專利名稱：：一種傳感器網(wǎng)絡(luò)異常檢測(cè)方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及無(wú)線傳感器網(wǎng)絡(luò)，特別是涉及無(wú)線傳感器網(wǎng)絡(luò)異常檢測(cè)的方法。
背景技術(shù)：
：在無(wú)線傳感器網(wǎng)絡(luò)中，大量的原始傳感器數(shù)據(jù)之間一般都有高度的空間或時(shí)間相關(guān)性，把所有這些數(shù)據(jù)完全傳輸?shù)交竟?jié)點(diǎn)(Sink)既浪費(fèi)能量也沒(méi)有必要。數(shù)據(jù)融合(dataaggregation,或稱為數(shù)據(jù)匯聚)的主要思想就是傳輸路徑上的節(jié)點(diǎn)之間進(jìn)行交互式的協(xié)同合作，通過(guò)去除相關(guān)性冗余來(lái)大大壓縮數(shù)據(jù)量，從而以更少的數(shù)據(jù)表達(dá)同樣或相當(dāng)?shù)男畔⒘俊．?dāng)前基于傳感器網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)據(jù)空間相關(guān)性或時(shí)間相關(guān)性進(jìn)行的數(shù)據(jù)融合已有部分的研究成果，但是并未形成一個(gè)理論體系。尤其針對(duì)空間相關(guān)性和時(shí)間相關(guān)性的利用都是割裂開(kāi)來(lái)的，沒(méi)有將空間相關(guān)性和時(shí)間相關(guān)性有機(jī)的、系統(tǒng)的結(jié)合在一起，從而阻礙了數(shù)據(jù)融合效率的進(jìn)一步提高；現(xiàn)有的數(shù)據(jù)融合模型都是局部獨(dú)立的，對(duì)各個(gè)局部之間的關(guān)系和多層次信息融合沒(méi)有一個(gè)科學(xué)的解釋和建模。實(shí)際上數(shù)據(jù)之間的相關(guān)性是具有層次性的，而且是隨著距離的增加而逐漸減弱的，各個(gè)局部之間還具有相關(guān)性，現(xiàn)有研究都是確定性的劃定一個(gè)區(qū)域或界限為局部，只認(rèn)定為這部分的數(shù)據(jù)擁有局部相關(guān)性。現(xiàn)有的數(shù)據(jù)融合處理模型首先是關(guān)注傳感器數(shù)據(jù)，對(duì)于數(shù)據(jù)反映的被探測(cè)事件建模只是進(jìn)行了簡(jiǎn)單的處理，這就如同語(yǔ)音編碼中的幅值編碼和模型編碼的差距；另外，現(xiàn)有的數(shù)據(jù)處理模型對(duì)高級(jí)應(yīng)用特性支持不足，如同樣是表現(xiàn)溫度數(shù)據(jù)，需要拓?fù)湫畔⒌臄?shù)據(jù)融合研究(如等高線求取)和僅需要統(tǒng)計(jì)信息的數(shù)據(jù)融合研究采用的方法完全不同，沒(méi)有統(tǒng)一的數(shù)學(xué)模型形式。此外針對(duì)多重傳感數(shù)據(jù)(如同時(shí)表現(xiàn)溫度、濕度)的統(tǒng)一數(shù)據(jù)融合的研究還沒(méi)有有意義的成果。