CN103476040A - 带有隐私保护的分布式压缩感知数据融合方法 - Google Patents

Abstract

本发明请求保护一种带有隐私保护的分布式压缩感知数据融合方法，涉及无线网络领域。设计了一种分布式场景下，基于数据稀疏位置信息隐藏的隐私保护融合方法，通过数据稀疏支撑集特征学习、数据真实稀疏位置隐藏和分布式压缩感知融合观测，避免了传统隐私保护融合方法所带来的额外通信开销，更有利于传感器网络的数据处理。本发明提出的数据隐私保护融合方法对于传感器网络数据隐私保护效果明显，同时利用分布式压缩感知融合的策略能够有效地降低网络能耗，提高算法效率和数据处理性能，利于用户管理，便于网络应用及规模的拓展。

Description

带有隐私保护的分布式压缩感知数据融合方法

技术领域

本发明涉及无线网络领域，尤其涉及无线传感器网络的隐私保护数据融合机制。

背景技术

无线传感器网络（WirelessSensingNetwork，WSN）是由部署在监测区域内大量传感器节点构成，通过无线通信方式形成的一种自组织网络。随着硬件和软件技术的发展，其应用范围已逐渐深入到人类生活的各个领域。然而，传感器节点在计算和存储能力、通信能力以及能量等方面均存在一定的局限性，这使得数据融合技术成为无线传感器网络的研究方向之一。

数据融合技术是指将多份观测数据或信息，在一定准则下加以关联、分析，以组合出更有效、更符合用户需求的数据的一种信息处理技术，能够有效地均衡并降低无线传感器网络的能量消耗，增强所收集数据的准确性，提高收集效率。压缩感知理论（CompressedSensing，CS）是一种新兴的数据融合技术，它通过对原始数据进行观测编码与重构译码，达到在保留原始数据的重要信息的同时降低数据维数的目的，其融合效果已得到大量验证。针对分布式网络特性，分布式压缩感知理论（DistributedCompressedSensing，DCS)提出了相应的联合稀疏模型（JointSparsityModels，JSMs），在信号群联合稀疏概念的基础上，充分挖掘信号内和信号间的相关结构，合理地表示多个相关联的数据，打破了分布式网络中的数据采样和传输融合的发展瓶颈。

无线传感器网络采用无线媒介传输数据，应用过程中面临严重的数据安全威胁，包括节点隐私信息泄露、信息完整性损坏等。此外，传感器网络中的节点随机分布于应用场景，相同子区域内节点的感知数据之间存在一定的空间、时间相关性，从而产生大量冗余数据，极大地加重了网络的信息处理负担。考虑到无线传感器网络的数据隐私保护需求以及数据之间的相关性，通过分析任务目标数据，隐私保护数据融合机制可对需保护的原始数据进行有效地信息隐藏，并在数据传输过程中进行有效地融合处理。高效的隐私保护数据融合方法可以大大降低节点隐私数据泄露的可能性，并适应无线传感器网络能量受限的特性。

目前传感器网络中的隐私保护数据融合技术主要包括扰动技术，切分重组技术，端到端加密技术，伪装数据添加技术。WenboHe,XueLiu,HoangNguyen在“PDA:Privacy-preservingDataAggregationinWirelessSensorNetworks”【Proceedingsofthe26thIEEEInternationalConferenceonComputerCommunications(INFOCOM2007),Alaska,USA,2007】中利用数据扰动和多项式的可加性计算所需的融合值，并使得同区域内节点无法获得其它节点隐私数据。YangGeng,WangAn-Qi,ChenZheng-Yu在“Anenergy-savingprivacy-preservingdataaggregationalgorithm”【ChineseJournalofComputers,vol.34,no.5,pp.792–800,2011】中提出在传感节点处进行随机数据切分并分配随机时间片的方法，避免节点间数据碰撞并限制节点间共谋的数据范围，以保护数据隐私性并提高融合精度。StavrosPapadopoulos,AggelosKiayias,DimitrisPapadias在“Secureandefficientin-networkprocessingofexactSUMqueries”【Proceedingsofthe27thInternationalConferenceonDataEngineering(ICDE2011),Hannover,Germany,2011】中构造了一种基于求和同态加密函数和共享秘密数据技术的端到端隐私保护数据融合方法，该方法可在加密数据上完成数据融合和完整性验证。GroatMM,HeWB,ForrestS在“KIPDA:k-indistinguishableprivacy-preservingdataaggregationinwirelesssensornetworks”【Proceedingsofthe30thIEEEInternationalConferenceonComputerCommunications(INFOCOM2011),Shanghai,China,2011】中提出了一种非加密隐私保护融合策略，通过添加伪装数据实现隐私保护MAX/MIN非线性数据融合。

