CN109474474B - 基于泊松分布故障模型的无线传感器网络故障检测系统 - Google Patents
基于泊松分布故障模型的无线传感器网络故障检测系统 Download PDFInfo
- Publication number
- CN109474474B CN109474474B CN201811492153.7A CN201811492153A CN109474474B CN 109474474 B CN109474474 B CN 109474474B CN 201811492153 A CN201811492153 A CN 201811492153A CN 109474474 B CN109474474 B CN 109474474B
- Authority
- CN
- China
- Prior art keywords
- fault
- node
- probability
- unit
- faults
- 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
Images
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
-
- 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
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明属于无线传感器技术领域,具体涉及一种基于泊松分布故障模型的无线传感器网络故障检测系统。首先,根据无线传感器网络的故障特点通过概率论思想建立基于广义泊松分布的故障模型,根据模型计算故障发生的概率;其次,基于故障模型的检测策略触发机制,避免了故障容忍状态下的故障检测,有效地节省了节点能量和网络开销;然后,在触发故障检测策略的情况下,通过建立节点与邻居节点在不同时间对比监测值的结果矩阵,设定门限值,计算节点的故障状态。同时,建立故障状态设定规则,邻居节点之间的故障状态能相互影响。通过与邻居节点状态和信息对比,实现了节点的故障检测过程。
Description
技术领域
本发明属于无线传感器技术领域,具体涉及一种基于泊松分布故障模型的无线传感器网络故障检测系统。
背景技术
无线传感器网络是一种解决监测多样性环境(一般包括较远距离的地理环境、办公大楼、工业场所)而产生的计算平台。它由大量具有能量限制和通信限制的传感器节点组成,低消耗的节点常被选择应用在不可控或者比较险峻的环境中。传感器节点所处的恶劣环境导致了节点更大概率地发生故障,需要采取一种检测策略快速定位故障节点。目前无线传感器网络常用的故障检测方法有基于邻居节点数据比较的分布式检测方法,该方法利用选举机制进行本地化数据对比,同时结合邻居节点的可信度和数据对比结果进行本节点的检测决策实施过程。该方法的缺陷在于邻居节点需要进行多次通信获取准确的数据信息以达成选举一致的结论,大量的通信过程浪费了节点过多的能量。同时该方法不允许节点在获知传感数据和中间节点传输数据过程中有任何的错误发生,而大多数传感器节点都很难保证通信质量;还有基于节点能量的故障检测方法,利用节点能量是否充分作为事件来驱动,选取最少的邻居节点来最小化消息通信量,利用贝叶斯网络和奈曼皮尔逊检测方法对故障节点进行检测。但是上述方法都没有针对传感器网络的故障特点进行分析,且不是设计为故障容忍型的方法。同时,在对节点数据进行比较的过程中,没有考虑节点数据的不可靠性因素,容易导致检测方法不准确。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是:如何解决传感器网络节点发生故障时,针对网络故障特点决定是否进行故障检测,并快速定位故障节点的问题。
(二)技术方案
为解决现有技术问题,本发明提供一种基于泊松分布故障模型的无线传感器网络故障检测系统,所述系统包括:故障发生概率获取模块、检测策略触发模块、对比实施故障检测模块;其中,
所述故障发生概率获取模块用于基于故障模型计算故障发生概率;
所述检测策略触发模块用于基于故障发生概率触发检测策略;
所述对比实施故障检测模块用于基于邻居节点数据对比实施故障检测策略。
其中,所述故障发生概率获取模块包括:求和单元、第一概率计算单元、第二概率计算单元、概率推导单元;
所述求和单元用于通过对一定时间内的发生的故障个数进行求和:即一定时间内的故障总数为该时间段内单次故障次数中故障个数和的总和;
