面向WSN异常节点检测的融合重构机制与对比学习方法

TP393; 针对无线传感器网络(WSN)异常检测中的自监督学习异常检测方法需要解决负例样本信息表示单一缺乏多样性和提取WSN节点采集到的多模态数据时空特征不够充分影响异常检测性能的问题.对此提出了一种结合对比学习和重构机制的无线传感器网络异常节点检测方法.首先,通过设计一种对比学习策略为重构机制模型提供足够充足的正负例样本,并结合生成对抗网络(GAN)生成具有多样性特性的负例样本;其次,设计了一种基于多头注意力机制和图神经网络的双层时空特征提取模块.通过在实际公开数据集上的系列对比实验及其实验结果表明,所提方法相比于传统异常检查方法和最近的图神经网络方法具有更好的精确率和召回率....

Full description

Saved in:
Bibliographic Details
Published in通信学报 Vol. 45; no. 9; pp. 153 - 169
Main Authors 叶苗, 程锦, 黄源, 蒋秋香, 王勇
Format Journal Article
LanguageChinese
Published 桂林电子科技大学广西无线宽带通信与信号处理重点实验室,广西 桂林 541004 01.09.2024
Subjects
自监督学习
abnormal detection
图神经网络
wireless sensor network
self-supervised learning
无线传感器网络
graph neural network
异常检测
Online AccessGet full text
ISSN1000-436X
DOI10.11959/j.issn.1000-436x.2024167

Cover

More Information
Summary:TP393; 针对无线传感器网络(WSN)异常检测中的自监督学习异常检测方法需要解决负例样本信息表示单一缺乏多样性和提取WSN节点采集到的多模态数据时空特征不够充分影响异常检测性能的问题.对此提出了一种结合对比学习和重构机制的无线传感器网络异常节点检测方法.首先,通过设计一种对比学习策略为重构机制模型提供足够充足的正负例样本,并结合生成对抗网络(GAN)生成具有多样性特性的负例样本;其次,设计了一种基于多头注意力机制和图神经网络的双层时空特征提取模块.通过在实际公开数据集上的系列对比实验及其实验结果表明,所提方法相比于传统异常检查方法和最近的图神经网络方法具有更好的精确率和召回率.
ISSN:1000-436X
DOI:10.11959/j.issn.1000-436x.2024167