一种分布式节点漂移检测方法及装置与流程

本发明涉及一种分布式节点漂移检测方法及装置，属于无线传感器网络技术领域。

背景技术：

无线传感器网络是部署在监测区域内大量的静止或移动的传感器节点以自组织和多跳的方式构成的网络系统，传感器节点间相互协作地感知、采集和处理网络覆盖区域中监测对象的信息，并发送给观察者。无线传感器网络不需要任何固定网络支持，具有快速展开、抗毁性强、工作生命周期长等特点，在复杂的大范围监测和追踪任务领域具有广泛的应用前景。

在实际应用中，由于无线传感器网络的节点数目通常十分庞大，且节点往往随机部署，难以在部署时逐一测量每个节点的位置。而节点的位置对于监测信息的获取至关重要，主要原因在于以下两点：节点位置信息准确与否直接关系到所采集数据的有效性；基于地理位置路由协议实现路由的发现、维护和数据转发的前提是获取节点位置信息。获得节点位置的直接方法是使用全球定位系统(Global positioning system，GPS)，但是受到成本、体积、功耗、布置环境等诸多因素制约，实际应用每个节点均配置GPS接收器并不现实，因此对无线传感器网络节点定位技术的研究成为了必要。

根据定位机制，无线传感器网络定位算法通常可以分为基于非测距技术的定位算法和基于测距的定位算法。其中基于非测距技术的定位算法仅根据网络连通关系实现估算式的模糊定位，受环境因素影响小，但定位精度较低，且对锚节点的密度要求较高。而基于测距的定位算法需要测量相邻节点间的实际距离或方位计算未知节点位置，定位精度较高。因此，在对节点位置精确度要求较高的应用场合通常使用基于测距的定位算法，而其定位精度在很大程度上取决于信标节点和未知节点之间的距离估计。

在传统的静态无线传感器网络中，信标节点作为定位的基础，一般假设所有信标节点都是静止不动且定位性能保持稳定，然而由于存在各种不确定的自然、人为因素或恶意的定位攻击，在实际应用中信标节点有可能发生意外的移动或定位性能剧烈波动，称之为“漂移”。对于此类情况，通过周期方式对信标节点重新定位就能够修正漂移引起的定位偏差。实际监测区域内的信标节点通常采用预先设置方法，当部署完成后信标节点向汇聚节点上传包含自身节点ID、位置的数据包，并与未知节点通信。这种情况下一旦信标节点发生漂移，重定位过程将会使位置偏差进一步扩散，影响整个网络的服务质量。因此，研究信标节点漂移检测问题，具有很高地理论价值和应用价值。

针对节点漂移问题检测问题，Kuo等提出信标移动检测算法(Beacon Movement Detection,BMD)用于识别网络中的位置发生被动改变的信标节点，其基本思想为，在网络中设置一个BMD引擎来收集全网络的RSSI(received signal strength indication)信息并进行处理。该方法在一定容错范围内能够判断出信标节点的移动。BMD模型本质上是一个集中式的求解NP完全问题的算法，而求解NP完全问题的启发式算法存在运算速度和运算结果精确度之间的矛盾。Ravi Garg等采用排除在节点位置计算过程中提供了较大的下降梯度的信标节点，来提高定位可信性，但没有考虑普通节点的位置参考作用，不适用于信标稀疏的网络，且存在计算量较大的问题。

技术实现要素：

本发明的目的是提供一种分布式节点漂移检测方法，以解决目前节点漂移检测过程运算量大的问题。同时本发明还提供了一种分布式节点漂移检测装置。

本发明为解决上述技术问题而提供一种分布式节点漂移检测方法，该检测方法包括以下步骤：

1)按照设定的时间间隔采集各信标节点与其余信标节点通信RSSI数据(S_k,t_i)，(S_k,t_i)表示在t_i(i＝1,2,…,m)时刻信标节点k与其余信标节点通信RSSI数据的集合为S_k，k＝1,2,…,n，n为信标节点的总数，m为采样点数；

2)计算相邻采样时刻各信标节点RSSI变化度，以得到各信标节点的RSSI变化度时间序列G；

3)将各信标节点的RSSI变化度时间序列G进行线性拟合，得到各信标节点对应的RSSI变化度时间序列拟合回归线；

4)判断各信标节点RSSI变化度时间序列拟合回归线上的拟合值和对应实际值之间的差值是否大于设定阈值，若大于设定阈值，则是说明其对应的信标节点发生漂移。

进一步地，所述步骤2)中相邻采样时刻各信标节点RSSI变化度为：

$G\[(S_k,t_i),(S_k,t_{i+1})\]=\underset{j=1}{\overset{n}{\Σ}}\left(1-\frac{|{(S_k,t_i)}_j-{(S_k,t_{i+1})}_j|}{|{(S_k,t_i)}_j-{(S_k,t_{i+1})}_j|+a_{kj}}\right)/n$

(S_k,t_i)_j为t_i时刻信标节点k与其余信标节点通信RSSI数据集合S_k的第j维，(S_k,t_i+1)_j为t_i+1时刻信标节点k与其余信标节点通信RSSI数据集合S_k的第j维；a_kj表示第j维上(S_k,t_i)和(S_k,t_i+1)平均值的绝对值；G∈[0，1]。

进一步地，所述步骤3)中得到拟合回归线方程为：

d′＝β₀+β₁t

${\mathrm{\β}}_1=\frac{\underset{i=1}{\overset{n}{\Σ}}(t_i-\stackrel{\‾}{t})(d_i-\stackrel{\‾}{d})}{\underset{i=1}{\overset{n}{\Σ}}{(t_i-\stackrel{\‾}{t})}^2}$

${\mathrm{\β}}_0=\stackrel{\‾}{d}-{\mathrm{\β}}_1\stackrel{\‾}{t}$

其中t表示采样时间点，β₀表示该直线的截距，β₁表示该直线的斜率，d′表示采样时间点t所对应的拟合值；表示时间段的平均值，表示时间段内信标节点的RSSI变化度平均值。

进一步地，所述步骤4)中的设定阈值为0.51。

进一步地，该方法还包括在每次节点判别之后对漂移信标节点进行位置更新，并直接视其为未知节点进行重新定位，并将估计位置作为其新的自身位置。

本发明还提供了一种分布式节点漂移检测装置，该装置包括采集模块、计算模块、拟合模块和判断模块，

所述的采集模块用于按照设定的时间间隔采集各信标节点与其余信标节点通信RSSI数据(S_k,t_i)，(S_k,t_i)表示在t_i(i＝1,2,…,m)时刻信标节点k与其余信标节点通信RSSI数据的集合为S_k，k＝1,2,…,n，n为信标节点的总数，m为采样点数；

所述的计算模块用于计算相邻采样时刻各信标节点RSSI变化度，以得到各信标节点的RSSI变化度时间序列G；

所述的拟合模块用于将各信标节点的RSSI变化度时间序列G进行线性拟合，得到各信标节点对应的RSSI变化度时间序列拟合回归线；

所述的判断模块用于判断各信标节点RSSI变化度时间序列拟合回归线上的拟合值和对应实际值之间的差值是否大于设定阈值，若大于设定阈值，则是说明其对应的信标节点发生漂移。

进一步地，所述计算模块计算得到的相邻采样时刻各信标节点RSSI变化度为：

$G\[(S_k,t_i),(S_k,t_{i+1})\]=\underset{j=1}{\overset{n}{\Σ}}\left(1-\frac{|{(S_k,t_i)}_j-{(S_k,t_{i+1})}_j|}{|{(S_k,t_i)}_j-{(S_k,t_{i+1})}_j|+a_{kj}}\right)/n$

(S_k,t_i)_j为t_i时刻信标节点k与其余信标节点通信RSSI数据集合S_k的第j维，(S_k,t_i+1)_j为t_i+1时刻信标节点k与其余信标节点通信RSSI数据集合S_k的第j维；a_kj表示第j维上(S_k,t_i)和(S_k,t_i+1)平均值的绝对值；G∈[0,1]。

进一步地，所述的拟合模块采用的拟合回归线方程为：

d′＝β₀+β₁t

${\mathrm{\β}}_1=\frac{\underset{i=1}{\overset{n}{\Σ}}(t_i-\stackrel{\‾}{t})(d_i-\stackrel{\‾}{d})}{\underset{i=1}{\overset{n}{\Σ}}{(t_i-\stackrel{\‾}{t})}^2}$

${\mathrm{\β}}_0=\stackrel{\‾}{d}-{\mathrm{\β}}_1\stackrel{\‾}{t}$

其中t表示采样时间点，β₀表示该直线的截距，β₁表示该直线的斜率，d′表示采样时间点t所对应的拟合值；表示时间段的平均值，表示时间段内信标节点的RSSI变化度平均值。

进一步地，所述判断模块中的设定阈值为0.51。

进一步地，该检测装置还包括用于在每次节点判别之后对漂移信标节点进行位置更新，并直接视其为未知节点进行重新定位的模块。

本发明的有益效果是:本发明首先按照设定的时间间隔采集各信标节点与其余信标节点通信RSSI数据；然后计算相邻采样时刻各信标节点RSSI变化度，以得到各信标节点的RSSI变化度时间序列G，并将各信标节点的RSSI变化度时间序列G进行线性拟合，得到各信标节点对应的RSSI变化度时间序列拟合回归线；最后判断各信标节点RSSI变化度时间序列拟合回归线上的拟合值和对应实际值之间的差值是否大于设定阈值，若大于设定阈值，则是说明其对应的信标节点发生漂移。本发明通过计算不同时刻RSSI的变化程度来自动判别可能发生了漂移的信标节点，简单易行，具有较高的实用性。

附图说明

图1是无线传感器网络模型原理图；

图2是信标节点漂移过程图；

图3-a是阈值对信标节点漂移检测方法成功率的影响示意图；

图3-b是阈值对信标节点漂移检测方法误判率的影响示意图；

图4是元素个数对信标节点漂移判别的影响示意图。

具体实施方式

下面结合附图对本发明的具体实施方式做进一步的说明。

本发明一种分布式节点漂移检测方法的实施例

无线信号是一种电磁波信号，考虑各向同性球面波的接收信号强度值(Received signal strength indicator)，单位为dBm，其在传播过程中会被传播介质吸收部分能量，强度会随距离成指数衰减。常用的无线信号传播路径损耗模型有：自由空间传播模型、双线地面反射模型和对数距离路径损耗模型，其中对数距离路径损耗模型的使用最为广泛。对数距离路径损耗模型由两部分组成，第一个是pass loss模型，该模型能够预测当距离为d时接收信号功率，表示为使用接近中心的距离d₀作为参考，P_r(d₀)是在参考距离为d₀处的接收功率，可测量获得或已知。相对于P_r(d₀)的计算如下：

$\frac{P_r\left(d_0\right)}{\stackrel{\‾}{P_r\left(d\right)}}={\left(\frac{d}{d_0}\right)}^{\mathrm{\β}}---\left(1\right)$

其中，β是路径损耗指数(pass loss指数)，通常由实际测量得来的经验值，反映路径损耗随距离增长的速率。β主要取决于无线信号传播的环境，即在空气中的衰减、反射、多径效应等复杂干扰。Pass loss模型通常以dB作为计量单位，其表达式为：

$\frac{\stackrel{\‾}{P_r\left(d\right)}}{P_r\left(d_0\right)}=-10\mathrm{\β}log\left(\frac{d}{d_0}\right)---\left(2\right)$

对数距离路径损耗模型的第二部分为满足高斯分布的随机变量X_dB(0,σ²)，反映了当距离一定时，由于噪声干扰，导致接收功率的变化。因此，对数距离路径损耗模型表达式为

$\stackrel{\‾}{P_r\left(d\right)}=P_r\left(d_0\right)-10\mathrm{\β}log\left(\frac{d}{d_0}\right)+X_{dB}---\left(3\right)$

此时RSSI符合以实际值为期望，σ为标准差的正态分布。

下面以某一具体的无线传感器网络模型为例进行具体说明，该无线传感器的网络模型如图1所示，包括随机部署在三维区域(a×b×c)内的一组无线传感器节点S＝{S_i|i＝1,2,…,M}，各节点均为同构节点，其信息传播范围是一个以自身实际位置为中心、R为半径的圆，即节点的通信半径为R(R大于区域的对角线L)。所有节点按其在定位系统中的功能分为信标节点和未知节点。前n个节点S₁(x₁,y₁)、S₂(x₂,y₂)、…、S_n(x_n,y_n)可以通过GPS等外部设备或确知的实际布置预先获取自身位置，作为信标节点；节点S_i(x_i,y_i)(n<i≤M)在网络中位置未知并且本身没有特殊的硬件设备可以获得自身信息，作为未知节点。其中每个传感器节点具有唯一的ID；空间无线信号传输模型为理想的球体；所有传感器节点同构，电量和计算能力相同；所有节点是时间同步的，且能直接通信。

网络中信标节点漂移的过程如图2所示，定位一段时间后，信标节点A发生了漂移，节点之间的邻居关系也随之发生了变化，但信标节点A′广播位置的信息并未发生变化。一个信标节点位置信息的可靠性用它与其余信标节点的RSSI变化程度来进行描述，当变化程度越大，则它与其余信标节点的相对运动越剧烈，越可能发生了漂移。当网络部署完成后，各信标节点彼此之间相互通信，根据节点判别机制对自身进行评判以衡量其发生漂移的可能性，如果偏差低于阈值，则标记为漂移信标节点，否则标记为漂移信标节点。本发明采用基于RSSI变化度的信标节点漂移检测方法，信标节点当前位置可靠性的判别标准依靠它与其余信标节点的RSSI在一段时间内的变化度，变化度越低，说明RSSI无显著变化的信标节点越多，其可靠性就越高，反之变化度越高，其可靠性就越低。该方法的具体过程如下：

1.首先按照设定的时间间隔采集各信标节点与其余信标节点通信RSSI数据，t₁时刻无线传感器网络中的信标节点按ID编号顺序采样的一系列与其余信标节点通信RSSI数据的集合，记为(S_k,t₁)＝[r₁,r₂,…,r_n]。其中n为信标节点总数，信标节点自身ID所对应的RSSI记为1；(S_k,t₁),(S_k,,t₂),…,(S_k,,t_m)为信标节点k具有固定时间间隔的RSSI数据的集合，(S_k,t_i)，(S_k,t_i)表示在t_i(i＝1,2,…,m)时刻信标节点k与其余信标节点通信RSSI数据的集合为S_k，k＝1,2,…,n，n为信标节点的总数，m为采样点数。

2.计算相邻采样时刻各信标节点RSSI变化度，以得到各信标节点的RSSI变化度时间序列G。

相邻采样时刻各信标节点RSSI变化度的计算公式为：

$G\&lsqb;(S_k,t_i),(S_k,t_{i+1})\&rsqb;=\underset{j=1}{\overset{n}{\&Sigma;}}\left(1-\frac{|{(S_k,t_i)}_j-{(S_k,t_{i+1})}_j|}{|{(S_k,t_i)}_j-{(S_k,t_{i+1})}_j|+a_{kj}}\right)/n---\left(4\right)$

(S_k,t_i)_j为t_i时刻信标节点k与其余信标节点通信RSSI数据集合S_k的第j维，(S_k,t_i+1)_j为t_i+1时刻信标节点k与其余信标节点通信RSSI数据集合S_k的第j维；a_kj表示第j维上(S_k,t_i)和(S_k,t_i+1)平均值的绝对值；G∈[0,1]。

3.将各信标节点的RSSI变化度时间序列G进行线性拟合，得到各信标节点对应的RSSI变化度时间序列拟合回归线。

无线传感器网络中信标节点的RSSI变化度时间序列G可看作是一个以采样时间间隔t为自变量、以RSSI变化度值G为因变量的函数。如果各时间点的RSSI变化度值以线性规律分布在一条直线的周围，且该直线段可通过一元线性回归模型方法计算出来的，则称为RSSI变化度时间序列的一元线性拟合回归线。

考虑回归函数为t的线性函数，因而本发明采用的一元线性拟合回归方程为：

d′＝β₀+β₁t (5)

${\mathrm{\&beta;}}_1=\frac{\underset{i=1}{\overset{n}{\&Sigma;}}(t_i-\stackrel{\&OverBar;}{t})(d_i-\stackrel{\&OverBar;}{d})}{\underset{i=1}{\overset{n}{\&Sigma;}}{(t_i-\stackrel{\&OverBar;}{t})}^2}---\left(6\right)$

${\mathrm{\&beta;}}_0=\stackrel{\&OverBar;}{d}-{\mathrm{\&beta;}}_1\stackrel{\&OverBar;}{t}---\left(7\right)$

其中，t表示采样时间点，β₀表示该直线的截距，β₁表示该直线的斜率，d′表示采样时间点t所对应的拟合值。表示时间段的平均值，表示时间段内信标节点的RSSI变化度平均值。通过β₁值的大小，可以判断数据变化的剧烈程度。

4.判断各信标节点RSSI变化度时间序列拟合回归线上的拟合值和对应实际值之间的差值是否大于设定阈值，若大于设定阈值，则是说明其对应的信标节点发生漂移。

判断各信标节点RSSI变化度时间序列拟合回归线上的拟合值和对应实际值之间的差值是否大于设定阈值，若大于设定阈值，则是说明其对应的信标节点发生漂移，可将漂移信标节点从参与定位的信标集合中排除。

随着时间的推移，无线传感器网络中发生漂移信标节点可能会越来越多，而可用的信标节点数量会越来越少，将直接影响未知节点的定位精度，为防止这种情况的发生，每次节点判别之后应对漂移信标节点进行位置更新，可以直接视其为未知节点进行重新定位，并将重新定位的位置作为其新的自身位置，为未发生漂移的信标节点提供参考。重新定位可采用比较常见的定位方式，例如，三角定位方式等。

本发明的一种分布式节点漂移检测装置的实施例

本实施例中分布式节点漂移检测装置包括采集模块、计算模块、拟合模块和判断模块，采集模块用于按照设定的时间间隔采集各信标节点与其余信标节点通信RSSI数据(S_k,t_i)，(S_k,t_i)表示在t_i(i＝1,2,…,m)时刻信标节点k与其余信标节点通信RSSI数据的集合为S_k，k＝1,2,…,n，n为信标节点的总数，m为采样点数；计算模块用于计算相邻采样时刻各信标节点RSSI变化度，以得到各信标节点的RSSI变化度时间序列G；拟合模块用于将各信标节点的RSSI变化度时间序列G进行线性拟合，得到各信标节点对应的RSSI变化度时间序列拟合回归线；判断模块用于判断各信标节点RSSI变化度时间序列拟合回归线上的拟合值和对应实际值之间的差值是否大于设定阈值，若大于设定阈值，则是说明其对应的信标节点发生漂移。

为了检验本发明的性能，下面进行仿真试验，仿真场景设定如下：

1)试验三维区域为100m×100m×50m；

2)节点总数为100个，信标节点最大的漂移距离为20m；

3)未知节点与信标节点的发射信号强度P_t为30dBm，参考距离d₀为20m，发射天线增益G_t、接收天线增益G_r为1dBi，路径损耗指数n为2。

设置衡量信标节点漂移判别的2个性能指标为：成功率(Num(B_M∩B_MD)/Num(B_M))和误判率(Num((U-B_M)∩B_MD)/Num(B_M))。其中，B_M表示实际发生漂移的信标节点集合，B_MD表示判别为漂移的信标节点集合，U表示所有信标节点的集合。成功率为被正确判别为漂移信标节点的数目与实际漂移信标节点数目的比值，错误率为错误判别为漂移信标节点的数目与实际漂移节点数目的比值。

衡量定位算法精确性的标准为定位误差，定位误差定义为未知节点经定位算法的估算坐标位置与其实际坐标位置间的距离其中估算坐标位置为(x_e,y_e,z_e)，实际坐标位置为(x_i,y_i,z_i)，仿真时，所采用的定位算法为三角定位算法。

判别某一信标节点是否发生漂移是通过分析它与其余信标节点的RSSI在一段时间内的近似程度来解决，且只有RSSI变化度时间序列拟合回归线上的拟合值和实际值之间的差值大于阈值，才判定它发生了漂移，所以选取合理的阈值至关重要。通过多次试验，阈值的范围在0.5左右，选取在0.5附近的值进行仿真，RSSI数据集合的元素个数为10。从图3-a和图3-b中可以看出，随着阈值的减小，信标节点漂移判别算法的成功率在不断地上升，但同时误判率也在不断地增大。阈值越小，对RSSI的变化越敏感，容易将漂移较小的信标节点误判，当阈值为0.51时，成功率为91.09％，且误判率在10.51％，综合效果良好，因此，选取算法的阈值ε为0.51。

合适的RSSI数据集合的元素个数n有助于缩短算法运行时间，提高判别的准确性。过小或过大的元素个数往往导致信标节点漂移判别算法对RSSI变化度值的波动反应敏感或迟缓，增加误判的可能，并降低了算法的鲁棒性。设置元素个数从5到15连续变化，通过成功率和误判率的比较反映其对算法性能的影响。从图4中可以看出，随着元素个数(采样点数)的增大，算法的成功率首先不断地上升，同时误判率不断地下降，但若元素个数继续增大，算法的成功率开始下降，同时误判率也开始上升。过小或过大的元素个数都容易导致误判，可以看出，选取RSSI数据集合的元素个数n为9时，表现最为稳定。取阈值ε为0.51，RSSI数据集合的元素个数n为9，漂移信标节点的个数从0到20，其他条件不变的情况下，将本发明提出的信标节点漂移判别方法与BMD算法进行比较，得到2种算法的成功率均值分别为92.23％、80.05％，误判率的平均值分别为9.95％、12.47％，表明本发明比BMD算法在成功率和误判率上有更好的表现。