论文部分内容阅读
随着传感器技术、嵌入式计算技术和分布式信息处理技术的迅速发展,无线传感器网络(Wireless Sensor Networks,WSN)应运而生。无线传感器网络具有的广阔应用前景,在基础理论和工程技术两个层面向研究者提出了很多具有挑战性的问题。事件检测是WSN中的一个应用重点。用户不仅要求检测出哪些传感器节点的数据发生了异常,而且还要求检测出引发这些数据异常的具体事件类型,这种事件类型的判断具有重要的现实意义。 为了更好地体现事件特征,我们可以对事件进行抽象,即建模,用具体的模型描述事件的特征。由于图模型在描述复杂事件上具有很强的能力,若将某个节点的数据看作图中的顶点,数据间的时空相关性看作图中的边,则可以很自然地使用图模型描述事件特性。本文利用节点间接收事件数据的时间延迟,构造出时延有向图模型,它具有丰富的语义信息,可以较为全面地描述WSN事件特征。然后基于时延有向图模型,可以将事件类型的判定转化为事件模式图数据库中事件图的相似度查询。 针对传统的图相似性查询复杂度较高,本文利用WSN事件的特征信息,对图查询工作进行了转化,通过挖掘出模式图和事件图中的特征结构,构造出“特征-图”矩阵,将图转化为特征向量,从而将图查询问题转化为特征向量匹配问题。对于特征向量相似度的衡量,针对欧氏距离和余弦相似性的不足,提出了更符合WSN事件特点的基于特征结构包含的向量匹配方法(GFC)。 考虑到WSN事件图中不同特征结构的重要程度是不同的,本文将每个图的特征结构按其重要性由大到小排序,形成一个特征结构序列。在此基础上,将图查询问题转化为特征序列匹配问题,并提出了两种序列相似度计算方法:基于权重的最大公共子序列的方法(WLCS)和基于权重的序列编辑距离的方法(WSED)。 最后的实验表明,针对WSN的事件检测,本文提出的时延有向图建模方法相对于简单的建模方法具有较高的检测质量;GFC算法相对于基于欧氏距离和余弦相似性算法具有更高的查询准确率;考虑特征结构重要性的WLCS和WSED算法相对于特征向量匹配算法具有更好的性能和更高的准确率。