[论文解读] A Method for Detecting Abnormal Data of Network Nodes Based on Convolutional Neural Network

Yihao Zang, Xianhao Shen+1 more|arXiv (Cornell University)|Jun 28, 2021

Anomaly Detection Techniques and Applications参考文献 3被引用 4

一句话总结

本文提出一种基于卷积神经网络（CNN）的方法，通过将归一化数据转换为灰度图像作为输入，以检测无线传感器网络中的异常数据。该方法通过自动学习数据特征，提高了检测的准确性和可靠性，在实验验证中优于传统的基于阈值的方法。

ABSTRACT

Abnormal data detection is an important step to ensure the accuracy and reliability of node data in wireless sensor networks. In this paper, a data classification method based on convolutional neural network is proposed to solve the problem of data anomaly detection in wireless sensor networks. First, Normal data and abnormal data generated after injection fault are normalized and mapped to gray image as input data of the convolutional neural network. Then, based on the classical convolution neural network, three new convolutional neural network models are designed by designing the parameters of the convolutional layer and the fully connected layer. This model solves the problem that the performance of traditional detection algorithm is easily affected by relevant threshold through self-learning data characteristics of convolution layer. The experimental results show that this method has better detection performance and higher reliability.

研究动机与目标

• 解决由于故障或异常导致无线传感器网络中数据检测不可靠的问题。
• 克服传统基于阈值的检测方法对参数选择和环境变化敏感的局限性。
• 开发一种数据驱动的方法，从正常和异常数据中学习内在模式，实现鲁棒的异常检测。
• 提升网络化传感器系统中数据完整性验证的可靠性和准确性。

提出的方法

• 将正常和异常数据进行归一化，并映射为灰度图像，作为卷积神经网络的输入。
• 通过调整卷积层和全连接层的参数，设计了三种定制化的CNN架构，以优化特征提取。
• 网络利用卷积层的层次化特征学习能力，自动捕捉复杂数据模式，而无需依赖预设阈值。
• 在图像表示的数据上端到端训练模型，以将输入分类为正常或异常。
• 该架构基于经典CNN框架，但通过针对传感器数据表示量身定制的超参数进行了修改。
• 该方法实现了数据特征的自学习，降低了对人工阈值调优的依赖。

实验结果

研究问题

• RQ1 基于CNN的方法是否能在不依赖固定阈值的情况下有效检测无线传感器网络中的异常数据？
• RQ2 与传统方法相比，传感器数据的图像表示如何提升异常检测性能？
• RQ3 定制化CNN架构设计对传感器数据应用中检测准确率和鲁棒性有何影响？
• RQ4 该模型在不同类型的传感器数据故障注入场景下，其泛化能力如何？
• RQ5 CNN的自学习能力在动态网络环境中如何提升检测的可靠性？

主要发现

• 由于能够学习复杂数据模式，所提出的方法在检测准确率上优于传统基于阈值的算法。
• 该模型在各种故障注入场景下，均表现出更高的异常数据识别可靠性。
• 使用灰度图像表示能有效保留传感器数据的结构特征，从而实现有效分类。
• 在给定数据集上，定制化CNN架构的检测性能优于标准模型。
• 该方法降低了对参数调优的敏感性，增强了在实际部署中的鲁棒性。
• 实验结果证实，该模型在不同条件下均能显著优于其他方法，有效区分正常与异常数据。