物聯(lián)網(wǎng)通信異常數(shù)據(jù)的檢測方法研究

劉杰+戈軍++沈微微++王學(xué)軍

摘 要： 在物聯(lián)網(wǎng)多設(shè)備通信過程中，其差異化的數(shù)據(jù)在分類種類上存在較大的問題，導(dǎo)致識別過程存在異常數(shù)據(jù)不收斂或者無窮計算的問題。為了解決這一問題，提出基于多約束標(biāo)簽的異常數(shù)據(jù)檢測方法，在對海量的異常數(shù)據(jù)進(jìn)行分類的過程中，引入可以約束標(biāo)簽異常特征的多個約束條件，對物聯(lián)網(wǎng)通信數(shù)據(jù)進(jìn)行降維限制處理，避免擴大化的搜索過程，再運用支持向量機在限制區(qū)域內(nèi)完成檢測分類。實驗結(jié)果表明，利用該算法能對海量的物聯(lián)網(wǎng)通信異常數(shù)據(jù)進(jìn)行自動學(xué)習(xí)過程的搜索，提高異常數(shù)據(jù)檢測的準(zhǔn)確性。

關(guān)鍵詞： 物聯(lián)網(wǎng)； 支持向量機； 異常數(shù)據(jù)； 多特征約束

中圖分類號： TN911?34； TP127 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2017）09?0082?04

Abstract： The differentiated data has a great problem of classification variety in the Internet of Things （IOT） multi?device communication process， and causes the abnormal datadivergence or infinite calculation in the identification process. In order to solve these problems， an abnormal data detection method based on multi?constraint label is put forward. The multi?constraint condition which can restrain the label′s abnormal feature is introduced into the classification process of the massive abnormal data. The dimension reduction of the IOT communication data is limited to avoid the expansion of the search process. The support vector machine （SVM） is used to classify and detect the abnormal data in the restricted areas. The experimental results show that the algorithm can search the massive abnormal data in IOT communication by means of automatic learning process， and improve the accaracy of abnormal data detection.

Keywords： Internet of Things； support vector machine； abnormal data； multi?feature constraint

0 引 言

隨著物聯(lián)網(wǎng)技術(shù)應(yīng)用區(qū)域的不斷擴展，對物聯(lián)網(wǎng)通信安全的要求日益增加[1]。物聯(lián)網(wǎng)由不同設(shè)備組成，因此一旦存在危險的數(shù)據(jù)，就會給相關(guān)設(shè)備帶來較大的安全隱患。因此，需要研究自動化程度較高的方法對物聯(lián)網(wǎng)中的特定異常數(shù)據(jù)進(jìn)行檢索，快速識別出一些異常的危險數(shù)據(jù)，以保證相關(guān)設(shè)備的安全[2]。對物聯(lián)網(wǎng)的通信數(shù)據(jù)進(jìn)行檢測的各種智能算法引起了相關(guān)學(xué)者的重視，已經(jīng)成為物聯(lián)網(wǎng)智能控制領(lǐng)域的熱點[3]。

在當(dāng)前的研究成果中，對物聯(lián)網(wǎng)通信數(shù)據(jù)檢測的方法主要包括：基于數(shù)據(jù)聚類的方法、基于遺傳算法的異常數(shù)據(jù)特征檢測方法、基于粒子群算法的異常數(shù)據(jù)特征檢測方法[4]。當(dāng)前最為重要的思維主要是分類檢測思維，通過對數(shù)據(jù)的不斷分類，完成對異常數(shù)據(jù)的區(qū)別[5?6]。但是，這些方法運用到物聯(lián)網(wǎng)通信數(shù)據(jù)中就會存在較大的問題，主要是因為物聯(lián)網(wǎng)的底層通信設(shè)備由不同的硬件設(shè)備構(gòu)成，這種硬件上的差異性造成底層通信數(shù)據(jù)的種類多樣性。這就使得在分類過程中，很難利用統(tǒng)一的標(biāo)準(zhǔn)進(jìn)行數(shù)據(jù)的異常性區(qū)分，從而降低檢測的準(zhǔn)確性。

1 物聯(lián)網(wǎng)底層通信異常數(shù)據(jù)特征檢測方法設(shè)計

在物聯(lián)網(wǎng)底層通信數(shù)據(jù)的異常特征檢測過程中，由于底層網(wǎng)絡(luò)設(shè)備的多樣性和差異性[7?10]，如果利用傳統(tǒng)的數(shù)據(jù)檢測方法對異常數(shù)據(jù)進(jìn)行分類檢測，就無法避免因數(shù)據(jù)特征差異大的弊端，使得在分類檢測的過程中很難形成統(tǒng)一的檢測特征，而海量的通信數(shù)據(jù)會使得分類過程無窮化。為此，提出一種基于多約束標(biāo)簽的物聯(lián)網(wǎng)異常數(shù)據(jù)檢測方法，這種檢測方法的流程圖如圖1所示。

1.1 物聯(lián)網(wǎng)底層通信異常數(shù)據(jù)的多標(biāo)簽降維

2 實驗結(jié)果分析

為了驗證提出的物聯(lián)網(wǎng)底層通信異常數(shù)據(jù)的作用，進(jìn)行多次的計算機仿真對比模擬實驗，實驗環(huán)境是Visual C++ 6.0。

假設(shè)物聯(lián)網(wǎng)中的底層通信設(shè)備的數(shù)目為物聯(lián)網(wǎng)中的通信異常數(shù)據(jù)族群個數(shù)為在數(shù)據(jù)分類的結(jié)果上，數(shù)據(jù)被分為多個不同的區(qū)域設(shè)為物聯(lián)網(wǎng)底層通信設(shè)備的均衡性分布參數(shù)為。為了衡量檢測的準(zhǔn)確性，運用準(zhǔn)確率的公式，計算方法如下：

運用不同的檢測方法對準(zhǔn)確率標(biāo)準(zhǔn)進(jìn)行衡量，得到運用不同方法的檢測結(jié)果。

在多次試驗中，有15次較好的試驗參與數(shù)據(jù)，以這15次的試驗數(shù)據(jù)為基礎(chǔ)進(jìn)行檢測，試驗數(shù)據(jù)的選取結(jié)果如表1所示。

運用K均值聚類算法對底層物聯(lián)網(wǎng)相關(guān)設(shè)備進(jìn)行異常特征的檢測與識別，得到的試驗結(jié)果如圖3所示。

再通過神經(jīng)網(wǎng)絡(luò)的方法對底層物聯(lián)網(wǎng)通信設(shè)備進(jìn)行異常數(shù)據(jù)特征識別，得到的識別結(jié)果如圖4所示。

通過粒子群算法對底層物聯(lián)網(wǎng)通信設(shè)備進(jìn)行異常數(shù)據(jù)特征檢測，檢測的結(jié)果如圖5所示。

根據(jù)得到的試驗結(jié)果可以看出，在約束的基礎(chǔ)上，得到的檢測結(jié)果更為準(zhǔn)確，說明優(yōu)化效果明顯。

以15次試驗數(shù)據(jù)的結(jié)果為基礎(chǔ)，對15次不同方法下的物聯(lián)網(wǎng)異常數(shù)據(jù)檢測結(jié)果進(jìn)行統(tǒng)計，得到的結(jié)果如表2所示。

]

通過上述實驗?zāi)軌虻弥?，利用本文算法進(jìn)行物聯(lián)網(wǎng)數(shù)據(jù)特征檢測，能夠有效提高檢測的準(zhǔn)確率。

3 結(jié) 語

本文提出基于多約束標(biāo)簽的異常數(shù)據(jù)檢測方法。首先，通過對物聯(lián)網(wǎng)底層通信異常數(shù)據(jù)的多標(biāo)簽降維，并結(jié)合粒子群算法對相關(guān)的數(shù)據(jù)進(jìn)行約束分析，在此基礎(chǔ)上，運用支持向量機方法，通過迭代分類約束技術(shù)完成對底層物聯(lián)網(wǎng)異常數(shù)據(jù)的識別；最后利用支持向量機方法對異常數(shù)據(jù)進(jìn)行相關(guān)的區(qū)分，從而檢測出物聯(lián)網(wǎng)絡(luò)異常數(shù)據(jù)的特征。實驗數(shù)據(jù)結(jié)果表明，采用本文研究的檢測方法檢測異常數(shù)據(jù)特征，檢測準(zhǔn)確性較高。

參考文獻(xiàn)

[1] 楊宏波.物聯(lián)網(wǎng)環(huán)境下的差異網(wǎng)絡(luò)數(shù)據(jù)庫異常數(shù)據(jù)檢測[J].計算機測量與控制，2015，23（3）：1008?1010.

[2] 彭小梅.物聯(lián)網(wǎng)高速傳感器中的異常節(jié)點通信定位仿真[J].計算機仿真，2015，32（7）：307?310.

[3] 任國鑫.油氣生產(chǎn)物聯(lián)網(wǎng)的井口數(shù)據(jù)無線通信研究[J].中國化工貿(mào)易，2016，8（3）：23?25.

[4] 甘雷，董翠英，周劍利.基于物聯(lián)網(wǎng)的智能電網(wǎng)的通信與安全問題研究[J].山東工業(yè)技術(shù)，2015，34（3）：227.

[5] 梅林常，殷曄平.基于北斗衛(wèi)星通信方式與電力104規(guī)約結(jié)合的智能物聯(lián)網(wǎng)數(shù)據(jù)研究與應(yīng)用[J].重慶電力高等?？茖W(xué)校學(xué)報，2015，22（2）：38?40.

[6] 劉鋼.無線移動通信與物聯(lián)網(wǎng)的應(yīng)用與研究[J].數(shù)字技術(shù)與應(yīng)用，2016，34（5）：43?45.

[7] 周兆慶，曹玉保.基于LabVIEW的合并單元采樣異常的識別方法研究[J].電子設(shè)計工程，2016，24（8）：171?173.

[8] 劉毅，葉秋冬.物聯(lián)網(wǎng)架構(gòu)下的宜居通系統(tǒng)研究[J].科學(xué)技術(shù)與工程，2014，14（1）：278?283.

[9] 吉順平.工業(yè)以太網(wǎng)與物聯(lián)網(wǎng)互聯(lián)模型的研究[J].計算機測量與控制，2011，19（8）：1998?2000.

[10] 陳永高，單豪良.基于BIM與物聯(lián)網(wǎng)的地下工程施工安全風(fēng)險預(yù)警與實時控制研究[J].科技通報，2016，32（7）：94?98.