基于信任模型的分簇WSNs可靠數據采集方法*

陳 輝張春雨

(安徽理工大學計算機科學與工程學院，安徽 淮南 232001)

無線傳感器網絡WSN(Wireless Sensor Network)在軍事、醫(yī)療和工業(yè)等方面有著廣泛的應用，集中體現在數據收集和事件監(jiān)測方面[1-2]。然而，無線傳感器節(jié)點多為電池供電，計算能力和帶寬容量有限，且經常部署在一些惡劣的環(huán)境中。這些因素極易導致節(jié)點出現異常和受到干擾，進而造成監(jiān)測數據的可靠性得不到保障[3]。無線傳感器網絡是以數據為中心的網絡，對突發(fā)事件的快速響應和數據的可靠采集是非常必要的[4-6]。

通常WSN中異常數據一方面由于節(jié)點自身故障或外界環(huán)境干擾引起的數據異常；另一方面由突發(fā)事件引起的數據變化超出正常幅度。前者直接關系著網絡監(jiān)測數據可信度，而后者則是無線傳感器網絡監(jiān)測重點，因此WSN數據異常檢測和可靠性傳輸很有必要[7]。無線傳感器網絡中異常數據檢測通常借助統(tǒng)計學方法或充分利用鄰近節(jié)點之間的空間相關性。如文獻[8]基于隱馬爾科夫模型的數據異常檢測方法，以先驗數據為參考判斷新產生的數據軌跡偏差，但閾值的設定需要大量數據支撐；文獻[9]利用K-Means均值聚類對異常數據進行分類，對所有數據對象依據相似程度進行劃分，該方法更適合集中式異常檢測，對所有數據進行聚類算法復雜性較高。數據采集是無線傳感器網絡主要功能之一，而采集數據的可靠性直接決定著網絡的安全運行[10]，但僅對異常數據進行篩選還不能完全滿足對無線傳感器網絡數據可靠性的要求。無線傳感器網絡中數據來自眾多傳感器節(jié)點，因此，傳感器節(jié)點的可靠性是影響數據采集可靠性重要誘因之一，而信任模型的出現解決了傳感器節(jié)點路由選擇、數據認證等方面問題，為節(jié)點可靠性判斷提供了理論支撐。目前，信任模型已廣泛應用在無線傳感器網絡領域[11-13]，其中，文獻[11]通過信任模型幫助尋找可靠的節(jié)點，提高了節(jié)點之間的協(xié)作和系統(tǒng)的性能；文獻[12]提出一種基于時間因素的WSN信任模型，利用動態(tài)反饋機制計算節(jié)點信任度，同時引入時間衰減模型降低網絡時延、增加模型可信度；文獻[13]在直接信任度計算時使用異常衰減修正貝葉斯方程，并以熵作為參考為節(jié)點信任度賦權，很好地克服了主觀賦值的局限性。此外，借助UAVs(Unmanned Aerial Vehicles)[14-15]可較為準確驗證數據可靠性，但UAVs使用成本較高。當前WSN數據采集多以去冗余、降能耗為目的，如文獻[16]用歷史數據來降低冗余數據的采集，該算法只有在監(jiān)測區(qū)域數據波動較小的情況下效果較好；采用壓縮感知(Compressed Sensing)技術[17-18]對數據進行采集，能有效緩解硬件資源的壓力，但壓縮采集會導致部分數據的失真。而隨著物聯(lián)網應用要求的不斷提高，如車聯(lián)網、自動駕駛等，感知層數據可靠性變得尤為重要。

在實際應用中傳感器節(jié)點一般以恒定頻率進行數據的采集和傳輸，多數情況下數據是緩慢變化的，如溫度、濕度、壓力等。這種情況下“不可靠節(jié)點”的存在直接影響著檢測結果的準確性，因此節(jié)點可靠性和數據可靠性的準確判斷關系到網絡的QoS(Quality of Service)。基于多數節(jié)點出現“數據異?！睘橥话l(fā)事件所致，少數節(jié)點出現“數據異?！币欢ǜ怕噬鲜枪?jié)點異?；蚋蓴_所致的事實，本文提出一種基于信任模型的數據收集方法(Algorithm of Trust-based Data Gathering，AT-DG)。該算法以分簇型網絡拓撲結構為基礎，首先，基于數據時間相關性和空間相關性區(qū)分數據異常與否，并統(tǒng)計異常數據占比。然后，根據異常數據占比的不同采取不同的數據采集策略。對于少數“數據異?！?，通過簇首節(jié)點信任評估機制判斷節(jié)點可信度，進而得出異常數據產生原因，并采取相應的采集策略；對于多數“數據異?！保瑔颖O(jiān)測事件發(fā)生時的數據采集機制，實現緊急數據包的采集和傳輸。AT-DG算法在保證一般數據可靠收集的同時，可實現監(jiān)測事件發(fā)生時的快速響應。

1 網絡模型

分層的WSN網絡拓撲結構因其簡單高效便于管理廣泛應用在各種監(jiān)測活動中。相鄰傳感器節(jié)點按照一定規(guī)則進行組合，形成一個“簇”，如圖1所示。每個簇都有一個簇首和若干成員節(jié)點組成，并且簇間成員節(jié)點感知覆蓋區(qū)域有一定重合。另外，同一簇內的成員節(jié)點在通信行為和空間特征上具有較高的相關性，這也使在簇頭建立信任模型成為可能。同時，事件的發(fā)生也表現為部分簇內數據變化差異較大，以簇為單位的異常檢測機制更容易實現。

圖1 分簇的網絡拓撲結構

本文依據HEED協(xié)議對網絡進行層次劃分，且網絡中傳感器節(jié)點滿足以下條件:①網絡中節(jié)點位置一旦確定就不在移動，且每個節(jié)點都有唯一的標識；②網絡中只有唯一的Sink節(jié)點，網絡中數據路由由簇首直接或間接地發(fā)送到Sink節(jié)點；③簇內各成員節(jié)點位置相鄰且只能和本簇簇首通信；④每個節(jié)點通信半徑、路由能耗相同且能源不可再生。

2 數據采集方案

2.1 數據異常判別和采集規(guī)則

通常情況下，如果簇內多數節(jié)點監(jiān)測數據發(fā)生突變，監(jiān)測事件應當是大概率發(fā)生，而少數節(jié)點監(jiān)測數據發(fā)生突變很大程度上是采集數據錯誤。因此，可以通過設定異常數據占比的閾值來區(qū)分異常數據是監(jiān)測事件發(fā)生還是錯誤數據。對于異常數據的判斷，統(tǒng)計學中采用基于距離的方法可對異常數據進行定義，即數據前后變化的差值[19]。為了突出異常數據的變化量和異常數據的占比，閾值的設定首先要針對數據變化量的定義，然后再判斷這些節(jié)點占的比重，進而判斷是事件發(fā)生還是數據錯誤。數據級異常檢測通常利用節(jié)點數據流的時間性和空間性等特點，通過比較當前異常數據與歷史數據、鄰節(jié)點數據差異，進而計算節(jié)點信任度。數據異常檢測方法中基于分類的方法由于其檢測精度受到數據集規(guī)模的影響，不適合在資源受限的無線傳感器網節(jié)點實現，而基于統(tǒng)計的異常檢測更符合無線傳感器網要求，其中四分位數展布法計算量小且收斂速度快，因此文中選用四分位展布法的箱型模型作為異常檢測的依據。

基于監(jiān)測數據的時間相關性設置大小為M的數據窗口，如圖2所示。對于節(jié)點i，當前時刻t采集的數據為a i(t)并記t＝n×Δt，Δt為采樣間隔，則上一時刻，即(n-1)×Δt時刻采集數據為a i(t-1)。簇首利用箱型模型，即式(1)對節(jié)點i前M-1個數據進行箱型計算并劃分可信區(qū)間[εa，εb]。如果a i(t)在[εa，εb]區(qū)間外即數據偏差過大判斷為異常數據。

圖2 基于箱型模型的數據異常判斷

式中:Q1和Q3分別為M-1個數據中下四分位和上四分位值，在計算分位時采用向下取整策略來確定Q1和Q3的值。其中IQR＝Q3-Q1。通過歷史數據對簇內各節(jié)點進行區(qū)間劃分，以該區(qū)間作為當前時刻數據異常的判斷依據。

監(jiān)測事件的發(fā)生主要表現為局部性數據變化，而事件規(guī)模大小與數據變化節(jié)點個數成正相關。因此，數據異常占比θ可定義為數據異常節(jié)點數與簇內總結點輸之比。

式中:N為當前時刻簇首基于式(1)統(tǒng)計出該簇內數據異常節(jié)點數，NCH為該簇內成員節(jié)點總數。由于算法基于網絡異常規(guī)模的大小為采集依據，并且監(jiān)測事件的發(fā)生具有小概率性和局域性，為了研究方便本文取ˉθ＝0.25為規(guī)模閾值。在實際應用中，可根據監(jiān)測系統(tǒng)的性能來調整ˉθ取值。依據θ值的不同，數據采集規(guī)則如下:①當0<θ<ˉθ，小部分異常值出現，可能由節(jié)點異常引起，采用基于信任模型的采集方式；②當θ≥ˉθ，多數節(jié)點出現數據異常，可能由事件發(fā)生引起，啟動緊急數據采集機制。

2.2 基于信任模型的節(jié)點篩選

對于少數節(jié)點出現數據異常有可能是節(jié)點故障導致的，但也不排除由事件發(fā)生引起的數據異常。為此，對于出現數據異常的節(jié)點要從節(jié)點和數據兩方面進行考慮，通過節(jié)點信任度[20]和數據偏移量的計算，為可靠性數據采集方案提供理論依據。

2.2.1 節(jié)點信任度計算

節(jié)點的通信質量是數據可靠性重要保障，節(jié)點級信任度可利用簇內節(jié)點通信行為和數據相關性進行計算?；谖墨I[10]和[13]所利用的Bayes信任管理框架同時對beta分布進行擬合，利用節(jié)點中歷史交互記錄計算節(jié)點可信度。通過已知條件概率密度參數表達式和先驗概率，結合貝葉斯公式可以為后驗事件提供決策。則節(jié)點i和節(jié)點j信譽分布reputationij可表示為:

式中:α和β分別表示節(jié)點i和節(jié)點j歷史交互成功和失敗次數。節(jié)點交互歷史及鄰節(jié)點的相似程度作為節(jié)點故障的主要依據，由貝葉斯評估方法可得節(jié)點i關于節(jié)點j概率密度分布函數為:

式中:φi j為交互成功的概率，且α>0，β>0，則對于簇首節(jié)點j和異常節(jié)點i，在成功交互a ij次 和失敗交互βi j次 時，簇首對異常節(jié)點i的可信度可表示為:

2.2.2 數據偏移度計算

在節(jié)點可信度計算的基礎上，引入數據偏移度來提高采集模型準確性。數據偏移度是指節(jié)點當前監(jiān)測的數據同歷史數據以及鄰節(jié)點數據的偏差程度，通過異常節(jié)點歷史數據和鄰節(jié)點數據進行計算。對于異常節(jié)點i的數據偏移度的計算過程是:選取同簇通信半徑內k個鄰居節(jié)點，設k個鄰節(jié)點當前采集數據為a i1，a i2，…，a i k，則鄰節(jié)點數據均值為:

同時對于異常節(jié)點i在窗口內取當前時刻前M-1個歷史數據，歷史均值為E i，則異常節(jié)點i的數據偏移度為:

式中:a i為異常節(jié)點i當前采集的數據，ω為平衡系數且ω∈[0，1]，ω的大小決定了歷史數據和鄰節(jié)點數據的權重。

2.2.3 異常數據節(jié)點綜合信任度計算

對于數據異常節(jié)點的判斷要綜合考慮節(jié)點本身的質量和數據偏移程度，式(5)和式(7)分別給出了節(jié)點質量和數據偏差的定義。節(jié)點信任度越高且與周圍節(jié)點數據偏差越小，該數據異常節(jié)點可靠性就越高。異常節(jié)點i的綜合信任度Trusti可表示為:

式中:φ為平衡系數且φ∈[0，1]，而節(jié)點信任度是一個逐漸積累的過程，所以在更新當前時刻信任度時需要考慮前一時刻節(jié)點信任度值，即當前信任值，其中κ為平衡系數，為前一時刻節(jié)點信任度。當異常節(jié)點i的綜合信任度大于閾值λ時，采信該節(jié)點數據，啟動緊急數據傳輸機制；當小于閾值λ時，數據可信度較低，過濾該節(jié)點數據。

2.3 緊急數據可靠傳輸機制

目前，對于數據可靠傳輸機制的研究主要從擁塞控制和可靠性保障兩方面入手。突發(fā)事件會引起數據激增，而簇首緩存空間有限，大量數據的涌入會造成隊列溢出，導致數據包傳輸時延和丟包率急劇增加。因此，針對緊急情況下突增數據流，需要充分利用整個網絡資源來確保緊急數據的可靠性傳輸。另外，分簇結構下各簇首在數據傳輸過程中存在著的鏈路競爭和數據沖突也關系著緊急數據可靠性傳輸問題。

基于以上突發(fā)事件數據流特點，提出一種冗余協(xié)助傳輸機制(Redundant Assistance Mechanism，RAM)。RAM充分利用處于正常狀態(tài)下的簇首資源，基于緊急數據優(yōu)先的路由思想，該方式保證了緊急事件的準確感知和及時預警。具體RAM工作流程如下:

Step 1 簇首檢測到異常節(jié)點信任度高或異常節(jié)點超過規(guī)模閾值時，立即啟動緊急數據傳輸機制；

Step 2 簇首節(jié)點采用多鏈路傳輸策略，向其下游發(fā)送緊急請求，請求信息包含該簇位置信息；

Step 3 下游簇首節(jié)點接到請求消息后，降低自身簇內數據采集頻率和減少其他簇首數據轉發(fā)，并提高請求簇首數據轉發(fā)優(yōu)先級來確保緊急簇首數據傳輸；

Step 4 異常數據采集完畢，各簇首恢復正常采集機制。

RAM通過提高緊急簇首優(yōu)先級并降低下游簇首采集頻率來滿足緊急數據傳輸需要，如圖3所示。RAM機制雖然犧牲了部分層次的數據采集，但可以最大程度地保障網絡對突發(fā)事件的及時上報和處理。實際上突發(fā)事件的頻率較低，該機制的設置對網絡整體性能的影響并不大。

圖3 緊急數據傳輸機制

2.4 數據采集方法

無線傳感器網絡最為重要的是當監(jiān)測事件發(fā)生，如森林火災、瓦斯泄漏等而引起的數據流異常時，傳感器節(jié)點要能夠準確感知、快速傳達到匯聚節(jié)點。因此，為了保證監(jiān)測事件發(fā)生時，監(jiān)測數據能夠及時可靠傳輸和收集，可采用差異化的數據收集策略。

無線傳感監(jiān)測網絡中“異常數據”的出現可能是由節(jié)點故障產生的錯誤數據，也可能是事件發(fā)生引起數據突變。由于傳感網的監(jiān)測數據大部分都是重要程度較低的冗余數據，這些數據之間的差異較小，“異常數據”主要表現為少數節(jié)點出現數據異常，而事件發(fā)生引起的極富價值的“異常數據”表現為多數節(jié)點的數據異常。通過異常數據占比閾值的劃分來判斷“異常數據”類型，對前一種數據異常采用基于信任模型的采集方式，對后一種數據異常啟動緊急數據采集方案。

因此，對于正常的普通數據采用常規(guī)的數據傳輸方式，對于異常數據，根據異常數據占比情況，采用過濾方式或緊急傳輸策略。異常數據占比低于設定的閾值，采用基于信任度模型的過濾機制，異常數據占比超過設定的閾值的異常數據，采用緊急數據傳輸策略，數據采集方案如圖4所示。

圖4 數據采集方案

3 仿真與性能分析

為了驗證AT-DG算法數據采集的準確性和及時性，本文使用MATLAB作為仿真工具驗證算法相關性能。在100×100矩形區(qū)域隨機分布傳感器節(jié)點，基于HEED協(xié)議對網絡進行層次劃分。相關仿真實驗參數配置如表1所示。

表1 仿真實驗參數

3.1 信任模型性能分析

基于信任度的數據異常類型的判斷是AT-DG算法的基礎，本文的信任度模型基于節(jié)點交互和數據偏移兩個維度進行建模，利用信任度區(qū)分數據異常節(jié)點正常與否。因此，是否能夠有效檢測出非正常節(jié)點是衡量該模型的重要指標。結合本文以數據異常為導向的信任評估，算法的檢測率定義為檢測出的異常節(jié)點占總異常節(jié)點的比例。為了驗證信任模型的有效性，實驗中設置150個傳感器節(jié)點，依據HEED協(xié)議對網絡進行層次劃分，在不同的異常節(jié)點占比下對本文算法和經典信任模型RFSN[21](Reputation based framework for sensor networks)的檢測率進行對比，結果如圖5所示。隨著網絡中異常節(jié)點比例增加，AT-DG和RFSN檢測率均呈現下降趨勢，但AT-DG算法以數據和節(jié)點質量為依據，平均檢測率比RFSN算法高出9.14左右%。

圖5 檢測率對比

此外，選取在異常節(jié)點占比15%時隨機選取一個簇，檢測該簇內正常節(jié)點和異常節(jié)點信任度均值變化趨勢。實驗過程中異常節(jié)點隨機分布在網絡中，正常節(jié)點可準確上報環(huán)境中的數據，簇內所有節(jié)點屬性相同并設初始信任度為0.5。實驗選取前50個采樣周期該簇內節(jié)點信任度均值變化，如圖6所示。其中，前15次采樣中，由于正常節(jié)點和異常節(jié)點報告數據差值較大，信任度區(qū)分效果不明顯；隨著采樣次數的增加，異常節(jié)點不良行為造成可信度降低，進而導致異常節(jié)點信任度均值逐漸下降，而正常節(jié)點始終表現良好。由此說明，基于信任模型可以較好的區(qū)分異常數據節(jié)點的類型，為數據可靠性采集提供決策支撐。

圖6 節(jié)點信任度對比

3.2 網絡性能分析

為了驗證AT-DG算法數據采集性能，在數據采集準確率和網絡能耗與原生HEED算法進行試驗對比。圖7是數據采集準確率對比，試驗時隨機選取一個簇模擬事件發(fā)生，對正常節(jié)點和異常節(jié)點數據包進行標記，統(tǒng)計Sink節(jié)點接收到正常節(jié)點數據量占總數據量的百分比作為試驗結果。試驗對比前20次采用結果進行對比，HEED協(xié)議數據包準確率受異常節(jié)點影響平均準確率為71.75%左右。而AT-DG算法加入異常數據檢測機制，對異常節(jié)點數據包進行過濾，隨著仿真輪次的增加，平均準確率維持在91.73%左右，較原生HEED協(xié)議平均數據采集準確率高20%左右。

圖7 數據包接收準確率對比

圖8是AT-DG算法節(jié)點總能耗變化曲線。從圖8可以看出在相同的輪轉周期內，AT-DG總能耗小于原生HEED算法。其中，HEED協(xié)議在2 200輪次時網絡總能耗已經達到最值(節(jié)點全部死亡)，而AT-DG算法下網絡生命持續(xù)到3 200輪次。此外，AT-DG引入緊急數據傳輸機制，避免了因突發(fā)事件引起大規(guī)模數據傳輸，均衡網絡負載，節(jié)點出現死亡現象較HEED協(xié)議遲200輪次左右。以上表明AT-DG能量利用率更高，網絡壽命更長。

圖8 網絡總能耗對比

4 結束語

為了解決因數據異常造成的決策誤判問題，本文基于分簇的無線傳感器網絡拓撲結構，結合事件監(jiān)測特點，以異常數據為出發(fā)點設計了AT-DG數據可靠性收集算法。通過建立異常數據節(jié)點的信任度模型，計算異常數據節(jié)點的信任度，對節(jié)點異常類型進行判斷，進而采取相應的數據采集機制。仿真結果表明AT-DG算法在事件監(jiān)測中能夠精準、及時對數據進行處理，該算法可廣泛用于層次型無線傳感器網絡數據的采集當中以提高監(jiān)測數據采集的可靠性。