CN109032918A - 一种基于异常任务函数轨迹的感知节点程序异常诊断方法 - Google Patents

Abstract

本发明公开了一种基于异常任务函数轨迹的感知节点程序异常诊断方法，该方法只对异常任务调用的未被内联的函数进行检测，统计这些函数的调用情况，对函数调用的日志记录进行了缩减，这样既能去除冗余信息对诊断的干扰，同时也实现了快速提取有用信息，提高了算法效率，减少了分析开销。

Description

一种基于异常任务函数轨迹的感知节点程序异常诊断方法

技术领域

本发明涉及无线传感器网络技术领域，特别涉及一种基于异常任务函数轨迹的感知节点程序异常诊断方法。

背景技术

近年来，无线传感器网络的应用越来越广泛，使得其网络结构越来越复杂、功能越来越完善、自动化程度也越来越高，促进了智能交通系统的快速发展。然而，由于交通系统本身是一个信息量大，动态性强的复杂巨系统，使得无线传感器网络在应用中受到各种无法避免的因素影响且应用环境复杂恶劣，导致无线传感网络在运行过程中可能出现环境干扰、硬件失效和软件失效等问题。这些问题不仅会影响网络性能，同时也会导致节点出现不可预知的异常，造成严重损失甚至网络瘫痪。同时，无线传感器网络功能上的完备及网络结构越来越复杂对无线传感器网络故障诊断提出了更高的要求。

传感器网络故障大致可以分为三类：应用故障、网络故障和节点故障[4]。应用故障可能的表现方式有感知数据缺失、检测延时较长和生命周期过短等；而链路失效、数据包丢失、网络拥塞、路由环路和网络断裂则属于网络故障范畴；节点故障包括重启、损毁、硬件故障、无响应、能量过早耗尽、传感器读数故障和错误软件行为。准确有效的故障诊断方法能够及时对各种异常状态做出诊断、预防和修复，提高传感器网络运行的可靠性、安全性和有效性，保障传感器网络的功能完备和长期有效运行。

异常定义为一种与期望的正常行为不符的模式。因此，对于异常行为，一种最直接有效的检测方法是定义一个表示正常行为的范围或相关特征，则观测数据中不属于正常范围或不具备正常情况下的相关特征的数据便可以确定为异常数据。然而，无线传感器网络异常诊断的实现的困难之处并不是判断数据是否属于正常范围以及数据是否具备正常数据的相关特征，最为重要且难以实现的是确定正常范围和获得正常情况下的相关特征。异常诊断领域学者在确定正常行为模式方面需要克服诸多挑战，主要包括：

(1)难以定义一个包含所有可能的正常行为的范围。

(2)一些来自恶意攻击者的异常借助正常模式的表现形式而使得对其的识别变得困难。

(3)信息技术及无线电技术等先进技术的发展使得无线传感器也逐渐被应用到新的领域，而现有的异常定义并不适合新的应用领域的异常检测。

(4)不能用一个确定的异常定义去界定不同的应用领域中的异常。

(5)难以获得准确、具有代表性的训练数据集和验证数据集。

发明内容

针对现有技术中存在的问题，本发明的目的在于，提供一种基于异常任务函数轨迹的感知节点程序异常诊断方法，该方法能够获取感知节点中的源代码中的异常的代码块。

为了实现上述目的，本发明采用如下技术方案：

一种基于异常任务函数轨迹的感知节点程序异常诊断方法，该方法用于获取感知节点中的源代码中的异常的代码块，包括以下步骤：

步骤1，分别获取在异常执行情况下和正常执行情况下的所有异常任务的关联函数调用记录，分别记为异常任务关联函数调用记录和正常任务关联函数调用记录；

步骤2，分别基于异常任务关联函数调用记录和正常任务关联函数调用记录，利用函数调用频数模型构建方法，构建每个异常任务对应的异常函数调用频数模型和正常函数调用频数模型；

步骤3，对每个异常任务，提取该异常任务对应的正常函数调用频数模型中的每个函数在每次执行过程中的执行频数，多次执行过程中的所有执行频数形成该函数对应的正常函数调用频数向量；提取该异常任务对应的异常函数调用频数模型中的每个函数在每次执行过程中的执行频数，多次执行过程中的所有执行频数形成该函数对应的异常函数调用频数向量；

步骤4，对每个异常任务对应的每个函数的正常函数调用频数向量和异常函数调用频数向量进行双样本T检验，输出该函数为异常函数还是正常函数。

步骤5，求每个异常任务中的每个异常函数在正常执行情况下执行频数的均值，求每个异常任务中的每个异常函数在异常执行情况下执行频数的均值；若两个均值不相等，则查看源代码中该异常函数的多个相关函数的代码块，判断代码块中的控制流信息及数据流信息是否存在错误，若存在错误，则该相关函数的代码块出现异常，否则该相关函数的代码块不存在异常；即可得到源代码中存在异常的代码块。

具体地，所述的步骤2中的函数调用频数模型构建方法，包括以下步骤：

根据异常任务关联函数调用记录统计单个异常任务在单次执行过程中调用的每个函数的执行频数，构成该异常任务在该次执行过程中的单次函数调用频数向量，该单个异常任务在多次执行过程中得到的所有单次函数调用频数向量构成该异常任务关联函数调用记录；

根据正常任务关联函数调用记录统计单个异常任务在单次执行过程中调用的每个函数的执行频数，构成该异常任务在该次执行过程中的单次函数调用频数向量，该单个异常任务在多次执行过程中得到的所有单次函数调用频数向量构成该正常任务关联函数调用记录。

与现有技术相比，本发明具有以下技术效果：

本发明只对应用程序中异常任务调用的未被内联的函数进行检测，统计这些函数的调用情况，对函数调用的日志记录进行了缩减，这样既能去除冗余信息对诊断的干扰，同时也实现了快速提取有用信息，提高了算法效率，减少了分析开销。通过对任务建立正常执行与异常执行时的函数调用模型，对两种情形的两种模型中的每个函数计数器对应的调用序列进行假设检验，确定异常执行的函数。同时进一步分析异常函数的异常执行特征，如调用变化情况、每任务的平均执行次数及调用次数的方差，以诊断报告的形式展现给用户，为用户提供尽量相近的有用信息。

下面结合附图和具体实施方式对本发明的方案作进一步详细地解释和说明。

附图说明

图1为实施例中的网络拓扑图。

具体实施方式

本发明提供一种基于异常任务函数轨迹的感知节点程序异常诊断方法，该方法用于获取感知节点中的源代码中的异常的代码块，源代码在感知节点中运行，多个任务在源节点中运行，出现异常的任务记为异常任务。包括以下步骤：

步骤1，分别获取在异常执行情况下和正常执行情况下的所有异常任务的关联函数调用记录，分别记为异常任务关联函数调用记录和正常任务关联函数调用记录。所有异常任务的关联函数调用记录即为异常任务函数轨迹。

步骤2，分别基于异常任务关联函数调用记录和正常任务关联函数调用记录，利用函数调用频数模型构建方法，构建每个异常任务对应的异常函数调用频数模型和正常函数调用频数模型。

步骤3，对每个异常任务，提取该异常任务对应的正常函数调用频数模型中的每个函数在每次执行过程中的执行频数，多次执行过程中的所有执行频数形成该函数对应的正常函数调用频数向量；提取该异常任务对应的异常函数调用频数模型中的每个函数在每次执行过程中的执行频数，多次执行过程中的所有执行频数形成该函数对应的异常函数调用频数向量；

