物联网终端安全接入数据网关状态预测仿真

王玉峰，高雅娟

(中国矿业大学银川学院，宁夏 银川 750021)

1 引言

新一代信息技术中物联网作为重要的构成部分，为采集客观世界中存在的测量数据，将终端感知网络作为触角，并将激光扫描器、视频摄像头、全球定位系统和射频识别装置等具有感知功能的信息网络在互联网平台中整合，实现物理系统与人类社会之间的互通互联[1]。传感器网络在物联网中不是孤立的，由于物联网的互联特征和广域特征，决定了其必须利用公共网络与企业网络和各政府网络连接传感器信息，因此物联网终端安全是不容忽视的[2]。为保障传统网络与物联网之间数据的安全交换，需要对物联网终端安全接入网关状态进行预测[3-4]。

文献[5]提出基于布谷鸟搜索的网络数据网关预测方法，该方法根据输出态势值和态势输入指标数计算BP神经网络中存在的输入输出节点数，通过试凑法和经验公式对隐含层中存在的节点数进行计算，初始化处理各层的阈值和连接权值，阈值和权值通过浮点数编码方式编码成布谷鸟，通过布谷鸟搜索算法实现数据网关状态的预测，该方法得到的预测结果与实际状态不符，存在预测准确率低的问题。文献[6]提出基于聚类分析的网络数据网关状态预测方法。该方法高效聚类融合多源异构非确定性信息源，获得安全态势，通过Dirichlet先验分布平滑处理后验概率，获得聚类分析结果，在聚类分析结果的基础上逐步量化评估网关状态，实现数据网关状态的预测，该方法预测所用的时间较长，存在预测效率低的问题。文献[7]提出基于RBF神经网络的数据网关状态预测方法。该方法利用RBF神经网络结合安全态势值时间序列的特点获得安全态势值的非线性映射关系，通过混合递阶遗传算法对网络的参数和拓扑结构进行寻优，在遗传算法中引入模拟退火算法实现数据网关状态的预测，该方法获取安全态势值对应的非线性映射关系所用的时间较长，存在预测效率低的问题。

为解决上述问题，提出物联网终端安全接入数据网关状态预测方法。部署网关路由节点，构建物联网信道传输模型，求解信道容量分析模型。构建多周期预测模型，以此实现物联网终端安全接入数据网关状态的预测。实验结果验证了所提方法的应用有效性。

2 网络信道传输模型与信道容量分析模型

1)网络信道传输模型构建

图1 网络信道传输模型

为了预测物联网终端安全接入数据网络状态，需构建网络信道模型，分析路由节点部署[8]。物联网终端安全接入数据网关状态预测方法通过分布式路由节点部署方法构建信道模型，在干扰滤波抑制方法的基础上进行信号滤波处理和路由探测，通过最短路径路由设计方法实现路由节点在网络中的部署，当传感数据在物联网终端的特征符合cjTc

为减少路由在物联网中的覆盖盲点，物联网终端安全接入数据网关状态预测方法通过链路均衡控制方法跟踪并识别信息，在卷积神经网络的基础上实现信息的分类，获得簇首节点在物联网中的最佳均衡配置，即物联网信道传输模型

(1)

式中，γth表示卷积因子；σ表示标准差；hi表示链路增益值；n描述的链路数量；k表示节点数量；G表示增益。

2)信道容量分析模型

设在单冲突域内存在N个节点，任何等待队列不为空的节点在物联网中竞争相同信道的概率为ξ，因此两次信道传输成功之间的时间间隔最小即为取得最大值的充分条件。

根据IEEE802.11的竞争机制分析可知，在一个范围内随着节点尝试发送概率ς的增加，节点成功发送数据的概率Psuc不断增加，但当节点成功发送数据概率Psuc达到峰值后，不再随着ς的增加而增加，开始出现下降趋势。

信道容量分析模型通过联合控制节点尝试发送数据的概率ς和数据包到达率λ，在满足延时约束的基础上获得最大信道容量。设Tmax表示端到端延迟约束值，则信道容量分析模型的表达式如下

(2)

