CN116599867A - 一种基于动态图的物联网传感器异常检测方法和系统 - Google Patents
一种基于动态图的物联网传感器异常检测方法和系统 Download PDFInfo
- Publication number
- CN116599867A CN116599867A CN202310877460.1A CN202310877460A CN116599867A CN 116599867 A CN116599867 A CN 116599867A CN 202310877460 A CN202310877460 A CN 202310877460A CN 116599867 A CN116599867 A CN 116599867A
- Authority
- CN
- China
- Prior art keywords
- internet
- things
- sensor node
- moment
- sensor
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 238000010586 diagram Methods 0.000 title claims description 20
- 230000005856 abnormality Effects 0.000 title claims description 7
- 108010076504 Protein Sorting Signals Proteins 0.000 claims abstract description 128
- 238000004088 simulation Methods 0.000 claims abstract description 90
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 36
- 238000000605 extraction Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 230000006855 networking Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 239000000306 component Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering 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)
- Environmental & Geological Engineering (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明给出了一种基于动态图的物联网传感器异常检测方法和系统,属于物联网安全技术领域,该方法包括:获取物联网中每个传感器节点在不同时刻的仿真信号序列,以生成不同时刻对应的物联网传感器节点动态拓扑图;对每个时刻对应的物联网传感器节点动态拓扑图进行特征提取,以确定所述物联网传感器节点动态拓扑图中每个传感器节点在下一时刻的预测信号序列;获取所述物联网中各个传感器节点在下一时刻的实际信号序列;对所述每个传感器节点在下一时刻的预测信号序列和对应传感器节点在下一时刻的实际信号序列进行比较,以判断所述物联网中处于异常状态的传感器节点。本发明能够实时快速地检测到物联网中处于异常状态的传感器,且准确度高。
Description
技术领域
本发明属于物联网安全技术领域,尤其涉及一种基于动态图的物联网传感器异常检测方法和系统。
背景技术
物联网传感器是物联网的重要组成部分,它们负责从物理世界收集数据,将其转换为数字信号并将其传输到云端,为物联网应用程序提供有用的信息。传感器是物联网系统的核心组件之一。传感器技术包括传感器的类型、制造工艺、信号处理等方面的技术。常见的传感器类型包括温度传感器、湿度传感器、气体传感器、光传感器等。传感器的制造工艺和材料选择也对其性能和成本起着重要作用。物联网传感器需要将数据传输到云端,因此通信技术也是其关键技术之一。传感器可以通过各种通信协议与网关、路由器或直接与云端通信。常见的通信技术包括Wi-Fi、蓝牙、ZigBee、LoRa等。
随着现代电子技术快速发展,物联网传感器通过互联网传输数据,当物联网传感器受到来自其他电子设备的干扰时,例如无线电、电视或无线网络设备,这些干扰源可能干扰传感器的数据收集或传输,导致系统产生误报或无法及时检测到传感器的故障。由于物联网传感器是由多个不同类型传感器进行物联进而对目标进行综合检测,当一个节点处的传感器受到干扰或欺骗时,物联网系统由于缺乏监控使故障或干扰时间被忽略或延迟处理,导致异常节点并未及时被发现。
发明内容
本发明的目的之一,在于提供一种基于动态图的物联网传感器异常检测方法,该物联网传感器异常检测方法能够实时快速地检测到物联网中处于异常状态的传感器节点位置,且准确度高。
本发明的目的之二,在于提供一种基于动态图的物联网传感器异常检测系统。
为了达到上述目的之一,本发明采用如下技术方案实现:
