CN112469072A - 基于贝塞尔曲线更新的节点行为监测时长自适应调整方法 - Google Patents

Abstract

本发明属于物联网安全领域，具体涉及一种基于贝塞尔曲线更新的节点行为监测时长自适应调整方法，该方法包括：节点通过主动学习构建标准事件模板B‑Spline曲线；根据节点的具体行为构建节点事件模板B‑Spline曲线；对通信环境变化引起的节点事件B‑Spline曲线漂移进行监测及补偿；将节点事件模板与标准事件模板进行匹配，判别节点行为性质并调整监测时长；本发明建立了节点的标准行为事件模板，使节点的具体行为可以识别，根据节点行为性质调整监测时长，从而提高了节点的生命周期和传感网的安全性。

Description

基于贝塞尔曲线更新的节点行为监测时长自适应调整方法

技术领域

本发明属于物联网安全领域，具体涉及一种基于贝塞尔曲线更新的节点行为监测时长自适应调整方法。

背景技术

无线传感器网络(Wireless Sensor Network，WSN)是一种分布式传感网络，它的末梢是可以感知和检查外部世界的传感器。WSN中的传感器节点之间通过无线方式通信，因此网络设置灵活，设备位置可以随时更改，还可以通过有线或无线方式接入互联网。

无线传感网所处的开放通信环境导致其数据传输极易受到外部无线信号的干扰，监测到的节点数据传输行为通常具有不确定性，这将会影响对节点信任的评估以及可靠等级的确定。同时传感器节点有限的能量资源也限制其监测能力，为了尽可能延长节点生命周期，监测时长需尽可能地缩短。因此，如何判别节点的数据传输行为，以及根据其行为性质确定行为监测的时长是无线传感网安全领域急需解决的问题。

发明内容

为解决以上现有技术存在的问题，本发明提出了一种基于贝塞尔曲线更新的节点行为监测时长自适应调整方法，该方法包括：

S1：获取传感网中各个节点的数据传输行为特征，根据各个节点的数据传输行为特征构建标准事件模板B-Spline曲线；所述标准事件模板B-Spline曲线包括标准传输事件模板B-Spline曲线和标准恶意传输事件模板B-Spline曲线；

S2：实时监听各个传感器节点传输数据的行为特征，根据行为特征构建节点传输事件模板B-Spline曲线；

S3：对实时监听的行为特征进行动态漂移检测，根据漂移检测结果对标准事件模板B-Spline曲线进行补偿更新；采用更新后的标准事件模板B-Spline曲线和节点传输事件模板B-Spline曲线对节点进行恶意检测，确定恶意等级；

S4：根据恶意检测结果调整对该节点的监测时长。

优选的，构建标准传输事件模板B-Spline曲线的过程包括：

S11：将传感网中任意节点与该节点的邻域节点交互，并对交互的节点进行合作标记处理；标记节点主动向被标记节点发起数据传输请求，学习被标记点的数据传输行为；

S12：将数据传输行为的平均时延和数据丢包率分别转化为对应的模糊集合；

S13：根据模糊规则库将对应的模糊集合转换为二维特征输出数据模糊集；

S14：采用TSK系统对二维特征输出数据模糊集进行降维处理，得到一维特征输出模糊集；

S15：根据一维特征输出模糊集构建一维特征曲线；

S16：提取一维特征曲线的特征点，根据特征点构建标准事件模板B-Spline曲线。

进一步的，构建一维特征曲线的公式为：

y(x′)＝1/2[y_l(x′)+y_r(x′)]

