形成的第二监测数据序列;其中,所述第一时间段与第二时间段具有相同的时间长度,以及所述第一时间段与所述第二时间段相互不邻接;
分析所述第一监测数据序列和所述第二监测数据序列,以此确定所述第一监测数据序列对应的第一方差和所述第二监测数据序列对应的第二方差;并确定所述第一方差与所述第二方差之间的差值的绝对值;
将所述差值的绝对值与预设差值阈值进行比对;若所述差值的绝对值小于或等于所述预设差值阈值,则确定所述任一传感器不存在监测数据浮动异常,同时确定所述任一传感器属于正常传感器;若所述差值的绝对值大于所述预设差值阈值,则确定所述任一传感器存在监测数据浮动异常,同时确定所述任一传感器属于异常传感器;
进一步,所述网络节点传输延迟确定模块用于获取与所述异常传感器处于同一网络节点的所有传感器各自分别与网络节点中继终端之间的数据交互传输状态;分析所述数据交互传输状态,判断所述网络节点中每个传感器与所述网络节点中继终端之间是否存在数据传输延迟具体包括:
获取与所述异常传感器处于同一网络节点的所有传感器分别与网络节点中终端之间在数据交互过程中的上行数据传输速率和下行数据传输速率,以此作为所述数据交互传输状态;
确定所述上行数据传输速率与所述下行数据传输速率之间速率比值,并将所述速率比值与预设速率比阈值进行比对;若所述速率比值小于或等于预设速率比阈值,则确定对应传感器与所述网络节点中继终端之间不能存在数据传输延迟;若所述速率比值大于预设速率比阈值,则确定对应传感器与所述网络节点中继终端之间存在数据传输延迟;
进一步,所述网络节点状态确定模块用于根据所述数据传输延迟的判断结果,确定所述网络节点是否属于异常网络节点具体包括:
若与所述异常传感器处于同一网络节点的所有传感器中超过预设数量比例的传感器被判断为存在数据传输延迟,则确定所述网络节点属于异常网络节点;否则,确定所述网络节点属于正常网络节点;
以及,
所述数据异常判断与上报模块用于采集异常网络节点中所有传感器形成的监测数据,并分析所述监测数据,以此判断所述异常网络节点是否存在数据异常;再根据所述数据异常的判断结果,进行数据异常上报处理具体包括:
采集异常网络节点中所有传感器形成的监测数据,并且每个监测数据作为一个检测样本点,将所有检测样本点随机划分为若干样本簇,再利用下面公式(1)确定所有样本簇之间的样本相似度值E,
在上述公式(1)中,Ci表示将所有检测样本点随机划分为k个样本簇中的第i个样本簇;x表示第i个样本簇包含的检测样本点;∣Ci∣表示对第i个样本簇取绝对值;Ji表示第i个样本簇包含的所有检测样本点的平均值;d(x,Ji)表示求取x与Ji之间的数值距离函数;
当任意一个点的簇分配结果发生改变时,对样本数据集中的每个点,对每个均值点,计算均值点与数据点之间的距离将数据点分配到距离其最近的簇对每一个簇,计算簇中所有点的均值并将均值作为簇的中心;
再利用下面公式(2),得到使得所有样本簇之间样本相似度值最高的每个样本簇对应平均值,
最后利用下面公式(3),将集合D[k]包含的每个平均值与所有检测样本点对应的平均值JZ进行比对,并根据比对结果,对相应样本簇进行标记,
在上述公式(3)中,表示对样本簇Cl进行颜色标记的标记值,R表示预设红色标记值,G表示预设绿色标记值;表示样本簇Cl包含的检测样本点数据正常,并将样本簇Cl标记为绿色;表示样本簇Cl包含的检测样本点数据异常,并将样本簇Cl标记为红色;
对被确定为数据异常的样本簇进行SVDD算法检测,再将SVDD算法检测的结果上报至无线传感器网络的云端平台后,对被确定为数据异常的样本簇进行删除。
相比于现有技术,该无线传感器网络异常检测方法和***通过对无线传感器网络的任一传感器进行监测数据序列的分析,以此确定对应的传感器是否属于异常传感器;再判断异常传感器所在的网络节点是否存在数据传输延迟,以此确定对应的网络节点是否属于异常网络节点,这样能够对异常网络节点形成的监测数据进行采集和分析,同时在对监测数据进行异常检测前进行数据预处理,以此剔除一部分对异常检测结果没有影响的冗余数据,从而大大减小监测数据的数据量和降低后续进行数据异常检测的工作量,并且还能够提高数据异常检测的准确性和可靠性。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的无线传感器网络异常检测方法的流程示意图。
图2为本发明提供的无线传感器网络异常检测***的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参阅图1,为本发明实施例提供的无线传感器网络异常检测方法的流程示意图。该无线传感器网络异常检测方法包括如下步骤:
步骤S1,采集无线传感器网络中任一传感器在不同时间段内分别形成的两个监测数据序列;分析两个该监测数据序列,以此判断该传感器是否存在监测数据浮动异常;再根据该监测数据浮动异常的判断结果,确定该传感器是否属于异常传感器;
步骤S2,获取与该异常传感器处于同一网络节点的所有传感器各自分别与网络节点中继终端之间的数据交互传输状态;分析该数据交互传输状态,判断该网络节点中每个传感器与该网络节点中继终端之间是否存在数据传输延迟;
步骤S3,根据该数据传输延迟的判断结果,确定该网络节点是否属于异常网络节点;采集异常网络节点中所有传感器形成的监测数据,并分析该监测数据,以此判断该异常网络节点是否存在数据异常;再根据该数据异常的判断结果,进行数据异常上报处理。
上述技术方案的有益效果为:该无线传感器网络异常检测方法通过对无线传感器网络的任一传感器进行监测数据序列的分析,以此确定对应的传感器是否属于异常传感器;再判断异常传感器所在的网络节点是否存在数据传输延迟,以此确定对应的网络节点是否属于异常网络节点,这样能够对异常网络节点形成的监测数据进行采集和分析,同时在对监测数据进行异常检测前进行数据预处理,以此剔除一部分对异常检测结果没有影响的冗余数据,从而大大减小监测数据的数据量和降低后续进行数据异常检测的工作量,并且还能够提高数据异常检测的准确性和可靠性。
