考慮節(jié)點(diǎn)信譽(yù)度的傳感器網(wǎng)絡(luò)數(shù)據(jù)并行聚集*

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(guó)科學(xué)院信息工程研究所，北京 100049)

無(wú)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(cè)的小型裝置通過(guò)無(wú)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(diǎn)，各傳感器節(jié)點(diǎn)在監(jiān)測(cè)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(guò)程中存在部分錯(cuò)誤數(shù)據(jù)或冗余數(shù)據(jù)，也導(dǎo)致數(shù)據(jù)傳輸過(guò)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(lái)滿(mǎn)足負(fù)載均衡是不可取的[3]，為了在數(shù)據(jù)傳輸過(guò)程中清除錯(cuò)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(duì)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(guó)內(nèi)很多學(xué)者都致力于目標(biāo)跟蹤的節(jié)點(diǎn)調(diào)度算法。 已有研究把這一問(wèn)題建模為最小化瞬時(shí)估計(jì)誤差或瞬時(shí)信息增益最大化的優(yōu)化問(wèn)題。 國(guó)外研究現(xiàn)狀:研究了密碼學(xué)、安全多方計(jì)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(dòng)態(tài)網(wǎng)絡(luò)環(huán)境下與網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)無(wú)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(xún)等典型安全數(shù)據(jù)聚集算法，并對(duì)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(shí)間相關(guān)性，通過(guò)設(shè)置閾值來(lái)確定節(jié)點(diǎn)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(lèi)似的處理方法，能夠提供不同的隱私保護(hù)等級(jí)，每個(gè)組對(duì)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(guò)程中未考慮傳感器節(jié)點(diǎn)開(kāi)放性導(dǎo)致的傳感器節(jié)點(diǎn)錯(cuò)誤所產(chǎn)生的錯(cuò)誤數(shù)據(jù)，傳感器網(wǎng)絡(luò)能量被大量消耗。

針對(duì)上述問(wèn)題，本研究在考慮節(jié)點(diǎn)信譽(yù)度的基礎(chǔ)上設(shè)計(jì)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(diǎn)信譽(yù)度，排除低信譽(yù)度節(jié)點(diǎn)，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(jì)

1.1 減法聚類(lèi)分簇

考慮節(jié)點(diǎn)信譽(yù)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(guò)程劃分為兩個(gè)主要過(guò)程，分別為節(jié)點(diǎn)分簇與數(shù)據(jù)傳輸。

利用定位算法獲取無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)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(diǎn)和節(jié)點(diǎn)ni的二維坐標(biāo)值，以m個(gè)數(shù)據(jù)樣本為候選聚類(lèi)中心[4]，選擇減法聚類(lèi)方法，獲取聚類(lèi)中心對(duì)應(yīng)的傳感器節(jié)點(diǎn)，該節(jié)點(diǎn)為簇頭節(jié)點(diǎn)。

節(jié)點(diǎn)分簇的詳細(xì)步驟如下:

步驟1 fori＝1 ∶1 ∶m

通過(guò)式(1)將ei映射至一個(gè)超空間單位體內(nèi)實(shí)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(duì)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(gè)聚類(lèi)中心，定義其對(duì)應(yīng)的節(jié)點(diǎn)為第一個(gè)簇頭節(jié)點(diǎn)。

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(gè)聚類(lèi)中心，其對(duì)應(yīng)的節(jié)點(diǎn)為第二個(gè)簇頭節(jié)點(diǎn)。

上述過(guò)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(lèi)中心距離過(guò)近。 最終獲取的初始化聚類(lèi)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(lèi)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(zhǎng)網(wǎng)絡(luò)生命周期[6]

1.2 節(jié)點(diǎn)信譽(yù)度計(jì)算

在無(wú)線傳感器網(wǎng)絡(luò)中，節(jié)點(diǎn)信譽(yù)所描述的是同其存在直接交互關(guān)系的節(jié)點(diǎn)所提交的對(duì)該節(jié)點(diǎn)滿(mǎn)意度評(píng)價(jià)集合。 節(jié)點(diǎn)信譽(yù)度定義如下:以N＝{n1，n2，L，nG}表示開(kāi)放無(wú)線傳感器網(wǎng)絡(luò)內(nèi)的節(jié)點(diǎn)，?nj∈N，以Ωj∈N表示同N存在直接交易的節(jié)點(diǎn)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(diǎn)對(duì)nj的滿(mǎn)意度時(shí)序，由此得到節(jié)點(diǎn)nj的信譽(yù)度R:

