基于物联网的通信网络异常节点检测方法研究

王凌风，卢国潇

（华信咨询设计研究院有限公司，浙江 杭州 310052）

0 引 言

现阶段信息技术快速发展，在网络支持下，人们对网络信息的需求量剧增，无线通信网络的工作量日趋增大，因此通信网络传输海量通信信息时，不可避免地会出现异常节点，而网络节点发生故障时，通信链路性能会迅速下降。因此，检测通信网络异常节点、维护通信网络使用安全，是目前亟待解决的重要问题之一。传统解决方法遵循奈奎斯特采样定理，获取网络节点信息，但压缩过程中会剔除一些价值较小的数据，造成资源浪费，同时，这些价值较小的数据可能是关键性的数据，在全局检测下，会影响异常节点检测结果。因此，研究者以传统检测方法为参考，研究基于物联网的通信网络异常节点检测方法[1]。

物联网在20世纪90年代被提出，与互联网之间存在较大差别。在设计理念上，其服务对象为物体或使用设备，即从网络概念上，对其使用功能和受众对象进行了扩展。在嵌入式技术和通信技术共同作用下，对物体或设备赋予通信的能力，通过数据交互实现各项功能。而物联网衍生的技术，是赋予物体通信能力，通过传感器感知周围的环境，然后通过数据传输实现物体之间、物体和用户之间的信息交互[2]。此次研究将物联网融入异常节点检测中，根据物联网精确检测范围，为通信网络的平稳运行与使用安全提供更严谨的技术支持。

1 基于物联网的通信网络异常节点检测方法

1.1 物联网定位异常范围

用户访问通信网络、传感器网络节点自身运行，都可能造成网络节点异常。利用物联网可实现物物信息交换，定位通信网络异常范围。考虑到网络节点之间的关联性和交互性，将网络流量传输过程看作是一个运动过程。已知通信网络中的锚节点可能是智能手机，也可能是传统移动设备，因此，在定位网络异常范围时，假设通信网络中锚节点设备的数量、位置与网络拓扑都是固定的[3]。

当通信网络正常使用时，设置其中的一个目标节点为0，使用n个移动锚节点，计算目标节点所在位置，锚节点为1,2,…,n，其中某一节点为i(i=0,1,2,…,n)，将其位置设置为pi(pi,1,pi,2,…,pi,m)，其中m表示通信网络空间维数，且存在n≥m+1，需要定位的目标节点可设置为p0。为了计算目标节点的位置信息，需要计算该节点与其他节点之间的距离。因此，利用物联网的非相邻相减思路，消除多边定位过程中的二次项。假设锚节点i需要满足如式（1）所示的限制条件：

式中：p0,j表示待确定的未知变量。为了保证物联网计算安全，将上述进行转化，得到：

根据上述转化结果，利用第n个公式，减去第i个公式，消除式（2）中左侧的二次项，得到一个线性方程Xp0T=Y，根据式中X与Y的定义，得到线性方程的估计结果：

上述结果就是物联网以某一目标节点为中心经计算得到的异常节点最远距离。重复上述步骤，得到通信网络链路中所有网络异常节点构成的通信网络异常范围。

物联网完全覆盖并感知网络链路，根据各个节点的数据变化情况，利用物联网信息交互功能，实现信息交换、信息完全覆盖功能，通过对全区域网络节点的信息识别，计算其中与目标节点存在影响关联的锚节点，定位异常节点所在范围。

1.2 提取异常节点特征

在确定通信网络异常节点的所在范围后，利用一种簇中心距离和的特征提取方法，提取异常范围中由于链路自身故障、人为故障导致的网络异常节点特征。将得到的异常范围划分成训练集和测试集，然后从训练集中提取s个簇中心，再将原始的m维数据集转化，得到一个全新的s维数据集。该提取过程共包含两个阶段：第一阶段是通过上述方式得到训练集后进行聚类，然后提取簇中心；第二阶段是再次计算目标节点与各个节点之间的距离和，构建一个全新的训练集训练数据。

假设将m维数据集W划分后，得到的训练集和测试集分别为W1和W2，聚合并提取W1中s个不相连的簇和簇中心。由于第一阶段中，通信网络节点之间的异常行为较为相似，因此，需要将数据集划分为多个簇。假设W1中的数据样本为qi，计算qi与所有簇之间的距离，并获取与其最接近的簇Cq，重复此步骤，得到s个簇中心c1,c2,…,cs。此时的目标函数为：

