湯 巍景 博 黃以鋒

(空軍工程大學(xué)航空航天工程學(xué)院 西安 710038)

基于關(guān)聯(lián)圖模型的信息物理融合系統(tǒng)感知數(shù)據(jù)可信性分析

湯 巍*景 博 黃以鋒

(空軍工程大學(xué)航空航天工程學(xué)院 西安 710038)

針對信息物理融合系統(tǒng)(CPS)感知層數(shù)據(jù)的不確定性與隨機(jī)性，該文提出一種CPS中感知數(shù)據(jù)的可信性分析框架。摒棄以往以傳感器為中心的建模思路，該文充分考慮被監(jiān)測對象因素，建立傳感器-目標(biāo)關(guān)聯(lián)圖模型，以此為基礎(chǔ)設(shè)計了傳感數(shù)據(jù)可信性推理算法。同時，為提高算法的實(shí)時性，減少傳感器-目標(biāo)關(guān)聯(lián)圖的搜索空間與時間，設(shè)計了基于可信目標(biāo)篩選的改進(jìn)推理算法。通過實(shí)例驗(yàn)證表明，該算法能實(shí)時、有效地濾掉CPS中感知數(shù)據(jù)中的虛假信息，極大提高感知數(shù)據(jù)的可信性。

信息物理融合系統(tǒng)；感知數(shù)據(jù)；可信性分析；關(guān)聯(lián)圖

1 引言

信息物理融合系統(tǒng)(Cyber-Physical System, CPS)是一個集成物理設(shè)備和信息組件的智能分析系統(tǒng)，能夠?qū)ξ锢硎澜缰械膭討B(tài)變化做出實(shí)時響應(yīng)[1]。CPS通過部署的傳感器網(wǎng)絡(luò)獲取大規(guī)模的物理世界數(shù)據(jù)，并針對不同的應(yīng)用領(lǐng)域，將這些數(shù)據(jù)用于實(shí)時分析、控制。CPS的前景被廣泛看好，可以應(yīng)用于智能交通[2]、智能醫(yī)療[3]、智能電網(wǎng)[4]和戰(zhàn)場監(jiān)視[5]等領(lǐng)域。所以，CPS研究得到了美國、歐洲、日本、中國等許多國家的專家學(xué)者的廣泛關(guān)注[6-8]。

目前，雖然眾多學(xué)者關(guān)于CPS的準(zhǔn)確概念與內(nèi)涵還有分歧，但是都認(rèn)為CPS是計算、通信、控制與物理系統(tǒng)融合的產(chǎn)物，且應(yīng)該具有可靠性、分布性、實(shí)時性、自治性等共有特征[9]。一個可靠的CPS必須具有很高的可信度。然而由于傳感系統(tǒng)本身故障及可能出現(xiàn)的突發(fā)事件使CPS所獲取的傳感數(shù)據(jù)具有較大的隨機(jī)性和不確定性，CPS獲得的海量數(shù)據(jù)既包含所需要的可信數(shù)據(jù)也混雜著可能引發(fā)虛警的虛假數(shù)據(jù)。因此，數(shù)據(jù)的可信性問題已經(jīng)成為制約CPS應(yīng)用的主要瓶頸問題之一?？偨Y(jié)起來其面臨的困難主要有以下幾個方面：

(1)數(shù)據(jù)規(guī)模巨大。一個CPS的感知層可能包含成百上千個傳感器的異構(gòu)傳感器網(wǎng)，會產(chǎn)生海量的數(shù)據(jù)。CPS的數(shù)據(jù)處理系統(tǒng)需要在實(shí)時、高效處理大量的數(shù)據(jù)。

(2)傳感數(shù)據(jù)混雜噪聲。在傳感器數(shù)據(jù)采集過程中可能會出現(xiàn)各種形式的故障，而且故障模式大多是不可預(yù)測的。文獻(xiàn)[10]指出，加州大學(xué)伯克利分校部署在大鴨島上用于生態(tài)環(huán)境監(jiān)測的傳感器系統(tǒng)大約有60%的數(shù)據(jù)是錯誤的。文獻(xiàn)[11]指出，傳感器采集的數(shù)據(jù)只有少于49%的信息是有效的。不可靠的噪聲數(shù)據(jù)是制約CPS應(yīng)用的主要因素之一。

(3)傳感數(shù)據(jù)之間的相悖。一個可靠的CPS感知層應(yīng)有合理的冗余度。例如，每個監(jiān)測區(qū)域至少被k個傳感器覆蓋[12]。當(dāng)其中一個或幾個傳感器出現(xiàn)故障時，故障傳感器提供的信息會與其他可靠傳感器提供的信息發(fā)生矛盾。由于用戶并不知道哪個傳感器的數(shù)據(jù)是可信的，所以系統(tǒng)從矛盾的數(shù)據(jù)中推斷出正確的結(jié)果是很困難的。

(4)缺乏有效的訓(xùn)練數(shù)據(jù)。傳統(tǒng)的數(shù)據(jù)分析方法大多是基于有監(jiān)督學(xué)習(xí)的方式進(jìn)行的，即需要大量的訓(xùn)練數(shù)據(jù)，而這種方法在CPS中實(shí)現(xiàn)起來非常困難且由于大量的隨機(jī)因素很容易產(chǎn)生錯誤。

(5)目標(biāo)的不確定性。由于硬件條件的限制，大部分傳感器只能采集CPS中目標(biāo)的部分信息或某一方面的信息，不可能提供CPS所需的完備信息，因此系統(tǒng)需要通過整合從多種傳感器獲取的各種信息來估計目標(biāo)的整體信息，這大大增加了傳感數(shù)據(jù)的不確定性。

在傳感器網(wǎng)絡(luò)和過程控制領(lǐng)域，已有關(guān)于傳感器故障數(shù)據(jù)檢測方面的研究。但是CPS不同于傳統(tǒng)的傳感器網(wǎng)絡(luò)。首先，CPS通常包括更多的傳感器，監(jiān)測的領(lǐng)域更大，這些傳感器通過各種異構(gòu)無線網(wǎng)絡(luò)連接，會產(chǎn)生更多的隨機(jī)因素。而且傳統(tǒng)傳感器網(wǎng)絡(luò)的輸入通常是定義好的并且是可控的。而CPS中的傳感器是用來感知物理世界的自然現(xiàn)象或者監(jiān)測人類的行為。由于監(jiān)測目標(biāo)的不確定，導(dǎo)致傳感器行為和數(shù)據(jù)故障建模中存在較高的不確定性。近年來，一些學(xué)者提出用數(shù)據(jù)挖掘理論解決該問題。比較有代表性的方法是基于鄰域相似性假設(shè)條件[13]，即一個傳感器的數(shù)據(jù)應(yīng)與其臨近的k個傳感器數(shù)據(jù)相似。但是有時被監(jiān)測目標(biāo)并不處于鄰域傳感器的監(jiān)測范圍，因此這種假設(shè)會導(dǎo)致一定程度的系統(tǒng)誤判。

針對上述CPS中數(shù)據(jù)可信性問題，本文摒棄以往以傳感器為中心的建模思路，提出了一種新的CPS中傳感數(shù)據(jù)可信性分析框架，充分考慮被監(jiān)測目標(biāo)因素，建立傳感器-目標(biāo)關(guān)聯(lián)圖模型，以此為基礎(chǔ)設(shè)計了數(shù)據(jù)可信性推理算法。同時，為提高算法的實(shí)時性，減少搜索傳感器-目標(biāo)關(guān)聯(lián)圖的空間與時間，設(shè)計了基于可信目標(biāo)篩選的改進(jìn)推理算法，極大地提高了CPS中傳感數(shù)據(jù)可信性分析效率。

2 問題分析與定義

一個CPS會根據(jù)任務(wù)不同在區(qū)域內(nèi)部署各種傳感器，例如紅外傳感器、超聲傳感器、表面波傳感器等，盡管它們的傳感機(jī)理與測量方法不同，統(tǒng)一用函數(shù)R(s,t)來表示傳感器s在時刻t檢測到的信號強(qiáng)度，顯然，R(s,t)是關(guān)于目標(biāo)與傳感器距離和傳感器類型的函數(shù)[14]，R(s,t)=f(dist(s,o),?(o))。

