佟 冬，张珠玲

(1.吉林建筑科技学院计算机科学与工程学院，吉林 长春 130000；2.吉林大学通信工程学院，吉林 长春 130000)

1 引言

通信技术推动物联网逐步成为一种新的信息技术，并日益演变为社会生活与工作的主要组成部分。物联网技术的兴起与普及，代表以数据为中心的时代已来临。物联网数据规模庞大，其中不乏异常数据与冗余数据的存在，此类数据不仅会降低数据质量，而且将阻碍物联网技术的进一步发展[1]。随着物联网技术[2]的飞速发展与广泛应用，各领域人员对该项技术的要求也越来越高。物联网通信设备数量较多、规模较大，数据量也呈数倍增长趋势，存在严重网络安全隐患问题。通过去除物联网中含有的异常数据，能够大概率降低物联网通信网络安全问题。为此，众多学者与相关研究人员对物联网通信安全问题进行了很多研究，并取得了一定成果。

金鹏等人[3]提出一种基于深度信念网络的通信传感器网络异常数据检测方法。该方法首先对通信数据的高维度数据进行降维处理，将QSSVM与滑动窗口相融合，完成异常数据的检测。该方法操作速度较快，但在通信异常数据检测中未过多考虑数据量的问题，存在检测精度较低的问题。李永飞等人[4]为实现物联网异常数据监测，为了弥补通信节点地理位置缺陷问题，引入聚类分析策略，根据轮廓系数，提出一种以过往监测数据为依据的物联网监测点逻辑相邻关系判别方法。该方法采用聚类方法将通信节点进行聚类，确定聚类中的簇，根据轮廓系数确定通信节点数据之间的关系，借助逻辑相邻关系确定节点是否存在异常。该方法可有效确定物联网节点异常程度，但操作过程较复杂，存在效率低的问题。

基于上述方法中存在的不足，本文引入孪生神经网络，构建一种物联网通信异常数据捕获方法。通过将追踪问题变换为目标与探索范围中特征空间相似度计算问题，提升异常数据捕获精度与效率；通过标签约束策略，将二维数据转变成三维恒定空间，降低通信运算复杂度。与传统方法相比所提方法有效提升了物联网通信数据异常捕获精度及效率，具有一定可行性。

2 孪生神经网络异常数据捕获模型构建

2.1 孪生神经网络

孪生神经网络通常由孪生卷积神经网络的特征提取单元与区域推荐网络单元构成[5]，如图1所示。

图1 孪生神经网络结构图

图1 中，特征提取单元包括模板分支与检测分支，主要功能为网络训练、缩短检测时间；区域推荐网络单元为分类网络与回归网络，负责线性微调候选目标区域，输出结果。

2.2 异常数据捕获模型构建

为便于捕获异常数据，本文改进孪生神经网络，去除网络Alex Net[6]框架中两个卷积层与全连接层，通过卷积核卷积、Relu函数激活以及池化[7]等相关处理，拓展物联网通信信道数量，根据多层卷积取得数据信息特征，将训练参数存储于模板分支中，再与检测分支共同作用，卷积处理输出数据特征，融合模板参数与待捕获数据特征，数据检测、识别与捕获均在区域推荐网络中实现。

在各卷积层后边添加SE-Network形成SE-CNN构架，加强物联网可用信道路径。假定输入通信数据特征为X∈RW′*H′*C′，经卷积核vc处理后得到特征图U∈RW*H*C，则信道C中的特征图感受野uc为

(1)

在全局平均池化层降维处理数据特征，通过转变各二维特征信道为一个实数，即

(2)

经信道筛选，由sigmoid函数[8]σ(·)明确各信道权值，即

wi=Fex(Z，W)=σ(W2δ(W1Z))

(3)

其中，运行结果为Z，卷积层参数分别为W1、W2，δ(·)代表Relu函数。

按照加权形式在数据特征上重新标记输出权值，加强可用信道与特征图的表征性能，完成异常数据捕获模型的构建，即

c=Fscale(uc，wi)=uc*wi

(4)

通过分析孪生神经网络的基本功能，借助全局平均池化层降维处理数据特征，并标记输出数据的权值，完成异常数据捕获模型的构建。

3 物联网通信异常数据处理与捕获

3.1 物联网通信数据特征降维

为实现物联网通信异常数据的识别特征，降低识别难度，需先对其展开降维处理。在物联网物理设备共通点基础上，令网内硬件拓扑架构的三维节点均位于正常空间区域中，各硬件间物理相关性为概率分布[9]形式，故障几率约等于异常几率。

若物联信道流量特征为M，则采用下列数据通信时长，描述物联网通信的信道状态，即

(5)

通信设备信道宽度影响物联网流量特征分布，各设备受不同信道干扰程度不相同。基于此，设定损耗为评估指标。假设自消耗参数m的常取值为1，特征矩阵为BH，故评估指标表达式为

(6)

物联网硬件拓扑框架设备故障呈概率分布状态，将设备看作不同节点，假设V表示可衡量各硬件空间体积，设备最低硬件扫描半径为R，此时物联网节点故障概率分布表达式为

(7)

式(7)说明R半径圆形范围中存在一个以上硬件设备。

引入最优归类理论的分类型矩阵[10]，采用下列计算公式求解全部节点的融合中心间距为

(8)

利用粒子群算法[11]的标签约束策略，将二维数据转化到三维恒定空间，降低通信运算复杂度。经融合矩阵滤除冗余数据后，得到

P=D-1A

(9)

假定基础簇为粒子群算法，粒子分类系数为{c1，c2}，0到1之间的正态分布为{r1，r2}，则明确粒子群粒子参数为

(10)

