陳歡歡, 黃 劍, 王 楷, 李洪兵

(重慶大學 自動化學院,重慶400030)

研究與探討

基于節(jié)點相似性的WSNs故障檢測方法研究*

陳歡歡, 黃 劍, 王 楷, 李洪兵

(重慶大學 自動化學院,重慶400030)

針對目前多數(shù)無線傳感器網(wǎng)絡分布式故障檢測的算法都以假設故障節(jié)點數(shù)據(jù)為離群值為基礎，存在局限性的問題。提出一種基于節(jié)點相似度比較的無線傳感器網(wǎng)絡故障檢測方法，簇頭節(jié)點根據(jù)簇內節(jié)點數(shù)據(jù)的時空相關性，進行節(jié)點相似性度量，實時調整節(jié)點可信水平，并采用最優(yōu)函數(shù)計算出當前實驗的最優(yōu)閾值(0.8)進行故障節(jié)點的判斷。通過仿真實驗證明:針對不同的故障模型，算法保持了良好的故障檢測能力，一定程度上解決通用性問題。

相似性度量； 時空相關性； 可信水平； 無線傳感器網(wǎng)絡； 故障檢測

0 引 言

無線傳感器網(wǎng)絡(WSNs) 在環(huán)境監(jiān)測與保護、目標跟蹤及軍事偵測等領域有著廣泛的應用[1]。由于WSNs節(jié)點自身資源受限和常在惡劣環(huán)境下工作導致了節(jié)點發(fā)生故障的可能性增高。故障導致WSNs對監(jiān)測信息的錯誤分析和判斷，所以,對WSNs的故障檢測是必不可少的。

目前被廣泛應用于該領域的方法主要有基于統(tǒng)計模型的技術、基于聚類的技術、基于分類的技術、基于鄰近度的技術等幾大類[2]?；诮y(tǒng)計的文獻[3,4]利用直方圖技術提取數(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^依賴于的簇內數(shù)據(jù)量，文獻[5]采用基于K均值的聚類方法對簇內數(shù)據(jù)不斷地進行3個子簇的分類以找出故障節(jié)點?；诜诸惖男枋孪榷x類別，文獻[6]采取支持向量機的方法對數(shù)據(jù)進行分類。

基于鄰近度的方法無需對數(shù)據(jù)分布做假設，代表有容錯的貝葉斯故障檢測算法[7]，但該算法在故障節(jié)點數(shù)量大于非故障節(jié)點數(shù)量時受限。文獻[8]通過比較測量值的差值和歷史數(shù)據(jù)變動量來判斷節(jié)點故障。文獻[9]利用時間冗余來排除瞬時的測量值錯誤對故障節(jié)點判定的影響。文獻[10]為每個傳感器節(jié)點建立基于Dirichlet分布的信譽函數(shù)以此判斷故障節(jié)點。

以上方法沒有對算法適用的故障類型進行討論，僅對故障的特征和仿真方式進行了簡單假設，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)。本文針對不同的故障模型提出一種基于節(jié)點相似性的故障檢測方法，引入可信度實時調整節(jié)點可信水平，降低節(jié)點的誤判，具有一定的通用性。

1 故障檢測算法

1.1 故障分類

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

1)Outlier故障

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

2)Spike故障

Spike是指連續(xù)的多個變化率偏離正常范圍的測量數(shù)據(jù)，但仍隨環(huán)境變化。與Outlier相比，Spike故障由多個測量數(shù)據(jù)實例構成。

3)Stuck-at故障

如果節(jié)點采集到的數(shù)據(jù)為不受環(huán)境影響的常數(shù)，即一段時間內幾乎沒有波動，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)點測量數(shù)據(jù)的方差。硬件失效、電池電量不足等原因都可能會引起高噪聲故障。

1.2 節(jié)點相似性度量

利用相鄰節(jié)點之間測量序列的相似程度作為故障節(jié)點判定的基礎。

定義1 節(jié)點感測向量:傳感節(jié)點的感測向量是由一個滑動時間窗口Δt內的一系列感測數(shù)據(jù)實例組成的，即

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

(1)

其中，di(t)表示第i個節(jié)點在t時刻的采樣值。

(2)

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

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

(3)

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

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，為減小瞬時值故障造成的影響，通過動態(tài)調整節(jié)點可信度可提高故障檢測的準確率。