而這些數(shù)據(jù)處理的理論、方法，往往需要把原始的低維數(shù)據(jù)集轉(zhuǎn)化為高維數(shù)據(jù)集，目前的研究主要局限在低維應(yīng)用場(chǎng)合，高維數(shù)據(jù)集的分析和建模工作尚未完全展開(kāi)；最后，現(xiàn)有的數(shù)據(jù)處理模型主要集中在使用線性系統(tǒng)來(lái)分析和處理數(shù)據(jù)的空間和時(shí)間相關(guān)性，例如使用線性預(yù)測(cè)模型來(lái)進(jìn)行預(yù)測(cè)從而減少數(shù)據(jù)傳輸，但現(xiàn)實(shí)的系統(tǒng)往往較為復(fù)雜，線性系統(tǒng)模型往往不具有通用性。有很多異常值檢測(cè)算法都是判斷傳感器節(jié)點(diǎn)數(shù)據(jù)和其相鄰節(jié)點(diǎn)數(shù)據(jù)的差值來(lái)決定是否是異常值，這樣需要的時(shí)間較長(zhǎng)而且不能保證其準(zhǔn)確性。利用數(shù)據(jù)融合的架構(gòu)，將異常值檢測(cè)問(wèn)題轉(zhuǎn)化成給定數(shù)據(jù)融合的構(gòu)架的推理問(wèn)題，即對(duì)于給定序列，根據(jù)已有的數(shù)據(jù)融合的構(gòu)架推測(cè)出其對(duì)應(yīng)的最大可能的狀態(tài)序列，如果根據(jù)己有的模型使用現(xiàn)有的狀態(tài)序列得到的似然函數(shù)值來(lái)判斷，結(jié)果將更實(shí)用。
發(fā)明內(nèi)容本發(fā)明的目的在于提供一種無(wú)線傳感器網(wǎng)絡(luò)異常檢測(cè)方法，充分考慮數(shù)據(jù)在時(shí)間上和空間上的相關(guān)性，有效減少數(shù)據(jù)冗余及通信開(kāi)銷，延長(zhǎng)傳感器節(jié)點(diǎn)的壽命，達(dá)到異常檢測(cè)的目的。一種傳感器網(wǎng)絡(luò)異常檢測(cè)方法，對(duì)網(wǎng)絡(luò)進(jìn)行分簇，各簇按照如下方法進(jìn)行異常檢測(cè)步驟1)簇頭匯聚簇內(nèi)第i個(gè)單位時(shí)間內(nèi)所有節(jié)點(diǎn)的高維數(shù)據(jù)序列，以該高維數(shù)據(jù)序列為訓(xùn)練樣本，采用隱馬爾科夫模型構(gòu)建方法構(gòu)建第i個(gè)單位時(shí)間的節(jié)點(diǎn)高維數(shù)據(jù)變遷模型，i=l，2，…，N，N為提取的單位時(shí)間數(shù)量；步驟2)以變遷模型相似性為分類基準(zhǔn)，將第l，2，，N個(gè)單位時(shí)間的節(jié)點(diǎn)高維數(shù)據(jù)變遷模型進(jìn)行分類；步驟3)對(duì)于屬于第j類的節(jié)點(diǎn)高維數(shù)據(jù)初始變遷模型，將其對(duì)應(yīng)單位時(shí)間內(nèi)的所有高維數(shù)據(jù)序列匯聚，構(gòu)成新的訓(xùn)練樣本，采用隱馬爾科夫模型構(gòu)建方法構(gòu)建第j類節(jié)點(diǎn)高維數(shù)據(jù)變遷模型，j=l，2，…，Nl，Nl為步驟2)得到的分類數(shù)；步驟4)利用第j類節(jié)點(diǎn)高維數(shù)據(jù)變遷模型對(duì)簇中所有節(jié)點(diǎn)采集的數(shù)據(jù)進(jìn)行異常檢測(cè)。本發(fā)明的技術(shù)效果體現(xiàn)在(1)多維數(shù)據(jù)融合。對(duì)網(wǎng)絡(luò)中的高維數(shù)據(jù)集(如同時(shí)包含溫度、濕度)進(jìn)行數(shù)據(jù)融合，采用HMM模型對(duì)高維數(shù)據(jù)集進(jìn)行建模，建立適合任何維數(shù)的一般數(shù)據(jù)集的數(shù)據(jù)融合模型；(2)減少冗余，減少開(kāi)銷。