基于物聯網的通信網絡異常節點檢測方法研究

王凌風，盧國瀟

（華信咨詢設計研究院有限公司，浙江 杭州 310052）

0 引 言

現階段信息技術快速發展，在網絡支持下，人們對網絡信息的需求量劇增，無線通信網絡的工作量日趨增大，因此通信網絡傳輸海量通信信息時，不可避免地會出現異常節點，而網絡節點發生故障時，通信鏈路性能會迅速下降。因此，檢測通信網絡異常節點、維護通信網絡使用安全，是目前亟待解決的重要問題之一。傳統解決方法遵循奈奎斯特采樣定理，獲取網絡節點信息，但壓縮過程中會剔除一些價值較小的數據，造成資源浪費，同時，這些價值較小的數據可能是關鍵性的數據，在全局檢測下，會影響異常節點檢測結果。因此，研究者以傳統檢測方法為參考，研究基于物聯網的通信網絡異常節點檢測方法[1]。

物聯網在20世紀90年代被提出，與互聯網之間存在較大差別。在設計理念上，其服務對象為物體或使用設備，即從網絡概念上，對其使用功能和受眾對象進行了擴展。在嵌入式技術和通信技術共同作用下，對物體或設備賦予通信的能力，通過數據交互實現各項功能。而物聯網衍生的技術，是賦予物體通信能力，通過傳感器感知周圍的環境，然后通過數據傳輸實現物體之間、物體和用戶之間的信息交互[2]。此次研究將物聯網融入異常節點檢測中，根據物聯網精確檢測范圍，為通信網絡的平穩運行與使用安全提供更嚴謹的技術支持。

1 基于物聯網的通信網絡異常節點檢測方法

1.1 物聯網定位異常范圍

用戶訪問通信網絡、傳感器網絡節點自身運行，都可能造成網絡節點異常。利用物聯網可實現物物信息交換，定位通信網絡異常范圍。考慮到網絡節點之間的關聯性和交互性，將網絡流量傳輸過程看作是一個運動過程。已知通信網絡中的錨節點可能是智能手機，也可能是傳統移動設備，因此，在定位網絡異常范圍時，假設通信網絡中錨節點設備的數量、位置與網絡拓撲都是固定的[3]。

當通信網絡正常使用時，設置其中的一個目標節點為0，使用n個移動錨節點，計算目標節點所在位置，錨節點為1,2,…,n，其中某一節點為i(i=0,1,2,…,n)，將其位置設置為pi(pi,1,pi,2,…,pi,m)，其中m表示通信網絡空間維數，且存在n≥m+1，需要定位的目標節點可設置為p0。為了計算目標節點的位置信息，需要計算該節點與其他節點之間的距離。因此，利用物聯網的非相鄰相減思路，消除多邊定位過程中的二次項。假設錨節點i需要滿足如式（1）所示的限制條件：

式中：p0,j表示待確定的未知變量。為了保證物聯網計算安全，將上述進行轉化，得到：

根據上述轉化結果，利用第n個公式，減去第i個公式，消除式（2）中左側的二次項，得到一個線性方程Xp0T=Y，根據式中X與Y的定義，得到線性方程的估計結果：

上述結果就是物聯網以某一目標節點為中心經計算得到的異常節點最遠距離。重復上述步驟，得到通信網絡鏈路中所有網絡異常節點構成的通信網絡異常范圍。

物聯網完全覆蓋并感知網絡鏈路，根據各個節點的數據變化情況，利用物聯網信息交互功能，實現信息交換、信息完全覆蓋功能，通過對全區域網絡節點的信息識別，計算其中與目標節點存在影響關聯的錨節點，定位異常節點所在范圍。

1.2 提取異常節點特征

在確定通信網絡異常節點的所在范圍后，利用一種簇中心距離和的特征提取方法，提取異常范圍中由于鏈路自身故障、人為故障導致的網絡異常節點特征。將得到的異常范圍劃分成訓練集和測試集，然后從訓練集中提取s個簇中心，再將原始的m維數據集轉化，得到一個全新的s維數據集。該提取過程共包含兩個階段：第一階段是通過上述方式得到訓練集后進行聚類，然后提取簇中心；第二階段是再次計算目標節點與各個節點之間的距離和，構建一個全新的訓練集訓練數據。

假設將m維數據集W劃分后，得到的訓練集和測試集分別為W1和W2，聚合并提取W1中s個不相連的簇和簇中心。由于第一階段中，通信網絡節點之間的異常行為較為相似，因此，需要將數據集劃分為多個簇。假設W1中的數據樣本為qi，計算qi與所有簇之間的距離，并獲取與其最接近的簇Cq，重復此步驟，得到s個簇中心c1,c2,…,cs。此時的目標函數為：

式中：Q為數據樣本與其所在簇的簇中心cj之間的距離度量；a＜m，表示m維數據的總使用數量。通過上述步驟，得到W1中的s個簇中心。利用W1和簇中心c1,c2,…,cs，生成s維數據集W1'，其中每個數據樣本都是由s個距離之和構成的。再根據上述分析，使用簇中心c1,c2,…,cs將W2轉換為新數據集W2'，利用分類算法對W2'的結果進行分類。為衡量不同樣本數據在網絡異常范圍內距離的遠近，對于網絡中存在的任意兩個數據，即異常中心節點和異常邊緣節點，計算異常中心節點和異常邊緣節點之間的歐幾里得距離，公式為：

式中：n表示異常節點數量。通過重復上述計算過程，得到新的數據集W2'，然后進行節點分類，找出多個節點與目標節點之間的強弱關聯，得到物聯網定位范圍內所有異常節點的特征。

1.3 構建檢測模型壓縮感知異常節點信息

根據上一節的提取結果構建檢測模型，描述通信網絡節點檢測過程，如圖1所示。

圖1 網絡異常節點檢測模型

根據圖1可知，通信網絡中的異常節點并不是均勻分布的，而構建的檢測模型需要依托一個分布式檢測算法，實現對所有異常節點的壓縮感知，從而實現對通信網絡異常節點的循環檢測。

使用循環迭代的分布式檢測算法，將整個無線通信網絡劃分為若干個區域，在每個區域中進行壓縮感知任務。當檢測模型完成循環檢測工作后，根據檢測結果調整模型參數，同時調整對應的檢測矩陣。同樣假設通信網絡中包含K個節點，用x(k),k=1,2,…,K表示離散數據向量。檢測模型對每個網絡定位區域，執行加權追蹤任務，然后利用式（6）判斷各個節點是否存在因為鏈路或人為因素導致的異常情況：

式中：x'(i)表示模型加權追蹤后得到的第i個恢復數據；λ1表示網絡節點存在異常問題；λ0表示網絡節點不存在異常問題；b表示通信網絡節點異常的門限值。將計算結果與實際發生情況進行對比，并調整每個定位范圍的區域權重。之后，匯總整個通信網絡的檢測情況，以全局的角度定位檢測結果位置，然后調整對應區域內的檢測矩陣。這里研究者假設通信網絡被劃分成A個子區間，檢測模型從中獲取G個節點信息，根據式（7）調整檢測節點數量：

式中：Gij、Fij分別表示模型第j次檢測時，對于第i個區間的檢測數據數目、發現節點異常的數目。利用構建的模型壓縮感知異常節點信息，完成對通信網絡中存在的異常節點的檢測。

2 實驗研究

將傳統的網絡異常節點檢測方法作為對照組測試對象，將此次研究的異常節點檢測方法作為實驗組測試對象，比較兩個檢測方法對通信網絡異常節點的檢測能力。

利用仿真軟件設計一個500×500的正方形區域，用該區域模擬通信網絡，并模擬該網絡中共存在16個高度異常節點（A類節點），7個低度異常節點（B類節點）。圖2是兩個測試組的異常節點檢測結果。

圖2 不同測試組的通信網絡異常節點檢測結果

從圖2可知，實驗組和對照組都檢測出16個高度異常網絡節點。而面對異常程度低的網絡節點，實驗組在多次循環檢測下，只遺漏了1個異常節點，該節點遠離其他異常節點，且只有1個。對照組由于不具備循環檢測的功能，因此在一次掃描檢測后遺漏了6個低度異常節點。通過上述分析可知，面對異常波動較小、影響程度較低、數量較少、位置偏離的低度異常節點，實驗組檢測方法可通過循環檢測得到更加準確的檢測結果；而對照組由于檢測程序單一，只能檢測出摻雜在大范圍異常節點內的低度異常節點。

對照組檢測B類網絡異常節點的能力較弱，實驗組檢測B類網絡異常節點的能力相對來說更強。經計算，實驗組的異常節點檢測漏報率比對照組低。綜合上述實驗測試結果可知，此次研究的通信網絡異常節點檢測方法通過循環檢測的方式，降低了異常節點的漏報率。

3 結 論

此次研究的檢測方法將物聯網作為檢測依托，實現對網絡異常節點的精準定位。但此次研究的檢測方法，其檢測結果并不是絕對準確的，受突發事件、計算誤差影響，仍會存在漏報的情況。但總體來看，目前研究的檢測方法的檢測性能相對更好。但隨著物聯網的不斷優化升級，對網絡異常節點檢測方法的要求不斷提高，因此，在今后的研究中，要根據物聯網的更新與優化，改善定位效果，盡量在簡化檢測步驟、提升檢測效率的同時，進一步精確檢測結果。