一种传感器网络异常检测方法技术

一种传感器网络异常检测方法，对网络进行分簇，各簇中簇头汇聚簇 内各单位时间内所有节点的高维数据序列，采用隐马尔科夫模型构建方法 构建各单位时间的节点高维数据变迁模型，以模型相似性为分类基准，将 各节点高维数据变迁模型进行分类，对于每一类的节点高维数据初始变迁 模型，将其包含单位时间内的所有高维数据序列汇聚，再次采用隐马尔科 夫模型构建方法构建新的节点高维数据变迁模型，利用新的高维数据变迁 模型对簇中进行异常检测。本发明专利技术充分利用传感器网络中数据时间和空间 相关性，有效减少数据冗余及通信开销，延长传感器节点的寿命，达到异 常检测的目的。

【技术实现步骤摘要】

本专利技术涉及无线传感器网络，特别是涉及无线传感器网络异常检测的 方法。
技术介绍
在无线传感器网络中，大量的原始传感器数据之间一般都有高度的空间或时间相关性，把所有这些数据完全传输到基站节点(Sink)既浪费能 量也没有必要。数据融合(data aggregation,或称为数据汇聚)的主要 思想就是传输路径上的节点之间进行交互式的协同合作，通过去除相关性 冗余来大大压縮数据量，从而以更少的数据表达同样或相当的信息量。当前基于传感器网络节点数据空间相关性或时间相关性进行的数据融 合已有部分的研究成果，但是并未形成一个理论体系。尤其针对空间相关 性和时间相关性的利用都是割裂开来的，没有将空间相关性和时间相关性 有机的、系统的结合在一起，从而阻碍了数据融合效率的进一步提高；现有的数据融合模型都是局部独立的，对各个局部之间的关系和多层 次信息融合没有一个科学的解释和建模。实际上数据之间的相关性是具有 层次性的，而且是随着距离的增加而逐渐减弱的，各个局部之间还具有相 关性，现有研究都是确定性的划定一个区域或界限为局部，只认定为这部 分的数据拥有局部相关性。现有的数据融合处理模型首先是关注传感器数据，对于数据反映的被 探测事件建模只是进行了简单的处理，这就如同语音编码中的幅值编码和 模型编码的差距；另外，现有的数据处理模型对高级应用特性支持不足， 如同样是表现温度数据，需要拓扑信息的数据融合研究(如等高线求取)和仅需要统计信息的数据融合研究采用的方法完全不同，没有统一的数学 模型形式。此外针对多重传感数据(如同时表现温度、湿度)的统一数据 融合的研究还没有有意义的成果。而这些数据处理的理论、方法，往往需 要把原始的低维数据集转化为高维数据集，目前的研究主要局限在低维应用场合，高维数据集的分析和建模工作尚未完全展开；最后，现有的数据 处理模型主要集中在使用线性系统来分析和处理数据的空间和时间相关 性，例如使用线性预测模型来进行预测从而减少数据传输，但现实的系统 往往较为复杂，线性系统模型往往不具有通用性。有很多异常值检测算法都是判断传感器节点数据和其相邻节点数据的 差值来决定是否是异常值，这样需要的时间较长而且不能保证其准确性。 利用数据融合的架构，将异常值检测问题转化成给定数据融合的构架的推 理问题，即对于给定序列，根据已有的数据融合的构架推测出其对应的最 大可能的状态序列，如果根据己有的模型使用现有的状态序列得到的似然 函数值来判断，结果将更实用。
技术实现思路
本专利技术的目的在于提供一种无线传感器网络异常检测方法，充分考虑 数据在时间上和空间上的相关性，有效减少数据冗余及通信开销，延长传 感器节点的寿命，达到异常检测的目的。，对网络进行分簇，各簇按照如下方法 进行异常检测步骤1)簇头汇聚簇内第i个单位时间内所有节点的高维数据序列，以该高维数据序列为训练样本，采用隐马尔科夫模型构建方法构建第i个 单位时间的节点高维数据变迁模型，i = l， 2，…，N， N为提取的单位时间 数量；步骤2)以变迁模型相似性为分类基准，将第l， 2，， N个单位时 间的节点高维数据变迁模型进行分类；步骤3)对于属于第j类的节点高维数据初始变迁模型，将其对应单位时间内的所有高维数据序列汇聚，构成新的训练样本，采用隐马尔科夫模型构建方法构建第j类节点高维数据变迁模型，j=l， 2，…，Nl， Nl为 步骤2)得到的分类数；步骤4)利用第j类节点高维数据变迁模型对簇中所有节点采集的数 据进行异常检测。本专利技术的技术效果体现在(1) 多维数据融合。对网络中的高维数据集(如同时包含温度、湿度) 进行数据融合，采用HMM模型对高维数据集进行建模，建立适合任何维 数的一般数据集的数据融合模型；(2) 减少冗余，减少开销。本专利技术充分利用传感器网络采集到数据时 间和空间上的相关性，首先通过分簇算法，由空间上的相关性，簇内节点 采集到的数据差异不大，以簇为单位进行建模，减少了模型的冗余，也方 便对簇内节点采集到的后续数据进行异常检测；考虑时间上的相关性，对 模型分类，重新构建新训练样本构建新模型，进一步减少模型的冗余；采 用隐马尔科夫模型对高维数据集变迁进行建模，使得在异常检测的过程中 从节点无需将采集到的所有数据发送给簇头节点，只需将变迁序列(即采 样后的序列)发送给簇头节点，从而大大减少了通信开销。附图说明图1为本专利技术无线传感器网络结构示意图； 图2为本专利技术异常检测方法总体流程图； 图3为无线传感器网络分簇结果示意图； 图4为训练样本示意图；图5为异常检测结果示意图图5(a)为3月17号簇中节点二维数据变 迁图；图5(b)为3月18号簇中节点二维数据变迁图；图5(c)为3月17 号簇中节点二维数据图(不包括节点3，粗线为节点4的变迁曲线)；图5(d)， 5(e)，5(f)为3月18号簇中节点二维数据图(不包括节点3，图中的粗线分6别为节点2， 7， 9的变迁曲线)。具体实施例方式为了更加清楚的表明本专利的目的、技术方案和优点，下面结合附图及具体实例对本方法做出详细说明。本专利技术针对无线传感器网络中的异常检测问题，能够对网络中的高维数据集(同时包含温度和湿度的读数)进行数据融合，提取出有用信息，最终得出异常检测结果。图1描述了实施例所用传感器网络的布局，实施例中所用的传感器数据，是由英特尔伯克利研究实验室(Intel Berkeley Research lab)采集到l 54个节点从2004年2月28号到4月5号的数据。单位时间为12小时的整数倍，实例中以单位时间为一天(24小时)举例说明。图2是实施例的流程示意图，包括以下步骤步骤l根据空间位置的相邻性，对网络进行分簇。对于图1所示的网络结构，我们通过以下方法对网络进行分簇每个节点有一个状态标记位，初始化为0， 0表示节点未确定状态，l表示节点己确定自己是簇头节点或者从节点；每个节点有一个层次(leval)标记位，初始化为°°;每个节点还有标记父节点的parent标记位。每个节点在(0， W3)内随机选择自己的临时ID号，其中N表示网络中节点的总数。步骤ll节点间进行通信，每个节点得到h跳以及h跳以内邻居节点的信息，h可以随意取值，本实验中h取为2。状态标记为O的节点将自己的ID号与标记号为0的h跳以及h跳以内邻居节点的ID号作比较，如果自己的ID号最大，则确认自己为簇头节点，即将leval标记位置为0,表示簇头节点在第O层，并且将自己的状态标记位置为1，进入步骤12。步骤12状态标记位为0的所有节点比较自己与间距h跳以及h跳以内的簇头节点的相似性，本专利技术中我们用相关系数来表示两个节点的相似性，即假设h，x!分别为节点Sk，Si在一天中读到的序列样本，相关系数^定义为，r— 五to)-取)五)其中E ()为取均值符号。如果相关系数大于相关性阈值，两条曲线相似性越大，相关系数趋近于1，本实验中我们设相关系数大于0.97，节点将自己的状态标记位置为1，节点为从节点。步骤13重复步骤11、步骤12，直到网络中的所有节点的状态标记位全为l。步骤14每个从节点计算自己和间距一跳范围内所有簇头节点的相似性，找到相关系数最大的簇头节点，如果该相关系数大于相关性阈值，如相关系数大于0. 97，则将该从节点的本文档来自技高网...