优选地,在该步骤S1中,采集无线传感器网络中任一传感器在不同时间段内分别形成的两个监测数据序列;分析两个该监测数据序列,以此判断该传感器是否存在监测数据浮动异常;再根据该监测数据浮动异常的判断结果,确定该传感器是否属于异常传感器具体包括:
步骤S101,采集无线传感器网络中任一传感器在第一时间段内形成的第一监测数据序列;采集该任一传感器在第二时间段内形成的第二监测数据序列;其中,该第一时间段与第二时间段具有相同的时间长度,以及该第一时间段与该第二时间段相互不邻接;
步骤S102,分析该第一监测数据序列和该第二监测数据序列,以此确定该第一监测数据序列对应的第一方差和该第二监测数据序列对应的第二方差;并确定该第一方差与该第二方差之间的差值的绝对值;
步骤S103,将该差值的绝对值与预设差值阈值进行比对;若该差值的绝对值小于或等于该预设差值阈值,则确定该任一传感器不存在监测数据浮动异常,同时确定该任一传感器属于正常传感器;若该差值的绝对值大于该预设差值阈值,则确定该任一传感器存在监测数据浮动异常,同时确定该任一传感器属于异常传感器。
上述技术方案的有益效果为:无线传感器网络通常包括分布式设置的多个传感器,其中,该传感器可为但不限于是温度传感器或者压力传感器等,每个传感器会监测其所处位置的相应数据,比如温度数据或者压力数据等。同时无线传感器网络在网络结构上包括若干网络节点,每个网络节点形成一个相对独立的监测单元,每个网络节点包括若干传感器和网络节点中继终端,该网络节点中继终端可为但不限于是中继缓存终端或者中继服务器。在每个网络节点中,所有传感器均于网络节点中继终端连接,这样该网络节点中继终端能够与每个传感器进行数据交互传输,从而实现网络节点中继终端对传感器的控制或者网络节点中继终端对传感器形成的监测数据的接收。
由于无线传感器网络包含大量的传感器,若对每一传感器形成的监测数据逐一进行分析,不仅需要花费大量人力物力进行数据处理,同时也无法保证数据分析的效率。为了保证对无线传感器网络中传感器进行有效的排查,可以首先从无线传感器网络中任意选中一个传感器,并在时间长度相同但是相互不邻接的第一时间段和第二时间段分别采集传感器形成的第一监测数据序列和第二监测数据序列,通过将第一时间段和第二时间段设成时间长度相同能够保证传感器在两个时间段内形成的监测数据序列包含的数据个数是相同的,而将第一时间段和第二时间段设成相互不邻接,能够保证第一监测数据序列和第二监测数据序列之间数据关联度降低到最小程度和避免由于偶然因素作用而导致两个监测数据序列相冲突。接着,确定第一监测数据序列和第二监测数据序列各自的方差以及两个方差之间的差异,并对方差的差异进行阈值比对,这样能够根据阈值比对的结果,能够确定该传感器在整个监控数据形成过程中是否存在监测数据浮动异常的情况,若是,则表明该传感器当前自身的数据监控存在问题或者该传感器受到外界环境干扰而导致数据监测存在问题,此时将该传感器标记为异常传感器,能够便于以该异常传感器作为线索对整个无线传感器网路进行数据异常的检测,其相比于逐一对所有传感器进行数据异常检测而言,能够有效地提高异常检测的效率和降低异常检测所耗费的时间。
优选地,在该步骤S2中,获取与该异常传感器处于同一网络节点的所有传感器各自分别与网络节点中继终端之间的数据交互传输状态;分析该数据交互传输状态,判断该网络节点中每个传感器与该网络节点中继终端之间是否存在数据传输延迟具体包括:
步骤S201,获取与该异常传感器处于同一网络节点的所有传感器分别与网络节点中终端之间在数据交互过程中的上行数据传输速率和下行数据传输速率,以此作为该数据交互传输状态;
步骤S202,确定该上行数据传输速率与该下行数据传输速率之间速率比值,并将该速率比值与预设速率比阈值进行比对;若该速率比值小于或等于预设速率比阈值,则确定对应传感器与该网络节点中继终端之间不能存在数据传输延迟;若该速率比值大于预设速率比阈值,则确定对应传感器与该网络节点中继终端之间存在数据传输延迟。
上述技术方案的有益效果为:当某一网络节点中的传感器被认定属于异常传感器时,该网络节点中的其他传感器会由于该异常传感器的监测数据存在异常而受到影响,从而导致其他传感器与网络节点的网络节点中继终端之间存在数据传输的延迟误差,这将严重影响该网络节点整体形成监测数据的准确性。此时,获取该网络节点中包含该异常传感器的每个传感器分别与网络节点中继终端之间的上行数据传输速率和下行数据传输速率,并确定该上行数据传输速率与该下行数据传输速率之间速率比值以及进行阈值比对,当该速率比值大于预设速率比阈值,表明该下行数据传输速率相比上行数据传输速率过小,此时对应的传感器无法及时将自身形成的监测数据上传至网络节点中继终端上而导致监测数据在传感器内部形成拥堵,即对应传感器与该网络节点中继终端之间存在数据传输延迟。
优选地,在该步骤S3中,根据该数据传输延迟的判断结果,确定该网络节点是否属于异常网络节点;采集异常网络节点中所有传感器形成的监测数据,并分析该监测数据,以此判断该异常网络节点是否存在数据异常;再根据该数据异常的判断结果,进行数据异常上报处理具体包括:
步骤S301,若与该异常传感器处于同一网络节点的所有传感器中超过预设数量比例的传感器被判断为存在数据传输延迟,则确定该网络节点属于异常网络节点;否则,确定该网络节点属于正常网络节点;
步骤S302,采集异常网络节点中所有传感器形成的监测数据,并且每个监测数据作为一个检测样本点,将所有检测样本点随机划分为若干样本簇,再利用下面公式(1)确定所有样本簇之间的样本相似度值E,
在上述公式(1)中,Ci表示将所有检测样本点随机划分为k个样本簇中的第i个样本簇;x表示第i个样本簇包含的检测样本点;∣Ci∣表示对第i个样本簇取绝对值;Ji表示第i个样本簇包含的所有检测样本点的平均值;d(x,Ji)表示求取x与Ji之间的数值距离函数;
