一种基于自编码器自监督学习的无线传感器网络异常节点检测方法
机器学习
2022-12-29 v1 人工智能
摘要
针对现有基于无线传感器网络（WSN）的异常检测方法仅考虑和分析时间特征的问题，本文设计了一种基于自编码器的自监督学习异常节点检测方法。该方法将 WSN 时间数据流特征提取、空间位置特征提取与跨模态 WSN 关联特征提取集成到自编码器设计中，以充分利用 WSN 的时空信息进行异常检测。首先，使用全连接网络从局部空间视角考虑单模态提取节点的时间特征。其次，使用图神经网络（GNN）从全局空间视角引入 WSN 拓扑用于异常检测，并考虑单模态提取节点及其邻居数据流的空间与时间特征。然后，采用加权求和的自适应融合方法提取不同模型间的相关特征。此外，本文引入门控循环单元（GRU）以解决时间维度的长期依赖问题。最终，将解码器的重构输出与自编码器的隐藏层表示送入全连接网络计算当前系统的异常概率。由于空间特征提取操作前置，所设计方法可通过增加聚类操作应用于大规模网络异常检测任务。实验表明，所设计方法优于基线方法，F1 分数达到 90.6%，比现有基于无监督重构与预测的异常检测方法高 5.2%。代码与模型见 https://github.com/GuetYe/anomaly_detection/GLSL
引用
@article{arxiv.2212.13904,
title = {A Novel Self-Supervised Learning-Based Anomaly Node Detection Method Based on an Autoencoder in Wireless Sensor Networks},
author = {Miao Ye and Qinghao Zhang and Xingsi Xue and Yong Wang and Qiuxiang Jiang and Hongbing Qiu},
journal= {arXiv preprint arXiv:2212.13904},
year = {2022}
}