CN112966595B - 一种基于图神经网络的传感器网络数据异常判决方法 - Google Patents

Abstract

本发明公开了一种基于图神经网络的传感器网络数据异常判决方法，其特征在于，包括如下步骤：1）对传感器网络数据进行图建模；2）使用图卷积网络提取图模型中的空间特征；3）使用门控循环单元提取图模型中的时间特征；4）使用全连接层对提取的时空特征进行异常判决；这种方法可以通过分析传感器网络的历史数据从而进行异常判决。

Description

一种基于图神经网络的传感器网络数据异常判决方法

技术领域

本发明涉及神经网络、图模型与图信号处理技术领域，具体是一种基于图神经网络的传感器网络数据异常判决方法。

背景技术

传感器已经被广泛的用于监控不同位置的物理或环境状况，如温度、湿度、气压和风速等。多个分布在不同位置的传感器就组成了传感器网络，传感器网络无论在民用领域还是在军事领域都有广泛的应用。因此对传感器网络中的各个传感器进行异常判决就显得尤为重要，异常判决可以了解传感器的运行状况或是传感器周围环境发生的异常变化，这些信息在传感器异常排查或是传感器网络的数据分析都有着极为重要的作用。

图是一种典型的非欧几里得结构(Non-Euclidean Structure)，这类数据随机性大，结构不规则，具体体现在对于数据中的某个点，难以将其邻居节点定义出来，或者是不同节点的邻居节点的数量是不同的。而图又是一种常见的数据结构，广泛的应用于社交网络、交通运输网和传感器网络等，这给这类图信号的处理带来了一定的困难。

神经网络是一种模仿生物神经网络的结构和功能的数学模型，神经网络在模式识别、智能机器人、自动控制、预测估计、生物、医学、经济等领域已成功地解决了许多现代计算机难以解决的实际问题，表现出了良好的智能特性。早期神经网络对图信号的处理是使用卷积神经网络来妥协的，由于卷积神经网络是用于处理欧几里得结构的数据，因此这样的方法有许多缺陷。直到图卷积神经网络的出现才使得这个问题得到了较为妥善的处理。图卷积神经网络能够很好的提取图信号的空间特征，配合用于提取时间特征的循环神经网络就能对时变的图信号进行处理。

发明内容

本发明的目的是针对现有技术得不足，而提供一种基于图神经网络的传感器网络数据异常判决方法。这种方法适用于拥有时空特征的图信号数据异常判决问题，通过对历史数据的时空特征提取从而完成高精度的异常判决。

实现本发明目的的技术方案是：

一种基于图神经网络的传感器网络数据异常判决方法，包括如下步骤：

1)对传感器网络数据进行图建模：假设传感器网络数据为X＝[x₁,x₂,…,x_m]∈R^{n ×m}，其中x_i∈Rⁿ,i＝1,2,...,m为当前传感器网络中的n个传感器在i时刻所获取的数据，C＝{(a₁,b₁),(a₂,b₂),…,(a_n,b_n)}为传感器网络中n个传感器各自的坐标组成的集合，其中a_i为纬度，b_i为经度i＝1,2,...,n,据此，可以构建出图G＝{V,E,W}，其中V为图中结点的集合，对应传感器网络中的各个传感器，E为边的集合，边用于描述节点之间的相似与邻接关系，W为权重矩阵，权重矩阵内部元素表示对应两个节点是否有空间上的联系，定义如公式(1)所示：

在公式(1)中，R为阈值，阈值可根据传感器网络所获取的数据与地理位置之间的联系灵活调整，d_ij＝d_geo((a_i,b_i),(a_j,b_j))表示i，j两个结点所对应的传感器的地理距离，其中d_geo采用半正矢公式即Haversine公式计算得出，d_geo定义如公式(2)所示：

公式(2)中，r表示地球半径为6371km；

2)采用图卷积网络提取图模型中的空间特征：多层图卷积神经网络GCN依据公式(3)逐层传播：

公式(3)中，

A为图G的邻接矩阵，I_N为单位矩阵，

为A的度矩阵，定义如式(4)所示：

H^l表示第l层的激活矩阵，对于输入层H⁰＝X。W^l是一个特定的可训练的权重矩阵，σ()代表激活函数，如ReLU、softmax等，在这里采用两层图卷积网络层提取传感器网络数据中的空间特征，公式(5)为本图卷积网络的前向传播模型：

公式(5)中，

x_t为步骤1)中所述的传感器网络中的n个传感器在t时刻所获取的数据，

为图卷积神经网络对当前时刻的数据提取的空间特征，其中n为传感器数量，将传感器网络m个时刻的数据及传感器网络的权重矩阵W输入至该图卷积神经网络得到

为m×n×2的三维数据，代表了该传感器网络在m个时刻的空间特征；

3)采用门控循环单元提取图模型中的时间特征：门控循环单元GRU具有两个门，分别为重置门和更新门，更新门用于控制前一时刻的状态信息被带入到当前状态中的程度；重置门则用于控制忽略前一时刻的状态信息的程度，门控循环单元的内部如公式(6)所示：

公式(6)中，*表示哈达玛积Hadamard product，定义如公式(7)所示：

C_ij＝A_ij×B_ij (7)，

在公式(7)中，A，B为同阶矩阵，x_t是当前节点的输入，即i时刻n个传感器所采集的数据；H_t-1是上一个时刻传递下来的时间特征，H_t表示当前时刻所提取的时间特征；σ()为sigmoid函数；W_z,W_r,W均为可训练的权重矩阵，为了弥补在图卷积神经网络中所损失的时间特征，将

与X∈R^n×m连接起来构成一个m×n×3的三维数据Z，Z表示该传感器网络在m个时刻的空间特征及未经处理过的时间特征，将Z作为输入数据输入至门控循环单元内提取传感器网络时间特征得到H＝{H₁,H₂,…,H_m},其中H_i∈R^n×2,i＝1,2,...,m,故H为m×n×2的三维数据，表示该传感器网络中的n个传感器在m个时刻的时空特征；

4)采用全连接层对提取的时空特征进行异常判决：全连接层的作用是将提取的时空特征进行异常判决，即将时空特征分类为正常和异常两类，全连接层的前向传播如公式(8)所示：

A＝Wx+b (8)，

公式(8)中，W为可训练的权重矩阵，b为偏置，x表示输入特征，将Z为传感器网络的时空特征输入至全连接层中得到A＝[A₁,A₂,…,A_m]，A是对n个传感器在m个时刻的异常判决结果，其中A_i∈R^n×2,i＝1,2,...,m，A_m表示为本神经网络对m时刻n个传感器的异常判决结果。

本技术方案采用神经网络中的图卷积神经网络和门控循环单元提取传感器网络数据中的空间和时间特征，再由全连接层进行拟合分类，最终得出异常判决。

这种方法适用于拥有时空特征的图信号数据异常判决问题，通过对历史数据的时空特征提取从而完成高精度的异常判决，

附图说明

图1为实施例中训练过程中训练集和验证集的损失函数值的变化趋势图；

图2为实施例中训练过程中训练集和验证集的正确率的变化趋势图。

具体实施方式

下面结合附图和实施例对发明的内容作进一步的阐述，但不是对本发明的限定。

实施例：

一种基于图神经网络的传感器网络数据异常判决方法，包括如下步骤：

1)对传感器网络数据进行图建模：假设传感器网络数据为X＝[x₁,x₂,…,x_m]∈R^{n ×m}，其中x_i∈Rⁿ,i＝1,2,...,m为当前传感器网络中的n个传感器在i时刻所获取的数据，C＝{(a₁,b₁),(a₂,b₂),…,(a_n,b_n)}为传感器网络中n个传感器各自的坐标组成的集合，其中a_i为纬度，b_i为经度,i＝1,2,...,n，据此，可以构建出图G＝{V,E,W}，其中V为图中结点的集合，对应传感器网络中的各个传感器，E为边的集合，边用于描述节点之间的相似与邻接关系，W为权重矩阵，权重矩阵内部元素表示对应两个节点是否有空间上的联系，定义如公式(1)所示：