当任意一个点的簇分配结果发生改变时,对样本数据集中的每个点,对每个均值点,计算均值点与数据点之间的距离将数据点分配到距离其最近的簇对每一个簇,计算簇中所有点的均值并将均值作为簇的中心;上述过程本质上为一迭代过程,具体而言,将样本数据随机分为K组(组内样本点数目可以不一样),则随机选取K个对象作为初始簇的中心,然后计算每个对象与各个初始簇的中心之间的距离,把每个样本点分配给距离它最近的簇中心。簇的中心以及分配给它们的样本点就代表一个簇。每分配一个样本,簇的中心会根据簇的中现有的对象被重新计算。这个过程将不断重复直到没有样本点被重新分配给不同的簇,没有簇的中心再发生变化;
再利用下面公式(2),得到使得所有样本簇之间样本相似度值最高的每个样本簇对应平均值,
最后利用下面公式(3),将集合D[k]包含的每个平均值与所有检测样本点对应的平均值JZ进行比对,并根据比对结果,对相应样本簇进行标记,
在上述公式(3)中,表示对样本簇Cl进行颜色标记的标记值,R表示预设红色标记值,G表示预设绿色标记值;表示样本簇Cl包含的检测样本点数据正常,并将样本簇Cl标记为绿色;表示样本簇Cl包含的检测样本点数据异常,并将样本簇Cl标记为红色;
步骤S303,对被确定为数据异常的样本簇进行SVDD算法检测,再将SVDD算法检测的结果上报至无线传感器网络的云端平台后,对被确定为数据异常的样本簇进行删除。
上述技术方案的有益效果为:当网络节点中存在数据传输延迟的传感器的数量占比超过一定比例(比如50%),该网络节点整体的监控数据采集与上传会存在异常延迟,即监测数据无法精确地匹配传感器实际的监测情况,此时将该网络节点确定属于异常网络节点。后续利用上述公式(1)-(3)对属于异常网络节点形成监测数据进行预处理,从而从该监测数据中剔除异常检测结果没有影响的冗余数据,这样能够大大降低后续对监测数据进行异常检测的工作量。具体而言,利用上述公式(1),能够对异常网络节点形成的检测样本点集合进行聚类划分,进而将检测样本点集合划分为多个样本簇,以便于后续对所有检测样本点进行区分化处理;利用上述公式(2),根据样本簇的样本相似度,得到使所有样本簇相似度具有最高样本均值,从而完成对检测样本点的初步处理,这样能够有效减少样本点数据量,节省后续SVDD算法的计算时间;利用上述公式(3),能够对存在异常情况的样本簇进行标记,以此保证后续能够准确剔除异常的样本簇。最后,利用SVDD算法对保留下来的所有样本簇的所有样本点数据进行异常检测,从而准确讲剩余的样本点数据区分为正常数据和异常数据,以及将确定为异常数据对应的样本簇中的数据进行上报和删除,从而保证只有属于正常数据的样本点数据能够进入后续的处理流程。其中,利用SVDD算法对保留下来的所有样本簇的所有样本点数据进行异常检测属于本领域的常规技术手段,这里不做详细的累述。
参阅图2,为本发明实施例提供的无线传感器网络异常检测***的结构示意图。该无线传感器网络异常检测***包括传感器状态确定模块、网络节点传输延迟确定模块、网络节点状态确定模块和数据异常判断与上报模块;其中,
该传感器状态确定模块用于采集无线传感器网络中任一传感器在不同时间段内分别形成的两个监测数据序列;分析两个该监测数据序列,以此判断该传感器是否存在监测数据浮动异常;再根据该监测数据浮动异常的判断结果,确定该传感器是否属于异常传感器;
该网络节点传输延迟确定模块用于获取与该异常传感器处于同一网络节点的所有传感器各自分别与网络节点中继终端之间的数据交互传输状态;分析该数据交互传输状态,判断该网络节点中每个传感器与该网络节点中继终端之间是否存在数据传输延迟;
该网络节点状态确定模块用于根据该数据传输延迟的判断结果,确定该网络节点是否属于异常网络节点;
该数据异常判断与上报模块用于采集异常网络节点中所有传感器形成的监测数据,并分析该监测数据,以此判断该异常网络节点是否存在数据异常;再根据该数据异常的判断结果,进行数据异常上报处理。
上述技术方案的有益效果为:该无线传感器网络异常检测***通过对无线传感器网络的任一传感器进行监测数据序列的分析,以此确定对应的传感器是否属于异常传感器;再判断异常传感器所在的网络节点是否存在数据传输延迟,以此确定对应的网络节点是否属于异常网络节点,这样能够对异常网络节点形成的监测数据进行采集和分析,同时在对监测数据进行异常检测前进行数据预处理,以此剔除一部分对异常检测结果没有影响的冗余数据,从而大大减小监测数据的数据量和降低后续进行数据异常检测的工作量,并且还能够提高数据异常检测的准确性和可靠性。
优选地,该传感器状态确定模块用于采集无线传感器网络中任一传感器在不同时间段内分别形成的两个监测数据序列;分析两个该监测数据序列,以此判断该传感器是否存在监测数据浮动异常;再根据该监测数据浮动异常的判断结果,确定该传感器是否属于异常传感器具体包括:
采集无线传感器网络中任一传感器在第一时间段内形成的第一监测数据序列;采集该任一传感器在第二时间段内形成的第二监测数据序列;其中,该第一时间段与第二时间段具有相同的时间长度,以及该第一时间段与该第二时间段相互不邻接;
分析该第一监测数据序列和该第二监测数据序列,以此确定该第一监测数据序列对应的第一方差和该第二监测数据序列对应的第二方差;并确定该第一方差与该第二方差之间的差值的绝对值;
将该差值的绝对值与预设差值阈值进行比对;若该差值的绝对值小于或等于该预设差值阈值,则确定该任一传感器不存在监测数据浮动异常,同时确定该任一传感器属于正常传感器;若该差值的绝对值大于该预设差值阈值,则确定该任一传感器存在监测数据浮动异常,同时确定该任一传感器属于异常传感器。
