基于自编码器神经网络的物联网无线传感器网络分布式异常检测

无线传感器网络（WSN）通过弥合物理世界与网络世界之间的鸿沟，成为物联网（IoT）的基础。异常检测在此背景下是一项关键任务，负责识别设备故障和未发现现象等各类关注事件。然而，由于异常的隐蔽性和环境的不稳定性，该任务具有挑战性。在像 WSN 这样资源匮乏的环境中，这一挑战更加突出，并削弱了众多现有方案的适用性。本文首次将自编码器神经网络引入 WSN 以解决异常检测问题。我们设计了一种分别驻留于传感器和 IoT 云的两部分算法，使得（i）异常可在传感器上以完全分布式方式检测，无需与任何其他传感器或云通信；（ii）计算相对密集的学习任务可由云以更低（且可配置）的频率处理。除极小通信开销外，传感器上的计算负载也非常低（多项式复杂度），大多数商用现货（COTS）传感器均可轻松承担。利用真实的 WSN 室内测试床和连续 4 个月收集的传感器数据，我们通过实验证明，所提出的基于自编码器的异常检测机制实现了高检测准确率和低误报率。得益于所选自编码器神经网络的无监督学习特性，它还能适应非平稳环境中不可预见的新变化。