無線傳感器網絡節點位置驗證框架

苗春雨 陳麗娜 吳建軍 周家慶 馮旭杭

1(杭州安恒信息技術股份有限公司 杭州 310051)2(浙江師范大學網絡應用安全研究中心 浙江金華 321004)

無線傳感器網絡(wireless sensor networks, WSNs)是物聯網(Internet of things, IOT)的重要組成部分[1].節點定位技術則是WSN中重要的支撐技術之一，大量場景中缺少位置的感知數據是無意義的[2]，且諸如基于地理位置的路由、拓撲控制和節點部署等技術均以節點的相對或絕對位置為基礎[3-4].學者們從不同的方法論角度出發，提出了大量的WSN節點定位算法[5]，這些算法通常由網絡中的信標節點為普通節點的定位過程提供位置參考，以估算其絕對地理位置.最常見的節點定位技術分類方法是按照定位過程是否需要測量節點間的距離分為測距(range-based)算法和非測距(range-free)算法2類[6].在實際應用場景中，信標節點提供的位置參考并不總是可靠的[7]，而傳統的定位算法不考慮信標提供的位置參考信息可靠性問題，導致眾多性能表現優異的節點定位算法無法適用于信標位置不可靠的場景[8].為解決位置不可靠的信標節點帶來的定位精度下降導致網絡服務質量降低的問題，提出一種適用于2類定位算法的輕量級信標位置驗證方法，作為底層框架(無須采集原定位算法所需的額外參數，同時具有可重用性)，對傳統定位算法提供不可靠信標過濾服務，以擴展傳統算法的應用范疇.據作者所知，在節點位置驗證方面的已有工作，很少在縱向上將3類不可靠信標和橫向上的2種測距技術進行統一考慮.

本文的主要貢獻有3方面:

1) 提出了一種適用于多種不可靠信標節點共存的節點位置驗證框架，為實現可靠的定位提供底層服務；

2) 提出的框架支持測距和非測距2類傳統節點位置算法，具有較好的普適性；

3) 節點可信定位框架利用了群智感知信譽模型，具有輕量級分布式的特點，適合大規模的、計算能力有限的無線傳感器網絡應用場景.

1 相關工作

針對信標位置不可靠問題展開的WSN節點位置驗證方法可分為2類：1)漂移信標和惡意信標方面的研究；2)針對定位過程的重放攻擊(以蟲洞攻擊為代表)方面的研究.

以漂移信標和惡意信標為主要研究目標的研究工作分為可容忍測距異常值的算法[9]及帶有可靠信標選擇的定位算法[10].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.可靠信標選擇即對位置不可靠的信標進行過濾，以排除其對定位過程的影響.文獻[11]提出一種可以應用于任何測距技術的點對點位置驗證算法，但需要配備GPS的節點作為校驗節點，文獻[12]也采用類似的方法，由AP節點進行集中式的節點位置校驗，以實現可信的定位.文獻[13]提出基于Huber損失函數的惡意信標節點檢測算法，具有高效且輕量級的特點，屬于可信的測距定位算法.He等人[14]則提出一種應用于到達時間(time of arrival, TOA)測距技術的、可排除異常測距值的可信定位算法;而文獻[15]中提出的惡意信標過濾機制也是基于TOA或到達時間差(time difference of arrival, TDOA)測距技術，采用每個節點在自己的視角通過準確地測距構建局部坐標一致集，通過對局部坐標一致集的合并，排除惡意信標.而對接收信號強度指標(received signal strength indication,RSSI)測距技術，由于其測距本身的誤差，對可信定位算法的設計帶來更大的挑戰.Kuo等人[16]提出的信標移動檢測算法(beacon movement detection, BMD)，主要用來識別網絡中的部分位置發生被動改變的信標節點.其思路為：在網絡中設置一個BMD引擎來收集全網絡的RSSI信息并進行處理，在一定容錯范圍內能夠識別出信標節點的位置是否已發生移動.但集中式的算法因其計算量較大，且在信息收集階段產生大量的通信開銷，不適用于由隨機撒播部署的網絡連通度較高、規模較大的WSN網絡；也有一些集中式的算法，采用隱藏的位置校驗節點對信標位置進行驗證[17]，由于需要額外的可信節點作為檢驗者，導致其普適性不高.文獻[18-19]運用圖論中的剛性理論作為節點間相互位置的基本原理，用于排除定位過程中的位置參考異常值，確保節點定位的可信性，但此類方法運算量較大，且剛性理論對節點間測距精度有很高的要求.Garg等人[20]采用識別和排除在節點定位算法收斂過程中提供了較大下降梯度的信標節點，提高定位結果的可信性，但由于算法只依賴信標節點，缺少對普通節點位置的參考，不太適用于信標節點稀疏的WSN，且也存在計算開銷較大的問題.Ansari等人[21]也采用了相似的方法，并存在同樣的問題.文獻[22]采用分布式的信譽模型設計可信定位算法，但對網絡的變化需要較長的反應時間.Wei等人[23]根據鄰居節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，但也只適用基于測距的定位算法.文獻[24]運用分布式的基于RSSI變化的鄰居節點評分機制來識別位置被動改變的信標節點，但不能運用于信標節點被誘捕的情況.文獻[25]則通過凸優化方法，對主動提供不可信位置參考的信標進行識別，但也存在集中運算導致計算量過大的問題.

而另外一些工作則將可信定位的重點放在抵抗攻擊的安全定位方面，最典型的是抗蟲洞攻擊的定位算法，代表了信標節點信息被重放的外部攻擊類型(惡意節點屬內部攻擊)[26].文獻[27-28]對WSN節點定位方面的安全威脅和安全算法進行了綜述.文獻[26]對常見的攻擊方法進行了分類，并將現有的安全定位算法進行分類比較；而文獻[27]則重點描述了威脅的類型；文獻[28]不但將安全定位算法進行了綜述，同時將節點位置驗證的方法進行了介紹.Lazos等人[29]的工作分析了蟲洞攻擊、女巫攻擊和捕獲信標節點的攻擊對定位過程的影響，采用方向天線和加密等技術提供安全可信的非測距定位方法.文獻[30]提出的安全定位算法則適用于基于測距的定位場景，能夠通過距離約束完成惡意節點檢測和抵抗蟲洞攻擊，但屬于集中式的算法.Dong等人[31]的工作則闡明由于蟲洞攻擊改變局部的網絡拓撲結構，則可利用拓撲結構信息檢測蟲洞攻擊；而文獻[32]的工作與其類似，利用網絡連通度的一致性檢驗來檢測蟲洞攻擊.Che等人[33]針對安全定位(主要考慮蟲洞攻擊引起的信標重放問題)做了連續的工作，包括提出利用節點間的距離約束抵抗蟲洞攻擊，屬于基于測距技術的安全定位算法.在文獻[34-35]中分別提出利用節點間的3種數據傳輸特征：1)發送數據自我排斥特性；2)鄰居數據接收唯一性；3)傳輸距離約束，進行測距定位技術下和非測距定位技術下的蟲洞攻擊檢測算法.Bao等人[36]則運用證據理論進行節點可信值計算，采用博弈論算法按節點可信等級進行分類，排除對定位影響較大的惡意信標節點，以抵抗信標重放攻擊提高定位精度.

目前的研究工作雖然在非測距WSN節點定位算法的信標位置驗證問題上取得的進展較少，還是對解決由信標位置不可靠引起的定位質量下降問題提供了借鑒.存在3方面問題：1)研究成果無法同時適用于基于測距和非測距的定位算法，不具備通用性；2)集中式算法能夠提供全局視野，但不符合大規模WSN分布式計算的需求；3)現存的大量節點位置驗證方法均只針對某種特定場景進行研究，可謂各自為戰，并沒有將存在3類不可信的信標進行統一考慮和解決，因此，提出的方法缺少普適性.

2 問題描述與解決思路

2.1 相關定義

WSN部署到特定場景后，出于成本的考慮，往往只給部分節點配備GPS或預先定義其位置，使其成為信標，其他節點依靠信標廣播的位置作為參考，通過特定的算法估算自身位置.因節點位置可能因為外界原因而發生改變，在每個時間周期T重新定位，即可完成位置校準，但在校準過程中，若信標提供的位置參考是不可靠的，則定位質量會嚴重降低.我們定義3類位置不可靠的信標.

定義1.漂移信標.在某些應用場景中，網絡部署并完成節點定位后可能發生節點自身位置發生被動的改變(如被動物影響等)，這種現象叫作節點漂移，發生漂移的信標稱為漂移信標.

定義2.虛假信標.信標節點廣播的Beacon信息被通過某種方式在網絡的另外區域重放，使得原來不能接收到該Beacon信標的節點誤以為有1個可用信標，這種被信息重放影響而多出來的信標節點稱為虛假信標.

定義3.惡意信標.信標節點因為內部軟件錯誤或硬件故障，造成其廣播的位置參考信息與其實際位置信息不一致；或在敵對環境中(如戰場環境)，某些信標節點可能被敵方捕獲，而故意廣播虛假的位置參考信息.這種主動或被動地提供錯誤位置信息的信標節點，均被認為是惡意信標.

定義3的場景可由蟲洞攻擊而出現，如圖1所示.圖1中A1和A2為2個信標節點，相互間的距離大于通信半徑，S1和S4處于A1的通信范圍之內，而S2，S3處于A2的通信范圍之內；通過S1與S2這2個節點實施蟲洞攻擊，將各自聽到的Beacon信息通過特殊的鏈路(可以是有線連接[37])雙向重放，使得S3和S4分別收到來自A1和A2的Beacon信息，使得各自的通信范圍內存在1個虛假信標節點.

Fig. 1 False beacon suffered from worm-hole attack圖1 受蟲洞攻擊而出現的虛假信標

可見，漂移信標、惡意信標和虛假信標均是位置不可靠的信標，其中惡意信標屬于內部攻擊，另外2種屬于外部攻擊[37]，惡意信標相對來講更加難于檢測，因其不會以合作的態度參與到檢測過程.

2.2 問題建模

2.3 解決思路

節點位置驗證框架(node location verification framework, NLVF)的實現思路是將每個節點對其鄰居的位置觀察結果與其他節點的觀察進行綜合，得到某一特定節點位置可靠性的判斷；用帶有直接和間接信譽的模型來表征這2種觀察結果，并依靠2種信譽值計算綜合信譽值來表征節點位置的可靠程度.計算過程中通過帶有可信度更新機制的間接信譽計算方法克服惡意評價的影響.為使其適用于基于測距和非測距的2類定位算法，在直接信譽值計算過程屏蔽2類算法的距離表達差異.NVLF結構如圖2所示:

Fig. 2 Framework of location verification圖2 位置驗證框架結構圖

3 分布式位置信譽模型

3.1 距離的定義

NLVF以節點間的相互位置觀測結果作為分布式信譽模型的構建基礎，而節點間的位置相互觀測則以距離作為度量，對于測距技術的定位算法，節點i可測量與其能夠直接通信的信標節點j之間的信號特征計算2點間的距離δij，比如在基于RSSI的定位算法中，可計算測量距離δij[38]:

(1)

其中，E為基礎信號強度，通常取1 m距離上的接收信號強度；n為損耗系數，取值范圍為[2,4](真空中取2，干擾較大的環境取4).

Fig. 3 RSSI vs. distance under ideal condition圖3 理想情況下RSSI與距離的關系

Fig. 4 RSSI vs. distance under ideal condition with identical orientation of different nodes圖4 理想情況下不同節點在同一方向上RSSI與距離的關系

圖5則是在行人和車輛隨機經過實驗場景的情況下，經過高斯過濾后的3個節點的RSSI平均值曲線.可以看出RSSI受到較大的影響，當節點間距較近時，RSSI基本上反映出這種距離的遠近關系;但當節點相距較遠時，表現則不明顯.這也為基于分級制的跳數劃分提供了依據.