上述技术方案的有益效果为:无线传感器网络通常包括分布式设置的多个传感器,其中,该传感器可为但不限于是温度传感器或者压力传感器等,每个传感器会监测其所处位置的相应数据,比如温度数据或者压力数据等。同时无线传感器网络在网络结构上包括若干网络节点,每个网络节点形成一个相对独立的监测单元,每个网络节点包括若干传感器和网络节点中继终端,该网络节点中继终端可为但不限于是中继缓存终端或者中继服务器。在每个网络节点中,所有传感器均于网络节点中继终端连接,这样该网络节点中继终端能够与每个传感器进行数据交互传输,从而实现网络节点中继终端对传感器的控制或者网络节点中继终端对传感器形成的监测数据的接收。
由于无线传感器网络包含大量的传感器,若对每一传感器形成的监测数据逐一进行分析,不仅需要花费大量人力物力进行数据处理,同时也无法保证数据分析的效率。为了保证对无线传感器网络中传感器进行有效的排查,可以首先从无线传感器网络中任意选中一个传感器,并在时间长度相同但是相互不邻接的第一时间段和第二时间段分别采集传感器形成的第一监测数据序列和第二监测数据序列,通过将第一时间段和第二时间段设成时间长度相同能够保证传感器在两个时间段内形成的监测数据序列包含的数据个数是相同的,而将第一时间段和第二时间段设成相互不邻接,能够保证第一监测数据序列和第二监测数据序列之间数据关联度降低到最小程度和避免由于偶然因素作用而导致两个监测数据序列相冲突。接着,确定第一监测数据序列和第二监测数据序列各自的方差以及两个方差之间的差异,并对方差的差异进行阈值比对,这样能够根据阈值比对的结果,能够确定该传感器在整个监控数据形成过程中是否存在监测数据浮动异常的情况,若是,则表明该传感器当前自身的数据监控存在问题或者该传感器受到外界环境干扰而导致数据监测存在问题,此时将该传感器标记为异常传感器,能够便于以该异常传感器作为线索对整个无线传感器网路进行数据异常的检测,其相比于逐一对所有传感器进行数据异常检测而言,能够有效地提高异常检测的效率和降低异常检测所耗费的时间。
优选地,该网络节点传输延迟确定模块用于获取与该异常传感器处于同一网络节点的所有传感器各自分别与网络节点中继终端之间的数据交互传输状态;分析该数据交互传输状态,判断该网络节点中每个传感器与该网络节点中继终端之间是否存在数据传输延迟具体包括:
获取与该异常传感器处于同一网络节点的所有传感器分别与网络节点中终端之间在数据交互过程中的上行数据传输速率和下行数据传输速率,以此作为该数据交互传输状态;
确定该上行数据传输速率与该下行数据传输速率之间速率比值,并将该速率比值与预设速率比阈值进行比对;若该速率比值小于或等于预设速率比阈值,则确定对应传感器与该网络节点中继终端之间不能存在数据传输延迟;若该速率比值大于预设速率比阈值,则确定对应传感器与该网络节点中继终端之间存在数据传输延迟。
上述技术方案的有益效果为:当某一网络节点中的传感器被认定属于异常传感器时,该网络节点中的其他传感器会由于该异常传感器的监测数据存在异常而受到影响,从而导致其他传感器与网络节点的网络节点中继终端之间存在数据传输的延迟误差,这将严重影响该网络节点整体形成监测数据的准确性。此时,获取该网络节点中包含该异常传感器的每个传感器分别与网络节点中继终端之间的上行数据传输速率和下行数据传输速率,并确定该上行数据传输速率与该下行数据传输速率之间速率比值以及进行阈值比对,当该速率比值大于预设速率比阈值,表明该下行数据传输速率相比上行数据传输速率过小,此时对应的传感器无法及时将自身形成的监测数据上传至网络节点中继终端上而导致监测数据在传感器内部形成拥堵,即对应传感器与该网络节点中继终端之间存在数据传输延迟。
优选地,该网络节点状态确定模块用于根据该数据传输延迟的判断结果,确定该网络节点是否属于异常网络节点具体包括:
若与该异常传感器处于同一网络节点的所有传感器中超过预设数量比例的传感器被判断为存在数据传输延迟,则确定该网络节点属于异常网络节点;否则,确定该网络节点属于正常网络节点;
以及,
该数据异常判断与上报模块用于采集异常网络节点中所有传感器形成的监测数据,并分析该监测数据,以此判断该异常网络节点是否存在数据异常;再根据该数据异常的判断结果,进行数据异常上报处理具体包括:
采集异常网络节点中所有传感器形成的监测数据,并且每个监测数据作为一个检测样本点,将所有检测样本点随机划分为若干样本簇,再利用下面公式(1)确定所有样本簇之间的样本相似度值E,
在上述公式(1)中,Ci表示将所有检测样本点随机划分为k个样本簇中的第i个样本簇;x表示第i个样本簇包含的检测样本点;∣Ci∣表示对第i个样本簇取绝对值;Ji表示第i个样本簇包含的所有检测样本点的平均值;d(x,Ji)表示求取x与Ji之间的数值距离函数;
当任意一个点的簇分配结果发生改变时,对样本数据集中的每个点,对每个均值点,计算均值点与数据点之间的距离将数据点分配到距离其最近的簇对每一个簇,计算簇中所有点的均值并将均值作为簇的中心;上述过程本质上为一迭代过程,具体而言,将样本数据随机分为K组(组内样本点数目可以不一样),则随机选取K个对象作为初始簇的中心,然后计算每个对象与各个初始簇的中心之间的距离,把每个样本点分配给距离它最近的簇中心。簇的中心以及分配给它们的样本点就代表一个簇。每分配一个样本,簇的中心会根据簇的中现有的对象被重新计算。这个过程将不断重复直到没有样本点被重新分配给不同的簇,没有簇的中心再发生变化;
再利用下面公式(2),得到使得所有样本簇之间样本相似度值最高的每个样本簇对应平均值,
最后利用下面公式(3),将集合D[k]包含的每个平均值与所有检测样本点对应的平均值JZ进行比对,并根据比对结果,对相应样本簇进行标记,
在上述公式(3)中,表示对样本簇Cl进行颜色标记的标记值,R表示预设红色标记值,G表示预设绿色标记值;表示样本簇Cl包含的检测样本点数据正常,并将样本簇Cl标记为绿色;表示样本簇Cl包含的检测样本点数据异常,并将样本簇Cl标记为红色;
对被确定为数据异常的样本簇进行SVDD算法检测,再将SVDD算法检测的结果上报至无线传感器网络的云端平台后,对被确定为数据异常的样本簇进行删除。
