CN112383921B - 一种基于异构分布式光纤传感器的在线外部入侵监测方法 - Google Patents
一种基于异构分布式光纤传感器的在线外部入侵监测方法 Download PDFInfo
- Publication number
- CN112383921B CN112383921B CN202010816520.5A CN202010816520A CN112383921B CN 112383921 B CN112383921 B CN 112383921B CN 202010816520 A CN202010816520 A CN 202010816520A CN 112383921 B CN112383921 B CN 112383921B
- Authority
- CN
- China
- Prior art keywords
- depth
- encoder
- local
- layer
- isolated forest
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000013307 optical fiber Substances 0.000 title claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 27
- 239000000126 substance Substances 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013468 resource allocation Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 230000009545 invasion Effects 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 21
- 238000001514 detection method Methods 0.000 description 9
- 238000002474 experimental method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 230000009194 climbing Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000003466 welding Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- 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)
- Alarm Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于异构分布式光纤传感器的在线外部入侵监测方法，属于数据驱动型故障诊断领域；包括如下步骤：(1)、设计一个LGSSN；通过局部分类器对各个传感器节点i的信号进行实时分类，获得局部分类结果；(2)、基于由深度自编码器和孤立森林构建的深度孤立森林算法设计局部分类器，刻画各个传感器节点i的局部特性；(3)、引入权值半分享策略简化LGSSN结构，并设计并行式计算框架；(4)基于贝叶斯推理设计GIM；并结合空间滑动窗口判断监测区域是否存在入侵及存在入侵时入侵的位置。本发明基于光纤振动信号，解决了高维样本极度不均衡条件下异构分布式传感器的智能入侵监测问题。
Description
技术领域
本发明属于数据驱动型故障诊断领域，尤其涉及基于异构分布式光纤传感器的在线入侵监测方法。
背景技术
随着互联网技术的不断深入发展，以互联网为基础扩展和延伸形成了新一代的网络技术即物联网；1999年在美国召开的移动计算机和网络国际会议上首次被提出，2005年在突尼斯举行的信息社会世界峰会上，国际电信联盟(ITU)发布了《ITU互联网报告2005：物联网》正式提出了物联网的概念。直到现在，物联网的应用广泛，遍及智能交通、环境保护、政府工作、公共安全、平安家居、智能消防、工业监测等多个领域。安防系统是物联网技术的一个重要应用。
社会公共安全中的一个重要部分是安全防范，在科学体系分类中，安全防范以及由安全防范引发的相关产业已经成为社会公共安全科学技术的一个分支。安全防范技术按照应用领域及学科专业可以细分为入侵探测与防盗报警技术、视频探测与视频监控技术、目标识别与控制技术、报警信息传输和控制技术等。在安防工程建设中，周界入侵方法技术中主要采用分布式传感器网络实现对安防区域的监控，主要应用的技术包括：红外入侵探测技术、脉冲电子围栏探测技术、光纤振动入侵探测技术、泄露电缆入侵探测技术、埋地电缆入侵探测技术、微波传感入侵探测技术。在这些技术中，光纤振动入侵探测技术通过光纤作为传感器件，结合无源光网络通信技术，构建多个防护区域联网安全报警系统。由于这种技术在防护感应区域及通信链路上都采用无源光纤器件，节点设备无需供电，是一种完全无源系统，具有高度安全可靠性，可以适应野外各种恶劣环境，具有较高的应用价值。
