CN105897469B - 一种无线传感器网络的故障检测方法及装置 - Google Patents
一种无线传感器网络的故障检测方法及装置 Download PDFInfo
- Publication number
- CN105897469B CN105897469B CN201610202851.3A CN201610202851A CN105897469B CN 105897469 B CN105897469 B CN 105897469B CN 201610202851 A CN201610202851 A CN 201610202851A CN 105897469 B CN105897469 B CN 105897469B
- Authority
- CN
- China
- Prior art keywords
- relation value
- system parameter
- sensor node
- time window
- current time
- 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.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
- H04L41/065—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis involving logical or physical relationship, e.g. grouping and hierarchies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明实施例公开了一种无线传感器网络的故障检测方法及装置,方法包括:获得当前时间窗内每一个传感器节点所包含的任意两个系统参量的系统参量值序列,并对系统参量值进行排序,获得针对每一个传感器节点的系统参量值有序序列,再根据系统参量值有序序列,计算出每一个传感器节点的关系值视图向量,对当前时间窗内的所有关系值视图向量进行聚类处理,得到聚类结果,当前时间窗内不属于所述聚类结果中的关系值视图向量对应的传感器节点确定为故障节点。应用本发明实施例,利用了传感器节点系统参量间存在的关系,解决了如何通过传感器节点中系统参量间存在的关系对无线传感器网络进行故障检测的问题。
Description
技术领域
本发明涉及无线通信技术领域,特别涉及一种无线传感器网络的故障检测方法及装置。
背景技术
无线传感器网络(Wireless Sensor Networks,简称为WSN)是一种分布式传感网络,它的末梢是可以感知和检查外部世界的传感器。WSN中的传感器通过无线方式通信,因此网络设置灵活,设备位置可以随时更改,还可以跟互联网进行有线或无线方式的连接。通过无线通信方式形成的一个多跳自组织网络。
通常情况下,无线传感器网络由大量低成本且电量有限的传感器节点组成,由于传感器节点分布于恶劣、不可控制的环境中,因此传感器节点易于出现故障,进而导致无线传感器网络出现故障。
目前,对无线传感器网络进行故障检测,通常利用无线传感器网络中传感器节点测量值在时间或空间上的关系来判断节点是否出现故障,尚没有利用到节点系统参量间存在的关系对无线传感器网络进行故障检测,不能通过传感器节点中系统参量间存在的关系对无线传感器网络进行故障检测。
发明内容
本发明实施例目的在于提供一种无线传感器网络的故障检测方法及装置,解决如何通传感器过节点中系统参量间存在的关系对无线传感器网络进行故障检测的问题。
为了达到上述目的,本发明实施例提供了一种无线传感器网络的故障检测方法,方法包括:
获得当前时间窗内每一个传感器节点所包含的任意两个系统参量的系统参量值序列;
对每一个传感器节点的所述系统参量值序列中的系统参量值进行排序,获得针对每一个传感器节点的所述系统参量的系统参量值有序序列;
根据每一个传感器节点的所述系统参量值有序序列,生成针对每一个传感器节点的关系值视图向量;
根据当前时间窗内所有传感器节点的所述关系值视图向量,对当前时间窗内的所有传感器节点对应的关系值视图向量进行聚类处理,得到聚类结果;
将当前时间窗内不属于所述聚类结果中的关系值视图向量对应的传感器节点确定为故障节点。
可选的,所述根据每一个传感器节点的所述系统参量值有序序列,生成针对每一个传感器节点的关系值视图向量,包括:
根据每一个传感器节点所述系统参量值有序序列,计算每一个传感器节点所述系统参量的关系值;
根据所述关系值,建立针对每一个传感器节点的关系值视图;
根据当前时间窗内每一个传感器节点的所述关系值视图,生成针对每一个传感器节点的关系值视图向量。
可选的,计算传感器节点的所述系统参量的关系值所利用的公式,包括:
式中,ci,j(x,y)为当前时间窗j中的第i个传感器节点中的系统参量x、y对应的关系值,w为当前时间窗j的大小,m′i,x,(j-1)×w+k和m′i,y,(j-1)×w+k分别为系统参量值mi,x,(j-1)×w+k和mi,y,(j-1)×w+k在系统参量x、y对应的有序序列V′i,x,j和V′i,y,j中的秩次,和分别为有序序列V′i,x,j和V′i,y,j的平均秩次。
可选的,所述传感器节点的关系值视图的表征形式为:
Ci,j为当前时间窗j中的第i个传感器节点的关系值视图,其中,为第i个传感器节点所包含的系统参量的数量,对于ci,j(a,b)= ci,j(b,a),ci,j(a,a)=1。
可选的,所述根据当前时间窗内所有传感器节点的所述关系值视图向量,对当前时间窗内的所有传感器节点对应的关系值视图向量进行聚类处理,得到聚类结果,包括:
a、根据当前时间窗内所有传感器节点的关系值视图向量,分别计算针对当前时间窗内每一个传感器节点的所述关系值视图向量的k距离邻域Nk(p)、逆k距离邻域INk(p)及邻基局部密度因子NLDFk(p),其中,所述关系值视图向量的邻基局部密度因子式中,k为正整数,|INk(p)|为所述关系值视图向量的逆k距离邻域中的关系值视图向量数目,|Nk(p)|为所述关系值视图向量的k距离邻域中的关系值视图向量数目;
b、判断当前时间窗内每一个传感器对应的所述关系值视图向量的邻基局部密度因子NLDFk(p)是否大于或等于1,如果是,确定所述关系值视图向量为密邻向量,否则,确定所述关系值视图向量为疏邻向量;
c、在当前时间窗内存在密邻向量时,判断目标密邻向量是否属于当前时间窗内已存在的簇,如果否,建立新簇,将所述目标密邻向量加入所述新簇中,所述簇为当前时间窗内的多个传感器节点对应的关系值视图向量的集合;
d、确定针对目标密邻向量的所有直接局部密度可达关系值视图向量,其中,确定针对所述目标关系值视图向量的所有直接局部密度可达关系值视图向量通过下述表达式:NLDFk(p)/(1+thr)<NLDFk(q)<NLDFk(p)×(1+thr),q∈ Nk(p),式中,NLDFk(q)为关系值视图向量q的邻基局部密度因子,thr为预设阈值;
e、将所述直接局部密度可达关系值视图向量加入到目标密邻向量所处簇中;
f、判断新加入的关系值视图向量是否存在密邻向量,
