WSN中基于壓縮感知的異常事件檢測方案

姜 參，馬榮娟

?

WSN中基于壓縮感知的異常事件檢測方案

姜 參，馬榮娟

(渤海大學管理學院，遼寧 錦州 121013)

異常事件檢測問題是無線傳感器網絡中的研究熱點之一。為提高檢測效率，提出一種基于壓縮感知的異常事件檢測方案。通過壓縮采樣得到各個節(jié)點感知數(shù)據的測量值，將異常事件檢測問題建模為帶權的1范數(shù)最小化問題，采用正交匹配追蹤算法進行迭代求解，根據檢測函數(shù)對求解結果進行判斷，并依據判斷結果更新權值，開始下一輪迭代，直到檢測出無線傳感器網絡中存在的所有異常事件。仿真實驗結果表明，該方案的漏檢率和誤警率較低，與CCM和GEP-ADS方案相比，分別能節(jié)省約4.1%和5.8%的能耗。

無線傳感器網絡；異常事件檢測；壓縮感知；測量值；迭代；權值

1 概述

無線傳感器網絡(Wireless Sensor Network, WSN)是近年來國內外廣泛關注的研究熱點。無線傳感器網絡一般部署在條件惡劣或者人類很難進入的環(huán)境中。在一個無線傳感器網絡中，分布著數(shù)量龐大的節(jié)點，這些節(jié)點往往被用戶用飛機或汽車運輸，然后以隨機的方式放入指定區(qū)域執(zhí)行復雜的任務。由于所有節(jié)點均具有有限的存儲空間和計算能力，同時通信范圍也有限，為了高效地完成任務，它們必須快速、自治地相互配合，以協(xié)作的方式進行工作[1]。

異常事件檢測是無線傳感器網絡的一種重要應用[2]。當異常事件(比如化學物質泄露、火災等)發(fā)生后，往往希望傳感器節(jié)點能夠盡快檢測出事件可能發(fā)生的區(qū)域，并及時地向sink報告。然而由于受到物理環(huán)境和傳感器節(jié)點自身能量或容量的限制，現(xiàn)有的檢測方案經常存在漏檢和誤檢現(xiàn)象，檢測的效率和效果不高。因此，本文對無線傳感器網絡中的異常事件檢測方案進行研究，提出一種改進方案。

2 相關工作

此外，文獻[7]提出一種分布式的節(jié)點定位異常檢測方法，該方法利用聚類拓撲減少通信量，同時降低以往集中式檢測存在的單點風險。該方法不需要任何已知的部署知識或額外的硬件，每個簇的簇頭節(jié)點只需根據該簇節(jié)點報告的位置和鄰居表信息進行過濾計算、更新權值，即可確定和撤銷定位異常的節(jié)點；文獻[8]針對無線傳感器網絡的自身特殊性和所面臨的路由安全威脅，提出了一種基于核聚類的異常檢測方案KCAD，以檢測路由攻擊所導致的流量異常。該方案通過利用Mercer核，將輸入空間的流量特征樣本隱式地映射到高維特征空間，突出了不同樣本間的特征差異，從而更好地完成聚類，提高了檢測準確率，同時還針對流量特征樣本做了時間維擴展，使之更能反映近期網絡流量狀況，減少了由于歷史數(shù)據集影響所帶來的誤報。仿真實驗結果表明，KCAD方案能夠在較少的資源開銷條件下，迅速、有效地檢測出傳感器網絡中的攻擊異常。

然而以上的檢測方案還存在以下不足：(1)都需要知道一些先驗信息(如網絡拓撲、節(jié)點的分布等)；(2)大多假設異常事件服從某一特定的分布。事實上，在大規(guī)模無線傳感器網絡中，先驗信息是無法預先獲取的，異常事件的出現(xiàn)也是隨機的，因此，現(xiàn)有的檢測方案的漏檢和誤警現(xiàn)象較為嚴重。鑒于此，本文基于壓縮感知理論，提出一種改進的異常事件檢測方案。

3 問題建模

3.1 壓縮感知理論

本文主要采用壓縮感知理論[9]來進行異常事件檢測，為了便于后續(xù)的描述，首先給出基于壓縮感知進行信號處理的基本流程：

可以采用線性規(guī)劃技術來求解問題(3)，目前已有的求解方法主要有OMP[10]、StOMP[11]和CP[12]等。

3.2 系統(tǒng)模型

本文考慮采用如圖1所示的系統(tǒng)模型，其中，橢圓區(qū)域表示無線傳感器網絡的監(jiān)測區(qū)域，根據異常事件的分布，整個區(qū)域被劃分為多個簇。區(qū)域內的白色小圓表示普通傳感器節(jié)點；區(qū)域內的黑色小圓表示檢測到異常事件發(fā)生的節(jié)點；區(qū)域外的黑色正六邊形表示簇頭節(jié)點；區(qū)域外的黑色正方形表示sink節(jié)點。

圖1 系統(tǒng)模型

一般而言，異常事件的數(shù)目總是遠小于參與檢測的傳感器節(jié)點數(shù)目，即異常事件是稀疏的，因此，可以采用壓縮感知技術來進行異常事件檢測。為了簡單起見，本文采用二進制檢測模型，即檢測到異常事件的節(jié)點的信息數(shù)據值為1，其他的節(jié)點的信息數(shù)據值為0。基于二進制檢測模型，節(jié)點的感知數(shù)據的變換基為單位矩陣，為了滿足壓縮感知理論的應用條件，只需要保證投影矩陣和單位矩陣不相關，這是顯而易見的。

基于以上的系統(tǒng)模型，本文提出的異常事件檢測方案主要分為2階段：(1)在每個簇內，各個節(jié)點的感知數(shù)據經過投影后路由到簇頭節(jié)點，簇頭基于收到的測量值執(zhí)行重構操作和檢測處理；(2)各個簇頭發(fā)送各自的檢測結果到sink節(jié)點，最后得到一個全局的檢測結果。下文將對方案的細節(jié)進行詳細闡述。

4 異常事件檢測算法

無線傳感器網絡中存在的噪聲對于基于壓縮感知的數(shù)據重構方案性能具有較大損害。因此，為了避免這一不利因素，本文提出的異常事件檢測算法的主要特點是：它不需要任何先驗信息，在存在噪聲的網絡環(huán)境中通過迭代操作進行異常事件檢測，根據前一輪的檢測結果來對后一輪的檢測參數(shù)進行自適應調整，從而檢測出網絡中存在的異常事件。

4.1 全局網絡環(huán)境下的異常事件檢測

算法1全局網絡下的異常事件檢測算法(AE-DA)

4.2 異常事件的分布式檢測

事實上，異常事件在傳感器網絡中的分布是不均勻的，某些“熱點”節(jié)點更有可能發(fā)生事件，而全局網絡下的事件檢測算法隨機地對整個網絡數(shù)據進行非自適應線性映射從而得到觀測數(shù)據。這將帶來的問題是如果觀測的數(shù)據包含很多來自正常節(jié)點的信息，那對所需的異常事件檢測不會有很大幫助，從而造成了檢測效率的下降，同時也導致了較大的傳輸消耗。因此，本文提出了一種分布式的異常事件檢測方案。首先，根據異常事件的分布將整個網絡區(qū)域劃分為多個簇，然后分別進行簇內檢測。

以上的處理過程傾向于關注那些可能以較高概率發(fā)生異常事件的簇，因此，可以提高異常事件檢測的質量。相反地，以上的處理對那些不太可能發(fā)生異常事件的簇指派的測量矩陣較為稀疏，即對這些簇內的節(jié)點進行相對較少的測量操作，從而節(jié)省了節(jié)點的能量。綜上所述，本文提出的基于壓縮感知的異常事件分布式檢測算法如下：

算法2異常事件分布式檢測算法(AE-DDA)

5 實驗與結果分析

5.1 實驗場景

為測試本文方案的性能，以Matlab2012為工具進行仿真實驗，主要考察本文的2種方案(AE-DA和AE-DDA)在不同噪聲環(huán)境下的進行異常事件檢測的有效性，并進行對比分析。

5.2 評價標準

從檢測錯誤和能耗兩方面對本文方案的性能進行評價。

(2)能耗：本文計算數(shù)據匯集的傳輸代價，因為它對無線傳感器網絡中的總能耗貢獻最大。假設在每一跳中傳輸一個比特所消耗的能量是相同的，本文將之定義為1。此外，如果在路由路徑的第一個節(jié)點上需要發(fā)送bit，那么在路徑上的每一個新節(jié)點都需要傳輸bit，此外需要傳送一些額外的比特。因此，總能耗為：

5.3 實驗結果比較

圖2 AE-DA方案的漏檢率

圖3 AE-DA方案的誤警率

圖4 AE-DDA和AE-DA方案的漏檢率比較

圖5 AE-DDA和AE-DA方案的誤警率比較

當測量數(shù)目=250時，AE-DDA在不同簇中運行時的能耗對比見圖6。可以看出，在最開始時，AE-DDA在4個簇中的能耗相同，隨著迭代次數(shù)的增加，簇1和簇2消耗的能量相當于簇3和簇4的3倍和5倍，這表明簇1和簇2中存在更多的“熱點”，即異常事件更有可能在簇1和簇2中發(fā)生，可以考慮為簇1和簇2分配更多的能源，從而保證網絡的可靠性。

圖6 AE-DDA方案的能量開銷

為了說明AE-DDA的優(yōu)越性，圖7給出了AE-DDA與AE-DA的能量消耗對比結果。可以看到，初始時，AE-DDA的能量開銷比AE-DA節(jié)省了約6.5%，隨著算法迭代次數(shù)的增加，AE-DDA的能量開銷比AE-DA節(jié)省了約5%。仔細分析其原因可知，這主要是因為AE-DA算法隨機地對整個網絡數(shù)據進行非自適應線性映射從而得到觀測數(shù)據，這會導致獲得的觀測數(shù)據包含很多來自正常節(jié)點的信息，這些節(jié)點的信息對于提高檢測率沒有多大幫助，反而增加了傳輸開銷，消耗了更多的能量，而AE-DDA獲得的觀測數(shù)據則大多來自于“熱點”節(jié)點，因此，在保證檢測率的前提下，減少了不必要的通信開銷，從而節(jié)省了能量。

圖7 AE-DDA與AE-DDA方案的能量開銷對比

圖8給出了AE-DDA與目前較為典型的異常事件檢測方案GEP-ADS[14]、CCM[15]的漏檢率對比結果。可以看出，隨著SNR的增加，3種方案的漏檢率都在下降，其中AE-DDA的性能更優(yōu)。在相同的SNR下，從10 dB到30 dB，相比于GEP-ADS和CCM，AE-DDA的漏檢率分別下降了約29%~55%和40%~66.7%。仔細分析其原因可知，這主要是因為AE-DDA基于壓縮感知技術采用隨機高斯矩陣對每個節(jié)點進行自適應觀測，確保了每個節(jié)點測量值的重要性是一樣的，因此，AE-DDA具有較好的抗噪能力，另外基于OMP的迭代求解結果對權值進行自適應調整，確保其不存在事件覆蓋空洞，取得了較好的結果。

圖8 不同方案的漏檢率比較

圖9 不同方案的能量開銷比較

6 結束語

異常事件檢測是無線傳感器網絡中的一個基本研究問題，本文采用壓縮感知理論，將異常事件檢測問題建模為稀疏信號重構問題，然后通過迭代地調整信號重構中的權重參數(shù)來自適應地提高檢測質量。仿真實驗結果表明，本文方案在漏檢率、誤警率以及能耗方面均優(yōu)于傳統(tǒng)方案。下一步研究工作的重點在于：(1)基于壓縮感知理論，研究數(shù)據收集中的安全性與可靠性問題，主要考慮如何在保證數(shù)據收集效率的同時兼顧數(shù)據不被篡改、泄密等問題。(2)基于壓縮感知理論，進一步研究無需先驗信息的事件覆蓋問題，確保事件檢測的可靠性和及時性。

[1] 梁俊斌, 鄧雨柔, 郭麗娟, 等. 無線傳感器網絡中事件驅動數(shù)據收集研究進展[J]. 計算機應用研究, 2012, 29(10): 3601-3605.

[2] 曹冬磊, 曹建農, 金蓓弘. 一種無線傳感器網絡中事件區(qū)域檢測的容錯算法[J]. 計算機學報, 2007, 30(10): 1770-1776.

[3] 姜旭寶, 李光耀, 連 朔. 基于變寬直方圖的無線傳感器網絡異常數(shù)據檢測算法[J]. 計算機應用, 2011, 31(3): 694-697.

[4] 肖政宏, 陳志剛, 李慶華. WSN中基于分布式機器學習的異常檢測仿真研究[J]. 系統(tǒng)仿真學報, 2011, 23(1): 121-127.

[5] 朱翠濤, 瞿 毅. 基于壓縮感知的稀疏事件檢測[J]. 中南民族大學學報: 自然科學版, 2011, 30(1): 81-83.

[6] Bejerano Y. Coverage Verification Without Location Infor- mation[J]. IEEE Transactions on Mobile Computing, 2012, 11(4): 631-643.

[7] 張玉琴, 秦 拯. 無線傳感器網絡中基于分簇的節(jié)點定位異常檢測[J]. 計算機應用研究, 2010, 27(3): 1139-1141.

[8] 楊黎斌, 慕德俊, 蔡曉妍. 基于核聚類的無線傳感器網絡異常檢測方案[J]. 傳感技術學報, 2008, 21(8): 1442-1447.

[9] Donoho D L. Compressed Sensing[J]. IEEE Transactions on Information Theory, 2006, 52(4): 1289-1306.

[10] Tropp J A, Gilbert A C. Signal Recovery from Partial Information by Orthogonal Matching Pursuit[J]. IEEE Transactions on Information Theory, 2007, 53(11): 4655-4666.

[11] Donoho D L, Drori I, Tsaig Y, et al. Sparse Solution of Underdetermined Linear Equations by Stage Wise Orthogonal Matching Pursuit[J]. IEEE Transactions on Information Theory, 2012, 58(2): 1091-1121.

[12]Gilbert A C, Strauss M J, Tropp J A, et al.Algorithmic Linear Dimension Reduction in the Norm for Sparse Vectors[C]//Proc. of the 44th Annual Allerton Conference on Communication, Control, and Computing. Boston, USA: [s. n.], 2006: 1145- 1149.

[13] Candes E, Wakin M, Boyd S. Enhancing Sparsity by Reweighted1Minimization[J]. Journal of Fourier Analysis and Applications, 2008, 14(3): 877-905.

[14] Gao Honglei, Chen Guolong, Guo Wenzhong. A GEP-Based Anomaly Detection Scheme in Wireless Sensor Networks[C]// Proc. of CSE’09. Vancouver, Canada: IEEE Press, 2009: 817-822.

[15] de Sousa L D, Frery A C, Nakamura E F, et al. Event Detection Framework for Wireless Sensor Networks Considering Data Anomaly[C]//Proc. of ISCC’12. Cappadocia, Turkey: IEEE Press, 2012: 500-507.

編輯 金胡考

Anomaly Event Detection Scheme Based on Compressive Sensing in Wireless Sensor Network

JIANG Shen, MA Rong-juan

(School of Management, Bohai University, Jinzhou 121013, China)

The anomaly event detection problem in Wireless Sensor Network(WSN) is currently a hot topic. In order to improve the detection efficiency, this paper proposes an anomaly event detection scheme based on compressive sensing. The measurements of the sensed data are obtained based on the compressive sampling, and the anomaly event detection problem is modeled as the reweighted1minimization problem, which is iteratively solved by the Orthogonal Matching Pursuit(OMP) algorithm. Furthermore, the solution is judged by the detection function. The weight is refreshed in the next iteration according to the judgments, until all abnormal events are detected in Wireless Sensor Network(WSN). Experimental results show that the proposed scheme can obtain the lower probability of missed detection and false alarm in different noise environments. Compared with the CCM and GEP-ADS scheme, the energy consumption of this scheme id saved by approximately 4.1% and 5.8%.

Wireless Sensor Network(WSN); anomaly event detection; compressive sensing; measurement; iteration; weight

1000-3428(2014)03-0137-06

A

TP393

國家自然科學基金資助項目(71201012)；2013年遼寧省教育廳科學研究基金資助一般項目(W2013156)。

姜 參(1981－)，男，講師、碩士，主研方向：無線傳感器網絡；馬榮娟，副教授、碩士。

2013-05-02

2013-07-17 E-mail：27853411@qq.com

10.3969/j.issn.1000-3428.2014.03.028