本發(fā)明充分利用傳感器網(wǎng)絡(luò)采集到數(shù)據(jù)時(shí)間和空間上的相關(guān)性，首先通過(guò)分簇算法，由空間上的相關(guān)性，簇內(nèi)節(jié)點(diǎn)采集到的數(shù)據(jù)差異不大，以簇為單位進(jìn)行建模，減少了模型的冗余，也方便對(duì)簇內(nèi)節(jié)點(diǎn)采集到的后續(xù)數(shù)據(jù)進(jìn)行異常檢測(cè)；考慮時(shí)間上的相關(guān)性，對(duì)模型分類，重新構(gòu)建新訓(xùn)練樣本構(gòu)建新模型，進(jìn)一步減少模型的冗余；采用隱馬爾科夫模型對(duì)高維數(shù)據(jù)集變遷進(jìn)行建模，使得在異常檢測(cè)的過(guò)程中從節(jié)點(diǎn)無(wú)需將采集到的所有數(shù)據(jù)發(fā)送給簇頭節(jié)點(diǎn)，只需將變遷序列(即采樣后的序列)發(fā)送給簇頭節(jié)點(diǎn)，從而大大減少了通信開(kāi)銷。圖1為本發(fā)明無(wú)線傳感器網(wǎng)絡(luò)結(jié)構(gòu)示意圖；圖2為本發(fā)明異常檢測(cè)方法總體流程圖；圖3為無(wú)線傳感器網(wǎng)絡(luò)分簇結(jié)果示意圖；圖4為訓(xùn)練樣本示意圖；圖5為異常檢測(cè)結(jié)果示意圖圖5(a)為3月17號(hào)簇中節(jié)點(diǎn)二維數(shù)據(jù)變遷圖；圖5(b)為3月18號(hào)簇中節(jié)點(diǎn)二維數(shù)據(jù)變遷圖；圖5(c)為3月17號(hào)簇中節(jié)點(diǎn)二維數(shù)據(jù)圖(不包括節(jié)點(diǎn)3，粗線為節(jié)點(diǎn)4的變遷曲線)；圖5(d)，5(e)，5(f)為3月18號(hào)簇中節(jié)點(diǎn)二維數(shù)據(jù)圖(不包括節(jié)點(diǎn)3，圖中的粗線分6別為節(jié)點(diǎn)2，7，9的變遷曲線)。具體實(shí)施例方式為了更加清楚的表明本專利的目的、技術(shù)方案和優(yōu)點(diǎn)，下面結(jié)合附圖及具體實(shí)例對(duì)本方法做出詳細(xì)說(shuō)明。本發(fā)明針對(duì)無(wú)線傳感器網(wǎng)絡(luò)中的異常檢測(cè)問(wèn)題，能夠?qū)W(wǎng)絡(luò)中的高維數(shù)據(jù)集(同時(shí)包含溫度和濕度的讀數(shù))進(jìn)行數(shù)據(jù)融合，提取出有用信息，最終得出異常檢測(cè)結(jié)果。圖1描述了實(shí)施例所用傳感器網(wǎng)絡(luò)的布局，實(shí)施例中所用的傳感器數(shù)據(jù)，是由英特爾伯克利研究實(shí)驗(yàn)室(IntelBerkeleyResearchlab)采集到l54個(gè)節(jié)點(diǎn)從2004年2月28號(hào)到4月5號(hào)的數(shù)據(jù)。單位時(shí)間為12小時(shí)的整數(shù)倍，實(shí)例中以單位時(shí)間為一天(24小時(shí))舉例說(shuō)明。圖2是實(shí)施例的流程示意圖，包括以下步驟步驟l根據(jù)空間位置的相鄰性，對(duì)網(wǎng)絡(luò)進(jìn)行分簇。