基于投票策略的容错事件检测方法

摘要

本发明公开了一种基于投票策略的容错事件检测方法，包括顺序执行的如下步骤：（1）各个节点获取自身的检测数据；（2）基于直方图对检测数据进行容错处理；（3）基于属性的相关性对检测数据进行本地错误检测，区分出LF节点和初步的Normal节点；（4）对初步的Normal节点进行本地事件决策，区分出LE节点和Normal节点；（5）对LF节点和LE节点，计算其邻居节点的可信度；（6）基于可信度和距离权重投票，判断节点为Event节点或Normal节点。本发明提供的基于投票策略的容错事件检测方法，具有较高的事件检测率和错误修正率，具有较低的事件误报率和错误引入率，并具有较少的能力消耗。

主权项

基于投票策略的容错事件检测方法，其特征在于：定义节点的状态如下：Normal：表示节点S_local的监测区域内无事件发生，节点S_local未出现故障和错误；LF：表示节点S_local可能出现故障或错误数据，用于节点S_local的本地事件判定中；LE：表示节点S_local监测区域内可能出现事件，用于节点S_local的本地事件判定中；Event：表示节点S_local监测区域内出现事件，用于节点S_local投票决策中；Fault：表示节点S_local出现故障事件，且不能纠正，用于节点S_local投票决策中；包括顺序执行的如下步骤：(1)各个节点获取自身的检测数据；(2)基于直方图对检测数据进行容错处理；基于直方图对检测数据进行容错处理时，数据中心的获取方法如下：(21)对于数据x₁,x₂,…,x_n，根据各数据生成直方图结构，得到k个分组g₁,g₂,…,g_i,…,g_k；(22)定义第i个分组的大小|g_i|为第i个分组中包含的数据的个数，根据各个分组的大小由大到小排列得到g_k',…,g_i',…,g₂',g₁'；(23)给定一个均值数据覆盖度m₀，由大到小累积各组数据，直到组g_r'满足下式：$\frac{\underset{i=r}{\overset{k}{\Sigma }}{g}_i^{\prime }}{\underset{i=1}{\overset{k}{\Sigma }}{g}_i^{\prime }}\ge m_0$(24)以组g_r',…,g_k'包含的数据，计算数据中心$p=\underset{i=r}{\overset{k}{\Sigma }}\left|g_i^{\prime }\right|$${\bar{x}}_h=\frac{1}{p}{\mathrm{\Sigma x}}_j$此处x_j∈g′_i，i＝r,r+1,…,k；(3)基于属性的相关性对检测数据进行本地错误检测，区分出LF节点和初步的Normal节点；具体方法为：记节点的两个强相关属性X和Y的初始相关性为R₀(X,Y)，实时相关性为R(X,Y)，对于一个相关性偏离度阈值ξ，若属性相关性的变化程度满足下式：$\left|\frac{R(X,Y)-R_0(X,Y)}{R_0(X,Y)}\right|<\xi$则认为X和Y的相关性没有变化，节点为初步的Normal节点；否则，认为X和Y的相关性发生了变化，节点为Event节点；(4)对初步的Normal节点进行本地事件决策，区分出LE节点和Normal节点；具体方法为：设属性X在正常情况下的平均取值为M_n，在事件发生时的平均取值为M_e，M_e>M_n，定义事件发生的阈值x_th为：$x_{th}=\frac{1}{2}(M_n+M_e)$对于属性X的实时取值x_i，事件发生的二元判断规则为：$B_e=\left\{\begin{array}{cc}1& x_i>x_{th}\\ 0& x_i\le x_{th}\end{array}\right.$其中，B_e＝1表示节点为LE节点，B_e＝0表示节点为Normal节点；(5)对LF节点和LE节点，计算其邻居节点的可信度；节点的可信度C通过下式计算：$C=1-\frac{|R-R_0|}{\left|R\right|+\left|R_0\right|}$其中，R₀(X,Y)表示属性X和属性Y的初始相关性，R(X,Y)表示属性X和属性Y的实时相关性；(6)基于可信度和距离权重投票，判断节点为Event节点或Normal节点；具体方法为：(61)定义S_local为当前节点，S_i为S_local的一跳邻居节点，则：节点S_i相对于节点S_local的反距离权重InvDistWeight_il为：${\mathrm{InvDist}}_{i1}=\underset{i=1}{\overset{k}{\Sigma }}Dis\tan ce(S_i,S_{local})-Dis\tan ce(S_i,S_{local})$${\mathrm{InvDistWeight}}_{i1}=\frac{{\mathrm{InvDist}}_{i1}}{\underset{i=1}{\overset{k}{\Sigma }}{\mathrm{InvDist}}_{i1}}$其中，Distance(S_i,S_local)是节点S_i和节点S_local之间坐标的欧几里得距离；节点S_i对节点S_local的投票值V_i为：V_i＝C_i×InvDistWeight_il其中，C表示节点的可信度；(62)在当前节点S_local的所有一跳邻居节点S_i中，计算具有相同本地事件决策结果投票值之和，记所有本地决策为LE节点的投票值之和为V_e，所有本地决策为Normal节点的投票值之和为V_n，计算V_e和V_n之间的差异程度V_diff为：$V_{diff}=\frac{|V_e-V_n|}{|V_e+V_n|}$(64)将V_diff和设定的事件边界阈值θ进行比较：若V_n>0且V_e＝0，则判断LE节点为Normal节点，LF节点为Normal节点；若V_n‑V_e>θ，则判断LE节点为Event节点，LF节点为Normal节点；若V_diff<θ，则判断LE节点为Event节点，LF节点状态不定；若V_e‑V_n>θ，则判断LE节点为Event节点，LF节点为Event节点；若V_n＝0且V_e>0，则判断LE节点为Event节点，LF节点为Event节点。