陳歡歡, 黃 劍, 王 楷, 李洪兵

(重慶大學(xué) 自動(dòng)化學(xué)院,重慶400030)

研究與探討

基于節(jié)點(diǎn)相似性的WSNs故障檢測(cè)方法研究*

陳歡歡, 黃 劍, 王 楷, 李洪兵

(重慶大學(xué) 自動(dòng)化學(xué)院,重慶400030)

針對(duì)目前多數(shù)無(wú)線傳感器網(wǎng)絡(luò)分布式故障檢測(cè)的算法都以假設(shè)故障節(jié)點(diǎn)數(shù)據(jù)為離群值為基礎(chǔ)，存在局限性的問(wèn)題。提出一種基于節(jié)點(diǎn)相似度比較的無(wú)線傳感器網(wǎng)絡(luò)故障檢測(cè)方法，簇頭節(jié)點(diǎn)根據(jù)簇內(nèi)節(jié)點(diǎn)數(shù)據(jù)的時(shí)空相關(guān)性，進(jìn)行節(jié)點(diǎn)相似性度量，實(shí)時(shí)調(diào)整節(jié)點(diǎn)可信水平，并采用最優(yōu)函數(shù)計(jì)算出當(dāng)前實(shí)驗(yàn)的最優(yōu)閾值(0.8)進(jìn)行故障節(jié)點(diǎn)的判斷。通過(guò)仿真實(shí)驗(yàn)證明:針對(duì)不同的故障模型，算法保持了良好的故障檢測(cè)能力，一定程度上解決通用性問(wèn)題。

相似性度量； 時(shí)空相關(guān)性； 可信水平； 無(wú)線傳感器網(wǎng)絡(luò)； 故障檢測(cè)

0 引 言

無(wú)線傳感器網(wǎng)絡(luò)(WSNs) 在環(huán)境監(jiān)測(cè)與保護(hù)、目標(biāo)跟蹤及軍事偵測(cè)等領(lǐng)域有著廣泛的應(yīng)用[1]。由于WSNs節(jié)點(diǎn)自身資源受限和常在惡劣環(huán)境下工作導(dǎo)致了節(jié)點(diǎn)發(fā)生故障的可能性增高。故障導(dǎo)致WSNs對(duì)監(jiān)測(cè)信息的錯(cuò)誤分析和判斷，所以,對(duì)WSNs的故障檢測(cè)是必不可少的。

目前被廣泛應(yīng)用于該領(lǐng)域的方法主要有基于統(tǒng)計(jì)模型的技術(shù)、基于聚類的技術(shù)、基于分類的技術(shù)、基于鄰近度的技術(shù)等幾大類[2]?；诮y(tǒng)計(jì)的文獻(xiàn)[3,4]利用直方圖技術(shù)提取數(shù)據(jù)分布特征，提取異常數(shù)據(jù)，主要適用于高斯分布的數(shù)據(jù)?；诰垲惖姆椒ㄝ^依賴于的簇內(nèi)數(shù)據(jù)量，文獻(xiàn)[5]采用基于K均值的聚類方法對(duì)簇內(nèi)數(shù)據(jù)不斷地進(jìn)行3個(gè)子簇的分類以找出故障節(jié)點(diǎn)?；诜诸惖男枋孪榷x類別，文獻(xiàn)[6]采取支持向量機(jī)的方法對(duì)數(shù)據(jù)進(jìn)行分類。

基于鄰近度的方法無(wú)需對(duì)數(shù)據(jù)分布做假設(shè)，代表有容錯(cuò)的貝葉斯故障檢測(cè)算法[7]，但該算法在故障節(jié)點(diǎn)數(shù)量大于非故障節(jié)點(diǎn)數(shù)量時(shí)受限。文獻(xiàn)[8]通過(guò)比較測(cè)量值的差值和歷史數(shù)據(jù)變動(dòng)量來(lái)判斷節(jié)點(diǎn)故障。文獻(xiàn)[9]利用時(shí)間冗余來(lái)排除瞬時(shí)的測(cè)量值錯(cuò)誤對(duì)故障節(jié)點(diǎn)判定的影響。文獻(xiàn)[10]為每個(gè)傳感器節(jié)點(diǎn)建立基于Dirichlet分布的信譽(yù)函數(shù)以此判斷故障節(jié)點(diǎn)。