进一步的，构建标准事件模板B-Spline曲线的过程包括：

S161：采用固定时间间隔τ对一维特征曲线取样；通过节点矢量公式对取样数据进行计算，得到节点矢量；

S162：根据节点矢量求出B-Spline曲线的基函数；

S163：选取矢量变化大的点作为控制顶点，根据控制顶点和基函数构造标准传输事件模板B-Spline曲线；

S164：对标记的恶意节点设置不同概率等级的恶意传输行为；

S165：采用构建标准传输事件模板B-Spline曲线的方法对不同概率等级的恶意传输行为进行处理，得到标准恶意事件模板B-Spline曲线。

优选的，构建节点传输事件模板B-Spline曲线的过程包括：

S21：通过行为动态监测系统实时获取各个节点传输的行为数据；所述行为数据包括数据包的平均时延和丢包率；

S22：对节点传输的行为数据进行互补中心化处理，得到奇异的Hermite矩阵H；

S23：对矩阵H进行SVD分解，得到节点平均时延典型基u和节点丢包率典型基v；

S24：根据节点平均时延典型基u和节点丢包率典型基v求出样本集的投影向量矩阵ω_x、ω_y；

S25：将样本集的投影向量矩阵与样本集的样本数据相乘得到典型变量

和

S26：将典型变量

和

进行加权融合，得到单一特征的节点行为数据；

S27：根据单一特征的节点行为数据构建节点传输事件模板B-Spline曲线。

确定恶意等级的具体过程包括：

S31：对实时监听的行为特征进行标记，得到标记数据集D；

S32：采用动态漂移检测方法对标记数据集D中的数据进行检测；

S33：根据动态漂移检测结果，对标准事件模板B-Spline曲线进行漂移补偿更新；

S34：对节点传输事件模板B-Spline曲线进行线性变换，使节点传输事件模板B-Spline曲线的尺度大小与更新后的标准事件模板B-Spline曲线一致；

S35：计算节点传输事件模板B-Spline曲线与更新后的各标准事件模板B-Spline曲线的Frechet距离；；

S36：根据Frechet距离的大小确定节点的传输行为性质和节点的恶意等级；其中，距离越小，相似度越高。

进一步的，对标记数据集D进行动态漂移检测的过程包括：

S321：计算标记数据集D中数据块d_i的质心P_i和数据块中的标签数据质心L_i；

S322：根据数据块质心P_i和标签数据质心L_i构成向量g_lp，计算相邻向量g_lp和g_l+1，p+1的夹角θ；

S323：随机选取x_R与x_L为双侧置信区间，其中，d_i≤x_R-x_L≤2d_i，；对于给定的信任概率a，x_R与x_L之间的数据x满足P(x_R＜x＜x_L)≥1-a；

S324：根据双侧置信区间x_R、x_L以及信任概率a计算数据块的均值为μ和方差σ²；根据均值和方差计算该数据块的阈值上限u和阈值下限d；

S325：若标记数据集D中的数据高于阈值上限则认为数据发生了漂移，低于阈值下限认为未发生漂移。

进一步的，计算相邻g_l，p和g_l+1，p+1的夹角θ的公式为：

优选的，对标准事件模板B-Spline曲线进行漂移补偿更新的过程包括：

S331：根据节点发生漂移的数量进行初步分类；若节点发生漂移的数量大于预设数量值，则此漂移由信道行为所导致的；否则为节点的恶意行为导致的结果；

S332：采用间隔τ对标准传输事件模板B-Spline曲线进行离散化，同时将数据分成距离为d的数据块d_i；

S333：求取标准传输事件模板d_i数据块的质心q_i，计算标准事件模板数据块的质心q_i和标签数据质心L_i的欧式距离；

S334：去除欧式距离中的最大值与最小值，对剩余的欧式距离求平均值，得到曲线更新的偏移量；

S335：根据时间间隔τ计算对标准事件模板B-Spline曲线进行更新的起始位置；根据起始位置和偏移量对标准传输事件模板B-Spline曲线进行漂移补偿。

优选的，调整对该节点的监测时长包括确定等级监测时长、确定惩罚以及激励监测时长。

本发明建立了节点的标准行为事件模板，使节点的具体行为可以识别，根据节点行为性质调整监测时长，从而提高了节点的生命周期和传感网的安全性。

附图说明

图1为本发明的整体流程图；

图2为本发明的节点平均时延传输行为隶属度示意图；

图3为本发明的节点数据丢包率传输行为隶属度示意图；

图4为本发明的二维特征输出数据糊集合隶属度示意图；

图5为本发明的节点分布图；

图6为本发明的二维模糊系统图；

图7为本发明的标准传输事件模板B-Spline曲线进行漂移检测和补偿更新的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种基于贝塞尔曲线更新的节点行为监测时长自适应调整方法，如图1所示，包括：第一步构建标准事件模板B-Spline曲线；第二步构建节点事件模板B-Spline曲线；第三步对节点事件模板曲线进行分类和更新；第四步对节点事件模板曲线匹配并根据匹配情况调节节点监测时长。其中，B-Spline曲线为贝塞尔曲线。该方法的具体过程为：

