基于小波分析的无线传感网实时异常检测算法

异常检测技术能够检测到未知攻击,对于保障无线传感器网络安全具有重要意义.当前的异常检测技术实时性差,误报率高且计算量大,因此,无法直接应用在无线传感器网络中.鉴于此,提出基于小波分析的实时无线传感网异常检测(Wavelet Analysis-Based Real-time Anomaly Detection,WARAD)算法.在整个检测过程中,WARAD算法采用了逆向获取实时网络流量,然后通过对小尺度区间使用小波系数方差法计算Hurst值,从而提高异常检测的实时性、准确率,并降低求解Hurst值的运算复杂度.最后,在MeshIDE平台上实现了基于WARAD算法的异常检测系统,实验结果表明此算法极大地提高了无线传感网环境下异常检测的实时性,并降低了异常检测的误报率和漏报率.     

基于趋势相关性的传感器网络故障检测算法

提出一种基于趋势相关性的分布式故障检测算法(FDTS).该算法通过比较无线传感器网络中待测节点与邻居节点的趋势差异和邻域中值差异得到检测结果.在此基础上,为避免因频繁检测所引发的过度能量消耗,基于三次指数平滑法设计了故障检测触发机制.仿真结果表明:算法中趋势相关性阈值与故障检出率和误检率呈正相关,中心一致性阈值与故障检出率和误检率呈负相关;所提算法面对四种常见故障类型均具有较好的检测精度.当网络中故障节点比例达到25%时,对于四种故障类型,至少可以检出75%的故障节点,而误警率低于20%.     

基于极值距离双轨调整策略的入侵检测算法

目的 针对入侵检测算法存在检测率低、误报率高等问题,提出基于密度极值距离双轨调整策略的改进K-means算法(K-DTEV算法).方法 该算法使用新的噪声数据处理方法和2个新的改进策略(最优阈值判定策略、初始点中心选择策略),能够消除阈值参数对点密度大小的影响,准确判断高密度点和噪声数据,进而优化初始中心点的选取.结果 与结论本文使用改进算法与K-means算法和PDSK-means进行比较,结果表明K-DTEV算法在检测率、误检率等评价指标上均优于对比算法.     

基于稀疏向量距离的网络入侵数据检测

传统的网络入侵检测速度慢、实时性差,且误报率较高。为此,提出一种基于稀疏向量距离的网络入侵数据检测方法。该方法首先对所获得的网络样本数据进行初步分析,采用K-means算法对样本数据包进行量化处理得到该数据流的位置分布集,使用压缩感知的稀疏编码技术处理,得到数据的稀疏表示,然后通过随机投影获取数据集的二值哈希编码可以近似地表示稀疏向量的距离,与设定的阈值进行比较,判断该数据是否为入侵数据。根据这些稀疏向量的距离能够快速而准确地检测到入侵的网络数据。实验结果表明,相对于传统检测算法,本文算法具有速度快、实时性好、误报率低等优点,使入侵检测系统的性能得到了很大提高,充分确保了网络的安全性。     

采用SOM-BMU距离度量的异常检测方法

提出了一种基于SOM-BMU距离度量的网络异常检测方法,该方法通过t分布,构建了被测样本到BMU距离的置信区间,当被检测样本与BMU之间的距离不在该置信区间内时,认定网络异常发生.此外,为了提高该方法的自适应性,引入了滑动窗口的操作.实验阶段,对比了基于OC-SVM的网络异常检测方法.实验表明,该方法具有较高检测率、低误报率和自适应性的特点.     

传感器数据中事件样本与错误样本的系统化区分框架

针对传感器网络中对事件/异常检测的研究在一定程度上忽略了区分数据样本的重要性问题,依据传感器数据的不确定性分析了事件样本和错误样本的相似点和不同点,设计了系统化区分框架,通过节点级时域处理、邻居级空间处理、聚簇级权重排序和网络级决策融合的方法逐层过滤,将原始样本集划分为正常样本集、错误样本集和事件样本集.真实数据集的实验结果显示,所提框架在不同网络质量下对样本的辨识率均在97%以上,可将误报率降低到传统事件/异常检测方法的1/10,且漏报率不超过传统方法.     

基于无监督聚类算法的入侵检测

针对应用聚类方法检测入侵中参数人为指定的问题,提出了一种新的基于无监督的聚类算法.该方法不需要人为设置参数并且不受数据输入顺序的影响,聚类的形状是任意的,能够较真实地反映数据分布的具体性状.算法通过比较无类标训练集样本间的距离,根据距离最近的样本首先聚合成类的特性,在每一步聚类结束时,再次比较类间距离以及计算类内数据占总数据的比率来确定异常数据类.实验证明该算法处理未知入侵检测问题的检测率为89.5%,误报率为0.4%.     

4R-TPUT:结构化对等网络中的高效top-k查询算法

top-k查询要求查找出最符合需求的前k个结果,是对等网络中的重要数据处理技术。该文研究了结构化对等网络中数据在各节点上垂直划分的精确top-k查询处理,在3通信回合的三阶段阈值(TPUT)算法基础上提出了4回合阈值算法4R-TPUT。它由下界估计、剪枝和结果查找3个阶段组成,通过在TPUT的下界估计阶段增加一个通信回合来获取更多的数据信息以得到更准确的top-k下界估计和剪枝阈值,从而减少查询处理过程中的数据访问和传输量。实验表明:4R-TPUT相比于TPUT较大幅度降低了数据传输量,减小了查询响应时间,是一种更高效的top-k查询算法。     

异构网络中基于DEEC的非均匀分簇路由算法

针对异构无线传感器网络中分布式节能分簇路由(DEEC)存在的能量空洞现象,提出一种改进算法EIDEEC。该算法一方面在簇头选举阶段,通过调整簇头选举概率,实现非均匀分簇;另一方面在簇形成阶段,通过将节点与sink的距离与距离阈值进行比较,判断节点是单跳或者经过簇头转发的形式进行数据传输。通过两方面的改进,克服能量空洞现象。经仿真验证,EIDEEC算法的网络生存周期、基站数据接收量和节点平均剩余能量较DEEC算法均有所提高。     

基于压缩感知的稀疏事件检测

为了提高无线传感器网络中稀疏事件的检测概率,利用压缩感知技术,提出了一种改进的下降迭代检测算法.该算法通过动态调节参数,改变迭代权值,加快了算法收敛速度.实验结果表明:在相同条件下,改进算法的成功检测概率比贝叶斯算法平均提高了13%.     

一种改进yolox_s的火焰烟雾检测算法

针对目前在火灾预警方面还存在火焰烟雾检测效果差、误报率高等问题,在YOLOX框架下提出改进YOLOX＿S目标检测算法。首先在数据集建立方面,采用的数据集包括Bilkent University公开的数据集和部分自建数据集,共计9 621张图片。并且通过对数据集采用Mosaic数据增强的方式,增加数据的多样性。其次对backbone部分采用swin-T骨干网络来代替原来的CSPDarkNet骨干网络,能够更好的捕捉不同尺度下的特征,有效地提升了目标检测的精度。然后对网络模型引入加权双向特征金字塔网络(bidirectional feature pyramid network, BiFPN)特征融合网络,提高检测的效率和网络模型的适应性,在复杂背景下同样可以保持较高的检测精度。最后引入CA注意力机制来加强此算法的特征提取能力。经过对比实验表明,改进后的YOLOX＿S的火焰烟雾检测算法具有较高准确性,其mAP@0.5(预测框与真实框重合程度的阈值为0.5时的平均检测精度)达到81.5%,相比原网络提高了5.3%。改进后的YOLOX＿S网络模型在火焰烟雾检测方面具有更高准确性和更低的误报率。     

用于无线传感器网络的比例公平队列调度算法

提出了一种适用于无线传感器网络的比例公平队列调度算法,该算法以不同业务类别的平均分组到达率为依据,通过为不同业务类别分配服务配额,在加权轮询调度(WRR)算法的基础上可实现比例公平的平均公组传输时和平均分组丢弃率.由于所提算法仅以不同业务类别的平均分组到达率为依据,无需执行加时间戳、根据时间戳排队等复杂操作,所以更适用于资源受限的无线传感器网络率搭建的实际环境测试发现,当以平均分均传输时延为评价参数时,所提算法可实现比例公平分组传输时延,当所有队列都发生丢弃且以平均分组丢弃率为评价参数时,可实现比例公平的平均分组丢弃率.     

超宽带无线传感器网络的能耗建模及其优化

在综合分析和考虑传感器节点收发机各个电路模块工作状态的基础上,首先对超宽带无线传感器网络进行精确的节点能耗建模,然后针对3种不同的调制方式和2种不同的传输模式,以最小化成功传输1 bit信息的平均传输能耗为目标提出最优数据帧帧长确定算法,最后通过仿真验证该算法的正确性.仿真结果表明,在保证网络业务服务质量的前提下(接收机处接收信号信噪比门限为12 dB),当传感器节点间距离较近(20m以内)时,可以适当地增大数据帧帧长以获取较大的吞吐量和较小的时延;当节点间距离较大(大于70 m)时,则需减小数据帧帧长以降低能量开销,并可以根据网络环境的状况和网络业务的要求,选择适当的调制方式和传输模式可以折中地同时实现能耗和时延最小化.     

基于证据理论加权融合的无线传感器网络路由算法

针对当前无线传感器网络路由算法存在数据传输成功率低、 网络时延长和丢包率高等缺陷, 为获得更优的数据传输结果, 提出一种基于证据理论加权融合 的无线传感器网络路由算法. 首先引入聚类分析算法对无线传感器网络进行分簇, 使簇首的分布更均匀, 解决簇首过于集中、 簇成员节点分配不合理的问题; 然后采用证据理论计算剩余能量、 节点间通信距离、通信能耗的权值, 并根据权值对每个节点的性能进行综合评价, 根据综合评价结果选择每个簇最合理的簇首; 最后与其他无线传感器网络路由算法进行对比测试. 测试结果表明, 相对于对比算法, 该算法数据时延均值和丢包率均大幅度减少, 改善了数据传输成功率, 使节点之间的能耗更均衡, 延长了无线传感器网络的生存周期, 建立的无线传感器网络路由可靠性更高.     

基于遗传算法的无线传感器网络最小覆盖集算法

降低能耗以延长网络生存时间是无线传感器网络设计中的一个研究热点.提出一种利用遗传算法实现的"密度控制"策略.该策略利用无线传感器工作节点的最小节点子集(最小覆盖集),达到覆盖整个传感器网络区域的目的.所提出的算法能够较好地调和无线传感器网络寿命和网络覆盖率之间的矛盾,仿真实验证明了算法的有效性.     

周界监测中的阈值优化和多模态节点协同检测算法

为提高无线传感器网络周界监测中多节点的目标协同检测能力,提出了一种新的阈值优化方法及多模态节点协同检测算法。首先,在一定的环境噪声下,采用蒙特卡罗方法建立节点虚警率与节点阈值之间、系统虚警率与系统阈值和节点虚警率之间的映射关系,通过查表直接获取阈值,实现了节点和系统阈值优化;然后,利用节点的空间分布特性和目标信号信噪比,对节点检测结果进行加权修正,实现了多模态节点的检测结果融合;最后,通过仿真实验对阈值优化方法和多模态节点协同检测算法进行了验证。仿真结果显示,相对于单模态节点协同检测算法和简单阈值判决算法,多模态节点协同检测算法的目标检测率分别提高了约25%和3%。     

基于压缩感知算法的传感器网络异常事件检测

为改善传感器网络异常事件检测效果,提出一种基于压缩感知算法的传感器网络异常事件检测模型.首先采集传感器网络状态信息,并采用压缩感知算法对信息进行采样和重构,在减少传感器网络异常事件检测信息的同时,删除一些无效信息;然后从重构后的传感器网络异常事件检测信息中提取特征,组成传感器网络异常事件检测的特征向量;最后采用极限学习机建立传感器网络异常事件检测模型,并进行传感器网络异常事件检测仿真实验,分析模型的性能.实验结果表明,压缩感知算法可加快传感器网络异常事件检测速度,且传感器网络异常事件检测率高于95%,明显高于其他传感器网络异常事件检测模型.     

基于证据理论加权融合的无线传感器网络路由算法

针对当前无线传感器网络路由算法存在数据传输成功率低、 网络时延长和丢包率高等缺陷, 为获得更优的数据传输结果, 提出一种基于证据理论加权融合 的无线传感器网络路由算法. 首先引入聚类分析算法对无线传感器网络进行分簇, 使簇首的分布更均匀, 解决簇首过于集中、 簇成员节点分配不合理的问题; 然后采用证据理论计算剩余能量、 节点间通信距离、通信能耗的权值, 并根据权值对每个节点的性能进行综合评价, 根据综合评价结果选择每个簇最合理的簇首; 最后与其他无线传感器网络路由算法进行对比测试. 测试结果表明, 相对于对比算法, 该算法数据时延均值和丢包率均大幅度减少, 改善了数据传输成功率, 使节点之间的能耗更均衡, 延长了无线传感器网络的生存周期, 建立的无线传感器网络路由可靠性更高.     

双信道无线传感器网络移动代理路由算法

针对移动代理在信道竞争过程中的相互碰撞及相互抑制问题,提出了一种移动代理联合优化路由算法(MACORA).首先利用双层图模型将双信道无线传感器网络中的信道变换问题转化成双层图中的路由问题,进而可将寻路业务和数据传输业务分别放在双层图的控制层和数据层中同步传输,然后将双层图的控制层和数据层融合成一个双层网络,并在这个双层网络中为每个业务实时选路,最后充分利用不同网络层间的空闲信道资源来减少移动代理在信道竞争过程中的相互碰撞及相互抑制概率,达到降低网络堵塞率及数据包传递失误率2个目标.仿真结果表明,与动态传感器网络移动代理路由算法及无线传感器网络移动代理路由算法相比,MACORA算法能将数据包的传递成功率提高15%,并能有效降低网络的平均通信延迟.     

改进的KNN分类异常点检测方法

针对入侵检测中异常点误报率较高的问题,提出了改进KNN与异常点检测算法相结合来处理数据的方法,以降低入侵检测误报率.该方法首先采用卡方特征选择方法进行数据特征选择,其次采用孤立森林、距离、局部异常因子(IDL)结合查找出异常点,然后使用SMOTE平衡数据,使得所有的样本达到一个类平衡状态,再采用KNN分类.最后采用公开...