一种无线传感网中基于协同过滤的可靠数据融合优化方法

摘要

本发明公开了一种无线传感网中基于协同过滤的可靠数据融合优化方法。该方法采用层次化逻辑结构设计，分别从传感器节点自身数据融合的可靠性和链路传输可靠性两方面优化网络性能。对突发的非线性的噪声数据采用拉普拉斯函数而非高斯函数进行噪声过滤。在敌对环境下，为提高数据融合精确度，避免恶意节点的大量入侵而干扰真实信息，我们采用信息量向量计算感知数据的相似度，并加权平均进行数据融合；为增强传输可靠性，采用链路检测模型对链路预测。当链路故障时，簇首发送PROB消息告知故障链路或者故障节点的邻居节点，邻居节点重新感知重要数据，以防重要数据的丢失。该方法有效解决了无线传感网中节点部署的密度大、数据冗余度高、能量有限和易遭攻击等问题。

说明书

技术领域

本发明涉及一种无线传感网中基于协同过滤的可靠数据融合优化方法，属于无线通信技术与计算机网络的交叉领域。

背景技术

随着无线传感网应用的普及，如环境监测、智能家居、车载网络、远程医疗等。当前对无线传感网的研究热度也愈演愈烈，而传感器是无线传感网中不可或缺的组成部分，由于传感器节点仅用有限能量的电池供电。在能量约束的前提下，其需要感知和传输大量的环境数据转发给给所在簇的簇首节点或基站(sink节点)。而相邻的传感器节点感知的数据通常是高度相关，甚至是相同的，这造成网络中感知的冗余数据过多，对网络性能造成极大的影响，因此数据融合技术的提出对无线传感网络的能耗、通信开销和数据精确度等网络性能有了重大的改善，对无线传感网络应用的普及具有重要的理论和实用价值。

在无线传感网中，数据融合的方法很多。Fu-Kai Chan等提出粒子滤波算法。其使用蒙特卡罗方法实现最优的递归贝叶斯估计，并选用合适的重要性函数代替状态后验概率分布，是非高斯非线性状态下的“最优”滤波器。该方案已发表于Proc.2011 IEEEVehicular-Technology Conf.(VTC)。但负责存储、计算的传感器节点的通信开销能耗也会增加。Yuan Fei等人提出数据密度相关度的聚类算法进行数据融合，该方法主要采用聚类的思想，对所感知的数据采用密度相关性进行融合。该方法已发表于IEEE Sensors Journal，2014，vol.14(4)，pp：1089-1098。仅仅采用数据密度相关度，较少考虑到历史可信度，而且，没有对以检测出的恶意传感节点采用相应的策略。在敌对环境下，节点一旦被敌方捕获，敌方恶意修改数据，并以最大或者最小的评分数值参与融合，导致基准平均值的偏离，从而降低数据融合的准确性。传统的融合方法，普遍以求和、最值等作为融合参考依据，没有考虑到恶意节点入侵和链路传输故障的因素，这导致网络易遭攻击，融合数据准确度降低，冗余度高等现象。

发明内容

技术问题：本发明针对上述方案中存在的不足，提出了一种无线传感网中基于协同过滤的可靠数据融合优化方法，即CFRA算法。该方法不仅均衡了网络能耗，提高了网络性能，而且，最大化的提高了数据融合的可靠性。

技术方案：本发明提出一种无线传感网中基于协同过滤的可靠数据融合优化方法，该方法分别从传感器节点自身数据融合的可靠性和链路传输的可靠性两方面同时优化网络性能。对突发的非线性的噪声数据，采用拉普拉斯函数而非高斯函数进行噪声过滤。在敌对环境下，为提高数据融合精确度，避免恶意节点的大量入侵而干扰真实数据，采用信息量向量计算感知数据的相似度，并加权平均进行数据融合；为增强数据传输可靠性，我们采用链路检测模型对链路传输检测，当链路故障时，簇首发送PROB消息告知故障链路或者故障节点的邻居节点，邻居节点重新感知重要数据，以防重要数据的丢失。该方法有效解决了无线传感网中节点部署的密度大、数据冗余度高、能量有限和易遭攻击等问题。

假设N个传感器节点对D个不同的数据的特征属性构造一个节点-数据矩阵S。s_n，d＝x(x∈{1，2，...，s_max})，表示节点n对数据属性d的评分，s_n，d的默认值为0。节点-数据矩阵表示如下：

S＝[n₁，…，n_N]^T，n_i＝[s₁，1，..S_i，m，S_i，n，..，S_i，D]^T，i＝1，..，p，q，..，N，(p≠q).