以上方法沒(méi)有對(duì)算法適用的故障類型進(jìn)行討論，僅對(duì)故障的特征和仿真方式進(jìn)行了簡(jiǎn)單假設(shè)，因此，不能確定這些算法在不同故障類型情況下的性能表現(xiàn)。本文針對(duì)不同的故障模型提出一種基于節(jié)點(diǎn)相似性的故障檢測(cè)方法，引入可信度實(shí)時(shí)調(diào)整節(jié)點(diǎn)可信水平，降低節(jié)點(diǎn)的誤判，具有一定的通用性。

1 故障檢測(cè)算法

1.1 故障分類

WSNs是以數(shù)據(jù)為中心的，以此進(jìn)行的故障分類主要包括4種類型[11]。大部分對(duì)WSNs進(jìn)行故障診斷的文獻(xiàn)主要是以Spike故障為主，存在一定局限，或者針對(duì)某一類故障具有良好的效果，缺乏通用性。

1)Outlier故障

Outlier是指偏離感測(cè)數(shù)據(jù)的時(shí)間或空間模型的孤立測(cè)量數(shù)據(jù),一般由短時(shí)間的環(huán)境干擾或各種未知原因引起的,通過(guò)建立相關(guān)的時(shí)域或空間域模型能發(fā)現(xiàn)測(cè)量數(shù)據(jù)集中的Outlier。例如:由測(cè)量數(shù)據(jù)構(gòu)成的時(shí)間序列中，零星的明顯偏離數(shù)據(jù)的時(shí)域模型的數(shù)據(jù)就被認(rèn)為是Outlier。

2)Spike故障

Spike是指連續(xù)的多個(gè)變化率偏離正常范圍的測(cè)量數(shù)據(jù)，但仍隨環(huán)境變化。與Outlier相比，Spike故障由多個(gè)測(cè)量數(shù)據(jù)實(shí)例構(gòu)成。

3)Stuck-at故障

如果節(jié)點(diǎn)采集到的數(shù)據(jù)為不受環(huán)境影響的常數(shù)，即一段時(shí)間內(nèi)幾乎沒(méi)有波動(dòng)，則可能發(fā)生Stuck-at故障。該故障主要特征是方差值較小。

4)高噪聲故障

高噪聲故障是測(cè)量數(shù)據(jù)的方差明顯大于歷史數(shù)據(jù)的方差或其他鄰居節(jié)點(diǎn)測(cè)量數(shù)據(jù)的方差。硬件失效、電池電量不足等原因都可能會(huì)引起高噪聲故障。

1.2 節(jié)點(diǎn)相似性度量

利用相鄰節(jié)點(diǎn)之間測(cè)量序列的相似程度作為故障節(jié)點(diǎn)判定的基礎(chǔ)。

定義1 節(jié)點(diǎn)感測(cè)向量:傳感節(jié)點(diǎn)的感測(cè)向量是由一個(gè)滑動(dòng)時(shí)間窗口Δt內(nèi)的一系列感測(cè)數(shù)據(jù)實(shí)例組成的，即

Di(t)={di(t-Δt+1),di(t-Δt+2),…,di(t)}.

(1)

其中，di(t)表示第i個(gè)節(jié)點(diǎn)在t時(shí)刻的采樣值。

(2)

如果節(jié)點(diǎn)數(shù)據(jù)向量越小，則表示節(jié)點(diǎn)數(shù)據(jù)越相似。

定義3 節(jié)點(diǎn)相似度：同一時(shí)刻簇內(nèi)感知數(shù)據(jù)的相似程度，節(jié)點(diǎn)Ni與節(jié)點(diǎn)Nj的相似程度為

(3)

相似度取值范圍(0,1]，相對(duì)距離越小，則節(jié)點(diǎn)相似度值越高;相反，相對(duì)距離越大，則節(jié)點(diǎn)相似度值越低。

1.3 可信度

隨著環(huán)境的變化，確定的閾值可能引起誤判，同時(shí)，為減小瞬時(shí)值故障造成的影響，通過(guò)動(dòng)態(tài)調(diào)整節(jié)點(diǎn)可信度可提高故障檢測(cè)的準(zhǔn)確率。

定義4 節(jié)點(diǎn)可信度：設(shè)定節(jié)點(diǎn)初始水平的可信度值為1，對(duì)于任意節(jié)點(diǎn)Ni，不存在任意節(jié)點(diǎn)Nj使得S(i,j)>w，則調(diào)整該節(jié)點(diǎn)可信水平θi=θi-Δ，其中，Δ為可信水平θi的調(diào)整幅度。

定義5 故障檢測(cè)：對(duì)任意節(jié)點(diǎn)Ni，若其可信水平θi<θ′，則判斷該節(jié)點(diǎn)出現(xiàn)故障。其中,θ′為節(jié)點(diǎn)可信臨界水平。

1.4 故障檢測(cè)算法

故障檢測(cè)的算法的主要步驟如下：

1)簇頭節(jié)點(diǎn)接收到簇內(nèi)N個(gè)測(cè)量數(shù)據(jù)樣本Di={D1,D2,D3,…,Dn}；

2)給定一個(gè)節(jié)點(diǎn)相似性尺度閾值w，任取一個(gè)樣本Di，依次計(jì)算與Dj的相似度S(i,j)；

3)得出節(jié)點(diǎn)Ni與簇內(nèi)其他節(jié)點(diǎn)的相似度集合S={S(i,1),S(i,2),…，S(i,j),…,S(i,n)}；

4)根據(jù)定義4調(diào)整節(jié)點(diǎn)Ni可信度θ；

5)反復(fù)進(jìn)行上述步驟(3),(4)，直到全體樣本處理完畢；

6)對(duì)于節(jié)點(diǎn)Ni，判斷是否滿足θi<θ′，若滿足，則節(jié)點(diǎn)Ni可能已經(jīng)發(fā)生故障。

2 仿真分析

本文采用Matlab軟件進(jìn)行仿真，所模擬的傳感器網(wǎng)絡(luò)監(jiān)測(cè)區(qū)域?yàn)?2 m×32 m單元的方形區(qū)域內(nèi)，隨機(jī)部署了N=1 024個(gè)傳感器節(jié)點(diǎn)，這些節(jié)點(diǎn)具有相同的通信半徑R，m=5[12]，所有實(shí)驗(yàn)重復(fù)100次，取數(shù)據(jù)平均值進(jìn)行分析，以保證統(tǒng)計(jì)意義上的有效性。

針對(duì)不同故障的模擬方式，假設(shè)非故障節(jié)點(diǎn)的數(shù)據(jù)分布服從正態(tài)分布N(μ,σ)，σ為無(wú)故障節(jié)點(diǎn)測(cè)量值的標(biāo)準(zhǔn)差：Outlier故障為在一定概率下疊加4σ的隨機(jī)數(shù)； Spike故障為區(qū)間內(nèi)的均勻分布；Stuck-at故障采用固定值加一個(gè)隨機(jī)誤差的方式模擬；高噪聲則增大標(biāo)準(zhǔn)差到無(wú)故障節(jié)點(diǎn)的3～5倍。

2.1 實(shí)驗(yàn)參數(shù)設(shè)置

θ′是衡量節(jié)點(diǎn)可信的重要參數(shù)，其值依賴于監(jiān)測(cè)環(huán)境的特征和傳感器節(jié)點(diǎn)的物理誤差。引入回報(bào)函數(shù)[13]

(4)

d(Srel(k),Sirrel(k))用來(lái)評(píng)價(jià)閾值的合適程度，計(jì)算公式為

d(Srel(k),Sirrel(k))=Rrel(k)+Rirrel(k).

(5)

其中

(6)

f(n,t)取最大值時(shí)對(duì)應(yīng)的閾值t為最優(yōu)閾值(表1)。

表1 最優(yōu)閾值測(cè)試相關(guān)的標(biāo)識(shí)符定義Tab 1 Related identifier definition of optimal threshold test

在保證沒(méi)有故障節(jié)點(diǎn)的實(shí)驗(yàn)環(huán)境下重復(fù)測(cè)試，通過(guò)分析仿真數(shù)據(jù)，計(jì)算各次仿真實(shí)驗(yàn)的最優(yōu)閾值，本仿真實(shí)驗(yàn)的最優(yōu)閾值在[0.78,0.83]之間，取其中間值，則令θ′=0.8。

