[发明专利]基于数据流时空特征的WSN异常检测及类型识别方法

说明书

本发明涉及基于数据流时空特征的WSN异常检测及类型识别方法，包括以下步骤：步骤S1:采用时空滑动窗口获取待测传感器目标节点及其邻居节点的实时数据流；步骤S2：将获取的实时数据流映射到对应的状态空间，并构建成Markov链的形式，基于Markov链计算状态转移概率矩阵和交叉状态转移概率矩阵提取实时数据流的时空特征；步骤S3：构建多分类卷积神经网络模型，并训练，得到训练好的多分类卷积神经网络模型模型；步骤S4：将实时数据流的时空特征输入至已训练好的多分类卷积神经网络模型模型中，通过前向传播，计算输出结果；步骤S5：根据模型输出结果判断数据流是否异常，并区分故障异常和事件异常。本发明可实现无线传感器网络的实时异常监测和异常类型识别。

技术领域

本发明涉及一种基于数据流时空特征的WSN异常检测及类型识别方法。

背景技术

无线传感器网络(Wireless SensorNetwork，WSN)受到恶劣天气、自然事件、仪器故障等因素的影响，传感器数据异常时有发生。由于异常事件和仪器故障均能导致传感器产生类似的异常值，因此及时准确地检测传感器异常值并区分异常类型，对控制数据质量和判断异常来源有重要意义。

WSN异常检测方法是近年来国内外的研究热点。其中基于数据时空特征的异常检测方法和基于分类的异常检测方法是该领域的经典算法。基于数据时空特征的方法能在一定程度上判断数据类型，但没有将数据的时间特征和空间特征结合起来，且过度依赖于假设的数据分布，而假设往往不能反映出数据的真实分布。基于分类的方法不受数据分布和数据范围假设的限制，但由于带标记数据有限，分类器不能捕获异常数据的全部特征，难以进一步区分异常数据类型。

发明内容

有鉴于此，本发明的目的在于提供一种基于数据流时空特征的WSN异常检测及类型识别方法，实现无线传感器网络的实时异常监测和异常类型识别。

为实现上述目的，本发明采用如下技术方案：

一种基于数据流时空特征的WSN异常检测及类型识别方法，包括以下步骤：

步骤S1:采用时空滑动窗口获取无线传感器网络目标节点及其邻居节点的实时数据流；

步骤S2：将获取的实时数据流映射到对应的状态空间，并构建成Markov链的形式，基于Markov链计算状态转移概率矩阵和交叉状态转移概率矩阵提取实时数据流的时空特征；

步骤S3：构建多分类卷积神经网络模型，并从待测传感器历史数据中提取样本训练多分类卷积神经网络模型模型，得的训练好的多分类卷积神经网络模型模型；

步骤S4：将实时数据流的时空特征输入至已训练好的多分类卷积神经网络模型模型中，通过前向传播，计算输出结果；

步骤S5：根据模型输出结果判断数据流是否异常，并区分故障异常和事件异常。

进一步的，所述时空滑动窗口由目标节点及邻居节点最近的W个时刻的检测数据组成，通过时空滑动窗口模型获取目标节点及邻居节点的实时数据流。

进一步的，所述将获取的实时数据流映射到对应的状态空间，具体为：