技術(shù)特征：

1.一種基于感知數(shù)據(jù)的無線傳感器網(wǎng)絡(luò)異常類型鑒別方法，其特征在于：該方法包括以下步驟：

S1：無線傳感器網(wǎng)絡(luò)節(jié)點每隔一個固定時間間隔Δt收集一組感知數(shù)據(jù)，包括溫度、濕度或亮度，并將其發(fā)送給基站，在沒有發(fā)生攻擊行為時間段內(nèi)，基站將收到的感知數(shù)據(jù)集生成檢測特征集，作為訓(xùn)練數(shù)據(jù)，即訓(xùn)練集；

S2：將訓(xùn)練集進(jìn)行z-score標(biāo)準(zhǔn)化方法歸一化，并保留列均值μ和列方差σ；

S3：將訓(xùn)練集進(jìn)行主成分分析法PCA(Principal Component Analysis,PCA)降維，保留特征向量矩陣E^*和列均值向量μ^*；

S4：采用基于密度的競爭聚類算法DCCA(Detrended Canonical Correspondence Analysis,DCCA)將訓(xùn)練集聚類為正常簇和異常簇；

S5：當(dāng)新的檢測特征出現(xiàn)時，依據(jù)列均值μ和列方差σ進(jìn)行歸一化，經(jīng)特征向量矩陣E^*和列均值向量μ^*降維，最后根據(jù)其劃歸在正常簇與異常簇的收益值判定網(wǎng)絡(luò)是否異常。

2.如權(quán)利要求1所述的一種基于感知數(shù)據(jù)的無線傳感器網(wǎng)絡(luò)異常類型鑒別方法，其特征在于：在步驟S1中，所述無線傳感器網(wǎng)絡(luò)節(jié)點為S＝{S_j:j＝1,2,…,m}，其中m是節(jié)點的數(shù)量；所述一組感知數(shù)據(jù)是一個p維向量v_j＝(v_j1,v_j2,…,v_jp)，v_j∈R^p，其中p表示感知數(shù)據(jù)的類型數(shù)，R為實數(shù)域；所述感知數(shù)據(jù)集為V＝{v₁,v₂,…,v_n}，其中n為組數(shù)，與節(jié)點ID無關(guān)，n≤m；V的均值為其中V的均方差為σ＝{σ₁,σ₂,…,σ_p}，其中所述檢測特征為向量其維度為q＝2p；定義檢測特征完整度為檢測特征ID為其中t是該檢測特征的接收時間；定義時間段[0,T]內(nèi)收到的檢測特征集作為訓(xùn)練數(shù)據(jù)，表示為矩陣X_T＝{x₁,x₂,…,x_k}，k＝T/Δt。

3.如權(quán)利要求1所述的一種基于感知數(shù)據(jù)的無線傳感器網(wǎng)絡(luò)異常類型鑒別方法，其特征在于：所述步驟S2包括以下步驟：

S201：定義訓(xùn)練數(shù)據(jù)為

S202：將X_T經(jīng)公式進(jìn)行歸一化，其中μ是矩陣X_T的列均值，σ是矩陣X_T的列均方差，得到

4.如權(quán)利要求1所述的一種基于感知數(shù)據(jù)的無線傳感器網(wǎng)絡(luò)異常類型鑒別方法，其特征在于：所述步驟S3包括以下步驟：

S301：計算的列均值向量μ^*并對進(jìn)行零均值化得到矩陣其中零均值化就是矩陣中的每個數(shù)減去自身所在列的均值；

S302：通過公式計算矩陣X'的協(xié)方差矩陣；

S303：計算協(xié)方差矩陣的特征向量E＝{e₁,e₂,…,e_q}與特征值λ₁,λ₂,…,λ_q，其中特征值按從大到小排序，與特征向量一一對應(yīng)；

S304：計算貢獻(xiàn)率當(dāng)前l(fā)個特征值貢獻(xiàn)率之和大于θ時，保留對應(yīng)l個特征向量組成矩陣E^*；

S305：計算得到降維后的矩陣X＝X'*E^*。

5.如權(quán)利要求1所述的一種基于感知數(shù)據(jù)的無線傳感器網(wǎng)絡(luò)異常類型鑒別方法，其特征在于：所述基于密度的競爭聚類算法包括以下步驟：

S401：給定降維后的訓(xùn)練數(shù)據(jù)，計算每個點的代價函數(shù)，若該點在其鄰域內(nèi)代價值最大，則為聚類中心；

S402：每個點依據(jù)其他點選擇聚類中心的概率選擇收益最大的類；

S403：每個點基于每次選擇結(jié)果重新選擇直到所有點的收益值都達(dá)到最大；

S404：依據(jù)各個點的選擇結(jié)果形成了多個簇，通過簇均值和簇均方差區(qū)分簇的類型，即正常簇與異常簇。

6.如權(quán)利要求5所述的一種基于感知數(shù)據(jù)的無線傳感器網(wǎng)絡(luò)異常類型鑒別方法，其特征在于：所述步驟S401包括以下步驟：定義降維后的訓(xùn)練數(shù)據(jù)集X＝{x₁,x₂,…,x_k}，計算每個點x的代價函數(shù)其中，dist為歐式距離，d_c為截斷距離，d_c可取所有點的相互距離中由小到大排列占總數(shù)1％的位置的距離數(shù)值；若該點在其鄰域內(nèi)代價值最大，則為聚類中心。