上述技术方案的有益效果为:当网络节点中存在数据传输延迟的传感器的数量占比超过一定比例(比如50%),该网络节点整体的监控数据采集与上传会存在异常延迟,即监测数据无法精确地匹配传感器实际的监测情况,此时将该网络节点确定属于异常网络节点。后续利用上述公式(1)-(3)对属于异常网络节点形成监测数据进行预处理,从而从该监测数据中剔除异常检测结果没有影响的冗余数据,这样能够大大降低后续对监测数据进行异常检测的工作量。具体而言,利用上述公式(1),能够对异常网络节点形成的检测样本点集合进行聚类划分,进而将检测样本点集合划分为多个样本簇,以便于后续对所有检测样本点进行区分化处理;利用上述公式(2),根据样本簇的样本相似度,得到使所有样本簇相似度具有最高样本均值,从而完成对检测样本点的初步处理,这样能够有效减少样本点数据量,节省后续SVDD算法的计算时间;利用上述公式(3),能够对存在异常情况的样本簇进行标记,以此保证后续能够准确剔除异常的样本簇。最后,利用SVDD算法对保留下来的所有样本簇的所有样本点数据进行异常检测,从而准确讲剩余的样本点数据区分为正常数据和异常数据,以及将确定为异常数据对应的样本簇中的数据进行上报和删除,从而保证只有属于正常数据的样本点数据能够进入后续的处理流程。其中,利用SVDD算法对保留下来的所有样本簇的所有样本点数据进行异常检测属于本领域的常规技术手段,这里不做详细的累述。
从上述实施例的内容可知,该无线传感器网络异常检测方法和***通过对无线传感器网络的任一传感器进行监测数据序列的分析,以此确定对应的传感器是否属于异常传感器;再判断异常传感器所在的网络节点是否存在数据传输延迟,以此确定对应的网络节点是否属于异常网络节点,这样能够对异常网络节点形成的监测数据进行采集和分析,同时在对监测数据进行异常检测前进行数据预处理,以此剔除一部分对异常检测结果没有影响的冗余数据,从而大大减小监测数据的数据量和降低后续进行数据异常检测的工作量,并且还能够提高数据异常检测的准确性和可靠性。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.无线传感器网络异常检测方法,其特征在于,其包括如下步骤:
步骤S1,采集无线传感器网络中任一传感器在不同时间段内分别形成的两个监测数据序列;分析两个所述监测数据序列,以此判断所述传感器是否存在监测数据浮动异常;再根据所述监测数据浮动异常的判断结果,确定所述传感器是否属于异常传感器;
步骤S2,获取与所述异常传感器处于同一网络节点的所有传感器各自分别与网络节点中继终端之间的数据交互传输状态;分析所述数据交互传输状态,判断所述网络节点中每个传感器与所述网络节点中继终端之间是否存在数据传输延迟;
步骤S3,根据所述数据传输延迟的判断结果,确定所述网络节点是否属于异常网络节点;采集异常网络节点中所有传感器形成的监测数据,并分析所述监测数据,以此判断所述异常网络节点是否存在数据异常;再根据所述数据异常的判断结果,进行数据异常上报处理。
2.如权利要求1所述的无线传感器网络异常检测方法,其特征在于:
在所述步骤S1中,采集无线传感器网络中任一传感器在不同时间段内分别形成的两个监测数据序列;分析两个所述监测数据序列,以此判断所述传感器是否存在监测数据浮动异常;再根据所述监测数据浮动异常的判断结果,确定所述传感器是否属于异常传感器具体包括:
步骤S101,采集无线传感器网络中任一传感器在第一时间段内形成的第一监测数据序列;采集所述任一传感器在第二时间段内形成的第二监测数据序列;其中,所述第一时间段与第二时间段具有相同的时间长度,以及所述第一时间段与所述第二时间段相互不邻接;
步骤S102,分析所述第一监测数据序列和所述第二监测数据序列,以此确定所述第一监测数据序列对应的第一方差和所述第二监测数据序列对应的第二方差;并确定所述第一方差与所述第二方差之间的差值的绝对值;
步骤S103,将所述差值的绝对值与预设差值阈值进行比对;若所述差值的绝对值小于或等于所述预设差值阈值,则确定所述任一传感器不存在监测数据浮动异常,同时确定所述任一传感器属于正常传感器;若所述差值的绝对值大于所述预设差值阈值,则确定所述任一传感器存在监测数据浮动异常,同时确定所述任一传感器属于异常传感器。
3.如权利要求1所述的无线传感器网络异常检测方法,其特征在于:
在所述步骤S2中,获取与所述异常传感器处于同一网络节点的所有传感器各自分别与网络节点中继终端之间的数据交互传输状态;分析所述数据交互传输状态,判断所述网络节点中每个传感器与所述网络节点中继终端之间是否存在数据传输延迟具体包括:
步骤S201,获取与所述异常传感器处于同一网络节点的所有传感器分别与网络节点中终端之间在数据交互过程中的上行数据传输速率和下行数据传输速率,以此作为所述数据交互传输状态;
步骤S202,确定所述上行数据传输速率与所述下行数据传输速率之间速率比值,并将所述速率比值与预设速率比阈值进行比对;若所述速率比值小于或等于预设速率比阈值,则确定对应传感器与所述网络节点中继终端之间不能存在数据传输延迟;若所述速率比值大于预设速率比阈值,则确定对应传感器与所述网络节点中继终端之间存在数据传输延迟。
4.如权利要求1所述的无线传感器网络异常检测方法,其特征在于:
在所述步骤S3中,根据所述数据传输延迟的判断结果,确定所述网络节点是否属于异常网络节点;采集异常网络节点中所有传感器形成的监测数据,并分析所述监测数据,以此判断所述异常网络节点是否存在数据异常;再根据所述数据异常的判断结果,进行数据异常上报处理具体包括:
步骤S301,若与所述异常传感器处于同一网络节点的所有传感器中超过预设数量比例的传感器被判断为存在数据传输延迟,则确定所述网络节点属于异常网络节点;否则,确定所述网络节点属于正常网络节点;
步骤S302,采集异常网络节点中所有传感器形成的监测数据,并且每个监测数据作为一个检测样本点,将所有检测样本点随机划分为若干样本簇,再利用下面公式(1)确定所有样本簇之间的样本相似度值E,
