[发明专利]物联网多上下文场景的分布式异常检测方法

说明书

本申请公开的物联网多上下文场景的分布式异常检测方法，包括：特征提取：为了应用iForest算法，首先需要提取异常特征；单点异常检测：通过孤立森林进行初步异常检测，得到单点异常检测的异常分数；多上下文异常检测：进行单点异常检测后，进行多上下文异常检测，得到多上下文异常分数。基于单点的检测器将能够处理发送到中央存储库的每一条新数据，因为它将使用一种具有快速测试时间的算法。与此相反，基于多上下文的检测器将用于：帮助确定单点检测器检测到的异常是否为假阳性。本发明涉及的技术方案，其能够解决传感器故障或噪声导致的误报问题，提高异常检测结果的准确性，减少假阳性。

技术领域

本申请涉及时序数据异常检测技术领域，更具体地说，尤其涉及物联网多上下文场景的分布式异常检测方法。

背景技术

随着物联网通过无线传感器网络的广泛传播，大量传感器数据以前所未有的速度生成，从而产生大量的显性或隐性信息。在分析此类传感器数据时，准确有效地检测个体异常行为以及异常事件(即行为模式)尤为重要。然而，大多数以前的工作只关注于检测异常，而通常忽略了它们之间的相关性。即使在考虑异常之间相关性的方法中，大多数都忽略了传感器数据的异常状态随时间变化的事实。

因此，如何提供一种物联网多上下文场景的分布式异常检测方法，既考虑动态异常状态，也考虑基于多上下文之间的相关性。不仅能准确有效地检测单个异常，而且能检测异常事件，已经成为本领域技术人员亟待解决的技术问题。

发明内容

为解决上述技术问题，本申请提供一种物联网多上下文场景的分布式异常检测方法，其能够解决现有技术中只能检测单个异常不能检测异常事件的问题，提高异常检测结果的准确性。

本申请提供的技术方案如下：

本申请提供一种物联网多上下文场景的分布式异常检测方法，包括以下步骤：S1、特征提取：为了应用iForest算法，首先需要提取异常特征；S2、单点异常检测：通过孤立森林进行初步异常检测，得到单点异常检测的异常分数；S3、多上下文异常检测：进行单点异常检测后，进行多上下文异常检测，得到多上下文异常分数。

进一步地，在本发明一种优选方式中，在所述步骤S1中，所述几种特征中：

移动平均模型(MA)关注的是自回归模型中的误差项的累加，移动平均法能有效地消除预测中的随机波动。MA是某变数之前n个数值的未作加权算术平均。例如，收市价的10日简单移动平均指之前10日收市价的平均数。若设收市价为P1至Pn，则方程式为：

加权移动平均(英语：weightedmovingaverage，WMA)指计算平均值时将个别数据乘以不同数值，在技术分析中，n日WMA的最近期一个数值乘以 n、次近的乘以n-1，如此类推，一直到0：

指数移动平均(英语：exponentialmovingaverage，EMA或EXMA)是以指数式递减加权的移动平均。各数值的加权影响力随时间而指数式递减，越近期的数据加权影响力越重，但较旧的数据也给予一定的加权值。

进一步地，在本发明一种优选方式中，在所述步骤S2中，所述单点异常检测(孤立森林)的步骤包括：

S201、从训练数据中随机选取Ψ样本点作为子样本，放入树的根节点中。

S202、随机指定一个维度，在当前节点数据中随机生成一个切割点p——切割点在当前节点数据中指定维度的最大值和最小值之间生成。

S203、从这个切割点生成一个超平面,然后当前节点的数据空间分为两个子空间:指定的尺寸小于p中的数据作为当前节点的左孩子,大于或等于p的数据作为当前节点的右孩子。