亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于超球面支持向量機(jī)的傳感器網(wǎng)絡(luò)數(shù)據(jù)異常檢測分析

        2020-11-13 03:38:57馮喬
        微型電腦應(yīng)用 2020年10期
        關(guān)鍵詞:異常檢測

        馮喬

        摘要:構(gòu)建了一種通過DBN實(shí)現(xiàn)的1/4超球面支持向量機(jī)(QuarterSpheresupportvectormachines,QSSVM)測試模型,設(shè)計(jì)了一種可以實(shí)現(xiàn)在線測試功能的異常檢測算法。當(dāng)窗口擴(kuò)大后,QSSVM發(fā)生了準(zhǔn)確度不斷提高的變化趨勢,能夠提高半徑的測試精度。當(dāng)窗口增大后算法持續(xù)時(shí)間增加,QSSVM相對(duì)于OCSVM(OneClasssupportvectormachines,OCSVM)可以降低近一半的計(jì)算時(shí)間。隨著窗口擴(kuò)大至臨界值后,將會(huì)引起準(zhǔn)確度的減小,設(shè)置QSSVM算法滑動(dòng)窗口為100。當(dāng)樣本包含更高的維度異常比例時(shí),所有算法都出現(xiàn)了檢測率增大的變化現(xiàn)象。當(dāng)樣本維度升高后,QSSVM依然具備優(yōu)異檢測性能,而Kmeans發(fā)生了檢測性能的下降。通過測試發(fā)現(xiàn),采用新算法能夠滿足大規(guī)模高維傳感器的數(shù)據(jù)處理需求,從而減小時(shí)間復(fù)雜度并能夠更加準(zhǔn)確測定異常數(shù)據(jù)。

        關(guān)鍵詞:傳感器網(wǎng)絡(luò);異常檢測;深度信念網(wǎng)絡(luò);超球面支持向量機(jī)

        中圖分類號(hào):TP393

        文獻(xiàn)標(biāo)志碼:A

        AnomalyDetectionandAnalysisofSensorNetworkData

        BasedonHypersphereSupportVectorMachine

        FENGQiao

        (SchoolofMechanicalandElectricalandInformationEngineering,WuxiVocationalInstituteofArts&Technology,Wuxi214200,China)

        Abstract:AQSSVMtestmodelof1/4hyperspheresupportvectormachineimplementedbyDBNisconstructed,andananomalydetectionalgorithmthatcanrealizeonlinetestisdesigned.Whenthewindowisenlarged,theaccuracyofQSSVMchangescontinuously,whichcanimprovethetestingaccuracyofradius.Thealgorithmcancontinuetoincreasethetimeafterthewindowisenlarged,QSSVMcanreducethecomputingtimebynearlyhalfcomparedwithOCSVM.Asthewindowexpandstothecriticalvalue,theaccuracywilldecrease.WesettheslidingwindowofQSSVMalgorithmto100.Whenthesamplecontainsahigherproportionofdimensionalanomalies,allalgorithmsshowthephenomenonofincreasingdetectionrate.Whenthesampledimensionisincreased,QSSVMstillhasexcellentdetectionperformance,whilekmeanshasdecreaseddetectionperformance.Throughtesting,itisfoundthatthenewalgorithmcanmeetthedataprocessingrequirementsoflargescalehighdimensionalsensors,itreducesthetimecomplexity,andmeasurestheabnormaldatamoreaccurately.

        Keywords:sensornetwork;abnormaldetection;deepbeliefnetwork;hyperspheresupportvectormachine

        0引言

        隨著時(shí)代的發(fā)展,物聯(lián)網(wǎng)已成為當(dāng)前人們開展生活與工作的重要工具,這也因此促進(jìn)了無線傳感器網(wǎng)絡(luò)的大量應(yīng)用[13]。但考慮到這些傳感器通常都被安裝于多種復(fù)雜的環(huán)境中,并且不同類型的傳感器的數(shù)據(jù)結(jié)構(gòu)、傳輸模式也存在較大差異,一旦出現(xiàn)運(yùn)行故障時(shí)便會(huì)引起數(shù)據(jù)異常的情況,這些異常數(shù)據(jù)將會(huì)對(duì)實(shí)際處理過程造成較大干擾,無法從中提取出準(zhǔn)確的參考信息,從而對(duì)最后的決策過程造成不利影響[46]。為克服上述問題,需要對(duì)無線傳感器網(wǎng)絡(luò)內(nèi)的各類異常數(shù)據(jù)實(shí)施快速高效監(jiān)測。通過快速測定異常數(shù)據(jù)可以使傳感器能夠更加穩(wěn)定并準(zhǔn)確地采集數(shù)據(jù)。

        利用近鄰分析方法計(jì)算出本節(jié)點(diǎn)和相鄰節(jié)點(diǎn)的數(shù)據(jù)距離再判斷本節(jié)點(diǎn)的數(shù)據(jù)是否存在異常的情況,當(dāng)實(shí)際測定的數(shù)據(jù)和鄰居節(jié)點(diǎn)數(shù)據(jù)具有明顯差異時(shí)說明該數(shù)據(jù)發(fā)生了異常,由于需要很長時(shí)間才能計(jì)算得到各數(shù)據(jù)距離,因此不能滿足大規(guī)模傳感器網(wǎng)絡(luò)的應(yīng)用條件;可以采用聚類分析的方式,根據(jù)數(shù)據(jù)分簇類型來達(dá)到對(duì)異常數(shù)據(jù)的孤立目的,但采用這一方法需獲得所有數(shù)據(jù)后再對(duì)其實(shí)施分簇,無法滿足在線測試異常數(shù)據(jù)的要求[78]。采用上述方法可以同時(shí)滿足測試精度與在線檢測的要求,同時(shí)還可以對(duì)高維數(shù)據(jù)集合出現(xiàn)異常情況時(shí)進(jìn)行測試,已經(jīng)成為現(xiàn)階段獲得普遍應(yīng)用的異常測試方法[911]。利用單類支持向量機(jī)OCSVM來完成異常測試已經(jīng)成為現(xiàn)階段的一種重要檢測方法,該方法可以采用無監(jiān)督的狀態(tài)快速找出各項(xiàng)異常數(shù)據(jù)。為克服上述缺陷,本研究根據(jù)上述研究內(nèi)容,進(jìn)一步優(yōu)化了OCSVM,構(gòu)建得到了一種通過DBN實(shí)現(xiàn)的1/4超球面支持向量機(jī)QSSVM測試模型,同時(shí)根據(jù)該模型設(shè)計(jì)了一種可以實(shí)現(xiàn)在線測試功能的異常檢測算法。

        1算法

        1.11/4超球面支持向量機(jī)(QSSVM)

        QSSVM把樣本數(shù)據(jù)映射至高維空間內(nèi),再把該空間內(nèi)由樣本組成的圓心移動(dòng)到坐標(biāo)原點(diǎn),按照正坐標(biāo)軸的方向構(gòu)建1/4超球面,其中被球面包含的數(shù)據(jù)屬于正常數(shù)據(jù),處于球面以外的數(shù)據(jù)屬于異常數(shù)據(jù)。

        對(duì)于樣本

        X={xi,1≤i≤n}處于特征空間內(nèi)的1/4球面需要求解下述問題如式(1)。

        minR∈R,ξ∈Rn

        R2+1vn∑ni=1ξi

        s.t.Φ(xi)2≤R2+ξi

        ξi≥0,i=1,2…,n

        (1)

        把式(1)對(duì)偶問題通過式(2)進(jìn)行表示,如式(2)。

        minα∈Rn

        -∑ni=1αik(xi,xi)

        s.t.∑ni=1αi=10≤αi≤1vn;i=1,2,…,n

        (2)

        與球面QSSVM進(jìn)行非線性規(guī)劃的過程相比可以發(fā)現(xiàn),采用式(2)實(shí)施線性規(guī)劃可以顯著降低計(jì)算過程的復(fù)雜度。但因?yàn)橥ㄟ^距離指標(biāo)構(gòu)建的核函數(shù)k(xi,xi)對(duì)所有樣本節(jié)點(diǎn)都相同,所以不能根據(jù)式(2)獲得有意義的解。需要利用核函數(shù)中心化的處理方式求解上述問題,把完成中心化的核函數(shù)表示如式(3)。

        kc=k-1nk-k1n+1nk1n

        (3)

        再把式(2)轉(zhuǎn)變成如式(4)。

        minα∈Rn

        -∑ni=1αikc(xi,xi)

        s.t.∑ni=1αi=10≤αi≤1vn;i=1,2,…,n

        (4)

        利用式(4)求解拉格朗日系數(shù)αi,并判斷樣本xi的節(jié)點(diǎn)和超球體之間的相互關(guān)系:如果αi=0,可以認(rèn)為此時(shí)的樣本節(jié)點(diǎn)屬于正常數(shù)據(jù);如果αi=1vn,表明樣本節(jié)點(diǎn)屬于異常數(shù)據(jù);如果0<αi<1vn,同時(shí)xi表示邊界支持向量,利用此向量和原點(diǎn)之間的距離計(jì)算出1/4球面半徑R。

        1.2深度信念網(wǎng)絡(luò)(DeepBeliefNetwork,DBN)模型

        深度信念網(wǎng)絡(luò)具備深度學(xué)習(xí)功能,包含了多個(gè)玻爾茲曼機(jī)(Restrictedboltzmannmachine,RBM),如圖1所示。

        這一網(wǎng)絡(luò)可以對(duì)RBM實(shí)施分層訓(xùn)練,其作用是接收進(jìn)行RBM訓(xùn)練時(shí)產(chǎn)生的特征數(shù)據(jù)。因?yàn)楦鲗覴BM在訓(xùn)練過程中只能實(shí)現(xiàn)自身最優(yōu)的狀態(tài),這使得采用分層訓(xùn)練方法也不能達(dá)到全局最優(yōu)的效果。

        1.3基于深度信念網(wǎng)絡(luò)的傳感器數(shù)據(jù)異常檢測算法

        DBN和QSSVM構(gòu)成的混合模型如圖2所示。

        模型功能是對(duì)DBN降維模型實(shí)施訓(xùn)練并去除訓(xùn)練時(shí)產(chǎn)生的異常數(shù)據(jù),采用測試模型對(duì)各類數(shù)據(jù)進(jìn)行實(shí)時(shí)測試發(fā)現(xiàn)異常情況。

        把訓(xùn)練數(shù)據(jù)輸入到訓(xùn)練模型的DBN底層節(jié)點(diǎn)中,再對(duì)DBN內(nèi)各層權(quán)值W進(jìn)行訓(xùn)練,包括顯層與隱層節(jié)點(diǎn)偏執(zhí)兩種情況,再把經(jīng)過降維處理的訓(xùn)練數(shù)據(jù)傳輸至QSSVM再將異常數(shù)據(jù)進(jìn)行輸出,去除數(shù)據(jù)集內(nèi)的所有異常數(shù)據(jù)。

        把采集獲得的待檢測數(shù)據(jù)傳輸至經(jīng)過訓(xùn)練的DBN模型內(nèi),再輸出經(jīng)過降維處理的測試數(shù)據(jù),同時(shí)將其加入滑動(dòng)窗口內(nèi),把上述窗口數(shù)據(jù)傳輸至QSSVM,判斷新數(shù)據(jù)有無異常的問題。

        2實(shí)驗(yàn)

        2.1數(shù)據(jù)集與實(shí)驗(yàn)設(shè)置

        本次測試的數(shù)據(jù)來自UCI機(jī)器學(xué)習(xí)庫[12],總共包含了四組通過實(shí)際傳感器檢測得到的數(shù)據(jù),具體包括:48維Forest監(jiān)測參數(shù)、110維GAS氣體測試數(shù)據(jù)、320維DSA活動(dòng)記錄數(shù)據(jù)以及540維HAR智能設(shè)備測試數(shù)據(jù)。之后從各數(shù)據(jù)集內(nèi)選出由連續(xù)時(shí)間組成的1000個(gè)樣本,再選擇其中的800個(gè)樣本數(shù)據(jù)用于訓(xùn)練,通過隨機(jī)的方式加入比例為5%的異常數(shù)據(jù),再對(duì)剩余的20%數(shù)據(jù)進(jìn)行測試,同時(shí)以隨機(jī)方式設(shè)置了10%異常數(shù)據(jù)。

        為了盡量提升算法的性能,本實(shí)驗(yàn)實(shí)施了多次測試,使用兩層DBN對(duì)輸入數(shù)據(jù)實(shí)施降溫至6維。各算法都通過MATLABR2017a進(jìn)行模擬分析,總共進(jìn)行10次測試并計(jì)算平均值。

        2.2算法效率及窗口大小影響

        表1顯示了對(duì)上述算法進(jìn)行訓(xùn)練的模型以及在異常數(shù)據(jù)檢測階段花費(fèi)的時(shí)間,同時(shí)給出了各窗口下的QSSVM準(zhǔn)確性??紤]到時(shí)間受到數(shù)據(jù)集合和異常維度比率的影響程度很小,所有記錄時(shí)間都是處于異常維度比率條件下算法所需的平均運(yùn)行時(shí)間。測試結(jié)果如表1所示。

        當(dāng)窗口擴(kuò)大后,QSSVM發(fā)生了準(zhǔn)確度不斷提高的變化趨勢,產(chǎn)生這一情況的原因是當(dāng)窗口增大后,將包含更多的樣本數(shù)據(jù),每次進(jìn)行球面半徑計(jì)算時(shí)可以獲得更多的正常樣

        本,同時(shí)也能夠提高半徑的測試精度。

        2.3檢測率(DR)

        各算法處于不同比率維度下的異常數(shù)據(jù)測試精度如圖3所示。

        通過四組測試結(jié)果可知,當(dāng)樣本包含更高的維度異常比例時(shí),所有算法都出現(xiàn)了檢測率增大的變化現(xiàn)象。采用QSSVM算法處理Forest數(shù)據(jù)與GAS數(shù)據(jù)時(shí)相對(duì)于Kmeans的性能略差,而當(dāng)樣本維度升高后,QSSVM依然具備優(yōu)異檢測性能,而Kmeans發(fā)生了檢測性能的下降,對(duì)于560維的HAR數(shù)據(jù)只能達(dá)到43.81%的檢測率,采用QSSVM算法則能夠獲得高達(dá)94.16%的檢測率,當(dāng)樣本維度升高后,一些低維度異常數(shù)據(jù)不能被檢測到,說明此時(shí)沒有檢測出所有異常數(shù)據(jù)。

        3總結(jié)

        (1)當(dāng)窗口擴(kuò)大后,QSSVM發(fā)生了準(zhǔn)確度不斷提高的變化趨勢,能夠提高半徑的測試精度。當(dāng)窗口增大后算法持續(xù)時(shí)間增加,QSSVM相對(duì)于OCSVM可以降低近一半的計(jì)算時(shí)間。隨著窗口擴(kuò)大至臨界值后,將會(huì)引起準(zhǔn)確度的減小,設(shè)置QSSVM算法滑動(dòng)窗口為100。

        (2)當(dāng)樣本包含更高的維度異常比例時(shí),所有算法都出現(xiàn)了檢測率增大的變化現(xiàn)象。當(dāng)樣本維度升高后,QSSVM依然具備優(yōu)異檢測性能,而Kmeans發(fā)生了檢測性能的下降。

        參考文獻(xiàn)

        [1]

        許春杰,吳蒙,楊立君.一種基于分層聚合的分布式異常數(shù)據(jù)檢測方案[J/OL].計(jì)算機(jī)工程,[20190709].https://doi.org/10.19678/j.issn.10003428.0054066.

        [2]劉禹彤,李銳,包俊杰,劉亞希.中國區(qū)域電離層異常數(shù)據(jù)野值檢測[J/OL].北京航空航天大學(xué)學(xué)報(bào),[20190709].https://doi.org/10.13700/j.bh.10015965.2019.0152.

        [3]武海龍,武海艷.云計(jì)算光纖網(wǎng)絡(luò)中大數(shù)據(jù)異常負(fù)載檢測模型[J].激光雜志,2019(6):207211.

        [4]劉志方.大數(shù)據(jù)網(wǎng)絡(luò)下船舶軌跡異常故障檢測技術(shù)優(yōu)化[J].艦船科學(xué)技術(shù),2019,41(10):3436.

        [5]陳永聰.云組合服務(wù)網(wǎng)絡(luò)的異常植入數(shù)據(jù)檢測算法[J].信息技術(shù),2019,43(6):111114.

        [6]趙寶慶,王赫男.基于熵權(quán)聚類網(wǎng)絡(luò)異常行為的檢測方法研究[J].信息技術(shù),2019,43(6):121124.

        [7]農(nóng)婷.大數(shù)據(jù)環(huán)境下的網(wǎng)絡(luò)流量異常檢測研究[J].科技風(fēng),2019(17):84.

        [8]ChristodoulouVyron,BiYaxin,WilkieGeorge.AtoolforSwarmsatellitedataanalysisandanomalydetection.[J].PloSone,2019,14(4):12841291.

        [9]MunirMohsin,SiddiquiShoaibAhmed,ChatthaMuhammadAli,etal.FuseAD:UnsupervisedAnomalyDetectioninStreamingSensorsDatabyFusingStatisticalandDeepLearningModels[J].Sensors(Basel,Switzerland),2019,19(11):24512459.

        [10]吳海波,施式亮,念其鋒.瓦斯?jié)舛攘鲾?shù)據(jù)實(shí)時(shí)異常檢測方法[J].計(jì)算機(jī)與數(shù)字工程,2019,47(5):10861090.

        [11]王振昊,王布宏.基于SVDD的ADSB異常數(shù)據(jù)檢測[J].河北大學(xué)學(xué)報(bào)(自然科學(xué)版),2019,39(3):323329.

        [12]李昊奇,應(yīng)娜,郭春生,等.基于深度信念網(wǎng)絡(luò)和線性單分類SVM的高維異常檢測[J].電信科學(xué),2018(1):3442.

        (收稿日期:2020.02.25)

        猜你喜歡
        異常檢測
        一種基于隨機(jī)空間樹的數(shù)據(jù)流異常檢測算法
        基于ELK的電力信息監(jiān)控日志審計(jì)系統(tǒng)實(shí)現(xiàn)
        基于LMD模糊熵的遙測振動(dòng)信號(hào)異常檢測方法
        基于度分布的流量異常在線檢測方法研究
        無線Mesh網(wǎng)絡(luò)安全性研究
        無線Mesh網(wǎng)絡(luò)基礎(chǔ)知識(shí)
        淺談燃?xì)廨啓C(jī)排氣溫度異常檢測及診斷
        一種基于異常入侵檢測的報(bào)警融合技術(shù)
        基于計(jì)算機(jī)視覺的人群異常事故檢測系統(tǒng)
        卷宗(2016年4期)2016-05-30 11:01:28
        基于鼠標(biāo)行為的電子商務(wù)中用戶異常行為檢測
        国产极品大秀在线性色| 亚洲国产18成人中文字幕久久久久无码av| 精品中文字幕久久久久久| 色偷偷亚洲女人的天堂| 久久国产精品亚洲va麻豆| 国产99久久久国产精品免费看| 香蕉久久夜色精品国产2020| 亚洲精品一品二品av | 精品人妻一区三区蜜桃| 国产精品你懂的在线播放| 精品国产网红福利在线观看| 秀人网嫩模李梓熙大尺度| 蜜桃传媒网站在线观看| 欧美精品videosex极品| 色婷婷七月| 国产黄色污一区二区三区| 手机在线免费av资源网| 中文字幕被公侵犯的漂亮人妻| 91av视频在线| 国产av黄色一区二区| 久久精品国产99久久久| 福利视频一二三在线观看| 国产亚洲欧美另类久久久| 各类熟女熟妇激情自拍| 精品无码av一区二区三区| 欧美日韩人妻| 久久无人码人妻一区二区三区| 国产av无码专区亚洲av男同| 亚洲av中文无码乱人伦在线r▽| 欧美日本国产亚洲网站免费一区二区| 国产午夜精品视频在线观看| 久久久久久亚洲av成人无码国产| 欧美在线综合| 四虎在线中文字幕一区| 国产色视频一区二区三区qq号 | 蜜桃av噜噜一区二区三区免费| 狠狠综合亚洲综合亚洲色| 亚洲色欲色欲www在线播放| 亚洲国产成人aⅴ毛片大全| 精品人妻一区二区三区在线观看 | 久久人妻一区二区三区免费|