基于动态图神经网络的多模态无线传感器网络数据流异常检测新方法
机器学习
2022-02-23 v1 人工智能
摘要
异常检测被广泛用于通过分析无线传感器网络（WSN）数据流的时空特征来区分系统异常，它是保障 WSN 可靠性的关键技术之一。当前，图神经网络（GNNs）已成为在 WSN 数据流上进行异常检测的流行最先进方法。然而，现有基于 GNNs 的异常检测方法未同时考虑 WSN 数据流的时空特征，如多节点、多模态和多时间特征，严重影响了其有效性。本文提出一种面向多模态 WSN 数据流的新异常检测模型，其中使用三个 GNN 分别提取 WSN 数据流的时间特征、不同模态间的相关特征以及传感器节点位置间的空间特征。具体而言，首先将从每个传感器节点提取的时间特征和模态相关特征融合为一个向量表示，再与空间特征（即节点的空间位置关系）聚合；最后预测 WSN 节点的当前时间序列数据，并根据融合特征识别异常状态。在公开数据集上的仿真结果表明，所提方法在鲁棒性方面显著优于现有方法，其 F1 分数达到 0.90，比图卷积网络（GCN）结合长短期记忆（LSTM）的方法高出 14.2%。
引用
@article{arxiv.2202.10454,
title = {A Novel Anomaly Detection Method for Multimodal WSN Data Flow via a Dynamic Graph Neural Network},
author = {Qinghao Zhang and Miao Ye and Hongbing Qiu and Yong Wang and Xiaofang Deng},
journal= {arXiv preprint arXiv:2202.10454},
year = {2022}
}