Fig. 5 RSSI vs. distance under severe interferences圖5 嚴重干擾情況下RSSI與距離的關系

因此，本節用log函數定義節點間跳數：

(2)

其中RSSI(i,m) min為節點i接收到其鄰居的所有RSSI值中的最小值.式(2)沒有采用固定的RSSI作為基準而是采用節點接收到的RSSI最小值，有效地表達了局部觀測結果，本算法的分布式特性與這種局部表達高度吻合.

采用式(2)，相當于將節點間的距離進行了等級劃分，克服了采用0-1模型帶來的輸入過于簡單的問題；而對數形式的節點間距離劃分，又較好地表達了RSSI與距離之間的關系.假設1對節點Si，Sj之間傳遞了若干數據包，采用Dixion準則進行異常值的過濾后按式(2)進行計算，對應的距離等級集合表達為Vi={v1,v2,v3,v4,v5},i=1,2,…,n，表示對節點之間的距離的等級劃分，其中v1,v2,v3,v4,v5可看作表示近、較近、較遠、遠、很遠.

假設Ui={u1,u2,u3,u4,u5},i=1,2,…,n，表示2節點間收發的RSSI強度， 我們用模糊評價矩陣M表示U和V之間的模糊關系，其形式為

(3)

假設SA節點向SB節點發送n個RSSI數據報，rij表示在當|SA,SB|∈vi時其RSSI數據報中在Uj對應的RSSI值范圍的個數為m，rij=mn.

獲得模糊評價矩陣M后，假設S1接收到S2的n個RSSI數據時，計算其在u1,u2,u3,u4,u5對應RSSI范圍的概率分別為a1,a2,a3,a4,a5，通過F(∧,∨)計算得到模糊評價向量(b1,b2,b3,b4,b5)，其計算為

(4)

最終按照最大隸屬度原則，獲得最終的距離評級vk.

算法1.基于RSSI值的節點距離模糊劃分算法.

輸入：RSSI;

輸出：距離等級.

Step1. 通過實驗獲得RSSI-距離模型以及通信范圍；

Step2. 構建距離等級V和RSSI-距離關系U，計算模糊評價函數；

Step3. 節點與鄰居節點互相發送n個RSSI值數據包；

Step4. 節點將收到的RSSI值數據包計算得到對應V中距離等級的概率分布向量A；

Step5. 計算得到模糊評價向量B=A·M=(b1,b2,b3,b4,b5)；

Step6. 按照最大隸屬度原則，得到距離等級B(vk)=max(b1,b2,b3,b4,b5).

若要將算法1定義的跳數轉化為傳統非測距定位算法中以小于1的實數定義的跳數，可計算為

(5)

其中vmax為跳數估算的廣播階段中節點收到的等級劃分最大值.

3.2 直接信譽值

(6)

不同的測距技術使得δij雖然包含一定的誤差項(如采用超寬帶技術下的TOA測距時誤差較小)，但其能夠反映相對真實的節點間距離.但當節點進行相對較大位移的漂移或廣播明顯錯誤的位置參考時，鄰居節點對其的信譽值下降.式(6)很好地體現了距離越接近的節點，相互測距越準確的實際情況[38]；同時，對于新加入的鄰居節點采用不信任原則.

而對于非測距技術來講，我們雖然將節點間的距離按RSSI值表達成等級劃分，但帶來的問題是當2節點本身相距較遠時，該距離等級對應的距離也較長，又因節點通信半徑較大，會出現節點位置改變后仍處于同一等級的問題，即距離變化不敏感的問題.

Fig. 6 Relationship between distance and rank圖6 距離等級變化示意圖

(7)

Jaccard系數法源于余弦定理，但能夠克服除數為0的情況.

(8)

下文中可以看到，在信譽模型中，間接信譽值也是根據直接信譽值計算并迭代更新的，因此，采用不同的方法計算直接信譽值后，測距的和非測距的可信定位框架在其他運算過程均一致，體現了其普適性.