式中：Q为数据样本与其所在簇的簇中心cj之间的距离度量；a＜m，表示m维数据的总使用数量。通过上述步骤，得到W1中的s个簇中心。利用W1和簇中心c1,c2,…,cs，生成s维数据集W1'，其中每个数据样本都是由s个距离之和构成的。再根据上述分析，使用簇中心c1,c2,…,cs将W2转换为新数据集W2'，利用分类算法对W2'的结果进行分类。为衡量不同样本数据在网络异常范围内距离的远近，对于网络中存在的任意两个数据，即异常中心节点和异常边缘节点，计算异常中心节点和异常边缘节点之间的欧几里得距离，公式为：

式中：n表示异常节点数量。通过重复上述计算过程，得到新的数据集W2'，然后进行节点分类，找出多个节点与目标节点之间的强弱关联，得到物联网定位范围内所有异常节点的特征。

1.3 构建检测模型压缩感知异常节点信息

根据上一节的提取结果构建检测模型，描述通信网络节点检测过程，如图1所示。

图1 网络异常节点检测模型

根据图1可知，通信网络中的异常节点并不是均匀分布的，而构建的检测模型需要依托一个分布式检测算法，实现对所有异常节点的压缩感知，从而实现对通信网络异常节点的循环检测。

使用循环迭代的分布式检测算法，将整个无线通信网络划分为若干个区域，在每个区域中进行压缩感知任务。当检测模型完成循环检测工作后，根据检测结果调整模型参数，同时调整对应的检测矩阵。同样假设通信网络中包含K个节点，用x(k),k=1,2,…,K表示离散数据向量。检测模型对每个网络定位区域，执行加权追踪任务，然后利用式（6）判断各个节点是否存在因为链路或人为因素导致的异常情况：

式中：x'(i)表示模型加权追踪后得到的第i个恢复数据；λ1表示网络节点存在异常问题；λ0表示网络节点不存在异常问题；b表示通信网络节点异常的门限值。将计算结果与实际发生情况进行对比，并调整每个定位范围的区域权重。之后，汇总整个通信网络的检测情况，以全局的角度定位检测结果位置，然后调整对应区域内的检测矩阵。这里研究者假设通信网络被划分成A个子区间，检测模型从中获取G个节点信息，根据式（7）调整检测节点数量：

式中：Gij、Fij分别表示模型第j次检测时，对于第i个区间的检测数据数目、发现节点异常的数目。利用构建的模型压缩感知异常节点信息，完成对通信网络中存在的异常节点的检测。

2 实验研究

将传统的网络异常节点检测方法作为对照组测试对象，将此次研究的异常节点检测方法作为实验组测试对象，比较两个检测方法对通信网络异常节点的检测能力。

利用仿真软件设计一个500×500的正方形区域，用该区域模拟通信网络，并模拟该网络中共存在16个高度异常节点（A类节点），7个低度异常节点（B类节点）。图2是两个测试组的异常节点检测结果。

图2 不同测试组的通信网络异常节点检测结果

从图2可知，实验组和对照组都检测出16个高度异常网络节点。而面对异常程度低的网络节点，实验组在多次循环检测下，只遗漏了1个异常节点，该节点远离其他异常节点，且只有1个。对照组由于不具备循环检测的功能，因此在一次扫描检测后遗漏了6个低度异常节点。通过上述分析可知，面对异常波动较小、影响程度较低、数量较少、位置偏离的低度异常节点，实验组检测方法可通过循环检测得到更加准确的检测结果；而对照组由于检测程序单一，只能检测出掺杂在大范围异常节点内的低度异常节点。

对照组检测B类网络异常节点的能力较弱，实验组检测B类网络异常节点的能力相对来说更强。经计算，实验组的异常节点检测漏报率比对照组低。综合上述实验测试结果可知，此次研究的通信网络异常节点检测方法通过循环检测的方式，降低了异常节点的漏报率。

3 结 论

此次研究的检测方法将物联网作为检测依托，实现对网络异常节点的精准定位。但此次研究的检测方法，其检测结果并不是绝对准确的，受突发事件、计算误差影响，仍会存在漏报的情况。但总体来看，目前研究的检测方法的检测性能相对更好。但随着物联网的不断优化升级，对网络异常节点检测方法的要求不断提高，因此，在今后的研究中，要根据物联网的更新与优化，改善定位效果，尽量在简化检测步骤、提升检测效率的同时，进一步精确检测结果。