[发明专利]一种无线传感器网络中的事件检测方法

说明书

本发明属于无线传感器技术领域，公开了一种无线传感器网络中的事件检测方法，所述无线传感器网络中的事件检测方法利用节点读数的时间相关性，通过改进的低秩子空间聚类算法对节点时间窗口内的数据流聚类，对事件进行检测，并保存事件的数据特征；通过改进的随机森林分类算法，实时地对异常值分类，判断出该异常值是否为事件读数。本发明通过聚类算法和分类算法相结合，可以在缺乏训练集的情况下，能够快速准确地进行事件区域检测；而且检测算法需要的能耗低，较以往的算法节省了节点间信息交换的能量消耗，特别适用于多维数据。

技术领域

本发明属于无线传感器技术领域，尤其涉及一种无线传感器网络中的事件检测方法。

背景技术

随着现代科技的蓬勃发展，无线传感器网络(WSNs)已经被广泛应用于各个领域。WSNs是一个以无线通信为主的网络系统，其在监测区域部署了大量的传感器节点。各个传感器节点零散地分布于目标区域，对目标区域执行感测、采集和处理相关信息的任务；节点与节点间可通过无线方式相互通信，当节点发送信息到汇聚节点时，其以多跳的方式经过节点间的转发，最终把信息传输到汇聚节点。汇聚节点可以把收集到的所有信息通过卫星、互联网等通信设备，最终到达终端用户。相比于无线自组网络，无线传感器网络具有以下三个特征：1)分布式、自组织，WSNs节点在网络中其地位都是平等的，并且都具有相同的性能。节点与节点之间可以通过分布式算法来进行相互检测。节点具有自组织能力，当节点出现故障或者能量耗尽而不能工作，网络会自动进行配置和管理，从而不会影响网络的运行。2)规模大、密度高，由于WSNs节点成本低，因此在WSNs网络中，部署的节点数目大、密度高。虽然在各个感测区域内，能被多个WSNs节点感测，造成信息冗余，但是这些冗余的节点协同工作，会提高网络的工作质量。3)节点能力有限，微型廉价的WSNs节点在工作期间，其能力是有限的。WSNs节点的携带电池能量微少，且主要消耗于感测、处理和通信过程中，尤其是在通信模块上。通过研究表明，节点电池在用于一次通信的能量远超过进行一次处理模块的能量。其通信所需能耗，是根据通信距离随幂数增加的，因此网络中采取多跳方式来传输数据，可以大量节省网络信息传输的能量。WSNs节点的处理器能力较弱、存储容量小，因此不能执行大多数复杂的协议和算法。综上所述，实时的、分布式的同时可以保持较低通信能耗与通信负载，并可以实现较高检测率与较低误报率的事件区域检测方法才是适合无线传感器网络的事件区域检测检测算法。WSNs中的异常值是指节点感测到的读数，远远偏离于其他正常数据，从而引起人们的怀疑。当节点在进行监控时，若某一区域出现了事件，则该部分区域的节点会感测到该事件所带来的信息变化。如某个WSNs在监控森林环境时候，若某个区域突然发生火灾，则该区域的WSNs节点收集到的温度、湿度数据会有较大的变化，远远偏离于其他正常区域，出现异常值，也称为事件读数。文献Data clustering-based faultdetection inWSNs中，作者提出了一种k-CFD算法。网络中的任一节点收集其邻居读数，然后利用K-mean算法把这些读数聚为两类LG和LF，其中成员数目多的一类为正常值，少的一类为异常值。通过上述聚类结果，文章利用蚁群原理，调整分类结果。该算法不需要先验知识，但当异常值所占比例较大时，在聚类过程中其可能被判为多数类，从而认为是正常值，会降低算法的检测性能。文献Distributed online outlier detection in wirelesssensor networks using ellipsoidal support vector machine中，作者提出了一种基于椭球支持向量机在线异常值检测算法(EODE)。支持向量机是把训练数据通过某种变换映射到高维空间上，然后寻找一个可以把该组训练数据分为两类的超平面，使到这两类数据与该超平面的距离之和最大。算法中，各个节点根据自身的历史数据，利用椭球支持向量机单独进行局部异常值检测。然后把支持向量机的参数发送到邻居，合并为一个新的支持向量机，并进行全局异常值检测。文章还提出了基于椭球支持向量机自适应异常值检测算法(EAOD)，通过一个滑动的时间窗口，加入新读数和舍弃旧观测值来对支持向量机的更新，提高检测精度，但由于在构建支持向量机时，算法需要一定的时间来执行，在网络中的每一轮的支持向量机更新中，都有一定的时延性。然而该算法要事先给出一组包含异常值的训练集，在现实情况中，在初始阶段节点的读数一般是正常的，难以获得异常值的准确数据。文献Outlier Detection Approach Using Bayes Classifiers in Wireless SensorNetworks中，作者利用朴素贝叶斯分类算法来进行异常值检测。文章中把读数的范围分为多块，把任一节点的当前读数、上一轮读数和其最近邻居的当前读数以及其上一轮的读数构造成一个贝叶斯网络。通过贝叶斯定理，计算节点当前读数落入各个区间的概率，找出最大概率的区间。若该读数属于这个区间，则为正常值，否则为异常值。然而该算法一般只适应于一维数据，当读数为多维数据，读数范围的分块数目会变得非常多，在进行分类过程中，需要计算读数落入这多个分块区间中，消耗的时间较多，容易出现时延性。