式中，Di(λ，ς)表示数据时延约束，为第一个约束；ςmin表示节点尝试发送数据的最小概率ς；第二个约束为数据发送时间间隔在物联网中对发送概率范围的约束。

物联网终端安全接入数据网关状态预测方法通过拉格朗日乘子法和对偶分解法求解信道容量分析模型，拉氏函数的表达式如下

L(π，θ，λ，ς)=capch(ς)-

πd[Di(λ，ς)-Tmax]-θ(ς-ςmin)

(3)

式中，πd表示节点延迟因子；θd表示节点的竞争因子，以上两个因子均为对偶变量，即拉格朗日乘子。

在上式的基础上可获得对偶函数R(π，0)

R(π，0)=maxL(π，θ，λ，ς)=

max{capch(ς)-πd[Di(λ，ς)-Tmax]-θd(ς-ςmin)}

(4)

在对偶函数R(π，0)的基础上获得信道容量分析的对偶问题

(5)

物联网终端安全接入数据网关状态预测方法通过下述迭代算法求解上述问题，赋值对偶变量πd、θd以及原变量λ、ς，采用梯度法更新对偶变量值，根据更新后的对偶变量更新原变量值，当变量收敛时停止迭代[9]。

设t表示迭代次数，通过下述公式更新对偶变量

πd(t+1)=πd(t)-(Tmax-Di(λ，ς))

(6)

θd(t+1)=θd(t)-ξt(ςmin-ς)

(7)

利用对偶变量调整原变量：

1)对偶变量πd、θd以及原变量λ、ς进行赋值，πd≥0，θd≥0。

2)若ς没有收敛，联合竞争因子θd和时延因子πd对节点访问信道概率进行调整，通过下式计算ς

(8)

更新对偶变量竞争因子θd和时延因子πd值；若ς收敛，进行步骤4)。

3)若原变量λ没有收敛，通过时延因子πd调整数据包到达率，利用下式计算原变量λ：

(9)

根据计算结果更新对偶变量πd；如果原变量λ收敛，进行下一步，否则回到步骤2)中。

4)当λ收敛时，结束迭代；相反转到步骤3)中。

5)当ς收敛时，结束迭代；相反转到步骤2)中。

3 数据网关状态预测

在特定时间点特定传感器感知到的状态概率函数为p(si，ti，ck)∈[0，1]，是由三个参数构成的，其中ck∈C={O，F}，C表示传感器可能状态集合，即空闲和占用；tj∈T，T表示时间序列集合；si∈S={s1，s2，s3，…，sn}，S表示所有传感器集合。在时间序列T上预测需要建立模型预测函数p的值。

设[t0，tc]表示时间窗口；tp表示预测概率对应的时间点；p(si，tp，ck)表示在时间窗口中预测时间点状态与传感器状态所占的比例，其计算公式如下

(10)

对于时间窗口的周期模式，上述聚合预测模型针对性较低，计算量较小，但得到的预测结果与实际不符，不适用于物联网终端安全接入数据网关状态的预测[10]。

周期性重复事件在日常生活中存在很多，如果经过时间段l后，一件事如果出现了重复现象，则会在其它的不同时间点具有相同偏移。针对上述情况，根据时间重复理论可知单周期预测模型的预测能力较高。

周期l的整数倍可以作为时间窗口，设Tw表示时间窗口对应的大小，预测概率p(si，tp，ck)可通过下式计算得到

(11)

式中，γ(s，t，c)表示传感器状态统计函数。

时间的周期在实体的实际行为状态中会受到多种因素的影响，因此很多时候传感器感知到的为多周期混合影响下的结果，在这种情况下上述预测模型的精准度较低。为了提高预测精准度，物联网终端安全接入数据网关状态预测方法结合单周期预测模型和聚合预测模型提出多周期预测模型对物联网终端安全接入数据网关状态进行预测。

设LStp表示tp时刻存在周期事件，其表达式如下

LStp=(ci，li，λi，φi)

(12)

式中，ci表示传感器的状态；φi表示事件的概率；li表示周期；λi表示周期li对应的偏移。

用满足条件的概率支持度最大的事件在预测tp时刻状态为ci的概率时作为最有决定性作用的时间，传感器输出状态为ci的概率即为该时间对应的概率，构建多周期预测模型：

p(si，tp，ck)=max{φi|(ci，li，λi，φi)∈

LStp∩ci=ck}

(13)

利用多周期预测模型实现物联网终端安全接入数据网关状态的预测。

4 实验结果与分析

为验证所提物联网终端安全接入数据网关状态预测方法的整体有效性，对物联网终端安全接入数据网关状态预测方法进行多指标测试。本次测试所用的实验软件通过Matlab7设计。

4.1 不同方法的预测效率对比分析

分别采用物联网终端安全接入数据网关状态预测方法、文献[5]提出的基于布谷鸟搜索的网络数据网关预测方法和文献[6]提出的基于聚类分析的网络数据网关状态预测方法测试效率指标，实验结果中利用不同方法的耗时来体现效率，时间消耗越长，其效率则越低。不同方法预测耗时测试结果如图2所示。

图2 不同方法的预测时间对比结果

分析图2可知，在多次迭代中物联网终端安全接入数据网关状态预测方法对网关状态进行预测时，所用的时间均低于0.2min；在多次迭代中基于布谷鸟搜索的网络数据网关预测方法对网关状态进行预测时，预测所用的时间在第三次迭代中高达0.6min；在多次迭代中基于聚类分析的网络数据网关状态预测方法对网关状态进行预测时，预测所用的时间在第一次迭代中高达0.7min。对比物联网终端安全接入数据网关状态预测方法、基于布谷鸟搜索的网络数据网关预测方法和基于聚类分析的网络数据网关状态预测方法的测试结果可知，采用物联网终端安全接入数据网关状态预测方法对网关状态预测所用的时间最少，效率最高。这是因为物联网终端安全接入数据网关状态预测方法构建了网络信道传输模型与信道容量分析模型，通过网络信道传输模型与信道容量分析模型获取物联网终端安全接入数据网关状态的相关信息，缩短了预测所用的时间，提高了物联网终端安全接入数据网关状态预测方法的预测效率。

4.2 不同方法的预测准确率对比分析

分别采用物联网终端安全接入数据网关状态预测方法、文献[5] 方法以及文献[6]方法进行测试预测准确率指标测试，对比测试结果如图3所示。

图3 不同方法的预测准确率

分析图3可知，物联网终端安全接入数据网关状态预测方法在多次迭代中获得的预测准确率均高于基于布谷鸟搜索的网络数据网关预测方法和基于聚类分析的网络数据网关状态预测方法在多次迭代中获得的预测准确率。这是因为物联网终端安全接入数据网关状态预测方法结合单周期预测模型和聚合预测模型构建多周期预测模型，通过多周期预测模型对物联网终端安全接入数据网关状态进行预测，提高了物联网终端安全接入数据网关状态预测方法的预测准确率。

4.3 不同方法的网关数据转换效率对比分析

为进一步验证所提方法的实用性，以网关数据转换效率为指标，对文献[5]方法、文献[6]方法以及所提方法进行对比测试，结果如图4所示。

图4 不同方法的网关数据转换率对比

根据图4的实验数据可知，文献[5]方法和文献[6]方法下随着物联网终端接入时长的增加，网关数据转换效率逐渐增加，但是两种传统方法的效率增加幅度较小，相比之下，所提方法的网关数据转换率最高。本次实验结果验证了所提方法能够大大提高网络数据的转换率，不仅可以准确预测物联网终端安全接入数据网关状态，还优化了网关运行效果。

5 结束语

为改善当前物联网终端接入后网关运行状态不稳定问题提出新的物联网终端安全接入数据网关状态预测方法。为有效优化预测效率，采用最短路径寻优法部署网关路由节点，构建物联网信道传输模型。利用拉格朗日对偶分解法求解信道容量分析模型，以此提高预测准确度。最后构建多周期预测模型，实现物联网终端安全接入数据网关状态预测。

实验验证该方法能够在较短的时间内准确的预测物联网终端安全接入数据网关状态，提高网关数据转换效率，为物联网终端的安全运行提供了保障。