基于高阶马尔可夫链的无线传感器网络异常节点检测

2021-10-27王礼霞邰清清

黑龙江工业学院学报(综合版) 2021年8期

王礼霞，邰清清

(合肥经济学院，安徽合肥 230036)

现今社会电子信息不断发展，多种技术兴起。随着无线电技术、集成电路技术的飞速发展，无线传感器应运而生，该设备具有能量消耗低、体积小、价格低等优势，受到多个行业的关注[1]。随着微传感无线传感器的应用与发展，该设备结合处理器、通讯设备等共同构成了无线传感器网络。无线传感器网络中节点是其运行中的重要支撑。以节点合作方式获取相应数据信息，并将其传输至基站，为传感器网络发展开创新篇章[2]。

与发达国家相比较，国内对无线传感器网络的研究起步较晚，但发展速度较快。无线传感器网络在运行过程中节点易受到复杂网络环境的影响，导致其运行不畅。传感器网络节点比较容易受到攻击、威胁与侵害，导致节点异常现象频繁发生[3]。若异常节点没有被发现或者剔除，会直接影响网络决策的安全性，为网络用户带来不利影响。现有无线传感器网络异常节点检测方法中由于其应用技术的自身的局限性，存在误检率较高的问题，无法满足网络用户的需求。因此，本文提出基于高阶马尔可夫链的无线传感器网络异常节点检测方法，提升无线传感器网络运行质量。

1 无线传感器网络异常节点检测

1.1 无线传感器网络节点属性建模

常规情况下，无线传感器网络规模较大，其中包含的传感器节点数量较多。为了精确地检测出无线传感器网络中异常节点，本文分析了节点的属性，将其进行量化[4]处理。该网络局部拓扑结构如图1所示。

图1 无线传感器网络局部拓扑结构示意图

如图1所示，三角形标志指网络环境物理量，包括温度、湿度数据等，由节点C与节点D进行测量。A,B,C,D,E,F,G是无线传感器网络中的部分节点。其中，节点G为汇聚节点，承担数据包采集与融合的任务。该网络的局部拓扑结构中路由为：D→C→E→F→G或者C→E→F→G构成，最终由节点G将获取的数据包传输到后台服务器[5]。

根据研究需求，对无线传感器网络节点的丢包率、转发率、节点参与度、节点位置匹配与数据包转发延时属性进行抽象量化，并对其进行建模。其中，丢包率计算公式如式(1)所示。

(1)

式(1)中，Rs表示传感器节点的丢包率；Ps表示传感器节点成功接收的数据包总和；Pa表示相邻传感器节点的数据包总和。

转发率计算公式如式(2)所示。

(2)

式(2)中，Rf表示传感器节点的转发率；Pf表示传感器节点成功转发的数据包数量；Pt表示传感器节点接收的数据包总和[6]。

节点参与度计算公式如式(3)所示。

(3)

式(3)中，Cn表示传感器节点的节点参与度；n表示相邻传感器节点数量；nmax表示无线传感器网络中相邻节点数量最大的节点。

节点位置匹配属性较为复杂，需要获取传感器节点的邻居节点表示为数组Pn，维数为n×n，数组中元素Pn(i,j)满足式(4)。

(4)

依据网络节点报告位置，计算节点距离与通信距离，并将两者进行比较，获得另一个数组Pd，数组中元素Pd(i,j)满足式(5)。

(5)

式(5)中，dist(i,j)表示以传感器节点坐标位置信息为基础，计算得到的相邻节点之间距离；R表示网络节点的通信距离。

以上述构建的两个数组为依据，利用异或逻辑运算方式来构建位置匹配数组，表达式如式(6)所示。

Pc=Pn⊕Pd

(6)

式(6)中，⊕表示异或逻辑运算符号。

数据包转发延时比值计算公式如式(7)所示。

(7)

式(7)中，Tr表示传感器节点的数据包转发延时比值；Tave表示节点数据包传输时延；表示簇内数据包平均时延。

1.2 高阶马尔可夫链构造

依据上述构建的无线传感器网络节点属性模型，结合高阶马尔可夫链理论，构造传感器节点高阶马尔可夫链，定义网络正常节点模型，为后续异常节点检测奠定基础[7]。

高阶马尔可夫链是一个随机过程，具备无后效性，在已知时刻t状态前提下，时刻t+1状态只与时刻t相关，与其他状态均无关[8]。

基于马尔可夫链理论，结合传感器节点属性模型，构建传感器节点高阶马尔可夫链[9]。假设传感器节点状态集合为Θ={S1,S2,…,Sn}，则时刻t的传感器节点状态表达式如式(8)所示。

(8)

式(8)中，qt与qt+1分别表示时刻t与t+1的传感器节点状态；aij表示传感器节点状态从t→t+1的转换矩阵元素。

将传感器节点状态转换矩阵记为[aij]，其需要满足公式(9)。

(9)

传感器节点状态实时变化，经过多次转换后，节点状态概率计算公式如式(10)所示。

(10)

如公式(10)所示，多次转移概率矩阵需要经过多次迭代计算，导致无线传感器网络消耗能量较多，故采用一步转移法对其进行改进[10]。

通过上述过程完成传感器节点高阶马尔可夫链的构建，为后续异常节点检测提供标准与依据[11]。

1.3 节点分簇协议制定

在异常节点检测过程中，簇头占据主要位置，故需要制定科学、合理节点分簇协议，确定簇头节点并利用其获取传感器节点信息。

无线传感器网络中，所有节点需要遵循公平性准则与随机性准则。而决定节点是否能够在当前选为簇头节点，主要由节点信任度、剩余能量以及当选簇头次数等决定。在选取簇头后，将剩余节点按照RSSI与距离进行划分，直到所有传感器节点分簇结束为止。另外，簇头节点需要给自身成员分配时间间隙。

簇头节点选取表达式如式(11)所示。

(11)

式(11)中，I(n)表示簇头节点选取阈值；p表示无线传感器网络中簇头概率；r表示当前轮数；Ei表示簇头节点传输能量；Er表示选取簇头节点消耗能量；rep(n)表示传感器节点n的信任度；G表示r轮中非簇头节点集合。

传感器节点信任度计算公式如式(12)所示。

(12)

式(12)中，netihbor(n)表示每轮中参加簇头选取的节点总数；Dpt(i)表示节点n转发给节点i的数据包数量；DPr(i)表示每轮中节点n在节点i处接收的数据包数量；k表示计算参数；|Zn-Zk|表示节点数据包差值；dnormal表示设置的正常节点阈值。

为了防止节点被选为簇头节点，需要实时对传感器节点信任度进行更新，其更新表达式如式(13)所示。

repnew(n)=ωrepold(n)+(1-ω)rep(n)

(13)

式(13)中，ω表示时间衰减因子。

另外，在节点分簇完成后，簇内节点之间的数据传输需要消耗一定的能量，其能量计算公式如式(14)所示。

(14)

式(14)中，CH-counts表示簇头节点的总数量；Eelect表示传输或者接收一个字节的能量消耗量；εf表示自由空间能量；dist(xi-qij)表示簇内成员节点到达簇头节点的路径平方和。

为了降低无线传感器网络的整体消耗，尽可能降低簇内节点之间的传输耗能，即选取节点之间最小的传输路径[12-13]。

1.4 异常节点检测

根据得到的簇头获取传感器节点信息，根据高阶马尔可夫链构建无线传感器节点，判定待检测节点的类别(正常节点或异常节点)，实现无线传感器网络异常节点的检测。

网络异常节点检测具体步骤如下所示。

步骤一：依据节点属性模型，确定节点高阶马尔可夫链的状态空间，即建立传感器节点分类标准，本文将传感器节点状态划分为两种，分别为正常节点与异常节点，状态空间记为E={1,2}，其中1指正常节点，2指异常节点。

步骤二：依据步骤一确定状态空间，确定已知传感器节点相对应的状态。

步骤三：对步骤二获得结果进行统计整理，获取步长为1的马氏链转移概率矩阵，体现传感器节点转移过程中状态变化概率。

步骤四：采用“ADMCP法”进行“马氏性”检验，若通过检验，输出结果即为无线传感器网络节点判定结果；若未通过检验，表明上述步骤出现偏差或错误，需要对上述步骤进行检查与修正，即返回步骤一。

步骤五：对传感器节点高阶马尔可夫链进行分析，并输出网络节点判定结果(正常节点或异常节点)。

通过上述步骤，实现无线传感器网络异常节点的检测，为无线传感器网络的应用与发展提供更好地支撑与帮助。

2 实验结果分析

为验证提出方法与现有方法之间的应用性能差异，采用MATLAB软件设计实验。实验中采用的操作系统为Windows 10，系统运行内存约为8GB。

2.1 实验参数

实验中无线网络节点仿真区域为100×100。实验参数是保障实验顺利进行的关键，因此需要对其进行科学、合理地设置，具体如表1所示。

表1 实验参数表

2.2 无线传感器网络协议栈设计

为了保障实验的顺利进行，对无线传感器网络协议栈进行设计，具体如图2所示。

图2 无线传感器网络协议栈示意图

在实验仿真过程中，若出现异常节点，其会向周围改变自身到簇头节点最小的路径，以此为基础，吸收相邻节点的流量。设置传感器节点总数量为100，实验采用随机方式来生成无线传感器节点分布图。

2.3 实验结果分析

依据上述确定的实验参数，配置的实验数据，进行无线传感器网络异常节点检测实验，分别在时间与节点密集度自变量背景下，计算异常节点的误检率，以此来显示方法的应用性能，具体实验结果如表2 所示。

表2 误检率数据表

(2)自变量为节点密集度 %

如表2数据显示，随着时间的增加，误检率呈现为上升趋势；随着节点密集度的增加，误检率呈现为下降趋势。其中，在时间自变量下，现有方法误检率范围为0.99%～3.01%，提出方法误检率范围为0.59%～1.19%；在节点密集度自变量下，现有方法误检率范围为1.17%～3.59%，提出方法误检率范围为0.31%～2.56%。与现有方法相比较，提出方法异常节点误检率较低，充分证实提出方法具备更好的应用性能。