物联网通信异常数据的检测方法研究

刘杰+戈军++沈微微++王学军

摘 要： 在物联网多设备通信过程中，其差异化的数据在分类种类上存在较大的问题，导致识别过程存在异常数据不收敛或者无穷计算的问题。为了解决这一问题，提出基于多约束标签的异常数据检测方法，在对海量的异常数据进行分类的过程中，引入可以约束标签异常特征的多个约束条件，对物联网通信数据进行降维限制处理，避免扩大化的搜索过程，再运用支持向量机在限制区域内完成检测分类。实验结果表明，利用该算法能对海量的物联网通信异常数据进行自动学习过程的搜索，提高异常数据检测的准确性。

关键词： 物联网； 支持向量机； 异常数据； 多特征约束

中图分类号： TN911?34； TP127 文献标识码： A 文章编号： 1004?373X（2017）09?0082?04

Abstract： The differentiated data has a great problem of classification variety in the Internet of Things （IOT） multi?device communication process， and causes the abnormal datadivergence or infinite calculation in the identification process. In order to solve these problems， an abnormal data detection method based on multi?constraint label is put forward. The multi?constraint condition which can restrain the label′s abnormal feature is introduced into the classification process of the massive abnormal data. The dimension reduction of the IOT communication data is limited to avoid the expansion of the search process. The support vector machine （SVM） is used to classify and detect the abnormal data in the restricted areas. The experimental results show that the algorithm can search the massive abnormal data in IOT communication by means of automatic learning process， and improve the accaracy of abnormal data detection.

Keywords： Internet of Things； support vector machine； abnormal data； multi?feature constraint

0 引 言

随着物联网技术应用区域的不断扩展，对物联网通信安全的要求日益增加[1]。物联网由不同设备组成，因此一旦存在危险的数据，就会给相关设备带来较大的安全隐患。因此，需要研究自动化程度较高的方法对物联网中的特定异常数据进行检索，快速识别出一些异常的危险数据，以保证相关设备的安全[2]。对物联网的通信数据进行检测的各种智能算法引起了相关学者的重视，已经成为物联网智能控制领域的热点[3]。

在当前的研究成果中，对物联网通信数据检测的方法主要包括：基于数据聚类的方法、基于遗传算法的异常数据特征检测方法、基于粒子群算法的异常数据特征检测方法[4]。当前最为重要的思维主要是分类检测思维，通过对数据的不断分类，完成对异常数据的区别[5?6]。但是，这些方法运用到物联网通信数据中就会存在较大的问题，主要是因为物联网的底层通信设备由不同的硬件设备构成，这种硬件上的差异性造成底层通信数据的种类多样性。这就使得在分类过程中，很难利用统一的标准进行数据的异常性区分，从而降低检测的准确性。

1 物联网底层通信异常数据特征检测方法设计

在物联网底层通信数据的异常特征检测过程中，由于底层网络设备的多样性和差异性[7?10]，如果利用传统的数据检测方法对异常数据进行分类检测，就无法避免因数据特征差异大的弊端，使得在分类检测的过程中很难形成统一的检测特征，而海量的通信数据会使得分类过程无穷化。为此，提出一种基于多约束标签的物联网异常数据检测方法，这种检测方法的流程图如图1所示。

1.1 物联网底层通信异常数据的多标签降维

2 实验结果分析

为了验证提出的物联网底层通信异常数据的作用，进行多次的计算机仿真对比模拟实验，实验环境是Visual C++ 6.0。

假设物联网中的底层通信设备的数目为物联网中的通信异常数据族群个数为在数据分类的结果上，数据被分为多个不同的区域设为物联网底层通信设备的均衡性分布参数为。为了衡量检测的准确性，运用准确率的公式，计算方法如下：

运用不同的检测方法对准确率标准进行衡量，得到运用不同方法的检测结果。

在多次试验中，有15次较好的试验参与数据，以这15次的试验数据为基础进行检测，试验数据的选取结果如表1所示。

运用K均值聚类算法对底层物联网相关设备进行异常特征的检测与识别，得到的试验结果如图3所示。

再通过神经网络的方法对底层物联网通信设备进行异常数据特征识别，得到的识别结果如图4所示。

通过粒子群算法对底层物聯网通信设备进行异常数据特征检测，检测的结果如图5所示。

根据得到的试验结果可以看出，在约束的基础上，得到的检测结果更为准确，说明优化效果明显。

以15次试验数据的结果为基础，对15次不同方法下的物联网异常数据检测结果进行统计，得到的结果如表2所示。

]

通过上述实验能够得知，利用本文算法进行物联网数据特征检测，能够有效提高检测的准确率。

3 结 语

本文提出基于多约束标签的异常数据检测方法。首先，通过对物联网底层通信异常数据的多标签降维，并结合粒子群算法对相关的数据进行约束分析，在此基础上，运用支持向量机方法，通过迭代分类约束技术完成对底层物联网异常数据的识别；最后利用支持向量机方法对异常数据进行相关的区分，从而检测出物联网络异常数据的特征。实验数据结果表明，采用本文研究的检测方法检测异常数据特征，检测准确性较高。

参考文献

[1] 杨宏波.物联网环境下的差异网络数据库异常数据检测[J].计算机测量与控制，2015，23（3）：1008?1010.

[2] 彭小梅.物联网高速传感器中的异常节点通信定位仿真[J].计算机仿真，2015，32（7）：307?310.

[3] 任国鑫.油气生产物联网的井口数据无线通信研究[J].中国化工贸易，2016，8（3）：23?25.

[4] 甘雷，董翠英，周剑利.基于物联网的智能电网的通信与安全问题研究[J].山东工业技术，2015，34（3）：227.

[5] 梅林常，殷晔平.基于北斗卫星通信方式与电力104规约结合的智能物联网数据研究与应用[J].重庆电力高等专科学校学报，2015，22（2）：38?40.

[6] 刘钢.无线移动通信与物联网的应用与研究[J].数字技术与应用，2016，34（5）：43?45.

[7] 周兆庆，曹玉保.基于LabVIEW的合并单元采样异常的识别方法研究[J].电子设计工程，2016，24（8）：171?173.

[8] 刘毅，叶秋冬.物联网架构下的宜居通系统研究[J].科学技术与工程，2014，14（1）：278?283.

[9] 吉顺平.工业以太网与物联网互联模型的研究[J].计算机测量与控制，2011，19（8）：1998?2000.

[10] 陈永高，单豪良.基于BIM与物联网的地下工程施工安全风险预警与实时控制研究[J].科技通报，2016，32（7）：94?98.