無線傳感器網(wǎng)絡(luò)中的節(jié)點位置驗證方法*

毛科技,金洪波,苗春雨,2,鄔錦彬,雷艷靜,陳慶章*

(1.浙江工業(yè)大學,計算機科學與技術(shù)學院,杭州 310023;2.浙江師范大學,行知學院,杭州 321004)

?

無線傳感器網(wǎng)絡(luò)中的節(jié)點位置驗證方法*

毛科技1,金洪波1,苗春雨1,2,鄔錦彬1,雷艷靜1,陳慶章1*

(1.浙江工業(yè)大學,計算機科學與技術(shù)學院,杭州 310023;2.浙江師范大學,行知學院,杭州 321004)

節(jié)點位置信息是感測數(shù)據(jù)的重要上下文信息,節(jié)點自定位技術(shù)是無線傳感器網(wǎng)絡(luò)的支撐技術(shù)之一。在基于信標節(jié)點的定位技術(shù)中,信標節(jié)點位置的可靠性是影響網(wǎng)絡(luò)服務(wù)質(zhì)量的關(guān)鍵因素。針對信標節(jié)點位置漂移和惡意信標節(jié)點引起定位精度下降的問題,提出了一種基于信譽模型的分布式輕量級節(jié)點位置驗證方法(ReputationbasedLocationVerification,RLV),通過建立無線傳感器網(wǎng)絡(luò)中的節(jié)點位置信譽模型來識別網(wǎng)絡(luò)中的不可靠信標節(jié)點。仿真結(jié)果表明信譽模型能夠較好的反映節(jié)點的定位精度,RLV算法可以探測出95%以上的不可靠信標節(jié)點。

無線傳感器網(wǎng)絡(luò);可信定位;信譽模型;信標漂移;惡意錨節(jié)點

無線傳感器網(wǎng)絡(luò)(Wireless Sensor Networks,WSNs)由大量傳感器節(jié)點組成,已經(jīng)廣泛的應(yīng)用在軍事和生產(chǎn)生活中,例如戰(zhàn)場監(jiān)視、環(huán)境監(jiān)測和衛(wèi)生醫(yī)療方面[1]。在大量應(yīng)用場景中,獲取到的監(jiān)測信息往往需要附帶相應(yīng)的位置信息才具有實用價值,比如火災(zāi)檢測[2]。傳感器節(jié)點可以通過GPS或者人為部署等方式獲取自身位置信息,但由于GPS接收器價格相對較高并且能量消耗較大,且不能工作于室內(nèi)等遮蔽環(huán)境,不適合低成本低功耗的WSN,而為所有節(jié)點預(yù)設(shè)位置信息的方法并不適合大規(guī)模WSN。因此,通常的做法是為網(wǎng)絡(luò)中一小部分節(jié)點預(yù)設(shè)位置信息,這部分節(jié)點稱為信標節(jié)點(或錨節(jié)點);其它節(jié)點(我們稱之為普通節(jié)點)依靠信標節(jié)點提供的位置參考,通過定位算法求解自身位置。定位算法可分為基于測距的(Range-Based)定位算法和無需測距的(Range-Free)定位算法[3],基于測距的定位算法往往能夠提供較高的定位精度,因此被廣泛應(yīng)用于對位置精度要求較高的場景。在靜態(tài)傳感器網(wǎng)絡(luò)的定位研究中,通常假設(shè)信標節(jié)點提供的位置參考信息是可靠的。但在實際應(yīng)用場景中,所有節(jié)點都可能因為自然或人為的影響引起位置偏移,錨節(jié)點也可能因內(nèi)部故障或被敵人捕獲而故意提供虛假的位置信息。普通節(jié)點的位置偏移可以通過重新定位來解決;但如果在定位過程中引用了不可靠的信標節(jié)點位置信息,會嚴重的降低定位精度,影響網(wǎng)絡(luò)的服務(wù)質(zhì)量。