【技术保护点】
一种传感器网络异常检测方法，对网络进行分簇，各簇按照如下方法进行异常检测：　步骤１）簇头汇聚簇内第ｉ个单位时间内所有节点的高维数据序列，以该高维数据序列为训练样本，采用隐马尔科夫模型构建方法构建第ｉ个单位时间的节点高维数据变迁模型，ｉ＝１，２，…，Ｎ，Ｎ为提取的单位时间数量；　步骤２）以变迁模型相似性为分类基准，将第１，２，…，Ｎ个单位时间的节点高维数据变迁模型进行分类；　步骤３）对于属于第ｊ类的节点高维数据初始变迁模型，将其对应单位时间内的所有高维数据序列汇聚，构成新的训练样本，采用隐马尔科夫模型构建方法构建第ｊ类节点高维数据变迁模型，ｊ＝１，２，…，Ｎ１，Ｎ１为步骤２）得到的分类数；　步骤４）利用第ｊ类节点高维数据变迁模型对簇中所有节点采集的数据进行异常检测。

【技术特征摘要】
1、一种传感器网络异常检测方法，对网络进行分簇，各簇按照如下方法进行异常检测步骤1)簇头汇聚簇内第i个单位时间内所有节点的高维数据序列，以该高维数据序列为训练样本，采用隐马尔科夫模型构建方法构建第i个单位时间的节点高维数据变迁模型，i＝1，2，…，N，N为提取的单位时间数量；步骤2)以变迁模型相似性为分类基准，将第1，2，…，N个单位时间的节点高维数据变迁模型进行分类；步骤3)对于属于第j类的节点高维数据初始变迁模型，将其对应单位时间内的所有高维数据序列汇聚，构成新的训练样本，采用隐马尔科夫模型构建方法构建第j类节点高维数据变迁模型，j＝1，2，…，N1，N1为步骤2)得到的分类数；步骤4)利用第j类节点高维数据变迁模型对簇中所有节点采集的数据进行异常检测。2、 根据权利要求1所述的一种传感器网络异常检测方法，所述步骤2) 采用K均值算法分类。3、 根据权利要求1所述的一种传感器网络异常检测方法，其特征在 于，所述单位时间为12小时的整数倍。4、 根据权利要求1所述的一种传感器网络异常检测方法，其特征在于...

【专利技术属性】
技术研发人员：刘文予，蒋洪波，舒乐，张松涛，刘文平，陈金华，刘军，
申请(专利权)人：刘文予，蒋洪波，舒乐，张松涛，刘文平，陈金华，刘军，
类型：发明
国别省市：83