br>[0046] S4 :以窗口內(nèi)最新的數(shù)據(jù)，即當(dāng)前時刻的流量值，作為求解上述白化微分方程的初 始條件，利用最小二乘法估計模型中的待定參數(shù)。
[0047] 利用最小二乘法估計模型中的待定參數(shù)a，b;
[0051] 其中，x(1)(n)為窗口內(nèi)流量數(shù)據(jù)一次累加結(jié)果的最后一數(shù)據(jù)，
[0053] S5 :對由步驟S4得到的GM(1，1)模型進(jìn)行L步預(yù)測，并減去由步驟S2記錄的c得 到L步流量預(yù)測值，其中每一個預(yù)測值對應(yīng)一預(yù)測時刻，以時刻表存儲各預(yù)測值。
[0054] 預(yù)測步長越短，其預(yù)測值更加準(zhǔn)確；對于GM(1，1)模型，L彡3預(yù)測值有效。對于 該方法設(shè)計，選定L= 3為宜。
[0055] S6 :判斷當(dāng)前預(yù)測時刻在步驟S5中是否已存儲得L個數(shù)據(jù)，若是則利用步驟S5中 累計得到的共計L個當(dāng)前預(yù)測時刻的預(yù)測值，進(jìn)行類指數(shù)加權(quán)平均生成當(dāng)前預(yù)測時刻流量 預(yù)測值，然后執(zhí)行步驟S7 ;否則執(zhí)行步驟S8。
[0056] 根據(jù)步驟S5中累計獲得的共3個當(dāng)前預(yù)測時刻的下一時刻的預(yù)測值，進(jìn)行類指數(shù) 加權(quán)平均生成該時刻流量預(yù)測值，而為了體現(xiàn)前期數(shù)據(jù)對當(dāng)前預(yù)測時刻更大的作用（維持 較為穩(wěn)定的流量狀態(tài)），在本實例中設(shè)定加權(quán)系數(shù)為：[0. 2, 0. 3, 0. 5](近似指數(shù)加權(quán)）。若 該預(yù)測時刻在步驟S5中未存儲得3個數(shù)據(jù)，則此步為初始化過程，不做任何運(yùn)算；
[0057] S7 :利用步驟S6所得的最終1步流量預(yù)測值，與下一時刻出現(xiàn)的真實流量值進(jìn)行 相對誤差判定，若超過設(shè)定閾值則判定出現(xiàn)流量異常。
[0058] 根據(jù)步驟S6所得的最終1步流量預(yù)測值，與下一時刻出現(xiàn)的真實流量值進(jìn)行相對 誤差判定，若超過設(shè)定閾值則判定出現(xiàn)流量異常。該實例中設(shè)定閾值為10%，若超過該閾 值，則說明當(dāng)前預(yù)測時刻無線傳感器網(wǎng)絡(luò)流量發(fā)生異常，實時的在當(dāng)前預(yù)測時刻發(fā)布流量 異常報警信號。
[0059] 用于判定異常的閾值設(shè)定在5%~15%，可根據(jù)網(wǎng)絡(luò)環(huán)境需求進(jìn)行設(shè)定；其中， 5%為達(dá)到極高要求，15%為達(dá)到一般要求。
[0060] S8 :窗口以st印步長向前滑動，開始重復(fù)步驟Sl。
[0061] step的大小可根據(jù)系統(tǒng)運(yùn)算速度及檢測需要進(jìn)行設(shè)定，step>l時則為抽樣檢測。
[0062] 步驟S5~S8,利用GM(1，1)模型獲得5步流量預(yù)測值，并通過指數(shù)加權(quán)平均法獲 得最終1步判定值，并做異常檢測的過程如圖3所示。當(dāng)進(jìn)行第一次L步預(yù)測時，得到L個 不同預(yù)測時刻各自的預(yù)測值，此時在時刻表中的L個預(yù)測時刻各自存儲了一個預(yù)測值；顯 然不滿足步驟S6的要求，則移動滑動窗口以設(shè)定步長step向前滑動，繼續(xù)進(jìn)行第二次的L 步預(yù)測，此時的L個預(yù)測時刻與第一次的不完全相同；以此類推，當(dāng)前預(yù)測時刻累計到滿足 條件的預(yù)測值M個，對當(dāng)前預(yù)測時刻的M個預(yù)測值進(jìn)行類指數(shù)加權(quán)平均生成該時刻的一步 流量預(yù)測值，根據(jù)得到的一步流量預(yù)測值來與當(dāng)前預(yù)測時刻的真實流量值進(jìn)行相對誤差判 定，根據(jù)誤差是否超過閾值判定當(dāng)前預(yù)測時刻流量是否異常。例如本申請中的L取值為5， step取值為1，則需要的搭配當(dāng)前預(yù)測時刻的5個預(yù)測值，則如圖3所示，第一次5步預(yù)測 得到的第五個預(yù)測時刻各自的一個預(yù)測值，需要經(jīng)過五次的5步預(yù)測，其在時刻表中才會