3.3 間接信譽值

WSN中因隨機冗余部署的原因，每個節點都有多個鄰居節點，Sj(t)表示在時刻t能夠和節點j直接通信的節點集合.只要Sj(t)中的節點將自己對j的信譽度局部廣播給其2跳鄰居，就能確保本集合之中所有節點均能相互交換對節點j的信任度，對節點i來講，綜合計算其收到的其他節點對j的信譽值，通過一定的計算可以得到反映其他鄰居節點對節點i的定位精度的信任程度.計算方法為

(9)

其中,Rmj(t)表示時刻t節點m對節點j的信任度，Cim(t)表示時刻t在節點i的視角上節點m的推薦可信度，Rmj(t)定義為

Rmj(t)=Dmj(t),

(10)

而Cim(t)的計算相對復雜，無法從節點i的視角直接得到，因為要考慮到其他節點可能產生漂移而引起的間接可信度惡化的情況.如圖7所示，時刻t節點S5已經產生漂移，但節點S1與節點S5的相對距離并無改變，因此，可以獲得較高的DS1,S5(t)，而節點S5與節點S2，S4的距離變化將導致S1來自S5視角的對S2，S4的推薦度較低.而根據式(8)，因節點S3第1次能夠與S5通信，在S1的視角上，S3獲得的來自S5的間接信譽值為0，因此，必須采取一定的推薦可信度更新機制，使得節點間的相互觀察能夠收斂至穩定可信.

Fig. 7 Circumstance of identical direct reputation圖7 直接信譽值不變的情況

為解決上述問題，我們引入信任度更新機制[40]，首先計算節點信譽差Dif和相對信譽偏差RTD為

(11)

RTDi(m,j)=Difi(m,j)STDj,

(12)

其中，Difi(m,j)表示在節點i的視角下，節點m對節點j的信譽值偏差；|S(j)|表示集合S(j)的基；STDj表示S(j)中所有節點對節點j信譽值的標準方差.當RTDi(m,j)≤1時，節點i認為節點m對節點j的位置可信度判斷與其他節點一致；否則，認為節點m產生了間接可信度惡化的現象.Cim(t)根據RTDi(m,j)進行更新的計算式為

Cim(t)=

(13)

信任度更新機制將降低節點漂移或不可靠信標節點對間接信任值計算的影響.

3.4 綜合信譽值

在時刻t，當節點i計算得到節點j的直接信譽值Dij(t)和間接信譽值Iij(t)后計算其綜合信譽值Tij(t):

Tij(t)=αDij(t)+(1-α)Ii,j(t),

(14)

其中,α為信譽值權重，其大小解決了對自己的判斷和其他節點的推薦信譽值的依賴程度.當節點本身發生漂移或2節點同時漂移且相對距離變化不大時，如果α值較大時，易造成位置驗證的性能下降；若α取值過小，則受到其他節點的誤判影響較嚴重.關于α的取值將在第5節通過仿真實驗進行討論.

4 節點位置驗證框架

基于分布式信譽模型的可信定位基本思路如圖8所示，節點i通過其他節點信譽值所反映的位置可靠程度來判斷其他節點是否可信；通過對直接信譽值和間接信譽值的一致性來判斷自身是否產生了漂移.若節點i自身產生了漂移，則在排除了不可靠的信標節點后，通過重新調用定位算法進行位置驗證，如果重定位過程中可用信標數小于定位算法的最低要求，則通過基于信譽值的臨時信標擇算法進行信標補充.因不可信信標的存在，網絡部署后，位置驗證和重定位是周期性進行的，因此以位置驗證為目地收集到的RSSI信息同樣服務于重定位，因此，并沒有額外的通信開銷.下面按順序對可信定位中的2個處理環節(即節點位置的驗證與重定位)進行詳細說明.

Fig. 8 Flow chart of NLVF圖8 NLVF工作流程圖

Fig. 9 Schematic diagram of reputation in reliable localization圖9 可信定位過程信譽值示意圖

5 實驗結果與討論

仿真環境在500 m×500 m的正方形區域內，隨機部署n個普通傳感器節點和m個信標節點(每對信標節點的間距不小于5 m).所有節點具有相同的通信半徑r=50 m.在網絡成功部署及初始定位完成后，有m′個節點成為位置不可信節點，它們位置的改變大于20 m，其中被捕獲的信標節點比例不高于50%.所有實驗結果為50次實驗的平均值.

5.1 算法參數選擇

Fig. 10 Average mean variation with 10 percent unreliable anchor圖10 位置不可靠信標占比10%時信譽值平均偏差

信譽值計算公式中權重參數α的取值難以利用封閉表達式進行描述，在產生漂移的節點和不可靠信標數量比重變化的場景中，對α不同取值情況的算法性能進行了仿真.因為節點的直接鄰居數量對間接信譽值的準確性也有影響，故實驗中也對平均網絡連通度進行了調節，范圍為[4,10]，步長為2.信標節點占比10%，位置不可信節點數的比重從10%～40%變化，步長為10%.實驗中將節點間的測距精度設定為0.1r，對位置可信節點和位置不可信節點的平均信譽值average(Trel)及average(Tunr)進行計算，結果如圖10～13所示:

Fig. 11 Average mean variation with 20 percent unreliable anchor圖11 位置不可靠信標占比20%時信譽值平均偏差

Fig. 12 Average mean variation with 30 percent unreliable anchor圖12 位置不可靠信標占比30%時信譽值平均偏差

Fig. 13 Average mean variation with 40 percent unreliable anchor圖13 位置不可靠信標占比40%時信譽值平均偏差

圖10～13中縱坐標為產生位置不可信節點3個時間片后average(Trel)-average(Tunr)的值，我們稱之為Diffave.可以看出，2種節點的信譽值之間存在著明顯的差異，當位置不可信的節點占比升高時，差異變小，但也足夠明顯，這也是采用分布式信譽模型進行位置驗證的基礎.這種差異隨著網絡連通度的提高也會變得明顯，特別是當連通度大于6，而α∈[0.4,0.6]時.綜合看來，α=0.6時，Diffave的值始終大于0.38，因此，實驗中α=0.6.在不同的RSSI測量誤差情況下對檢測閾值ω的取值進行了實驗，仿真場景中網絡平均連通度設置為8，信標占比10%，發生漂移的普通節點比例與不可靠信標的比例均為20%，節點采集的RSSI數據噪音為[0.1,0.3]，步長為10%，結果如圖14所示：

Fig. 14 Threshold vs. detection performance圖14 檢測閾值與檢測性能的關系

我們用來衡量漂移檢測算法性能的2個指標為：識別成功率及識別錯誤率，計算公式為

(15)

(16)

識別成功率為被正確判斷為漂移節點的數量與實際漂移節點數量的比值，用來衡量算法能夠成功識別位置不可信節點的概率；而錯誤率則是被錯誤地判斷為不可信節點的數目與實際不可信節點數目的比值，用以衡量算法在檢測漂移節點時產生誤判的概率.實驗結果顯示的是實驗過程中每個時間周期的檢測成功率和錯誤率取平均值.非測距算法中RSSI的噪音由經典信號能量傳播衰減模型為基礎，衰減指數n=2.5，上下隨機產生百分比變化，如20%的噪音，則n值變化范圍是[2,3].

從圖14中可以看出，當檢測閾值增大時，檢測成功率和檢測錯誤率均呈上升狀態，因為檢測條件變得苛刻后，成功率必然升高，但由于誤差的存在檢測錯誤率也隨之升高；綜合來看，ω取值為[0.7,0.8]之間時，算法性能較好，因此，后續實驗中設置ω=0.7；另外，隨著RSSI噪音的增加，檢測錯誤率有很小的上升，檢測成功率卻影響不大，這也充分驗證了UNDA的魯棒性，RSSI具有30%的噪音情況下檢測成功率能夠達到90%以上.

5.2 位置驗證效果

為了驗證可信定位模型中用于服務基于測距技術的不可信信標檢測性能，我們用同樣是分布式位置驗證算法的文獻[24]作為比較對象，簡稱為節點漂移檢測(node drifting detection, NDD)算法.設置40個信標節點，仿真中每個時間段內均有隨機數量(0～20%)的節點發生漂移或變為惡意信標，但漂移節點總數不變，隨機出現1～4個蟲洞(對應2～8個信標節點受到影響).首先固定漂移信標節點的數量，改變普通節點密度，當網絡節點密度提高時，2種算法的檢測準確率都相應提高，誤檢率相應降低，如圖15所示.這是各節點可參考的鄰居節點數量增加引起的.但UNDA具有更好的檢測性能，這是因為UNDA的節點間接信譽推薦信任度更新機制，可以更好地排除漂移節點對其他節點判斷準確性的影響，而NDD算法每一輪的檢測都是一個全新的算法執行過程，檢測性能不會因為時間的累積而提高.

Fig. 15 Node density vs. detection performance圖15 節點密度改變下的檢測性能

圖16展示的是固定節點數(300個)的情況下，共80個信標節點，位置不可靠的信標數量范圍[4,40]步長為8，其中惡意信標占比50%，同樣數量的蟲洞場景下的算法性能比較.隨著漂移信標的增加2種算法的性能都有下降，但相比之下，UNDA在漂移信標較多時，具有更高的檢測成功率和較低的誤檢率，這同樣是因為UNDA采用了間接信譽推薦可信度更新機制.

Fig. 16 Amount of unreliable vs. detection performance圖16 不可信信標數量改變下的檢測性能

而NLVF用于非測距的定位技術中因缺少類似工作，我們將文獻[24]的投票依據由測距值替換為本文的分級跳距方法以移植到非測距定位場景，并簡稱為RF-NDD(rank feed-NDD)算法，由于非測距定位算法應用場景中信標節點通常較少，我們固定其數量為20個，其中8個信標發生漂移，2個信標受蟲洞影響(2個虛假信標)，普通節點數量變化范圍為[200,400],步長50，RSSI測量噪音為10%.

Fig. 17 Performance of NLVF in range-free scenario with variation of node amount圖17 NLVF在非測距場景中節點數量變化時的性能

實驗結果如圖17所示，與基于測距的場景相似，由于缺少相互觀測的積累和投票可信性的更新，節點密度變大時，RF-NDD性能并無明顯的提升，而NLVF不但具有較好的檢測性能，且隨著節點密度升高，其性能也有顯著提升，這對于節點密度較高的大型WSN來講，具有實用性.設置RSSI噪音為20%和40%的2種情況以驗證NLVF的魯棒性.實驗中共設置20個信標節點，網絡平均連通度在[6,10]范圍內變化，步長為1，20個信標節點全部成為不可信的信標，由于信標數量較少，故仿真結果采用節點個數代替比率，即檢測成功的信標個數(number of detected anchor, NoD)和假陽性節點個數(number of false positive, NoFP).實驗結果如圖18所示，當RSSI噪音較大時，引起跳數等級劃分不夠準確，使得直接信譽值計算誤差增大，但性能仍舊在可以接受的范圍內，當網絡平均連通度為10時，40%的RSSI噪音情況下，成功檢測出18個不可信的信標，漏檢2個；由假陽性引起的誤檢個數為3.在20%的RSSI噪音時，網絡連通度達到9的情況下，誤檢率降為0，只漏檢了1個信標節點.由于WSN的節點部署冗余特性以及節點較大的通信半徑，平均網絡連通度達到9的假設是切合實際的.

Fig. 18 Performance of NLVF in range-free scenario with variation of anchor amount圖18 NLVF在非測距技術場景下的性能

6 總結與展望

本文提出NLVF框架，服務于基于測距的定位算法和非測距定位算法，用以過濾位置不可靠的信標節點，NLVF的核心算法UNDA以節點間的相互位置觀測為基礎，構建節點位置信譽模型，引入的間接信譽可信性更新機制，確保了算法收斂至穩定的判斷結果.實驗證明NLVF具有較高的檢測率和較低的誤檢率，且具備輕量級的特點，適用于WSN.未來的工作將圍繞臨時信標選擇算法展開，以解決信標過濾后的后果定位過程中可用信標不足問題，進一步完善NLVF的服務能力，并通過實物實驗床驗證NLVF的擴展性和重定位性能.