WSN中基于多级算术编码的溯源数据压缩方法

摘要

在无线传感器网络（Wireless Sensor Network，WSN）中，溯源数据（Provenance）是评估数据可信性的重要依据之一，Provenance记录了一个数据包从产生至被传输至基站（BS）途经的全部节点以及在这些节点上对数据的相关操作。因此Provenance的大小会随着数据包传输路径长度的增长而迅速膨胀。目前，在WSN中采用基于传统算术编码的Provenance压缩方法虽然能有效地解决上述问题，但当WSN的规模较大时，采用此类方法的Provenance压缩效率较低、而且BS的计算负载较大。
　　有鉴于此，本文提出了一种基于算术编码的无损多级Provenance压缩方法，通过对WSN进行分簇组织，一方面可以获得较高的压缩比率、另一方面能有效降低BS在解压缩Provenance时的计算负载。
　　本文的主要工作包括以下几点：
　　（1）在WSN分簇组织方法的基础上，提出了一种分布式的基于多级算术编码的Provenance压缩方法，相对于现有的方法获得了较高的Provenance压缩比，且有效降低了由此导致的BS计算负载；
　　（2）对任意给定的WSN，给出了不同分簇方法与WSN中Provenance平均大小的函数关系，证明了在Provenance压缩传输的过程中WSN最优分簇的存在性；
　　（3）采用了轻量级的方法保护Provenance压缩传输的安全性，并由此兼顾了在WSN中节省能耗的要求；
　　（4）通过理论分析、基于TinyOS的软件仿真，以及基于Zigbee硬件实验共同检验了本方法的性能及其可行性。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 课题研究背景和意义

1.2 国内外研究现状

1.3 论文的主要工作及创新点

1.4 论文的章节安排

第二章 Provenance的系统模型与相关技术

2.1 WSN介绍

2.2 仿真工具介绍

2.3 网络模型

2.4 数据模型

2.5 Provenance模型

2.6 分簇模型

2.7 威胁模型

2.8 算术编码

2.9 本项目方法的可行性分析

2.10 本章小结

第三章 基于多级算术编码的Provenance压缩方法

3.1 基于多级算术编码的Provenance压缩

3.2 线性Provenance的压缩方法

3.3 线性Provenance的解压缩方法

3.4 汇聚Provenance的压缩方法

3.5 汇聚Provenance的解压缩方法

3.6 实例分析

3.7 最佳分组的讨论

3.8 本章小结

第四章 性能分析

4.1 线性Provenance熵值计算

4.2 汇聚Provenance熵值计算

4.3 时间复杂度

4.4 空间复杂度

4.5 安全性分析

4.6 本章小结

第五章 实验测试与分析

5.1 仿真实验

5.2 硬件实验

5.3 本章小结

第六章 总结与展望

6.1 工作总结

6.2 研究展望

参考文献

致谢

在读期间所发表的论文