[0063] 本實施例中，窗口以1步長向前滑動，轉(zhuǎn)至步驟S1，直至圖2的無線傳感器網(wǎng)絡(luò)流 量數(shù)據(jù)被檢測完。
[0064] 最終，將無線傳感器網(wǎng)絡(luò)流量數(shù)據(jù)、一步步建立的無線傳感器網(wǎng)絡(luò)流量預(yù)測數(shù)據(jù)、 發(fā)出過的流量異常報警信號同時標(biāo)記在一幅圖中，如圖4所示。可以發(fā)現(xiàn)，該方法全部流 量預(yù)測數(shù)據(jù)構(gòu)成的連線與真實流量曲線逼近程度極高，這驗證了該方法對流量預(yù)測的準(zhǔn)確 性；且由于加權(quán)平均法的使用，增加了正常流量狀態(tài)的"慣性"，使整體預(yù)測曲線較為平緩， 當(dāng)異常發(fā)生時，模型不會迅速擬合逼近，從而能更好的檢測流量異常的發(fā)生。在圖3中可以 看出，在流量異常發(fā)生的階段，本異常檢測方法做出了正確快速的判定及預(yù)警；且該方法基 于GM(1，1)模型設(shè)計，較傳統(tǒng)方法，在保證了準(zhǔn)確率的前提下，大大提高了流量異常的實時 檢測能力，其算法復(fù)雜度小的特點(diǎn)非常使用于無線傳感器網(wǎng)絡(luò)環(huán)境；再者，依據(jù)所判定出的 流量異常時刻，進(jìn)而進(jìn)行延時、拓寬等處理，能確立出網(wǎng)絡(luò)異常發(fā)生的準(zhǔn)確時間范圍，這為 無線傳感器網(wǎng)絡(luò)防御機(jī)制的啟動提供了重要的依據(jù)，可以幫助更加有效的抵御惡意入侵攻 擊。
[0065] 本領(lǐng)域的普通技術(shù)人員將會意識到，這里所述的實施例是為了幫助讀者理解本發(fā) 明的原理，應(yīng)被理解為本發(fā)明的保護(hù)范圍并不局限于這樣的特別陳述和實施例。本領(lǐng)域的 普通技術(shù)人員可以根據(jù)本發(fā)明公開的這些技術(shù)啟示做出各種不脫離本發(fā)明實質(zhì)的其它各 種具體變形和組合，這些變形和組合仍然在本發(fā)明的保護(hù)范圍內(nèi)。
【主權(quán)項】
1. 一種基于GM模型的無線傳感器網(wǎng)絡(luò)流量異常檢測方法，其特征在于，具體包括如下 步驟： 51 :確定滑動窗口的大??； 52 :對滑動窗口內(nèi)流量數(shù)據(jù)進(jìn)行級比檢驗，若滑動窗口內(nèi)流量數(shù)據(jù)未通過級比檢驗，則 給滑動窗口內(nèi)所有流量數(shù)據(jù)加上常數(shù)c，直至通過級比檢驗； 53 :根據(jù)步驟S2得到的流量數(shù)據(jù)序列、由該流量數(shù)據(jù)序列得到的一次累加生成序列及 由該一次累加生成序列得到的均值生成序列建立GM(1，1)的白化微分方程； 54 :以窗口內(nèi)當(dāng)前時刻的流量值作為初始條件，求解GM(1，1)的白化微分方程，根據(jù)最 小二乘法估計GM(1，1)模型中的待定參數(shù)； 55 :對由步驟S4得到的GM(1，1)模型進(jìn)行L步預(yù)測，并減去由步驟S2記錄的c得到L 步流量預(yù)測值，其中每一個預(yù)測值對應(yīng)一預(yù)測時刻，以時刻表存儲各預(yù)測值； 56 :判斷當(dāng)前預(yù)測時刻在步驟S5中是否已存儲得M個數(shù)據(jù)，若是則利用步驟S5中累計 得到的共計M個當(dāng)前預(yù)測時刻的預(yù)測值，進(jìn)行類指數(shù)加權(quán)平均生成當(dāng)前預(yù)測時刻的一步流 量預(yù)測值，然后執(zhí)行步驟S7 ;否則執(zhí)行步驟S8 ; 57 :根據(jù)步驟S6所得的當(dāng)前預(yù)測時刻的步流量預(yù)測值，與當(dāng)前預(yù)測時刻的真實流量值 進(jìn)行相對誤差判定，若超過設(shè)定閾值則判定出現(xiàn)流量異常； 58 :窗口以設(shè)定步長step向前滑動，并轉(zhuǎn)至步驟S1。