WSN数据流离群点挖掘探究摘要：随着传感器网络技术的发展，WSN中的离群点检测成为近年来研究的热点，出现了很多检测算法。由于传感器节点能量有限，且产生的数据为流式数据，传统、静态的离群数据挖掘方法不再适用。如何在能量消耗最小的情况下，提高检测精度是需要解决的问题。关键词：无线传感网离群点检测：TP311.3文献标识码：A：1007-9416(2013)07-0086-01离群点检测又称异常检测、孤立点检测、偏差检测。Hawkins[1]给出了离群点的本质性定义：离群点是数据集中偏离大部分数据的数据，使人们怀疑这些数据的偏离并非由随机因素产生，而是产生于完全不同的机制。也就是说，离群点是数据集中与其他数据明显不一致的观测值。离群点检测在传感器网络中有许多重要的应用，例如异常事件检测，动物的行为改变，异常入侵检测等。离群点检测提供了数据可靠性、事件报告和网络安全等功能，在环境监测和濒危物种生活习性监督等领域有着广泛应用。离点群检测是数据挖掘的基本任务之一，与数据挖掘的其他任务一关联规则分析、分类分析、聚类分析等任务相比，离群点检测更加符合数据挖掘的本质。---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---随着传感器网络技术的发展，WSN中的离群点检测成为近年来研究的热点，出现了很多检测算法。由于网络有限的资源，传感器网络中的数据挖掘技术受到了很多的限制，使得其离群点检测面临严峻的挑战［2］,最棘手的问题是如何在能量消耗最小的情况下，提高检测精度。由于受到网络通信带宽有限、物理设备故障、恶劣环境及外界干扰等因素影响，传感器网络中节点收集的数据往往是不可靠不精确的，数据会出现异常、丢失、不一致等问题。在WSN中，离群点定义为那些明显偏离传感数据正常模式的数据［3］。在WSN中传感器节点用于监测物理世界，因此存在着代表正常行为和状态的传感数据模式。由于WSN特殊的特点，如资源受限，物理故障，及恶劣的环境影响等，无线传感器网络更容易产生异常值。很多课题研究如何在WSN中识别离群点原因的问题，包括错误检测,事件检测以及入侵检测。这一方向的研究值得深入探讨，以获得对决策有帮助的信息，而不是单纯地将离群点作为错误信息忽略掉。在许多研究中，为了减少不一致数据也就是离群数据对分析结果的影响，离群点常常被忽略或者作为噪声被处理，然而，“一个人的噪声可能是另一个人的信号”，不加分析地舍弃离群数据，可能导致重要信息的丢失［4］。例如在欺诈检测中，离群数据可能意味着欺诈行为的发生；在环境监测中，离群数据可能预示着灾害天气的到来；在入侵检测中,离群数据可能意味着---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---入侵行为的发生等等，由此可见离群数据检测是数掘挖掘领域的一项关键任务。如果可能，噪音和错误数据应该被忽略或纠正，因为噪音是随机的错误，不会对实际数据分析造成影响。而造成离群的其他原因应该识别出来，因为其中可能隐含研究者感兴趣的关于事件的重要信息。要将现有的离群点检测技术应用到传感器网络中，存在的主要问题有[5-8]:（1）大多数现有工作没有考虑多变量数，假设传感数据是单变量的。然而，有时候单个变量没有出现异常，但多个变量一起考虑时可能就是异常状况。（2）现有技术考虑邻居节点之间的空间关联，但如何选择合适的邻居范围是一个问题。而考虑数据事件关联性的时候，如何选择滑动窗口的大小也是个问题。（3）很少区别离群点究竟是事件还是错误。现有方法只是简单将离群点认为是错误。通常认为错误应该被删除，关于隐藏事件的重要的信息有可能丢失。实际上这些技术没有具体描述如何处理识别出来的离群点。（4）许多技术需要用户定义阈值，但我们往往难以定义一个合适的阈值。此外，如果WSN特征动态变化的话，设置固定的阈值也是不合理的。(5)这些技术假设传感节点是静止的，没有考虑节点移动性。如果将这些算法应用到动态网络环境中也存在一些问题。---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---参考文献[1]HawkinsD.IdentificationofOutliers[M]・London：Chapman...