CN107707417A - 基于子图处理的无线传感器网络异常节点检测与定位方法 - Google Patents
基于子图处理的无线传感器网络异常节点检测与定位方法 Download PDFInfo
- Publication number
- CN107707417A CN107707417A CN201711222093.2A CN201711222093A CN107707417A CN 107707417 A CN107707417 A CN 107707417A CN 201711222093 A CN201711222093 A CN 201711222093A CN 107707417 A CN107707417 A CN 107707417A
- Authority
- CN
- China
- Prior art keywords
- graph
- subgraph
- node
- sub
- abnormal
- 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
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
- H04L41/0677—Localisation of faults
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0805—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability
- H04L43/0817—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability by checking functioning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- 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)
- Environmental & Geological Engineering (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开一种基于子图处理的无线传感器网络异常节点检测与定位方法，基于局部子图处理和节点域‑图频域联合分析的思想筛选出局部异常子图的中心节点集合，通过筛选出的节点集合与局部子图的中心节点的匹配度来判断网络是否存在异常节点，同时定位无线传感器网络中的异常节点。本发明不仅能够判断网络是否异常，还可以定位网络中的异常节点，为实现无线传感器网络中异常节点检测和定位提供了简单有效的方法，其具有检测率高的特点，并能够为之后的修复工作提供帮助。
Description
技术领域
本发明涉及无线传感器网络技术领域，具体涉及一种基于子图处理的无线传感器网络异常节点检测与定位方法。
背景技术
伴随着无线通信和电子技术的快速发展，无线传感器网络已经广泛应用于环境监控、目标追踪、精细农业生产等多个重要领域。无线传感器网络是由数量众多的传感器节点构成的多跳网络，并且不同节点之间可以进行通信。人们将传感器网络中各个节点采集的数据汇聚到数据中心进行数据的处理和分析，为人类的生产生活提供帮助。但是由于网络中传感器节点的储能有限、监测的环境十分复杂、以及网络本身容易遭受外界攻击等原因，使得无线传感器网络十分容易出现异常，造成其中的部分节点出现异常，影响采集数据本身的真实性和稳定性。为了保证网络收集到高质量的数据，异常节点检测和定位是无线传感器技术中的重要步骤。
无线传感器网络异常节点是指在传感器网络中，由于其中的部分节点出现故障，导致采集的网络数据中存在偏离整体中其他数据的单个或多个数据，它往往不容易通过直接的数据观察而检测到，需要我们通过对采集到的网络数据进行处理，将异常数据从数据集合中筛选出来，从而检测和定位网络中的异常节点。由于异常节点检测工作在传感器网络的相关研究中具有重要的意义，已有学者提出了一些异常节点检测方法。其中基于统计学的方法是最早被提出的，该方法通过估计采集数据和统计模型的匹配程度，从而分离出采集数据中的异常数据。这种方法检测率较高，但是需要提前知晓数据集合的先验信息建立统计模型，而在许多的实际情况中，数据的统计模型较难建立。此外，聚类分析的方法也可用于异常检测，它是数据挖掘领域的一种常见方法。该方法将数据集合中的数据样本归类于多个簇，如果存在个别数据不能归于其中任意的一个簇，则被视为异常数据。这种方法的优势在于不需要数据的统计模型，就可以对当前采集的数据进行处理，但是该方法中簇的大小及个数较难确定。此外常见的网络异常检测方法还有基于分类和基于最近邻居的异常检测方法。然而目前学者们提出的异常检测方法大多是基于网络信号本身的时间关联性，针对基于网络拓扑结构的异常检测研究相对较少，其主要原因在于没有一种广泛适用的数学模型将网络信号和网络拓扑结构联系起来。近年来，随着图信号处理理论的逐步建立，大规模非规则信号处理成为新兴的研究领域，该理论将网络的拓扑结构和网络数据通过图信号模型关联在一起，为基于拓扑结构的网络异常检测工作提供了一种新的研究模型，如何利用大规模非规则信号处理的方法对传感器网络进行异常节点的检测和定位成为了很多学者研究的热点问题。
2014年，A.SANDRYHAILA和J.M.F.MOURA首先提出了基于图高通滤波处理的传感器网络异常节点检测方法。该检测的方法是采集的网络信号通过一个近似理想高通图滤波器得到输出信号，再根据输出信号的图频率判断的传感器网络是否异常，即网络中是否存有异常节点。该方法操作简便，异常检测率较高，但是该方法并不能找出异常节点，只是检测网络是否异常。
发明内容
本发明所要解决的是现在基于图信号处理的传感器网络异常节点检测方法检测率不高的问题，提供一种基于子图处理的无线传感器网络异常节点检测与定位方法。
为解决上述问题，本发明是通过以下技术方案实现的：
基于子图处理的无线传感器网络异常节点检测与定位方法，包括步骤如下：
步骤1、建立无线传感器网络的全局图信号模型，并将无线传感器网络中传感器节点采集的数据作为图信号中的节点信号，得到全局图信号矩阵；基于所建立的全局图信号模型和全局图信号矩阵，将无线传感器网络中的每一个传感器节点及其相邻的传感器节点视为一个子网络，得到每个子网络的子图信号模型和子图信号矩阵；
步骤2、将每个子图信号矩阵通过一个高通滤波器，得到子图高频图信号矩阵；
步骤3、通过图逆傅里叶变换，从每个子图高频图信号矩阵中筛选出该子图高频图信号矩阵在给定图频率上的子图信号分量矩阵；
步骤4、通过比较不同子图信号分量矩阵中每个节点的当前时刻的信号分量与历史时刻的信号分量的差别，筛选出在给定图频率上的异常子图，并建立异常子图中心节点集合；
步骤5、如果某个子图的所有节点均存在于异常子图中心节点集合中，则说明该子图的中心节点是定位出的异常节点。
上述步骤1中，全局图信号模型为G＝(V,E,W)，其中V表示全图的节点集合，E表示全图的边集合，W表示全图的权矩阵；同理，子图信号模型为其中表示第i个子图的节点集合，E表示第i个子图的边集合，W表示第i个子图的权矩阵，i＝1,2,…,N，N为无线传感器网络中传感器节点的数量。
上述步骤2中，高通滤波器采用的是图样条滤波器。
上述步骤4的具体子步骤如下：
步骤4.1、在每个子图i中，根据子图信号分量矩阵计算该子图的最小阈值和最大阈值并由此确定出该子图的正常区间
其中，Ni为第i个子图信号分量矩阵的节点数，Mi为第i个子图信号分量矩阵的时刻数，τ为给定的权值，为第i个子图的第j个节点在当前时刻的信号分量；为第i个子图的第j个节点在历史时刻的信号分量；
步骤4.2、判断每个子图i的子图信号分量矩阵中各个节点当前时刻的信号分量是否处于该子图的正常区间内，若子图i中存在至少一个节点的当前时刻的信号分量位于该正常区间之外，则将该子图i的中心节点放入异常子图中心节点集合中。
与现有技术相比，本发明基于局部子图处理和节点域-图频域联合分析的思想筛选出局部异常子图的中心节点集合，通过筛选出的节点集合与局部子图的中心节点的匹配度来判断网络是否存在异常节点，同时定位无线传感器网络中的异常节点。本发明不仅能够判断网络是否异常，还可以定位网络中的异常节点，为实现无线传感器网络中异常节点检测和定位提供了简单有效的方法，其具有检测率高的特点，并能够为之后的修复工作提供帮助。
附图说明
图1为基于子图处理的无线传感器网络异常节点检测与定位方法的流程图。
图2为子图图信号模型示意图。
图3为不同子图的图频谱示意图。
图4为实例1中采用的美国主要城市2003年某日平均气温网络图。
图5为实例2中采用的全球海平面部分测量站点某时刻的温度传感器网络图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实例，并参照附图，对本发明进一步详细说明。
一种基于子图处理的无线传感器网络异常节点检测与定位方法，如图1所示，其具体包括步骤如下：
步骤1：建立无线传感器网络的图信号模型G＝(V,E,W)，将网络中的节点采集的数据作为图信号中的节点信号，之后根据网络中各个节点之间的地理距离，构造网络的图信号模型中的拓扑结构，即图结构模型。建立好图信号模型的权矩阵W，度矩阵D和拉普拉斯矩阵L，以及全局图信号矩阵F。
建立传感器网络的图信号模型G＝(V,E,W),V＝{v1,v2,…,vN}是图中的节点的集合，即表示网络中各个传感器节点。边的集合用E＝{eij}表示,eij表示节点i和节点j之间有边相连接。我们将每个节点与周围地理距离最近的Q个节点相连构成边。W表示的是权矩阵，它是一个对称矩阵(wij＝wji)，如公式(1)所示。
在公式(1)中，当节点i和节点j之间有边连接，则aij＝aji＝1,反之则为0,distij表示节点i和节点j之间的欧式距离。我们使用非归一化的拉普拉斯矩阵。
L＝D-W (2)
在公式(2)中，D为度矩阵，它的第i个主对角线元素表示与节点i相连接的边的权重和,W和L分别表示图的权矩阵和拉普拉斯矩阵。图的拉普拉斯矩阵经过特征值分解，可以得到关于图拉普拉斯矩阵的特征值{λi}＝diag(Λ)(i＝1,2,…,N)和与特征值相对应的特征向量矩阵U＝{u1 u2 … un … uN}。
