CN102176777B - 无线传感器网络中敏感信息的传输方法 - Google Patents

Abstract

本发明公开了一种无线传感器网络中敏感信息的传输方法，克服现有技术中传输敏感信息时节点能量消耗过快的缺陷，该方法中，传感器节点采用高斯随机矩阵对敏感信息进行线性编码得到敏感向量，对常规信息进行补零的稀疏化处理得到稀疏向量，对敏感向量及稀疏向量进行融合得到融合数据发送给基站；基站对融合数据进行观测获得观测值，利用解码矩阵及观测值重构稀疏向量，根据重构出的稀疏向量从融合数据中解析出敏感向量，利用高斯随机矩阵对解析出的敏感向量进行解码，获得敏感信息。本发明以较低能量消耗的方式实现了无线传感器网络对敏感信息的编码和隐藏通信，延长了传感器节点的使用寿命，提高了整个无线传感器网络的整体生存时间。

Description

无线传感器网络中敏感信息的传输方法

技术领域

本发明涉及无线传感器网络，尤其涉及一种无线传感器网络中敏感信息的传输方法。

背景技术

无线传感器网络(Wireless Sensor Network)是由分布在探测区域的大量传感器节点以及数据收集中心(一般称为基站)组成的网络。传感器节点通过无线连接的方式和基站建立数据通路，向基站发送测量得到的数据。

无线传感器网络目前应用范围非常广泛，比如军事战场、环境监测、工作环境温湿度检测等。在很多场合，传感器节点采集的往往是敏感信息，有一定的保密性要求，现有的方案一般是采用加密技术进行数据传输。

传感器网络中往往部署大量的传感器节点，从成本的角度考虑，这些传感器节点所安装的操作系统一般都是简单的嵌入式系统，其处理能力和能量供应都是有限的，因而稍微复杂一点的加密技术的采用，往往会导致传感器节点能量消耗较快，使得节点的使用寿命急剧下降，降低了整个无线传感器网络的整体生存时间。

因此，有必要在保障敏感信息机密性传输的同时，降低传感器节点能量消耗速度，延长传感器节点以及整个网络的使用寿命。

发明内容

本发明所要解决的技术问题是在于需要提供一种敏感信息的传输方法，以克服现有技术无线传感器网络中传输敏感信息时传感器节点能量消耗过快的缺陷。

为了解决上述技术问题，本发明提供了一种无线传感器网络中敏感信息的传输方法，所述无线传感器网络中包括基站和传感器节点；所述基站与传感器节点配置相同的随机密钥，所述基站利用所述随机密钥生成高斯随机矩阵，根据所述高斯随机矩阵生成相应的解码矩阵；所述传感器节点利用所述随机密钥生成所述高斯随机矩阵；

该方法包括如下步骤：

所述传感器节点采集获得敏感信息和常规信息，采用所述高斯随机矩阵对所述敏感信息进行线性编码得到敏感向量，对所述常规信息进行补零的稀疏化处理得到稀疏向量，对所述敏感向量及稀疏向量进行融合处理得到融合数据发送给所述基站；

所述基站对所述融合数据进行观测获得观测值，利用所述解码矩阵及所述观测值重构出所述稀疏向量，根据重构出的所述稀疏向量从所述融合数据中解析出所述敏感向量，并利用所述高斯随机矩阵对解析出的所述敏感向量进行解码，获得所述敏感信息。

优选地，所述基站根据所述高斯随机矩阵生成所述解码矩阵的步骤，包括：

所述基站根据所述高斯随机矩阵，利用如下表达式生成所述解码矩阵：

H_k×m×A_m×n＝0；

其中，

A_m×n为所述高斯随机矩阵，m＞n；

H_k×m为所述解码矩阵，m＞k。

优选地，所述传感器节点采用所述高斯随机矩阵对所述敏感信息进行如下式所述的线性编码得到所述敏感向量：

$y_m=\∂A_{m\×n}{S}_n;$

其中，

y_m为所述敏感向量；

为伸缩因子，取值大于零；

A_m×n为所述高斯随机矩阵，m＞n；

S_n为n个所述敏感信息。

优选地，所述伸缩因子等于1。

优选地，所述传感器节点对所述敏感向量及稀疏向量进行所述融合处理得到所述融合数据的步骤，包括：

所述传感器节点将所述敏感向量与所述稀疏向量相加，得到所述融合数据。

优选地，所述基站采用压缩感知理论或者快速正交匹配跟踪算法，利用所述解码矩阵及观测值重构出所述稀疏向量。

优选地，所述基站对所述融合数据进行观测，获得k个观测值；采用所述压缩感知理论，利用所述解码矩阵，在l₁范式约束下根据由所述k个观测值构成的观测向量重构出所述稀疏向量。

与现有技术相此，本发明提供的技术方案以较低能量消耗的方式实现了无线传感器网络对敏感信息的编码和隐藏通信，符合传感器节点处理能力和能量供应能力均较为有限的特点，延长了传感器节点的使用寿命，提高了整个无线传感器网络的整体生存时间。

附图说明

图1为本发明实施例的系统架构示意图；

图2为本发明实施例敏感信息的传输方法的流程示意图。

具体实施方式

以下结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达到相应技术效果的实现过程能充分理解并据以实施。

通信中的信息隐藏(Information Hiding)技术是一个能够保障数据隐秘性的方案，它将敏感信息通过一定的嵌入算法隐藏到普通数据当中，使得恶意第三方难以觉察到敏感信息的存在，从而实现了一定的隐秘性。但目前的信息隐藏嵌入算法应用在无线传感器网络中时，安全性上的强度还不够，往往还需要在无线传感器一侧借助于加密技术对敏感信息加密之后再进行嵌入和传输，因此不能简单地用于传感器网络之中。

压缩感知(Compressive Sensing，也称为压缩传感)技术能够以较少的测量信号精确重构被测量的信号(该信号必须是稀疏的或在某个变换域中为稀疏形式)，如果不知道编码阶段使用的编码矩阵，那么即便恶意第三方获取了压缩感知编码后的数据也不能恢复出原始数据。

本发明的技术方案中，传感器节点无需执行运算量大的加密操作，从而在实现敏感信息隐秘传输的同时，节点的生存时间也得以大大提高。拥有较高计算能力的基站负责利用压缩感知等技术，获得无线传感器节点采集到的敏感信息以及常规信息。

实施例一、无线传感器网络中敏感信息的传输方法

图1为本实施例的系统架构示意图，图2为本实施例的传输方法的流程示意图。

如图1所示，无线传感器网络中的传感器节点(图中示出第一节点N1、第二节点N2和第三节点N3)为配备了多传感模块的嵌入式节点，基站为具有较高处理能力、资源充足的设备。各传感器节点通过无线方式和基站进行通信。在部署网络时，基站和每个传感器节点分别共享互不相同的随机密钥K(各传感器节点之间所配置的密钥K互不相同且相互之间互不知晓，但基站同时拥有各传感器节点所配置的密钥K)，各自存储在掉电不会丢失的存储区中。

图2所示的本实施例，是以第一节点N1来说明本发明方法的技术方案的。在第一节点N1这个传感器节点中，预先根据随机密钥K生成高斯随机矩阵A_m×n(m＞n)并存储，基站也预先根据对应于第一节点N1的随机密钥K生成高斯随机矩阵A_m×n并存储，并根据如下所示的表达式(1)计算得到解码矩阵H_k×m(m＞k)并存储：

H_k×m×A_m×n＝0              式(1)

如图2所示，本实施例主要包括如下步骤：

步骤S210，传感器节点(第一节点N1)进行数据采集，将采集获得的敏感信息和常规信息保存在本地缓存区；

步骤S220，传感器节点根据如下所示的表达式(2)，采用本地所存储的高斯随机矩阵A_m×n对缓存的n个敏感信息S_n进行线性编码，得到长度为m的敏感向量y_m：

$y_m=\∂A_{m\×n}{S}_n$ 式(2)

其中，

为伸缩因子，较佳的取值范围为(0，1]，本实施例取值为1；当然其取值大于1也是可行的；

步骤S230，传感器节点对本地缓存区存储的常规信息进行补零的稀疏化处理操作，得到长度为m的稀疏向量e_m；

步骤S240，传感器节点对该敏感向量y_m及稀疏向量e_m进行融合处理，得到融合数据f_m后，将融合数据f_m通过无线网络发送给基站；

本步骤中，典型地，根据如下表达式(3)获得上述融合数据f_m：

f_m＝y_m+e_m                 式(3)

当然，其他实施例中也可以将敏感向量y_m和稀疏向量e_m分别乘以一个加权系数之后再进行相加得到融合数据f_m；

本实施例中根据敏感向量y_m和稀疏向量e_m得到融合数据f_m的计算过程仅涉及加法运算，也尽可能地降低了节点的能量消耗；

步骤S250，基站收到传感器节点(第一节点N1)发送的融合数据f_m后，对融合数据f_m进行观测，获得k个观测值；

步骤S260，基站利用解码矩阵以及由融合数据f_m的该k个观测值构成的观测向量y′_k来精确重构出稀疏向量e_m；

步骤S270，基站利用重构出的稀疏向量e_m从接收到的融合数据f_m中解析出敏感向量y_m；

步骤S280，基站利用本地存储的高斯随机矩阵A_m×n对所解析出的敏感向量y_m进行解码，获得n个敏感信息S_n。

本实施例中，上述伸缩因子

使得线性编码后获得的敏感向量对载体(稀疏向量)的影响尽可能的小，从而进一步降低被发现的可能。在实际应用时，其具体的取值可以根据具体的应用而定。

传感器节点在缓存区所存储的敏感信息到达数量n时，即采用上述表达式(2)进行线性编码。线性编码的运算复杂度低，仅涉及到乘法和加法运算，有效降低了传感器节点的能量消耗，从而也延长了整个无线传感器网络的寿命。

本实施例中，基站采用压缩感知理论，利用解码矩阵H_k×m以及由观测获得的k个观测值构成的一观测向量y′_k，在l₁范式约束下根据如下所示的表达式(4)来精确重构出稀疏向量e_m；

y′_m＝H_k×mf_m             式(4)

本实施例中，由于f_m＝y_m+e_m，而

因此：

进一步地，可得：

$y_k^{\′}=\∂H_{k\×m}\×A_{m\×n}{S}_n+H_{k\×m}{e}_m=\∂\×0_{k\×n}\×S_n+H_{k\×m}{e}_m=H_{k\×m}{e}_m;$

因此，基站根据上述表达式(4)，可以精确重构出稀疏向量e_m。

在其他实施例中，基站也可以采用快速正交匹配跟踪算法，利用解码矩阵H_k×m从融合数据f_m的观测值中获取稀疏向量e_m。

本实施例中，第一节点N1利用两个传感单元采集敏感信息及常规信息，其中一个传感单元采集敏感信息，另一个传感单元采集常规信息。当传感器节点存在两个以上的传感单元时，可以预先选定或根据具体情况选定其中一个采集常规信息。采集到的常规信息及敏感信息先进行缓存，当缓存区满时，从中提取数量为n的敏感信息s，构成S_n的列向量再进行线性编码。

在本实施例的一个实际应用中，传感器节点及基站所存储的高斯随机矩阵A_m×n，m＝2n。并且，传感器节点在对常规信息进行补零的稀疏化处理时，稀疏向量e_m中一半的数据为空，一半数据为常规信息，此时稀疏向量e_m的稀疏度为50％。在其他的实际应用中，稀疏向量e_m的稀疏度可以灵活调整，但稀疏度不高于n/m。

由于随机密钥K仅存储在传感器节点和基站，并且网络中各传感器节点所使用的随机密钥互不相同，因此在不拥有随机密钥K的情况下，第三方即便获得隐藏在常规信息中的敏感信息，也不能从传感器节点上传给基站的数据中恢复出敏感信息，从而保障了无线传感器网络中传输敏感信息的机密性。

本发明方法中，传感器节点和基站也可以仅存储随机密钥K，在进行敏感信息的传输过程中，实时生成相应的高斯随机矩阵(基站还实时生成相应的解码矩阵)，也是可行的。上述实施例中，在传感器节点的存储区预先计算并存储高斯随机矩阵A_m×n，后续在进行线性编码时可直接使用。高斯随机矩阵A_m×n只需计算一次，甚至可以在出厂时预先配置在传感器节点中，因此对传感器节点的生存时间不会造成什么影响。这种处理方式对于计算能力受限但存储资源较多的传感器节点尤为适用。同样地，基站侧也预先生成并存储高斯随机矩阵A_m×n以及与高斯随机矩阵A_m×n相对应的解码矩阵H_k×m。传感器节点预先生成并存储高斯随机矩阵，以及基站预先生成并存储高斯随机矩阵及相应的解码矩阵，可以提高数据传输效率。

本发明提出的技术方案在资源受限的节点一侧，只需执行简单的乘法和加法操作，运算量大部分体现在资源不受限(或者相对而言资源较丰富)的基站中，在实现了敏感信息的隐藏传输的同时，可以显著延长传感器节点以及无线传感器网络的生存时间，具有较好的应用价值。

虽然本发明所揭露的实施方式如上，但所述内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。在不脱离本发明所揭露的精神及范围的前提下，可在实施的形式上及细节上作任何的修饰与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (4)

1.一种无线传感器网络中敏感信息的传输方法，所述无线传感器网络中包括基站和传感器节点，其特征在于，

所述基站与传感器节点配置相同的随机密钥，所述基站利用所述随机密钥生成高斯随机矩阵A_m×n，根据公式H_k×m×A_m×n＝0生成相应的解码矩阵H_k×m，m＞n，m＞k；

所述传感器节点利用所述随机密钥生成所述高斯随机矩阵；

该方法包括如下步骤：

所述传感器节点采集获得敏感信息和常规信息，采用所述高斯随机矩阵对所述敏感信息进行线性编码得到敏感向量，对所述常规信息进行补零的稀疏化处理得到稀疏向量，对所述敏感向量及稀疏向量进行融合处理得到融合数据发送给所述基站；

所述基站对所述融合数据进行观测获得观测值，采用压缩感知理论或者快速正交匹配跟踪算法，在l₁范式约束下，利用所述解码矩阵及所述观测值重构出所述稀疏向量，根据重构出的所述稀疏向量从所述融合数据中解析出所述敏感向量，并利用所述高斯随机矩阵对解析出的所述敏感向量进行解码，获得所述敏感信息。

2.根据权利要求1所述的方法，其特征在于，所述传感器节点采用所述高斯随机矩阵对所述敏感信息进行如下式所述的线性编码得到所述敏感向量：

$y_m=\∂A_{m\×n}{S}_n;$

其中，

y_m为所述敏感向量；

为伸缩因子，取值大于零；

A_m×n为所述高斯随机矩阵，m＞n；

S_n为n个所述敏感信息。

3.根据权利要求2所述的方法，其特征在于：

所述伸缩因子

等于1。

4.根据权利要求1所述的方法，其特征在于，所述传感器节点对所述敏感向量及稀疏向量进行所述融合处理得到所述融合数据的步骤，包括：

所述传感器节点将所述敏感向量与所述稀疏向量相加，得到所述融合数据。

Images