基于数据挖掘的物联网设备通信异常检测方法

摘 要：常规的物联网设备通信异常检测方法易受数据采集间隔变化影响，导致检测识别效果不佳，因此基于数据挖掘设计了一种全新的物联网设备通信异常检测方法。首先提取了物联网设备通信异常行为特征；然后构建了物联网设备半监督通信异常检测模型；最后利用数据挖掘生成物联网设备通信异常检测流程，从而实现对物联网设备通信异常的检测。实验结果表明，设计方法在不同通信通道下均能有效进行设备通信异常检测，证明设计方法的检测效果较好，具有极高的可靠性和应用价值。

关键词：数据挖掘；物联网；设备通信；异常行为检测；半监督；卷积神经网络；孤立森林算法

中图分类号：TP309 文献标识码：A 文章编号：2095-1302（2025）01-00-03

0 引 言

物联网设备指的是以信息传感、红外感应为原理进行信息交换与通信识别的智能化设备，在各个领域应用广泛[1-4]。常见的物联网设备主要包括具备远程控制功能的家居电器、工业化智能维护网关、健康监控智能手表等[5-6]。物联网设备的通信方式较多，包括利用无线电波传输的局域网通信、利用蓝牙的短距离无线通信、利用ZigBee的低能耗远距离通信、NB-IoT窄带物联网通信、以太网连接互联网通信、串行通信等，需要根据不同的应用场景和需求进行选择[7]。在通信技术飞速发展的背景下，物联网设备的通信复杂度越来越高，受到的干扰也越来越多。近几年我国的物联网设备通信异常事故频发，造成了巨大的经济损失。为解决上述问题，本文基于数据挖掘设计了一种全新的物联网设备通信异常检测方法。

1 物联网设备通信异常数据挖掘检测方法设计

1.1 提取物联网设备通信异常行为特征

在通信过程中物联网设备往往通过Modbus/TCP结构生成通信单元，组成不同的通信字段，因此存在异常的通信信号的功能码与非异常通信信号的功能码之间存在一定差异[8-9]。在提取通信异常行为特征之前，可以构建通信异常行为分类模型，如图1所示。

由图1可知，通信数据采集是异常行为特征提取的关键，可以根据通信过程中的命令结构差异性调整控制数据采集操作[10]，优化通信数据分类进程，重新描述编码向量。此时，可根据功能码的指令反应状态计算功能码权重W（a），如式（1）所示：

（1）

式中：H（f ）代表近邻样本频率；H（n）代表随机样本频率。根据上式可以进行功能码关联分析，挖掘通信异常检测数据集的频繁项集，进行连续控制操作，从而构造有效的功能码序列，此时得到的物联网设备通信异常行为特征提取式如式（2）所示：

（2）

式中：sj代表异常检测支持度；x代表检测异常权重；t（xi）代表模糊挖掘参数；total代表模糊隶属函数。使用上述异常行为特征提取式可以对恶意攻击特征进行有效标记，从而大幅度提高通信异常检测的敏感性。

1.2 构建物联网设备半监督通信异常检测模型

半监督通信异常检测模型可以按照时间顺序划分通信异常检测层次，实现实时检测。因此，本文根据物联网设备通信异常检测增量关系构建了半监督通信异常检测模型。首先需要基于HS-TCN集成学习剔除不符合异常检测要求的不确定数据，通过叠加法获取损失函数，此时生成的初始通信异常检测集Xt如式（3）所示：

Xl=（xl1， xl2， ... ， xln） （3）

式中：xl1， xl2， ... ， xln均代表初始的未标记数据。此时可以按照上述提取特征的相关性对初始数据进行标记，将原本的数据集划分为时间跨度相对较小的全新数据集，标记后的数据集分层权重Xu如式（4）所示：

·cl （4）

式中：cl代表时序差值。此时可以对异常检测数据进行位置训练，生成通信数据时间轴，再按照叠加原理进行数据评估，获取累积数据集，由此可以得到异常检测评估函数p（a），如式（5）所示：

p（a）=P{x-a·pg} " （5）

式中：P代表异常节点的挟持权重；x代表异常节点的干扰系数；pg代表异常检测矩阵；a代表随机参数。利用上述异常检测评估函数可以对测试数据集进行多次分层检测，调整现有的数据规模，完成递推训练。此时生成的半监督通信异常检测模型E（n）如式（6）所示：

（6）

式中：T代表预设的时序值；μE 代表检测的异常节点数量；V（E）代表实际节点量。使用上述半监督通信异常检测模型可以快速完成增量训练，按照检测实际要求进行协作处理，能够提高通信异常检测的实时性。

1.3 基于数据挖掘生成物联网设备通信异常检测流程

数据挖掘技术可以从海量随机模糊数据中提取潜在的信息，实现高精度检测。因此，本文引入数据挖掘技术，设计了物联网设备通信异常检测流程，如图2所示。

检测流程如下：

（1）在检测初期，需要对存在异常的数据进行挖掘聚类处理，度量特征的相关性，降低计算的复杂度，此时可判断通信异常数据的属性差别。

（2）根据物联网设备通信异常特征属性进行差极值计算，以描述不同的异常差异等级，生成通信异常检测集合。

（3）生成设备通信异常检测训练集，获取最优检测参数，判断异常节点的位置。

（4）根据实际检测要求进行参数调整，采用ioctl函数获取检测基础机制。

（5）进行数据挖掘编译运算，确定检测遗传参数。

（6）根据检测结果对个体进行评估，确定检测适应度。

（7）进行交叉运算，获取最优检测个体。

（8）输出异常检测结果。通过上述数据挖掘异常检测流程可以快速进行异常检测寻优，从根本上提高了通信检测的精度。

2 实 验

为验证设计的基于数据挖掘的物联网设备通信异常检测方法的检测效果，本文选取了可靠的设备通信数据来源进行了实验，并将本文方法与文献[9]、文献[10]中2种常规的物联网设备通信异常检测方法进行了对比。

2.1 实验准备

根据物联网设备通信异常检测的实验要求，本文选定VCC中央ATP平台作为实验环境。本实验所采用的数据主要来源于某一特定区域，通过外接FSK（频移键控）实验设备来获取相关的实验参数，并对实验数据进行频率类型的划分。在实验前，需要根据信道数据的感应效果判断设备的通信状态，并对不同的通信异常信号进行反馈。在实验过程中，受物联网设备的通信运行状态阈值改变的影响，检测信号的频率可能会偏低，不满足实验要求。因此，在实验过程中，需要使用OC-SVM对不同的实验样本进行不平衡处理，再利用Python 3.7.6 SCIKIT leam 0.24.1进行数据处理分析，生成满足实验要求的滑动窗口模型，输出可靠的物联网设备通信异常检测实验结果。

2.2 实验结果与讨论

完成上述实验准备后，进行物联网设备通信异常检测实验，即对预设环境中的物联网设备通信通道进行编码处理，采集频率/峰值电压/有效电压数据。分别使用本文设计的基于数据挖掘的物联网设备通信异常检测方法、文献[9]的基于并行深度卷积神经网络的物联网设备通信异常检测方法，以及文献[10]的考虑孤立森林算法的物联网设备通信异常检测方法，进行设备通信异常检测，判断3种方法在不同时刻下是否能正常进行设备通信异常检测，实验结果见表1。

由表1可知，在不同时刻，本文设计的基于数据挖掘的物联网设备通信异常检测方法均能正常进行设备通信异常检测，而文献[9]的基于并行深度卷积神经网络的物联网设备通信异常检测方法以及文献[10]的考虑孤立森林算法的物联网设备通信异常检测方法在部分通信通道下无法完成通信异常检测。上述实验结果表明，本文设计的基于数据挖掘的物联网设备通信异常检测方法的检测效果较好，具有一定可靠性。

3 结 语

随着物联网技术的发展和普及，物联网设备已经被广泛应用于智能家居、工业自动化、智慧城市等各个领域。物联网设备通信是满足不同应用功能的关键，一旦出现物联网设备通信异常问题会导致数据传输中断、设备控制失效等运行事故。因此，需要研究一种可靠的物联网设备通信异常检测方法。常规的物联网设备通信异常检测方法主要使用Min-Max Scaling线性函数对异常数据进行归一化处理，若数据采集间隔变化会影响最终的检测效果。因此，本文基于数据挖掘设计了一种全新的物联网设备通信异常检测方法。实验结果表明，设计的物联网设备通信异常检测方法的检测效果较好，具有可靠性，有一定的应用价值，能够为降低物联网设备的通信风险作出一定的贡献。

参考文献

[1]周政雷，陈俊，潘俊涛，等.基于并行深度森林的配用电通信网络异常流量检测[J].华东师范大学学报（自然科学版），2023（5）：122-134.

[2]杨挺，侯昱丞，赵黎媛，等.基于时-频域混合特征的变电站通信网异常流量检测方法[J].电力系统自动化，2020，44（16）：79-86.

[3]肖博，刘超，李颖，等.远距无线通信系统中杂波信号的抑制方法研究[J].电子设计工程，2022，30（9）：71-74.

[4]周伯阳，郭志民，王延松，等.基于多尺度低秩模型的电力无线接入网异常流量检测方法[J].电子学报，2020，48（8）：1552-1557.

[5]李悦，马志勇，俞建杰，等.融合YOLOV5+DSST+KCF的目标检测跟踪算法在激光通信中的应用[J].计算机测量与控制，2023，31（10）：49-53.

[6]苏有斌，高 超. LTE监测设备通信数据压缩速率优化数字模型[J].电子设计工程，2022，30（5）：150-153.

[7]翟晓卉，孙凯，赵吉福，等.基于ResSE-SegNet的智能电表通信模块铭牌检测与识别[J].哈尔滨理工大学学报，2023，28（2）：136-144.

[8]蒲旭敏，杨小珑，陈前斌.低精度ADC下大规模机器类通信中的低复杂度信号检测算法[J].重庆邮电大学学报（自然科学版），2023，35（2）：263-272.

[9]邓雪阳，邓达平，苏万靖.基于并行深度卷积神经网络的舰船通信异常数据检测研究[J].舰船科学技术，2023，45（15）：119-122.

[10]刘杰.基于孤立森林算法的巡检机器人通信异常数据自动检测方法[J].信息与电脑（理论版），2023，35（3）：86-88.