在上述公式(1)中,Ci表示将所有检测样本点随机划分为k个样本簇中的第i个样本簇;x表示第i个样本簇包含的检测样本点;∣Ci∣表示对第i个样本簇取绝对值;Ji表示第i个样本簇包含的所有检测样本点的平均值;d(x,Ji)表示求取x与Ji之间的数值距离函数;
当任意一个点的簇分配结果发生改变时,对样本数据集中的每个点,对每个均值点,计算均值点与数据点之间的距离将数据点分配到距离其最近的簇对每一个簇,计算簇中所有点的均值并将均值作为簇的中心;再利用下面公式(2),得到使得所有样本簇之间样本相似度值最高的每个样本簇对应平均值,
最后利用下面公式(3),将集合D[k]包含的每个平均值与所有检测样本点对应的平均值JZ进行比对,并根据比对结果,对相应样本簇进行标记,
在上述公式(3)中,表示对样本簇Cl进行颜色标记的标记值,R表示预设红色标记值,G表示预设绿色标记值;表示样本簇Cl包含的检测样本点数据正常,并将样本簇Cl标记为绿色;表示样本簇Cl包含的检测样本点数据异常,并将样本簇Cl标记为红色;
步骤S303,对被确定为数据异常的样本簇进行SVDD算法检测,再将SVDD算法检测的结果上报至无线传感器网络的云端平台后,对被确定为数据异常的样本簇进行删除。
5.无线传感器网络异常检测***,其特征在于,其包括传感器状态确定模块、网络节点传输延迟确定模块、网络节点状态确定模块和数据异常判断与上报模块;其中,
所述传感器状态确定模块用于采集无线传感器网络中任一传感器在不同时间段内分别形成的两个监测数据序列;分析两个所述监测数据序列,以此判断所述传感器是否存在监测数据浮动异常;再根据所述监测数据浮动异常的判断结果,确定所述传感器是否属于异常传感器;
所述网络节点传输延迟确定模块用于获取与所述异常传感器处于同一网络节点的所有传感器各自分别与网络节点中继终端之间的数据交互传输状态;分析所述数据交互传输状态,判断所述网络节点中每个传感器与所述网络节点中继终端之间是否存在数据传输延迟;
所述网络节点状态确定模块用于根据所述数据传输延迟的判断结果,确定所述网络节点是否属于异常网络节点;
所述数据异常判断与上报模块用于采集异常网络节点中所有传感器形成的监测数据,并分析所述监测数据,以此判断所述异常网络节点是否存在数据异常;再根据所述数据异常的判断结果,进行数据异常上报处理。
6.如权利要求5所述的无线传感器网络异常检测***,其特征在于:
所述传感器状态确定模块用于采集无线传感器网络中任一传感器在不同时间段内分别形成的两个监测数据序列;分析两个所述监测数据序列,以此判断所述传感器是否存在监测数据浮动异常;再根据所述监测数据浮动异常的判断结果,确定所述传感器是否属于异常传感器具体包括:
采集无线传感器网络中任一传感器在第一时间段内形成的第一监测数据序列;采集所述任一传感器在第二时间段内形成的第二监测数据序列;其中,所述第一时间段与第二时间段具有相同的时间长度,以及所述第一时间段与所述第二时间段相互不邻接;
分析所述第一监测数据序列和所述第二监测数据序列,以此确定所述第一监测数据序列对应的第一方差和所述第二监测数据序列对应的第二方差;并确定所述第一方差与所述第二方差之间的差值的绝对值;
将所述差值的绝对值与预设差值阈值进行比对;若所述差值的绝对值小于或等于所述预设差值阈值,则确定所述任一传感器不存在监测数据浮动异常,同时确定所述任一传感器属于正常传感器;若所述差值的绝对值大于所述预设差值阈值,则确定所述任一传感器存在监测数据浮动异常,同时确定所述任一传感器属于异常传感器。
7.如权利要求5所述的无线传感器网络异常检测***,其特征在于:
所述网络节点传输延迟确定模块用于获取与所述异常传感器处于同一网络节点的所有传感器各自分别与网络节点中继终端之间的数据交互传输状态;分析所述数据交互传输状态,判断所述网络节点中每个传感器与所述网络节点中继终端之间是否存在数据传输延迟具体包括:
获取与所述异常传感器处于同一网络节点的所有传感器分别与网络节点中终端之间在数据交互过程中的上行数据传输速率和下行数据传输速率,以此作为所述数据交互传输状态;
确定所述上行数据传输速率与所述下行数据传输速率之间速率比值,并将所述速率比值与预设速率比阈值进行比对;若所述速率比值小于或等于预设速率比阈值,则确定对应传感器与所述网络节点中继终端之间不能存在数据传输延迟;若所述速率比值大于预设速率比阈值,则确定对应传感器与所述网络节点中继终端之间存在数据传输延迟。
8.如权利要求5所述的无线传感器网络异常检测***,其特征在于:
所述网络节点状态确定模块用于根据所述数据传输延迟的判断结果,确定所述网络节点是否属于异常网络节点具体包括:
若与所述异常传感器处于同一网络节点的所有传感器中超过预设数量比例的传感器被判断为存在数据传输延迟,则确定所述网络节点属于异常网络节点;否则,确定所述网络节点属于正常网络节点;
以及,
所述数据异常判断与上报模块用于采集异常网络节点中所有传感器形成的监测数据,并分析所述监测数据,以此判断所述异常网络节点是否存在数据异常;再根据所述数据异常的判断结果,进行数据异常上报处理具体包括:
采集异常网络节点中所有传感器形成的监测数据,并且每个监测数据作为一个检测样本点,将所有检测样本点随机划分为若干样本簇,再利用下面公式(1)确定所有样本簇之间的样本相似度值E,
在上述公式(1)中,Ci表示将所有检测样本点随机划分为k个样本簇中的第i个样本簇;x表示第i个样本簇包含的检测样本点;∣Ci∣表示对第i个样本簇取绝对值;Ji表示第i个样本簇包含的所有检测样本点的平均值;d(x,Ji)表示求取x与Ji之间的数值距离函数;
当任意一个点的簇分配结果发生改变时,对样本数据集中的每个点,对每个均值点,计算均值点与数据点之间的距离将数据点分配到距离其最近的簇对每一个簇,计算簇中所有点的均值并将均值作为簇的中心;再利用下面公式(2),得到使得所有样本簇之间样本相似度值最高的每个样本簇对应平均值,
