摘 要：常規(guī)的物聯(lián)網(wǎng)設(shè)備通信異常檢測方法易受數(shù)據(jù)采集間隔變化影響，導(dǎo)致檢測識別效果不佳，因此基于數(shù)據(jù)挖掘設(shè)計(jì)了一種全新的物聯(lián)網(wǎng)設(shè)備通信異常檢測方法。首先提取了物聯(lián)網(wǎng)設(shè)備通信異常行為特征；然后構(gòu)建了物聯(lián)網(wǎng)設(shè)備半監(jiān)督通信異常檢測模型；最后利用數(shù)據(jù)挖掘生成物聯(lián)網(wǎng)設(shè)備通信異常檢測流程，從而實(shí)現(xiàn)對物聯(lián)網(wǎng)設(shè)備通信異常的檢測。實(shí)驗(yàn)結(jié)果表明，設(shè)計(jì)方法在不同通信通道下均能有效進(jìn)行設(shè)備通信異常檢測，證明設(shè)計(jì)方法的檢測效果較好，具有極高的可靠性和應(yīng)用價值。

關(guān)鍵詞：數(shù)據(jù)挖掘；物聯(lián)網(wǎng)；設(shè)備通信；異常行為檢測；半監(jiān)督；卷積神經(jīng)網(wǎng)絡(luò)；孤立森林算法

中圖分類號：TP309 文獻(xiàn)標(biāo)識碼：A 文章編號：2095-1302（2025）01-00-03

0 引 言

物聯(lián)網(wǎng)設(shè)備指的是以信息傳感、紅外感應(yīng)為原理進(jìn)行信息交換與通信識別的智能化設(shè)備，在各個領(lǐng)域應(yīng)用廣泛[1-4]。常見的物聯(lián)網(wǎng)設(shè)備主要包括具備遠(yuǎn)程控制功能的家居電器、工業(yè)化智能維護(hù)網(wǎng)關(guān)、健康監(jiān)控智能手表等[5-6]。物聯(lián)網(wǎng)設(shè)備的通信方式較多，包括利用無線電波傳輸?shù)木钟蚓W(wǎng)通信、利用藍(lán)牙的短距離無線通信、利用ZigBee的低能耗遠(yuǎn)距離通信、NB-IoT窄帶物聯(lián)網(wǎng)通信、以太網(wǎng)連接互聯(lián)網(wǎng)通信、串行通信等，需要根據(jù)不同的應(yīng)用場景和需求進(jìn)行選擇[7]。在通信技術(shù)飛速發(fā)展的背景下，物聯(lián)網(wǎng)設(shè)備的通信復(fù)雜度越來越高，受到的干擾也越來越多。近幾年我國的物聯(lián)網(wǎng)設(shè)備通信異常事故頻發(fā)，造成了巨大的經(jīng)濟(jì)損失。為解決上述問題，本文基于數(shù)據(jù)挖掘設(shè)計(jì)了一種全新的物聯(lián)網(wǎng)設(shè)備通信異常檢測方法。

1 物聯(lián)網(wǎng)設(shè)備通信異常數(shù)據(jù)挖掘檢測方法設(shè)計(jì)

1.1 提取物聯(lián)網(wǎng)設(shè)備通信異常行為特征

在通信過程中物聯(lián)網(wǎng)設(shè)備往往通過Modbus/TCP結(jié)構(gòu)生成通信單元，組成不同的通信字段，因此存在異常的通信信號的功能碼與非異常通信信號的功能碼之間存在一定差異[8-9]。在提取通信異常行為特征之前，可以構(gòu)建通信異常行為分類模型，如圖1所示。

由圖1可知，通信數(shù)據(jù)采集是異常行為特征提取的關(guān)鍵，可以根據(jù)通信過程中的命令結(jié)構(gòu)差異性調(diào)整控制數(shù)據(jù)采集操作[10]，優(yōu)化通信數(shù)據(jù)分類進(jìn)程，重新描述編碼向量。此時，可根據(jù)功能碼的指令反應(yīng)狀態(tài)計(jì)算功能碼權(quán)重W（a），如式（1）所示：

（1）

式中：H（f ）代表近鄰樣本頻率；H（n）代表隨機(jī)樣本頻率。根據(jù)上式可以進(jìn)行功能碼關(guān)聯(lián)分析，挖掘通信異常檢測數(shù)據(jù)集的頻繁項(xiàng)集，進(jìn)行連續(xù)控制操作，從而構(gòu)造有效的功能碼序列，此時得到的物聯(lián)網(wǎng)設(shè)備通信異常行為特征提取式如式（2）所示：

（2）

式中：sj代表異常檢測支持度；x代表檢測異常權(quán)重；t（xi）代表模糊挖掘參數(shù)；total代表模糊隸屬函數(shù)。使用上述異常行為特征提取式可以對惡意攻擊特征進(jìn)行有效標(biāo)記，從而大幅度提高通信異常檢測的敏感性。

1.2 構(gòu)建物聯(lián)網(wǎng)設(shè)備半監(jiān)督通信異常檢測模型

半監(jiān)督通信異常檢測模型可以按照時間順序劃分通信異常檢測層次，實(shí)現(xiàn)實(shí)時檢測。因此，本文根據(jù)物聯(lián)網(wǎng)設(shè)備通信異常檢測增量關(guān)系構(gòu)建了半監(jiān)督通信異常檢測模型。首先需要基于HS-TCN集成學(xué)習(xí)剔除不符合異常檢測要求的不確定數(shù)據(jù)，通過疊加法獲取損失函數(shù)，此時生成的初始通信異常檢測集Xt如式（3）所示：

Xl=（xl1， xl2， ... ， xln） （3）

式中：xl1， xl2， ... ， xln均代表初始的未標(biāo)記數(shù)據(jù)。此時可以按照上述提取特征的相關(guān)性對初始數(shù)據(jù)進(jìn)行標(biāo)記，將原本的數(shù)據(jù)集劃分為時間跨度相對較小的全新數(shù)據(jù)集，標(biāo)記后的數(shù)據(jù)集分層權(quán)重Xu如式（4）所示：

·cl （4）

式中：cl代表時序差值。此時可以對異常檢測數(shù)據(jù)進(jìn)行位置訓(xùn)練，生成通信數(shù)據(jù)時間軸，再按照疊加原理進(jìn)行數(shù)據(jù)評估，獲取累積數(shù)據(jù)集，由此可以得到異常檢測評估函數(shù)p（a），如式（5）所示：

p（a）=P{x-a·pg} " （5）

式中：P代表異常節(jié)點(diǎn)的挾持權(quán)重；x代表異常節(jié)點(diǎn)的干擾系數(shù)；pg代表異常檢測矩陣；a代表隨機(jī)參數(shù)。利用上述異常檢測評估函數(shù)可以對測試數(shù)據(jù)集進(jìn)行多次分層檢測，調(diào)整現(xiàn)有的數(shù)據(jù)規(guī)模，完成遞推訓(xùn)練。此時生成的半監(jiān)督通信異常檢測模型E（n）如式（6）所示：

（6）

式中：T代表預(yù)設(shè)的時序值；μE 代表檢測的異常節(jié)點(diǎn)數(shù)量；V（E）代表實(shí)際節(jié)點(diǎn)量。使用上述半監(jiān)督通信異常檢測模型可以快速完成增量訓(xùn)練，按照檢測實(shí)際要求進(jìn)行協(xié)作處理，能夠提高通信異常檢測的實(shí)時性。

1.3 基于數(shù)據(jù)挖掘生成物聯(lián)網(wǎng)設(shè)備通信異常檢測流程

數(shù)據(jù)挖掘技術(shù)可以從海量隨機(jī)模糊數(shù)據(jù)中提取潛在的信息，實(shí)現(xiàn)高精度檢測。因此，本文引入數(shù)據(jù)挖掘技術(shù)，設(shè)計(jì)了物聯(lián)網(wǎng)設(shè)備通信異常檢測流程，如圖2所示。

檢測流程如下：

（1）在檢測初期，需要對存在異常的數(shù)據(jù)進(jìn)行挖掘聚類處理，度量特征的相關(guān)性，降低計(jì)算的復(fù)雜度，此時可判斷通信異常數(shù)據(jù)的屬性差別。

（2）根據(jù)物聯(lián)網(wǎng)設(shè)備通信異常特征屬性進(jìn)行差極值計(jì)算，以描述不同的異常差異等級，生成通信異常檢測集合。

（3）生成設(shè)備通信異常檢測訓(xùn)練集，獲取最優(yōu)檢測參數(shù)，判斷異常節(jié)點(diǎn)的位置。

（4）根據(jù)實(shí)際檢測要求進(jìn)行參數(shù)調(diào)整，采用ioctl函數(shù)獲取檢測基礎(chǔ)機(jī)制。

（5）進(jìn)行數(shù)據(jù)挖掘編譯運(yùn)算，確定檢測遺傳參數(shù)。

（6）根據(jù)檢測結(jié)果對個體進(jìn)行評估，確定檢測適應(yīng)度。

（7）進(jìn)行交叉運(yùn)算，獲取最優(yōu)檢測個體。

（8）輸出異常檢測結(jié)果。通過上述數(shù)據(jù)挖掘異常檢測流程可以快速進(jìn)行異常檢測尋優(yōu)，從根本上提高了通信檢測的精度。

2 實(shí) 驗(yàn)

為驗(yàn)證設(shè)計(jì)的基于數(shù)據(jù)挖掘的物聯(lián)網(wǎng)設(shè)備通信異常檢測方法的檢測效果，本文選取了可靠的設(shè)備通信數(shù)據(jù)來源進(jìn)行了實(shí)驗(yàn)，并將本文方法與文獻(xiàn)[9]、文獻(xiàn)[10]中2種常規(guī)的物聯(lián)網(wǎng)設(shè)備通信異常檢測方法進(jìn)行了對比。

2.1 實(shí)驗(yàn)準(zhǔn)備

根據(jù)物聯(lián)網(wǎng)設(shè)備通信異常檢測的實(shí)驗(yàn)要求，本文選定VCC中央ATP平臺作為實(shí)驗(yàn)環(huán)境。本實(shí)驗(yàn)所采用的數(shù)據(jù)主要來源于某一特定區(qū)域，通過外接FSK（頻移鍵控）實(shí)驗(yàn)設(shè)備來獲取相關(guān)的實(shí)驗(yàn)參數(shù)，并對實(shí)驗(yàn)數(shù)據(jù)進(jìn)行頻率類型的劃分。在實(shí)驗(yàn)前，需要根據(jù)信道數(shù)據(jù)的感應(yīng)效果判斷設(shè)備的通信狀態(tài)，并對不同的通信異常信號進(jìn)行反饋。在實(shí)驗(yàn)過程中，受物聯(lián)網(wǎng)設(shè)備的通信運(yùn)行狀態(tài)閾值改變的影響，檢測信號的頻率可能會偏低，不滿足實(shí)驗(yàn)要求。因此，在實(shí)驗(yàn)過程中，需要使用OC-SVM對不同的實(shí)驗(yàn)樣本進(jìn)行不平衡處理，再利用Python 3.7.6 SCIKIT leam 0.24.1進(jìn)行數(shù)據(jù)處理分析，生成滿足實(shí)驗(yàn)要求的滑動窗口模型，輸出可靠的物聯(lián)網(wǎng)設(shè)備通信異常檢測實(shí)驗(yàn)結(jié)果。

2.2 實(shí)驗(yàn)結(jié)果與討論

完成上述實(shí)驗(yàn)準(zhǔn)備后，進(jìn)行物聯(lián)網(wǎng)設(shè)備通信異常檢測實(shí)驗(yàn)，即對預(yù)設(shè)環(huán)境中的物聯(lián)網(wǎng)設(shè)備通信通道進(jìn)行編碼處理，采集頻率/峰值電壓/有效電壓數(shù)據(jù)。分別使用本文設(shè)計(jì)的基于數(shù)據(jù)挖掘的物聯(lián)網(wǎng)設(shè)備通信異常檢測方法、文獻(xiàn)[9]的基于并行深度卷積神經(jīng)網(wǎng)絡(luò)的物聯(lián)網(wǎng)設(shè)備通信異常檢測方法，以及文獻(xiàn)[10]的考慮孤立森林算法的物聯(lián)網(wǎng)設(shè)備通信異常檢測方法，進(jìn)行設(shè)備通信異常檢測，判斷3種方法在不同時刻下是否能正常進(jìn)行設(shè)備通信異常檢測，實(shí)驗(yàn)結(jié)果見表1。

