一种传感器网络异常检测方法

摘要

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。

主权项

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)给定簇中所有节点某一天的数据集的变迁序列，运用隐马尔科夫前向算法，算出所有序列分别在第j类的节点高维数据变迁模型的出现概率，取使概率和最大的节点高维数据变迁模型，如果某个节点的变迁序列在该模型中出现的概率小于设定的异常判断阈值，则判定该节点的数据为异常；所述网络分簇按照如下方式进行：步骤01未身份标识的节点比较自己与间隔h跳以及h跳以内的邻居节点的ID号，若自身的ID号最大，则将自身身份标识为簇头，层次标记置0；步骤02未身份标识的节点计算自己与间距h跳以及h跳以内的簇头的相似性，若存在相似性大于相关性阈值，则将该节点身份标识为从节点；步骤03重复步骤01～02，直到所有节点的身份被标识；步骤04从节点计算自己与间距一跳的所有簇头的相似性，找到相似性最大的簇头T，如果最大相似性大于相关性阈值，则确认该从节点为簇头T的子节点，并将该从节点的层次标记置1；步骤05未作层次标记的从节点计算自身与间距h及h跳以内已作层次标记的所有从节点的相似性，选择相似性最大且层次标记≤h 1的从节点S，该从节点的层次标记等于从节点S的层次标记+1，确认该从节点为从节点S的子节点；步骤06重复步骤05，直到所有从节点的层次标记被赋值；所述相似性按照如下方式计算：令xk，x1分别为节点Sk，S1在一个单位时间内采集的高维数据序列，相似性rk，l定义为： r k , l = E ( x k x l ) - E ( x k ) E ( x l ) E ( x k 2 ) - E 2 ( x k ) E ( x l 2 ) - E 2 ( x l ) 其中E()表示取均值。