摘要：智慧城市是未來(lái)城市的發(fā)展趨勢(shì)，邊緣數(shù)據(jù)存在一定的異常問(wèn)題，本文主要研究基于時(shí)序關(guān)聯(lián)的智慧城市邊緣數(shù)據(jù)異常檢測(cè)，先建設(shè)系統(tǒng)架構(gòu)，再設(shè)置檢測(cè)模型，最后通過(guò)實(shí)驗(yàn)仿真進(jìn)行驗(yàn)證。通過(guò)分析實(shí)驗(yàn)結(jié)果，本文設(shè)計(jì)的算法在準(zhǔn)確率、召回率方面表現(xiàn)良好，可以對(duì)其開(kāi)展更深入的研究。

關(guān)鍵詞：智慧城市；邊緣；檢測(cè)

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(gè)領(lǐng)域有序運(yùn)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(duì)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(huì)發(fā)生異常狀況，造成嚴(yán)重的資源浪費(fèi)，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(yùn)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(jì)算能力，需要融合物聯(lián)網(wǎng)、云計(jì)算等多種技術(shù)，設(shè)計(jì)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(jì)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(jì)理念層通過(guò)物聯(lián)網(wǎng)、大數(shù)據(jù)技術(shù)，從設(shè)計(jì)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(duì)智慧城市相關(guān)數(shù)據(jù)進(jìn)行感知。城市實(shí)體和物聯(lián)網(wǎng)互動(dòng)的過(guò)程中，會(huì)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(guò)邊緣處理層計(jì)算智慧城市運(yùn)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(duì)數(shù)據(jù)作時(shí)間、空間標(biāo)記；大數(shù)據(jù)分析層獲得城市數(shù)據(jù)后，會(huì)利用異構(gòu)多協(xié)議網(wǎng)絡(luò)聚合器對(duì)其匯總處理，并將其存儲(chǔ)到數(shù)據(jù)庫(kù)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(jìn)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(qiáng)

以智慧城市運(yùn)行需求為基礎(chǔ)，搭配邊緣計(jì)算理論，可以對(duì)圖1的邊緣處理層做抽象化處理，第一層為云計(jì)算與大數(shù)據(jù)中心，第二層為由數(shù)個(gè)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(qiáng)現(xiàn)實(shí)，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(qiáng)現(xiàn)實(shí)框架，可以進(jìn)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(méi)有過(guò)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(hào)也有所不同，所以輸入輸出接口并不通用，會(huì)導(dǎo)致運(yùn)行數(shù)據(jù)存在差異。邊緣服務(wù)增強(qiáng)現(xiàn)實(shí)會(huì)被封裝成容器，利用服務(wù)標(biāo)識(shí)，對(duì)各項(xiàng)任務(wù)內(nèi)容做詳細(xì)的編排處理。在進(jìn)行管道傳輸時(shí)，要根據(jù)實(shí)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(gè)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(cè)模型設(shè)計(jì)

（一）異常檢測(cè)流程

要針對(duì)智慧城市的感知數(shù)據(jù)開(kāi)展適當(dāng)?shù)臅r(shí)序關(guān)聯(lián)處理，進(jìn)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(shí)序原始數(shù)據(jù)生成、時(shí)序關(guān)聯(lián)分析等模塊。時(shí)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(diǎn)）感知數(shù)據(jù)和鏈路延遲等做關(guān)聯(lián)處理，進(jìn)而獲得所需時(shí)序關(guān)聯(lián)的原始數(shù)據(jù)。完成這項(xiàng)任務(wù)后，將數(shù)據(jù)做具體的時(shí)序關(guān)聯(lián)分析，獲得時(shí)序關(guān)聯(lián)數(shù)據(jù)集。使用本文算法，對(duì)其做異常數(shù)據(jù)檢測(cè)，最后獲得異常數(shù)據(jù)與正常數(shù)據(jù)。

（二）時(shí)序關(guān)聯(lián)

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

（tj）={sd（tj），cld（tj），cn（tj），

su（tj）} （1）

其中，sd（tj）是在tj時(shí)刻，SN感知數(shù)據(jù)與時(shí)間量；cld（tj）是在tj時(shí)刻，鏈路延遲與時(shí)間量；cn（tj）是在tj時(shí)刻，網(wǎng)絡(luò)吞吐率與時(shí)間量；su（tj）是在tj時(shí)刻，SN節(jié)點(diǎn)存儲(chǔ)使用率與時(shí)間量。

