無線傳感器網絡的異常檢測

摘 要 隨著無線傳感器網絡在各領域得到廣泛的應用，對網絡異常檢測的效率和可靠性提出了更高的要求。本文分析了無線傳感器網絡異常檢測的現狀，提出基于直方圖的傳感器數據預處理方法，給出了由節點內異常檢測和相鄰節點協作投票決策構成的網絡異常檢測方法。

【關鍵詞】無線傳感器網絡 異常數據檢測 數據預處理

1 無線傳感器網絡異常檢測現狀

無線傳感器網絡與傳統網絡的區別是其網絡末端為各種類型具有特定功能的傳感器，網絡中數據傳輸采用無線通信的方式。經過近年來的飛速發展，無線傳感器網絡在社會生活以及商業經濟領域得到的廣泛的應用，是物聯網時代的基礎，其研究和應用前景廣闊具有很大的發展空間。目前無線傳感器網絡主要應用在以下領域：軍事領域、環境監測領域、醫療健康領域、智能家居領域、現代化農業領域、交通運輸管理及控制領域，從這些領域的目前應用來看，無線傳感器網絡異常檢測分析是確保整個應用系統順利運行的保障。

無線傳感器網絡應用的一般形式為：收集應用環境中傳感器感應數據并進行傳輸；對收集的數據進行處理，去除過度抖動和冗余數據，得到所需的有效數據；將數據通過特定的邏輯處理，從而實現特定應用領域軟件系統的功能。無線傳感器網絡異常檢測分析系統是在各種類型傳感器收集數據的基礎之上，識別出特殊情況下的異常數據，通過異常數據模型進行分析，及時分析判斷異常類別并進行異常處理。基于無線傳感器網絡系統的一般工作過程，無線傳感器網絡異常檢測分析系統應該由以下三個部分構成：傳感器數據采集及預處理、網絡異常數據檢測、異常分析及結果呈現。

2 傳感器數據采集及預處理

無線傳感器網絡異常檢測及分析的前提是能夠準確及時得到網絡末端眾多傳感器的各種信息，一般情況下，應用系統將傳感器檢測到的環境模擬信息轉換為數值信息，這些數據是無線傳感器網絡所有應用的基礎，也是網絡異常檢測分析的數據來源。為了及時得到傳感器數據，無線傳感器間的時間同步顯得尤為重要。另外，由于無線傳感器本身成本一般較低，且部署和工作環境一般比較惡劣，比較容易出現故障，硬件的損傷會造成傳感器的故障，軟件故障會造成傳感器工作不穩定，出現抖動數據和錯誤數據信息，因此需要進行數據的預處理去除干擾數據，這樣會大大提高無線傳感器網絡應用系統的效率。

2.1 傳感器節點時間同步

單一的數據往往不能反映整個環境的狀態，在很多無線傳感器網絡的實際應用中，傳感器檢測到環境數據后，會向鄰居傳感器節點發送請求將同一時刻環境數據發往主機系統，作為數據異常檢測的最終決策依據。按照實現機制，無線傳感器網絡時間同步算法主要有三類：基于pair-wise的同步算法、基于receiver-receiver的同步算法、基于sender-receiver的單向同步算法。這三類算法均具有各自典型的協議。基于pair-wise的主要有TPSN協議和LTS協議，TPSN協議具有較高的時間同步準確性，但是該協議邏輯計算復雜，時間復雜度高，且受數據包傳輸時間的影響較為明顯，LTS協議與TSPN協議類似，其以適當時間同步準確性為代價，在一定程度上降低了邏輯運算和時間的復雜度。基于receiver-receiver的主要有RBS協議，該協議去除了傳感器節點間發送時間同步的影響，以及發送方構建數據信息包和等待信道對時間同步的影響，但是其運算復雜度很高。基于sender-receiver的DMTS協議和FSTP協議，DTMS協議從能耗上更加適合無線傳感器網絡，但是精度很低，不利于后期數據處理，并不適合進行異常檢測。FSTP協議在DTMS協議基礎之上進行了優化，具有DTMS的低能耗特點的同時比DTMS具有更高的時間精度，比較適合在無線傳感器網絡異常檢測系統中使用。FSTP的主要思路是發送方傳感器在發送同步數據信息時將本地時間一同發出，接收方收到同步數據信息后，根據發送方時間信息調整自身時間與發送方保持一致。發送方以網絡廣播的形式發出信息，如果接收方為鄰居傳感器節點則進行時間調整，以便進行相關決策。該協議在實現時間同步的同時，還要將本地時間放入到鄰居傳感器的請求報文數據中，以此達到數據同步的目的。

2.2 數據預處理

數據預處理的主要作用是去除所收集到大量數據中的干擾數據，這些干擾數據往往是由于傳感器不穩定引起的噪聲數據，在預處理階段將這些干擾數據去除，可以有效提高整個應用系統的效率以及異常檢測分析的有效性。

數據的預處理有多種實現方法，其主要區別是用于代表整組數據的估值數據的計算方式，傳統的方式是基于平均值數據的預處理方式和基于中位數的與處理方式。基于平均值的方式顧名思義是取一組傳感器數據的平均值作為中心數據來代表該組數據，但是當環境劇烈變化出現極端偏離數據時，其平均值也會產生較大偏離，從而造成數據失真，影響應用系統的準確性。基于中位數的方式，是將一組傳感器數據先進行排序，取中間數據作為該組數據的代表數據，其避免了極端數據造成的數據偏差，但是這種方式只適用于均勻分布的數據，受限于傳感器工作環境的惡劣，中位數方式在很多實際應用中是不可取的。

基于以上平均值和中位數兩種方式的不足，我們可以采用直方圖的感應數據預處理方法。在特定環境下部署的傳感器，其采集到的數據一般具有一定的規律，當環境發生變化時，數據也是循序漸進發生變化，且數據應當是連續的。而干擾數據大多具有隨機性和小概率出現等特征，在進行數據預處理時，將一定時間內采集的環境數據傳輸到緩沖區中，然后分析整組數據的概率分布情況，以此建立該組數據的概率直方圖，在緩沖區中依據不同傳感器產生噪聲數據的概率對小概率噪聲數據進行清除，之后對余下的有效數據進行計算平均值，使用該均值作為中心數據代表該組數據。這種直方圖的數據預處理方式能夠更好的得到感應數據的趨勢。

3 無線傳感器網絡異常數據檢測

3.1 異常數據檢測范圍

網絡異常數據檢測是無線傳感器網絡在實際應用中的一個重要組成部分，異常數據的檢測主要是在網絡末端傳感器采集到的大量數據中識別出具有明顯特點的異常數據及邊界數據，傳感器所處環境中發生異常情況時，傳感器收集到的數據會發生突發性明顯變化。異常發生的情況主要有以下兩種：一是外部環境變化導致的異常數據變化，另一種是傳感器節點自身工作狀態的變化。在實際應用中，我們更加關注的是第一種情況，環境變化產生的異常數據是應用系統關注和處理的重點。第二種異常往往是由于傳感器出現故障或者是通信故障產生的，這些是網絡維護人員更加關注的信息。良好的異常檢測不僅是能夠檢測出這兩種異常，還應當能夠對二者進行準確的區分，并提供給不同的異常處理功能模塊。

無線傳感器網絡中的傳感器一般具有獨立的感應模塊和數據運算處理器，以及用于交互的通信模塊。一般情況下，傳感器的部署密度很高，傳感器之間的數據具有很高的空間相關性，傳感器之間相互協作便可完成比較復雜的任務。傳感器網絡的異常絕不僅僅是判斷出單個傳感器是否出現異常，還要能夠判斷出節點的具體工作狀態，以及傳感器是在異常中心區域還是邊界區域，以及該傳感器是否是異常產生的源頭。僅僅能夠檢測出異常是不能滿足實際應用需求的，還要能夠分析出導致異常產生的原因，這樣才能及時采取應對的措施，保障無線傳感器網絡應用系統的正常有效工作。

3.2 異常數據檢測模型

異常數據模型的建立是事件監測和異常數據分析的基礎，是保證異常事件判斷準確性的基本前提。異常數據關系模型還要能夠找到并體現出傳感器網絡中數據的傳輸方向和數據之間的關系，這是找到異常源頭的重要依據。很多研究和應用證明圖模型具有能夠描述復雜的情境，在圖模型之中除了能夠表現出監測數據的時空關系，還能夠融入地理信息和網絡拓撲信息，這些信息的融合能夠更加充分的展現出異常的特征。常見的圖模型有等值線圖、基于數據快照的圖模式等。異常檢測主要有兩個部分來構成：一是傳感器節點內部的數據異常檢測，二是在主機中，對之前判定的疑似異常進行節點間投票決策，得出最終的異常集合以及異常范圍和邊界。如圖1所示。

3.3 節點內數據異常檢測

使用傳感器自身的數據處理器對采集到的數據進行節點內異常檢測，主要是對超出閾值的數據進行檢測，如果出現疑似異常事件數據或者故障錯誤數據，則由鄰居節點根據具有較強關聯數據之間的相關性判斷這些數據是異常事件數據還是設備故障導致的錯誤數據。無線傳感器的節點內數據檢測是不斷反復進行的，每次檢測之后傳感器的狀態都可能會發生變化，傳感器節點的狀態包含以下幾種：正常狀態；意思疑似異常狀態：節點可能出現異常事件，由節點內的本地檢測產生，后續需要進行節點間投票決策；疑似故障狀態：節點可能出現設備和通信故障，由節點內的本地檢測產生，需要進行節點間投票決策；異常狀態：節點監測區域出現異常事件，由節點間投票決策產生；故障狀態：節點發生設備或通信故障，由節點間投票決策產生。

節點內的異常檢測是根據基于節點屬性的相關性來進行的，一般情況下傳感器具有多個屬性，屬性之間會存在一定的關聯，傳感器的不同屬性之間的相關性在傳感器正常工作期間是保持不變的，出現超過閾值的數據時，根據設備各屬性的相關性是否得到保持來判定是異常事件還是設備故障錯誤，如果屬性相關性得到延續則可能為異常事件導致的數據異常，反之則極有可能為設備或通信故障導致的數據異常。進行節點內的異常檢測判定，主要是為提高后續節點間協作投票決策的效率和準確性。

3.4 節點間投票決策

節點間協作投票決策要求無線傳感器網絡的網絡拓撲結構是清晰明確的，根據網絡拓撲結構便可得出節點間數據傳輸的方向，彼此之間的位置關系能夠很方便的計算出來。在此基礎上，依據傳感器節點可信度和距離權重進行協作投票決策，最終得出異常檢測的判定結果。

協作投票決策的過程為：首先，通過計算得出鄰居傳感器節點的可信度；之后，利用網絡拓撲結構計算出鄰居節點相對于被檢測節點的距離權重；利用距離權重和鄰居節點可信度計算每個鄰居節點的投票值，分別統計得出判定正常和異常的投票總值；按照決策規則進行異常數據的最終決策。

節點可信度的計算主要根據實時監測數據與歷史檢測數據對比得到，主要還是依據當前的節點屬性相關性和歷史屬性相關性數據的近似程度進行衡量計算。投票權重數值的計算，主要是根據網絡拓撲結構和傳感器之間的舉例進行計算，一般情況下舉例越近的傳感器，其環境數據會越相似，彼此之間的驗證會具有更高的準確性，其投票權重也會越大，反之，舉例越遠的數據權重值越小。

在進行最終狀態判定時，如果異常投票值與正常投票值的差大于異常邊界閾值，則判定節點傳感器處于異常區域；如果正常投票值與異常投票值的差大于異常邊界閾值，則判定傳感器處于正常區域；如果差值的絕對值和總票數的比例小于閾值，則傳感器處于異常邊界區域。處在正常區域的節點傳感器，其工作狀態被判定為正常狀態，處于異常邊界區域和異常區域的節點結合節點內檢測的結果便可判定為異常狀態或者故障狀態，且能夠得到該節點處在異常區域的位置。

4 總結

本文給出了基于直方圖的無線傳感器網絡數據預處理方法，能夠有效提高異常檢測的效率，提出的由節點內異常檢測和相鄰節點協作投票決策構成的網絡異常檢測方法，能夠較為準確有效地檢測出無線傳感器網絡節點的工作狀態、異常狀況以及在異常區域中的位置。

參考文獻

[1]翟小超.基于可變閾值的無線傳感網絡異常值檢測[J].電子科技，2015（02）.

[2]趙章界，劉海峰.無線傳感網中的安全問題[J].計算機安全，2010（06）.

[3]沈添璽，崔忠鳳，曹雷.無線傳感器網絡安全技術研究[J].通訊世界，2016（08）.

[4]趙雷，蘇慶剛，羅宜元.一種基于MIB信息熵統計的網絡異常檢測方法[J].上海電機學院學報，2015（02）.

作者簡介

張洋（1982-），男，江蘇省徐州市人。大學本科學歷。現為江蘇聯合職業技術學院徐州經貿分院講師。

作者單位

江蘇聯合職業技術學院徐州經貿分院 江蘇省徐州市 221004