以上数据融合方法都包括了隐私保护数据构造和数据传输融合两个阶段。但是，其额外通信开销过大，计算复杂度较高，且未充分考虑传感器网络数据所具有的稀疏性、时间相关性和空间相关性等特性，不利于实际部署和应用。为了有效地提高传感器网络中隐私保护数据融合的性能，本发明提出一种基于稀疏位置隐藏的分布式压缩感知隐私保护数据融合方法。通过对原始感知数据进行稀疏变换和相关性特征学习，准确地获取各节点数据的稀疏支撑集分布特征，并在此基础上设计基于稀疏位置隐藏的数据匿名化策略，在对数据进行高效压缩融合的同时，完成对其隐私信息的有效保护。

发明内容

本发明所要解决的技术问题是：无线信道具有开放性，当无线传感器网络规模增大或应用场景增多时，传感节点采集的感知数据极易遭到窃听和泄露。此外，网络中所传输的数据具有稀疏性和时间-空间相关性特点，传统隐私保护融合方法难以对其进行有效利用以降低网络负担。针对上述问题，本发明依据传感器网络感知数据的特点，对数据的稀疏化表示（即稀疏支撑集）进行特征学习，将数据的稀疏支撑集分为共有与特有两个部分，发明了一种适用于分布式传感器网络场景下，基于数据稀疏位置信息隐藏的隐私保护融合方法，避免了传统隐私保护融合方法所带来的额外通信开销，更有利于传感器网络的数据处理。

本发明解决技术问题所采用的技术方案是：利用分布式压缩感知技术，将对原始数据进行稀疏变换所得的稀疏支撑集作为节点数据特征学习的重要参数。由于稀疏支撑集中的稀疏系数数值及位置分布与原始数据存在一一对应的关系，则数据在固定稀疏基下的稀疏支撑集具有惟一性，且其维数远低于原始数据。可见，在节点数据特征学习过程中，将感知数据集合的稀疏支撑集作为学习样本，可以充分挖掘传感网络内节点感知数据的自相关性和互相关性；并且，在汇聚节点对网络数据特征进行学习的过程中，将稀疏支撑集作为样本参数可以有效地节省计算开销。因此，本发明将节点感知数据受全局环境影响而具有的共同特点以共有稀疏部分来表示；将节点感知数据受局部环境影响而具有的自有特点以独立稀疏部分来表示。在稀疏基相同的情况下，同时表示感知数据群的共同特点和各节点数据的自有特点。

同时，本发明将网内感知数据群的稀疏支撑集作为全局隐私保护集合，并针对各传感节点生成满足约束条件的伪装数据，为其构造伪装数据配置信息。传感节点随后在数据的稀疏变换域上进行真实数据和伪装数据的特定位置填充，从而完成稀疏化隐私保护数据定制。随后，根据分布式压缩感知的线性性质，进行数据压缩观测和加性融合传输。最后，汇聚节点对融合数据进行联合稀疏重构，即可获得融合结果的稀疏支撑集。通过进行反稀疏变换，即可得到原信号表示域下的数据融合结果。具体为：

带有隐私保护的分布式压缩感知数据融合方法，对原始数据进行稀疏变换得到稀疏支撑集，将感知数据集合的稀疏支撑集作为学习样本；将稀疏支撑集作为全局隐私保护集合，并针对各传感节点构造节点隐私配置信息；传感节点在数据的稀疏变换域上进行真实数据和伪装数据的特定位置填充；汇聚节点根据稀疏支撑集，构造网络隐私配置信息，各节点根据隐私配置信息，合成隐私保护压缩观测数据；中继节点对压缩观测数据进行加性数据融合；汇聚节点对融合数据进行联合稀疏重构，获得融合结果的稀疏支撑集，进行反稀疏变换，得到原信号表示域下的数据融合值。

其中，汇聚节点将传感节点的感知数据作为隐私保护对象，同类型传感节点的感知数据均在同一稀疏基Ψ下进行稀疏变换，将每个原始感知数据表示为共有部分和独立部分的和Χ_j＝Ζ_C+Ζ_j,j∈{1,2,...,J}，其中，公共部分Ζ_C＝ΨΘ_C,||Θ_C||₀＝K_C，独立部分Ζ_j＝ΨΘ_j,||Θ_j||₀＝K_j，其中Θ_C与Θ_j分别表示节点j感知数据稀疏支撑集Θ_Cj中的共有部分和独立部分，K_C与K_j分别表示共有部分和独立部分的稀疏度。汇聚节点接收到网内节点上传感知数据集合后，构造并使用在线最小二乘支持向量机回归模型 $y_{\mathrm{LSSVM}}(x,t)=\underset{i=t}{\overset{t+l-1}{\mathrm{\Σ}}}{\mathrm{\α}}_i\left(t\right)k(x,x_i)+b\left(t\right)$ （其中t为时间参数，l为在线学习滚动窗口长度）对节点感知数据进行学习，挖掘其稀疏支撑集所隐含的数据相关性特征。完成学习后，汇聚节点根据感知数据集合的稀疏支撑集中的系数位置分布特征，构造网络全局隐私保护集合

并选择其子集与补集分别生成满足约束条件的各节点真实秘密集合以及节点私有隐私保护集合

从而构成节点隐私配置信息并下发至对应节点。各节点根据隐私配置信息，在自身感知信号的稀疏支撑集上进行伪装数据填充，生成感知数据的隐私保护稀疏表示矢量

随后使用全局共有的秘密观测矩阵Φ对其进行分布式压缩观测，合成新的隐私保护压缩观测数据。传输过程中，中继节点依据分布式压缩感知的线性可加性质（其中v为数据加权和，w为权重），对下游节点上传的压缩观测数据进行加性数据融合

并向汇聚节点转发。最后，汇聚节点对融合数据稀疏矢量特定位置进行扫描，即可获得真实数据和值的稀疏支撑向量 ${\mathrm{Sum}}_{{\mathrm{\Θ}}_{\mathrm{Cj}}}=\{v_1,v_2,\·\·\·,v_l\}|l\∈\mathrm{GSS}\},$ 通过反稀疏变换，求解出原数据融合值 ${{\mathrm{Sum}}_{x_j}}^{F^{-1}}={\mathrm{Sum}}_{{\mathrm{\Θ}}_{\mathrm{Cj}}}.$

本发明提出了一种带有隐私保护的分布式压缩感知数据融合方法，充分考虑了无线传感器网络数据的稀疏性和空间-时间相关性，利用数据稀疏变换以及在固定稀疏基下的感知数据稀疏支撑集的唯一确定性，设计了数据稀疏支撑集特征学习过程和稀疏位置伪装隐藏过程，从而准确地获得了感知数据的稀疏特性，充分地保证了对原始数据的隐私保护效果。与现有的无线传感器网络隐私保护数据融合方法相比较，本发明提出的方法能够有效地将高维数据表示为低维的分布式压缩观测值并进行融合操作，能够大幅地减少隐私保护操作带来的额外通信开销，有效地降低网络能耗。同时，本发明中的稀疏位置隐藏和随机压缩观测双重隐私保护过程能够大幅提高隐私保护性能和算法效率，利于用户管理，便于网络应用及规模的拓展。

附图说明

图1系统架构示意图；

图2无线传感器网络数据稀疏表示示意图；

图3数据集合稀疏特征学习过程表示图；

图4稀疏化隐私保护数据定制表示图；

图5带有隐私保护的分布式压缩感知数据融合方法流程图。

具体实施方式

无线传感器网络采用无线媒介传输数据，应用过程中面临严重的数据泄露威胁，其中包括节点隐私信息，节点信任信息等。同时，在数据传输过程中无需建立显式的端到端路径，节点之间需要交互大量的状态信息和数据。同时，各个传感节点存在能量有限性约束。因此，合理的隐私保护数据融合方法能够防止重要的感知数据遭到恶意窃听和泄露，同时能够有效地均衡整个网络的能量消耗，降低网络通信开销，实现高效地处理网络数据、提高网络生命周期的目的。

