陳 輝張春雨

(安徽理工大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院，安徽 淮南 232001)

無(wú)線傳感器網(wǎng)絡(luò)WSN(Wireless Sensor Network)在軍事、醫(yī)療和工業(yè)等方面有著廣泛的應(yīng)用，集中體現(xiàn)在數(shù)據(jù)收集和事件監(jiān)測(cè)方面[1-2]。然而，無(wú)線傳感器節(jié)點(diǎn)多為電池供電，計(jì)算能力和帶寬容量有限，且經(jīng)常部署在一些惡劣的環(huán)境中。這些因素極易導(dǎo)致節(jié)點(diǎn)出現(xiàn)異常和受到干擾，進(jìn)而造成監(jiān)測(cè)數(shù)據(jù)的可靠性得不到保障[3]。無(wú)線傳感器網(wǎng)絡(luò)是以數(shù)據(jù)為中心的網(wǎng)絡(luò)，對(duì)突發(fā)事件的快速響應(yīng)和數(shù)據(jù)的可靠采集是非常必要的[4-6]。

通常WSN中異常數(shù)據(jù)一方面由于節(jié)點(diǎn)自身故障或外界環(huán)境干擾引起的數(shù)據(jù)異常；另一方面由突發(fā)事件引起的數(shù)據(jù)變化超出正常幅度。前者直接關(guān)系著網(wǎng)絡(luò)監(jiān)測(cè)數(shù)據(jù)可信度，而后者則是無(wú)線傳感器網(wǎng)絡(luò)監(jiān)測(cè)重點(diǎn)，因此WSN數(shù)據(jù)異常檢測(cè)和可靠性傳輸很有必要[7]。無(wú)線傳感器網(wǎng)絡(luò)中異常數(shù)據(jù)檢測(cè)通常借助統(tǒng)計(jì)學(xué)方法或充分利用鄰近節(jié)點(diǎn)之間的空間相關(guān)性。如文獻(xiàn)[8]基于隱馬爾科夫模型的數(shù)據(jù)異常檢測(cè)方法，以先驗(yàn)數(shù)據(jù)為參考判斷新產(chǎn)生的數(shù)據(jù)軌跡偏差，但閾值的設(shè)定需要大量數(shù)據(jù)支撐；文獻(xiàn)[9]利用K-Means均值聚類對(duì)異常數(shù)據(jù)進(jìn)行分類，對(duì)所有數(shù)據(jù)對(duì)象依據(jù)相似程度進(jìn)行劃分，該方法更適合集中式異常檢測(cè)，對(duì)所有數(shù)據(jù)進(jìn)行聚類算法復(fù)雜性較高。數(shù)據(jù)采集是無(wú)線傳感器網(wǎng)絡(luò)主要功能之一，而采集數(shù)據(jù)的可靠性直接決定著網(wǎng)絡(luò)的安全運(yùn)行[10]，但僅對(duì)異常數(shù)據(jù)進(jìn)行篩選還不能完全滿足對(duì)無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)可靠性的要求。無(wú)線傳感器網(wǎng)絡(luò)中數(shù)據(jù)來(lái)自眾多傳感器節(jié)點(diǎn)，因此，傳感器節(jié)點(diǎn)的可靠性是影響數(shù)據(jù)采集可靠性重要誘因之一，而信任模型的出現(xiàn)解決了傳感器節(jié)點(diǎn)路由選擇、數(shù)據(jù)認(rèn)證等方面問題，為節(jié)點(diǎn)可靠性判斷提供了理論支撐。目前，信任模型已廣泛應(yīng)用在無(wú)線傳感器網(wǎng)絡(luò)領(lǐng)域[11-13]，其中，文獻(xiàn)[11]通過信任模型幫助尋找可靠的節(jié)點(diǎn)，提高了節(jié)點(diǎn)之間的協(xié)作和系統(tǒng)的性能；文獻(xiàn)[12]提出一種基于時(shí)間因素的WSN信任模型，利用動(dòng)態(tài)反饋機(jī)制計(jì)算節(jié)點(diǎn)信任度，同時(shí)引入時(shí)間衰減模型降低網(wǎng)絡(luò)時(shí)延、增加模型可信度；文獻(xiàn)[13]在直接信任度計(jì)算時(shí)使用異常衰減修正貝葉斯方程，并以熵作為參考為節(jié)點(diǎn)信任度賦權(quán)，很好地克服了主觀賦值的局限性。此外，借助UAVs(Unmanned Aerial Vehicles)[14-15]可較為準(zhǔn)確驗(yàn)證數(shù)據(jù)可靠性，但UAVs使用成本較高。當(dāng)前WSN數(shù)據(jù)采集多以去冗余、降能耗為目的，如文獻(xiàn)[16]用歷史數(shù)據(jù)來(lái)降低冗余數(shù)據(jù)的采集，該算法只有在監(jiān)測(cè)區(qū)域數(shù)據(jù)波動(dòng)較小的情況下效果較好；采用壓縮感知(Compressed Sensing)技術(shù)[17-18]對(duì)數(shù)據(jù)進(jìn)行采集，能有效緩解硬件資源的壓力，但壓縮采集會(huì)導(dǎo)致部分?jǐn)?shù)據(jù)的失真。而隨著物聯(lián)網(wǎng)應(yīng)用要求的不斷提高，如車聯(lián)網(wǎng)、自動(dòng)駕駛等，感知層數(shù)據(jù)可靠性變得尤為重要。

