基于數(shù)據(jù)增量圖的異常檢測(cè)方法
【專利摘要】本發(fā)明公開了一種基于數(shù)據(jù)增量圖的異常檢測(cè)方法，包括如下步驟：（1）對(duì)無(wú)線傳感器網(wǎng)絡(luò)當(dāng)前監(jiān)測(cè)區(qū)域內(nèi)的檢測(cè)數(shù)據(jù)進(jìn)行采集和預(yù)處理，確定事件區(qū)域；（2）獲取與當(dāng)前事件相關(guān)的數(shù)據(jù)集，用圖模型抽象概括事件數(shù)據(jù)，將事件數(shù)據(jù)轉(zhuǎn)換成事件數(shù)據(jù)增量圖；（3）采用基于結(jié)構(gòu)關(guān)聯(lián)度的圖相似算法，在事件模式圖數(shù)據(jù)庫(kù)中進(jìn)行查詢，查找與事件圖相似的事件模式圖，判斷當(dāng)前事件的類型；所述事件模式圖數(shù)據(jù)庫(kù)為事件模式圖的集合，所述事件模式圖為事件數(shù)據(jù)增量圖，是對(duì)事件類型的抽象描述。所述基于結(jié)構(gòu)關(guān)聯(lián)度的圖相似查詢算法，將圖相似查詢問(wèn)題轉(zhuǎn)化為序列相似性查詢問(wèn)題，有效降低查詢復(fù)雜度。本發(fā)明提供的基于數(shù)據(jù)增量圖的異常檢測(cè)方法，事件圖可以基于領(lǐng)域?qū)＜抑R(shí)獲得，或基于數(shù)據(jù)分析獲得，用于復(fù)雜事件檢測(cè)，提高事件檢測(cè)效率、降低誤報(bào)率。
【專利說(shuō)明】基于數(shù)據(jù)增量圖的異常檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種無(wú)線傳感器網(wǎng)絡(luò)的異常檢測(cè)方法，尤其涉及一種基于數(shù)據(jù)增量圖的異常檢測(cè)方法。
【背景技術(shù)】
[0002]無(wú)線傳感器網(wǎng)絡(luò)的異常檢測(cè)現(xiàn)狀
[0003]在無(wú)線傳感器網(wǎng)絡(luò)中，傳感器節(jié)點(diǎn)數(shù)據(jù)異常產(chǎn)生的原因多種多樣，如傳感器節(jié)點(diǎn)本身發(fā)生了故障、采集的數(shù)據(jù)含有大量噪聲數(shù)據(jù)以及傳感器網(wǎng)絡(luò)中發(fā)生了異常事件等等。無(wú)線傳感器網(wǎng)絡(luò)的異常檢測(cè)就是檢測(cè)出這些異常數(shù)據(jù)，反饋給用戶，以便用戶做出相應(yīng)的決策。但是，一些用戶不僅要求檢測(cè)出哪些傳感器節(jié)點(diǎn)的數(shù)據(jù)發(fā)生了異常，而且還要求檢測(cè)出引發(fā)這些數(shù)據(jù)異常的具體異常事件類型。這樣的異常檢測(cè)也稱為異常事件檢測(cè)或事件檢測(cè)，具有重要的現(xiàn)實(shí)意義。例如，在火災(zāi)檢測(cè)應(yīng)用中，當(dāng)傳感器網(wǎng)絡(luò)的數(shù)據(jù)發(fā)生異常時(shí)，就要對(duì)這些異常數(shù)據(jù)進(jìn)行判定，確認(rèn)出這些異常數(shù)據(jù)是由那種異常事件所引發(fā)的，即檢測(cè)出監(jiān)測(cè)區(qū)域是發(fā)生了火災(zāi)，還是發(fā)生了其他事件。
[0004]無(wú)線傳感器網(wǎng)絡(luò)是以數(shù)據(jù)為中心的，而且數(shù)據(jù)之間有很強(qiáng)的時(shí)空相關(guān)性。一般地，若將某個(gè)節(jié)點(diǎn)在某個(gè)時(shí)刻的數(shù)據(jù)看作數(shù)據(jù)圖中的頂點(diǎn)，數(shù)據(jù)間的時(shí)空相關(guān)性看作為數(shù)據(jù)圖中的邊，則可以很自然地使用圖模型描述事件特性。很多研究與應(yīng)用實(shí)例證明圖模型在描述復(fù)雜事件上具有很強(qiáng)的能力，可以用于支持無(wú)線傳感網(wǎng)復(fù)雜事件檢測(cè)。