CN103002472A - 一种非均质传感器网络中的事件边界检测的方法、装置及智能通讯设备 - Google Patents

Abstract

本发明公开了一种非均质传感器网络中的事件边界检测的方法，包括：S1.获取多个传感器节点的信息，信息包括原始感知的数据时间序列：(R1,R2,…,Rm)；其中，R1为某一节点Sx第一次原始感知的数据时间，Rm为该节点Sx第m次感知数据的时间，m为正整数；S2.压缩每个传感器节点的所述的信息，生成数据摘要；S3.相邻传感器节点广播所述的数据摘要，构造层次式密度结构，获得边界节点。本发明还公开了一种非均质传感器网络中的事件边界检测的装置及系统。本发明的非均质传感器网络中的事件边界检测的方法、装置及系统能帮助网络管理者监控网络运行状态，通过分析感知数据来判断无线传感器网络中事件发生的边界，实现低功耗、高效率和及时性的实时事件边界检测。

Description

一种非均质传感器网络中的事件边界检测的方法、装置及智能通讯设备

技术领域

本发明涉及用户轨迹估计领域，尤其涉及一种非均质传感器网络中的事件边界检测的方法、装置及智能通讯设备。 

背景技术

非均质网络是指节点的物理位置分布在部署区域内是不均匀的，非均质网络中每个节点邻域内的节点数目也不再符合均匀分布，因此在非均质网络中事件节点和非事件节点的分布不再和面积相关，从而使得“越靠近真实边界，事件点的数目和非事件点的数目越接近”的假设将不再成立。实际上，在现实物理部署的系统中，非均质网络存在的非常普遍。首先，由于地理上的限制因素等，例如峡谷和山谷等，传感器的部署很难均匀覆盖感兴趣的区域；其次，均质网络在运行中可能由于节点失效、电量耗尽或是软件崩溃等原因转变成非均质网络；再次，连接性的虚拟空洞（virtual hole）可能由于无线传输受到外部环境干扰而产生。 

近年来，智能手机装备了各种功能的传感器，并且具有强大的计算和通信功能，智能手机的流形吸引了很多研究人员的关注，他们致力于利用手机上的传感器来改善基于指纹的室内定位方法。在传统方法中，基于指纹的定位包括两个阶段：标定阶段和实施阶段。在标定阶段中，我们需要采集在感兴趣的地点的指纹数据（通常是RSS值），来构建一个指纹数据库；然后在实施阶段，当用户查询他的位置时，系统会在指纹数据库中匹配他的手机传感器读数，并估计他的位置。标定阶段对于基于指纹的定位方法来说是非常昂贵的但又不可避免的，因此成为这些定位方法的关键瓶颈。 

发明内容

本发明的目的在于提出一种非均质传感器网络中的事件边界检测的方法、装置及智能通讯设备，帮助网络管理者监控网络运行状态，通过分析感知数据来判断无线传感器网络中事件发生的边界，实现低功耗、高效率和及时性的实时事件边界检测。 

达此目的，本发明采用以下技术方案： 

本发明公开了一种非均质传感器网络中的事件边界检测的方法，包括： 

S1.获取多个传感器节点的信息，所述的信息包括原始感知的数据时间序列：(R1,R2,…,Rm)；其中，R1为某一节点Sx第一次原始感知的数据时间，Rm为该节点Sx第m次感知数据的时间，m为正整数； 

S2.压缩每个传感器节点的所述的信息，生成数据摘要； 

S3.相邻传感器节点广播所述的数据摘要，构造层次式密度结构，获得边界节点。 

在本发明所述的非均质传感器网络中的事件边界检测的方法中，步骤S2中所述的生成数据摘要，具体为： 

S21.假定感知数据时间序列窗口长度为m； 

S22.给每个传感器节点装配一个事先定好的d个m维的随机单位向量，d个m维向量之间的产生是独立的，一个m维向量是由对一个均值为0，方差为1的高斯分布的独立m次采样生成的，每一次采样的结果赋值给是m维向量的一个分量； 

S23.当感知数据时间序列窗口达到m，其时间序列可以看作一个m维向量S=（S1，S2，…,Sm）。对该感知数据时间序列向量，进行d次的哈希函数计算 H1,..Hd，就可以得到大小为d比特的数据摘要(H1(S),H2(S),…,Hd(S))， 