對(duì)于圖1所示的網(wǎng)絡(luò)結(jié)構(gòu)，我們通過(guò)以下方法對(duì)網(wǎng)絡(luò)進(jìn)行分簇每個(gè)節(jié)點(diǎn)有一個(gè)狀態(tài)標(biāo)記位，初始化為0，0表示節(jié)點(diǎn)未確定狀態(tài)，l表示節(jié)點(diǎn)己確定自己是簇頭節(jié)點(diǎn)或者從節(jié)點(diǎn)；每個(gè)節(jié)點(diǎn)有一個(gè)層次(leval)標(biāo)記位，初始化為°°;每個(gè)節(jié)點(diǎn)還有標(biāo)記父節(jié)點(diǎn)的parent標(biāo)記位。每個(gè)節(jié)點(diǎn)在(0，W3)內(nèi)隨機(jī)選擇自己的臨時(shí)ID號(hào)，其中N表示網(wǎng)絡(luò)中節(jié)點(diǎn)的總數(shù)。步驟ll節(jié)點(diǎn)間進(jìn)行通信，每個(gè)節(jié)點(diǎn)得到h跳以及h跳以內(nèi)鄰居節(jié)點(diǎn)的信息，h可以隨意取值，本實(shí)驗(yàn)中h取為2。狀態(tài)標(biāo)記為O的節(jié)點(diǎn)將自己的ID號(hào)與標(biāo)記號(hào)為0的h跳以及h跳以內(nèi)鄰居節(jié)點(diǎn)的ID號(hào)作比較，如果自己的ID號(hào)最大，則確認(rèn)自己為簇頭節(jié)點(diǎn)，即將leval標(biāo)記位置為0,表示簇頭節(jié)點(diǎn)在第O層，并且將自己的狀態(tài)標(biāo)記位置為1，進(jìn)入步驟12。步驟12狀態(tài)標(biāo)記位為0的所有節(jié)點(diǎn)比較自己與間距h跳以及h跳以內(nèi)的簇頭節(jié)點(diǎn)的相似性，本發(fā)明中我們用相關(guān)系數(shù)來(lái)表示兩個(gè)節(jié)點(diǎn)的相似性，即假設(shè)h，x!分別為節(jié)點(diǎn)Sk，Si在一天中讀到的序列樣本，相關(guān)系數(shù)^定義為，r—五to)-取)五")其中E()為取均值符號(hào)。如果相關(guān)系數(shù)大于相關(guān)性閾值，兩條曲線相似性越大，相關(guān)系數(shù)趨近于1，本實(shí)驗(yàn)中我們?cè)O(shè)相關(guān)系數(shù)大于0.97，節(jié)點(diǎn)將自己的狀態(tài)標(biāo)記位置為1，節(jié)點(diǎn)為從節(jié)點(diǎn)。步驟13重復(fù)步驟11、步驟12，直到網(wǎng)絡(luò)中的所有節(jié)點(diǎn)的狀態(tài)標(biāo)記位全為l。步驟14每個(gè)從節(jié)點(diǎn)計(jì)算自己和間距一跳范圍內(nèi)所有簇頭節(jié)點(diǎn)的相似性，找到相關(guān)系數(shù)最大的簇頭節(jié)點(diǎn)，如果該相關(guān)系數(shù)大于相關(guān)性閾值，如相關(guān)系數(shù)大于0.97，則將該從節(jié)點(diǎn)的leval標(biāo)記置為1，該從節(jié)點(diǎn)的parent標(biāo)記置為簇頭節(jié)點(diǎn)的ID號(hào)。步驟15leval二oo的節(jié)點(diǎn)得到h及h跳以內(nèi)范圍內(nèi)leval^^的所有節(jié)點(diǎn)的信息，選擇相似性最大且節(jié)點(diǎn)的leval《h-1的節(jié)點(diǎn)S,將該節(jié)點(diǎn)的leval豐示記置為節(jié)點(diǎn)s的leval豐示i己+l，該節(jié)點(diǎn)的parent豐示i己置為s。