无线传感器网络中基于多属性的异常检测技术的研究

论文摘要

无线传感器网络(Wireless Sensor Network, WSN)广泛应用于环境监测、交通控制等诸多领域。异常检测作为无线传感器网络的重要应用之一,受到越来越多的重视。然而由于传感器节点具有感知准确性低、硬件资源有限、抵制干扰性能差等特点,节点会因为环境噪声、自身硬件的干扰、环境变化的影响、能量的枯竭以及硬件的故障感知到错误数据,这些错误数据会严重影响到检测结果的准确性。包含这种错误数据的结果信息在降低检测结果准确度的同时会损失大量人力物力,因此,采用一种网内检测的方法来保证检测结果的高准确性尤为重要。本文通过分析传感器数据属性关联性的特点,给出相关属性的概念,并以此为基础建立了属性的多维数据空间。通过比较数据点之间的相似度确定真正的异常数据。针对相关属性中只有个别属性变化的情况,补充了属性变化度来衡量属性数据的变化程度,仅当属性变化度为1且有与之相似的邻居节点的节点数据才是真正的异常数据。异常数据的检测过程分为时间关联检测和空间关联检测。在时间关联检测过程,传感器节点存储少量的历史数据,利用加权的方法计算当前时刻感知数据与所有历史数据的综合数据相似度,进而计算针对当前历史数据的平均数据相似度,如果平均相似度低于给定的阈值,就认为当前数据是非正常数据,向邻居节点发送异常数据信息,转入到空间关联检测阶段。在空间关联检测过程,邻居节点计算与暂时性异常节点感知数据的相似度,如果数据相似度大于给定阈值,则视为异常数据,向基站发送感知数据并向暂时性异常节点发送应答信息。如果是噪声数据,利用邻居节点的反馈信息取代当前时刻的感知值。当前时刻数据存入历史数据中,数据窗口向前移动一位转入下一时刻的检测过程。基站端利用决策树算法,基于历史数据挖掘出相关属性信息及异常数据规则,下发到每个传感器节点,进而可以更加准确,更加节能的发现异常数据。经过实验和分析证明,本文提出的基于多属性的时空关联异常节点检测技术能够有效的检测出异常数据,过滤噪声数据,减少数据的上传量。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景
• 1.2 问题的提出
• 1.3 本文工作
• 1.4 组织结构
• 第2章 相关工作
• 2.1 无线传感器网络的关键技术
• 2.2 异常检测技术
• 2.2.1 基于统计的方法
• 2.2.2 基于邻近度的离群点检测
• 2.2.3 基于密度的离群点检测
• 2.2.4 基于聚簇的技术
• 2.3 多维数据的异常检测技术
• 2.3.1 多维数据对异常检测算法的影响
• 2.3.2 多维数据空间异常检测算法
• 2.4 无线传感器网络中的异常检测技术
• 2.5 本章小结
• 第3章 基于异常检测的多属性模型
• 3.1 多属性模型的条件
• 3.2 问题的定义及相关概念
• 3.2.1 属性空间
• 3.2.2 数据相似度
• 3.2.3 空间关联性
• 3.2.4 时间关联性
• 3.3 多属性模型结构
• 3.3.1 数据的标准化方法
• 3.3.2 多属性模型原理
• 3.4 本章小结
• 第4章 基于多属性的时空关联异常节点检测技术
• 4.1 多属性时间关联异常节点检测
• 4.1.1 滑动窗口技术
• 4.1.2 时间关联异常检测算法
• 4.2 多属性空间关联异常节点检测
• 4.2.1 空间关联异常检测算法
• 4.2.2 合并异常信息
• 4.2.3 通讯代价
• 4.3 相关属性挖掘
• 4.3.1 连续属性离散化
• 4.3.2 相关属性及关联规则的确定
• 4.4 本章小结
• 第5章 实验与分析
• 5.1 实验数据集
• 5.2 实验参数
• 5.3 实验结果与分析
• 5.3.1 实验衡量标准
• 5.3.2 平均相似度阈值ε的影响
• 5.3.3 窗口大小的影响
• 5.3.4 分布密度的影响
• 5.3.5 Outlier数量的影响
• 5.3.6 与其它方法的对比与分析
• 5.4 本章小结
• 第6章 结论
• 参考文献
• 致谢
• 攻读硕士期间参加的项目及发表的论文