CN102612065B - 无线传感器网络监控异常事件的快速容错检测方法 - Google Patents
无线传感器网络监控异常事件的快速容错检测方法 Download PDFInfo
- Publication number
- CN102612065B CN102612065B CN201210072407.6A CN201210072407A CN102612065B CN 102612065 B CN102612065 B CN 102612065B CN 201210072407 A CN201210072407 A CN 201210072407A CN 102612065 B CN102612065 B CN 102612065B
- Authority
- CN
- China
- Prior art keywords
- node
- event
- monitoring
- sensor network
- confidence level
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Alarm Systems (AREA)
Abstract
本发明涉及无线传感器网络监控异常事件的快速容错检测方法,属于物联网技术领域。传感网络由大量的低端传感器节点自组织形成,节点存在有限电源能量、通信、计算和存储能力,一般还部署在无人值守的恶劣环境中,节点出错的可能性非常大,节点出错可能导致网络对监测区域内的事件产生误判。本方法利用置信水平自适应地管理节点的状态,将故障节点从传感网络中切除,降低故障节点对检测异常事件可靠性的影响。同时,采用一种滑动窗口匹配机制来检测节点监测数据的变化趋势,对节点能否检测到异常事件进行预测。仿真实验证明本方法提高了检测异常事件的可靠性和及时性,可广泛应用于安全生产监控、地质灾害和环境污染监测等领域。
Description
技术领域
本发明涉及一种无线传感器网络监控异常事件的快速容错检测方法,简称为FTV,适用于具有自组织特征的无线传感器网络系统,属于物联网技术领域。
背景技术
物联网用途广泛,遍及工农业生产、环境监测、现代物流、安防等多个领域。据“中国市场情报中心”预测,2013年我国物联网产业规模将达8000亿元,2020年将超过5万亿元。物联网可对物理世界与信息世界进行良好的融合,从根本上改变现有的IT系统。但是,物联网大规模产业化还需解决一些关键问题,而物联网的主要技术之一是无线传感器网络,无线传感器网络相关技术不够成熟是制约物联网实用化主要因素之一。
异常事件检测是无线传感器网络最重要的应用之一。考虑到经济可行性,无线传感器网络由大量的低端传感器节点自组织形成,节点存在有限电源能量、通信能力、计算和存储能力,一般还部署在无人值守的恶劣环境中,节点出错的可能性非常大,且要求节点能够在有限能量供给下实现对目标的长时间监控。节点出错可能会产生虚假的情报,导致无线传感器网络对监测区域内的事件产生误判。早期无线传感器网络采用直接方式进行事件检测(简称为DR方法),即一旦有节点的监测值超过事件检测报警值,节点就会向用户报告有异常事件发生,该方法的优点是响应时间(响应时间简称为RT)快,延迟小,及时性好;其缺点是误报率较高,因为故障节点有可能在没有事件发生时,其监测值也会超过事件检测报警值,从而向用户误报有异常事件发生。
近期无线传感器网络的容错性技术成为研究热点。Krishnamachari在数学上证明了在给定的模型下,多数表决法(简称为MV方法)是一种检测异常事件和纠错的最优方法。该方法仅仅用一个比特来表示本地节点的检测结果,具有很低的能量开销。仿真结果显示在节点故障率达到10%时,85~95%的错误都能被纠正。该方法的优点是在节点故障率较低时,检测异常事件的准确率较高,误报率低,容错性较好;但是,现有的MV方法及其一系列改进方法的缺点是响应时间长,延迟大,及时性较差。因为这类方法都利用了节点的监测值具有空间相关性来实现容错,虽然提高了可靠性,但不可避免延长检测异常事件的响应时间。
发明内容
本发明的目的是为了解决上述DR和MV两类方法存在的缺点,提出了一种无线传感器网络监控异常事件的快速容错检测方法(FTV),本方法监测异常事件的准确率高、响应时间快、误报率低,能够在一般的传感器节点内运行,可广泛应用于煤矿瓦斯监测、煤层气工业、地质灾害监测、环境污染监测、安全生产监控等领域。
本发明实现上述目的所采用的技术方案如下:提供一种无线传感器网络监控异常事件的快速容错检测方法,包含以下步骤:
步骤一:本地节点获取原始监测数据并转换为二进制读数xit;
步骤三:由本地节点判断是否发起事件检测,若发起事件检测执行步骤四至步骤七,否则返回执行步骤一;