以上即為簇頭節(jié)點(diǎn)選舉的過(guò)程，至此，網(wǎng)絡(luò)中的節(jié)點(diǎn)屬于且只屬于一個(gè)簇，每個(gè)簇的最大跳數(shù)為h，其中h的大小在程序運(yùn)行之初可以調(diào)整。分簇后的結(jié)果圖如圖3所示。接下來(lái)，每個(gè)簇以簇頭為中心，對(duì)簇中的數(shù)據(jù)進(jìn)行分析處理，得出該簇中的異常檢測(cè)結(jié)果。步驟2每個(gè)簇采集樣本訓(xùn)練隱馬爾科夫模型(HMM)，樣本包括N天簇中所有節(jié)點(diǎn)的數(shù)據(jù)序列。每個(gè)節(jié)點(diǎn)隔兩個(gè)小時(shí)采集一個(gè)數(shù)據(jù)值(數(shù)據(jù)為該節(jié)點(diǎn)在兩個(gè)小時(shí)采集到的所有數(shù)據(jù)的平均值)，一天就有12個(gè)值，把這12個(gè)值組成的序列作為樣本，為了保證訓(xùn)練的穩(wěn)定性，我們把一個(gè)簇中所有節(jié)點(diǎn)的序列匯聚到簇頭節(jié)點(diǎn)訓(xùn)練。用鮑姆-韋爾奇(BaunrWelch)算法迭代計(jì)算出這些隱馬爾科夫模型的各項(xiàng)參數(shù)，包括初始概率向量，狀'態(tài)轉(zhuǎn)移概率矩陣，混合高斯模型的各項(xiàng)參數(shù)，混合矩陣等。由附圖4(表示3月l號(hào)由節(jié)點(diǎn)4，6，7，8，9，10，11，12，13所組成的簇)，我們可以看到同一個(gè)簇中數(shù)據(jù)的變遷曲線基本上是一致的。我們所用的訓(xùn)練序列為多序列，Baum-Welch迭代的結(jié)果是使得多個(gè)序列在模型中出現(xiàn)概率的總和最大。步驟3為了進(jìn)一步減少模型的冗余，需要把相似的模型進(jìn)行分類。由于時(shí)間上的相關(guān)性，即相鄰夭數(shù)簇中一天內(nèi)高維非線性數(shù)據(jù)集變遷的曲線相似，可以用K均值算法對(duì)以天為單位訓(xùn)練的隱馬爾科夫模型進(jìn)行分類，分類后，將同屬一類的模型對(duì)應(yīng)天數(shù)的數(shù)據(jù)匯聚，形成新的訓(xùn)練樣本以重新訓(xùn)練隱馬爾科夫模型。實(shí)驗(yàn)中采用的是用15天的數(shù)據(jù)用K均值算法分為4類。步驟4給定任何一個(gè)簇中所有節(jié)點(diǎn)某一天的數(shù)據(jù)集的所有變遷序列，運(yùn)用隱馬爾科夫里面的前向算法，算出該所有序列分別在步驟3中訓(xùn)練的隱馬爾科夫模型中出現(xiàn)概率，取使概率和最小的隱馬爾科夫模型，如果某個(gè)節(jié)點(diǎn)的變遷序列在該模型中出現(xiàn)的概率小于設(shè)定的異常判斷閾值，則判定該節(jié)點(diǎn)的數(shù)據(jù)為異常。概率越小，跟模型擬合越差，為異常的可能性越大，本實(shí)驗(yàn)中設(shè)異常判斷閾值為0.1。mj表示第j個(gè)隱馬爾科夫模型，設(shè)標(biāo)號(hào)為i的序列在mj中出現(xiàn)的概率為P(ilmj)，該序列長(zhǎng)度為Ti，用"flm刀-(l/7;)k)g(P(/l/n/》表示歸一化概率對(duì)數(shù)所對(duì)應(yīng)的值。我們用3月17號(hào)，3月18號(hào)的數(shù)據(jù)去檢驗(yàn)步驟三中訓(xùn)練的四個(gè)模型的準(zhǔn)確性，以由節(jié)點(diǎn)4，6，7，8,9，10,11，12，13所構(gòu)成的簇為例，擬合的結(jié)果如表1所示。其中如附圖5所示，表一中的數(shù)據(jù)表示該簇中9個(gè)節(jié)點(diǎn)2天的數(shù)據(jù)分別在在模型I，2，3，4中的L(ilmj)。從該表中我們可以看出3月17號(hào)的數(shù)據(jù)跟模型3擬合的最好，3月18號(hào)的數(shù)據(jù)跟模型4擬合的最好。這兩天中節(jié)點(diǎn)3的溫度讀數(shù)都不正常，為100多度，曲線分別如附圖5(a),附圖5(b)所示(實(shí)線表示溫度曲線，虛線表示電壓曲線,加粗的線表示節(jié)點(diǎn)3的溫度和電壓值)；為了便于觀察，我們?nèi)サ艄?jié)點(diǎn)3。3月17號(hào)，剩下的節(jié)點(diǎn)中，節(jié)點(diǎn)4的L(iimj)最小，觀察它的曲線變遷圖，發(fā)現(xiàn)節(jié)點(diǎn)4的電壓比其它節(jié)點(diǎn)高，如附圖5(c)所示；3月18號(hào)，剩下的節(jié)點(diǎn)中，節(jié)點(diǎn)2，7，9的L(ilmj)比其他節(jié)點(diǎn)小很多，它們的曲線變遷圖如附圖5(d),附圖5(e)，附圖5(f)所示，可以確定為異常節(jié)點(diǎn)。9模型一<table>tableseeoriginaldocumentpage10</column></row><table>表一模型擬合0317,0318三天數(shù)據(jù)結(jié)果綜上所述，一種基于層次決策和隱馬爾科夫模型的傳感器網(wǎng)絡(luò)異常檢測(cè)方法是有效的。權(quán)利要求1、一種傳感器網(wǎng)絡(luò)異常檢測(cè)方法，對(duì)網(wǎng)絡(luò)進(jìn)行分簇，各簇按照如下方法進(jìn)行異常檢測(cè)步驟1)簇頭匯聚簇內(nèi)第i個(gè)單位時(shí)間內(nèi)所有節(jié)點(diǎn)的高維數(shù)據(jù)序列，以該高維數(shù)據(jù)序列為訓(xùn)練樣本，采用隱馬爾科夫模型構(gòu)建方法構(gòu)建第i個(gè)單位時(shí)間的節(jié)點(diǎn)高維數(shù)據(jù)變遷模型，i＝1，2，…，N，N為提取的單位時(shí)間數(shù)量；步驟2)以變遷模型相似性為分類基準(zhǔn)，將第1，2，…，N個(gè)單位時(shí)間的節(jié)點(diǎn)高維數(shù)據(jù)變遷模型進(jìn)行分類；步驟3)對(duì)于屬于第j類的節(jié)點(diǎn)高維數(shù)據(jù)初始變遷模型，將其對(duì)應(yīng)單位時(shí)間內(nèi)的所有高維數(shù)據(jù)序列匯聚，構(gòu)成新的訓(xùn)練樣本，采用隱馬爾科夫模型構(gòu)建方法構(gòu)建第j類節(jié)點(diǎn)高維數(shù)據(jù)變遷模型，j＝1，2，…，N1，N1為步驟2)得到的分類數(shù)；步驟4)利用第j類節(jié)點(diǎn)高維數(shù)據(jù)變遷模型對(duì)簇中所有節(jié)點(diǎn)采集的數(shù)據(jù)進(jìn)行異常檢測(cè)。2、根據(jù)權(quán)利要求1所述的一種傳感器網(wǎng)絡(luò)異常檢測(cè)方法，所述步驟2)采用K均值算法分類。3、根據(jù)權(quán)利要求1所述的一種傳感器網(wǎng)絡(luò)異常檢測(cè)方法，其特征在于，所述單位時(shí)間為12小時(shí)的整數(shù)倍。