CN106796753A - 用于物联网领域的多传感器变化检测 - Google Patents

用于物联网领域的多传感器变化检测 Download PDF

Info

Publication number
CN106796753A
CN106796753A CN201580045560.1A CN201580045560A CN106796753A CN 106796753 A CN106796753 A CN 106796753A CN 201580045560 A CN201580045560 A CN 201580045560A CN 106796753 A CN106796753 A CN 106796753A
Authority
CN
China
Prior art keywords
sensor
signal
period
divergence
combination
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.)
Granted
Application number
CN201580045560.1A
Other languages
English (en)
Other versions
CN106796753B (zh
Inventor
L·法维舍夫斯凯
A·阿蒙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Intel Corp
Original Assignee
Intel Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Intel Corp filed Critical Intel Corp
Publication of CN106796753A publication Critical patent/CN106796753A/zh
Application granted granted Critical
Publication of CN106796753B publication Critical patent/CN106796753B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/021—Traffic management, e.g. flow control or congestion control in wireless networks with changing topologies, e.g. ad-hoc networks
    • G—PHYSICS
    • G08—SIGNALLING
    • G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
    • G08C25/00—Arrangements for preventing or correcting errors; Monitoring arrangements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
    • 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)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Alarm Systems (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本文大体描述了用于多传感器变化检测的系统和方法的示例。一种方法可以包括：接收来自第一传感器组合的第一信号集和来自第二传感器组合的第二信号集，以及确定第一信号集的第一分布和第二信号集的第二分布。该方法可以包括：使用第一传感器组合和第二传感器组合、多个传感器的计数以及从第二信号集中的多个信号到第一信号集中的第一多个最近邻信号的距离和从第二信号集中的多个信号到第二信号集中的第二多个最近邻信号的距离来估计第一分布与第二分布之间的散度。该方法可以包括确定散度是否超过阈值。

Description

用于物联网领域的多传感器变化检测
优先权要求
本专利申请要求2014年12月22日提交的序号为14/579,083的美国申请的优先权权益，该美国申请要求2014年9月26日提交的序号为62/056,199的美国临时专利申请的优先权权益，这两个申请都通过全文引用的方式并入本文中。
背景技术
根据一些技术分析人员的分析，到2020年将有超过500亿个被连接的“物”。这将完全地改变当前的基础设施，并且将驱动工业、产品和服务上的新创新。企业和公司快速采用联网设备的最大挑战之一是为了将物联网(IoT)解决方案引入市场而需要的复杂度和来自各领域的知识。IoT是表示通过例如互联网的网络进行通信的设备和系统的术语。所述设备和系统可以包括产生大量数据的传感器。
附图说明
在附图中，该附图不必是按比例绘制的，相似的标记可以描述不同视图中的相似组件。具有不同字母后缀的相似标记可以表示相似组件的不同实例。附图通常是通过示例而不是通过限制的方式图示出本文档中所讨论的各个实施例。
图1A和1B是示出根据实施例的信号变化的曲线图；
图2是示出根据实施例的用于多传感器变化检测的系统的框图；
图3是示出了根据实施例的用于传感器阈值组合计算的系统的框图；
图4是示出根据实施例的k最近邻估计的曲线图；
图5是示出根据实施例的用于传感器值缓存的系统的框图；
图6是示出根据实施例的信号分布的曲线图；
图7是示出根据实施例的多传感器变化检测系统的示意图；
图8是示出根据实施例的用于多传感器变化检测的方法的流程图；
图9是示出了根据实施例的示例机器的框图，本文所述的任意一种或多种技术(例如，方法)可以在该示例机器上执行。
具体实施方式
如上所述，由于实现服务所需的复杂度和知识高，IoT联网设备将产生挑战。可以设计基于开源软件的云IoT分析平台来大幅地最小化采集和处理IoT方案中所生成的大量数据的复杂度。另一示例计算平台可以包括提供可应用于不同垂直部分(segment)的不同分析服务的水平平台(horizontal platform)。
云IoT平台可以包括用于收集来自多个设备和传感器的数据并将该数据存储在云中的系统(例如，可扩展服务器系统)。这可以实现基于规则的引擎，通过使用复杂的机器学习技术和高级实时统计过程控制来提供关于过程变化和异常的告警。
云IoT平台可以使用变化检测，该变化检测是用于检测系统行为变化的统计方法。在示例中，方法监测用于描述系统的传感器值。如果在一个时段内多个传感器的值的变化在统计上是显著的，则该方法产生告警。变化检测的在先解决方案仅仅允许单传感器监测。
在先解决方案使用监测当前单个传感器值和过去单个传感器值之间的相异度的方法，该方法通常称为异常检测。一些异常检测技术基于统计测试，该统计测试在给定先前参考值或参考分布的情况下评估观测到特定值的概率。这些技术是受限的，因为这些技术被设计成检测任何短时变化，并且在统计估计中不考虑时间维度。异常检测技术不检测数据分布或系统行为的变化，而是聚焦于特定的异常点。这种测试的示例是计算多个与新值的平均值之间的标准差，以及使用已知参考分布来评估该值的概率。异常检测的另一示例是一类支持向量机(SVM)技术。
其它技术使用用于比较分布的测试，比如柯尔莫诺夫-斯米尔诺夫(KolmogorovSmirnov)测试，来执行单传感器变化检测。Kolmogorov Smirnov测试将参考时点之前传感器的一组值与参考时点之后传感器的一组值进行比较。该测试构建每组值的一维分布，并且测量这两个分布之间的距离。如果该距离在某阈值以上，则发出指示传感器值分布的阈值变化的告警。
单传感器变化检测技术本质上是受限制的，因为它们仅仅处理一维值分布，这些一维值分布没有完全利用物联网的“大数据”实质。由于它们的一维局限性，这些技术无法使用同时来自设备的多个传感器的全部信息量。因此，单传感器变化检测技术对于系统变化具有低且未达最优的检测率，并且无法跟踪传感器之间的相关性变化。单传感器变化检测技术的示例包括Kolmogorov Smirnov测试。
图1A和1B示出了根据实施例的例示信号变化的曲线图。在图1A中，示出了组合信号随时间变化的图形表示。在曲线图的中部，发生异常(或短时变化)。异常检测技术将能够检测到该异常。变化检测技术也能检测到该异常。在图1B中，示出了组合信号中的移位。异常检测技术无法检测到这种类型的变化，当考虑其延长的时段时，这会变得更加明显。变化检测技术能够检测到这种类型的变化。图1B中的变化可以表示系统行为的一致性变化，该变化可以利用变化检测技术检测到，但无法利用异常检测技术检测到。在图1A和图1B中，变化之前的曲线图部分可以表示过去的分布，在变化期间的曲线图部分(例如，圆圈中的)可以表示当前的分布，以及变化之后的曲线图部分可以表示未来的分布。
在示例中，多传感器变化检测可以包括作为相对于来自单传感器的信号的改进的来自多个传感器的信号放大，以及在将多个小的变化一起考虑时可以获得高的统计显著性。多传感器变化检测还可以包括检测传感器依赖模式的变化。
在示例中，多传感器变化检测可以按照单传感器变化检测无法使用的方式来使用所采集的传感器数据。例如，一种方法可以被使用来利用同时来自多个传感器的信息对过程变化发出告警。该方法可以提供更佳的性能，并且示出比单传感器变化检测更多的过程变化。
在示例中，传感器组合可以用于物联网领域的变化检测测试，从而形成多传感器变化检测测试。物联网领域可以表征为同时来自多个设备的各个传感器的连续信息流，因此多传感器处理和变化检测是有用的。
多传感器变化检测还可以计算是否已经发生了多传感器变化。在每个时点，可以计算得分，该得分度量(measure)该组合中的传感器的过去值和未来值的相异度。如果该相异度在阈值以上，则可以发出告警。在示例中，多传感器变化检测技术特别适于物联网领域，因为该技术是准确的且从所需要的数据大小角度看是高效的，并且可以在对于物联网领域是有用的在线流模式下实现。
该方法和技术可以在除了物联网领域之外的领域中使用，例如在用于自主环境控制的机器人中，以及在用于即将来临的攻击检测的安全性中。
如上文所述，现有变化检测技术一次仅仅使用一个传感器，因此，在能力上它们是受限的。为了检测参考时点时的传感器值的变化，这些技术应用该参考时点附近的具有固定长度的运行窗，并且对该时间窗内的传感器值执行多次统计测试。具体地，该时间窗可以划分成两个分离的子窗，并且可以应用Kolmogorov Smirnov测试来测量这些子窗中的传感器值分布之间的差别。如果根据Kolmogorov Smirnov测试发现至少一对子窗具有不同的值分布，则检测到变化。如果这两个子窗的经验分布源自同一理论分布，则双向KolmogorovSmirnov测试提供具有两个子窗的经验分布之间的观测距离的概率。如果该分布在阈值以下，则可以发出告警。
在示例中，多传感器变化检测技术比现有的单传感器变化检测技术更佳，因为多传感器变化检测通过同时采集来自多个传感器的信号来产生更高的变化灵敏度。多传感器变化检测还能够测量传感器群组之间的相关性上的差别，而单传感器变化检测无法测量传感器群组之间的相关性上的差别。
为了测量多传感器变化检测相较于单传感器变化检测的益处，多个基准测试程序可以包括：
●物联网的特定安全性应用(基于击键的认证)；
●在已知分布变化的情况下，直接比较不同仿真数据集之间的多传感器变化检测和单传感器变化检测；
●比较可以基于在维持相同的虚假率时测量检测率(例如，当虚假率保持恒定时，在多传感器变化检测中的检测好得多达8倍)；
●比较可以测量传感器相关性变化的检测，而这利用单传感器变化检测是不可能检测到的(例如，多达35％的检测率)。
可以在多元变量变化检测领域对多传感器变化检测分类。现有异常检测技术基于采用用于多元变量概率分布估计的一类支持向量机(SVM)。
单传感器变化检测技术在物联网领域上的一个缺陷是需要执行一类SVM模型学习来作为变化检测的条件。SVM模型学习是计算密集型方法，因为其涉及求解二次优化问题。而且，SVM模型需要大量的数据点来进行模型训练，该数量可能是比设备中的传感器数量更大的数量级。从物联网的观点来看，这意味着，异常检测技术给云系统带来非常大的计算负荷，并且由于训练需要大量时点，不允许快速在线检测。
对于所涉及到的优化技术，多传感器变化检测技术得分计算是快速且直接的。另外，相较于异常检测或单传感器变化检测，对于多传感器变化检测，用于鲁棒得分计算的时间窗中的点的数量可能低得多，并且多传感器变化检测告警的固有延迟可以非常小。在示例中，多传感器变化检测技术能够产生快速在线预测，而不会对云系统造成高计算负荷，对物联网领域而言这是优点。
图2示出了根据实施例的例示用于多传感器变化检测的系统200的框图。在示例中，多传感器变化检测组件(MCDC)208将基于预定义传感器组合的值来生成关于设备传感器数据的异常变化的自动在线告警，例如，告警M 210。传感器组合可以由用户选择或者自动确定。传感器N可以输出传感器度量N 202，其可通过建模204来比较。建模204可以输出针对传感器度量N 202的模型传感器差别N 206。模型传感器差别N 206可以与多传感器变化检测组件208中的一个或多个其它模型传感器差别组合。多传感器变化检测组件208可以输出与所检测到的变化相关的一个或多个告警，比如告警M 210。
在示例中，设备可以是包含一个或多个传感器或者与一个或多个传感器连接的物理对象。传感器可以是设备的一部分或者是使用该设备作为中继器的外部对象。度量可以表示从单个传感器获得的一系列值。例如，度量可以包括温度、湿度、风速、地理坐标、声音等。在示例中，数据可以正则化。可以对建模阶段中的每个传感器校准正则化常数，或者对于传感器组合校准正则化常数。例如，可以将乘法因子常数ki和加法因子常数bi与每个输入vi相关，从而使得正则化等式可以包括v′i＝ki*vi+bi。该等式是示范性的实施例，可以使用其它正则化技术。
在示例中，传感器度量值可以聚合在相同的时间间隔，例如，分钟采样。在示例中，时间窗内的样本数量可以是组合中的传感器数量的数量级，例如，以产生时间窗尺寸。
图3示出了根据实施例的例示用于传感器阈值组合计算的系统300的框图。多传感器变化检测可以包括训练阶段。训练阶段可以包括确定阈值，以及该阈值可以递归地确定。在示例中，训练阶段可以实现为单独的操作阶段。系统300可以包括用户界面302，该用户界面可以允许用户选择传感器组合或选择目标告警率的灵敏度，或者传感器组合或灵敏度可以自动地选择(例如，特定设备上的所有传感器可以包含在组合中)。为了训练多传感器变化检测技术，训练组合可以由设备的传感器的子集构成或者由用户选择或自动选择的传感器组合的子集构成。传感器可以是多个传感器组合的一部分。
系统300可以包括配置数据库304，该配置数据库304存储传感器组合和目标告警率。在示例中，系统300可以包括存储历史数据的HBase 306。系统300可以检索自指定时间起的历史数据以及模型传感器差别，例如模型传感器差别N 308。系统300可以使用传感器组合、目标告警率和模型传感器差别来确定针对模型传感器差别的一个或多个组合的窗口得分计算。系统300随后可以使用针对该一个或多个组合的窗口得分计算来确定该一个或多个组合的阈值。例如，模型传感器差别N 308可以与一个或多个其它模型传感器差别组合来创建传感器组合(具有标识M，或SCID M)，从而最终创建SCID M的阈值310。阈值310随后可以与所检测到的多传感器变化比较来确定是否发出告警。如果所检测到的传感器组合的多传感器变化超过该组合的阈值，则可以发出告警。