在公式(1)中，R为阈值，阈值可根据传感器网络所获取的数据与地理位置之间的联系灵活调整，d_ij＝d_geo((a_i,b_i),(a_j,b_j))表示i，j两个结点所对应的传感器的地理距离，其中d_geo采用半正矢公式即Haversine公式计算得出，d_geo定义如公式(2)所示：

公式(2)中，r表示地球半径为6371km；

2)采用图卷积网络提取图模型中的空间特征：多层图卷积神经网络GCN依据公式(3)逐层传播：

公式(3)中，

A为图G的邻接矩阵，I_N为单位矩阵，

为A的度矩阵，定义如式(4)所示：

H^l表示第l层的激活矩阵，对于输入层H⁰＝X。W^l是一个特定的可训练的权重矩阵，σ()代表激活函数，如ReLU、softmax等，在这里采用两层图卷积网络层提取传感器网络数据中的空间特征，公式(5)为本图卷积网络的前向传播模型：

公式(5)中，

x_t为步骤1)中所述的传感器网络中的n个传感器在t时刻所获取的数据，

为图卷积神经网络对当前时刻的数据提取的空间特征，其中n为传感器数量，将传感器网络m个时刻的数据及传感器网络的权重矩阵W邻接矩阵输入至该图卷积神经网络得到

为m×n×2的三维数据，代表了该传感器网络在m个时刻的空间特征；

3)采用门控循环单元提取图模型中的时间特征：门控循环单元GRU具有两个门，分别为重置门和更新门，更新门用于控制前一时刻的状态信息被带入到当前状态中的程度；重置门则用于控制忽略前一时刻的状态信息的程度，门控循环单元的内部如公式(6)所示：

公式(6)中，*表示哈达玛积Hadamard product，定义如公式(7)所示：

C_ij＝A_ij×B_ij (7)，

在公式(7)中，A，B为同阶矩阵，x_t是当前节点的输入，即t时刻n个传感器所采集的数据；H_t-1是上一个时刻传递下来的时间特征，H_t表示当前时刻所提取的时间特征；本例中σ()为sigmoid函数；W_z,W_r,W均为可训练的权重矩阵，为了弥补在图卷积神经网络中所损失的时间特征，将

与X∈R^n×m连接起来构成一个m×n×3的三维数据Z，Z表示该传感器网络在m个时刻的空间特征及未经处理过的时间特征，将Z作为输入数据输入至门控循环单元内提取传感器网络的时间特征得到H＝{H₁,H₂,…,H_m},其中H_i∈R^n×2(i＝1,2,...,m)，故H为m×n×2的三维数据，表示该传感器网络中的n个传感器在m个时刻的时空特征；

4)采用全连接层对提取的时空特征进行异常判决：全连接层的作用是将提取的时空特征进行异常判决，即将时空特征分类为正常和异常两类，全连接层的前向传播如公式(8)所示：

A＝Wx+b (8),

公式(8)中，W为可训练的权重矩阵，b为偏置，x表示输入特征，将Z为传感器网络的时空特征输入至全连接层中得到A＝[A₁,A₂,…,A_m]，A是对n个传感器在m个时刻的异常判决结果，其中A_i∈R^n×2,i＝1,2,...,m，A_m表示为本神经网络对m时刻n个传感器的异常判决结果。

仿真例:

仿真例采用150个传感器对温度采集的数据进行仿真：该数据采集时常为365天，共计54750条数据，仿真前将该数据按照6:2:2的比例分为训练集、验证集和测试集，并依照公式(1)取R＝200对150个传感器的地理位置进行建立图模型，如图1所示，由图1可见训练过程中训练集的损失函数值和验证集的损失函数值随着epochs的增加而不断下降，直到400次左右后损失函数值趋近于零，表明神经网络已经开始收敛；如图2所示，由图2可见训练过程中训练集的正确率和验证集的正确率随着epochs的增加而不断上升，直到400轮左右后正确率趋近于100％并变化逐渐平稳，训练完成后，对测试集中的数据进行验证结果正确率为91.33％。

