无线传感器网络网内异常检测技术研究

Wireless Sensor Network has be widely used in the fields of national defense and military, environmental monitoring, city management, smart home, manufacturing industry, anti-terrorism and disaster resistant etc. Sensor nodes are easy to be fail because of complex environment and cheap price. Fail sensor nodes may send random data. Furthermore, sensor nodes may produce noise data because of interference. So outlier detection is an important technology for the practicality of sensor network. Existing algorithms focus on reducing communication cost and omit sensor nodes' computation ability. Furthermore, existing outlier detection and query processing are two isolated process and they can not combine with each other directly. In this research we will put forward an approximate outlier detection algorithm which builds two-level detection mechanism in both cluster header and adjacent clusters using node vector similarity to detect outlier to balance network overload. According to the Complexity of vector similarity comparison, we use Locality Sensitive Hashing method to reduce node vector which can ensure comparison precision and reduce computational complexity. We will also put forward an outlier detection method oriented to query processing which detects outlier and executes query at the same time to improve the reliability of query results. This research will further promote the process of practicality of Wireless Sensor Network.

传感器网络目前被广泛应用于国防军事、环境监测、交通管理、智能家居、制造业、反恐抗灾等领域。复杂的环境和低廉的价格导致传感器节点易于失效，失效的节点可能会报告任意的读数；而且，由于受到干扰，传感器节点也经常会产生噪音。因此，异常检测是传感器网络走向实用的重要支撑技术。现有的算法大多考虑减少通讯开销，忽略了节点的实际计算能力；而且现有的异常检测和查询处理是两个孤立的过程，不能很好结合。本项目拟提出一种近似的异常检测技术，在簇头和簇间建立两级异常检测机制，可以有效平衡网络负载；利用节点向量相似性来进行异常检测，针对节点相似性比较时间复杂度过高的问题，利用局部敏感哈希映射机制对节点读向量进行缩减，在保证相似性比较精度的同时减少时间复杂度；提出一种面向查询处理的异常检测技术，在查询处理的同时进行异常检测，提高查询处理结果的可靠性，进一步促进和推动无线传感器网络实用化的进程。

低廉的价格和复杂的环境导致传感器节点容易失效，节点失效后可能会报告任意的读数；而且，当受到干扰时传感器节点也经常会产生噪音。因此，异常检测是传感器网络走向实用的重要支撑技术。项目针对传感器网络的异常检测技术展开研究，利用分簇、网内处理、过滤器等机制，避免不必要的通讯开销，以提高算法效率。..本项目的主要贡献包括以下几个方面：..1）针对集中式异常检测算法能耗过高的问题，提出基于分簇的传感器网络异常检测算法。首先对网络进行分簇，簇内节点将采样数据传至簇头，簇头会保持节点的部分历史数据并进行节点间相似性比较，没有达到预定支持度的数据被认为是异常数据。异常数据可以直接丢弃，不用传回基站以节约能量开销。算法在网内对传感器网络进行数据处理，避免将全部采样数据传往基站。..2）首次提出了局部异常的概念。不同与传统异常，局部异常只取决于节点及其周围节点的取值。我们首先给出局部异常的形式化定义，并设计了解决局部异常的Naive算法，由于其能耗过大，又提出了优化的分布式解决方案DLODA。DLODA将网络划分成多个区域，每个区域挑选一个簇头，簇头可以在网内提前算出部分查询结果，并过滤掉不会成为查询结果的数据，以节约能量开销。..3）对传统基于模型的数据采集算法进行了改进，设计了基于卡尔曼滤波器的近似数据采样算法ADCA。ADCA能够在一定误差范围内有效获取数据。空间临近的节点被组织成簇，簇头节点和成员节点分别建立卡尔曼滤波模型，并保存对方的镜像模型。簇头节点能够为成员节点产生近似的数据，所以部分用户查询可以直接通过簇头来回答。..4）事件检测是传感器网络的重要应用，节点受到干扰会发出误报，在检测事件的同时分辨误报是需要解决的关键问题。提出基于两层架构的传感器网络事件检测算法TLEDA，算法利用临近节点的空间相关性，给予临近的监测到事件的节点更多的权重，可以有效区分事件和误报，算法对于发生在较小区域的的事件具有较高的检测率。利用簇头判断事件是否发生，可以进一步减少通讯开销。