待训练的每个组合的训练时段可以由用户选择或自动选择。待训练的每个组合的目标虚假告警率f也可以由用户选定或自动选定。目标告警率可以包括总设备告警率的预设配置，例如高，中或低。所有组合的目标虚假告警率可以相等。目标虚假告警率还可以自动定义，例如使得每天、每周或每月存在仅仅一个虚假告警。可以使用用于确定目标虚假告警率的其它递归方法，例如选择虚假告警率与所检测到的变化的比率、虚假告警率与正确告警率的比率，等等。在另一示例中，用户可以选择虚假告警率的时段，使得设备在该时段内平均输出一个虚假告警。还可以通过使用目标正确告警率(例如，无虚假否定(no falsenegative)，其可以等于高虚假告警率)来选定目标错误告警率。
在示例中，估计可以类似于微分熵的估计，比如以下等式：
H(X)＝-∫g(x)log g(x)dx
估计还可以包括直方图或Parzen窗估计，比如以下等式：
这些估计技术的缺陷包括选择内核时的难度，或者高维度情况下的处理挑战。
微分熵的KNN估计可以包括：
●X1，...，XN：样本；
●εik-从xi到其第k个最近邻的距离；
●概率密度的局部估计，例如：
●
其中
图4示出了根据实施例的例示k最近邻估计的曲线图400。在图4所示的示例曲线图400中，k被设定成等于2，由于样本404和406是样本402的两个最近邻，如曲线图400所示，计算从样本402到样本404和样本406的距离。如果k值增加，则将计算距离样本402的其它样本距离。如果k值降低至1，则将仅仅计算从样本402到样本406的距离。
例如微分熵的k最近邻(KNN)估计的估计方法可以被修改来用于估计KullbackLeibler(KL)散度。在示例中，多传感器变化检测可以包括告警阈值(T)的滑动窗得分计算。如上所述，可以单独地训练每个被训练的传感器组合。指定时段内的训练数据可以按时间顺序方式组织。训练数据还可以被正则化，例如根据如上讨论的传感器正则化常数来正则化。滑动窗可以应用于数据，并且可以选择每个时点作为参考点。每个窗可以包括紧跟在该参考点之前的n个(参数)传感器组合值以及紧跟在该参考点之后的m个(参数)传感器组合值。对于每个滑动窗，可以计算Kullback Leibler(KL)(KNN KL)散度得分的k最近邻(KNN)估计。例如，可以使用等式，其中d表示组合中的传感器的数量。对于Past(ρ)集合中的传感器组合集中的每个点，KNN KL散度估计可以确定到Past(ρ)集合中的k个(参数)最近邻的距离以及到Future(v)集合中的传感器组合集中的k个(参数)最近邻的距离。KNN KL估计等式可以包括确定P，该Past(ρ)集合的散度：
KL散度可以包括表示分布之间的距离。在示例中，KL散度可以包括在使用基于第二分布的代码而不是使用基于第一分布的代码时，对来自第一分布的样本进行编码所需的期望(或所计算出的)额外比特数。KL散度还可以相对于分布是不对称的，例如当使用来自第一分布的被编码到第二分布的信号以及来自第二分布的被编码到第一分布的信号计算时，返回不同的结果。KL散度的KNN估计可以避免多维分布估计。
在另一示例中，多传感器变化检测技术可以包括对于Future(v)集合中的每个点重复该等式并且返回得分F。可以使用得分值P加上给定窗的F来估计总散度得分。
在训练时，在针对整个训练集完成得分计算后，可以自动地检测得分值的阈值以满足目标虚假告警率。所计算出的得分估计值(例如，P和F)可以按降序存储，其中S(1)是最大得分，以及S(w)是最小得分，其中w是在训练阶段所计算出的得分的数目。可以通过将目标虚假告警率乘以在训练阶段计算出的得分数目来计算切割索引(index)t，例如t＝f*w。阈值可以包括针对切割索引处的特定参考点的KNN KL散度得分估计，例如T＝S(x)。例如，如果在训练阶段存在所计算出的四个得分，并且目标虚假告警率是50％，则切割索引将是0.5*4＝2。然后，在示例中，阈值将是对应S(2)的KNN KL散度得分估计(例如，按降序排序的第二大得分)。该阈值可以存储在数据库中以便将来使用。
图5示出了根据实施例的例示用于传感器值缓存的系统500的框图。该系统500可以包括用于接收传感器度量的中间设备(broker)502，例如计算机或服务器。该系统500还可以包括用于存储传感器组合阈值或模型传感器信息的历史数据库(HBase)504。在系统500中可以包括其它数据库或分布式应用。模型传感器信息可以由系统500使用来缓存模型值508。在示例中，传感器数据可以添加到缓存中，其中该缓存包括当前传感器数据和刚刚过去(immediate past)的传感器数据。在另一示例中，缓存系统可以包括：当接收到当前传感器数据时，将刚刚过去的传感器数据推送到另一缓存段，并且将当前传感器数据存储在一个缓存中以及将刚刚过去的传感器数据存储在第二缓存中。在另一示例中，每个传感器可以具有用于存储传感器数据的相关联的单独一个缓存或多个缓存。在系统500中，所缓存的模型传感器信息和来自中间设备502的传感器度量可以被使用来聚合传感器度量时间510。传感器度量时间聚合510可以用来对传感器差别建模以及缓存传感器组合标识(SCID)值512。系统500可以根据模型传感器差别和SCID缓存来计算窗得分。在示例中，窗得分计算可以与SCID阈值比较来确定窗得分是否超过SCID阈值，如果超过，则发出告警514。所发出的告警514可以包括SCID告警。
在示例中，在训练阶段之后，多传感器变化检测可以包括测试阶段(或主阶段)。数据可以根据单位采样时间来重新采样，并且可以在线存储和聚合。可以单独地处理和保存每个训练过的组合。在示例中，对于每个组合，可以维持具有(n+m)个先前采样的窗。同样可以维持其它样本大小。所存储的数据可以被正则化，并且用于具有相同或相似传感器组合的其它相似设备。在多传感器变化检测中，在窗更新后，可以计算KNN KL得分。如果得分在所训练的阈值以上，则对于与阈值和得分相关的指定传感器组合可以发出告警。该告警可以是本地的或远程的、可听的、可视的、或发送给用户，例如通过电子邮件、文本消息、电话通话、电子邮件等。
在另一示例中，多传感器变化检测流程可以包括检测相对于过去的固定点或者紧邻的前一点的变化。相对于参考点的多传感器变化检测可以包括以L(参数)月、周、天、小时、分钟、秒等形式存储过去系统的屏幕截图。同样，对于给定大小的未来窗，可以校准得分阈值(D)。可以在随后时间捕获未来窗点，以及可以利用上述的多传感器变化检测技术来计算得分Z。如果Z>D，则可以发出告警。
在示例中，使用多于一个传感器可以包括例如对于相同的虚假告警率具有相较于单传感器方法更高的检测率(例如，多达8倍)的益处。使用多于一个传感器还可以包括对传感器相关性变化灵敏的益处(例如，35％的检测率)。单传感器方法对传感相关性变化不灵敏。
图6示出了根据实施例的例示信号分布的曲线图600。多传感器变化检测技术可以正确地标识曲线图600中的分布之间的差别，例如所示的椭圆分布和圆形分布。依赖于一个传感器的技术无法正确地标识曲线图600中的分布之间的差别。
多传感器变化检测方法、单传感器变化检测方法以及异常检测方法可以发现来自设备的非寻常数据段的短时间段的突发，然而仅仅多传感器变化检测可以提供整个设备行为变化的数据。在多传感器变化检测技术发现了变化之后，可以重新校准设备来继续其监测。来自多传感器变化检测技术的告警不限于否定告警，还可以包括告警改进的设备或系统行为，或者告警未被分类为改进或否定的变化。多传感器变化检测可以实现这样的检测能力，该检测能力可以为用户带来高价值信息，这些高价值信息在异常检测或单传感器变化检测中不能发现。
在示例中，实验结果可以包括表1和表2中的结果。表1将KNN KL与KolmogorovSmirnov测试进行比较，表明KNN KL结果优于KS结果。
测试 窗 微调的FA 实际的FA 检测率
KL,检测μ＝μ+1 50,10(k＝8) 0.001 0.0009 0.139
KS,检测μ＝μ+1 50,10 0.001 0.0004 0.131
KL,检测μ＝μ+2 50,10(k＝8) 0.001 0.0006 0.921
KS,检测μ＝μ+2 50,10 0.001 0.0004 0.871
KL,检测μ＝μ+1 30,10(k＝5) 0.01 0.013 0.31
KS,检测μ＝μ+1 30,10 0.01 0.005 0.326
KL,检测μ＝μ+1 30,10(k＝8) 0.01 0.006 0.343
KL,检测μ＝μ+2 30,10 0.01 0.008 0.96
KS,检测μ＝μ+2 30,10(k＝8) 0.01 0.006 0.94
KL,检测σ＝σ+1 30,10(k＝8) 0.01 0.012 0.063
KS,检测σ＝σ+1 30,10 0.01 0.007 0.015
KL,检测σ＝σ+2 30,10(k＝8) 0.01 0.011 0.132
KS,检测σ＝σ+2 30,10 0.01 0.004 0.025
KL,检测σ＝σ+3 30,10(k＝8) 0.01 0.009 0.264
KS,检测σ＝σ+3 30,10 0.01 0.006 0.036
表1-比较KNN KL与KS的实验结果
KNN KL估计可以利用多维信息来检测利用一维方法无法检测到的变化，例如μ中的小变化，Σ中的小变化，或者相关性ρ中的变化。基线数据可以使用μ＝0且σ＝1的正态分布。这些检测率的结果在表2中示出。
表2-标准差、均值和相关性的不同值的实验结果
在示例中，可以对真实数据执行KNN KL多传感器变化检测，并且在表3中示出实验结果。例如，击键可用于数据，例如真实世界手指键入时刻(timing)数据集。手指键入时刻的真实世界数据可以包括：
-重复键入的相同的10字母密码
-51个人类对象
-每个人8个日常会话
-每个日常会话中50次重复
-由键弹起-键按下的20个时刻所表征的每次键入
-总体而言，每个人可以由400个样本*20个传感器来表示
在示例中，将击键数据应用于多传感器变化检测可以包括：
1、将人类的连续20X个时刻的会话用作开始
2、盯住另一人的连续20X个时刻的会话
3、检测盯住点
4、检测虚假告警
5、重复该技术以产生样本集。
表3-使用真实数据的实验结果
上述实验结果表来自示范性的实施例。使用本公开中所描述的其它实施例，可以出现其它结果。
图7示出了根据实施例的例示多传感器变化检测系统702的示意图。在示例中，多传感器变化检测系统702可以包括通信模块704。通信模块704可以接收信号，比如来自传感器的信号。通信模块704可以接收来自多个传感器中的第一传感器组合的第一信号集，以及可以接收来自该多个传感器中的第二传感器组合的第二信号集。在示例中，通信模块704可以接收来自第一传感器组合和第二传感器组合中的每一个的另一信号集。在另一示例中，通信模块704可以接收关于传感器状态或环境状态的信息或特征数据。
多传感器变化检测系统702可以包括处理模块708。处理模块708可以确定第一信号集的第一分布和第二信号集的第二分布，该第一信号集和第二信号集由通信模块接收。在示例中，处理模块708可以估计第一分布与第二分布之间的散度。例如，处理模块708可以使用第一传感器组合和第二传感器组合的计数、多个传感器的计数、从第二信号集中的多个信号到第一信号集中的第一多个最近邻信号的距离以及从第二信号集中的多个信号到第二信号集中的第二多个最近邻信号的距离来估计散度。最近邻信号的距离估计可以使用第二信号集中的信号与第一信号集和第二信号集两者中的信号之间的KL距离的k最近邻估计。K最近邻中的k可以包括该多个最近邻信号。处理模块708还可以确定散度是否超过阈值。当散度超过阈值时，处理模块708可以生成告警。