在實(shí)際應(yīng)用中傳感器節(jié)點(diǎn)一般以恒定頻率進(jìn)行數(shù)據(jù)的采集和傳輸，多數(shù)情況下數(shù)據(jù)是緩慢變化的，如溫度、濕度、壓力等。這種情況下“不可靠節(jié)點(diǎn)”的存在直接影響著檢測(cè)結(jié)果的準(zhǔn)確性，因此節(jié)點(diǎn)可靠性和數(shù)據(jù)可靠性的準(zhǔn)確判斷關(guān)系到網(wǎng)絡(luò)的QoS(Quality of Service)?；诙鄶?shù)節(jié)點(diǎn)出現(xiàn)“數(shù)據(jù)異?！睘橥话l(fā)事件所致，少數(shù)節(jié)點(diǎn)出現(xiàn)“數(shù)據(jù)異?！币欢ǜ怕噬鲜枪?jié)點(diǎn)異常或干擾所致的事實(shí)，本文提出一種基于信任模型的數(shù)據(jù)收集方法(Algorithm of Trust-based Data Gathering，AT-DG)。該算法以分簇型網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為基礎(chǔ)，首先，基于數(shù)據(jù)時(shí)間相關(guān)性和空間相關(guān)性區(qū)分?jǐn)?shù)據(jù)異常與否，并統(tǒng)計(jì)異常數(shù)據(jù)占比。然后，根據(jù)異常數(shù)據(jù)占比的不同采取不同的數(shù)據(jù)采集策略。對(duì)于少數(shù)“數(shù)據(jù)異?！保ㄟ^簇首節(jié)點(diǎn)信任評(píng)估機(jī)制判斷節(jié)點(diǎn)可信度，進(jìn)而得出異常數(shù)據(jù)產(chǎn)生原因，并采取相應(yīng)的采集策略；對(duì)于多數(shù)“數(shù)據(jù)異?！?，啟動(dòng)監(jiān)測(cè)事件發(fā)生時(shí)的數(shù)據(jù)采集機(jī)制，實(shí)現(xiàn)緊急數(shù)據(jù)包的采集和傳輸。AT-DG算法在保證一般數(shù)據(jù)可靠收集的同時(shí)，可實(shí)現(xiàn)監(jiān)測(cè)事件發(fā)生時(shí)的快速響應(yīng)。

1 網(wǎng)絡(luò)模型

分層的WSN網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)因其簡(jiǎn)單高效便于管理廣泛應(yīng)用在各種監(jiān)測(cè)活動(dòng)中。相鄰傳感器節(jié)點(diǎn)按照一定規(guī)則進(jìn)行組合，形成一個(gè)“簇”，如圖1所示。每個(gè)簇都有一個(gè)簇首和若干成員節(jié)點(diǎn)組成，并且簇間成員節(jié)點(diǎn)感知覆蓋區(qū)域有一定重合。另外，同一簇內(nèi)的成員節(jié)點(diǎn)在通信行為和空間特征上具有較高的相關(guān)性，這也使在簇頭建立信任模型成為可能。同時(shí)，事件的發(fā)生也表現(xiàn)為部分簇內(nèi)數(shù)據(jù)變化差異較大，以簇為單位的異常檢測(cè)機(jī)制更容易實(shí)現(xiàn)。

