基于二次混合压缩的无线传感网异常事件检测方法及系统的制作方法
基于二次混合压缩的无线传感网异常事件检测方法及系统的制作方法
【技术领域】
[0001] 本发明设及物联网技术领域，尤其设及一种基于二次混合压缩的无线传感网异常 事件检测方法及系统。
【背景技术】
[0002] 无线传感网(Wireless Sensor Networks,简称WSN)是未来网络发展的主流形式， 并已成为本世纪一个新科学研究领域。在基础理论和工程技术两个层面提出了许多急需解 决的问题。无线传感网成本低廉、低功耗、大规模自组网；传感器节点体积小巧、电池供电、 部署灵活；W及能够适应监测人力难W到达的恶劣环境;运些特点使得无线传感网极大地 提升了灾害预防的监控能力。为了及时监测各种可能发生的突发事件(如山体滑坡、大气污 染、森林火灾等），必须关注传感器节点采集到的异常测量值。因此，实时准确地检出异常数 据，并预警特定事件，具有十分重要的意义。
[0003] 无线传感网的异常事件检测技术概括起来主要分为两类：1)点异常检测方法。点 异常即如果传感数据超过设置的某个阔值，则认为事件发生。运种方法只适合小规模、短期 的单一事件监测任务。2)模式异常检测方法。在一些长期渐变环境监测中，突发性的复杂事 件往往很难由指定属性阔值的超限进行报警，不能用简单的阔值来描述，但可W看做一种 模式(事件模式），因可采用模式识别技术进行异常检测。目前，大部分模式异常检测方法都 是在原始采集数据空间上进行，即不对传感器节点采集的数据进行任何变换，虽然运种方 法的有一定检测精度。但算法计算量大、容错性差，节能效果有限。能否在经过压缩处理后 的数据空间上进行异常检测。并且，无线传感网中异常事件检测技术还要面临两个主要挑 战：1)检测精度。由于受环境噪声和网络中各种故障的影响，传感器节点经常给出错误的监 测值，运势必会影响到异常事件检测的可靠性。因此，检测方法必须具有容错性。2)能量有 效性。传感器节点具有非常有限的能量储备，无线传感网事件监测的网络生命期取决于节 点能耗，因而检测方法必须具有节能性。
[0004] 大规模长期部署无线传感网中成千上万的传感器节点产生海量的高维时序数据， 运些数据中包含了大量的冗余并隐藏了重要关系的相关性，若在运些原始数据空间上直接 进行异常检测，其能量和通讯带宽的巨大开销将会缩短网络生命周期，甚至使无线传感网 不能够完成监测任务。因此，在数据被传送到网关之前进行压缩(或降维)是非常必要的。在 事件监测型WSN应用系统中，从网络的监测数据中快速识别异常事件是其首要目标，其重要 性甚至超过监测数据本身。通过数据压缩方法挖掘节点之间的时空相关性，最大限度的消 除数据之间的冗余度，在保证大幅度降低数据传输量的同时，仍然能够保持高精度的事件 监测性能，并从海量流数据中抽取出潜在的有用信息、模式和趋势。
[0005] 简洁、灵活、自适应地表示信号一直是信息处理领域最基础、最前沿的研究问题。 随着人们对携带信息的信号带宽需求不断增长，W传统信号采样定理为基础对硬件A/D采 样和处理速度也越来越快，因而对宽带信号处理难W为继。例如，高精度多光谱的环境资源 勘探，其海量数据传输和处理就是一个难题。然而，"奈奎斯特"采样速率必须达到信号带宽 的两倍W上只是精确地重构原始信号的充分而非必要条件。近年来，DonohoXandes和化ο 等人提出的压缩感知理论打破了经典"Shannon/Nyquist"采样定理的束缚，压缩感知理论 的信息处理框架表明只要信号具有稀疏性(或可压缩性），就可W用远低于奈奎斯特速率去 采样信号，并可W从少量的采样值中W极高的概率完美地恢复原始信号，无需考虑信号的 具体物理测度(如频率、带宽）的限制。因此，该理论为无线传感网数据压缩方法的设计提供 了新途径。结合无线传感网相关特点，通过压缩感知方法挖掘节点之间的数据相关性，最大 限度的消除数据之间的冗余度，在保证大幅度降低数据传输量的同时，仍然能够保持高精 度的事件监测性能，并从海量流数据中抽取出潜在的有用信息、模式和趋势。
【发明内容】
[0006] 本发明要解决的技术问题在于针对现有技术中对大量传感器节点产生的海量高 缔时序数据，难W直接进行异常检测的缺陷，提供一种对原始数据进行压缩和降维，减小通 讯带宽的基于二次混合压缩的无线传感网异常事件检测方法及系统。
[0007] 本发明解决其技术问题所采用的技术方案是：
[0008] 本发明提供一种基于二次混合压缩的无线传感网异常事件检测方法，包括W下步 骤：
[0009] S1、设置滑动检测窗口，通过压缩感知方法对滑动窗口内采集的原始数据序列X进 行第一次压缩，得到压缩序列Y;并通过分段线性拟合方法对压缩序列Y进行第二次压缩，得 到压缩序列中每个数据点的扩展时态边缘算子；
[0010] S2、根据扩展时态边缘算子计算压缩序列Y中每个数据点边缘幅度ei和边缘强度 Ri，选择检测窗口 W内的边缘强度Ri的极值点作为边缘点，加入到边缘点序列Cy，并在边缘点 序列Cy中选取插值误差较小N个边缘点，构成新的边缘点序列皆；
[00川 S3、根据边缘点序列姆将压缩序列Y分段线性表示为Yl，由化中所有fi组成模式 集;并计算模式集中fi模式的特征长度、斜率和均值，并进行规范化处理，获得特征值序列： C(f) = kl,C2,··· ,Cy};
[001^ S4、计算C(f)中任意两个模式Ci和Cj的模式距离dist(Ci,Cj)，计算模式fi的本地可 到达密度lrdk(fi)W及模式fi的本地异常因子LOFk(fi);
[0013] S5、根据混合压缩后的本地异常因子大小在对应的时间序列区间进行事件检测。
[0014] 进一步地，本发明的步骤S1中对原始数据序列X进行第一次压缩得到压缩序列Y的 公式为：
[0015]
[0016] 其中，原始序列XERn，压缩序列YEr，Y的维数Π 1<<η，φηχη为信号的稀疏矩阵，护Xn 为感知矩阵，且稀疏矩阵与感知矩阵满足RIP性质，根据原始序列X的时间波动特征，选择相 应的稀疏矩阵φηΧη。
[0017] 进一步地，本发明的步骤S1中计算压缩序列Υ的扩展时态边缘算子ETE0(t，w)i的 公式为：
[001 引 ETE0(t,w)i= (yi+t-yi)
[0019] 其中，1 y如，-w含t含w，i是扩展时态边缘算子检巧幡口长度为w的中屯、点。
[0020]进一步地，本发明的步骤S2中计算压缩序列Υ中每个数据点边缘幅度ei和边缘强 度Ri的公式分别为：
[0023] 其中，*表示离散卷积，公式中P化)定义如下：
[0024]
[0025] 节点采用扩展时态边缘算子与压缩序列Y进行卷积运算，获得每个数据点yi的边 缘幅度边缘幅度ei和边缘强度Ri。
[0026] 进一步地，本发明的步骤S3中计算模式集化中fi模式的特征长度以、斜率Ki和均值 Mi的公式分别为:U = tw-ti+l，
[0027] 进一步地，本发明的步骤S3中将fi模式特征的长度、斜率、均值进行归一化处理的 公式分别为：
[0031] 其中，li、ki和ΠΗ分别表示归一化处理后的长度、斜率和均值。
[0032] 进一步地，本发明的步骤S4中计算C(f)中任意两个模式Ci和Cj的模式距离dist (Ci,Cj)公式为：
[0033] 进一步地，本发明的步骤S4中计算模式fi的本地可到达密度Irdk(fi)公式为：
[0034]
[00对其中，给定keN+，Nk(fi)表示与模式fi的距离不大于k_disUfi)的所有模式集合， 称为模式fi的k距离最近邻，|Nk(fi) I表示集合中的模式个数；
[0036] rd(Ci,Cj)表示模式Ci相对于Cj的可 到达距离，rd(Ci,Cj)的计算公式为:rd(Ci,Cj) =max(k_dist(Cj) ,dist(Ci ,Cj))。
[0037] 进一步地，本发明的步骤S4中计算模式fi的本地异常因子LOFk(fi)公式为：
[00；3 引
[0039] 其中，Irdk(fi)为模式fi的本地可到达密度，Nk(fi)表示模式fi的k距离最近邻。
[0040] 本发明提供一种基于二次混合压缩的无线传感网异常事件检测系统，包括：
[0041] 二次压缩单元，用于设置滑动检测窗口，通过压缩感知方法对滑动窗口内采集的 原始数据序列X进行第一次压缩，得到压缩序列Y;并通过分段线性拟合方法对压缩序列Y进 行第二次压缩，得到压缩序列中每个数据点的扩展时态边缘算子；
[0042] 边缘序列计算单元，用于根据扩展时态边缘算子计算压缩序列Y中每个数据点边 缘幅度ei和边缘强度Ri，选择检测窗口 W内的边缘强度Ri的极值点作为边缘点，加入到边缘 点序列Cy，并在边缘点序列Cy中选取插值误差较小N个边缘点，构成新的边缘点序列片；
[0043] 特征值序列计算单元，用于根据边缘点序列Cf将压缩序列Y分段线性表示为化， 由化中所有fi组成模式集;并计算模式集中fi模式的特征长度、斜率和均值，并进行规范化 处理，获得特征值序列:C( f ) = {： C1，C2，…，C丫 };
[0044] 本地异常因子计算单元，用于计算C(f)中任意两个模式Cl和cj的模式距离dist (ci，cj)，计算模式fi的本地可到达密度lrdk(fi)W及模式fi的本地异常因子LOFk(fi);
[0045] 事件检测单元，用于根据混合压缩后的本地异常因子大小在对应的时间序列区间 进行事件检测。
[0046] 本发明产生的有益效果是:本发明的基于二次混合压缩的无线传感网异常事件检 测方法，通过结合压缩感知技术极大地减小无线传感网异常检测的计算量，提高了无线传 感网节点捜索效率和准确定位异常数据的能力，能够更加高效快速地发现异常事件；
[0047] 通过将无线传感网每个节点分布在混合压缩后的数据空间进行异常检测，只有检 测到有异常信息，且通过空间关联性的检测排错后，节点才能向网关发送包含异常信息的 压缩序列，提高了异常检测的及时性，大幅度节省了能量和通信带宽。
【附图说明】
[004引下面将结合附图及实施例对本发明作进一步说明，附图中：
[0049] 图1是本发明实施例的基于二次混合压缩的无线传感网异常事件检测方法的流程 图；
[0050] 图2是本发明实施例的基于二次混合压缩的无线传感网异常事件检测方法的分段 线性拟合压缩方法检测X3(t)的本地异常因子的实验对比图；
[0051] 图3是本发明实施例的基于二次混合压缩的无线传感网异常事件检测方法的压缩 感知与分段线性拟合二次混合压缩后检测X3(t)的本地异常因子实验对比图；
[0052] 图4是本发明实施例的基于二次混合压缩的无线传感网异常事件检测系统的结构 框图；
[0053] 图中，401-二次压缩单元，402-边缘序列计算单元，403-特征值序列计算单元， 404-本地异常因子计算单元，405-事件检测单元。
【具体实施方式】
[0054] 为了使本发明的目的、技术方案及优点更加清楚明白，W下结合附图及实施例，对 本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用W解释本发明，并不 用于限定本发明。
[0055] 如图1所示，本发明实施例的基于二次混合压缩的无线传感网异常事件检测方法， 包括W下步骤：
[0056] S1、设置滑动检测窗口，通过压缩感知方法对滑动窗口内采集的原始数据序列X进 行第一次压缩，得到压缩序列Y;并通过分段线性拟合方法对压缩序列Y进行第二次压缩，得 到压缩序列中每个数据点的扩展时态边缘算子；
[0057] S2、根据扩展时态边缘算子计算压缩序列Y中每个数据点边缘幅度ei和边缘强度 Ri，选择检测窗口 W内的边缘强度Ri的极值点作为边缘点，加入到边缘点序列Cy，并在边缘点 序列Cy中选取插值误差较小N个边缘点，构成新的边缘点序列。\ ;
[0化引 S3、根据边缘点序列将压缩序列Y分段线性表示为化，由化中所有fi组成模式 集;并计算模式集中fi模式的特征长度、斜率和均值，并进行规范化处理，获得特征值序列： C(f) = kl，C2，···，Cy};
[0059] S4、计算C(f)中任意两个模式Cl和c撕模式距离disUci向），计算模式fi的本地可 到达密度lrdk(fi)W及模式fi的本地异常因子LOFk(fi);
[0060] S5、根据混合压缩后的本地异常因子大小在对应的时间序列区间进行事件检测。
[0061] 首先在无线传感网节点设置滑动窗口，利用压缩感知技术对滑动窗口内采集的原 始数据序列XERD进行第一次压缩，获得压缩序列Y:
[0062] Υ=φφΤχ (1)
[0063] 其中，Yer，Y的维数m?n，根据压缩感知理论只要信号的稀疏矩阵Φ"χη与感知矩 阵护xn满足RIP性质，就可由序列Υ精确重构原始序列X，即不会漏检原始数据空间X中的异常 信息，根据序列X的时间波动特征，可W选择相应的稀疏矩阵护Xn，第一次压缩过程的计算量 近似为〇(皿）。
[0064] 为了进一步减小异常数据的捜索空间，再利用分段线性拟合方法对压缩序列Y进 行第二次压缩，获得分段线性拟合误差最小的分段点，用运些分段点的直线段来线性拟合 压缩序列Y;计算压缩序列Y的扩展时态边缘算子ETE0(t，w)i的公式为：
[00化]ETE0(t，w)i=(yi+t-yi) (2)
[0066] 其中，如，-W含t含W，i是扩展时态边缘算子检测窗口长度为W的中屯、点，依次 计算压缩序列Y中每个数据点的边缘算子，获得数据点所对应的扩展时态边缘算子序列。
[0067] 根据扩展时态边缘算子，定义压缩序列Y中每个数据点边缘幅度ei公式为：
[006引 ei= Σ (yi+冲ETE0(t，w)) (3)
[0069] 其中，*表示离散卷积，节点采用扩展时态边缘算子与压缩序列Υ进行卷积运算，获 得每个数据点yi的边缘幅度边缘幅度ei。边缘幅度ei表示该数据点邻域内序列的变化趋势， 边缘幅度越大则该点附近数据波动越剧烈;较小的边缘幅度表示其邻域内的数据点基本处 于同一变化趋势。
[0070] 由于节点采集的序列是一时变非平稳的随机过程。随着时间的推移，数据特征可 能会发生变化，从而影响对序列数据边缘点的判断和选取。为此，将边缘幅度ei进行数字量 化得到边缘强度Ri，选取边缘强度大的数据点作为边缘点，边缘强度越大的点，成为边缘点 的可能性越大;在边缘强度相同的情况下，选取插值误差较小的点作为边缘点。边缘强度Ri 定义为：
[0074] 选择检测窗口w内的边缘强度Ri的极值点作为边缘点，选取插值误差较小的N个边 缘点构成边缘点序列邸，利用边缘点序列Cf将压缩序列Y分段线性表示为Yl，由化中所有 fi组成模式集，则压缩序列Y的分段线性表示为K =(./；(义，乂,)，乃乂1成。)，…，乃乂^_1，>',")}，称 化中任一个fi为压缩序列Y的一个ETE0模式。分段线性压缩过程计算量为〇( 丫 log m)，其中 丫为序列Y的直线分段数，一般而言丫 <<m。
[0075] 节点采集的数据序列是否有异常会反映在相应的模式特征有无异常，当模式特征 出现异常时，该模式很可能是异常模式。异常模式通常表现为一种模式特征的异常或多种 模式特征异常的综合，因此，为全面的表示数据序列异常模式特征，选取ETE0模式的长度、 斜率和均值作为模 式特征，将数据序列映射到Ξ维特征空间，Ξ种模式特征的定义如下：
[0076] 设fi是压缩序列Y-个ETE0模式，定义fi模式的特征长度以、斜率Ki和均值Mi为：
[0077]
^6)
[007引进一步，为了获得fi模式的特征值序列C(f ) = ki，C2，···，(3丫}，其中Ci=(li，ki，mi) 表示模式fi的特征。由于fi模式特征的长度、斜率、均值值域不同，将Ξ种特征值采用极差归 一化方法线性映射到区间[0，1 ]，进行规范化处理公式分别为：
[0079]
[0080] 利用模式特征Cl和欧氏距离来度量两个不同模式之间的距离，定义C(f)中任意两 个模式Ci和Cj的模式距离disUci,Cj)为：
[0081 ]
(8)
[0082] 给定k￡N+(正整数集），定义模式fi的本地可到达密度Irdk(fi)为：
[0083]
(9)
[0084] 其中，Nk(fi)表示与模式fi的距离不大于k_dist(fi)的所有模式集合，称为模式fi 的k距离最近邻，|Nk(fi) I表示集合中的模式个数，对任模式fi的k距离定义为离fi最近邻的 第k个模式的距离，其计算公式为：
[00 化]k_dist(fi) = dist(^ci, Cj) (10)
[0086]由于可能有多个模式与模式fi的距离等于k_dist(fi)，因此k_dist(fi)应同时满 足W下条件：
[0087] 1)至少有k个模式fj，且j辛i，满足disUci,Cj) <k_dist(fi);
[008 引 2)至多有 k-1 个模式 fj，且 j辛 i，满足 disUci，Cj)<k_dist(fi);
[0089] rd(ci，cj)称为模式Cl相对于C北勺可到达距离，其计算公式为：
[0090] rd(Ci,Cj)=max(k_dist(Cj) ,dist(ci,cj)) (11)
[0091] 本地可到达密度Irdk化读达了模式fi的邻域密度分布，给定kEN%定义模式fi的 本地异常因子LOFk(fi)为： 目
（12)
[0093] fi模式的本地异常因子LOFk(fi)表示了模式异常程度，异常因子越大，该模式越偏 离模式聚簇中屯、，与其他模式差异越大，当异常因子超过某一给定值时，认为该模式异常， 无线传感网判定该模式对应的序列区间存在异常事件。
[0094] 采用局部异常因子LOFk(fi)进行异常检测的计算量由Ξ部分构成：（1)计算模式距 离为〇( 丫 2)，（2)计算模式局部可达密度Irdk(fi)为〇( 丫 k)，其中k为邻域内的模式个数且k < 丫，（3)计算局部异常因子LOFk(fi)也为〇( 丫 k)，则异常检测的总计算量近似为〇( 丫 2)。由 于丫 < <m< <n，因此，该方法极大地减小无线传感网异常检测的计算复杂度。
[00M]根据W上相关定义和理论分析，本发明提出一种基于二次混合压缩的无线传感网 监控异常事件的快速检测方法。该方法首先利用压缩感知技术将无线传感网采集的原始数 据进行降维，再利用分段线性拟合方法对降维后的序列进行第二次压缩，获得分段线性拟 合误差最小的分段点，用运些分段点的直线段来线性拟合序列，再采用局部异常因子进行 异常检测，W模式的本地异常因子来表征二次混合压缩数据序列的异常程度，而不是直接 在原始数据序列上对单个数据点进行异常检测。
[0096] 在本发明的另一个实施例中，输入为设置无线传感网节点检测滑动窗口长度，输 出为无线传感网报告监测区域是否有异常事件，该方法的具体步骤为：
[0097] 步骤一：利用压缩感知技术对滑动窗口内采集的原始数据序列XERD进行第一次 压缩，获得压缩序列γ= ΦφΤχ，（Yer);
[0098] 步骤二:利用分段线性拟合方法对压缩序列Υ进行第二次压缩，计算Υ中每个数据 点扩展时态边缘算子ΕΤΕ0( t，W) i;
[0099] 步骤Ξ:计算压缩序列Υ中每个数据点边缘幅度ei和边缘强度Ri;
[0100] 步骤四：选择检测窗口W内的边缘强度Ri的极值点作为边缘点，加入到边缘点序列 Cy；
[0101] 步骤五：在边缘点序列Cy中选取插值误差较小N个边缘点，构成新的边缘点序列 矿
[0102] 步骤六:利用边缘点序列Cf将压缩序列Y分段线性表示为化，由化中所有fi组成模 式集；
[0103] 步骤屯:计算模式集中fi模式的特征长度、斜率和均值，并进行规范化处理，获得 特征值序列：c(f) = ki，C2，···，Cy };
[0104] 步骤八:计算C(f)中任意两个模式Cl和Cj的模式距离disUci，Cj);
[0105] 步骤九:计算模式fi的本地可到达密度Irdk(fi);
[0106] 步骤十:计算模式fi的本地异常因子LOFk(fi);
[0107] 步骤十一:无线传感网节点根据二次混合压缩后的本地异常因子大小在对应的时 间序列区间进行事件检测。
[0108] 通过实验验证，实验中采用公开的合成数据集Ma_Da化由W下过程产生：
[0112] 其中，t=l，2,…，n，n=1200，n(t)是均值为0,标准差为0.1加性高斯噪声，ei(t)、 e2(t)是两个异常事件，ei(t)定义如下：
[0113]
[0114] ni(t)符合正态分布N(0,0.5)，e2(t)定义如下：
[0115]
[0116] 由W上定义可知，数据序列Xi(t)是周期为60的正常序列，X2(t)是在Xi(t)中添加 了异常ei(t)，X3(t)是在X2(t)中添加了异常e2(t)，在区间[600,620]、[820,870]改变了序 列的性质，运两个区间存在异常事件。
[0117] 如图2和图3所示，为了评价本发明的性能进行对比实验，图2只采用分段线性拟合 压缩方法检测X3(t)的本地异常因子，图3采用压缩感知与分段线性拟合二次混合压缩方法 检测X3(t)的本地异常因子。
[0118] 在图2和图3中，上半部分曲线表示Ma_Data数据集上的序列X3(t)，下半部分曲线 表示对应数据序列的异常因子。图2中区间[600,620]之间的异常因子明显高于其他区间， 准确检测出异常事件ei(t);区间[800,870]的异常因子也较大，同时也准确发现异常事件Θ2 (t)。
[0119] 图3中X3(t)首先经过压缩感知技术进行第一次压缩，滑动窗口长度设为30,获得 压缩序列Y长度为10,再利用分段线性拟合进行第二次压缩后，图3序列区间长度与图2相比 缩小3倍，局部异常因子在数据点200和275附近区间都比其它区间大，与图2相比不仅准确 发现异常事件ei(t)，同时也准确发现异常事件e2(t)，并且检测出异常事件e2(t)的局部异 常因子相比图2对比更加明显。实验结果证明经过二次混合压缩后，极大地减小了捜索异常 数据的空间范围，聚焦并突出了异常数据的位置。
[0120] 综上所述，本发明提出了一种基于二次混合压缩的无线传感网监控异常事件的快 速检测方法。该方法首先利用压缩感知技术将无线传感网采集的原始数据进行降维，再利 用分段线性拟合方法对降维后的序列进行第二次压缩，获得分段线性拟合误差最小的分段 点，用运些分段点的直线段来线性拟合序列，再采用局部异常因子进行异常检测，将异常检 测的计算量从〇(n2))减小到0( 丫 2)，提高了节点捜索效率和准确定位异常数据的能力。实验 结果表明，与直接在原始数据空间进行异常检测相比，更能够高效快速的发现异常事件。
[0121] 如图4 所示，本发明实施例的基于二次混合压缩的无线传感网异常事件检测系统， 用于实现本发明实施例的基于二次混合压缩的无线传感网异常事件检测方法，包括：
[0122] 二次压缩单元401，用于设置滑动检测窗口，通过压缩感知方法对滑动窗口内采集 的原始数据序列X进行第一次压缩，得到压缩序列Y;并通过分段线性拟合方法对压缩序列Y 进行第二次压缩，得到压缩序列中每个数据点的扩展时态边缘算子；
[0123] 边缘序列计算单元402,用于根据扩展时态边缘算子计算压缩序列Y中每个数据点 边缘幅度ei和边缘强度Ri，选择检测窗口W内的边缘强度Ri的极值点作为边缘点，加入到边 缘点序列Cy，并在边缘点序列Cy中选取插值误差较小N个边缘点，构成新的边缘点序列C;\ :
[0124] 特征值序列计算单元403,用于根据边缘点序列CfW将压缩序列Y分段线性表示为 化，由化中所有fi组成模式集;并计算模式集中fi模式的特征长度、斜率和均值，并进行规范 化处理，获得特征值序列:C( f ) = ，C2，…，CY };
[0125] 本地异常因子计算单元404,用于计算C(f)中任意两个模式Cl和c北勺模式距离dist (ci，cj)，计算模式fi的本地可到达密度lrdk(fi)W及模式fi的本地异常因子LOFk(fi);
[0126] 事件检测单元405,用于根据混合压缩后的本地异常因子大小在对应的时间序列 区间进行事件检测。
[0127] 应当理解的是，对本领域普通技术人员来说，可W根据上述说明加 W改进或变换， 而所有运些改进和变换都应属于本发明所附权利要求的保护范围。
【主权项】
1. 一种基于二次混合压缩的无线传感网异常事件检测方法，其特征在于，包括以下步 骤： 51、 设置滑动检测窗口，通过压缩感知方法对滑动窗口内采集的原始数据序列X进行第 一次压缩，得到压缩序列Y;并通过分段线性拟合方法对压缩序列Y进行第二次压缩，得到压 缩序列中每个数据点的扩展时态边缘算子； 52、 根据扩展时态边缘算子计算压缩序列Y中每个数据点边缘幅度&和边缘强度R1，选 择检测窗口 w内的边缘强度Ri的极值点作为边缘点，加入到边缘点序列Cy，并在边缘点序列 Cy中选取插值误差较小N个边缘点，构成新的边缘点序列; 53、 根据边缘点序列Cf将压缩序列Y分段线性表示为Yi，由Yi中所有fi组成模式集;并计 算模式集中心模式的特征长度、斜率和均值，并进行规范化处理，获得特征值序列:C(f) = {ci,C2,··· ,Εγ}； 34、计算以;〇中任意两个模式(^和(^的模式距离(1181:((^，(^)，计算模式;^的本地可到达 密度lrdk(fi)以及模式fi的本地异常因子LOFk(fi); S5、根据混合压缩后的本地异常因子大小在对应的时间序列区间进行事件检测。2. 根据权利要求1所述的基于二次混合压缩的无线传感网异常事件检测方法，其特征 在于，步骤Sl中对原始数据序列X进行第一次压缩得到压缩序列Y的公式为：其中，原始序列X￡Rn，压缩序列YeR'Y的维数πι〈〈η，φηΧη为信号的稀疏矩阵，φ ηΧη为感 知矩阵，且稀疏矩阵与感知矩阵满足RIP性质，根据原始序列X的时间波动特征，选择相应的 稀疏矩阵rXn。3. 根据权利要求1所述的基于二次混合压缩的无线传感网异常事件检测方法，其特征 在于，步骤Sl中计算压缩序列Y的扩展时态边缘算子ETE0( t，w) i的公式为： ETEO(t,w)i=(yi+t-yi) 其中，1<：[<111，1^1："，；[是扩展时态边缘算子检测窗口长度为￥的中心点。4. 根据权利要求3所述的基于二次混合压缩的无线传感网异常事件检测方法，其特征 在于，步骤S2中计算压缩序列Y中每个数据点边缘幅度&和边缘强度R 1的公式分别为：其中，*表示离散卷积，公式中P(k)定义如下：节点采用扩展时态边缘算子与压缩序列Y进行卷积运算，获得每个数据点的边缘幅度 边缘幅度ei和边缘强度Ri。5. 根据权利要求1所述的基于二次混合压缩的无线传感网异常事件检测方法，其特征 在于，步骤S3中计算模式集^中^模式的特征长度Li、斜率K i和均值Mi的公式分别为= Li =6. 根据权利要求5所述的基于二次混合压缩的无线传感网异常事件检测方法，其特征 在于，步骤S3中将^模式特征的长度、斜率、均值进行归一化处理的公式分别为：其中，li、ki和mi分别表不归一化处理后的长度、斜率和均值。7. 根据权利要求6所述的基于二次混合压缩的无线传感网异常事件检测方法，其特征 在于，步骤S4中计算C(f)中任意两个模式Ci和Cj的模式距离dist(ci，cj)公式为：8. 根据权利要求7所述的基于二次混合压缩的无线传感网异常事件检测方法，其特征 在于，步骤S4中计算模式fi的本地可到达密度lrdk(fi)公式为：其中，给定表示与模式h的距离不大于Ldistai)的所有模式集合，称为 模式距离最近邻，INk(A) I表示集合中的模式个数； 1(1((^，(^)表示模式(^相对于(^的可到达距离4(1((^，(^)的计算公式为^(1((^，(^)=11^ (k_dist(cj),dist(ci,Cj)) 〇9. 根据权利要求8所述的基于二次混合压缩的无线传感网异常事件检测方法，其特征 在于，步骤S4中计算模式匕的本地异常因子LOFdfO公式为：其中，lrdk(fi)为模式fi的本地可到达密度，Nk(fi)表示模式fi的k距离最近邻。10. -种基于二次混合压缩的无线传感网异常事件检测系统，其特征在于，包括： 二次压缩单元，用于设置滑动检测窗口，通过压缩感知方法对滑动窗口内采集的原始 数据序列X进行第一次压缩，得到压缩序列Y;并通过分段线性拟合方法对压缩序列Y进行第 二次压缩，得到压缩序列中每个数据点的扩展时态边缘算子； 边缘序列计算单元，用于根据扩展时态边缘算子计算压缩序列Y中每个数据点边缘幅 度&和边缘强度R1，选择检测窗口 w内的边缘强度R1的极值点作为边缘点，加入到边缘点序 列Cy，并在边缘点序列Cy中选取插值误差较小N个边缘点，构成新的边缘点序列; 特征值序列计算单元，用于根据边缘点序列Cf将压缩序列Y分段线性表示为YL，由Yl中 所有fi组成模式集;并计算模式集中^模式的特征长度、斜率和均值，并进行规范化处理，获 得特征值序列:C(f ) = { Cl，C2，…，Cy }; 本地异常因子计算单元，用于计算c(f)中任意两个模式Ci和Cj的模式距离dist(Ci, Cj)， 计算模i的本地可到达密度Ir(Mf1)以及模式心的本地异常因子LOFk^); 事件检测单元，用于根据混合压缩后的本地异常因子大小在对应的时间序列区间进行 事件检测。
【专利摘要】本发明公开了一种基于二次混合压缩的无线传感网异常事件检测方法及系统，该方法包括：S1、通过压缩感知方法对原始数据序列进行第一次压缩；通过分段线性拟合方法对压缩序列进行第二次压缩，得到态边缘算子；S2、计算压缩序列中每个数据点边缘幅度和边缘强度，选择边缘点序列中插值误差较小边缘点构成新的边缘点序列；S3、根据边缘点序列获得特征值序列；S4、计算本地可到达密度以及本地异常因子；S5、根据混合压缩后的本地异常因子大小在对应的时间序列区间进行事件检测。本发明提高了无线传感网节点搜索效率和准确定位异常数据的能力，能够更加高效快速地发现异常事件；且提高了异常检测的及时性，大幅度节省了能量和通信带宽。
【IPC分类】H04W24/08, H04W84/18
【公开号】CN105491614
【申请号】CN201610044511
【发明人】陈分雄, 胡凯, 赵天明, 凌承昆, 唐曜曜, 王典洪
【申请人】中国地质大学（武汉）
【公开日】2016年4月13日
【申请日】2016年1月22日
【技术领域】
[0001] 本发明设及物联网技术领域，尤其设及一种基于二次混合压缩的无线传感网异常 事件检测方法及系统。
【背景技术】
[0002] 无线传感网(Wireless Sensor Networks,简称WSN)是未来网络发展的主流形式， 并已成为本世纪一个新科学研究领域。在基础理论和工程技术两个层面提出了许多急需解 决的问题。无线传感网成本低廉、低功耗、大规模自组网；传感器节点体积小巧、电池供电、 部署灵活；W及能够适应监测人力难W到达的恶劣环境;运些特点使得无线传感网极大地 提升了灾害预防的监控能力。为了及时监测各种可能发生的突发事件(如山体滑坡、大气污 染、森林火灾等），必须关注传感器节点采集到的异常测量值。因此，实时准确地检出异常数 据，并预警特定事件，具有十分重要的意义。
[0003] 无线传感网的异常事件检测技术概括起来主要分为两类：1)点异常检测方法。点 异常即如果传感数据超过设置的某个阔值，则认为事件发生。运种方法只适合小规模、短期 的单一事件监测任务。2)模式异常检测方法。在一些长期渐变环境监测中，突发性的复杂事 件往往很难由指定属性阔值的超限进行报警，不能用简单的阔值来描述，但可W看做一种 模式(事件模式），因可采用模式识别技术进行异常检测。目前，大部分模式异常检测方法都 是在原始采集数据空间上进行，即不对传感器节点采集的数据进行任何变换，虽然运种方 法的有一定检测精度。但算法计算量大、容错性差，节能效果有限。能否在经过压缩处理后 的数据空间上进行异常检测。并且，无线传感网中异常事件检测技术还要面临两个主要挑 战：1)检测精度。由于受环境噪声和网络中各种故障的影响，传感器节点经常给出错误的监 测值，运势必会影响到异常事件检测的可靠性。因此，检测方法必须具有容错性。2)能量有 效性。传感器节点具有非常有限的能量储备，无线传感网事件监测的网络生命期取决于节 点能耗，因而检测方法必须具有节能性。
[0004] 大规模长期部署无线传感网中成千上万的传感器节点产生海量的高维时序数据， 运些数据中包含了大量的冗余并隐藏了重要关系的相关性，若在运些原始数据空间上直接 进行异常检测，其能量和通讯带宽的巨大开销将会缩短网络生命周期，甚至使无线传感网 不能够完成监测任务。因此，在数据被传送到网关之前进行压缩(或降维)是非常必要的。在 事件监测型WSN应用系统中，从网络的监测数据中快速识别异常事件是其首要目标，其重要 性甚至超过监测数据本身。通过数据压缩方法挖掘节点之间的时空相关性，最大限度的消 除数据之间的冗余度，在保证大幅度降低数据传输量的同时，仍然能够保持高精度的事件 监测性能，并从海量流数据中抽取出潜在的有用信息、模式和趋势。
[0005] 简洁、灵活、自适应地表示信号一直是信息处理领域最基础、最前沿的研究问题。 随着人们对携带信息的信号带宽需求不断增长，W传统信号采样定理为基础对硬件A/D采 样和处理速度也越来越快，因而对宽带信号处理难W为继。例如，高精度多光谱的环境资源 勘探，其海量数据传输和处理就是一个难题。然而，"奈奎斯特"采样速率必须达到信号带宽 的两倍W上只是精确地重构原始信号的充分而非必要条件。近年来，DonohoXandes和化ο 等人提出的压缩感知理论打破了经典"Shannon/Nyquist"采样定理的束缚，压缩感知理论 的信息处理框架表明只要信号具有稀疏性(或可压缩性），就可W用远低于奈奎斯特速率去 采样信号，并可W从少量的采样值中W极高的概率完美地恢复原始信号，无需考虑信号的 具体物理测度(如频率、带宽）的限制。因此，该理论为无线传感网数据压缩方法的设计提供 了新途径。结合无线传感网相关特点，通过压缩感知方法挖掘节点之间的数据相关性，最大 限度的消除数据之间的冗余度，在保证大幅度降低数据传输量的同时，仍然能够保持高精 度的事件监测性能，并从海量流数据中抽取出潜在的有用信息、模式和趋势。
【发明内容】
[0006] 本发明要解决的技术问题在于针对现有技术中对大量传感器节点产生的海量高 缔时序数据，难W直接进行异常检测的缺陷，提供一种对原始数据进行压缩和降维，减小通 讯带宽的基于二次混合压缩的无线传感网异常事件检测方法及系统。
[0007] 本发明解决其技术问题所采用的技术方案是：
[0008] 本发明提供一种基于二次混合压缩的无线传感网异常事件检测方法，包括W下步 骤：
[0009] S1、设置滑动检测窗口，通过压缩感知方法对滑动窗口内采集的原始数据序列X进 行第一次压缩，得到压缩序列Y;并通过分段线性拟合方法对压缩序列Y进行第二次压缩，得 到压缩序列中每个数据点的扩展时态边缘算子；
[0010] S2、根据扩展时态边缘算子计算压缩序列Y中每个数据点边缘幅度ei和边缘强度 Ri，选择检测窗口 W内的边缘强度Ri的极值点作为边缘点，加入到边缘点序列Cy，并在边缘点 序列Cy中选取插值误差较小N个边缘点，构成新的边缘点序列皆；
[00川 S3、根据边缘点序列姆将压缩序列Y分段线性表示为Yl，由化中所有fi组成模式 集;并计算模式集中fi模式的特征长度、斜率和均值，并进行规范化处理，获得特征值序列： C(f) = kl,C2,··· ,Cy};
[001^ S4、计算C(f)中任意两个模式Ci和Cj的模式距离dist(Ci,Cj)，计算模式fi的本地可 到达密度lrdk(fi)W及模式fi的本地异常因子LOFk(fi);
[0013] S5、根据混合压缩后的本地异常因子大小在对应的时间序列区间进行事件检测。
[0014] 进一步地，本发明的步骤S1中对原始数据序列X进行第一次压缩得到压缩序列Y的 公式为：
[0015]
[0016] 其中，原始序列XERn，压缩序列YEr，Y的维数Π 1<<η，φηχη为信号的稀疏矩阵，护Xn 为感知矩阵，且稀疏矩阵与感知矩阵满足RIP性质，根据原始序列X的时间波动特征，选择相 应的稀疏矩阵φηΧη。
[0017] 进一步地，本发明的步骤S1中计算压缩序列Υ的扩展时态边缘算子ETE0(t，w)i的 公式为：
[001 引 ETE0(t,w)i= (yi+t-yi)
[0019] 其中，1 y如，-w含t含w，i是扩展时态边缘算子检巧幡口长度为w的中屯、点。
[0020]进一步地，本发明的步骤S2中计算压缩序列Υ中每个数据点边缘幅度ei和边缘强 度Ri的公式分别为：
[0023] 其中，*表示离散卷积，公式中P化)定义如下：
[0024]
[0025] 节点采用扩展时态边缘算子与压缩序列Y进行卷积运算，获得每个数据点yi的边 缘幅度边缘幅度ei和边缘强度Ri。
[0026] 进一步地，本发明的步骤S3中计算模式集化中fi模式的特征长度以、斜率Ki和均值 Mi的公式分别为:U = tw-ti+l，
[0027] 进一步地，本发明的步骤S3中将fi模式特征的长度、斜率、均值进行归一化处理的 公式分别为：
[0031] 其中，li、ki和ΠΗ分别表示归一化处理后的长度、斜率和均值。
[0032] 进一步地，本发明的步骤S4中计算C(f)中任意两个模式Ci和Cj的模式距离dist (Ci,Cj)公式为：
[0033] 进一步地，本发明的步骤S4中计算模式fi的本地可到达密度Irdk(fi)公式为：
[0034]
[00对其中，给定keN+，Nk(fi)表示与模式fi的距离不大于k_disUfi)的所有模式集合， 称为模式fi的k距离最近邻，|Nk(fi) I表示集合中的模式个数；
[0036] rd(Ci,Cj)表示模式Ci相对于Cj的可 到达距离，rd(Ci,Cj)的计算公式为:rd(Ci,Cj) =max(k_dist(Cj) ,dist(Ci ,Cj))。
[0037] 进一步地，本发明的步骤S4中计算模式fi的本地异常因子LOFk(fi)公式为：
[00；3 引
[0039] 其中，Irdk(fi)为模式fi的本地可到达密度，Nk(fi)表示模式fi的k距离最近邻。
[0040] 本发明提供一种基于二次混合压缩的无线传感网异常事件检测系统，包括：
[0041] 二次压缩单元，用于设置滑动检测窗口，通过压缩感知方法对滑动窗口内采集的 原始数据序列X进行第一次压缩，得到压缩序列Y;并通过分段线性拟合方法对压缩序列Y进 行第二次压缩，得到压缩序列中每个数据点的扩展时态边缘算子；
[0042] 边缘序列计算单元，用于根据扩展时态边缘算子计算压缩序列Y中每个数据点边 缘幅度ei和边缘强度Ri，选择检测窗口 W内的边缘强度Ri的极值点作为边缘点，加入到边缘 点序列Cy，并在边缘点序列Cy中选取插值误差较小N个边缘点，构成新的边缘点序列片；
[0043] 特征值序列计算单元，用于根据边缘点序列Cf将压缩序列Y分段线性表示为化， 由化中所有fi组成模式集;并计算模式集中fi模式的特征长度、斜率和均值，并进行规范化 处理，获得特征值序列:C( f ) = {： C1，C2，…，C丫 };
[0044] 本地异常因子计算单元，用于计算C(f)中任意两个模式Cl和cj的模式距离dist (ci，cj)，计算模式fi的本地可到达密度lrdk(fi)W及模式fi的本地异常因子LOFk(fi);
[0045] 事件检测单元，用于根据混合压缩后的本地异常因子大小在对应的时间序列区间 进行事件检测。
[0046] 本发明产生的有益效果是:本发明的基于二次混合压缩的无线传感网异常事件检 测方法，通过结合压缩感知技术极大地减小无线传感网异常检测的计算量，提高了无线传 感网节点捜索效率和准确定位异常数据的能力，能够更加高效快速地发现异常事件；
[0047] 通过将无线传感网每个节点分布在混合压缩后的数据空间进行异常检测，只有检 测到有异常信息，且通过空间关联性的检测排错后，节点才能向网关发送包含异常信息的 压缩序列，提高了异常检测的及时性，大幅度节省了能量和通信带宽。
【附图说明】
[004引下面将结合附图及实施例对本发明作进一步说明，附图中：
[0049] 图1是本发明实施例的基于二次混合压缩的无线传感网异常事件检测方法的流程 图；
[0050] 图2是本发明实施例的基于二次混合压缩的无线传感网异常事件检测方法的分段 线性拟合压缩方法检测X3(t)的本地异常因子的实验对比图；
[0051] 图3是本发明实施例的基于二次混合压缩的无线传感网异常事件检测方法的压缩 感知与分段线性拟合二次混合压缩后检测X3(t)的本地异常因子实验对比图；
[0052] 图4是本发明实施例的基于二次混合压缩的无线传感网异常事件检测系统的结构 框图；
[0053] 图中，401-二次压缩单元，402-边缘序列计算单元，403-特征值序列计算单元， 404-本地异常因子计算单元，405-事件检测单元。
【具体实施方式】
[0054] 为了使本发明的目的、技术方案及优点更加清楚明白，W下结合附图及实施例，对 本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用W解释本发明，并不 用于限定本发明。
[0055] 如图1所示，本发明实施例的基于二次混合压缩的无线传感网异常事件检测方法， 包括W下步骤：
[0056] S1、设置滑动检测窗口，通过压缩感知方法对滑动窗口内采集的原始数据序列X进 行第一次压缩，得到压缩序列Y;并通过分段线性拟合方法对压缩序列Y进行第二次压缩，得 到压缩序列中每个数据点的扩展时态边缘算子；
[0057] S2、根据扩展时态边缘算子计算压缩序列Y中每个数据点边缘幅度ei和边缘强度 Ri，选择检测窗口 W内的边缘强度Ri的极值点作为边缘点，加入到边缘点序列Cy，并在边缘点 序列Cy中选取插值误差较小N个边缘点，构成新的边缘点序列。\ ;
[0化引 S3、根据边缘点序列将压缩序列Y分段线性表示为化，由化中所有fi组成模式 集;并计算模式集中fi模式的特征长度、斜率和均值，并进行规范化处理，获得特征值序列： C(f) = kl，C2，···，Cy};
[0059] S4、计算C(f)中任意两个模式Cl和c撕模式距离disUci向），计算模式fi的本地可 到达密度lrdk(fi)W及模式fi的本地异常因子LOFk(fi);
[0060] S5、根据混合压缩后的本地异常因子大小在对应的时间序列区间进行事件检测。
[0061] 首先在无线传感网节点设置滑动窗口，利用压缩感知技术对滑动窗口内采集的原 始数据序列XERD进行第一次压缩，获得压缩序列Y:
[0062] Υ=φφΤχ (1)
[0063] 其中，Yer，Y的维数m?n，根据压缩感知理论只要信号的稀疏矩阵Φ"χη与感知矩 阵护xn满足RIP性质，就可由序列Υ精确重构原始序列X，即不会漏检原始数据空间X中的异常 信息，根据序列X的时间波动特征，可W选择相应的稀疏矩阵护Xn，第一次压缩过程的计算量 近似为〇(皿）。
[0064] 为了进一步减小异常数据的捜索空间，再利用分段线性拟合方法对压缩序列Y进 行第二次压缩，获得分段线性拟合误差最小的分段点，用运些分段点的直线段来线性拟合 压缩序列Y;计算压缩序列Y的扩展时态边缘算子ETE0(t，w)i的公式为：
[00化]ETE0(t，w)i=(yi+t-yi) (2)
[0066] 其中，如，-W含t含W，i是扩展时态边缘算子检测窗口长度为W的中屯、点，依次 计算压缩序列Y中每个数据点的边缘算子，获得数据点所对应的扩展时态边缘算子序列。
[0067] 根据扩展时态边缘算子，定义压缩序列Y中每个数据点边缘幅度ei公式为：
[006引 ei= Σ (yi+冲ETE0(t，w)) (3)
[0069] 其中，*表示离散卷积，节点采用扩展时态边缘算子与压缩序列Υ进行卷积运算，获 得每个数据点yi的边缘幅度边缘幅度ei。边缘幅度ei表示该数据点邻域内序列的变化趋势， 边缘幅度越大则该点附近数据波动越剧烈;较小的边缘幅度表示其邻域内的数据点基本处 于同一变化趋势。
[0070] 由于节点采集的序列是一时变非平稳的随机过程。随着时间的推移，数据特征可 能会发生变化，从而影响对序列数据边缘点的判断和选取。为此，将边缘幅度ei进行数字量 化得到边缘强度Ri，选取边缘强度大的数据点作为边缘点，边缘强度越大的点，成为边缘点 的可能性越大;在边缘强度相同的情况下，选取插值误差较小的点作为边缘点。边缘强度Ri 定义为：
[0074] 选择检测窗口w内的边缘强度Ri的极值点作为边缘点，选取插值误差较小的N个边 缘点构成边缘点序列邸，利用边缘点序列Cf将压缩序列Y分段线性表示为Yl，由化中所有 fi组成模式集，则压缩序列Y的分段线性表示为K =(./；(义，乂,)，乃乂1成。)，…，乃乂^_1，>',")}，称 化中任一个fi为压缩序列Y的一个ETE0模式。分段线性压缩过程计算量为〇( 丫 log m)，其中 丫为序列Y的直线分段数，一般而言丫 <<m。
[0075] 节点采集的数据序列是否有异常会反映在相应的模式特征有无异常，当模式特征 出现异常时，该模式很可能是异常模式。异常模式通常表现为一种模式特征的异常或多种 模式特征异常的综合，因此，为全面的表示数据序列异常模式特征，选取ETE0模式的长度、 斜率和均值作为模 式特征，将数据序列映射到Ξ维特征空间，Ξ种模式特征的定义如下：
[0076] 设fi是压缩序列Y-个ETE0模式，定义fi模式的特征长度以、斜率Ki和均值Mi为：
[0077]
^6)
[007引进一步，为了获得fi模式的特征值序列C(f ) = ki，C2，···，(3丫}，其中Ci=(li，ki，mi) 表示模式fi的特征。由于fi模式特征的长度、斜率、均值值域不同，将Ξ种特征值采用极差归 一化方法线性映射到区间[0，1 ]，进行规范化处理公式分别为：
[0079]
[0080] 利用模式特征Cl和欧氏距离来度量两个不同模式之间的距离，定义C(f)中任意两 个模式Ci和Cj的模式距离disUci,Cj)为：
[0081 ]
(8)
[0082] 给定k￡N+(正整数集），定义模式fi的本地可到达密度Irdk(fi)为：
[0083]
(9)
[0084] 其中，Nk(fi)表示与模式fi的距离不大于k_dist(fi)的所有模式集合，称为模式fi 的k距离最近邻，|Nk(fi) I表示集合中的模式个数，对任模式fi的k距离定义为离fi最近邻的 第k个模式的距离，其计算公式为：
[00 化]k_dist(fi) = dist(^ci, Cj) (10)
[0086]由于可能有多个模式与模式fi的距离等于k_dist(fi)，因此k_dist(fi)应同时满 足W下条件：
[0087] 1)至少有k个模式fj，且j辛i，满足disUci,Cj) <k_dist(fi);
[008 引 2)至多有 k-1 个模式 fj，且 j辛 i，满足 disUci，Cj)<k_dist(fi);
[0089] rd(ci，cj)称为模式Cl相对于C北勺可到达距离，其计算公式为：
[0090] rd(Ci,Cj)=max(k_dist(Cj) ,dist(ci,cj)) (11)
[0091] 本地可到达密度Irdk化读达了模式fi的邻域密度分布，给定kEN%定义模式fi的 本地异常因子LOFk(fi)为： 目
（12)
[0093] fi模式的本地异常因子LOFk(fi)表示了模式异常程度，异常因子越大，该模式越偏 离模式聚簇中屯、，与其他模式差异越大，当异常因子超过某一给定值时，认为该模式异常， 无线传感网判定该模式对应的序列区间存在异常事件。
[0094] 采用局部异常因子LOFk(fi)进行异常检测的计算量由Ξ部分构成：（1)计算模式距 离为〇( 丫 2)，（2)计算模式局部可达密度Irdk(fi)为〇( 丫 k)，其中k为邻域内的模式个数且k < 丫，（3)计算局部异常因子LOFk(fi)也为〇( 丫 k)，则异常检测的总计算量近似为〇( 丫 2)。由 于丫 < <m< <n，因此，该方法极大地减小无线传感网异常检测的计算复杂度。
[00M]根据W上相关定义和理论分析，本发明提出一种基于二次混合压缩的无线传感网 监控异常事件的快速检测方法。该方法首先利用压缩感知技术将无线传感网采集的原始数 据进行降维，再利用分段线性拟合方法对降维后的序列进行第二次压缩，获得分段线性拟 合误差最小的分段点，用运些分段点的直线段来线性拟合序列，再采用局部异常因子进行 异常检测，W模式的本地异常因子来表征二次混合压缩数据序列的异常程度，而不是直接 在原始数据序列上对单个数据点进行异常检测。
[0096] 在本发明的另一个实施例中，输入为设置无线传感网节点检测滑动窗口长度，输 出为无线传感网报告监测区域是否有异常事件，该方法的具体步骤为：
[0097] 步骤一：利用压缩感知技术对滑动窗口内采集的原始数据序列XERD进行第一次 压缩，获得压缩序列γ= ΦφΤχ，（Yer);
[0098] 步骤二:利用分段线性拟合方法对压缩序列Υ进行第二次压缩，计算Υ中每个数据 点扩展时态边缘算子ΕΤΕ0( t，W) i;
[0099] 步骤Ξ:计算压缩序列Υ中每个数据点边缘幅度ei和边缘强度Ri;
[0100] 步骤四：选择检测窗口W内的边缘强度Ri的极值点作为边缘点，加入到边缘点序列 Cy；
[0101] 步骤五：在边缘点序列Cy中选取插值误差较小N个边缘点，构成新的边缘点序列 矿
[0102] 步骤六:利用边缘点序列Cf将压缩序列Y分段线性表示为化，由化中所有fi组成模 式集；
[0103] 步骤屯:计算模式集中fi模式的特征长度、斜率和均值，并进行规范化处理，获得 特征值序列：c(f) = ki，C2，···，Cy };
[0104] 步骤八:计算C(f)中任意两个模式Cl和Cj的模式距离disUci，Cj);
[0105] 步骤九:计算模式fi的本地可到达密度Irdk(fi);
[0106] 步骤十:计算模式fi的本地异常因子LOFk(fi);
[0107] 步骤十一:无线传感网节点根据二次混合压缩后的本地异常因子大小在对应的时 间序列区间进行事件检测。
[0108] 通过实验验证，实验中采用公开的合成数据集Ma_Da化由W下过程产生：
[0112] 其中，t=l，2,…，n，n=1200，n(t)是均值为0,标准差为0.1加性高斯噪声，ei(t)、 e2(t)是两个异常事件，ei(t)定义如下：
[0113]
[0114] ni(t)符合正态分布N(0,0.5)，e2(t)定义如下：
[0115]
[0116] 由W上定义可知，数据序列Xi(t)是周期为60的正常序列，X2(t)是在Xi(t)中添加 了异常ei(t)，X3(t)是在X2(t)中添加了异常e2(t)，在区间[600,620]、[820,870]改变了序 列的性质，运两个区间存在异常事件。
[0117] 如图2和图3所示，为了评价本发明的性能进行对比实验，图2只采用分段线性拟合 压缩方法检测X3(t)的本地异常因子，图3采用压缩感知与分段线性拟合二次混合压缩方法 检测X3(t)的本地异常因子。
[0118] 在图2和图3中，上半部分曲线表示Ma_Data数据集上的序列X3(t)，下半部分曲线 表示对应数据序列的异常因子。图2中区间[600,620]之间的异常因子明显高于其他区间， 准确检测出异常事件ei(t);区间[800,870]的异常因子也较大，同时也准确发现异常事件Θ2 (t)。
[0119] 图3中X3(t)首先经过压缩感知技术进行第一次压缩，滑动窗口长度设为30,获得 压缩序列Y长度为10,再利用分段线性拟合进行第二次压缩后，图3序列区间长度与图2相比 缩小3倍，局部异常因子在数据点200和275附近区间都比其它区间大，与图2相比不仅准确 发现异常事件ei(t)，同时也准确发现异常事件e2(t)，并且检测出异常事件e2(t)的局部异 常因子相比图2对比更加明显。实验结果证明经过二次混合压缩后，极大地减小了捜索异常 数据的空间范围，聚焦并突出了异常数据的位置。
[0120] 综上所述，本发明提出了一种基于二次混合压缩的无线传感网监控异常事件的快 速检测方法。该方法首先利用压缩感知技术将无线传感网采集的原始数据进行降维，再利 用分段线性拟合方法对降维后的序列进行第二次压缩，获得分段线性拟合误差最小的分段 点，用运些分段点的直线段来线性拟合序列，再采用局部异常因子进行异常检测，将异常检 测的计算量从〇(n2))减小到0( 丫 2)，提高了节点捜索效率和准确定位异常数据的能力。实验 结果表明，与直接在原始数据空间进行异常检测相比，更能够高效快速的发现异常事件。
[0121] 如图4 所示，本发明实施例的基于二次混合压缩的无线传感网异常事件检测系统， 用于实现本发明实施例的基于二次混合压缩的无线传感网异常事件检测方法，包括：
[0122] 二次压缩单元401，用于设置滑动检测窗口，通过压缩感知方法对滑动窗口内采集 的原始数据序列X进行第一次压缩，得到压缩序列Y;并通过分段线性拟合方法对压缩序列Y 进行第二次压缩，得到压缩序列中每个数据点的扩展时态边缘算子；
[0123] 边缘序列计算单元402,用于根据扩展时态边缘算子计算压缩序列Y中每个数据点 边缘幅度ei和边缘强度Ri，选择检测窗口W内的边缘强度Ri的极值点作为边缘点，加入到边 缘点序列Cy，并在边缘点序列Cy中选取插值误差较小N个边缘点，构成新的边缘点序列C;\ :
[0124] 特征值序列计算单元403,用于根据边缘点序列CfW将压缩序列Y分段线性表示为 化，由化中所有fi组成模式集;并计算模式集中fi模式的特征长度、斜率和均值，并进行规范 化处理，获得特征值序列:C( f ) = ，C2，…，CY };
[0125] 本地异常因子计算单元404,用于计算C(f)中任意两个模式Cl和c北勺模式距离dist (ci，cj)，计算模式fi的本地可到达密度lrdk(fi)W及模式fi的本地异常因子LOFk(fi);
[0126] 事件检测单元405,用于根据混合压缩后的本地异常因子大小在对应的时间序列 区间进行事件检测。
[0127] 应当理解的是，对本领域普通技术人员来说，可W根据上述说明加 W改进或变换， 而所有运些改进和变换都应属于本发明所附权利要求的保护范围。
【主权项】
1. 一种基于二次混合压缩的无线传感网异常事件检测方法，其特征在于，包括以下步 骤： 51、 设置滑动检测窗口，通过压缩感知方法对滑动窗口内采集的原始数据序列X进行第 一次压缩，得到压缩序列Y;并通过分段线性拟合方法对压缩序列Y进行第二次压缩，得到压 缩序列中每个数据点的扩展时态边缘算子； 52、 根据扩展时态边缘算子计算压缩序列Y中每个数据点边缘幅度&和边缘强度R1，选 择检测窗口 w内的边缘强度Ri的极值点作为边缘点，加入到边缘点序列Cy，并在边缘点序列 Cy中选取插值误差较小N个边缘点，构成新的边缘点序列; 53、 根据边缘点序列Cf将压缩序列Y分段线性表示为Yi，由Yi中所有fi组成模式集;并计 算模式集中心模式的特征长度、斜率和均值，并进行规范化处理，获得特征值序列:C(f) = {ci,C2,··· ,Εγ}； 34、计算以;〇中任意两个模式(^和(^的模式距离(1181:((^，(^)，计算模式;^的本地可到达 密度lrdk(fi)以及模式fi的本地异常因子LOFk(fi); S5、根据混合压缩后的本地异常因子大小在对应的时间序列区间进行事件检测。2. 根据权利要求1所述的基于二次混合压缩的无线传感网异常事件检测方法，其特征 在于，步骤Sl中对原始数据序列X进行第一次压缩得到压缩序列Y的公式为：其中，原始序列X￡Rn，压缩序列YeR'Y的维数πι〈〈η，φηΧη为信号的稀疏矩阵，φ ηΧη为感 知矩阵，且稀疏矩阵与感知矩阵满足RIP性质，根据原始序列X的时间波动特征，选择相应的 稀疏矩阵rXn。3. 根据权利要求1所述的基于二次混合压缩的无线传感网异常事件检测方法，其特征 在于，步骤Sl中计算压缩序列Y的扩展时态边缘算子ETE0( t，w) i的公式为： ETEO(t,w)i=(yi+t-yi) 其中，1<：[<111，1^1："，；[是扩展时态边缘算子检测窗口长度为￥的中心点。4. 根据权利要求3所述的基于二次混合压缩的无线传感网异常事件检测方法，其特征 在于，步骤S2中计算压缩序列Y中每个数据点边缘幅度&和边缘强度R 1的公式分别为：其中，*表示离散卷积，公式中P(k)定义如下：节点采用扩展时态边缘算子与压缩序列Y进行卷积运算，获得每个数据点的边缘幅度 边缘幅度ei和边缘强度Ri。5. 根据权利要求1所述的基于二次混合压缩的无线传感网异常事件检测方法，其特征 在于，步骤S3中计算模式集^中^模式的特征长度Li、斜率K i和均值Mi的公式分别为= Li =6. 根据权利要求5所述的基于二次混合压缩的无线传感网异常事件检测方法，其特征 在于，步骤S3中将^模式特征的长度、斜率、均值进行归一化处理的公式分别为：其中，li、ki和mi分别表不归一化处理后的长度、斜率和均值。7. 根据权利要求6所述的基于二次混合压缩的无线传感网异常事件检测方法，其特征 在于，步骤S4中计算C(f)中任意两个模式Ci和Cj的模式距离dist(ci，cj)公式为：8. 根据权利要求7所述的基于二次混合压缩的无线传感网异常事件检测方法，其特征 在于，步骤S4中计算模式fi的本地可到达密度lrdk(fi)公式为：其中，给定表示与模式h的距离不大于Ldistai)的所有模式集合，称为 模式距离最近邻，INk(A) I表示集合中的模式个数； 1(1((^，(^)表示模式(^相对于(^的可到达距离4(1((^，(^)的计算公式为^(1((^，(^)=11^ (k_dist(cj),dist(ci,Cj)) 〇9. 根据权利要求8所述的基于二次混合压缩的无线传感网异常事件检测方法，其特征 在于，步骤S4中计算模式匕的本地异常因子LOFdfO公式为：其中，lrdk(fi)为模式fi的本地可到达密度，Nk(fi)表示模式fi的k距离最近邻。10. -种基于二次混合压缩的无线传感网异常事件检测系统，其特征在于，包括： 二次压缩单元，用于设置滑动检测窗口，通过压缩感知方法对滑动窗口内采集的原始 数据序列X进行第一次压缩，得到压缩序列Y;并通过分段线性拟合方法对压缩序列Y进行第 二次压缩，得到压缩序列中每个数据点的扩展时态边缘算子； 边缘序列计算单元，用于根据扩展时态边缘算子计算压缩序列Y中每个数据点边缘幅 度&和边缘强度R1，选择检测窗口 w内的边缘强度R1的极值点作为边缘点，加入到边缘点序 列Cy，并在边缘点序列Cy中选取插值误差较小N个边缘点，构成新的边缘点序列; 特征值序列计算单元，用于根据边缘点序列Cf将压缩序列Y分段线性表示为YL，由Yl中 所有fi组成模式集;并计算模式集中^模式的特征长度、斜率和均值，并进行规范化处理，获 得特征值序列:C(f ) = { Cl，C2，…，Cy }; 本地异常因子计算单元，用于计算c(f)中任意两个模式Ci和Cj的模式距离dist(Ci, Cj)， 计算模i的本地可到达密度Ir(Mf1)以及模式心的本地异常因子LOFk^); 事件检测单元，用于根据混合压缩后的本地异常因子大小在对应的时间序列区间进行 事件检测。
【专利摘要】本发明公开了一种基于二次混合压缩的无线传感网异常事件检测方法及系统，该方法包括：S1、通过压缩感知方法对原始数据序列进行第一次压缩；通过分段线性拟合方法对压缩序列进行第二次压缩，得到态边缘算子；S2、计算压缩序列中每个数据点边缘幅度和边缘强度，选择边缘点序列中插值误差较小边缘点构成新的边缘点序列；S3、根据边缘点序列获得特征值序列；S4、计算本地可到达密度以及本地异常因子；S5、根据混合压缩后的本地异常因子大小在对应的时间序列区间进行事件检测。本发明提高了无线传感网节点搜索效率和准确定位异常数据的能力，能够更加高效快速地发现异常事件；且提高了异常检测的及时性，大幅度节省了能量和通信带宽。
【IPC分类】H04W24/08, H04W84/18
【公开号】CN105491614
【申请号】CN201610044511
【发明人】陈分雄, 胡凯, 赵天明, 凌承昆, 唐曜曜, 王典洪
【申请人】中国地质大学（武汉）
【公开日】2016年4月13日
【申请日】2016年1月22日
最新回复(0)