基于圖模型的傳感網(wǎng)事件檢測技術研究.pdf

1、隨著傳感器技術、嵌入式計算技術和分布式信息處理技術的迅速發(fā)展，無線傳感器網(wǎng)絡(Wireless Sensor Networks，WSN)應運而生。無線傳感器網(wǎng)絡具有的廣闊應用前景，在基礎理論和工程技術兩個層面向研究者提出了很多具有挑戰(zhàn)性的問題。事件檢測是WSN中的一個應用重點。用戶不僅要求檢測出哪些傳感器節(jié)點的數(shù)據(jù)發(fā)生了異常，而且還要求檢測出引發(fā)這些數(shù)據(jù)異常的具體事件類型，這種事件類型的判斷具有重要的現(xiàn)實意義。
　　為了更好地體現(xiàn)

2、事件特征，我們可以對事件進行抽象，即建模，用具體的模型描述事件的特征。由于圖模型在描述復雜事件上具有很強的能力，若將某個節(jié)點的數(shù)據(jù)看作圖中的頂點，數(shù)據(jù)間的時空相關性看作圖中的邊，則可以很自然地使用圖模型描述事件特性。本文利用節(jié)點間接收事件數(shù)據(jù)的時間延遲，構造出時延有向圖模型，它具有豐富的語義信息，可以較為全面地描述WSN事件特征。然后基于時延有向圖模型，可以將事件類型的判定轉化為事件模式圖數(shù)據(jù)庫中事件圖的相似度查詢。
　　針對傳統(tǒng)

3、的圖相似性查詢復雜度較高，本文利用WSN事件的特征信息，對圖查詢工作進行了轉化，通過挖掘出模式圖和事件圖中的特征結構，構造出“特征-圖”矩陣，將圖轉化為特征向量，從而將圖查詢問題轉化為特征向量匹配問題。對于特征向量相似度的衡量，針對歐氏距離和余弦相似性的不足，提出了更符合WSN事件特點的基于特征結構包含的向量匹配方法(GFC)。
　　考慮到WSN事件圖中不同特征結構的重要程度是不同的，本文將每個圖的特征結構按其重要性由大到小排序，

4、形成一個特征結構序列。在此基礎上，將圖查詢問題轉化為特征序列匹配問題，并提出了兩種序列相似度計算方法:基于權重的最大公共子序列的方法(WLCS)和基于權重的序列編輯距離的方法(WSED)。
　　最后的實驗表明，針對WSN的事件檢測，本文提出的時延有向圖建模方法相對于簡單的建模方法具有較高的檢測質量;GFC算法相對于基于歐氏距離和余弦相似性算法具有更高的查詢準確率;考慮特征結構重要性的WLCS和WSED算法相對于特征向量匹配算法具有