圖1 分簇的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

本文依據(jù)HEED協(xié)議對(duì)網(wǎng)絡(luò)進(jìn)行層次劃分，且網(wǎng)絡(luò)中傳感器節(jié)點(diǎn)滿足以下條件:①網(wǎng)絡(luò)中節(jié)點(diǎn)位置一旦確定就不在移動(dòng)，且每個(gè)節(jié)點(diǎn)都有唯一的標(biāo)識(shí)；②網(wǎng)絡(luò)中只有唯一的Sink節(jié)點(diǎn)，網(wǎng)絡(luò)中數(shù)據(jù)路由由簇首直接或間接地發(fā)送到Sink節(jié)點(diǎn)；③簇內(nèi)各成員節(jié)點(diǎn)位置相鄰且只能和本簇簇首通信；④每個(gè)節(jié)點(diǎn)通信半徑、路由能耗相同且能源不可再生。

2 數(shù)據(jù)采集方案

2.1 數(shù)據(jù)異常判別和采集規(guī)則

通常情況下，如果簇內(nèi)多數(shù)節(jié)點(diǎn)監(jiān)測(cè)數(shù)據(jù)發(fā)生突變，監(jiān)測(cè)事件應(yīng)當(dāng)是大概率發(fā)生，而少數(shù)節(jié)點(diǎn)監(jiān)測(cè)數(shù)據(jù)發(fā)生突變很大程度上是采集數(shù)據(jù)錯(cuò)誤。因此，可以通過設(shè)定異常數(shù)據(jù)占比的閾值來(lái)區(qū)分異常數(shù)據(jù)是監(jiān)測(cè)事件發(fā)生還是錯(cuò)誤數(shù)據(jù)。對(duì)于異常數(shù)據(jù)的判斷，統(tǒng)計(jì)學(xué)中采用基于距離的方法可對(duì)異常數(shù)據(jù)進(jìn)行定義，即數(shù)據(jù)前后變化的差值[19]。為了突出異常數(shù)據(jù)的變化量和異常數(shù)據(jù)的占比，閾值的設(shè)定首先要針對(duì)數(shù)據(jù)變化量的定義，然后再判斷這些節(jié)點(diǎn)占的比重，進(jìn)而判斷是事件發(fā)生還是數(shù)據(jù)錯(cuò)誤。數(shù)據(jù)級(jí)異常檢測(cè)通常利用節(jié)點(diǎn)數(shù)據(jù)流的時(shí)間性和空間性等特點(diǎn)，通過比較當(dāng)前異常數(shù)據(jù)與歷史數(shù)據(jù)、鄰節(jié)點(diǎn)數(shù)據(jù)差異，進(jìn)而計(jì)算節(jié)點(diǎn)信任度。數(shù)據(jù)異常檢測(cè)方法中基于分類的方法由于其檢測(cè)精度受到數(shù)據(jù)集規(guī)模的影響，不適合在資源受限的無(wú)線傳感器網(wǎng)節(jié)點(diǎn)實(shí)現(xiàn)，而基于統(tǒng)計(jì)的異常檢測(cè)更符合無(wú)線傳感器網(wǎng)要求，其中四分位數(shù)展布法計(jì)算量小且收斂速度快，因此文中選用四分位展布法的箱型模型作為異常檢測(cè)的依據(jù)。

基于監(jiān)測(cè)數(shù)據(jù)的時(shí)間相關(guān)性設(shè)置大小為M的數(shù)據(jù)窗口，如圖2所示。對(duì)于節(jié)點(diǎn)i，當(dāng)前時(shí)刻t采集的數(shù)據(jù)為a i(t)并記t＝n×Δt，Δt為采樣間隔，則上一時(shí)刻，即(n-1)×Δt時(shí)刻采集數(shù)據(jù)為a i(t-1)。簇首利用箱型模型，即式(1)對(duì)節(jié)點(diǎn)i前M-1個(gè)數(shù)據(jù)進(jìn)行箱型計(jì)算并劃分可信區(qū)間[εa，εb]。如果a i(t)在[εa，εb]區(qū)間外即數(shù)據(jù)偏差過大判斷為異常數(shù)據(jù)。

圖2 基于箱型模型的數(shù)據(jù)異常判斷

式中:Q1和Q3分別為M-1個(gè)數(shù)據(jù)中下四分位和上四分位值，在計(jì)算分位時(shí)采用向下取整策略來(lái)確定Q1和Q3的值。其中IQR＝Q3-Q1。通過歷史數(shù)據(jù)對(duì)簇內(nèi)各節(jié)點(diǎn)進(jìn)行區(qū)間劃分，以該區(qū)間作為當(dāng)前時(shí)刻數(shù)據(jù)異常的判斷依據(jù)。

監(jiān)測(cè)事件的發(fā)生主要表現(xiàn)為局部性數(shù)據(jù)變化，而事件規(guī)模大小與數(shù)據(jù)變化節(jié)點(diǎn)個(gè)數(shù)成正相關(guān)。因此，數(shù)據(jù)異常占比θ可定義為數(shù)據(jù)異常節(jié)點(diǎn)數(shù)與簇內(nèi)總結(jié)點(diǎn)輸之比。

式中:N為當(dāng)前時(shí)刻簇首基于式(1)統(tǒng)計(jì)出該簇內(nèi)數(shù)據(jù)異常節(jié)點(diǎn)數(shù)，NCH為該簇內(nèi)成員節(jié)點(diǎn)總數(shù)。由于算法基于網(wǎng)絡(luò)異常規(guī)模的大小為采集依據(jù)，并且監(jiān)測(cè)事件的發(fā)生具有小概率性和局域性，為了研究方便本文取ˉθ＝0.25為規(guī)模閾值。在實(shí)際應(yīng)用中，可根據(jù)監(jiān)測(cè)系統(tǒng)的性能來(lái)調(diào)整ˉθ取值。依據(jù)θ值的不同，數(shù)據(jù)采集規(guī)則如下:①當(dāng)0<θ<ˉθ，小部分異常值出現(xiàn)，可能由節(jié)點(diǎn)異常引起，采用基于信任模型的采集方式；②當(dāng)θ≥ˉθ，多數(shù)節(jié)點(diǎn)出現(xiàn)數(shù)據(jù)異常，可能由事件發(fā)生引起，啟動(dòng)緊急數(shù)據(jù)采集機(jī)制。

2.2 基于信任模型的節(jié)點(diǎn)篩選

對(duì)于少數(shù)節(jié)點(diǎn)出現(xiàn)數(shù)據(jù)異常有可能是節(jié)點(diǎn)故障導(dǎo)致的，但也不排除由事件發(fā)生引起的數(shù)據(jù)異常。為此，對(duì)于出現(xiàn)數(shù)據(jù)異常的節(jié)點(diǎn)要從節(jié)點(diǎn)和數(shù)據(jù)兩方面進(jìn)行考慮，通過節(jié)點(diǎn)信任度[20]和數(shù)據(jù)偏移量的計(jì)算，為可靠性數(shù)據(jù)采集方案提供理論依據(jù)。

2.2.1 節(jié)點(diǎn)信任度計(jì)算

節(jié)點(diǎn)的通信質(zhì)量是數(shù)據(jù)可靠性重要保障，節(jié)點(diǎn)級(jí)信任度可利用簇內(nèi)節(jié)點(diǎn)通信行為和數(shù)據(jù)相關(guān)性進(jìn)行計(jì)算?；谖墨I(xiàn)[10]和[13]所利用的Bayes信任管理框架同時(shí)對(duì)beta分布進(jìn)行擬合，利用節(jié)點(diǎn)中歷史交互記錄計(jì)算節(jié)點(diǎn)可信度。通過已知條件概率密度參數(shù)表達(dá)式和先驗(yàn)概率，結(jié)合貝葉斯公式可以為后驗(yàn)事件提供決策。則節(jié)點(diǎn)i和節(jié)點(diǎn)j信譽(yù)分布reputationij可表示為:

式中:α和β分別表示節(jié)點(diǎn)i和節(jié)點(diǎn)j歷史交互成功和失敗次數(shù)。節(jié)點(diǎn)交互歷史及鄰節(jié)點(diǎn)的相似程度作為節(jié)點(diǎn)故障的主要依據(jù)，由貝葉斯評(píng)估方法可得節(jié)點(diǎn)i關(guān)于節(jié)點(diǎn)j概率密度分布函數(shù)為:

式中:φi j為交互成功的概率，且α>0，β>0，則對(duì)于簇首節(jié)點(diǎn)j和異常節(jié)點(diǎn)i，在成功交互a ij次 和失敗交互βi j次 時(shí)，簇首對(duì)異常節(jié)點(diǎn)i的可信度可表示為:

2.2.2 數(shù)據(jù)偏移度計(jì)算

在節(jié)點(diǎn)可信度計(jì)算的基礎(chǔ)上，引入數(shù)據(jù)偏移度來(lái)提高采集模型準(zhǔn)確性。數(shù)據(jù)偏移度是指節(jié)點(diǎn)當(dāng)前監(jiān)測(cè)的數(shù)據(jù)同歷史數(shù)據(jù)以及鄰節(jié)點(diǎn)數(shù)據(jù)的偏差程度，通過異常節(jié)點(diǎn)歷史數(shù)據(jù)和鄰節(jié)點(diǎn)數(shù)據(jù)進(jìn)行計(jì)算。對(duì)于異常節(jié)點(diǎn)i的數(shù)據(jù)偏移度的計(jì)算過程是:選取同簇通信半徑內(nèi)k個(gè)鄰居節(jié)點(diǎn)，設(shè)k個(gè)鄰節(jié)點(diǎn)當(dāng)前采集數(shù)據(jù)為a i1，a i2，…，a i k，則鄰節(jié)點(diǎn)數(shù)據(jù)均值為:

同時(shí)對(duì)于異常節(jié)點(diǎn)i在窗口內(nèi)取當(dāng)前時(shí)刻前M-1個(gè)歷史數(shù)據(jù)，歷史均值為E i，則異常節(jié)點(diǎn)i的數(shù)據(jù)偏移度為:

式中:a i為異常節(jié)點(diǎn)i當(dāng)前采集的數(shù)據(jù)，ω為平衡系數(shù)且ω∈[0，1]，ω的大小決定了歷史數(shù)據(jù)和鄰節(jié)點(diǎn)數(shù)據(jù)的權(quán)重。

2.2.3 異常數(shù)據(jù)節(jié)點(diǎn)綜合信任度計(jì)算

對(duì)于數(shù)據(jù)異常節(jié)點(diǎn)的判斷要綜合考慮節(jié)點(diǎn)本身的質(zhì)量和數(shù)據(jù)偏移程度，式(5)和式(7)分別給出了節(jié)點(diǎn)質(zhì)量和數(shù)據(jù)偏差的定義。節(jié)點(diǎn)信任度越高且與周圍節(jié)點(diǎn)數(shù)據(jù)偏差越小，該數(shù)據(jù)異常節(jié)點(diǎn)可靠性就越高。異常節(jié)點(diǎn)i的綜合信任度Trusti可表示為:

式中:φ為平衡系數(shù)且φ∈[0，1]，而節(jié)點(diǎn)信任度是一個(gè)逐漸積累的過程，所以在更新當(dāng)前時(shí)刻信任度時(shí)需要考慮前一時(shí)刻節(jié)點(diǎn)信任度值，即當(dāng)前信任值，其中κ為平衡系數(shù)，為前一時(shí)刻節(jié)點(diǎn)信任度。當(dāng)異常節(jié)點(diǎn)i的綜合信任度大于閾值λ時(shí)，采信該節(jié)點(diǎn)數(shù)據(jù)，啟動(dòng)緊急數(shù)據(jù)傳輸機(jī)制；當(dāng)小于閾值λ時(shí)，數(shù)據(jù)可信度較低，過濾該節(jié)點(diǎn)數(shù)據(jù)。