其中，d,m均为正整数。 

在本发明所述的非均质传感器网络中的事件边界检测的方法中，所述的边界节点为事件发生领域内的既有事件节点又有非事件节点。 

在本发明所述的非均质传感器网络中的事件边界检测的方法中，所述的构造层次式密度结构是通过判断一个点是否是核心对象来决定是否进行扩散过程Spreading，如果是核心对象，那么从邻居内开始扩散，如果不是，这扩散停止，扩散过程实际是更新可达距离的过程，如果新的可达距离更小那么进行更新，更新的操作第一步是将可达距离的值进行更新，第二步是进行优先级队列的调整。 

本发明公开了一种非均质传感器网络中的事件边界检测的装置，包括： 

节点信息获取单元，用于获取多个传感器节点的信息，所述的信息包括原始感知的数据时间序列：(R1,R2,…,Rm)；其中，R1为某一节点Sx第一次原始感知的数据时间，Rm为该节点Sx第m次感知数据的时间，m为正整数； 

数据摘要生成单元，用于压缩每个传感器节点的所述的信息，生成数据摘要； 

数据摘要广播单元，用于相邻传感器节点广播所述的数据摘要，构造层次式密度结构，获得边界节点。 

在本发明所述的非均质传感器网络中的事件边界检测的装置中，所述的数据摘要生成单元，具体的工作流程为： 

假定感知数据时间序列窗口长度为m； 

给每个传感器节点装配一个事先定好的d个m维的随机单位向量，d个m维向量之间的产生是独立的，一个m维向量是由对一个均值为0，方差为1的高斯 分布的独立m次采样生成的，每一次采样的结果赋值给是m维向量的一个分量； 

当感知数据时间序列窗口达到m，其时间序列可以看作一个m维向量S=（S1，S2，…,Sm）。对该感知数据时间序列向量，进行d次的哈希函数计算H1,..Hd，就可以得到大小为d比特的数据摘要(H1(S),H2(S),…,Hd(S))， 

其中，d,m均为正整数。 

在本发明所述的非均质传感器网络中的事件边界检测的装置中，所述的边界节点为事件发生领域内的既有事件节点又有非事件节点。 

在本发明所述的非均质传感器网络中的事件边界检测的装置中，所述的数据摘要生成单元包括层次式密度结构构造子单元，所述的层次式密度结构构造子单元工作流程为： 

通过判断一个点是否是核心对象来决定是否进行扩散过程Spreading，如果是核心对象，那么从邻居内开始扩散，如果不是，这扩散停止，扩散过程实际是更新可达距离的过程，如果新的可达距离更小那么进行更新，更新的操作第一步是将可达距离的值进行更新，第二步是进行优先级队列的调整。 

本发明公开了一种非均质传感器网络中的事件边界检测的系统，包括多个传感器节点，与所述的传感器节点相通讯的通讯单元，与所述的通讯单元相连的终端，其特征在于，所述的通讯单元具有如上述的非均质传感器网络中的事件边界检测的装置。 

在本发明所述的非均质传感器网络中的事件边界检测的系统中，所述的终端包括智能手机和/或监控服务器。 

实施本发明的一种非均质传感器网络中的事件边界检测的方法、装置以及设备，有益效果在于： 

帮助网络管理者监控网络运行状态，通过分析感知数据来判断无线传感器 网络中事件发生的边界，实现低功耗、高效率和及时性的实时事件边界检测。 

附图说明

图1是本发明非均质传感器网络中的事件边界检测的方法流程图； 

图2是事件边界定义示意图； 

图3表示了数据摘要生成示意图； 

图4是本发明核心距离与可达距离示意图； 

图5OrderList可视化结果； 

图6二分分布检测算法示意图； 

图7是本发明非均质传感器网络中的事件边界检测的装置构造方框图； 

图8是本发明一种非均质传感器网络中的事件边界检测的系统构造方框图。 

具体实施方式

下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。 

请参阅图1，本发明的较佳实施例，一种非均质传感器网络中的事件边界检测的方法，包括： 

S1.获取多个传感器节点的信息，所述的信息包括原始感知的数据时间序列：(R1,R2,…,Rm)；其中，R1为某一节点Sx第一次原始感知的数据时间，Rm为该节点Sx第m次感知数据的时间，m为正整数； 

S2.压缩每个传感器节点的所述的信息，生成数据摘要； 

S3.相邻传感器节点广播所述的数据摘要，构造层次式密度结构，获得边界节点。 

其中，步骤S2中所述的生成数据摘要，具体为： 

S21.假定感知数据时间序列窗口长度为m； 

S22.给每个传感器节点装配一个事先定好的d个m维的随机单位向量，d个m维向量之间的产生是独立的，一个m维向量是由对一个均值为0，方差为1的高斯分布的独立m次采样生成的，每一次采样的结果赋值给是m维向量的一个分量； 

S23.当感知数据时间序列窗口达到m，其时间序列可以看作一个m维向量S=（S1，S2，…,Sm）。对该感知数据时间序列向量，进行d次的哈希函数计算H1,..Hd，就可以得到大小为d比特的数据摘要(H1(S),H2(S),…,Hd(S))， 

其中，d,m均为正整数。 

所述的边界节点为事件发生领域内的既有事件节点又有非事件节点。 

构造层次式密度结构是通过判断一个点是否是核心对象来决定是否进行扩散过程Spreading，如果是核心对象，那么从邻居内开始扩散，如果不是，这扩散停止，扩散过程实际是更新可达距离的过程，如果新的可达距离更小那么进行更新，更新的操作第一步是将可达距离的值进行更新，第二步是进行优先级队列的调整。 

下面进行详细说明： 

我们提出了一种非均质传感器网络中的分布式在线事件边界检测算法--BID（bipartition detection），其中将边界节点的检测转化为寻找二分分布（bipartition distribution），同时结合一种数据摘要机制，BID能够有效的检测出事件边界以及错误读数的传感器节点。与之前的方法不同，该方法能够将传输的感知数据量降低到一个合适的水平，并且可以根据应用的准确性要求而调整通讯的开销。进一步地通过抽取层次式密度结构的信息，BID能够识别节点邻域内的不同密度的分布。 

实际上，在非均质网络环境下的抗噪声的事件边界检测并不是很简单的。 首先，传感器网络的非均质性包含了两个层面的意义：（1）每个节点的邻域之间的密度是不一样的。（2）在一个节点的邻域内部， 

事件节点的密度和非事件节点的密度也是不一样的，而且事件节点或是非事件节点的内部密度也是不一致的。因此，在均质网络中提出的直接或是间接通过衡量事件节点个数与非事件节点个数之间差异性的算法在非均质网络中不再适用。其次，在之前的方法中，网络交换的数据类型要么是0/1预测值，要么是原始感知数据。0/1预测值的算法所消耗的网络开销最小，但是这类算法完全丢弃了节点之间的空间关联性。原始感知数据交换的方法保证了数据的空间关联性但是却带来了过高的网络通讯开销和能量消耗，而且还需要将边界节点与那些产生异常读数的节点区分开来。 

为解决以上问题，首先引入了一种数据摘要机制来对原始感知数据进行压缩。生成的数据摘要具有一个非常重要的特性就是它以非常高的概率保持了原始感知数据之间的空间关联性。紧接着为适应邻域之间以及邻域内部的密度变化特点，通过构造层次式密度结构来将不同密度的分布特性抽取出来。而且能够将出错节点与边界节点区分开来，因为出错节点与其他节点在感知数据上是不存在空间关联的。 

下面分别从问题定义、数据摘要机制和边界监测机制几个方面来讲述具体内容： 

1 BID概述 

在本节中，首先引入事件边界的概念，然后仔细分析了均质网络与非均质网络环境下事件节点的区别，最后提出了模型的假设以及主要解决方法。 

假设在二维空间平面中部署了N个传感器节点。用Sx来表示一个传感器节点。用Rx=(R1,R2,…,Rm)来表示节点Sx的原始感知数据时间序列。由于某些 原因，一个传感器节点的读数可能与它之前的读数发生较大偏差。但是仅仅只有自己的数据，单个节点是无法得知自己的数据异常是由于某些事件发生了还是自己的感知硬件发生了故障。幸运的是，错误节点的数据异常是独立产生的，不存在空间上的关联性。因此可以通过与其他传感器节点之间的数据比较考察感知数据之间的空间距离来区分出错误节点。但是，如果事先对与事件发生与否以及感知数据的分布没有任何先验知识的话，依然无法判断某个节点是事件节点还是非事件节点。这里，得到一个观察，虽然可能无法判断一个节点是事件节点或不是，但是可以看出一个边界点的典型特征：它的邻域可以分为两组空间关联的点。如图2所示，假设有事件E发生，这样一来，事件发生区域A(E)内的感知数据与事件区域外 

的感知数据就会产生差异。一个节点是事件边界点当且仅当他的邻域内既有事件节点又有非事件节点。因此，Si节点就是事件节点，Sj与Sk就不是事件节点。所有事件节点的集合构成一个事件边界B(E)。节点的邻域大小用探测距离表示，从直观上解释，探测距离越大，更多的邻居信息可以被获取用于后续处理。 

在非均质网络环境下，节点与节点之间的邻居密度是不同的，其次节点内部事件节点与非事件节点的密度也不一样；再次事件节点或是非事件节点之间的分布也不在均匀，因此一个有效的非均质网络中的事件边界检测算法需要能够动态适应局部的变化，同时还需要能够通过衡量邻域内数据的“质量”而不是“数量”来判断边界节点。更进一步，用来进行比较的数据需被压缩至一个合理的水平以减少通讯的开销同时尽可能保留数据之间的空间关联性，最后那些出错的传感器节点能够被检测出来。 

因此在BID框架中，首先每个节点利用LSH（Locality Sensitive Hashing）算法将感知数据时间序列进行降维，得到一个数据的摘要，这个数据摘要可以 在数据量的大小和保留空间关联性的概率上做一个平衡，然后利用一个边界节点的周围必然存在一个二分分布的标准来进行检测。该方法的基本假设是，在一个边界点的邻域内，必然存在两个差别明显的分组，其中任何两个组内节点的感知数据的距离都比任何两个不同组之间的节点的感知数据的距离要小。很明显这个假设在不需要事件检测机制的帮助下的非均质传感器网络中仍然是满足的。 

2数据摘要算法 

在本节中，先介绍LSH（Locality Sensitive Hash）算法，然后说明它是怎么在BID中工作的。 

2.1 LSH函数 

LSH函数被定义为运算在目标多维空间中的一个哈希函数族H，对于目标多维空间中的任意两个向量u,v，存在以下关系 

Prob[h(u)＝h(v)]＝sim(u，v)，h∈H    （1） 

其中Prob表示概率，sim表示两个向量的相似度，其取值范围在0到1。在这里假设感知数据的时间序列维度为m，因此对于两个m维的向量，可以定义它们之间的余弦相似性（cosine similarity）,余弦相似性就是两个向量之间夹角的余弦值 

$\mathrm{sim}(u,v)=\cos \left(\mathrm{\θ}(u,v)\right)=\frac{u\·v}{\left|u\right|\left|v\right|}---\left(2\right)$

其中θ表示两个向量之间的夹角。 

基于余弦相似性的LSH函数可以由以下定理给出。 

定理1：假设存在k维空间的向量集合，那么其哈希函数族可以这样生成： 随机地从k维空间中选取具有单位向量长度的球状对称向量r，然后定义哈希函数如下： 

$h_r\left(u\right)=\left\{\begin{array}{cc}1& ,\mathrm{ifu}\&CenterDot;r\&GreaterEqual;0\\ 0& ,\mathrm{ifu}\&CenterDot;r<0\end{array}\right.---\left(3\right)$

由以上定理可以得到两个向量的相似可能性 

$\mathrm{Prob}[h_r\left(u\right)=h_r\left(v\right)]=1-\frac{\mathrm{\&theta;}(u,v)}{\mathrm{\&pi;}}---\left(4\right)$

式子（4）说明了一个随机的超平面将两个向量区分开的概率正比于两个向量之间的夹角，其证明可以参见。这里给出一个简短的推导。 

(1)Prob[h_r(u)＝0，h_r(r)＝1]＝Prob[h_r(u)＝1，h_r(r)＝0] 

(2)Prob[h_r(u)≠h_r(v)]      ＝2Prob[h_r(u)＝1，h_r(r)＝0] 

(3) $\mathrm{Prob}[h_r\left(u\right)=1,h_r\left(r\right)=0]=\frac{\mathrm{\&theta;}(u,v)}{2\mathrm{\&pi;}}$

(4) $\mathrm{Prob}[h_r\left(u\right)=h_r\left(v\right)]=1-\mathrm{Prob}[h_r\left(u\right)\&NotEqual;h_r\left(v\right)]---\left(5\right)$

$=1-2\&CenterDot;\frac{\mathrm{\&theta;}(u,v)}{2\mathrm{\&pi;}}$

$=1-\frac{\mathrm{\&theta;}(u,v)}{\mathrm{\&pi;}}$

由于式子（3）中的对称性，可以得到式子（5）中的第一行，这个也就等于式子（5）中的第二行。而由定理的定义可以知道这个问题等同于两个半平面相交，其二面角等于两个向量之间的夹角θ，因此可以得到式子（5）中的第三行。在根据全概率公式可以得到式子（5）中的第四行当得到式子（4）后，可以将其代入相似性的式子（2）中，那么可以得到 

sim(u，v)＝cos(θ(u，v))＝cos((1-Prob[h_r(u)＝h_r(v)])·π)    （6） 

至此，式子（6）给出了计算两个向量之间相似性的计算公式，可以看出由于式子（6）的概率特性，需要进行足够多的采样，非常直观地，采样的次数越多，越接近于真实值。因此可以随机产生d个r向量来重复这个随机过程，其中d个哈希函数组成一个哈希函数族H,可以得到 

$\mathrm{Prob}[h_H\left(u\right)=h_H\left(v\right)])=1-\mathrm{Prob}[h_H\left(u\right)\&NotEqual;h_H\left(v\right)\left]\right)$

$=1-\frac{\mathrm{diff}(h_r\left(u\right),h_r\left(v\right))}{d}---\left(7\right)$

$=1-\frac{\mathrm{hamdist}(D_u,D_v)}{d}$

其中diff(h_r(u)，h_r(v))表示运行d次的过程中，u和v两个向量的哈希函数的结果不同的次数，D_u，D_v表示u和v两个向量运行d次哈希函数后的d维向量。而由于这个随机过程每次产生的值都是0或者1，因此哈希函数结果的不同次数实际上就是两个d向量之间的Hamming距离。综合式子（6）和式子（7），得到 

$\mathrm{sim}(u,v)=\cos (\frac{\mathrm{hamdist}(D_u,D_v)}{d}\&CenterDot;\mathrm{\&pi;})---\left(8\right)$

从式子（8）中，最后得出了两个高维空间的向量u，v之间的相似度是正比于两个经过LSH哈希函数族运算后的d维向量之间的Hamming距离的。 

2.2数据摘要算法实现 

上一小节介绍了LSH的原理，最后获得了计算低维向量之间的Hamming距离来估计高维空间向量之间相似性的方法。如图2所示，在BID中，实现过程的大致分为以下几个步骤： 

（1）假定感知数据时间序列窗口长度为m。 

（2）给每个传感器节点装配一个事先定好的d个m维的随机单位向量。d个m维向量之间的产生是独立的。一个m维向量是由对一个均值为0，方差为1的高斯分布的独立m次采样生成的，每一次采样的结果赋值给是m维向量的一个分量。 

（3）当感知数据时间序列窗口达到m，其时间序列可以看作一个m维向量S=（S1，S2，…,Sm）。对该感知数据时间序列向量，进行d次的哈希函数计算 H1,..Hd。就可以得到大小为d比特的数据摘要(H1(S),H2(S),…,Hd(S))。 

3边界检测 

上一节介绍了数据摘要的生成方法。在本节将介绍根据前面生成的数据摘要，首先建立多密度层次结构的，然后进行二项分布的检测以确定边界节点。 

3.1多密度层次结构 

在数据摘要生成后，每个节点在邻居范围内广播自己的摘要,经过这样的交换，每个节点都包含有自己所有邻居的数据摘要。假设一个节点的邻居数目为x，SKi表示一个数据摘要，那么接下来就是要对SK1,SK2,…SKx这x个向量摘要的分布进行分析。 

该算法有两个参数，一个是ε,它表示所允许的两个同类数据点之间的最大距离，另一个是MinPt，表示最小可以形成一个类别的数据点的个数。每个数据点关联两个距离分量，一个是核心距离CD（core distance），另一个是可达距离RD（reachability distance）。 

核心距离的定义 

$\mathrm{CD}\left(p\right)=\left\{\begin{array}{cc}\&infin;& ,\mathrm{if}\left|N_{\mathrm{\&epsiv;}}\left(p\right)\right|<\mathrm{Minpt}\\ \mathrm{Minpt}-\mathrm{th\; dis}\tan \mathrm{ce}& ,\mathrm{if}\left|N_{\mathrm{\&epsiv;}}\left(p\right)\right|\&GreaterEqual;\mathrm{Minpt}\end{array}\right.---\left(9\right)$

也就是说，如果一个数据点在ε距离范围内的邻居个数如果小于Minpt，那么核心距离为无穷大，也就是说p不是一个核心对象。如果ε距离范围内的邻居个数如果大于等于Minpt，那么p的核心距离等于所有邻居的点到p的距离中，第Minpt小的距离，此时p是一个核心对象。 

可达距离的定义 

$\mathrm{RD}(q,p)=\left\{\begin{array}{cc}\&infin;& ,\mathrm{if}\left|N_{\mathrm{\&epsiv;}}\left(p\right)\right|<\mathrm{Minpt}\\ \max (\mathrm{CD}\left(p\right),\mathrm{dist}(q,p))& ,\mathrm{if}\left|N_{\mathrm{\&epsiv;}}\left(p\right)\right|\&GreaterEqual;\mathrm{Minpt}\end{array}\right.---\left(10\right)$

也就是说，如果p不是一个核心对象，那么点q到p的可达距离为无穷大。如果p是一个核心对象，那么点q到p的可达距离为p的核心距离与点q到p的实际距离中最大者。 

如图4所示，给定ε以及MinPt为3，Si的ε范围内存在超过3个点，因此Si是一个核心对象。它的核心距离为第三小的距离ε’，Sr到Si的可达距离为Sr到Si的距离与ε’之间的最大者，因此为Dist(Sr,Sr)。对于Sj点，它的ε范围内正好存在3个邻居。因此，Sj也是一个核心对象。而对于Sk来说，ε范围内只有2个邻居，因此它不是一个核心对象，它的核心距离为无穷大，其他点到它的可达距离也是无穷大。 

基于核心距离与可达距离，可以得到多密度层次结构的算法。如算法1所示，通过判断一个点是否是核心对象来决定是否进行扩散过程Spreading，如果是核心对象，那么从邻居内开始扩散，如果不是，这扩散停止。扩散过程实际是更新可达距离的过程，如果新的可达距离更小那么进行更新，更新的操作第一步是将可达距离的值进行更新，第二步是进行优先级队列的调整。 

表1多密度层次结构生成算法 

上述过程可能比较抽象。一个直观的例子如图5所示，给定需要分类的数据点，然后给定ε以及MinPt为3。可以看到基于核心对象的传递性。左上角的密度较大的点群被划分为一类，而右下角密度较低的点被划为一类。虽然密度不同，但也被划分为两类。通过这个直观的图示，可以认识到核心对象的意义在于，核心对象的ε范围邻居都是距离可达的，也就是可以划分为一类的，如果核心对象的ε范围邻居存在核心对象，那么这个关系是可传递的。该方法就是利用核心对象的传递性来进行分类的。 

表2 Spreading过程 

表3 OrderList内容 

算法1的输出是一个队列，该队列实际上是一个表格，如表格3所示。OrderList的内容由于是和优先级队列的操作紧密相关的，因此如果将OrdeList的内容进行可视化，可以得到一些非常直观的感受。如图6所示，左边是一个二维数据点的分布，右边其对应的OrderList输出的图形化显示，横坐标是OrderList队列的输出顺序，纵坐标为可达距离。可以看到每一个分类对应于一个峡谷。峡谷的波谷越低，表示可达距离越小，也就是数据点的分布越密。 

3.2二分分布检测 

虽然已经抽取了数据分布的多密度层次结构信息。但是由于非均质网络的多变密度特性，可能会产生许多小的分类，而不是两个典型的分类。不过幸运的是OrderList的信息是包含了层次信息的，因此低密度的分类是可以包含高密度分类的。 

如表5所示，是基于OrderList计算二分分布的算法。该算法的基本思想为设置核心距离的阈值ε’初始值为ε。然后降低该阈值，直到找到二分分布或是没有。但一个数据的可达距离超过ε’那么表示一个新的分类开始或是该点错误读数节点，否则按照OrderList中连续的可达距离小于ε’的都属于同一个分类。同分类的容忍距离ε”的设置是为了识别错误读数节点。不易将ε”设置的过小，否则会将大多数节点都识别为错误读数节点。 

表4 二分分布检测算法 

首先应用一种数据摘要的机制对原始感知数据时间序列进行压缩,该压缩机制的最大特点在于降低数据维度的同时，能够以高概率保持空间关联性，同时还提供一个动态调整的方案,然后应用改进的OPTICS算法进行多密度层次结构的抽取，从而得到邻域内数据摘要空间分布的密度结构表示，最后使用二分分布检测机制将最大的两个二分类检测出来，如果节点邻域内的数据摘要可以形成一个二分类，那么该节点为边界节点，反之则不是。在检测二分类的同时，BID还能够将没有空间关联性的数据摘要检测出来，从而判断出感知功能出错的传感器节点,也就说该算法能够同时分辨出噪声数据及边界节点,因此提出的算法是具有较高鲁棒性的,最后在模拟实验中验证了BID的有效性和健壮性。 

二分部的检测算法的直观意义的理解如图6所示，其中6个波谷分别对应6个密度较为均匀的分布。可以看到不同的ε’与曲线产生不同个数的交点，可以据此进行分类。例如ε1有4个交点，也就是正好可以分为两类，而ε2有10个交点，则被分为5类。 

请参阅图7、一种非均质传感器网络中的事件边界检测的装置1，包括： 

节点信息获取单元10，用于获取多个传感器节点的信息，所述的信息包括原始感知的数据时间序列：(R1,R2,…,Rm)；其中，R1为某一节点Sx第一次原始感知的数据时间，Rm为该节点Sx第m次感知数据的时间，m为正整数； 

数据摘要生成单元20，用于压缩每个传感器节点的所述的信息，生成数据摘要； 

数据摘要广播单元30，用于相邻传感器节点广播所述的数据摘要，构造层次式密度结构，获得边界节点。 

其中，数据摘要生成单元20，具体的工作流程为： 

假定感知数据时间序列窗口长度为m； 

给每个传感器节点装配一个事先定好的d个m维的随机单位向量，d个m维向量之间的产生是独立的，一个m维向量是由对一个均值为0，方差为1的高斯分布的独立m次采样生成的，每一次采样的结果赋值给是m维向量的一个分量； 

当感知数据时间序列窗口达到m，其时间序列可以看作一个m维向量S=（S1，S2，…,Sm）。对该感知数据时间序列向量，进行d次的哈希函数计算H1,..Hd，就可以得到大小为d比特的数据摘要(H1(S),H2(S),…,Hd(S))， 

其中，d,m均为正整数。 

边界节点为事件发生领域内的既有事件节点又有非事件节点。 

数据摘要生成单元20包括层次式密度结构构造子单元，所述的层次式密度结构构造子单元工作流程为： 

通过判断一个点是否是核心对象来决定是否进行扩散过程Spreading，如果是核心对象，那么从邻居内开始扩散，如果不是，这扩散停止，扩散过程实际是更新可达距离的过程，如果新的可达距离更小那么进行更新，更新的操作第一步是将可达距离的值进行更新，第二步是进行优先级队列的调整。 

请参阅图8、一种非均质传感器网络中的事件边界检测的系统，包括多个传感器节点100，与传感器节点100相通讯的通讯单元110，与通讯单元110相连的终端120，通讯单元110具有如上述的非均质传感器网络中的事件边界检测的装置1，其中，终端120包括智能手机和/或监控服务器。 

实施本发明的一种非均质传感器网络中的事件边界检测的方法、装置以及设备，有益效果在于： 

帮助网络管理者监控网络运行状态，通过分析感知数据来判断无线传感器网络中事件发生的边界，实现低功耗、高效率和及时性的实时事件边界检测。 

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。 

Claims (10)

1.一种非均质传感器网络中的事件边界检测的方法，其特征在于，包括：

S1.获取多个传感器节点的信息，所述的信息包括原始感知的数据时间序列：(R1,R2,…,Rm)；其中，R1为某一节点Sx第一次原始感知的数据时间，Rm为该节点Sx第m次感知数据的时间，m为正整数；

S2.压缩每个传感器节点的所述的信息，生成数据摘要；

S3.相邻传感器节点广播所述的数据摘要，构造层次式密度结构，获得边界节点。

2.根据权利要求1所述的非均质传感器网络中的事件边界检测的方法，其特征在于，步骤S2中所述的生成数据摘要，具体为：

S21.假定感知数据时间序列窗口长度为m；

S22.给每个传感器节点装配一个事先定好的d个m维的随机单位向量，d个m维向量之间的产生是独立的，一个m维向量是由对一个均值为0，方差为1的高斯分布的独立m次采样生成的，每一次采样的结果赋值给是m维向量的一个分量；

S23.当感知数据时间序列窗口达到m，其时间序列可以看作一个m维向量S=（S1，S2，…,Sm）。对该感知数据时间序列向量，进行d次的哈希函数计算H1,..Hd，就可以得到大小为d比特的数据摘要(H1(S),H2(S),…,Hd(S))，

其中，d,m均为正整数。

3.根据权利要求1所述的非均质传感器网络中的事件边界检测的方法，其特征在于，所述的边界节点为事件发生领域内的既有事件节点又有非事件节点。

4.根据权利要求1所述的非均质传感器网络中的事件边界检测的方法，其特征在于，所述的构造层次式密度结构是通过判断一个点是否是核心对象来决定是否进行扩散过程Spreading，如果是核心对象，那么从邻居内开始扩散，如果不是，这扩散停止，扩散过程实际是更新可达距离的过程，如果新的可达距离更小那么进行更新，更新的操作第一步是将可达距离的值进行更新，第二步是进行优先级队列的调整。

5.一种非均质传感器网络中的事件边界检测的装置，其特征在于，包括：

节点信息获取单元，用于获取多个传感器节点的信息，所述的信息包括原始感知的数据时间序列：(R1,R2,…,Rm)；其中，R1为某一节点Sx第一次原始感知的数据时间，Rm为该节点Sx第m次感知数据的时间，m为正整数；

数据摘要生成单元，用于压缩每个传感器节点的所述的信息，生成数据摘要；

数据摘要广播单元，用于相邻传感器节点广播所述的数据摘要，构造层次式密度结构，获得边界节点。

6.根据权利要求5所述的非均质传感器网络中的事件边界检测的装置，其特征在于，所述的数据摘要生成单元，具体的工作流程为：

假定感知数据时间序列窗口长度为m；

给每个传感器节点装配一个事先定好的d个m维的随机单位向量，d个m维向量之间的产生是独立的，一个m维向量是由对一个均值为0，方差为1的高斯分布的独立m次采样生成的，每一次采样的结果赋值给是m维向量的一个分量；

当感知数据时间序列窗口达到m，其时间序列可以看作一个m维向量S=（S1，S2，…,Sm）。对该感知数据时间序列向量，进行d次的哈希函数计算H1，..Hd，就可以得到大小为d比特的数据摘要(H1(S),H2(S),…,Hd(S))，

其中，d,m均为正整数。

7.根据权利要求5所述的非均质传感器网络中的事件边界检测的装置，其特征在于，所述的边界节点为事件发生领域内的既有事件节点又有非事件节点。

8.根据权利要求5所述的非均质传感器网络中的事件边界检测的装置，其特征在于，所述的数据摘要生成单元包括层次式密度结构构造子单元，所述的层次式密度结构构造子单元工作流程为：

通过判断一个点是否是核心对象来决定是否进行扩散过程Spreading，如果是核心对象，那么从邻居内开始扩散，如果不是，这扩散停止，扩散过程实际是更新可达距离的过程，如果新的可达距离更小那么进行更新，更新的操作第一步是将可达距离的值进行更新，第二步是进行优先级队列的调整。

9.一种非均质传感器网络中的事件边界检测的系统，包括多个传感器节点，与所述的传感器节点相通讯的通讯单元，与所述的通讯单元相连的终端，其特征在于，所述的通讯单元具有如权利要求5所述的非均质传感器网络中的事件边界检测的装置。

10.根据权利要求9所述的非均质传感器网络中的事件边界检测的装置，其特征在于，所述的终端包括智能手机和/或监控服务器。

Images