S1：获取传感网中各个节点的数据传输行为特征，根据各个节点的数据传输行为特征构建标准事件模板B-Spline曲线；所述标准事件模板B-Spline曲线包括标准传输事件模板B-Spline曲线和标准恶意传输事件模板B-Spline曲线。

S2：实时监听各个传感器节点传输数据的行为特征，根据行为特征构建节点传输事件模板B-Spline曲线。

S3：对实时监听的行为特征进行动态漂移检测，根据漂移检测结果对标准传输事件模板B-Spline曲线进行补偿更新；采用更新后的标准事件模板B-Spline曲线和节点传输事件模板B-Spline曲线对节点进行恶意检测，确定恶意等级。

S4：根据恶意检测结果调整对该节点的监测时长。

传感网部署初期，通常网络内部不存在恶意节点，节点之间可通过合作标记进而主动学习当前通信环境下的节点行为特征。在学习阶段，节点通过监听获取被标记节点的数据传输行为特征，如数据传输时延以及数据传输丢包率。当行为特征数据量充分时，使用二型模糊处理对多维传输行为特征降维处理得到一维特征，进而构建标准事件模板B-Spline曲线。具体分为二型模糊降维处理、标准事件模板B-Spline曲线构建。

构建标准传输事件模板B-Spline曲线的过程包括：

S11：将传感网络中的任意节点与该节点的邻近节点交互，并对交互的节点进行合作标记处理；标记节点主动向被标记节点发起数据传输请求，学习被标记点的数据传输行为。

通过节点间合作，将一部分节点标记为非恶意节点，将另一部分节点标记为不同等级恶意节点。恶意等级如下表所示，节点合作之后的分布如图5所示。

恶意等级	监测时长
		G1	T<sub>g</sub>
G2	T<sub>g</sub><sup>2</sup>
		G3	T<sub>g</sub><sup>3</sup>
G4	T<sub>g</sub><sup>4</sup>

恶意等级和监测时长呈指数关系，即恶意等级越高监测时间越长。

S12：将数据传输行为的平均时延和数据丢包率分别转化为对应的模糊集合。

节点的平均时延传输行为隶属度函数如图2所示；其中“低”隶属度函数曲线为梯形，模糊集“中”的隶属度函数曲线为两个三角形，模糊集“高”的隶属度函数曲线为三角形，具体参数a、b、c、d、e、f、g和h根据实际应用确定，但必须确保三个隶属度函数对应曲线与x轴的交叉区域面积之和等于1。

节点的数据丢包率传输行为隶属度函数如图3所示，其中“低”和“高”的隶属度函数曲线为梯形，模糊集“中”的隶属度函数曲线为三角形，具体参数a、b、c、d、e、f和g根据实际应用确定，但必须确保三个隶属度函数对应曲线与x轴的交叉区域面积之和等于1。

S13：根据模糊规则库将平均时延对应模糊集合和数据丢包率对应的模糊集合转换为二维特征输出数据模糊集。

二维特征输出数据糊集合隶属度函数如图4所示，其中模糊集“VH”和“VL”隶属度函数曲线为三角形，模糊集“M”和“H”的隶属度函数曲线为梯形，各模糊隶属度函数参数根据实际应用情况具体确定，但必须保证所有隶属度曲线与x轴相交区域的面积之和等于1。

S14：采用TSK系统对二维特征输出数据模糊集进行降维处理，得到一维特征输出模糊集。如图6所示，转化为一维特征输出模糊集的具体过程为：

步骤1：根据具体的传输行为数据平均时延AD以及图2中的行为隶属度函数，分别求出对应模糊集“低”、“中”和“高”的三对隶属度(AD_L1，AD_L2)、(AD_M1，AD_M2)和(AD_H1，AD_H2)。

步骤2：根据具体的传输行为数据丢包率PLR以及图3中的行为隶属度函数，分别求出对应模糊集“低”、“中”和“高”的三对隶属度(PLR_L1，PLR_L2)、(PLR_M1，PLR_M2)和(PLR_H1，PLR_H2)。

