刘 翌 潘小辉 胡浔惠

（1.国网江苏电力有限公司 南京 210000）（2.国电南瑞南京控制系统有限公司 南京 210000）

1 引言

信息技术越来越融入生活的方方面面，基于网络协议和嵌入式系统可以随时随地测量和处理数据［1］。一旦测量完成，就可以在传感器上处理本地信息［2］或者将测量数据传输到中央服务器［3］。第一种方法需要在本地传感器节点上具有一定的处理能力［4］，而第二种方法需要较大的网络带宽［5］。由于传感器节点上的通信吞吐量有限，因此需要在传输到中心服务器之前对测量数据进行预过滤以便更彻底地检查数据，即代码路径分支混淆技术［6］。其中，预过滤操作可以视为二进制分类问题，因此机器学习适用于代码路径分支混淆技术［7］。在随机森林［8］中组合多个决策树可以实现较高预测精度。因此，本文主要针对随机森林进行代码路径分支混淆技术。

本文在介绍决策树和随机森林基本理论的基础上，使用基于改进的冯·诺依曼体系结构的CPU理论模型来构建计算体系结构，并在FPGA 上实现随机森林的应用。结合不同实现所使用的时钟周期和资源构建所提出的理论模型来进行测量。最后使用Zedboard 的三种不同实现评估所提出的理论模型。

2 决策树和随机森林

本文考虑的传感器数据的过滤是二进制分类问题。在二进制分类问题中，其目的是想找到预测模 型→{0,1} ，其 预 测 给 定 观 测 值的 类。假设观测是由传感器的将模拟测量转换为非标准化无符号整数。……