粒子群优化下物联网多节点异常定位方法仿真

为了改善物联网节点异常定位的准确性和效率,提高物联网体系的安全性,提出一种粒子群优化下物联网多节点异常定位方法。在设定物联网节点数据的基础上构建目标函数,获取粒子适应度向量;通过控制混沌向量扰动的方式得到最佳粒子方位,更新粒子群历史最优解;利用函数计算物联网节点粒子通信效率有效值,完成物联网多节点异常定位。实验结果表明,所提方法定位准确性较高,异常节点定位准确率高于95%;定位延时较短,1.5 ms可完成3000个物联网节点检测;定位稳定性较优,在500次实验内均可稳定给出结果,准确率98.5%。

基于KNN算法的电子通信网络节点异常流量告警方法

现代电子通信网络产生的流量数据通常具有高维度和大数据量的特点,需要处理海量数据并从中提取有用的特征,这给异常流量检测带来了挑战。为此,提出基于K最近邻(K-Nearest Neighbors,KNN)算法的电子通信网络节点异常流量告警方法。根据电子通信网络的结构和原理,提取电子通信网络流量特征。引入KNN算法,设定风险控制阈值,计算电子通信网络节点异常流量的投影值,比较投影值和分类阈值,判断了;流量是否存在异常,实现电子通信网络节点异常流量告警。实验结果表明:研究方法对电子通信网络节点异常流量的告警不仅具有实时性,且检测出的异常流量波动幅值也更准确,告警误差始终低于0.5%。

基于迁移学习的中央空调物联网边缘节点异常感知方法

针对中央空调物联网云感知灵敏性差,在噪声环境中不易捕捉的问题,为此提出基于迁移学习的中央空调物联网边缘节点异常感知方法。根据数据迁移学习规律,推导计算任务迁移时经过指定窗口的频次及实时状态值,通过二者的关系阈值推导下一任务的迁移概率和状态值。建立中央空调物联网各个层次的二维观测序列,将聚类得到的每一组数据输入观测序列中演示,并计算当下观测值,通过余弦相似函数判定是否处于异常。仿真实验证明,所提方法在网络泛洪模拟攻击、黑洞攻击、数据削弱攻击下都能实现精准感知,误检率较低,具有一定应用价值。

基于深度学习网络的红外网络节点异常状态识别研究

为准确识别红外网络节点状态,提出了基于深度学习网络的红外网络节点异常状态识别方法。利用红外网络节点采集模块采集节点状态数据,确定可视层与隐含层神经元数量,利用贪婪算法训练过程重构训练样本,通过微调过程优化深度置信网络,完成深度置信网络训练,提取红外网络节点状态数据特征,将状态数据特征作为球心,计算识别红外网络节点状态数据同球心的半径,根据结果是否异常状态。仿真测试结果,本文方法可有效识别红外网络节点异常状态,红外网络节点异常状态识别精度高。

分布式光纤应变传感网络节点异常状态识别方法

受到恶劣环境影响及外部因素攻击时,针对网络产生异常节点、数据以及行为影响网络正常传输问题,提出一种分布式光纤应变传感网络节点异常状态识别方法,根据通信状态与特征筛选,确定存在异常的网络链路层,提取异常节点特征向量,在有事件和无事件两种情况下,利用双阈值法检测光纤传感网络内异常节点,在每次检测后,根据结果更新节点间信任值,既保护正常节点不被牺牲,也提高节点异常状态识别精度。经实验证明,所提方法,在400 s~550 s这一实验时间段内,第15个节点为网络内的异常节点,邻居节点能耗在1.1×10^(4)J左右,可以准确识别异常节点位置和特征向量,节点消耗相对更小,适应性更强。

基于图信号处理的无线网络异常节点检测方法

无线网络中的异常节点会降低群里的通信性能,在传输数据时造成丢包或者错传等情况发生,大规模节点异常甚至会导致网络瘫痪。为此,提出基于图信号处理的无线网络异常节点检测方法。首先,根据网络各节点空间位置特征,计算邻近节点间的距离,再结合K–近邻原理搭建无线网络图信号模型,通过高通图滤波装置划分图信号高频区域;然后,采用拉普拉斯矩阵、傅里叶变换获取各子图频谱特征,通过傅里叶逆变换得出图频率各分量信号,使用箱型图统计算法求出子图正常节点信号两个极值,在这两个值范围内即为正常节点,超出此范围即为异常节点,经过判定、筛选确定异常节点位置,最终完成异常节点检测的任务。实验结果表明,该方法对无线网络异常节点的检测精度高,且检测运行时间开销较少。

基于重要性分数的CUR矩阵分解识别WSN异常节点

现有异常节点识别方法普遍存在精度低或者功耗大等不足,针对这些不足,提出一种基于低秩矩阵分解的无线传感器网络异常节点识别算法。根据传感器节点的特性进行特征选取和属性矩阵构建;通过改进的CUR矩阵分解方法计算异常矩阵;依据异常矩阵中节点向量的总体均值和标准差设定控制限,判断节点是否发生异常。实验结果表明,与其它异常识别方法相比,该方法具有较高的识别准确率。

基于模拟并行蚁群算法的无线传感器网络异常节点自适应定位方法

由于无线传感器网络自身节点数量庞大,导致在异常节点自适应定位过程中,定位到的异常节点个数较少的问题.针对上述问题,提出基于模拟并行蚁群算法的无线传感器网络异常节点自适应定位方法.从网络中提取出异常节点的原始数据,并对异常节点数据属性进行详细的解析,根据解析后的数据属性,利用蚁群算法的优化搜索特性,结合并行计算的思想,建立并行蚁群算法模型,模拟蚂蚁在寻找食物过程中的协作和寻优行为,运行并行蚁群算法,获取异常节点的估计坐标值,实现节点的自适应定位.实验结果表明,该方法在面对复杂网络环境和多种异常类型时能够定位到多个异常节点,增强了定位方法的鲁棒性和自适应性.

融合判决门限和信任过滤机制的WSN异常节点定位方法

由于网络拓扑频繁变化使无线传感网络(Wireless Sensor Network,WSN)中的节点会移动或失效,从而造成传感器节点所产生数据具有不确定性,且节点异常具有多模态特性,易造成错定漏定的问题。因此,提出融合判决门限和信任过滤机制的WSN异常节点定位方法。通过传感器位置特征组建K-近邻图信号函数捕捉节点间的空间关系;利用低通滤波前后的平滑度差异设计判决门限来减少数据不确定性的影响,实现WSN异常节点检测;通过Beta分布初步信任评价锚点位置信息,调节信任更新权重来适应拓扑变化,引入信任过滤机制差异化处理WSN节点,并通过簇头节点判断锚点可信度,实现WSN异常节点精准定位。结果表明,所提方法异常节点定位虚警概率在1%以下,OPR值可达到99.12%,具有较高的定位精度。

移动物联网环境下无线传感网络异常节点快速定位算法

为了提升无线传感网络异常节点定位精度,提出一种移动物联网环境下无线传感网络异常节点快速定位算法。通过高通图滤波器对网络信号展开处理后获取高频分量,利用高频分量划分异构哈希网络,确定子图对应输出信号的特征频率分量。通过对比疑似异常节点集合和子图节点集合进行异常节点检测。利用锚节点和未知节点之间的跳数展开区域划分,并选择对应跳距的锚节点估算展开距离。通过筛选方式排除异常因子并优化全局最优解,完成异常节点定位。实验结果表明,所提方法能够实现异常节点精准检测,检测概率高达99%以上,虚警概率最高仅为0.02%,针对不同数量的锚节点数、通信半径与未知节点数,其平均定位误差均处于5%以下,提升了系统的实用性。

动态拓扑下基于终端数据挖掘的配电网异常节点检测

异常节点检测用于发现由窃电、设备故障等现象导致的功率、电压等电气参数的量测值与实际值不同的节点,是配电网态势感知、运行和管理的基础。为此,提出一种基于终端数据挖掘的异常检测方法。首先,通过挖掘节点电压、功率间的潮流约束关系,构建了一种潮流映射框架下的异常检测体系,将不符合约束关系的节点判断为异常。其次,构建对冲反向传播-残差神经网络拟合潮流约束关系,在配电网拓扑和参数信息缺失的情况下实现快速准确的电压计算。再次,针对配电网拓扑变动导致方法失效问题,引入模型回溯概念和生成树算法进行识别,将变动信息反馈给主模型,实现检测方法在动态拓扑下的应用。最后,结合实际案例与仿真实验验证了所提方法的有效性。

基于任务转移概率的感知节点异常运行状态检测方法

针对无线传感器网络中感知节点异常状态检测困难问题,提出了一种基于感知节点任务转移概率的节点状态特征描述方式,利用该特征判断感知节点的运行状态,实现节点异常检测.基于任务转移概率的异常检测方法(T2PAD),根据感知节点运行任务的一步转移概率特征,对节点的运行状态进行分析,通过对转移概率向量相似性进行异常检测,识别出导致异常的任务,缩小并定位异常范围,为修正异常提供依据.传感器网络开源代码库中的缺陷实例验证了T2PAD对于异常检测的有效性.

基于图论算法的光纤传感网络异常通信节点识别方法

光纤传感网络在现代监测系统中发挥着重要作用,然而,异常通信节点则会影响网络性能和数据准确性。为了解决这一问题,本文提出了一种基于图论算法的异常通信节点识别方法。通过对光纤传感网络进行拓扑结构分析,并结合图论算法,实现了对异常通信节点的准确识别和定位。实验结果表明,所提方法能够有效识别光纤传感网络中的异常节点,为网络管理和维护提供了有力支持。

基于盲均衡算法的网络大数据异常节点检测

网络大数据具有复杂性、多样性,其在流动期间容易出现异常节点。工作人员需采用智能性能检测的方式,才能减少网络故障问题的发生。相关部门基于网络大数据提出了异常节点的检测方法,采用传感序列采集模型,应用盲均衡算法提取网络环境中的噪声均值,以展现网络大数据异常节点的特征。基于此,文中结合实际,简要分析了盲均衡算法,阐述了基于盲均衡算法的网络大数据异常节点检测方法,以期为相关部门的工作提供支持。

基于大数据技术的无线传感网络异常节点深度挖掘方法

由于无线传感网络节点分布不规则,难以有效控制对异常节点的定位误差,为此提出基于大数据技术的无线传感网络异常节点深度挖掘方法。在节点均分布在目标区域范围内的前提下,构建无线传感网络组网模型,设置异常节点与网络中心节点之间的关系函数,之后采用大数据技术中的邻域搜索算法,对具体的网络异常节点位置进行深度挖掘定位。实验结果显示,基于大数据技术的无线传感网络异常节点深度挖掘方法在不同噪声状态下的异常节点定位误差始终稳定在2.0以内。

基于自适应抗差滤波的电力光纤通信网络异常节点定位方法研究

为解决电力光纤通信网络异常节点定位精度低的问题,提出基于自适应抗差滤波的电力光纤通信网络异常节点定位方法。首先,通过时间冗余算法预处理电力光纤通信网络节点数据,提取节点间的动态相似性和数据链路效率。其次,采用抗差滤波检测异常节点,实时评估残差与预测误差的不匹配程度。最后,结合自适应滤波与变化点检测,实现对电力光纤通信网络异常节点的精确定位。实验结果表明,研究方法能够显著提升电力光纤通信网络异常节点的定位精度,保障网络稳定运行。

大数据网络环境下异常节点数据定位方法仿真

对大数据网络环境下异常节点数据的定位研究,可以有效降低网络空间存在的安全威胁和存储开销。对异常节点数据的定位,需要结合匹配投影理论寻求优化特征解,找出所有匹配的特征点对。传统方法将节点动态感知数据聚合成变宽的直方图,来准确定位节点异常数据,但忽略了求取节点的匹配特征点对,导致定位精度较低。提出基于自适应级联陷波的异常节点数据定位方法。从滑动窗口内采样节点数据的近似度出发,结合聚类理论思想判断窗口内的节点数据是否异常,依据邻居信息将网络节点自我判断阶段的判决进行调整,设计二阶格形滤波器结构,用多个固定陷波器级联抑制异常节点数据属性干扰成份,结合匹配投影理论寻求优化特征解,找出所有匹配的特征点对,从而实现异常节点数据定位。仿真证明,所提方法能够有效提升异常节点数据定位精度,且具有较好的抗干扰性能。

属性网络中基于变分图自编码器的异常节点检测方法

图神经网络为属性网络数据挖掘提供融合利用结构信息和属性信息的方法,但是在现阶段基于图自动编码器进行无监督属性网络异常节点检测时,常将正常节点子属性插值形成的节点误识别为异常节点,导致方法的假负率较高.针对上述问题,文中提出基于变分图自编码器的异常节点检测方法.模型包含两个编码器和一个解码器,利用一个编码器和一个解码器构成的变分自编码器模型,重建原始输入数据,再利用解码器和第二个编码器,使模型学习到不包含异常节点数据的网络隐层表达.通过双变分自编码器学习正常节点子特征,并利用重建误差作为节点的异常度量,将由正常节点子特征构成的正常节点判别为正常节点.在真实网络数据集上的实验表明,文中方法能有效进行属性网络异常节点检测.

基于大数据分析的网络异常节点智能定位系统

传统网络异常节点定位系统对于复杂多样且高速流动的数据处理能力较低,导致系统定位检测误报率较高,因此文中设计一种基于大数据分析的网络异常节点智能定位系统。系统设计中的硬件部分沿用了原有系统中的硬件,主要对软件部分的大数据分析以及节点定位算法进行深入研究。系统数据采集主要应用Flume数据采集组件来适配复杂数据环境,构建Spark集群数据处理框架,通过采集到的数据计算出节点的风险值,在定位算法中,部署网络模型,通过计算路由器节点的相邻节点数量判断节点的情况,完成网络异常节点的智能定位。在仿真实验中,对设计的系统与原有系统中恶意丢包假阳性、假阴性概率与恶意改包假阳性、假阴性概率进行对比得到结论,设计的系统能够有效降低误报率。

物联网异常节点定位方法的改进

传统的物联网异常节点定位方法采用模糊边缘覆盖方法,以节点之间的互信息量作为信息素引导,当节点规模较大和干扰较强时,定位准确度不高,为此,提出一种基于自适应信息融合跟踪检测的物联网异常节点定位算法.首先构建物联网节点之间通信传输信道模型,采用载波调制方法进行信道特征参量估计.然后利用自适应信息融合跟踪检测算法进行节点异常特征提取和检测,实现异常节点信息融合和滤波,通过接收端进行连续检测,实现异常节点的自适应分辨和定位.仿真结果表明,该方法在对物联网中异常节点定位时,误差能快速收敛到零,具有较好的准确性和实时性.