步骤4，对每个异常任务对应的每个函数的正常函数调用频数向量和异常函数调用频数向量进行双样本T检验，输出该函数为异常函数还是正常函数。

步骤5，求每个异常任务中的每个异常函数在正常执行情况下执行频数的均值，求每个异常任务中的每个异常函数在异常执行情况下执行频数的均值；若两个均值不相等，则查看源代码中该异常函数的多个相关函数的代码块，判断代码块中的控制流信息及数据流信息是否存在错误，若存在错误，则该相关函数的代码块出现异常，否则该相关函数的代码块不存在异常；即可得到源代码中存在异常的代码块。

具体地，步骤2中的函数调用频数模型构建方法，包括以下步骤：

根据异常任务关联函数调用记录统计单个异常任务在单次执行过程中调用的每个函数的执行频数，构成该异常任务在该次执行过程中的单次函数调用频数向量，该单个异常任务在多次执行过程中得到的所有单次函数调用频数向量构成该异常任务关联函数调用记录；

根据正常任务关联函数调用记录统计单个异常任务在单次执行过程中调用的每个函数的执行频数，构成该异常任务在该次执行过程中的单次函数调用频数向量，该单个异常任务在多次执行过程中得到的所有单次函数调用频数向量构成该正常任务关联函数调用记录。

实施例

实验由4个运行TestDissemination(TinyOS应用程序)的TelosB 节点组成，设置节点的通信半径为50米。

如图1所示为本实例的一个有系统缺陷的版本在正常执行时的节点网络拓扑图。其中1号节点为分发节点，定时向其子节点发送数据，2号节点直接与1号节点通信，且3号和4号节点只能通过2号节点实现与1号节点的通信。

为了测试2号节点在丢失分发节点后的执行行为，设计了两个测试用例，两个测试用例的仿真时间都为1小时。测试用例1是将故障代码修复后，在程序运行45min时删除1号节点，直到运行1小时后结束，在此，假定修复了缺陷代码后，程序可以保证正常运行。测试用例2则采用故障代码，同样在45min时删除1号节点，直到程序运行1小时后结束。实验使用COOJA模拟器对2号节点的运行时信息进行记录。

通过对TestDissemination应用程序日志文件中任务执行轨迹进行分析，利用基于OCSVM和T检验的异常任务检测算法获得该应用在运行过程中引起异常的异常任务0x000a。从异常任务出发，通过提取每个异常任务在每一次执行过程中其关联函数的调用情况，对每个任务建立函数调用频数模型，该模型由该任务在每次执行过程中其调用函数的执行次数序列构成，之后通过对每个任务在正常和异常执行时的函数调用频数模型进行T检验得到该任务的异常执行的函数，如表1所示为最后通过T检验得到的异常函数结果，任务0x000a的异常执行可能由所调用的异常函数导致。

表1任务0x000a调用的异常函数

当异常发生时，2号节点由于1号分发节点丢失持续执行任务。

独立的函数并不能反映异常任务的执行情况，需要将异常函数定位到任务关联函数调用图中，根据函数之间的调用关系并结合源代码分析任务异常执行的原因。从任务的函数调用关系图出发，定位异常函数在函数调用图中的位置，可以得到异常函数之间的关系。但由于任务关联函数数量很多，需要对任务的函数调用图按照化简规则进行化简，保留与异常函数相关的重要调用路径，减少了需要分析的函数数量，不仅降低了诊断的工作量，同时有助于用户快速定位异常信息。

当异常发生时，2号节点由于1号分发节点丢失持续执行任务 0x000a,而不再执行其他任务。对比两种用例情况下2号节点中各任务的执行情况，可以看到，当删除1号分发节点后，测试用例1的任务0x0009和0x000a在交替执行，而测试用例2在删除1号节点后，任务0x000a的执行频数急剧增加。