最后利用下面公式(3),将集合D[k]包含的每个平均值与所有检测样本点对应的平均值JZ进行比对,并根据比对结果,对相应样本簇进行标记,
在上述公式(3)中,表示对样本簇Cl进行颜色标记的标记值,R表示预设红色标记值,G表示预设绿色标记值;表示样本簇Cl包含的检测样本点数据正常,并将样本簇Cl标记为绿色;表示样本簇Cl包含的检测样本点数据异常,并将样本簇Cl标记为红色;
对被确定为数据异常的样本簇进行SVDD算法检测,再将SVDD算法检测的结果上报至无线传感器网络的云端平台后,对被确定为数据异常的样本簇进行删除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111388255.6A CN114244751B (zh) | 2021-11-22 | 2021-11-22 | 无线传感器网络异常检测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111388255.6A CN114244751B (zh) | 2021-11-22 | 2021-11-22 | 无线传感器网络异常检测方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114244751A true CN114244751A (zh) | 2022-03-25 |
CN114244751B CN114244751B (zh) | 2023-09-15 |
Family
ID=80750409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111388255.6A Active CN114244751B (zh) | 2021-11-22 | 2021-11-22 | 无线传感器网络异常检测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114244751B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115361316A (zh) * | 2022-07-20 | 2022-11-18 | 慧之安信息技术股份有限公司 | 基于边缘计算的物联网数据包传输延迟检测方法 |
CN116009501A (zh) * | 2023-03-22 | 2023-04-25 | 山东瑞芝生物科技股份有限公司 | 一种基于数据分析的原浆生产机台管控*** |
CN117666493A (zh) * | 2023-11-16 | 2024-03-08 | 北京开元泰达净化设备有限公司 | 一种应用于工业物联网的数据交互方法和*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101516099A (zh) * | 2009-04-07 | 2009-08-26 | 华中科技大学 | 一种传感器网络异常检测方法 |
US8779921B1 (en) * | 2010-05-14 | 2014-07-15 | Solio Security, Inc. | Adaptive security network, sensor node and method for detecting anomalous events in a security network |
CN105307200A (zh) * | 2015-09-30 | 2016-02-03 | 西安电子科技大学 | 一种基于轨迹的无线传感器网络多维数据异常值检测方法 |
CN105518756A (zh) * | 2013-09-10 | 2016-04-20 | 瑞典爱立信有限公司 | 用于支持事件的监督的方法和监视中心 |
CN106792883A (zh) * | 2017-01-20 | 2017-05-31 | 哈尔滨工业大学(威海) | 传感器网络异常数据检测方法与*** |
CN108171953A (zh) * | 2018-02-09 | 2018-06-15 | 广东科源电气有限公司 | 电力变压器的无线传感器网络测控装置 |
CN110830946A (zh) * | 2019-11-15 | 2020-02-21 | 江南大学 | 混合型在线数据异常检测方法 |
US20210103794A1 (en) * | 2019-10-04 | 2021-04-08 | Palo Alto Research Center Incorporated | Method and system for semi-supervised anomaly detection with feed-forward neural network for high-dimensional sensor data |
-
2021
- 2021-11-22 CN CN202111388255.6A patent/CN114244751B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101516099A (zh) * | 2009-04-07 | 2009-08-26 | 华中科技大学 | 一种传感器网络异常检测方法 |
US8779921B1 (en) * | 2010-05-14 | 2014-07-15 | Solio Security, Inc. | Adaptive security network, sensor node and method for detecting anomalous events in a security network |
CN105518756A (zh) * | 2013-09-10 | 2016-04-20 | 瑞典爱立信有限公司 | 用于支持事件的监督的方法和监视中心 |
