基于貝葉斯信念網絡的多層傳感網異常識別模型的設計

劉冰

摘要：多層傳感網由于其不同層次的異常特征差異較大，導致其異常數據識別存在一定的困難。傳統的識別方法多以數據流量異常為參照指標，并在建模過程中需要明確不同層次之間的關聯，否則就無法設置檢測閾值，因此導致了誤報警情況頻發。該文提出將貝葉斯信念網絡引入到多層傳感網異常數據檢測模型中，并通過評估函數來測試不同的網絡結構與多層傳感網中某一層的契合度，隨后采用壓縮候選方法來分析異常數據間的依賴關系，從而對采集到的數據樣本進行篩選，最終挖掘出異常數據。

關鍵詞：多層傳感網;異常數據;數據挖掘;識別模型

中圖分類號：TP393? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2019）22-0189-02

開放科學（資源服務）標識碼（OSID）：

1 引言

多層傳感網在現代工業生產的實時監控領域內發揮了重要的作用，是動態調節設備運轉狀態，保障生產水平的主要方式之一。隨著精細化控制理念的提出，監控系統對數據采集與分析的標準不斷提高，多層傳感網的異常數據導致的負面影響日益突出，傳統的異常檢測方法誤警率高，且檢出率也不甚理想，迫切需要改進。目前，借助高效的數據挖掘技術，對網絡中多層傳感器故障數據進行可靠的識別與分類已經成了該領域內研究的熱點。多層傳感網最大的特點就是其不同層次的異構性較大，因而也導致了不同層次內由于傳感器故障而監測到的異常數據特征多樣化，這也是典型的故障特征“斷層”問題的根本原因。

2 多層傳感網異常數據檢測機制分析

多層傳感網目前已經得到了廣泛應用，尤其在一些特殊環境下，更是控制系統獲取被控對象實時狀態信息的首選模式。由于多層傳感網本身的復雜性和異構性，導致監測信息無法快速的與其對應的被控對象之間形成映射關聯，增加了分析的難度。傳統的基于數據流量異常的檢測模式主要流程如下：

首先引入干擾因子[β∈[0，1]]，其作用是對決策樹的分類質量進行評估，通過對該參數的計數實現對樣本的采樣次數進行調整，同時根據該參數的取值與偏差節點同根節點之間的差距，與樹深（出現誤差的層數）相映射，從而描述當前節點分類的誤差程度，顯然，當[β]=1時表示分類正確。其次，當前節點的[β]值比之前節點更加趨向于0時，表明分類誤差加劇，此時構造替代子樹來改善分類質量：在初始屬性分叉處，若新樣本屬性模糊信息增益相對較大，則以其為根節點，構造一棵新的子樹。最后，為了實現對替代子樹的約束，確保其落在合理的分類范圍之內，也需要評價該子樹的分類精確度，并同原樹相比，根據增量來靈活的調整子樹的[β]值。

該流程中最關鍵的環節就是需要在滑動窗口中設定一個閾值[ξ]，設滑動窗口涵蓋的樣本群體個數為[W]，而[W]為干擾因子計數[βcount]，規定當[W≤ξ]時，判定節點性能異常，需進行糾正，通過替代子樹縮小滑動窗口，直至[W>ξ]。由此可見，對于該檢測方法而言，最關鍵的就是選取合適的閾值[ξ]，從而保障判定結果的準確性。但多層傳感網由于其異構性較大，因此很難確定一個合理的定值[ξ]，這也是傳統檢測方法普遍質量不高的重要原因。

3 基于貝葉斯信念網絡的檢測模型優化方案

傳感器網絡異常的主要原因是傳感器節點出現故障，從而發出了異常突變的信號，并導致一系列的連鎖反應，最終使得監測模型發生重大的偏差。由于該過程動態性極強，因此很難通過傳統方法進行自適應的判定。貝葉斯網絡可通過概率描述數據集內所有樣本之間的關聯，而個別數據的丟失或異常不會改變整體的描述結論，從而也不會對分類結果產生影響。因此，將貝葉斯信念網絡的理念引入到多層傳感網的異常檢測模型當中，可顯著的提高檢測機制的動態性與準確性，有效的改善誤報警現象。

3.1 貝葉斯信念網絡原理

定義1：對于一個任意樣本集[x=X1，X2，…Xn]，若其中的一條聯合條件概率散布，則有：

[B=G，θ]? ? ? ? ? ? ? ? ? （1）

上式中，[X]為某一單一樣本，用m維向量表示;[G]為有向無環圖，該圖頂點即為樣本集中的某個樣本，弧度的大小則用以表示函數依賴關系的高低;θ代表建模過程中預定的參數組合。

定義2：如果有一條弧從變量Y連接到了X，則Y是X的雙親或者直接前驅，反之則為其后繼。節點群中任一節點，除了與其后繼節點構建關聯外，與其他節點均保持獨立。[G]中某個節點[Xi]的所有前驅節點構建的集合為[Pa（Xi）]。

定義3：對于所有的[Xi]，[Pa（Xi）]的取值[x1]存在以下參數：[θxi/Pa（Xi）=P（xiPa（Xi））]，則貝葉斯信念網絡給定的變量集合[Xi]上的聯合條件概率分布為：

[PB（X1，X2，…Xn）=i=1nPB（xiPa（Xi））]? ? ? ? ? ?（2）

3.2 異常識別模型的設計

將貝葉斯算法引入到多層傳感網異常識別模型中，可將其作用過程描述如下：首先將樣本集[D=x1，x2，…xn]定義為一組故障數據訓練樣本，其中[xi]是X的實例，根據貝葉斯網絡的運算機制，可通過一個估算函數[S（B|D）]來完成針[xi]的貝葉斯網絡的構建，同時也運用該函數來評價任意一種網絡拓撲與故障數據樣本間的適應度，從而收斂至一個最符合的解，即在所有可能的網絡拓撲當中，是硬度最高的故障數據樣本。在傳統的貝葉斯網絡算法中，其搜索機制必須在雙親變量的n-1個候選節點中遍歷，而并沒有充分利用變量之間的關聯特征，導致了大量的無效計算，提高了算法的空間復雜度，因此效果不好。本文提出在父節點之間設置互斥關聯，從而大幅壓縮查詢規模的優化思路，即通過一個依賴度量函數[H（X，Y）]來評估兩個多層傳感器故障數據[（X，Y）]間的依賴程度，[H（X，Y）]值越大，關聯性越強，其成為父子的可能性就越大，反之亦然。根據[H（X，Y）]的計算，可以掌握所有傳感器異常數據間的關聯性，并快速獲取某個樣本[Xi]的所有父節點數據，并對其進行集中檢索。改進后的識別模型算法如下：

Step 1：設置輸入端，構建多層傳感網異常數據集[D=x1，x2，…xn]中某一樣本的貝葉斯信念網絡[Bn]，設定估算函數[S（B|D）]和參數k。

Step 2：設置輸出端，對任意的異常數據樣本[Xi]，返回一個k候選父集[Ci]。

Step 3：針對樣本集中的任意樣本[Xj]，計算[H（Xi，Xj），Xi≠Xj]。

Step 4：選擇計算結果中權值最高的的k-1個樣本，[l=|Pa（Xi）|]，候選集合[Ci=Pa（Xi）Y{X1，X2，…，Xk-1}]返回[Ci]。

4 實驗與分析

為論證本文提出的優化模型在多層傳感網異常數據的檢測過程中能夠發揮其作用，特進行模擬實驗。模擬環境為VisualC++6.0。預定采集到的樣本總數為n，所有數據的特征由集合[g1，g2，…，gm]描述，樣本群中包含的異常數據規模為p，所有數據的平均散布系數是μ。采用下式評價異常檢出的正確率：

[Ψ=n-pg2i-μ×100%]? ? ? ? ? ? ? ? （3）

為了對比分析本文方法的有效性，引入傳統的檢測方法作為參照，共同完成了10輪模擬測試，并將數據匯總，如表1所示。

效果對比如圖1所示。

通過對比分析后可以發現，本文提出的優化模型明顯提高了對異常數據檢出的準確率，得益于貝葉斯信念網絡在多維特征解間的關聯分析能力，模型可以更加合理的評估某條樣本出現異常的概率，同時也基于本文提出的父節點關聯互斥方法，模型的計算規模得到了有效的壓縮，使得整個算法的復雜度并未提高。

5 結論

目前，隨著各種智能算法的不斷提出，對于大規模數據的實時監控能力得到了顯著的加強。多層傳感網由于層數多，傳感器種類差異大，因此其故障特征多樣，導致數據異常的種類較多，很難采用統一的檢測標準進行評測，因此異常檢出率不高，且誤報警情況一直無法得到有效控制。本文提出的基于貝葉斯信念網絡的多層傳感網異常數據檢測模型，充分利用了貝葉斯信念網絡強大的樣本關聯能力，以及對多個樣本進行聯立評估的方法，有效改善了原本針對孤立樣本進行單獨評價的機制造成的問題，通過評估函數評估各個可能的網絡結構與樣本多層傳感器故障數據間的適應度，找到最符合數據異常特征的解，并以此為基礎展開搜索，根據異常數據間的依賴關系，構建出異常數據樣本集，實現了多層傳感網的異常檢測目標。

參考文獻：

[1] 于強.基于模糊關聯規則并行挖掘算法的飛行數據處理[J].微計算機信息，2009，5（3）：148-150.

[2] 李浪，李仁發.基于數據流異常挖掘的入侵檢測系統設計[J].科學技術與工程，2008，8（13）：3500-3503.

[3] 李國徽，陳輝.挖掘數據流任意滑動時間窗口內頻繁模式[J].軟件學報，2008，19（10）： 2585-2596.

【通聯編輯：代影】