[发明专利]混合型在线数据异常检测方法

说明书

本发明公开了混合型在线数据异常检测方法，属于无线传感器网络数据可靠性领域。本发明采用复合的异常检测方法，利用无线传感器网络中数据时间相关性和空间相关性的特点，提高了算法的检测精度。并且本发明采用了分布式的计算方法，降低了节点的通信和计算开销，降低节点的能耗，可以实现异常的实时检测，适合部署到真实的节点系统中。通过python仿真实验验证了混合型在线数据异常检测方法具有较高的准确性和鲁棒性。

技术领域

本发明属于无线传感器网络数据可靠性领域，涉及混合型在线数据异常检测方法，是一种复合的在线异常检测算法。

背景技术

随着物联网的发展，大量无线传感器网络被部署在真实环境中，用于采集各种环境数据(如温度、湿度、土壤酸碱度等)，海量的数据随之产生。通过对采集的数据的实时分析，我们可以实现对环境的实时监控，从而判断不良的环境条件(如森林监控系统检测到火灾，智慧农业系统检测到土壤PH值不适宜等)，可以科学地指导人们的生产生活，但是其前提是确保数据真实可靠。

经大量研究发现，大多无线传感器网络采集的数据存在数据异常的问题。数据的异常有很多影响因素，如节点的损坏、节点的断电、其他噪声、甚至网络攻击等。由于节点部署的特殊性，大多数的影响因素无法有效地避免。因而，数据的异常检测技术尤为重要。一般的异常检测方法可以分为以下几类：基于统计、基于近邻、基于聚类和基于学习等。近些年来，为提高检测的实时性，在线异常检测的研究越来越受到科研人员的关注。

M.Xie等人提出的基于超网格结构的K近邻异常检测方法，大大降低了基于距离的检测方法的计算复杂度(M.Xie,J.Hu,S.Han,and H.-H.Chen,“Scalable hypergrid k-NN-based online anomaly detection in wireless sensor networks,”IEEE Transactionson Parallel and Distributed Systems,vol.24,no.8,pp.1661-1670,2012.A.B.Sharma,L.Golubchik,and R.Govindan,“Sensor faults:Detection methods and prevalence inreal-world datasets,”ACM Transactions on Sensor Networks(TOSN),vol.6,no.3,pp.23,2010.)。通过构建超网格结构，将特征空间划分为一个个连续的超立方体。然后将数据点映射到一个个超立方体中，进而统计非空的超立方体的坐标以及包含在其内的数据点的数量，形成一个全局标准文件(NP)。最终，不同于一般的基于距离的检测方法，HGDB方法只需从NP中统计测试数据映射后的区域邻近超立方体中的数据量总和，比较统计值与阈值大小。如果统计值大于阈值，则测试数据为正常，反之相反。HGDB在算法原理简单，将一般基于距离的超椭球体检测域改为超立方体检测域，易实现，具有计算复杂度低的优点，且其考虑到了分布式计算的方法，是一种有效的在线检测方法。然而，基于距离的异常检测方法只考虑测试数据与整体数据的分布关系，而忽略了无线传感器数据的时间相关性的特点，所以这类方法对于上下文异常检测精度不高，尤其是那些低强度的噪声。

发明内容

[技术问题]

本发明要解决的技术问题是提高无线传感器网络异常检测的精度，在保障低的计算复杂度的前提下，提高检测精度，增强算法的鲁棒性。

[技术方案]