在公式（1）基礎(chǔ)上，結(jié)合上文，可以設(shè)計(jì)算法1，即時(shí)序關(guān)聯(lián)分析算法，時(shí)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?yàn)橄∈鑵^(qū)，SDVij值越低，代表Sij當(dāng)前區(qū)域?yàn)槌砻軈^(qū)。SDMm[i][j]代表數(shù)據(jù)稀疏度密度矩陣。通過(guò)算法1，可以獲得精簡(jiǎn)時(shí)序關(guān)聯(lián)數(shù)據(jù)集RDS。

（三）檢測(cè)算法

通過(guò)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(cè)中，對(duì)異常數(shù)據(jù)完善檢測(cè)工作。仍以上文為準(zhǔn)，對(duì)精簡(jiǎn)時(shí)序關(guān)聯(lián)數(shù)據(jù)集，將時(shí)序關(guān)聯(lián)對(duì)齊，填充數(shù)據(jù)缺失部分，完成時(shí)序關(guān)聯(lián)計(jì)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(tuán)，得到具體的檢測(cè)結(jié)果后，再次應(yīng)用異常檢測(cè)模型，從而獲得異常數(shù)據(jù)集。對(duì)于精簡(jiǎn)時(shí)序數(shù)據(jù)集，要作RPAA（Reversepiecewise Aggregate Approximation，逆向逐段聚集均值）處理。對(duì)部分?jǐn)?shù)據(jù)內(nèi)容縮減，以便后續(xù)提取各個(gè)時(shí)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(huì)以較低概率在單維時(shí)序數(shù)據(jù)集、多維時(shí)序數(shù)據(jù)集上出現(xiàn)，并保持較長(zhǎng)時(shí)間，異常數(shù)據(jù)會(huì)以集合形式出現(xiàn)。在檢測(cè)異常數(shù)據(jù)期間，要將精簡(jiǎn)時(shí)序數(shù)據(jù)集當(dāng)成輸入內(nèi)容，利用時(shí)序段針對(duì)輸入內(nèi)容逐段檢測(cè)，進(jìn)而確認(rèn)具體的異常位置與情況。

現(xiàn)基于異常檢測(cè)算法設(shè)計(jì)算法2，在開(kāi)展異常時(shí)序關(guān)聯(lián)數(shù)據(jù)檢測(cè)任務(wù)時(shí)，算法2的時(shí)間成本消耗較大，主要負(fù)責(zé)計(jì)算RDS偏離度，并構(gòu)建相應(yīng)的時(shí)序關(guān)聯(lián)圖，計(jì)算最小覆蓋數(shù)據(jù)與異常時(shí)序關(guān)聯(lián)數(shù)據(jù)。如果RDS數(shù)據(jù)集是k維n個(gè)數(shù)據(jù)，可以將si偏離度計(jì)算時(shí)間復(fù)雜度設(shè)為O（），構(gòu)建時(shí)序關(guān)聯(lián)圖時(shí)間復(fù)雜度為O（n×k）。在最小覆蓋數(shù)據(jù)時(shí)，最差條件下的時(shí)間復(fù)雜度為O（）。為提升本文算法的實(shí)用性，在計(jì)算最小覆蓋時(shí)，使用匈牙利算法，即在多項(xiàng)式時(shí)間內(nèi)，求解任務(wù)分配問(wèn)題的最優(yōu)組合。在計(jì)算異常時(shí)序關(guān)聯(lián)數(shù)據(jù)時(shí)，使用禁忌搜索算法，以最初已知的可行解為起點(diǎn)，確定特定搜索方向，對(duì)結(jié)果做大量的試驗(yàn)，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(shí)驗(yàn)與仿真

（一）實(shí)驗(yàn)準(zhǔn)備

根據(jù)上文可知，需要搭設(shè)基于時(shí)序關(guān)聯(lián)的智慧城市邊緣數(shù)據(jù)異常檢測(cè)的實(shí)驗(yàn)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(tái)搭載英特爾酷睿i9處理器的PC機(jī)作為邊緣服務(wù)器使用，3臺(tái)配置ZigBee網(wǎng)關(guān)的設(shè)備，通過(guò)以太網(wǎng)應(yīng)用的PC機(jī)，進(jìn)而滿足邊緣服務(wù)通信需求。再接入8臺(tái)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(dá)到8次/s，每個(gè)數(shù)據(jù)占據(jù)1字節(jié)空間，在一個(gè)月內(nèi)連續(xù)采集數(shù)據(jù)，包含127列時(shí)間序列。通過(guò)算法1，對(duì)數(shù)據(jù)做預(yù)處理后，可以獲得97列數(shù)據(jù)，共計(jì)117.3萬(wàn)個(gè)時(shí)間點(diǎn)。如果DoC={doc1，doc2，……，doc}為數(shù)據(jù)對(duì)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(hào)，現(xiàn)對(duì)doci、docj對(duì)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(guò)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(duì)比算法的參考指標(biāo)。這里的對(duì)比算法是基于拓?fù)涓兄臅r(shí)間序列異常檢測(cè)算法。算法實(shí)驗(yàn)可以選擇4000時(shí)間長(zhǎng)度的數(shù)據(jù)，開(kāi)展相應(yīng)的測(cè)試作業(yè)，從127列時(shí)序數(shù)據(jù)中整理出400組數(shù)據(jù)，借助算法2，獲得1800個(gè)時(shí)間長(zhǎng)度超過(guò)800的異常數(shù)據(jù)。實(shí)驗(yàn)過(guò)程中某個(gè)時(shí)刻感知的時(shí)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(shí)序中產(chǎn)生異常數(shù)據(jù)，即99031Pa；溫度傳感器在ti2時(shí)序產(chǎn)生異常數(shù)據(jù)，即18.53℃；光照傳感器在ti6時(shí)序中產(chǎn)生異常數(shù)據(jù)，即158.4lux。在這個(gè)時(shí)刻，濕度傳感器并沒(méi)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(jī)選擇維度使用算法1與PRAA，對(duì)數(shù)據(jù)進(jìn)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(yùn)行時(shí)間曲線。當(dāng)增加k值時(shí)，會(huì)產(chǎn)生更多的數(shù)據(jù)量，運(yùn)行時(shí)間會(huì)趨近線性增加。而在數(shù)據(jù)量較小時(shí)，算法2只能運(yùn)行較短的一段時(shí)間。而維度增加，數(shù)據(jù)量快速提升，算法2運(yùn)行時(shí)間出現(xiàn)大幅提升，這意味著數(shù)據(jù)維度會(huì)影響算法2的效率；控制數(shù)據(jù)量，針對(duì)不同維度做仿真實(shí)驗(yàn)，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(huì)產(chǎn)生過(guò)大的起伏。但對(duì)比算法的準(zhǔn)確率與召回率會(huì)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(shí)序關(guān)聯(lián)的異常數(shù)據(jù)檢測(cè)算法在異常檢測(cè)方面，擁有較強(qiáng)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(shì)，對(duì)比算法準(zhǔn)確率會(huì)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(cè)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(shí)，算法的準(zhǔn)確率會(huì)呈現(xiàn)緩慢下降趨勢(shì)。對(duì)于對(duì)比算法，在增加數(shù)據(jù)量時(shí)，會(huì)產(chǎn)生明顯的準(zhǔn)確率下降情況。而在數(shù)據(jù)量較小時(shí)，本文算法的召回率會(huì)有略微的上升趨勢(shì)。在數(shù)據(jù)量達(dá)到0.5GB時(shí)，召回率會(huì)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(duì)比算法會(huì)出現(xiàn)較為明顯的起伏式狀態(tài)。在輸入數(shù)據(jù)量達(dá)到0.4GB時(shí)，召回率會(huì)產(chǎn)生明顯的下降趨勢(shì)。

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(shí)，本文算法在穩(wěn)定性、準(zhǔn)確率、召回率等方面要強(qiáng)于對(duì)比算法，即本文設(shè)計(jì)的基于時(shí)序關(guān)聯(lián)智慧城市邊緣數(shù)據(jù)異常檢測(cè)算法擁有良好的有效性。而數(shù)據(jù)量增加時(shí)，會(huì)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(cè)的準(zhǔn)確率、召回率依舊高于對(duì)比算法。

四、結(jié)語(yǔ)

綜上所述，本文主要研究基于時(shí)序關(guān)聯(lián)的智慧城市邊緣數(shù)據(jù)異常檢測(cè)，具有一定的參考價(jià)值，建議在研究智慧城市邊緣數(shù)據(jù)異常時(shí)，從實(shí)際需求出發(fā)，科學(xué)分析時(shí)序關(guān)聯(lián)應(yīng)用內(nèi)容，設(shè)計(jì)更完整的檢測(cè)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(yùn)行。

參考文獻(xiàn)：

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

[2]歐陽(yáng)金源，馮安琪，錢(qián)麗萍，等.邊緣計(jì)算構(gòu)架下基于孤立森林算法的DoS異常檢測(cè)[J].計(jì)算機(jī)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(cè)[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(cè)與方差變點(diǎn)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(shí)序關(guān)聯(lián)智慧城市邊

緣數(shù)據(jù)異常檢測(cè)算法[J].計(jì)算機(jī)工程與設(shè)計(jì)，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(cè)[J].儀器儀表學(xué)報(bào)，2019，40（12）：71-79.

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