一种网络异常事件检测方法和系统的制作方法
【专利摘要】本发明提供一种网络异常事件检测方法和系统，包括：通过网络真实部署里的观察状态序列和隐含状态序列学习得到优化参数，所述观察状态序列和隐含状态序列，为时间片和传感器节点空间坐标值的函数；根据输入的观察检测序列，结合所述优化参数来推算隐含检测序列，进行网络异常事件检测。本发明首先能够通过线下学习过程得到动态条件随机场中的各类优化参数，然后根据输入的观察检测序列，结合获得的优化参数来进行在线检测，从而知道网络在这段时间里发生了那些网络异常事件。本发明采用的各种序列均为时间和空间的函数，因此，能够利用时空模式的集合来对网络异常事件进行统一的时空检测。
【专利说明】一种网络异常事件检测方法和系统
【技术领域】
[0001]本发明涉及无线传感器网络领域，尤其涉及一种网络异常事件检测方法和系统。【背景技术】
[0002]随着嵌入式系统的快速发展和无线通信技术的日益成熟，无线传感器网络被广泛的应用到生态科学观察，环境检测，灾难预警以及国防军事等领域。在这些实际应用中，自动化的异常事件检测功能是必不可少的。通常来说，为了能够尽快的针对网络异常做出相应的补救措施，我们需要实时检测突发的对系统应用造成影响的一切事件，包括物理现象、软件故障等，然后做出预警提示。
[0003]传统的网络异常事件检测方法可以大致分为三类:(1)基于阈值的方法，这类方法假设传感器节点的采样读数会受到异常事件的干扰，从而超越某个已知的数值。(2)基于特征模式的方法，这类方法认为异常事件会在网络中产生特定的模式特征，从而通过模式识别等方法逆向推测可能发生的网络异常。(3)基于学习的方法，这类方法在节点的读数之间建立时空关联的数据模型，然后做出概率性的推断方式。在这些技术中，基于学习的方法是比较灵活实用的，因为时空相关性可以显式建模处理传感器数据的内在不确定性，从而大幅度降低错误率。在基于学习的方法中，推断模型动态贝叶斯网络(dynamic Bayesiannetworks, DBN)和马尔科夫随机场(Markov random fields, MRF)被广泛使用。
[0004]在实际的无线传感器网络部署中，当有网络异常事件发生时，其附近的传感器节点读数会同时受到影响，也就是说，其时空关联性往往非常明显。而现有方法却普遍将时间和空间数据性质分开考虑，无法结合异常事件的特性对全局网络做出统一的时空检测。
【发明内容】
[0005](一)要解决的技术问题
[0006]本发明提供一种网络异常事件检测方法和系统，以解决现有技术中无法综合考虑网络异常事件的时空关联性的技术问题。
[0007](二)技术方案
[0008]为解决上述技术问题，本发明提供一种网络异常事件检测方法，包括:
[0009]通过网络真实部署里的观察状态序列和隐含状态序列学习得到优化参数，所述观察状态序列和隐含状态序列，为时间片和传感器节点空间坐标值的函数；
[0010]根据输入的观察检测序列，结合所述优化参数来推算隐含检测序列，进行网络异常事件检测。
[0011]进一步地，
[0012]所述观察状态序列为:
【权利要求】
1.一种网络异常事件检测方法，其特征在于，包括: 通过网络真实部署里的观察状态序列和隐含状态序列学习得到优化参数，所述观察状态序列和隐含状态序列，为时间片和传感器节点空间坐标值的函数； 根据输入的观察检测序列，结合所述优化参数来推算隐含检测序列，进行网络异常事件检测。
2.根据权利要求1所述的网络异常事件检测方法，其特征在于: 所述观察状态序列为:X⑴={ I xt_k+1, xt_k+2,…，xt}； 所述隐含状态序列为=Y⑴={yt_k+1，yt_k+2，…，yt}，其中t为时间片，k为时长。
3.根据权利要求2所述的网络异常事件检测方法，其特征在于，所述通过网络真实部署里的观察状态序列和隐含状态序列学习得到优化参数包括: 根据网络真实部署里的训练数据D= {X⑴，Y(i)}，设置动态条件随机场里的优化参数A = {入 J。
4.根据权利要求3所述的网络异常事件检测方法，其特征在于，所述根据输入的观察检测序列，结合所述优化参数来推算隐含检测序列包括: 从观察检测序列推测隐藏检测序列的概率为:
5.根据权利要求1至4中任一项所述的网络异常事件检测方法，其特征在于:所述网络异常事件包括扩散模式和移动模式。
6.一种网络异常事件检测系统，其特征在于，包括:学习单元和检测单元，其中: 学习单元，用于通过网络真实部署里的观察状态序列和隐含状态序列学习得到优化参数，所述观察状态序列和隐含状态序列，为时间片和传感器节点空间坐标值的函数； 检测单元，用于根据输入的观察检测序列，结合所述优化参数来推算隐含检测序列，进行网络异常事件检测。
7.根据权利要求6所述的网络异常事件检测系统，其特征在于，所述学习单元包括: 观察状态序列子单元，用于设置观察状态序列为:
X.) _ { I Xt-k+i，Xt_k+2,…，XtI ; 隐含状态序列子单元，用于设置隐含状态序列为:
Y ' — {yVk+i，yt-k+2；…，yJ， 其中t为时间片，k为时长。
8.根据权利要求7所述的网络异常事件检测系统，其特征在于，所述学习单元包括: 优化参数子单元，用于根据网络真实部署里的训练数据D={X(i)，Y(i)}，设置动态条件随机场里的优化参数A = {>k}。
9.根据权利要求8所述的网络异常事件检测系统，其特征在于，所述检测单元包括:概率计算子单元，用于从观察检测序列推测隐藏检测序列的概率为:
10.根据权利要求6至9中任一项所述的网络异常事件检测系统，其特征在于:所述网络异常事件包括扩散模式和移动模式。
【文档编号】H04W84/18GK103686806SQ201310637249
【公开日】2014年3月26日 申请日期:2013年12月2日 优先权日:2013年12月2日
【发明者】马强, 刘克彬, 刘云浩 申请人:清华大学