若基于事件圖集和事件相關(guān)信息建立數(shù)據(jù)庫(kù)，傳感網(wǎng)復(fù)雜事件檢測(cè)可視為集合類圖數(shù)據(jù)的查詢處理問(wèn)題。當(dāng)事件發(fā)生時(shí)，采集相關(guān)數(shù)據(jù)建立事件查詢圖，在數(shù)據(jù)庫(kù)中查詢與之匹配的圖數(shù)據(jù)，就可得到與本事件相關(guān)信息，例如事件類型、事件可能起因、未來(lái)可能發(fā)展趨勢(shì)、有效的處理手段等等，這些信息是相關(guān)決策的重要依據(jù)。
[0005]事件檢測(cè)的首要任務(wù)為事件建立模型，一個(gè)適當(dāng)?shù)氖录Ｐ褪潜ＷC事件檢測(cè)準(zhǔn)確性的基礎(chǔ)。無(wú)線傳感網(wǎng)絡(luò)事件檢測(cè)技術(shù)已經(jīng)得到了廣泛而深入的研究，大部分是基于閾值的事件檢測(cè)技術(shù)，事件發(fā)生與否取決于被檢測(cè)屬性的檢測(cè)值是否超出預(yù)先設(shè)定的閾值。然而這種方案在決策支持方面還有不足，并有可能造成誤報(bào)，例如某節(jié)點(diǎn)數(shù)據(jù)突破閾值有可能是發(fā)生了事件也有可能是因?yàn)樵O(shè)備故障或者傳輸故障。
[0006]針對(duì)基于閾值檢測(cè)的缺點(diǎn)，出現(xiàn)了基于等值線圖(Contour Map)的事件檢測(cè)技術(shù)(文獻(xiàn) W.Xue, Q.Luo, L.Chen and Y.Liu.Contour Map Matching for EventDetection in Sensor Networks[C].1n Proceedings of ACM SIGM0D, 2006.和 Y.Liu, M.L1.1so-Map:Energy-Efficient Contour Mapping in Wireless Sensor Networks[C].1nProceedings of IEEE ICDCS, Toronto, Canada, June2007.)。等值線圖技術(shù)把傳感器網(wǎng)絡(luò)區(qū)域內(nèi)的事件抽象成節(jié)點(diǎn)感知數(shù)據(jù)的時(shí)空模型，通過(guò)模型匹配進(jìn)行查詢事件的發(fā)生情況，能顯著提高檢測(cè)效率。等值線也是一種圖模型，能有效描述事件的時(shí)空數(shù)據(jù)特征，但是等值線的模式圖都是基于專家知識(shí)得到的，不具有一般普遍性。
[0007]圖數(shù)據(jù)的相似性查詢技術(shù)現(xiàn)狀[0008]圖相似性查詢可以形式化定義為:給定圖數(shù)據(jù)庫(kù)D= {gl，g2,…，gn}，查詢圖q，相似性查詢返回圖集合{gi I gi e D，gi與q的相似度滿足給定閾值}。
[0009]對(duì)于圖相似性查詢問(wèn)題，核心問(wèn)題是需要一個(gè)度量手段來(lái)量化兩個(gè)圖的相似性。有些研究者提出用圖編輯距離(Graph Edit Distance)來(lái)度量相似性。圖編輯距離由字符串匹配的思想轉(zhuǎn)化而來(lái)，即利用字符串的對(duì)齊距離和編輯距離的思想構(gòu)造圖的編輯和對(duì)齊距離。兩個(gè)圖的比對(duì)需要三種編輯操作:插入、刪除和更改?；趫D編輯距離的方法屬于間接計(jì)算相似度，其計(jì)算復(fù)雜度較高，屬于NP完全問(wèn)題。除了圖編輯距離之外，最大公共子圖也被用來(lái)衡量?jī)蓚€(gè)圖結(jié)構(gòu)之間的相似度，即兩幅圖形的最大公共部分?；谧畲蠊沧訄D的方法屬于直接計(jì)算相似性，用到了子圖同構(gòu)的計(jì)算，因而計(jì)算復(fù)雜度較高。文獻(xiàn)H.Bunkeand K.Shearer.A graph distance metric based on maximal common subgraph.PatternRecognition, 19:25-259，1998使用了最大公共子圖(Maximal Common Subgraph)來(lái)衡量圖結(jié)構(gòu)相似性。
[0010]由于計(jì)算圖編輯距離和求解最大公共子圖均是NP完全問(wèn)題，所以在用這兩種方法處理相似性查詢問(wèn)題時(shí)，一般是先計(jì)算兩個(gè)圖相似性值的上界或下界，而計(jì)算相似性上、下界的時(shí)間開銷較直接計(jì)算兩個(gè)圖結(jié)構(gòu)相似性的時(shí)間開銷小，并且可以利用上、下界過(guò)濾掉一部分非結(jié)果集。Grafil(文獻(xiàn)X.Yan, F.Zhu, P.S.Yu, et al.Feature-based SimilaritySearch in Graph Structures[J].ACM Transactions on Database Systems(TODS), 2006，31 (4): 1418-1453)是求解子圖相似性問(wèn)題的算法，子圖相似性查詢就是查詢與給定查詢圖有滿足某些條件的公共子圖的圖數(shù)據(jù)集合。其利用最大公共子圖度量?jī)蓤D的相似性，文中給出了邊松弛比(relaxation ratio)的概念。Grafil從圖數(shù)據(jù)庫(kù)提取特征并建立feature-graph矩陣索引，查詢時(shí)確定包含在查詢圖內(nèi)的子結(jié)構(gòu)特征，然后將查詢圖邊的松弛轉(zhuǎn)化到查詢圖所包含的特征個(gè)數(shù)和減少，通過(guò)計(jì)算松弛邊后可能丟失特征的最大個(gè)數(shù)，就可以提前過(guò)濾掉一部分非結(jié)果集合，從而減少問(wèn)題復(fù)雜度。
[0011]通常求解圖編輯距離主要有兩類算法:精確算法和相似算法。大量的精確算法(文獻(xiàn) K.Riesen, S.Fankhauser, H.Bunke.Speeding up graph edit distance computationwith a bipartite heuristic.1n MLG’ 07 和文獻(xiàn) M.Neuhaus, k.Riesen, and H.Bunke.Fast suboptimal alorithms for the computaion of graph edit distance.1nSSSSpR，06)通常都是基于比較著名的A*算法(文獻(xiàn)P.Hart, N.Nilsson, B.Raphael.Aformal basis for the heuristic determination of minimum cost paths.1EEE Trans.SSC, 4 (2):100-107, 1968.)，然而精確算法通常只能處理不超過(guò)12個(gè)頂點(diǎn)的圖，所以大量的求解編輯距離的上、下界的算法被提出。
[0012]BLP (文獻(xiàn) D.Justice, A.Her0.A Binary Linear ProgrammingFormulation of the Graph Edit Distance[J].1EEE Trans.Pattern Anal.Mach.1ntell.，2006, 28 (8): 1200 - 1214)針對(duì)無(wú)權(quán)標(biāo)簽圖給出計(jì)算兩個(gè)圖編輯距離及其上、下界的方法，該方法將最小化問(wèn)題轉(zhuǎn)化為0、1整數(shù)線性規(guī)劃模型。無(wú)權(quán)標(biāo)簽圖是指頂點(diǎn)上有標(biāo)簽而邊上沒有權(quán)值的圖。BLP將 要計(jì)算編輯距離的兩圖看作是一個(gè)編輯網(wǎng)格所代表的圖的子圖，那么兩圖之間的編輯操作一定不會(huì)超過(guò)這個(gè)大的編輯網(wǎng)格，因?yàn)檫@個(gè)網(wǎng)格的大小(網(wǎng)格的長(zhǎng)和寬)恰好是兩圖頂點(diǎn)個(gè)數(shù)的和。