CN105307200A (zh) * | 2015-09-30 | 2016-02-03 | 西安电子科技大学 | 一种基于轨迹的无线传感器网络多维数据异常值检测方法 |
CN106792883A (zh) * | 2017-01-20 | 2017-05-31 | 哈尔滨工业大学(威海) | 传感器网络异常数据检测方法与*** |
CN108171953A (zh) * | 2018-02-09 | 2018-06-15 | 广东科源电气有限公司 | 电力变压器的无线传感器网络测控装置 |
US20210103794A1 (en) * | 2019-10-04 | 2021-04-08 | Palo Alto Research Center Incorporated | Method and system for semi-supervised anomaly detection with feed-forward neural network for high-dimensional sensor data |
CN110830946A (zh) * | 2019-11-15 | 2020-02-21 | 江南大学 | 混合型在线数据异常检测方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115361316A (zh) * | 2022-07-20 | 2022-11-18 | 慧之安信息技术股份有限公司 | 基于边缘计算的物联网数据包传输延迟检测方法 |
CN115361316B (zh) * | 2022-07-20 | 2023-11-10 | 慧之安信息技术股份有限公司 | 基于边缘计算的物联网数据包传输延迟检测方法 |
CN116009501A (zh) * | 2023-03-22 | 2023-04-25 | 山东瑞芝生物科技股份有限公司 | 一种基于数据分析的原浆生产机台管控*** |
CN116009501B (zh) * | 2023-03-22 | 2023-06-16 | 山东瑞芝生物科技股份有限公司 | 一种基于数据分析的原浆生产机台管控*** |
CN117666493A (zh) * | 2023-11-16 | 2024-03-08 | 北京开元泰达净化设备有限公司 | 一种应用于工业物联网的数据交互方法和*** |
CN117666493B (zh) * | 2023-11-16 | 2024-06-14 | 北京开元泰达净化设备有限公司 | 一种应用于工业物联网的数据交互方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN114244751B (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114244751A (zh) | 无线传感器网络异常检测方法和*** | |
CN109816031B (zh) | 一种基于数据不均衡度量的变压器状态评估聚类分析方法 | |
CN115982602B (zh) | 一种光伏变压器电故障检测方法 | |
CN111144435B (zh) | 基于lof和验证过滤框架的电能量异常数据监测方法 | |
CN112580961B (zh) | 基于电网信息***运行风险预警方法及装置 | |
CN112284440B (zh) | 一种传感器数据偏差自适应修正方法 | |
CN115118581B (zh) | 一种基于5g的物联网数据全链路监控和智能保障*** | |
CN108599977B (zh) | 基于统计方法监控***可用性的***及方法 | |
CN111738348B (zh) | 一种电力数据异常检测方法和装置 | |
CN113438110B (zh) | 一种集群性能的评价方法、装置、设备及存储介质 | |
CN116523508B (zh) | 一种基于AIoT资产的智慧运维管理*** | |
CN116881718A (zh) | 一种基于大数据清洗的人工智能训练方法及*** | |
CN113810792A (zh) | 一种基于云计算的边缘数据采集分析*** | |
CN113266921A (zh) | 一种空调设备故障检测方法、装置、设备及介质 | |
US20230213911A1 (en) | Method and device for testing product, computer device and readable storage medium | |
CN111614504A (zh) | 基于时间序列和故障树分析的电网调控数据中心业务特性故障定位方法及*** | |
CN116011850A (zh) | 一种磷酸铁锂智能全过程质量监管平台 | |
CN114597886A (zh) | 基于区间二型模糊聚类分析的配电网运行状态评估方法 | |
CN114975184A (zh) | 半导体良率监测方法、装置、电子设备和存储介质 | |
CN112799911A (zh) | 一种节点健康状态检测方法、装置、设备及存储介质 | |
CN114003466A (zh) | 一种用于微服务应用程序的故障根因定位方法 | |
CN116956638B (zh) | 一种设备寿命数据联合拟合检验分析方法 | |
CN117873007B (zh) | 基于工业物联网的制造流程管理方法、***、设备及介质 | |
CN112445632A (zh) | 基于故障数据建模的hpc可靠性评估方法 | |
CN117650995B (zh) | 一种基于离群检测的数据传输异常识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |