摘要:目前研究的检测方法存在检测误报率高、检测时间长等问题，提出了物联网环境下船舶移动网络异常数据检测方法。挖掘船舶移动网络异常数据，根据异常数据挖掘结果对船舶移动网络异常数据进行提取，在提取时需要将船舶移动网络异常数据类别与维数进行有机结合，通过建立异常数据集对异常数据类别和维数之间的映射关系进行表示，实现异常检测。实验结果表明，提出的方法检测过程产生的误报率小，检测时间短。
关键词：物联网环境；船舶网络；移动网络；异常数据；数据检测0
引言
随着物联网技术的快速发展，其在船舶异常数据检测领域被广泛使用，在船舶移动网络异常数据检测过程中，每天都会采集大量的移动网络数据，通过对这些船舶移动网络数据进行挖掘、分析以及筛选，检测出异常数据，根据这些异常数据进行及时的警示和防范，以保障船舶的正常、稳定运行[1]。在实际进行船舶移动网络异常数据检测的过程中，大多数的船舶移动网络异常数据检测方法均无法检测出异常数据的主成分特征，因此国内的专家学者对此展开研究，有些学者利用影响函数对船舶移动网络异常数据进行盲源、分离，对加入脉冲噪声的异常数据进行投影分析，以此进行物联网环境下船舶移动网络异常数据的检测研究，该检测方法准确地筛选出了船舶移动网络数据的异常程度，并提取出了主成分特征，但该方法检测时间较长。有些学者采用聚类分析算法对船舶移动网络异常数据的相似度进行检测，提出了基于聚类分析算法的船舶移动网络异常数据检测方法，该方法构造了移动网络异常数据递减序列，异常数据检测误报率较高。为了解决这些问题，本文提出了物联网环境下船舶移动网络异常数据检测方法，通过物联网技术对移动网络异常数据进行挖掘和检测，最后通过实验研究验证本文所提方法的使用效果。
1物联网环境下船舶移动网络异常数据挖掘
首先针对网络中的异常数据进行挖掘，通过归一化处理方法确定异常特征，并对主要成分进行分类，从而区分出不同类型的船舶[2]。通过确定速度阈值，为船舶移动网络异常数据挖掘提供了约束。s′etK′sergk′sgj假设，为船舶移动网络中采集的数据样本值；表示船舶数据采集的异常数据集；表示船舶所有异常数据属性。归一化处理公式为：R′surd=k′sgj±K′sergs′et⊕{k′dkp∓j′hkp}。(1)k′dkpp′′j′hkp式中：表示移动网络数据的值域；表示船舶移动网络数据的采集数量。κ′dkpoM′sekkτ∗skploφ′dnκ′jkph′fhk假设，由表示船舶在移动过程中产生的网络系数；表示船舶在移动过程中产生的聚类系数；表示挖掘能力；表示船舶移动网络异常数据的聚类中心，表示移动网络数据递减序列下的挖掘结果，异常数据主要成分提取公式为：W′xsder=h′ghk×M′sekkκ′dkpo⊕{τ∗skplo×φ′dn}κ′jkp⊕h′fhk。(2)异常数据挖掘过程如图1所示。根据挖掘和提取得到的船舶移动网络异常数据结果，判断物联网环境下网络数据异常程度阈值，对移动网络异常数据聚类变化率进行分析和提取，当聚类时间和异常程度系数呈现正相关关系时，采用模糊聚类方法对船舶移动网络异常数据挖掘的程度进行预测和计算[3]。如果归一化处理后的移动网络异常数据数量逐渐减少时，则将当前的船舶移动网络异常数据中的主成分特征量代入式（2），获得异常数据挖掘的约束条件，根据该约束条件完成对物联网环境下船舶移动网络异常数据的挖掘。
2船舶移动网络异常数据检测
在数据挖掘的基础上，移除和检测船舶移动网络中的异常数据。船舶移动网络中的异常数据需要进行分类检测，对不同类型的海上移动网络进行分类后，可以获得异常信息。移动网络中的每一个运营商的异常数据都有自己的数据特征，是运营商的移动网络异常数据[4]。为了检测数据，必须先提取数据的这些特征。当K近似时，移动网络中存在大量异常数据，用K近似的方法来提取数据维数，使移动网络中异常数据维数的个数保持不变，以避免“维数灾难”的发生。船舶移动网络异常数据检测过程如图2所示。σ′h,ullU′jkps′fiopω∗koip假设表示船舶移动网络异常数据特征提取值，表示船舶移动网络异常数据的检测时间，表示物联网环境下船舶移动网络异常数据的检测误报率，表示异常数据类别和维数的映射阈值，基于式（1）和式（2），利用式（3）对船舶移动网络异常数据特征进行拟合：L′ueh=ω∗koip⊗s′fiopU′jkp⊕k′dhk⊕σ′h,ull。(3)k′dhk式中，表示船舶移动网络异常数据空间。d′′dghs′gji′hγum′′dghk′fhji′hγu假设表示移动网络异常数据集的空间位置，表示船舶移动网络异常数据特征值数量，表示船舶移动网络异常数据检测顺序，表示第个检测异常数据的聚类中心，利用下式进行船舶移动网络异常数据的检测：j˙dhk′=i′hγu⊕d′′dghs′gj×m′′dgh⊕k′fhj。(4)综上所述可以完成对物联网环境下船舶移动网络异常数据的检测。
3实验研究
为了验证本文提出的物联网环境下船舶移动网络异常数据检测方法的实际使用效果，将基于聚类分析算法的船舶移动网络异常数据检测方法与本文方法进行对比实验。采用Java语言编程进行船舶移动网络异常数据的检测实验，设有40个物联网环境下船舶移动网络异常数据，实验参数设置如下：异常数据检测速率5个/s，异常数据采样时间为10s，数据检测迭代次数为100次，异常数据检测时间间隔为1。实验参数设置完毕后，为保证实验结果的有效性和严谨性，实验中物联网的传输速度相同。为了全面且公平地对比出不同检测方法的检测质量，以检测误报率和检测时间为验证依据。通过信息处理和信息挖掘验证检测误报率和检测时间，根据检测结果判断本文提出的异常数据检测研究方法的有效性。为确保本文研究结果的有效性，进行了10次检测，得到的检测误报率结果如图3所示。可知，本文方法的误报率较低，而传统方法在对异常数据进行检测时，无法准确获取船舶异常数据的模糊聚类中心，异常数据检测的误报率远远高于本文方法的检测误报率，证明本文所提检测方法的检测效果优于基于聚类分析算法的船舶移动网络异常数据检测方法，具有较好的异常数据检测识别精度。基于以上的实验参数和得到的异常数据检测误报率结果，对不同检测方法的检测时间进行对比实验。实验中，需要将40个船舶移动网络异常数据根据4∶1的比例分成异常数据样本集和数据集，根据划分后的异常数据集和异常数据样本集分别采用本文方法和基于聚类分析算法的船舶移动网络异常数据检测方法进行实验，得到2种检测方法下的检测时间结果，对比结果如图4所示。可知，本文方法在对异常数据集和异常数据样本集进行检测时，需要的异常数据检测时间远远短于基于聚类分析算法的船舶移动网络异常数据检测方法的检测时间，证明了物联网环境下，本文所提的船舶移动网络异常数据检测方法加快了异常数据的检测速度。
4结语
本文提出的物联网环境下船舶移动网络异常数据检测方法优于基于聚类分析算法的船舶移动网络异常数据检测方法，具有更低的检测误报率和检测时间。
作者:李立 单位:郑州商学院信息与设备管理处