2.3 緊急數(shù)據(jù)可靠傳輸機(jī)制

目前，對(duì)于數(shù)據(jù)可靠傳輸機(jī)制的研究主要從擁塞控制和可靠性保障兩方面入手。突發(fā)事件會(huì)引起數(shù)據(jù)激增，而簇首緩存空間有限，大量數(shù)據(jù)的涌入會(huì)造成隊(duì)列溢出，導(dǎo)致數(shù)據(jù)包傳輸時(shí)延和丟包率急劇增加。因此，針對(duì)緊急情況下突增數(shù)據(jù)流，需要充分利用整個(gè)網(wǎng)絡(luò)資源來(lái)確保緊急數(shù)據(jù)的可靠性傳輸。另外，分簇結(jié)構(gòu)下各簇首在數(shù)據(jù)傳輸過程中存在著的鏈路競(jìng)爭(zhēng)和數(shù)據(jù)沖突也關(guān)系著緊急數(shù)據(jù)可靠性傳輸問題。

基于以上突發(fā)事件數(shù)據(jù)流特點(diǎn)，提出一種冗余協(xié)助傳輸機(jī)制(Redundant Assistance Mechanism，RAM)。RAM充分利用處于正常狀態(tài)下的簇首資源，基于緊急數(shù)據(jù)優(yōu)先的路由思想，該方式保證了緊急事件的準(zhǔn)確感知和及時(shí)預(yù)警。具體RAM工作流程如下:

Step 1 簇首檢測(cè)到異常節(jié)點(diǎn)信任度高或異常節(jié)點(diǎn)超過規(guī)模閾值時(shí)，立即啟動(dòng)緊急數(shù)據(jù)傳輸機(jī)制；

Step 2 簇首節(jié)點(diǎn)采用多鏈路傳輸策略，向其下游發(fā)送緊急請(qǐng)求，請(qǐng)求信息包含該簇位置信息；

Step 3 下游簇首節(jié)點(diǎn)接到請(qǐng)求消息后，降低自身簇內(nèi)數(shù)據(jù)采集頻率和減少其他簇首數(shù)據(jù)轉(zhuǎn)發(fā)，并提高請(qǐng)求簇首數(shù)據(jù)轉(zhuǎn)發(fā)優(yōu)先級(jí)來(lái)確保緊急簇首數(shù)據(jù)傳輸；

Step 4 異常數(shù)據(jù)采集完畢，各簇首恢復(fù)正常采集機(jī)制。

RAM通過提高緊急簇首優(yōu)先級(jí)并降低下游簇首采集頻率來(lái)滿足緊急數(shù)據(jù)傳輸需要，如圖3所示。RAM機(jī)制雖然犧牲了部分層次的數(shù)據(jù)采集，但可以最大程度地保障網(wǎng)絡(luò)對(duì)突發(fā)事件的及時(shí)上報(bào)和處理。實(shí)際上突發(fā)事件的頻率較低，該機(jī)制的設(shè)置對(duì)網(wǎng)絡(luò)整體性能的影響并不大。

圖3 緊急數(shù)據(jù)傳輸機(jī)制

2.4 數(shù)據(jù)采集方法

無(wú)線傳感器網(wǎng)絡(luò)最為重要的是當(dāng)監(jiān)測(cè)事件發(fā)生，如森林火災(zāi)、瓦斯泄漏等而引起的數(shù)據(jù)流異常時(shí)，傳感器節(jié)點(diǎn)要能夠準(zhǔn)確感知、快速傳達(dá)到匯聚節(jié)點(diǎn)。因此，為了保證監(jiān)測(cè)事件發(fā)生時(shí)，監(jiān)測(cè)數(shù)據(jù)能夠及時(shí)可靠傳輸和收集，可采用差異化的數(shù)據(jù)收集策略。

無(wú)線傳感監(jiān)測(cè)網(wǎng)絡(luò)中“異常數(shù)據(jù)”的出現(xiàn)可能是由節(jié)點(diǎn)故障產(chǎn)生的錯(cuò)誤數(shù)據(jù)，也可能是事件發(fā)生引起數(shù)據(jù)突變。由于傳感網(wǎng)的監(jiān)測(cè)數(shù)據(jù)大部分都是重要程度較低的冗余數(shù)據(jù)，這些數(shù)據(jù)之間的差異較小，“異常數(shù)據(jù)”主要表現(xiàn)為少數(shù)節(jié)點(diǎn)出現(xiàn)數(shù)據(jù)異常，而事件發(fā)生引起的極富價(jià)值的“異常數(shù)據(jù)”表現(xiàn)為多數(shù)節(jié)點(diǎn)的數(shù)據(jù)異常。通過異常數(shù)據(jù)占比閾值的劃分來(lái)判斷“異常數(shù)據(jù)”類型，對(duì)前一種數(shù)據(jù)異常采用基于信任模型的采集方式，對(duì)后一種數(shù)據(jù)異常啟動(dòng)緊急數(shù)據(jù)采集方案。

