萤火虫优化和随机森林的WSN异常数据检测

来源：计算机科学与探索杂志2018年第10期北京时间：

作者：许欧阳，李光辉

单位：1. 江南大学 物联网工程学院，江苏 无锡 2141222. 江苏省无线传感网高技术研究重点实验室，南京 2100033. 物联网技术应用教育部工程技术研究中心，江苏 无锡 214122

摘要：异常数据检测在无线传感器网络（wireless sensor network，WSN）环境监测系统中发挥重要作用。针对传统的随机森林（random forest，RF）算法因冗余决策树导致异常数据检测效率不高的问题，根据选择性集成思想，提出了一种基于变异二进制萤火虫算法（mutation binary glowworm swarm optimization，MBGSO）以及自适应更新随机森林的WSN异常数据检测算法MBGSO-ARF。该算法使用改进的BGSO算法优化RF进行选择性集成以得到最优子集成分类器，并使得检测模型随数据流的变化而自适应更新，提高了检测准确性并节省了检测时间，对优化算法MBGSO和二进制粒子群算法（binary particle swarm optimization，BPSO）进行了实验对比。仿真实验结果表明：该优化算法优于BPSO算法，MBGSO-ARF算法在准确率上较其余算法都有提升，且集成模型大小得到了压缩。以上结果证明了MBGSO-ARF算法的有效性。

关键词：异常检测,随机森林,无线传感器网络（WSN）,萤火虫算法,选择性集成学习