文中證明了圖的編輯操作等價(jià)于這一編輯網(wǎng)格狀態(tài)的改變，并且如果一個(gè)編輯操作代價(jià)是度量標(biāo)準(zhǔn)，那么由此計(jì)算得到的編輯距離也是一個(gè)度量標(biāo)準(zhǔn)。該模型由于是0、1整數(shù)線性規(guī)劃問(wèn)題，而整數(shù)線性規(guī)劃問(wèn)題不存在多項(xiàng)式時(shí)間算法，所以又將變量作用域松弛為[0-1]，這樣就變?yōu)橐话憔€性規(guī)劃問(wèn)題，而一般線性規(guī)劃問(wèn)題存在多項(xiàng)式時(shí)間算法，即內(nèi)點(diǎn)法。由于松弛后線性規(guī)劃變量作用域是松弛前變量作用域的超集，而該線性規(guī)劃模型表示的是最小化問(wèn)題，所以松弛后的模型計(jì)算出來(lái)的是兩個(gè)圖編輯距離的下界，利用下界就可以過(guò)濾一些數(shù)據(jù)庫(kù)圖。
[0013]Comparing Stars (文獻(xiàn) Ζ.Zeng, A.K.Τ.Tung, J.Wang et at.Comparing Stars: OnApproximating Graph Edit Distance[C].1n VLDB, 2009)米用編輯距離來(lái)度量?jī)蓤D之間的相似性。文獻(xiàn)用多個(gè)星型結(jié)構(gòu)表示一個(gè)圖，通過(guò)比較兩圖所對(duì)應(yīng)的星型結(jié)構(gòu)組來(lái)計(jì)算兩圖的上、下界，這一計(jì)算過(guò)程可以在多項(xiàng)式時(shí)間內(nèi)完成。

【發(fā)明內(nèi)容】

[0014]發(fā)明目的:為了克服現(xiàn)有技術(shù)中存在的不足，本發(fā)明根據(jù)無(wú)線傳感器網(wǎng)絡(luò)事件的增量數(shù)據(jù)將事件抽象概括成數(shù)據(jù)增量圖，給出基于數(shù)據(jù)增量圖的異常檢測(cè)方法(DataIncremental Graph Based Anomaly Detection Algorithm,簡(jiǎn)稱DIG);事件圖可以基于領(lǐng)域?qū)＜抑R(shí)獲得，或基于數(shù)據(jù)分析獲得。
[0015]技術(shù)方案:為實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案為:
[0016]基于數(shù)據(jù)增量圖的異常檢測(cè)方法，包括如下步驟:
[0017](I)對(duì)無(wú)線傳感器網(wǎng)絡(luò)當(dāng)前監(jiān)測(cè)區(qū)域內(nèi)的檢測(cè)數(shù)據(jù)進(jìn)行采集和預(yù)處理，確定事件相關(guān)區(qū)域；
[0018](2)獲取與當(dāng)前事件相關(guān)的數(shù)據(jù)集，用圖模型抽象概括事件數(shù)據(jù)集，將事件數(shù)據(jù)集轉(zhuǎn)換成事件數(shù)據(jù)增量圖；
[0019](3)采用基于結(jié)構(gòu)關(guān)聯(lián)度的圖相似算法，在事件模式圖數(shù)據(jù)庫(kù)中進(jìn)行查詢，查找與當(dāng)前事件的事件數(shù)據(jù)增量圖相似的事件模式圖，判斷當(dāng)前事件的類型；
[0020]所述事件模式圖數(shù)據(jù)庫(kù)為事件模式圖的集合，所述事件模式圖為事件數(shù)據(jù)增量圖，是對(duì)事件類型的抽象描述；
[0021]所述事件模式圖通過(guò)領(lǐng)域?qū)＜抑R(shí)獲取或基于數(shù)據(jù)分析獲取，是一種基于數(shù)據(jù)增量的事件圖；所述數(shù)據(jù)增量為事件發(fā)生時(shí)刻傳感器網(wǎng)絡(luò)中各個(gè)節(jié)點(diǎn)數(shù)據(jù)的增量變化狀態(tài)的數(shù)據(jù)集，基于該數(shù)據(jù)集建立的事件圖為事件時(shí)刻的數(shù)據(jù)增量圖，也是該事件的事件模式圖；
