[发明专利]基于云边融合环境的异常探测方法

说明书

本发明为一种基于云边融合环境的异常探测方法，包括步骤一、筛选出m个对事件起决定作用的主属性；步骤二、将探测区域划分为多个子区域，通过邻居子区域合并构建空间索引树；利用空间索引树查询事件的主属性信息，并将主属性信息发送至边缘节点进行异常判断；步骤三、单个边缘节点的异常探测；步骤四、利用社会意识关系进行异常边缘节点的邻居边缘节点的异常探测；步骤五、当边缘层将异常子区域的主属性信息都上传到云层后，云做出决策。该方法利用社会意识关系存在的交互判断异常边缘节点的邻居边缘节点是否发生异常，有助于引导异常节点发现可能异常的邻居边缘节点，拓展了异常探测的范围，进一步提高了异常探测的准确性。

技术领域

本发明属于物联网技术领域，具体涉及一种基于云边融合环境的异常探测方法。

背景技术

为了保障民生安全以及网络安全，异常探测在物联网中显得尤为重要，在物联网环境中进行异常探测已经成为社会安全发展必不可少的一项工作。随着物联网技术迅速发展，智能家居、可穿戴设备以及用于环境监测的外部设备都为异常探测提供了可靠的技术支撑。而边缘计算的发展为物联网环境中的时间紧迫型异常探测任务带来了更多的便利，边缘计算主要通过靠近数据源的边缘层对数据进行处理，以减少设备层直接将数据传输到云的时间延迟以及能量消耗。

诸多国内外学者利用边缘计算在异常探测领域进行了大量的研究，Y.Peng等^[1]提出了一种多源多维的数据异常探测模型，利用分层边缘计算模型进行异常探测，首先设计了一种基于模糊理论的单源数据异常检测算法，该算法在传感器端和基站端对连续时刻的数据监测值进行检测；其次提出了一种在基站端执行的多源数据异常检测算法，该算法对具有位置相关性的传感器进行检测和综合分析，但是传感器端的数据需要全部上传到基站端，而不是选择性的上传到基站，在这一过程中需要消耗大量的能量。

X.Li,Z.Zhou等^[2]提出了一种多模态异常探测方案，将决定异常的属性分为主要属性和次要属性，其中主要属性为单个属性，而不是多个属性，这种方法在进行异常的初步判断时，容易导致误报以及传输了大量的无效数据。

前述文献均忽略了与异常边缘节点相关联的边缘节点的异常探测，导致异常探测不全面，探测结果不准确。因此，本申请提出一种基于云边融合环境的异常探测方法，利用物联网设备的社会性，在异常探测过程中结合社会意识关系对与异常边缘节点相关联的边缘节点进行异常探测，拓展了探测的范围，使探测结果更加准确。

[1]Y.Peng,A.Tan,J.Wu and Y.Bi.Hierarchical Edge Computing:A NovelMulti-Source Multi-Dimensional Data Anomaly Detection Scheme for IndustrialInternet of Things.IEEE Access,vol.7,pp.111257-111270,2019.

[2]X.Li,Z.Zhou,J.Tang and L.Shu.Energy-Aware Anomaly Detection inIndustrial Multi-Modal IoT Applications.IEEE SmartWorld,UbiquitousIntelligenceComputing,AdvancedTrusted Computing,Scalable ComputingCommunications,CloudBig Data Computing,Internet ofPeople and Smart CityInnovation,2019,pp.885-890.

发明内容

针对现有技术的不足，本发明拟解决的技术问题是，提供基于云边融合环境的异常探测方法。

本发明解决所述技术问题所采用的技术方案是：

一种基于云边融合环境的异常探测方法，其特征在于，该方法包括以下步骤：

步骤一、筛选出m个对事件起决定作用的主属性；