[发明专利]一种基于无监督学习的无线传感器异常数据检测方法

说明书

本发明公开了一种基于无监督学习的无线传感器异常数据检测方法，包括步骤：1、获取无线传感器节点连续采集的m个数据构成训练样本集；2、建立四分之一超球支持向量机模型，其球心位于高维空间坐标原点，最小支持半径为R；3、应用粒子群算法和训练样本集对四分之一超球支持向量机模型的参数进行优化，得到优化模型；4、获取无线传感器节点连续采集的m+1个数据T_q，计算T_m+1在优化模型的映射空间中到球心的距离d(T_m+1)，如果d(T_m+1)≤R，T_m+1为正常数据；如果d(T_m+1)＞R，用{T₁,T₂,..T_m}作为训练样本集重新训练模型并计算最小支持半径R_new，计算T_m+1在更新后模型的映射空间中到球心的距离d(T_m+1)_new，如果d(T_m+1)_new≤R_new，数据T_m+1为正常数据，否则T_m+1为异常数据。该方法采用无监督学习，无需对样本进行标注，且检测正确率较高。

技术领域

本发明属于无线传感器安全领域，具体涉及一种基于无监督学习的无线传感器异常数据检测方法。

背景技术

无线传感器网络近年来越来越多地受到全世界的广泛关注，已经成为一个极为重要的研究领域，它在融合通信和传感领域的同时，已实现的成果也为其他领域的研究打下了基础。无线传感器网络具有广泛的使用场景，如环境监测应用、军事侦察、医疗设备、智能农业、炼油工业等。

无线传感器网络通常是由在大范围内密集部署的多个传感器组成，这些外观小巧的传感器用于监视并收集周围的环境信息，同时通过无线电通信将这些信息发送至汇聚节点。由于这些传感器设备成本低，使得它们通常具有存储器空间小、计算能力低、电池容量小、使用寿命短和能量带宽有限的特点，容易使收集到的数据与一般情况下的正常数据有偏差。此外，无线传感器的部署地点常常处于空旷、人烟稀少的野外地区，增加了遭受自然灾难侵袭的可能性，导致硬件和软件的故障，这也提高了异常数据的产生率，所以务必要对无线传感器节点进行异常数据检测，这可以提升网络中采集的数据质量，进行安全监控，并发现重要事件。

针对无线传感器节点的异常检测问题，国内外许多研究人员早已提出了各种应对方法，如文献Outlier detection in sensor networks中提出的一种基于直方图的统计学方法，收集节点数据分布的直方图信息来进行正常和异常数据的筛选，但是太多的直方图信息会增加通信开销。另外一些方法使用机器学习中的相关算法进行异常检测，如A.T.C.Andrade等人提出的CWA(Outlier detection using k-means clustering andlightweight methods for Wireless Sensor Networks)方法，使用聚类方法对节点进行分簇来识别出异常值。

支持向量机是一种基于分类的机器学习方法，具有单分类、二分类和多分类三种形式。在二分类和多分类方法中，需要使用带标签的训练样本，而在无线传感器节点的异常数据检测中无法事先对采集的数据进行判别，所以单分类支持向量机作为一种无监督技术，更适合用在这样的场景中。与将超平面或超球作为映射空间的单分类方法相比，四分之一超球方法不使用非线性方法解决计算问题，算法更容易实现。相关方法也已提出很多，如S.Rajasegarar等提出的BOD(Quarter Sphere Based Distributed Anomaly Detectionin Wireless Sensor Networks)方法，Yang Zhang等提出的AOD(Ensuring high sensordata quality through use of online outlier detection techniques)方法，都是在四分之一超球支持向量机的基础上实现，但是这些方法的检测率和误报率仍存在进步的空间。