分布式光纤传感器(Distributed optical fiber sensors,DOFS)系统在理论上各个传感器节点的信号会表现出一定的差异，属于分布式异构传感器，受到光纤折射率和散射点数量不均匀分布及干涉衰落现象的影响。同时，由于受到制造工艺的影响，在大面积应用中光纤熔接、焊接等因素不可避免，进一步导致各个传感器节点的信号呈现出较大不一致，同时，在长距离监控中，光纤的承载物不同导致各个传感器节点对同一事件的响应出现差异，进而导致传感器异构问题。受到传感器异构的影响，各个节点采集到的数据分布表现出较大的差异，这导致采用传统的方法针对特定传感器节点建立的识别模型在长距离监控中会出现较大幅度的性能下降，严重制约着DOFS的工程应用。
由于DOFS存在异构问题，难以从理论上通过模型参数修正，基于数据驱动的方法成为了一个主要的解决途径。但是，在广泛的长距离监测应用中，目标样本的采集较为困难，无法通过实验来标定每一个传感器节点的局部特性；同时外部入侵的实验中只有少量的传感器节点会受到影响，这会导致采集到的数据存在严重的类分布不均衡问题，限制分类算法的精度。
发明内容
为解决上述现有技术在基于异构分布式光纤传感器在线入侵监测应用中由异构信号引起的性能退化、由需要大量标注数据引起的工程可行性不高问题，本发明提供了一种基于异构分布式光纤传感器的在线入侵监测方法。
本发明的技术方案是：一种基于异构分布式光纤传感器的在线外部入侵监测方法，包括如下步骤：
步骤(1.1)、设计一个分布式半分享集成监测网络；通过局部分类器对分布式半分享集成监测网络中各个传感器节点i的信号进行实时分类，获得局部分类结果；
设计分布式半分享集成监测网络的具体操作步骤如下：
(1.1.1)、利用传感器节点i的离线数据集Xi，基于深度孤立森林设计局部分类器；
(1.1.2)、基于权值半分享策略对局部分类器进行集成；
步骤(1.2)、基于结合深度自编码器和孤立森林的深度孤立森林算法构建局部分类器，刻画各个传感器节点i的局部特性；
基于深度孤立森林算法所设计的局部分类器具体包含如下步骤：
(1.2.1)、基于传感器节点i的离线数据集Xi，设计jmax层的深度自编码器；
(1.2.2)、基于jmax层深度自编码器的编码输出
训练孤立森林Φi；
其中，所述深度自编码器的具体操作步骤包括如下：
输入：传感器节点i的离线数据集Xi；深度自编码器的最大深度jmax层；
(1.2.1.1)、初始化参数：设深度自编码器逐层训练过程中的实时层数j＝1，深度自编码器第一层的输入Ii,1＝Xi；
(1.2.1.2)、基于l2范式构造第j层深度自编码器的损失函数：
min‖Ii,j-Dj(Ej(Ii,j))‖2 (1)
其中，Dj表示第j层深度自编码器的解码权重，Ej表示第j层深度自编码器的编码权重，Ii,j表示第j层深度自编码器的输入；
(1.2.1.3)、基于Adam算法优化公式(1)；
(1.2.1.4)、计算下一层的输入Ii,j+1：
Ii,j+1＝Ej(Ii,j) (2)
(1.2.1.5)、j＝j+1；
(1.2.1.6)、当j≤jmax时，重复执行步骤(1.2.1.2)-(1.2.1.5)；当j>jmax时，执行步骤(1.2.1.7)；
(1.2.1.7)、基于l2范式构造深度自编码器全局损失函数：
(1.2.1.8)、基于Adam算法优化公式(3)，得到最优编码权重
(1.2.1.9)、根据(1.2.1.8)中所得到的最优编码权重，计算深度自编码器的编码输出
所述孤立森林Φi的具体操作步骤包括如下：
离线训练：
输入：传感器节点i的编码输出
孤立森林Φi深度nestimator；最大样本数量ms；
(1.2.2.1)、从编码样本集
中随机取出ms个样本训练一个二叉树，
(1.2.2.2)、重复步骤(1.2.2.1)直到二叉树数量达到nestimator；
输出：孤立森林模型Φi；
在线分类：
输入：实时样本x(i,t)的编码值
(1.2.2.3)、对于孤立森林Φi中的每一个二叉树，计算编码值
达到叶子节点所需要经过的路径长度
(1.2.2.4)、计算异常分数
其中，
表示
的平均值；c(nestimator)表示一个标准化常数，通过
计算；其中H(x)表示一个调和数，通过ln(x)+0.5772156649得出；
(1.2.2.5)、设定阈值Tc则孤立森林的输出表示：
输出：二值化的异常分类结果ci,t；
步骤(1.3)、引入权值半分享策略简化分布式半分享集成监测网络的结构，并设计并行式计算框架；
所设计的权值半分享策略通过在传感器节点间共享深度自编码器的权重以简化模型参数，并行式计算框架利用多线程分配二叉树的计算任务到各个CPU或GPU，包括如下步骤：
离线训练：
输入：各个传感器节点i的离线数据集Xi；深度自编码器的最大深度jmax；孤立森林Φi深度nestimator；最大样本数量ms；
(1.3.1)、步骤(1.2.1)中基于离线数据集Xi训练一个深度自编码器；
(1.3.2)、利用所获得的深度自编码器对离线数据集Xi进行编码得得到离线数据集的编码集
(1.3.3)、分配每个CPU或GPU所需要训练的局部分类器数量，并基于离线数据集的编码集
训练得到各个传感器节点i的局部孤立森林Φi；
在线预测：
(1.3.4)、基于batch-testing方法对批量实时样本x(i,t)进行编码，得到编码值
(1.3.5)、根据(1.3.3)中的计算资源分配，计算编码值
所对应的局部分类结果ci,t；
步骤(1.4)、基于贝叶斯推理设计全局监测器，结合空间滑动窗口判断监测区域是否存在入侵及存在入侵时入侵的位置；
基于贝叶斯推理设计全局监测器包括如下步骤：
输入：空间滑动窗口长度ws；先验概率
其中N和
分别表示正常状态和入侵状态；
(1.4.1)、集成局部分类表达Z(i,t):
(1.4.2)、计算入侵状态的后验概率
其中，
通过下式得到：
其中，
表示对应传感器节点的分类性能评价指标；在有正负样本的测试中表示敏感度和召回率，在仅有负样本的条件下用准确率及1-准确率代替；所述P(z∈Z(i,t))通过全概率公式得到：
其中，
和P(z∈Z(i,t)|N)通过式(9)及其变体得到；
(1.4.3)、设定阈值TP；当后验概率
大于TP时，则存在入侵，入侵地点为(i+ws-1)/2；否则为正常状态。
本发明的有益效果：1、采用LGSSN对异构分布式传感器进行分类，通过对每个采样点专门设计局部分类器，有效解决了全分享网络在应用中由传感器异构导致的性能退化问题；2、利用深度孤立森林构建局部分类器可以避免使用大量的标注数据，仅需要一定量的正常状态下的样本即可训练局部分类器，有利于广泛的长距离监测部署；3、深度孤立森林利用深度自编码器对原始高维数据进行编码，实现对高维数据的降维表征，可以提高局部分类器的分类性能；4、在LGSSN的设计中引入权值半分享策略，可以有效降低网络中的参数数量，简化网络结构；5、LGSSN中的局部分类器之间信息独立，可以通过并行计算架构实现分布式训练及在线监测，提高网络处理速度；6、本方法通过软件算法完成，数据来源为分布式光纤振动信号，保证了算法的灵活性和低成本优势；7、本方法能够直接用于外部入侵行为的在线监测与定位。
附图说明
图1是本发明的结构流程图；
图2是本发明中深度孤立森林的模型示意图；
图3是本发明中LGSSN实地监测效果图；
图4是本发明中局部分类器性能关于最大样本数和孤立森林深度的优化过程图；
图5是本发明中局部分类器重构误差与深度自编码器深度和隐含层维数的关系图。
具体实施方式
为了更清楚地说明本发明的技术方案，下面结合附图对本发明的技术方案做进一步的详细说明：
如图1-5所述；一种基于异构分布式光纤传感器的在线外部入侵监测方法；包括如下步骤：
步骤(1.1)、设计一个分布式半分享集成监测网络(Local-Global Semi-SharingNetwork,LGSSN)；通过局部分类器对分布式半分享集成监测网络中各个传感器节点i的信号进行实时分类，获得局部分类结果；利用全局监测器对局部分类结果进行集成，得到监测区域的实时状态；
设计分布式半分享集成监测网络的具体操作步骤如下：
(1.1.1)、利用传感器节点i的离线数据集Xi，基于深度孤立森林设计局部分类器；
(1.1.2)、基于权值半分享策略对局部分类器进行集成；
步骤(1.2)、基于结合深度自编码器和孤立森林的深度孤立森林算法构建局部分类器，刻画各个传感器节点i的局部特性；
基于深度孤立森林算法所设计的局部分类器具体包含如下步骤：
(1.2.1)、基于传感器节点i的离线数据集Xi，设计jmax层的深度自编码器；
(1.2.2)、基于jmax层深度自编码器的编码输出
训练孤立森林Φi；
其中，所述深度自编码器的具体操作步骤包括如下：
输入：传感器节点i的离线数据集Xi；深度自编码器的最大深度jmax层；
(1.2.1.1)、初始化参数：设深度自编码器逐层训练过程中的实时层数j＝1，深度自编码器第一层的输入Ii,1＝Xi；
(1.2.1.2)、基于l2范式构造第j层深度自编码器的损失函数：
min‖Ii,j-Dj(Ej(Ii,j))‖2 (1)
其中，Dj表示第j层深度自编码器的解码权重，Ej表示第j层深度自编码器的编码权重，Ii,j表示第j层深度自编码器的输入；
(1.2.1.3)、基于Adam算法优化公式(1)；
(1.2.1.4)、计算下一层的输入Ii,j+1：
Ii,j+1＝Ej(Ii,j) (2)
(1.2.1.5)、j＝j+1；
(1.2.1.6)、当j≤jmax时，重复执行步骤(1.2.1.2)-(1.2.1.5)；当j>jmax时，执行步骤(1.2.1.7)；
(1.2.1.7)、基于l2范式构造深度自编码器全局损失函数：
(1.2.1.8)、基于Adam算法优化公式(3)，得到最优编码权重
(1.2.1.9)、根据(1.2.1.8)中所得到的最优编码权重，计算深度自编码器的编码输出
所述孤立森林Φi的具体操作步骤包括如下：
离线训练：
输入：传感器节点i的编码输出
孤立森林Φi深度nestimator；最大样本数量ms；
(1.2.2.1)、从编码样本集
中随机取出ms个样本训练一个二叉树，
(1.2.2.2)、重复步骤(1.2.2.1)直到二叉树数量达到nestimator；
输出：孤立森林模型Φi；
在线分类：
输入：实时样本x(i,t)的编码值
