一种基于fsax-markov模型的无线传感网事件检测方法及系统的制作方法
【技术领域】
[0001 ]本发明涉及物联网技术领域，尤其涉及一种基于FSAX-MARKOV模型的无线传感网 事件检测方法及系统。
【背景技术】
[0002] 无线传感网(Wireless Sensor Networks，简称WSN)是未来网络发展的主流形式， 并已成为本世纪一个新科学研究领域。在基础理论和工程技术两个层面提出了许多急需解 决的问题。无线传感网成本低廉、低功耗、大规模自组网；传感器节点体积小巧、电池供电、 部署灵活；以及能够适应监测人力难以到达的恶劣环境;这些特点使得无线传感网极大地 提升了灾害预防的监控能力。为了及时监测各种可能发生的突发事件(如山体滑坡、大气污 染、森林火灾等），必须关注传感器节点采集到的异常测量值。因此，实时准确地检出异常数 据，并预警特定事件，具有十分重要的意义。
[0003] 无线传感网的异常事件检测技术概括起来主要分为两类：1)点异常检测方法。点 异常即如果传感数据超过设置的某个阈值，则认为事件发生。这种方法只适合小规模、短期 的单一事件监测任务。2)模式异常检测方法。在一些长期渐变环境监测中，突发性的复杂事 件往往很难由指定属性阈值的超限进行报警，不能用简单的阈值来描述，但可以看做一种 模式(事件模式），因可采用模式识别技术进行异常检测。目前，大部分模式异常检测方法都 是在原始采集数据空间上进行，即不对传感器节点采集的数据进行任何变换，虽然这种方 法的有一定检测精度。但方法计算量大、容错性差，节能效果有限。能否在经过压缩处理后 的数据空间上进行异常检测？并且，无线传感网中异常事件检测技术还要面临两个主要挑 战：1)检测精度。由于受环境噪声和网络中各种故障的影响，传感器节点经常给出错误的监 测值，这势必会影响到异常事件检测的可靠性。因此，检测方法必须具有容错性。2)能量有 效性。传感器节点具有非常有限的能量储备，无线传感网事件监测的网络生命期取决于节 点能耗，因而检测方法必须具有节能性。
[0004] 大规模长期部署无线传感网中成千上万的传感器节点产生海量的高维时序数据， 这些数据中包含了大量的冗余并隐藏了重要关系的相关性，若在这些原始数据空间上直接 进行异常检测，其能量和通讯带宽的巨大开销将会缩短网络生命周期，甚至使无线传感网 不能够完成监测任务。因此，在数据被传送到网关之前进行压缩(或降维)是非常必要的。在 事件监测型WSN应用系统中，从网络的监测数据中快速识别异常事件是其首要目标，其重要 性甚至超过监测数据本身。通过数据压缩方法挖掘节点之间的时空相关性，最大限度的消 除数据之间的冗余度，在保证大幅度降低数据传输量的同时，仍然能够保持高精度的事件 监测性能，并从海量流数据中抽取出潜在的有用信息、模式和趋势。
【发明内容】
[0005] 本发明要解决的技术问题在于针对现有技术中检测精度不高，且能耗大的缺陷， 提供一种保证大幅度降低数据传输量的同时，仍然能够保持高精度的事件监测性能的基于 FSAX-MARKOV模型的无线传感网事件检测方法及系统。
[0006] 本发明解决其技术问题所采用的技术方案是：
[0007] 本发明提供一种基于FSAX-MARKOV模型的无线传感网事件检测方法，包括以下步 骤：
[0008] S1、采集原始监测数据据构成时间序列X作为训练样本序列，并设置检测窗口长 度、FSAX符号序列长度、符号集及其大小；
[0009] S2、对训练样本序列X进行归一化处理得到序列YERn，对归一化序列Y进行压缩降 维得到压缩序列C e/T ;计算压缩序列C中各时序子段的方差，将各时序子段的均值和方 差符号化，获得FSAX符号序列，并计算FSAX符号序列转移概率矩阵；
[0010] S3、训练阶段:根据得到的FSAX符号序列转移概率矩阵计算FSAX符号序列转移概 率，并确定FSAX符号序列的正常转移概率阈值Sth;
[0011 ] S4、检测阶段:计算当前滑动窗口内监测数据的FSAX符号序列转移概率S;
[0012] S5、根据Sth和S对当前滑动窗口内监测数据进行异常事件检测，若某个FSAX符号序 列转移概率低于S th，则判定监测区域有异常事件发生。
[0013] 进一步地，本发明的步骤S2中无线传感网节点采集原始监测数据构成时间序列X ={xi，X2,…，xn}作为训练样本序列，对训练样本序列X进行归一化处理得到序列Y= {yi, y2^_，yi，??>}的计算公式为：
[0015] 其中，y为序列X的均值，〇为序列X的标准差。
[0016] 进一步地，本发明的步骤S2中对归一化序列进行压缩的具体方法为：
[0017] 对归一化序列YE赚行压缩降维得至_的压缩序列C e ，疗=胬而…馬，…，'}， 且m<<n，A的计算公式为：
[0019] 其中，巧表示归一化序列Y的第i个时序子段均值，通过各时序子段内数据的均值 来代表该子段的数据，从而实现数据压缩以剔除原始序列中冗余信息和平滑噪声。
[0020] 进一步地，本发明的步骤S2中计算压缩序列C中各时序子段方差的公式为：
[0022] 其中，€表示归一化序列Y的第i个时序子段均值。
[0023] 进一步地，本发明的步骤S2中对均值和方差进行符号化的方法具体为：
[0024] 将压缩序列C中各时序子段的均值和方差符号化，根据字符集^所对应的正态分 布等概率区间划分点的查找表，每个时序子段将化成有二分量的符号矢量，获得FSAX符号 序列来表示无线传感网节点采集原始监测数据。
[0025] 进一步地，本发明的步骤S2中计算符号序列转移概率矩阵公式为：
[0026] Q =(t(Sm, T ))
[0027]其中，t(Sm, y )为转移概率，表不在符号模式Sm之后出现符号y的概率，t(Sm, y ) 的计算公式为：t(Sm, y )=P(Si+i= y | S(i-M+l,i) = SM);
[0028] 其中，Si表不符号序列Sm中的第i个符号。
[0029] 进一步地，本发明的步骤S3中计算序列转移概率的方法具体为：
[0030] 获得训练阶段的FSAX符号序列的正常转移概率阈值S th，设F SAX符号序列 = …4，定义其M阶马尔科夫链的模式转移概率为：
[0032] 其中，P(Sm)表示模式Sm的初始概率。
[0033]本发明提供一种基于FSAX-MARK0V模型的无线传感网事件检测系统，包括：
[0034]样本采集单元，用于采集原始监测数据据构成时间序列X作为训练样本序列，并设 置检测窗口长度、FSAX符号序列长度、符号集及其大小；
[0035]数据计算单元，用于对训练样本序列X进行归一化处理得到序列YeR%对归一化 序列Y进行压缩降维得到压缩序列(T e 计算压缩序列5中各时序子段的方差，将各时序 子段的均值和方差符号化，获得FSAX符号序列，并计算FSAX符号序列转移概率矩阵；
[0036]训练单元，用于根据得到的FSAX符号序列转移概率矩阵计算FSAX符号序列转移概 率，并确定FSAX符号序列的正常转移概率阈值Sth;
[0037] 检测单元，用于计算当前滑动窗口内监测数据的FSAX符号序列转移概率S;
[0038] 异常事件判定单元，用于根据Sth和S对当前滑动窗口内监测数据进行异常事件检 测，若某个FSAX符号序列转移概率低于S th，则判定监测区域有异常事件发生。
[0039]本发明产生的有益效果是:本发明的基于FSAX-MARKO V模型的无线传感网事件检 测方法，通过训练阶段建立符号序列转移概率矩阵，确定符号序列正常转移概率阈值，检测 阶段计算当前滑动窗口内符号序列的转移概率，并对检测结果作出判定;该方法具有较高 的事件检测精度和较低的误报率;能够准确地发现序列中的异常区间，提高无线传感网检 测异常事件的及时性和可靠性，大幅度节省无线传感网能量和通信带宽，能够提高无线传 感网节点搜索效率和定位异常数据的能力。
【附图说明】
[0040]下面将结合附图及实施例对本发明作进一步说明，附图中：
[0041 ]图1是本发明实施例的基于FSAX-MARK0V模型的无线传感网事件检测方法的流程 图；
[0042]图2是发明实施例的基于FSAX-MARK0V模型的无线传感网事件检测方法的序列符 号化的正态分布等概率区间划分；
[0043]图3是发明实施例的基于FSAX-MARK0V模型的无线传感网事件检测方法的正常数 据序列Xi(t);
[0044]图4是发明实施例的基于FSAX-MARK0V模型的无线传感网事件检测方法的异常数 据序列x3(t);
[0045] 图5是发明实施例的基于FSAX-MARK0V模型的无线传感网事件检测方法的正常数 据序列Yi(t);
[0046] 图6是发明实施例的基于FSAX-MARK0V模型的无线传感网事件检测方法的异常数 据序列Y2(t);
[0047]图7是发明实施例的基于FSAX-MARK0V模型的无线传感网事件检测系统的结构框 图；
[0048] 图中，701-样本采集单元，702-数据计算单元，703-训练单元，704-检测单元，705- 异常事件判定单元。
【具体实施方式】
[0049] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对 本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不 用于限定本发明。
[0050] 如图1所示，本发明实施例的基于FSAX-MARK0V模型的无线传感网事件检测方法， 包括以下步骤：
[0051] S1、采集原始监测数据据构成时间序列X作为训练样本序列，并设置检测窗口长 度、FSAX符号序列长度、符号集及其大小；
[0