摘要：现有异常节点识别方法普遍存在精度低或者功耗大等不足,针对这些不足,提出一种基于低秩矩阵分解的无线传感器网络异常节点识别算法。根据传感器节点的特性进行特征选取和属性矩阵构建;通过改进的CUR矩阵分解方法计算异常矩阵;依据异常矩阵中节点向量的总体均值和标准差设定控制限,判断节点是否发生异常。实验结果表明,与其它异常识别方法相比,该方法具有较高的识别准确率。

摘要：大数据分析下研究基站异常节点信息定位方法对确定医疗事故、森林火灾等危险事件的具体发生地点,及时采取搜索和营救工作具有重要作用。传统DV-Hop定位方法设计的根据基站异常节点接收离其最近的锚节点的平均跳距值来实现定位,存在定位精度较低,平稳定位误差稳定性较差的问题,提出一种基于误差修正的定位方法,计算大数据分析下基站异常节点与传感器锚节点之间的最小跳数和基站异常节点与传感器锚节点之间的距离;利用三边测量法或者极大似然估计法计算基站异常节点位置坐标;在DV-Hop定位方法的第二阶段针对基站异常节点平均跳距以及跳数信息进行修正;第三阶段采用加权处理的平均跳距估值法对基站异常节点的坐标位置计算方法进行修正,明显提高了定位精度。仿真结果表明,所提方法大大降低了基站异常节点信息的平均定位误差,且平均定位误差波动范围较小。

摘要：为解决当前无线传感器网络异常节点检测算法复杂度高且影响网络寿命的问题,提出一种基于压缩感知的无线传感器网络电量损耗异常节点识别方法。对存在异常节点的无线传感器网络建模,得到满足稀疏特性的节点电量损耗向量,用压缩感知方式通过数据整理、线性计算、重构与判决3个步骤完成对网络中异常节点的检测与定位。仿真实验通过模拟存在异常节点的无线传感器网络场景,在不同参数下验证了该算法的有效性。

摘要：异常节点检测是保证舰船物联网安全的关键技术之一。针对当前舰船物联网异常节点检测效果差的缺陷,为获得更优的舰船物联网异常节点检测效果,设计了基于数据挖掘的舰船物联网异常节点检测模型。首先对舰船物联网节点的数据进行分析,并对异常节点和正常节点的信息进行标记,建立舰船物联网异常节点检测的数据集,然后采用数据挖掘技术——极限学习机建立舰船物联网异常节点检测模型,最后与其他模型进行舰船物联网异常节点检测对比测试,测试结果表明,本文模型获得较好的舰船物联网异常节点检测率,而且误检率明显优于对比模型,验证了本文模型的优越性。

摘要：通信网络受自身链路与人为操作的影响,会出现程度不同的网络异常节点,影响网络的使用安全。传统通信网络异常节点检测为全局扫描检测,由于检测过程过于单一,导致检测漏报率偏高。因此,研究基于物联网的通信网络异常节点检测方法尤为必要。该方法利用物联网信息交互、统筹全局的能力,定位通信网络异常范围;通过提取异常节点特征,构建具有循环检测功能的检测模型;通过压缩感知异常节点信息,实现对异常节点的检测。结果表明:与传统检测方法相比,此次研究的检测方法可以检测出属性不同的异常节点,降低了检测漏报率。

摘要：针对Hadoop集群节点增加导致任务运行效率降低,以及异常节点会拖慢整体作业进度的问题,提出了一种Hadoop集群异常节点实时检测与诊断算法。首先基于正常状态下节点性能相似性原理,使用Logstash工具收集Hadoop集群节点运行日志中的任务状态信息;其次,发现异常节点后,通过Perf性能分析工具收集体系结构性能信息,再利用异常节点诊断算法诊断导致该节点异常的原因。通过实时流计算框架Spark Streaming构建了异常节点实时检测与诊断模型,并设计了一系列的实验验证了本算法的有效性。

摘要：目标异常节点的特征存储时序延迟较高,导致路由分组数据绕行功耗过高;当前的通信负载异常节点绕行路由算法无法计算路径权值,导致路由功耗较高。为此,本文提出超远距离光纤通信负载异常节点安全绕行路由算法。基于超远距离光纤通信线路,计算端口负载路径权值,根据权值大小判断目标异常节点位置,并建立安全绕行分层结构,以此确定异常节点绕行的最佳路径。实验结果表明:所设计算法的路由分组数据绕行功耗最高为11.0 W,该数据证明了数据路由功耗较低,所提算法应用效果良好。

摘要：传统检测方法不能循环检测网络各层内的异常节点信息,导致节点丢失率过高。为此,提出基于区块链技术的电力系统光传输网络异常节点入侵检测方法。依靠区块链技术获取光传输网络端到端之间具有时序性特征的节点信息,差异化正常节点与异常节点,计算节点异常分数,设置检测阈值,实现异常节点判断,有效降低节点丢失率。根据全连接循环神经网络,设计循环式的入侵检测模式。通过前向传播算法,对网络中的异常节点进行类别标签,并结合权值微调算法实现对电力系统光传输网络中异常节点的循环检测。试验结果表明,所提检测方法能够有效检测出不同类型的网络异常节点,且节点丢失率较低,最高值仅为3.06%。该方法可为电力系统网络安全保护问题提供参考依据。

摘要：近年来,自治式潜水器(AUV)的快速发展,极大地扩展了水下传感器网络(UWSN)的应用。针对在移动场景下那些邻居节点少或与邻居节点的距离远的异常节点在传输数据时容易失败的问题,在改进局部离群因子(LOF)检测算法的基础上提出一种基于异常检测和AUV辅助的可靠节能路由(RERA)协议。RERA协议提出了适用于UWSN的异常节点筛选机制,筛选出的异常节点只转发时延敏感数据,对于时延不敏感的数据使用AUV辅助传输。此外,优化了遗传算法,设计了高效的AUV路径规划算法。同时,为了避免无序的数据传输导致的冲突,引入一种AUV辅助传输调度规则。仿真实验验证了优化遗传算法的性能和AUV的辅助性能,并与现有的协议进行了比较。结果表明,RERA协议在AUV覆盖率、AUV航行时间、数据交付率、能耗等方面均表现出较优的性能。

摘要：对大数据网络环境下异常节点数据的定位研究,可以有效降低网络空间存在的安全威胁和存储开销。对异常节点数据的定位,需要结合匹配投影理论寻求优化特征解,找出所有匹配的特征点对。传统方法将节点动态感知数据聚合成变宽的直方图,来准确定位节点异常数据,但忽略了求取节点的匹配特征点对,导致定位精度较低。提出基于自适应级联陷波的异常节点数据定位方法。从滑动窗口内采样节点数据的近似度出发,结合聚类理论思想判断窗口内的节点数据是否异常,依据邻居信息将网络节点自我判断阶段的判决进行调整,设计二阶格形滤波器结构,用多个固定陷波器级联抑制异常节点数据属性干扰成份,结合匹配投影理论寻求优化特征解,找出所有匹配的特征点对,从而实现异常节点数据定位。仿真证明,所提方法能够有效提升异常节点数据定位精度,且具有较好的抗干扰性能。