[发明专利]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

说明书

本发明公开了一种关于无线传感器网络多维数据的异常值检测方法。主要考虑现有方法中不能很好的利用传感器节点之间的空间相关性及节点数据的时间相关性等问题。主要方法是通过对传感器节点进行分簇，并进一步对所得分簇结果训练包含所有簇内节点的椭圆，从而可以达到对数据降维的目的。对网络内所有节点选取相同时间段10组数据并作相应降维处理后，将降维后的10个数据拟合成一条曲线，作为测试曲线。同样对次日相同时间段内的节点数据作上述处理，所得曲线作为检测曲线。通过对测试曲线与检测曲线的趋势及相似度进行比较，判断该节点收集到的数据是否存在异常值。本发明所述异常值检测方法实现过程比较简单，且在检测过程中不需要额外的数据通信，同时还可以实现对传感器节点收集的多维数据的检测。

技术领域

本发明涉及无线传感器领域，特别是无线传感器网络中多维数据异常值检测，用于解决无线传感器网络所收集的多维数据存在不可靠数据的问题。

技术背景

无线传感器网络(WSNs)是由大量廉价微型节点组成，且节点之间通过无线电通信方式交流。网络的目的是通过节点之间的相互协作来完成对部署区域的监测并将收集到的数据传输给远程观测者。由于网络监测区域多为无人监督的恶劣环境，同时出于对部署成本的考虑，网络通常选择低成本、低质量的节点，导致传感器所采集到的数据会存在许多误差数据、错误数据、不一致数据甚至可能丢失数据。传感器节点所收集的数据存在如此多的不可靠数据使得其不能被直接用于科学研究。为此，为了更好的使用WSNs数据，同时为了实现其各种功能，对网络中的异常值进行检测变得日趋重要。

目前，已经有多重异常值检测方法：基于邻近节点的方法，基于统计学的方法，基于分簇的方法，基于聚类的方法以及基于频谱分析的方法。但是，传感器网络的一些自身特点使得并不是所有的现有检测方法都能很好的直接用于其中。为此，为了更好的设计关于WSNs的高效、可行的异常值检测方法，需要考虑以下特点：

(1)节点能力受限。传感器节点的廉价微型特性导致其携带电源的能量相当有限。能量的多少在一定程度上影响了传感器节点的处理、储存和通信收发能力。因此，在实际应用中，应该充分考虑传感器节点的各种能量和能力限制，然而多数传统检测方法很少考虑算法在节点能力受限的情况下的性能。

(2)分布式自组织。在WSNs中，所有节点均处于相同地位，没有任何一个节点是严格意义上的“统治者”，这种网络节点之间的平等直接影响即是其通过分布式协作即可保证网络的正常运行。同时，WSNs的节点具有很强的自组织能力，其可以在任何恶劣或者动态环境下配置网络，并通过特定的途径将监测数据传送给远程观测者，实现网络的功能。考虑网络的超强自组织能力能很好降低网络开销，从而设计更有效的异常值检测算法

(3)高能耗高负载。无线传感器网络节点的无线通信会消耗节点的大部分能量，其是节点计算消耗的好多倍。然而，多数传统异常值检测方法采用集中处理所收集数据的方法，大大增加了节点能耗和通信负载，降低网络寿命。因此，如何可以降低通信能耗以延长WSNs寿命是设计WSNs异常值检测方法的一个重要考虑方面。

(4)实时性。综合分析WSNs的应用领域可以得出，对异常值的检测都需要在线且实时。网络对事件的反应时间与系统的性能成正比。因此，设计实时的异常值检测方法是及其有必要的。

综上所述，实时的、分布式的同时可以保持较低通信能耗与通信负载，并可以实现较高检测率与较低误报率的异常值检测方法才是适合无线传感器网络的异常值检测算法。

在文献Statistics-based outlier detection for wireless sensor networks中，作者给出几种基于统计学模型的WSNs异常数据检测方法。包括只考虑时间相关性的方法、只考虑空间相关性的方法以及同时考虑时空相关性的方法。但是，就多维数据而言，文章中依然采用时间序列模型及地理统计学，没有考虑对数据降维，大大增加了计算消耗。