(1.2.2.3)、对于孤立森林Φi中的每一个二叉树，计算编码值
达到叶子节点所需要经过的路径长度
(1.2.2.4)、计算异常分数
其中，
表示
的平均值；c(nestimator)表示一个标准化常数，通过
计算；其中H(x)表示一个调和数，通过ln(x)+0.5772156649得出；
(1.2.2.5)、设定阈值Tc则孤立森林的输出表示：
输出：二值化的异常分类结果ci,t；
步骤(1.3)、引入权值半分享策略简化分布式半分享集成监测网络LGSSN的结构，并设计并行式计算框架；
所设计的权值半分享策略通过在传感器节点间共享深度自编码器的权重以简化模型参数，并行式计算框架利用多线程分配二叉树的计算任务到各个CPU或GPU，包括如下步骤：
离线训练：
输入：所有传感器节点i的离线数据集Xi；深度自编码器的最大深度jmax；孤立森林Φi深度nestimator；最大样本数量ms；
(1.3.1)、步骤(1.2.1)中基于离线数据集Xi训练一个深度自编码器；需要强调说明的是，由于在设计过程中引入了权值半分享策略，因此深度自编码器的训练过程被进一步简化为针对所有传感器节点的离线数据Xi训练一个深度自编码器，与步骤1.2.1中不同的地方在于它不再受到传感器节点约束；
(1.3.2)、利用所获得的深度自编码器对离线数据集Xi进行编码得到离线数据集的编码集
(1.3.3)、分配每个CPU或GPU所需要训练的局部分类器数量，并基于离线数据集的编码集
训练得到各个传感器节点i的局部孤立森林Φi；
在线预测：
(1.3.4)、基于batch-testing方法对批量实时样本x(i,t)进行编码，得到编码值
(1.3.5)、根据(1.3.3)中的计算资源分配，计算编码值
所对应的局部分类结果ci,t；
步骤(1.4)、基于贝叶斯推理设计全局监测器(Global integrated monitor,GIM)，结合空间滑动窗口判断监测区域是否存在入侵及存在入侵时入侵的位置；
基于贝叶斯推理设计全局监测器包括如下步骤：
输入：空间滑动窗口长度ws；先验概率
其中N和
分别表示正常状态和入侵状态；
(1.4.1)、集成局部分类表达Z(i,t):
(1.4.2)、计算入侵状态的后验概率
其中，
通过下式得到：
其中，
表示对应传感器节点的分类性能评价指标；在有正负样本的测试中表示敏感度和召回率，在仅有负样本的条件下用准确率及1-准确率代替；所述P(z∈Z(i,t))通过全概率公式得到：
其中，
和P(z∈Z(i,t)|N)通过式(9)及其变体得到；
(1.4.3)、设定阈值TP；当后验概率
大于TP时，则存在入侵，入侵地点为(i+ws-1)/2；否则为正常状态。
实施例：
本发明于某市地铁S7号线沿线进行了实地试验，监测路段长400米，包含400个等间隔的传感器节点i；在专业人员帮助下采集了多次外部入侵的实验数据，具体行为包括放置梯子、单人攀爬梯子、多人连续攀爬梯子；实验数据共包括259200个样本，其中目标样本数量为2460，样本比例超过1:100，符合极度不均衡情况。
实验所用计算机系统配置为Windows 10，CPU为Intel i7 8核，内存为32G，硬盘空间为2T；所述LGSSN采用Python开发，基于TensorFlow和Scikit-learn实现；在深度孤立森林的训练中，采用Relu函数作为隐含层的激活函数，训练周期为200，BatchSize为500个样本，模型优化方法为Adam。
考虑到准确率在极度不均衡数据集中的评估结论可能具有误导性，采用多个指标对模型进行评估，包括精确率α1、召回率α2、准确率α3、F1分数α4和Kappa指标α5。
在对比实验中，采用了多个方法构建局部分类器并对他们进行评估，包括：一维卷积神经网络结合小波包降噪方法(1-D CNN+WPD，相关研究中最新方法)、XGB(相关研究中的高性能方法)、随机森林、高斯核支持向量机(UCI数据集最高性能的两个分类方法)、GBDT、AdaBoosting(Kaggle竞赛中常用的分类方法)；由于这些研究中并未考虑极度不均衡情况，因此对原始数据的训练样本集利用SMOTE-ENN进行数据增强，使这些模型能够获得较为合理的分类性能。
特征提取对于分类算法至关重要，良好的特征提取不仅可以提高模型的分类精度，还可以简化模型的复杂度；因此，在实验中采用Tsfresh自动提取了16个时间序列特征的96个特征值，这些特征也可以在基于DOFS的外部入侵识别的相关研究中找到。
针对采集的异构DOFS数据，其对比结果如表1所示。
表1
为了验证权值半分享策略和并行计算框架对模型训练及处理速度带来的提升，相关实验结果见表2，其中△t1是模型训练时间，△t2是每秒采集的样本处理时间，△n是每秒处理样本数。
表2
| 模型 | 孤立森林 | 全分享深度孤立森林 | 半分享深度孤立森林 |
| △t<sub>1</sub> | 36.35s | 848.45s | 852.96s |
| △t<sub>2</sub> | 0.03s | 0.03s | 0.007s |
| △n | 14607 | 14613 | 55265 |
引入不同窗长的GIM后实时监测性能如图3所示；深度自编码器的重构误差关于自编码器深度和隐含层大小的相关实验结果如图4所示，其中每一个隐含层的最优大小通过逐层训练确定；深度孤立森林的F1分数关于孤立森林深度和最大样本数的实验结果如图5所示。
由以上步骤和附图可知，本发明可以有效地实现基于异构分布式光纤传感器在线入侵监测方法，保证良好的监测效果，对周界安防研究及基于分布式光纤传感器的目标事件识别具有重要意义。
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，在不脱离不发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (1)
1.一种基于异构分布式光纤传感器的在线外部入侵监测方法，其特征在于，包括如下步骤：
步骤(1.1)、设计一个分布式半分享集成监测网络；通过局部分类器对分布式半分享集成监测网络中各个传感器节点i的信号进行实时分类，获得局部分类结果；
其中，设计分布式半分享集成监测网络的具体操作步骤如下：
(1.1.1)、利用传感器节点i的离线数据集Xi，基于深度孤立森林设计局部分类器；
(1.1.2)、基于权值半分享策略对局部分类器进行集成；
步骤(1.2)、基于结合深度自编码器和孤立森林的深度孤立森林算法构建局部分类器，刻画各个传感器节点i的局部特性；
所述基于深度孤立森林算法所设计的局部分类器具体包含如下步骤：
(1.2.1)、基于传感器节点i的离线数据集Xi，设计jmax层的深度自编码器；
(1.2.2)、基于jmax层深度自编码器的编码输出
训练孤立森林Φi；
其中，所述深度自编码器的具体操作步骤包括如下：
输入：传感器节点i的离线数据集Xi；深度自编码器的最大深度jmax层；
(1.2.1.1)、初始化参数：设深度自编码器逐层训练过程中的实时层数j＝1，深度自编码器第一层的输入Ii,1＝Xi；
(1.2.1.2)、基于l2范式构造第j层深度自编码器的损失函数：
min‖Ii,j-Dj(Ej(Ii,j))‖2 (1)
其中，Dj表示第j层深度自编码器的解码权重，Ej表示第j层深度自编码器的编码权重，Ii,j表示第j层深度自编码器的输入；
(1.2.1.3)、基于Adam算法优化公式(1)；
(1.2.1.4)、计算下一层的输入Ii,j+1：
Ii,j+1＝Ej(Ii,j) (2)
(1.2.1.5)、j＝j+1；
(1.2.1.6)、当j≤jmax时，重复执行步骤(1.2.1.2)-(1.2.1.5)；当j>jmax时，执行步骤(1.2.1.7)；
(1.2.1.7)、基于l2范式构造深度自编码器全局损失函数：
(1.2.1.8)、基于Adam算法优化公式(3)，得到最优编码权重
(1.2.1.9)、根据(1.2.1.8)中所得到的最优编码权重，计算深度自编码器的编码输出
所述孤立森林Φi的具体操作步骤包括如下：
离线训练：
输入：传感器节点i的编码输出
孤立森林Φi深度nestimator；最大样本数量ms；
(1.2.2.1)、从编码样本集
中随机取出ms个样本训练一个二叉树，
(1.2.2.2)、重复步骤(1.2.2.1)直到二叉树数量达到nestimator；
输出：孤立森林模型Φi；
在线分类：
输入：实时样本x(i,t)的编码值
(1.2.2.3)、对于孤立森林Φi中的每一个二叉树，计算编码值
达到叶子节点所需要经过的路径长度
(1.2.2.4)、计算异常分数
其中，
表示
的平均值；c(nestimator)表示一个标准化常数，通过
计算；其中H(x)表示一个调和数，通过ln(x)+0.5772156649得出；
(1.2.2.5)、设定阈值Tc则孤立森林的输出表示：
输出：二值化的异常分类结果ci,t；
步骤(1.3)、引入权值半分享策略简化分布式半分享集成监测网络的结构，并设计并行式计算框架；
其中，所设计的权值半分享策略通过在传感器节点间共享深度自编码器的权重以简化模型参数，并行式计算框架利用多线程分配二叉树的计算任务到各个CPU或GPU，包括如下步骤：
离线训练：
输入：各个传感器节点i的离线数据集Xi；深度自编码器的最大深度jmax；孤立森林Φi深度nestimator；最大样本数量ms；
(1.3.1)、步骤(1.2.1)中基于离线数据集Xi训练一个深度自编码器；
(1.3.2)、利用所获得的深度自编码器对离线数据集Xi进行编码得到离线数据集的编码集
(1.3.3)、分配每个CPU或GPU所需要训练的局部分类器数量，并基于离线数据集的编码集
训练得到各个传感器节点i的局部孤立森林Φi；
在线预测：
(1.3.4)、基于batch-testing方法对批量实时样本x(i,t)进行编码，得到编码值
(1.3.5)、根据(1.3.3)中的计算资源分配，计算编码值
所对应的局部分类结果ci,t；
步骤(1.4)、基于贝叶斯推理设计全局监测器，结合空间滑动窗口判断监测区域是否存在入侵及存在入侵时入侵的位置；
其中，基于贝叶斯推理设计全局监测器包括如下步骤：
输入：空间滑动窗口长度ws；先验概率
其中N和
分别表示正常状态和入侵状态；
(1.4.1)、集成局部分类表达Z(i,t):
(1.4.2)、计算入侵状态的后验概率
其中，
通过下式得到：