針對上述問題,本文提出了一種基于信譽模型的輕量級、分布式位置驗證算法。節(jié)點通過綜合鄰居節(jié)點的直接信任度和推薦信任度確定其鄰居節(jié)點的位置可信程度,以此來進行節(jié)點位置驗證,識別位置信息不可靠的信標節(jié)點。本文的貢獻可以歸結(jié)為:①在WSN節(jié)點位置驗證中引入綜合信譽模型,并使其適用于網(wǎng)絡(luò)動態(tài)變化的場景;②提出的位置驗證算法在較低的通信開銷和計算開銷情況下,以較高的概率識別提供不可靠位置信息的信標節(jié)點;③提出的算法具有普適性,可廣泛應(yīng)用于基于測距的定位方法中,提供可信的定位依據(jù)。本文其它部分組織如下:在第1節(jié)中介紹相關(guān)工作;第2節(jié)給出問題描述;基于信譽模型的分布式可信定位算法的詳細描述在第3節(jié)展開;第4節(jié)進行仿真實驗與結(jié)果討論;最后在第6節(jié)總結(jié)全文并闡明未來的研究方向。

1 相關(guān)工作

目前,已有的WSN節(jié)點可信定位的研究,分為魯棒定位算法[4]和不可靠信標節(jié)點過濾算法[5]。前者比較適用于存在測距信息干擾和信標移動距離較小的場景,這類算法的主要思想是降低不可靠信標的定位參考作用,但當參考位置誤差較大時,算法的定位精度嚴重下降。不可靠信標節(jié)點過濾算法的思想是通過節(jié)點位置驗證,識別出不可靠的信標節(jié)點,在定位過程中忽略這些提供虛假位置信息的信標節(jié)點。這種方法具有一定的普適性,可以和其它的定位算法無縫結(jié)合,提供可信的定位結(jié)果。

1.1 位置驗證算法

文獻[6]提出一種可以應(yīng)用于任何測距技術(shù)的點對點位置驗證算法,但需要配備GPS接收器的節(jié)點作為校驗節(jié)點。He D J等[7]則提出一種應(yīng)用于TOA測距技術(shù)的,可排除異常測距值的可信定位算法。而本文的研究屬于基于RSSI測距技術(shù)的可信定位算法。Kuo等提出的信標移動檢測算法(Beacon Movement Detection,BMD)[8],主要用來識別網(wǎng)絡(luò)中的位置發(fā)生被動改變的信標節(jié)點。其思路為,在網(wǎng)絡(luò)中設(shè)置一個BMD引擎來收集全網(wǎng)絡(luò)的RSSI(Received Signal Strength Indication)信息并進行處理,在一定容錯范圍內(nèi)能夠判斷出信標節(jié)點是否發(fā)生移動。這種集中式的算法通信量較大且需要具有較強計算能力的Sink節(jié)點或后臺計算機,不適用于規(guī)模較大的隨機撒播的無線傳感器網(wǎng)絡(luò)。也有一些相關(guān)工作,采用隱藏的位置校驗節(jié)點對信標節(jié)點的位置進行驗證[9],也屬于集中式的可信定位算法,且需要額外節(jié)點的參與,對實際應(yīng)用場景有特殊的要求。文獻[10]運用剛性理論排除定位參考位置中的異常值,以此來提供可信的定位結(jié)果,但一方面剛性理論本身對測距精度要求很高,另一方面運算量較大。Ravi Garg等[11]采用排除在節(jié)點位置計算過程中提供了較大的下降梯度的信標節(jié)點,來提高定位可信性,但沒有考慮普通節(jié)點的位置參考作用,不適用于信標稀疏的網(wǎng)絡(luò),且也存在計算量較大的問題。Yawen Wei等[12]根據(jù)鄰居節(jié)點間的相互觀測信息建立了位置驗證概率模型,并取得較好的效果;文獻[13]運用分布式的基于RSSI變化的鄰居節(jié)點評分機制,來識別位置被動改變的信標節(jié)點。但上述兩種方法均不能運用于信標節(jié)點被誘捕的情況。

1.2 信譽模型

“信譽”這一概念最初來源于社會科學,表示對于某個客觀實體的信任度[14]。信譽模型因其分布式和易計算的特點被廣泛應(yīng)用于各類網(wǎng)絡(luò)的節(jié)點評級和數(shù)據(jù)融合過程。Sabrina Sicari等在無線傳感網(wǎng)絡(luò)中引入節(jié)點信用值來提高存在惡意節(jié)點情況下的數(shù)據(jù)融合的準確度[15]。文獻[16]同樣利用信譽值過濾機制實現(xiàn)WSN數(shù)據(jù)融合過程中的惡意節(jié)點檢測。文獻[17]利用信譽模型建立了在移動自組織網(wǎng)絡(luò)中,中繼節(jié)點選舉過程中識別自私行為的節(jié)點的機制,以此保證最優(yōu)鏈路狀態(tài)協(xié)議的正常工作。游林等則利用分級信用協(xié)議抵御WSN中的Dos攻擊[18]。上述基于信用模型的方法均取得較好的效果。

最早將信譽模型引入無線傳感器網(wǎng)絡(luò)定位的是Srinivasan等[19],提出了一種基于分布式聲譽機制的信標節(jié)點信任模型DRBTS,以錨節(jié)點作為檢查點,通過監(jiān)聽信道來監(jiān)督鄰居信標節(jié)點的通信情況,構(gòu)建信標節(jié)點分級可信度,以此選出可信任的信標節(jié)點。DRBTS通過引入信任評價機制降低了惡意信標節(jié)點對定位系統(tǒng)的影響,具有簡潔有效的優(yōu)點。但是該模型中信標節(jié)點信譽更新算法過于簡單,魯棒性及精確度都較差。凌遠景等[20]利用Beta分布建立無線傳感器網(wǎng)絡(luò)節(jié)點聲譽模型完成安全定位,但該方法屬于半集中式計算,通信量較大,且由于只考慮了用信標節(jié)點作為驗證主體,不適用于信標節(jié)點稀疏的場景。He J等[21]同樣運用信標節(jié)點作為檢查點,建立信標節(jié)點間相互觀測基礎(chǔ)上的信用模型來識別不可靠信標節(jié)點,同樣存在無法應(yīng)用于信標節(jié)點稀疏的場景,且模型本身只考慮直接信任度,忽視了更能體現(xiàn)協(xié)同觀測的推薦信任度。

2 問題建模

首先給出本文所針對的目標問題場景中兩種不可靠信標節(jié)點的定義。

定義1 節(jié)點漂移,在某些應(yīng)用場景中,網(wǎng)絡(luò)部署并完成節(jié)點定位后可能發(fā)生節(jié)點自身位置發(fā)生被動的改變(如比動物影響等),這種現(xiàn)象叫做節(jié)點漂移。

定義2 惡意節(jié)點,某些節(jié)點因為硬件故障或軟件錯誤,造成節(jié)點廣播的位置信息與實際位置信息不符;進一步,在敵對環(huán)境中(如戰(zhàn)場),某些節(jié)點可能被對方捕獲,故意播報虛假的位置信息。這種主動或被動的播報錯誤位置信息的節(jié)點,在定位過程中均被認為是惡意節(jié)點。

3 基于信譽模型節(jié)點位置驗證算法

3.1 網(wǎng)絡(luò)模型與參數(shù)

在無線傳感器網(wǎng)絡(luò)中,錨節(jié)點通過預(yù)先設(shè)置的位置信息,為普通節(jié)點提供定位參考信息,為了方便部署,錨節(jié)點的個數(shù)相對較少;通過定位算法得到的普通節(jié)點的自身位置與其實際位置有一定偏差,稱之為定位誤差。網(wǎng)絡(luò)部署完成后,所有節(jié)點均有可能發(fā)生節(jié)點漂移,但只有錨節(jié)點可能因被捕獲而成為惡意節(jié)點。普通節(jié)點定位過程采用基于測距的算法,本文的研究前提是該定位算法能夠提供一定的定位精度。

幾點假設(shè):

①無線傳感器節(jié)點通信模型為理想的圓形,半徑為R,且兩個節(jié)點間測距為無偏估計(雙向通信時信道質(zhì)量完全相同)。

②假設(shè)定位最大誤差不超過通信半徑的30%;

③更新節(jié)點信譽值時,節(jié)點不發(fā)生偏移或者成為惡意節(jié)點,且節(jié)點不存在共謀。

④多數(shù)情況下,網(wǎng)絡(luò)中發(fā)生漂移的節(jié)點數(shù)量占節(jié)點總數(shù)的10%至20%。因惡意信標節(jié)點數(shù)量占總信標節(jié)點數(shù)50%時,不能被正確檢測[23]。

整個網(wǎng)絡(luò)定位及漂移的過程如圖1所示,定位一段時間以后,普通節(jié)點S3、S4和S6以及錨節(jié)點B2發(fā)生了漂移,節(jié)點之間的鄰居關(guān)系也隨之發(fā)生了變化,但節(jié)點廣播估計位置或者實際位置(錨節(jié)點)的并未發(fā)生變化。

圖1 網(wǎng)絡(luò)節(jié)點定位及漂移過程圖

本文提出的網(wǎng)絡(luò)模型,在L×L的區(qū)域內(nèi),隨機部署N個節(jié)點,其中信標節(jié)點占10%,節(jié)點之間的距離為d,每個節(jié)點之間的距離至少為10m,通信半徑相同;兩節(jié)點的d小于R時,則能相互進行通信,稱之為鄰居節(jié)點;節(jié)點發(fā)生漂移,漂移距離記為MD。假設(shè)初始化時信標節(jié)點的位置信息是可信的,定位算法通過信標節(jié)點的位置信息得到普通節(jié)點的估計位置,其中定位誤差最大不超過30%,記為error,通過節(jié)點估計位置與實際位置的距離與R的比值計算所得;普通節(jié)點初始化時,兩鄰居節(jié)點之間的實際距離其中根據(jù)測量節(jié)點RSSI值的變化求的,記為dRSSI。此外,為方便說明,算法描述中變量的定義如表1所示。

表1 變量定義

3.2 信譽模型

由上文可知,錨節(jié)點在整個網(wǎng)絡(luò)中所占比例較小,分布也比較稀疏,所以僅通過信標節(jié)點之間的位置關(guān)系來判斷錨節(jié)點是否可信是十分困難的。每個錨節(jié)點周圍分布著大量的普通節(jié)點,可以通過引入普通節(jié)點對錨節(jié)點的位置觀察來判斷信標節(jié)點的是否可信。普通節(jié)點定位過程中存在著定位誤差,所以需要降低普通節(jié)點的觀測結(jié)果在計算過程中的權(quán)重。本文提出的信譽模型主要通過節(jié)點之間的dest和dRSSI的關(guān)系計算節(jié)點的信譽值作為衡量節(jié)點定位精度的標準,通過信譽值的變化情況判斷出節(jié)點是否可信。信譽模型是一個動態(tài)的模型,通過不斷的迭代,節(jié)點可以獲得更加精確信譽值。信譽值的變化范圍為(0,1),值越接近于1表示定位精度越高。

信譽模型中,通過不斷動態(tài)的更新鄰居節(jié)點對特定節(jié)點的信任度,而使其獲得自身的信譽值,來判斷自身是否發(fā)生了漂移;而由于惡意錨節(jié)點不會主動參與對其可信程度的識別過程,只能綜合其鄰居的觀測結(jié)果,由鄰居節(jié)點對其可信程度進行識別。節(jié)點信譽值的變化超過某一設(shè)定的閾值,則認為節(jié)點發(fā)生偏移或者成為惡意節(jié)點,該節(jié)點的位置信息不再可信。下面給出信譽模型所要用到4個組成參數(shù):直接信任度,推薦信任度,綜合信任度和節(jié)點信譽值,其定義如下。

直接信任度:表示鄰居節(jié)點和節(jié)點通過dest和dRSSI的關(guān)系所求得,表明鄰居節(jié)點對節(jié)點的定位精度的直接觀察,該標準反映鄰居節(jié)點對節(jié)點定位精度直接估計,如式(1)所示。

(1)

(2)

圖2 直接信任度圖

(3)

推薦信任度如圖3所示,S2接收上一輪其他鄰居節(jié)點對S1的信任度,并且根據(jù)這些節(jié)點的信譽度作為接收推薦信任度的參考依據(jù),每個節(jié)點的信譽度作為其推薦信任度的權(quán)重,信譽度作為節(jié)點的定位精度,定位精度越高的節(jié)點其推薦信任度越可信。

圖3 推薦信任度

綜合信任度:鄰居節(jié)點通過直接信任度和其他鄰居節(jié)點的推薦信任度計算得到綜合信任度,表明該鄰居節(jié)點對節(jié)點的定位精度最終估計。計算過程見式(4):

(4)

(5)

(6)

(7)