所述的更新节点的置信水平,节点是否切除或重新加入网络需要根据其状态来判断,取决于节点置信水平;当节点更新其置信水平时,需调整节点状态;当 时,,表示节点处于失效状态,是故障节点,需从网络中切除;若被切除节点要重新加入网络,则必须满足,此时。
本发明的无线传感网络监控异常事件的快速容错检测方法,所述的在步骤二中本地节点利用滑动窗口滤波对滤除瞬时性错误,是指每个传感器节点获取监测对象的原始监测数据,并根据相应的事件检测报警值λt将当前检测周期的监测值转化为二进制读数0或1,即二值化,然后利用滑动窗口滤除瞬时性错误,得到初始检测结果,所述的初始检测结果的计算公式为:
本发明的无线传感器网络监控异常事件的快速容错检测方法,所述的步骤五中执行滑动窗口匹配机制是指在节点ni存储最近m个时刻的监测值A(ni,t-m+1),A(ni,t-m+2),…,A(ni,t)将监测值序列进行差分运算转化为二进制序列;
当节点ni两次的检测结果不相同时,表示该节点对事件存在误判,节点出现故障的概率大,需降低置信水平,反之则要增加节点置信水平;置信水平采用动态自适应的调整与节点的有效邻居节点数有关;对于失效节点,置信水平的调整能快速地将其从网络中切除;对于恢复正常的节点,置信水平的调整将其重新加入网络。
本发明的无线传感器网络监控异常事件的快速容错检测方法,所述的置信水平的调整中节点是否切除或重新加入网络需要根据其状态来判断,取决于节点置信水平;当节点更新其置信水平时,需调整节点状态;当时,,表示节点处于失效状态,是故障节点,需从网络中切除;若被切除节点要重新加入网络,则必须满足,此时。
本发明的快速容错检测方法与现有技术相比具有如下优点:
1、本发明的快速容错检测方法又称为分布式快速容错检测方法,本发明的FTV利用节点的置信水平来自适应地管理节点的状态是否正常,将处于故障状态的节点从网络中切除,降低故障节点对检测异常事件可靠性的影响。同时,采用一种滑动窗口匹配机制来检测节点监测数据的变化趋势,对节点能否检测到异常事件进行预测,以提高无线传感器网络报告异常事件的及时性。
2、仿真实验证明本发明的方法监测异常事件的准确率高、响应时间快、误报率低。特别是具有极低的时空执行开销,能够在一般的传感器节点内运行(例如CC2530),在煤矿瓦斯监测、煤层气工业应用、地质灾害监测、环境污染监测、安全生产监控等领域具有重大实用价值,对推动物联网大规模产业化、实用化具有重要意义。
附图说明
图1为本发明无线传感器网络监控异常事件的快速容错检测方法(FTV)流程图。
图2为本发明节点状态转换图。
图3为本发明FTV的实施例图。
图4为本发明FTV的在节点故障概率相同、不同事件扩散速度条件下检测异常事件的响应时间比较图。
图5为本发明FTV的在节点故障概率相同、不同事件扩散速度条件下检测异常事件的误报率比较图。
图6为本发明FTV的在相同事件扩散速度、不同节点故障概率条件下检测异常事件的响应时间比较图。
图7为本发明FTV的在相同事件扩散速度、不同节点故障概率条件下检测异常事件的误报率比较图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
先将所用到的符号及其含义在表1中作说明。
表1符号及含义
实施例1:本发明的无线传感器网络监控异常事件的快速容错检测方法,其检测步骤如图1的流程图所示,包含以下步骤:
步骤一中:本地节点获取原始监测数据并转换为二进制读数;每个传感器节点获取监测对象的原始监测数据,并根据相应的事件检测报警值λt,将当前检测周期的监测值转换为二进制读数。若原始监测数据小于λt转换为二进制读数0,则(表示为正常事件);若原始监测数据大于或等于λt转换为二进制读数1,则(表示为异常事件)。由于节点故障的影响,节点的监测数据可能出现错误,使节点读数出现错误,0变1或1变0,导致无线传感器网络对监测区域内的事件产生误判。因此,为了消除故障节点的影响,需对节点读数进行可靠性校验。
步骤二中:本地节点利用滑动窗口滤波对滤除瞬时性错误,获得初始检测结果。本步骤是利用传感器节点监测数据的时间相关性,采用滑动窗口滤波来对节点读数进行校验。分别以表示节点ni在时刻t的节点读数和滤波结果,其滤波计算公式如下:
表2显示了传感器节点在受到瞬时性故障的影响下,利用滑动窗口对节点读数进行滤波和纠错的过程,窗口尺度W=3。当无事件发生时,节点在时刻3和时刻6受到瞬时性故障的影响,读数为1,但经过滤波,节点初始检测结果为0。当有事件发生时,在时刻3节点检测到事件,在时刻5节点受到瞬时性故障影响而产生错误读数,经过滤波,节点初始检测结果为1。
表2滑动窗口滤波器滤除节点瞬时性错误
对节点读数进行滤波能够纠正大多数由瞬时性故障引起的错误节点读数。瞬时性故障是一种突然发生并且持续时间很短的故障,其对传感器节点的影响是短暂的。并且在一段时间内,一个传感器节点连续或多次受到瞬时性故障影响的概率很小。因此,节点的大多数读数正确,只有小部分错误。当对节点读数进行校验时,无事件发生时滑动窗口中的节点读数中表示无事件的0将比表示有事件的1要多,有事件发生时滑动窗口中的节点读数中表示有事件的1将比表示无事件的0要多。因此,大多数由瞬时性故障引起的错误的节点读数将被纠正,这有利于提高无线传感器网络检测异常事件的可靠性。
步骤三中:为避免节点重复检测和报告事件并节省节点能量,采用一种检测控制机制来减少节点不必要的事件检测行为。该控制机制以节点ni在当前时刻的及前一时节点对事件的判决为依据来控制节点在当前时刻是否发起事件检测。控制方式如表3。
表3节点的事件检测控制方式
当0时,表示节点在前一时刻未检测到事件并且在当前时刻初始检测也未检测到事件,则节点所在区域在该时刻无事件发生的概率大,节点不需检测事件。当1时,表示节点在前一时刻检测到事件并且在当前时刻的初始检测也检测到事件,则节点所在区域在该时刻有事件发生且该事件已被检测到,节点不需要再次检测和报告事件。当1或10时,表示节点的事件检测状态发生变化,节点所在区域有事件发生或事件已结束,节点需要进行事件检测。
事件检测控制机制能降低节点检测事件的频率,减少节点不必要的事件检测行为,避免节点在监测区域无事件发生或已检测到事件后重复检测和报告事件,节省节点能量。同时,该机制可用来确定事件发生的持续时间及事件区域的扩散趋势。
步骤四中:当本地节点ni发起事件检测时,节点从状态的邻居节点(即正常的邻居节点nj)接收当前时刻的初始检测结果,则本地节点ni可获得此刻的有效邻居节点数。在有效邻居节点集中,参与多数表决的节点数为满足的邻居节点数与但滑动窗口匹配相同的邻居节点数之和。
步骤五中:本地节点判断自身的与有效邻居节点的是否相同;若相同,执行加1,否则执行滑动窗口匹配机制。采用滑动窗口匹配机制对异常事件是否发生进行预测,目的是提高无线传感器网络检测异常事件的及时性,例如预报火灾、地震发生的及时性具有非常重要的意义。在事件向周围扩散的过程中,离事件区域近的节点的监测值变化较快,离事件区域远的节点的监测值变化较慢。因此,当离事件区域近的节点的监测值超过事件检测报警值λt时,其部分邻居节点的监测值可能没有超过λt,导致该节点的事件检测表决不能通过,而不会报告事件,延长了异常事件检测的响应时间。考虑到在事件的扩散方向上,正常节点监测值的变化趋势相同。因此,当监测值超过λt的节点发起事件检测时,若其邻居节点的监测值未超过λt,但该邻居节点在一段时间内的监测值变化趋势与发起事件检测的节点相同,则可认为该邻居节点能够检测到事件。
其中,δ是转换阈值,表示相邻两个监测时刻节点监测值的正常波动范围,是ni在t时刻的差分转换比特。差分二进制序列反映了节点在一段时间内监测值的变化趋势。在实际的监测环境中,正常节点的监测值在监测区域无事件发生时变化不大,监测值处于正常的波动范围内,二进制序列为全0序列;当监测区域内有事件发生时,在事件区域及事件的扩散方向上,节点的监测值会出现较大变化,超过监测值的正常波动范围,二进制序列包含1。因此,可依据节点的差分二进制序列来预测是否有事件发生。当本地节点在某时刻的监测值超过事件检测报警值,其邻居节点的监测值未超过事件检测报警值,若节点间的差分二进制序列相互匹配,则可认为该邻居节点将会检测到事件。
设分别是本地节点ni及其邻居节点nj在时刻t的差分二进制序列,具有相同的长度。当本地节点ni发起事件检测时,若其邻居节点nj的监测值未达到事件检测报警值,则节点nj将发送给本地节点ni。当节点ni接收后,将按位进行“相与”运算,若“相与”结果等于并且有非0值,则说明节点nj与节点ni的监测值变化趋势相同,并且出现了超出正常范围的波动,因此可认为节点nj将会检测到事件。采用滑动窗口匹配机制可有效降低传感网检测事件的反应时间,在本地节点的监测值超过事件检测报警值并发起事件检测的情况下,滑动窗口匹配机制降低邻居节点初始检测到事件的时间,降低节点事件检测多数表决获得通过所需的时间。
步骤六中:本地节点执行多数表决法判决,如果,报告有异常事件发生。其工作原理为:本地节点执行多数表决法判决的目的是为了消除永久性故障节点的影响。由于永久性故障持续时间较长,对传感器节点影响时间较长,使节点在一段时间内对事件作出多次误判的可能性很大。利用滑动窗口滤波只能纠正由瞬时性故障引起的节点对事件的误判,而不能有效的纠正由永久性故障引起的误判。考虑到无线传感器网络中节点及其邻居节点同时出现永久性故障影响的空间相关性很小,节点及其邻居节点同时受到异常事件影响的空间相关性很大。因此,利用邻居节点的检测值和滑动窗口匹配的结果,采用多数表决法在本地节点对事件做出最终判决。最终检测结果如下:
如果,则表示在本地节点ni的邻域内,正常的邻居节点中有超过一半的节点与ni具有相同的判定,本地节点的初始检测结果正确的概率比错误的概率大,可认为节点ni对事件的最终检测结果即为。如果,则表示本地节点ni与多数正常的邻居节点具有不同的判定,ni的初始检测结果出现错误的概率大,节点需要对其检测结果进行调整。如果,表示本地节点ni检测到事件;如果,表示节点ni未检测到事件。若区域内无事件发生,区域内某节点的最终检测结果,则该节点误报事件;若区域内有事件发生,区域内所有节点的最终检测结果,则事件被漏报。
步骤七中:更新节点的置信水平及节点状态后,返回步骤一,开始新一轮的事件检测。当传感器节点部署在应用环境中时,环境因素的影响会使部分节点成为故障节点而得不到正确的事件检测结果。随着故障节点的增多,无线传感器网络的事件检测性能将下降。因此,为了保证无线传感器网络的事件检测性能,须将故障节点从无线传感器网络中切除。
当节点ni两次的检测结果不相同时,表示该节点对事件存在误判,节点出现故障的概率大,需降低置信水平;反之则要增加节点置信水平。同时,置信水平采用动态自适应地调整,与节点的有效邻居节点数有关,能有效反映当前时刻的节点状态。因此,对于失效节点,置信水平的调整能快速地将其从传感网中切除,从而降低传感网的节点有效故障率;对于恢复正常的节点,置信水平的调整又可将节点重新加入传感网。
节点是否切除或重新加入传感网需要根据其状态来判断,取决于节点置信水平。当节点更新其置信水平时,需调整节点状态。当时,,表示节点处于失效状态,是故障节点,需从传感网中切除;若被切除节点要重新加入传感网,则必须满足,此时。调整过程如图2所示。
实施例2:为了评估本发明FTV的可用性和有效性,对本发明的方法进行了仿真实验。
扩散型事件是一类在真实世界中广泛存在的事件,比如气体泄漏、污染物扩散以及火灾等。扩散型事件在外界环境因素的影响下会沿着某些特定的方向扩散,并对周围环境产生影响。在事件的扩散方向上,离事件越近的区域,事件的影响越大。这类事件对周围环境的影响在时间和空间上都是长久、广泛而动态变化的。在实际的环境中,扩散型异常事件可分为两种:上升型事件和下降型事件。上升型事件的特点是事件值大于属性的正常变化范围,而下降型事件的特点是事件值小于属性的正常变化范围。仿真采用上升型事件作为事件模型(本发明同样适用于下降型事件),因此当监测区域有事件发生时,在事件向周围区域扩散的过程中,受到事件影响的传感器节点具有高监测值,而未受到事件影响的节点则具有低监测值。对无线传感器网络模型,假设传感器节点均匀的部署在监测区域,具有相同的通信半径,每个节点知道监测值的正常分布范围,因此,传感器节点可根据监测值的正常分布范围来对当前时刻的监测值作出判断,1表示异常,而0表示正常。显然,故障和事件都会使传感器节点的监测值出现异常,当用一个二进制比特来表示节点对事件的判断时,节点故障和事件的这种共同特性会导致单个节点无法分辨节点故障和事件,造成无线传感器网络对事件的误判。为提高无线传感器网络事件检测的准确性,传感器节点需要与其邻居节点协作、以分布式的方式对事件进行检测。
仿真实验采用一种火灾事件模型,该模型的事件特征值λe=800K。事件首先在监测区域内某一位置发生,然后以一定的速度Ve扩散。假定扩散过程各向同性,则由该事件引起的监测区域内传感器节点在时刻t的监测属性值的改变E(ni,t)表示如下:
其中,D(λe,t)表示事件区域,d(ni)表示节点ni到事件边界B(D(λe,t))的欧氏距离。
实验数据采用美国加州大学伯克利分校的无线传感器网络实验室采集的温度数据,以该温度数据为无火灾事件发生时节点采集值为N(ni,t),节点在监测区域内的采集值为A(n,t):
本发明FTV针对节点故障模型采用了两种软故障类型:永久性故障和瞬时性故障。这两种故障的区别取决于它们的时域特征:永久性故障持续时间长,瞬时性故障持续时间短;并且不论节点是否处于事件区域,都会使节点产生错误的监测值。节点发生故障的概率在时间和空间上都是相互独立。同时本发明也同样适用于硬件故障、通信故障等类型。
基于以上假设,图3所示的扩散事件容错检测模型。图3中“o”表示异常事件源位置,虚线圈内的“·”点组成的区域表示事件经过一段时间的扩散后形成的事件区域,虚线圈外的“·”的点组成的区域表示无事件区域,“·”与“x”组合的符号表示受到永久性故障影响的节点,“·”与“+”组合的符号表示受到瞬时性故障影响的节点。
采用响应时间RT和事件误报率FRR两种指标来衡量本发明检测异常事件的性能。响应时间定义为异常事件发生与事件区域内节点首次检测到该事件之间的时间差,表示了检测方法对扩散事件的敏感度,响应时间越短,检测方法检测事件的速度越快,其性能越好。事件误报率定义为无事件发生时,检测到事件的节点数与节点总数的比值,反应了检测方法的容错性和可靠性,事件误报率越低,检测方法容错性越好,方法性能越好。
表4给出了在Ve=2时,FTV在不同节点故障概率下的EDR,仿真结果表明,即使在pt=0.2,pp=0.5,FTV检测异常事件的EDR仍高达99.25%,表明FTV具有很好的容错性和可靠性。
表4Ve=2时FTV在不同节点故障概率的异常事件检出率
图4中改变事件扩散速度Ve,比较FTV算法与DR、MV在线性扩散模型下的RT和FRR,实验结果如图4所示。
例如在节点永久性故障率pp为0.3、瞬时性故障率pt为0.1时,改变事件扩散速度,从图4中可看出,FTV的RT与DR接近而远小于MV,证明了FTV的有效性。因为FTV采用滑动窗口匹配机制来预测邻居节点是否会检测到事件。使得与本地节点有相同变化趋势邻居节点(其检测值未达到事件检测报警值)有机会参与多数表决,缩短了本地节点检测到异常事件的反应时间。并且,随着事件扩散速度的增加,参与多数表决的节点也会相应增加,三种方法的反应时间都会减少。因此,当监测区域发生事件时,与MV相比,FTV能以更快的速度检测到事件,提高传感网报告异常事件的及时性。
从图5可看出,在相同的节点故障率下,FTV的FRR明显小于DR、MV。在DR、MV和FTV三种方法中,DR没有容错性,误报率高;FTV和MV都采用容错机制,但FTV比MV的误报率更低。因为MV只利用节点空间相关性进行容错,采用多数表决法进行纠错;而FTV利用时空相关性进行容错,采用滑动窗口滤波滤除节点读数的瞬时性错误,以及多数表决法消除节点读数的永久性错误。同时,FTV采用置信水平来管理节点状态,将故障节点从传感网中切除。当监测区域发生事件时,与DR、MV相比,FTV能更准确的定位事件发生的区域;当监测区域无事件发生时,FTV能有效的降低传感网误报事件,表现了良好的容错性。
图6显示了DR、MV及FTV三种算法在Ve为2、pt为0.1时,在不同的永久性故障率下的RT和FRR。从图6中可看出,FTV的RT略大于DR,但小于MV。随着节点永久性故障率的增加,FTV和DR的RT略为增加,但总体上还是小于MV。因为故障节点的增加导致DR和FTV在事件发生区域内的正常节点减少(只有当事件发生区域内的节点检测异常事件时,该节点的反应时间RT才有效),延长了网络检测事件的反应时间。
图7所示在事件扩散速度Ve、瞬时性故障率pt相同条件下,改变节点节点永久性故障率pp时FTV检测异常事件的FRR与DR、MV的比较图。例如Ve为2、pt为0.1时,改变永久性故障率,从图7可看出,FTV的FRR比DR、MV低。同时,随着节点故障率的增加,DR、MV的FRR增加,而FTV的FRR几乎维持不变。当节点故障率增加时,传感网总故障节点增加,DR没有容错性,FRR明显增加;MV利用邻居节点的信息判断是否有事件发生,虽然具有一定的纠错能力,但无法排除故障节点对检测结果的干扰。因此,当节点故障率上升时,其FRR增大。FTV利用节点数据的时空相关性来对节点进行纠错,并利用节点置信水平来衡量节点的工作状态,利用邻居节点的信息来调整节点的置信水平。当节点出现故障时将被从传感网中切除,减小了故障节点对其他节点检测事件的不良影响,降低了FRR,并且当节点故障率增加时,其FRR几乎维持不变,FTV表现良好的鲁棒性。
总之,与现有的DR和MV相比,本发明提供一种快速容错检测方法FTV,很好地解决无线传感器网络检测异常事件的可靠性与及时性之间的矛盾,提高了无线传感器网络检测异常事件的综合性能。
Claims (2)
1.一种无线传感器网络监控异常事件的快速容错检测方法,其特征在于:包含以下步骤:
步骤三:由本地节点判断是否发起事件检测,若发起事件检测执行步骤四至步骤七,否则返回执行步骤一;
式中wmin和wmax分别表示的变化范围的最小值和最大值,处于0、1之间;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210072407.6A CN102612065B (zh) | 2012-03-19 | 2012-03-19 | 无线传感器网络监控异常事件的快速容错检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210072407.6A CN102612065B (zh) | 2012-03-19 | 2012-03-19 | 无线传感器网络监控异常事件的快速容错检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102612065A CN102612065A (zh) | 2012-07-25 |
CN102612065B true CN102612065B (zh) | 2014-05-28 |
Family
ID=46529157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210072407.6A Expired - Fee Related CN102612065B (zh) | 2012-03-19 | 2012-03-19 | 无线传感器网络监控异常事件的快速容错检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102612065B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103249072B (zh) * | 2013-05-09 | 2015-08-12 | 清华大学 | 无线传感器网络异常数据分析方法及无线传感器节点 |
CN103533571B (zh) * | 2013-11-07 | 2016-06-08 | 东南大学 | 基于投票策略的容错事件检测方法 |
CN103888074B (zh) * | 2014-03-21 | 2016-04-27 | 河海大学 | 一种分布式光伏阵列状态监测网络自愈方法 |
CN106708694B (zh) * | 2015-11-18 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 一种定位毛刺异常点的方法、装置及计算设备 |
CN105636094A (zh) * | 2016-03-16 | 2016-06-01 | 中国地质大学(武汉) | 基于分簇压缩感知的无线传感网预警方法及系统 |
CN106094723B (zh) * | 2016-05-26 | 2019-01-25 | 清华大学深圳研究生院 | 一种基于wsn的机床温度场监测及实时热误差补偿系统 |
CN105939524B (zh) * | 2016-06-21 | 2019-08-16 | 南京大学 | 一种无线传感器网络节点事件实时预测方法 |
CN106980874B (zh) * | 2017-03-13 | 2019-09-10 | 南京邮电大学 | 一种面向配网大数据的多时态维度数据融合方法 |
WO2018216197A1 (ja) * | 2017-05-26 | 2018-11-29 | 三菱電機ビルテクノサービス株式会社 | 異常重要度算出システム、異常重要度算出装置、及び異常重要度算出プログラム |
CN108302329B (zh) * | 2018-01-25 | 2019-08-16 | 福建双环能源科技股份有限公司 | 一种露点数据异常检测方法 |
CN110213788B (zh) * | 2019-06-15 | 2021-07-13 | 福州大学 | 基于数据流时空特征的wsn异常检测及类型识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050165519A1 (en) * | 2004-01-28 | 2005-07-28 | Ariyur Kartik B. | Trending system and method using window filtering |
CN1844930A (zh) * | 2006-05-23 | 2006-10-11 | 北京航空航天大学 | 一种磁悬浮反作用飞轮转子转速和转动方向的检测装置 |
US20100091715A1 (en) * | 2008-10-10 | 2010-04-15 | Microsoft Corporation | Cognitive channel adaptation in wireless sensor networks |
CN101930052A (zh) * | 2010-07-21 | 2010-12-29 | 电子科技大学 | Sram型fpga数字时序电路在线检测容错系统及方法 |
-
2012
- 2012-03-19 CN CN201210072407.6A patent/CN102612065B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050165519A1 (en) * | 2004-01-28 | 2005-07-28 | Ariyur Kartik B. | Trending system and method using window filtering |
CN1844930A (zh) * | 2006-05-23 | 2006-10-11 | 北京航空航天大学 | 一种磁悬浮反作用飞轮转子转速和转动方向的检测装置 |
US20100091715A1 (en) * | 2008-10-10 | 2010-04-15 | Microsoft Corporation | Cognitive channel adaptation in wireless sensor networks |
CN101930052A (zh) * | 2010-07-21 | 2010-12-29 | 电子科技大学 | Sram型fpga数字时序电路在线检测容错系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102612065A (zh) | 2012-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102612065B (zh) | 无线传感器网络监控异常事件的快速容错检测方法 | |
Sahoo | Faulty Node Detection in Wireless Sensor Networks Using Cluster | |
CN102572908B (zh) | 一种分布式无线传感网络节点故障检测方法 | |
Munir et al. | Modeling and analysis of fault detection and fault tolerance in wireless sensor networks | |
CN103533571B (zh) | 基于投票策略的容错事件检测方法 | |
CN103249072B (zh) | 无线传感器网络异常数据分析方法及无线传感器节点 | |
CN102547812B (zh) | 一种无线传感网络故障检测方法及事件检测方法 | |
CN101257355A (zh) | 一种无线传感器网络节点故障检测方法 | |
CN105636094A (zh) | 基于分簇压缩感知的无线传感网预警方法及系统 | |
Feng et al. | Weighted distributed fault detection for wireless sensor networks Based on the distance | |
CN112052573A (zh) | 基于有限时间观测器的分布式故障识别方法 | |
CN102882700A (zh) | 一种网管系统中的告警信息管理方法及设备 | |
Zhang et al. | Anomaly detection approach for urban sensing based on credibility and time-series analysis optimization model | |
CN103297298B (zh) | 用于智能变电站的网络风暴实时快速检测方法 | |
Mahapatroa et al. | Transient fault tolerant wireless sensor networks | |
Saihi et al. | Decentralized fault detection in wireless sensor network based on function error | |
Kumar et al. | Fault detection methodology in wireless sensor network | |
CN113612229B (zh) | 一种多节点故障测试的电力自愈方法 | |
Biswas et al. | Checkpointing and recovery using node mobility among clusters in mobile ad hoc network | |
CN104809205A (zh) | 一种在线河网时空异常事件检测方法 | |
Zhang et al. | Fault diagnosis in clustering WSN based on neighbor cooperation | |
Nitesh et al. | Dfda: a distributed fault detection algorithm in two tier wireless sensor networks | |
Royyan et al. | Data-driven faulty node detection scheme for Wireless Sensor Networks | |
Xiang-hua et al. | Tree topology based fault diagnosis in wireless sensor networks | |
Wang et al. | A fault detection scheme based on self-clustering nodes sets for wireless sensor networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140528 Termination date: 20150319 |
|
EXPY | Termination of patent right or utility model |