考慮節點信譽度的傳感器網絡數據并行聚集*

周海飛蘆 翔胡春芬*

(1.常州信息職業技術學院網絡空間安全學院，江蘇 常州 213164；2.中國科學院信息工程研究所，北京 100049)

無線傳感器網絡是由一系列能夠對環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絡[1]。 在大型傳感器網絡中，含有許多微型傳感器節點，各傳感器節點在監測區域內隨機分布，采集使用者感興趣的信息。 使得網絡中自發形成了內部連接緊密、外部連接稀疏的社團結構[2]，導致傳感器數據傳輸過程中存在部分錯誤數據或冗余數據，也導致數據傳輸過程將大量消耗傳感器網絡能量。 考慮到網絡穩定性的要求，頻繁地改變簇間傳輸數來滿足負載均衡是不可取的[3]，為了在數據傳輸過程中清除錯誤或冗余數據、減少數據傳輸能耗、提高傳感器網絡的有效生命周期，對傳感器網絡數據的并行聚集方法進行了研究。

目前國內很多學者都致力于目標跟蹤的節點調度算法。 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化問題。 國外研究現狀:研究了密碼學、安全多方計算、分布式數據管理等相關技術，研究了靜態網絡環境下安全數據的有效聚集、動態網絡環境下與網絡拓撲結構無關的安全數據聚集、連續安全數據聚集、兩層傳感器網絡中的范圍查詢等典型安全數據聚集算法，并對其安全性和網絡性能進行了探討，旨在進一步豐富該領域的研究成果。 提出了一種安全高效的連續的數據聚集算法PECDA，該算法利用感知數據的時間相關性，通過設置閾值來確定節點是否傳輸當前感知數據，算法能夠有效地減少數據通信量，但該方法數據聚集精度較差；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等級，每個組對原始數據進行預處理，但該方法在數據聚集過程中未考慮傳感器節點開放性導致的傳感器節點錯誤所產生的錯誤數據，傳感器網絡能量被大量消耗。

針對上述問題，本研究在考慮節點信譽度的基礎上設計了一種新的傳感器網絡數據并行聚集方法，分析傳感器節點信譽度，排除低信譽度節點，進行數據并行聚集，從而提升數據聚集精度。

1 數據并行聚集方法設計

1.1 減法聚類分簇

考慮節點信譽度的傳感器網絡數據并行聚集方法以分簇路由機制為基礎，將數據并行聚集過程劃分為兩個主要過程，分別為節點分簇與數據傳輸。

利用定位算法獲取無線傳感器網絡節點的位置信息，將這些信息發送至基站。 以n1，n2，L，nm和ei(x，y)分別表示傳感器節點和節點ni的二維坐標值，以m個數據樣本為候選聚類中心[4]，選擇減法聚類方法，獲取聚類中心對應的傳感器節點，該節點為簇頭節點。

節點分簇的詳細步驟如下:

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處的密度指標值Den(i):

式中:Ra>0 表示對該樣本的密度指標貢獻最大的領域范圍。

步驟3 設定如下標準:max{Den(i)｜i＝1，2，L，m}，確定符合標準的樣本ek，將其作為第一個聚類中心，定義其對應的節點為第一個簇頭節點。

步驟4 fori＝1 ∶1 ∶m－1

利用式(3)優化剩余樣本的密度指標值:

式中:Rb表示密度參數。

將樣本密度指標值最大者el為第二個聚類中心，其對應的節點為第二個簇頭節點。

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)可防止聚類中心距離過近。 最終獲取的初始化聚類中心數量受參數f的直接影響，兩者之間呈反比例相關。 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量。 在能夠恢復原始信息的基礎上，顯著地減少數據傳輸量并延長網絡生命周期[6]

1.2 節點信譽度計算

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

式中:wi表示Ti的權重。

上述信譽度計算模型應用過程中需關注滿意度評價的衰減性，每個傳感器記錄的數據包含相同的正常數據分量和相異的異常數據分量[7]。 基于此，本研究引入云理論分析節點信譽云的數字特征，以此來確定無線傳感器網絡的Ωj內節點對節點nj信譽判斷的模糊性與隨機性，同時對云滴反應定性概念可信度進行了分析。 根據確定度與衰減系數確定權值wi，完成對傳感器節點信譽的量化分析。

針對可信無線傳感器網絡，?nj∈N，以X＝{xi｜xi∈[0，1]，i＝1，2，L，G}表示nj當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點服務結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和在此基礎上通過確定云的數字特征，括號內的三項分別表示論域內節點nj生命周期內代表性最高的點、不同節點對節點nj提供服務滿意度評價的離散程度和論域內固定條件下云滴的離散度。

以云理論為基礎的節點信譽度度量模型依照節點nj生命周期內所有滿意度評價集合X，確定節點nj信譽云的數字特征值基于此，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，通過正向云生產算法確定不同滿意度評價的確定度，結合衰減系數，計算滿意度評價權值wi，獲取節點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:

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

將式(10)帶入式(4)內，即可確定無線傳感器網絡內節點nj的信譽度。

1.3 數據并行聚集

近年來，復雜網絡中基于網絡位置的節點重要度度量方法由于計算復雜度小，因此使用較為廣泛[10]。無線傳感器網絡內簇的路由由簇結構決定，不同簇結構可影響簇數據的傳輸方式。 在劃分無線傳感器網絡內節點簇后，通過簇間路由連接不同群集，可以實現與Sink 節點之間的數據通訊。 在傳感器網絡內部，考慮到數據聚集的安全性，將信任度分析結果引入到傳感器節點數據的采集和傳輸過程中。

在無線傳感器網絡數據采集過程中，依照實際應用需求提前設定節點信譽度閾值，對比無線傳感器網絡節點信譽度與設定的信譽度閾值，假設某節點信譽度低于設定閾值，即可定義此節點存在錯誤，從此節點處獲取的數據也被定義為錯誤數據。 針對傳輸數據的簇頭使用了一個二級層次結構[11]，若某節點信譽度高于設定閾值，即可依照無線傳感器網絡內節點信譽度的排序設定此節點對應數據的可信權重。

相對于建簇過程，穩定過程的時間相對較長[12]，無線傳感器網絡內，簇頭節點并行聚集簇內節點采集的數據后，可利用經由節點信譽度評估轉發簇頭節點信息，使用循環錯誤檢測碼的動態生成器多項式大小[13]，然后利用簇頭節點轉發數據的多屬性決策過程描述聚集數據向Sink 節點傳輸的過程。 在配備傳感器的物聯網網絡中，以解決最大值和不同集查詢的問題[14]。

根據結點信譽評價的多屬性決策過程，可以歸納為以下環節:簇頭節點屬性構建與篩選環節、屬性的預處理環節、屬性權重確定環節、評估信息統計環節等。 以消除從傳感器設備接收到的冗余數據集，并減少發送到基站的數據集[15]。 在無線傳感器網絡節點數據傳輸過程中，通過標準的決策矩陣與屬性權重向量確定某數據傳輸方案的整體評估結果，對比全部方案的評估結果，確定評估結果最佳的簇頭節點為數據傳輸的下一跳節點。 將速率控制問題歸結為凸優化問題，并利用其分布式解決方案作為設計帶寬分配協議的理論基礎[16]。 在基于節點信譽度評估的多屬性決策過程中，無線傳感器網絡節點數據權重向量的確定較為重要。

2 仿真分析

為驗證本文設計的考慮節點信譽度的傳感器網絡數據并行聚集方法在實際應用中的效果，本文利用文獻[4]中的TelosB 參數，即傳感器節點在1 bit傳輸和接收時所消耗的能量，并通過RC4 算法對感知數據進行加解密，通過virtualbox 虛擬機軟件＋Ubuntu10.04 操作系統，構建一個無線傳感器網絡作為仿真對象，其中共包含1 036個傳感器節點，傳感器節點均隨機分布在120 m×110 m 范圍內，在此基礎上，確定了傳感器節點的通訊半徑，每個節點的通訊半徑與初始能量分別為1.5 m 和1.8 J，以節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點身份認證是正確的，而對應的傳輸數據是錯誤的。 傳感器網絡內的安全概率表示簇頭節點確定路由過程中至少包含一條安全路徑的概率。

表1 實驗參數默認值

2.1 節點信譽云生成與性能分析

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

表2 不同基數下的數據分布情況

利用本文方法中的式(5)、式(6)和式(7)計算節點信譽云的數值特征，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，圖1 中顯示了示例集X所描述的節點反向信譽云的實現。

分析圖1 可知，針對所選節點，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。作為一種描述穩定性的隨機特征。

圖1 節點逆向信譽云確定度

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

圖2 節點正向信譽云

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，當云滴數量由300提升至600 時，節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點正向信譽云評估節點信譽度的主要依據。

2.2 數據并行聚集精度分析

為驗證本文方法的數據并行聚集精度，以文獻[4]方法和文獻[5]方法作為對比方法，對比本文方法與這兩種傳統方法在不同低信譽行為概率條件下數據聚集的精度，結果如圖3 所示。

分析圖3 得知，基于Dubins 曲線的數據聚集方法的精度最高在78%，基于可靠信標和節點度估計距離的數據聚集方法精度最高在68%，本文方法的精度最高可達到98.1%。 上述仿真結果充分說明本文方法能夠獲取高精度的數據聚集結果。

圖3 不同信任行為概率條件下的數據聚集精度對比結果

3 結束語

在傳感器網絡中，節點信譽度是影響網絡方位控制與交易決策等信息的重要指標。 本文設計了一種考慮節點信譽度的傳感器網絡數據并行聚集方法，并通過仿真結果證明了該方法能夠有效評價傳感器節點信譽度，并實現高精度的數據并行聚集。