基于多元时空数据融合的物联网系统建模和监控方法

技术领域

本发明提供一种物联网系统的时空建模和监控技术，具体涉及一种基于多元时空数据融合的物联网系统建模和监控方法，属于工业工程技术领域。

背景技术

随着信息技术的发展，各种各样的网络系统(物联网系统)在商业、教育、娱乐和医疗保健等领域得到了广泛应用。网络系统通过各种信息传感器或智能设备实时采集需要监控、连接和互动的物体或过程数据，通过网络接入，实现物与物、物与人的连接和互通，进而达到对物体或过程的智能化管理的目的。例如，物联网(IoT，Intemet of Things)是一个物与人之间创建实时交互平台的网络系统，在智能城市、智能医疗和智能家居等自动化系统的发展中发挥着重要作用，在提高生活质量、公共卫生和基础设施建设等方面具有极大的潜力。

网络系统在空间维度的分布式传感器节点(或智能设备)通过采集物体或网络运行过程中的时变信号来反映网络系统的状态。同时，在大多数工程实践中，为了全面反映网络系统的状态，在每个传感器节点上常常配置多种类型的传感器用于收集多种类型的信号。因此，网络系统是一个多元时空动态系统，即网络系统包含多种类型的传感器信号，每种信号都随空间和时间而变化。

网络系统中物与物、物与人之间包含多个错综复杂的交互环节，导致网络系统的信息安全受到威胁。由于网络系统的多元时空动态变化特征，系统受到攻击等安全威胁的可能性大大增加，这将导致大量不必要的经济和社会损失。据调查显示，全球80％工业企业的物联网设备遭受过攻击，且在2018年每个企业由于物联网设备遭受攻击而导致的财务损失平均超过33万美元。因此，为了确保网络系统的信息安全，融合多元传感器数据对网络系统进行建模和监控是至关重要的。对网络系统进行建模和监控有助于了解网络系统的多元时空动态特征并及时有效地监测网络的安全状态。

近些年，学术和工业界人士已经开发出许多方法对网络系统进行建模和监控。对于网络系统的建模，统计方法是常用的描述系统时空特征的建模方法。例如，克里金法、稀疏矩阵算法、降秩技术和全尺寸逼近法采用协方差函数来描述简单系统的时空相关性。高斯马尔可夫随机场(GMRF，Gaussian Markov Random Field)模型和时空条件自回归(STCAR，Spatio-Temporal Conditional Auto-Regressive)模型基于单一类型的传感器信号描述复杂系统的时空相关性。对于网络系统的监控，控制图是常用的监测方法，例如Shewhart控制图、指数加权移动平均(EWMA，Exponentially Weighted Moving Average)控制图和累积和(CUSUM，Cumulative Sum)控制图。这些控制图模型基于单一类型的传感器信号监控网络系统，而没有考虑网络系统的时空相关性。另外，现有的网络系统建模和监控模型通常是在网络空间结构已知的假设前提下建立的，当网络空间结构未知时，现有方法不再适用。

网络系统的建模和监控仍然面临以下挑战：第一，网络系统是复杂的多元时空动态变化系统。在网络系统建模时，一方面应考虑其时空动态特性，另一方面应考虑多种类型传感器信号之间的关系。现有研究虽然在具有单一类型信号的时空系统建模上取得一定成果，但是对具有多种类型信号的多元时空系统的建模研究仍然存在空白。第二，传统的统计过程控制方法(例如，控制图)无法准确刻画网络系统的时空相关性，且仅适用于当被监控系统的观察在时间维度独立的情况。对于在时间维度具有相关性的网络系统，现有方法还无法实现有效监控。第三，在网络系统中，网络结构反映了传感器各节点在空间维度的互连关系，能反应重要的工程系统信息。然而在实际工程系统中，大多数系统的网络结构是未知的，增加了网络系统建模和监控的难度。

发明内容

针对上述现有技术存在的不足，本发明提供一种基于多元时空数据融合的物联网系统建模和监控方法，充分考虑物联网系统的时空动态耦合特征，利用物联网系统中采集到的多元传感器信号数据，实现对物联网时空网络系统的准确建模和及时监控。

本发明提供的技术方案如下：

一种基于多元时空数据融合的物联网系统建模和监控方法，利用物联网时空网络系统中采集到的多种类型的传感器信号，建立多元时空自回归(MSTA，MultivariateSpatio-Temporal Autoregressive)模型刻画物联网时空网络系统的时空相关性，并提出多元时空累积和(CUSUM)控制图模型实现对网络系统(物联网系统)的监控。包括如下步骤：

1)建立物联网时空网络系统的多元时空自回归模型MSTA

将高斯马尔可夫随机场模型与向量自回归模型相结合，构建多元时空自回归模型，用于物联网时空网络系统的建模。构建物联网多元时空自回归模型MSTA包括：建立空间维度的高斯马尔可夫随机场模型、建立时间维度的向量自回归模型。