一种基于动态图的物联网传感器异常检测方法,所述物联网传感器异常检测方法包括如下步骤:
步骤S1、获取物联网中每个传感器节点在不同时刻的仿真信号序列,以生成不同时刻对应的物联网传感器节点动态拓扑图;
步骤S2、对每个时刻对应的物联网传感器节点动态拓扑图进行特征提取,以确定所述物联网传感器节点动态拓扑图中每个传感器节点在下一时刻的预测信号序列;
步骤S3、获取所述物联网中各个传感器节点在下一时刻的实际信号序列;
步骤S4、对所述每个传感器节点在下一时刻的预测信号序列和对应传感器节点在下一时刻的实际信号序列进行比较,以判断所述物联网中处于异常状态的传感器节点。
进一步的,在所述步骤S1中,所述获取物联网中每个传感器节点在不同时刻的仿真信号序列的具体过程包括:
步骤S111、对所述物联网中每个传感器节点的信号进行仿真,得到所述物联网中每个传感器节点的仿真信号;
步骤S112、对所述物联网中每个传感器节点的仿真信号进行数据增强处理,以产生所述物联网中每个传感器节点在每个时刻的仿真信号序列;
所述仿真信号序列包括正样本信号和负样本信号。
进一步的,在所述步骤S1中,所述生成不同时刻对应的物联网传感器节点动态拓扑图的具体过程包括:
步骤S121、将每个时刻的各个传感器节点的仿真信号序列输入到门控循环单元中,以确定每个传感器节点的仿真信号序列在不同时刻的隐藏状态向量;
步骤S122、计算所述每个传感器节点的仿真信号序列在不同时刻的隐藏状态向量的均值;
步骤S123、根据所述每个传感器节点的仿真信号序列在不同时刻的隐藏状态向量和对应的均值,计算同一时刻的每两个传感器节点的仿真信号序列之间的相关系数,以确定各个时刻的物联网传感器节点互相关系数矩阵;
步骤S124、将每个时刻的物联网传感器节点互相关系数矩阵中的各个元素值进行归一化处理,得到各个时刻的物联网传感器节点动态拓扑图。
进一步的,所述步骤S2的具体实现过程包括:
步骤S21、对每个时刻的物联网传感器节点动态拓扑图依次进行图傅里叶变换和离散傅里叶变换,得到各个时刻的每个传感器节点的仿真信号序列的实部和虚部;
步骤S22、将所述各个时刻的每个传感器节点的仿真信号序列的实部和虚部输入到特征学习网络中,以提取出所述各个时刻的每个传感器节点的仿真信号序列的实部局部特征和虚部局部特征;
步骤S23、对所述各个时刻的每个传感器节点的仿真信号序列的实部局部特征和虚部局部特征分别进行逆离散傅里叶变换后依次进行图卷积和逆图傅里叶变换,以更新各个时刻的物联网传感器节点动态拓扑图;
步骤S24、将更新后的各个时刻的物联网传感器节点动态拓扑图分别进行预测,以得到每个传感器节点在下一时刻的预测信号序列。
进一步的,在所述步骤S22中,所述特征学习网络包括依次连接的一维卷积层和门控线性单元层;
所述一维卷积层,用于对所述各个时刻的每个传感器节点的仿真信号序列的实部或虚部进行一维卷积特征提取;
所述门控线性单元层包括非线性激活函数sigmoid层和哈达玛乘积层;
所述非线性激活函数sigmoid层,用于将提取的一维卷积特征提取结果映射到0到1之间,以滤除小于阈值的一维卷积特征提取结果;
所述哈达玛乘积层,用于将一维卷积特征提取结果与滤除后的一维卷积特征提取结果进行哈达玛乘积。
为了达到上述目的之二,本发明采用如下技术方案实现:
一种基于动态图的物联网传感器异常检测系统,所述物联网传感器异常检测系统包括:
第一获取模块,用于获取物联网中每个传感器节点在不同时刻的仿真信号序列,以生成不同时刻对应的物联网传感器节点动态拓扑图;
特征提取模块,用于对每个时刻对应的物联网传感器节点动态拓扑图进行特征提取,以确定所述物联网传感器节点动态拓扑图中每个传感器节点在下一时刻的预测信号序列;
第二获取模块,用于获取所述物联网中各个传感器节点在下一时刻的实际信号序列;
比较模块,用于对所述每个传感器节点在下一时刻的预测信号序列和对应传感器节点在下一时刻的实际信号序列进行比较,以判断所述物联网中处于异常状态的传感器节点。
进一步的,所述第一获取模块包括:
仿真子模块,用于对所述物联网中每个传感器节点的信号进行仿真,得到所述物联网中每个传感器节点的仿真信号;
数据增强处理子模块,用于对所述物联网中每个传感器节点的仿真信号进行数据增强处理,以产生所述物联网中每个传感器节点在每个时刻的仿真信号序列;
所述仿真信号序列包括正样本信号和负样本信号。
进一步的,所述第一获取模块还包括:
第一处理子模块,用于将每个时刻的各个传感器节点的仿真信号序列输入到门控循环单元中,以确定每个传感器节点的仿真信号序列在不同时刻的隐藏状态向量;
第一计算子模块,用于计算所述每个传感器节点的仿真信号序列在不同时刻的隐藏状态向量的均值;
第二计算子模块,用于根据所述每个传感器节点的仿真信号序列在不同时刻的隐藏状态向量和对应的均值,计算同一时刻的每两个传感器节点的仿真信号序列之间的相关系数,以确定各个时刻的物联网传感器节点互相关系数矩阵;
归一化处理子模块,用于将每个时刻的物联网传感器节点互相关系数矩阵中的各个元素值进行归一化处理,得到各个时刻的物联网传感器节点动态拓扑图。
进一步的,所述特征提取模块包括:
第二处理子模块,用于对每个时刻的物联网传感器节点动态拓扑图依次进行图傅里叶变换和离散傅里叶变换,得到各个时刻的每个传感器节点的仿真信号序列的实部和虚部;
提取子模块,用于将所述各个时刻的每个传感器节点的仿真信号序列的实部和虚部输入到特征学习网络中,以提取出所述各个时刻的每个传感器节点的仿真信号序列的实部局部特征和虚部局部特征;
更新子模块,用于对所述各个时刻的每个传感器节点的仿真信号序列的实部局部特征和虚部局部特征分别进行逆离散傅里叶变换后依次进行图卷积和逆图傅里叶变换,以更新各个时刻的物联网传感器节点动态拓扑图;
第三处理子模块,用于将更新后的各个时刻的物联网传感器节点动态拓扑图分别进行预测,以得到每个传感器节点在下一时刻的预测信号序列。
综上,本发明提出的方案具备如下技术效果:
本发明将物联网中每个传感器节点在不同时刻的仿真信号序列转换成不同时刻对应的物联网传感器节点动态拓扑图,实现了不同体制和不同模式的多种类型传感器之间的联合处理,具有很好的可扩展性;对每个时刻对应的物联网传感器节点动态拓扑图进行特征提取,预测物联网传感器节点动态拓扑图中每个传感器节点在下一时刻的信号序列;通过每个传感器节点在下一时刻到的预测信号序列和对应传感器节点在下一时刻的实际信号序列的比较,实时检测物联网中处于异常状态的传感器节点,更快速地检测出异常数据,从而可以更加及时地进行处理和响应;本发明利用时空结合的方式,通过物联网传感器节点动态拓扑图,对物联网传感器的拓扑结构进行处理,提升了欺骗位置被发现的准确性,灵敏度高,很好的解决了不同工作原理的传感器之间接收到的信号序列统一处理的困难,并及时发现物联网中的异常位置信息情况。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于动态图的物联网传感器异常检测方法流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例只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。
本实施例给出了一种基于动态图的物联网传感器异常检测方法,参考图1,所述物联网传感器异常检测方法包括如下步骤:
S1、获取物联网中每个传感器节点在不同时刻的仿真信号序列,以生成不同时刻对应的物联网传感器节点动态拓扑图。
通过模拟物联网传感器节点在探测目标后接收到的信号,然后使用matlab仿真不同传感器节点接收到的信号,例如声音传感器的声波信号,温度传感的温度值信号,光传感器的光波信号等,对仿真不同传感器接收到的信号进行数据增强处理,来增强数据集的多样性。本步骤中的获取物联网中每个传感器节点在不同时刻收集到的信号序列的具体过程包括:
步骤S111、对所述物联网中每个传感器节点的信号进行仿真,得到所述物联网中每个传感器节点的仿真信号;
步骤S112、对所述物联网中每个传感器节点的仿真信号进行数据增强处理,以产生所述物联网中每个传感器节点在每个时刻的仿真信号序列;
本实施例通过数据增强的形式,扩大正负样本,以增加数据的多样性,因此,本实施例中,每个仿真信号序列包括正样本信号和负样本信号。本实施例将传感器节点接收到的回波信号进行平移或旋转等,形成正样本信号,实现正样本信号数据量的增加。向传感器节点接收到的回波信号、平移或旋转后的回波信号添加高斯噪声或与信号特征不匹配的噪声,形成负样本信号,实现负样本信号数据量的增加。通过增加不同正负样本数量,保证物联网中每个传感器节点收集到不同情形的信号,提高数据集的多样性,保证特征学习网络输出的信号序列的实部局部特征和虚部局部特征准确性。
本实施例将每个时刻的每个传感器节点的信号序列输入门控循环单元中,得到每个传感器节点的信号序列在不同时刻的隐藏状态向量,通过隐藏状态向量,计算传感器节点的信号序列之间的相关系数(相关系数值均在-1到1之间),得到关于传感器节点接受到的回波时间序列(即信号序列)的邻接权矩阵(即物联网传感器节点互相关系数矩阵),并使用Softmax归一化函数,对邻接权矩阵进行归一化,得到物联网传感器节点动态拓扑图,通过归一化处理,将邻接权矩阵中的各个元素值映射到[0,1]区间内,更好地表示传感器节点之间的连接强度。本步骤中的生成不同时刻对应的物联网传感器节点动态拓扑图的具体过程包括:
步骤S121、将每个时刻的各个传感器节点的仿真信号序列输入到门控循环单元中,以确定每个传感器节点的仿真信号序列在不同时刻的隐藏状态向量;
步骤S122、计算所述每个传感器节点的仿真信号序列在不同时刻的隐藏状态向量的均值;
步骤S123、根据所述每个传感器节点的仿真信号序列在不同时刻的隐藏状态向量和对应的均值,计算同一时刻的每两个传感器节点的仿真信号序列之间的相关系数,以确定各个时刻的物联网传感器节点互相关系数矩阵;
步骤S124、将每个时刻的物联网传感器节点互相关系数矩阵中的各个元素值进行归一化处理,得到各个时刻的物联网传感器节点动态拓扑图。
S2、对每个时刻对应的物联网传感器节点动态拓扑图进行特征提取,以确定所述物联网传感器节点动态拓扑图中每个传感器节点在下一时刻的预测信号序列。
通过每个时刻的物联网传感器节点动态拓扑图的图傅里叶变换和离散傅里叶变换,将各个时刻的每个传感器节点的信号序列转换为频域表示,以便于更好地分析其周期性和频率成分,捕捉周期数据中的重复模式或不同时间戳之间的自相关特征。本步骤的具体实现过程包括:
步骤S21、对每个时刻的物联网传感器节点动态拓扑图依次进行图傅里叶变换和离散傅里叶变换,得到各个时刻的每个传感器节点的仿真信号序列的实部和虚部;
步骤S22、将所述各个时刻的每个传感器节点的仿真信号序列的实部和虚部输入到特征学习网络中,以提取出所述各个时刻的每个传感器节点的仿真信号序列的实部局部特征和虚部局部特征。
本实施例中的特征学习网络包括依次连接的一维卷积层和门控线性单元层。一维卷积层,用于对所述各个时刻的每个传感器节点的仿真信号序列的实部或虚部进行一维卷积特征提取。通过一个卷积核进行卷积操作,从而提取信号序列的实部与虚部中的局部特征,以捕捉信号序列中的时序关系和滞后效应。
门控线性单元层包括非线性激活函数sigmoid层和哈达玛乘积层。非线性激活函数sigmoid层,用于将提取的一维卷积特征提取结果映射到0到1之间,以滤除小于阈值的一维卷积特征提取结果。sigmoid函数的值域在0到1之间,当输出接近0时,代表输入与序列模式不相关,信息被过滤掉。当它的输出接近1时,代表输入与序列模式紧密相关,信息被保留下来。哈达玛乘积层,将提取的一维卷积特征结果与滤除后的一维卷积特征提取结果进行哈达玛乘积(逐个元素相乘),融合成为一个新的特征矩阵,使特征之间的区分更加明显,同时抑制不相关的信息,最终得到各个时刻的每个传感器节点的信号序列的实部局部特征和虚部局部特征。
步骤S23、对所述各个时刻的每个传感器节点的仿真信号序列的实部局部特征和虚部局部特征分别进行逆离散傅里叶变换后依次进行图卷积和逆图傅里叶变换,以更新各个时刻的物联网传感器节点动态拓扑图;
步骤S24、将更新后的各个时刻的物联网传感器节点动态拓扑图分别进行预测,以得到每个传感器节点在下一时刻的预测信号序列。
S3、获取所述物联网中各个传感器节点在下一时刻的实际信号序列。
S4、对所述每个传感器节点在下一时刻的预测信号序列和对应传感器节点在下一时刻的实际信号序列进行比较,以判断所述物联网中处于异常状态的传感器节点。
本实施例将物联网中每个传感器节点在不同时刻的仿真信号序列转换成不同时刻对应的物联网传感器节点动态拓扑图,实现了不同体制和不同模式的多种类型传感器之间的联合处理,具有很好的可扩展性;对每个时刻对应的物联网传感器节点动态拓扑图进行特征提取,预测物联网传感器节点动态拓扑图中每个传感器节点在下一时刻的信号序列;通过每个传感器节点在下一时刻到的预测信号序列和对应传感器节点在下一时刻的实际信号序列的比较,实时检测物联网中处于异常状态的传感器节点,更快速地检测出异常数据,从而可以更加及时地进行处理和响应;本发明利用时空结合的方式,通过物联网传感器节点动态拓扑图,对物联网传感器的拓扑结构进行处理,提升了欺骗位置被发现的准确性,灵敏度高,很好的解决了不同工作原理的传感器之间接收到的信号序列统一处理的困难,并及时发现物联网中的异常位置信息情况。
上述实施例可采用如下实施例给出的技术方案实现:
一种基于动态图的物联网传感器异常检测系统,所述物联网传感器异常检测系统包括:
第一获取模块,用于获取物联网中每个传感器节点在不同时刻的仿真信号序列,以生成不同时刻对应的物联网传感器节点动态拓扑图;
特征提取模块,用于对每个时刻对应的物联网传感器节点动态拓扑图进行特征提取,以确定所述物联网传感器节点动态拓扑图中每个传感器节点在下一时刻的预测信号序列;
第二获取模块,用于获取所述物联网中各个传感器节点在下一时刻的实际信号序列;
比较模块,用于对所述每个传感器节点在下一时刻的预测信号序列和对应传感器节点在下一时刻的实际信号序列进行比较,以判断所述物联网中处于异常状态的传感器节点。
进一步的,所述第一获取模块包括:
仿真子模块,用于对所述物联网中每个传感器节点的信号进行仿真,得到所述物联网中每个传感器节点的仿真信号;
数据增强处理子模块,用于对所述物联网中每个传感器节点的仿真信号进行数据增强处理,以产生所述物联网中每个传感器节点在每个时刻的仿真信号序列;
所述仿真信号序列包括正样本信号和负样本信号。
进一步的,所述第一获取模块还包括:
第一处理子模块,用于将每个时刻的各个传感器节点的仿真信号序列输入到门控循环单元中,以确定每个传感器节点的仿真信号序列在不同时刻的隐藏状态向量;
第一计算子模块,用于计算所述每个传感器节点的仿真信号序列在不同时刻的隐藏状态向量的均值;
第二计算子模块,用于根据所述每个传感器节点的仿真信号序列在不同时刻的隐藏状态向量和对应的均值,计算同一时刻的每两个传感器节点的仿真信号序列之间的相关系数,以确定各个时刻的物联网传感器节点互相关系数矩阵;
归一化处理子模块,用于将每个时刻的物联网传感器节点互相关系数矩阵中的各个元素值进行归一化处理,得到各个时刻的物联网传感器节点动态拓扑图。
进一步的,所述特征提取模块包括:
第二处理子模块,用于对每个时刻的物联网传感器节点动态拓扑图依次进行图傅里叶变换和离散傅里叶变换,得到各个时刻的每个传感器节点的仿真信号序列的实部和虚部;
提取子模块,用于将所述各个时刻的每个传感器节点的仿真信号序列的实部和虚部输入到特征学习网络中,以提取出所述各个时刻的每个传感器节点的仿真信号序列的实部局部特征和虚部局部特征;
更新子模块,用于对所述各个时刻的每个传感器节点的仿真信号序列的实部局部特征和虚部局部特征分别进行逆离散傅里叶变换后依次进行图卷积和逆图傅里叶变换,以更新各个时刻的物联网传感器节点动态拓扑图;
第三处理子模块,用于将更新后的各个时刻的物联网传感器节点动态拓扑图分别进行预测,以得到每个传感器节点在下一时刻的预测信号序列。
上述实施例所涉及的原理、公式及其参数定义均可适用,这里不再一一追溯。
请注意,以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种基于动态图的物联网传感器异常检测方法,其特征在于,所述物联网传感器异常检测方法包括如下步骤:
步骤S1、获取物联网中每个传感器节点在不同时刻的仿真信号序列,以生成不同时刻对应的物联网传感器节点动态拓扑图;
步骤S2、对每个时刻对应的物联网传感器节点动态拓扑图进行特征提取,以确定所述物联网传感器节点动态拓扑图中每个传感器节点在下一时刻的预测信号序列;
步骤S3、获取所述物联网中各个传感器节点在下一时刻的实际信号序列;
步骤S4、对所述每个传感器节点在下一时刻的预测信号序列和对应传感器节点在下一时刻的实际信号序列进行比较,以判断所述物联网中处于异常状态的传感器节点。
2.根据权利要求1所述的物联网传感器异常检测方法,其特征在于,在所述步骤S1中,所述获取物联网中每个传感器节点在不同时刻的仿真信号序列的具体过程包括:
步骤S111、对所述物联网中每个传感器节点的信号进行仿真,得到所述物联网中每个传感器节点的仿真信号;
步骤S112、对所述物联网中每个传感器节点的仿真信号进行数据增强处理,以产生所述物联网中每个传感器节点在每个时刻的仿真信号序列;
所述仿真信号序列包括正样本信号和负样本信号。
3.根据权利要求1所述的物联网传感器异常检测方法,其特征在于,在所述步骤S1中,所述生成不同时刻对应的物联网传感器节点动态拓扑图的具体过程包括:
步骤S121、将每个时刻的各个传感器节点的仿真信号序列输入到门控循环单元中,以确定每个传感器节点的仿真信号序列在不同时刻的隐藏状态向量;
步骤S122、计算所述每个传感器节点的仿真信号序列在不同时刻的隐藏状态向量的均值;
步骤S123、根据所述每个传感器节点的仿真信号序列在不同时刻的隐藏状态向量和对应的均值,计算同一时刻的每两个传感器节点的仿真信号序列之间的相关系数,以确定各个时刻的物联网传感器节点互相关系数矩阵;
步骤S124、将每个时刻的物联网传感器节点互相关系数矩阵中的各个元素值进行归一化处理,得到各个时刻的物联网传感器节点动态拓扑图。
4.根据权利要求3所述的物联网传感器异常检测方法,其特征在于,所述步骤S2的具体实现过程包括:
步骤S21、对每个时刻的物联网传感器节点动态拓扑图依次进行图傅里叶变换和离散傅里叶变换,得到各个时刻的每个传感器节点的仿真信号序列的实部和虚部;
步骤S22、将所述各个时刻的每个传感器节点的仿真信号序列的实部和虚部输入到特征学习网络中,以提取出所述各个时刻的每个传感器节点的仿真信号序列的实部局部特征和虚部局部特征;
步骤S23、对所述各个时刻的每个传感器节点的仿真信号序列的实部局部特征和虚部局部特征分别进行逆离散傅里叶变换后依次进行图卷积和逆图傅里叶变换,以更新各个时刻的物联网传感器节点动态拓扑图;
步骤S24、将更新后的各个时刻的物联网传感器节点动态拓扑图分别进行预测,以得到每个传感器节点在下一时刻的预测信号序列。
5.根据权利要求4所述的物联网传感器异常检测方法,其特征在于,在所述步骤S22中,所述特征学习网络包括依次连接的一维卷积层和门控线性单元层;
所述一维卷积层,用于对所述各个时刻的每个传感器节点的仿真信号序列的实部或虚部进行一维卷积特征提取;
所述门控线性单元层包括非线性激活函数sigmoid层和哈达玛乘积层;
所述非线性激活函数sigmoid层,用于将提取的一维卷积特征提取结果映射到0到1之间,以滤除小于阈值的一维卷积特征提取结果;
所述哈达玛乘积层,用于将一维卷积特征提取结果与滤除后的一维卷积特征提取结果进行哈达玛乘积。
6.一种基于动态图的物联网传感器异常检测系统,其特征在于,所述物联网传感器异常检测系统包括:
第一获取模块,用于获取物联网中每个传感器节点在不同时刻的仿真信号序列,以生成不同时刻对应的物联网传感器节点动态拓扑图;
特征提取模块,用于对每个时刻对应的物联网传感器节点动态拓扑图进行特征提取,以确定所述物联网传感器节点动态拓扑图中每个传感器节点在下一时刻的预测信号序列;
第二获取模块,用于获取所述物联网中各个传感器节点在下一时刻的实际信号序列;
比较模块,用于对所述每个传感器节点在下一时刻的预测信号序列和对应传感器节点在下一时刻的实际信号序列进行比较,以判断所述物联网中处于异常状态的传感器节点。
7.根据权利要求6所述的物联网传感器异常检测系统,其特征在于,所述第一获取模块包括:
仿真子模块,用于对所述物联网中每个传感器节点的信号进行仿真,得到所述物联网中每个传感器节点的仿真信号;
数据增强处理子模块,用于对所述物联网中每个传感器节点的仿真信号进行数据增强处理,以产生所述物联网中每个传感器节点在每个时刻的仿真信号序列;
所述仿真信号序列包括正样本信号和负样本信号。
8.根据权利要求7所述的物联网传感器异常检测系统,其特征在于,所述第一获取模块还包括:
第一处理子模块,用于将每个时刻的各个传感器节点的仿真信号序列输入到门控循环单元中,以确定每个传感器节点的仿真信号序列在不同时刻的隐藏状态向量;
第一计算子模块,用于计算所述每个传感器节点的仿真信号序列在不同时刻的隐藏状态向量的均值;
第二计算子模块,用于根据所述每个传感器节点的仿真信号序列在不同时刻的隐藏状态向量和对应的均值,计算同一时刻的每两个传感器节点的仿真信号序列之间的相关系数,以确定各个时刻的物联网传感器节点互相关系数矩阵;
归一化处理子模块,用于将每个时刻的物联网传感器节点互相关系数矩阵中的各个元素值进行归一化处理,得到各个时刻的物联网传感器节点动态拓扑图。
9.根据权利要求8所述的物联网传感器异常检测系统,其特征在于,所述特征提取模块包括:
第二处理子模块,用于对每个时刻的物联网传感器节点动态拓扑图依次进行图傅里叶变换和离散傅里叶变换,得到各个时刻的每个传感器节点的仿真信号序列的实部和虚部;
提取子模块,用于将所述各个时刻的每个传感器节点的仿真信号序列的实部和虚部输入到特征学习网络中,以提取出所述各个时刻的每个传感器节点的仿真信号序列的实部局部特征和虚部局部特征;
更新子模块,用于对所述各个时刻的每个传感器节点的仿真信号序列的实部局部特征和虚部局部特征分别进行逆离散傅里叶变换后依次进行图卷积和逆图傅里叶变换,以更新各个时刻的物联网传感器节点动态拓扑图;
第三处理子模块,用于将更新后的各个时刻的物联网传感器节点动态拓扑图分别进行预测,以得到每个传感器节点在下一时刻的预测信号序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310877460.1A CN116599867B (zh) | 2023-07-18 | 2023-07-18 | 一种基于动态图的物联网传感器异常检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310877460.1A CN116599867B (zh) | 2023-07-18 | 2023-07-18 | 一种基于动态图的物联网传感器异常检测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116599867A true CN116599867A (zh) | 2023-08-15 |
CN116599867B CN116599867B (zh) | 2023-11-24 |
Family
ID=87599552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310877460.1A Active CN116599867B (zh) | 2023-07-18 | 2023-07-18 | 一种基于动态图的物联网传感器异常检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116599867B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103095589A (zh) * | 2013-01-17 | 2013-05-08 | 电子科技大学 | 基于IPv6的树形拓扑结构的无线传感器网络中传感器节点信任值管理方法 |
CN106354123A (zh) * | 2016-11-01 | 2017-01-25 | 武汉理工大学 | 基于物联网的大型机械设备故障自动检测系统 |
US20170181098A1 (en) * | 2015-12-22 | 2017-06-22 | Rohm Co., Ltd. | Sensor node, sensor network system, and monitoring method |
CN106961349A (zh) * | 2017-02-20 | 2017-07-18 | 江苏大学 | 一种基于数据融合的传感器故障识别系统及方法 |
US20200145493A1 (en) * | 2018-07-22 | 2020-05-07 | TieJun Wang | Multimode Heterogeneous IOT Networks |
US20200356454A1 (en) * | 2019-05-10 | 2020-11-12 | Silicon Motion Technology (Hong Kong) Limited | Method and computer storage node of shared storage system for abnormal behavior detection/analysis |
KR20210017637A (ko) * | 2019-08-09 | 2021-02-17 | 주식회사 아프로스 | IoT 센서 기반 회전 기기의 정밀 상태 진단 장치 및 방법 |
US20210104335A1 (en) * | 2019-10-08 | 2021-04-08 | Labfis Co.,Ltd. | REAL-TIME MONITORING SYSTEM AND METHOD FOR AGRICULTURE AND LIVESTOCK FARMING BY USING IoT SENSOR |
WO2021144619A1 (en) * | 2020-01-14 | 2021-07-22 | Dubai Electricity & Water Authority | A system for monitoring and controlling a dynamic network |
KR20210092999A (ko) * | 2020-01-17 | 2021-07-27 | 한림대학교 산학협력단 | 산업용 사물인터넷(IIoT) 환경에서의 고장 예측 모델 획득 방법, 장치 및 프로그램 |
CN115278683A (zh) * | 2022-07-22 | 2022-11-01 | 重庆科技学院 | 面向wsn的异常节点检测方法 |
KR20220169584A (ko) * | 2021-06-21 | 2022-12-28 | 인천대학교 산학협력단 | 사물인터넷 최적화 노드 선별 및 악성 노드 제거 방법 |
CN116306780A (zh) * | 2023-05-11 | 2023-06-23 | 南京邮电大学 | 一种动态图链接生成方法 |
-
2023
- 2023-07-18 CN CN202310877460.1A patent/CN116599867B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103095589A (zh) * | 2013-01-17 | 2013-05-08 | 电子科技大学 | 基于IPv6的树形拓扑结构的无线传感器网络中传感器节点信任值管理方法 |
US20170181098A1 (en) * | 2015-12-22 | 2017-06-22 | Rohm Co., Ltd. | Sensor node, sensor network system, and monitoring method |
CN106354123A (zh) * | 2016-11-01 | 2017-01-25 | 武汉理工大学 | 基于物联网的大型机械设备故障自动检测系统 |
CN106961349A (zh) * | 2017-02-20 | 2017-07-18 | 江苏大学 | 一种基于数据融合的传感器故障识别系统及方法 |
US20200145493A1 (en) * | 2018-07-22 | 2020-05-07 | TieJun Wang | Multimode Heterogeneous IOT Networks |
US20200356454A1 (en) * | 2019-05-10 | 2020-11-12 | Silicon Motion Technology (Hong Kong) Limited | Method and computer storage node of shared storage system for abnormal behavior detection/analysis |
KR20210017637A (ko) * | 2019-08-09 | 2021-02-17 | 주식회사 아프로스 | IoT 센서 기반 회전 기기의 정밀 상태 진단 장치 및 방법 |
US20210104335A1 (en) * | 2019-10-08 | 2021-04-08 | Labfis Co.,Ltd. | REAL-TIME MONITORING SYSTEM AND METHOD FOR AGRICULTURE AND LIVESTOCK FARMING BY USING IoT SENSOR |
WO2021144619A1 (en) * | 2020-01-14 | 2021-07-22 | Dubai Electricity & Water Authority | A system for monitoring and controlling a dynamic network |
KR20210092999A (ko) * | 2020-01-17 | 2021-07-27 | 한림대학교 산학협력단 | 산업용 사물인터넷(IIoT) 환경에서의 고장 예측 모델 획득 방법, 장치 및 프로그램 |
KR20220169584A (ko) * | 2021-06-21 | 2022-12-28 | 인천대학교 산학협력단 | 사물인터넷 최적화 노드 선별 및 악성 노드 제거 방법 |
CN115278683A (zh) * | 2022-07-22 | 2022-11-01 | 重庆科技学院 | 面向wsn的异常节点检测方法 |
CN116306780A (zh) * | 2023-05-11 | 2023-06-23 | 南京邮电大学 | 一种动态图链接生成方法 |
Non-Patent Citations (3)
Title |
---|
SEHRAWAT DEEPTI: "Smart Sensors: Analysis of Different Types of IoT Sensors", 2019 3RD INTERNATIONAL CONFERENCE ON TRENDS IN ELECTRONICS AND INFORMATICS (ICOEI) * |
唐聪;凌永顺;郑科栋;杨星;郑超;杨华;金伟;: "基于深度学习的多视窗SSD目标检测方法", 红外与激光工程, no. 01 * |
邢雅轩: "工业物联网中基于深度学习的空时数据预测方法研究", 中国优秀硕士学位论文全文数据库, no. 2 * |
Also Published As
Publication number | Publication date |
---|---|
CN116599867B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108932480B (zh) | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 | |
Rashid et al. | WML: Wireless sensor network based machine learning for leakage detection and size estimation | |
CN102111312B (zh) | 基于多尺度主成分分析的网络异常检测方法 | |
CN113049084B (zh) | 一种基于注意力机制的Resnet的分布式光纤传感信号识别方法 | |
Chen et al. | Multiple fault condition recognition of gearbox with sequential hypothesis test | |
CN109827777A (zh) | 基于偏最小二乘法极限学习机的滚动轴承故障预测方法 | |
CN103338451B (zh) | 一种无线传感器网络中分布式的恶意节点检测方法 | |
CN103905440A (zh) | 一种基于日志和snmp信息融合的网络安全态势感知分析方法 | |
Wang et al. | Blind drift calibration of sensor networks using signal space projection and Kalman filter | |
CN115964670B (zh) | 一种频谱异常检测方法 | |
Sohn et al. | Parametric Rao test for multichannel adaptive signal detection | |
Zhang et al. | Cooperative sensor anomaly detection using global information | |
Lu et al. | Early fault warning and identification in condition monitoring of bearing via wavelet packet decomposition coupled with graph | |
Jadidi et al. | Multi-step attack detection in industrial control systems using causal analysis | |
CN116599867B (zh) | 一种基于动态图的物联网传感器异常检测方法和系统 | |
CN116074092B (zh) | 一种基于异构图注意力网络的攻击场景重构系统 | |
CN112033656A (zh) | 一种基于宽带谱处理的机械系统故障检测方法 | |
CN110266527B (zh) | 基于空间相关性的传感器节点故障分类报警方法及装置 | |
CN115356599B (zh) | 一种多模态城市电网故障诊断方法及系统 | |
CN115473748B (zh) | 基于BiLSTM-ELM的DDoS攻击分类检测方法、装置及设备 | |
Ibrahim Gabr et al. | Hybrid detection algorithm for online faulty sensors identification in wireless sensor networks | |
CN115962428A (zh) | 一种燃气管网泄漏实时在线智能可解释性监测溯源方法 | |
CN108055149A (zh) | 一种时频同步应用中端到端流量异常特征提取方法 | |
CN112069987B (zh) | 一种基于统计流形寻优降维的干扰类型自动识别方法 | |
CN113920362A (zh) | 一种基于注意力的非侵入式负荷分解方法 |
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 |