4、根據(jù)權(quán)利要求1所述的一種傳感器網(wǎng)絡(luò)異常檢測(cè)方法，其特征在于，按照如下方式對(duì)網(wǎng)絡(luò)進(jìn)行分簇步驟Ol未身份標(biāo)識(shí)的節(jié)點(diǎn)比較自己與間隔h跳以及h跳以內(nèi)的鄰居節(jié)點(diǎn)的ID號(hào)，若自身的ID號(hào)最大，則將自身身份標(biāo)識(shí)為簇頭，層次標(biāo)記置0;步驟02未身份標(biāo)識(shí)的節(jié)點(diǎn)計(jì)算自己與間距h跳以及h跳以內(nèi)的簇頭的相似性，若存在相似性大于相關(guān)性閾值，則將該節(jié)點(diǎn)身份標(biāo)識(shí)為從節(jié)點(diǎn);步驟03重復(fù)步驟0102，直到所有節(jié)點(diǎn)的身份被標(biāo)識(shí)；步驟04從節(jié)點(diǎn)計(jì)算自己與間距一跳的所有簇頭的相似性，找到相似性最大的簇頭T，如果最大相似性大于相關(guān)性閾值，則確認(rèn)該從節(jié)點(diǎn)為簇頭T的子節(jié)點(diǎn)，并將該從節(jié)點(diǎn)的層次標(biāo)記置l;步驟05未作層次標(biāo)記的從節(jié)點(diǎn)計(jì)算自身與間距h及h跳以內(nèi)已作層次標(biāo)記的所有從節(jié)點(diǎn)的相似性，選擇相似性最大且層次標(biāo)記《h-l的從節(jié)點(diǎn)S，該從節(jié)點(diǎn)的層次標(biāo)記等于從節(jié)點(diǎn)S的層次標(biāo)記+1，確認(rèn)該從節(jié)點(diǎn)為從節(jié)點(diǎn)S的子節(jié)點(diǎn)；步驟06重復(fù)步驟05，直到所有從節(jié)點(diǎn)的層次標(biāo)記被賦值；所述相似性按照如下方式計(jì)算令Xk，Xi分別為節(jié)點(diǎn)Sk，Si在一個(gè)單位時(shí)間內(nèi)采集的高維數(shù)據(jù)序列，相似性、,定義為其中EO表示取均值。全文摘要一種傳感器網(wǎng)絡(luò)異常檢測(cè)方法，對(duì)網(wǎng)絡(luò)進(jìn)行分簇，各簇中簇頭匯聚簇內(nèi)各單位時(shí)間內(nèi)所有節(jié)點(diǎn)的高維數(shù)據(jù)序列，采用隱馬爾科夫模型構(gòu)建方法構(gòu)建各單位時(shí)間的節(jié)點(diǎn)高維數(shù)據(jù)變遷模型，以模型相似性為分類基準(zhǔn)，將各節(jié)點(diǎn)高維數(shù)據(jù)變遷模型進(jìn)行分類，對(duì)于每一類的節(jié)點(diǎn)高維數(shù)據(jù)初始變遷模型，將其包含單位時(shí)間內(nèi)的所有高維數(shù)據(jù)序列匯聚，再次采用隱馬爾科夫模型構(gòu)建方法構(gòu)建新的節(jié)點(diǎn)高維數(shù)據(jù)變遷模型，利用新的高維數(shù)據(jù)變遷模型對(duì)簇中進(jìn)行異常檢測(cè)。本發(fā)明充分利用傳感器網(wǎng)絡(luò)中數(shù)據(jù)時(shí)間和空間相關(guān)性，有效減少數(shù)據(jù)冗余及通信開(kāi)銷，延長(zhǎng)傳感器節(jié)點(diǎn)的壽命，達(dá)到異常檢測(cè)的目的。文檔編號(hào)H04W84/18GK101516099SQ20091006153公開(kāi)日2009年8月26日申請(qǐng)日期2009年4月7日優(yōu)先權(quán)日2009年4月7日發(fā)明者軍劉,劉文予,劉文平,張松濤,樂(lè)舒,蔣洪波,陳金華申請(qǐng)人:華中科技大學(xué)