[发明专利]一种无线传感器网络异常检测方法

说明书

本发明公开了一种无线传感器网络异常检测方法，基于果蝇优化算法，将模糊支持向量机应用于无线传感器网络异常检测领域包括以下步骤：训练阶段：S1：采集传感器检测数据，并对数据进行预处理，形成训练数据集；S2：基于FSVM技术建立无线传感器网络异常检测模型；S3：建立IFOA‑FSVM模型，对数据集进行异常检测训练；检测阶段：S4：采集传感器检测数据，并对数据进行预处理，形成待测样本；S5：将待测样本输入IFOA‑FSVM模型进行检测，判定待测样本是否异常。

技术领域

本发明涉及无线传感器网络信息安全领域，尤其涉及一种无线传感器网络异常检测方法。

背景技术

无线传感器网络是一种不同于传统有线网络的特殊移动自组织网络。无线传感器网络因节点组网简单、能自组织形成网络、节点成本低廉等优势而广泛应用于各领域，如国防和反恐等军事领域。当无线网络传感器异常时，实时高效地检测出传感器网络中的异常数据，无论对于外部突发事件的预警防范，还是对于传感器网络本身的健康状况监测，都具有十分重要的意义。

近年来，国内外对无线传感器网络异常数据检测方法的研究已有诸多成果。在这些研究中，基于支持向量机的异常检测技术因结构简单、训练速度快、具有良好的预测准确度以及具有较为充分的理论基础已经成为异常检测技术的研究热点。然而，现有基于SVM(支持向量机)的无线传感器网络异常检测模型大多没有引入模糊理论，导致这类模型相比于基于模糊理论的支持向量机模型对含有噪声样本的数据集泛化能力弱。

与SVM一样，FSVM(模糊支持向量机)超参数的大小对模型的预测能力影响较大，且设置这类算法的超参数比较困难，需要采取一定的策略对其设置，针对该情况，本发明采用果蝇优化算法对其设置。

发明内容

针对上述现有技术的不足，本专利申请所要解决的技术问题是：如何提供一种能够解决超参数设置、提升异常检测精度的无线传感器网络异常检测方法。

为了实现上述目的，本发明采用了如下技术方案：

一种无线传感器网络异常检测方法，基于果蝇优化算法，将模糊支持向量机应用于无线传感器网络异常检测领域包括以下步骤：

训练阶段：

S1：采集传感器检测数据，并对数据进行预处理，形成训练数据集；

S2：基于FSVM技术建立无线传感器网络异常检测模型；

S3：建立IFOA-FSVM模型，对数据集进行异常检测训练；

检测阶段：

S4：采集传感器检测数据，并对数据进行预处理，形成待测样本；

S5：将待测样本输入IFOA-FSVM模型进行检测，判定待测样本是否异常。

优选的，步骤S3中，对IFOA-FSVM模型的建立包括以下步骤：

A1：改进果蝇算法；

A2：结合步骤S1中的训练数据集和A1中的改进果蝇算法，搜索FSVM得到最优参数；

A3将最优参数带回FSVM完成异常检测模型训练。

优选的，步骤A1中，对果蝇算法进行改进包括以下步骤：

B1：初始化搜索算法中果蝇数量Num，算法总共迭代次数T，果蝇种群当前最优位置H_opt,j，果蝇种群历史最优气味浓度bestSmell，步长调节参数ρ和每轮迭代中抽取zz比例果蝇个体进行重新搜索，其中，j∈n，n为寻优目标函数的变量数；

B2：计算步长调节因子m(k)；

其中，k为当前迭代次数，ρ∈[2，8]，