论文部分内容阅读
无线传感器网络在智能交通系统中的应用提高了交通监测的实时性和准确性,传感器网络的正常工作是交通系统安全可靠运行的重要保障。异常检测和诊断作为传感器网络故障分析的关键技术之一,可以有效的发现并定位传感器网络中出现的各种故障,提高系统可用性。论文以传感器网络应用程序的任务执行轨迹为研究对象,深入研究了基于任务执行轨迹异常检测与诊断算法,主要工作如下: (1)基于感知节点程序的任务和异步中断两级并发执行模型,提出了基于任务和任务关联函数两个层面的异常检测与诊断算法。通过挖掘任务执行及任务关联函数调用信息,结合任务的不可抢占性、同步性和周期性等特点,分析感知节点程序的运行时任务执行特征及任务关联函数调用特征。 (2)设计了一种基于任务执行轨迹的异常检测算法。该算法首先利用指定大小的时间窗划分任务执行序列,统计各区间内应用程序的任务执行频数构建任务执行轨迹模型;然后提出了基于一分类支持向量机(OCSVM)分类模型和显著性检验的异常检测算法,并利用正常执行时的任务执行轨迹模型对OCSVM分类模型进行参数优化;最后,通过典型实例对论文异常检测方法的有效性进行了验证。实验结果表明OCSVM分类模型具有较低的误检率及准确性;同时,基于异常区间的显著性检验可以检测出导致异常的任务。 (3)提出了任务关联函数调用频数模型,并基于该模型设计实现了函数层面的异常诊断算法。首先统计异常任务在执行时其关联函数的调用频数,任务每次执行时其关联函数调用频数构成了该任务的函数调用频数统计模型;利用显著性检验对比正常执行和异常执行时的函数调用频数模型中各函数调用频数差异,确定出异常执行的函数;最后通过对实例验证得到的异常函数的调用关系及相关源代码控制流信息的分析寻找缺陷代码,结果表明该方法可以有效降低故障分析复杂度。 论文提出的基于任务执行轨迹挖掘的异常检测与诊断算法,首先基于任务执行轨迹进行异常任务检测,并进一步挖掘异常任务关联函数调用频数的相关异常信息,得到异常调用的函数;然后根据异常函数的调用关系、控制流及数据流等信息实现了异常信息的追踪及定位。论文提出的基于任务执行轨迹的检测算法和基于任务关联函数调用频数模型的异常诊断算法缩小了异常的范围,可以为修复感知节点程序的代码缺陷提供帮助。