时空协作的WSNs节点异常检测算法

doi:10.3778/j.issn.1002-8331.1801-0122

计算机工程与应用 ›› 2019, Vol. 55 ›› Issue (7): 127-131.DOI: 10.3778/j.issn.1002-8331.1801-0122

时空协作的WSNs节点异常检测算法

杨飞跃，陶洋

重庆邮电大学通信与信息工程学院，重庆 400065

出版日期:2019-04-01 发布日期:2019-04-15

Node Anomaly Detection Algorithm Based on Spatial-Temporal Cooperation in WSNs

YANG Feiyue, TAO Yang

Institute of Communication and Information Engineering, Chongqing University of Posts and Telecommunication, Chongqing 400065, China

Online:2019-04-01 Published:2019-04-15

摘要/Abstract

摘要： 为了降低无线传感器网络中异常节点产生的错误信息对WSNs服务质量的不利影响，利用节点数据时空相关性建立了可靠邻居筛选模型及节点感知数据稳定性评估模型。针对现有的依赖数据时空相关性的异常检测技术中对邻节点数据及其本身可靠性的忽略，建立了一种基于历史数据及可靠邻居协作的两步节点异常数据检测算法NADST。实验结果表明，该算法能在实现高检测精度的同时将虚警率控制在较低水平，且算法具有较强的容错能力。

关键词: 无线传感器网络, 异常检测, 时空相关性, 可靠邻居

Abstract: In order to reduce the adverse effect of the faulty information generated by abnormalnodes on the QoS of WSNs, a reliable neighbor screening model and data stability assessment model are established based on spatial-temporal correlation of node sensed data. Aiming at the neglect of the data of neighbor nodes and their own reliability, a two-step node anomalydetection algorithm NADST based on historical data and the cooperation of reliable neighbors is proposed. The experimental results show that the algorithm can achieve higher correct detection accuracy while controlling the false alarm rate at a low level, and has a strong fault tolerant ability.

Key words: Wireless Sensor Networks（WSNs）, anomaly detection, spatial-temporal correlation, reliable neighbors

杨飞跃，陶洋. 时空协作的WSNs节点异常检测算法[J]. 计算机工程与应用, 2019, 55(7): 127-131.

YANG Feiyue, TAO Yang. Node Anomaly Detection Algorithm Based on Spatial-Temporal Cooperation in WSNs[J]. Computer Engineering and Applications, 2019, 55(7): 127-131.

[1]	杨力，吴义，魏德宾，潘成胜. 基于时空相关性的卫星网络流量预测[J]. 计算机工程与应用, 2021, 57(7): 101-106.
[2]	巩俊辉，胡晓辉，杜永文. 基于演化博弈的最优防御策略选取研究[J]. 计算机工程与应用, 2021, 57(13): 116-123.
[3]	张博文，刘智，桑国明. 基于核密度波动的异常检测算法[J]. 计算机工程与应用, 2021, 57(12): 132-136.
[4]	孙泽宇，董汉磊，苏艳超，徐琛，聂雅琳，李传锋. 传感网中基于能量有效的多参数数据重构方法[J]. 计算机工程与应用, 2021, 57(11): 103-110.
[5]	麻琛彬，张政波，王晶. 基于深度学习的生理异常检测研究综述[J]. 计算机工程与应用, 2021, 57(10): 10-25.
[6]	刘杰，房俊，雷峰津. 电能质量异常数据在线检测方法[J]. 计算机工程与应用, 2020, 56(9): 240-247.
[7]	吴楚田，陈永乐，陈俊杰. 多协议交叉的HMM协议异常检测算法[J]. 计算机工程与应用, 2020, 56(8): 81-86.
[8]	黎佳玥，赵波，李想，刘会，刘一凡，邹建文. 基于深度学习的网络流量异常预测方法[J]. 计算机工程与应用, 2020, 56(6): 39-50.
[9]	龚本灿，周峰，陈鹏，任东. 基于路径质量的无线传感网路由协议[J]. 计算机工程与应用, 2020, 56(6): 99-104.
[10]	贺寰烨，林果园，顾浩，方梦华. 云虚拟机异常检测场景下改进的LOF算法[J]. 计算机工程与应用, 2020, 56(23): 80-86.
[11]	展鹏，陈琳，曹鲁慧，许浩然，李学庆. 核转折点裁剪表示的时间序列异常检测算法[J]. 计算机工程与应用, 2020, 56(23): 130-138.
[12]	刘文芬，穆晓东，黄月华. 基于多分辨率网格的异常检测方法[J]. 计算机工程与应用, 2020, 56(17): 78-85.
[13]	张常华，周雄图，张永爱，姚剑敏，郭太良，严群. 深度自编码器在数据异常检测中的应用研究[J]. 计算机工程与应用, 2020, 56(17): 93-99.
[14]	郑祖朋，汪祖民，彭杨，季长清，秦静. 能量采集传感器网络中MAC协议研究综述[J]. 计算机工程与应用, 2020, 56(15): 24-29.
[15]	韩雨涝. 非并行二分法的覆盖空洞修复算法[J]. 计算机工程与应用, 2020, 56(12): 87-92.

时空协作的WSNs节点异常检测算法

Node Anomaly Detection Algorithm Based on Spatial-Temporal Cooperation in WSNs

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics