馮喬

摘要：構(gòu)建了一種通過(guò)DBN實(shí)現(xiàn)的1/4超球面支持向量機(jī)（QuarterSpheresupportvectormachines，QSSVM）測(cè)試模型，設(shè)計(jì)了一種可以實(shí)現(xiàn)在線測(cè)試功能的異常檢測(cè)算法。當(dāng)窗口擴(kuò)大后，QSSVM發(fā)生了準(zhǔn)確度不斷提高的變化趨勢(shì)，能夠提高半徑的測(cè)試精度。當(dāng)窗口增大后算法持續(xù)時(shí)間增加，QSSVM相對(duì)于OCSVM（OneClasssupportvectormachines，OCSVM）可以降低近一半的計(jì)算時(shí)間。隨著窗口擴(kuò)大至臨界值后，將會(huì)引起準(zhǔn)確度的減小，設(shè)置QSSVM算法滑動(dòng)窗口為100。當(dāng)樣本包含更高的維度異常比例時(shí)，所有算法都出現(xiàn)了檢測(cè)率增大的變化現(xiàn)象。當(dāng)樣本維度升高后，QSSVM依然具備優(yōu)異檢測(cè)性能，而Kmeans發(fā)生了檢測(cè)性能的下降。通過(guò)測(cè)試發(fā)現(xiàn)，采用新算法能夠滿足大規(guī)模高維傳感器的數(shù)據(jù)處理需求，從而減小時(shí)間復(fù)雜度并能夠更加準(zhǔn)確測(cè)定異常數(shù)據(jù)。

關(guān)鍵詞：傳感器網(wǎng)絡(luò);異常檢測(cè);深度信念網(wǎng)絡(luò);超球面支持向量機(jī)

中圖分類號(hào)：TP393

文獻(xiàn)標(biāo)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(shí)代的發(fā)展，物聯(lián)網(wǎng)已成為當(dāng)前人們開(kāi)展生活與工作的重要工具，這也因此促進(jìn)了無(wú)線傳感器網(wǎng)絡(luò)的大量應(yīng)用[13]。但考慮到這些傳感器通常都被安裝于多種復(fù)雜的環(huán)境中，并且不同類型的傳感器的數(shù)據(jù)結(jié)構(gòu)、傳輸模式也存在較大差異，一旦出現(xiàn)運(yùn)行故障時(shí)便會(huì)引起數(shù)據(jù)異常的情況，這些異常數(shù)據(jù)將會(huì)對(duì)實(shí)際處理過(guò)程造成較大干擾，無(wú)法從中提取出準(zhǔn)確的參考信息，從而對(duì)最后的決策過(guò)程造成不利影響[46]。為克服上述問(wèn)題，需要對(duì)無(wú)線傳感器網(wǎng)絡(luò)內(nèi)的各類異常數(shù)據(jù)實(shí)施快速高效監(jiān)測(cè)。通過(guò)快速測(cè)定異常數(shù)據(jù)可以使傳感器能夠更加穩(wěn)定并準(zhǔn)確地采集數(shù)據(jù)。

利用近鄰分析方法計(jì)算出本節(jié)點(diǎn)和相鄰節(jié)點(diǎn)的數(shù)據(jù)距離再判斷本節(jié)點(diǎn)的數(shù)據(jù)是否存在異常的情況，當(dāng)實(shí)際測(cè)定的數(shù)據(jù)和鄰居節(jié)點(diǎn)數(shù)據(jù)具有明顯差異時(shí)說(shuō)明該數(shù)據(jù)發(fā)生了異常，由于需要很長(zhǎng)時(shí)間才能計(jì)算得到各數(shù)據(jù)距離，因此不能滿足大規(guī)模傳感器網(wǎng)絡(luò)的應(yīng)用條件;可以采用聚類分析的方式，根據(jù)數(shù)據(jù)分簇類型來(lái)達(dá)到對(duì)異常數(shù)據(jù)的孤立目的，但采用這一方法需獲得所有數(shù)據(jù)后再對(duì)其實(shí)施分簇，無(wú)法滿足在線測(cè)試異常數(shù)據(jù)的要求[78]。采用上述方法可以同時(shí)滿足測(cè)試精度與在線檢測(cè)的要求，同時(shí)還可以對(duì)高維數(shù)據(jù)集合出現(xiàn)異常情況時(shí)進(jìn)行測(cè)試，已經(jīng)成為現(xiàn)階段獲得普遍應(yīng)用的異常測(cè)試方法[911]。利用單類支持向量機(jī)OCSVM來(lái)完成異常測(cè)試已經(jīng)成為現(xiàn)階段的一種重要檢測(cè)方法，該方法可以采用無(wú)監(jiān)督的狀態(tài)快速找出各項(xiàng)異常數(shù)據(jù)。為克服上述缺陷，本研究根據(jù)上述研究?jī)?nèi)容，進(jìn)一步優(yōu)化了OCSVM，構(gòu)建得到了一種通過(guò)DBN實(shí)現(xiàn)的1/4超球面支持向量機(jī)QSSVM測(cè)試模型，同時(shí)根據(jù)該模型設(shè)計(jì)了一種可以實(shí)現(xiàn)在線測(cè)試功能的異常檢測(cè)算法。

1算法

1.11/4超球面支持向量機(jī)（QSSVM）

QSSVM把樣本數(shù)據(jù)映射至高維空間內(nèi)，再把該空間內(nèi)由樣本組成的圓心移動(dòng)到坐標(biāo)原點(diǎn)，按照正坐標(biāo)軸的方向構(gòu)建1/4超球面，其中被球面包含的數(shù)據(jù)屬于正常數(shù)據(jù)，處于球面以外的數(shù)據(jù)屬于異常數(shù)據(jù)。

對(duì)于樣本

X={xi，1≤i≤n}處于特征空間內(nèi)的1/4球面需要求解下述問(wèn)題如式（1）。

minR∈R，ξ∈Rn

R2+1vn∑ni=1ξi

s.t.Φ（xi）2≤R2+ξi

ξi≥0，i=1，2…，n

（1）

把式（1）對(duì)偶問(wèn)題通過(guò)式（2）進(jìn)行表示，如式（2）。

minα∈Rn

-∑ni=1αik（xi，xi）

s.t.∑ni=1αi=10≤αi≤1vn;i=1，2，…，n

（2）

與球面QSSVM進(jìn)行非線性規(guī)劃的過(guò)程相比可以發(fā)現(xiàn)，采用式（2）實(shí)施線性規(guī)劃可以顯著降低計(jì)算過(guò)程的復(fù)雜度。但因?yàn)橥ㄟ^(guò)距離指標(biāo)構(gòu)建的核函數(shù)k（xi，xi）對(duì)所有樣本節(jié)點(diǎn)都相同，所以不能根據(jù)式（2）獲得有意義的解。需要利用核函數(shù)中心化的處理方式求解上述問(wèn)題，把完成中心化的核函數(shù)表示如式（3）。

kc=k-1nk-k1n+1nk1n

（3）

再把式（2）轉(zhuǎn)變成如式（4）。

minα∈Rn

-∑ni=1αikc（xi，xi）

s.t.∑ni=1αi=10≤αi≤1vn;i=1，2，…，n

（4）

利用式（4）求解拉格朗日系數(shù)αi，并判斷樣本xi的節(jié)點(diǎn)和超球體之間的相互關(guān)系：如果αi=0，可以認(rèn)為此時(shí)的樣本節(jié)點(diǎn)屬于正常數(shù)據(jù);如果αi=1vn，表明樣本節(jié)點(diǎn)屬于異常數(shù)據(jù);如果0<αi<1vn，同時(shí)xi表示邊界支持向量，利用此向量和原點(diǎn)之間的距離計(jì)算出1/4球面半徑R。

1.2深度信念網(wǎng)絡(luò)（DeepBeliefNetwork，DBN）模型

深度信念網(wǎng)絡(luò)具備深度學(xué)習(xí)功能，包含了多個(gè)玻爾茲曼機(jī)（Restrictedboltzmannmachine，RBM），如圖1所示。

這一網(wǎng)絡(luò)可以對(duì)RBM實(shí)施分層訓(xùn)練，其作用是接收進(jìn)行RBM訓(xùn)練時(shí)產(chǎn)生的特征數(shù)據(jù)。因?yàn)楦鲗覴BM在訓(xùn)練過(guò)程中只能實(shí)現(xiàn)自身最優(yōu)的狀態(tài)，這使得采用分層訓(xùn)練方法也不能達(dá)到全局最優(yōu)的效果。

1.3基于深度信念網(wǎng)絡(luò)的傳感器數(shù)據(jù)異常檢測(cè)算法

DBN和QSSVM構(gòu)成的混合模型如圖2所示。

模型功能是對(duì)DBN降維模型實(shí)施訓(xùn)練并去除訓(xùn)練時(shí)產(chǎn)生的異常數(shù)據(jù)，采用測(cè)試模型對(duì)各類數(shù)據(jù)進(jìn)行實(shí)時(shí)測(cè)試發(fā)現(xiàn)異常情況。

把訓(xùn)練數(shù)據(jù)輸入到訓(xùn)練模型的DBN底層節(jié)點(diǎn)中，再對(duì)DBN內(nèi)各層權(quán)值W進(jìn)行訓(xùn)練，包括顯層與隱層節(jié)點(diǎn)偏執(zhí)兩種情況，再把經(jīng)過(guò)降維處理的訓(xùn)練數(shù)據(jù)傳輸至QSSVM再將異常數(shù)據(jù)進(jìn)行輸出，去除數(shù)據(jù)集內(nèi)的所有異常數(shù)據(jù)。

把采集獲得的待檢測(cè)數(shù)據(jù)傳輸至經(jīng)過(guò)訓(xùn)練的DBN模型內(nèi)，再輸出經(jīng)過(guò)降維處理的測(cè)試數(shù)據(jù)，同時(shí)將其加入滑動(dòng)窗口內(nèi)，把上述窗口數(shù)據(jù)傳輸至QSSVM，判斷新數(shù)據(jù)有無(wú)異常的問(wèn)題。

2實(shí)驗(yàn)

2.1數(shù)據(jù)集與實(shí)驗(yàn)設(shè)置

本次測(cè)試的數(shù)據(jù)來(lái)自UCI機(jī)器學(xué)習(xí)庫(kù)[12]，總共包含了四組通過(guò)實(shí)際傳感器檢測(cè)得到的數(shù)據(jù)，具體包括：48維Forest監(jiān)測(cè)參數(shù)、110維GAS氣體測(cè)試數(shù)據(jù)、320維DSA活動(dòng)記錄數(shù)據(jù)以及540維HAR智能設(shè)備測(cè)試數(shù)據(jù)。之后從各數(shù)據(jù)集內(nèi)選出由連續(xù)時(shí)間組成的1000個(gè)樣本，再選擇其中的800個(gè)樣本數(shù)據(jù)用于訓(xùn)練，通過(guò)隨機(jī)的方式加入比例為5%的異常數(shù)據(jù)，再對(duì)剩余的20%數(shù)據(jù)進(jìn)行測(cè)試，同時(shí)以隨機(jī)方式設(shè)置了10%異常數(shù)據(jù)。

為了盡量提升算法的性能，本實(shí)驗(yàn)實(shí)施了多次測(cè)試，使用兩層DBN對(duì)輸入數(shù)據(jù)實(shí)施降溫至6維。各算法都通過(guò)MATLABR2017a進(jìn)行模擬分析，總共進(jìn)行10次測(cè)試并計(jì)算平均值。

2.2算法效率及窗口大小影響

表1顯示了對(duì)上述算法進(jìn)行訓(xùn)練的模型以及在異常數(shù)據(jù)檢測(cè)階段花費(fèi)的時(shí)間，同時(shí)給出了各窗口下的QSSVM準(zhǔn)確性?？紤]到時(shí)間受到數(shù)據(jù)集合和異常維度比率的影響程度很小，所有記錄時(shí)間都是處于異常維度比率條件下算法所需的平均運(yùn)行時(shí)間。測(cè)試結(jié)果如表1所示。

當(dāng)窗口擴(kuò)大后，QSSVM發(fā)生了準(zhǔn)確度不斷提高的變化趨勢(shì)，產(chǎn)生這一情況的原因是當(dāng)窗口增大后，將包含更多的樣本數(shù)據(jù)，每次進(jìn)行球面半徑計(jì)算時(shí)可以獲得更多的正常樣

本，同時(shí)也能夠提高半徑的測(cè)試精度。

2.3檢測(cè)率（DR）

各算法處于不同比率維度下的異常數(shù)據(jù)測(cè)試精度如圖3所示。

通過(guò)四組測(cè)試結(jié)果可知，當(dāng)樣本包含更高的維度異常比例時(shí)，所有算法都出現(xiàn)了檢測(cè)率增大的變化現(xiàn)象。采用QSSVM算法處理Forest數(shù)據(jù)與GAS數(shù)據(jù)時(shí)相對(duì)于Kmeans的性能略差，而當(dāng)樣本維度升高后，QSSVM依然具備優(yōu)異檢測(cè)性能，而Kmeans發(fā)生了檢測(cè)性能的下降，對(duì)于560維的HAR數(shù)據(jù)只能達(dá)到43.81%的檢測(cè)率，采用QSSVM算法則能夠獲得高達(dá)94.16%的檢測(cè)率，當(dāng)樣本維度升高后，一些低維度異常數(shù)據(jù)不能被檢測(cè)到，說(shuō)明此時(shí)沒(méi)有檢測(cè)出所有異常數(shù)據(jù)。

3總結(jié)

（1）當(dāng)窗口擴(kuò)大后，QSSVM發(fā)生了準(zhǔn)確度不斷提高的變化趨勢(shì)，能夠提高半徑的測(cè)試精度。當(dāng)窗口增大后算法持續(xù)時(shí)間增加，QSSVM相對(duì)于OCSVM可以降低近一半的計(jì)算時(shí)間。隨著窗口擴(kuò)大至臨界值后，將會(huì)引起準(zhǔn)確度的減小，設(shè)置QSSVM算法滑動(dòng)窗口為100。

（2）當(dāng)樣本包含更高的維度異常比例時(shí)，所有算法都出現(xiàn)了檢測(cè)率增大的變化現(xiàn)象。當(dāng)樣本維度升高后，QSSVM依然具備優(yōu)異檢測(cè)性能，而Kmeans發(fā)生了檢測(cè)性能的下降。

參考文獻(xiàn)

[1]

許春杰，吳蒙，楊立君.一種基于分層聚合的分布式異常數(shù)據(jù)檢測(cè)方案[J/OL].計(jì)算機(jī)工程，[20190709].https：//doi.org/10.19678/j.issn.10003428.0054066.

[2]劉禹彤，李銳，包俊杰，劉亞希.中國(guó)區(qū)域電離層異常數(shù)據(jù)野值檢測(cè)[J/OL].北京航空航天大學(xué)學(xué)報(bào)，[20190709].https：//doi.org/10.13700/j.bh.10015965.2019.0152.

[3]武海龍，武海艷.云計(jì)算光纖網(wǎng)絡(luò)中大數(shù)據(jù)異常負(fù)載檢測(cè)模型[J].激光雜志，2019（6）：207211.

[4]劉志方.大數(shù)據(jù)網(wǎng)絡(luò)下船舶軌跡異常故障檢測(cè)技術(shù)優(yōu)化[J].艦船科學(xué)技術(shù)，2019，41（10）：3436.

[5]陳永聰.云組合服務(wù)網(wǎng)絡(luò)的異常植入數(shù)據(jù)檢測(cè)算法[J].信息技術(shù)，2019，43（6）：111114.

[6]趙寶慶，王赫男.基于熵權(quán)聚類網(wǎng)絡(luò)異常行為的檢測(cè)方法研究[J].信息技術(shù)，2019，43（6）：121124.

[7]農(nóng)婷.大數(shù)據(jù)環(huán)境下的網(wǎng)絡(luò)流量異常檢測(cè)研究[J].科技風(fēng)，2019（17）：84.

[8]ChristodoulouVyron，BiYaxin，WilkieGeorge.AtoolforSwarmsatellitedataanalysisandanomalydetection.[J].PloSone，2019，14（4）：12841291.

[9]MunirMohsin，SiddiquiShoaibAhmed，ChatthaMuhammadAli，etal.FuseAD：UnsupervisedAnomalyDetectioninStreamingSensorsDatabyFusingStatisticalandDeepLearningModels[J].Sensors（Basel，Switzerland），2019，19（11）：24512459.

[10]吳海波，施式亮，念其鋒.瓦斯?jié)舛攘鲾?shù)據(jù)實(shí)時(shí)異常檢測(cè)方法[J].計(jì)算機(jī)與數(shù)字工程，2019，47（5）：10861090.

[11]王振昊，王布宏.基于SVDD的ADSB異常數(shù)據(jù)檢測(cè)[J].河北大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，39（3）：323329.

[12]李昊奇，應(yīng)娜，郭春生，等.基于深度信念網(wǎng)絡(luò)和線性單分類SVM的高維異常檢測(cè)[J].電信科學(xué)，2018（1）：3442.

（收稿日期：2020.02.25）