摘要：針對物聯(lián)網(wǎng)異常節(jié)點識別結(jié)果不準(zhǔn)確和時間較長等問題，文章提出一種基于自適應(yīng)Kalman濾波的物聯(lián)網(wǎng)異常節(jié)點位置識別方法。分析物聯(lián)網(wǎng)中節(jié)點的空間分布情況，組建物聯(lián)網(wǎng)各個節(jié)點之間的通信信道傳輸模型，引入載波調(diào)制方估計各個通信信道特征參量取值，通過自適應(yīng)Kalman濾波提取異常節(jié)點的特征參量，對全部異常特征參量進行融合和過濾處理。分析處理結(jié)果，采用特征模糊聚類對物聯(lián)網(wǎng)異常節(jié)點位置識別。通過實驗對比可知，所提方法可以高效率高精度完成物聯(lián)網(wǎng)異常節(jié)點位置識別。

關(guān)鍵詞：自適應(yīng)Kalman濾波，物聯(lián)網(wǎng)異常節(jié)點，位置識別

中圖分類號：TN911

文獻標(biāo)識碼：A

文章編號：1674-9545（2023）02-0073-（04）

DOI：10.19717/j.cnki.jjun.2023.02.015

隨著物聯(lián)網(wǎng)技術(shù)的快速發(fā)展，確保物聯(lián)網(wǎng)的安全性和穩(wěn)定性是當(dāng)前的首要任務(wù)，尤其是物聯(lián)網(wǎng)中異常節(jié)點的識別和確定。由于受到周圍環(huán)境和傳感器故障等方面因素影響，物聯(lián)網(wǎng)中經(jīng)常會出現(xiàn)異常節(jié)點，所以識別異常節(jié)點是未來物聯(lián)網(wǎng)技術(shù)發(fā)展的主要方向。

現(xiàn)階段已有的物聯(lián)網(wǎng)異常節(jié)點識別方面的研究主要對節(jié)點采樣數(shù)據(jù)的異常檢測或者異常數(shù)據(jù)識別，大部分方法主要使用了物聯(lián)網(wǎng)數(shù)據(jù)的時間和空間相關(guān)性等原理。異常節(jié)點識別是數(shù)據(jù)挖掘領(lǐng)域的研究熱點，國內(nèi)相關(guān)專家給出了一些比較好的研究成果，例如殷浩然等人[1]優(yōu)先分析物聯(lián)網(wǎng)通信流量特征，構(gòu)建物聯(lián)網(wǎng)交互仿真模型，通過各個節(jié)點的電氣量和通信流量組建特征子像素，提取異常樣本同時確定所在位置，最終識別異常節(jié)點的位置。肖如良等人[2]首先對物聯(lián)網(wǎng)數(shù)據(jù)進行哈希映射，通過相互競爭策略完成噪聲消除，最終使用0-1編碼原則完成物聯(lián)網(wǎng)異常檢測。在上述幾種研究方法的基礎(chǔ)上，提出一種基于自適應(yīng)Kalman濾波的物聯(lián)網(wǎng)異常節(jié)點位置識別方法。實驗結(jié)果表明，所提方法能夠全面提升識別結(jié)果的準(zhǔn)確性，同時還能夠有效減少識別時間。

1基于自適應(yīng)Kalman濾波的物聯(lián)網(wǎng)異常節(jié)點融合和過濾

在圖1中，通過超帶寬頻譜檢測可以完成不同節(jié)點的魯棒性選擇，進而提升整個網(wǎng)絡(luò)的通信能力[3-4]，使網(wǎng)絡(luò)中的能量處于均衡狀態(tài)。另外，還可以加快通信信息的傳輸和接收速度。

在實際傳輸數(shù)據(jù)的過程中，數(shù)據(jù)的傳輸速度會受到外界各個方面因素的影響。為了有效提升數(shù)據(jù)傳輸速度，需要計算不同類型數(shù)據(jù)對應(yīng)的能量損耗。其中，信道衰減特征函數(shù)是一項十分重要的計算指標(biāo)，在數(shù)據(jù)傳輸過程中占據(jù)核心地位，可以根據(jù)其取值大小完成節(jié)點能量調(diào)度和補充等相關(guān)操作。

分析物聯(lián)網(wǎng)的組成結(jié)構(gòu)，將路由分發(fā)模型作為研究基礎(chǔ)，構(gòu)建物聯(lián)網(wǎng)通信信道傳輸模型。根據(jù)構(gòu)建的模型計算各個節(jié)點的特征參量，進而提取物聯(lián)網(wǎng)中異常節(jié)點的主要特征值。在上述分析的基礎(chǔ)上，可以得到如公式

3實驗分析

為了驗證所提基于自適應(yīng)Kalman濾波的物聯(lián)網(wǎng)異常節(jié)點位置識別方法的有效性，需要選取實際應(yīng)用場景展開實驗測試，利用圖3給出物聯(lián)網(wǎng)數(shù)據(jù)每天之間的相關(guān)性。

通過分析表1和圖4中的實驗數(shù)據(jù)可知，所提方法不僅可以準(zhǔn)確識別異常節(jié)點，同時還可以獲取精準(zhǔn)的異常節(jié)點坐標(biāo)位置，明顯優(yōu)于另外幾種識別方法，可以獲取更加理想的識別結(jié)果。

由圖5可知，相比另外兩種方法，文章所提方法的識別時間明顯更低一些，說明所提方法可以以最快的速度完成識別。

4結(jié)語

物聯(lián)網(wǎng)技術(shù)的快速發(fā)展，使其多個領(lǐng)域均得到了比較廣泛的應(yīng)用。但是隨之而來的安全問題也日益凸顯，已有的物聯(lián)網(wǎng)異常節(jié)點識別方法存在一定的不足和缺陷，為此設(shè)計并提出一種基于自適應(yīng)Kalman濾波的物聯(lián)網(wǎng)異常節(jié)點位置識別方法。經(jīng)過詳細的實驗對比分析可知，所提方法可以獲取高精度的物聯(lián)網(wǎng)異常節(jié)點位置識別結(jié)果，同時還能夠全面提升識別效率，確保物聯(lián)網(wǎng)的穩(wěn)定運行，為物聯(lián)網(wǎng)相關(guān)理論研究提供一定的數(shù)據(jù)支持。

參考文獻：

[1]殷浩然，苗世洪，韓佶，等.基于三維卷積神經(jīng)網(wǎng)絡(luò)的配電物聯(lián)網(wǎng)異常辨識方法[J].電力系統(tǒng)自動化，2022，46（1）：42.

[2]肖如良，曾智霞，肖晨凱，等.基于局部敏感布隆過濾器的工業(yè)物聯(lián)網(wǎng)隱性異常檢測[J].計算機應(yīng)用，2021，41（12）：3620.

[3]李忠，靳小龍，王亞杰，等.屬性網(wǎng)絡(luò)中基于變分圖自編碼器的異常節(jié)點檢測方法[J].模式識別與人工智能，2022，35（1）：17.

[4]孫璇.無線傳感器網(wǎng)絡(luò)電量損耗異常節(jié)點識別[J].計算機工程與設(shè)計，2020，41（10）：2724.

[5]神顯豪，李馳，桂瓊，等.基于卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)節(jié)點異常數(shù)據(jù)檢測方法[J].機床與液壓，2020，48（22）：18.

[6]秦軼翚，馬濤.分布式光纖應(yīng)變傳感網(wǎng)絡(luò)節(jié)點異常狀態(tài)識別方法[J].激光雜志，2022，43（6）：211.

[7]董書琴，張斌.基于深度特征學(xué)習(xí)的網(wǎng)絡(luò)流量異常檢測方法[J].電子與信息學(xué)報，2020，42（3）：695.

[8]劉曉軍，馬羽中，楊冬鋒，等.基于數(shù)據(jù)相關(guān)性分析的電網(wǎng)故障時刻確定與故障識別方法[J].電網(wǎng)技術(shù)，2022，46（4）：1529.

[9]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].計算機工程，2020，46（4）：213.

[10]王兆堃，陳前斌，唐倫，等.網(wǎng)絡(luò)切片中物理節(jié)點的分布式在線異常檢測方法[J].重慶郵電大學(xué)學(xué)報（自然科學(xué)版），2021，33（4）：520.

（責(zé)任編輯王一諾）