1.一种无线传感器网络异常检测方法，其特征在于，通过皮尔逊相关系数分析传感器节点的距离和节点的测量值，利用相对偏差值计算最大差异化相关性，利用近邻节点的测量值计算空间变异系数，利用滑动窗口内的测量值计算变异系数、分析节点历史测量值的异常次数计算异常概率，将空间和时间变异系数与异常概率结合得到概率变异系数；并利用信息熵分析传感器节点测量值的波动，选择最佳的参考估计节点，利用线性最小二乘估计法使用最佳的参考估计节点估计传感器节点的测量值，并与真实测量值进行对比判断传感器节点的最终状态；包含以下步骤：步骤1：搭建无线传感器网络，步骤2：计算传感器节点测量值最大差异化相关性，步骤3：计算局部节点的概率变异系数，步骤4：利用置信区间，自适应地更新检测阈值，进行局部网络状态判断；

步骤5：利用基于信息熵的线性最小二乘估计方法估计当前节点的测量值，找出恶意状态节点；

所述计算传感器节点测量值最大差异化相关性包括以下步骤：步骤21：利用欧式距离计算某一传感器节点与该节点的邻居节点的距离，并寻找出最近的h个邻居节点，称为近邻节点；

步骤22：利用皮尔逊相关系数计算该节点当前时刻测量值与该节点到簇头距离的相关性；

步骤23：计算该节点的h个近邻节点的测量值的相对偏差值，并找出最大相对偏差值，将最大相对偏差值与相关性的乘积得到最大差异化相关性；

所述计算局部节点的概率变异系数包含以下步骤：步骤31：统计该节点历史测量值中被检测为异常的次数，计算其异常概率；

步骤32：计算滑动窗口内节点的时间变异系数与h个近邻节点的空间变异系数；

步骤33：将异常概率与时间和空间上的变异系数相结合得到概率变异系数；

滑动窗口内的节点的时间变异系数表示为：其中，T表示当前滑动窗口内第T个数据；滑动窗口以一个数据为单位，w是滑动窗口的大小， 表示在t时刻滑动窗口内的节点i的测量值；节点i与Ni中节点测量值的空间变异系数表示为：其中，Ni是节点i的h个近邻节点序号的集合；

通过引入异常概率作为变异系数的权重值，将时空变异系数CVW和CVT更新为概率变异系数PCVW和PCVT；

t

Pi是t时刻i节点被攻击的概率；

所述利用置信区间，自适应地更新检测阈值，进行局部网络状态判断，包含以下步骤：步骤41：利用当前该节点的h个近邻节点的正常历史测量值更新置信区间；包括：计算 置 信区间 的 样本 为t

δ为t时刻最大差异化相关性；

将正常节点最新的υ个时刻内样本方差来计算置信区间，将计算置信区间样本表示为：表示节点i中第1个正常的测量值，q表示历史正常样本数量，med为[q/2]+1 q/2 (q/2)+1样本的中位数，当q为奇数时，med＝sp ，当q为偶数时，med＝(sp +sp )/2，利用样2

本方差S来代替总体方差，得到：U是关于χ的轴量，样本数据 为差值的绝对值，对于给定显著性水平α得到：

进一步推导：

最终得到置信度为1‑α的置信区间：由上式中置信区间为总体样本中位数的一个估计区间，将其变形得到总体样本的估计区间；

其中置信区间χ估计的精度受到置信水平α和滑动窗口大小w影响，α和w分别设置为

0.005和10；

步骤42：根据上述最大差异化相关性和概率变异系数的值与置信区间的对比，判断该节点与h个近邻节点的局部网络状态；包括：节点的状态分为3类：(1)正常状态，(2)危险状态，(3)恶意状态；

正常状态定义为：节点测量值无异常；

危险状态定义：节点测量值可能为异常；

恶意状态：节点测量值完全异常；

(1)如果 表明节点i最大相关性系数高于阈值，节点i处于异常状态s1＝1；

否则，节点i处于正常状态，s1＝0其中(2)如果 表示节点i滑动窗口内数据的变异系数高于阈值，节点i是异常状态s2＝1；否则节点为正常状态s2＝0，其中(3)如果 节点i与近邻节点测量值的空间变异系数高于空间变异系数阈值 ，节点 为异常状态s 3＝1 ；否则 ，节点为正常状 态s3＝0 ，其中分别对应节点在t时刻的最大差异化相关性的阈值、加权空间变异系数的阈值、滑动窗口变异系数的阈值；

节点的三个状态定义为status＝{s1,s2,s3}，s∈{0,1}，如果节点在t时刻状态条件满足1≤s1+s2+s3≤2，则将该节点和其h个近邻节点的局部网络定义为危险状态；如果状态条件满足s1+s2+s3＞2，则将该节点和其h个近邻节点的局部网络定义为恶意状态；如果s1+s2+s3＜1，则将该节点和其h个近邻节点的局部网络定义为正常状态；

所述利用基于信息熵的线性最小二乘估计方法估计当前节点的测量值，找出恶意状态节点，包含以下步骤：

步骤51：利用信息熵计算h个近邻节点的历史测量值的差异性，选择最佳的参考节点；

将不同量纲的测量值进行标准化，将不同的测量值统一压缩至区间[0，1]上，其方程式为：

为t时刻，i节点的近邻节点j测量值占历史测量值的比重， 为测量值，j＝1，

2，…,h，b＝1，2，…,t‑1；计算t时刻，节点j的熵值：式中： 为t时刻节点j的熵值，Q＝1/lnt，利用熵值计算出近邻节点的差异性系数：作为LLSE估计参考节点的测量值波动剧烈，H值下降，导致估计值精确度下降；相反，随着测量值波动平缓，H值上升，估计值变得更精确；

步骤52：线性最小二乘估计方法利用最佳的参考节点估计该节点的测量值；

线性最小二乘估计法LLSE方程式：利用节点j的测量值估算出节点i的估计值 mi和mj为一个大小为ω滑动窗口内数据的平均值；ηij表示在ω滑动窗口内节点i和j的测量值的协方差，ηj为节点j的方差；λi为节点i的实际测量值；

步骤53：将测量值与估计值进行比较，判断恶意节点；如果节点i的估计值 与测量值λi满足 则表明节点i为恶意节点，θ是检测为恶意节点的阈值。

2.根据权利要求1所述的一种无线传感器网络异常检测方法，其特征在于，θ的取值是

0.25。