其中，
表示对应传感器节点的分类性能评价指标；在有正负样本的测试中表示敏感度和召回率，在仅有负样本的条件下用准确率及1-准确率代替；所述P(z∈Z(i,t))通过全概率公式得到：
其中，
和P(z∈Z(i,t)|N)通过式(9)及其变体得到；
(1.4.3)、设定阈值TP；当后验概率
大于TP时，则存在入侵，入侵地点为(i+ws-1)/2；否则为正常状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010816520.5A CN112383921B (zh) | 2020-08-14 | 2020-08-14 | 一种基于异构分布式光纤传感器的在线外部入侵监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010816520.5A CN112383921B (zh) | 2020-08-14 | 2020-08-14 | 一种基于异构分布式光纤传感器的在线外部入侵监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112383921A CN112383921A (zh) | 2021-02-19 |
| CN112383921B true CN112383921B (zh) | 2022-08-05 |
Family
ID=74586051
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010816520.5A Active CN112383921B (zh) | 2020-08-14 | 2020-08-14 | 一种基于异构分布式光纤传感器的在线外部入侵监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112383921B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113011325B (zh) * | 2021-03-18 | 2022-05-03 | 重庆交通大学 | 一种基于孤立森林算法的堆垛机轨道损伤定位方法 |
| CN114548156B (zh) * | 2022-01-24 | 2023-05-12 | 成都理工大学 | 基于降采样和卷积神经网络的分布式光纤测温降噪方法 |
| CN114547970B (zh) * | 2022-01-25 | 2024-02-20 | 中国长江三峡集团有限公司 | 一种水电厂顶盖排水系统异常智能诊断方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101902744A (zh) * | 2010-07-28 | 2010-12-01 | 南京航空航天大学 | 基于sniffer的无线传感网的入侵检测方法 |
| CN108509850A (zh) * | 2018-02-24 | 2018-09-07 | 华南理工大学 | 一种基于分布式光纤系统的入侵信号识别算法 |
| CN111157099A (zh) * | 2020-01-02 | 2020-05-15 | 河海大学常州校区 | 一种分布式光纤传感器振动信号分类方法及识别分类系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108932480B (zh) * | 2018-06-08 | 2022-03-15 | 电子科技大学 | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 |
-
2020
- 2020-08-14 CN CN202010816520.5A patent/CN112383921B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101902744A (zh) * | 2010-07-28 | 2010-12-01 | 南京航空航天大学 | 基于sniffer的无线传感网的入侵检测方法 |
| CN108509850A (zh) * | 2018-02-24 | 2018-09-07 | 华南理工大学 | 一种基于分布式光纤系统的入侵信号识别算法 |
| CN111157099A (zh) * | 2020-01-02 | 2020-05-15 | 河海大学常州校区 | 一种分布式光纤传感器振动信号分类方法及识别分类系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112383921A (zh) | 2021-02-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112383921B (zh) | 一种基于异构分布式光纤传感器的在线外部入侵监测方法 | |