[0022]所述基于結(jié)構(gòu)關(guān)聯(lián)度的圖相似查詢算法具體為，從圖數(shù)據(jù)中抽取基本結(jié)構(gòu)，以基本結(jié)構(gòu)之間的關(guān)聯(lián)度轉(zhuǎn)化圖數(shù)據(jù)為基本結(jié)構(gòu)序列，將圖相似查詢問(wèn)題轉(zhuǎn)化為序列相似性查詢問(wèn)題，有效降低查詢復(fù)雜度，以適用于事件檢測(cè)應(yīng)用。
[0023]所述步驟(I)中，基于傳感器節(jié)點(diǎn)的物理相關(guān)性與數(shù)據(jù)相關(guān)性建立節(jié)點(diǎn)關(guān)聯(lián)圖，根據(jù)節(jié)點(diǎn)關(guān)聯(lián)圖確定事件相關(guān)區(qū)域，所述節(jié)點(diǎn)關(guān)聯(lián)圖包括全局節(jié)點(diǎn)關(guān)聯(lián)圖和全局節(jié)點(diǎn)關(guān)聯(lián)圖的子圖，節(jié)點(diǎn)關(guān)聯(lián)圖的建立方式如下:
[0024]t時(shí)刻的節(jié)點(diǎn)關(guān)聯(lián)圖形式化表示為:
[0025]Gt= (V, E, ID, fv)
[0026]其中:V為圖的頂點(diǎn)集合；E為圖的邊集合，包含所有事件相關(guān)頂點(diǎn)；ID為頂點(diǎn)的編號(hào)集合；fv:V — ID是頂點(diǎn)的標(biāo)號(hào)函數(shù)，圖頂點(diǎn)與傳感器節(jié)點(diǎn)一一對(duì)應(yīng)；無(wú)線傳感器網(wǎng)絡(luò)的每一個(gè)節(jié)點(diǎn)都構(gòu)成節(jié)點(diǎn)關(guān)聯(lián)圖上的一個(gè)頂點(diǎn)；
[0027]設(shè)d(Vi) t為頂點(diǎn)V在t時(shí)刻的監(jiān)測(cè)數(shù)據(jù)，圖的邊集合E構(gòu)造原則如下:對(duì)于任意兩個(gè)頂點(diǎn)V1, V2 e E,若V1與V2相對(duì)應(yīng)的傳感器節(jié)點(diǎn)為單跳通信鄰居，或V1與V2相對(duì)應(yīng)的傳感器節(jié)點(diǎn)為k跳內(nèi)通信鄰居且存在函數(shù)與f2使得(d(V1) t) =f2 (d(V2) t)，則存在邊
(V1, V2) e E ；
[0028]所述事件相關(guān)區(qū)域確定方法為:在事件檢測(cè)的時(shí)刻t，對(duì)于任意頂點(diǎn)Vi e E，若d (Vi) ^1-Cl (Vi) 11 / I d (Vi) ^+d (Vi) t ( e,則頂點(diǎn)Vi為事件相關(guān)頂點(diǎn)時(shí)刻所有事件相關(guān)頂
點(diǎn)所在的區(qū)域?yàn)槭录嚓P(guān)區(qū)域；其中常數(shù)e為預(yù)設(shè)值，一般選擇為2.5%~5% ；
[0029]確定了事件邊界后的節(jié)點(diǎn)關(guān)聯(lián)圖是全局節(jié)點(diǎn)關(guān)聯(lián)圖的子圖，全局節(jié)點(diǎn)關(guān)聯(lián)圖的子圖定義如下:
[0030]Get= (V, E, ID, fv)
[0031]其中:V為圖的頂點(diǎn)集合，包含所有事件相關(guān)頂點(diǎn)，F(xiàn)(Gef)CF(Gf); E為圖的邊集
E(Get)^E(Gl); ID為頂點(diǎn)的編號(hào)集合，/D(Gef)G/D(G,); fv:V — ID是頂點(diǎn)的標(biāo)號(hào)函數(shù)，圖頂點(diǎn)與傳感器節(jié)點(diǎn)對(duì)應(yīng)。
