冯乔

摘要：构建了一种通过DBN实现的1/4超球面支持向量机（QuarterSpheresupportvectormachines，QSSVM）测试模型，设计了一种可以实现在线测试功能的异常检测算法。当窗口扩大后，QSSVM发生了准确度不断提高的变化趋势，能够提高半径的测试精度。当窗口增大后算法持续时间增加，QSSVM相对于OCSVM（OneClasssupportvectormachines，OCSVM）可以降低近一半的计算时间。随着窗口扩大至临界值后，将会引起准确度的减小，设置QSSVM算法滑动窗口为100。当样本包含更高的维度异常比例时，所有算法都出现了检测率增大的变化现象。当样本维度升高后，QSSVM依然具备优异检测性能，而Kmeans发生了检测性能的下降。通过测试发现，采用新算法能够满足大规模高维传感器的数据处理需求，从而减小时间复杂度并能够更加准确测定异常数据。

关键词：传感器网络;异常检测;深度信念网络;超球面支持向量机

中图分类号：TP393

文献标志码：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

隨着时代的发展，物联网已成为当前人们开展生活与工作的重要工具，这也因此促进了无线传感器网络的大量应用[13]。但考虑到这些传感器通常都被安装于多种复杂的环境中，并且不同类型的传感器的数据结构、传输模式也存在较大差异，一旦出现运行故障时便会引起数据异常的情况，这些异常数据将会对实际处理过程造成较大干扰，无法从中提取出准确的参考信息，从而对最后的决策过程造成不利影响[46]。为克服上述问题，需要对无线传感器网络内的各类异常数据实施快速高效监测。通过快速测定异常数据可以使传感器能够更加稳定并准确地采集数据。……