7.如權(quán)利要求5所述的一種基于感知數(shù)據(jù)的無線傳感器網(wǎng)絡(luò)異常類型鑒別方法，其特征在于：所述步驟S402包括以下步驟：定義點x_i與點x_j同屬一個聚類時，點x_i的收益值value(x_i,x_j)＝exp(-dist(x_i,x_j))，定義點x_i選擇與點x_j歸屬同一類的概率為則點x選擇歸屬到聚類中心c的收益函數(shù)為g(x)＝value(x)probs(c)，其中value(x)＝(value(x,x₁),value(x,x₂),…,value(x,x_k))，probs(c)＝(probs(x₁,c),probs(x₂,c),…,probs(x_k,c))，若點x選擇聚類中心c的收益值最大，即獲取的利益最大，則選擇歸類到聚類中心c。

8.如權(quán)利要求5所述的一種基于感知數(shù)據(jù)的無線傳感器網(wǎng)絡(luò)異常類型鑒別方法，其特征在于：所述步驟S403包括以下步驟：定義點x歸屬到聚類C的收益為h(x)，其中num表示聚類C中點的個數(shù)(若x∈C,則個數(shù)減1)，點x依據(jù)在各個聚類的收益值，重新選擇歸屬到收益值最大的聚類中，所有點重復(fù)選擇直到所有點選擇不變，達(dá)到平衡，即所有點獲得最大收益。

9.如權(quán)利要求5所述的一種基于感知數(shù)據(jù)的無線傳感器網(wǎng)絡(luò)異常類型鑒別方法，其特征在于：所述步驟S404包括以下步驟：定義一個簇內(nèi)所有檢測特征中的感知數(shù)據(jù)均值的平均值為簇均值其中表示第i個檢測特征的第j個均值，num表示簇中檢測特征的個數(shù)；定義一個簇內(nèi)所有檢測特征中的感知數(shù)據(jù)均方差σ的平均值為簇均方差其中σ_ij分別表示第i個檢測特征的第j個均方差；通過計算各個簇的簇均方差來劃分正常數(shù)據(jù)和噪聲，其中簇均方差最大的簇為異常簇且異常是由噪聲與錯誤引起的，簇內(nèi)點為噪聲與錯誤，而簇均方差最小的簇為正常簇，剩余簇依據(jù)與正常簇以及異常簇的簇均方差的差異程度就近判斷為正?；虍惓?。

10.如權(quán)利要求1所述的一種基于感知數(shù)據(jù)的無線傳感器網(wǎng)絡(luò)異常類型鑒別方法，其特征在于：所述步驟S5包括以下步驟：

S501：定義一個簇內(nèi)所有檢測特征的完整度A的平均值為簇完整度其中A_i表示第i個檢測特征的完整度；定義一個簇內(nèi)的所有檢測特征ID的方差為簇連續(xù)度其中d_i表示第i個檢測特征的ID，為均值；

S502：新的檢測特征x_new先經(jīng)z-score標(biāo)準(zhǔn)化以及PCA降維后得到點x；

S503：通過公式計算點x歸屬到各個簇的收益值；若收益值的最大值大于給定的閾值(ε＝10e-5)，則將點x歸屬到收益值最大的簇中；若點x歸屬到正常簇，則判定為正常值，否則判定為異常值并根據(jù)異常簇的類型決策引起點x異常的原因；若收益值的最大值小于給定的閾值，也就是點x在現(xiàn)有的簇中的收益值小到可以忽略不計，則點x形成一個新簇；根據(jù)規(guī)則判定新簇的類型，在判定點x的歸屬后用它替換對應(yīng)簇內(nèi)舊的檢測特征；

所述規(guī)則如下：若新簇的簇均值、簇均方差、簇完整度以及簇連續(xù)度均與正常簇簇持平，則判定該簇為正常簇；若新簇的簇均方差和簇連續(xù)度大于正常簇而簇完整度與正常簇持平，則該簇判定為異常簇且異常是由噪聲與錯誤引起的；若新簇的簇均方差、簇完整度和簇連續(xù)度與正常簇簇持平，而簇均值遠(yuǎn)大于或遠(yuǎn)小于正常簇，則該簇判定為異常簇且異常是由事件引起的；若新簇的簇均方差與正常簇持平，而簇均值和簇完整度均遠(yuǎn)小于正常簇，則該簇判定為異常簇且異常是由與網(wǎng)絡(luò)協(xié)議相關(guān)的攻擊引起的；若新簇的簇均方差大于正常簇，而簇連續(xù)度與正常簇持平，則該簇為異常簇且異常是由惡意數(shù)據(jù)注入攻擊引起的；其中，持平、大于、遠(yuǎn)大于和遠(yuǎn)大于指標(biāo)都是與訓(xùn)練集的正常簇相比而言，持平表示兩者的數(shù)量級相同，遠(yuǎn)大于和遠(yuǎn)小于表示新簇大于或小于正常簇一個數(shù)量級以上。