WSN中基于压缩感知的异常事件检测方案

姜 参，马荣娟



WSN中基于压缩感知的异常事件检测方案

姜 参，马荣娟

(渤海大学管理学院，辽宁 锦州 121013)

异常事件检测问题是无线传感器网络中的研究热点之一。为提高检测效率，提出一种基于压缩感知的异常事件检测方案。通过压缩采样得到各个节点感知数据的测量值，将异常事件检测问题建模为带权的1范数最小化问题，采用正交匹配追踪算法进行迭代求解，根据检测函数对求解结果进行判断，并依据判断结果更新权值，开始下一轮迭代，直到检测出无线传感器网络中存在的所有异常事件。仿真实验结果表明，该方案的漏检率和误警率较低，与CCM和GEP-ADS方案相比，分别能节省约4.1%和5.8%的能耗。

无线传感器网络；异常事件检测；压缩感知；测量值；迭代；权值

1 概述

无线传感器网络(Wireless Sensor Network, WSN)是近年来国内外广泛关注的研究热点。无线传感器网络一般部署在条件恶劣或者人类很难进入的环境中。在一个无线传感器网络中，分布着数量庞大的节点，这些节点往往被用户用飞机或汽车运输，然后以随机的方式放入指定区域执行复杂的任务。由于所有节点均具有有限的存储空间和计算能力，同时通信范围也有限，为了高效地完成任务，它们必须快速、自治地相互配合，以协作的方式进行工作[1]。

异常事件检测是无线传感器网络的一种重要应用[2]。当异常事件(比如化学物质泄露、火灾等)发生后，往往希望传感器节点能够尽快检测出事件可能发生的区域，并及时地向sink报告。然而由于受到物理环境和传感器节点自身能量或容量的限制，现有的检测方案经常存在漏检和误检现象，检测的效率和效果不高。因此，本文对无线传感器网络中的异常事件检测方案进行研究，提出一种改进方案。

2 相关工作

此外，文献[7]提出一种分布式的节点定位异常检测方法，该方法利用聚类拓扑减少通信量，同时降低以往集中式检测存在的单点风险。该方法不需要任何已知的部署知识或额外的硬件，每个簇的簇头节点只需根据该簇节点报告的位置和邻居表信息进行过滤计算、更新权值，即可确定和撤销定位异常的节点；文献[8]针对无线传感器网络的自身特殊性和所面临的路由安全威胁，提出了一种基于核聚类的异常检测方案KCAD，以检测路由攻击所导致的流量异常。该方案通过利用Mercer核，将输入空间的流量特征样本隐式地映射到高维特征空间，突出了不同样本间的特征差异，从而更好地完成聚类，提高了检测准确率，同时还针对流量特征样本做了时间维扩展，使之更能反映近期网络流量状况，减少了由于历史数据集影响所带来的误报。仿真实验结果表明，KCAD方案能够在较少的资源开销条件下，迅速、有效地检测出传感器网络中的攻击异常。

然而以上的检测方案还存在以下不足：(1)都需要知道一些先验信息(如网络拓扑、节点的分布等)；(2)大多假设异常事件服从某一特定的分布。事实上，在大规模无线传感器网络中，先验信息是无法预先获取的，异常事件的出现也是随机的，因此，现有的检测方案的漏检和误警现象较为严重。鉴于此，本文基于压缩感知理论，提出一种改进的异常事件检测方案。

3 问题建模

3.1 压缩感知理论

本文主要采用压缩感知理论[9]来进行异常事件检测，为了便于后续的描述，首先给出基于压缩感知进行信号处理的基本流程：

可以采用线性规划技术来求解问题(3)，目前已有的求解方法主要有OMP[10]、StOMP[11]和CP[12]等。

3.2 系统模型

本文考虑采用如图1所示的系统模型，其中，椭圆区域表示无线传感器网络的监测区域，根据异常事件的分布，整个区域被划分为多个簇。区域内的白色小圆表示普通传感器节点；区域内的黑色小圆表示检测到异常事件发生的节点；区域外的黑色正六边形表示簇头节点；区域外的黑色正方形表示sink节点。

图1 系统模型

一般而言，异常事件的数目总是远小于参与检测的传感器节点数目，即异常事件是稀疏的，因此，可以采用压缩感知技术来进行异常事件检测。为了简单起见，本文采用二进制检测模型，即检测到异常事件的节点的信息数据值为1，其他的节点的信息数据值为0。基于二进制检测模型，节点的感知数据的变换基为单位矩阵，为了满足压缩感知理论的应用条件，只需要保证投影矩阵和单位矩阵不相关，这是显而易见的。

基于以上的系统模型，本文提出的异常事件检测方案主要分为2阶段：(1)在每个簇内，各个节点的感知数据经过投影后路由到簇头节点，簇头基于收到的测量值执行重构操作和检测处理；(2)各个簇头发送各自的检测结果到sink节点，最后得到一个全局的检测结果。下文将对方案的细节进行详细阐述。

4 异常事件检测算法

无线传感器网络中存在的噪声对于基于压缩感知的数据重构方案性能具有较大损害。因此，为了避免这一不利因素，本文提出的异常事件检测算法的主要特点是：它不需要任何先验信息，在存在噪声的网络环境中通过迭代操作进行异常事件检测，根据前一轮的检测结果来对后一轮的检测参数进行自适应调整，从而检测出网络中存在的异常事件。

4.1 全局网络环境下的异常事件检测

算法1全局网络下的异常事件检测算法(AE-DA)

4.2 异常事件的分布式检测

事实上，异常事件在传感器网络中的分布是不均匀的，某些“热点”节点更有可能发生事件，而全局网络下的事件检测算法随机地对整个网络数据进行非自适应线性映射从而得到观测数据。这将带来的问题是如果观测的数据包含很多来自正常节点的信息，那对所需的异常事件检测不会有很大帮助，从而造成了检测效率的下降，同时也导致了较大的传输消耗。因此，本文提出了一种分布式的异常事件检测方案。首先，根据异常事件的分布将整个网络区域划分为多个簇，然后分别进行簇内检测。

以上的处理过程倾向于关注那些可能以较高概率发生异常事件的簇，因此，可以提高异常事件检测的质量。相反地，以上的处理对那些不太可能发生异常事件的簇指派的测量矩阵较为稀疏，即对这些簇内的节点进行相对较少的测量操作，从而节省了节点的能量。综上所述，本文提出的基于压缩感知的异常事件分布式检测算法如下：

算法2异常事件分布式检测算法(AE-DDA)

5 实验与结果分析

5.1 实验场景

为测试本文方案的性能，以Matlab2012为工具进行仿真实验，主要考察本文的2种方案(AE-DA和AE-DDA)在不同噪声环境下的进行异常事件检测的有效性，并进行对比分析。

5.2 评价标准

从检测错误和能耗两方面对本文方案的性能进行评价。

(2)能耗：本文计算数据汇集的传输代价，因为它对无线传感器网络中的总能耗贡献最大。假设在每一跳中传输一个比特所消耗的能量是相同的，本文将之定义为1。此外，如果在路由路径的第一个节点上需要发送bit，那么在路径上的每一个新节点都需要传输bit，此外需要传送一些额外的比特。因此，总能耗为：

5.3 实验结果比较

图2 AE-DA方案的漏检率

图3 AE-DA方案的误警率

图4 AE-DDA和AE-DA方案的漏检率比较

图5 AE-DDA和AE-DA方案的误警率比较

当测量数目=250时，AE-DDA在不同簇中运行时的能耗对比见图6。可以看出，在最开始时，AE-DDA在4个簇中的能耗相同，随着迭代次数的增加，簇1和簇2消耗的能量相当于簇3和簇4的3倍和5倍，这表明簇1和簇2中存在更多的“热点”，即异常事件更有可能在簇1和簇2中发生，可以考虑为簇1和簇2分配更多的能源，从而保证网络的可靠性。

图6 AE-DDA方案的能量开销

为了说明AE-DDA的优越性，图7给出了AE-DDA与AE-DA的能量消耗对比结果。可以看到，初始时，AE-DDA的能量开销比AE-DA节省了约6.5%，随着算法迭代次数的增加，AE-DDA的能量开销比AE-DA节省了约5%。仔细分析其原因可知，这主要是因为AE-DA算法随机地对整个网络数据进行非自适应线性映射从而得到观测数据，这会导致获得的观测数据包含很多来自正常节点的信息，这些节点的信息对于提高检测率没有多大帮助，反而增加了传输开销，消耗了更多的能量，而AE-DDA获得的观测数据则大多来自于“热点”节点，因此，在保证检测率的前提下，减少了不必要的通信开销，从而节省了能量。

图7 AE-DDA与AE-DDA方案的能量开销对比

图8给出了AE-DDA与目前较为典型的异常事件检测方案GEP-ADS[14]、CCM[15]的漏检率对比结果。可以看出，随着SNR的增加，3种方案的漏检率都在下降，其中AE-DDA的性能更优。在相同的SNR下，从10 dB到30 dB，相比于GEP-ADS和CCM，AE-DDA的漏检率分别下降了约29%~55%和40%~66.7%。仔细分析其原因可知，这主要是因为AE-DDA基于压缩感知技术采用随机高斯矩阵对每个节点进行自适应观测，确保了每个节点测量值的重要性是一样的，因此，AE-DDA具有较好的抗噪能力，另外基于OMP的迭代求解结果对权值进行自适应调整，确保其不存在事件覆盖空洞，取得了较好的结果。

图8 不同方案的漏检率比较

图9 不同方案的能量开销比较

6 结束语

异常事件检测是无线传感器网络中的一个基本研究问题，本文采用压缩感知理论，将异常事件检测问题建模为稀疏信号重构问题，然后通过迭代地调整信号重构中的权重参数来自适应地提高检测质量。仿真实验结果表明，本文方案在漏检率、误警率以及能耗方面均优于传统方案。下一步研究工作的重点在于：(1)基于压缩感知理论，研究数据收集中的安全性与可靠性问题，主要考虑如何在保证数据收集效率的同时兼顾数据不被篡改、泄密等问题。(2)基于压缩感知理论，进一步研究无需先验信息的事件覆盖问题，确保事件检测的可靠性和及时性。

[1] 梁俊斌, 邓雨柔, 郭丽娟, 等. 无线传感器网络中事件驱动数据收集研究进展[J]. 计算机应用研究, 2012, 29(10): 3601-3605.

[2] 曹冬磊, 曹建农, 金蓓弘. 一种无线传感器网络中事件区域检测的容错算法[J]. 计算机学报, 2007, 30(10): 1770-1776.

[3] 姜旭宝, 李光耀, 连 朔. 基于变宽直方图的无线传感器网络异常数据检测算法[J]. 计算机应用, 2011, 31(3): 694-697.

[4] 肖政宏, 陈志刚, 李庆华. WSN中基于分布式机器学习的异常检测仿真研究[J]. 系统仿真学报, 2011, 23(1): 121-127.

[5] 朱翠涛, 瞿 毅. 基于压缩感知的稀疏事件检测[J]. 中南民族大学学报: 自然科学版, 2011, 30(1): 81-83.

[6] Bejerano Y. Coverage Verification Without Location Infor- mation[J]. IEEE Transactions on Mobile Computing, 2012, 11(4): 631-643.

[7] 张玉琴, 秦 拯. 无线传感器网络中基于分簇的节点定位异常检测[J]. 计算机应用研究, 2010, 27(3): 1139-1141.

[8] 杨黎斌, 慕德俊, 蔡晓妍. 基于核聚类的无线传感器网络异常检测方案[J]. 传感技术学报, 2008, 21(8): 1442-1447.

[9] Donoho D L. Compressed Sensing[J]. IEEE Transactions on Information Theory, 2006, 52(4): 1289-1306.

[10] Tropp J A, Gilbert A C. Signal Recovery from Partial Information by Orthogonal Matching Pursuit[J]. IEEE Transactions on Information Theory, 2007, 53(11): 4655-4666.

[11] Donoho D L, Drori I, Tsaig Y, et al. Sparse Solution of Underdetermined Linear Equations by Stage Wise Orthogonal Matching Pursuit[J]. IEEE Transactions on Information Theory, 2012, 58(2): 1091-1121.

[12]Gilbert A C, Strauss M J, Tropp J A, et al.Algorithmic Linear Dimension Reduction in the Norm for Sparse Vectors[C]//Proc. of the 44th Annual Allerton Conference on Communication, Control, and Computing. Boston, USA: [s. n.], 2006: 1145- 1149.

[13] Candes E, Wakin M, Boyd S. Enhancing Sparsity by Reweighted1Minimization[J]. Journal of Fourier Analysis and Applications, 2008, 14(3): 877-905.

[14] Gao Honglei, Chen Guolong, Guo Wenzhong. A GEP-Based Anomaly Detection Scheme in Wireless Sensor Networks[C]// Proc. of CSE’09. Vancouver, Canada: IEEE Press, 2009: 817-822.

[15] de Sousa L D, Frery A C, Nakamura E F, et al. Event Detection Framework for Wireless Sensor Networks Considering Data Anomaly[C]//Proc. of ISCC’12. Cappadocia, Turkey: IEEE Press, 2012: 500-507.

编辑 金胡考

Anomaly Event Detection Scheme Based on Compressive Sensing in Wireless Sensor Network

JIANG Shen, MA Rong-juan

(School of Management, Bohai University, Jinzhou 121013, China)

The anomaly event detection problem in Wireless Sensor Network(WSN) is currently a hot topic. In order to improve the detection efficiency, this paper proposes an anomaly event detection scheme based on compressive sensing. The measurements of the sensed data are obtained based on the compressive sampling, and the anomaly event detection problem is modeled as the reweighted1minimization problem, which is iteratively solved by the Orthogonal Matching Pursuit(OMP) algorithm. Furthermore, the solution is judged by the detection function. The weight is refreshed in the next iteration according to the judgments, until all abnormal events are detected in Wireless Sensor Network(WSN). Experimental results show that the proposed scheme can obtain the lower probability of missed detection and false alarm in different noise environments. Compared with the CCM and GEP-ADS scheme, the energy consumption of this scheme id saved by approximately 4.1% and 5.8%.

Wireless Sensor Network(WSN); anomaly event detection; compressive sensing; measurement; iteration; weight

1000-3428(2014)03-0137-06

A

TP393

国家自然科学基金资助项目(71201012)；2013年辽宁省教育厅科学研究基金资助一般项目(W2013156)。

姜 参(1981－)，男，讲师、硕士，主研方向：无线传感器网络；马荣娟，副教授、硕士。

2013-05-02

2013-07-17 E-mail：27853411@qq.com

10.3969/j.issn.1000-3428.2014.03.028