基于超球面支持向量機的傳感器網絡數據異常檢測分析

馮喬

摘要：構建了一種通過DBN實現的1/4超球面支持向量機（QuarterSpheresupportvectormachines，QSSVM）測試模型，設計了一種可以實現在線測試功能的異常檢測算法。當窗口擴大后，QSSVM發生了準確度不斷提高的變化趨勢，能夠提高半徑的測試精度。當窗口增大后算法持續時間增加，QSSVM相對于OCSVM（OneClasssupportvectormachines，OCSVM）可以降低近一半的計算時間。隨著窗口擴大至臨界值后，將會引起準確度的減小，設置QSSVM算法滑動窗口為100。當樣本包含更高的維度異常比例時，所有算法都出現了檢測率增大的變化現象。當樣本維度升高后，QSSVM依然具備優異檢測性能，而Kmeans發生了檢測性能的下降。通過測試發現，采用新算法能夠滿足大規模高維傳感器的數據處理需求，從而減小時間復雜度并能夠更加準確測定異常數據。

關鍵詞：傳感器網絡;異常檢測;深度信念網絡;超球面支持向量機

中圖分類號：TP393

文獻標志碼：A

AnomalyDetectionandAnalysisofSensorNetworkData

BasedonHypersphereSupportVectorMachine

FENGQiao

（SchoolofMechanicalandElectricalandInformationEngineering，WuxiVocationalInstituteofArts&Technology，Wuxi214200，China）

Abstract：AQSSVMtestmodelof1/4hyperspheresupportvectormachineimplementedbyDBNisconstructed，andananomalydetectionalgorithmthatcanrealizeonlinetestisdesigned.Whenthewindowisenlarged，theaccuracyofQSSVMchangescontinuously，whichcanimprovethetestingaccuracyofradius.Thealgorithmcancontinuetoincreasethetimeafterthewindowisenlarged，QSSVMcanreducethecomputingtimebynearlyhalfcomparedwithOCSVM.Asthewindowexpandstothecriticalvalue，theaccuracywilldecrease.WesettheslidingwindowofQSSVMalgorithmto100.Whenthesamplecontainsahigherproportionofdimensionalanomalies，allalgorithmsshowthephenomenonofincreasingdetectionrate.Whenthesampledimensionisincreased，QSSVMstillhasexcellentdetectionperformance，whilekmeanshasdecreaseddetectionperformance.Throughtesting，itisfoundthatthenewalgorithmcanmeetthedataprocessingrequirementsoflargescalehighdimensionalsensors，itreducesthetimecomplexity，andmeasurestheabnormaldatamoreaccurately.

Keywords：sensornetwork;abnormaldetection;deepbeliefnetwork;hyperspheresupportvectormachine

0引言

隨著時代的發展，物聯網已成為當前人們開展生活與工作的重要工具，這也因此促進了無線傳感器網絡的大量應用[13]。但考慮到這些傳感器通常都被安裝于多種復雜的環境中，并且不同類型的傳感器的數據結構、傳輸模式也存在較大差異，一旦出現運行故障時便會引起數據異常的情況，這些異常數據將會對實際處理過程造成較大干擾，無法從中提取出準確的參考信息，從而對最后的決策過程造成不利影響[46]。為克服上述問題，需要對無線傳感器網絡內的各類異常數據實施快速高效監測。通過快速測定異常數據可以使傳感器能夠更加穩定并準確地采集數據。……