3.2 物联网通信异常数据类别划分

若物联网通信中产生的异常数据集及其特征集分别为zj、bj，两者间关系为

(11)

其中，异常数据特征bj的取值大于0。

采用下列函数方程实施数据再次过滤与解析，即

(12)

转变数据种类划分问题为三维空间部署问题，解得最佳种类划分结果为

(13)

三维空间部署问题约束条件方程组表示为

(14)

其中，k=1，2，…，m。

利用超平面[12]划分异常数据种类，并完成最佳超平面问题到极值问题的转变，采用下列表达式界定最优种类划分结果中的最佳数据集，即

(15)

根据约束条件方程组(14)，得到异常数据种类划分的目标函数为

g(y)=sgn{(x**y)+c*}

(16)

在此基础上，将标签约束策略设定为物联网数据种类划分的另一约束条件，得到目标函数的约束条件方程组为

(17)

结合约束条件方程组，二次求解目标函数特征，实现物联网通信异常数据类别划分，即

(18)

3.3 物联网通信异常数据捕获实现

根据上述划分的异常数据结果，将物联网异常数据捕获问题转换为数据相似度度量问题，利用孪生神经网络捕获异常物联网通信数据。

经训练分类后的各异常数据集合，获取映射函数为f(ζ，ξ)，根据待捕获的异常数据ζ与候选数据ξ，对映射函数f(ζ，ξ)进行网络学习，若两数据具有相同属性，则映射函数f(ζ，ξ)将具有较高相似度值；反之，则映射函数f(ζ，ξ)的相似度值较低。

待捕获数据ζ与候选数据ξ具备相同孪生神经网络提取特征φ(ζ)与φ(ξ)，若利用相似度度量函数g评估两特征之间的相似性，则映射函数f(ζ，ξ)为

f(ζ，ξ)=g(φ(ζ)，φ(ξ))

(19)

将物联网通信数据输入到孪生神经网络中，假定初始数据集内待捕获的异常数据特征为(w，h)，特征补偿为pz，则初始数据集中待捕获数据属性Sz为

Sz=(w+2pz)*(h+2pz)

(20)

由待捕获物联网异常数据产生的候选数据特征为(wz，hz)，特征补偿为px，其中心位置与待捕获数据一致，即

(21)

式中，A、B表示与数据特征相关的矩阵函数。

故推导出下列候选数据属性Sx界定式为

Sx=(wz+px)*(hz+px)

(22)

在孪生神经网络模型中无全连接层，故将卷积层的输出数据设定成提取到的数据特征。根据孪生神经网络提取特征，度量待捕获数据与候选数据之间的相似度。利用交叉相关层度量相似度，得到

f(ζ，ξ)=φ(ζ)*φ(ξ)+b

(23)

式中，一维实数矢量为b。

若孪生神经网络输出数据为v，标签数据为y∈{1，-1}，则应用下列logistic损失函数训练网络模型为

l(y，v)=log(1+exp(-yv))

(24)

结合式(23)，当物联网通信过程中的异常数据特征数量为D时，完成异常数据捕获，即

(25)

4 仿真分析

4.1 仿真方案

为验证所提方法的物联网通信数据异常数据捕获效果，进行仿真分析。实验在Matlab软件中进行，仿真操作系统为Windows 10 系统，运行内存为16 GB 。仿真中物联网通信异常数据特征提取框架设计如表1 所示。

表1 物联网通信异常数据特征提取框架

选取的仿真通信数据集情况如表2所示。

表2 通信数据集

在上述仿真环境及参数设定基础上，仿真采用所提方法、基于深度信念网络的数据异常检测方法以及基于聚类的物联网监测点相邻关系的判定方法对比捕获样本异常数据的精度和捕获耗时，验证所提方法的有效性。

4.2 实验结果分析

为验证所提方法在物联网通信异常数据捕获中的有效性，实验分析了所提方法、基于深度信念网络的数据异常检测方法以及基于聚类的物联网监测点相邻关系判定方法对样本数据异常的捕获精度，实验结果如图2 所示。

图2 不同方法捕获异常数据精度分析

分析图2 结果可以看出，随着仿真迭代次数的不断改变，所提方法、基于深度信念网络的数据异常检测方法以及基于聚类的物联网监测点相邻关系判定方法在捕获异常样本数据的精度发生了改变。其中，所提方法捕获精度最高，且始终在90%以上，而其它两种方法的捕获精度始终低于所提方法，验证了所提方法可以有效捕获异常数据。

在保证样本异常数据捕获精度的基础上，仿真进一步分析了三种方法在捕获异常通信数据的耗时，仿真结果如图3 所示。

图3 不同方法捕获异常数据耗时分析

分析图3 中数据可以看出，随着仿真迭代次数的不断改变，所提方法在对样本异常数据进行捕获时的耗时较短，且始终在2 s以下，相比之下其它两种方法的捕获耗时较长，且远高于所提方法，由此可以看出所提方法在对物联网通信异常数据捕获时的速度较快，工作效率较高。

5 结束语

针对物联网通信中存在的异常数据，本文引入孪生神经网络结构，设计了一种新的物联网通信异常数据捕获方法。通过分析孪生神经网络的基本原理基础上，构建异常数据捕获模型，并对物联网通信中异常数据进行降维处理，实现了物联网通信异常数据的捕获。与传统方法相比本文方法具有以下优势：

1)采用所提方法对物联网通信异常数据捕获的精度始终高于90%，具有一定可信度；

2)采用所提方法对物联网通信异常数据捕获的耗时始终低于2 s ，捕获速度较快。

虽然现阶段本文方法取得了一定成果，但仍然存在诸多不足，未来将在物联网通信数据规模上对所提方法进行改进，以提升方法的有效性。