周海飛蘆 翔胡春芬*

(1.常州信息職業(yè)技術(shù)學(xué)院網(wǎng)絡(luò)空間安全學(xué)院，江蘇 常州 213164；2.中國科學(xué)院信息工程研究所，北京 100049)

無線傳感器網(wǎng)絡(luò)是由一系列能夠?qū)Νh(huán)境做出感知和觀測的小型裝置通過無線通信組成的自組織網(wǎng)絡(luò)[1]。 在大型傳感器網(wǎng)絡(luò)中，含有許多微型傳感器節(jié)點，各傳感器節(jié)點在監(jiān)測區(qū)域內(nèi)隨機(jī)分布，采集使用者感興趣的信息。 使得網(wǎng)絡(luò)中自發(fā)形成了內(nèi)部連接緊密、外部連接稀疏的社團(tuán)結(jié)構(gòu)[2]，導(dǎo)致傳感器數(shù)據(jù)傳輸過程中存在部分錯誤數(shù)據(jù)或冗余數(shù)據(jù)，也導(dǎo)致數(shù)據(jù)傳輸過程將大量消耗傳感器網(wǎng)絡(luò)能量。 考慮到網(wǎng)絡(luò)穩(wěn)定性的要求，頻繁地改變簇間傳輸數(shù)來滿足負(fù)載均衡是不可取的[3]，為了在數(shù)據(jù)傳輸過程中清除錯誤或冗余數(shù)據(jù)、減少數(shù)據(jù)傳輸能耗、提高傳感器網(wǎng)絡(luò)的有效生命周期，對傳感器網(wǎng)絡(luò)數(shù)據(jù)的并行聚集方法進(jìn)行了研究。

目前國內(nèi)很多學(xué)者都致力于目標(biāo)跟蹤的節(jié)點調(diào)度算法。 已有研究把這一問題建模為最小化瞬時估計誤差或瞬時信息增益最大化的優(yōu)化問題。 國外研究現(xiàn)狀:研究了密碼學(xué)、安全多方計算、分布式數(shù)據(jù)管理等相關(guān)技術(shù)，研究了靜態(tài)網(wǎng)絡(luò)環(huán)境下安全數(shù)據(jù)的有效聚集、動態(tài)網(wǎng)絡(luò)環(huán)境下與網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)無關(guān)的安全數(shù)據(jù)聚集、連續(xù)安全數(shù)據(jù)聚集、兩層傳感器網(wǎng)絡(luò)中的范圍查詢等典型安全數(shù)據(jù)聚集算法，并對其安全性和網(wǎng)絡(luò)性能進(jìn)行了探討，旨在進(jìn)一步豐富該領(lǐng)域的研究成果。 提出了一種安全高效的連續(xù)的數(shù)據(jù)聚集算法PECDA，該算法利用感知數(shù)據(jù)的時間相關(guān)性，通過設(shè)置閾值來確定節(jié)點是否傳輸當(dāng)前感知數(shù)據(jù)，算法能夠有效地減少數(shù)據(jù)通信量，但該方法數(shù)據(jù)聚集精度較差；所提出的DADPP 方案采用與CPDA 方案類似的處理方法，能夠提供不同的隱私保護(hù)等級，每個組對原始數(shù)據(jù)進(jìn)行預(yù)處理，但該方法在數(shù)據(jù)聚集過程中未考慮傳感器節(jié)點開放性導(dǎo)致的傳感器節(jié)點錯誤所產(chǎn)生的錯誤數(shù)據(jù)，傳感器網(wǎng)絡(luò)能量被大量消耗。

針對上述問題，本研究在考慮節(jié)點信譽度的基礎(chǔ)上設(shè)計了一種新的傳感器網(wǎng)絡(luò)數(shù)據(jù)并行聚集方法，分析傳感器節(jié)點信譽度，排除低信譽度節(jié)點，進(jìn)行數(shù)據(jù)并行聚集，從而提升數(shù)據(jù)聚集精度。

1 數(shù)據(jù)并行聚集方法設(shè)計

1.1 減法聚類分簇

考慮節(jié)點信譽度的傳感器網(wǎng)絡(luò)數(shù)據(jù)并行聚集方法以分簇路由機(jī)制為基礎(chǔ)，將數(shù)據(jù)并行聚集過程劃分為兩個主要過程，分別為節(jié)點分簇與數(shù)據(jù)傳輸。

利用定位算法獲取無線傳感器網(wǎng)絡(luò)節(jié)點的位置信息，將這些信息發(fā)送至基站。 以n1，n2，L，nm和ei(x，y)分別表示傳感器節(jié)點和節(jié)點ni的二維坐標(biāo)值，以m個數(shù)據(jù)樣本為候選聚類中心[4]，選擇減法聚類方法，獲取聚類中心對應(yīng)的傳感器節(jié)點，該節(jié)點為簇頭節(jié)點。

節(jié)點分簇的詳細(xì)步驟如下:

步驟1 fori＝1 ∶1 ∶m

通過式(1)將ei映射至一個超空間單位體內(nèi)實施歸一化處理:

步驟2 fori＝1 ∶1 ∶m

利用式(2)確定樣本ei處的密度指標(biāo)值Den(i):

式中:Ra>0 表示對該樣本的密度指標(biāo)貢獻(xiàn)最大的領(lǐng)域范圍。

步驟3 設(shè)定如下標(biāo)準(zhǔn):max{Den(i)｜i＝1，2，L，m}，確定符合標(biāo)準(zhǔn)的樣本ek，將其作為第一個聚類中心，定義其對應(yīng)的節(jié)點為第一個簇頭節(jié)點。

步驟4 fori＝1 ∶1 ∶m－1

利用式(3)優(yōu)化剩余樣本的密度指標(biāo)值:

式中:Rb表示密度參數(shù)。

將樣本密度指標(biāo)值最大者el為第二個聚類中心，其對應(yīng)的節(jié)點為第二個簇頭節(jié)點。

上述過程中，可依照已知樣本集合的分布特性確定Ra和Rb，通常情況下，Rb＝δRa(δ為大于1 的常數(shù))可防止聚類中心距離過近。 最終獲取的初始化聚類中心數(shù)量受參數(shù)f的直接影響，兩者之間呈反比例相關(guān)。 通常情況下在f值不小于0.5 的條件下可獲取合適的聚類中心數(shù)量。 在能夠恢復(fù)原始信息的基礎(chǔ)上，顯著地減少數(shù)據(jù)傳輸量并延長網(wǎng)絡(luò)生命周期[6]

1.2 節(jié)點信譽度計算

在無線傳感器網(wǎng)絡(luò)中，節(jié)點信譽所描述的是同其存在直接交互關(guān)系的節(jié)點所提交的對該節(jié)點滿意度評價集合。 節(jié)點信譽度定義如下:以N＝{n1，n2，L，nG}表示開放無線傳感器網(wǎng)絡(luò)內(nèi)的節(jié)點，?nj∈N，以Ωj∈N表示同N存在直接交易的節(jié)點集合。在窗口H(交易次數(shù))內(nèi)，以TH＝{Ti｜Ti∈[0，1]，i＝1，2，L，H}表示Ωj內(nèi)節(jié)點對nj的滿意度時序，由此得到節(jié)點nj的信譽度R:

式中:wi表示Ti的權(quán)重。

上述信譽度計算模型應(yīng)用過程中需關(guān)注滿意度評價的衰減性，每個傳感器記錄的數(shù)據(jù)包含相同的正常數(shù)據(jù)分量和相異的異常數(shù)據(jù)分量[7]。 基于此，本研究引入云理論分析節(jié)點信譽云的數(shù)字特征，以此來確定無線傳感器網(wǎng)絡(luò)的Ωj內(nèi)節(jié)點對節(jié)點nj信譽判斷的模糊性與隨機(jī)性，同時對云滴反應(yīng)定性概念可信度進(jìn)行了分析。 根據(jù)確定度與衰減系數(shù)確定權(quán)值wi，完成對傳感器節(jié)點信譽的量化分析。

針對可信無線傳感器網(wǎng)絡(luò)，?nj∈N，以X＝{xi｜xi∈[0，1]，i＝1，2，L，G}表示nj當(dāng)前的所有滿意度評價，也就是云滴，0 和1 分別表示對無線傳感器節(jié)點服務(wù)結(jié)果極度不滿意和極度滿意。X符合TH?X，H

由此得到Nx、Nn和Hn的估算值分別為M1和在此基礎(chǔ)上通過確定云的數(shù)字特征，括號內(nèi)的三項分別表示論域內(nèi)節(jié)點nj生命周期內(nèi)代表性最高的點、不同節(jié)點對節(jié)點nj提供服務(wù)滿意度評價的離散程度和論域內(nèi)固定條件下云滴的離散度。

以云理論為基礎(chǔ)的節(jié)點信譽度度量模型依照節(jié)點nj生命周期內(nèi)所有滿意度評價集合X，確定節(jié)點nj信譽云的數(shù)字特征值基于此，選取時序分析法，對兩條時間序列匹配分析[9]，在信譽度計算窗口H內(nèi)，通過正向云生產(chǎn)算法確定不同滿意度評價的確定度，結(jié)合衰減系數(shù)，計算滿意度評價權(quán)值wi，獲取節(jié)點nj信譽度?Ti∈TH，式(8)描述其確定度:

式中:N′n可通過獲取。

以式(9)表示Ti的衰減系數(shù):

式(9)中，a同時符合?ri>0 要求，且a∈[0，1]，由此得到的Ti權(quán)值為:

將式(10)帶入式(4)內(nèi)，即可確定無線傳感器網(wǎng)絡(luò)內(nèi)節(jié)點nj的信譽度。

1.3 數(shù)據(jù)并行聚集

近年來，復(fù)雜網(wǎng)絡(luò)中基于網(wǎng)絡(luò)位置的節(jié)點重要度度量方法由于計算復(fù)雜度小，因此使用較為廣泛[10]。無線傳感器網(wǎng)絡(luò)內(nèi)簇的路由由簇結(jié)構(gòu)決定，不同簇結(jié)構(gòu)可影響簇數(shù)據(jù)的傳輸方式。 在劃分無線傳感器網(wǎng)絡(luò)內(nèi)節(jié)點簇后，通過簇間路由連接不同群集，可以實現(xiàn)與Sink 節(jié)點之間的數(shù)據(jù)通訊。 在傳感器網(wǎng)絡(luò)內(nèi)部，考慮到數(shù)據(jù)聚集的安全性，將信任度分析結(jié)果引入到傳感器節(jié)點數(shù)據(jù)的采集和傳輸過程中。

在無線傳感器網(wǎng)絡(luò)數(shù)據(jù)采集過程中，依照實際應(yīng)用需求提前設(shè)定節(jié)點信譽度閾值，對比無線傳感器網(wǎng)絡(luò)節(jié)點信譽度與設(shè)定的信譽度閾值，假設(shè)某節(jié)點信譽度低于設(shè)定閾值，即可定義此節(jié)點存在錯誤，從此節(jié)點處獲取的數(shù)據(jù)也被定義為錯誤數(shù)據(jù)。 針對傳輸數(shù)據(jù)的簇頭使用了一個二級層次結(jié)構(gòu)[11]，若某節(jié)點信譽度高于設(shè)定閾值，即可依照無線傳感器網(wǎng)絡(luò)內(nèi)節(jié)點信譽度的排序設(shè)定此節(jié)點對應(yīng)數(shù)據(jù)的可信權(quán)重。

相對于建簇過程，穩(wěn)定過程的時間相對較長[12]，無線傳感器網(wǎng)絡(luò)內(nèi)，簇頭節(jié)點并行聚集簇內(nèi)節(jié)點采集的數(shù)據(jù)后，可利用經(jīng)由節(jié)點信譽度評估轉(zhuǎn)發(fā)簇頭節(jié)點信息，使用循環(huán)錯誤檢測碼的動態(tài)生成器多項式大小[13]，然后利用簇頭節(jié)點轉(zhuǎn)發(fā)數(shù)據(jù)的多屬性決策過程描述聚集數(shù)據(jù)向Sink 節(jié)點傳輸?shù)倪^程。 在配備傳感器的物聯(lián)網(wǎng)網(wǎng)絡(luò)中，以解決最大值和不同集查詢的問題[14]。

根據(jù)結(jié)點信譽評價的多屬性決策過程，可以歸納為以下環(huán)節(jié):簇頭節(jié)點屬性構(gòu)建與篩選環(huán)節(jié)、屬性的預(yù)處理環(huán)節(jié)、屬性權(quán)重確定環(huán)節(jié)、評估信息統(tǒng)計環(huán)節(jié)等。 以消除從傳感器設(shè)備接收到的冗余數(shù)據(jù)集，并減少發(fā)送到基站的數(shù)據(jù)集[15]。 在無線傳感器網(wǎng)絡(luò)節(jié)點數(shù)據(jù)傳輸過程中，通過標(biāo)準(zhǔn)的決策矩陣與屬性權(quán)重向量確定某數(shù)據(jù)傳輸方案的整體評估結(jié)果，對比全部方案的評估結(jié)果，確定評估結(jié)果最佳的簇頭節(jié)點為數(shù)據(jù)傳輸?shù)南乱惶?jié)點。 將速率控制問題歸結(jié)為凸優(yōu)化問題，并利用其分布式解決方案作為設(shè)計帶寬分配協(xié)議的理論基礎(chǔ)[16]。 在基于節(jié)點信譽度評估的多屬性決策過程中，無線傳感器網(wǎng)絡(luò)節(jié)點數(shù)據(jù)權(quán)重向量的確定較為重要。

2 仿真分析

為驗證本文設(shè)計的考慮節(jié)點信譽度的傳感器網(wǎng)絡(luò)數(shù)據(jù)并行聚集方法在實際應(yīng)用中的效果，本文利用文獻(xiàn)[4]中的TelosB 參數(shù)，即傳感器節(jié)點在1 bit傳輸和接收時所消耗的能量，并通過RC4 算法對感知數(shù)據(jù)進(jìn)行加解密，通過virtualbox 虛擬機(jī)軟件＋Ubuntu10.04 操作系統(tǒng)，構(gòu)建一個無線傳感器網(wǎng)絡(luò)作為仿真對象，其中共包含1 036個傳感器節(jié)點，傳感器節(jié)點均隨機(jī)分布在120 m×110 m 范圍內(nèi)，在此基礎(chǔ)上，確定了傳感器節(jié)點的通訊半徑，每個節(jié)點的通訊半徑與初始能量分別為1.5 m 和1.8 J，以節(jié)點故障和惡意偽裝攻擊引起的錯誤消息為低可信度行為，表示這部分傳感器節(jié)點身份認(rèn)證是正確的，而對應(yīng)的傳輸數(shù)據(jù)是錯誤的。 傳感器網(wǎng)絡(luò)內(nèi)的安全概率表示簇頭節(jié)點確定路由過程中至少包含一條安全路徑的概率。

表1 實驗參數(shù)默認(rèn)值

2.1 節(jié)點信譽云生成與性能分析

仿真對象中被評價節(jié)點的服務(wù)滿意度評價數(shù)據(jù)生成過程如下:以0.2～0.8 為基數(shù)，基于x－N(0，0.022)疊加分布的高斯噪聲序列，得到1 000個數(shù)據(jù)。 將所獲取的數(shù)據(jù)定義為當(dāng)前傳感器節(jié)點生命周期內(nèi)獲取的所有滿意度評價，構(gòu)成樣本集X。 表2所示為不同基數(shù)下的數(shù)據(jù)分布情況。

表2 不同基數(shù)下的數(shù)據(jù)分布情況

利用本文方法中的式(5)、式(6)和式(7)計算節(jié)點信譽云的數(shù)值特征，得到Nx、Nn和Hn的值分別為0.681、0.042 和0.042。 然后利用式(8)確定不同樣本的確定度。 論域U＝[0，1]內(nèi)，圖1 中顯示了示例集X所描述的節(jié)點反向信譽云的實現(xiàn)。

分析圖1 可知，針對所選節(jié)點，大部分近似期望值的云滴確定度值均較高，但依舊存在少量云滴的確定度值較低(接近于0)。 距離期望值較遠(yuǎn)的云滴確定度普遍偏低，但在一定條件下可提升確定度。作為一種描述穩(wěn)定性的隨機(jī)特征。

圖1 節(jié)點逆向信譽云確定度

基于所得到的信譽云數(shù)值特征值生成正向信譽云，不同云滴數(shù)下的正向信譽云如圖2 所示。

圖2 節(jié)點正向信譽云

分析圖2 得到，兩個正向信譽云同樣本集的信譽云整體分布特征一致度較高，當(dāng)云滴數(shù)量由300提升至600 時，節(jié)點信譽云的整體特征顯著性更高。這也是本文方法中利用節(jié)點正向信譽云評估節(jié)點信譽度的主要依據(jù)。

2.2 數(shù)據(jù)并行聚集精度分析

為驗證本文方法的數(shù)據(jù)并行聚集精度，以文獻(xiàn)[4]方法和文獻(xiàn)[5]方法作為對比方法，對比本文方法與這兩種傳統(tǒng)方法在不同低信譽行為概率條件下數(shù)據(jù)聚集的精度，結(jié)果如圖3 所示。

分析圖3 得知，基于Dubins 曲線的數(shù)據(jù)聚集方法的精度最高在78%，基于可靠信標(biāo)和節(jié)點度估計距離的數(shù)據(jù)聚集方法精度最高在68%，本文方法的精度最高可達(dá)到98.1%。 上述仿真結(jié)果充分說明本文方法能夠獲取高精度的數(shù)據(jù)聚集結(jié)果。

圖3 不同信任行為概率條件下的數(shù)據(jù)聚集精度對比結(jié)果

3 結(jié)束語

在傳感器網(wǎng)絡(luò)中，節(jié)點信譽度是影響網(wǎng)絡(luò)方位控制與交易決策等信息的重要指標(biāo)。 本文設(shè)計了一種考慮節(jié)點信譽度的傳感器網(wǎng)絡(luò)數(shù)據(jù)并行聚集方法，并通過仿真結(jié)果證明了該方法能夠有效評價傳感器節(jié)點信譽度，并實現(xiàn)高精度的數(shù)據(jù)并行聚集。