| Krithivasan et al. | Detection of cyberattacks in industrial control systems using enhanced principal component analysis and hypergraph-based convolution neural network (EPCA-HG-CNN) | |
| Kiss et al. | Data clustering-based anomaly detection in industrial control systems | |
| CN108400895B (zh) | 一种基于遗传算法改进的bp神经网络安全态势评估算法 | |
| CN109767352B (zh) | 一种电力信息物理融合系统安全态势评估方法 | |
| CN113822421B (zh) | 基于神经网络的异常定位方法、系统、设备及存储介质 | |
| CN115695025B (zh) | 网络安全态势预测模型的训练方法及装置 | |
| CN114722950B (zh) | 一种多模态的多变量时间序列自动分类方法及装置 | |
| Wei et al. | Calibrating network traffic with one-dimensional convolutional neural network with autoencoder and independent recurrent neural network for mobile malware detection | |
| Chen et al. | Multi-scale split dual calibration network with periodic information for interpretable fault diagnosis of rotating machinery | |
| Shuaiyi et al. | Global-local integration for GNN-based anomalous device state detection in industrial control systems | |
| Yuan et al. | Community detection with graph neural network using Markov stability | |
| Zhang et al. | An intrusion detection method based on stacked sparse autoencoder and improved gaussian mixture model | |
| Fan et al. | Luad: A lightweight unsupervised anomaly detection scheme for multivariate time series data | |
| Mahapatra et al. | Self adaptive intrusion detection technique using data mining concept in an ad-hoc network | |
| CN114912109B (zh) | 一种基于图嵌入的异常行为序列识别方法及系统 | |
| JP2023133231A (ja) | ネットワーク内のインフラストラクチャのデバイスによって生成された時系列データにおける異常を検出するための方法 | |
| CN113486595B (zh) | 一种井喷智能预警方法、系统、设备和存储介质 | |
| Xu et al. | Cyber Intrusion Detection Based on a Mutative Scale Chaotic Bat Algorithm with Backpropagation Neural Network | |
| CN115269853A (zh) | 一种基于模体的异构图神经网络假新闻检测算法 | |
| Wang et al. | An efficient intrusion detection model combined bidirectional gated recurrent units with attention mechanism | |
| CN115688961A (zh) | 基于深度学习的电力设备故障预测方法及系统 | |
| Xiong et al. | A Smart Grid Traffic Anomaly Detector Based on Deep Learning | |
| Xie et al. | Research and application of intrusion detection method based on hierarchical features | |
| Sakurai et al. | Estimation of missing data of showcase using autoencoder |
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 |