所述第一概率计算单元用于根据故障的到达满足泊松分布的特点计算一定时间发生一定故障次数的概率;
所述第二概率计算单元用于根据每次故障中故障个数的到达满足几何概率的特点计算出单次故障中发生一定故障个数的概率;
所述概率推导单元用于通过求和公式,推导出在一定时间段内到达一定故障个数的概率。
其中,所述检测策略触发模块包括:任务失败概率获取单元、失败概率判断单元;
所述任务失败概率获取单元用于根据泊松分布的故障模型计算任务执行失败的概率;
所述失败概率判断单元用于判断任务执行失败概率与门限值的关系:如果小于门限值则不需要触发故障检测方法,反之则需要对网络中的节点进行故障检测过程。
其中,所述对比实施故障检测模块包括:节点表建立单元、第一比对单元、第二比对单元、第三比对单元、状态传播单元;
所述节点表建立单元用于为某个节点建立邻居节点表,并初始化所有节点故障状态为故障;
所述第一比对单元用于将节点在一定时间段内多次与所有邻居节点数据的对比结果记录在矩阵列表中:如果两数据的差异小于第一门限值则认为单次匹配,否则单次不匹配;
所述第二比对单元用于计算节点与邻居节点多次对比中的匹配次数总和,当单次不匹配次数和小于某个第二门限值时认为与该邻居节点数据匹配,否则不匹配;
所述第三比对单元用于计算该节点与所有邻居节点匹配的个数,当个数大于第三门限值时,记录该节点的故障状态为正常,否则记录为故障;
所述状态传播单元用于将节点的故障状态发送给每个邻居节点进行状态传播:当某个邻居节点与为正常状态的该节点数据匹配时,则邻居节点的故障状态设为正常,同时该邻居节点再进行同样的状态传播。
(三)有益效果
本发明是在无线传感器网络在强干扰工作应用背景下,从解决检测节点故障出发,针对单个节点或者多个节点并发发生故障情况,建立基于广义泊松故障模型,并根据故障模型计算无线传感器网络通信任务的失败概率,根据网络的概率门限值决定是否触发故障检测策略。同时,根据一定时间内多次对比邻居节点数据方法对全网络节点实施故障检测方法。本发明简化了故障检测的复杂度,提高了检测的准确性,并保证了系统的性能和安全性。
附图说明
图1为基于邻居节点的故障检测流程图。
图2为本发明技术方案原理图。
具体实施方式
为使本发明的目的、内容、和优点更加清楚,下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。
为解决现有技术问题,本发明提供一种基于泊松分布故障模型的无线传感器网络故障检测系统,所述系统包括:故障发生概率获取模块、检测策略触发模块、对比实施故障检测模块;其中,
所述故障发生概率获取模块用于基于故障模型计算故障发生概率;
所述检测策略触发模块用于基于故障发生概率触发检测策略;
所述对比实施故障检测模块用于基于邻居节点数据对比实施故障检测策略。
其中,所述故障发生概率获取模块包括:求和单元、第一概率计算单元、第二概率计算单元、概率推导单元;
所述求和单元用于通过对一定时间内的发生的故障个数进行求和:即一定时间内的故障总数为该时间段内单次故障次数中故障个数和的总和;
所述第一概率计算单元用于根据故障的到达满足泊松分布的特点计算一定时间发生一定故障次数的概率;
所述第二概率计算单元用于根据每次故障中故障个数的到达满足几何概率的特点计算出单次故障中发生一定故障个数的概率;
所述概率推导单元用于通过求和公式,推导出在一定时间段内到达一定故障个数的概率。
其中,所述检测策略触发模块包括:任务失败概率获取单元、失败概率判断单元;
所述任务失败概率获取单元用于根据泊松分布的故障模型计算任务执行失败的概率;
所述失败概率判断单元用于判断任务执行失败概率与门限值的关系:如果小于门限值则不需要触发故障检测方法,反之则需要对网络中的节点进行故障检测过程。
其中,所述对比实施故障检测模块包括:节点表建立单元、第一比对单元、第二比对单元、第三比对单元、状态传播单元;
所述节点表建立单元用于为某个节点建立邻居节点表,并初始化所有节点故障状态为故障;
所述第一比对单元用于将节点在一定时间段内多次与所有邻居节点数据的对比结果记录在矩阵列表中:如果两数据的差异小于第一门限值则认为单次匹配,否则单次不匹配;
所述第二比对单元用于计算节点与邻居节点多次对比中的匹配次数总和,当单次不匹配次数和小于某个第二门限值时认为与该邻居节点数据匹配,否则不匹配;
所述第三比对单元用于计算该节点与所有邻居节点匹配的个数,当个数大于第三门限值时,记录该节点的故障状态为正常,否则记录为故障;