2. 根據(jù)權(quán)利要求1所述的一種基于GM模型的無線傳感器網(wǎng)絡(luò)流量異常檢測方法，其特 征在于，步驟S2所述的級比檢驗具體為：利用公式》對窗口內(nèi)流 .v.V. ^i.tt t 量數(shù)據(jù)值進(jìn)行級比檢驗，當(dāng)所有的級比都落在可容區(qū)間時，則滑動窗口內(nèi) 流量數(shù)據(jù)通過級比檢驗；否則未通過。3. 根據(jù)權(quán)利要求2所述的一種基于GM模型的無線傳感器網(wǎng)絡(luò)流量異常檢測方法，其特 征在于，當(dāng)滑動窗口內(nèi)流量數(shù)據(jù)未通過級比檢驗時，初始化c，將滑動窗口內(nèi)數(shù)據(jù)加上c，若 通過級比檢驗，則記錄下此時的c值；否則以等差值遞增或遞減得到新的c，然后將滑動窗 口內(nèi)數(shù)據(jù)加上新的c，直至所有數(shù)據(jù)通過級比檢驗，并記錄下此時的c值。4. 根據(jù)權(quán)利要求3所述的一種基于GM模型的無線傳感器網(wǎng)絡(luò)流量異常檢測方法，其特 征在于，所述c為常數(shù)。5. 根據(jù)權(quán)利要求1所述的一種基于GM模型的無線傳感器網(wǎng)絡(luò)流量異常檢測方法，其特 征在于，所述步驟S6具體包括以下分步驟： 561 :判斷當(dāng)前預(yù)測時刻在步驟S5中是否已存儲M個數(shù)據(jù)，若是則執(zhí)行步驟S62否則執(zhí) 行步驟S8 ; 562 :根據(jù)步驟S5累計得到的M個當(dāng)前預(yù)測時刻的預(yù)測值，進(jìn)行類指數(shù)加權(quán)平均生成當(dāng) 前預(yù)測時刻流量預(yù)測值，然后執(zhí)行步驟S7。6. 根據(jù)權(quán)利要求5所述的一種基于GM模型的無線傳感器網(wǎng)絡(luò)流量異常檢測方法，其特 征在于，所述對=^4^; 其中，「*li表示向上取整運(yùn)算。7.根據(jù)權(quán)利要求1所述的一種基于GM模型的無線傳感器網(wǎng)絡(luò)流量異常檢測方法，其特 征在于，所述步驟S7中的設(shè)定閾值范圍為：5%~15%。
【專利摘要】本發(fā)明公開一種基于GM模型的無線傳感器網(wǎng)絡(luò)流量異常檢測方法；使用GM(1,1)模型，具有使用歷史數(shù)據(jù)少、模型建立速度快、預(yù)測值準(zhǔn)確的特點(diǎn)，非常適用于無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)能量、計算能力受限的條件；使用窗口大小合適的滑動窗口使歷史建模數(shù)據(jù)量固定，既保證了建模的快速性，還保證了歷史數(shù)據(jù)的最新有效性；優(yōu)化了GM(1,1)模型的白化微分方程求解初始條件，使預(yù)測值更加準(zhǔn)確；對最終用于異常判定的下一時刻流量預(yù)測值由前L次的預(yù)測值指數(shù)加權(quán)平均生成，這樣對流量的預(yù)測引入一定的“慣性”，當(dāng)異常流量來臨時，不能輕易的改變正常的流量預(yù)測模型，而能更好的得到正常流量的預(yù)測值，更輕易的檢測流量異常。
【IPC分類】H04W84/18, H04W24/06
【公開號】CN105025515
【申請?zhí)枴緾N201510388135
【發(fā)明人】于秦, 呂吉彬
【申請人】電子科技大學(xué)
【公開日】2015年11月4日
【申請日】2015年6月30日