基于圖模型的無線傳感器網(wǎng)絡(luò)的異常檢測(cè).pdf

1、隨著傳感器技術(shù)、嵌入式計(jì)算技術(shù)和分布式信息處理技術(shù)的迅速發(fā)展，無線傳感器網(wǎng)絡(luò)(Wireless Sensor Networks，WSN)應(yīng)運(yùn)而生并日漸成熟，其應(yīng)用也隨之越來越廣。異常檢測(cè)是很多無線傳感器網(wǎng)絡(luò)的關(guān)鍵應(yīng)用之一，具有重要的研究價(jià)值。為此本論文設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)異常檢測(cè)分析系統(tǒng)，實(shí)現(xiàn)WSN中異常行為的檢測(cè)。該異常檢測(cè)系統(tǒng)主要分成三部分:數(shù)據(jù)采集與預(yù)處理、圖建模及圖序列的異常檢測(cè)。
　　在數(shù)據(jù)采集部分，傳感器節(jié)點(diǎn)可能會(huì)因?yàn)樽陨?/p>

2、的故障或環(huán)境因素導(dǎo)致數(shù)據(jù)采集的錯(cuò)誤，錯(cuò)誤數(shù)據(jù)主要來源于兩方面:非正常工作狀態(tài)下節(jié)點(diǎn)采集的數(shù)據(jù)和正常工作狀態(tài)下節(jié)點(diǎn)采集的噪聲數(shù)據(jù)。為此本部分主要研究如何檢測(cè)錯(cuò)誤數(shù)據(jù)，首先依據(jù)傳感器節(jié)點(diǎn)多屬性之間的相關(guān)性來判斷節(jié)點(diǎn)是否工作在正常狀態(tài);然后對(duì)于正常狀態(tài)的節(jié)點(diǎn)，通過基于直方圖的數(shù)據(jù)容錯(cuò)方法過濾噪聲數(shù)據(jù)，實(shí)現(xiàn)數(shù)據(jù)預(yù)處理。
　　在圖建模部分，由于無線傳感器網(wǎng)絡(luò)中數(shù)據(jù)的復(fù)雜性，本文將利用圖模型組織管理所采集的數(shù)據(jù)。本部分提出一種觸發(fā)式數(shù)據(jù)快照建

3、模方法，該方法在紅外傳感器節(jié)點(diǎn)被觸發(fā)的時(shí)刻進(jìn)行建模，避免了在無行為發(fā)生時(shí)進(jìn)行圖建模導(dǎo)致的節(jié)點(diǎn)能量的浪費(fèi)，同時(shí)為了避免該時(shí)刻采集數(shù)據(jù)缺失造成的數(shù)據(jù)不完全，本文通過后續(xù)采集的數(shù)據(jù)實(shí)現(xiàn)數(shù)據(jù)補(bǔ)齊，從而完成數(shù)據(jù)建模。該方法綜合考慮了建模時(shí)機(jī)和節(jié)點(diǎn)的數(shù)據(jù)變化，相對(duì)于傳統(tǒng)的數(shù)據(jù)快照?qǐng)D建模方式更能精確反映用戶的行為變化。
　　在圖序列的異常檢測(cè)部分，若直接對(duì)圖序列進(jìn)行異常檢測(cè)，則檢測(cè)算法復(fù)雜度高，難以應(yīng)用于大規(guī)模網(wǎng)絡(luò)，為此，本部分將利用圖的特征信