L＝UΛU-1 (3)
网络中节点数据在该模型中为图信号集合F＝{f1 f2 … fm … fM-1 fM}，它是一个N×M矩阵，其中列向量fm∈RN表示传感器网络中某一时刻各个节点的信号值,其中N为网络中传感器节点的个数。fm中的第i个元素fm(i)表示图中第i个节点的信号值，即第i个传感器节点测量的数据值。F中的第M列fM表示实时采集的信号集，即需要检测是否含有异常节点的信号集；而第1到第(M-1)列是历史信号。历史信号为K列(K＝M-1)，即采用了K个先前时刻的信号集作为历史数据。
在图信号处理中，图傅立叶变换是指图信号F＝{f1 f2 … fm … fM}在所对应的图拉普拉斯矩阵的特征向量上的投影，即
或表示为
其中，<a,b>表示向量a与向量b的内积。在图信号处理中，用图拉普拉斯矩阵的特征值λn代表图信号的不同图频率，un是特征值λn所对应的特征向量,是某一时刻的图信号fm在图频率λn上的频率分量。绝对值较大的特征值对应于图信号的相对高频部分，绝对值较小的特征值对应于相对低频部分。
步骤2：预处理。将全局图信号F通过一个高通滤波器H，得到输出信号FHF。
高通滤波器H采用的是图样条滤波器,可将图信号的高频成分可以筛选出来，而抑制低频成分。
FHF＝H·F (7)
但是当网络中的传感器节点数较多时，进行信号的整体图傅里叶变换的计算效率较低，所以我们对预处理之后的高频图信号进行局部处理。
步骤3：子图化处理。首先是基于子图处理的思想，建立各个子图的图信号模型(如图2)和子图的高频图信号之后是筛选出各个子图中特定频率分量的信号
首先将无线传感器网络中的每一个传感器节点(即中心传感器)和它的相邻节点(Adjacent Nodes)共同构成一个子图在子图模型中，表示第i个子图模型中节点的集合，是对应于第i个子图模型中边的集合。其中vi为第i个子图的中心节点子图中的边的连接关系与全局图保持一致。为所对应的权矩阵，通过选取全局图的权矩阵W中所对应位置的元素构成第i个子图的度矩阵和拉普拉斯矩阵分别是
在第i个子图中，子图信号是一个Ni×M的矩阵。通过子图傅立叶变换(公式(10)和(11))生成每一个子图的局部频率分量
是的特征向量矩阵,是的特征值矩阵。是第i个子图信号矩阵,是第i个子图信号对应的图频率分量矩阵，和均是一个Ni×M(i＝1,2,…,N)矩阵。
然后在各个子图中分别提取特定频率分量的子图信号，即将图信号集作特定频率的图逆傅立叶变换。和分别为第i个子图的图频率值和节点域中的信号值。根据公式(12)找出特定的图频率即特定的当前频率分量与历史频率分量差值最大的图频率。通过图逆傅里叶变换(公式(13))，将计算出子图信号在特定图频率上的图信号分量其中i＝1,2,…,N。
步骤4：阈值判断。通过比较不同子图中每一个节点的当前信号值与历史时刻的信号值的差别，筛选出异常子图，并且定位出异常子图的中心节点集合VA或VB，其中集合VA或VB的并集构成异常子图中心节点集合。
在每一个子图中，每一个节点的阈值是根据该节点的历史信号计算而得到的，如公式(14)和(15)所示。
当子图中存在至少一个节点的当前数据小于该节点的最小阈值或大于最大阈值时，则筛选出该子图的中心节点，记为VA或VB。
其中该步骤的具体方法分为两步，首先通过公式(14)和(15)计算出的第i个子图中每一个节点nj的阈值和之后在每一个子图中，将特定频率的输出信号中的当前时刻各节点信号与对应节点的阈值和进行比较(公式(16)和(17))，筛选出特定的子图中心节点集合VA和VB。
图3为不同子图的图频谱示意图，图中实线表示历史时刻信号，虚线表示当前(检测)时刻信号，(a)～(c)表示不在异常节点的子图的图频谱，(d)表示存在异常节点的子图的图频谱。
步骤5：匹配筛选。若第i个子图中的所有节点集合是VA或VB节点集合的子集，则说明第i个子图的中心节点是定位出的异常节点。
如公式(18)所示，若第i个子图中的所有节点集合是VA或VB节点集合的子集，则说明第i个子图的中心节点是定位出的异常节点。
当VAbnormal集合为空时，则说明传感器网络中无异常节点。反之当VAbnormal集合不为空时，则说明该时刻的传感器网络中存在异常节点，并且VAbnormal集合中包含的节点即为本发明设计的方法中所定位的网络中的异常节点。
下面通过2个具体仿真实例，对本发明的性能进行说明。
仿真实例1：
图4为实例1中采用的美国主要城市2003年某日平均气温网络图。实验的数据集合是2003年全年美国主要城市的日平均温度，该数据集一共采集了150个城市365天的日平均温度，数据集合中最小值为-17.8℉，最大值为104.3℉，平均值为43.25℉。网络中的节点数为150个，我们将其中的每个节点与地理距离最近的6个节点用边连接起来(Q＝6)，然后分别在四组不同异常情况下进行异常检测实验仿真。在第一和第二组中，每一次实验将其中一天的某一个传感器温度增加20℉或置为0℉，由于本发明需要四天的历史数据，两组仿真中当τ取不同值时，测试的次数均为54150次(150×361)，仿真结果如表1和表2所示。在第三和第四种情况中，我们分别随机设置异常时刻，并且将5个传感器温度均增加20℉或置为0℉。当τ取不同值时，均测试50000次，仿真结果分别如表3和表4所示。
