基于時序關(guān)聯(lián)的智慧城市邊緣數(shù)據(jù)異常檢測研究

摘要：智慧城市是未來城市的發(fā)展趨勢，邊緣數(shù)據(jù)存在一定的異常問題，本文主要研究基于時序關(guān)聯(lián)的智慧城市邊緣數(shù)據(jù)異常檢測，先建設(shè)系統(tǒng)架構(gòu)，再設(shè)置檢測模型，最后通過實驗仿真進行驗證。通過分析實驗結(jié)果，本文設(shè)計的算法在準(zhǔn)確率、召回率方面表現(xiàn)良好，可以對其開展更深入的研究。

關(guān)鍵詞：智慧城市；邊緣；檢測

智慧城市以智能系統(tǒng)為基礎(chǔ)，優(yōu)化配置空間、資源等，以獲得最大能效，助力各個領(lǐng)域有序運轉(zhuǎn)。由于智慧城市面臨著較復(fù)雜的數(shù)據(jù)感知應(yīng)用需求，因而對數(shù)據(jù)質(zhì)量有著更高要求。另外，智慧城市需要為大量終端設(shè)備提供服務(wù)，感知數(shù)據(jù)會發(fā)生異常狀況，造成嚴(yán)重的資源浪費，因而需要科學(xué)處理異常數(shù)據(jù)，以保障智慧城市的正常運行。

一、系統(tǒng)架構(gòu)

（一）系統(tǒng)框架

要讓智慧城市獲得邊緣計算能力，需要融合物聯(lián)網(wǎng)、云計算等多種技術(shù)，設(shè)計六層系統(tǒng)框架。這六層系統(tǒng)框架從底層到高層分別為類型與設(shè)計理念層、數(shù)據(jù)感知層、邊緣處理層、網(wǎng)絡(luò)傳輸層、大數(shù)據(jù)分析層、應(yīng)用層，如圖1所示。其中，類型與設(shè)計理念層通過物聯(lián)網(wǎng)、大數(shù)據(jù)技術(shù)，從設(shè)計層面管理智慧城市，讓其可以和可持續(xù)發(fā)展需求結(jié)合，從而構(gòu)建具有可持續(xù)發(fā)展能力的智慧城市；數(shù)據(jù)感知層負(fù)責(zé)對智慧城市相關(guān)數(shù)據(jù)進行感知。城市實體和物聯(lián)網(wǎng)互動的過程中，會產(chǎn)生覆蓋城市各領(lǐng)域的數(shù)據(jù)；獲得數(shù)據(jù)后，通過邊緣處理層計算智慧城市運行所需的資源，在感知邊緣處理數(shù)據(jù)，讓智慧城市獲得更高的數(shù)據(jù)通信效率；網(wǎng)絡(luò)傳輸層借助ZigBee、LPWAN等技術(shù)，結(jié)合以太網(wǎng)等，把邊緣處理層處理后的城市數(shù)據(jù)上傳到大數(shù)據(jù)分析層，并對數(shù)據(jù)作時間、空間標(biāo)記；大數(shù)據(jù)分析層獲得城市數(shù)據(jù)后，會利用異構(gòu)多協(xié)議網(wǎng)絡(luò)聚合器對其匯總處理，并將其存儲到數(shù)據(jù)庫中；應(yīng)用層使用數(shù)據(jù)處理應(yīng)用接口，根據(jù)數(shù)據(jù)內(nèi)容進行城市規(guī)劃，優(yōu)化現(xiàn)有的智慧城市建設(shè)工作。

（二）邊緣服務(wù)增強

以智慧城市運行需求為基礎(chǔ)，搭配邊緣計算理論，可以對圖1的邊緣處理層做抽象化處理，第一層為云計算與大數(shù)據(jù)中心，第二層為由數(shù)個擁有匹配、管道傳輸、執(zhí)行階段的容器構(gòu)成的邊緣服務(wù)增強現(xiàn)實，第三層為邊緣設(shè)備，第四層為由邊緣服務(wù)器、服務(wù)包、傳輸單位構(gòu)成的邊緣網(wǎng)關(guān)，第五層為感知層，第六層為智慧城市。這種邊緣服務(wù)增強現(xiàn)實框架，可以進一步提升智慧城市的邊緣服務(wù)能力。需要注意的是，邊緣設(shè)備的工作環(huán)境沒有過多差異，但邊緣設(shè)備的類型存在差異，應(yīng)用的單處理器內(nèi)核型號也有所不同，所以輸入輸出接口并不通用，會導(dǎo)致運行數(shù)據(jù)存在差異。邊緣服務(wù)增強現(xiàn)實會被封裝成容器，利用服務(wù)標(biāo)識，對各項任務(wù)內(nèi)容做詳細(xì)的編排處理。在進行管道傳輸時，要根據(jù)實現(xiàn)功能，將任務(wù)做管道流水處理，將任務(wù)轉(zhuǎn)移到下個階段。在執(zhí)行階段中，需要把任務(wù)處理獲得的數(shù)據(jù)轉(zhuǎn)移到下一階段，例如應(yīng)用層。

二、檢測模型設(shè)計

（一）異常檢測流程

要針對智慧城市的感知數(shù)據(jù)開展適當(dāng)?shù)臅r序關(guān)聯(lián)處理，進而獲得Sm={Sm（t1），Sm（t2），……，Sm（tw）}的原始數(shù)據(jù)集。流程處理需要應(yīng)用到時序原始數(shù)據(jù)生成、時序關(guān)聯(lián)分析等模塊。時序原始數(shù)據(jù)模塊要根據(jù)已有的關(guān)聯(lián)規(guī)則，將SN（Senor Node，感知節(jié)點）感知數(shù)據(jù)和鏈路延遲等做關(guān)聯(lián)處理，進而獲得所需時序關(guān)聯(lián)的原始數(shù)據(jù)。完成這項任務(wù)后，將數(shù)據(jù)做具體的時序關(guān)聯(lián)分析，獲得時序關(guān)聯(lián)數(shù)據(jù)集。使用本文算法，對其做異常數(shù)據(jù)檢測，最后獲得異常數(shù)據(jù)與正常數(shù)據(jù)。

（二）時序關(guān)聯(lián)

SN感知與采集產(chǎn)生的數(shù)據(jù)點，是智慧城市的感知時序。針對單個SN，向感知與采集數(shù)據(jù)增加時間特性，即可獲得時刻tj，節(jié)點vi的時序數(shù)據(jù)：

（tj）={sd（tj），cld（tj），cn（tj），

su（tj）} （1）

其中，sd（tj）是在tj時刻，SN感知數(shù)據(jù)與時間量；cld（tj）是在tj時刻，鏈路延遲與時間量；cn（tj）是在tj時刻，網(wǎng)絡(luò)吞吐率與時間量；su（tj）是在tj時刻，SN節(jié)點存儲使用率與時間量。

在公式（1）基礎(chǔ)上，結(jié)合上文，可以設(shè)計算法1，即時序關(guān)聯(lián)分析算法，時間復(fù)雜度為O（m×n）。SDM[i][j]代表數(shù)據(jù)稀疏度矩陣，由SDVij賦值獲得。SDVij值越高，代表Sij當(dāng)前區(qū)域為稀疏區(qū)，SDVij值越低，代表Sij當(dāng)前區(qū)域為稠密區(qū)。SDMm[i][j]代表數(shù)據(jù)稀疏度密度矩陣。通過算法1，可以獲得精簡時序關(guān)聯(lián)數(shù)據(jù)集RDS。

（三）檢測算法

通過算法1，將獲得的原始數(shù)據(jù)作相應(yīng)處理，再將結(jié)果輸入到異常數(shù)據(jù)檢測中，對異常數(shù)據(jù)完善檢測工作。仍以上文為準(zhǔn)，對精簡時序關(guān)聯(lián)數(shù)據(jù)集，將時序關(guān)聯(lián)對齊，填充數(shù)據(jù)缺失部分，完成時序關(guān)聯(lián)計算。根據(jù)結(jié)算結(jié)果構(gòu)建相應(yīng)的關(guān)聯(lián)圖與關(guān)聯(lián)團，得到具體的檢測結(jié)果后，再次應(yīng)用異常檢測模型，從而獲得異常數(shù)據(jù)集。對于精簡時序數(shù)據(jù)集，要作RPAA（Reversepiecewise Aggregate Approximation，逆向逐段聚集均值）處理。對部分?jǐn)?shù)據(jù)內(nèi)容縮減，以便后續(xù)提取各個時序數(shù)據(jù)集屬性。通常情況下，智慧城市的數(shù)據(jù)感知層產(chǎn)生的異常數(shù)據(jù)，會以較低概率在單維時序數(shù)據(jù)集、多維時序數(shù)據(jù)集上出現(xiàn)，并保持較長時間，異常數(shù)據(jù)會以集合形式出現(xiàn)。在檢測異常數(shù)據(jù)期間，要將精簡時序數(shù)據(jù)集當(dāng)成輸入內(nèi)容，利用時序段針對輸入內(nèi)容逐段檢測，進而確認(rèn)具體的異常位置與情況。

現(xiàn)基于異常檢測算法設(shè)計算法2，在開展異常時序關(guān)聯(lián)數(shù)據(jù)檢測任務(wù)時，算法2的時間成本消耗較大，主要負(fù)責(zé)計算RDS偏離度，并構(gòu)建相應(yīng)的時序關(guān)聯(lián)圖，計算最小覆蓋數(shù)據(jù)與異常時序關(guān)聯(lián)數(shù)據(jù)。如果RDS數(shù)據(jù)集是k維n個數(shù)據(jù)，可以將si偏離度計算時間復(fù)雜度設(shè)為O（），構(gòu)建時序關(guān)聯(lián)圖時間復(fù)雜度為O（n×k）。在最小覆蓋數(shù)據(jù)時，最差條件下的時間復(fù)雜度為O（）。為提升本文算法的實用性，在計算最小覆蓋時，使用匈牙利算法，即在多項式時間內(nèi)，求解任務(wù)分配問題的最優(yōu)組合。在計算異常時序關(guān)聯(lián)數(shù)據(jù)時，使用禁忌搜索算法，以最初已知的可行解為起點，確定特定搜索方向，對結(jié)果做大量的試驗，從結(jié)果中獲得可以讓目標(biāo)函數(shù)值擁有最多變化頻率的搜索模式。

三、實驗與仿真

（一）實驗準(zhǔn)備

根據(jù)上文可知，需要搭設(shè)基于時序關(guān)聯(lián)的智慧城市邊緣數(shù)據(jù)異常檢測的實驗數(shù)據(jù)環(huán)境，讓其具備圖1中的數(shù)據(jù)感知層與邊緣處理層功能。使用3臺搭載英特爾酷睿i9處理器的PC機作為邊緣服務(wù)器使用，3臺配置ZigBee網(wǎng)關(guān)的設(shè)備，通過以太網(wǎng)應(yīng)用的PC機，進而滿足邊緣服務(wù)通信需求。再接入8臺感知設(shè)備，使用ZigBee和網(wǎng)關(guān)通信。感知設(shè)備采集數(shù)據(jù)頻率可以達到8次/s，每個數(shù)據(jù)占據(jù)1字節(jié)空間，在一個月內(nèi)連續(xù)采集數(shù)據(jù)，包含127列時間序列。通過算法1，對數(shù)據(jù)做預(yù)處理后，可以獲得97列數(shù)據(jù)，共計117.3萬個時間點。如果DoC={doc1，doc2，……，doc}為數(shù)據(jù)對象集，則DcS可以設(shè)備集合DoC的分類。如果Cf（doci）（1≤i≤n）為doci的分類，可以設(shè)定Cnum（doci）作為DcS中doci的分類號，現(xiàn)對doci、docj對象的分類正確性定義為如下內(nèi)容：

Ccorr（doci，docj）=1，如果Cf（doci）=Cf（docj）Cnum（doci）=Cnum（docj）

Cf（doci）=Cf（docj）=0，其他 （2）

通過公式（2），可以獲得數(shù)據(jù)處理準(zhǔn)確率為：

Pecr=1/n×（3）

召回率準(zhǔn)確率為：

Pecr=1/n× （4）

公式（3）與公式（4），是本文算法與對比算法的參考指標(biāo)。這里的對比算法是基于拓?fù)涓兄臅r間序列異常檢測算法。算法實驗可以選擇4000時間長度的數(shù)據(jù)，開展相應(yīng)的測試作業(yè)，從127列時序數(shù)據(jù)中整理出400組數(shù)據(jù)，借助算法2，獲得1800個時間長度超過800的異常數(shù)據(jù)。實驗過程中某個時刻感知的時序數(shù)據(jù)集，如表1所示。

使用本文算法，可以獲得氣壓傳感器在ti5時序中產(chǎn)生異常數(shù)據(jù)，即99031Pa；溫度傳感器在ti2時序產(chǎn)生異常數(shù)據(jù)，即18.53℃；光照傳感器在ti6時序中產(chǎn)生異常數(shù)據(jù)，即158.4lux。在這個時刻，濕度傳感器并沒有產(chǎn)生異常數(shù)據(jù)。

（二）仿真分析

當(dāng)維度k值從10上升至40，隨機選擇維度使用算法1與PRAA，對數(shù)據(jù)進行處理，將獲得結(jié)果作為算法2的輸入內(nèi)容，獲得在不同k值條件下的運行時間曲線。當(dāng)增加k值時，會產(chǎn)生更多的數(shù)據(jù)量，運行時間會趨近線性增加。而在數(shù)據(jù)量較小時，算法2只能運行較短的一段時間。而維度增加，數(shù)據(jù)量快速提升，算法2運行時間出現(xiàn)大幅提升，這意味著數(shù)據(jù)維度會影響算法2的效率；控制數(shù)據(jù)量，針對不同維度做仿真實驗，可以發(fā)現(xiàn)，本文算法準(zhǔn)確率始終保持在0.8～0.9之間，不會產(chǎn)生過大的起伏。但對比算法的準(zhǔn)確率與召回率會有所下降。即使是持續(xù)增加序列數(shù)據(jù)的輸入，也可以獲得較高的準(zhǔn)確率，擁有較穩(wěn)定的召回率。利用這種方式，可以證明多維時序關(guān)聯(lián)的異常數(shù)據(jù)檢測算法在異常檢測方面，擁有較強的應(yīng)用性能；如果異常數(shù)據(jù)總量不斷增加影響，本文算法準(zhǔn)確率可維持在0.77～0.91之間，擁有較為緩慢的下降趨勢，對比算法準(zhǔn)確率會出現(xiàn)較大幅下降。

從這方面可以看出，即使是在增加異常數(shù)據(jù)的條件下，也可以擁有良好的準(zhǔn)確率與召回率，確保檢測結(jié)果的穩(wěn)定性。如果輸入的數(shù)據(jù)量不大，本文算法擁有0.9的準(zhǔn)確率。在額外添加更多的處理數(shù)據(jù)時，算法的準(zhǔn)確率會呈現(xiàn)緩慢下降趨勢。對于對比算法，在增加數(shù)據(jù)量時，會產(chǎn)生明顯的準(zhǔn)確率下降情況。而在數(shù)據(jù)量較小時，本文算法的召回率會有略微的上升趨勢。在數(shù)據(jù)量達到0.5GB時，召回率會從原本的平穩(wěn)狀態(tài)下轉(zhuǎn)變成下降狀態(tài)。如果輸入的數(shù)據(jù)量偏小，對比算法會出現(xiàn)較為明顯的起伏式狀態(tài)。在輸入數(shù)據(jù)量達到0.4GB時，召回率會產(chǎn)生明顯的下降趨勢。

根據(jù)以上仿真數(shù)據(jù)分析，在數(shù)據(jù)集維度、數(shù)據(jù)量、異常數(shù)據(jù)量等因素增加時，本文算法在穩(wěn)定性、準(zhǔn)確率、召回率等方面要強于對比算法，即本文設(shè)計的基于時序關(guān)聯(lián)智慧城市邊緣數(shù)據(jù)異常檢測算法擁有良好的有效性。而數(shù)據(jù)量增加時，會產(chǎn)生更多的異常數(shù)據(jù)量，但本文算法仍具有良好的可靠性，異常數(shù)據(jù)檢測的準(zhǔn)確率、召回率依舊高于對比算法。

四、結(jié)語

綜上所述，本文主要研究基于時序關(guān)聯(lián)的智慧城市邊緣數(shù)據(jù)異常檢測，具有一定的參考價值，建議在研究智慧城市邊緣數(shù)據(jù)異常時，從實際需求出發(fā)，科學(xué)分析時序關(guān)聯(lián)應(yīng)用內(nèi)容，設(shè)計更完整的檢測方案，做好細(xì)節(jié)優(yōu)化處理，從而獲得更加精準(zhǔn)的分析結(jié)論，助力智慧城市穩(wěn)定運行。

參考文獻：

[1]張嬌陽，孫黎.基于深度學(xué)習(xí)的網(wǎng)絡(luò)異常檢測和智能流量預(yù)測方法[J].無線電通信技術(shù)，2022，48（01）：81-88.

[2]歐陽金源，馮安琪，錢麗萍，等.邊緣計算構(gòu)架下基于孤立森林算法的DoS異常檢測[J].計算機科學(xué)，2020，47（02）：287-293.

[3]張哲敏，李琪林，成貴學(xué)，等.基于CFSFDP算法的邊緣電力數(shù)據(jù)異常檢測[J].四川電力技術(shù)，2021，44（04）：6-10.

[4]蘇榮，張斌，陳俊生，等.基于邊緣檢測與方差變點的風(fēng)功率數(shù)據(jù)清洗方法[J].廣東電力，2021，34（05）：48-56.

[5]謝小川，周紹軍，黎力，黎明.基于時序關(guān)聯(lián)智慧城市邊

緣數(shù)據(jù)異常檢測算法[J].計算機工程與設(shè)計，2022，43（07）：1879-1889.

[6]曹輝，楊理踐，劉俊甫，等.基于數(shù)據(jù)融合的小波變換漏磁異常邊緣檢測[J].儀器儀表學(xué)報，2019，40（12）：71-79.

作者簡介：王飛鴻（1999），男，浙江省溫州市人，碩士研究生，主要研究方向為智慧農(nóng)業(yè)物聯(lián)網(wǎng)數(shù)據(jù)異常檢測、智慧城市物聯(lián)網(wǎng)異常檢測，郵箱：2281777777@qq.com。