所述状态传播单元用于将节点的故障状态发送给每个邻居节点进行状态传播:当某个邻居节点与为正常状态的该节点数据匹配时,则邻居节点的故障状态设为正常,同时该邻居节点再进行同样的状态传播。
此外,本发明还提供一种基于泊松分布故障模型的无线传感器网络故障检测方法,如图2所示,所述方法包括如下步骤:
步骤1:基于故障模型计算故障发生概率;
在普通应用环境下,无线传感器网络的节点故障类型以单个故障为主,而在强干扰的环境下,譬如军事战场,高密度的电子线路环境等等,节点就会有可能发生连续性故障错误,这种被成为连续故障。故障持续的时间通常取决于节点所处强干扰环境的时间。两类故障从统计学角度来看都是随机的,且尤其在强干扰的环境下,故障在任何时间间隔内都是有可能是连续出现的。基于此特点,本步骤对无线传感器网络节点故障情况建立基于广义泊松分布的故障模型:即故障的到达基于泊松分布,但是每次到达的概率又以几何概率分布决定其故障持续发生的个数。
所述步骤1包括:
步骤11:通过对一定时间内的发生的故障个数进行求和:即一定时间内的故障总数为该时间段内单次故障次数中故障个数和的总和;
步骤12:根据故障的到达满足泊松分布的特点计算一定时间发生一定故障次数的概率;
步骤13:根据每次故障中故障个数的到达满足几何概率的特点计算出单次故障中发生一定故障个数的概率;
步骤14:通过求和公式,推导出在一定时间段内到达一定故障个数的概率。
步骤2:基于故障发生概率触发检测策略触发;
对于基于任务的无线传感器网络而言,任务失败则是最大执行时间内可以容忍的最大故障个数不能满足任务要求。最大执行时间和最大故障个数的设定因每次任务不同而改变。
所述步骤2包括:
步骤21:根据泊松分布的故障模型计算任务执行失败的概率;
步骤22:判断任务执行失败概率与门限值的关系:如果小于门限值则不需要触发故障检测方法,反之则需要对网络中的节点进行故障检测过程。
步骤3:基于邻居节点数据对比实施故障检测策略。
本步骤通过对比节点与邻居节点的值来设定节点的故障状态,同时考虑到节点通信的不可靠问题,为避免偶然性,在一定时间段内需要多次对比邻居节点数据才能准确获取节点的状态。
所述步骤3包括:
步骤31:为某个节点建立邻居节点表,并初始化所有节点故障状态为故障;
步骤32:将节点在一定时间段内多次与所有邻居节点数据的对比结果记录在矩阵列表中:如果两数据的差异小于第一门限值则认为单次匹配,否则单次不匹配;
步骤33:计算节点与邻居节点多次对比中的匹配次数总和,当单次不匹配次数和小于某个第二门限值时认为与该邻居节点数据匹配,否则不匹配;
步骤34:计算该节点与所有邻居节点匹配的个数,当个数大于第三门限值时,记录该节点的故障状态为正常,否则记录为故障;
步骤35:将节点的故障状态发送给每个邻居节点进行状态传播:当某个邻居节点与为正常状态的该节点数据匹配时,则邻居节点的故障状态设为正常,同时该邻居节点再进行同样的状态传播。
实施例1
本实施例提供一种基于泊松分布故障模型的无线传感器网络故障检测方法,其包括:
(1)基于泊松分布故障模型建立,根据本步骤可以对无线传感器网络的故障情况进行建模并计算发生故障的概率;
(2)基于故障模型的检测策略触发机制,由本步骤可以根据无线传感器网络中任务的执行情况决定是否触发检测策略,减少系统的通信开销;
(3)基于邻居节点数据对比的故障检测方法,根据本步骤可以将节点与邻居节点关系建成关系表,并允许在一定时间内的节点与其邻居节点的监测值对比结果集联合决定节点的故障状态。同时,设定故障状态设定规则,将其故障状态通知其邻居节点,并影响邻居节点状态。
其中,所述步骤(1)及步骤(2)实现了基于泊松分布故障模型下的故障策略触发判断过程。
其中,所述步骤(3)将节点与邻居节点的数据多次进行对比,综合其结果决定其故障状态,同时设定故障状态设定规则,邻居节点故障状态同时可由其状态影响修改,从而达到遍历检测全网节点故障状态的目的。
实施例2
为了解决在恶劣工作环境下无线传感器网络的故障诊断问题,本实施例采用基于泊松分布的故障模型推导出发生一定故障数的概率公式,然后根据概率公式计算无线传感器网络监测任务执行失败的概率。经过上述步骤,系统能根据设定的概率门限值决定是否触发检测策略,在此基础上本实施例进行了基于邻居节点数据对比的故障检测方法,将一段时间内节点与邻居数据多次对比的结果进行矩阵计算,最后得出节点的故障状态。下面对本实施例的内容作进一步描述。
1、基于故障模型计算故障发生概率
令F(t)为在时间t区间内的发送的故障总数,则表达为:
其中:
M(t)为在时间区间[0,t]内发生的故障次数,服从参数为λ的泊松分布即:
yi为在第i次故障中发生的故障个数,则:
③中u为随机变量,表示单次故障中可能发送个数的概率分布。u的概率分布以及参数λ、α的取值都取决于具体的无线传感器网络系统的实际观察情况。本处选取几何分布作为随机变量u的概率分布,即有:
P(u=k)=kp2qk-1,p=1-q ④
几何分布能够满足P(u=0)=0,因为u=0是不可能发生的,且当k→∞时,几何分布的极限形式即是一种相对重要的排队分布,使得问题便于求解。根据u的几何分布式,就可以求出单次故障发生个数yi的概率分布:
P(yi=k)=P(k|u)P(u)+P(k|1)P(1) ⑤
根据⑤⑥式,推导出:
将⑦代入①则推出F(t)的概率分布。
2、基于故障发生概率触发检测策略
假设在无线传感器网络中的某次通信任务R中,最坏的情况下最大的响应时间内可以容忍的故障个数为N,对于任务R,R失败的条件是该任务的最大响应时间内到达的故障数超过了N,则任务失败的概率由以下公式算出:
其中Tn为任务需要的最小完成时间,Kn标识任务T可以容忍的故障个数。
在无线传感器网络每次发布通信任务时,需要计算该任务失败的概率。设定网络失败概率的门限值为θ1(一般为0.5,可根据实际情况取值),我们设定PR(fail)<θ1,则不需要触发故障检测策略,可视为故障容忍状态;否则,触发故障检测策略。
3、基于邻居节点数据对比进行故障检测
假定无线传感器网络由G(V,E)表示,V表示网络中的节点集合,E表示两节点之间的连接边集合。对于任一节点vi,vi∈V,用Neb(vi)表示vi的邻居节点集合。Neb(vi)={vj,vi∈V,(vi,vj)∈E)。将(vi,vj)∈E中两节点之间的数据比较结果标志为Cij,如果两者的数据对比结果符合条件,则设置Cij为0,否则设为1。我们将值为0的Cij个数集合表示为|Cij|,可以推导出0≤|Cij|≤|Neb(vi)|。
每个节点vi维持一张邻居节点表,并包含其比较结果Cij。Fi表示节点的故障状态。根据如下规则判断Fi的值,设置门限值θ2(由实际网络值决定):
(1):对于节点vi,如果|Cij|≥θ2,则设定Fi为0;
(2):对于节点vi,假如它有个节点vj,满足Fj=0,Cij=Cji=0,则设定Fi为0;
上述规则能识别出一个故障节点,如果一个节点通过了故障检测过程,则它的状态会影响到邻居节点的状态鉴定。为解决偶然性问题,我们将时间参数被加入到节点的状态判断过程中。设定在节点vi收集数据过程中,vi与r个邻居节点(序列为v1,v2......vr)经过q次不同的数据对比。记每次次数为t1,t2......tq,表示为vi在tj次获得的测量值。满足1<j<q和r=|Neb(vm)|条件下,节点vm的与序列的比较结果可以表示为r×q的矩阵M=[mij]。如果与相比不匹配,即(δ的取值根据应用的不同而变化),则mij的值设为1。Cwi则由多次对比vm与vi的值决定,根据以下公式推导(参数θ3可根据q的值和节点和通信的可靠性决定):
通过(3)中所述方法,可以识别出一个节点的故障状态。根据上述的故障状态判断规则2,本节点的故障状态影响邻居节点的故障状态判定。具体算法流程图可参考附图1。
利用上述技术方案,采用上述操作步骤,本发明可以实现基于泊松分布故障模型的无线传感器网络中的故障检测,该方法已经经过了算法验证,并进行了仿真实验检验。结果表明,该方案可以很好得解决定位节点的故障问题,保证检测的准确性和节点的故障得到快速解决。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (3)
1.一种基于泊松分布故障模型的无线传感器网络故障检测系统,其特征在于,所述系统包括:故障发生概率获取模块、检测策略触发模块、对比实施故障检测模块;其中,
所述故障发生概率获取模块用于基于故障模型计算故障发生概率;
所述检测策略触发模块用于基于故障发生概率触发检测策略;
所述对比实施故障检测模块用于基于邻居节点数据对比实施故障检测策略;
所述对比实施故障检测模块包括:节点表建立单元、第一比对单元、第二比对单元、第三比对单元、状态传播单元;
所述节点表建立单元用于为某个节点建立邻居节点表,并初始化所有节点故障状态为故障;
所述第一比对单元用于将节点在一定时间段内多次与所有邻居节点数据的对比结果记录在矩阵列表中:如果两数据的差异小于第一门限值则认为单次匹配,否则单次不匹配;
所述第二比对单元用于计算节点与邻居节点多次对比中的匹配次数总和,当单次不匹配次数和小于某个第二门限值时认为与该邻居节点数据匹配,否则不匹配;
