考虑节点信誉度的传感器网络数据并行聚集*

周海飞芦 翔胡春芬*

(1.常州信息职业技术学院网络空间安全学院，江苏 常州 213164；2.中国科学院信息工程研究所，北京 100049)

无线传感器网络是由一系列能够对环境做出感知和观测的小型装置通过无线通信组成的自组织网络[1]。 在大型传感器网络中，含有许多微型传感器节点，各传感器节点在监测区域内随机分布，采集使用者感兴趣的信息。 使得网络中自发形成了内部连接紧密、外部连接稀疏的社团结构[2]，导致传感器数据传输过程中存在部分错误数据或冗余数据，也导致数据传输过程将大量消耗传感器网络能量。 考虑到网络稳定性的要求，频繁地改变簇间传输数来满足负载均衡是不可取的[3]，为了在数据传输过程中清除错误或冗余数据、减少数据传输能耗、提高传感器网络的有效生命周期，对传感器网络数据的并行聚集方法进行了研究。

目前国内很多学者都致力于目标跟踪的节点调度算法。 已有研究把这一问题建模为最小化瞬时估计误差或瞬时信息增益最大化的优化问题。 国外研究现状:研究了密码学、安全多方计算、分布式数据管理等相关技术，研究了静态网络环境下安全数据的有效聚集、动态网络环境下与网络拓扑结构无关的安全数据聚集、连续安全数据聚集、两层传感器网络中的范围查询等典型安全数据聚集算法，并对其安全性和网络性能进行了探讨，旨在进一步丰富该领域的研究成果。 提出了一种安全高效的连续的数据聚集算法PECDA，该算法利用感知数据的时间相关性，通过设置阈值来确定节点是否传输当前感知数据，算法能够有效地减少数据通信量，但该方法数据聚集精度较差；所提出的DADPP 方案采用与CPDA 方案类似的处理方法，能够提供不同的隐私保护等级，每个组对原始数据进行预处理，但该方法在数据聚集过程中未考虑传感器节点开放性导致的传感器节点错误所产生的错误数据，传感器网络能量被大量消耗。

针对上述问题，本研究在考虑节点信誉度的基础上设计了一种新的传感器网络数据并行聚集方法，分析传感器节点信誉度，排除低信誉度节点，进行数据并行聚集，从而提升数据聚集精度。

1 数据并行聚集方法设计

1.1 减法聚类分簇

考虑节点信誉度的传感器网络数据并行聚集方法以分簇路由机制为基础，将数据并行聚集过程划分为两个主要过程，分别为节点分簇与数据传输。

利用定位算法获取无线传感器网络节点的位置信息，将这些信息发送至基站。 以n1，n2，L，nm和ei(x，y)分别表示传感器节点和节点ni的二维坐标值，以m个数据样本为候选聚类中心[4]，选择减法聚类方法，获取聚类中心对应的传感器节点，该节点为簇头节点。

节点分簇的详细步骤如下:

步骤1 fori＝1 ∶1 ∶m

通过式(1)将ei映射至一个超空间单位体内实施归一化处理:

步骤2 fori＝1 ∶1 ∶m

利用式(2)确定样本ei处的密度指标值Den(i):

式中:Ra>0 表示对该样本的密度指标贡献最大的领域范围。

步骤3 设定如下标准:max{Den(i)｜i＝1，2，L，m}，确定符合标准的样本ek，将其作为第一个聚类中心，定义其对应的节点为第一个簇头节点。

步骤4 fori＝1 ∶1 ∶m－1

利用式(3)优化剩余样本的密度指标值:

式中:Rb表示密度参数。

将样本密度指标值最大者el为第二个聚类中心，其对应的节点为第二个簇头节点。

上述过程中，可依照已知样本集合的分布特性确定Ra和Rb，通常情况下，Rb＝δRa(δ为大于1 的常数)可防止聚类中心距离过近。 最终获取的初始化聚类中心数量受参数f的直接影响，两者之间呈反比例相关。 通常情况下在f值不小于0.5 的条件下可获取合适的聚类中心数量。 在能够恢复原始信息的基础上，显著地减少数据传输量并延长网络生命周期[6]

1.2 节点信誉度计算

在无线传感器网络中，节点信誉所描述的是同其存在直接交互关系的节点所提交的对该节点满意度评价集合。 节点信誉度定义如下:以N＝{n1，n2，L，nG}表示开放无线传感器网络内的节点，∀nj∈N，以Ωj∈N表示同N存在直接交易的节点集合。在窗口H(交易次数)内，以TH＝{Ti｜Ti∈[0，1]，i＝1，2，L，H}表示Ωj内节点对nj的满意度时序，由此得到节点nj的信誉度R:

式中:wi表示Ti的权重。

上述信誉度计算模型应用过程中需关注满意度评价的衰减性，每个传感器记录的数据包含相同的正常数据分量和相异的异常数据分量[7]。 基于此，本研究引入云理论分析节点信誉云的数字特征，以此来确定无线传感器网络的Ωj内节点对节点nj信誉判断的模糊性与随机性，同时对云滴反应定性概念可信度进行了分析。 根据确定度与衰减系数确定权值wi，完成对传感器节点信誉的量化分析。

针对可信无线传感器网络，∀nj∈N，以X＝{xi｜xi∈[0，1]，i＝1，2，L，G}表示nj当前的所有满意度评价，也就是云滴，0 和1 分别表示对无线传感器节点服务结果极度不满意和极度满意。X符合TH⊂X，H

由此得到Nx、Nn和Hn的估算值分别为M1和在此基础上通过确定云的数字特征，括号内的三项分别表示论域内节点nj生命周期内代表性最高的点、不同节点对节点nj提供服务满意度评价的离散程度和论域内固定条件下云滴的离散度。

以云理论为基础的节点信誉度度量模型依照节点nj生命周期内所有满意度评价集合X，确定节点nj信誉云的数字特征值基于此，选取时序分析法，对两条时间序列匹配分析[9]，在信誉度计算窗口H内，通过正向云生产算法确定不同满意度评价的确定度，结合衰减系数，计算满意度评价权值wi，获取节点nj信誉度∀Ti∈TH，式(8)描述其确定度:

式中:N′n可通过获取。

以式(9)表示Ti的衰减系数:

式(9)中，a同时符合∀ri>0 要求，且a∈[0，1]，由此得到的Ti权值为:

将式(10)带入式(4)内，即可确定无线传感器网络内节点nj的信誉度。

1.3 数据并行聚集

近年来，复杂网络中基于网络位置的节点重要度度量方法由于计算复杂度小，因此使用较为广泛[10]。无线传感器网络内簇的路由由簇结构决定，不同簇结构可影响簇数据的传输方式。 在划分无线传感器网络内节点簇后，通过簇间路由连接不同群集，可以实现与Sink 节点之间的数据通讯。 在传感器网络内部，考虑到数据聚集的安全性，将信任度分析结果引入到传感器节点数据的采集和传输过程中。

在无线传感器网络数据采集过程中，依照实际应用需求提前设定节点信誉度阈值，对比无线传感器网络节点信誉度与设定的信誉度阈值，假设某节点信誉度低于设定阈值，即可定义此节点存在错误，从此节点处获取的数据也被定义为错误数据。 针对传输数据的簇头使用了一个二级层次结构[11]，若某节点信誉度高于设定阈值，即可依照无线传感器网络内节点信誉度的排序设定此节点对应数据的可信权重。

相对于建簇过程，稳定过程的时间相对较长[12]，无线传感器网络内，簇头节点并行聚集簇内节点采集的数据后，可利用经由节点信誉度评估转发簇头节点信息，使用循环错误检测码的动态生成器多项式大小[13]，然后利用簇头节点转发数据的多属性决策过程描述聚集数据向Sink 节点传输的过程。 在配备传感器的物联网网络中，以解决最大值和不同集查询的问题[14]。

根据结点信誉评价的多属性决策过程，可以归纳为以下环节:簇头节点属性构建与筛选环节、属性的预处理环节、属性权重确定环节、评估信息统计环节等。 以消除从传感器设备接收到的冗余数据集，并减少发送到基站的数据集[15]。 在无线传感器网络节点数据传输过程中，通过标准的决策矩阵与属性权重向量确定某数据传输方案的整体评估结果，对比全部方案的评估结果，确定评估结果最佳的簇头节点为数据传输的下一跳节点。 将速率控制问题归结为凸优化问题，并利用其分布式解决方案作为设计带宽分配协议的理论基础[16]。 在基于节点信誉度评估的多属性决策过程中，无线传感器网络节点数据权重向量的确定较为重要。

2 仿真分析

为验证本文设计的考虑节点信誉度的传感器网络数据并行聚集方法在实际应用中的效果，本文利用文献[4]中的TelosB 参数，即传感器节点在1 bit传输和接收时所消耗的能量，并通过RC4 算法对感知数据进行加解密，通过virtualbox 虚拟机软件＋Ubuntu10.04 操作系统，构建一个无线传感器网络作为仿真对象，其中共包含1 036个传感器节点，传感器节点均随机分布在120 m×110 m 范围内，在此基础上，确定了传感器节点的通讯半径，每个节点的通讯半径与初始能量分别为1.5 m 和1.8 J，以节点故障和恶意伪装攻击引起的错误消息为低可信度行为，表示这部分传感器节点身份认证是正确的，而对应的传输数据是错误的。 传感器网络内的安全概率表示簇头节点确定路由过程中至少包含一条安全路径的概率。

表1 实验参数默认值

2.1 节点信誉云生成与性能分析

仿真对象中被评价节点的服务满意度评价数据生成过程如下:以0.2～0.8 为基数，基于x－N(0，0.022)叠加分布的高斯噪声序列，得到1 000个数据。 将所获取的数据定义为当前传感器节点生命周期内获取的所有满意度评价，构成样本集X。 表2所示为不同基数下的数据分布情况。

表2 不同基数下的数据分布情况

利用本文方法中的式(5)、式(6)和式(7)计算节点信誉云的数值特征，得到Nx、Nn和Hn的值分别为0.681、0.042 和0.042。 然后利用式(8)确定不同样本的确定度。 论域U＝[0，1]内，图1 中显示了示例集X所描述的节点反向信誉云的实现。

分析图1 可知，针对所选节点，大部分近似期望值的云滴确定度值均较高，但依旧存在少量云滴的确定度值较低(接近于0)。 距离期望值较远的云滴确定度普遍偏低，但在一定条件下可提升确定度。作为一种描述稳定性的随机特征。

图1 节点逆向信誉云确定度

基于所得到的信誉云数值特征值生成正向信誉云，不同云滴数下的正向信誉云如图2 所示。

图2 节点正向信誉云

分析图2 得到，两个正向信誉云同样本集的信誉云整体分布特征一致度较高，当云滴数量由300提升至600 时，节点信誉云的整体特征显著性更高。这也是本文方法中利用节点正向信誉云评估节点信誉度的主要依据。

2.2 数据并行聚集精度分析

为验证本文方法的数据并行聚集精度，以文献[4]方法和文献[5]方法作为对比方法，对比本文方法与这两种传统方法在不同低信誉行为概率条件下数据聚集的精度，结果如图3 所示。

分析图3 得知，基于Dubins 曲线的数据聚集方法的精度最高在78%，基于可靠信标和节点度估计距离的数据聚集方法精度最高在68%，本文方法的精度最高可达到98.1%。 上述仿真结果充分说明本文方法能够获取高精度的数据聚集结果。

图3 不同信任行为概率条件下的数据聚集精度对比结果

3 结束语

在传感器网络中，节点信誉度是影响网络方位控制与交易决策等信息的重要指标。 本文设计了一种考虑节点信誉度的传感器网络数据并行聚集方法，并通过仿真结果证明了该方法能够有效评价传感器节点信誉度，并实现高精度的数据并行聚集。