I.建立空间维度的高斯马尔可夫随机场模型：

物联网时空网络系统采集多种类型的随时间和空间变化的传感器信号数据。假设在网络系统的空间域

其中，s

定义t时刻所有L元信号的空间过程矩阵为

其中

II.建立时间维度的向量自回归模型：

将时间演化过程集成到空间维度的高斯马尔可夫随机场模型，构建多元空间过程的时间序列。在式3中，有

其中

定义δ

联合式5-7，得到MSTA模型的一般表达式如下：

MSTA模型通过空间相关性参数矩阵B

2)建立监控物联网时空网络系统的多元时空控制图CUSUM；

I.构建基于MSTA模型的监控统计量：

定义在t时刻观测到的网络系统的所有L元信号的空间过程矩阵数据为

当X

为更好地监控网络系统，本发明考虑监控网络系统均值和协方差的特征量，分别记为T

监控协方差变化的特征量T

其中vech(·)变换是指提取对称的nL×nL矩阵的对角线元素及对角线以下元素后得到nL×(nL+1)/2向量。当X

当X

II.构建多元时空控制图模型(CUSUM控制图)：

在t时刻，构建基于特征量T

V

其中V

其中TC(0)＝0，k

通过上述步骤，即实现基于多元时空数据融合的物联网系统建模和监控。

与现有技术相比，本发明的有益效果是：

一种基于多元时空数据融合的物联网系统建模和监控方法，利用物联网时空网络系统中采集到的多种类型的传感器信号，建立MSTA模型刻画物联网时空网络系统的多元时空动态变化特征。基于多元时空自回归模型，提出多元时空CUSUM控制图。通过采用本发明所提供的技术方案，有助于准确描述物联网系统的时空相关性特征，并实现对物联网系统及时有效的监控，能够为工程实践提供有用的信息并减少由于系统安全隐患带来的经济和社会损失。

附图说明

图1是本发明实施例的物联网网络系统；

其中细虚线表示各信息物理设备可能的空间连接关系。

图2是本发明实施例的物联网网络系统处于异常状态的一组数据示例，其中数据已经过标准化和去趋势化处理，包括网络传输数据、功耗数据和CPU数据。

图3是本发明实施例的参数估计结果，包括网络结构矩阵γ，空间相关矩阵β

图4是本发明实施例的监控结果示例。

具体实施方式

下面结合附图，通过实施例进一步描述本发明，但不以任何方式限制本发明的范围。

本发明提供一种基于多元数据融合的时空网络建模和监控方法。利用网络系统中采集到的多种类型的传感器信号，建立多元时空自回归模型刻画网络系统的多元时空动态变化特征。基于多元时空自回归模型，提出多元时空CUSUM控制图。通过采用本发明所提供的技术方案，有助于准确描述网络系统的时空相关性特征，并实现对网络系统及时有效的监控，能够为工程实践提供有用的信息并减少由于系统安全隐患带来的经济和社会损失。

实施例以真实的无线物联网测试平台为示例。图1所示为一个用于运行分布式地震环境噪声层析成像程序的无线物联网测试平台。该测试平台是一个由六个无线信息物理设备构建的网络系统(即n＝6)，其中网络系统的空间结构信息通过信息物理设备节点的关系来反映。为了更全面地了解该物联网网络系统的状态，该系统使用应用程序编程接口在各信息物理设备节点上采集和存储网络传输、功耗和CPU三种类型的能耗数据(即L＝3)，数据的采样时间间隔为1秒。网络传输数据是指信息物理设备传输频率数据，有助于识别网络系统的信息攻击。功耗数据是指信息物理设备的能耗数据，可以反映与信息攻击相关的硬件运行状况。CPU数据是指信息物理设备的计算成本数据，与系统的状态高度相关。本实施例包含物联网络系统处于正常状态和遭受攻击的异常状态下的传感器信号数据。系统处于正常状态下的数据共有5000个时刻的数据，用于对本发明方法中的参数进行估计。系统处于异常状态下的数据共有100组，每组包含500个时刻的数据，用于对本发明方法的建模和监控效果进行验证。对于每一组数据，在前200个时刻，系统处于正常状态，在后300个时刻系统受到攻击处于异常状态。需要注意的是，网络系统中有六个信息物理设备节点，并非所有节点都会受到攻击，在本实施例中受到攻击的设备节点是1、2和3。图2所示为系统处于异常状态的一组数据示例。

下面利用本发明方法对物联网网络系统进行建模和监控，具体实施方式如下：

1)建立网络系统的多元时空自回归模型

将高斯马尔可夫随机场模型与向量自回归模型相结合，构建多元时空自回归模型，用于物联网网络系统的建模。

I.建立空间维度的高斯马尔可夫随机场模型：

假设在网络系统的空间域

其中，s

定义t时刻所有L元信号的空间过程矩阵为

其中

II.建立时间维度的向量自回归模型：

将时间演化过程集成到空间维度的高斯马尔可夫随机场模型，构建多元空间过程的时间序列。在式3中，有

其中

定义δ

联合式5-7，得到MSTA模型的一般表达式如下：

MSTA模型通过空间相关性参数矩阵B

本发明利用系统处于正常状态下的5000个时刻的数据，并采用贝叶斯估计和最小二乘相结合的方法估计模型参数，包括网络结构矩阵γ，第l个信号类型的总体方差

表1本发明实施例中

2)建立监控网络系统的多元时空CUSUM控制图

I.构建基于MSTA模型的监控统计量：

定义在t时刻观测到的网络系统的所有L元信号的空间过程矩阵数据为

当X

为更好地监控网络系统，本发明考虑监控网络系统均值和协方差的特征量，分别记为T

监控协方差变化的特征量T

其中vech(·)变换是指提取对称的nL×nL矩阵的对角线元素及对角线以下元素后得到nL×(nL+1)/2向量。当X

当X

II.构建多元时空CUSUM控制图：

在t时刻，构建基于特征量T

V

其中V

其中TC(0)＝0，k

本发明利用系统处于异常状态下的100组数据，验证所提出方法的建模和监控效果。将系统处于失控状态下的平均链长(ARL

需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。