[0032]所述步驟(2 )中，用圖模型抽象概括事件數(shù)據(jù)集，將事件數(shù)據(jù)集轉(zhuǎn)換成事件數(shù)據(jù)增量圖，所述數(shù)據(jù)增量與事件數(shù)據(jù)增量圖如下:
[0033]I)無(wú)線傳感網(wǎng)節(jié)點(diǎn)數(shù)據(jù)增量定義如下:
[0034]對(duì)于具有k個(gè)節(jié)點(diǎn)的無(wú)線傳感網(wǎng)N，其包含節(jié)點(diǎn)為In1, n2,…，nk}，N在時(shí)刻t的數(shù)據(jù)增量為集合{d(Ii1) t，d(n2)t，…，d(nk)J ;對(duì)于節(jié)點(diǎn)叫，其t時(shí)刻數(shù)據(jù)增量di (Iii)t定義如下:
[0035]
【權(quán)利要求】
1.基于數(shù)據(jù)增量圖的異常檢測(cè)方法，其特征在于:包括如下步驟: (1)對(duì)無(wú)線傳感器網(wǎng)絡(luò)當(dāng)前監(jiān)測(cè)區(qū)域內(nèi)的檢測(cè)數(shù)據(jù)進(jìn)行采集和預(yù)處理，確定事件相關(guān)區(qū)域； (2)獲取與當(dāng)前事件相關(guān)的數(shù)據(jù)集，用圖模型抽象概括事件數(shù)據(jù)集，將事件數(shù)據(jù)集轉(zhuǎn)換成事件數(shù)據(jù)增量圖； (3)采用基于結(jié)構(gòu)關(guān)聯(lián)度的圖相似算法，在事件模式圖數(shù)據(jù)庫(kù)中進(jìn)行查詢，查找與當(dāng)前事件的事件數(shù)據(jù)增量圖相似的事件模式圖，判斷當(dāng)前事件的類型； 所述事件模式圖數(shù)據(jù)庫(kù)為事件模式圖的集合，所述事件模式圖為事件數(shù)據(jù)增量圖，是對(duì)事件類型的抽象描述； 所述事件模式圖通過(guò)領(lǐng)域?qū)＜抑R(shí)獲取或基于數(shù)據(jù)分析獲取，是一種基于數(shù)據(jù)增量的事件圖；所述數(shù)據(jù)增量為事件發(fā)生時(shí)刻傳感器網(wǎng)絡(luò)中各個(gè)節(jié)點(diǎn)數(shù)據(jù)的增量變化狀態(tài)的數(shù)據(jù)集，基于該數(shù)據(jù)集建立的事件圖為事件時(shí)刻的數(shù)據(jù)增量圖，也是該事件的事件模式圖； 所述基于結(jié)構(gòu)關(guān)聯(lián)度的圖相似查詢算法具體為，從圖數(shù)據(jù)中抽取基本結(jié)構(gòu)，以基本結(jié)構(gòu)之間的關(guān)聯(lián)度轉(zhuǎn)化圖數(shù)據(jù)為基本結(jié)構(gòu)序列，將圖相似查詢問(wèn)題轉(zhuǎn)化為序列相似性查詢問(wèn)題。
2.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)增量圖的異常檢測(cè)方法，其特征在于:所述步驟(1)中，基于傳感器節(jié)點(diǎn)的物理相關(guān)性與數(shù)據(jù)相關(guān)性建立節(jié)點(diǎn)關(guān)聯(lián)圖，根據(jù)節(jié)點(diǎn)關(guān)聯(lián)圖確定事件相關(guān)區(qū)域，所述節(jié)點(diǎn)關(guān)聯(lián)圖包括全局節(jié)點(diǎn)關(guān)聯(lián)圖和全局節(jié)點(diǎn)關(guān)聯(lián)圖的子圖，節(jié)點(diǎn)關(guān)聯(lián)圖的建立方式如下: t時(shí)刻的節(jié)點(diǎn)關(guān)聯(lián)圖形式化表示為:
Gt=<V, E, ID, fv> 其中:V為圖的頂點(diǎn)集合；E為圖的邊集合，包含所有事件相關(guān)頂點(diǎn)；ID為頂點(diǎn)的編號(hào)集合；fv:V — ID是頂點(diǎn)的標(biāo)號(hào)函數(shù)，圖頂點(diǎn)與傳感器節(jié)點(diǎn)一一對(duì)應(yīng)；無(wú)線傳感器網(wǎng)絡(luò)的每一個(gè)節(jié)點(diǎn)都構(gòu)成節(jié)點(diǎn)關(guān)聯(lián)圖上的一個(gè)頂點(diǎn)； 設(shè)d (Vi) t為頂點(diǎn)V在t時(shí)刻的監(jiān)測(cè)數(shù)據(jù)，圖的邊集合E構(gòu)造原則如下:對(duì)于任意兩個(gè)頂點(diǎn)V1, v2 e E,若V1與V2相對(duì)應(yīng)的傳感器節(jié)點(diǎn)為單跳通信鄰居,或V1與V2相對(duì)應(yīng)的傳感器節(jié)點(diǎn)為k跳內(nèi)通信鄰居且存在函數(shù)4與&使得則存在邊(Vl，V2) e E ；所述事件相關(guān)區(qū)域確定方法為:在事件檢測(cè)的時(shí)刻t，對(duì)于任意頂點(diǎn)Vi e E，若|d(Vi)^1-Cl (Vi) 11 / I d (Vi) ^+d (Vi) t ( e,則頂點(diǎn)Vi為事件相關(guān)頂點(diǎn)，t時(shí)刻所有事件相關(guān)頂點(diǎn)所在的區(qū)域?yàn)槭录嚓P(guān)區(qū)域；其中常數(shù)e為預(yù)設(shè)值； 確定了事件邊界后的節(jié)點(diǎn)關(guān)聯(lián)圖是全局節(jié)點(diǎn)關(guān)聯(lián)圖的子圖，全局節(jié)點(diǎn)關(guān)聯(lián)圖的子圖定義如下:
Get= (V, E, ID, fv) 其中:V為圖的頂點(diǎn)集合，包含所有事件相關(guān)頂點(diǎn)，E為圖的邊集合，E(Gel)^E(Gt)X ID為頂點(diǎn)的編號(hào)集合，/D(Ge,)c /D(G.) *, fv:V — ID是頂點(diǎn)的標(biāo)號(hào)函數(shù)，圖頂點(diǎn)與傳感器節(jié)點(diǎn)對(duì)應(yīng)。
3.根據(jù)權(quán)利要求2所述的基于數(shù)據(jù)增量圖的異常檢測(cè)方法，其特征在于:所述步驟(2)中，用圖模型抽象概括事件數(shù)據(jù)集，將事件數(shù)據(jù)集轉(zhuǎn)換成事件數(shù)據(jù)增量圖，所述數(shù)據(jù)增量與事件數(shù)據(jù)增量圖如下： .1)無(wú)線傳感網(wǎng)節(jié)點(diǎn)數(shù)據(jù)增量定義如下： 對(duì)于具有k個(gè)節(jié)點(diǎn)的無(wú)線傳感網(wǎng)N，其包含節(jié)點(diǎn)為In1, n2，…，nk}，N在時(shí)刻t的數(shù)據(jù)增量為集合{d (Ii1) t, d (n2) t，…，d (nk) J ;對(duì)于節(jié)點(diǎn)Iii，其t時(shí)刻數(shù)據(jù)增量di (Iii) t定義如下：
4.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)増量圖的異常檢測(cè)方法，其特征在于：所述步驟（3)中，基于結(jié)構(gòu)關(guān)聯(lián)度的圖相似算法具體為，首先基于結(jié)構(gòu)關(guān)聯(lián)度提取圖數(shù)據(jù)的結(jié)構(gòu)特征序列，將圖數(shù)據(jù)相似查詢轉(zhuǎn)化為結(jié)構(gòu)特征序列相似查詢，然后在事件模式圖數(shù)據(jù)庫(kù)中查找與事件數(shù)據(jù)增量圖相似的事件模式圖，判斷當(dāng)前事件的類型；具體過(guò)程包括如下步驟： I)定義圖數(shù)據(jù)的基本結(jié)構(gòu)為環(huán)型結(jié)構(gòu)、星型結(jié)構(gòu)和線型結(jié)構(gòu)，相對(duì)于其他ー些結(jié)構(gòu)類型，如頻繁子圖、頻繁子樹等，這三種基本結(jié)構(gòu)更易獲取，且包含了圖的基本結(jié)構(gòu)信息，三種圖數(shù)據(jù)的基本結(jié)構(gòu)定義如下： 