因此，對(duì)于正常的普通數(shù)據(jù)采用常規(guī)的數(shù)據(jù)傳輸方式，對(duì)于異常數(shù)據(jù)，根據(jù)異常數(shù)據(jù)占比情況，采用過濾方式或緊急傳輸策略。異常數(shù)據(jù)占比低于設(shè)定的閾值，采用基于信任度模型的過濾機(jī)制，異常數(shù)據(jù)占比超過設(shè)定的閾值的異常數(shù)據(jù)，采用緊急數(shù)據(jù)傳輸策略，數(shù)據(jù)采集方案如圖4所示。

圖4 數(shù)據(jù)采集方案

3 仿真與性能分析

為了驗(yàn)證AT-DG算法數(shù)據(jù)采集的準(zhǔn)確性和及時(shí)性，本文使用MATLAB作為仿真工具驗(yàn)證算法相關(guān)性能。在100×100矩形區(qū)域隨機(jī)分布傳感器節(jié)點(diǎn)，基于HEED協(xié)議對(duì)網(wǎng)絡(luò)進(jìn)行層次劃分。相關(guān)仿真實(shí)驗(yàn)參數(shù)配置如表1所示。

表1 仿真實(shí)驗(yàn)參數(shù)

3.1 信任模型性能分析

基于信任度的數(shù)據(jù)異常類型的判斷是AT-DG算法的基礎(chǔ)，本文的信任度模型基于節(jié)點(diǎn)交互和數(shù)據(jù)偏移兩個(gè)維度進(jìn)行建模，利用信任度區(qū)分?jǐn)?shù)據(jù)異常節(jié)點(diǎn)正常與否。因此，是否能夠有效檢測(cè)出非正常節(jié)點(diǎn)是衡量該模型的重要指標(biāo)。結(jié)合本文以數(shù)據(jù)異常為導(dǎo)向的信任評(píng)估，算法的檢測(cè)率定義為檢測(cè)出的異常節(jié)點(diǎn)占總異常節(jié)點(diǎn)的比例。為了驗(yàn)證信任模型的有效性，實(shí)驗(yàn)中設(shè)置150個(gè)傳感器節(jié)點(diǎn)，依據(jù)HEED協(xié)議對(duì)網(wǎng)絡(luò)進(jìn)行層次劃分，在不同的異常節(jié)點(diǎn)占比下對(duì)本文算法和經(jīng)典信任模型RFSN[21](Reputation based framework for sensor networks)的檢測(cè)率進(jìn)行對(duì)比，結(jié)果如圖5所示。隨著網(wǎng)絡(luò)中異常節(jié)點(diǎn)比例增加，AT-DG和RFSN檢測(cè)率均呈現(xiàn)下降趨勢(shì)，但AT-DG算法以數(shù)據(jù)和節(jié)點(diǎn)質(zhì)量為依據(jù)，平均檢測(cè)率比RFSN算法高出9.14左右%。

圖5 檢測(cè)率對(duì)比

此外，選取在異常節(jié)點(diǎn)占比15%時(shí)隨機(jī)選取一個(gè)簇，檢測(cè)該簇內(nèi)正常節(jié)點(diǎn)和異常節(jié)點(diǎn)信任度均值變化趨勢(shì)。實(shí)驗(yàn)過程中異常節(jié)點(diǎn)隨機(jī)分布在網(wǎng)絡(luò)中，正常節(jié)點(diǎn)可準(zhǔn)確上報(bào)環(huán)境中的數(shù)據(jù)，簇內(nèi)所有節(jié)點(diǎn)屬性相同并設(shè)初始信任度為0.5。實(shí)驗(yàn)選取前50個(gè)采樣周期該簇內(nèi)節(jié)點(diǎn)信任度均值變化，如圖6所示。其中，前15次采樣中，由于正常節(jié)點(diǎn)和異常節(jié)點(diǎn)報(bào)告數(shù)據(jù)差值較大，信任度區(qū)分效果不明顯；隨著采樣次數(shù)的增加，異常節(jié)點(diǎn)不良行為造成可信度降低，進(jìn)而導(dǎo)致異常節(jié)點(diǎn)信任度均值逐漸下降，而正常節(jié)點(diǎn)始終表現(xiàn)良好。由此說(shuō)明，基于信任模型可以較好的區(qū)分異常數(shù)據(jù)節(jié)點(diǎn)的類型，為數(shù)據(jù)可靠性采集提供決策支撐。

