چکیده: چکیده شبکه‌های حسگر بی‌سیم (WSN) به یک فناوری ضروری در کاربردهای متعدد، از جمله نظارت بر محیط زیست، اتوماسیون صنعتی، مراقبت‌های بهداشتی و شهرهای هوشمند تبدیل شده‌اند. با این حال، استقرار آنها در محیط‌های پویا و با منابع محدود، آنها را در برابر رفتار غیرعادی حسگر، خرابی‌های ارتباطی و اختلالات غیرمنتظره محیطی آسیب‌پذیر می‌کند. بنابراین، تشخیص دقیق ناهنجاری به یک الزام حیاتی برای بهبود قابلیت اطمینان شبکه، حفظ یکپارچگی داده‌ها و پشتیبانی از تصمیم‌گیری هوشمند تبدیل شده است. این تحقیق یک چارچوب تشخیص ناهنجاری ترکیبی مؤثر ارائه می‌دهد که تکنیک‌های یادگیری عمیق و یادگیری ماشین را برای شبکه‌های حسگر بی‌سیم ادغام می‌کند. روش پیشنهادی از یک خودرمزگذار CNN-Attention برای استخراج خودکار نمایش‌های غیرخطی ویژگی سطح بالا از اندازه‌گیری‌های حسگر استفاده می‌کند. سپس از تحلیل مؤلفه اصلی (PCA) برای کاهش ابعاد ویژگی در عین حفظ آموزنده‌ترین ویژگی‌ها استفاده می‌شود. در نهایت، از XGBoost به عنوان مدل طبقه‌بندی برای تشخیص مشاهدات عادی از رویدادهای غیرعادی استفاده می‌شود. چارچوب پیشنهادی با استفاده از مجموعه داده‌های آزمایشگاه تحقیقاتی اینتل برکلی، حاوی تقریباً 2.3 میلیون قرائت حسگر محیطی جمع‌آوری شده از 54 گره حسگر بی‌سیم تحت شرایط عملیاتی واقع‌بینانه، ارزیابی شد. پیش پردازش جامع، مهندسی ویژگی و رویه‌های برچسب‌گذاری آماری قبل از آموزش مدل انجام شد. چارچوب پیشنهادی با چندین رویکرد تشخیص ناهنجاری مرسوم، از جمله جنگل ایزوله، عامل پرت محلی، جنگل تصادفی و درختان اضافی مقایسه شد. نتایج تجربی نشان داد که چارچوب ترکیبی به طور مداوم به عملکرد طبقه‌بندی برتر، با ویژگی‌های دقت، دقت، فراخوانی، امتیاز F1، ROC-AUC و دقت-فراخوانی بالا دست یافته است. یافته‌ها تأیید می‌کنند که ترکیب استخراج ویژگی عمیق با کاهش ابعاد و افزایش گرادیان، قابلیت تشخیص ناهنجاری را به طور قابل توجهی افزایش می‌دهد و در عین حال پیچیدگی محاسباتی را کاهش می‌دهد. در نتیجه، چارچوب پیشنهادی یک راه‌حل قوی، مقیاس‌پذیر و کارآمد مناسب برای کاربردهای عملی شبکه حسگر بی‌سیم ارائه می‌دهد.