S＝[d₁，...，d_D]^T，d_j＝[S_1，j，..S_p，j，S_q，j..，S_N，j]^T，j＝1，..，m，n，..，D，(m≠n).

其中，n_i表示某一节点对所有数据属性的评分，d_j表示所有的节点对某一数据属性的评分。

单个传感器节点对感知的数据，采用修正的余弦计算其数据间的相似度，由公式(1)计算。

$>\mathrm{sim}=\frac{\underset{p\in S_{\mathrm{mn}}}{\Sigma }(S_{p,m}-{\bar{S}}_m)(S_{p,n}-{\bar{S}}_n)}{\sqrt{\underset{p\in S_m}{\Sigma }{(S_{p,m}-{\bar{S}}_m)}^2}\sqrt{\underset{p\in S_n}{\Sigma }{(S_{p,n}-{\bar{S}}_n)}^2}}---\left(1\right)$>

其中，S_p，m和S_p，n表示节点p分别对数据m和数据n评分。S_mn表示S_m和S_n的评分集合。和分别表示对数据m和n的平均评分。

在敌对环境下，当某个节点因外界因素遭遇入侵，成为恶意节点时，这类节点通常干扰其他节点对数据的真实评分的评分态度。对于这种突发的干扰噪声，我们采用信息量向量计算数据相似度。节点p的信息量向量R_p定义如下：

$>R_p={\left[S_{p,1,...,}{S}_{p,D}\right]}^T={[\mathrm{sgn}(S_{p,1}-{\hat{\mu }}_1)*I\left(S_{p,1}\right),...,\mathrm{sgn}(S_{p,D}-{\hat{\mu }}_D)*I\left(S_{p,D}\right)]}^T,p=1,...,N$>

其中，表示节点p对数据j的态度。根据数据j的平均态度，对做出正或负的态度表示。I(S_p，j)是对S_p，j评分的信息量，由公式(2)计算。

$>I\left(S_{p,j}\right)=-\ln \left(f(S=S_{p,j}|{\hat{\mu }}_j,{\hat{b}}_j)\right)=\ln \left(2{\hat{b}}_j\right)+\frac{|S_{p,J}-{\hat{\mu }}_j|}{{\hat{b}}_j}---\left(2\right)$>

公式(2)中μ_j和b_j采用拉普拉斯概率密度函数进行最大释然估计，由公式(4-5)计算。

假定S_1，j，S_2，j，…，S_N，j是独立且服从均匀分布的样本。其概率密度函数表达式由公式(3)计算。

$>f\left(S\right|\mu ,b)=\frac{1}{2b}\exp (-\frac{|S-\mu |}{b})=\frac{1}{2b}\left(\begin{array}{c}\exp (-\frac{\mu -S}{b})(S<\mu )\\ \exp (-\frac{S-\mu }{b})(S>\mu )\end{array}\right)---\left(3\right)$>

其中，μ是一个位置参数，b＞0是一个范围参数。

$>{\hat{\mu }}_j=\frac{1}{D}\underset{j=1}{\overset{D}{\Sigma }}{S}_{p,j}---\left(4\right)$>

$>{\hat{b}}_j=\frac{1}{D}\underset{j=1}{\overset{D}{\Sigma }}|S_{p,j}-{\hat{\mu }}_j|---\left(5\right)$>

基于信息量向量计算节点间的相似度，由公式(6)计算。

$>{\mathrm{sim}}_I(n_p,n_q)=\frac{\underset{\left(i\right|S_{p,j},S_{q,j}\ne 0)}{\Sigma }{R}_{p,j}*R_{q,j}}{\sqrt{\underset{\left\{i\right|S_{p,j},S_{q,j}\ne 0\}}{\Sigma }{R^2}_{p,j}}·\sqrt{\underset{\left\{i\right|S_{p,j},S_{q,j}\ne 0\}}{\Sigma }{S^2}_{q,j}}}---\left(6\right)$>

为防止敌方设置多个恶意节点，构造虚假数据，形成评分过高的干扰，最终导致真实数据丢失，我们采用降低权重因子过高的约束方法。由公式(7)计算。

$>{{\mathrm{sim}}^{\prime }}_I(n_p,n_q)=\frac{\mathrm{Min}\left(\right|I_{n_p}I{I}_{n_q}|,\eta )}{\eta }{\mathrm{sim}}_I(n_p,n_q)---\left(7\right)$>

其中，是节点n_p和n_q协作的评分数。若其小于η，则这些节点的相似度将会降低，此方式有效避免了节点过度评估数据的相似度。最后，加权平均进行融合，由公式(8)计算。

$>w^{\prime }=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{w}_i---\left(8\right)$>

其中，当(7)式大于零时，w_i＝sim′I(n_p，n_q)；否则，w₁＝0。

当sink节点入侵检测到没有恶意的节点时，簇首采用修正的余弦计算节点间相似度，由公式(9)计算。

$>\mathrm{sim}=\frac{\underset{j\in S_{\mathrm{pq}}}{\Sigma }(S_{p,j}-{\bar{S}}_p)(S_{p,j}-{\bar{S}}_q)}{\sqrt{\underset{j\in S_p}{\Sigma }{(S_{p,j}-{\bar{S}}_p)}^2}\sqrt{\underset{p\in S_q}{\Sigma }{(S_{p,j}-{\bar{S}}_q)}^2}}---\left(9\right)$>

其中，S_p，j和S_n，j分别表示节点p和q节点对数据j评分。S_pq表示S_p和S_q的评分集合。和节点p和q对数据的平均评分。

链路传输可靠性，由链路传输模型进行检测。链路检测模型为：

$>\theta \le \frac{P_{\mathrm{xy}}/d_{\mathrm{xy}}^{\alpha }}{ϵ0+{\Sigma }_{L_{\mathrm{gh}}\in {\psi }_{\mathrm{xy}}-\left\{L_{\mathrm{xy}}\right\}}{P}_{\mathrm{gh}}/d_{\mathrm{gh}}^{\alpha }}---\left(10\right)$>

其中，ψ_xy表示链路并发传输的链路集合，L_xy表示链路集合。P_xy和P_gh分别表示链路L_xy和L_gh的发射器的传输功率。d_xy(d_gh)表示链路L_xy(L_gh)发射器与其接收器之间的距离。α表示路径衰减率(取值范围一般在2-6之间)。ε0为高斯白噪声，θ是信号干扰噪声率(SINR)成功传输的阈值(θ≥1)。当SINR≥θ时，链路L_xy传输正常。

该方法的具体步骤如下：

S1：普通的传感器节点感知数据；

S2：采用公式(1)计算数据间的相似度，加权融合数据；

S3：转发数据信息给簇首；

S4：簇首判断S3数据包中的源节点是否隶属于本簇，若是，转S5和转S6；否则，转S10；

S5：判断是否有链路传输的故障信息，若是，则发送信息给其邻居节点重新感知数据，转S1；否则，转S10；

S6：判断是否有恶意节点，若是，采用公式(2)-(6)计算节点间的相似度，并用公式(7)-(8)降低评分权重进行加权融合数据，转S7；否则，采用公式(9)计算节点间的相似度，加权融合后转S7；

S7：转发S6融合后的数据给sink节点；

S8：sink节点判断链路传输是否故障，若是，转S3；否则，转S10；

S9：sink节点检测传感器节点是否为恶意节点，若是，转S3，否则，转S10；

S10：不作响应。

检测是否存在恶意节点，具体步骤如下：

D1：用相同权重初始化网络；

D2：通过计算相似的其他节点所得评分的平均评分，由公式(11)估计出未知数据的评分；

$>S_{q,m}^{^}=\frac{\underset{d=1}{\overset{D}{\Sigma }}{\mathrm{sim}}_{m,d}\overline{S_{q,d}}}{\underset{d=1}{\overset{D}{\Sigma }}\left|{\mathrm{sim}}_{m,d}\right|}---\left(11\right)$>

其中，表示节点q对数据属性d的平均评分。

D3：由D1计算得出的某个节点对某项数据的特征属性的预期评分与实际数据评分作差；

D4：对D2得出的差值与经验阈值比较，若差值小于经验阈值，则该节点不是恶意节点，不作响应；否则，将该节点标记为恶意节点，并将信息转发给所在簇的簇首；

D5：重复步骤D2-D4，直到遍历完网络中所有节点为止。

D6：输出是否存在恶意节点的信息。

与现有的数据融合技术相比，本发明的创新点在于在节点数据融合过程中引入了协同过滤的融合方法，并在链路传输过程中采用链路检测模型进行检测链路传输的可靠性，实现了恶意节点入侵防护和链路传输故障的预测，提高了数据融合的双重可靠性和网络能效。