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

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

1.4 故障檢測算法

故障檢測的算法的主要步驟如下：

1)簇頭節(jié)點接收到簇內N個測量數(shù)據(jù)樣本Di={D1,D2,D3,…,Dn}；

2)給定一個節(jié)點相似性尺度閾值w，任取一個樣本Di，依次計算與Dj的相似度S(i,j)；

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

4)根據(jù)定義4調整節(jié)點Ni可信度θ；

5)反復進行上述步驟(3),(4)，直到全體樣本處理完畢；

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

2 仿真分析

本文采用Matlab軟件進行仿真，所模擬的傳感器網(wǎng)絡監(jiān)測區(qū)域為32 m×32 m單元的方形區(qū)域內，隨機部署了N=1 024個傳感器節(jié)點，這些節(jié)點具有相同的通信半徑R，m=5[12]，所有實驗重復100次，取數(shù)據(jù)平均值進行分析，以保證統(tǒng)計意義上的有效性。

針對不同故障的模擬方式，假設非故障節(jié)點的數(shù)據(jù)分布服從正態(tài)分布N(μ,σ)，σ為無故障節(jié)點測量值的標準差：Outlier故障為在一定概率下疊加4σ的隨機數(shù)； Spike故障為區(qū)間內的均勻分布；Stuck-at故障采用固定值加一個隨機誤差的方式模擬；高噪聲則增大標準差到無故障節(jié)點的3～5倍。

2.1 實驗參數(shù)設置

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

(4)

d(Srel(k),Sirrel(k))用來評價閾值的合適程度，計算公式為

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

(5)

其中

(6)

f(n,t)取最大值時對應的閾值t為最優(yōu)閾值(表1)。

表1 最優(yōu)閾值測試相關的標識符定義Tab 1 Related identifier definition of optimal threshold test

在保證沒有故障節(jié)點的實驗環(huán)境下重復測試，通過分析仿真數(shù)據(jù)，計算各次仿真實驗的最優(yōu)閾值，本仿真實驗的最優(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取不同值進行仿真，w=0.8,Δ=0.1時，算法取得最好效果。

2.2 仿真結果分析

圖1為不同算法的Outlier故障檢測性能，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)點的增多，節(jié)點信譽算法與貝葉斯算法的錯誤告警率(FAR)明顯增大，而本算法相對較小，這是由于Outlier故障在時間上具有暫時性的特點，即某一時刻數(shù)據(jù)是錯誤的，但其他時刻數(shù)據(jù)為正確，則不能判斷該節(jié)點為故障，本文算法通過實時調整可信度并以此判斷故障節(jié)點，因此,具有良好的容錯性。

圖1 不同算法對Outlier故障檢測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。由圖得知，節(jié)點信譽算法具有較高的檢測精度，與此同時，在故障節(jié)點小于30 %的情況下，有良好的錯誤告警率;當故障節(jié)點大于30 %時，錯誤告警率增長較快。綜合考慮，在本文提出的基于節(jié)點相似性故障檢測算法在節(jié)點信譽算法與貝葉斯算法之間。

圖2 不同算法對Spike故障檢測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。在故障檢出率方面，節(jié)點信譽算法具有最高的精度，當節(jié)點故障率小于35 %時，本文算法優(yōu)于貝葉斯算法;當節(jié)點故障率大于35 %時，本文算法下降較快，這是由于可信度水平之內也可能存在故障節(jié)點。與此同時，在錯誤告警率方面本文算法與節(jié)點信譽算法保持在相對穩(wěn)定的狀態(tài)。

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

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

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

3 結 論

本文利用WSNs數(shù)據(jù)的時空相關性，提出一種基于節(jié)點相似性的故障檢測算法，簇頭對采集的簇內節(jié)點數(shù)據(jù)進行相似性度量，并引入實時調整的可信度提高算法容錯性。對關鍵參數(shù)通過回報函數(shù)設定最優(yōu)閾值(0.8)，并在本實驗環(huán)境中進行重復實驗取得相關參數(shù)于w=0.8,Δ=0.1時，具有較好的檢測精確度與低誤判率。仿真結果表明:算法針對WSNs不同故障類型取得了良好的故障檢測效果，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)點信譽相關的無線傳感器網(wǎng)絡故障檢測[J].北京郵電大學學報,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.無線傳感器網(wǎng)絡中鄰居數(shù)據(jù)分析的故障檢測方法[J].北京郵電大學學報,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

國家科技支撐計劃資助項目(2011BAJ03B13);重慶市科技攻關項目(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，主要研究方向為智能感知與監(jiān)測、無線傳感器網(wǎng)絡故障診斷研究。