環(huán)型結(jié)構(gòu)：圖中一系列的點(diǎn)集合形成ー個(gè)封閉環(huán)，且該封閉環(huán)上的邊數(shù)大于等于3，記環(huán)形結(jié)構(gòu)為cycle (s) ,S= {v |V ∈VΛ v節(jié)點(diǎn)構(gòu)成ー個(gè)環(huán)},其中該封閉環(huán)不能嵌套其他環(huán)，即該封閉環(huán)為簡(jiǎn)單環(huán)； 星型結(jié)構(gòu)：圖中某一核心頂點(diǎn)ろ連接其它若干個(gè)頂點(diǎn)，且其它任意兩個(gè)頂點(diǎn)之間都不連通，滿足degress (V0)≥3,記星型結(jié)構(gòu)為star (v0, s), s= {v | vQ, v ∈ V八v是vQ的鄰節(jié)點(diǎn)}，degress (V0)表示節(jié)點(diǎn)V0的度； 線型結(jié)構(gòu)：由一串頂點(diǎn)端到端相連的結(jié)構(gòu)，記線型結(jié)構(gòu)為Iine(S)，s={v|v ∈ V A degress (v) ≤ 2}, degress (v)表示節(jié)點(diǎn) v 的度； 2)基本結(jié)構(gòu)提取步驟如下： ①用深度遍歷方法和回溯思想先找出圖中所有的環(huán)型結(jié)構(gòu)； ②比較其中任意兩個(gè)環(huán)型結(jié)構(gòu)A，B，若A是B的子集，即環(huán)型結(jié)構(gòu)B包含環(huán)型結(jié)構(gòu)A，則刪除環(huán)型結(jié)構(gòu)B ； ③循環(huán)執(zhí)行步驟②直到?jīng)]有包含其他環(huán)型結(jié)構(gòu)的環(huán)型結(jié)構(gòu)，得到所有簡(jiǎn)單環(huán)的環(huán)形結(jié)構(gòu)； ④計(jì)算圖中每個(gè)頂點(diǎn)的度數(shù)，度數(shù)大于等于3的作為ー個(gè)星型結(jié)構(gòu)； ⑤計(jì)算圖中每個(gè)頂點(diǎn)的度數(shù)，如果某個(gè)頂點(diǎn)度數(shù)等于I并且其鄰接點(diǎn)的度數(shù)小于或等于2，則繼續(xù)遍歷鄰接點(diǎn)，直到某個(gè)頂點(diǎn)的度數(shù)大于2為止，由此形成ー個(gè)線型結(jié)構(gòu)； 3)基于結(jié)構(gòu)關(guān)聯(lián)度的圖數(shù)據(jù)結(jié)構(gòu)特征序列提取方法如下： 根據(jù)每個(gè)結(jié)構(gòu)的重要程度不同，對(duì)基本結(jié)構(gòu)的序列進(jìn)行重要程度的排序，將圖結(jié)構(gòu)數(shù)據(jù)轉(zhuǎn)換成基本結(jié)構(gòu)的序列，用結(jié)構(gòu)之間的關(guān)聯(lián)度衡量每個(gè)結(jié)構(gòu)的重要程度： 關(guān)聯(lián)：一個(gè)圖中的任意兩個(gè)基本結(jié)構(gòu)Si和Sj :如果滿足cvNun^Si，Sj)≥1，則結(jié)構(gòu)Si和結(jié)構(gòu) Sj 是關(guān)聯(lián)的，記為 incident (Si, SjO=I ;如果 cvNun^Si，Sj) =0,則 incident (Si, Sj) =0,說(shuō)明結(jié)構(gòu)Si和結(jié)構(gòu)不關(guān)聯(lián)；將關(guān)聯(lián)形式化定義為：

【文檔編號(hào)】H04W84/18GK103546916SQ201310551137
【公開日】2014年1月29日 申請(qǐng)日期:2013年11月7日 優(yōu)先權(quán)日:2013年11月7日
【發(fā)明者】呂建華, 張柏禮, 魏巨巍 申請(qǐng)人:東南大學(xué)