• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看

      ?

      基于超球面支持向量機(jī)的傳感器網(wǎng)絡(luò)數(shù)據(jù)異常檢測(cè)分析

      2020-11-13 03:38:57馮喬
      微型電腦應(yīng)用 2020年10期
      關(guān)鍵詞:異常檢測(cè)

      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)

      猜你喜歡
      異常檢測(cè)
      一種基于隨機(jī)空間樹(shù)的數(shù)據(jù)流異常檢測(cè)算法
      基于ELK的電力信息監(jiān)控日志審計(jì)系統(tǒng)實(shí)現(xiàn)
      基于LMD模糊熵的遙測(cè)振動(dòng)信號(hào)異常檢測(cè)方法
      基于度分布的流量異常在線檢測(cè)方法研究
      無(wú)線Mesh網(wǎng)絡(luò)安全性研究
      無(wú)線Mesh網(wǎng)絡(luò)基礎(chǔ)知識(shí)
      淺談燃?xì)廨啓C(jī)排氣溫度異常檢測(cè)及診斷
      一種基于異常入侵檢測(cè)的報(bào)警融合技術(shù)
      基于計(jì)算機(jī)視覺(jué)的人群異常事故檢測(cè)系統(tǒng)
      卷宗(2016年4期)2016-05-30 11:01:28
      基于鼠標(biāo)行為的電子商務(wù)中用戶異常行為檢測(cè)
      思茅市| 读书| 库车县| 两当县| 河间市| 沙雅县| 搜索| 营山县| 专栏| 黑水县| 富阳市| 黄浦区| 正宁县| 临江市| 兰考县| 新疆| 喀喇沁旗| 招远市| 揭西县| 奉化市| 宁明县| 松潘县| 射阳县| 溧水县| 浦江县| 江华| 佛冈县| 孝义市| 庆云县| 武强县| 威海市| 上蔡县| 保靖县| 浦县| 延川县| 银川市| 区。| 昂仁县| 南部县| 略阳县| 大埔县|