CN107276999B - 一种无线传感器网络中的事件检测方法 - Google Patents

Abstract

本发明属于无线传感器技术领域，公开了一种无线传感器网络中的事件检测方法，所述无线传感器网络中的事件检测方法利用节点读数的时间相关性，通过改进的低秩子空间聚类算法对节点时间窗口内的数据流聚类，对事件进行检测，并保存事件的数据特征；通过改进的随机森林分类算法，实时地对异常值分类，判断出该异常值是否为事件读数。本发明通过聚类算法和分类算法相结合，可以在缺乏训练集的情况下，能够快速准确地进行事件区域检测；而且检测算法需要的能耗低，较以往的算法节省了节点间信息交换的能量消耗，特别适用于多维数据。

Description

一种无线传感器网络中的事件检测方法

技术领域

本发明属于无线传感器技术领域，尤其涉及一种无线传感器网络中的事件检测方法。

背景技术

随着现代科技的蓬勃发展，无线传感器网络(WSNs)已经被广泛应用于各个领域。WSNs是一个以无线通信为主的网络系统，其在监测区域部署了大量的传感器节点。各个传感器节点零散地分布于目标区域，对目标区域执行感测、采集和处理相关信息的任务；节点与节点间可通过无线方式相互通信，当节点发送信息到汇聚节点时，其以多跳的方式经过节点间的转发，最终把信息传输到汇聚节点。汇聚节点可以把收集到的所有信息通过卫星、互联网等通信设备，最终到达终端用户。相比于无线自组网络，无线传感器网络具有以下三个特征：1)分布式、自组织，WSNs节点在网络中其地位都是平等的，并且都具有相同的性能。节点与节点之间可以通过分布式算法来进行相互检测。节点具有自组织能力，当节点出现故障或者能量耗尽而不能工作，网络会自动进行配置和管理，从而不会影响网络的运行。2)规模大、密度高，由于WSNs节点成本低，因此在WSNs网络中，部署的节点数目大、密度高。虽然在各个感测区域内，能被多个WSNs节点感测，造成信息冗余，但是这些冗余的节点协同工作，会提高网络的工作质量。3)节点能力有限，微型廉价的WSNs节点在工作期间，其能力是有限的。WSNs节点的携带电池能量微少，且主要消耗于感测、处理和通信过程中，尤其是在通信模块上。通过研究表明，节点电池在用于一次通信的能量远超过进行一次处理模块的能量。其通信所需能耗，是根据通信距离随幂数增加的，因此网络中采取多跳方式来传输数据，可以大量节省网络信息传输的能量。WSNs节点的处理器能力较弱、存储容量小，因此不能执行大多数复杂的协议和算法。综上所述，实时的、分布式的同时可以保持较低通信能耗与通信负载，并可以实现较高检测率与较低误报率的事件区域检测方法才是适合无线传感器网络的事件区域检测检测算法。WSNs中的异常值是指节点感测到的读数，远远偏离于其他正常数据，从而引起人们的怀疑。当节点在进行监控时，若某一区域出现了事件，则该部分区域的节点会感测到该事件所带来的信息变化。如某个WSNs在监控森林环境时候，若某个区域突然发生火灾，则该区域的WSNs节点收集到的温度、湿度数据会有较大的变化，远远偏离于其他正常区域，出现异常值，也称为事件读数。文献Data clustering-based faultdetection inWSNs中，作者提出了一种k-CFD算法。网络中的任一节点收集其邻居读数，然后利用K-mean算法把这些读数聚为两类LG和LF，其中成员数目多的一类为正常值，少的一类为异常值。通过上述聚类结果，文章利用蚁群原理，调整分类结果。该算法不需要先验知识，但当异常值所占比例较大时，在聚类过程中其可能被判为多数类，从而认为是正常值，会降低算法的检测性能。文献Distributed online outlier detection in wirelesssensor networks using ellipsoidal support vector machine中，作者提出了一种基于椭球支持向量机在线异常值检测算法(EODE)。支持向量机是把训练数据通过某种变换映射到高维空间上，然后寻找一个可以把该组训练数据分为两类的超平面，使到这两类数据与该超平面的距离之和最大。算法中，各个节点根据自身的历史数据，利用椭球支持向量机单独进行局部异常值检测。然后把支持向量机的参数发送到邻居，合并为一个新的支持向量机，并进行全局异常值检测。文章还提出了基于椭球支持向量机自适应异常值检测算法(EAOD)，通过一个滑动的时间窗口，加入新读数和舍弃旧观测值来对支持向量机的更新，提高检测精度，但由于在构建支持向量机时，算法需要一定的时间来执行，在网络中的每一轮的支持向量机更新中，都有一定的时延性。然而该算法要事先给出一组包含异常值的训练集，在现实情况中，在初始阶段节点的读数一般是正常的，难以获得异常值的准确数据。文献Outlier Detection Approach Using Bayes Classifiers in Wireless SensorNetworks中，作者利用朴素贝叶斯分类算法来进行异常值检测。文章中把读数的范围分为多块，把任一节点的当前读数、上一轮读数和其最近邻居的当前读数以及其上一轮的读数构造成一个贝叶斯网络。通过贝叶斯定理，计算节点当前读数落入各个区间的概率，找出最大概率的区间。若该读数属于这个区间，则为正常值，否则为异常值。然而该算法一般只适应于一维数据，当读数为多维数据，读数范围的分块数目会变得非常多，在进行分类过程中，需要计算读数落入这多个分块区间中，消耗的时间较多，容易出现时延性。

