检测传感器联网环境中的异常的制作方法

专利名称：检测传感器联网环境中的异常的制作方法
检测传感器联网环境中的异常
背景技术：
常规的数据中心已知包括大量被定位成检测在数据中心中感兴趣的位置处的各 种条件的传感器。这些条件例如包括温度、压力、振动、湿度、能耗以及气流方向和速度。感 兴趣的位置包括了电子机柜的入口和出口、空调单元的入口和出口、以及通风瓦的出口。这些传感器也已被联网到数据库系统以实现数据到数据库系统的不断的流动。数 据库系统往往例如聚集流数据，以监视传感器的网络。常规的数据库系统往往从传感器接 收巨量的流数据，这典型地使得数据库系统过慢。常规的数据库系统因此不能给用户或其 它应用提供对传感器所收集的数据中的变化或异常的即时响应。这个问题由于增加数据中 心的规模以及因此增加为检测数据中心中的条件而采用的传感器的数量的最近趋势而进 一步恶化。因而具有相对快速地识别包含传感器网络的环境中的变化或异常的能力将是有 益的。


通过参考附图的以下描述，对于本领域的技术人员而言本发明的特征将变得显而 易见，其中图1描绘了根据发明实施例的具有用于检测环境中的异常的分析器的环境的简 化框图；图2示出根据发明实施例的用于检测环境中的异常的方法的流程图；图3示出根据发明实施例的用于检测环境中的异常的方法的流程图，其是图2中 所描绘的方法的更详细图解；图4描绘根据发明实施例的被用作PCA的输入的、包含数据和时间戳的矩阵；图5示出根据发明实施例的用于执行PCA以获取隐变量的数量和发生所检测条件 的变化时的时间戳的方法流程图；以及图6图解了根据发明实施例的计算机系统，其可以被用来在执行图2、3和5中所 描绘的图示中包含的一些或所有步骤时执行图1中所描绘的分析器的各种功能。
具体实施例方式为了简单和说明的目的，本发明通过主要参考其示例性实施例来加以描述。在以 下的描述中，阐述了许多特定细节以便提供对本发明的全面理解。然而，对本领域的普通技 术人员将显而易见的是，可以实践本发明而不限于这些特定细节。在其它情况中，没有详细 描述公知的方法和结构，以免不必要地使本发明晦涩难懂。本文描述了一种用于以相对快速且高效的方式检测环境中的异常的方法以及被 配置成执行该方法的分析器。在一个示例中，该方法涉及识别对数据集进行近似的线性模 型中的隐变量的数量。在这个示例中，如果隐变量的数量在方法的连续迭代之间变化，则可 以视为发生了异常。
5
在另一个示例中，该方法涉及识别主传感器，该主传感器可以被定义为那些对环 境中的变化最敏感的并因此是环境中的变化的较佳指示器的传感器。在这个示例中，该方 法可以采用在识别异常过程中由主传感器供应的缩减数据集，从而缩减在执行该方法过程 中所需的计算开销。通过本文所公开的方法和分析器的实施方式，由多个传感器检测的诸如温度、压 力、气流体积、能耗等等的变化之类的异常可以被快速且高效地分析以识别该异常。首先参考图1，其中示出根据示例的、具有用于检测环境100中的异常的分析器 110的环境100的简化框图。应当理解环境100和分析器110可以包括附加部件，并且本 文描述的部件中的一个或多个部件可以在不偏离环境100或分析器110的范围的情况下被 移除和/或修改。环境100可以包括任何合理合适的结构、位置、空间等等，其中采用多个传感器来 检测一个或多个条件。环境100也可以包括任何合理合适的结构、位置、空间等等，其中从 多个传感器收集的数据被聚集例如用于数据挖掘、控制冷却系统等等的目的。合适的结构、 位置、空间等等的示例包括IT数据中心、IT数据中心的区段、建筑物、建筑物中的房间、等寸。根据示例，分析器110包括被配置成执行环境100中的各种计算过程的设备。在 这个示例中，分析器Iio例如包括微处理器、ASIC、微控制器等等。分析器110因而可以包 括计算装置中的电路或处理器。分析器110也可以包括被配置成执行下面本文所讨论的各 种功能的计算设备。根据另一个示例，分析器110包括可由微处理器执行的软件。在这个示例中，分析 器110可以例如被存储在计算设备的存储器上。在任一个示例中，分析器110被描绘为从多个传感器130收集数据。由传感器130 收集的数据可以通过网络140被传送到分析器110。网络140可以包括传感器130和分析 器110之间的有线或无线通信链路。就这一点而言，网络140可以包括局域网、广域网、因 特网等等。尽管未示出，分析器110或者包含分析器110的计算设备以及传感器130可以 配有被设计成实现传输来自传感器130的数据和接收来自传感器130的数据的硬件和/或 软件。图1中也示出多个部件132a-132n，其中“η”是等于或大于一的整数。部件 132a-132n被描绘为包括传感器130的相应多个传感器。部件132a-132n可以包括包含在 环境100中的、其中多个传感器130检测到至少一个条件的任何合理合适的部件。作为特定示例，环境100包括IT数据中心，并且部件132a-132n包括IT数据中心 中的电子机柜。在这个示例中，每个电子机柜可以包括多个被定位成检测在相应电子机柜 中的多个位置处的一个或多个条件的传感器130。例如，对于特定的电子机柜而言，多个传 感器130可以被配置并定位成检测在沿电子机柜的多个高度处的入口和/或出口温度。作 为另一个示例，多个传感器130可以被配置并定位为检测在多个高度处通过电子机柜的气 流的体积流率。作为进一步的示例，多个传感器130可以被配置并定位为检测封装在电子 机柜中的电子装置的能耗水平。部件132a-132n也被描绘为包括相应基站134。基站134 —般包括被配置并定位 成从相应的传感器130集接收数据并且把该数据传送到分析器110的设备。就这一点而言，
6基站134可以包括用于把由传感器130收集的数据传送到分析器110的硬件和/或软件。 然而基站134被认为是可选的，因为传感器130可以被配备成直接把感测的数据传送到分 析器110。尽管未示出，但是在采用基站134的实例中，基站134可以被配置成从多个部件 132a-132n的传感器130接收数据并且把数据传送到分析器110。在任何情况下，由传感器130收集的数据可以通过在网络上实施任何合理合适的 数据通信协议而被传送到分析器110。一般说来，分析器110被配置成分析从传感器130接收的数据以从正常的传感器 行为中识别异常的传感器响应或异常。另外，分析器110被配置成识别传感器130中的主 传感器，该主传感器可以被定义为那些对环境100中的扰动最敏感的并因此是环境100中 的变化的较佳指示器的传感器。根据实例，分析器110被配置成采用从主传感器而不是所 有传感器130中接收的数据，以因此缩减在识别异常过程中处理的数据量。在分析数据过 程中，分析器110被进一步配置成识别在下述线性方程组中的隐变量的数量，所述线性方 程组将从传感器130收集的数据建模到至少预定的准确度水平。分析器110被描绘为包括数据输入模块112、过滤模块114、候选识别模块116、矩 阵表述模块118、主分量分析(PCA)模块120以及异常检测模块122。模块112-122可以包 括存储在计算机可读介质上的软件或诸如电路之类的硬件或者其组合。如下面本文更详细 描述的那样，分析器110可以实施或调用模块112-122以执行上面讨论的功能。就任一点而言，分析器110被配置成把从传感器130接收的数据存储在数据库150 中。分析器110也可以访问数据库150以检索所存储的数据从而识别从传感器130流传送 的数据中的异常。分析器110把所识别的异常和主传感器中的任一者或两者的各种表示输出到一 个或多个输出160。各种表示可以包括数据表示的图形、绘图或其它形式。根据示例，输出 160包括用户可以在其上查看各种表示的显示器。在另一个示例中，输出160包括计算机可 读存储介质，在其上可以存储各种表示。在进一步的示例中，输出160包括本地地或通过网 络连接到分析器110的计算装置。在这些示例的任一示例中，分析器110的输出可以被用 来动态地监视环境100中的各种资源，诸如冷却和动力资源。输出也可以被用于控制各种 资源。现在转向图2，其中示出根据示例的用于检测环境中的异常的方法200的流程图。 应当理解方法200可以包括附加步骤，并且本文描述的步骤中的一个或多个步骤可以在 不偏离方法200的范围的情况下被去除和/或修改。方法200的描述是参考图1中所描绘的环境100进行的，并因而具体参考环境100 中包含的元件。然而应当理解，方法200可以在不偏离方法200的范围的情况下在与环境 100不同的环境中加以实施。一般来说，分析器110可以实施方法200从而以相对快速且高效的方式检测环境 100中的异常。就这一点而言，分析器110被配置成通过识别在一个或多个位置处的主传感 器来相对快速地检测发生在环境100中的一个或多个位置处的变化。就另一点而言，分析 器110被配置成通过识别对数据建模的线性方程组来以相对快速且高效的方式识别主传 感器。再次具体参考图2，在步骤202，分析器110实施或调用数据输入模块112以从传感器130接收数据包。如上面所描述的，分析器110可以直接从传感器130或者通过一个 或多个基站134接收数据包。在步骤204，分析器110实施或调用候选识别模块116以根据数据包中包含的数据 来识别环境100中的一个或多个候选问题位置。候选问题位置可以被定义为环境100中的 下述那些位置其中一个或多个传感器130检测到至少一个在正常条件之外的条件。下面 本文针对方法300更详细地描述可以识别候选问题位置所用的方式。在步骤206，分析器110实施或调用主分量分析(PCA)模块120，以对从与候选问 题位置相关联的传感器130收集的数据执行PCA从而识别隐变量的数量。如一般已知的， PCA是一种用于把多维数据集缩减到较低维度以简化数据集的分析的技术。PCA已被用作 用于建立预测模型的探索性数据分析中的工具。再次，针对方法300更详细地描述分析器 110对数据执行PCA所用的各种方式。在步骤208，分析器110实施或调用异常检测模块122，以针对在步骤204识别的 至少一个候选位置分析在步骤206识别的隐变量的数量从而检测数据中的异常。更具体 地，例如分析器110确定隐变量的数量在连续的时间窗口期间是否变化，并且隐变量的数 量偏离基准的变化可以被确定为存在异常的指示。在步骤210，分析器110把所检测异常的表示输出到一个或多个输出160。根据示例，在步骤210，分析器110可以进一步分析从多个传感器接收的数据以确 定从多个传感器的任一传感器接收的数据是否与从多个传感器的任一其它传感器接收的 数据基本相关。作为示例，分析器110可以在当期望识别具有类似响应特性的传感器130 时的实例中分析数据之间的相关性。现在参考图3，其中示出根据示例的用于检测环境中的异常的方法300的流程图， 其是图2中描绘的方法200的更详细图解。应当理解方法300可以包括附加步骤，并且本 文描述的步骤中的一个或多个步骤可以在不偏离方法300的范围的情况下被去除和/或修 改。在步骤302，分析器110实施或调用数据输入模块112以从传感器130接收数据 包。另外，在步骤304，分析器110实施或调用过滤模块114以过滤包含在包中的数据。更 具体地，在步骤304，过滤模块114被配置成实施常规的过滤技术以基本消除由于数据中的 随机变化或噪声引起的数据。在步骤306，分析器110读取过滤的数据。另外，在步骤308，分析器110实施或调 用候选识别模块116以确定过滤的数据是否落在预定阈值范围之外。即，每个过滤的数据 是否超过预定范围的上限或落在预定范围的下限之下。预定范围可以根据在识别候选问题 位置中期望的精细度水平来加以设定。即，例如，可以使得预定范围较小以便捕获更大数量 的候选问题位置。另外，预定范围可以基于由传感器130收集的数据的类型来加以设定。在其中 所收集的数据是温度的示例中，预定范围可以包括在部件132a-132n的入口处所允许温 度的标称范围。作为其中所收集的数据是能耗的另一个示例，预定范围可以包括在部件 132a-132n中包含的电子装置的所允许能耗水平的标称范围。就任一点而言，在步骤302，分析器110可以继续从那些供应已被发现在预定范围 内的过滤数据的传感器130接收包。另外，分析器110可以对在步骤302接收的新数据重复步骤304-308。对于那些供应已被发现落在预定范围之外的过滤数据的传感器130而言，分析器 110识别那些传感器130所关联到的部件132a-132n并且把那些部件132a-132n识别为候 选问题位置，如在步骤310指示的那样。分析器110把那些部件132a-132n识别为候选问 题位置，因为这些部件132a-132n中或周围的至少一个条件在步骤308已被识别为在正常 条件之外。在步骤312，分析器110调用或实施数据输入模块112以从与被识别为候选问题位 置的部件132a-132n相关联的传感器130收集附加的数据包。作为示例，分析器110从每 个关联的传感器130接收大约100个数据包。在步骤314，分析器110从在步骤312收集的附加包中提取数据和时间戳，其中在 该时间戳处收集数据。根据示例，分析器110调用或实施矩阵表述模块118以把数据和时 间戳布置成矩阵X。由数据和时间戳形成的矩阵400的示例被描绘在图4中。在矩阵400 中，xn表示与相应部件132a-132n相关联的传感器130，T1-T5表示所感测的数据，并且t表 示收集数据所在的时间戳。在步骤316，分析器110调用或实施PCA模块120以分析包含在矩阵X中的数据。 PCA模块120可以被实施来识别包含在用于重构包含在矩阵X中的数据的线性变换中的隐 变量的数量所采用的方式的示例被描绘在图5中的方法500的流程图中。具体参考图5，在步骤502，矩阵X被输入到PCA模块120中。在步骤504，分析器 110把隐变量Wi初始化为单位向量。另外，在步骤506，分析器110通过以下方程计算矩阵 Y，其是数据的主分量(principle component)的变换方程(1)=Yi = Wi1Xi,。在步骤508，分析器110通过以下方程计算矩阵X，其一般包括X矩阵的重构方程(2)=Xi = YiWi,。在步骤510，分析器110计算重构的矩阵X和原始矩阵X之间的差别并且确定该差 别是否足够小。作为示例，如果重构的矩阵X是原始矩阵X的至少大约95%，则该差别可以 被认为足够小。换言之，如果在步骤506计算的模型是至少大约95%准确的，则该差别被认 为是足够小的。如果分析器110在步骤510确定该差别不足够小，则分析器110在步骤512修改 隐变量Wi向量。另外，分析器110重复步骤506-512直到对原始矩阵X近似的线性模型被 识别为至少最小的准确度为止。一旦分析器110在步骤510确定发现了这样的线性模型，分析器110就存储包含 在该线性模型中的隐变量Wi的数量，如在步骤514所指示的那样。另外，在步骤516，分析 器110调用或实施异常检测模块122以比较在步骤514存储的隐变量的数量与任何先前存 储的隐变量的数量，从而确定隐变量的数量是否变化。另外或可选地，分析器110比较存储 的隐变量的数量与例如通过测试所确定的隐变量的标称数量，以确定存储的隐变量的数量 是否变化偏离隐变量的标称数量。如果分析器110确定隐变量的数量没有变化或者隐变量的数量没有变化偏离隐 变量的标称数量，则分析器110重复步骤502-516以基本连续地监视在环境100中检测的 条件。然而，如果分析器110确定隐变量的数量变化或者隐变量的数量变化偏离隐变量的
9标称数量，则分析器110在步骤518输出隐变量的数量以及发生该变化所在的时间戳。换言 之，当发生隐变量的数量的变化时，分析器110确定在感测的数据中存在异常。一般来说， 隐变量的数量的增加是所重构矩阵X的总能量高于原始矩阵X的总能量并且存在异常的指 示。隐变量的数量的降低是环境100中的条件正返回到正常状态的指示。在步骤518之后，分析器110重复步骤502-518以针对异常继续跟踪环境100。回头参考图2，在步骤318，分析器110根据包含在所重构矩阵Z中的参与权重向 量识别主传感器。更具体地，例如，主传感器包括那些在所重构矩阵X的列中具有最大值的 传感器，因为权重的矩阵按主分量的重要性进行排序。另外，传感器130的位置与矩阵1中 的传感器数据的位置有关。如此，基于所重构矩阵X中其权重的位置来识别主传感器(即 那些在PCA中具有最大重要性的传感器)。作为示例，那些检测最大变化数量的传感器130 可以包括主传感器。在步骤320，分析器110输出在步骤316识别的隐变量的表示，并且也可以输出在 步骤318识别的主传感器。隐变量的表示可以例如包括在方法500的连续迭代期间识别的 隐变量的数量的条形图(barplot)和时间序列图。另外，尽管未示出，分析器110可以采用在方法300和500的将来的实施方式中的 主传感器作为核心传感器群。换言之，代替分析从所有传感器130流传送的数据，分析器 110可以把在方法300和500中执行的分析基本限于从主传感器接收的数据，从而充分地减 少所处理的数据量，并因而加速对环境100中的异常的检测。在方法200、300和500中阐述的操作中的一些或所有操作可以作为一个或多个实 用程序、程序或子程序而被包含在任何期望的计算机可访问或可读介质中。另外，方法200、 300和500可以由计算机程序实现，所述计算机程序可以以激活和未激活两者的各种形式 存在。例如，其可以作为由程序指令组成的(一个或多个)软件程序存在于源代码、目标代 码、可执行代码或其它格式中。上面的任一种可以被包含在具有压缩或未压缩形式的计算 机可读介质(其包括存储装置和信号)上。示例性计算机可读存储装置包括常规的计算机系统RAM、ROM、EPROM、EEPROM以及 磁盘或光盘或带。示例性计算机可读信号(不管是否使用载波进行调制)是主管或运行 计算机程序的计算机系统可以被配置为访问的信号，包括通过因特网或其它网络下载的信 号。前面的具体示例包括在⑶ROM上或经由因特网下载来发布程序。从某种意义上说，作 为抽象实体的因特网本身是计算机可读介质。计算机网络一般同样如此。因此要理解，能 够执行上面描述的功能的任何电子装置可以执行上面枚举的那些功能。图6示出根据示例的计算机系统600，其可以用来执行上面本文描述的分析器110 的各种功能。在这方面，计算机系统600可以被用作用于执行上文中针对分析器110所描 述的功能中的一个或多个功能的平台。计算机系统600包括可以用来执行在方法200、300和500中描述的步骤中的一些 或所有步骤的处理器602。来自处理器602的命令和数据通过通信总线604进行传送。计 算机系统600也包括其中在运行时间期间可以执行程序代码的主存储器606 (诸如随机存 取存储器(RAM))和副存储器608。副存储器608例如包括其中可以存储用于检测环境中的 异常的程序代码副本的一个或多个硬盘驱动610和/或代表软盘驱动、磁带驱动、紧致盘驱 动等的可移除存储驱动612。
10
可移除存储驱动610以公知的方式从可移动存储单元614读取和/或写到可移动 存储单元614。用户输入和输出装置可以包括键盘616、鼠标618和显示器620。显示适配 器622可以与通信总线604和显示器620对接并且可以从处理器602接收显示数据，并且 把显示数据转换成用于显示器620的显示命令。另外，处理器602可以通过网络(例如因 特网、LAN等等)经由网络适配器624进行通信。本领域的普通技术人员要明白，可以在计算机系统600中添加或替代其它已知的 电子部件。另外，计算机系统600可以包括在数据中心的机架中使用的系统板或刀片、常规 的“白盒”服务器或者计算装置等等。此外，图6中的部件中的一个或多个部件可以是任选 的(例如，用户输入装置、次存储器等等)。本文所描述和图解的是发明的优选实施例及其一些变型。本文使用的术语、描述 和附图仅作为例证而进行了阐述而不打算作为限制。本领域的技术人员将意识到，很多变 型在旨在由随附的权利要求书及其等同物定义的发明范围内是可能的，在所述权利要求书 中所有术语都具有其最广泛合理的含义，除非另外指出。
权利要求
一种用于检测传感器联网环境中的异常的方法，所述方法包括从位于环境中的多个传感器接收数据包；基于所述包中包含的数据，识别环境中的至少一个候选问题位置；对从与所识别的至少一个候选问题位置相关联的传感器收集的数据执行主分量分析，以识别隐变量的数量；分析隐变量的数量以检测环境中的异常；以及输出所检测到的异常。
2.根据权利要求1的方法，还包括在识别至少一个候选问题位置之前，从所述包中包含的数据中过滤噪声。
3.根据权利要求1的方法，其中识别至少一个候选问题位置还包括 确定所述包中包含的每个数据是否在预定范围之外；对于被确定为在预定范围之外的每个数据，确定该数据所源自的传感器；以及 识别传感器所位于的位置作为至少一个候选问题位置。
4.根据权利要求1的方法，其中环境包括容纳具有入口和出口的多个机架的数据中 心，且其中多个传感器被配置成检测在机架的入口和出口的一个或两者处的温度，且其中 识别至少一个候选问题位置的步骤还包括根据所检测的温度识别至少一个候选问题机架。
5.根据权利要求1的方法，其中环境包括容纳包含电子装置的多个机架的数据中心， 且其中多个传感器被配置成检测电子部件的能耗水平，且其中识别至少一个候选问题位置 的步骤还包括根据所检测的能耗水平识别至少一个候选问题机架。
6.根据权利要求1的方法，还包括在执行主分量分析之前，从与至少一个候选问题位置相关联的传感器收集附加包。
7.根据权利要求6的方法，其中收集附加包还包括从与至少一个候选问题位置相关 联的传感器收集大约100个附加包。
8.根据权利要求6的方法，还包括 重复从与至少一个候选问题位置相关联的传感器收集附加包并且对附加包执行主分 量分析以识别隐变量的第二数量的步骤；以及其中分析隐变量的数量的步骤还包括比较隐变量的数量与隐变量的第二数量。
9.根据权利要求8的方法，其中分析隐变量的数量还包括当隐变量的第二数量相对 于隐变量的数量和隐变量的标称数量中的至少一个改变时，确定存在异常。
10.根据权利要求6的方法，其中隐变量的数量是从对来自附加包的数据进行近似的 线性模型集中导出的，其中执行主分量分析还包括确定线性模型集与来自附加包的数据的差别是否在预定误差水平内；以及 响应于该差别超过预定误差水平，修改隐变量的数量，并且重新计算线性模型集。
11.根据权利要求6的方法，其中执行主分量分析还包括 构造包含在附加包中的数据的原始矩阵；根据原始矩阵计算重构的矩阵，其中重构的矩阵包括多个参与权重；以及 根据重构的矩阵中的多个参与权重识别一个或多个主传感器。
12.根据权利要求11的方法，还包括使用仅从所识别的一个或多个主传感器接收的数据来执行另一个主分量分析，以识别隐变量的数量。
13.根据权利要求1的方法，还包括分析从多个传感器接收的数据，以确定从多个传感器中的任一传感器接收的数据是否 与从多个传感器的任一其它传感器接收的数据基本相关。
14.一种用于检测环境中的异常的分析器，所述分析器包括数据输入模块，用于从位于环境中的多个传感器接收数据包；候选识别模块，用于基于所述包中包含的数据来识别环境中的至少一个候选问题位置；主分量分析模块，用于对从与所识别的至少一个候选问题位置相关联的传感器收集的 数据执行主分量分析，以识别隐变量的数量；以及异常检测模块，用于根据对隐变量的数量的分析来检测环境中的异常。
15.根据权利要求14的分析器，还包括过滤模块，用于从所述包中包含的数据中过滤噪声。
16.根据权利要求14的分析器，其中候选识别模块还被配置成确定所述包中包含的 每个数据是否在预定范围之外；以及对于被确定为在预定范围之外的每个数据，确定数据 所源自的传感器，并且识别传感器所位于的位置作为至少一个候选问题位置。
17.根据权利要求14的分析器，其中环境包括容纳具有入口和出口的多个机架的数据 中心，且其中多个传感器被配置为检测在机架的入口和出口中的一个或两者处的温度，且 候选识别模块还被配置为根据所检测到的温度识别至少一个候选问题机架。
18.根据权利要求14的分析器，其中数据输入模块被配置成从位于至少一个候选问题 位置的传感器接收附加包，其中主分量分析模块还被配置成对附加包执行附加分析，以识 别隐变量的第二数量，且其中，异常检测模块还被配置成当隐变量的第二数量不同于隐变 量的数量和隐变量的标称数量中的至少一个时确定存在异常。
19.根据权利要求18的分析器，其中隐变量的数量是从对来自附加包的数据进行近似 的线性模型集中导出的，并且其中主分量分析模块还被配置成确定线性模型集与来自附 加包的数据的差别是否在预定误差水平内；以及响应于该差别超过预定误差水平，而修改 隐变量的数量并且重新计算线性模型集。
20.根据权利要求18的分析器，其中主分量分析模块还被配置成构造包含在附加包 中的数据的原始矩阵；根据原始矩阵计算重构的矩阵，其中重构的矩阵包括多个参与权重； 根据重构的矩阵中的多个参与权重识别一个或多个主传感器；以及使用仅从所识别的一个 或多个主传感器接收的数据来执行另一个主分量分析，以识别隐变量的数量。
21.一种计算机可读存储介质，在其上包含有一个或多个计算机程序，所述一个或多个 计算机程序实施一种用于检测环境中的异常的方法，所述一个或多个计算机程序包括计算 机可读代码，所述计算机可读代码用于从位于环境中的多个传感器接收数据包；基于所述包中包含的数据，识别环境中的至少一个候选问题位置；对从与所识别的至少一个候选问题位置相关联的传感器收集的数据执行主分量分析， 以识别隐变量的数量；分析隐变量的数量以检测环境中的异常；以及输出所检测到的异常。
全文摘要
在一种用于检测传感器联网环境中的异常的方法中，从位于环境中的多个传感器接收数据包。基于所述包中包含的数据，识别环境中的至少一个候选问题位置。对从与所识别的至少一个候选问题位置相关联的传感器收集的数据执行主分量分析以识别隐变量的数量，并且分析隐变量的数量以检测环境中的异常。另外，输出所检测到的异常。提供一种用于执行该方法的分析器。
文档编号G06F12/14GK101946238SQ200880127257
公开日2011年1月12日 申请日期2008年2月22日 优先权日2008年2月22日
发明者L·鲍蒂斯塔, R·纱马 申请人:惠普开发有限公司