[发明专利]一种基于感知数据的无线传感器网络异常类型鉴别方法

权利要求书

1.一种基于感知数据的无线传感器网络异常类型鉴别方法，其特征在于：该方法包括以下步骤：

S1：无线传感器网络节点每隔一个固定时间间隔Δt收集一组感知数据，包括温度、湿度或亮度，并将其发送给基站，在没有发生攻击行为时间段内，基站将收到的感知数据集生成检测特征集，作为训练数据，即训练集；

S2：将训练集进行z-score标准化方法归一化，并保留列均值μ和列方差σ；

S3：将训练集进行主成分分析法PCA降维，保留特征向量矩阵E^*和列均值向量μ^*；

S4：采用基于密度的竞争聚类算法DCCA将训练集聚类为正常簇和异常簇；

S5：当新的检测特征出现时，依据列均值μ和列方差σ进行归一化，经特征向量矩阵E^*和列均值向量μ^*降维，最后根据其划归在正常簇与异常簇的收益值判定网络是否异常；

在步骤S1中，所述无线传感器网络节点为S＝{S_j:j＝1,2,…,m}，其中m是节点的数量；所述一组感知数据是一个p维向量v_j＝(v_j1,v_j2,…,v_jp)，v_j∈R^p，其中p表示感知数据的类型数，R为实数域；所述感知数据集为V＝{v₁,v₂,…,v_n}，其中n为组数，与节点ID无关，n≤m；V的均值为其中V的均方差为σ＝{σ₁,σ₂,…,σ_p}，其中所述检测特征为向量其维度为q＝2p；定义检测特征完整度为检测特征ID为其中t是该检测特征的接收时间；定义时间段[0,T]内收到的检测特征集作为训练数据，表示为矩阵X_T＝{x₁,x₂,…,x_k}，k＝T/Δt；

所述步骤S2包括以下步骤：

S201：定义训练数据为

S202：将X_T经公式进行归一化，其中μ是矩阵X_T的列均值，σ是矩阵X_T的列均方差，得到

所述步骤S3包括以下步骤：

S301：计算的列均值向量μ^*并对进行零均值化得到矩阵其中零均值化就是矩阵中的每个数减去自身所在列的均值；

S302：通过公式计算矩阵X'的协方差矩阵；

S303：计算协方差矩阵的特征向量E＝{e₁,e₂,…,e_q}与特征值λ₁,λ₂,…,λ_q，其中特征值按从大到小排序，与特征向量一一对应；

S304：计算贡献率当前l个特征值贡献率之和大于θ时，保留对应l个特征向量组成矩阵E^*；

S305：计算得到降维后的矩阵X＝X'*E^*；

所述基于密度的竞争聚类算法包括以下步骤：

S401：给定降维后的训练数据，计算每个点的代价函数，若该点在其邻域内代价值最大，则为聚类中心；

S402：每个点依据其他点选择聚类中心的概率选择收益最大的类；

S403：每个点基于每次选择结果重新选择直到所有点的收益值都达到最大；

S404：依据各个点的选择结果形成了多个簇，通过簇均值和簇均方差区分簇的类型，即正常簇与异常簇；

所述步骤S401包括以下步骤：定义降维后的训练数据集X＝{x₁,x₂,…,x_k}，计算每个点x的代价函数其中，dist为欧式距离，d_c为截断距离，d_c可取所有点的相互距离中由小到大排列占总数1％的位置的距离数值；若该点在其邻域内代价值最大，则为聚类中心；

所述步骤S402包括以下步骤：定义点x_i与点x_j同属一个聚类时，点x_i的收益值value(x_i,x_j)＝exp(-dist(x_i,x_j))，定义点x_i选择与点x_j归属同一类的概率为则点x选择归属到聚类中心c的收益函数为g(x)＝value(x)probs(c)，其中value(x)＝(value(x,x₁),value(x,x₂),…,value(x,x_k))，probs(c)＝(probs(x₁,c),probs(x₂,c),…,probs(x_k,c))，若点x选择聚类中心c的收益值最大，即获取的利益最大，则选择归类到聚类中心c；

所述步骤S403包括以下步骤：定义点x归属到聚类C的收益为h(x)，其中num表示聚类C中点的个数，若x∈C,则个数减1；点x依据在各个聚类的收益值，重新选择归属到收益值最大的聚类中，所有点重复选择直到所有点选择不变，达到平衡，即所有点获得最大收益；

所述步骤S404包括以下步骤：定义一个簇内所有检测特征中的感知数据均值的平均值为簇均值其中表示第i个检测特征的第j个均值，num表示簇中检测特征的个数；定义一个簇内所有检测特征中的感知数据均方差σ的平均值为簇均方差其中σ_ij分别表示第i个检测特征的第j个均方差；通过计算各个簇的簇均方差来划分正常数据和噪声，其中簇均方差最大的簇为异常簇且异常是由噪声与错误引起的，簇内点为噪声与错误，而簇均方差最小的簇为正常簇，剩余簇依据与正常簇以及异常簇的簇均方差的差异程度就近判断为正常或异常；

所述步骤S5包括以下步骤：

S501：定义一个簇内所有检测特征的完整度A的平均值为簇完整度其中A_i表示第i个检测特征的完整度；定义一个簇内的所有检测特征ID的方差为簇连续度其中d_i表示第i个检测特征的ID，为均值；

S502：新的检测特征x_new先经z-score标准化以及PCA降维后得到点x；

S503：通过公式计算点x归属到各个簇的收益值；若收益值的最大值大于给定的阈值ε＝10e-5，则将点x归属到收益值最大的簇中；若点x归属到正常簇，则判定为正常值，否则判定为异常值并根据异常簇的类型决策引起点x异常的原因；若收益值的最大值小于给定的阈值，也就是点x在现有的簇中的收益值小到可以忽略不计，则点x形成一个新簇；根据规则判定新簇的类型，在判定点x的归属后用它替换对应簇内旧的检测特征；

所述规则如下：若新簇的簇均值、簇均方差、簇完整度以及簇连续度均与正常簇持平，则判定该簇为正常簇；若新簇的簇均方差和簇连续度大于正常簇而簇完整度与正常簇持平，则该簇判定为异常簇且异常是由噪声与错误引起的；若新簇的簇均方差、簇完整度和簇连续度与正常簇持平，而簇均值远大于或远小于正常簇，则该簇判定为异常簇且异常是由事件引起的；若新簇的簇均方差与正常簇持平，而簇均值和簇完整度均远小于正常簇，则该簇判定为异常簇且异常是由与网络协议相关的攻击引起的；若新簇的簇均方差大于正常簇，而簇连续度与正常簇持平，则该簇为异常簇且异常是由恶意数据注入攻击引起的；其中，持平、大于、远大于和远小于指标都是与训练集的正常簇相比而言，持平表示两者的数量级相同，远大于和远小于表示新簇大于或小于正常簇一个数量级以上。