附图说明

图1为一种无线传感网中基于协同过滤的可靠数据融合优化方法的网络模型图；

图2为一种无线传感网中基于协同过滤的可靠数据融合优化方法的算法流程图；

图3为OPNET仿真平台的节点模型图；

图4为所述方法与LEACH协议的剩余能量方差的比较示意图；

图5为所述方法与LEACH协议融合精确度的比较示意图；

具体实施方式

下面结合附图和具体实施方式，对本发明作进一步说明。

基本思想：本发明提供一种无线传感网中基于协同过滤的可靠数据融合优化方法，该方法对突发的非线性的噪声数据，采用拉普拉斯函数而非高斯函数进行噪声过滤。在敌对环境下，我们采用信息量向量来计算感知数据的相似度，并加权平均进行数据融合以提高数据融合精确度；为增强数据传输可靠性，采用链路检测模型对链路预测。当链路故障时，簇首发送PROB消息告知故障链路的其他相邻节点，并让邻居节点重新获取数据，以防重要数据的丢失。因此，该方法有效降低了数据冗余，节约能耗，并提高了数据及网络的可靠性。

数据结构设计如下：PROB消息的包格式

固定字段：

SidDidSeqNum

可变字段：

Sid、Did和Lid分别表示源id，目的id和链路id；NeighID表示一维数组，存储邻居节点id；SeqNum表示序列号；Payload表示数据载荷；N_Nor和L_Nor均为布尔型，分别表示节点和链路是否正常；Cid为整型，表示簇首id。

本发明采用OPNET仿真平台，仿真环境参数配置：节点总数为1000，网络大小为200平方米的区域内，网络拓扑随机配置，感知数据的大小默认为2048bits，报告间隔为0.2s，仿真时间为300s，路由协议采用LEACH，该协议核心是采用分簇结构路由数据。数据传输率为1Mbps，节点通信半径为50m，节点初始能量为50J，节点成功传输k比特数据的总能耗为50nJ/bit，更新周期为0.8s，感知数据大小默认1KB，消息报文大小默认128B。

本发明是采用LEACH协议的路由方法，对于分簇方法，请参见：Asaduzzaman，Kong，Hyung Yun.Energy efficient cooperative LEACHprotocol for wireless sensor networks[J].Journal of IEEECommunications and networks，2010，12(4)，pp：358-365.

图1给出该方法在分簇基础上构建的网络模型图。普通传感器节点将融合的数据发送给所在簇的簇首，由簇首将二次融合后的数据发送给基站。

图2给出无线传感网中基于协同过滤的可靠数据融合优化算法的流程图。传感器采用公式(1)计算数据间的相似度，加权融合数据，并将融合后的数据转发给簇首，簇首根据信息中的Cid，判断是否属于本簇。若属于本簇，则依据链接检测模型判断链路是否存在故障信息，同时依据恶意节点检测算法判断节点是否为恶意节点。若存在链路故障，则发送PROB消息给邻居节点，告知其重新感知数据。否则，不作响应。若存在恶意节点，则采用协同过滤方法进行数据融合，并将融合后的数据转发给sink；否则，采用公式(9)计算节点间的相似度，加权融合后转发数据给sink节点。在无能量约束的sink节点处设置恶意节点入侵检测算法和链路预测模型。并将检测的结果以PROB消息发送给网络中所有的簇首节点。

图3给出无线传感网中基于协同过滤的可靠数据融合优化方法在OPNET仿真平台中的节点模型图。在应用层中，包含传感器模块和应用管理模块，该层主要对特殊的应用进行内网处理；在路由层中，采用LEACH协议和所述的CFRA算法路由。在数据链路层，采用IEEE 802.11实现和提供相应的接口。在物理层，采用WLAN接收器和WLAN发送器进行数据的收发。

图4给出所述方法与LEACH协议的剩余能量方差的比较示意图。显然，一种无线传感网中基于协同过滤的可靠数据融合优化方法的剩余能量方差在链路故障率高于0.05之后，其剩余能量方差均低于LEACH的剩余能量方差，说明剩余能量比较稳定，该方法对网络能耗起到了的均衡作用。随着链路故障率的增加，LEACH的剩余能量波动较大。

所述方法与LEACH协议的融合精确度的比较关系如图5所示，我们采用sink节点的均方差(SMS)来度量最终结果的精确度。

$>\mathrm{SMS}=\frac{1}{T}\sqrt{\underset{t=1}{\overset{N}{\Sigma }}{(T_t-C)}^2/N}+\sigma ---\left(12\right)$>

其中，C表示源节点的真实值。T_t表示t时刻sink点融合后的值。N表示选取的时间点。σ表示由链路可靠性带来的随机误差。

图5表明：随着链路故障率的增加，无线传感网中基于协同过滤的可靠数据融合优化方法的融合精确度比LEACH的高了近0.6倍。而且该方法随着链路故障率的增加，融合精确度的下降率相对缓慢，说明该方法在节点自身和链路传输两方面进行增加可靠性，有效提高了数据融合的精确度和网络可靠性。

上述描述仅作为本发明可实施的技术方案提出，不作为对其技术方案本身的单一限制条件。