关键词:
水下无线传感器网络
异常数据检测
神经网络
摘要:
随着人们对海洋资源和海域的愈发重视,海洋的战略地位已经成为各国的重要战略内容。水下无线传感器网络由于其在海洋环境监控、海域安全、海洋资源开发等重要领域有重大意义,各国越来越重视水下传感器网络的研究。水下无线传感器主要部署水下环境中,容易受外部环境的影响、人为恶意破坏和一些不可控因素的影响产生异常数据。传感器的不稳定性,也会产生异常数据。另外,传感器采用水声通信的形式进行传输与通信,水声通信具有传播延迟、信道开放和多路径干扰等特点,容易受到攻击和干扰,产生异常数据。为确保数据的真实性准确性和完整性,保障网络安全,有必要对数据进行异常检测。现有的水下传感器异常数据检测大多关注于数据的时间相关性(以时间序列形式呈现),却很少考虑到数据的空间相关性(水下相邻传感器采集的数据总是相关的)。除此之外,水下传感器采集的数据样本分布不均衡,也增加了异常数据的处理难度。因此,本文针对水下传感器数据的时空相关性和数据样本分布不均衡问题对异常数据检测结果的影响进行了研究分析,具体内容如下所示:(1)针对水下传感器数据的时空相关性特征,提出了一个基于时空相关性的水下传感器异常数据检测方法。首先,使用门控循环单元网络学习传感器数据的时间序列特征。其次,流数据的概念漂移特点,相比于静态数据处理,传感器采集数据的动态性增加了数据处理的难度,针对流数据的概念漂移,利用滑动窗口对差值分布建模,初步判断异常数据。此外,针对数据的空间相关性,结合其邻近节点数据,利用欧氏距离进一步判定异常数据,提高异常数据的检测率。使用澳大利亚北昆士兰的水质监测真实数据进行实验,结果分析表明,该异常数据检测算法具有较好的异常检测效果。(2)针对水下传感器数据样本的分布不均衡,异常数据样本特征提取困难,无法实现重点挖掘异常样本特征的问题,提出了一个基于样本不均衡的水下传感器异常数据检测方法。首先,使用混合网络模型更好提取时间序列数据局部特征,其中混合网络模型有卷积神经网络和长短时神经网络组成。其次,针对数据样本类别分布比例失衡而导致的分类精度低的问题,使用焦点损失函数重点挖掘困难样本。然后,当数据为异常值时,使用欧式距离计算数据的空间相似度时,其表现极不稳定,所以使用皮尔逊相关性计算加权均值再次对异常数据检测。结果分析表明,该异常数据检测算法具有较好的异常检测效果。本文研究的水下传感器异常数据检测技术,可有效检测虚假异常数据,保障网络安全,确保数据信息的真实性、可靠性、准确度和可信力,为整个水下传感器网络提供有效的数据服务,对水下传感器网络的发展具有十分重要的理论意义和现实意义。