如式(6)的計算過程所示,節(jié)點信譽值更新是基于鄰居節(jié)點對其的綜合信任度,其中計算的參考標準為其鄰居節(jié)點的信譽度和鄰居節(jié)點與該節(jié)點的位置關(guān)系,因為如果節(jié)點發(fā)生漂移或成為惡意節(jié)點時,節(jié)點上一輪的信譽值是沒有參考價值。根據(jù)網(wǎng)絡(luò)模型可知,信標節(jié)點其信譽值設(shè)置為1,普通節(jié)點定位的最大誤差為30%,即普通節(jié)點的信譽值初始化時設(shè)為0.7;通過信標節(jié)點信譽度的變化情況判斷出信標節(jié)點是否發(fā)生移動。

3.3 算法執(zhí)行步驟

如表2所示,RLV算法中,在t=0時刻時,表示網(wǎng)絡(luò)基于信標節(jié)點對普通節(jié)點進行定位后,對每個節(jié)點的信譽值進行初始化;在t>0時刻時,每個節(jié)點初始信譽值為上一時刻迭代完后的信譽值。在t時刻,每輪需要更新節(jié)點的信譽值和對鄰居節(jié)點的綜合信任度,為了減小迭代時通信開銷,迭代過程中當節(jié)點信譽值小于閾值時停止更新,仿真中該閾值設(shè)置為0.035;最后通過判斷t+1時刻和t時刻,信標節(jié)點信譽值的變化量,當變化量大于設(shè)定的閾值后,這判斷該信標節(jié)點不可信,閾值通過實驗得出。

表2 RLV算法

4 仿真結(jié)果與性能分析

在仿真中,假設(shè)N個節(jié)點隨機的分布在L×L的隨機區(qū)域內(nèi),其中信標節(jié)點的個數(shù)為節(jié)點總數(shù)的10%,節(jié)點通信半徑R,基于RSSI值測距最大誤差為30%×R,節(jié)點漂移距離為md,每個節(jié)點最大的移動距離為MD。評估探測效果的標準為成功率Rs和誤判率Re,定義如下,B表示信標節(jié)點,BM表示不可信的信標節(jié)點,BDM表示使用RLV算法探測出不可信的信標節(jié)點。

(8)

(9)

在下面仿真中,沒有進行特別說明時,網(wǎng)絡(luò)模型參數(shù)為N=150,L=200,R=50,MD=40。通過自身對比和已有算法進行比較來驗證算法的可行性。

4.1 閾值的選取

RLV算法是通過信標節(jié)點相隔一段時間內(nèi)的信譽值變化來解決,且只有當信標漂移距離md>20%×R時,才判定它不可信,所以選取合理的閾值非常關(guān)鍵。根據(jù)多次實驗觀察,該閾值的范圍在0.04左右,選取在0.04附近的值進行仿真,選取合適的閾值,仿真中,迭代次數(shù)k=2。

圖4 閾值對RLV算法的影響

從圖4可以看出,隨著閾值的減小,算法的探測率在不斷的上升,但同樣地誤判率也在不斷的上升中。閾值越小,對節(jié)點信譽值的變化越敏感,容易將漂移距離較小的信標節(jié)點誤判。從圖4可以看出閾值為0.035時,探測率在95%左右,并且誤判率在10%左右,綜合效果較好,在后面的實驗中采用該閾值作為標準。

4.2 迭代次數(shù)影響

在本小節(jié)中,研究不同的迭代次數(shù)k對RLV算法執(zhí)行效果的影響。在仿真中,節(jié)點偏移總數(shù)從10到50,圖5反映了測試結(jié)果。從圖5可以觀察到k=1時,RLV算法有很高的探測成功率,基本維持在95%左右,但同時誤判率較高。因為在算法中,k=1的情況下,鄰居節(jié)點的直接信任度評價沒有根據(jù)節(jié)點信譽度進行調(diào)整,所以節(jié)點信譽值變化幅度較大,容易進行誤判。與k=1比較,k=2和k=3的探測成功率基本維持在90%以上,并且隨著迭代次數(shù)的增加,誤判率也隨之下降。從圖中可知,當?shù)螖?shù)增多時,算法執(zhí)行效果并沒有顯著的提高,但有更高的通信和計算負擔。因此在之后的仿真中,采用迭代次數(shù)為2進行仿真。

圖5 迭代次數(shù)對RLV算法的影響

4.3 普通節(jié)點漂移對算法的影響

在本節(jié)中,設(shè)置了移動節(jié)點數(shù)M分別為20、30和40情況下,漂移錨節(jié)點個數(shù)占漂移節(jié)點個數(shù)的比值變化,通過探測率和誤判率的比較來反映普通節(jié)點發(fā)生漂移對算法的影響。

從圖5中可以看出,隨著漂移節(jié)點的增多,誤判率也隨之上升,原因在于本身網(wǎng)絡(luò)中錨節(jié)點相對較少,出現(xiàn)漂移時普通節(jié)點發(fā)生偏移的概率要遠遠大于錨節(jié)點,在大量普通節(jié)點發(fā)生漂移的情況下,對錨節(jié)點的誤判率就顯著的上升,本節(jié)主要探究普通節(jié)點漂移對算法的影響。

仿真結(jié)果如圖6所示,錨節(jié)點在漂移節(jié)點中所占比值越小,普通節(jié)點漂移較多對錨節(jié)點的探查成功率影響較小,但對誤判率的影響很大,算法的誤判率明顯較高,并且隨著移動節(jié)點增多,節(jié)點誤判率也隨之上升。當錨節(jié)點所占比值較少時,雖然誤判率較大,但實際上誤判節(jié)點個數(shù)其實也很少,而當錨節(jié)點漂移較多時,誤判率非常低,所以誤判的個數(shù)也較少,總結(jié)來說,普通節(jié)點漂移個數(shù)對RLV的影響比較小,算法魯棒性較好。

圖6 普通節(jié)點漂移對RLV算法的影響

4.4 錨節(jié)點比重對算法影響

為探究錨節(jié)點數(shù)量對于RLV算法性能的影響,仿真中改變錨節(jié)點占節(jié)點總數(shù)的比值,通過探測率和誤判率來討論該影響。如圖7所示,可以看出隨著錨節(jié)點的比重增加,節(jié)點的探測率由上升趨勢但并不沒有顯著的增加,而誤判率并沒有明顯的變化。因此RLV算法對錨節(jié)點的比重的依賴性較少,可以在錨節(jié)點稀疏的網(wǎng)絡(luò)中探測出不可信節(jié)點,相比較與文獻[21]中,通過錨節(jié)點之間的鄰居評估來探測出錨節(jié)點的可信度,然后使用可信錨節(jié)點進行定位或重定位,RLV算法更加有普適性。

圖7 錨節(jié)點比重對RLV算法的影響

4.5 算法比較

文獻[13]提出了一種分布式的基于RSSI變化的鄰居節(jié)點評分機制,來識別位置被動改變的信標節(jié)點,稱之為DBD算法。DBD算法和RLV算法比較中,假設(shè)N=100,L=100,R=40,MD=30,其中DBD算法100個節(jié)點都為錨節(jié)點,RLV算法中100個節(jié)點分別為30個錨節(jié)點和70個普通節(jié)點。為了合理比較兩種算法,假設(shè)只有錨節(jié)點發(fā)生偏移,漂移個數(shù)M從1變化到30。

圖8中可以看出,RLV算法在引入普通節(jié)點的情況下,如果僅只有錨節(jié)點出現(xiàn)的時候的探測基本在95%以上,遠遠高于通過錨節(jié)點來進行探測DBD算法,且誤判率基本相同。RLV算法具有高的探測率且適用范圍更廣。

圖8 RLV算法和DBD算法比較

圖9 RLV算法和GFT算法比較

文獻[12]中,提出了一種集中式基于信譽機制的算法驗證節(jié)點是否為惡意錨節(jié)點,稱為GFT算法。仿真比較中,假設(shè)L=300,N=600,R=20,錨節(jié)點個數(shù)為60,普通節(jié)點的定位誤差隨高斯分布,其中均值和標準差都為10,范圍為(0,20),比較不同的異常度(AD),即當節(jié)點廣播的位置和實際的位置超過該異常度時,則判定為惡意節(jié)點。因為只有錨節(jié)點才有可能被捕獲成為惡意節(jié)點,所以隨機選擇p%的錨節(jié)點作為惡意節(jié)點。從圖9可知,RLV算法相比與GFT算法,探測效果更佳顯著,并且對信標節(jié)點異常度更加敏感。

通過上述算法比較,驗證了RLV算法在探測漂移信標節(jié)點和惡意信標節(jié)點方面,表現(xiàn)出不錯的性能,且適用性更加廣泛。

6 結(jié)論

在WSN測距定位過程中,節(jié)點位置發(fā)生漂移或者在惡意環(huán)境中被捕獲后成為惡意節(jié)點,所提供的位置參考信息與其真實位置不符,會影響到整個網(wǎng)絡(luò)的服務(wù)質(zhì)量。當識別到自身發(fā)生位置偏移后,普通節(jié)點可以通過重定位解決該問題,問題的關(guān)鍵在于識別出不可信的錨節(jié)點。本文提出的基于信譽模型的分布式輕量級節(jié)點位置驗證方法,通過綜合普通節(jié)點和錨節(jié)點的相對位置觀測結(jié)果,充分考慮不同類型節(jié)點的觀測可靠度,利用信譽指標識別發(fā)生漂移的普通節(jié)點和不可信的錨節(jié)點。仿真實驗表明,算法具有極高的探測成功率,并且適合用于錨節(jié)點稀疏的WSN中,相比較與其他只通過信標節(jié)點作為判斷依據(jù)的算法,更有普遍的適用性。未來的工作方向?qū)⒓性?①對本文提出的信譽模型進行擴展和補充,使其同時適用于非測距的定位場景;②在識別出不可信錨節(jié)點后如何進行高精度的節(jié)點重定位。

[1] Akyildiz F,Su W,Sankarasubramaniam Y,et al. Wireless Sensor Networks:A Survey[J]. Computer Networks,2002,38(4):393-422.

[2] Jang W S,Lee D E,Choi J H. Ad-Hoc Performance of Wireless Sensor Network for Large Scale Civil and Construction Engineering Applications[J]. Automation in Construction,2012,26(10):32-45.

[3] Safa H. A Novel Localization Algorithm for Large Scale Wireless Sensor Networks[J]. Computer Communications,2014,45:32-46.

[4] Zhong S,Jadliwala M,Upadhyaya S,et al. Towards a Theory of Robust Localization Against Malicious Beacon Nodes[C]//INFOCOM,2008:2065-2073.

[5] Hwang J,He T,Kim Y. Detecting Phantom Nodes in Wireless Sensor Networks[C]//INFOCOM,2007:2391-2395.

[6] Liu D,Lee M C,Wu D. A Node-to-Node Location Verification Method[J]. Industrial Electronics,IEEE Transactions on,2010,57(5):1526-1537.

[7] He D,Cui L,Huang H,et al. Design and Verification of Enhanced Secure Localization Scheme in Wireless Sensor Networks[J]. Parallel and Distributed Systems,IEEE Transactions on,2009,20(7):1050-1058.

[8] Kuo S P,Kuo H J,Tseng Y C. The Beacon Movement Detection Problem in Wireless Sensor Networks for Localization Applications[J]. IEEE Transactions on Mobile Computing,2009,8(10):1326-1338.

[9] Yang Z,Jian L,Wu C,et al. Beyond Triangle Inequality:Sifting Noisy and Outlier Distance Measurements for Localization[J]. ACM Transactions on Sensor Networks(TOSN),2013,9(2):26.

[10] Yang Z,Wu C,Chen T,et al. Detecting Outlier Measurements Based on Graph Rigidity for Wireless Sensor Network Localization[J]. Vehicular Technology,IEEE Transactions on,2013,62(1):374-383.

[11] Garg R,Varna A L,Wu M. An Efficient Gradient Descent Approach to Secure Localization in Resource Constrained Wireless Sensor Networks[J]. Information Forensics and Security,IEEE Transactions on,2012,7(2):717-730.

[12] Wei Y,Guan Y. Lightweight Location Verification Algorithms for Wireless Sensor Networks[J]. Parallel and Distributed Systems,IEEE Transactions on,2013,24(5):938-950.

[13] Xia M,Sun P,Wang X,et al. Distributed Beacon Drifting Detection for Localization in Unstable Environments[J]. Mathematical Problems in Engineering,2013.

[14] Ganeriwal S,Balzano L K,Srivastava M B. Reputation-Based Framework for High Integrity Sensor Networks[J]. ACM Transactions on Sensor Networks(TOSN),2008,4(3):15.

[15] Sicari S,Coen-Porisini A,Riggio R. DARE:Evaluating Data Accuracy Using Node REputation[J]. Computer Networks,2013,57(15):3098-3111.

[16] 崔慧,潘巨龍,閆丹丹. 無線傳感器網(wǎng)絡(luò)中基于安全數(shù)據(jù)融合的惡意節(jié)點檢查[J]. 傳感技術(shù)學報,2014,27(5):664-669.

[17] Moati N,Otrok H,Mourad A,et al. Reputation-Based Cooperative Detection Model of Selfish Nodes in Cluster-Based QoS-OLSR Protocol[J]. Wireless Personal Communications,2014,75(3):1747-1768.

[18] 游林,楊露,袁猷南. WSN中一種防御廣播認證中的DoS攻擊策略[J]. 傳感技術(shù)學報,2011,24(11):1617-1624.

[19] Srinivasan A,Teitelbaum J,Wu J. DRBTS:Distributed Reputation-Based Beacon Trust System[C]//Dependable,Autonomic and Secure Computing,2nd IEEE International Symposium on.IEEE,2006:277-283.

[20] 凌遠景,葉阿勇,許力. 基于聲譽機制的傳感器網(wǎng)絡(luò)節(jié)點安全定位算法[J]. 計算機應(yīng)用,2012,32(1):70-73.

[21] He J,Xu J,Zhu X,et al. Reputation-Based Secure Sensor Localization in Wireless Sensor Networks[J]. TheScientific World Journal,2014,Article ID:308341.

[22] Jiang J A,Zheng X Y,Chen Y F,et al. A Distributed RSS-Based Localization Using a Dynamic Circle Expanding Mechanism[J]. Sensors Journal,IEEE,2013,13(10):3754-3766.

[23] Alfaro J G,Barbeau M,Kranakis E. Secure Localization of Nodes in Wireless Sensor Networks with Limited Number of Truth Tellers[C]//Communication Networks and Services Research Conference,2009. CNSR’09. Seventh Annual. IEEE,2009:86-93.

毛科技(1979-),男,漢族,浙江工業(yè)大學計算機科學與技術(shù)學院講師,博士,主要研究方向為無線傳感器網(wǎng)絡(luò),數(shù)據(jù)挖掘,maokeji@zjut.edu.cn;

金洪波(1991-),男,漢族,浙江工業(yè)大學計算機科學與技術(shù)學院碩士研究生,主要研究方向為無線傳感器網(wǎng)絡(luò),le_blanc@126.com;

陳慶章(1955-),男,漢族,浙江工業(yè)大學計算機科學與技術(shù)學院教授,博士,主要研究方向:無線傳感器網(wǎng)絡(luò),協(xié)同計算,數(shù)據(jù)挖掘,通信作者,qzchen@zjut.edu.cn。

Sensor Location Verification Scheme in WSN*

MAOKeji1,JINHongbo1,MIAOChunyu1,2,WUJinbin1,LEIYanjing1,CHENQingzhang1*

(1.College of Computer Science and Technology,Zhejiang University of Technology,Hangzhou 310014,China;2.College of XingZhi,Zhejiang Normal University,Hangzhou 321004,China)

Locations of sensor nodes are an important contextfor the sensed data. Self-localization isone of the most essential technologies in WSNs. Since most current sensor localization schemesrely on location information that is provided by beacon nodes,reliability of the locations provided by beacon nodes becomes criticaltothe quality of networkservice. Beacons drifting and malicious beacons lead to decline accuracy of sensor localization. A lightweight and distributedReputationbasedLocationVerificationscheme(RLV)is proposed. In our proposed scheme,we can identify unreliable beacons by establishing a comprehensivereputationmodel based on mutual observations of sensor nodes. Extensive simulation results show that the reputation model can reflect the accuracy of nodes position authentically. And RLV can detect more than 95% of unreliable beacons.

WSNs;reliable location;reputationmodel;beacons drifting;malicious beacons

項目來源:國家自然科學基金項目(61379023);浙江省公益性技術(shù)應(yīng)用研究計劃項目(2015C31066);浙江省計算機科學與技術(shù)重中之重學科(浙江師范大學)資助課題(ZC323014074);浙江省自然科學基金項目(LQ12F02015)

2015-01-29 修改日期:2015-04-20

C:7230

10.3969/j.issn.1004-1699.2015.06.013

TP393

A

1004-1699(2015)06-0850-08