步骤3：选择三条模糊规则分别对应三组信任值模糊集，将步骤1、步骤2中得到的三对隶属度组合合成(AD_L1，AD_L2)和(PLRL₁，PLRL₂)、(AD_H1，AD_H2)和(PLR_H1，PLR_H2)、(AD_L1，AD_L2)和(PLR_H1，PLR_H2)对应的模糊规则。选取第一组中AD_L1和PLR_L1最小的构成左区间的值，AD_L2和PLRL₂最小的构成右区间的值，将左区间的值和右区间的值进行进行并集处理，得到新的输出模糊集的纵坐标区间(L_r，R_r)。将纵坐标区间输入到输出模糊集中，得到对应的横坐标区间(L_c，R_c)，以此类推，将此模糊区间转化成二维模糊函数。提取二维输出模糊区间的边缘曲线即为二维的数据特征曲线。

S15：根据一维特征输出模糊集构建一维特征曲线。采用边界区间函数对二维特征输出数据模糊集进行处理，边界区间函数为：

构建一维特征曲线的公式为：

y(x′)＝1/2[y_l(x′)+y_r(x′)]

其中，fⁿ表示输入模糊集函数，f_- ⁿ(x′)表示输入模糊集的下隶属度函数，

表示下隶属度函数，y_- ⁿ表示输出模糊集函数的下隶属度函数，n为模糊集标号，N表示规则库中的总条数，

表示输出模糊集的上隶属度函数，x′表示输入参数；y_l(x′)表示从上边界到下边界的区间函数，y_r(x′)表示从下边界到上边界的区间函数。

S16：提取一维特征曲线的特征点，根据特征点构建标准事件模板B-Spline曲线。其具体的过程包括：

S161：采用固定时间间隔τ对一维特征曲线进行取样；通过节点矢量公式对取样数据进行计算，得到节点矢量。矢量公式为：

其中，t表示传输的行为数据，i表示数据的下标，k表示B-Spline曲线的阶数表示，N_i，k-1(t)表示曲线的基函数。

S162：根据节点矢量求出B-Spline曲线的基函数。

S163：选取矢量变化大的点作为控制顶点，根据控制顶点和基函数构造标准传输事件模板B-Spline曲线；

S164：对标记的恶意节点设置不同概率等级的恶意传输行为；

S165：采用构建标准传输事件模板B-Spline曲线的方法对不同概率等级的恶意传输行为进行处理，得到标准恶意事件模板B-Spline曲线。

在无线传感网运行阶段，通过监听获得节点真实的数据传输行为特征，并构建节点传输事件模板B-Spline曲线。通常对节点数据传输行为进行监听可得到多维行为特征，需将这些特征进行融合进而构建节点传输事件模板B-Spline曲线。其具体的过程包括：

S21：通过行为动态监测系统实时获取各个节点传输的行为数据；所述行为数据包括数据包的平均时延和丢包率。

通过行为动态监测系统获得传输行为数据，即数据包的平均时延和丢包率，首先经过中心化处理，得到两个基本的样本集X，Y。

S22：对节点传输的行为数据进行互补中心化处理，得到奇异的Hermite矩阵H；构建奇异的Hermite矩阵H：

其中，C_xx表示样本集X内的协方差，C_xy表示X和Y集合间的协方差，C_yy表示样本集Y内的协方差。Hermite矩阵为自共轭矩阵。

S23：对矩阵H进行SVD分解，得到节点平均时延典型基u和节点丢包率典型基v。

通过对矩阵H的SVD分解求出基本样本集X，Y的典型基u、v，u为节点平均时延典型基，v为节点丢包率典型基。u、v的具体求解如下：

其中，H表示Hermie矩阵，γ表示奇异值。

S24：根据节点平均时延典型基u和节点丢包率典型基v求出样本集的投影向量矩阵ω_x、ω_y；计算样本集的投影向量矩阵的公式为：

S25：将样本集的投影向量矩阵与样本集的样本数据相结合得到典型变量

和

S26：将典型变量

和

进行加权融合，得到单一特征的节点行为数据；

S27：根据单一特征的节点行为数据构建节点传输事件模板B-Spline曲线。构造的过程包括选取在单视图数据中线性数据作为B-Spline的控制顶点，然后构造节点传输事件模板B-Spline曲线。

对实时监听的行为特征进行动态漂移检测，根据漂移检测结果对标准事件模板B-Spline曲线进行补偿更新，进而对节点传输行为进行分类以判断其行为性质。

由于开放的无线通信环境具有可变性，导致已构建的标准事件模板B-Spline曲线发生漂移而不再适用。因此需对节点传输事件曲线进行动态漂移检测，进而对标准事件模板B-Spline曲线进行漂移补偿。具体步骤分为节点的数据标记、动态漂移检测处理、标准传输事件模板漂移补偿。

如图5所示，确定恶意等级的具体过程包括：

S31：对实时监听的行为特征进行标记，得到标记数据集D。

对行为动态监测系统获得的平均时延和数据丢包率数据流间隔时间τ进行标记，被标记的数据构成标记数据集D。再选取合适距离d将数据流分割为大小相同的数据块d_i。

S32：采用动态漂移检测方法对标记数据集D中的数据进行检测；

如图7所示，采用动态漂移检测方法对标记数据集D中的数据进行检测的具体过程为：

S321：计算标记数据集D中数据块d_i的质心P_i和数据块中的标签数据质心L_i；

S322：根据数据块质心P_i和标签数据质心L_i构成向量g_l，p，计算相邻向量g_l，p和g_l+1，p+1的夹角θ；夹角θ的公式为：

其中，g_l，p表示标签数据的质心和数据空间的质心相连的向量，||g_l，p||表示g_lp向量的模长，g_l+1，p+1表示下一个标签数据的质心和下一个数据空间的质心相连的向量。

S323：随机选取x_R与x_L为双侧置信区间，其中，d_i≤x_R-x_L≤2d_i，；对于给定的信任概率a，x_R与x_L之间的数据x满足P(x_R＜x＜x_L)≥1-a。

S324：根据双侧置信区间x_R、x_L以及信任概率a计算数据块的均值为μ和方差σ²；根据均值和方差计算该数据块的阈值上限u和阈值下限d。

阈值上限u为：

阈值下限d为：

其中，x_L、x_R表示x区间的边界值，n表示样本个数

S325：若标记数据集D中的数据高于阈值上限，则认为数据发生了漂移；若低于阈值下限，则认为未发生漂移。

S33：根据动态漂移检测结果，对标准事件模板B-Spline曲线进行漂移补偿更新。

S331：根据节点发生漂移的数量进行初步分类；若节点发生漂移的数量大于预设数量值，则此漂移由信道行为所导致的；否则为节点的恶意行为导致的结果；

S332：采用间隔τ对标准传输事件模板B-Spline曲线进行离散化，同时将数据分成距离为d的数据块d_i。

S333：求取标准传输事件模板d_i数据块的质心q_i，计算标准事件模板数据块的质心q_i和标签数据质心L_i的欧式距离。

S334：去除欧式距离中的最大值与最小值，对剩余的欧式距离求平均值，得到曲线更新的偏移量。

S335：根据时间间隔τ计算对标准事件模板B-Spline曲线进行更新的起始位置；根据起始位置和偏移量对标准事件模板B-Spline曲线进行漂移补偿。

在对标准事件模板B-Spline曲线进行匹配时，根据B-Spline曲线局部修改性可以得知曲线改变的位置；计算发生变化的位置之间的时间间隔数目，根据时间间隔数目可以求出B-Spline曲线更新的起始位置。

S34：对节点传输事件模板B-Spline曲线进行线性变换，使节点传输事件模板B-Spline曲线的尺度大小与更新后的标准事件模板B-Spline曲线一致；

S35：计算节点传输事件模板B-Spline曲线与更新后的标准事件模板B-Spline曲线的Frechet距离。

计算Frechet距离的具体过程包括：在t时刻内，节点传输事件模板B-Spline曲线的上采样点为A(α(t))，标准事件模板B-Spline曲线的上采样点为B(α(t))。计算节点传输事件模板B-Spline曲线和标准事件模板B-Spline曲线的欧式距离为：d(A(α(t))，B(α(t)))；在每次采样中t离散的遍历区间为[0，1]；根据遍历区间计算该采样下的最大距离。其公式为：

其中，α(t)为概率函数，A(α(t))表示节点传输事件模板B-Spline曲线的上采样点，B(α(t))表示标准事件模板B-Spline曲线的上采样点。

S36：根据Frechet距离的大小确定节点的传输行为性质和节点的恶意等级；其中，距离越小，相似度越高。

由于节点行为的不确定性，往往需要对节点进行监测。结合节点的恶意等级与节点等级变化得到最终对节点的监测时长。以此确保传感网的安全。具体步骤分为：确定等级监测时长、确定惩罚或激励监测时长。

根据节点的具体恶意等级采用模糊规则重新确定对节点的等级监测时长T_g。

如果最新的监测结果显示节点的恶意等级为G1，那么等级监测时长T_g，随着恶意等级的提高监测时长呈指数增长。

根据节点最新的恶意等级以及近期的平均恶意等级差值对节点进行监测惩罚或监测激励时间T_s。

计算节点近期的平均恶意等级为AG，通过计算最新恶意等级与平均恶意等级之差得到等级差G_d，将G_d进行线性变换得到惩罚或激励时长T_s。最终得到更新后的监测时长T为T_g和T_s之和。

以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于贝塞尔曲线更新的节点行为监测时长自适应调整方法，其特征在于，包括：

S1：获取传感网中各个节点的数据传输行为特征，根据各个节点的数据传输行为特征构建标准事件模板B-Spline曲线；所述标准事件模板B-Spline曲线包括标准传输事件模板B-Spline曲线和标准恶意传输事件模板B-Spline曲线；

S2：实时监听各个传感器节点传输数据的行为特征，根据行为特征构建节点传输事件模板B-Spline曲线；

S3：对实时监听的行为特征进行动态漂移检测，根据漂移检测结果对标准事件模板B-Spline曲线进行补偿更新；采用更新后的标准事件模板B-Spline曲线和节点传输事件模板B-Spline曲线对节点进行恶意检测，确定恶意等级；

S4：根据恶意检测结果调整对该节点的监测时长。

2.根据权利要求1所述的一种基于贝塞尔曲线更新的节点行为监测时长自适应调整方法，其特征在于，构建标准事件模板B-Spline曲线的过程包括：

S11：将传感网络中的任意节点与该节点的邻近节点交互，并对交互的节点进行合作标记处理；标记节点主动向被标记节点发起数据传输请求，学习被标记点的数据传输行为；

S12：将数据传输行为的平均时延和数据丢包率分别转化为对应的模糊集合；

S13：根据模糊规则库将对应的模糊集合转换为二维特征输出数据模糊集；

S14：采用TSK系统对二维特征输出数据模糊集进行降维处理，得到一维特征输出模糊集；

S15：根据一维特征输出模糊集构建一维特征曲线；

S16：提取一维特征曲线的特征点，根据特征点构建标准事件模板B-Spline曲线。

3.根据权利要求2所述的一种基于贝塞尔曲线更新的节点行为监测时长自适应调整方法，其特征在于，构建一维特征曲线的公式为：

y(x′)＝1/2[y_l(x′)+y_r(x′)]

