深度嵌入式系统(Deeply Embedded Systems)是与真实环境联系紧密、资源受限的嵌入式系统。随着物联网技术的发展,深度嵌入式系统得到了大规模的应用,如智能家居、智慧城市等。深度嵌入式系统运行状态监测和异常检测成为保障系统正常工作、提高系统可用性的关键保障性技术。然而,由于部署环境复杂多样、计算机资源严重受限等特点,深度嵌入式异常检测面临诸多的挑战。本文以数据为驱动深入研究了深度嵌入式系统节点程序运行特征,并提出了3种有效的异常检测方法。本文主要工作如下:(1)基于指令级仿真精度的仿真环境,运行了数十个典型应用,并利用本文研究中开发的仿真环境数据自动化收集补丁,收集了大量的应用任务执行数据,建立了深度嵌入式系统任务执行据集。通过对数据集的分析,挖掘深度嵌入式系统任务频数特征与任务转移特征,这些特征将作为深度嵌入式系统异常检测方法研究的基础。(2)利用系统节点任务转移在较长时间内具有稳定性的特征,提出基于任务转移概率矩阵相似性度量的异常检测方法T2PAD。T2PAD利用任务转移概率矩阵描述节点的工作状态,转移概率矩阵包含实际运行中,节点出现的所有任务间一步转移关系。通过对矩阵内行向量的相似性度量,判别系统状态是否符合预期状态进而实现异常检测。导致状态异常的行向量作为诊断信息为开发人员定位异常原因提供帮助。本文基于T2PAD诊断信息的帮助发现了2个TinyOS操作系统底层程序缺陷。(3)针对T2PAD存在的一些问题进行优化并提出T2PAD.U方法。T2PAD方法存在矩阵稀疏、大量非重要任务转移占用大量运算资源的问题。因此利用任务频数特征:少数任务完成节点生命周期主要工作的特征,大量减少需要观测的任务转移数量。采用固定T2PAD.U中的一些参数进而固定任务频数自由度的方法,使得T2PAD.U方法对未被观测的低频数任务也具有检测能力。针对T2PAD中向量相似性计算具有较大开销的问题与参数阈值依赖经验设置,利用检验方法直接检测转移频数,并提供基于统计意义的置信度。由于观测任务范围缩小,T2PAD.U相较T2PAD提供的诊断信息粗糙,T2PAD.U方法最显著的优越性是对计算机资源开销要求极低,可以直接部署于资源受限的微控制器。(4)任务内往往包含大量的函数调用关系,T2PAD方法任务级的异常检测提供较粗粒度的诊断信息,这是对资源受限的妥协。为了在一些测试台(TestBed)环境或者仿真环境等计算资源丰富的部署前测试场景中提供细粒度的异常检测方法进而为异常原因诊断提供更精细的信息,本文研究提出了细粒度的异常检测方法DeepTP。本文首先设计了只占用节点2字节RAM开销、基于函数内追踪点插装的程序追踪方法。类似于自然语言词语遵循文法逻辑,追踪点序列遵循严格的程序逻辑。DeepTP在资源丰富的计算机平台利用GRU深度神经网络对程序追踪点序列进行建模,通过对正常追踪点预测以及通过χ~2检验对追踪点预测的概率分布与实际分布进行检验,实现了细粒度异常检测的目的。DeepTP可以提供语句级的异常诊断信息,为开发人员定位异常原因提供最大的帮助。