為保證算法的故障容忍能力和故障檢出率，在w和Δ取不同值進(jìn)行仿真，w=0.8,Δ=0.1時(shí)，算法取得最好效果。

2.2 仿真結(jié)果分析

圖1為不同算法的Outlier故障檢測(cè)性能，由圖可以看出:算法都具有良好的故障檢出率(CDR)。但隨著故障節(jié)點(diǎn)的增多，節(jié)點(diǎn)信譽(yù)算法與貝葉斯算法的錯(cuò)誤告警率(FAR)明顯增大，而本算法相對(duì)較小，這是由于Outlier故障在時(shí)間上具有暫時(shí)性的特點(diǎn)，即某一時(shí)刻數(shù)據(jù)是錯(cuò)誤的，但其他時(shí)刻數(shù)據(jù)為正確，則不能判斷該節(jié)點(diǎn)為故障，本文算法通過(guò)實(shí)時(shí)調(diào)整可信度并以此判斷故障節(jié)點(diǎn)，因此,具有良好的容錯(cuò)性。

圖1 不同算法對(duì)Outlier故障檢測(cè)Fig 1 Detection of different algorithms on Outlier fault

圖2表示僅有Spike故障發(fā)生不同算法的故障檢測(cè)。由圖得知，節(jié)點(diǎn)信譽(yù)算法具有較高的檢測(cè)精度，與此同時(shí)，在故障節(jié)點(diǎn)小于30 %的情況下，有良好的錯(cuò)誤告警率;當(dāng)故障節(jié)點(diǎn)大于30 %時(shí)，錯(cuò)誤告警率增長(zhǎng)較快。綜合考慮，在本文提出的基于節(jié)點(diǎn)相似性故障檢測(cè)算法在節(jié)點(diǎn)信譽(yù)算法與貝葉斯算法之間。

圖2 不同算法對(duì)Spike故障檢測(cè)Fig 2 Detection of different algorithms on Spike fault

圖3表示僅有Stuck-at故障發(fā)生不同算法的故障檢測(cè)。在故障檢出率方面，節(jié)點(diǎn)信譽(yù)算法具有最高的精度，當(dāng)節(jié)點(diǎn)故障率小于35 %時(shí)，本文算法優(yōu)于貝葉斯算法;當(dāng)節(jié)點(diǎn)故障率大于35 %時(shí)，本文算法下降較快，這是由于可信度水平之內(nèi)也可能存在故障節(jié)點(diǎn)。與此同時(shí)，在錯(cuò)誤告警率方面本文算法與節(jié)點(diǎn)信譽(yù)算法保持在相對(duì)穩(wěn)定的狀態(tài)。

圖3 不同算法對(duì)Stuck-at故障檢測(cè)Fig 3 Detection of different algorithms on Stuck-at fault

圖4表示僅有高噪聲故障發(fā)生時(shí)各算法性能。在故障率較高的情況下，節(jié)點(diǎn)信譽(yù)算法與本文算法都能夠取得較高的檢測(cè)準(zhǔn)確度，貝葉斯算法隨著節(jié)點(diǎn)故障率達(dá)到30 %后下降較快。在錯(cuò)誤告警率方面，貝葉斯算法增長(zhǎng)較快，節(jié)點(diǎn)信譽(yù)算法在低故障率時(shí)性能很好，但隨之明顯增長(zhǎng)，本文算法引入可信度水平使得節(jié)點(diǎn)誤判率較低。

圖4 不同算法對(duì)高噪聲故障檢測(cè)Fig 4 Detection of different algorithms on excessive noise fault

3 結(jié) 論

本文利用WSNs數(shù)據(jù)的時(shí)空相關(guān)性，提出一種基于節(jié)點(diǎn)相似性的故障檢測(cè)算法，簇頭對(duì)采集的簇內(nèi)節(jié)點(diǎn)數(shù)據(jù)進(jìn)行相似性度量，并引入實(shí)時(shí)調(diào)整的可信度提高算法容錯(cuò)性。對(duì)關(guān)鍵參數(shù)通過(guò)回報(bào)函數(shù)設(shè)定最優(yōu)閾值(0.8)，并在本實(shí)驗(yàn)環(huán)境中進(jìn)行重復(fù)實(shí)驗(yàn)取得相關(guān)參數(shù)于w=0.8,Δ=0.1時(shí)，具有較好的檢測(cè)精確度與低誤判率。仿真結(jié)果表明:算法針對(duì)WSNs不同故障類型取得了良好的故障檢測(cè)效果，提高了通用性。

[1] Vijay G,Ben Ali Bdira E,Ibnkahla M.Cognition in wireless sensor networks: A perspective[J].IEEE Sensors Journal,2011,11(3):582-592.