所述第三比对单元用于计算该节点与所有邻居节点匹配的个数,当个数大于第三门限值时,记录该节点的故障状态为正常,否则记录为故障;
所述状态传播单元用于将节点的故障状态发送给每个邻居节点进行状态传播:当某个邻居节点与为正常状态的该节点数据匹配时,则邻居节点的故障状态设为正常,同时该邻居节点再进行同样的状态传播。
2.如权利要求1所述的基于泊松分布故障模型的无线传感器网络故障检测系统,其特征在于,所述故障发生概率获取模块包括:求和单元、第一概率计算单元、第二概率计算单元、概率推导单元;
所述求和单元用于通过对一定时间内的发生的故障个数进行求和:即一定时间内的故障总数为该时间段内单次故障次数中故障个数和的总和;
所述第一概率计算单元用于根据故障的到达满足泊松分布的特点计算一定时间发生一定故障次数的概率;
所述第二概率计算单元用于根据每次故障中故障个数的到达满足几何概率的特点计算出单次故障中发生一定故障个数的概率;
所述概率推导单元用于通过求和公式,推导出在一定时间段内到达一定故障个数的概率。
3.如权利要求2所述的基于泊松分布故障模型的无线传感器网络故障检测系统,其特征在于,所述检测策略触发模块包括:任务失败概率获取单元、失败概率判断单元;
所述任务失败概率获取单元用于根据泊松分布的故障模型计算任务执行失败的概率;
所述失败概率判断单元用于判断任务执行失败概率与门限值的关系:如果小于门限值则不需要触发故障检测方法,反之则需要对网络中的节点进行故障检测过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811492153.7A CN109474474B (zh) | 2018-12-07 | 2018-12-07 | 基于泊松分布故障模型的无线传感器网络故障检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811492153.7A CN109474474B (zh) | 2018-12-07 | 2018-12-07 | 基于泊松分布故障模型的无线传感器网络故障检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109474474A CN109474474A (zh) | 2019-03-15 |
CN109474474B true CN109474474B (zh) | 2021-08-27 |
Family
ID=65676024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811492153.7A Active CN109474474B (zh) | 2018-12-07 | 2018-12-07 | 基于泊松分布故障模型的无线传感器网络故障检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109474474B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114599054B (zh) * | 2022-03-08 | 2023-10-13 | 北京百度网讯科技有限公司 | 一种设备异常检测方法、装置、电子设备、介质及产品 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102572908A (zh) * | 2012-02-20 | 2012-07-11 | 南京邮电大学 | 一种分布式无线传感网络节点故障检测方法 |
CN105589795A (zh) * | 2014-12-31 | 2016-05-18 | 中国银联股份有限公司 | 基于预测模型的磁盘故障预测方法及装置 |
CN105721209A (zh) * | 2016-02-19 | 2016-06-29 | 国网河南省电力公司信息通信公司 | 一种有噪网络的故障检测方法 |
-
2018
- 2018-12-07 CN CN201811492153.7A patent/CN109474474B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102572908A (zh) * | 2012-02-20 | 2012-07-11 | 南京邮电大学 | 一种分布式无线传感网络节点故障检测方法 |
