于 翔,陈 盈,陈 爽

（1.台州学院 电子与信息工程学院，浙江 台州 318000；2.台州学院 航空工程学院，浙江 台州 318000）

0 引言

异常检测作为信息安全领域中广泛应用的技术，通常被用来检测违反统计规则的异常行为或异常数据。随着物联网时代的到来，人们可以方便地获得大量的数以百万计的传感器数据，由于无线传感器网络具有机动灵活等优点，所以其被广泛用于物联网应用中［1］。目前，有超过200颗在轨卫星正在捕获来自地球观测的遥感数据，这些数据被用于预测异常，如气候异常或地质异常的情况。此外，目前几乎所有的汽车生产线都通过传感器数据检测来发现异常情况。

大多数传统的异常检测方法都依赖于已知模式的类别，无论是正常模式还是异常模式。只有当检测到的行为与已知的异常模式相匹配时，才能被识别为异常。当出现新的异常行为时，其可能被错误地检测为正常［2］。有鉴于此，在一些异常检测策略中引入了机器学习的方法，可以从新出现的行为中学习，以更新现有的异常模式。然而，来自传感器的数据的变化情况以及数据变化的相关性仍常常被忽略［3］。假设部署在某林区的一个温度传感器在某一时刻向中心管理节点发回一个异常温度值，但随后它会发回一系列正常的温度值。这种异常可能是由于阳光透过露珠聚焦于温度传感器上而产生。当阳光的照射角度改变时，温度值自然恢复正常。显然，这种情况不应该触发警报。……