基于节点相似性的WSNs故障检测方法研究*

陈欢欢, 黄 剑, 王 楷, 李洪兵

(重庆大学 自动化学院,重庆400030)

研究与探讨

基于节点相似性的WSNs故障检测方法研究*

陈欢欢, 黄 剑, 王 楷, 李洪兵

(重庆大学 自动化学院,重庆400030)

针对目前多数无线传感器网络分布式故障检测的算法都以假设故障节点数据为离群值为基础，存在局限性的问题。提出一种基于节点相似度比较的无线传感器网络故障检测方法，簇头节点根据簇内节点数据的时空相关性，进行节点相似性度量，实时调整节点可信水平，并采用最优函数计算出当前实验的最优阈值(0.8)进行故障节点的判断。通过仿真实验证明:针对不同的故障模型，算法保持了良好的故障检测能力，一定程度上解决通用性问题。

相似性度量； 时空相关性； 可信水平； 无线传感器网络； 故障检测

0 引 言

无线传感器网络(WSNs) 在环境监测与保护、目标跟踪及军事侦测等领域有着广泛的应用[1]。由于WSNs节点自身资源受限和常在恶劣环境下工作导致了节点发生故障的可能性增高。故障导致WSNs对监测信息的错误分析和判断，所以,对WSNs的故障检测是必不可少的。

目前被广泛应用于该领域的方法主要有基于统计模型的技术、基于聚类的技术、基于分类的技术、基于邻近度的技术等几大类[2]。基于统计的文献[3,4]利用直方图技术提取数据分布特征，提取异常数据，主要适用于高斯分布的数据。基于聚类的方法较依赖于的簇内数据量，文献[5]采用基于K均值的聚类方法对簇内数据不断地进行3个子簇的分类以找出故障节点。基于分类的需事先定义类别，文献[6]采取支持向量机的方法对数据进行分类。

基于邻近度的方法无需对数据分布做假设，代表有容错的贝叶斯故障检测算法[7]，但该算法在故障节点数量大于非故障节点数量时受限。文献[8]通过比较测量值的差值和历史数据变动量来判断节点故障。文献[9]利用时间冗余来排除瞬时的测量值错误对故障节点判定的影响。文献[10]为每个传感器节点建立基于Dirichlet分布的信誉函数以此判断故障节点。

以上方法没有对算法适用的故障类型进行讨论，仅对故障的特征和仿真方式进行了简单假设，因此，不能确定这些算法在不同故障类型情况下的性能表现。本文针对不同的故障模型提出一种基于节点相似性的故障检测方法，引入可信度实时调整节点可信水平，降低节点的误判，具有一定的通用性。

1 故障检测算法

1.1 故障分类

WSNs是以数据为中心的，以此进行的故障分类主要包括4种类型[11]。大部分对WSNs进行故障诊断的文献主要是以Spike故障为主，存在一定局限，或者针对某一类故障具有良好的效果，缺乏通用性。

1)Outlier故障

Outlier是指偏离感测数据的时间或空间模型的孤立测量数据,一般由短时间的环境干扰或各种未知原因引起的,通过建立相关的时域或空间域模型能发现测量数据集中的Outlier。例如:由测量数据构成的时间序列中，零星的明显偏离数据的时域模型的数据就被认为是Outlier。

2)Spike故障

Spike是指连续的多个变化率偏离正常范围的测量数据，但仍随环境变化。与Outlier相比，Spike故障由多个测量数据实例构成。

3)Stuck-at故障

如果节点采集到的数据为不受环境影响的常数，即一段时间内几乎没有波动，则可能发生Stuck-at故障。该故障主要特征是方差值较小。

4)高噪声故障

高噪声故障是测量数据的方差明显大于历史数据的方差或其他邻居节点测量数据的方差。硬件失效、电池电量不足等原因都可能会引起高噪声故障。

1.2 节点相似性度量

利用相邻节点之间测量序列的相似程度作为故障节点判定的基础。

定义1 节点感测向量:传感节点的感测向量是由一个滑动时间窗口Δt内的一系列感测数据实例组成的，即

Di(t)={di(t-Δt+1),di(t-Δt+2),…,di(t)}.

(1)

其中，di(t)表示第i个节点在t时刻的采样值。

(2)

如果节点数据向量越小，则表示节点数据越相似。

定义3 节点相似度：同一时刻簇内感知数据的相似程度，节点Ni与节点Nj的相似程度为

(3)

相似度取值范围(0,1]，相对距离越小，则节点相似度值越高;相反，相对距离越大，则节点相似度值越低。

1.3 可信度

随着环境的变化，确定的阈值可能引起误判，同时，为减小瞬时值故障造成的影响，通过动态调整节点可信度可提高故障检测的准确率。

定义4 节点可信度：设定节点初始水平的可信度值为1，对于任意节点Ni，不存在任意节点Nj使得S(i,j)>w，则调整该节点可信水平θi=θi-Δ，其中，Δ为可信水平θi的调整幅度。

定义5 故障检测：对任意节点Ni，若其可信水平θi<θ′，则判断该节点出现故障。其中,θ′为节点可信临界水平。

1.4 故障检测算法

故障检测的算法的主要步骤如下：

1)簇头节点接收到簇内N个测量数据样本Di={D1,D2,D3,…,Dn}；

2)给定一个节点相似性尺度阈值w，任取一个样本Di，依次计算与Dj的相似度S(i,j)；

3)得出节点Ni与簇内其他节点的相似度集合S={S(i,1),S(i,2),…，S(i,j),…,S(i,n)}；

4)根据定义4调整节点Ni可信度θ；

5)反复进行上述步骤(3),(4)，直到全体样本处理完毕；

6)对于节点Ni，判断是否满足θi<θ′，若满足，则节点Ni可能已经发生故障。

2 仿真分析

本文采用Matlab软件进行仿真，所模拟的传感器网络监测区域为32 m×32 m单元的方形区域内，随机部署了N=1 024个传感器节点，这些节点具有相同的通信半径R，m=5[12]，所有实验重复100次，取数据平均值进行分析，以保证统计意义上的有效性。

针对不同故障的模拟方式，假设非故障节点的数据分布服从正态分布N(μ,σ)，σ为无故障节点测量值的标准差：Outlier故障为在一定概率下叠加4σ的随机数； Spike故障为区间内的均匀分布；Stuck-at故障采用固定值加一个随机误差的方式模拟；高噪声则增大标准差到无故障节点的3～5倍。

2.1 实验参数设置

θ′是衡量节点可信的重要参数，其值依赖于监测环境的特征和传感器节点的物理误差。引入回报函数[13]

(4)

d(Srel(k),Sirrel(k))用来评价阈值的合适程度，计算公式为

d(Srel(k),Sirrel(k))=Rrel(k)+Rirrel(k).

(5)

其中

(6)

f(n,t)取最大值时对应的阈值t为最优阈值(表1)。

表1 最优阈值测试相关的标识符定义Tab 1 Related identifier definition of optimal threshold test

在保证没有故障节点的实验环境下重复测试，通过分析仿真数据，计算各次仿真实验的最优阈值，本仿真实验的最优阈值在[0.78,0.83]之间，取其中间值，则令θ′=0.8。

为保证算法的故障容忍能力和故障检出率，在w和Δ取不同值进行仿真，w=0.8,Δ=0.1时，算法取得最好效果。

2.2 仿真结果分析

图1为不同算法的Outlier故障检测性能，由图可以看出:算法都具有良好的故障检出率(CDR)。但随着故障节点的增多，节点信誉算法与贝叶斯算法的错误告警率(FAR)明显增大，而本算法相对较小，这是由于Outlier故障在时间上具有暂时性的特点，即某一时刻数据是错误的，但其他时刻数据为正确，则不能判断该节点为故障，本文算法通过实时调整可信度并以此判断故障节点，因此,具有良好的容错性。

图1 不同算法对Outlier故障检测Fig 1 Detection of different algorithms on Outlier fault

图2表示仅有Spike故障发生不同算法的故障检测。由图得知，节点信誉算法具有较高的检测精度，与此同时，在故障节点小于30 %的情况下，有良好的错误告警率;当故障节点大于30 %时，错误告警率增长较快。综合考虑，在本文提出的基于节点相似性故障检测算法在节点信誉算法与贝叶斯算法之间。

图2 不同算法对Spike故障检测Fig 2 Detection of different algorithms on Spike fault

图3表示仅有Stuck-at故障发生不同算法的故障检测。在故障检出率方面，节点信誉算法具有最高的精度，当节点故障率小于35 %时，本文算法优于贝叶斯算法;当节点故障率大于35 %时，本文算法下降较快，这是由于可信度水平之内也可能存在故障节点。与此同时，在错误告警率方面本文算法与节点信誉算法保持在相对稳定的状态。

图3 不同算法对Stuck-at故障检测Fig 3 Detection of different algorithms on Stuck-at fault

图4表示仅有高噪声故障发生时各算法性能。在故障率较高的情况下，节点信誉算法与本文算法都能够取得较高的检测准确度，贝叶斯算法随着节点故障率达到30 %后下降较快。在错误告警率方面，贝叶斯算法增长较快，节点信誉算法在低故障率时性能很好，但随之明显增长，本文算法引入可信度水平使得节点误判率较低。

图4 不同算法对高噪声故障检测Fig 4 Detection of different algorithms on excessive noise fault

3 结 论

本文利用WSNs数据的时空相关性，提出一种基于节点相似性的故障检测算法，簇头对采集的簇内节点数据进行相似性度量，并引入实时调整的可信度提高算法容错性。对关键参数通过回报函数设定最优阈值(0.8)，并在本实验环境中进行重复实验取得相关参数于w=0.8,Δ=0.1时，具有较好的检测精确度与低误判率。仿真结果表明:算法针对WSNs不同故障类型取得了良好的故障检测效果，提高了通用性。

[1] Vijay G,Ben Ali Bdira E,Ibnkahla M.Cognition in wireless sensor networks: A perspective[J].IEEE Sensors Journal,2011,11(3):582-592.

[2] Zhang Y,Meratnia N,Havinga P.Outlier detection techniques for wireless sensor networks:A survey[J].Communications Surveys & Tutorials,IEEE,2010,12(2):159-170.

[3] Xie M,Hu J,Tian B.Histogram-based online anomaly detection in hierarchical wireless sensor networks[C]∥2012 IEEE 11th International Conference on Trust,Security and Privacy in Computing and Communications,2012:751-759.

[4] Farruggia A,Lo Re G,Ortolani M. Detecting faulty wireless sensor nodes through stochastic classification[C]∥2011 IEEE International Conference on Pervasive Computing and Communications Workshops(PERCOM Workshops),IEEE,2011:148-153.

[5] Zhao X,Gao Z,Huang R,et al.A fault detection algorithm based on cluster analysis in wireless sensor networks[C]∥2011 IEEE Seventh International Conference on Mobile Ad-Hoc and Sensor Networks(MSN),2011:354-355.

[6] Zhang Y,Meratnia N,Havinga P J M.Distributed online outlier detection in wireless sensor networks using ellipsoidal support vector machine[J].Ad Hoc Networks,2013,11(3):1062-1074.

[7] Krishnamachari B,Iyengar S.Distributed Bayesian algorithms for fault-tolerant event region detection in wireless sensor network-s[J].IEEE Transactions on Computers,2004,53(3):241-250.

[8] Chen J,Kher S,Somani A.Distributed fault detection of wireless sensor networks[C]∥Proceedings of the 2006 Workshop on Dependability Issues in Wireless Ad Hoc Networks and Sensor Networks,ACM,2006:65-72.

[9] Lee M H,Choi Y H.Fault detection of wireless sensor network-s[J].Computer Communications,2008,31(14):3469-3475.

[10] 熊 翱,赵晓东,高志鹏,等.节点信誉相关的无线传感器网络故障检测[J].北京邮电大学学报,2012,35(1):41-45.

[11] Ni K,Ramanathan N,Chehade M N H,et al.Sensor network data fault types[J].ACM Transactions on Sensor Networks(TOSN),2009,5(3):25.

[12] 黄日茂,邱雪松,高志鹏,等.无线传感器网络中邻居数据分析的故障检测方法[J].北京邮电大学学报,2011,34(3):31-34.

[13] Da Silva R,Stasiu R,Orengo V M,et al.Measuring quality of si-milarity functions in approximate data matching[J].Journal of Informetrics,2007,1(1):35-46.

Research on WSNs fault detection method based on node similarity*

CHEN Huan-huan, HUANG Jian, WANG Kai, LI Hong-bing

(College of Automation, Chongqing University,Chongqing 400030,China)

Aiming at present distributed fault detection algorithms for wireless sensor networks(WSNs)have assume that the fault node are based on outliers data,it have limitations.Present a method based on similarity comparison of nodes of WSNs fault detection,according to correlation of time and space of node data within the cluster,the cluster head nodes measure the similarity among cluster nodes,and adjust node confidence level real-time,calculate the optimal threshold value which is 0.8 by using optimal function in current experiments to judge fault node.Through simulation experiments show that aiming at different fault model,the algorithm keep in good ability of fault detection,and solve the problem of generality in a certain extent.

similarity measurement； time and space relativity； confidence level； WSNs； fault detection

2013—09—15

国家科技支撑计划资助项目(2011BAJ03B13);重庆市科技攻关项目(CSTC2012GG-YYJS40008)

TP 393

A

1000—9787(2014)04—0010—04

陈欢欢(1989-)，女，四川攀枝花人，硕士研究生，主要研究方向为智能感知与监测、无线传感器网络故障诊断研究。