由表1可知，在不同時刻，本文設(shè)計(jì)的基于數(shù)據(jù)挖掘的物聯(lián)網(wǎng)設(shè)備通信異常檢測方法均能正常進(jìn)行設(shè)備通信異常檢測，而文獻(xiàn)[9]的基于并行深度卷積神經(jīng)網(wǎng)絡(luò)的物聯(lián)網(wǎng)設(shè)備通信異常檢測方法以及文獻(xiàn)[10]的考慮孤立森林算法的物聯(lián)網(wǎng)設(shè)備通信異常檢測方法在部分通信通道下無法完成通信異常檢測。上述實(shí)驗(yàn)結(jié)果表明，本文設(shè)計(jì)的基于數(shù)據(jù)挖掘的物聯(lián)網(wǎng)設(shè)備通信異常檢測方法的檢測效果較好，具有一定可靠性。

3 結(jié) 語

隨著物聯(lián)網(wǎng)技術(shù)的發(fā)展和普及，物聯(lián)網(wǎng)設(shè)備已經(jīng)被廣泛應(yīng)用于智能家居、工業(yè)自動化、智慧城市等各個領(lǐng)域。物聯(lián)網(wǎng)設(shè)備通信是滿足不同應(yīng)用功能的關(guān)鍵，一旦出現(xiàn)物聯(lián)網(wǎng)設(shè)備通信異常問題會導(dǎo)致數(shù)據(jù)傳輸中斷、設(shè)備控制失效等運(yùn)行事故。因此，需要研究一種可靠的物聯(lián)網(wǎng)設(shè)備通信異常檢測方法。常規(guī)的物聯(lián)網(wǎng)設(shè)備通信異常檢測方法主要使用Min-Max Scaling線性函數(shù)對異常數(shù)據(jù)進(jìn)行歸一化處理，若數(shù)據(jù)采集間隔變化會影響最終的檢測效果。因此，本文基于數(shù)據(jù)挖掘設(shè)計(jì)了一種全新的物聯(lián)網(wǎng)設(shè)備通信異常檢測方法。實(shí)驗(yàn)結(jié)果表明，設(shè)計(jì)的物聯(lián)網(wǎng)設(shè)備通信異常檢測方法的檢測效果較好，具有可靠性，有一定的應(yīng)用價值，能夠?yàn)榻档臀锫?lián)網(wǎng)設(shè)備的通信風(fēng)險作出一定的貢獻(xiàn)。

參考文獻(xiàn)

[1]周政雷，陳俊，潘俊濤，等.基于并行深度森林的配用電通信網(wǎng)絡(luò)異常流量檢測[J].華東師范大學(xué)學(xué)報（自然科學(xué)版），2023（5）：122-134.

[2]楊挺，侯昱丞，趙黎媛，等.基于時-頻域混合特征的變電站通信網(wǎng)異常流量檢測方法[J].電力系統(tǒng)自動化，2020，44（16）：79-86.

[3]肖博，劉超，李穎，等.遠(yuǎn)距無線通信系統(tǒng)中雜波信號的抑制方法研究[J].電子設(shè)計(jì)工程，2022，30（9）：71-74.

[4]周伯陽，郭志民，王延松，等.基于多尺度低秩模型的電力無線接入網(wǎng)異常流量檢測方法[J].電子學(xué)報，2020，48（8）：1552-1557.

[5]李悅，馬志勇，俞建杰，等.融合YOLOV5+DSST+KCF的目標(biāo)檢測跟蹤算法在激光通信中的應(yīng)用[J].計(jì)算機(jī)測量與控制，2023，31（10）：49-53.

[6]蘇有斌，高 超. LTE監(jiān)測設(shè)備通信數(shù)據(jù)壓縮速率優(yōu)化數(shù)字模型[J].電子設(shè)計(jì)工程，2022，30（5）：150-153.

[7]翟曉卉，孫凱，趙吉福，等.基于ResSE-SegNet的智能電表通信模塊銘牌檢測與識別[J].哈爾濱理工大學(xué)學(xué)報，2023，28（2）：136-144.

[8]蒲旭敏，楊小瓏，陳前斌.低精度ADC下大規(guī)模機(jī)器類通信中的低復(fù)雜度信號檢測算法[J].重慶郵電大學(xué)學(xué)報（自然科學(xué)版），2023，35（2）：263-272.

[9]鄧雪陽，鄧達(dá)平，蘇萬靖.基于并行深度卷積神經(jīng)網(wǎng)絡(luò)的艦船通信異常數(shù)據(jù)檢測研究[J].艦船科學(xué)技術(shù)，2023，45（15）：119-122.

[10]劉杰.基于孤立森林算法的巡檢機(jī)器人通信異常數(shù)據(jù)自動檢測方法[J].信息與電腦（理論版），2023，35（3）：86-88.