一种测评无线传感器网络可靠性的方法及系统与流程

本发明涉及无线传感器网络(wirelesssensornetwork,wsn)及其可靠性评测领域，尤其涉及一种测评无线传感器网络可靠性的方法及系统。

背景技术：

工业无线传感器网络(industrialwirelesssensornetwork,以下简称工业wsn)是由具有无线通信与计算能力的传感器节点构成、部署在工业现场环境为某种工业应用提供解决方案的自组织分布式网络智能系统，是满足工业应用高可靠、低能耗、硬实时等特殊需求的一类无线传感器网络技术。它集成了传感器、无线通信和分布式信息处理技术，是一种全新的计算模式。在过去的十年中，工业无线技术和传感器技术有了巨大的发展，无线传感器网络在工业应用的优势已经越来越明显。与传统的有线系统相比，工业无线传感器网络优势明显：(1)低成本；(2)高可靠、易维护；(3)高灵活、易使用。利用工业无线传感器网络，人们可以以较低的投资和使用成本实现对工业全流程的“泛在感知”，获取传统上由于成本原因无法在线监测的重要工业过程参数，并以此为基础实施优化控制，来达到提高产品质量和节能降耗的目标。目前，如何设计搭建稳定、可靠的工业无线传感器网络是该领域研究热点之一。

虽然在过去的十年中，工业无线技术有了巨大的发展，但是由于需要满足一些特殊的要求，无线传感器网络在工业中的真正应用仍然尚不成熟。这其中工业无线传感器网络的可靠性研究是一个关键技术难题。基于无线通信的工业传感器网络的可靠性易受到背景噪声、路径损耗、多路干扰、物理冲突等因素影响而变得不稳定。经过多年的研究，科学工作者提出了许多可靠的应用方案与协议算法用于提高工业无线传感器网络的可靠性，但是仅仅从单个方面改善网络的协议对提高网络的可靠性效果不是特别明显，而工业无线传感器网络的可靠性测试与评估为衡量和完善网络性能提供了便利有效的手段。如果这项工作不完善，该网络的实际应用就具有极大的风险，既浪费了工业成本，又损害了工业效益，造成严重的后果。

但是，目前现有的对工业wsn的可靠性测试与评估方法普遍存在如下缺陷：(1)尽管经过多年的研究，科学工作者针对传统的ad-hoc网络提出了许多可靠性评估方法，但是这些方法却难以按照工业应用的要求，针对网络各性能指标，根据评估方法对网络的不稳定因素进行分析，评估以及量化其满足工业应用的程度。因此，这些方法难以用于对工业无线传感器网络的可靠性进行衡量和比较，从而也难以为工业无线传感器网络的设计提供辅助评定。(2)在工业无线传感器网络中，网络所处的监测环境往往十分恶劣，开发者无法在现场收集数据测试和评估网络的可靠性，这就迫切的需要一种手段可以人为的模拟这些恶劣环境的干扰，即将某些故障注入到无线传感器网络中，另外还可以实时的记录并存储当前网络的运行信息以及对注入故障的反应信息，并加以分析，从而评估并提高整个工业wsn的可靠性。但是通过对大量文献研究发现，目前这一领域还没有受到足够的关注，仅有的针对工业wsn的故障注入(faultinjection,fi)方法不是采用仿真的方法实现就是所注入的故障无法有效地模拟工业wsn在实际应用时所遇到的情况。(3)在研究工业wsn容错性的过程中，目前普遍遇到的瓶颈问题是没有一个有效地向工业wsn注入故障的机制或方法，也就无法真正地实际验证工业wsn的容错性，只能通过仿真的方式对工业wsn的容错性进行评价和验证，所以迫切的需要一个有效地故障注入方法用于评估和提高工业wsn的可靠性和容错性。

技术实现要素：

为了解决现有技术的不足，本发明实施例的第一方面提供了一种测评无线传感器网络可靠性的方法，该方法能够有针对性地对无线传感器网络的可靠性进行测评，提高了无线传感器网络的可靠性和稳定性。

本发明实施例的第一方面提供的一种测评无线传感器网络可靠性的方法，包括：

采集当前无线传感器网络中节点网络状态信息；

从节点网络状态信息中筛选出无线传感器网络的测评指标并确定各个测评指标的权重；

根据无线传感器网络的测评指标及其权重，构建出无线传感器网络可靠性的测评模型；

向无线传感器网络人为注入模拟现场干扰的故障信息，并将实时获取的无线传感器网络中节点网络状态信息输入至所述测评模型内，由所述测评模型输出当前无线传感器网络的可靠性和容错性测评结果。

结合本发明实施例的第一方面，本发明实施例的第一方面的第一种实施方式中，所述节点网络状态信息包括拓扑结构、数据包成功率、丢包率、电量及缓冲区使用情况。

结合本发明实施例的第一方面，本发明实施例的第一方面的第二种实施方式中，在从节点网络状态信息中筛选出无线传感器网络的测评指标并确定各个测评指标的权重之前，还包括采用粗糙集理论对采集的当前无线传感器网络中节点网络状态信息进行去噪和去冗余处理。

从一系列已有数据中，寻找其规律或规则，预测问题的方向是粗糙集(roughsets,rs)的基本思想。就本发明而言，在获得的通信节点海量运行信息中，存在着大量不精确、不完整和不确定的粗糙信息。传统数据处理方法无法精确确定数据中哪些信息是冗余的，哪些信息是有用的及其作用大小。本发明采用粗糙集理论作为前端处理系统，用以对海量节点网络状态信息进行预处理，从而得到简化、精确的数据，而且采用模糊理论对模糊的可靠性进行量化，为可靠性评估奠定基础。

结合本发明实施例的第一方面，本发明实施例的第一方面的第三种实施方式中，从节点网络状态信息中筛选出无线传感器网络的测评指标的过程中，采用聚类分析法将节点网络状态信息进行分类，进而得到各个测评指标。

由于不同规范的可靠性指标之间存在程度不同的相似性，需要采用聚类分析等数学方法将不同规范的指标进行分类，并对可靠性的贡献进行量化，转化为可以进行综合的一个归一化的相对数，将不同性质和量纲的指标统一起来。此外，海量节点网络状态信息中异常数据的发现及评估模型中权值的确定，也需要聚类分析算法做支撑。

结合本发明实施例的第一方面，本发明实施例的第一方面的第四种实施方式中，根据无线传感器网络的测评指标及其权重，并利用离散型hopfield神经网络构建出无线传感器网络可靠性的测评模型。

其中，hopfield神经网络即利用其联想记忆的能力逐渐趋近于某个储存的平衡点，当状态不再改变时，此时平衡点所对应的便是待求的性能分类等级。

本发明实施例的第二方面提供了一种测评无线传感器网络可靠性的系统。

本发明实施例的第二方面提供的一种测评无线传感器网络可靠性的系统，包括：

节点网络状态信息采集模块，其用于采集当前无线传感器网络中节点网络状态信息；

测评指标筛选模块，其用于从节点网络状态信息中筛选出无线传感器网络的测评指标并确定各个测评指标的权重；

测评模型构建模块，其用于根据无线传感器网络的测评指标及其权重，构建出无线传感器网络可靠性的测评模型；

测评结果输出模块，其用于向无线传感器网络人为注入模拟现场干扰的故障信息，并将实时获取的无线传感器网络中节点网络状态信息输入至所述测评模型内，由所述测评模型输出当前无线传感器网络的可靠性和容错性测评结果。

结合本发明实施例的第二方面，本发明实施例的第二方面的第一种实施方式中，所述节点网络状态信息包括拓扑结构、数据包成功率、丢包率、电量及缓冲区使用情况。

结合本发明实施例的第二方面，本发明实施例的第二方面的第二种实施方式中，该系统还包括去噪和去冗余模块，其用于采用粗糙集理论对采集的当前无线传感器网络中节点网络状态信息进行去噪和去冗余处理。

从一系列已有数据中，寻找其规律或规则，预测问题的方向是粗糙集(roughsets,rs)的基本思想。就本发明而言，在获得的通信节点海量运行信息中，存在着大量不精确、不完整和不确定的粗糙信息。传统数据处理方法无法精确确定数据中哪些信息是冗余的，哪些信息是有用的及其作用大小。本发明采用粗糙集理论作为前端处理系统，用以对海量节点网络状态信息进行预处理，从而得到简化、精确的数据，而且采用模糊理论对模糊的可靠性进行量化，为可靠性评估奠定基础。

结合本发明实施例的第二方面，本发明实施例的第二方面的第三种实施方式中，在所述测评指标筛选模块中，采用聚类分析法将节点网络状态信息进行分类，进而得到各个测评指标。

由于不同规范的可靠性指标之间存在程度不同的相似性，需要采用聚类分析等数学方法将不同规范的指标进行分类，并对可靠性的贡献进行量化，转化为可以进行综合的一个归一化的相对数，将不同性质和量纲的指标统一起来。此外，海量节点网络状态信息中异常数据的发现及评估模型中权值的确定，也需要聚类分析算法做支撑。

结合本发明实施例的第二方面，本发明实施例的第二方面的第四种实施方式中，在所述测评模型构建模块中，根据无线传感器网络的测评指标及其权重，并利用离散型hopfield神经网络构建出无线传感器网络可靠性的测评模型。

其中，hopfield神经网络即利用其联想记忆的能力逐渐趋近于某个储存的平衡点，当状态不再改变时，此时平衡点所对应的便是待求的性能分类等级。

与现有技术相比，本发明的有益效果是：

(1)本发明在实验环境中向无线传感器网络人为注入模拟现场干扰的故障，并通过观察注入故障后网络的反应以评价网络的可靠性和容错性的系统结构和实现方法，通过分析故障注入后的网络性能，可以有针对性地对网络机制做出改进来提高网络的可靠性和稳定性。

(2)通过详细分析无线传感器网络的协议栈和拓扑结构，收集并整理无线传感器网络物理层、mac层和网络层的性能参数，分析网络物理设备、链路连接、网络路由等性能的影响因素，建立无线传感器网络的性能参数体系和可靠性模型具有一定的创新性。

(3)本发明采用粗糙集理论作为前端处理系统，结合无线传感器网络节点性能参数属性的具体情况，利用组合数学知识改进归纳属性约简算法，提高约简的效率，然后与改进的离线hopfield神经网络相结合进行可靠性评估，提高了测评结果的准确性。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1是本发明实施例的一种测评无线传感器网络可靠性的方法流程图；

图2是粗糙集理论的思想；

图3是测评模型建立的步骤；

图4是故障注入方法示意图；

图5是无线传感器网络可靠性层次图；

图6是无线传感器网络可靠性的多层次系统；

图7是本发明实施例的测评无线传感器网络可靠性的系统结构示意图。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

图1是本发明实施例的一种测评无线传感器网络可靠性的方法流程图。

如图1所示，本发明实施例的一种测评无线传感器网络可靠性，包括步骤1～步骤4。

其中，步骤1：采集当前无线传感器网络中节点网络状态信息。

在步骤中，所述节点网络状态信息包括拓扑结构、数据包成功率、丢包率、电量及缓冲区使用情况。

步骤2：从节点网络状态信息中筛选出无线传感器网络的测评指标并确定各个测评指标的权重。

在从节点网络状态信息中筛选出无线传感器网络的测评指标并确定各个测评指标的权重之前，还包括采用粗糙集理论对采集的当前无线传感器网络中节点网络状态信息进行去噪和去冗余处理。

基于粗糙集理论数据处理的基本思想是：①将实际收集的原始运行数据构成信息系统，如果收集的数据为连续量，则需要先通过适当的量化方法进行离散化，最终形成量化决策表；②通过知识的约简方法，得到由性能特征和模式构成的简化知识集合，利用分类质量和分类精度衡量简化知识的性能；③选择其中性能较好的简化知识形成最终的网络性能评估知识。

一般而言，首先要获得评估样本数据库，将需要评估对象的运行信息用粗糙集理论来表达，获得包含属性和值的二维关系型数据表，最终可以获得原始评估事例决策表。图2给出了粗糙集理论方法表达不确定性知识的基本思想。

从一系列已有数据中，寻找其规律或规则，预测问题的方向是粗糙集(roughsets,rs)的基本思想。就本发明而言，在获得的通信节点海量运行信息中，存在着大量不精确、不完整和不确定的粗糙信息。传统数据处理方法无法精确确定数据中哪些信息是冗余的，哪些信息是有用的及其作用大小。本发明采用粗糙集理论作为前端处理系统，用以对海量节点网络状态信息进行预处理，从而得到简化、精确的数据，而且采用模糊理论对模糊的可靠性进行量化，为可靠性评估奠定基础。

从节点网络状态信息中筛选出无线传感器网络的测评指标的过程中，采用聚类分析法将节点网络状态信息进行分类，进而得到各个测评指标。

由于不同规范的可靠性指标之间存在程度不同的相似性，需要采用聚类分析等数学方法将不同规范的指标进行分类，并对可靠性的贡献进行量化，转化为可以进行综合的一个归一化的相对数，将不同性质和量纲的指标统一起来。此外，海量节点网络状态信息中异常数据的发现及评估模型中权值的确定，也需要聚类分析算法做支撑。

步骤3：根据无线传感器网络的测评指标及其权重，构建出无线传感器网络可靠性的测评模型。

根据无线传感器网络的测评指标及其权重，并利用离散型hopfield神经网络构建出无线传感器网络可靠性的测评模型。

其中，hopfield神经网络即利用其联想记忆的能力逐渐趋近于某个储存的平衡点，当状态不再改变时，此时平衡点所对应的便是待求的性能分类等级。

离线hopfield神经网络的设计思路是：

在无线传感器网络各层性能指标参数中挑选若干个能够反映网络可靠性的指标参数；将可靠性等级分为五个等级：很强(1级)、较强(2级)、一般(3级)、较差(4级)及很差(5级)，比较每个分类评估等级对应多个指标模型，将若干个典型的分类评估等级所对应的评估指标设计为离散型hopfield神经网络的平衡点，hopfield神经网络学习过程即为典型的分类等级评估指标逐渐趋近于hopfield神经网络的平衡点的过程。

学习完成后，hopfield神经网络储存的平衡点即为各个分类等级所对应的评估指标。当有待分类的wsn评估指标输入时，hopfield神经网络即利用其联想记忆的能力逐渐趋近于某个储存的平衡点，当状态不再改变时，此时平衡点所对应的便是待求的分类等级。测评模型建立的步骤如图3所示。

离线hopfield神经网络的学习规则：利用外积法得到离线hopfield神经网络的权系矩阵。对于一给定的需记忆的样本向量{t¹,t²,...tⁿ}，如果t^k的状态为+1或-1，则其连接权值的学习可以利用“外积规则”，即利用外积法设计离线型hopfield。

具体地，基于层次分析法对工业无线传感器网络可靠性进行评估的模型，通过建立多层次的评价指标体系，对单项指标采用递推算法给出目标层对评语的隶属度。引入打分法，给出工业无线传感器网络可靠性的代数值。由数值的大小给出优劣评定，是对模糊性、相对性指标评价的一种可靠而有效的方法。

建立评判对象指标集：u＝{u1,u2,l,um}，其中ui是u中的一个性能对可靠性的贡献度。uij＝{uij1,uij2,l,uijm}，是ui中第j个性能的指标集，uijk是ui中第j个指标的指标集中的一个指标。多层结构如图5所示。

建立a＝{a1,a2,l,am}为u中各因素的权重，是u上模糊子集，且满足ai≥0，i＝1,2,l,m。其根据不同的情况，运用层次分析法，通过两两比较建立判断矩阵，确定网络性能的指标权值。

设评判集：v＝{v1,v2,l,vn}，vj(j＝1,2,l,n)表示由高到低的评价等级，分为“1级、2级、3级、4级、5级”五个等级。

r为单因素的评价矩阵，r＝(rij)m*n，rij表示因素ui被评为vj的隶属度，并注意保持其归一化。设n为有效咨询次数，yij为因素ui被评为vj的次数，则有rij＝yij/n。

利用模糊矩阵的合成运算，得综合评价模型为：

b＝aor＝(b1,b2,l,bn)

上式中，j-1,2,l,n。∧表示ai与rij比较取最小值，∨表示要(ai∧rij)的几个最小值中取最大值。则做归一化处理：j＝1,2,l,n。

设c＝(c1,c2,l,cn)^t是一分数集。其中cj(j＝1,2,l,n)表示第j级评语的分数。这里采用百分制等差打分法：c＝{90,70,50,30,10}^t。

计算评价结果d。d是一得分值d＝b*c或d＝b'*c。

对于工业无线传感器网络可靠性的多层次系统，则由底层向上递推计算上一层次指标的评价结果，根据算出的各得分值，再向上递推直到目标层，如图6所示。

对于不同的比较对象，设有s＝1,2,l,n个对象，将算得的d值记作ds，则网络可靠性一目了然。

步骤4：向无线传感器网络人为注入模拟现场干扰的故障信息，并将实时获取的无线传感器网络中节点网络状态信息输入至所述测评模型内，由所述测评模型输出当前无线传感器网络的可靠性和容错性测评结果。

具体方法为：采用的故障注入方法如图4所示。首先进行注入故障前的工作：

①确定要注入wsn节点的故障类型，包括故障命令及故障功能；

②完成对应故障类型的故障执行机制；

③确定故障的激活时间即向wsn注入各种故障的时间。

这三部分组成一个故障集，然后通过故障注入节点将故障集一对一的注入到wsn节点中促使wsn节点发生故障。最后通过节点信息获取技术将各wsn节点的反应信息一起收集到上位计算机中进行分析。

随着无线传感器网络的深入研究，尽管研究人员提出了多个传感器节点上的协议栈但这些协议栈大体上包括物理层、数据链路层、网络层、传输层和应用层与互联网协议栈的五层协议相对应。本发明所采用的故障注入方式是在无线传感器网络协议栈中的应用层和物理层之间引进一个新的层—故障层(faultlayer)，故障层对应的协议为故障协议(faultprotocol)。故障协议实际上就是各种故障的执行机制，本发明提供了这样一个接口，它可以向网络注入故障序列，任何包含故障层的无线传感器网络接收到故障序列后就会执行故障协议中对应的故障函数从而达到注入故障的效果。这样即使不知道网络的内部运行机制，任何无线传感器网络协议栈中只要包含故障层，用本课题提供的接口都可以实现故障注入功能。在wsn的开发验证阶段，如果把故障的执行机制(故障协议)作为无线传感器网络协议栈的一部分连同其它协议一起开发，那么使用这种方法对无线传感器网络可靠性和容错性进行测试就成为一种普遍化的方法得以广泛使用。

故障注入节点向无线传感器网络节点注入的故障序列如表1所示，注入的故障可以有效地模拟wsn实际应用时遇到的故障和干扰。

表1故障注入序列

图7是本发明实施例的测评无线传感器网络可靠性的系统结构示意图。

如图7所示，本发明实施例的第二方面提供的一种测评无线传感器网络可靠性的系统，包括：

节点网络状态信息采集模块，其用于采集当前无线传感器网络中节点网络状态信息；

测评指标筛选模块，其用于从节点网络状态信息中筛选出无线传感器网络的测评指标并确定各个测评指标的权重；

测评模型构建模块，其用于根据无线传感器网络的测评指标及其权重，构建出无线传感器网络可靠性的测评模型；

测评结果输出模块，其用于向无线传感器网络人为注入模拟现场干扰的故障信息，并将实时获取的无线传感器网络中节点网络状态信息输入至所述测评模型内，由所述测评模型输出当前无线传感器网络的可靠性和容错性测评结果。

其中，所述节点网络状态信息包括拓扑结构、数据包成功率、丢包率、电量及缓冲区使用情况。

结合本发明实施例的第二方面，本发明实施例的第二方面的第二种实施方式中，该系统还包括去噪和去冗余模块，其用于采用粗糙集理论对采集的当前无线传感器网络中节点网络状态信息进行去噪和去冗余处理。

从一系列已有数据中，寻找其规律或规则，预测问题的方向是粗糙集(roughsets,rs)的基本思想。就本发明而言，在获得的通信节点海量运行信息中，存在着大量不精确、不完整和不确定的粗糙信息。传统数据处理方法无法精确确定数据中哪些信息是冗余的，哪些信息是有用的及其作用大小。本发明采用粗糙集理论作为前端处理系统，用以对海量节点网络状态信息进行预处理，从而得到简化、精确的数据，而且采用模糊理论对模糊的可靠性进行量化，为可靠性评估奠定基础。

具体地，在所述测评指标筛选模块中，采用聚类分析法将节点网络状态信息进行分类，进而得到各个测评指标。

由于不同规范的可靠性指标之间存在程度不同的相似性，需要采用聚类分析等数学方法将不同规范的指标进行分类，并对可靠性的贡献进行量化，转化为可以进行综合的一个归一化的相对数，将不同性质和量纲的指标统一起来。此外，海量节点网络状态信息中异常数据的发现及评估模型中权值的确定，也需要聚类分析算法做支撑。

具体地，在所述测评模型构建模块中，根据无线传感器网络的测评指标及其权重，并利用离散型hopfield神经网络构建出无线传感器网络可靠性的测评模型。

其中，hopfield神经网络即利用其联想记忆的能力逐渐趋近于某个储存的平衡点，当状态不再改变时，此时平衡点所对应的便是待求的性能分类等级。

本发明在实验环境中向无线传感器网络人为注入模拟现场干扰的故障，并通过观察注入故障后网络的反应以评价网络的可靠性和容错性的系统结构和实现方法，通过分析故障注入后的网络性能，可以有针对性地对网络机制做出改进来提高网络的可靠性和稳定性。

通过详细分析无线传感器网络的协议栈和拓扑结构，收集并整理无线传感器网络物理层、mac层和网络层的性能参数，分析网络物理设备、链路连接、网络路由等性能的影响因素，建立无线传感器网络的性能参数体系和可靠性模型具有一定的创新性。

本发明采用粗糙集理论作为前端处理系统，结合无线传感器网络节点性能参数属性的具体情况，利用组合数学知识改进归纳属性约简算法，提高约简的效率，然后与改进的离线hopfield神经网络相结合进行可靠性评估，提高了测评结果的准确性。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。