其中，y_l(x′)表示从上边界到下边界的区间函数，y_r(x′)表示从下边界到上边界的区间函数，x′表示输入变量。

4.根据权利要求2所述的一种基于贝塞尔曲线更新的节点行为监测时长自适应调整方法，其特征在于，构建标准事件模板B-Spline曲线的过程包括：

S161：采用固定时间间隔τ对一维特征曲线取样；通过节点矢量公式对取样数据进行计算，得到节点矢量；

S162：根据节点矢量求出B-Spline曲线的基函数；

S163：选取矢量变化大的点作为控制顶点，根据控制顶点和基函数构造标准传输事件模板B-Spline曲线；

S164：对标记的恶意节点设置不同概率等级的恶意传输行为；

S165：采用构建标准传输事件模板B-Spline曲线的方法对不同概率等级的恶意传输行为进行处理，得到标准恶意事件模板B-Spline曲线。

5.根据权利要求1所述的一种基于贝塞尔曲线更新的节点行为监测时长自适应调整方法，其特征在于，构建节点传输事件模板B-Spline曲线的过程包括：

S21：通过行为动态监测系统实时获取各个节点传输的行为数据；所述行为数据包括数据包的平均时延和丢包率；

S22：对节点传输的行为数据进行互补中心化处理，得到奇异的Hermite矩阵H；

S23：对矩阵H进行SVD分解，得到节点平均时延典型基u和节点丢包率典型基v；

S24：根据节点平均时延典型基u和节点丢包率典型基v求出样本集的投影向量矩阵ω_x、ω_y；

S25：将样本集的投影向量矩阵与样本集的样本数据相乘得到典型变量

和

S26：将典型变量

和

进行加权融合，得到单一特征的节点行为数据；

S27：根据单一特征的节点行为数据构建节点传输事件模板B-Spline曲线。

6.根据权利要求1所述的一种基于贝塞尔曲线更新的节点行为监测时长自适应调整方法，其特征在于，确定恶意等级的具体过程包括：

S31：对实时监听的行为特征进行标记，得到标记数据集D；

S32：采用动态漂移检测方法对标记数据集D中的数据进行检测；

S33：根据动态漂移检测结果，对标准事件模板B-Spline曲线进行漂移补偿更新；

S34：对节点传输事件模板B-Spline曲线进行线性变换，使节点传输事件模板B-Spline曲线的尺度大小与更新后的标准事件模板B-Spline曲线一致；

S35：计算节点传输事件模板B-Spline曲线与更新后的各标准事件模板B-Spline曲线的Frechet距离；

S36：根据Frechet距离的大小确定节点的传输行为性质和节点的恶意等级。

7.根据权利要求6所述的一种基于贝塞尔曲线更新的节点行为监测时长自适应调整方法，其特征在于，对标记数据集D进行动态漂移检测的过程包括：

S321：计算标记数据集D中数据块d_i的质心P_i和数据块中的标签数据质心L_i；

S322：根据数据块质心P_i和标签数据质心L_i构成向量g_l，p，计算相邻向量g_l，p和g_l+1，p+1的夹角θ；

S323：随机选取x_R与x_L为双侧置信区间，其中，d_i≤x_R-x_L≤2d_i；对于给定的信任概率a，x_R与x_L之间的数据x满足P(x_R＜x＜x_L)≥1-a；

S324：根据双侧置信区间x_R、x_L以及信任概率a计算数据块的均值为μ和方差σ²；根据均值和方差计算该数据块的阈值上限u和阈值下限d；

S325：若标记数据集D中的数据高于阈值上限，则数据发生漂移；若低于阈值下限，则未发生漂移。

8.根据权利要求7所述的一种基于贝塞尔曲线更新的节点行为监测时长自适应调整方法，其特征在于，计算相邻向量g_l，p和g_l+1，p+1的夹角θ的公式为：

其中，g_lp表示标签数据的质心和数据空间的质心相连的向量，||g_lp||表示g_lp向量的模长，g_l+1，p+1表示下一个标签数据的质心和下一个数据空间的质心相连的向量。

9.根据权利要求6所述的一种基于贝塞尔曲线更新的节点行为监测时长自适应调整方法，其特征在于，对标准事件模板B-Spline曲线进行漂移补偿更新的过程包括：

S331：根据节点发生漂移的数量进行初步分类；若节点发生漂移的数量大于预设数量值，则此漂移由信道行为所导致的；否则为节点的恶意行为导致的结果；

S332：采用间隔τ对标准事件模板B-Spline曲线进行离散化，同时将数据分成距离为d的数据块d_i；

S333：求取标准传输事件模板d_i数据块的质心q_i，计算标准事件模板数据块的质心q_i和标签数据质心L_i的欧式距离；

S334：去除欧式距离中的最大值与最小值，对剩余的欧式距离求平均值，得到曲线更新的偏移量；

S335：根据时间间隔τ计算对标准事件模板B-Spline曲线进行更新的起始位置；根据起始位置和偏移量对标准事件模板B-Spline曲线进行漂移补偿。

10.根据权利要求1所述的一种基于贝塞尔曲线更新的节点行为监测时长自适应调整方法，其特征在于，调整对该节点的监测时长包括确定等级监测时长、确定惩罚以及激励监测时长。

Images