圖6 節(jié)點(diǎn)信任度對(duì)比

3.2 網(wǎng)絡(luò)性能分析

為了驗(yàn)證AT-DG算法數(shù)據(jù)采集性能，在數(shù)據(jù)采集準(zhǔn)確率和網(wǎng)絡(luò)能耗與原生HEED算法進(jìn)行試驗(yàn)對(duì)比。圖7是數(shù)據(jù)采集準(zhǔn)確率對(duì)比，試驗(yàn)時(shí)隨機(jī)選取一個(gè)簇模擬事件發(fā)生，對(duì)正常節(jié)點(diǎn)和異常節(jié)點(diǎn)數(shù)據(jù)包進(jìn)行標(biāo)記，統(tǒng)計(jì)Sink節(jié)點(diǎn)接收到正常節(jié)點(diǎn)數(shù)據(jù)量占總數(shù)據(jù)量的百分比作為試驗(yàn)結(jié)果。試驗(yàn)對(duì)比前20次采用結(jié)果進(jìn)行對(duì)比，HEED協(xié)議數(shù)據(jù)包準(zhǔn)確率受異常節(jié)點(diǎn)影響平均準(zhǔn)確率為71.75%左右。而AT-DG算法加入異常數(shù)據(jù)檢測(cè)機(jī)制，對(duì)異常節(jié)點(diǎn)數(shù)據(jù)包進(jìn)行過濾，隨著仿真輪次的增加，平均準(zhǔn)確率維持在91.73%左右，較原生HEED協(xié)議平均數(shù)據(jù)采集準(zhǔn)確率高20%左右。

圖7 數(shù)據(jù)包接收準(zhǔn)確率對(duì)比

圖8是AT-DG算法節(jié)點(diǎn)總能耗變化曲線。從圖8可以看出在相同的輪轉(zhuǎn)周期內(nèi)，AT-DG總能耗小于原生HEED算法。其中，HEED協(xié)議在2 200輪次時(shí)網(wǎng)絡(luò)總能耗已經(jīng)達(dá)到最值(節(jié)點(diǎn)全部死亡)，而AT-DG算法下網(wǎng)絡(luò)生命持續(xù)到3 200輪次。此外，AT-DG引入緊急數(shù)據(jù)傳輸機(jī)制，避免了因突發(fā)事件引起大規(guī)模數(shù)據(jù)傳輸，均衡網(wǎng)絡(luò)負(fù)載，節(jié)點(diǎn)出現(xiàn)死亡現(xiàn)象較HEED協(xié)議遲200輪次左右。以上表明AT-DG能量利用率更高，網(wǎng)絡(luò)壽命更長(zhǎng)。

圖8 網(wǎng)絡(luò)總能耗對(duì)比

4 結(jié)束語(yǔ)

為了解決因數(shù)據(jù)異常造成的決策誤判問題，本文基于分簇的無(wú)線傳感器網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，結(jié)合事件監(jiān)測(cè)特點(diǎn)，以異常數(shù)據(jù)為出發(fā)點(diǎn)設(shè)計(jì)了AT-DG數(shù)據(jù)可靠性收集算法。通過建立異常數(shù)據(jù)節(jié)點(diǎn)的信任度模型，計(jì)算異常數(shù)據(jù)節(jié)點(diǎn)的信任度，對(duì)節(jié)點(diǎn)異常類型進(jìn)行判斷，進(jìn)而采取相應(yīng)的數(shù)據(jù)采集機(jī)制。仿真結(jié)果表明AT-DG算法在事件監(jiān)測(cè)中能夠精準(zhǔn)、及時(shí)對(duì)數(shù)據(jù)進(jìn)行處理，該算法可廣泛用于層次型無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)的采集當(dāng)中以提高監(jiān)測(cè)數(shù)據(jù)采集的可靠性。