WSNs中基于信任的數據融合方法

何慶志，張潤蓮，李 豪

(桂林電子科技大學 信息與通信學院，廣西 桂林 541004)

WSNs中基于信任的數據融合方法

何慶志，張潤蓮，李 豪

(桂林電子科技大學 信息與通信學院，廣西 桂林 541004)

針對無線傳感器網絡中數據融合的安全問題，提出一種分簇結構下的基于信任的數據融合方法。簇頭節點根據簇內成員節點采集的數據，計算得到一個相似度矩陣，量化了數據的可信度。基于相似度矩陣，采用beta分布函數計算節點的信任值，識別出非法節點。在數據融合過程中，剔除非法節點的虛假數據，并以不同的權值對正常節點的數據進行融合。測試結果表明，該方法能夠根據節點發送的數據評估節點的可信度，避免非法數據對融合結果的影響，提高了數據融合結果的準確性。

無線傳感器網絡；數據融合；信任；相似度矩陣

無線傳感器網絡[1](wireless sensor networks，簡稱WSNs)是由大量隨機散布的小型傳感節點組成的多跳自組織網絡，是物聯網的基本組成單位，WSNs在民用和軍事領域得到了普遍的應用。WSNs的主要功能是對節點所在區域的信息進行采集和傳輸。然而，WSNs不能像傳統網絡一樣傳輸數據。一方面，傳感節點資源有限，無法滿足大量的數據傳輸；另一方面，WSNs部署環境往往比較惡劣，容易遭到惡意攻擊，存在較高的安全隱患[2]。因此，識別非法數據并進行數據融合，提供安全、可靠的數據支持是WSNs需要解決的關鍵問題之一。

針對WSNs中數據融合存在的安全問題，國內外學者進行了深入的研究。Zhang等[3]提出一種基于免疫系統的數據融合算法，該算法采用層次分布式的策略最大程度地降低網絡能耗，利用免疫系統的自適應特性，提高了數據融合結果的可靠度，但該算法無法解決外部的惡意攻擊。Liu等[4]提出了一個基于數據完整性的融合算法，該算法在sink節點中利用冗余定理對數據進行一致性檢測來驗證數據是否可靠，并且加入同態加密的機制為數據提供安全保障。邱立達等[5]為提高數據融合結果的正確率，根據深度學習模型對特征提取進行優化，結合分簇協議，提出了一種基于深度學習模型數據融合算法。崔慧等[6]針對不同的地理位置提出一種虛假數據過濾方法GFFS，GFFS根據節點發送的數據對位置進行驗證，能夠識別不同區域中發送偽造數據的惡意節點。Du等[7]提出一種基于層次路由的動態隊列數據融合算法，其在過濾節點中設置一個動態隊列以存儲節點間的歷史交互信息，并根據動態隊列過濾掉網絡中的冗余數據。

在WSNs中，節點在采集數據過程中不可避免會受到傳感器精度、環境噪聲和人為干擾等因素的影響，所收集的數據具有不確定性[8]。針對具有分簇結構的WSNs，提出一種基于信任評估的數據融合方法。該方法首先由簇頭節點根據簇內成員節點采集的數據計算節點間的數據相似度，進行數據可信度評估；再通過beta分布函數計算節點的信任值；簇頭節點根據節點信任值對節點進行過濾，選取正常節點的數據以加權的方式進行數據融合。

1 基于信任的數據融合

在基于分簇結構的WSNs中，包括3類節點：簇內成員節點CM(cluster member)、簇頭節點CH(cluster-head)和基站BS(base station)。簇內成員節點負責數據采集，數據通過多跳或單跳的方式傳送到簇頭節點；簇頭節點負責將簇內數據進行融合，并將融合數據通過簇間路由傳送給基站；基站負責對簇頭節點進行管理，并將簇頭傳來的數據通過網絡供遠程用戶使用。其結構如圖1所示。

在簇頭節點進行數據融合時，若成員節點發送的數據中包含簇頭節點無法識別的非法數據，則最終融合的結果會因非法數據而偏離，從而影響用戶決策。為解決該問題，采用信任機制，通過對數據可信度評估和節點信任評估，為數據過濾提供支持，并基于節點的信任狀態進行數據融合，以提高融合數據的可信度。

1.1 數據可信度評估

WSNs網絡部署環境的惡劣性，以及缺乏安全保護的通信方式，使得傳感節點采集的數據存在缺陷或被非法篡改。成員節點所傳輸數據的安全可靠性，將直接影響用戶的判斷和決策，識別成員節點傳輸數據的可信度至關重要[9]。

在WSNs中，同一個簇中的節點部署環境基本相似，各節點所采集的數據具有一致性。同時，節點采集的數據隨著時間的變化也具有某些統計特性[10]，成員節點傳輸數據的可信度將根據這些特征來識別。

假設一個簇中有n個節點，所采集的數據分別為x1,x2,…,xn，數據近似服從正態分布N(u,δ2)。盡管同一簇的節點采集的數據具有一致性，但節點因傳感器精度、環境等因素的影響，不同節點采集的數據通常存在一定的差距，基于節點i與節點j間的數據差距|xi-xj|，可計算出兩節點間的數據相似度rij：

(1)

簇頭節點基于成員節點發送過來的數據，將簇內n個成員節點采集的數據進行比較，分別計算出不同節點間的數據相似度，最終形成一個數據相似度矩陣R：

(2)

為合理評估數據是否可信，采用節點對簇中各節點的平均數據相似度進行判斷。以mi表示節點i在簇中的平均數據相似度，基于數據相似度矩陣R，對第i行元素中去除最大值rmax和最小值rmin后進行計算：

(3)

以節點i的平均數據相似度，對比設置的數據相似度閾值η，若mi>η，則表示該數據可信，否則為不可信。

1.2 節點信任評估

通常，被俘的惡意節點會一直向網絡中發送非法數據，與此同時，因節點部署環境的惡劣性，正常節點可能也會受設備問題、環境噪聲等影響，使得采集和發送的數據存在缺陷。為確保融合的數據可靠，需要評估節點的可信度。

節點信任由簇頭節點進行評估，其以節點每次發送的數據是否可信的情況來計算。以ci表示對節點i采集數據后通過平均數據相似度對比的可信次數，ui為其數據不可信的次數，則

(4)

在簇頭節點對簇內節點進行信任評估時，基于節點i的數據可信和不可信次數，采用beta概率分布函數計算節點i的信任值Ti為：

(5)

基于上述方法，隨著惡意節點不斷發送非法數據，其信任值將迅速降低。簇頭節點在進行數據融合時，可有效識別這些非法節點，過濾其虛假數據，為數據融合提供安全保障。

1.3 基于信任的數據融合

WSNs在監測區域內的傳感器節點可能數目眾多，節點采集的數據間存在大量冗余信息。對資源受限的WSNs來說，通過數據融合可以去除網絡中的冗余數據，減少網絡數據流量和數據處理開銷，降低節點能量損耗，有利于延長網絡生存周期。

在進行數據融合前，簇頭節點需要識別非法節點，過濾掉其發送的數據。基于設置的節點信任閾值τ，簇頭節點將節點分為正常節點和非法節點，并標注節點的信任狀態。以Si表示節點i信任狀態，則有

(6)

其中：Si=1表示節點i為正常節點；Si=0表示節點i為非法節點。

為保證融合后的數據具有最大程度的可靠性，在過濾掉非法節點的數據后，根據節點的信任值進行加權計算，以D表示數據融合后的結果，則

(7)

其中：xi為節點i采集的數據；wi為數據xi在融合過程中的權重，

(8)

2 仿真試驗及結果分析

2.1 仿真環境

采用仿真軟件OMNET4.1作為實驗平臺，對提出的數據融合算法進行仿真實驗。仿真計算機配置為Intel Core i5-4200U 1.60 GHz，內存4 GB，操作系統為Windows 7。仿真環境設置：WSNs分為10簇，每個簇包括1個簇頭和9個成員節點；節點的通信半徑為20 m；實驗中數據相似度閾值η和信任閾值τ分別設置為0.6和0.4。

基于上述環境，測試了節點的信任值變化，并對比測試了同樣環境下本方法、基于算術平均的數據融合方法[11]和理想數據融合方法的數據融合結果。

2.2 試驗結果與分析

2.2.1 節點信任變化測試

隨機選取10個節點設置為被俘獲的非法節點，并且發送與真實感知數據差異較大的虛假數據，其采集的數據服從N(15,2)的正態分布。其余節點為正常節點，采集的數據服從N(20,1)的正態分布。從網絡中隨機選取1個非法節點和1個正常節點，計算其在一段時間內變化的信任值，兩者隨時間的變化情況如圖2所示。

圖2 節點信任變化Fig.2 The change of node trust

由圖2可知，在初始信任值相同情況下，隨著網絡的運行，正常節點采集的數據與大多數節點采集的數據具有一致性，其信任值逐漸增加。非法節點發送的數據與其他節點采集的數據相似度低，其信任值逐步下降。這表明本方法能夠有效識別非法節點，其將為數據融合中的非法數據過濾提供保障。

2.2.2 數據融合結果對比測試

將本實驗的數據融合與基于算術平均算法的數據融合、理想數據融合進行對比測試，其中理想數據融合假定在簇內無非法節點。數據融合以簇為單位，在仿真中選取一個簇，假設該簇中有20%的節點為非法節點(不包括簇頭節點)，非法節點發送的偽造數據服從N(15,2)的正態分布，正常節點發送的數據服從N(20,1)的正態分布。對比測試結果如圖3所示。

圖3 數據融合結果Fig.3 The result of data fusion

由圖3可知，網絡中存在非法節點時，基于算術平均的數據融合結果與理想融合結果具有明顯的區別，而本算法的融合結果與理想結果非常接近。因為本算法在數據融合過程中，能夠根據節點信任的變化有效識別非法節點，過濾惡意數據，保證了數據融合的安全性，提高了融合結果的準確性。

3 結束語

為了解決無線傳感器網絡數據融合中存在惡意節點發送非法數據的問題，在數據融合過程中引入了信任機制，基于節點采集的數據對節點進行信任評估，計算節點信任值。根據節點信任值對節點進行分類，識別出網絡中的惡意節點。選取可信節點采集的數據進行融合，能夠過濾惡意數據，提高了數據融合的準確性。

[1] QIAN Zhihong,WANG Yijun.Internet of things-oriented wireless sensor networks review[J].Journal of Electronics and Information Technology,2013,35(1):215-227.

[2] HAN Guangjie,JIANG Jingfang,LEI Shu,et al.Management and applications of trust in wireless sensor networks:a survey[J].Journal of Computer & System Sciences,2014,80(3):602-617.

[3] ZHANG Nan,ZHANG Jianhua,LI Zhishu.Data fusion mechanisms based on immune in wireless sensor net work[J].Journal of Chinese Computer Systems,2009,30(3):454-459.

[4] LIU Kaiqiang,DU Tao,QU Shouning.The research of high efficient and real time data aggregation method applied in WSNs[J].Journal of Sensor Technology and Application,2015,3(3):33-46.

[5] 邱立達，劉天鍵，林南，等.基于深度學習模型的無線傳感器網絡數據融合算法[J].傳感技術學報,2014(12):1704-1709.

[6] 崔慧，潘巨龍，閆丹丹.無線傳感器網絡中基于安全數據融合的惡意節點檢測[J].傳感技術學報,2014(5):664-669.

[7] DU T,QU S,GUO Q,et al.A high efficient real time data aggregation algorithm for WSNs[C]//IEEE of Fourth International Conference on Big Data and Cloud Computing,2014:594-598.

[8] 郭徽東，章新華，宋元，等.多傳感器異步數據融合算法[J].電子與信息學報,2006,28(9):1546-1549.

[9] MORI S,UMEDU T,HIROMORI A,et al.Data-centric programming environment for cooperative applications in WSN [C]//Integrated Network Management (IM 2013), 2013 IFIP/IEEE International Symposium on IEEE,2013:856-859.

[10] YICK J,MUKHERJEE B,GHOSAL D.Wireless sensor network survey[J].Computer Networks the International Journal of Computer and Telecommunications Networking,2008,52(12):2292-2330.

[11] 王飛.無線傳感器網絡中基于模糊理論的決策級數據融合技術的研究[D].北京:北京交通大學,2010:18-24.

編輯：梁王歡

Data fusion method based on trust in WSNs

HE Qingzhi, ZHANG Runlian, LI Hao

(School of Information and Communication, Guilin University of Electronic Technology, Guilin 541004, China)

Aiming at the security problem of data fusion in wireless sensor networks, a data fusion method base on trust is proposed in cluster structure.According to the data collected by cluster member nodes, a similarity matrix is computed by the cluster head node, and the credibility of data is quantized. Based on the similarity matrix, the trust of nodes is computed by using the beta distribution function, and the illegal nodes are recognized. During the data fusion process, the false data coming from invalid nodes will be rejected, and the data coming from normal nodes will be fused by different weights. The test results show that the method can estimate the credibility of nodes according to the data from nodes. And the bad influence coming from the illegal data of invalid nodes is avoided, the data accuracy of the fusion results is improved.

wireless sensor networks; data fusion; trust; similarity matrix

2016-03-15

國家自然科學基金(61572148)；廣西無線寬帶通信與信號處理重點實驗室主任基金(GXKL061510,GXKL0614110)；廣西自然科學基金(2015GXNSFGA139007)；桂林電子科技大學研究生教育創新計劃(YJCXS201524)

張潤蓮(1974-)，女，山西介休人，副教授，博士，研究方向為信息安全。E-mail:zhangrl@guet.edu.cn

何慶志，張潤蓮，李豪.WSNs中基于信任的數據融合方法[J].桂林電子科技大學學報，2016,36(6):483-486.

TP393

A

1673-808X(2016)06-0483-04