一种基于云模型的WSN鲁棒评价机制

2013-01-31郭苏玲

电视技术 2013年17期

郭苏玲，胡彧

(太原理工大学测控技术研究所，山西太原030024)

无线传感器网络(WSN)是一种基于无线通信技术的、低功耗和自组织的网络，为了用于检测多种类别参数的变化情况，大多数情况都是由一个或多个基站(sink节点)和大量部署于监测区域并且配有多种类别传感器的无线网络节点构成。

WSN鲁棒性的意义在于，WSN具有很强的动态性和不确定性，但其性能能够保证对整体性能的减少，因此WSN对各种安全攻击应具有较强的适应性。本文中云模型的引入，解决了评语本身的不确定性和模糊性问题;另外，为了避免主观因素方面对结果的影响，采用熵权的方法来确定鲁棒性因素权重的确定。

1 WSN鲁棒性能指标的确定和等级划分

WSN是任务型的网络。网络是在获得指定事件的信息之后，然后汇报给用户，因此在选取评估指标应该遵循可测性、全面性和相关性原则。

1.1 指标的确定

由于无线传感器网络的各种特殊应用需求的原因［1］，具备以下特点就可以成为一个成功的无线传感器网络。

1)低功耗

与目前已用到的蓝牙等无线网络相比，对于低功耗这一需求，无线传感器网络在应用中的要求更胜一筹，为了不影响工业检测控制应用中设备的维护计划，其对于电池寿命的要求比较高。

2)低成本

WSN一般都需要多个基站，并且是大量部署在监控区域，因此在一些廉价、一次性产品中，其中需要考虑的主要因素之一就是成本。

3)世界范围通用性

目前提出的很多无线传感器网络应用，就如无线行李标签和集装箱定位系统，这些都暗含着所涉及的网络在一定的范围内是否都能正常运行的要求。

4)网络类型

传统的网络设备在简单的网络类型中可以满足很多工业应用的要求。然而WSN的区域会限制在其设备的通信范围内，因为政府管理规章会限制设备的发射功率，同时电池的寿命也会影响其网络类型。

5)安全性

无线传感器网络的安全问题包括两个同样重要的方面:网络的实际安全性，用户(尤其是潜在用户)对网络安全性的感受，这是WSN安全问题的两个重要方面。

6)数据吞吐量

对于所设计的整个WSN，数据吞吐量当然是越高越好。

7)消息延迟

由于无线传感器网络一般不支持实时或者同步通信，不能传输实时视频信息，在多数应用系统中也不支持音频传输，与此同时，其吞吐量有限，这决定了其对服务质量的要求不高。

结合无线传感器网络以及无线网络的性能指标，以及选取指标的原则，选取时延、丢包率和吞吐量作为WSN性能评估的指标。

1.2 等级划分

本文为对网络鲁棒性优劣做出综合评价，做出鲁棒性评语集，它是一个由自然语言值表示的定性概念，其鲁棒性能状态是相对的，其没有明显界限。本文定义鲁棒性评语集为{“鲁棒性优(A1)”“鲁棒性良(A2)”“鲁棒性中(A3)”“鲁棒性较差(A4)”“鲁棒性差(A5)”}，如表1所示。其中“优”是指在较大影响下，可以恢复正常，满足鲁棒性极高的应用;“良”是指在鲁棒性要求不高的场合应用，对干扰有中等的缓冲能力;“中”是指具有一定的鲁棒性，但是不稳定;“较差”表示具有较差的鲁棒性;“差”表示基本不具有鲁棒性。

表1 等级划分

影响WSN鲁棒性各因素的优劣程度是不断变化的，并且各因素自身也具有一定的可变性，这些变化都是随着时间的变化而变化，这就导致其鲁棒性的优劣有一定的随机性，在时间轴上具有不稳定性，可能同时出现优、差的语言值，具有一定的模糊性;另外，不同的人对同一个系统的判断又不尽相同，因此又有主观因素的影响。因此，引入云模型来更科学地进行系统的描述。

2 WSN鲁棒性量化评估模型

2.1 云模型

李德毅老师在20世纪90年代初期开创的“云”理论［2-3］，是对传统的隶属函数概念的扬弃。无线传感器网络的鲁棒性没有规定具体界限，不同的专家在不同的时间对其理解是不同的。另外，其鲁棒性的测评是在一定参数计算的基础上，而所能提供的数据在不同技术、不同机器、不同时间上又具有一定的随机性和不确定性，因此需要同时考虑其模糊性。模糊的概念可以被表示为一个边界不同弹性、融合在正态分布函数的云。本质上，云是用语言值的定性概念和定量表示的不确定性模型之间的转换，云的数字特征可用期望值Ex、熵En、超熵He三个数值来表征，它把某种物质的模糊性和随机性完全集中到一起，为定性与定量的信息传递提供了有力手段，成为一种处理模糊信息的有效工具。

云的数字特征:

1)期望Ex，为云滴的域的空间分布期望，是最具代表性概念的定性点，也就是最典型的样品的概念来量化。

2)熵En，一方面，它是衡量随机性的定性概念，反映了定性概念来表示云滴的离散程度;另一方面反映了域空间概念可以接受的价值观的云层小滴。

3)超熵He，超熵是熵的不确定性的度量，为偏离度。

设X是一个数值的集合P={x}，称为域。在域X上都存在一个有稳定倾向的随机数，叫x的隶属度，记为η(x)。在域上的分布称为隶属云，简称云，云的整体形状反映了定性概念的重要特性。若域中的元素不是有序的，通过法则r，将C(xi)映射到另一个有序的论域P'中，P'中有且只有一个x'与x对应，则P'为几处变量，隶属度在几处变量上的分布称为云，每一个(x，η(x))称为云滴。其中，η(x)=CT(x)。若元素是有序的，P被称为基础变量。

正向云算法的输入［4］是定性概念的数字特征(Ex，En，He)，生成以En为期望值，He为方差的一个正态随机数Eni=NORM(En，He)，接下来，再生成以Ex为期望值、Eni为方差的一个正态随机数xi=NORM(Ex，Eni)，通过该步骤得出的随机数以及正态分布函数，得出隶属度

其主要的作用区域为［Ex-3En，Ex+3En］，以上正态云的方法表现了定性知识的定量特性［5］。由云模型的3个数字特征所计算的整个过程以及结果记为C(Ex，En，He)。

重复以上步骤，直至产生所需的N个云滴。

半云:表示某一侧定性特征的云，分为半升云和半降云。

一维云模型为ri:若x=Ai则y=Ak。

2.2 基于熵权的权重确定方法

为减少评估结果中主观因素的影响形成偏差。在信息论中，熵反映信息的无序程度，可以用来衡量信息大小。指标携带更多的信息，表示熵对决策的影响更大，用信息熵的大小来衡量携带信息的大小。不同状态下的值变化不同性能参数。因此采用熵权的方法计算权重的相对大小［6］。

1)设n个评估指标、m个评估对象的数字矩阵P，即

2)将其进行归一化处理得到矩阵V。由于本文中网络性能指标既有成本型指标，又有效益型指标［7］，其元素变化分别为

式中:pmax，pmin分别为同一评估指标在不同对象的最大和最小值。

3)确定评估指标的熵值［8］

4)利用熵值计算评估指标的熵权，第i个评估指标的熵权定义为

由此可看出，熵值越小，熵权越大，表明相应的评估指标信息量越大，该指标就越重要;反之，指标的熵越大，熵权越小，该指标越不重要。采用熵权方法可以客观地得出指标权重大小。

2.3 综合评估模型

由于网络鲁棒性具有模糊性和随机性。因此用云模型的概念和方法建立网络性能综合评估理论和模型，比传统的评估方法更能符合实际情况。另外鉴于熵权能够客观反映指标权重的大小，本文在评估指标的引用上采用以上方法进行权重的计算。具体步骤如下:

1)建立评估对象的因素矩阵P=［x1，x2，…，xn］;

2)建立评语论语C=［c1，c2，…，cn］;

3)采用熵权方法计算指标的权重W=［ω1，ω2，…，ωn］;

4)根据以上得到的权重修正3个性能指标期望值。

3 讨论分析

根据文献［9］中样本数据的采集方法，得到相应的数据，如表2所示。

表2 性能指标的数据

根据上文中的评估模型，采用熵权的方法将以上数据进行相应的处理，得到表3。

表3 熵与熵权

假如专家对3个指标(时延、丢包率、吞吐量)鲁棒度的评估结果是(较差、中、良)。定义这3个评语对应的云模型分别是A1，A2，A3，则可以得出A1=(37.5，2.5，0.2)，A2=(50，1.67，0.2)，A3=(62.5，2.5，0.2)。根据熵权的方法得到3个指标的权重为(0.368 1，0.172 3，0.459 6)，以此进行期望值修正。将3个指标的权重进行期望值修正，考虑到如果某一指标的权重大于平均权重1/3，那么这个指标的期望值也会相应增大，反之就会减小，为防止ωi×m＞1时，期望值的修正值溢出上界，将ωi×3视作比例值［10］。定义M(Exi)=min［ωi×mExi，100］，则M(Exi)不会大于100。

最终的鲁棒度云模型为

根据式(7)，可以得到A*=A(［41.411，25.845，86.175］，［2.5，1.67，2.5］，［0.2，0.2，0.2］)。

最终根据虚拟云中综合云的算法得到

通过以上公式的运算，得出Ex=61.33，En=7.07，He=0.2，其主要覆盖范围为(Ex-3En，Ex+3En)=(40.12，82.54)。根据鲁棒等级、鲁棒度的划分以及鲁棒等级对比图来看(如图1和图2所示)，该系统鲁棒度的主要区域落在“良”区域上。另外，云滴除了大多数在“良”之外，还有较少的一部分在“中”和“优”的区域内，但是相对比较之下，在中的部分偏多，所以较为恰当的说法为系统的鲁棒性能是“良-”(即“良减”)，而不是“中+”。