式中:wi表示Ti的權(quán)重。

上述信譽(yù)度計(jì)算模型應(yīng)用過(guò)程中需關(guān)注滿(mǎn)意度評(píng)價(jià)的衰減性，每個(gè)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(diǎn)信譽(yù)云的數(shù)字特征，以此來(lái)確定無(wú)線傳感器網(wǎng)絡(luò)的Ωj內(nèi)節(jié)點(diǎn)對(duì)節(jié)點(diǎn)nj信譽(yù)判斷的模糊性與隨機(jī)性，同時(shí)對(duì)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(duì)傳感器節(jié)點(diǎn)信譽(yù)的量化分析。

針對(duì)可信無(wú)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(mǎn)意度評(píng)價(jià)，也就是云滴，0 和1 分別表示對(duì)無(wú)線傳感器節(jié)點(diǎn)服務(wù)結(jié)果極度不滿(mǎn)意和極度滿(mǎn)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(guò)確定云的數(shù)字特征，括號(hào)內(nèi)的三項(xiàng)分別表示論域內(nèi)節(jié)點(diǎn)nj生命周期內(nèi)代表性最高的點(diǎn)、不同節(jié)點(diǎn)對(duì)節(jié)點(diǎn)nj提供服務(wù)滿(mǎn)意度評(píng)價(jià)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(diǎn)信譽(yù)度度量模型依照節(jié)點(diǎn)nj生命周期內(nèi)所有滿(mǎn)意度評(píng)價(jià)集合X，確定節(jié)點(diǎn)nj信譽(yù)云的數(shù)字特征值基于此，選取時(shí)序分析法，對(duì)兩條時(shí)間序列匹配分析[9]，在信譽(yù)度計(jì)算窗口H內(nèi)，通過(guò)正向云生產(chǎn)算法確定不同滿(mǎn)意度評(píng)價(jià)的確定度，結(jié)合衰減系數(shù)，計(jì)算滿(mǎn)意度評(píng)價(jià)權(quán)值wi，獲取節(jié)點(diǎn)nj信譽(yù)度?Ti∈TH，式(8)描述其確定度:

式中:N′n可通過(guò)獲取。

以式(9)表示Ti的衰減系數(shù):

式(9)中，a同時(shí)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(wú)線傳感器網(wǎng)絡(luò)內(nèi)節(jié)點(diǎn)nj的信譽(yù)度。

1.3 數(shù)據(jù)并行聚集

近年來(lái)，復(fù)雜網(wǎng)絡(luò)中基于網(wǎng)絡(luò)位置的節(jié)點(diǎn)重要度度量方法由于計(jì)算復(fù)雜度小，因此使用較為廣泛[10]。無(wú)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?cái)?shù)據(jù)的傳輸方式。 在劃分無(wú)線傳感器網(wǎng)絡(luò)內(nèi)節(jié)點(diǎn)簇后，通過(guò)簇間路由連接不同群集，可以實(shí)現(xiàn)與Sink 節(jié)點(diǎn)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(diǎn)數(shù)據(jù)的采集和傳輸過(guò)程中。

在無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)采集過(guò)程中，依照實(shí)際應(yīng)用需求提前設(shè)定節(jié)點(diǎn)信譽(yù)度閾值，對(duì)比無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)信譽(yù)度與設(shè)定的信譽(yù)度閾值，假設(shè)某節(jié)點(diǎn)信譽(yù)度低于設(shè)定閾值，即可定義此節(jié)點(diǎn)存在錯(cuò)誤，從此節(jié)點(diǎn)處獲取的數(shù)據(jù)也被定義為錯(cuò)誤數(shù)據(jù)。 針對(duì)傳輸數(shù)據(jù)的簇頭使用了一個(gè)二級(jí)層次結(jié)構(gòu)[11]，若某節(jié)點(diǎn)信譽(yù)度高于設(shè)定閾值，即可依照無(wú)線傳感器網(wǎng)絡(luò)內(nèi)節(jié)點(diǎn)信譽(yù)度的排序設(shè)定此節(jié)點(diǎn)對(duì)應(yīng)數(shù)據(jù)的可信權(quán)重。

相對(duì)于建簇過(guò)程，穩(wěn)定過(guò)程的時(shí)間相對(duì)較長(zhǎng)[12]，無(wú)線傳感器網(wǎng)絡(luò)內(nèi)，簇頭節(jié)點(diǎn)并行聚集簇內(nèi)節(jié)點(diǎn)采集的數(shù)據(jù)后，可利用經(jīng)由節(jié)點(diǎn)信譽(yù)度評(píng)估轉(zhuǎn)發(fā)簇頭節(jié)點(diǎn)信息，使用循環(huán)錯(cuò)誤檢測(cè)碼的動(dòng)態(tài)生成器多項(xiàng)式大小[13]，然后利用簇頭節(jié)點(diǎn)轉(zhuǎn)發(fā)數(shù)據(jù)的多屬性決策過(guò)程描述聚集數(shù)據(jù)向Sink 節(jié)點(diǎn)傳輸?shù)倪^(guò)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(xún)的問(wèn)題[14]。

根據(jù)結(jié)點(diǎn)信譽(yù)評(píng)價(jià)的多屬性決策過(guò)程，可以歸納為以下環(huán)節(jié):簇頭節(jié)點(diǎn)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(píng)估信息統(tǒng)計(jì)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(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)據(jù)傳輸過(guò)程中，通過(guò)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(píng)估結(jié)果，對(duì)比全部方案的評(píng)估結(jié)果，確定評(píng)估結(jié)果最佳的簇頭節(jié)點(diǎn)為數(shù)據(jù)傳輸?shù)南乱惶?jié)點(diǎn)。 將速率控制問(wèn)題歸結(jié)為凸優(yōu)化問(wèn)題，并利用其分布式解決方案作為設(shè)計(jì)帶寬分配協(xié)議的理論基礎(chǔ)[16]。 在基于節(jié)點(diǎn)信譽(yù)度評(píng)估的多屬性決策過(guò)程中，無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)據(jù)權(quán)重向量的確定較為重要。

2 仿真分析

為驗(yàn)證本文設(shè)計(jì)的考慮節(jié)點(diǎn)信譽(yù)度的傳感器網(wǎng)絡(luò)數(shù)據(jù)并行聚集方法在實(shí)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(diǎn)在1 bit傳輸和接收時(shí)所消耗的能量，并通過(guò)RC4 算法對(duì)感知數(shù)據(jù)進(jìn)行加解密，通過(guò)virtualbox 虛擬機(jī)軟件＋Ubuntu10.04 操作系統(tǒng)，構(gòu)建一個(gè)無(wú)線傳感器網(wǎng)絡(luò)作為仿真對(duì)象，其中共包含1 036個(gè)傳感器節(jié)點(diǎn)，傳感器節(jié)點(diǎn)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(diǎn)的通訊半徑，每個(gè)節(jié)點(diǎn)的通訊半徑與初始能量分別為1.5 m 和1.8 J，以節(jié)點(diǎn)故障和惡意偽裝攻擊引起的錯(cuò)誤消息為低可信度行為，表示這部分傳感器節(jié)點(diǎn)身份認(rèn)證是正確的，而對(duì)應(yīng)的傳輸數(shù)據(jù)是錯(cuò)誤的。 傳感器網(wǎng)絡(luò)內(nèi)的安全概率表示簇頭節(jié)點(diǎn)確定路由過(guò)程中至少包含一條安全路徑的概率。

表1 實(shí)驗(yàn)參數(shù)默認(rèn)值

2.1 節(jié)點(diǎn)信譽(yù)云生成與性能分析

仿真對(duì)象中被評(píng)價(jià)節(jié)點(diǎn)的服務(wù)滿(mǎn)意度評(píng)價(jià)數(shù)據(jù)生成過(guò)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(gè)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(diǎn)生命周期內(nèi)獲取的所有滿(mǎn)意度評(píng)價(jià)，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(jì)算節(jié)點(diǎn)信譽(yù)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(diǎn)反向信譽(yù)云的實(shí)現(xiàn)。

分析圖1 可知，針對(duì)所選節(jié)點(diǎn)，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(diǎn)逆向信譽(yù)云確定度

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

圖2 節(jié)點(diǎn)正向信譽(yù)云

分析圖2 得到，兩個(gè)正向信譽(yù)云同樣本集的信譽(yù)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(shí)，節(jié)點(diǎn)信譽(yù)云的整體特征顯著性更高。這也是本文方法中利用節(jié)點(diǎn)正向信譽(yù)云評(píng)估節(jié)點(diǎn)信譽(yù)度的主要依據(jù)。

2.2 數(shù)據(jù)并行聚集精度分析

為驗(yàn)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(duì)比方法，對(duì)比本文方法與這兩種傳統(tǒng)方法在不同低信譽(yù)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(diǎn)度估計(jì)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(shuō)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(duì)比結(jié)果

3 結(jié)束語(yǔ)

在傳感器網(wǎng)絡(luò)中，節(jié)點(diǎn)信譽(yù)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(jì)了一種考慮節(jié)點(diǎn)信譽(yù)度的傳感器網(wǎng)絡(luò)數(shù)據(jù)并行聚集方法，并通過(guò)仿真結(jié)果證明了該方法能夠有效評(píng)價(jià)傳感器節(jié)點(diǎn)信譽(yù)度，并實(shí)現(xiàn)高精度的數(shù)據(jù)并行聚集。