Claims (1)

1.一种基于图神经网络的传感器网络数据异常判决方法，其特征在于，包括如下步骤：

1)对传感器网络数据进行图建模：假设传感器网络数据为X＝[x₁，x₂，...，x_m]∈R^n×m，其中x_i∈Rⁿ，i＝1，2，...，m为当前传感器网络中的n个传感器在i时刻所获取的数据，C＝{(a₁，b₁)，(a₂，b₂)，...，(a_n，b_n)}为传感器网络中n个传感器各自的坐标组成的集合，其中a_i为纬度，b_i为经度， i＝1，2，...，n，据此，构建出图G＝{V，E，W}，其中V为图中结点的集合，对应传感器网络中的各个传感器，E为边的集合，边用于描述节点之间的相似与邻接关系，W为权重矩阵，权重矩阵内部元素表示对应两个节点是否有空间上的联系，定义如公式(1)所示：

在公式(1)中，R为阈值，阈值根据传感器网络所获取的数据与地理位置之间的联系调整，d_ij＝d_geo((a_i，b_i)，(a_j，b_j))表示i，j两个结点所对应的传感器的地理距离，其中d_geo采用半正矢公式即Haversine公式计算得出，d_geo定义如公式(2)所示：

公式(2)中，r表示地球半径为6371km；

2)采用图卷积网络提取图模型中的空间特征：多层图卷积神经网络GCN依据公式(3)逐层传播：

公式(3)中，

A为图G的邻接矩阵，I_N为单位矩阵，

为A的度矩阵，定义如式(4)所示：

H¹表示第l层的激活矩阵，对于输入层H⁰＝X； W¹是一个特定的可训练的权重矩阵，σ()代表激活函数，采用两层图卷积网络层提取传感器网络数据中的空间特征，公式(5)为本图卷积网络的前向传播模型：

公式(5)中，

x_t为步骤1)中所述的传感器网络中的n个传感器在t时刻所获取的数据，

为图卷积神经网络对当前时刻的数据提取的空间特征，其中n为传感器数量，将传感器网络m个时刻的数据及传感器网络的权重矩阵W输入至该图卷积神经网络得到

为m×n×2的三维数据，代表了该传感器网络在m个时刻的空间特征；

3)采用门控循环单元提取图模型中的时间特征：门控循环单元GRU具有两个门，分别为重置门和更新门，更新门用于控制前一时刻的状态信息被带入到当前状态中的程度；重置门则用于控制忽略前一时刻的状态信息的程度，门控循环单元的内部如公式(6)所示：

公式(6)中，*表示哈达玛积Hadamard product，定义如公式(7)所示：

C_ij＝A_ij×B_ij (7)，

在公式(7)中，A，B为同阶矩阵，x_t是当前节点的输入，即t时刻n个传感器所采集的数据；H_t-1是上一个时刻传递下来的时间特征，H_t表示当前时刻所提取的时间特征；σ()为sigmoid函数；W_z，W_r，W均为可训练的权重矩阵，将

与X∈R^n×m连接起来构成一个m×n×3的三维数据Z，Z表示该传感器网络在m个时刻的空间特征及未经处理过的时间特征，将Z作为输入数据输入至门控循环单元内提取传感器网络的时间特征得到H＝{H₁，H₂，...，H_m}，其中H_i∈R^n×2，i＝1，2，...，m，故H为m×n×2的三维数据，表示该传感器网络中的n个传感器在m个时刻的时空特征；

4)采用全连接层对提取的时空特征进行异常判决：全连接层的前向传播如公式(8)所示：

A＝Wx+b (8)，

公式(8)中，W为可训练的权重矩阵，b为偏置，x表示输入特征，将Z为传感器网络的时空特征输入至全连接层中得到A＝[A₁，A_z，...，A_m]，A是对n个传感器在m个时刻的异常判决结果，其中A_i∈R^n×2，i＝1，2，...，m，A_m表示为本神经网络对m时刻n个传感器的异常判决结果。

Images