CN105589795A (zh) * | 2014-12-31 | 2016-05-18 | 中国银联股份有限公司 | 基于预测模型的磁盘故障预测方法及装置 |
CN105721209A (zh) * | 2016-02-19 | 2016-06-29 | 国网河南省电力公司信息通信公司 | 一种有噪网络的故障检测方法 |
Non-Patent Citations (1)
Title |
---|
基于邻居节点预状态的无线传感器网络故障诊断算法;马梦莹等;《计算机应用》;20180810;正文第2349-2351页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109474474A (zh) | 2019-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109495313B (zh) | 基于泊松分布故障模型的无线传感器网络故障检测方法 | |
CN105678337B (zh) | 一种智能变电站故障诊断中的信息融合方法 | |
CN107332691B (zh) | 一种无线传感器网络故障节点检测方法 | |
US10447561B2 (en) | BFD method and apparatus | |
CN112769869B (zh) | 一种基于贝叶斯攻击图的sdn网络安全预测方法及对应系统 | |
CN102547812B (zh) | 一种无线传感网络故障检测方法及事件检测方法 | |
Karthik et al. | Data trust model for event detection in wireless sensor networks using data correlation techniques | |
CN110018390B (zh) | 基于综合变权的分层模糊petri网电网故障诊断方法 | |
CN111060779B (zh) | 一种基于概率神经网络的电网分区故障诊断方法及系统 | |
CN112506207A (zh) | 一种巡检机器人及其路径规划方法 | |
Shi et al. | PDL: An efficient prediction-based false data injection attack detection and location in smart grid | |
CN109474474B (zh) | 基于泊松分布故障模型的无线传感器网络故障检测系统 | |
CN112052573A (zh) | 基于有限时间观测器的分布式故障识别方法 | |
CN108508458B (zh) | 基于机间测距的无人机gps定位故障检测与重构方法 | |
CN113590429A (zh) | 一种服务器故障诊断方法、装置及电子设备 | |
CN113242237B (zh) | 基于工业物联网的节点设备检测系统及其检测方法 | |
CN112882875B (zh) | 故障诊断方法 | |
Gokce et al. | Decision fusion from heterogeneous sensors in surveillance sensor systems | |
CN117763449A (zh) | 一种多源故障自主定位与分类方法 | |
CN111078503B (zh) | 一种异常监控方法及系统 | |
Chang et al. | A fuzzy knowledge based fault tolerance algorithm in wireless sensor networks | |
Wang et al. | Fault-tolerant decision fusion via collaborative sensor fault detection in wireless sensor networks | |
CN112437440A (zh) | 无线传感器网络中基于相关性理论的恶意共谋攻击抵抗方法 | |
Nakamura et al. | Towards a flexible event-detection model for wireless sensor networks | |
CN113962273A (zh) | 一种基于多指标的时间序列异常检测方法、系统及存储介质 |
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 |