[2] Zhang Y,Meratnia N,Havinga P.Outlier detection techniques for wireless sensor networks:A survey[J].Communications Surveys & Tutorials,IEEE,2010,12(2):159-170.

[3] Xie M,Hu J,Tian B.Histogram-based online anomaly detection in hierarchical wireless sensor networks[C]∥2012 IEEE 11th International Conference on Trust,Security and Privacy in Computing and Communications,2012:751-759.

[4] Farruggia A,Lo Re G,Ortolani M. Detecting faulty wireless sensor nodes through stochastic classification[C]∥2011 IEEE International Conference on Pervasive Computing and Communications Workshops(PERCOM Workshops),IEEE,2011:148-153.

[5] Zhao X,Gao Z,Huang R,et al.A fault detection algorithm based on cluster analysis in wireless sensor networks[C]∥2011 IEEE Seventh International Conference on Mobile Ad-Hoc and Sensor Networks(MSN),2011:354-355.

[6] Zhang Y,Meratnia N,Havinga P J M.Distributed online outlier detection in wireless sensor networks using ellipsoidal support vector machine[J].Ad Hoc Networks,2013,11(3):1062-1074.

[7] Krishnamachari B,Iyengar S.Distributed Bayesian algorithms for fault-tolerant event region detection in wireless sensor network-s[J].IEEE Transactions on Computers,2004,53(3):241-250.

[8] Chen J,Kher S,Somani A.Distributed fault detection of wireless sensor networks[C]∥Proceedings of the 2006 Workshop on Dependability Issues in Wireless Ad Hoc Networks and Sensor Networks,ACM,2006:65-72.

[9] Lee M H,Choi Y H.Fault detection of wireless sensor network-s[J].Computer Communications,2008,31(14):3469-3475.

[10] 熊 翱,趙曉東,高志鵬,等.節(jié)點(diǎn)信譽(yù)相關(guān)的無(wú)線傳感器網(wǎng)絡(luò)故障檢測(cè)[J].北京郵電大學(xué)學(xué)報(bào),2012,35(1):41-45.

[11] Ni K,Ramanathan N,Chehade M N H,et al.Sensor network data fault types[J].ACM Transactions on Sensor Networks(TOSN),2009,5(3):25.

[12] 黃日茂,邱雪松,高志鵬,等.無(wú)線傳感器網(wǎng)絡(luò)中鄰居數(shù)據(jù)分析的故障檢測(cè)方法[J].北京郵電大學(xué)學(xué)報(bào),2011,34(3):31-34.

[13] Da Silva R,Stasiu R,Orengo V M,et al.Measuring quality of si-milarity functions in approximate data matching[J].Journal of Informetrics,2007,1(1):35-46.

Research on WSNs fault detection method based on node similarity*

CHEN Huan-huan, HUANG Jian, WANG Kai, LI Hong-bing

(College of Automation, Chongqing University,Chongqing 400030,China)

Aiming at present distributed fault detection algorithms for wireless sensor networks(WSNs)have assume that the fault node are based on outliers data,it have limitations.Present a method based on similarity comparison of nodes of WSNs fault detection,according to correlation of time and space of node data within the cluster,the cluster head nodes measure the similarity among cluster nodes,and adjust node confidence level real-time,calculate the optimal threshold value which is 0.8 by using optimal function in current experiments to judge fault node.Through simulation experiments show that aiming at different fault model,the algorithm keep in good ability of fault detection,and solve the problem of generality in a certain extent.

similarity measurement； time and space relativity； confidence level； WSNs； fault detection

2013—09—15

國(guó)家科技支撐計(jì)劃資助項(xiàng)目(2011BAJ03B13);重慶市科技攻關(guān)項(xiàng)目(CSTC2012GG-YYJS40008)

TP 393

A

1000—9787(2014)04—0010—04

陳歡歡(1989-)，女，四川攀枝花人，碩士研究生，主要研究方向?yàn)橹悄芨兄c監(jiān)測(cè)、無(wú)線傳感器網(wǎng)絡(luò)故障診斷研究。