令R={R(s1,t1),R(s2,t2),…,R(sm,tn)}為傳感器網(wǎng)絡(luò)產(chǎn)生的數(shù)據(jù)集。設(shè)置安全閾值為δs，當(dāng)R(s,t)＞δs時，傳感器會發(fā)出告警信息，用Ra(s,t)表示。顯然，在CPS中傳感器產(chǎn)生的Ra數(shù)據(jù)集是整個感知層采集到的數(shù)據(jù)集R的一個子集，即Ra?R，相比于R中的正常樣本數(shù)據(jù)，Ra是用戶重點(diǎn)關(guān)注的傳感數(shù)據(jù)集，這也是本文的研究對象。但由于受到外界干擾因素或傳感器系統(tǒng)本身故障的影響，Ra中也必然存在大量導(dǎo)致虛警的虛假信息。

定義1 在Ra數(shù)據(jù)集中，定義傳感數(shù)據(jù)的可信度為將Ra(s,t)表示正確信息的概率，用τ(Ra(s,t ))表示。

CPS中的傳感器不可能提供目標(biāo)的完備信息，通常情況下，傳感器的檢測范圍是一個以傳感器為中心的圓。一些特殊的傳感器可以縮小目標(biāo)位置的范圍，比如距離傳感器可以估計與目標(biāo)之間的大致距離，方位傳感器可以估計目標(biāo)的大致方向。如果將幾種傳感器結(jié)合起來可以使目標(biāo)定位的精度會有所提高，但是在CPS中同時部署距離傳感器和方位傳感器會消耗系統(tǒng)的大量能源，使經(jīng)濟(jì)成本顯著增加，系統(tǒng)的整體可靠性降低，而且它們也會受到噪聲干擾，應(yīng)用性不強(qiáng)。因此，本文研究的數(shù)據(jù)可信性分析方法是基于普通傳感器設(shè)計實(shí)現(xiàn)的，可以擴(kuò)展到其他特殊傳感器。

定義2 定義目標(biāo)可信性為對用戶來說有價值目標(biāo)o真實(shí)存在的概率，用()oτ表示。值得注意是，這里定義的可信目標(biāo)必須是對用戶來說有價值的目標(biāo)。

定義3 定義一個傳感器所檢測到的目標(biāo)集為Os，顯然Os={o|o∈O,dist(s,o)＜ds}。其中，ds表示傳感器s的檢測范圍，dist(s,o)表示傳感器s與目標(biāo)o之間的距離。

同理，定義檢測到目標(biāo)o的傳感器集為So，則So={s|s∈S,dist(s,o)＜ds}。

3 傳感數(shù)據(jù)可信性分析框架

3.1 傳感器-目標(biāo)關(guān)聯(lián)圖模型

在CPS中，傳感器的類型和檢測范圍是已知的。通過分析可知，一個傳感器的數(shù)據(jù)可能與多個目標(biāo)有關(guān)，同時一個目標(biāo)可能被多個傳感器檢測到。因此，可以構(gòu)建傳感器與目標(biāo)的關(guān)聯(lián)關(guān)系圖，在傳感器-目標(biāo)關(guān)聯(lián)圖上，一組節(jié)點(diǎn)表示傳感器及其數(shù)據(jù)，另一組節(jié)點(diǎn)表示目標(biāo)，兩者的連線表示檢測關(guān)系，其權(quán)重表示由該目標(biāo)引起相應(yīng)傳感器告警的可能性，即條件可信概率τ(Ra(si,t)|o)。

根據(jù)現(xiàn)有的工藝水平，解決傳感器網(wǎng)絡(luò)的目標(biāo)定位問題普遍應(yīng)用的是基于采樣理論的方法，即設(shè)一個傳感器的檢測范圍包含N個點(diǎn)，采樣率為l，根據(jù)采樣算法則有nlN=×個可能的目標(biāo)位置[15]。圖1顯示了某倉庫監(jiān)視網(wǎng)絡(luò)的拓?fù)鋱D，該監(jiān)測網(wǎng)絡(luò)包含34個傳感器，其中6個傳感器發(fā)出了告警信息。圖中虛線標(biāo)注了告警傳感器的檢測范圍，以及確定的10個可能目標(biāo)位置。

圖1 某倉庫監(jiān)視網(wǎng)絡(luò)的拓?fù)鋱D

將該監(jiān)測網(wǎng)絡(luò)抽象成傳感器-目標(biāo)關(guān)聯(lián)圖模型如圖2所示。

圖2(a)圖表示各目標(biāo)及其傳感器集，其中帶左斜線的圓形節(jié)點(diǎn)表示產(chǎn)生告警信息的傳感器，其他圓形節(jié)點(diǎn)表示產(chǎn)生正常信息的傳感器，菱形節(jié)點(diǎn)表示可能的目標(biāo)。傳感器-目標(biāo)關(guān)聯(lián)圖如圖2(b)圖所示，圖中虛線代表和目標(biāo)相關(guān)的正常傳感器信息，實(shí)線代表與目標(biāo)相關(guān)的告警傳感器信息。例如，可能目標(biāo)o9的傳感器集為So9={s13,s14,s15,s16}，其中s15產(chǎn)生了告警信息Ra(s15,t)；同時由于s15傳感器的目標(biāo)集為Os15={o9,o10}，即Ra(s5,t)不僅與o9有關(guān)，也與o10有關(guān)。

3.2 可信性推理算法

分析傳感器-目標(biāo)關(guān)聯(lián)圖，確定目標(biāo)可信性推理算法為：

上海市崇明區(qū)2016至2017年肺結(jié)核發(fā)病率從50歲開始出現(xiàn)高峰，早于2008至2009年(60歲)[7]，這可能與上海中老年人群重視體檢并及時診療有關(guān)。2010年，全國第5次結(jié)核病流行病學(xué)抽樣調(diào)查報告[8]發(fā)現(xiàn)，老年肺結(jié)核患者中近40%無癥狀，有癥狀者未就診的比例也超過1/2。老年人群因年齡大、生理功能減退、抗病能力低下、愛集聚娛樂等原因，極易感染結(jié)核桿菌；老年肺結(jié)核發(fā)病率高也可能與其常患有糖尿病、心血管疾病及肺部其他疾病，導(dǎo)致機(jī)體抵抗力下降有關(guān)[9]。

步驟1 根據(jù)傳感器-目標(biāo)關(guān)聯(lián)圖，確定與每一個可能目標(biāo)相關(guān)的傳感器集oS。傳感器集中包含兩類傳感器，一類是告警傳感器，一類是正常傳感器。

步驟2 對各個傳感器集中發(fā)出的告警信息數(shù)據(jù)進(jìn)行一致性檢驗(yàn)，即計算與目標(biāo)o相關(guān)的傳感器集中其他傳感器如果處于告警傳感器位置時所產(chǎn)生的數(shù)據(jù)與告警傳感器產(chǎn)生的數(shù)據(jù)之間的差異。當(dāng)兩者的差異較小時，則說明該傳感器發(fā)出的告警信息可信性較高。

以聲傳感器為例，(,)Rst可以表示成[16]

其中，α是信號衰減速率，與距離的平方成反比；?(o)為目標(biāo)o的信號強(qiáng)度；b為背景噪聲；Area(s)表示傳感器s的覆蓋范圍。

則可得目標(biāo)的信號強(qiáng)度函數(shù)

假設(shè)si傳感器為告警傳感器，則sj傳感器處于si傳感器的位置時sj傳感器的期望數(shù)據(jù)值為

圖2 監(jiān)測網(wǎng)的傳感器-目標(biāo)關(guān)聯(lián)圖模型

對is傳感器實(shí)際數(shù)據(jù)值與期望數(shù)據(jù)值進(jìn)行一致性檢驗(yàn)：

其中，σ是傳感器集中各傳感器數(shù)據(jù)的標(biāo)準(zhǔn)差。

當(dāng)條件可信概率較小時，則說明可能有兩種情況：(1)Ra(si,t)是一個虛假信息；(2)Ra(si,t)所反映的告警信息是真實(shí)的，但并不是由目標(biāo)o引起的。用均值法來計算可能目標(biāo)的可信概率。

步驟 4 計算傳感數(shù)據(jù)的可信概率τ(Ra(s,t ))。一個傳感器可能與多個目標(biāo)發(fā)生聯(lián)系，因此也可能會產(chǎn)生多個條件可信概率。在實(shí)際應(yīng)用中，即便僅有一個真實(shí)目標(biāo)則與之聯(lián)系的傳感器告警信息也應(yīng)該是可信的，因此，選擇條件可信概率的最大值作為該傳感器數(shù)據(jù)的可信概率值。

可信性推理算法流程圖如圖3所示。通過分析可以發(fā)現(xiàn)，設(shè)置合適的可信閾值δt是確定可信目標(biāo)和可信數(shù)據(jù)的重要保證。當(dāng)可信閾值設(shè)置很小(如δt＜0.10)時，一些虛警信息會被誤認(rèn)為是真實(shí)的；同理當(dāng)可信閾值設(shè)置很大(如δt＞0.95)時，一些真實(shí)信息也會被認(rèn)為是虛警。設(shè)置合適的可信閾值有兩種方法：一是基于大量的歷史數(shù)據(jù)，根據(jù)數(shù)據(jù)計算結(jié)果的統(tǒng)計規(guī)律，結(jié)合經(jīng)驗(yàn)確定，這也是比較準(zhǔn)確的方法；二是當(dāng)沒有大量歷史數(shù)據(jù)時，則根據(jù)通過閾值處理后的數(shù)據(jù)集間的方差最大原則設(shè)置閾值。一般δt的取值范圍在0.55～0.75之間。

3.3 基于可信篩選的改進(jìn)推理算法

CPS的一個重要特征就是實(shí)時性，因此有必要對算法的效率進(jìn)行分析。推理算法是以目標(biāo)為首要考慮因素的，因此，算法所消耗的時間也主要與目標(biāo)的多少有關(guān)?？梢灶A(yù)見的是，當(dāng)CPS中存在較多且對用戶來說無意義的目標(biāo)時，將嚴(yán)重影響算法的效率。如果能事先去掉一些可信度極低的虛假目標(biāo)信息，則算法是運(yùn)算速度會明顯提高。

圖3 可信性推理算法流程圖

設(shè)So為與目標(biāo)o相關(guān)的傳感器集，Rao為與目標(biāo)o相關(guān)的告警傳感器集，由于目標(biāo)o的可信概率范圍為[0,1]，且條件可信概率τ(Ra(s,t)|o )＜1，推出

可以確定目標(biāo)o可信概率的上闋界為τupp(o)= |Rao|/|So|。

基于以上推理，可以改進(jìn)可信推理算法。首先計算目標(biāo)可信概率o的上闋界，對可能的目標(biāo)進(jìn)行可信性篩選，去掉可信概率的上闋界明顯低于設(shè)置的可信閾值的目標(biāo)，然后再進(jìn)行可信性推理。當(dāng)然如果目標(biāo)的篩選率為0時，改進(jìn)算法的復(fù)雜度與原始推理算法相同。但由于在實(shí)際應(yīng)用中，CPS感知層中存在大量低可信度的信息，可信性篩選可以過濾掉很多無意義的目標(biāo)，將使算法的效率大大提高，具有很強(qiáng)的實(shí)用性。

4 實(shí)例數(shù)據(jù)分析

以前文提到的某倉庫監(jiān)測網(wǎng)絡(luò)為例，首先根據(jù)圖2(b)中的傳感器-目標(biāo)關(guān)聯(lián)圖，基于可能目標(biāo)傳感器集數(shù)據(jù)，利用原始可信推理算法計算傳感數(shù)據(jù)的可信性。和可能目標(biāo)相關(guān)的原始數(shù)據(jù)如表1所示。

傳感數(shù)據(jù)的可信性計算結(jié)果如表2所示。

根據(jù)倉庫的歷史數(shù)據(jù)規(guī)律設(shè)置可信閾值δt為0.60，則根據(jù)計算結(jié)果可以確定，o4為可信目標(biāo)，傳感器s4～s8的數(shù)據(jù)為可信數(shù)據(jù)，傳感器s15的數(shù)據(jù)傳遞的為虛警信息，實(shí)驗(yàn)結(jié)論與真實(shí)情況相符，實(shí)際中，傳感器s15為陣風(fēng)引起的虛警。

根據(jù)改進(jìn)可信推理算法，計算各目標(biāo)可信概率的上闋界，對目標(biāo)進(jìn)行可信性篩選，計算結(jié)果如表3所示。

經(jīng)過篩選后，只有o4,o5和o73個可能目標(biāo)保留下來，對應(yīng)的傳感器-目標(biāo)關(guān)聯(lián)圖如圖4所示。

可以發(fā)現(xiàn)，圖中的傳感器由原來的14個減少到7個，接著利用原始推理算法可以得出τ(o4)=0.86, τ(o5)=0.32, τ(o7)=0.15。雖然可能目標(biāo)o5,o7經(jīng)過計算推理仍可確定其為不可信目標(biāo)，但這已經(jīng)使算法的復(fù)雜度大大降低。

經(jīng)過可信篩選后，推理算法的計算時間大大縮短，由原來的0.257 s降至0.017 s，極大地提高了算法的實(shí)時性。這在傳感器網(wǎng)絡(luò)復(fù)雜、資源有限而實(shí)時性要求很高的CPS應(yīng)用中是非常有價值的。

表1 傳感數(shù)據(jù)表

表2 傳感數(shù)據(jù)可信概率表

圖4 篩選后的傳感器-目標(biāo)關(guān)聯(lián)圖

表3 可信性篩選表

為進(jìn)一步評估算法性能，基于某監(jiān)控區(qū)內(nèi)分布的3個傳感器網(wǎng)絡(luò)數(shù)據(jù)對算法進(jìn)行驗(yàn)證。3個傳感網(wǎng)內(nèi)分布的傳感器數(shù)目分別為515, 800和1200，監(jiān)測時間為1.5～3.0 h，傳感器發(fā)送數(shù)據(jù)的頻率為0.1 Hz，同時用原始推理算法和改進(jìn)推理算法對數(shù)據(jù)進(jìn)行處理，計算結(jié)果如表4所示，計算效率如圖5所示。可以發(fā)現(xiàn)，數(shù)據(jù)量最大的D3中的13920次報警中包含高達(dá)66%的虛警信息，這與真實(shí)的調(diào)查結(jié)果72%接近。

5 結(jié)束語

本文研究了信息物理融合系統(tǒng)中傳感數(shù)據(jù)的可信性問題，提出了傳感數(shù)據(jù)可信性分析框架，構(gòu)建了傳感器-目標(biāo)關(guān)聯(lián)圖模型，以關(guān)聯(lián)圖模型為基礎(chǔ)設(shè)計了CPS中傳感數(shù)據(jù)可信性推理算法，并根據(jù)CPS實(shí)時性要求，增加可信篩選環(huán)節(jié)，對可信推理算法進(jìn)行了改進(jìn)，實(shí)例分析證明了該算法的正確性與有效性，為CPS中傳感數(shù)據(jù)可信性分析提供了一種較為簡單易行的解決方案。

表4 試驗(yàn)數(shù)據(jù)計算結(jié)果

圖5 不同數(shù)據(jù)集的計算效率

[1] Barsocchi P, Chessa S, Martinovic I, et al.. A cyber-physical approach to secret key generation in smart environments[J]. Journal of Ambient Intelligence and Humanized Computing, 2013, 4(1): 1-16.

[2] Lukasiewycz M, Steinhorst S, Sagstetter F, et al.. Cyberphysical systems design for electric vehicles[C]. Proceedings of the 2012 15th Euromicro Conference on Digital System Design, Izmir, Turkey, 2012: 477-484.

[3] Shah A H and Syed M A. False alarm detection in cyberphysical systems for healthcare application[C]. Proceedings of the 2013 AASRI Conference on Parallel and Distributed Computing System, Bucharest, Romania, 2013: 54-61.

[4] Adam H, Aditya A, Siddharth S, et al.. Cyber-physical security testbeds: architecture, application, and evaluation for smart grid[J]. IEEE Transactions on Smart Grid, 2013, 4(2): 847-855.

[5] Volkan C and Lance M. Acoustic sensor network design for position estimation[J]. ACM Transactions on Sensor Networks, 2009, 5(3): 21-27.

[6] Zhenkai Z, Emeka E, and Xenofon K. A co-simulation framework for design of time-triggered automotive cyber physical systems[J]. Simulation Modelling Practice and Theory, 2014, 43(4): 16-33.

