杜 楚，杜新新，刁 金

(1.中国电子科技集团公司第五十四研究所,河北 石家庄 050081；2.中国地质大学(北京)信息工程学院，北京 100083)

0 引言

近年来，物联网(Internet of Things，IoT)已经被广泛应用到不同的领域(如智能交通系统中的车流量监控)[1-2]，通过连续地收集边缘端的感知数据，对环境进行实时监控和异常检测[3]。然而，由于物联网节点能量受限，为了检测一个异常是否发生和异常的严重程度，云服务器通常不需要一个精确的感知数据，感知数据所属的区间足以满足应用的需求。只有当一个异常已经发生后，才需要将精确的感知数据发送给云服务器，确定异常的详细信息。如何实现节能数据聚集来支持工业物联网的异常检测受到了学术界和工业界的广泛关注。

现有的感知数据聚集技术通常不能兼顾数据传输的时延和能耗。例如，压缩感知算法通过利用感知数据的时空相关性来减少被传输的数据量[4]。压缩感知算法会受到底层路由方法的影响，并且路由方法通常包括基于树的路由方法[5]和基于簇的路由方法[6]等。本文通过采用基于簇的压缩感知算法来聚集密集部署的网络中的二进制类别数据[7]。数据预测技术通过利用预测值代替真实值，减少网络中感知数据的传输[8]。由于数据预测模型的精度会影响路由到云服务器感知数据的数量，因此选择一个合适的数据预测模型至关重要。这些策略在确定的条件下能够获得非常好的性能，例如，感知数据的变化趋势非常简单等等。……