田洪生仝 軍吳翠紅

(1.長(zhǎng)春信息技術(shù)職業(yè)學(xué)院 計(jì)算機(jī)學(xué)院，吉林 長(zhǎng)春 130103；2.長(zhǎng)春電子科技學(xué)院 機(jī)電工程學(xué)院，吉林 長(zhǎng)春 130000)

隨著傳感技術(shù)與通信技術(shù)的迅速發(fā)展，具有計(jì)算功能、感知功能與通信功能的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)逐漸擁有了更為廣闊的應(yīng)用空間。作為物聯(lián)網(wǎng)的重要組成部分，被廣泛應(yīng)用于環(huán)境監(jiān)測(cè)、智慧醫(yī)療、智能家居等領(lǐng)域[1]。

無(wú)線(xiàn)傳感器網(wǎng)絡(luò)綜合運(yùn)用分布式信息處理技術(shù)與傳感器技術(shù)，通過(guò)實(shí)時(shí)監(jiān)控、數(shù)據(jù)采集與感知來(lái)挖掘所需的信息，同時(shí)對(duì)這些信息進(jìn)行系統(tǒng)性處理，以便作出適用的決策。但是無(wú)線(xiàn)傳感網(wǎng)絡(luò)屬于一種易受監(jiān)聽(tīng)和干擾的開(kāi)放系統(tǒng)[2]，且在現(xiàn)實(shí)環(huán)境中，傳感器故障或者環(huán)境因素的突變極易導(dǎo)致傳感器網(wǎng)絡(luò)中的部分采集數(shù)據(jù)出現(xiàn)異常[3]。此外，在實(shí)際應(yīng)用中，傳感器網(wǎng)絡(luò)中的節(jié)點(diǎn)在功率、帶寬等方面存在的固有局限性非常容易導(dǎo)致網(wǎng)絡(luò)遭到惡意程序的破壞，從而影響數(shù)據(jù)集的完整性和可靠性。因此，不論是對(duì)外部突發(fā)異常的預(yù)警，還是對(duì)傳感器網(wǎng)絡(luò)自身的狀態(tài)監(jiān)控，實(shí)時(shí)檢測(cè)傳感網(wǎng)絡(luò)數(shù)據(jù)的異常都具有非常重要的意義。

為此，文獻(xiàn)[4]提出一種基于深度信念網(wǎng)絡(luò)的高維傳感器數(shù)據(jù)異常檢測(cè)算法。其首先利用深度信念網(wǎng)絡(luò)提取高維數(shù)據(jù)特征，并檢測(cè)降維后的數(shù)據(jù)異常。然后結(jié)合的1/4超球面支持向量機(jī)(Quarter-Sphere Support Vector Machine，QSSVM)與滑動(dòng)窗口模型實(shí)現(xiàn)了在線(xiàn)式異常檢測(cè)。文獻(xiàn)[5]針對(duì)廣播式自動(dòng)相關(guān)監(jiān)視(Automatic Dependent Surveillance-Broadcast，ADS-B)數(shù)據(jù)提出了一種異常數(shù)據(jù)檢測(cè)模型。在利用雙向門(mén)控循環(huán)單元(Bidirectional Gated Recurrent Unit，BiGRU)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)數(shù)據(jù)的基礎(chǔ)上，對(duì)預(yù)測(cè)值和實(shí)際值作差，并將差值放入支持向量數(shù)據(jù)描述(Support Vector Data Description，SVDD)訓(xùn)練，獲取能檢測(cè)異常數(shù)據(jù)的超球體分類(lèi)器，然后通過(guò)選擇合適滑動(dòng)窗口保證異常檢測(cè)的準(zhǔn)確率。文獻(xiàn)[6]中針對(duì)光纖通信網(wǎng)絡(luò)，基于數(shù)據(jù)挖掘過(guò)程設(shè)計(jì)了一種異常數(shù)據(jù)檢方法。該方法在分類(lèi)數(shù)據(jù)樣本屬性的基礎(chǔ)上，根據(jù)異常數(shù)據(jù)特征密度指標(biāo)選取鄰域區(qū)間半徑，然后通過(guò)對(duì)高階統(tǒng)計(jì)量的大數(shù)據(jù)聚類(lèi)度循環(huán)迭代，并優(yōu)化特征提取參數(shù)，由樣本屬性概率計(jì)算熵目標(biāo)函數(shù)的最優(yōu)值，并利用最優(yōu)值完成異常數(shù)據(jù)檢測(cè)。

國(guó)外學(xué)者也針對(duì)數(shù)據(jù)異常檢測(cè)展開(kāi)了研究。文獻(xiàn)[7]中考慮了未知概率分布下的數(shù)據(jù)異常問(wèn)題，提出了一種結(jié)合基于擬生成對(duì)抗網(wǎng)絡(luò)的異常檢測(cè)方法。其在訓(xùn)練逆生成對(duì)抗網(wǎng)絡(luò)時(shí)，將數(shù)據(jù)轉(zhuǎn)換為經(jīng)典的均勻與非均勻假設(shè)檢驗(yàn)問(wèn)題。文獻(xiàn)[8]中設(shè)計(jì)了一種基于物理定律的邊緣傳感器節(jié)點(diǎn)實(shí)驗(yàn)數(shù)據(jù)異常檢測(cè)方法。該方法在檢查不同種類(lèi)型的傳感器測(cè)量值之間的自然關(guān)系的基礎(chǔ)上，檢測(cè)傳感節(jié)點(diǎn)中是否存在任何數(shù)據(jù)異常。

為了提高無(wú)線(xiàn)傳感網(wǎng)絡(luò)環(huán)境的安全性、防止信息被竊取或攻擊，本文提出一種基于云框架直方圖的無(wú)線(xiàn)傳感網(wǎng)絡(luò)數(shù)據(jù)異常檢測(cè)方法。

1 云框架下無(wú)線(xiàn)傳感器網(wǎng)絡(luò)數(shù)據(jù)異常檢測(cè)研究

1.1 構(gòu)建網(wǎng)絡(luò)數(shù)據(jù)分類(lèi)云模型

云模型以高斯函數(shù)作為基礎(chǔ)，以熵值En(σ)、期望值Ex與超熵He這三種向量特征進(jìn)行表述。其中，Ex能夠描述論域的中心值，En(σ)可描述為信息模糊程度，超熵He為數(shù)據(jù)離散程度。

通過(guò)分類(lèi)云模型能夠得到模型內(nèi)所有數(shù)據(jù)種類(lèi)i的分類(lèi)函數(shù)，通過(guò)一維云模型對(duì)所有數(shù)據(jù)屬性j進(jìn)行建模。這個(gè)流程獲得的三個(gè)數(shù)字特征分別為超熵Heij、熵值Enij(σij)與期望值Exij，這三種值能夠使Hij＝0，數(shù)據(jù)種類(lèi)i的屬性j的建模結(jié)果為:

式中:x代表數(shù)據(jù)種類(lèi)i的屬性j的隨機(jī)數(shù)值，Exij代表數(shù)據(jù)種類(lèi)i的屬性j的中心值，Enij(σij)代表數(shù)據(jù)種類(lèi)i的屬性j的熵值集合中的元素，Aij代表論域內(nèi)隨機(jī)一種屬性值x的隸屬度值。

在數(shù)據(jù)挖掘的工作中開(kāi)展異常檢測(cè)，其任務(wù)是發(fā)現(xiàn)與常規(guī)數(shù)據(jù)模式顯著不同的數(shù)據(jù)模式，亦可將異常檢測(cè)認(rèn)為是一種對(duì)新模式的發(fā)現(xiàn)。若數(shù)據(jù)種類(lèi)i的分類(lèi)函數(shù)通過(guò)高維云模型進(jìn)行描述，模型維數(shù)由數(shù)據(jù)種類(lèi)的屬性總量評(píng)定，就是所有屬性的一維云模型構(gòu)成數(shù)據(jù)種類(lèi)i的高維分類(lèi)模型，這時(shí)D維的分類(lèi)模型可以表示為如下形式:

1.2 利用信息熵初步判斷傳感網(wǎng)絡(luò)中是否存在異常數(shù)據(jù)

根據(jù)云模型的信息熵可以判斷網(wǎng)絡(luò)中各分段聚合數(shù)據(jù)的穩(wěn)定性[9]，從而判斷網(wǎng)絡(luò)的混亂程度。網(wǎng)絡(luò)越混亂，其中所包含的信息也就越多，熵值會(huì)越高；反之，熵值就會(huì)越低。在信息理論中，信息熵主要通過(guò)數(shù)值公式表示取值的不確定程度，其目標(biāo)為刻劃信息總量，并采用SMOTE與ENN對(duì)少數(shù)類(lèi)樣本進(jìn)行過(guò)采樣解決不平衡問(wèn)題，再對(duì)網(wǎng)絡(luò)流量數(shù)據(jù)的特征進(jìn)行歸一化。

本研究在香農(nóng)公式內(nèi)，加入信息熵以衡量數(shù)據(jù)樣本內(nèi)的分散與集中程度，數(shù)據(jù)樣本X＝{ni，i＝1，…，N}代表檢測(cè)數(shù)據(jù)內(nèi)樣本i出現(xiàn)了ni次，那么信息熵?cái)M定如下所示:

考慮到數(shù)據(jù)樣本序列的密集與稀疏程度和樣本之間空間與時(shí)間距離沒(méi)有關(guān)聯(lián)，只與數(shù)據(jù)樣本值的異同狀態(tài)有關(guān)，那么可以假設(shè):對(duì)兩種數(shù)目相等的樣本序列X與Y進(jìn)行描述，X可代表1單位時(shí)間的數(shù)據(jù)樣本序列，Y代表2單位時(shí)間的數(shù)據(jù)樣本序列。當(dāng)二者內(nèi)每個(gè)樣本值都不同，且都達(dá)到了最稀疏狀況，就能夠認(rèn)定這兩種數(shù)據(jù)樣本序列的分布稀疏程度相同。

根據(jù)上述設(shè)定，將連續(xù)數(shù)據(jù)包內(nèi)隨機(jī)特征的序列值當(dāng)作數(shù)據(jù)樣本計(jì)算特征熵值，依靠該熵值描述數(shù)據(jù)特征樣本序列的密集與稀疏程度。

由于無(wú)線(xiàn)傳感器網(wǎng)絡(luò)數(shù)據(jù)為細(xì)粒度的包數(shù)據(jù)，而不是粗粒度的流數(shù)據(jù)。因此，本文通過(guò)固定的細(xì)粒度包數(shù)W當(dāng)做數(shù)據(jù)包間隔來(lái)計(jì)算數(shù)據(jù)信息熵值。然后基于數(shù)據(jù)包間隔計(jì)算數(shù)據(jù)內(nèi)某個(gè)特征的熵值，從而精確反映該特征樣本序列的密集與稀疏程度。

在使用數(shù)據(jù)包間隔計(jì)算樣本數(shù)據(jù)熵值的過(guò)程中，數(shù)據(jù)包內(nèi)樣本的總量W是一種可調(diào)節(jié)參數(shù)，該參數(shù)控制著特征短時(shí)內(nèi)變化狀態(tài)，其值與鏈路帶寬的負(fù)載存在關(guān)聯(lián)，提高W就會(huì)減少熵的變化，從而縮減檢測(cè)的誤差率，但W在原則上需要盡量減小，可以使異常數(shù)據(jù)能夠被盡快檢測(cè)出來(lái)。因此，本文擬定值為W＝6 000。流量為分秒級(jí)別，這是因?yàn)樵跈z測(cè)過(guò)程中，最小延遲只需要分秒級(jí)別。在對(duì)熵值進(jìn)行計(jì)算時(shí)，需要計(jì)算連續(xù)的S個(gè)包的熵，然后轉(zhuǎn)移到下一個(gè)臨近的S個(gè)包計(jì)算其相應(yīng)熵值。

以信息值作為無(wú)線(xiàn)傳感器網(wǎng)絡(luò)數(shù)據(jù)檢測(cè)閾值，如果超出該閾值就代表傳感網(wǎng)絡(luò)中數(shù)據(jù)分布較為混亂，證明其中可能存在異常數(shù)據(jù)。

1.3 基于云框架直方圖的異常數(shù)據(jù)檢測(cè)

無(wú)線(xiàn)傳感網(wǎng)絡(luò)是由多個(gè)小型傳感器分布式組成的，受到噪聲、接收信號(hào)強(qiáng)度、入侵攻擊等開(kāi)放性因素的影響，無(wú)線(xiàn)傳感網(wǎng)絡(luò)中的數(shù)據(jù)并不總是可靠的[10]。為了減少誤報(bào)，需要對(duì)這些數(shù)據(jù)進(jìn)行異常檢測(cè)[11]。

針對(duì)無(wú)線(xiàn)傳感器網(wǎng)絡(luò)數(shù)據(jù)，以往的串行運(yùn)算很難滿(mǎn)足檢測(cè)的實(shí)時(shí)性需求。本文利用云框架下的直方圖來(lái)對(duì)其中的異常數(shù)據(jù)展開(kāi)檢測(cè)。

1.3.1 直方圖數(shù)據(jù)屬性信息映射

通過(guò)檢測(cè)指標(biāo)明確可能存在異常數(shù)據(jù)的混沌序列，但是不代表其中都含有異常數(shù)據(jù)，多數(shù)都是由于數(shù)據(jù)過(guò)于冗雜產(chǎn)生的分布混亂現(xiàn)象。為此，在簡(jiǎn)單統(tǒng)計(jì)字節(jié)數(shù)與數(shù)據(jù)包的基礎(chǔ)上，構(gòu)建數(shù)據(jù)時(shí)間序列的關(guān)聯(lián)模型，分析目標(biāo)序列集合混亂趨勢(shì)，明確無(wú)線(xiàn)傳感器網(wǎng)絡(luò)數(shù)據(jù)間的自相關(guān)性，然后使用直方圖實(shí)現(xiàn)數(shù)據(jù)異常檢測(cè)。在這一過(guò)程中，根據(jù)對(duì)數(shù)據(jù)分布特征的分析結(jié)果，明確異常數(shù)據(jù)的具體位置。直方圖根據(jù)信息熵閾值的動(dòng)態(tài)設(shè)定情況，結(jié)合細(xì)粒度的檢測(cè)數(shù)據(jù)信息，繼而找出更多沒(méi)有引起明顯異常變化的數(shù)據(jù)異常。

在利用云架構(gòu)直方圖檢測(cè)數(shù)據(jù)異常時(shí)，根據(jù)不同的數(shù)據(jù)特征構(gòu)建直方圖，映射數(shù)據(jù)在某個(gè)維度內(nèi)的分布狀況。其中，直方圖的橫坐標(biāo)代表某數(shù)據(jù)特征，一般表示為目標(biāo)IP、端口或TCP標(biāo)志位等，縱坐標(biāo)代表通過(guò)維度內(nèi)的網(wǎng)絡(luò)數(shù)據(jù)，構(gòu)建源IP地址的數(shù)據(jù)直方圖，橫坐標(biāo)為IP地址取值，具有n個(gè)部分，ci代表第i個(gè)部分相應(yīng)的IP地址范圍中，數(shù)據(jù)包的大小，i∈[1，2，…，n]，那么該直方圖能夠通過(guò)向量C＝(c1，c2，…，cn)進(jìn)行描述。對(duì)直方圖算法供給的數(shù)據(jù)分類(lèi)理念上，依靠分布特征的變化對(duì)比熵閾值來(lái)檢測(cè)信息屬性數(shù)據(jù)是否存在異常數(shù)據(jù)。

檢測(cè)方法的第一步是對(duì)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)。首先挑選特征屬性，特征屬性通常挑選目標(biāo)IP地址、端口號(hào)或TCP標(biāo)志等常用的數(shù)據(jù)特征，所有數(shù)據(jù)特征都需要對(duì)應(yīng)一個(gè)函數(shù)與一個(gè)數(shù)組，數(shù)組內(nèi)會(huì)存在數(shù)據(jù)對(duì)應(yīng)的計(jì)數(shù)器，在一條數(shù)據(jù)包達(dá)到計(jì)數(shù)器閾值時(shí)，使用數(shù)據(jù)特征對(duì)應(yīng)的函數(shù)進(jìn)行運(yùn)算，同時(shí)映射至相應(yīng)的數(shù)組坐標(biāo)中，并對(duì)相應(yīng)計(jì)算器進(jìn)行更新。最后利用數(shù)組構(gòu)建直方圖C＝(c1，c2，…，cn)。

1.3.2 計(jì)算數(shù)據(jù)相似度

擬定兩個(gè)數(shù)據(jù)空間Hi、Hj，d(Hi，Hj)代表兩個(gè)數(shù)據(jù)空間的距離，d(Hik，Hjk)代表兩個(gè)數(shù)據(jù)空間k維屬性空間的距離，二者的表達(dá)式為:

式中:Exik、Exjk別代表數(shù)據(jù)空間Hi與Hj的第k維數(shù)據(jù)屬性空間的中心，σik與σjk分別代表兩種屬性空間的熵。

利用數(shù)據(jù)空間Hi、Hj表示第k維屬性空間的相似度，其通過(guò)公式能夠描述成:

式中:d(Hik，Hjk)＝0，第k維屬性對(duì)Hi與Hj的分類(lèi)并不會(huì)起到作用，d(Hik，Hjk)≥1，Hi與Hj即兩種互不干涉的數(shù)據(jù)空間，第k維屬性能夠把兩個(gè)數(shù)據(jù)空間分開(kāi)，0＜d(Hi，Hj)＜1時(shí)，Hi與Hj第k維相交的數(shù)據(jù)空間，其相似度越大，對(duì)檢測(cè)的作用就越小。

擬定m(m＞2)個(gè)D維數(shù)據(jù)空間的距離是:

而m(m＞2)個(gè)D維數(shù)據(jù)空間的第k維屬性空間距離是:

對(duì)存在D種屬性的若干種數(shù)據(jù)空間進(jìn)行檢測(cè)時(shí)，存在最小相似度的屬性對(duì)檢測(cè)的貢獻(xiàn)最大，計(jì)算數(shù)據(jù)相似度就能夠運(yùn)算出屬性在檢測(cè)中的權(quán)值。

1.3.3 數(shù)據(jù)異常粗檢測(cè)

傳感網(wǎng)絡(luò)中的能量消耗大多來(lái)自于節(jié)點(diǎn)間彼此的通信過(guò)程。因此，異常檢測(cè)的關(guān)鍵是將計(jì)算過(guò)程分布到各個(gè)子級(jí)節(jié)點(diǎn)中，從而盡可能地降低網(wǎng)絡(luò)通信需求[12]。在無(wú)線(xiàn)傳感器網(wǎng)絡(luò)的通信過(guò)程中，異常數(shù)據(jù)會(huì)干擾到網(wǎng)絡(luò)的正常運(yùn)行。因此，在計(jì)算數(shù)據(jù)相似度之后，需要對(duì)這些數(shù)據(jù)進(jìn)行過(guò)濾。

假設(shè)在數(shù)據(jù)集合內(nèi)存在m種直方圖，那么元素的數(shù)量不超過(guò)p×m且高于熵值的數(shù)據(jù)段被認(rèn)定為不存在異常數(shù)據(jù)。一般擬定數(shù)據(jù)段閾值p＝5。具體的粗檢測(cè)流程如下所示:①按照數(shù)據(jù)段的大小進(jìn)行排列，θ→1；②如果滿(mǎn)足θ≥p，那么直接就能夠認(rèn)定當(dāng)前檢測(cè)數(shù)據(jù)為異常數(shù)據(jù)；③如果θ＜p，那么重新迭代步驟2；④標(biāo)記C1，C2，…，Cθ代表異常數(shù)據(jù)段。

綜上所述，數(shù)據(jù)異常粗流程如圖1所示。

圖1 數(shù)據(jù)異常粗檢測(cè)流程圖

1.3.4 數(shù)據(jù)異常細(xì)檢測(cè)

為了更加精確地檢測(cè)出數(shù)據(jù)是否存在異常，本文使用超矩形方法，在粗檢測(cè)基礎(chǔ)上對(duì)所有數(shù)據(jù)段分別運(yùn)算其不同維度上的取值方位，擬定數(shù)據(jù)段Ci在維度j內(nèi)的取值上界是U(Ci，j)，下界是L(Ci，j)，j∈(1，2，…，m)，i∈(1，2，…，k)，m代表維數(shù)，k代表元素個(gè)數(shù)，z代表數(shù)據(jù)段的總數(shù)。細(xì)檢測(cè)的具體流程如下所示:①初始化i→1；②初始化上界與下界，U(Ci，j)→I(dk，j)，L(Ci，j)→I(dk，j)，I(dk，j)代表數(shù)據(jù)段內(nèi)元素dk在維度j內(nèi)的值；③假如k≥｜Ci｜，那么i→i＋1，重新運(yùn)行步驟(2)，反之k→k＋1；④假如U(Ci，j)＜I(dk，j)，那么U(Ci，j)→I(dk，j)，假如L(Ci，j)＞I(dk，j)，那么U(Ci，j)→I(dk，j)。隨后運(yùn)行步驟③重新運(yùn)算，輸出全局最優(yōu)結(jié)果。

在檢測(cè)時(shí)，分別對(duì)比預(yù)檢測(cè)數(shù)據(jù)的所有維度。如果所有維度內(nèi)的數(shù)都在同一個(gè)數(shù)據(jù)段內(nèi)，那么該數(shù)據(jù)就是正常數(shù)據(jù)，反之則判定其為異常數(shù)據(jù)。

綜上所述，數(shù)據(jù)異常細(xì)流程如圖2所示。

圖2 數(shù)據(jù)異常細(xì)檢測(cè)流程圖

2 仿真分析

為了檢驗(yàn)基于云框架直方圖的無(wú)線(xiàn)傳感網(wǎng)絡(luò)數(shù)據(jù)異常檢測(cè)方法的實(shí)用性能，設(shè)計(jì)如下仿真分析過(guò)程。

2.1 仿真參數(shù)

實(shí)驗(yàn)以國(guó)際通用的IBRL數(shù)據(jù)集為對(duì)象，其由300個(gè)傳感器節(jié)點(diǎn)的數(shù)組組成，數(shù)據(jù)采樣頻率為10 s。在IBRL數(shù)據(jù)集中通過(guò)隨機(jī)的方式加入比例為5%的異常數(shù)據(jù)，然后再隨機(jī)抽選其中500 GB的有效數(shù)據(jù)量完成實(shí)驗(yàn)。

2.2 數(shù)據(jù)歸一化趨勢(shì)分析

在進(jìn)行數(shù)據(jù)異常檢測(cè)前需要對(duì)數(shù)據(jù)實(shí)施歸一化處理，以達(dá)到降低數(shù)據(jù)冗余的目的，提高檢測(cè)效率和收斂性。在歸一化處理后，以95%為置信區(qū)間，對(duì)比本文方法的歸一化訓(xùn)練曲線(xiàn)與實(shí)際訓(xùn)練曲線(xiàn)，結(jié)果如圖3所示。

圖3 歸一化訓(xùn)練結(jié)果

觀(guān)察圖3可以看出，在設(shè)定的置信區(qū)間中，本文方法的歸一化訓(xùn)練結(jié)果基本符合理論歸一化處理的大致變化趨勢(shì)，且一直保持在95%的置信區(qū)間內(nèi)，能夠證明所提方法歸一化精度高，為后續(xù)的異常檢測(cè)奠定了有效基礎(chǔ)。

2.3 對(duì)比分析

為避免因?qū)嶒?yàn)結(jié)果單一而降低其說(shuō)服力，將基于分布式壓縮感知的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)異常數(shù)據(jù)處理方法(文獻(xiàn)[3]方法)和基于逆生成對(duì)抗網(wǎng)絡(luò)的數(shù)據(jù)異常檢測(cè)方法(文獻(xiàn)[7]方法)作為對(duì)比，從檢測(cè)過(guò)程耗時(shí)、檢測(cè)誤差以及檢測(cè)能耗的角度，與本文方法共同完成性能驗(yàn)證。

2.3.1 檢測(cè)耗時(shí)分析

分別利用3種方法完成對(duì)500 GB數(shù)據(jù)集中數(shù)據(jù)異常的檢測(cè)，記錄不同方法的檢測(cè)耗時(shí)，結(jié)果如圖4所示。

圖4 不同方法的數(shù)據(jù)異常檢測(cè)耗時(shí)對(duì)比

通過(guò)分析圖4能夠看出，隨著待檢測(cè)數(shù)據(jù)量的增加，不同方法的檢測(cè)耗時(shí)也在逐步增加。在數(shù)據(jù)量達(dá)到400 GB時(shí)，文獻(xiàn)[7]方法的檢測(cè)耗時(shí)達(dá)到46 s，之后增幅明顯，而文獻(xiàn)[3]方法和本文方法的檢測(cè)耗時(shí)增長(zhǎng)情況較為平穩(wěn)。相比之下，本文方法的檢測(cè)耗時(shí)更少，在數(shù)據(jù)量最大的情況下，其檢測(cè)耗時(shí)最多為41 s，說(shuō)明本文方法具有檢測(cè)過(guò)程時(shí)效性高的應(yīng)用優(yōu)勢(shì)。這是因?yàn)楸疚姆椒ㄒ孕畔㈧貫榕袛嘀笜?biāo)，針對(duì)可能存在異常數(shù)據(jù)的傳感網(wǎng)絡(luò)環(huán)境計(jì)算了數(shù)據(jù)間相似度，通過(guò)比較相似度避免擬定過(guò)多復(fù)雜的檢測(cè)指標(biāo)，從而有效縮減了檢測(cè)耗時(shí)。

2.3.2 檢測(cè)誤差分析

在檢測(cè)耗時(shí)情況的基礎(chǔ)上，對(duì)異常數(shù)據(jù)樣本數(shù)量與檢測(cè)出的異常數(shù)據(jù)數(shù)量作差，再計(jì)算差值與異常數(shù)據(jù)樣本數(shù)量間的比值，從而獲得不同方法的檢測(cè)誤差，結(jié)果如圖5所示。

圖5 不同方法的數(shù)據(jù)異常檢測(cè)誤差對(duì)比

通過(guò)分析圖5能夠看出，隨著待檢測(cè)數(shù)據(jù)量的增加，不同方法的檢測(cè)誤差也隨之增加。但相比之下，本文方法的檢測(cè)誤差線(xiàn)始終處于另外兩種方法誤差線(xiàn)之下，在數(shù)據(jù)量最大時(shí)，其檢測(cè)誤差也僅為1.2%。而文獻(xiàn)[3]和文獻(xiàn)[7]方法的最大檢測(cè)誤差分別為2.6%、2.4%，明顯高于本文方法的檢測(cè)誤差。這是因?yàn)楸疚姆椒ǜ鶕?jù)不同數(shù)據(jù)特征構(gòu)建云框架直方圖，通過(guò)比較低的數(shù)據(jù)間相似度閾值完成數(shù)據(jù)異常粗檢測(cè)，在此基礎(chǔ)上利用進(jìn)一步的細(xì)檢測(cè)來(lái)保證檢測(cè)結(jié)果的有效性，從而降低了檢測(cè)誤差。

2.3.3 檢測(cè)能耗分析

在上述分析的基礎(chǔ)上，對(duì)異常數(shù)據(jù)檢測(cè)過(guò)程的能耗展開(kāi)分析，從而進(jìn)一步驗(yàn)證不同方法的實(shí)用性能。實(shí)驗(yàn)以不同方法異常數(shù)據(jù)檢測(cè)過(guò)程產(chǎn)生的能耗占數(shù)據(jù)中心機(jī)房總能耗的百分比為指標(biāo)，得到實(shí)驗(yàn)結(jié)果如圖6所示。

圖6 不同檢測(cè)方法的能耗占比對(duì)比

通過(guò)分析圖6能夠看出，隨著待檢測(cè)數(shù)據(jù)量的增加，不同方法在檢測(cè)異常數(shù)據(jù)過(guò)程中的能耗也隨之增加，其產(chǎn)生的能耗占數(shù)據(jù)中心機(jī)房總能耗的百分比數(shù)值也相應(yīng)增大。但根據(jù)圖4中的線(xiàn)段變化情況及其位置可以看出，本文方法的能耗量明顯少于兩種對(duì)比方法，這是因?yàn)楸疚姆椒ǚ治鲈O(shè)計(jì)了數(shù)據(jù)異常粗檢測(cè)和細(xì)檢測(cè)過(guò)程，在不同維度空間內(nèi)，利用超矩形方法對(duì)比粗檢測(cè)后數(shù)據(jù)是否處于同一數(shù)段，避免盲目搜索，從而降低了檢測(cè)能耗。

3 結(jié)束語(yǔ)

本研究提出一種的基于云框架直方圖的無(wú)線(xiàn)傳感網(wǎng)絡(luò)數(shù)據(jù)異常檢測(cè)方法，利用直方圖與超矩形算法，實(shí)現(xiàn)對(duì)無(wú)線(xiàn)傳感網(wǎng)絡(luò)數(shù)據(jù)異常的粗、細(xì)二次檢測(cè)，使檢測(cè)結(jié)果更加精準(zhǔn)有效。但是該方法會(huì)對(duì)每個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)都進(jìn)行直方圖變換，導(dǎo)致網(wǎng)絡(luò)系統(tǒng)出現(xiàn)小幅度的負(fù)載不均衡問(wèn)題。因此，下一步的研究方向?yàn)?在不影響無(wú)線(xiàn)傳感網(wǎng)絡(luò)基礎(chǔ)性能的同時(shí)，引入分布式處理機(jī)制完成數(shù)據(jù)本地化檢測(cè)。