[7] Mackowski A W and Williamson C H K. Developing a cyber-physical fluid dynamics facility for fluid–structure interaction studies[J]. Journal of Fluids and Structures, 2011, 27(5): 748-757.

[8] 趙俊華, 文福拴, 薛禹勝, 等. 電力CPS的架構(gòu)及其實(shí)現(xiàn)技術(shù)與挑戰(zhàn)[J]. 電力系統(tǒng)自動化, 2010, 34(16): 1-7.

Zhao Jun-hua, Wen Fu-shuan, Xu Yu-sheng, et al.. Cyber physical power systems: architecture, implementationtechniques and challenges[J]. Automation of Electric Power Systems, 2010, 34(16): 1-7.

[9] Wu F J, Kao Y F, and Tseng Y C. From wireless sensor networks towards cyber physical systems[J]. Pervasive and Mobile Computing, 2011, 7(4): 397-413.

[10] Szewczyk R, Polastre J, Mainwaring A, et al.. Lessons from a Sensor Network Expedition[M]. Wireless Sensor Networks, Springer Berlin Heidelberg, 2004: 307-322.

[11] Tolle G, Polastre J, Szewczyk R, et al.. A macroscope in the redwoods[C]. Proceedings of the 3rd International Conference on Embedded Networked Sensor Systems, San Diego, USA, 2005: 51-63.

[12] Gupta H, Zhou Z, Das S R, et al.. Connected sensor cover: self-organization of sensor networks for efficient query execution[J]. IEEE/ACM Transactions on Networking, 2006, 14(1): 55-67.

[13] Xiao X Y, Peng W C, Hung C C, et al.. Using sensor ranks for in-network detection of faulty readings in wireless sensor networks[C]. Proceedings of the 6th ACM International Workshop on Data Engineering for Wireless and Mobile Access. Beijing, China, 2007: 1-8.

[14] Tang L A, Yu X, Kim S, et al.. Trustworthiness analysis of sensor data in cyber-physical systems[J]. Journal of Computer and System Sciences, 2013, 79(3): 383-401.

[15] Isler V, Kannan S, and Daniilidis K. Sampling based sensornetwork deployment[C]. IEEE/RSJ International Conference on Intelligent Robots and Systems, Sendai, Japan, 2004: 1780-1785.

[16] Baumgartner K, Ferrari S, and Wettergren T A. Robust deployment of dynamic sensor networks for cooperative track detection[J]. IEEE Sensors Journal, 2009, 9(9): 1029-1048.

湯 ?。?男，1987年生，博士生，研究方向?yàn)闊o線傳感器網(wǎng)絡(luò)、信息物理融合系統(tǒng).

景 博： 女，1965年生，博士生導(dǎo)師，教授，研究方向?yàn)闊o線傳感器網(wǎng)絡(luò)、實(shí)時信息處理、信息物理融合系統(tǒng).

黃以鋒： 男，1982年生，博士，講師，研究方向?yàn)闊o線傳感器網(wǎng)絡(luò)、信息物理融合系統(tǒng).

Creditability Analysis of Sensor Data in the Cyber-physical System Based on the Relationship Diagram Model

Tang Wei Jing Bo Huang Yi-feng

(Aeronautics and Astronautics Engineering College, Air Force Engineering University, Xi’an 710038, China)

The high uncertainty and randomness are the characteristics of the sensor data in the Cyber-Physical Systems (CPS), which make the data unreliable. A creditability analysis framework is proposed to solve those problems. Abandoning the idea that the sensor is the center in modeling, the theory takes monitoring targets into consideration and constructs the sensor-target relationship diagram, which is the base of the creditability reasoning algorithm. Meanwhile, in order to reduce the space and time of searching the relationship diagram, an improving reasoning method basing on filtering the incredible targets is designed. The examples demonstrate that the proposed algorithm can filter out the false message in the sensor data and enhances the creditability of the data in CPS.

Cyber-Physical System (CPS); Sensor data; Creditability analysis; Relationship diagram

TP301; TP212

A

1009-5896(2015)03-0679-07

10.11999/JEIT140437

2014-04-03收到，2014-08-05改回

國家自然科學(xué)基金(51201182)和航空科學(xué)基金(20101996012)資助課題

*通信作者：湯巍 rk1019@163.com