综上所述，现有技术存在的问题是：目前的无线传感器网络中事件检测方法中利用聚类算法时由于其分类所属类别不明确，容易把正常情况的读数判定为事件读数，此时算法检测性能较低；对单个节点的时间窗口内的读数进行聚类时，需一定的时间段才能判断出是否有事件发生，此时把检测结果发送到终端时，事件已经发生一段时间了，不能及时去处理该事件；而利用分类算法时，由于缺乏一定的事件特性，难以获得异常值的准确数据，由于分类算法的复杂度与维度关，当读数为多维数据时，其存在一定的时延性。

发明内容

针对现有技术存在的问题，本发明提供了一种无线传感器网络中的事件检测方法。

本发明是这样实现的，一种无线传感器网络中的事件检测方法，所述无线传感器网络中的事件检测方法利用节点读数的时间相关性，通过改进的低秩子空间聚类算法对节点时间窗口内的数据流聚类，对事件进行检测，并保存事件的数据特征。而后通过改进的随机森林分类算法，实时地对异常值分类，判断出该异常值是否为事件读数。

进一步，所述无线传感器网络中的事件检测方法包括以下步骤：

步骤一，对网络中的各个节点其保存长为24小时的时间窗口内的二维数据流进行低秩子空间聚类算法；

步骤二，对于聚类结果，观测两类间的均值的马氏距离是否小于阈值θ₁，若小于，则说明不存在异常值，时间窗口向右移动一格，返回步骤一进行下一时间点检测；否则节点存在异常值，其所在区域有事件发生，并把情况信息发送到终端，返回步骤一进行下一时间点检测，直到事件结束；

步骤三，节点把事件发生时的数据保存下来，并发送到所有网络节点中，保存起来作为训练集中的事件读数；

步骤四，在后面的事件检测中，各个节点时间窗口内的正常读数和前面保存的事件读数作为训练集，执行改进的随机森林分类算法；

步骤五，若新数据被判定为事件读数，把事件情况信息发送给终端，返回步骤四对下一时刻继续进行事件检测；否则，执行步骤六；

步骤六，获取其最近邻居的读数，进行比较，若两个读数差超过阈值θ₂，则说明至少一个节点存在异常值，返回执行步骤一；否则都为正常值，返回步骤四对下一时刻继续进行事件检测。

进一步，所述步骤一具体包括：

(a)对二维数据建立低秩表示模型：

这里为X为节点在该时间窗口内感测的读数，X的任一时刻x_i读数表示为所有其它数据的线性组合，因此有X＝XZ。由于实际中读数存在噪声的影响，因此有X＝XZ+E。

为核范数，其中，σ_i(Z)为Z的第i个奇异值，n为奇异值的个数。

用来度量噪声和奇异样本带来的误差，λ＞0。

用增广朗格朗日乘子法求解得到系数矩阵Z；

(b)构造无向赋权图G，图中顶点表示各个时刻的读数，各个顶点间的边的权重为该两个时间节点读数的相似度，利用系数矩阵Z计算出图的相似度矩阵W＝(|Z|+|Z^T|)/2；

(c)利用归一化分割算法对无向赋权图G上的顶点聚成两类。其两类集合为A、B。分类准则为：

Ncut(A,B)的值越小，说明对这个带权无向图的分割越好，也就是聚类越精确。

进一步，所述步骤四具体包括：

(1)用自助法重复有放回地在总训练集的正常读数中抽取三分之二个样本，把事件读数的所有数据也放进样本中，利用样本中的数据来进行训练决策树；

(2)利用样本中读数所有维度属性来构造决策树，在决策树根部开始，利用读数的任一属性，根据样本中的所有数据及其所属分类来确定分类边界，使决策树进行展枝，通过不断展枝直到各个树的叶子不能划分时结束决策树的构造；

(3)重复(1)-(2)，建立m棵决策树，形成一个随机森林；

(4)对节点新感测的数据进行分类，把数据代入各个决策树中，观测其落入决策树的叶子类别来分类，根据其被判定为事件读数的决策树棵数与总决策树数之比，定义为数据为事件读数的概率，若概率大于0.5，则判定其为事件读数；

(5)对训练样本中的数据进行更新，若新读数为正常值，则新读数替换时间最远的正常值读数，若新读数为事件读数，则新读数替换掉事件读数中的中值，用于下一次新数据的分类。

本发明的另一目的在于提供一种应用所述无线传感器网络中的事件检测方法的无线传感器网络中的事件检测方法。

本发明的优点及积极效果为：通过聚类算法和分类算法相结合，可以在缺乏训练集的情况下，能够快速准确地进行事件区域检测；而且检测算法需要的能耗低，较以往的算法节省了节点间信息交换的能量消耗，其只需在自身节点内执行聚类或分类算法，只有与最近邻居数据进行比较时才发送一次读数信息，以往的算法一般需要节点收集其所有邻居的信息或把信息发送到簇头，信息发送较多，消耗能量大；由于数据的维度越高，检测精度越高，而算法执行的时间较快，维度变高时，算法仍能快速执行，因此算法特别适用于多维数据。

本发明在聚类过程中，能够利用节点读数的空间相关性，辨别哪一类为异常值；在能够利用聚类算法检测到的事件读数作为训练数据，在后面的事件检测中执行分类算法，有效地解决了以往分类算法缺乏训练集的问题；改进的随机森林分类算法，比传统的随机森林算法提高了检测精度，下表为仿真时，与传统的随机森林比较，改进后的随机森林算法能百分百确定其为事件节点，而传统的随机森林算法不一定为百分百确定其为事件节点；改进的随机森林分类算法，算法运行时间快，分类方法简单可行，而且检测精度不亚于其他分类算法，由于事件特性和正常特性间有一定的差距，在构造随机森林的决策树时，各个属性的边界易于确定，对新数据进行分类时，不容易出现误判情况；通过聚类和分类算法的结合，能够对多种类的事件进行检测，当新类型的事件发生时，执行改进的随机森林分类算法后，不能判断该事件区域内的节点读数为事件读数。但事件区域内的节点与其最近邻居节点的读数存在一定的偏差，此时应该重新利用改进的低秩子空间聚类算法，判断是否有新类型事件产生。若检测到有新类型事件产生，则同样把该新事件数据存储下来，并发送到整个网络节点中。此时网络中节点内存储的数据为：近期的正常值、事件读数1、事件读数2。而后其作为数据训练集，进行改进的随机森林分类算法，判断新数据为三类中的哪一类。

节点	11	17	18	23	33	35	48	60
									改进前	0.6	1	0.9	0.9	1	0.9	0.6	0.9
改进后	1	1	1	1	1	1	1	1
									节点	69	73	96	100	106	107	108	116
改进前	0.9	1	0.6	1	0.6	1	1	0.6
									改进后	1	1	1	1	1	1	1	1
节点	146	180	184	187	192	198
									改进前	1	1	1	0.9	1	1
改进后	1	1	1	1	1	1

本发明的方法计算简单易于实现，运行速度快，检测过程中用于网络内节点通信的能量消耗低，其只需在自身节点内执行聚类或分类算法，只有与最近邻居数据进行比较时才发送一次读数信息，适用于大规模、多维度感测数、多事件种类的无线传感器网络。

附图说明

图1是本发明实施例提供的无线传感器网络中的事件检测方法流程图。

图2是本发明实施例提供的无线传感器网络中的事件检测方法实现流程图。

图3是本发明实施例提供的某节点在46时执行改进的低秩子空间聚类算法结果图。时间窗口内23～45时的读数被分为正常类，46时的读数被分为事件类，此时事件出现。

图4是本发明实施例提供的某节点在53时执行改进的低秩子空间聚类算法结果图。时间窗口内33～45时以及51～53时的读数被分为正常类，46～50时的读数被分为事件类，表示该事件在46时发生51时结束。

图5是本发明实施例提供的在某一时刻存在事件时的网络节点部署图。

图6是本发明实施例提供的各个节点执行改进的随机森林分类算法时事件区域与正常区域的感测温度值。

图7是本发明中各个节点执行改进的随机森林分类算法时事件区域与正常区域的感测湿度值。

图8是本发明实施例提供的各个节点执行改进的随机森林分类算法进行事件检测结果图。此时大圆圈内，即事件区域内的所有节点读数，经过分类算法后，都被判定为事件读数，而事件区域外的节点，都被判断为正常读数，没出现漏判和误判情况。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例提供的无线传感器网络中的事件检测方法包括以下步骤：

S101：利用节点读数的时间相关性，通过改进的低秩子空间聚类算法对节点时间窗口内的数据流聚类，对事件进行检测，并保存事件的数据特征；

S102：通过改进的随机森林分类算法，实时地对节点感测的读数分类，判断出该异常值是否为事件读数；若网络中出现新一类型的事件，则返回利用改进的低秩子空间聚类算法，进行新事件的检测，并保存新事件的数据特征，继续利用改进的随机森林分类算法实时地进行事件检测。

下面结合附图对本发明的应用原理作进一步的描述。

如图2所示，本发明实施例提供的无线传感器网络中的事件检测方法可用于环境监测的无线传感器网络中，例如网络部署在森林环境中，传感器感测到环境中的温度和湿度值，通过读数的反映监测该片森林是否有火灾或其他事件产生，具体步骤如下：

步骤1：对网络中的各个节点其保存长为24小时的时间窗口内的二维数据流进行低秩子空间聚类算法。

(1a)对二维数据建立低秩表示模型：

这里为X为节点在该时间窗口内感测的读数，X的任一时刻x_i读数表示为所有其它数据的线性组合，因此有X＝XZ。由于实际中读数存在噪声的影响，因此有X＝XZ+E。

为核范数，其中，σ_i(Z)为Z的第i个奇异值，n为奇异值的个数。

用来度量噪声和奇异样本带来的误差，λ＞0。

用增广朗格朗日乘子法求解得到系数矩阵Z；

(1b)构造无向赋权图G，图中顶点表示各个时刻的读数，各个顶点间的边的权重为该两个时间节点读数的相似度，利用系数矩阵Z计算出图的相似度矩阵W＝(|Z|+|Z^T|)/2；

(1c)利用归一化分割算法对无向赋权图G上的顶点聚成两类。其两类集合为A、B。分类准则为：

Ncut(A,B)的值越小，说明对这个带权无向图的分割越好，也就是聚类越精确。

步骤2：对于聚类结果，观测两类间的均值的马氏距离是否小于阈值θ₁，若小于，则说明不存在异常值，时间窗口向右移动一格，返回步骤1进行下一时间点检测；否则节点存在异常值，其所在区域有事件发生，并把情况信息发送到终端，返回步骤1进行下一时间点检测，直到该事件结束。

步骤3：节点把事件发生时的数据保存下来，并发送到所有网络节点中，保存起来作为训练集中的事件读数。

步骤4：在后面的事件检测中，各个节点时间窗口内的正常读数和前面保存的事件读数作为训练集，执行改进的随机森林分类算法。

(4a)用自助法重复有放回地在总训练集的正常读数中抽取三分之二个样本，把事件读数的所有数据也放进样本中，利用样本中的数据来进行训练决策树；

(4b)利用样本中读数的温度和湿度属性来构造决策树，在决策树根部开始，利用读数的任一属性，根据样本中的所有数据及其所属分类来确定分类边界，使决策树进行展枝，通过不断展枝直到各个树的叶子不能划分时结束决策树的构造；

(4c)重复(4a)-(4c)，建立m棵决策树，形成一个随机森林；

(4d)对节点新感测的数据进行分类，把数据代入各个决策树中，观测其落入决策树的叶子类别来分类，根据其被判定为事件读数的决策树棵数与总决策树数之比，定义为数据为事件读数的概率，若概率大于0.5，则判定其为事件读数；

(4e)对训练样本中的数据进行更新，若新读数为正常值，则新读数替换时间最远的正常值读数，若新读数为事件读数，则新读数替换掉事件读数中的中值，用于下一次新数据的分类。

步骤5：若新数据被判定为事件读数，把事件情况信息发送给终端，返回步骤4对下一时刻继续进行事件检测；否则，执行步骤6。

步骤6：获取其最近邻居的读数，进行比较，若两个读数差超过阈值θ₂，则说明至少一个节点存在异常值，返回执行步骤1；否则都为正常值，返回步骤4对下一时刻继续进行事件检测。

下面结合仿真对本发明的应用效果作详细的描述。

1、仿真条件

有200个无线传感器节点均匀地部署在一个100×100的正方形区域中，用来监控该区域的环境温度和湿度。网络每一轮的周期为一小时，在每一轮周期中，节点感测其所在位置的温度和湿度值，并执行事件检测算法。各个节点的信息传输距离为20。节点的时间滑动窗口长度为L＝24。假设传感器节点不出现软件故障，其感测到的读数和算法的执行不会出错。

2、仿真内容

仿真1，在网络开始阶段，各个节点执行改进的低秩子空间聚类算法，即步骤1到步骤3。在图3中可以看出，某节点在网络运行时间为46小时时，通过聚类算法，能把事件窗口内的读数聚成两类，而且这两类均值的距离超过θ₁，说明在46时，节点感测到异常值，其所在区域温度升高，湿度降低，有事件发生，可能出现火灾情况。在图4可以看出，在后面的聚类算法检测中，可以对该事件进一步检测，直到51时，该事件才结束。检测到有事件产生的节点，把46时到50时的读数发送到整个网络中，并保存下来，作为训练数据。

仿真2，在存在训练数据时，各个节点利用改进的随机森林分类算法进行事件检测，在以坐标为(30,70)半径为20的区域，发生火灾，如图5所示。通过分类算法，各个节点把其感测到的读数分类，判断其是否属于事件读数，结果如图6-图8所示。在图8中可以看出，发生事件的区域内的传感器节点感测到的读数都被判断为事件读数，其节点可以把事件检测结果发送到终端，并更新网络节点存储的训练集。

符号说明：

WSNs:Wireless SensorNetworks无线传感器网络。

X:节点感测到的读数。

||.||_*:核范数。

||.||_2,1:2,1范数。

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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种无线传感器网络中的事件检测方法，其特征在于，所述无线传感器网络中的事件检测方法利用节点读数的时间相关性，通过改进的低秩子空间聚类算法对节点时间窗口内的数据流聚类，对事件进行检测，并保存事件的数据特征；通过改进的随机森林分类算法，实时地对异常值分类，判断出该异常值是否为事件读数；

所述无线传感器网络中的事件检测方法包括以下步骤：

步骤一，对网络中的各个节点其保存长为24小时的时间窗口内的二维数据流进行低秩子空间聚类算法；

步骤二，对于聚类结果，观测两类间的均值的马氏距离是否小于阈值θ₁，若小于，则说明不存在异常值，时间窗口向右移动一格，返回步骤一进行下一时间点检测；否则节点存在异常值，其所在区域有事件发生，并把情况信息发送到终端，返回步骤一进行下一时间点检测，直到事件结束；

步骤三，节点把事件发生时的数据保存下来，并发送到所有网络节点中，保存起来作为训练集中的事件读数；

步骤四，在后面的事件检测中，各个节点时间窗口内的正常读数和前面保存的事件读数作为训练集，执行改进的随机森林分类算法；

步骤五，若新数据被判定为事件读数，把事件情况信息发送给终端，返回步骤四对下一时刻继续进行事件检测；否则，执行步骤六；

步骤六，获取其最近邻居的读数，进行比较，若两个读数差超过阈值θ₂，则说明至少一个节点存在异常值，返回执行步骤一；否则都为正常值，返回步骤四对下一时刻继续进行事件检测。

2.如权利要求1所述的无线传感器网络中的事件检测方法，其特征在于，所述步骤一具体包括：

(a)对二维数据建立低秩表示模型：

这里为X为节点在该时间窗口内感测的读数，X的任一时刻x_i读数表示为所有其它数据的线性组合，因此有X＝XZ；由于实际中读数存在噪声的影响，因此有X＝XZ+E；

为核范数，其中，σ_i(Z)为Z的第i个奇异值，n为奇异值的个数；

用来度量噪声和奇异样本带来的误差，λ＞0；

用增广朗格朗日乘子法求解得到系数矩阵Z；

式中，Z表示用数据集本身来表示数据时的系数矩阵；E表示用来度量噪声和奇异样本带来的总误差；λ＞0表示误差待定系数，即朗格朗日乘子；E_i，j表示第i个节点的第j个属性样本因为噪声和奇异性带来的误差；

(b)构造无向赋权图G，图中顶点表示各个时刻的读数，各个顶点间的边的权重为该两个时间节点读数的相似度，利用系数矩阵Z计算出图的相似度矩阵W＝(|Z|+|Z^T|)/2；

(c)利用归一化分割算法对无向赋权图G上的顶点聚成两类，其两类集合为A、B，分类准则为：

式中，V表示整个图G的节点集；W(u,t)表示图的节点u和节点t之间边的权重；

Ncut(A,B)的值越小，说明对这个带权无向图的分割越好，也就是聚类越精确。

3.如权利要求1所述的无线传感器网络中的事件检测方法，其特征在于，所述步骤四具体包括：

(1)用自助法重复有放回地在总训练集的正常读数中抽取三分之二个样本，把事件读数的所有数据也放进样本中，利用样本中的数据来进行训练决策树；

(2)利用样本中读数所有维度属性来构造决策树，在决策树根部开始，利用读数的任一属性，根据样本中的所有数据及其所属分类来确定分类边界，使决策树进行展枝，通过不断展枝直到各个树的叶子不能划分时结束决策树的构造；

(3)重复(1)-(2)，建立m棵决策树，形成一个随机森林；

(4)对节点新感测的数据进行分类，把数据代入各个决策树中，观测其落入决策树的叶子类别来分类，根据其被判定为事件读数的决策树棵数与总决策树数之比，定义为数据为事件读数的概率，若概率大于0.5，则判定其为事件读数；

(5)对训练样本中的数据进行更新，若新读数为正常值，则新读数替换时间最远的正常值读数，若新读数为事件读数，则新读数替换掉事件读数中的中值，用于下一次新数据的分类。

4.一种应用权利要求1～3任意一项所述无线传感器网络中的事件检测方法的无线传感器网络中的事件检测方法。

Images