由此，我们进一步对任务0x000a关联的函数调用情况进行分析。通过提取测试用例1和测试用例2中任务0x000a的所有执行记录中的关联函数调用频数，分别对测试用例1和测试用例2建立正常和异常的任务0x000a的关联函数调用模型，利用T检验对任务0x000a关联的函数依次进行显著性检验，确定被异常调用的函数。通过对比任务0x000a在正常和异常情况下的异常调用函数的平均调用次数，可以发现任务0x000a的异常调用函数中只有函数 VirtualizeTimerC__0__fireTimers的调用次数在异常时明显增加，而其余异常函数的调用次数却明显减少。通过分析源代码可知，函数 VirtualizeTimerC__0__fireTimers在被调用时会抛出任务0x000a，由此推断出，由于函数的调用次数明显增多从而导致任务0x000a的执行次数也明显增多。而其余异常函数的调用次数减少是由于分发节点丢失而再发送更新数据信息，从而导致2号节点也不再进行数据更新操作。

更进一步地，通过对源代码的函数之间的调用路径进行追踪，可以看到异常函数VirtualizeTimerC__0__fireTimers在被调用时又会调用实现提交(post)任务0x000a功能的 VirtualizeTimerC__0__updateFromTimer__postTak函数，这个函数又会通过TinyOS调度器组件提交任务0x000a。通过分析源代码文件中任务0x000a的执行语句中的相关数据流信息及控制流信息，可知，由于底层定时器的代码缺陷导致在计算剩余时间时溢出而出现负值，引起任务0x000a在执行时不断调用函数 VirtualizeTimerC__0__fireTimers。正是由于这样的循环调用导致任务0x000a的执行频数急剧增加。

Claims (2)

1.一种基于异常任务函数轨迹的感知节点程序异常诊断方法，该方法用于获取感知节点中的源代码中的异常的代码块，其特征在于，包括以下步骤：

步骤1，分别获取在异常执行情况下和正常执行情况下的所有异常任务的关联函数调用记录，分别记为异常任务关联函数调用记录和正常任务关联函数调用记录；

步骤2，分别基于异常任务关联函数调用记录和正常任务关联函数调用记录，利用函数调用频数模型构建方法，构建每个异常任务对应的异常函数调用频数模型和正常函数调用频数模型；

步骤3，对每个异常任务，提取该异常任务对应的正常函数调用频数模型中的每个函数在每次执行过程中的执行频数，多次执行过程中的所有执行频数形成该函数对应的正常函数调用频数向量；提取该异常任务对应的异常函数调用频数模型中的每个函数在每次执行过程中的执行频数，多次执行过程中的所有执行频数形成该函数对应的异常函数调用频数向量；

步骤4，对每个异常任务对应的每个函数的正常函数调用频数向量和异常函数调用频数向量进行双样本T检验，输出该函数为异常函数还是正常函数。

步骤5，求每个异常任务中的每个异常函数在正常执行情况下执行频数的均值，求每个异常任务中的每个异常函数在异常执行情况下执行频数的均值；若两个均值不相等，则查看源代码中该异常函数的多个相关函数的代码块，判断代码块中的控制流信息及数据流信息是否存在错误，若存在错误，则该相关函数的代码块出现异常，否则该相关函数的代码块不存在异常；即可得到源代码中存在异常的代码块。

2.如权利要求1所述的基于异常任务函数轨迹的感知节点程序异常诊断方法，其特征在于，所述的步骤2中的函数调用频数模型构建方法，包括以下步骤：

根据异常任务关联函数调用记录统计单个异常任务在单次执行过程中调用的每个函数的执行频数，构成该异常任务在该次执行过程中的单次函数调用频数向量，该单个异常任务在多次执行过程中得到的所有单次函数调用频数向量构成该异常任务关联函数调用记录；

根据正常任务关联函数调用记录统计单个异常任务在单次执行过程中调用的每个函数的执行频数，构成该异常任务在该次执行过程中的单次函数调用频数向量，该单个异常任务在多次执行过程中得到的所有单次函数调用频数向量构成该正常任务关联函数调用记录。