表1美国主要城市温度网络中单个节点信号值异常增大情况下的检测指标
表2美国主要城市温度网络中单个节点信号值异常置零情况下的检测指标
表3美国主要城市温度网络中5个节点信号值异常增大情况下的检测指标
表4美国主要城市温度网络中5个节点信号值异常置零情况下的检测指标
仿真实例2：
图5为实例2中采用的全球海平面部分测量站点某时刻的温度传感器网络图。数据集合是全球部分海平面测量站点温度的数据集合，共有100个测量站点，1733个时刻的采集数据。数据集合的范围是从-0.01℃到30.72℃，数据的平均值为19.15℃。在每一种情况下，实验次数和异常设置均为50000次，但是增加的温度值是5℃。四种不同情况下的实验仿真结果分别记录在表5至表8中。
表5全球海平部分测量站点面网络中单个节点信号值异常增大情况下的检测指标
表6全球海平部分测量站点面网络中单个节点信号值异常置零情况下的检测指标
表7全球海平部分测量站点面网络中多个节点信号值异常增大情况下的检测指标
表8全球海平部分测量站点面网络中多个节点信号值异常置零情况下的检测指标
表5和表6表明，当网络中出现单个异常节点时，检测率均在99％以上，异常节点的定位率也保证在90％以上，而找出5个疑似异常节点的定位率均在78％以上。而表7和表8中列出了多节点异常的情况，检测均达99.9％，异常节点的定位率在两种不同情况下最高为98.7％和99.6％。同时每种情况下的虚警率都保证在5％以下。
在对相同的数据集进行实验仿真，同样采用遍历的方法将其中某一时刻的一个节点的温度值增加20，本发明与A.SANDRYHAILA和J.M.F.MOURA提出的基于图高通滤波处理的传感器网络异常节点检测方法相比，提高了异常节点的检测率检测出该时刻异常的检测率(基于图高通滤波处理的异常节点检测率为89％)，同时异常节点定位率较高。
需要说明的是，尽管以上本发明所述的实施例是说明性的，但这并非是对本发明的限制，因此本发明并不局限于上述具体实施方式中。在不脱离本发明原理的情况下，凡是本领域技术人员在本发明的启示下获得的其它实施方式，均视为在本发明的保护之内。
Claims (4)
1.基于子图处理的无线传感器网络异常节点检测与定位方法，其特征是，包括步骤如下：
步骤1、建立无线传感器网络的全局图信号模型，并将无线传感器网络中传感器节点采集的数据作为图信号中的节点信号，得到全局图信号矩阵；基于所建立的全局图信号模型和全局图信号矩阵，将无线传感器网络中的每一个传感器节点及其相邻的传感器节点视为一个子网络，得到每个子网络的子图信号模型和子图信号矩阵；
步骤2、将每个子图信号矩阵通过一个高通滤波器，得到子图高频图信号矩阵；
步骤3、通过图逆傅里叶变换，从每个子图高频图信号矩阵中筛选出该子图高频图信号矩阵在给定图频率上的子图信号分量矩阵；
步骤4、通过比较不同子图信号分量矩阵中每个节点的当前时刻的信号分量与历史时刻的信号分量的差别，筛选出在给定图频率上的异常子图，并建立异常子图中心节点集合；
步骤5、如果某个子图的所有节点均存在于异常子图中心节点集合中，则说明该子图的中心节点是定位出的异常节点。
2.根据权利要求1所述的基于子图处理的无线传感器网络异常节点检测与定位方法，步骤1中，全局图信号模型为G＝(V,E,W)，其中V表示全图的节点集合，E表示全图的边集合，W表示全图的权矩阵；同理，子图信号模型为其中表示第i个子图的节点集合，E表示第i个子图的边集合，W表示第i个子图的权矩阵，i＝1,2,L,N，N为无线传感器网络中传感器节点的数量。
3.根据权利要求1所述的基于子图处理的无线传感器网络异常节点检测与定位方法，其特征是，步骤2中，高通滤波器采用的是图样条滤波器。
4.根据权利要求1所述的基于子图处理的无线传感器网络异常节点检测与定位方法，其特征是，步骤4的具体子步骤如下：
步骤4.1、在每个子图i中，根据子图信号分量矩阵计算该子图的最小阈值和最大阈值并由此确定出该子图的正常区间
<mrow>
<msubsup>
<mi>&Theta;</mi>
<mi>min</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<msup>
<mi>n</mi>
<mi>j</mi>
</msup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mi>min</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<mo>&lsqb;</mo>
<msubsup>
<mi>f</mi>
<mrow>
<mi>s</mi>
<mi>u</mi>
<mi>b</mi>
<mo>-</mo>
<mi>o</mi>
<mi>u</mi>
<mi>t</mi>
<mo>,</mo>
<mi>M</mi>
</mrow>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<msup>
<mi>n</mi>
<mi>j</mi>
</msup>
<mo>)</mo>
</mrow>
<mi>&tau;</mi>
<mrow>
<mo>(</mo>
<munder>
<mi>max</mi>
<mrow>
<mi>q</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>M</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munder>
<msubsup>
<mi>f</mi>
<mrow>
<mi>s</mi>
<mi>u</mi>
<mi>b</mi>
<mo>-</mo>
<mi>o</mi>
<mi>u</mi>
<mi>t</mi>
<mo>,</mo>
<mi>q</mi>
</mrow>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>(</mo>
<msup>
<mi>n</mi>
<mi>j</mi>
</msup>
<mo>)</mo>
<mo>-</mo>
<munder>
<mi>min</mi>
<mrow>
<mi>q</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>M</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munder>
<msubsup>
<mi>f</mi>
<mrow>
<mi>s</mi>
<mi>u</mi>
<mi>b</mi>
<mo>-</mo>
<mi>o</mi>
<mi>u</mi>
<mi>t</mi>
<mo>,</mo>
<mi>q</mi>
</mrow>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>(</mo>
<msup>
<mi>n</mi>
<mi>j</mi>
</msup>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>,</mo>
</mrow>
<mrow>
<msubsup>
<mi>&Theta;</mi>
<mi>max</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<msup>
<mi>n</mi>
<mi>j</mi>
</msup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mi>min</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<mo>&lsqb;</mo>
<msubsup>
<mi>f</mi>
<mrow>
<mi>s</mi>
<mi>u</mi>
<mi>b</mi>
<mo>-</mo>
<mi>o</mi>
<mi>u</mi>
<mi>t</mi>
<mo>,</mo>
<mi>q</mi>
</mrow>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<msup>
<mi>n</mi>
<mi>j</mi>
</msup>
<mo>)</mo>
</mrow>
<mi>&tau;</mi>
<mrow>
<mo>(</mo>
<munder>
<mi>max</mi>
<mrow>
<mi>q</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>M</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munder>
<msubsup>
<mi>f</mi>
<mrow>
<mi>s</mi>
<mi>u</mi>
<mi>b</mi>
<mo>-</mo>
<mi>o</mi>
<mi>u</mi>
<mi>t</mi>
<mo>,</mo>
<mi>q</mi>
</mrow>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>(</mo>
<msup>
<mi>n</mi>
<mi>j</mi>
</msup>
<mo>)</mo>
<mo>-</mo>
<munder>
<mi>min</mi>
<mrow>
<mi>q</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>M</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munder>
<msubsup>
<mi>f</mi>
<mrow>
<mi>s</mi>
<mi>u</mi>
<mi>b</mi>
<mo>-</mo>
<mi>o</mi>
<mi>u</mi>
<mi>t</mi>
<mo>,</mo>
<mi>q</mi>
</mrow>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>(</mo>
<msup>
<mi>n</mi>
<mi>j</mi>
</msup>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>,</mo>
</mrow>
其中，Ni为第i个子图信号分量矩阵的节点数，Mi为第i个子图信号分量矩阵的时刻数，τ为给定的权值，为第i个子图的第j个节点在当前时刻的信号分量；为第i个子图的第j个节点在历史时刻的信号分量；
步骤4.2、判断每个子图i的子图信号分量矩阵中各个节点当前时刻的信号分量是否处于该子图的正常区间内，若子图i中存在至少一个节点的当前时刻的信号分量位于该正常区间之外，则将该子图i的中心节点放入异常子图中心节点集合中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711222093.2A CN107707417B (zh) | 2017-11-29 | 2017-11-29 | 基于子图处理的无线传感器网络异常节点检测与定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711222093.2A CN107707417B (zh) | 2017-11-29 | 2017-11-29 | 基于子图处理的无线传感器网络异常节点检测与定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107707417A true CN107707417A (zh) | 2018-02-16 |
| CN107707417B CN107707417B (zh) | 2020-08-07 |
Family
ID=61185552
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711222093.2A Active CN107707417B (zh) | 2017-11-29 | 2017-11-29 | 基于子图处理的无线传感器网络异常节点检测与定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107707417B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109031374A (zh) * | 2018-08-06 | 2018-12-18 | 北京理工大学 | 适用于连续运行参考站的差分伪距校正信号异常监测方法 |
| CN109634138A (zh) * | 2018-12-07 | 2019-04-16 | 桂林电子科技大学 | 基于图上信号粗化的多智能体系统一致性方法 |
| CN111405601A (zh) * | 2020-03-30 | 2020-07-10 | 桂林电子科技大学 | 一种基于双通道图滤波器的传感器故障检测与定位方法 |
| WO2021018228A1 (en) * | 2019-07-30 | 2021-02-04 | Huawei Technologies Co., Ltd. | Detection of adverserial attacks on graphs and graph subsets |
| CN112650968A (zh) * | 2020-11-18 | 2021-04-13 | 天津大学 | 一种多网络基于异常对齐模型的异常子图检测方法 |
| CN112800391A (zh) * | 2021-01-06 | 2021-05-14 | 深圳市康弘环保技术有限公司 | 智能自组网的数据分析方法、设备及存储介质 |
| CN113218433A (zh) * | 2021-03-31 | 2021-08-06 | 桂林电子科技大学 | 基于时变图信号处理的传感器故障检测及数据修复方法 |
| CN113709120A (zh) * | 2021-08-12 | 2021-11-26 | 李蓉 | 一种用于智慧金融的网络节点安全系统 |
| CN114779086A (zh) * | 2022-04-18 | 2022-07-22 | 天津大学 | 基于gsp的电动自行车电池异常检测方法 |
| CN116151511A (zh) * | 2023-03-01 | 2023-05-23 | 国网山东省电力公司菏泽供电公司 | 基于数据处理的配电馈线和台区智能诊断管理方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101251592A (zh) * | 2008-03-31 | 2008-08-27 | 中国科学院计算技术研究所 | 一种无线传感器网络的节点定位方法 |
| CN101251593A (zh) * | 2008-03-31 | 2008-08-27 | 中国科学院计算技术研究所 | 一种无线传感器网络的目标跟踪方法 |
| WO2012016337A1 (en) * | 2010-08-06 | 2012-02-09 | Simon Fraser University | System and method for self-calibrating, self-organizing and localizing sensors in wireless sensor networks |
| CN107343052A (zh) * | 2017-07-25 | 2017-11-10 | 苏州大学 | 一种wsn与rfid结合的物流监控系统 |
-
2017
- 2017-11-29 CN CN201711222093.2A patent/CN107707417B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101251592A (zh) * | 2008-03-31 | 2008-08-27 | 中国科学院计算技术研究所 | 一种无线传感器网络的节点定位方法 |
| CN101251593A (zh) * | 2008-03-31 | 2008-08-27 | 中国科学院计算技术研究所 | 一种无线传感器网络的目标跟踪方法 |
| WO2012016337A1 (en) * | 2010-08-06 | 2012-02-09 | Simon Fraser University | System and method for self-calibrating, self-organizing and localizing sensors in wireless sensor networks |
| CN107343052A (zh) * | 2017-07-25 | 2017-11-10 | 苏州大学 | 一种wsn与rfid结合的物流监控系统 |
Non-Patent Citations (2)
| Title |
|---|
| AYADI,HAYFA 等: "《A Machine Learning Methods: Outlier detection in WSN》", 《IEEE》 * |
| SHUKLA，DEEP SHIKHA 等: "《Outlier Detection: A Survey on Techniques of WSNs Involving Event and Error Based Outliers》", 《INTERNATIONAL CONFERENCE ON INNOVATIVE APPLICATIONS OF COMPUTATIONAL INTELLIGENCE ON POWER, ENERGY AND CONTROLS WITH THEIR》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109031374A (zh) * | 2018-08-06 | 2018-12-18 | 北京理工大学 | 适用于连续运行参考站的差分伪距校正信号异常监测方法 |
| CN109634138B (zh) * | 2018-12-07 | 2021-11-02 | 桂林电子科技大学 | 基于图上信号粗化的多智能体系统一致性方法 |
| CN109634138A (zh) * | 2018-12-07 | 2019-04-16 | 桂林电子科技大学 | 基于图上信号粗化的多智能体系统一致性方法 |
| WO2021018228A1 (en) * | 2019-07-30 | 2021-02-04 | Huawei Technologies Co., Ltd. | Detection of adverserial attacks on graphs and graph subsets |
| CN111405601B (zh) * | 2020-03-30 | 2022-04-05 | 桂林电子科技大学 | 一种基于双通道图滤波器的传感器故障检测与定位方法 |
| CN111405601A (zh) * | 2020-03-30 | 2020-07-10 | 桂林电子科技大学 | 一种基于双通道图滤波器的传感器故障检测与定位方法 |
| CN112650968A (zh) * | 2020-11-18 | 2021-04-13 | 天津大学 | 一种多网络基于异常对齐模型的异常子图检测方法 |
| CN112800391A (zh) * | 2021-01-06 | 2021-05-14 | 深圳市康弘环保技术有限公司 | 智能自组网的数据分析方法、设备及存储介质 |
| CN113218433A (zh) * | 2021-03-31 | 2021-08-06 | 桂林电子科技大学 | 基于时变图信号处理的传感器故障检测及数据修复方法 |
| CN113709120A (zh) * | 2021-08-12 | 2021-11-26 | 李蓉 | 一种用于智慧金融的网络节点安全系统 |
| CN114779086A (zh) * | 2022-04-18 | 2022-07-22 | 天津大学 | 基于gsp的电动自行车电池异常检测方法 |
| CN116151511A (zh) * | 2023-03-01 | 2023-05-23 | 国网山东省电力公司菏泽供电公司 | 基于数据处理的配电馈线和台区智能诊断管理方法及系统 |
| CN116151511B (zh) * | 2023-03-01 | 2023-10-20 | 国网山东省电力公司菏泽供电公司 | 一种基于数据处理的配电馈线和台区智能诊断管理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107707417B (zh) | 2020-08-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107707417B (zh) | 基于子图处理的无线传感器网络异常节点检测与定位方法 | |
| US20200142045A1 (en) | Fingerprint positioning method and system in smart classroom | |
| CN103323749B (zh) | 多分类器信息融合的局部放电诊断方法 | |
| Donges et al. | Complex networks in climate dynamics: Comparing linear and nonlinear network construction methods | |
| CN106792465A (zh) | 一种基于众包指纹的室内指纹地图构建方法 | |
| Bezdek et al. | Anomaly detection in environmental monitoring networks [application notes] | |
| CN103489191B (zh) | 一种遥感图像显著目标变化检测方法 | |
| CN106330624B (zh) | 一种电力信息网络流量异常检测方法 | |
| KR101937940B1 (ko) | 빅 데이터를 활용한 단계별 방범 cctv 위치 선정 방법 | |
| CN105488260B (zh) | 一种航空噪声识别及非航空噪声过滤方法 | |
| Wang et al. | Localization algorithm of wireless sensor network based on matrix reconstruction | |
| CN103700109B (zh) | 基于多目标优化moea/d和模糊聚类的sar图像变化检测方法 | |
| Nguyen et al. | Improved localization accuracy using machine learning: Predicting and refining RSS measurements | |
| CN115915226A (zh) | 一种基于残差比较的异常节点检测与迭代定位方法 | |
| Kawale et al. | Data Guided Discovery of Dynamic Climate Dipoles. | |
| Zhang et al. | Cooperative sensor anomaly detection using global information | |
| CN114205766A (zh) | 一种无线传感器网络异常节点检测与定位方法 | |
| Yin et al. | Clustering distributed time series in sensor networks | |
| CN110662220B (zh) | 基于时空相关性和信息熵的无线传感器网络异常检测方法 | |
| Wang et al. | Adaptive room-level localization system with crowd-sourced WiFi data | |
| CN116193425A (zh) | 一种基于感知分组的时间序列异常数据在线检测方法 | |
| Cipolla et al. | Identification of spatio-temporal outliers through minimum spanning tree | |
| CN115222196B (zh) | 一种山区道路网脆弱性评估与驱动力探测方法 | |
| Levine | Hot spot analysis of zones | |
| CN112073932A (zh) | 一种无线传感网络的网络数据异常检测与定位方法 |
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 |