处理模块708可以通过估计使用基于第二分布的代码对第一信号集进行编码所需的额外比特数来估计散度。例如，使用基于第一分布的代码对第一信号集进行编码所需的估计比特数可以是指定比特数，以及使用第二分布代码对第一信号集进行编码可能需要超过该比特数的额外比特。在另一示例中，处理模块708可以利用目标虚假告警率来确定阈值。在示例中，多传感器变化检测系统702可以包括告警模块706。告警模块706可以播放声音，振动，闪烁告警，或者以其它方式向用户表明已经生成告警。
图8示出了根据实施例的例示用于多传感器变化检测的方法800的流程图。在示例中，方法800可以包括操作802，接收来自多个传感器中的第一传感器组合的第一信号集和来自该多个传感器中的第二传感器组合的第二信号集。方法800的操作804可以包括确定第一信号集的第一分布和第二信号集的第二分布。方法800可以包括操作806，估计第一分布与第二分布之间的散度，其中使用第一传感器组合、第二传感器组合、多个传感器的总计数、从第二信号集中的多个信号到第一信号集中的多个最近邻信号的距离以及从第二信号集中的多个信号到第二信号集中的第二多个最近邻信号的距离来估计所述散度。在示例中，方法800可以包括操作808，确定散度估计是否超过阈值，以及包括操作810，当散度估计超过阈值时，生成告警。
在另一示例中，一种方法可以包括在第一时段和第二时段接收来自多个传感器的特征数据的操作，该特征数据表示传感器状态或环境状态。在示例中，传感器状态可以包括传感器的位置、传感器的角度或方位、传感器的加速度、传感器的移动、操作状况等。在另一示例中，环境状态可以包括诸如风速、温度、热指数、湿度、加速度、移动、亮度、信号强度、音频、视频、化学分析、外部设备功能等的信息。特征数据可以包括这些示例的任一个示例中的一个或多个。第一时段可以包括紧跟在第二时段之前的时点。第一时段还可以包括远在第二时段之前的时点。第一时段和第二时段可以包括时刻或时间窗，离散的或连续的，并且可以具有相同长度的窗口，基本上相同长度的窗口，或者是不同长度的时间窗。多个传感器可以包括自动选择或用户选择的传感器组合。在另一示例中，多个传感器可以是一个特定设备或多个特定设备的完整传感器群组。多个传感器可以包括任意类型的测量装置，无源的或有源的。
在示例中，操作可以包括分析第一时段和第二时段的特征数据来计算从第一时段到第二时段的多个传感器的传感器状态或环境状态的散度的估计。在示例中，为了计算散度估计，在上述任意方法中，可以包括使用Kullback Leibler(KL)散度得分的k最近邻(KNN)估计(KNN KL)。例如，对于第一时段内的多个传感器中的每个点，计算散度估计可以包括确定到第一时段和第二时段中的k个最近邻的距离。计算散度估计还可以包括，对于第二时段内的多个传感器中的每个点，确定到第一时段和第二时段中的k最近邻的距离。计算散度估计可以包括组合两个所确定距离集。在示例中，第一时段或第二时段中的一个可以发生在另一个之前。
操作可以包括确定散度估计是否超过阈值，以及当散度估计超过阈值时生成告警。阈值可以包括针对相对于另一特定参考点的特定参考时段的散度估计，例如使用第一时段和第二时段之前的时段。阈值可以包括预定值，例如在使得虚假否定率最小化的同时最小化虚假错误率的值。在另一示例中，阈值可以包括预定值，例如用户选择的值。阈值可以包括KNN KL散度得分估计，该得分估计是在分析特征数据之前确定的。可以存储阈值，并且方法可以访问阈值来确定散度估计是否超过阈值。
告警可以包括在用于确定散度估计是否超过阈值的设备本地的告警或远离该设备的告警。生成告警可以包括在用户界面中生成变化以显示告警，例如可听告警或可视化告警。该告警可以发送给用户，例如通过电子邮件、文本消息、电话通话、电子邮件等。告警可以包括振动分量。
图9示出了根据实施例的例示示例机器900的框图，本文所述的任意一种或多种技术(例如，方法)可以在该机器上执行。在可替代的实施例中，机器900可以作为独立设备操作，或者可以连接(例如，联网)到其它机器。在联网部署中，机器900可以在服务器机器、客户端机器或服务器-客户端网络环境的容量(capacity)下操作。在示例中，机器900可以充当对等(P2P)(或其它分布式)网络环境中的对等机器。机器900可以是个人计算机(PC)、平板式PC、机顶盒(STB)、个人数字助理(PDA)、移动电话、web工具、网络路由器、交换机或桥接器、或者任何能够执行用于指定该机器所要采取的动作的指令(顺序的或其它的)的机器。此外，虽然仅示出了单个机器，术语“机器”还应被认为包含了用来单独地或联合地执行一个(或多个)指令集来实施本文所述的任意一种或多种方法(例如，云计算，软件即服务(SaaS)、其它计算机集群配置)的任意机器集合。
如本文所述，示例可以包括逻辑或多个组件、模块或机制，或者可以在逻辑或多个组件、模块或机制上操作。模块是在操作时能够执行指定操作的有形实体(例如，硬件)。模块包括硬件。在示例中，硬件可以被具体地配置成实施具体操作(例如，硬连线的)。在示例中，硬件可以包括可配置执行单元(例如，晶体管、电路等)以及包含指令的计算机可读介质，其中当在操作中时该指令配置执行单元来实施具体操作。配置可以在执行单元或加载机制的引导之下发生。因此，当设备正在操作时，执行单元与计算机可读介质通信耦合。在该示例中，执行单元可以是具有多于一个模块的构件。例如，在操作下，执行单元可以由第一指令集配置来在一个时点实现第一模块，以及由第二指令集重新配置来实现第二模块。
机器(例如，计算机系统)900可以包括硬件处理器902(例如，中央处理器(CPU)、图形处理单元(GPU)、硬件处理器内核或其任意组合)、主存储器904和静态存储器906，上述组件中的一些或全部可以经由互连(例如，总线)908彼此通信。机器900还可以包括显示单元910、字母数字输入设备912(例如键盘)以及用户界面(UI)导航设备914(例如，鼠标)。在示例中，显示单元910、字母数字输入设备912和UI导航设备914可以是触摸屏显示器。机器900可以另外包括存储设备(例如，驱动单元)916、信号生成设备918(例如，扬声器)、网络接口设备920以及一个或多个传感器921，例如全球定位系统(GPS)传感器、罗盘、加速度计或其它传感器。机器900可以包括输出控制器928，例如串行(例如，通用串行总线(USB)、并行或其它有线或无线(例如，红外(IR)、近场通信(NFC)等)连接以与一个或多个外围设备(例如，打印机、读卡器等)通信或控制一个或多个外围设备。
存储设备916可以包括机器可读介质922，该介质是非暂态性的，在该介质上存储有具体实现本文所述的技术或功能中的任意一个或多个或由本文所述的技术或功能中的任意一个或多个使用的一个或多个数据结构集或指令集924(例如，软件)。指令924还可以全部地或至少部分地驻存在主存储器904内，在静态存储器906内，或者在机器900执行该指令期间驻存在硬件处理器902内。在示例中，硬件处理器902、主存储器904、静态存储器906或存储设备916中的一个或任意组合可以构成机器可读介质。
虽然机器可读介质922被图示为单个介质，术语“机器可读介质”可以包括被配置为存储一个或多个指令924的单个介质或多个介质(例如，集中式或分布式数据库，和/或相关联的高速缓存和服务器)。
术语“机器可读介质”可以包括能够存储、编码或承载由机器900执行且使得机器900执行本公开中的任意一种或多种技术的指令的任意介质，或者是能够存储、编码或承载由这些指令使用或与这些指令相关联的数据结构的任意介质。非限制性机器可读介质的示例可以包括固态存储器、以及光介质和磁介质。在示例中，海量机器可读介质包括带有多个具有不变(例如，静止)质量的粒子的机器可读介质。因此，海量机器可读介质不是暂态传播信号。海量机器可读介质的具体示例可以包括：非易失性存储器，例如半导体存储器设备(例如，电可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)和闪速存储器设备；磁盘，例如内部硬盘和可移除磁盘；磁光盘；以及CD-ROM和DVD-ROM盘。
指令924可以进一步通过通信网926，利用传输介质经由网络接口设备920来使用多种传输协议(例如，帧中继、互联网协议(IP)、传输控制协议(TCP)、用户数据报协议(UDP)、超文本传输协议(HTTP)等)中的任一种传输协议发送或接收。示例通信网可以包括局域网(LAN)、广域网(WAN)、分组数据网(例如，因特网)、移动电话网(例如，蜂窝网络)、普通旧式电话(POTS)网络和无线数据网(例如，称为的电气与电子工程师协议(IEEE)802.11标准系列，称为的IEEE 802.16标准系列)、IEEE 802.15.4标准系列、对等(P2P)网络，以及其它。在示例中，网络接口设备920可以包括一个或多个物理插口(例如，以太网、同轴线或电话插口)或者连接到通信网926的一个或多个天线。在示例中，网络接口设备920可以包括利用单输入多输出(SIMO)、多输入多输出(MIMO)或多输入单输出(MISO)技术中的至少一种来进行无线通信的多个天线。术语“传输介质”应当认为包含能够存储编码或承载由机器900执行的指令的任何无形介质，并且包括便于该软件的通信的数字或模拟通信信号或其它无形介质。
附加注释和示例
这些非限制性示例中的每一个可以是独立的，或者可以与其它示例中的一个或多个以各种置换或组合方式组合。
示例1包括多传感器变化检测系统所具体体现的主题，该多传感器变化检测系统包括：通信模块，配置为接收来自多个传感器中的第一传感器组合的第一信号集以及接收来自所述多个传感器中的第二传感器组合的第二信号集；以及处理模块，配置为确定所述第一信号集的第一分布和所述第二信号集的第二分布；估计所述第一分布与所述第二分布之间的散度，其中所述散度是使用所述第一传感器组合的计数、所述第二传感器组合的计数、所述多个传感器的计数、从所述第二信号集中的多个信号到所述第一信号集中的第一多个最近邻信号的距离以及从所述第二信号集中的多个信号到所述第二信号集中的第二多个最近邻信号的距离来估计的；以及确定所述散度是否超过阈值。
在示例2中，示例1的主题可以可选地包括：其中所述处理模块进一步检测到所述散度超过所述阈值，以及响应于检测到所述散度超过所述阈值而生成告警。
在示例3中，示例1-2中的一个或任意组合的主题可以可选地包括：其中所述第一多个最近邻信号和所述第二多个最近邻信号分别包括比所述第一信号集少的信号和比所述第二信号集少的信号。
在示例4中，示例1-3中的一个或任意组合的主题可以任选地包括：其中所述散度是使用从所述第一信号集中的多个信号到所述第一信号集中的第三多个最近邻信号的距离和从所述第一信号集中的多个信号到所述第二信号集中的第四多个最近邻信号的距离来估计的。
在示例5中，示例1-4中的一个或任意组合的主题可以可选地包括：其中所述第一传感器组合和所述第二传感器组合是相同的。
在示例6中，示例1-5中的一个或任意组合的主题可以可选地包括：其中所述第二信号集是紧接在所述第一信号集之前接收到的。
在示例7中，示例1-6中的一个或任意组合的主题可以可选地包括：其中为了估计所述散度，所述处理模块进一步估计使用基于所述第二分布的代码对所述第一信号集进行编码所需的附加比特数。
在示例8中，示例1-7中的一个或任意组合的主题可以可选地包括：其中所述处理模块进一步使用目标虚假告警率来确定所述阈值。
在示例9中，示例1-8中的一个或任意组合的主题可以可选地包括：其中所述处理模块使用虚假告警率与正确告警率的比率来递归地确定所述目标虚假告警率。
在示例10中，示例1-9中的一个或任意组合的主题可以可选地包括：其中所述第二传感器组合是由用户选择的。
在示例11中，示例1-10中的一个或任意组合的主题可以可选地包括：其中所述通信模块进一步在第一时段和第二时段接收来自第三传感器组合的特征数据，所述特征数据表示传感器状态；其中所述处理模块进一步分析所述第一时段和第二时段以确定在所述第一时段和所述第二时段的所述第三传感器组合的传感器状态之间的差别；以及其中所述处理模块使用所确定的差别来估计所述散度。
在示例12中，示例1-11中的一个或任意组合的主题可以可选地包括：其中所述传感器状态包括传感器位置、传感器角度、传感器方位、传感器移动或传感器操作状况中的至少一个。
在示例13中，示例1-12中的一个或任意组合的主题可以可选地包括：其中所述通信模块进一步在第一时段和第二时段接收来自所述多个传感器的特征数据，所述特征数据表示环境状态；其中所述处理模块进一步分析所述第一时段和第二时段以确定在所述第一时段和所述第二时段的所述多个传感器的环境状态之间的差别，以及其中所述处理模块使用所确定的差别来估计所述散度。
在示例14中，示例1-13中的一个或任意组合的主题可以可选地包括：其中所述环境状态包括关于风速、温度、热指数、湿度、移动、亮度、信号强度、音频、视频、化学成分或外部设备功能中的至少之一的信息。
在示例15中，示例1-14中的一个或任意组合的主题可以可选地包括：其中所述第一传感器组合是由用户选择的。
示例16包括由用于多传感器变化检测的方法来具体体现的主题，该方法包括：在设备处接收来自多个传感器中的第一传感器组合的第一信号集；在所述设备处接收来自所述多个传感器中的第二传感器组合的第二信号集；在所述设备处确定所述第一信号集的第一分布；在所述设备处确定所述第二信号集的第二分布；在所述设备处估计第一分布与第二分布之间的散度，其中所述散度是使用所述第一传感器组合、所述第二传感器组合、所述多个传感器的总计数、从所述第二信号集中的多个信号到所述第一信号集中的第一多个最近邻信号的距离以及从所述第二信号集中的多个信号到所述第二信号集中的第二多个最近邻信号的距离来估计的，以及在所述设备处确定所述散度是否超过阈值。
在示例17中，示例16的主题可以可选地包括：确定所述散度超过所述阈值，以及响应于确定出所述散度超过所述阈值而生成告警。
在示例18中，示例16-17中的一个或任意组合的主题可以可选地包括：其中所述第一多个最近邻信号和所述第二多个最近邻信号分别包括比所述第一信号集少的信号和比所述第二信号集少的信号。
在示例19中，示例16-18中的一个或任意组合的主题可以可选地包括：其中估计所述散度包括使用从所述第一信号集中的多个信号到所述第一信号集中的第三多个最近邻信号的距离以及从所述第一信号集中的多个信号到所述第二信号集中的第四多个最近邻信号的距离来估计所述散度。
在示例20中，示例16-19中的一个或任意组合的主题可以可选地包括：其中所述第一传感器组合和所述第二传感器组合是相同的。
在示例21中，示例16-20中的一个或任意组合的主题可以可选地包括：其中所述第二信号集是紧接在所述第一信号集之前接收到的。
在示例22中，示例16-21中的一个或任意组合的主题可以可选地包括：其中估计所述散度包括估计使用基于所述第二分布的代码对所述第一信号集进行编码所需的附加比特数。
在示例23中，示例16-22中的一个或任意组合的主题可以可选地包括：还包括使用目标虚假告警率来确定所述阈值。
在示例24中，示例16-23中的一个或任意组合的主题可以可选地包括：还包括使用虚假告警率与正确告警率的比率来递归地确定所述目标虚假告警率。
在示例25中，示例16-24中的一个或任意组合的主题可以可选地包括：其中所述第一传感器组合是由用户选择的。
在示例26中，示例16-25中的一个或任意组合的主题可以可选地包括：其中所述第二传感器组合是由用户选择的。
在示例27中，示例16-26中的一个或任意组合的主题可以可选地包括：在第一时段和第二时段接收来自第三传感器组合的特征数据，所述特征数据表示传感器状态；以及分析所述第一时段和所述第二时段以确定在所述第一时段和所述第二时段的所述第三传感器组合的传感器状态之间的差别；以及其中估计所述散度包括使用所确定的差别。
在示例28中，示例16-27中的一个或任意组合的主题可以可选地包括：其中所述传感器状态包括传感器位置、传感器角度、传感器方位、传感器移动或传感器操作状况中的至少之一。
在示例29中，示例16-28中的一个或任意组合的主题可以可选地包括，在第一时段和第二时段接收来自多个传感器的特征数据，所述特征数据表示环境状态；以及分析所述第一时段和所述第二时段以确定在所述第一时段和所述第二时段的所述多个传感器的环境状态之间的差别；以及其中估计所述散度包括使用所确定的差别。
在示例30中，示例16-29中的一个或任意组合的主题可以可选地包括：其中所述环境状态包括关于风速、温度、热指数、湿度、移动、亮度、信号强度、音频、视频、化学成分或外部设备功能中的至少之一的信息。
在示例31中，示例16-30中的一个或任意组合的主题可以可选地包括至少一个机器可读介质，所述至少一个机器可读介质包括用于接收信息的指令，当所述指令被机器执行时，所述指令使得所述机器实施如权利要求16-30中任一所述的方法。
在示例32中，示例16-31中的一个或任意组合的主题可以可选地包括一种装置，该装置包括用于实施如权利要求16-30中任一所述的方法的单元。
示例33包括用于多传感器变化检测的方法所具体体现的主题，该方法包括：在设备处接收来自多个传感器中的第一传感器组合的第一信号集的单元；用于在所述设备处接收来自所述多个传感器中的第二传感器组合的第二信号集的单元；用于在所述设备处确定所述第一信号集的第一分布的单元；用于在所述设备处确定所述第二信号集的第二分布的单元；用于在所述设备处估计第一分布与第二分布之间的散度的单元，其中所述散度是使用所述第一传感器组合、所述第二传感器组合、所述多个传感器的总计数、从所述第二信号集中的多个信号到所述第一信号集中的第一多个最近邻信号的距离以及从所述第二信号集中的多个信号到所述第二信号集中的第二多个最近邻信号的距离来估计的，以及用于在所述设备处确定所述散度是否超过阈值的单元。
在示例34中，示例33的主题可以可选地包括：确定所述散度超过所述阈值，以及响应于确定出所述散度超过所述阈值而生成告警。
在示例35中，示例33-34中的一个或任意组合的主题可以可选地包括：其中所述第一多个最近邻信号和所述第二多个最近邻信号分别包括比所述第一信号集少的信号和比所述第二信号集少的信号。
在示例36中，示例33-35中的一个或任意组合的主题可以可选地包括：其中估计所述散度包括使用从所述第一信号集中的多个信号到所述第一信号集中的第三多个最近邻信号的距离以及从所述第一信号集中的多个信号到所述第二信号集中的第四多个最近邻信号的距离来估计所述散度。
在示例37中，示例33-36中的一个或任意组合的主题可以可选地包括：其中所述第一传感器组合和所述第二传感器组合是相同的。
在示例38中，示例33-37中的一个或任意组合的主题可以可选地包括：其中所述第二信号集是紧接在所述第一信号集之前接收到的。
在示例39中，示例33-38中的一个或任意组合的主题可以可选地包括：其中估计所述散度包括估计使用基于所述第二分布的代码对所述第一信号集进行编码所需的附加比特数。
在示例40中，示例33-39中的一个或任意组合的主题可以可选地包括：还包括使用目标虚假告警率来确定所述阈值。
在示例41中，示例33-40中的一个或任意组合的主题可以可选地包括：还包括使用虚假告警率与正确告警率的比率来递归地确定所述目标虚假告警率。
在示例42中，示例33-41中的一个或任意组合的主题可以可选地包括：其中所述第一传感器组合是由用户选择的。
在示例43中，示例33-42中的一个或任意组合的主题可以可选地包括：其中所述第二传感器组合是由用户选择的。
在示例44中，示例33-43中的一个或任意组合的主题可以可选地包括：在第一时段和第二时段接收来自第三传感器组合的特征数据，所述特征数据表示传感器状态；以及分析所述第一时段和第二时段以确定在所述第一时段和所述第二时段的所述第三传感器组合的传感器状态之间的差别；以及其中估计所述散度包括使用所确定的差别。
在示例45中，示例33-44中的一个或任意组合的主题可以可选地包括：其中所述传感器状态包括传感器位置、传感器角度、传感器方位、传感器移动或传感器操作状况中的至少之一。
在示例46中，示例33-45中的一个或任意组合的主题可以可选地包括：在第一时段和第二时段接收来自多个传感器的特征数据，所述特征数据表示环境状态；以及分析所述第一时段和所述第二时段以确定在所述第一时段和所述第二时段的所述多个传感器的环境状态之间的差别；以及其中估计所述散度包括使用所确定的差别。
在示例47中，示例33-46中的一个或任意组合的主题可以可选地包括：其中所述环境状态包括关于风速、温度、热指数、湿度、移动、亮度、信号强度、音频、视频、化学成分或外部设备功能中的至少之一的信息。
上文的详细描述包括对附图的引用，附图构成了详细描述的部分。附图通过图示说明的方式示出了可实现的具体实施例。这些实施例在本文还称为“示例”。这些示例可以包括除了所图示和所描述的元件之外的元件。然而，本发明人还构思仅提供所图示或所描述的那些元件的示例。而且，本发明人还构思使用所图示或所描述的那些元件(或其一个或多个方面)的任意组合或置换的示例，针对特定的示例(或其一个或多个方面)或者针对所图示或所描述的其它示例(或其一个或多个方面)。
在本文档和通过引用方式合并于此的任意文档之间的用法不一致的情形下，以本文档的用法为准。
在本文档中，如专利文献中常见的，使用了术语“一(a)”或“一个(an)”来包括一个或多于一个，独立于“至少一个”或“一个或多个”的任何其它实例或用法。在本文档中，除非另作说明，术语“或者”用来指代非排他性，或者使得“A或B”包括“A而非B”、“B而非A”和“A和B”。在本文档中，术语“包含(including)”和“其中(in which)”用作相应的术语“包括(comprising)”和“其中(wherein)”的通俗英语等价词。而且，在随后的权利要求中，术语“包含”和“包括”是开放式的，也即，在权利要求中包含除了在该术语后所列的那些元件之外的元件的系统、设备、物品、成分、配方或过程仍认为落入该权利要求的范围内。而且，在下面的权利要求中，术语“第一”、“第二”和“第三”等仅用作标签，不是旨在对其对象施加数字要求。
本文所述的方法示例可以是至少部分地由机器或计算机实现的。一些示例可以包括编码有能运行来配置电子设备实施如上文的示例中所描述的方法的指令的计算机可读介质或机器可读介质。这些方法的实现方式可以包括代码，例如微码、汇编语言代码、高级语言代码等。这些代码可以包括用于执行各种方法的计算机可读指令。代码可以构成计算机程序产品的部分。此外，在示例中，代码可以例如在执行期间或者在其它时候，有形地存储在一个或多个易失性、非暂态的或易失性的有形计算机可读介质上。这些有形计算机可读介质的示例可以包含，但不限于，硬盘、可移除磁盘、可移除光盘(例如，压缩盘和数字视频盘)、磁盒、存储器卡或存储棒、随机存取存储器(RAM)、只读存储器(ROM)等。
上面的描述旨在示例性的，而非限制性的。例如，上述示例(或其一个或多个方面)可以与其它示例组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它的实施例。而且，在上面的详细描述中，可以将各种特征组合在一起而使得公开内容流畅。这不应该被解释为意在未要求保护的公开特征对于任何权利要求是必要的。相反，发明主题可以在于特定公开实施例的非全部特征。因此，下面的权利要求作为示例或实施例在此并入详述中，权利要求本身独立地作为单独的实施例，并且可构思的是，这些实施例可以按照各种组合或置换的方式相互组合。实施例的范围应该参考随附的权利要求以及这些权利要求赋予权利的等同内容的整个范围来确定。

Claims (25)

1.一种多传感器变化检测系统，包括：
通信模块，配置为接收来自多个传感器中的第一传感器组合的第一信号集以及接收来自所述多个传感器中的第二传感器组合的第二信号集；以及
处理模块，配置为：
确定所述第一信号集的第一分布和所述第二信号集的第二分布；
至少部分地基于所述第一传感器组合的计数、所述第二传感器组合的计数、所述多个传感器的计数、从所述第二信号集中的多个信号到所述第一信号集中的第一多个最近邻信号的距离以及从所述第二信号集中的多个信号到所述第二信号集中的第二多个最近邻信号的距离，来估计所述第一分布与所述第二分布之间的散度；以及
确定所述散度是否超过阈值。
2.如权利要求1所述的系统，其中，所述处理模块进一步响应于确定出所述散度超过所述阈值而生成告警。
3.如权利要求1所述的系统，其中，所述第一多个最近邻信号和所述第二多个最近邻信号分别包括比所述第一信号集少的信号和比所述第二信号集少的信号。
4.如权利要求1所述的系统，其中，所述散度是使用从所述第一信号集中的多个信号到所述第一信号集中的第三多个最近邻信号的距离和从所述第一信号集中的多个信号到所述第二信号集中的第四多个最近邻信号的距离来估计的。
5.如权利要求1所述的系统，其中，所述第一传感器组合和所述第二传感器组合是相同的。
6.如权利要求1所述的系统，其中，所述第二信号集是紧接在所述第一信号集之前接收到的。
7.如权利要求1所述的系统，其中，为了估计所述散度，所述处理模块进一步估计使用基于所述第二分布的代码对所述第一信号集进行编码所需的附加比特数。
8.如权利要求1所述的系统，其中，所述处理模块进一步使用目标虚假告警率来确定所述阈值。
9.如权利要求8所述的系统，其中，所述处理模块使用虚假告警率与正确告警率的比率来递归地确定所述目标虚假告警率。
10.如权利要求1所述的系统，其中，所述第二传感器组合是由用户选择的。
11.如权利要求1所述的系统，其中，所述通信模块进一步在第一时段和第二时段接收来自第三传感器组合的特征数据，所述特征数据表示传感器状态；
其中，所述处理模块进一步分析所述第一时段和所述第二时段以确定在所述第一时段和所述第二时段的所述第三传感器组合的传感器状态之间的差别；以及
其中，所述处理模块使用所确定的差别来估计所述散度。
12.如权利要求11所述的系统，其中，所述传感器状态包括传感器位置、传感器角度、传感器方位、传感器移动或传感器操作状况中的至少一个。
13.如权利要求1所述的系统，其中，所述通信模块进一步在第一时段和第二时段接收来自所述多个传感器的特征数据，所述特征数据表示环境状态；
其中，所述处理模块进一步分析所述第一时段和所述第二时段以确定在所述第一时段和所述第二时段的所述多个传感器的环境状态之间的差别；以及
其中，所述处理模块使用所确定的差别来估计所述散度。
14.如权利要求13所述的系统，其中，所述环境状态包括关于风速、温度、热指数、湿度、移动、亮度、信号强度、音频、视频、化学成分或外部设备功能中的至少之一的信息。
15.如权利要求1-14中任一项所述的系统，其中，所述第一传感器组合是由用户选择的。
16.一种用于多传感器变化检测的方法，包括：
在设备处接收来自多个传感器中的第一传感器组合的第一信号集；
在所述设备处接收来自所述多个传感器中的第二传感器组合的第二信号集；
在所述设备处确定所述第一信号集的第一分布；
在所述设备处确定所述第二信号集的第二分布；
在所述设备处至少部分地基于所述第一传感器组合、所述第二传感器组合、所述多个传感器的总计数、从所述第二信号集中的多个信号到所述第一信号集中的第一多个最近邻信号的距离以及从所述第二信号集中的多个信号到所述第二信号集中的第二多个最近邻信号的距离，来估计所述第一分布与所述第二分布之间的散度；以及
在所述设备处确定所述散度是否超过阈值。
17.如权利要求16所述的方法，还包括：响应于确定出所述散度超过所述阈值而生成告警。
18.如权利要求16所述的方法，还包括：使用目标虚假告警率来确定所述阈值。
19.如权利要求18所述的方法，还包括：使用虚假告警率与正确告警率的比率来递归地确定所述目标虚假告警率。
20.如权利要求16所述的方法，还包括：
在第一时段和第二时段接收来自第三传感器组合的特征数据，所述特征数据表示传感器状态或环境状态；以及
分析所述第一时段和所述第二时段以确定在所述第一时段和所述第二时段的所述第三传感器组合的传感器状态或环境状态之间的差别；以及
其中，估计所述散度包括使用所确定的差别。
21.如权利要求20所述的方法，其中，所述传感器状态包括传感器位置、传感器角度、传感器方位、传感器移动或传感器操作状况中的至少之一。
22.如权利要求20所述的方法，其中，所述环境状态包括关于风速、温度、热指数、湿度、移动、亮度、信号强度、音频、视频、化学成分或外部设备功能中的至少之一的信息。
23.如权利要求16所述的方法，其中，所述第一传感器组合和所述第二传感器组合是相同的。
24.至少一种机器可读介质，包含用于接收信息的指令，当所述指令被机器执行时，使得所述机器执行如权利要求16-23中任一项所述的方法。
25.一种装置，包括用于执行如权利要求16-23中任一项所述的方法的单元。
CN201580045560.1A 2014-09-26 2015-09-17 用于物联网领域的多传感器变化检测 Active CN106796753B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201462056199P 2014-09-26 2014-09-26
US62/056,199 2014-09-26
US14/579,083 2014-12-22
US14/579,083 US10356649B2 (en) 2014-09-26 2014-12-22 Multisensory change detection for internet of things domain
PCT/US2015/050689 WO2016048788A1 (en) 2014-09-26 2015-09-17 Multisensory change detection for internet of things domain

Publications (2)

Publication Number Publication Date
CN106796753A true CN106796753A (zh) 2017-05-31
CN106796753B CN106796753B (zh) 2019-12-17

Family

ID=55581836

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580045560.1A Active CN106796753B (zh) 2014-09-26 2015-09-17 用于物联网领域的多传感器变化检测

Country Status (5)

Country Link
US (2) US10356649B2 (zh)
EP (1) EP3198547B1 (zh)
CN (1) CN106796753B (zh)
TW (1) TWI635466B (zh)
WO (1) WO2016048788A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111935188A (zh) * 2020-10-12 2020-11-13 南京赛宁信息技术有限公司 基于ks检测的靶场环境中最大化攻击流量方法与装置
US10966113B2 (en) 2014-09-26 2021-03-30 Intel Corporation Multisensory change detection for internet of things domain

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE112015006877B4 (de) * 2015-09-03 2024-05-02 Mitsubishi Electric Corporation Verhaltens-Identifizierungseinrichtung, Klimaanlage und Robotersteuerung
US9848035B2 (en) * 2015-12-24 2017-12-19 Intel Corporation Measurements exchange network, such as for internet-of-things (IoT) devices
EP3466031A4 (en) * 2016-06-06 2020-01-15 David P. Maher SYSTEMS AND METHODS FOR DETECTING ANOMALIES
US10460258B2 (en) * 2016-11-30 2019-10-29 Optim Corporation Computer system, and method and program for controlling edge device
CN106685946B (zh) * 2016-12-22 2019-10-25 北京邮电大学 一种物联网感知层入侵检测系统
US10637814B2 (en) 2017-01-18 2020-04-28 Microsoft Technology Licensing, Llc Communication routing based on physical status
US10482900B2 (en) 2017-01-18 2019-11-19 Microsoft Technology Licensing, Llc Organization of signal segments supporting sensed features
US10635981B2 (en) 2017-01-18 2020-04-28 Microsoft Technology Licensing, Llc Automated movement orchestration
US10437884B2 (en) 2017-01-18 2019-10-08 Microsoft Technology Licensing, Llc Navigation of computer-navigable physical feature graph
US11094212B2 (en) 2017-01-18 2021-08-17 Microsoft Technology Licensing, Llc Sharing signal segments of physical graph
US10679669B2 (en) 2017-01-18 2020-06-09 Microsoft Technology Licensing, Llc Automatic narration of signal segment
US10606814B2 (en) 2017-01-18 2020-03-31 Microsoft Technology Licensing, Llc Computer-aided tracking of physical entities
TWI658368B (zh) * 2017-06-21 2019-05-01 財團法人資訊工業策進會 感應器評估伺服器以及感應器評估方法
CN110798645B (zh) * 2018-08-01 2022-01-14 视联动力信息技术股份有限公司 一种基于视联网的报警方法和系统
DE102019113277A1 (de) * 2019-05-20 2020-11-26 Tekon-Prüftechnik GmbH Prüfadapter
US11676071B2 (en) 2020-06-30 2023-06-13 Oracle International Corporation Identifying and ranking anomalous measurements to identify faulty data sources in a multi-source environment
US11322976B1 (en) * 2021-02-17 2022-05-03 Sas Institute Inc. Diagnostic techniques for monitoring physical devices and resolving operational events

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080234935A1 (en) * 2007-03-23 2008-09-25 Qualcomm Incorporated MULTI-SENSOR DATA COLLECTION and/or PROCESSING
CN102959401A (zh) * 2009-08-27 2013-03-06 霍夫曼-拉罗奇有限公司 用于对测量设备进行前瞻性校准的校准方法
CN103868692A (zh) * 2014-03-18 2014-06-18 电子科技大学 基于核密度估计和k-l散度的旋转机械故障诊断方法
CN104956715A (zh) * 2013-01-25 2015-09-30 高通股份有限公司 对移动设备上的行为特征的自适应观察

Family Cites Families (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CH434363A (de) * 1964-07-10 1967-04-30 Siemens Ag Schaltungsanordnung zur dynamischen Überwachung der Betriebssicherheit von einzelnen oder miteinander verknüpften kontaktlosen Steuerbausteinen
US6694285B1 (en) * 1999-03-13 2004-02-17 Textron System Corporation Method and apparatus for monitoring rotating machinery
US7561877B2 (en) * 2005-03-18 2009-07-14 Qualcomm Incorporated Apparatus and methods for managing malfunctions on a wireless device
US20070011105A1 (en) * 2005-05-03 2007-01-11 Greg Benson Trusted decision support system and method
US8164461B2 (en) * 2005-12-30 2012-04-24 Healthsense, Inc. Monitoring task performance
US20070178844A1 (en) * 2006-01-31 2007-08-02 Mutsuya Ii Method and system for identifying signal frequencies emitted at a known location using geographically distributed RF sensors
US7733220B2 (en) 2006-10-05 2010-06-08 Northrop Grumman Corporation System and methods for detecting change in a monitored environment
US8068986B1 (en) * 2007-04-27 2011-11-29 Majid Shahbazi Methods and apparatus related to sensor signal sniffing and/or analysis
US7821393B2 (en) * 2008-02-01 2010-10-26 Balmart Sistemas Electronicos Y De Comunicaciones S.L. Multivariate environmental sensing system with intelligent storage and redundant transmission pathways
CN102043553B (zh) * 2009-10-09 2013-01-02 禾瑞亚科技股份有限公司 在互电容侦测中分析位置的方法与装置
US8660022B2 (en) * 2009-11-16 2014-02-25 International Business Machines Corporation Adaptive remote decision making under quality of information requirements
US20110155879A1 (en) 2009-12-10 2011-06-30 Bacchus Fazil R Mylar™ ballon display rack
US8442787B2 (en) * 2010-04-30 2013-05-14 Infineon Technologies Ag Apparatus, sensor circuit, and method for operating an apparatus or a sensor circuit
KR101129815B1 (ko) 2010-05-12 2012-03-23 한국시설안전공단 룰 엔진을 통한 이종 시설물의 센서 데이터 분석 방법
KR20110125045A (ko) 2010-05-12 2011-11-18 한국시설안전공단 이종 시설물의 통합 안전 관리 시스템 및 방법
DE102010064203A1 (de) * 2010-12-27 2012-06-28 Robert Bosch Gmbh Verfahren und Vorrichtung zur Bestimmung einer Erkennungsschwelle
US9218232B2 (en) 2011-04-13 2015-12-22 Bar-Ilan University Anomaly detection methods, devices and systems
TWI468043B (zh) 2011-08-02 2015-01-01 Internat Mobile Iot Corp 燈源為基礎的物聯網
US8594023B2 (en) * 2011-12-16 2013-11-26 International Business Machines Corporation Quasi-dynamic spectrum access for internet of things (IOT) applications
US20130201316A1 (en) * 2012-01-09 2013-08-08 May Patents Ltd. System and method for server based control
CN103377252B (zh) 2012-04-28 2018-03-27 国际商业机器公司 在物联网中进行数据过滤的方法和装置
KR101376840B1 (ko) * 2012-11-26 2014-04-01 삼성전기주식회사 센서 자동이득제어 장치 및 방법, 그리고 센서 장치
US9226124B2 (en) * 2012-12-31 2015-12-29 Motorola Solutions, Inc. Method and apparatus for receiving a data stream during an incident
US9149189B2 (en) * 2013-03-04 2015-10-06 Hello, Inc. User or patient monitoring methods using one or more analysis tools
US9339188B2 (en) * 2013-03-04 2016-05-17 James Proud Methods from monitoring health, wellness and fitness with feedback
US20140247155A1 (en) * 2013-03-04 2014-09-04 Hello Inc. Methods using a mobile device to monitor an individual's activities, behaviors, habits or health parameters
US10356649B2 (en) 2014-09-26 2019-07-16 Intel Corporation Multisensory change detection for internet of things domain

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080234935A1 (en) * 2007-03-23 2008-09-25 Qualcomm Incorporated MULTI-SENSOR DATA COLLECTION and/or PROCESSING
CN102959401A (zh) * 2009-08-27 2013-03-06 霍夫曼-拉罗奇有限公司 用于对测量设备进行前瞻性校准的校准方法
CN104956715A (zh) * 2013-01-25 2015-09-30 高通股份有限公司 对移动设备上的行为特征的自适应观察
CN103868692A (zh) * 2014-03-18 2014-06-18 电子科技大学 基于核密度估计和k-l散度的旋转机械故障诊断方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10966113B2 (en) 2014-09-26 2021-03-30 Intel Corporation Multisensory change detection for internet of things domain
CN111935188A (zh) * 2020-10-12 2020-11-13 南京赛宁信息技术有限公司 基于ks检测的靶场环境中最大化攻击流量方法与装置
CN111935188B (zh) * 2020-10-12 2020-12-29 南京赛宁信息技术有限公司 基于ks检测的靶场环境中最大化攻击流量方法与装置

Also Published As

Publication number Publication date
US20160095013A1 (en) 2016-03-31
TW201626340A (zh) 2016-07-16
EP3198547A4 (en) 2018-05-30
EP3198547B1 (en) 2019-06-19
TWI635466B (zh) 2018-09-11
WO2016048788A1 (en) 2016-03-31
US10966113B2 (en) 2021-03-30
CN106796753B (zh) 2019-12-17
US10356649B2 (en) 2019-07-16
EP3198547A1 (en) 2017-08-02
US20200137610A1 (en) 2020-04-30

Similar Documents

Publication Publication Date Title
CN106796753A (zh) 用于物联网领域的多传感器变化检测
JP7154295B2 (ja) 無線信号の特性の機械学習に基づく動き検出
CN112364439B (zh) 自动驾驶系统的仿真测试方法、装置以及存储介质
US10022071B2 (en) Automatic recognition, learning, monitoring, and management of human physical activities
Zug et al. An architecture for a dependable distributed sensor system
US11782496B2 (en) Smart context subsampling on-device system
CN110580217B (zh) 软件代码健康度的检测方法、处理方法、装置及电子设备
CN113094284A (zh) 应用故障检测方法及装置
Tiaprasert et al. Platoon recognition using connected vehicle technology
WO2020039559A1 (ja) 情報処理装置、情報処理方法及び作業評価システム
CN110909873B (zh) 无源rfid移动测距数据降噪的方法、装置及计算机设备
US9248837B2 (en) Method and system for controlling a speed of a vehicle
Chen et al. WITM: Intelligent traffic monitoring using fine-grained wireless signal
WO2022102064A1 (ja) 情報出力システム、情報出力方法、情報出力装置、およびプログラム
Hung et al. Model-driven traffic data acquisition in vehicular sensor networks
Khokhlov et al. Sensors in mobile devices knowledge base
CN107228797B (zh) 冲击定位方法及装置
US10275837B2 (en) Recommending a social structure
CN111883226A (zh) 一种信息处理和模型训练方法、装置、设备及存储介质
Forsström et al. Estimating contextual situations using indicators from smartphone sensor values
US20230029857A1 (en) Methods and systems for estimating damage risk due to drop of an electronic device
US10206120B2 (en) Information processing apparatus and non-transitory computer-readable recording medium
Wang et al. A classification-based occupant detection method for smart home using multiple-WiFi sniffers
CN116882602A (zh) 路测数据的测量路径确定方法、装置、设备及存储介质
babu Venkateswara Configuration Manual

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant