无线传感网中事件监测的混沌表示与异常识别

The core application goal of the wireless sensor networks (WSN) is to detect whether an abnormal event happens in the monitoring environment or object. Due to the event diversity and complexity and the uncertainty of the sensor nodes monitoring data, the existing WSN event monitoring system is still stuck in the level of short-term and small-scale applications. The project, which regards optimizing energy efficiency, real-time and reliability of WSN event monitoring as a target, will provide a range of new methods for large-scale and long-term deployment of WSN event monitoring. The methods include: (1)Using an improved symbolic aggregate approximation method to build the energy-efficient space-time data compression and fusion mechanism;(2)Proposing a chaos representation model of WSN event monitoring to define and depict the space-time change of the complex event information, and then the sink gateway can build the global event view of monitoring region while sensor nodes can distributed build the local event view of monitoring region by using the statistics and fractal characteristics of the chaos representation mode;(3)In view of global and local events, seeking the lightweight and online anomaly identification algorithm which can detect abnormal events efficiently and accurately to meet the actual demand of early warning applications.

监控环境或对象中是否有异常事件发生是无线传感网（WSN）的核心应用目标之一。由于事件的多样性、复杂性和传感器节点监测数据的不确定性，使得现有的WSN事件监测系统还停留在短期的小规模应用水平上。本项目将以综合优化WSN事件监测的节能性、实时性和可靠性为目标，为大规模长期部署的WSN事件监测提供一系列新方法。主要包括：（1） 采用改进的符号聚合近似方法，构建高效节能的空时数据序列压缩与融合机制；（2）提出一种WSN事件监测的混沌表示模型，形式化定义和准确刻画复杂事件的空时变化信息，利用混沌表示模型的统计信息和分形特征，sink网关构建监测区域的全局事件视图，传感器节点分布式地构建监测区域的局部事件视图；(3)在全局和局部事件视图上，寻求轻量级、在线的异常识别算法，以期能高效准确地检出异常事件，从而满足实际的预警应用需求。

无线传感网（WSN）的核心应用目标之一是判断监控环境或对象中是否有异常事件发生，由于事件的多样性、复杂性和传感器节点监测数据的不确定性，使得现有的WSN事件监测系统还停留在短期的小规模应用水平上。本项目研究以综合优化WSN 事件监测的节能性、实时性和可靠性为目标，为大规模长期部署的WSN 事件监测提供一系列新方法。开展的主要研究内容包括：（1） 提出了基于WSN节点级ETEO数据压缩与异常事件检测算法，构建高效节能的空时数据序列压缩与融合机制；（2）针对异常阈值已知的事件监测，提出一种WSN监控异常事件的容错快速检测算法，提高了WSN检测异常事件的及时性和可靠性；(3)为了解决评价WSN协议和算法性能时缺乏大规模的测试数据源问题，提出一种基于半变差函数和概率统计的空间相关性模型。通过灵活地控制模型的参数，可以合成具有任意空间相关性强弱的大规模数据集；也可以从少量的真实监测数据中快速地抽取参数，生成与之空间相关性匹配的数据集；（4）针对WSN监测复杂事件异常变化难以进行精确的数学建模，提出一种基于FSAX-MARKOV模型的异常事件检测算法，设计了轻量级、在线的异常识别算法；（5）提出了基于人工免疫算法优化的K均值分类算法对压缩后的WSN数据直接进行异常值检测，研究结果显示PAA算法可以实现传送数据较大程度的减少，同时异常检测准确率可以达到95%左右。另外由于该方法直接对压缩数据进行处理，保障了数据处理的实时性，从而满足地质灾害的实时预警应用需求。