如果存在,确定针对新加入的每一个密邻向量的所有直接局部密度可达关系值视图向量,将所有新加入的密邻向量的所有直接局部密度可达关系值视图向量确定为直接可达向量集,将所述直接可达向量集中不属于目标密邻向量所处簇的直接局部密度可达关系值视图向量加入到目标密邻向量所处簇中,返回步骤f继续执行;
如果不存在,判断当前时间窗内是否还存在密邻向量,如果是,返回步骤c 继续执行,如果否,将当前时间窗内已存在的簇确定为聚类结果。
为了达到上述目的,本发明实施例还提供了一种无线传感器网络的故障检测装置,装置包括:
第一获得模块,用于获得当前时间窗内每一个传感器节点所包含的任意两个系统参量的系统参量值序列;
第二获得模块,用于对每一个传感器节点的所述系统参量值序列中的系统参量值进行排序,获得针对每一个传感器节点的所述系统参量的系统参量值有序序列;
向量生成模块,用于根据每一个传感器节点的所述系统参量值有序序列,生成针对每一个传感器节点的关系值视图向量;
聚类模块,用于根据当前时间窗内所有传感器节点的所述关系值视图向量,对当前时间窗内的所有传感器节点对应的关系值视图向量进行聚类处理,得到聚类结果;
确定模块,用于将当前时间窗内不属于所述聚类结果中的关系值视图向量对应的传感器节点确定为故障节点。
可选的,所述向量生成模块,包括:
计算子模块,用于根据每一个传感器节点所述系统参量值有序序列,计算每一个传感器节点所述系统参量的关系值;
视图建立子模块,用于根据所述关系值,建立针对每一个传感器节点的关系值视图;
向量建立子模块,用于根据当前时间窗内每一个传感器节点的所述关系值视图,生成针对每一个传感器节点的关系值视图向量。
可选的,所述计算子模块,计算所述传感器节点所述系统参量的关系值所利用的公式,包括:
式中,ci,j(x,y)为当前时间窗j中的第i个传感器节点中的系统参量x、y对应的关系值,w为当前时间窗j的大小,m′i,x,(j-1)×w+k和m′i,y,(j-1)×w+k分别为系统参量值mi,x,(j-1)×w+k和mi,y,(j-1)×w+k在系统参量x、y对应的有序序列V′i,x,j和V′i,y,j中的秩次,和分别为有序序列V′i,x,j和V′i,y,j的平均秩次。
可选的,所述视图建立子模块建立的所述传感器节点的关系值视图的表征形式为:
Ci,j为当前时间窗j中的第i个传感器节点的关系值视图,其中,为第i个传感器节点所包含的系统参量的数量,对于ci,j(a,b)= ci,j(b,a),ci,j(a,a)=1。
可选的,所述聚类模块,具体用于:
A、根据当前时间窗内所有传感器节点的关系值视图向量,分别计算针对当前时间窗内每一个传感器节点的所述关系值视图向量的k距离邻域Nk(p)、逆k距离邻域INk(p)及邻基局部密度因子NLDFk(p),其中,所述关系值视图向量的邻基局部密度因子式中,k为正整数,|INk(p)|为所述关系值视图向量的逆k距离邻域中的关系值视图向量数目,|Nk(p)|为所述关系值视图向量的k距离邻域中的关系值视图向量数目;
B、判断当前时间窗内每一个传感器对应的所述关系值视图向量的邻基局部密度因子NLDFk(p)是否大于或等于1,如果是,确定所述关系值视图向量为密邻向量,否则,确定所述关系值视图向量为疏邻向量;
C、在当前时间窗内存在密邻向量时,判断目标密邻向量是否属于当前时间窗内已存在的簇,如果否,建立新簇,将所述目标密邻向量加入所述新簇中,所述簇为当前时间窗内的多个传感器节点对应的关系值向量的集合;
D、确定针对目标密邻向量的所有直接局部密度可达关系值视图向量,其中,确定针对所述目标关系值视图向量的所有直接局部密度可达关系值视图向量通过下述表达式:NLDFk(p)/(1+thr)<NLDFk(q)<NLDFk(p)×(1+thr),q∈ Nk(p),式中,NLDFk(q)为关系值视图向量q的邻基局部密度因子,thr为预设阈值;
E、将所述直接局部密度可达关系值视图向量加入到目标密邻向量所处簇中;
F、判断新加入的关系值视图向量是否存在密邻向量,
如果存在,确定针对新加入的每一个密邻向量的所有直接局部密度可达关系值视图向量,将所有新加入的密邻向量的所有直接局部密度可达关系值视图向量确定为直接可达向量集,将所述直接可达向量集中不属于目标密邻向量所处簇的直接局部密度可达关系值视图向量加入到目标密邻向量所处簇中,返回步骤F继续执行;
如果不存在,判断当前时间窗内是否还存在密邻向量,如果是,返回步骤C 继续执行,如果否,将当前时间窗内已存在的簇确定为聚类结果。
本发明实施例公开了一种无线传感器网络的故障检测方法及装置,方法包括:获得当前时间窗内每一个传感器节点所包含的任意两个系统参量的系统参量值序列,并对系统参量值进行排序,获得针对每一个传感器节点的系统参量值有序序列,再根据系统参量值有序序列,计算出每一个传感器节点的关系值视图向量,对当前时间窗内的所有关系值视图向量进行聚类处理,得到聚类结果,当前时间窗内不属于所述聚类结果中的关系值视图向量对应的传感器节点确定为故障节点。应用本发明实施例,利用了传感器节点系统参量间存在的关系,解决了如何通过传感器节点中系统参量间存在的关系对无线传感器网络进行故障检测的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种无线传感器网络的故障检测方法的流程示意图;
图2为本发明实施例提供的无线传感器网络的故障检测方法中聚类算法的流程示意图;
图3(a)为本发明实施例提供的传感器节点的关系值视图向量的示意图;
图3(b)为本发明实施例提供的聚类处理过程中建立新簇的结果示意图;
图3(c)为本发明实施例提供的聚类处理过程中将关系值视图向量加入簇的第一种过程示意图;
图3(d)为本发明实施例提供的聚类处理过程中将关系值视图向量加入簇的第二种过程示意图;
图3(e)为本发明实施例提供的聚类处理过程中建立另一新簇的结果示意图;
图3(f)为本发明实施例提供的聚类处理过程中将关系值视图向量加入建立的另一簇的过程示意图;
图3(g)为本发明实施例提供的聚类处理的结果示意图;
图4为本发明实施例提供的一种无线传感器网络的故障检测装置的结构示意图。
具体实施方式
下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种无线传感器网络的故障检测方法及装置,方法包括:获得当前时间窗内每一个传感器节点所包含的任意两个系统参量的系统参量值序列,并对系统参量值进行排序,获得针对每一个传感器节点的系统参量值有序序列,再根据系统参量值有序序列,计算出每一个传感器节点的关系值视图向量,对当前时间窗内的所有关系值视图向量进行聚类处理,得到聚类结果,当前时间窗内不属于所述聚类结果中的关系值视图向量对应的传感器节点确定为故障节点。
下面通过具体实施例,对本发明实施例进行详细说明。
图1为本发明实施例提供的一种无线传感器网络的故障检测方法的流程示意图;所述方法可以包括步骤:
S100:获得当前时间窗内每一个传感器节点所包含的任意两个系统参量的系统参量值序列;
本领域技术人员可以理解的是,在通信技术领域,时间窗通常是指时间窗口,可以简单的理解为时间段,举例而言,预设当前时间窗j的大小为w,则时间窗j从时刻(j-1)×w持续到时刻j×w,可以简单的理解为时间窗j为从上一时间窗j-1结束时刻(j-1)×w的下一时刻开始到时间窗j结束时刻j×w的时间段,时间段的大小为w;对应第一个时间窗而言,时间窗j可以理解为从时刻 1至时刻j×w的时间段;为例计算的简便,通常时间窗大小的单位取秒,如,取时间窗3的大小为10秒,此时表示当前时间窗为从(3-1)×10+1,至3×10 时刻结束,即表示时间段[21,30],本实施例中时间窗大小的单位取秒仅为一种具体的举例,本申请不对时间窗大小的单位以及时间窗的大小做进一步限定。
可知的是,WSN(Wireless Sensor Networks,无线传感器网络)是一种分布式传感网络,它的末梢是可以感知和检查外部世界的传感器,WSN由大量的传感器构成,而对于每一个传感器来说,其包含多个系统参量,通常统参量包括:接收包计数(Packet Received)、发送包计数(Packet Transmitted)、自转发计数 (Packet Self Transmitted)、执行任务数(Task Executed)、推迟任务数(Task Posted)、失败任务数(Task Failed)和成功任务数(Task Succeeded)等等,本实施例所提供的方案中,获得当前时间窗内每一个传感器节点所包含的任意两个系统参量的系统参量值序列,如时间窗内的第i个传感器s1中系统参量x对应的系统参量值序列用Vi,x,j表示,假设时间窗大小为10秒,在时间窗内每隔5秒收集一次系统参量值,则在一个时间窗内将对系统参量值采集两次,获得2个系统参量值,不难得知,系统参量值序列Vi,x,j中包含2个系统参量值,例 V1,x,j={12,15},为了方便后续的计算,本实施例选取传感器节点中的接收包计数和发送包计数系统参量,分别记为系统参量x和系统参量y。
值得强调的是,在本发明实施例中,对于时间窗内所包含的传感器节点的数目不做具体的限定,对在时间窗内采集系统参量值的时间间隔也不做明确限定;同时,本实施例中选取的任意两个系统参量为接收包计数和发送包计数仅为一种具体的示例,本申请并不对选取的系统参量做进一步的限定。
S200:对每一个传感器节点的所述系统参量值序列中的系统参量值进行排序,获得针对每一个传感器节点的所述系统参量的系统参量值有序序列;
所谓排序,就是使一串记录,按照其中的某个或某些关键字的大小,按照递增或递减的排列方式排列起来的操作称为排序;同时,排序的方法也有很多种,例如冒泡排序、插入排序、选择排序、快速排序、堆排序等等。就本发明实施例而言,可以按照升序的排列方式对每一个传感器节点的系统参量值序列中的系统参量值进行排序,分别得到针对该系统参量的系统参量值有序序列,当然,也可以按照降序的排列方式对每一个传感器节点的系统参量值序列中的系统参量值进行排序,可以分别得到针对该系统参量的系统参量值有序序列。需要说明的是,发明本实施例对排列的具体形式以及排序的方法不做进一步限定。
例如,假设时间窗3中包含有4个传感器节点,分别表示为s1、s2、s3、s4,每一个传感器节点中系统参量x和系统参量y对应的系统参量值序列分别为: V1,x,j={12,15}、V1,y,j={12,15}、V2,x,j={11,13}、V2,y,j={11,13}、 V3,x,j={12,14}、V3,y,j={12,14}、V4,x,j={11,14}和V4,y,j={3,2};将上述各个系统参量值序列V1,x,j、V1,y,j、V2,x,j、V2,y,j、V3,x,j、V3,y,j、V4,x,j和V4,y,j均按照从小到大即升序的方式进行排序,分别得到V′1,x,j={12,15}、V′1,y,j={12,15}、 V′2,x,j={11,13}、V′2,y,j={11,13}、V′3,x,j={12,14}、V′3,y,j={12,14}、 V′4,x,j={11,14}和V′4,y,j={2,3}。
S300:根据每一个传感器节点的所述系统参量值有序序列,生成针对每一个传感器节点的关系值视图向量;
本领域技术人员可以理解的是,根据上述获得的每一个传感器节点中对应系统参量的系统参量值有序序列,可以利用斯皮尔曼秩关系因子计算当前时间窗内传感器节点si中系统参量x和系统参量y在时间窗j内的关系值,再根据定义的关系值建立传感器节点的关系值视图,最后根据建立的传感器节点的关系值视图生成针对传感器节点的关系值向量。
实际应用中,步骤S300可以包括:
首先,根据每一个传感器节点所述系统参量值有序序列,计算每一个传感器节点所述系统参量的关系值;
可以理解的是,根据上述获得的每一个传感器节点中对应系统参量的系统参量值有序序列,可以利用斯皮尔曼秩关系因子计算当前时间窗内传感器节点si 中系统参量x和系统参量y在时间窗j内的关系值,具体的,计算所述传感器节点的所述系统参量的关系值所利用的公式,可以包括:
式中,ci,j(x,y)为当前时间窗j中的第i个传感器节点中的系统参量x、y对应的关系值,w为当前时间窗j的大小,m′i,x,(j-1)×w+k和m′i,y,(j-1)×w+k分别为系统参量值mi,x,(j-1)×w+k和mi,y,(j-1)×w+k在系统参量x、y对应的有序序列V′i,x,j和V′i,y,j中的秩次,和分别为有序序列V′i,x,j和V′i,y,j的平均秩次。
可以理解的是,例如,对第1个传感器节点s1来说,根据得到的第1个传感器节点s1的系统参量x、y对应的有序序列V′1,x,j={12,15}、V′1,y,j={12,15},不难得到第1个传感器节点s1的系统参量x、y对应的有序序列V′1,x,j和V′1,y,j中的秩次 m′1,x,(j-1)×w+k={1,2},m′1,y,(j-1)×w+k={1,2};以及平均秩次 之后再利用上述公式,可计算出第1个传感器节点s1的系统参量x、y对应的关系值为c1,j(x,y)=1。再如,对第4个传感器节点s4来说,根据第4个传感器节点s4的系统参量x、y对应的有序序列V′4,x,j={11,14}、V′4,y,j={2,3},不难得到第4个传感器节点s4的系统参量x、y对应的有序序列V′4,x,j和V′4,y,j中的秩次 m′4,x,(j-1)×w+k={1,2},m′4,y,(j-1)×w+k={2,1};以及平均秩次 之后再利用上述公式,可计算出第4个传感器节点s4的系统参量x、 y对应的关系值为c4,j(x,y)=-1。
按照上述求解过程不难得到第2个传感器节点s2的系统参量x、y对应的关系值为c2,j(x,y)=1;第3个传感器节点s3的系统参量x、y对应的关系值为 c3,j(x,y)=1。
其次,根据所述关系值,建立针对每一个传感器节点的关系值视图;
根据上述在当前时间窗中所获得的针对每一个传感器节点中系统参量的关系值,建立一个针对每一个传感器节点的关系值视图,例如,当前时间窗内的第2个传感器节点s2,根据其任意两个系统参量的系统参量值有序序列可以获得针对所选两个系统参量的关系值,根据这两个系统参量可以建立一个2×2的关系值视图,不难理解的是,如果选取传感器节点中的任意三个系统参量,最后将计算出选取的三个系统参量对应的关系值,可根据选取的三个系统参量建立一个3×3的关系值视图。当然本申请不对选取的系统参量做进一步限定,同时也不对选取的系统参量的数目做明确限定。
在实际建立关系值视图时,关系值视图的表征形式可以为:
Ci,j为当前时间窗j中的第i个传感器节点的关系值视图,其中,为第i个个传感器节点所包含的系统参量的数量,对于ci,j(a,b)= ci,j(b,a),ci,j(a,a)=1。
举例说明,假设在大小为10秒的时间窗3内包含有4个传感器节点,分别为s1、 s2、s3和s4,假设每一个传感器节点中只包含两个系统参量,如这两个系统参量为接收包计数和发送包计数,分别称为系统参量x和系统参量y,这里可以认为系统参量x为传感器节点中的第1个系统参量,系统参量y为传感器节点中的第2 个系统参量,假设已计算出传感器节点s1、s2、s3和s4针对系统参量x和系统参量y的关系值分别为c1,j(x,y)=1、c2,j(x,y)=1、c3,j(x,y)=1和c4,j(x,y)=-1;对选取传感器节点中的两个系统参量x和系统参量y来说,可得到对应传感器节点的2×2的关系值视图;例如,对于传感器节点s1来说,由上述关系值视图的表征形式不难确定传感器节点s1对应的关系值视图其中可知的是,c1,j(1,1)=c1,j(2,2)=1,c1,j(1,2)=c1,j(2,1)=c1,j(x,y)=1,因此,可得传感器节点s1对应的关系值视图按照传感器节点s1对应的关系值视图的求解过程,不难得到传感器节点s2、s3和s4对应2×2的关系值视图分别为和
再如,假设在大小为10秒的时间窗3内包含有4个传感器节点,分别为s1、s2、 s3和s4,假设每一个传感器节点中只包含三个系统参量,比如这三个系统参量为接收包计数、发送包计数和执行任务数,分别称为系统参量x、系统参量y和系统参量z,这里可以认为系统参量x为传感器节点中的第1个系统参量,系统参量 y为传感器节点中的第2个系统参量,系统参量z为传感器节点中的第3个系统参量,为了使建立关系式视图的过程尽量直观,这里就以第1个传感器节点s1为例,现从系统参量x、y、z中任意选取两个系统参量,针对选取的系统参量计算关系值;例如针对系统参量x和系统参量y的关系值为c1,j(x,y)=1,即c1,j(1,2)=1;针对系统参量x和系统参量z的关系值为c1,j(x,z)=1,即c1,j(1,3)=1;针对系统参量y和系统参量z的关系值为c1,j(y,z)=-1,即c1,j(2,3)=-1;对选取传感器节点s1中的三个系统参量x和系统参量y和系统参量z来说,可得到传感器节点 s1的3×3的关系值视图;由上述关系值视图的表征形式不难确定传感器节点s1对应的关系值视图为:
已知c1,j(1,2)=c1,j(2,1)=1,c1,j(1,3)=c1,j(3,1)=1,c1,j(2,3)= c1,j(3,2)=-1;c1,j(1,1)=c1,j(2,2)=c1,j(3,3)=1,代入关系值视图中,可获得传感器节点s1对应的关系值视图为:
建立时间窗内的其他传感器节点的关系值视图与建立传感器节点s1的过程雷同,本实施例就补一一列举。由上例不难得知,本发明实施例在对当前时间窗内的每一个传感器节点选取系统参量时,选取的系统参量可以任意,同时选取系统参量的数目可以为两个、三个或更多,因此,本申请并不对选取的系统参量以及系统参量的数目做进一步限定。
然后,根据当前时间窗内每一个传感器节点的所述关系值视图,生成针对每一个传感器节点的关系值视图向量。
可以理解的是,上述获得的关系值视图为对称矩阵,为了简化,本实施例中对上述获得的关系值视图中的上三角矩阵进行提取,生成对应的关系值视图向量,例如:对于上述根据任意两个系统参量分别建立针对于传感器节点s1、s2、 s3和s4的关系值视图,和来说,进行上三角矩阵提取后可对应生成关系值视图向量为: p1={1}、p2={1}、p3={1}和p4={-1}。再如,对于根据任意三个系统参量建立的针对于传感器节点s1的关系值视图:来说,进行上三角矩阵提取后可生成关系值视图向量为:p1={1,1,-1}。
S400:根据当前时间窗内所有传感器节点的所述关系值视图向量,对当前时间窗内的所有传感器节点对应的关系值视图向量进行聚类处理,得到聚类结果;
本领域技术人员可以理解的是,聚类,通常是指将物理或抽象对象的集合分成由类似的对象组成的多个类的过程。由聚类所生成的簇是一组数据对象的集合,这些对象与同一个簇中的对象彼此相似,与其他簇中的对象相异。
在对当前时间窗内的所有传感器节点对应的关系值视图向量进行聚类处理时,如图2所示,可以包括步骤:S401、S402、S403、S404、S405、S406、S407、 S408以及S409,具体的;
S401:根据当前时间窗内所有传感器节点的关系值视图向量,分别计算针对当前时间窗内每一个传感器节点的所述关系值视图向量的k距离邻域Nk(p)、逆k距离邻域INk(p)及邻基局部密度因子NLDFk(p),其中,所述关系值视图向量的邻基局部密度因子式中,k为正整数,|INk(p)|为所述关系值视图向量的逆k距离邻域中的关系值视图向量数目,|Nk(p)|为所述关系值视图向量的k距离邻域中的关系值视图向量数目;
在聚类算法中,通常是对于一个数据集来说的,本发明实施例将当前时间窗内包含的所有的传感器节点对应的关系值视图向量作为一个数据集D,其中每一个传感器节点对应的关系值视图向量均作为一个对象,计算数据集D中每个对象p的k距离邻域、逆k距离邻域和邻基局部密度因子。其中,对象p的k距离和k距离邻域定义如下:
定义1:(对象p的k距离)对于任意正整数k和数据集D中的对象p,p的k距离,记作k-distance(p),定义为p与对象o之间的距离d(p,o),其中o∈D,并满足:
(1)至少存在k个对象o′∈D\{p},使得d(p,o′)≤d(p,o),以及
(2)至多存在k-1个对象o′∈D\{p},使得d(p,o′)<d(p,o)。
定义2:(对象p的k距离邻域)给定对象p的k距离,对象p的k距离邻域,记作Nk(p),包含的对象满足,其到p的距离不超过p的k距离。即Nk(p)={q∈ D\{p}|d(p,q)≤k-distance(p)},其中q称为p的k近邻。
对象p的逆k距离邻域定义如下:
定义3:(对象p的逆k距离邻域)对象p的逆k距离邻域,记作INk(p),包含的对象满足,其k距离邻域中包含对象p。即INk(p)={q∈D\{p}|p∈Nk(q)},其中q称为p的逆k近邻。
对象p的邻基局部密度因子定义如下:
定义4:(对象p的邻基局部密度因子)给定正整数k,对象p的邻基局部密度因子,记作NLDFk(p),定义为:
其中,|INk(p)|为对象p的逆k距离邻域中的对象数目,|Nk(p)|为对象p的k距离邻域中的对象数目;
举例而言:假设当前时间窗内包含有8个传感器节点,则可已建立一个数据集D如图3(a)所示,包含有p1、p2、……、p8共8个对象;令k=2,通过上述关系式可得N2(p1)={p2、p3},N2(p2)={p1、p3},……,N2(p8)={p5、p6、p7};进而有NLDF2(p1)=1.5,NLDF2(p2)=1.5,……,NLDF2(p8)=0;上述中的k为预设的数值,实际计算时可具体设定,本申请不对其做明确限定。
值得强调的是,图3(a)仅为具体的示例,本申请不对当前时间窗内所包含的传感器数目做明确规定,但是,数据集D中包含的对象数目与时间窗内所包含的传感器节点是一一对应的。
S402:判断当前时间窗内每一个传感器对应的所述关系值视图向量的邻基局部密度因子NLDFk(p)是否大于或等于1,如果是,确定所述关系值视图向量为密邻向量,否则,确定所述关系值视图向量为疏邻向量;
根据计算得到的数据集D中每一个对象的邻基局部密度因子NLDFk(p)与1 的大小关系,判断每一个对象的属性,即对象为密邻对象还是疏邻对象。
定义5:(密邻对象)给定正整数k,对象p是密邻对象,当且仅当NLDFk(p)≥1。
定义6:(疏邻对象)给定正整数k,对象p是疏邻对象,当且仅当NLDFk(p)<1。
将上述数据集D中每一个对象的邻基局部密度因子NLDFk(p)与1进行比较,不难得到,NLDF2(p1)>1,NLDF2(p2)>1,NLDF2(p3)>1,NLDF2(p4)<1, NLDF2(p5)>1,NLDF2(p6)>1,NLDF2(p7)<1,NLDF2(p8)<1;有上述的定义5、定义6可以判定数据集D中的对象中密邻对象有:p1、p2、p3、p5和p6;密邻对象有:p4、p7和p8。
S403:在当前时间窗内存在密邻向量时,判断目标密邻向量是否属于当前时间窗内已存在的簇,如果否,建立新簇,将所述目标密邻向量加入所述新簇中,所述簇为当前时间窗内的多个传感器节点对应的关系值视图向量的集合;
由上述可知的是,数据集D中每一个关系值视图向量均对应作为一个对象,上述已判断的密邻对象有:p1、p2、p3、p5、和p6和,密邻对象有:p4、p7和p8;也就是说,传感器节点s1、s2、s3、s5、和s6和对应的关系值视图向量均为密邻向量,传感器节点s4、s7和s8对应的关系值视图向量均为疏邻向量。
根据上述的判定结果,显然的在时间窗内存在密邻对象,对于数据集D来说,假设之前没有形成任何簇,则目标密邻对象如p1,不属于任何簇,此时,建立一个新簇,如图3(b)所示,实线圈为新建立的簇,同时将目标密邻对象p1加入到新建立的簇中。值得一提的是,这里的目标密邻对象可以选择上述数据集D 中已经判定为密邻对象中的任意一个,图3(b)仅为一种具体的聚类过程展示,本发明实施例不对所选择的目标密邻对象做进一步限定。
S404:确定针对目标密邻向量的所有直接局部密度可达关系值视图向量,其中,确定针对所述目标关系值视图向量的所有直接局部密度可达关系值视图向量通过下述表达式:NLDFk(p)/(1+thr)<NLDFk(q)<NLDFk(p)×(1+ thr),q∈Nk(p),式中,NLDFk(q)为关系值视图向量q的邻基局部密度因子,thr 为预设阈值;
聚类运算的关键步骤就是要找到与簇中对象相似的其他对象,可以理解的,本发明实施例中,以上述已经建立的新簇中的目标密邻对象为基准,搜索相似的关系值视图向量,在目标密邻对象的邻域内,与目标密邻对象的邻基密度因子NLDFk(p)相近的对象称作直接局部密度可达对象,即直接密度可达关系值视图向量。具体的,可通过下述表达式进行判断,表达式为:NLDFk(p)/(1+thr)< NLDFk(q)<NLDFk(p)×(1+thr),q∈Nk(p),式中,NLDFk(q)为关系值视图向量q的邻基局部密度因子,thr为预设阈值。
例如,对上述已经建立的新簇中的目标密邻向量如p1进行直接密度可达关系值视图向量搜索,假定,预设thr=0.1,根据上述的表达式可以求得目标密邻对象p1的直接局部密度可达对象为p2、p3,如图3(c)所示,对象p2、p3分别箭头指向目标密邻对象p1,其中,已知的是,对象p2、p3均为密邻对象,即密邻向量。当然,上述预设阈值thr的取值本申请并不对其做进一步限定。
S405:将所述直接局部密度可达关系值视图向量加入到目标密邻向量所处簇中;
可以理解的,将上述针对目标密邻对象p1获得的直接局部密度可达对象 p2、p3加入到目标密邻对象p1所处簇中,此时目标密邻对象p1所处簇将增加2个对象,目标密邻对象p1所处簇扩大,如图3(c)中的虚线圈所示。
S406:判断新加入的关系值视图向量是否存在密邻向量,
S407:如果存在,确定针对新加入的每一个密邻向量的所有直接局部密度可达关系值视图向量,将所有新加入的密邻向量的所有直接局部密度可达关系值视图向量确定为直接可达向量集,将所述直接可达向量集中不属于目标密邻向量所处簇的直接局部密度可达关系值视图向量加入到目标密邻向量所处簇中,返回步骤S406继续执行;
如图3(d)所示,显然目标密邻对象p1所处的簇,即实线圈中的对象p2、p3均为密邻对象,根据上述的求解直接局部密度可达对象的表达式可分别得到对象 p2的直接局部密度可达对象为p3、p4,对象p3无直接局部密度可达对象,可以将直接局部密度可达对象为p3、p4确定为直接可达向量集;图3(d)中所示对象p2的直接局部密度可达对象p3、p4分别箭头指向密邻对象p2,其中,已知的是,对象p3为密邻对象,即密邻向量;对象p4为疏邻对象,即疏邻向量。直观的可以得知,直接可达向量集中的对象p3已经属于目标密邻对象p1所处的簇中,而直接可达向量集中的对象p4不属于目标密邻对象p1所处的簇,因此将对象p4加入到目标密邻对象p1所处的簇中,此时,目标密邻对象p1所处的簇又增加1个对象,目标密邻对象p1所处的簇扩大为图3(d)中所示的虚线圈。
如图3(e)所示,新加入的对象p4为疏邻对象,可见目标密邻对象p1所处的簇中新加入的对象中没有密邻对象了,因此,目标密邻对象p1所处的簇生成,可将已生成的簇命名为C1。
S408:如果不存在,判断当前时间窗内是否还存在密邻向量,如果是,返回步骤S403继续执行;
S409:如果否,将当前时间窗内已存在的簇确定为聚类结果。
如图3(e)所示,可见簇C1中已经没有未计算直接局部密度可达对象的密邻对象了,而数据集D中却依然存在密邻对象,可知的还有对象p5、p6为密邻对象,所以需要返回步骤S403继续执行聚类过程,可以理解的如图3(e)所示,此时,取密邻对象p5为目标密邻对象,由于目标密邻对象p5不属于已经建立的簇C1,因此重新建立一个新簇,并将目标密邻对象p5加入到新建立的簇中,形成如图3(e)中所示的包含目标密邻对象p5的实线圈。
依次的,根据上述求解直接局部密度可达对象的表达式,可得到新建立簇中的目标密邻对象p5的直接局部密度可达对象为p6、p7,其中,直接局部密度可达p6为密邻对象,直接局部密度可达对象p7为疏邻对象,如图3(f)所示,直接局部密度可达对象p6、p7分别箭头指向目标密邻对象p5。
由上述簇C1的聚类过程可以容易的得知,将上述求得的直接局部密度可达对象p6、p7加入到目标密邻对象p5所处簇中,新加入的直接局部密度可达对象 p6、p7中,密邻对象p6没有直接局部密度可达对象,而直接局部密度可达对象p7为疏邻对象,所以生成新簇,将其命名为C2,如图3(g)中的实线圈C2所示。
此时,当前数据集D中仅剩下对象p8,且对象p8为疏邻对象,所以当前数据集D中不存在密邻对象,因此,将数据集D中已经建立的簇C1、C2确定为聚类结果,如图3(g)所示,其中,簇C1中包含对象p1、p2、p3、p4;簇C2中包含对象p5、p6、p7。
S500:将当前时间窗内不属于所述聚类结果中的关系值视图向量对应的传感器节点确定为故障节点。
不难理解的是,在上述的聚类结果中已经形成两个簇,分别为簇C1、簇C2,如图3(g)所示,其中,簇C1中包含对象p1、p2、p3、p4;簇C2中包含对象 p5、p6、p7。在数据集D中,显而易见的有对象p8既不属于簇C1,也不属于簇 C2,因此可以确定数据集D中存在对象p8为异常对象,进一步的,异常对象p8所对应的传感器节点即为故障节点。
值得强调的是,上述图3(a)-图3(g)中所展示的各对象间的关系仅为本发明实施例中的一种具体示例,本申请并不对聚类的结果做进一步限定,只要满足上述聚类规则均在本发明实施例的保护范围内。
需要说明的是,上述以簇C1、簇C2以及关系值视图向量p1、p2、……、p8为例进行说明,仅为本发明的一具体实例,并不够成对本发明的限定。
应用本发明图1所示实施例,通过获得当前时间窗内每一个传感器节点所包含的任意两个系统参量的系统参量值序列,并对系统参量值进行排序,获得针对每一个传感器节点的系统参量值有序序列,再根据系统参量值有序序列,计算出每一个传感器节点的关系值视图向量,对当前时间窗内的所有关系值视图向量进行聚类处理,得到聚类结果,当前时间窗内不属于所述聚类结果中的关系值视图向量对应的传感器节点确定为故障节点。有效的利用了传感器节点系统参量间存在的关系,解决了如何通过传感器节点中系统参量间存在的关系对无线传感器网络进行故障检测的问题。
图4为本发明实施例提供的一种无线传感器网络的故障检测装置的结构示意图;所述装置可以包括:第一获得模块100,第二获得模块200,向量生成模块300,聚类模块400,确定模块500;
其中,第一获得模块100,用于获得当前时间窗内每一个传感器节点所包含的任意两个系统参量的系统参量值序列;
第二获得模块200,用于对每一个传感器节点的所述系统参量值序列中的系统参量值进行排序,获得针对每一个传感器节点的所述系统参量的系统参量值有序序列;
向量生成模块300,用于根据每一个传感器节点的所述系统参量值有序序列,生成针对每一个传感器节点的关系值视图向量;
实际应用中,向量生成模块300可以包括:计算子模块,视图建立子模块以及向量建立子模块(图中未示出);
其中,计算子模块,用于根据每一个传感器节点所述系统参量值有序序列,计算每一个传感器节点所述系统参量的关系值;
可以理解的,计算子模块,在计算传感器节点系统参量的关系值时所利用的公式,可以包括:
式中,ci,j(x,y)为当前时间窗j中的第i个传感器节点中的系统参量x、y对应的关系值,w为当前时间窗j的大小,m′i,x,(j-1)×w+k和m′i,y,j-1)×w+k分别为系统参量值mi,x,(j-1)×w+k和mi,y,(j-1)×w+k在系统参量x、y对应的有序序列V′i,x,j和V′i,y,j中的秩次,和分别为有序序列V′i,x,j和V′i,y,j的平均秩次。
视图建立子模块,用于根据所述关系值,建立针对每一个传感器节点的关系值视图;
视图建立子模块在实际建立的传感器节点的关系值视图的表征形式可以为:
Ci,j为当前时间窗j中的第i个传感器节点的关系值视图,其中,为第i个传感器节点所包含的系统参量的数量,对于ci,j(a,b)= ci,j(b,a),ci,j(a,a)=1。
向量建立子模块,用于根据当前时间窗内每一个传感器节点的所述关系值视图,生成针对每一个传感器节点的关系值视图向量。
聚类模块400,用于根据当前时间窗内所有传感器节点的所述关系值视图向量,对当前时间窗内的所有传感器节点对应的关系值视图向量进行聚类处理,得到聚类结果;
实际应用中,聚类模块400,具体用于:
A、根据当前时间窗内所有传感器节点的关系值视图向量,分别计算针对当前时间窗内每一个传感器节点的所述关系值视图向量的k距离邻域Nk(p)、逆k距离邻域INk(p)及邻基局部密度因子NLDFk(p),其中,所述关系值视图向量的邻基局部密度因子式中,k为正整数,|INk(p)|为所述关系值视图向量的逆k距离邻域中的关系值视图向量数目,|Nk(p)|为所述关系值视图向量的k距离邻域中的关系值视图向量数目;
B、判断当前时间窗内每一个传感器对应的所述关系值视图向量的邻基局部密度因子NLDFk(p)是否大于或等于1,如果是,确定所述关系值视图向量为密邻向量,否则,确定所述关系值视图向量为疏邻向量;
C、在当前时间窗内存在密邻向量时,判断目标密邻向量是否属于当前时间窗内已存在的簇,如果否,建立新簇,将所述目标密邻向量加入所述新簇中,所述簇为当前时间窗内的多个传感器节点对应的关系值向量的集合;
D、确定针对目标密邻向量的所有直接局部密度可达关系值视图向量,其中,确定针对所述目标关系值视图向量的所有直接局部密度可达关系值视图向量通过下述表达式:NLDFk(p)/(1+thr)<NLDFk(q)<NLDFk(p)×(1+thr),q∈ Nk(p),式中,NLDFk(q)为关系值视图向量q的邻基局部密度因子,thr为预设阈值;
E、将所述直接局部密度可达关系值视图向量加入到目标密邻向量所处簇中;
F、判断新加入的关系值视图向量是否存在密邻向量,
如果存在,确定针对新加入的每一个密邻向量的所有直接局部密度可达关系值视图向量,将所有新加入的密邻向量的所有直接局部密度可达关系值视图向量确定为直接可达向量集,将所述直接可达向量集中不属于目标密邻向量所处簇的直接局部密度可达关系值视图向量加入到目标密邻向量所处簇中,返回步骤F继续执行;
如果不存在,判断当前时间窗内是否还存在密邻向量,如果是,返回步骤C 继续执行,如果否,将当前时间窗内已存在的簇确定为聚类结果。
确定模块500,用于将当前时间窗内不属于所述聚类结果中的关系值视图向量对应的传感器节点确定为故障节点。
应用本发明图4所示实施例,通过获得当前时间窗内每一个传感器节点所包含的任意两个系统参量的系统参量值序列,并对系统参量值进行排序,获得针对每一个传感器节点的系统参量值有序序列,再根据系统参量值有序序列,计算出每一个传感器节点的关系值视图向量,对当前时间窗内的所有关系值视图向量进行聚类处理,得到聚类结果,当前时间窗内不属于所述聚类结果中的关系值视图向量对应的传感器节点确定为故障节点。有效的利用了传感器节点系统参量间存在的关系,解决了如何通过传感器节点中系统参量间存在的关系对无线传感器网络进行故障检测的问题。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于计算机可读取存储介质中,这里所称得的存储介质,如:ROM/RAM、磁碟、光盘等。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。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,均包含在本发明的保护范围内。
Claims (6)
1.一种无线传感器网络的故障检测方法,其特征在于,所述方法包括:
获得当前时间窗内每一个传感器节点所包含的任意两个系统参量的系统参量值序列;
对每一个传感器节点的所述系统参量值序列中的系统参量值进行排序,获得针对每一个传感器节点的所述系统参量的系统参量值有序序列;
根据每一个传感器节点的所述系统参量值有序序列,生成针对每一个传感器节点的关系值视图向量;
根据当前时间窗内所有传感器节点的所述关系值视图向量,对当前时间窗内的所有传感器节点对应的关系值视图向量进行聚类处理,得到聚类结果;
将当前时间窗内不属于所述聚类结果中的关系值视图向量对应的传感器节点确定为故障节点;
所述根据每一个传感器节点的所述系统参量值有序序列,生成针对每一个传感器节点的关系值视图向量,包括:
根据每一个传感器节点所述系统参量值有序序列,计算每一个传感器节点所述系统参量的关系值;
根据所述关系值,建立针对每一个传感器节点的关系值视图;
根据当前时间窗内每一个传感器节点的所述关系值视图,生成针对每一个传感器节点的关系值视图向量;
其中,计算传感器节点的所述系统参量的关系值所利用的公式,包括:
式中,ci,j(x,y)为当前时间窗j中的第i个传感器节点中的系统参量x、y对应的关系值,w为当前时间窗j的大小,m′i,x,(j-1)×w+k和m′i,y,(j-1)×w+k分别为系统参量值mi,x,(j-1)×w+k和mi,y,(j-1)×w+k在系统参量x、y对应的有序序列V′i,x,j和V′i,y,j中的秩次,和分别为有序序列V′i,x,j和V′i,y,j的平均秩次。
2.根据权利要求1所述的方法,其特征在于,所述传感器节点的关系值视图的表征形式为:
Ci,j为当前时间窗j中的第i个传感器节点的关系值视图,其中,为第i个传感器节点所包含的系统参量的数量,对于ci,j(a,b)=ci,j(b,a),ci,j(a,a)=1。
3.根据权利要求2所述的方法,其特征在于,所述根据当前时间窗内所有传感器节点的所述关系值视图向量,对当前时间窗内的所有传感器节点对应的关系值视图向量进行聚类处理,得到聚类结果,包括:
a、根据当前时间窗内所有传感器节点的关系值视图向量,分别计算针对当前时间窗内每一个传感器节点的所述关系值视图向量的k距离邻域Nk(p)、逆k距离邻域INk(p)及邻基局部密度因子NLDFk(p),其中,所述关系值视图向量的邻基局部密度因子式中,k为正整数,|INk(p)|为所述关系值视图向量的逆k距离邻域中的关系值视图向量数目,|Nk(p)|为所述关系值视图向量的k距离邻域中的关系值视图向量数目;
b、判断当前时间窗内每一个传感器对应的所述关系值视图向量的邻基局部密度因子NLDFk(p)是否大于或等于1,如果是,确定所述关系值视图向量为密邻向量,否则,确定所述关系值视图向量为疏邻向量;
c、在当前时间窗内存在密邻向量时,判断目标密邻向量是否属于当前时间窗内已存在的簇,如果否,建立新簇,将所述目标密邻向量加入所述新簇中,所述簇为当前时间窗内的多个传感器节点对应的关系值视图向量的集合;
d、确定针对目标密邻向量的所有直接局部密度可达关系值视图向量,其中,确定针对所述目标关系值视图向量的所有直接局部密度可达关系值视图向量通过下述表达式:NLDFk(p)/(1+thr)<NLDFk(q)<NLDFk(p)×(1+thr),q∈Nk(p),式中,NLDFk(q)为关系值视图向量q的邻基局部密度因子,thr为预设阈值;
e、将所述直接局部密度可达关系值视图向量加入到目标密邻向量所处的簇中;
f、判断新加入的关系值视图向量是否存在密邻向量,
如果存在,确定针对新加入的每一个密邻向量的所有直接局部密度可达关系值视图向量,将所有新加入的密邻向量的所有直接局部密度可达关系值视图向量确定为直接可达向量集,将所述直接可达向量集中不属于目标密邻向量所处的簇的直接局部密度可达关系值视图向量加入到目标密邻向量所处的簇中,返回步骤f继续执行;
如果不存在,判断当前时间窗内是否还存在密邻向量,如果是,返回步骤c继续执行,如果否,将当前时间窗内已存在的簇确定为聚类结果。
4.一种无线传感器网络的故障检测装置,其特征在于,所述装置包括:
第一获得模块,用于获得当前时间窗内每一个传感器节点所包含的任意两个系统参量的系统参量值序列;
第二获得模块,用于对每一个传感器节点的所述系统参量值序列中的系统参量值进行排序,获得针对每一个传感器节点的所述系统参量的系统参量值有序序列;
向量生成模块,用于根据每一个传感器节点的所述系统参量值有序序列,生成针对每一个传感器节点的关系值视图向量;
聚类模块,用于根据当前时间窗内所有传感器节点的所述关系值视图向量,对当前时间窗内的所有传感器节点对应的关系值视图向量进行聚类处理,得到聚类结果;
确定模块,用于将当前时间窗内不属于所述聚类结果中的关系值视图向量对应的传感器节点确定为故障节点;
所述向量生成模块,包括:
计算子模块,用于根据每一个传感器节点所述系统参量值有序序列,计算每一个传感器节点所述系统参量的关系值;
视图建立子模块,用于根据所述关系值,建立针对每一个传感器节点的关系值视图;
向量建立子模块,用于根据当前时间窗内每一个传感器节点的所述关系值视图,生成针对每一个传感器节点的关系值视图向量;
所述计算子模块,计算所述传感器节点所述系统参量的关系值所利用的公式,包括:
式中,ci,j(x,y)为当前时间窗j中的第i个传感器节点中的系统参量x、y对应的关系值,w为当前时间窗j的大小,m′i,x,(j-1)×w+k和m′i,y,(j-1)×w+k分别为系统参量值mi,x,(j-1)×w+k和mi,y,(j-1)×w+k在系统参量x、y对应的有序序列V′i,x,j和V′i,y,j中的秩次,和分别为有序序列V′i,x,j和V′i,y,j的平均秩次。
5.根据权利要求4所述的装置,其特征在于,所述视图建立子模块建立的所述传感器节点的关系值视图的表征形式为:
Ci,j为当前时间窗j中的第i个传感器节点的关系值视图,其中,为第i个传感器节点所包含的系统参量的数量,对于ci,j(a,b)=ci,j(b,a),ci,j(a,a)=1。
6.根据权利要求5所述的装置,其特征在于,所述聚类模块,具体用于:
A、根据当前时间窗内所有传感器节点的关系值视图向量,分别计算针对当前时间窗内每一个传感器节点的所述关系值视图向量的k距离邻域Nk(p)、逆k距离邻域INk(p)及邻基局部密度因子NLDFk(p),其中,所述关系值视图向量的邻基局部密度因子式中,k为正整数,|INk(p)|为所述关系值视图向量的逆k距离邻域中的关系值视图向量数目,|Nk(p)|为所述关系值视图向量的k距离邻域中的关系值视图向量数目;
B、判断当前时间窗内每一个传感器对应的所述关系值视图向量的邻基局部密度因子NLDFk(p)是否大于或等于1,如果是,确定所述关系值视图向量为密邻向量,否则,确定所述关系值视图向量为疏邻向量;
C、在当前时间窗内存在密邻向量时,判断目标密邻向量是否属于当前时间窗内已存在的簇,如果否,建立新簇,将所述目标密邻向量加入所述新簇中,所述簇为当前时间窗内的多个传感器节点对应的关系值向量的集合;
D、确定针对目标密邻向量的所有直接局部密度可达关系值视图向量,其中,确定针对所述目标关系值视图向量的所有直接局部密度可达关系值视图向量通过下述表达式:NLDFk(p)/(1+thr)<NLDFk(q)<NLDFk(p)×(1+thr),q∈Nk(p),式中,NLDFk(q)为关系值视图向量q的邻基局部密度因子,thr为预设阈值;
E、将所述直接局部密度可达关系值视图向量加入到目标密邻向量所处的簇中;
F、判断新加入的关系值视图向量是否存在密邻向量,
如果存在,确定针对新加入的每一个密邻向量的所有直接局部密度可达关系值视图向量,将所有新加入的密邻向量的所有直接局部密度可达关系值视图向量确定为直接可达向量集,将所述直接可达向量集中不属于目标密邻向量所处的簇的直接局部密度可达关系值视图向量加入到目标密邻向量所处的簇中,返回步骤F继续执行;
如果不存在,判断当前时间窗内是否还存在密邻向量,如果是,返回步骤C继续执行,如果否,将当前时间窗内已存在的簇确定为聚类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610202851.3A CN105897469B (zh) | 2016-04-01 | 2016-04-01 | 一种无线传感器网络的故障检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610202851.3A CN105897469B (zh) | 2016-04-01 | 2016-04-01 | 一种无线传感器网络的故障检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105897469A CN105897469A (zh) | 2016-08-24 |
CN105897469B true CN105897469B (zh) | 2019-01-25 |
Family
ID=57011832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610202851.3A Active CN105897469B (zh) | 2016-04-01 | 2016-04-01 | 一种无线传感器网络的故障检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105897469B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106255042A (zh) * | 2016-08-31 | 2016-12-21 | 烟台南山学院 | 一种化学化工实验室无线传感器网络节点及故障诊断方法 |
CN107200248B (zh) * | 2017-05-22 | 2019-06-07 | 安徽奥里奥克科技股份有限公司 | 一种基于云平台的电梯物联网运行实时监测系统 |
CN108732972B (zh) * | 2018-06-08 | 2020-12-11 | 山东鲁商创新发展有限公司 | 用于多机器人的智能数据采集系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102111789A (zh) * | 2010-12-24 | 2011-06-29 | 北京邮电大学 | 无线传感器网络的故障修复方法 |
CN104796916A (zh) * | 2015-05-11 | 2015-07-22 | 苏州惠通天地信息科技有限公司 | 一种面向目标检测的无线传感器网络强栅栏覆盖构建方法 |
-
2016
- 2016-04-01 CN CN201610202851.3A patent/CN105897469B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102111789A (zh) * | 2010-12-24 | 2011-06-29 | 北京邮电大学 | 无线传感器网络的故障修复方法 |
CN104796916A (zh) * | 2015-05-11 | 2015-07-22 | 苏州惠通天地信息科技有限公司 | 一种面向目标检测的无线传感器网络强栅栏覆盖构建方法 |
Non-Patent Citations (1)
Title |
---|
无线传感器节点的故障诊断研究;尚兴宏等;《计算机科学》;20140417(第z1期);全文 |
Also Published As
Publication number | Publication date |
---|---|
CN105897469A (zh) | 2016-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105897469B (zh) | 一种无线传感器网络的故障检测方法及装置 | |
Herrero | Self-avoiding walks on scale-free networks | |
Khan et al. | On the stability and optimality of distributed Kalman filters with finite-time data fusion | |
CN103702360B (zh) | 一种确定业务接入端口的数据流速的方法及装置 | |
CN107835201A (zh) | 网络攻击检测方法及装置 | |
CN104992240B (zh) | 一种优化拣货路径的方法及装置 | |
CN109254532A (zh) | 一种面向通信时滞的多智能体分布式合作故障检测方法 | |
Cantelmo et al. | Two-step approach for correction of seed matrix in dynamic demand estimation | |
CN113411213B (zh) | 基于物联网的自组网拓扑控制方法及协同监测方法 | |
CN109919234A (zh) | 一种基于系统聚类的加权马尔科夫滑坡预警方法 | |
CN107657277B (zh) | 一种基于大数据的人体异常行为检测与判定方法及系统 | |
CN112381171B (zh) | 一种基于组合模型的多传感器节点缺失数据填充方法 | |
CN109447109A (zh) | 一种基于子图网络的图分类方法 | |
John et al. | Energy saving cluster head selection in wireless sensor networks for internet of things applications | |
CN108847993B (zh) | 基于多阶路径中间节点资源分配的链路预测方法 | |
CN104935476A (zh) | 一种基于sdn的网络流量矩阵测量方法 | |
CN104462608A (zh) | 基于模糊c均值聚类算法的无线传感器网络数据聚类方法 | |
CN106095843A (zh) | 社交账号挖掘方法及装置 | |
CN114239960A (zh) | 基于资源动态优化的配网工程项目群进度管理方法及系统 | |
Hosseinalipour et al. | New hierarchical routing protocol for WSNs | |
CN106202113B (zh) | 应用于组队运动的信息提供方法和装置 | |
CN102571423A (zh) | 基于gshlpn的网络数据传输建模及性能分析方法 | |
CN104680118B (zh) | 一种人脸属性检测模型生成方法及系统 | |
CN110113765A (zh) | 一种基于元胞自动机模型的信息源定位算法 | |
CN105050128B (zh) | 利用信号强度的桥梁健康监测传感网的节点次序自动推导方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |