WSN中基于壓縮感知的異常事件檢測方案

姜 參，馬榮娟

?

WSN中基于壓縮感知的異常事件檢測方案

姜 參，馬榮娟

(渤海大學(xué)管理學(xué)院，遼寧 錦州 121013)

異常事件檢測問題是無線傳感器網(wǎng)絡(luò)中的研究熱點(diǎn)之一。為提高檢測效率，提出一種基于壓縮感知的異常事件檢測方案。通過壓縮采樣得到各個節(jié)點(diǎn)感知數(shù)據(jù)的測量值，將異常事件檢測問題建模為帶權(quán)的1范數(shù)最小化問題，采用正交匹配追蹤算法進(jìn)行迭代求解，根據(jù)檢測函數(shù)對求解結(jié)果進(jìn)行判斷，并依據(jù)判斷結(jié)果更新權(quán)值，開始下一輪迭代，直到檢測出無線傳感器網(wǎng)絡(luò)中存在的所有異常事件。仿真實(shí)驗(yàn)結(jié)果表明，該方案的漏檢率和誤警率較低，與CCM和GEP-ADS方案相比，分別能節(jié)省約4.1%和5.8%的能耗。

無線傳感器網(wǎng)絡(luò)；異常事件檢測；壓縮感知；測量值；迭代；權(quán)值

1 概述

無線傳感器網(wǎng)絡(luò)(Wireless Sensor Network, WSN)是近年來國內(nèi)外廣泛關(guān)注的研究熱點(diǎn)。無線傳感器網(wǎng)絡(luò)一般部署在條件惡劣或者人類很難進(jìn)入的環(huán)境中。在一個無線傳感器網(wǎng)絡(luò)中，分布著數(shù)量龐大的節(jié)點(diǎn)，這些節(jié)點(diǎn)往往被用戶用飛機(jī)或汽車運(yùn)輸，然后以隨機(jī)的方式放入指定區(qū)域執(zhí)行復(fù)雜的任務(wù)。由于所有節(jié)點(diǎn)均具有有限的存儲空間和計算能力，同時通信范圍也有限，為了高效地完成任務(wù)，它們必須快速、自治地相互配合，以協(xié)作的方式進(jìn)行工作[1]。

異常事件檢測是無線傳感器網(wǎng)絡(luò)的一種重要應(yīng)用[2]。當(dāng)異常事件(比如化學(xué)物質(zhì)泄露、火災(zāi)等)發(fā)生后，往往希望傳感器節(jié)點(diǎn)能夠盡快檢測出事件可能發(fā)生的區(qū)域，并及時地向sink報告。然而由于受到物理環(huán)境和傳感器節(jié)點(diǎn)自身能量或容量的限制，現(xiàn)有的檢測方案經(jīng)常存在漏檢和誤檢現(xiàn)象，檢測的效率和效果不高。因此，本文對無線傳感器網(wǎng)絡(luò)中的異常事件檢測方案進(jìn)行研究，提出一種改進(jìn)方案。

2 相關(guān)工作

此外，文獻(xiàn)[7]提出一種分布式的節(jié)點(diǎn)定位異常檢測方法，該方法利用聚類拓?fù)錅p少通信量，同時降低以往集中式檢測存在的單點(diǎn)風(fēng)險。該方法不需要任何已知的部署知識或額外的硬件，每個簇的簇頭節(jié)點(diǎn)只需根據(jù)該簇節(jié)點(diǎn)報告的位置和鄰居表信息進(jìn)行過濾計算、更新權(quán)值，即可確定和撤銷定位異常的節(jié)點(diǎn)；文獻(xiàn)[8]針對無線傳感器網(wǎng)絡(luò)的自身特殊性和所面臨的路由安全威脅，提出了一種基于核聚類的異常檢測方案KCAD，以檢測路由攻擊所導(dǎo)致的流量異常。該方案通過利用Mercer核，將輸入空間的流量特征樣本隱式地映射到高維特征空間，突出了不同樣本間的特征差異，從而更好地完成聚類，提高了檢測準(zhǔn)確率，同時還針對流量特征樣本做了時間維擴(kuò)展，使之更能反映近期網(wǎng)絡(luò)流量狀況，減少了由于歷史數(shù)據(jù)集影響所帶來的誤報。仿真實(shí)驗(yàn)結(jié)果表明，KCAD方案能夠在較少的資源開銷條件下，迅速、有效地檢測出傳感器網(wǎng)絡(luò)中的攻擊異常。

然而以上的檢測方案還存在以下不足：(1)都需要知道一些先驗(yàn)信息(如網(wǎng)絡(luò)拓?fù)洹⒐?jié)點(diǎn)的分布等)；(2)大多假設(shè)異常事件服從某一特定的分布。事實(shí)上，在大規(guī)模無線傳感器網(wǎng)絡(luò)中，先驗(yàn)信息是無法預(yù)先獲取的，異常事件的出現(xiàn)也是隨機(jī)的，因此，現(xiàn)有的檢測方案的漏檢和誤警現(xiàn)象較為嚴(yán)重。鑒于此，本文基于壓縮感知理論，提出一種改進(jìn)的異常事件檢測方案。

3 問題建模

3.1 壓縮感知理論

本文主要采用壓縮感知理論[9]來進(jìn)行異常事件檢測，為了便于后續(xù)的描述，首先給出基于壓縮感知進(jìn)行信號處理的基本流程：

可以采用線性規(guī)劃技術(shù)來求解問題(3)，目前已有的求解方法主要有OMP[10]、StOMP[11]和CP[12]等。

3.2 系統(tǒng)模型

本文考慮采用如圖1所示的系統(tǒng)模型，其中，橢圓區(qū)域表示無線傳感器網(wǎng)絡(luò)的監(jiān)測區(qū)域，根據(jù)異常事件的分布，整個區(qū)域被劃分為多個簇。區(qū)域內(nèi)的白色小圓表示普通傳感器節(jié)點(diǎn)；區(qū)域內(nèi)的黑色小圓表示檢測到異常事件發(fā)生的節(jié)點(diǎn)；區(qū)域外的黑色正六邊形表示簇頭節(jié)點(diǎn)；區(qū)域外的黑色正方形表示sink節(jié)點(diǎn)。

圖1 系統(tǒng)模型

一般而言，異常事件的數(shù)目總是遠(yuǎn)小于參與檢測的傳感器節(jié)點(diǎn)數(shù)目，即異常事件是稀疏的，因此，可以采用壓縮感知技術(shù)來進(jìn)行異常事件檢測。為了簡單起見，本文采用二進(jìn)制檢測模型，即檢測到異常事件的節(jié)點(diǎn)的信息數(shù)據(jù)值為1，其他的節(jié)點(diǎn)的信息數(shù)據(jù)值為0。基于二進(jìn)制檢測模型，節(jié)點(diǎn)的感知數(shù)據(jù)的變換基為單位矩陣，為了滿足壓縮感知理論的應(yīng)用條件，只需要保證投影矩陣和單位矩陣不相關(guān)，這是顯而易見的。

基于以上的系統(tǒng)模型，本文提出的異常事件檢測方案主要分為2階段：(1)在每個簇內(nèi)，各個節(jié)點(diǎn)的感知數(shù)據(jù)經(jīng)過投影后路由到簇頭節(jié)點(diǎn)，簇頭基于收到的測量值執(zhí)行重構(gòu)操作和檢測處理；(2)各個簇頭發(fā)送各自的檢測結(jié)果到sink節(jié)點(diǎn)，最后得到一個全局的檢測結(jié)果。下文將對方案的細(xì)節(jié)進(jìn)行詳細(xì)闡述。

4 異常事件檢測算法

無線傳感器網(wǎng)絡(luò)中存在的噪聲對于基于壓縮感知的數(shù)據(jù)重構(gòu)方案性能具有較大損害。因此，為了避免這一不利因素，本文提出的異常事件檢測算法的主要特點(diǎn)是：它不需要任何先驗(yàn)信息，在存在噪聲的網(wǎng)絡(luò)環(huán)境中通過迭代操作進(jìn)行異常事件檢測，根據(jù)前一輪的檢測結(jié)果來對后一輪的檢測參數(shù)進(jìn)行自適應(yīng)調(diào)整，從而檢測出網(wǎng)絡(luò)中存在的異常事件。

4.1 全局網(wǎng)絡(luò)環(huán)境下的異常事件檢測

算法1全局網(wǎng)絡(luò)下的異常事件檢測算法(AE-DA)

4.2 異常事件的分布式檢測

事實(shí)上，異常事件在傳感器網(wǎng)絡(luò)中的分布是不均勻的，某些“熱點(diǎn)”節(jié)點(diǎn)更有可能發(fā)生事件，而全局網(wǎng)絡(luò)下的事件檢測算法隨機(jī)地對整個網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行非自適應(yīng)線性映射從而得到觀測數(shù)據(jù)。這將帶來的問題是如果觀測的數(shù)據(jù)包含很多來自正常節(jié)點(diǎn)的信息，那對所需的異常事件檢測不會有很大幫助，從而造成了檢測效率的下降，同時也導(dǎo)致了較大的傳輸消耗。因此，本文提出了一種分布式的異常事件檢測方案。首先，根據(jù)異常事件的分布將整個網(wǎng)絡(luò)區(qū)域劃分為多個簇，然后分別進(jìn)行簇內(nèi)檢測。

以上的處理過程傾向于關(guān)注那些可能以較高概率發(fā)生異常事件的簇，因此，可以提高異常事件檢測的質(zhì)量。相反地，以上的處理對那些不太可能發(fā)生異常事件的簇指派的測量矩陣較為稀疏，即對這些簇內(nèi)的節(jié)點(diǎn)進(jìn)行相對較少的測量操作，從而節(jié)省了節(jié)點(diǎn)的能量。綜上所述，本文提出的基于壓縮感知的異常事件分布式檢測算法如下：

算法2異常事件分布式檢測算法(AE-DDA)

5 實(shí)驗(yàn)與結(jié)果分析

5.1 實(shí)驗(yàn)場景

為測試本文方案的性能，以Matlab2012為工具進(jìn)行仿真實(shí)驗(yàn)，主要考察本文的2種方案(AE-DA和AE-DDA)在不同噪聲環(huán)境下的進(jìn)行異常事件檢測的有效性，并進(jìn)行對比分析。

5.2 評價標(biāo)準(zhǔn)

從檢測錯誤和能耗兩方面對本文方案的性能進(jìn)行評價。

(2)能耗：本文計算數(shù)據(jù)匯集的傳輸代價，因?yàn)樗鼘o線傳感器網(wǎng)絡(luò)中的總能耗貢獻(xiàn)最大。假設(shè)在每一跳中傳輸一個比特所消耗的能量是相同的，本文將之定義為1。此外，如果在路由路徑的第一個節(jié)點(diǎn)上需要發(fā)送bit，那么在路徑上的每一個新節(jié)點(diǎn)都需要傳輸bit，此外需要傳送一些額外的比特。因此，總能耗為：

5.3 實(shí)驗(yàn)結(jié)果比較

圖2 AE-DA方案的漏檢率

圖3 AE-DA方案的誤警率

圖4 AE-DDA和AE-DA方案的漏檢率比較

圖5 AE-DDA和AE-DA方案的誤警率比較

當(dāng)測量數(shù)目=250時，AE-DDA在不同簇中運(yùn)行時的能耗對比見圖6。可以看出，在最開始時，AE-DDA在4個簇中的能耗相同，隨著迭代次數(shù)的增加，簇1和簇2消耗的能量相當(dāng)于簇3和簇4的3倍和5倍，這表明簇1和簇2中存在更多的“熱點(diǎn)”，即異常事件更有可能在簇1和簇2中發(fā)生，可以考慮為簇1和簇2分配更多的能源，從而保證網(wǎng)絡(luò)的可靠性。

圖6 AE-DDA方案的能量開銷

為了說明AE-DDA的優(yōu)越性，圖7給出了AE-DDA與AE-DA的能量消耗對比結(jié)果。可以看到，初始時，AE-DDA的能量開銷比AE-DA節(jié)省了約6.5%，隨著算法迭代次數(shù)的增加，AE-DDA的能量開銷比AE-DA節(jié)省了約5%。仔細(xì)分析其原因可知，這主要是因?yàn)锳E-DA算法隨機(jī)地對整個網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行非自適應(yīng)線性映射從而得到觀測數(shù)據(jù)，這會導(dǎo)致獲得的觀測數(shù)據(jù)包含很多來自正常節(jié)點(diǎn)的信息，這些節(jié)點(diǎn)的信息對于提高檢測率沒有多大幫助，反而增加了傳輸開銷，消耗了更多的能量，而AE-DDA獲得的觀測數(shù)據(jù)則大多來自于“熱點(diǎn)”節(jié)點(diǎn)，因此，在保證檢測率的前提下，減少了不必要的通信開銷，從而節(jié)省了能量。

圖7 AE-DDA與AE-DDA方案的能量開銷對比

圖8給出了AE-DDA與目前較為典型的異常事件檢測方案GEP-ADS[14]、CCM[15]的漏檢率對比結(jié)果。可以看出，隨著SNR的增加，3種方案的漏檢率都在下降，其中AE-DDA的性能更優(yōu)。在相同的SNR下，從10 dB到30 dB，相比于GEP-ADS和CCM，AE-DDA的漏檢率分別下降了約29%~55%和40%~66.7%。仔細(xì)分析其原因可知，這主要是因?yàn)锳E-DDA基于壓縮感知技術(shù)采用隨機(jī)高斯矩陣對每個節(jié)點(diǎn)進(jìn)行自適應(yīng)觀測，確保了每個節(jié)點(diǎn)測量值的重要性是一樣的，因此，AE-DDA具有較好的抗噪能力，另外基于OMP的迭代求解結(jié)果對權(quán)值進(jìn)行自適應(yīng)調(diào)整，確保其不存在事件覆蓋空洞，取得了較好的結(jié)果。

圖8 不同方案的漏檢率比較

圖9 不同方案的能量開銷比較

6 結(jié)束語

異常事件檢測是無線傳感器網(wǎng)絡(luò)中的一個基本研究問題，本文采用壓縮感知理論，將異常事件檢測問題建模為稀疏信號重構(gòu)問題，然后通過迭代地調(diào)整信號重構(gòu)中的權(quán)重參數(shù)來自適應(yīng)地提高檢測質(zhì)量。仿真實(shí)驗(yàn)結(jié)果表明，本文方案在漏檢率、誤警率以及能耗方面均優(yōu)于傳統(tǒng)方案。下一步研究工作的重點(diǎn)在于：(1)基于壓縮感知理論，研究數(shù)據(jù)收集中的安全性與可靠性問題，主要考慮如何在保證數(shù)據(jù)收集效率的同時兼顧數(shù)據(jù)不被篡改、泄密等問題。(2)基于壓縮感知理論，進(jìn)一步研究無需先驗(yàn)信息的事件覆蓋問題，確保事件檢測的可靠性和及時性。

[1] 梁俊斌, 鄧雨柔, 郭麗娟, 等. 無線傳感器網(wǎng)絡(luò)中事件驅(qū)動數(shù)據(jù)收集研究進(jìn)展[J]. 計算機(jī)應(yīng)用研究, 2012, 29(10): 3601-3605.

[2] 曹冬磊, 曹建農(nóng), 金蓓弘. 一種無線傳感器網(wǎng)絡(luò)中事件區(qū)域檢測的容錯算法[J]. 計算機(jī)學(xué)報, 2007, 30(10): 1770-1776.

[3] 姜旭寶, 李光耀, 連 朔. 基于變寬直方圖的無線傳感器網(wǎng)絡(luò)異常數(shù)據(jù)檢測算法[J]. 計算機(jī)應(yīng)用, 2011, 31(3): 694-697.

[4] 肖政宏, 陳志剛, 李慶華. WSN中基于分布式機(jī)器學(xué)習(xí)的異常檢測仿真研究[J]. 系統(tǒng)仿真學(xué)報, 2011, 23(1): 121-127.

[5] 朱翠濤, 瞿 毅. 基于壓縮感知的稀疏事件檢測[J]. 中南民族大學(xué)學(xué)報: 自然科學(xué)版, 2011, 30(1): 81-83.

[6] Bejerano Y. Coverage Verification Without Location Infor- mation[J]. IEEE Transactions on Mobile Computing, 2012, 11(4): 631-643.

[7] 張玉琴, 秦 拯. 無線傳感器網(wǎng)絡(luò)中基于分簇的節(jié)點(diǎn)定位異常檢測[J]. 計算機(jī)應(yīng)用研究, 2010, 27(3): 1139-1141.

[8] 楊黎斌, 慕德俊, 蔡曉妍. 基于核聚類的無線傳感器網(wǎng)絡(luò)異常檢測方案[J]. 傳感技術(shù)學(xué)報, 2008, 21(8): 1442-1447.

[9] Donoho D L. Compressed Sensing[J]. IEEE Transactions on Information Theory, 2006, 52(4): 1289-1306.

[10] Tropp J A, Gilbert A C. Signal Recovery from Partial Information by Orthogonal Matching Pursuit[J]. IEEE Transactions on Information Theory, 2007, 53(11): 4655-4666.

[11] Donoho D L, Drori I, Tsaig Y, et al. Sparse Solution of Underdetermined Linear Equations by Stage Wise Orthogonal Matching Pursuit[J]. IEEE Transactions on Information Theory, 2012, 58(2): 1091-1121.

[12]Gilbert A C, Strauss M J, Tropp J A, et al.Algorithmic Linear Dimension Reduction in the Norm for Sparse Vectors[C]//Proc. of the 44th Annual Allerton Conference on Communication, Control, and Computing. Boston, USA: [s. n.], 2006: 1145- 1149.

[13] Candes E, Wakin M, Boyd S. Enhancing Sparsity by Reweighted1Minimization[J]. Journal of Fourier Analysis and Applications, 2008, 14(3): 877-905.

[14] Gao Honglei, Chen Guolong, Guo Wenzhong. A GEP-Based Anomaly Detection Scheme in Wireless Sensor Networks[C]// Proc. of CSE’09. Vancouver, Canada: IEEE Press, 2009: 817-822.

[15] de Sousa L D, Frery A C, Nakamura E F, et al. Event Detection Framework for Wireless Sensor Networks Considering Data Anomaly[C]//Proc. of ISCC’12. Cappadocia, Turkey: IEEE Press, 2012: 500-507.

編輯 金胡考

Anomaly Event Detection Scheme Based on Compressive Sensing in Wireless Sensor Network

JIANG Shen, MA Rong-juan

(School of Management, Bohai University, Jinzhou 121013, China)

The anomaly event detection problem in Wireless Sensor Network(WSN) is currently a hot topic. In order to improve the detection efficiency, this paper proposes an anomaly event detection scheme based on compressive sensing. The measurements of the sensed data are obtained based on the compressive sampling, and the anomaly event detection problem is modeled as the reweighted1minimization problem, which is iteratively solved by the Orthogonal Matching Pursuit(OMP) algorithm. Furthermore, the solution is judged by the detection function. The weight is refreshed in the next iteration according to the judgments, until all abnormal events are detected in Wireless Sensor Network(WSN). Experimental results show that the proposed scheme can obtain the lower probability of missed detection and false alarm in different noise environments. Compared with the CCM and GEP-ADS scheme, the energy consumption of this scheme id saved by approximately 4.1% and 5.8%.

Wireless Sensor Network(WSN); anomaly event detection; compressive sensing; measurement; iteration; weight

1000-3428(2014)03-0137-06

A

TP393

國家自然科學(xué)基金資助項(xiàng)目(71201012)；2013年遼寧省教育廳科學(xué)研究基金資助一般項(xiàng)目(W2013156)。

姜 參(1981－)，男，講師、碩士，主研方向：無線傳感器網(wǎng)絡(luò)；馬榮娟，副教授、碩士。

2013-05-02

2013-07-17 E-mail：27853411@qq.com

10.3969/j.issn.1000-3428.2014.03.028