高效容错的无线传感网事件及其边界检测算法

事件检测与事件边界检测是无线传感器网络的重要应用之一,节点故障的准确检测是提高事件与事件边界检测效率的前提.然而,目前的故障检测机制对节点故障类型分析不够明晰,导致系统可能将事件边界节点误判为故障节点,且常需要传感器节点间进行频繁通信,导致网络系统容错性能和节点利用率低下,并带来额外的能耗开销.为了达到较高的检测精度与能源利用率,提出了一种新的高效容错的无线传感网事件及其边界检测算法:利用时间相关性实现无线传感器网络事件检测,利用空间相关性实现故障检测与事件边界检测;提出了节点的信息可靠度恢复机制,使得节点能够根据网络环境的变化,自动调整节点的信息可靠度.实验结果表明,即使在故障概率较高的情况下,该策略仍然具有良好的性能表现.     

基于无线传感器网络和线性神经网络的事件边界检测方法?

环境监测是无线传感器网络的典型应用,事件边界检测是其中的重要内容。文中首先建立无线传感器网络数据的时空模型,提出基于线性神经网络的事件边界检测方法。该方法利用传感器数据流的时间相关性,基于线性神经网络预测与验证数据流,并确定异常数据集合。在此基础上,根据传感器节点之间的空间相关性进行事件边界检测,不仅可识别故障节点,而且能识别事件边界节点,从而准确估算事件发生的区域位置与大小。理论分析及实验表明,文中方法在获得较高的故障节点和事件边界节点的检测准确率的同时,保持较低的误判率。     

一种WSN中的三层多维事件协作检测算法

提出了一种适用于无线传感器网络的三层多维事件协作检测算法。传感器节点通过计算均值向量序列的相似度发现异常,并通过投票机制确认事件发生。簇头节点根据边界向量序列的相似度,利用改进的K均值聚类算法对多维事件数据进行分类和合并。汇聚节点利用事件属性数据的概率分布,匹配检测出事件的类型。理论分析和仿真试验的结果表明:与传统集中式的事件检测算法相比,该算法能在噪声干扰下提高对多维事件的检测精度,降低算法的通信量和计算复杂度,延长网络的生存时间。     

一种无线传感器网络节点的故障检测算法

针对无线传感器网络中的数据故障问题,提出了一种新的分布式贝叶斯故障节点检测算法（DBA）。通过引入Bayesian来计算传感器节点的故障概率,利用边界节点来调整故障概率,提高故障概率的准确性,避免了大量故障节点的负面影响。最后将DBA和分布式故障检测（DFD）的性能进行了综合仿真比较。结果表明,即使在故障节点较多的情况下,DBA也能显著提高故障检测的精度。     

一种虚拟传感器网络中事件监测的容错机制

事件监测是无线传感器网络中的重要应用之一,而准确检测出故障节点是提高事件监测效率的前提。为了实现多应用目标传感器网络中较高的节点故障识别率,在基于簇状树的虚拟传感网架构上,提出一种基于节点邻域中值的事件监测容错算法。该算法充分利用了无线传感网节点之间的空间相关性,融合邻域各节点的测量值,通过节点的数值与邻域中值之间的差值来判断节点状态。仿真实验结果表明,即使是在节点故障概率比较高的情况下,该算法依然具有优越的容错性能。     

一种改进的无线传感器网络入侵检测算法

由于资源和生产成本的限制,无线传感器网络中的节点可能不定时发生故障,因此需要对其网络运行能力进行定量评估。提出一种改进的网络入侵检测算法,定义突破路径检测可靠性(BPDR)指标,该指标考虑的入侵事件与用户确定的任意入网-出网边缘集合相关联,其计算为P难题。针对sink节点位于网络边界上的无线传感器网络,设计可靠性下界的计算方法,进而对当前BPDR指标加以扩展,分析不同参数对网络总体可靠性的影响。仿真实验结果表明,在不同类型、路由算法、嵌入方法和保护间隔的网络下,该算法均能准确评估网络可靠性。     

WSN中故障诊断性能与平均节点度研究

在基于无线传感器网络的结构健康监测中,故障节点产生并传输的错误数据将消耗节点的能量和带宽,同时会形成结构健康监测的错误决策。针对该问题,提出一种节点故障诊断算法,利用节点感知传感数据的空间相似性,通过对邻节点所感知的传感数据进行比较,确定检测节点的状态,将测试状态向网络中其他相邻节点进行扩散,实现网络中全部节点的故障检测。同时介绍在不同平均节点度下改善故障诊断率的方法。实验结果表明,该算法能够获得较好的性能。     

一种改进的边界节点检测算法

无线传感器网络边界节点的检测是传感器应用的一个基础问题。针对降低通信量、提高边界节点检测的准确性两个方面考虑,设计一种改进的边界节点检测算法(AIBNDA),该算法采用竞争方法选取领导节点,利用空洞的大小计算纬度线的条数;当网络中空洞的个数比较多时,构造多个环分别包围网络中的空洞;采用环上节点动态替换方法,把环转换为网络的边界。实验验证了该算法在识别准确率、降低通信量等方面的有效性。     

基于聚类中值比较的WSNs故障检测算法

无线传感器网络(WSNs)中的传感器件容易失效而导致测量数据不准确,因而,高效、实用的故障检测算法对于保证WSNs的感知质量非常重要。提出一种基于聚类中值比较(CBMC)的故障检测算法。不同于传统的中值比较的思想,该算法引入聚类方法对待检测节点的邻居节点测量数据进行分组,根据分组信息计算该节点状态。仿真实验表明:CBMC算法具有较高的故障检测率(DR)和较低的故障误检率(FPR)。     

基于节点识别的协作频谱检测算法

在认知无线网络协作频谱感知过程中,感知节点所处的恶劣信道环境会导致本地频谱检测结果发生偏差,有时一些故障节点或恶意节点发送的误导信息来干扰认证网络融合中心的全局判决.根据认知网络感知节点的历史感知信息,将感知节点分为可信节点、不可信节点和故障或恶意节点,提出了一种基于节点识别的协作频谱检测算法.在该算法中,融合中心舍弃故障或恶意节点,使其不得参与数据融合,同时也不考虑不可信节点当前发送的本地检测结果.这样,一方面消除了故障或恶意节点对全局频谱判决的影响,另一方面降低了融合中心计算复杂度.仿真结果表明,该算法能有效克服故障或恶意节点的干扰,提高认证网络协作频谱检测性能.     

一种无线传感器网络中事件区域检测的容错算法

特殊环境中的事件区域检测是无线传感器网络的一种重要应用.由于传感器的错误会导致事件区域检测的不准确,所以相关的容错算法成为近年来的研究热点.已有研究工作都仅考虑了事件的空间相关性,通过相邻传感器之间的数据交换实现容错.文中从事件的空间相关性和时间相关性入手,提出了一种以局部检测为主的分布式事件区域检测算法.该算法通过检验传感器本地采样值构成的时间序列与事件随机过程统计特征的符合程度实现容错.算法分析的结果表明,该算法可以减少传感器之间的数据交换,从而有效地利用传感器的能量.模拟实验表明,当有10%的传感器发生错误时,该算法可以检测到93%的事件区域和88%的错误传感器.     

多传感器网络中的分布式故障检测算法

在传感器网络中,分布式故障检测算法(DFD算法)通过与所有邻居节点的传感器数据的比较判断,实现节点传感器的故障检测。但是,在故障节点聚集的网络区域,故障节点比例的上升将导致该区域的故障检测精度显著下降。针对多传感器网络,本文利用多传感器在相同区域的故障分布差异及传感器之间关联特性对DFD故障检测算法进行改进,提出适用于多传感器网络的MDFD算法,提高了故障聚集区域的检测精度。性能分析和仿真结果表明:在节点故障率高的网络中,与DFD和IDFD算法相比,MDFD提高了故障检测精度,算法适用于节点分布稀疏和传感器故障率较高的网络。     

传感器网络中健壮数据聚集算法

节约能量以提高网络寿命是传感器网络研究面临的重要挑战.网内聚集查询在中间节点对数据进行预处理,可以减少消息传送的数量或者大小,从而实现能量的有效利用,但是,目前的聚集查询研究假设采样数据都是正确的.而目前的异常检测算法以检测率作为首要目标,不考虑能量的消耗,也不考虑查询的特点.所以将两方面的研究成果简单地结合在一起并不能产生很好的效果.分析了错误和异常数据可能对聚集结果造成的影响,提出了健壮聚集算法RAA(robust aggregation algorithm).RAA 对传统聚集查询进行了改进,在聚集的同时利用读向量相似性判断数据是否发生了错误或异常,删除错误数据,聚集正常数据并报告异常,使用户可以对网络目前状况有清晰的理解.最后,比较了RAA 和TAGVoting(在使用TAG(tiny aggregation)算法聚集的同时利用Voting算法进行异常检测),实验结果表明,RAA 算法在能量消耗和异常检测率方面都优于TAGVoting.     

Fault detection and measurements correction for multiple sensors using a modified autoassociative neural network

Periodic manual calibrations ensure that an instrument will operate correctly for a given period of time, but they do not assure that a faulty instrument will remain calibrated for other periods. In addition, sometimes such calibrations are even unnecessary. In industrial plants, the analysis of signals provided by process monitoring sensors is a difficult task due to the high dimensionality of the data. A strategy for online monitoring and correction of multiple sensors measurements is therefore required. Thus, this work proposes the use of autoassociative neural networks, trained with a modified robust method, in an online monitoring system for fault detection and self-correction of measurements generated by a large number of sensors. Unlike the existing models, the proposed system aims at using only one neural network to reconstruct faulty sensor signals. The model is evaluated with the use of a database containing measurements collected by industrial sensors that monitor and are used in the control of an internal combustion engine installed in a mining truck. Results show that the proposed model is able to map and correct faulty sensor signals and achieve low error rates.     

基于簇的分布式传感器故障检测算法

针对大规模无线传感器网络(WSN)中故障检测准确率降低,并产生较大通信负载的问题,根据传感器节点的时空相关性特点,提出一种基于簇的分布式传感器故障检测算法。通过邻居节点间的数据交换和互相测试检测簇首节点,并以正常簇首节点作为参照诊断故障节点。性能分析与实验结果表明,在大规模WSN中,该算法具有良好的故障检测能力和较低的通信负载,在邻居节点数较少、节点故障率较高的情况下,能达到98%以上的故障检测准确率,并保持较低的能耗水平。     

基于加权中值的分布式传感器网络故障检测

无线传感器网络中的错误测量数据会导致网络服务质量下降和能量浪费.提出了一种通过融合邻居节点的测量数据来实现故障检测的策略.主要做了以下3项工作:(1) 提出了一种新颖的对邻居节点测量数据进行加权的方法;(2) 提出了一种衡量测量数据之间差距的方法;(3) 提出了基于加权中值的故障诊断策略WMFDS(weighted median fault detection scheme),它同时适用于二进制决策和实数测量值.理论分析及仿真结果表明,即使节点发生故障的概率很高,提出的诊断策略也能得到很高的检测精度和较小的误判率,这表明在无线传感器网络故障检测中应用该方法具有很好的性能.     

基于区间预测模型的污水处理厂传感器故障检测

污水处理厂配备许多传感器用于监测出水水质。传感器的正常工作与否对保证出水水质至关重要。给出了一种污水处理出水变量传感器故障检测方法。该方法根据入水和出水数据,采用径向基函数神经网络构造出水变量预测模型;使用参数线性集员辨识算法得到网络输出权值的集合描述,从而使预测模型能够给出出水变量的置信区间;以此置信区间为基础获得传感器的故障检测策略。由于置信区间描述了出水变量的存在范围,当传感器测量值超出置信区间,则可推断传感器发生故障。此外,在设计传感器故障检测策略时还考虑了污水处理过程异常的影响。实验结果证实所提方法的有效性。     

Heuristic algorithm for finding boundary cycles in location-free low density wireless sensor networks

Wireless sensor networks (WSNs) comprise a large number of sensor nodes, which are spread out within a region to be monitored and communicate using wireless links. In some WSN applications, recognizing boundary nodes is important for topology discovery, geographic routing, tracking and guiding. In this paper, we study the problem of identifying the boundary nodes of a WSN. In a WSN, close-by nodes can establish direct communications with their neighbors and have the ability to estimate distances to nearby nodes, but not necessarily the true distances. Our objective is to find the boundary nodes by using only the connectivity relation and neighbor distance information without any other knowledge of node locations. Moreover, our main aim is to design a distributed algorithm that works even when the average degree is low. We propose a heuristic algorithm to find the boundary nodes which are connected in a boundary cycle of a location-free, low density (average degree 5–6), randomly deployed WSN. We develop the key ideas of our boundary detection algorithm in the centralized scenario and extend these ideas to the distributed scenario. The distributed implementation is more realistic for real WSNs, especially for sparse networks when all local information cannot be collected very well due to sparse connectivity. In addition, the distributed implementation can tolerate faults by recomputing the boundary locally when a boundary node is faulty. Simulations in ns-2 show that the distributed implementation outperforms the centralized one with higher quality of boundaries.     

Sensor virtualization for underwater event detection

Distributed event detection is a popular application in Underwater Wireless Sensor Networks (UWSNs). The Base Station (BS) collects the measurements from multiple sensor nodes, and makes a decision based on the sensors’ reports. However, due to the unpredictable moving of underwater sensor nodes and interference among multiple events, it is difficult to guarantee the accuracy of event detection. In this paper, we propose a sensor virtualization approach to deal with the event detection problem in UWSNs. The final decision making at the BS will be implemented with the reports of multiple virtual sensors. Although the events may happen in a large scale, the locations where the events happen are relatively sparse in the underwater environment. Consider the sparse property of events, we employ the technique of compressive sensing to recover the original signal from the correlated sensors’ measurements. Through a proper signal reconstruction, the accurate event detection can be reached with a remarkable low sensing overhead. We implement the sensor virtualization based on the compressive sensing technique. Our approach is suitable for the high dynamic topology of UWSN, and it can improve the accuracy of event detection and reduce energy consumption in UWSNs.     

河网中具有时空关系的异常事件在线检测

当网络异常事件发生时,传感器节点间的时空相关性往往非常明显.而现有方法通常将时间和空间数据性质分开考虑,提出一种分散的基于概率图模型的时空异常事件检测算法.该算法首先利用连通支配集算法(CDS)选择部分传感器节点监测,避免监测所有的传感器节点;然后通过马尔可夫链(MC)预测时间异常事件;最后用贝叶斯网络(BN)推测空间异常事件是否出现,结合时空事件来预测异常事件是否会发生.与简单阈值算法和基于贝叶斯网络算法对比,实验结果表明该算法有高检测精度、低延迟率, 能大幅降低通信开销,提高响应速度.