在实际的无线传感器网络中，节点大体上分为两类：大量的低资源传感节点和少量的高资源汇聚节点。传感节点负责采集监测区域内的目标对象数据；汇聚节点负责收集传感节点的数据并进行必要的信息处理。并且，汇聚节点的能量充沛，因此通常将汇聚节点看作是能量不受限的节点。

本发明的系统工作框架如图1所示，可分为3个阶段：第1阶段，传感节点首先对监测对象目标数据进行分布式压缩感知，并将感知数据上传至汇聚节点。汇聚节点对压缩观测数据进行联合稀疏重构和学习并获取数据特征。在阶段2，汇聚节点根据数据稀疏特征生成各节点隐私保护数据配置信息并下发。在随后的数据采集过程，即阶段3中，传感节点根据隐私配置信息生成隐私保护观测数据，并进行加性融合传输直至汇聚节点。汇聚节点对融合观测值进行解码，重构出原始融合值。

一、数据集合稀疏表示与特征学习

如图2所示为无线传感器网络数据稀疏表示示意图，其中黑色部分为公共稀疏部分位置，灰色部分为独立稀疏部分位置，白色部分为零值位置。本发明所引用网络拓扑如图2所示，归属于同一区域内的传感节点采集同类型的数据，并协作地以多跳方式将感知数据传输至本区域汇聚节点。由于归属区域相同的节点被密集地部署于同一区域内，因此不同节点间的数据之间存在着高度空间相关性。同时，由于大多数自然信号自身具有平滑而缓慢的物理变化特性，因此，对于无线传感器网络中的各个节点来说，其数据内部具有较强的时间相关性。相同区域内的节点在监测过程中所采集的数据受到两个方面因素的影响：分别为整个网络逻辑结构的全局环境因素及自身所处环境局部因素，从而构成一种联合稀疏模型。在本发明中，将传感节点采集的原始数据稀疏化表示为：

Χ_j＝Ζ_C+Ζ_j,j∈{1,2,...,J}\*MERGEFORMAT(1)

其中，J为数据集合大小，即同一区域内节点数。Ζ_C＝ΨΘ_C,||Θ_C||₀＝K_C，Ζ_j＝ΨΘ_j,||Θ_j||₀＝K_j，信号Ζ_C是所有Χ_j的共同组成成分，在稀疏基Ψ上是K_C稀疏的；信号Ζ_j是Χ_j的独立成分，在稀疏基Ψ上是K_j稀疏的。

初始状态下，传感节点按照网络预先设定的启动工作方式对目标数据进行分布式压缩感知，所获数据集合可由下式表示：

$\left\{\begin{array}{c}{y}_1={\mathrm{\Φ}}_1{x}_1={\mathrm{\Φ}}_1\mathrm{\Ψ}({\mathrm{\Θ}}_C+{\mathrm{\Θ}}_1)\\ y_2={\mathrm{\Φ}}_2{x}_2={\mathrm{\Φ}}_2\mathrm{\Ψ}({\mathrm{\Θ}}_C+{\mathrm{\Θ}}_2)\\ \·\\ \·\\ \·\\ y_j={\mathrm{\Φ}}_j{x}_j={\mathrm{\Φ}}_j\mathrm{\Ψ}({\mathrm{\Θ}}_C+{\mathrm{\Θ}}_j)\end{array}\right.\backslash *\mathrm{MERGEFORMAT}---\left(2\right)$

其中，y_j为M×1维的感知数据随机压缩观测投影矢量；x_j为传感节点j的感知数据，大小为N×1；Φ_j为节点j的随机高斯观测矩阵，大小为M×N；Ψ为N×N维的公共稀疏基；Θ_C和Θ_j分别为节点j数据稀疏支撑集中的公共部分和独立部分。随后，各节点将自身数据传输至汇聚节点。由于节点随机观测矩阵Φ_j是由各节点与汇聚节点所共享的随机种子所生成，因此，信号的随机压缩观测过程同时也等效为加密过程，对于没有获知随机种子的其它节点来说，压缩观测信号是毫无意义的噪声信号。

在接收到本区域内所有传感节点的观测数据后，汇聚节点对数据集合进行联合稀疏重构，通过求解最优化问题和线性方程求得数据集合的稀疏成分：

[Ζ_C;Ζ₁;Ζ₂;…Ζ_j]\*MERGEFORMAT  (3)

本发明通过构建在线最小二乘支持向量机回归模型，对数据集合稀疏支撑集特征

进行学习，以充分挖掘数据相关性结构，从而获得数据集合共同部分和各数据独立部分在稀疏变换域上的频谱分布特性，如图3所示。学习样本对集合可表示为：

其中l为在线学习滚动窗口长度，Z表示数据稀疏支撑集，且有：

$\left\{\begin{array}{c}\mathrm{Tx}\left(t\right)=Z_t,Z_{t+1},\·\·\·Z_{t+l-2}\\ \mathrm{Ty}\left(t\right)=Z_{t+1},Z_{t+2},\·\·\·,Z_{t+l-1}\\ Z_t\∈R^{K_C+K_j}\end{array}\right.\backslash *\mathrm{MERGEFORMAT}---\left(4\right)$

此外，核函数矩阵Q、拉格朗日乘子α和常偏差值b均为时间参数t的函数，表示如下：

$\left\{\begin{array}{c}{Q}_t(m,n)=k(x_{m+t+1},x_{n+t+1}),m,n=\mathrm{1,2},\·\·\·,l\\ \mathrm{\α}\left(t\right)={({\mathrm{\α}}_t,{\mathrm{\α}}_{t+1},\·\·\·,{\mathrm{\α}}_{t+l-1})}^T\\ b\left(t\right)=b_t\end{array}\right.\backslash *\mathrm{MERGEFORMAT}---\left(5\right)$

综上，本发明所构建的在线最小二乘支持向量机回归模型可由式（6）表示，其中y_LSSVM(x,t)为模型输出，即经过学习所获得的数据稀疏支撑集分布特性，i为循环下标，α_i(t)为拉格朗日乘子，k(x,x_i)为核函数，b(t)偏差值常量，x为输入样本：

$y_{\mathrm{LSSVM}}(x,t)=\underset{i=t}{\overset{t+l-1}{\mathrm{\Σ}}}{\mathrm{\α}}_i\left(t\right)k(x,x_i)+b\left(t\right)\backslash *\mathrm{MERGEFORMAT}---\left(6\right)$

二、稀疏位置配置与隐私保护数据生成

完成对数据集合的稀疏支撑集分布特征学习之后，使用汇聚节点对网络进行隐私保护数据的稀疏位置进行配置，将各传感节点的真实稀疏支撑集隐藏在伪装数据之中。节点j的完整稀疏支撑集为

用I＝{1,2,…,N}表示Θ_Cj的位置索引集。选择I的子集作为全局秘密集合GSS，GSS为汇聚节点私有的隐私保护信息集，其中J为数据集合的大小：

$\mathrm{GSS}={\mathrm{\Θ}}_C\∪\underset{j=1}{\overset{J}{\∪}}{\mathrm{\Θ}}_j\backslash *\mathrm{MERGEFORMAT}---\left(7\right)$

汇聚节点为每个传感节点j选择GSS的子集

作为存放节点j原始数据稀疏系数的真实位置集合，有为每个节点确定私有秘密信息集NSS^j，由GSS和其补集的子集

组成 ${\mathrm{NSS}}^j=\mathrm{GSS}\∪{\stackrel{\‾}{\mathrm{GSS}}}_{\mathrm{Sub}}$ 且有

且NSS^j由汇聚节点和传感节点j秘密共享。随后汇聚节点将NSS^j和

下发至相应节点j。

收到稀疏位置配置信息后，各传感节点根据要求对自身采集的数据进行稀疏化数据定制，新生成的隐私保护稀疏支撑矢量以

表示。在稀疏支撑矢量中

对应的位置，填充入j节点感知数据的稀疏系数；在

对应的位置，填入满足式（8）的随机伪装数据

在

对应的位置上填充满足式（9）条件的随机伪装数据

$0=\underset{l\∈{\mathrm{NSS}}^j-{\mathrm{NSS}}_T^j}{\mathrm{\Σ}}{v}_l^j\backslash *\mathrm{MERGEFORMAT}---\left(8\right)$

如图4所示，黑色位置为公共稀疏部分，灰色位置为独立稀疏部分的并集，棕色位置为各节点私有秘密集中的非全局部分，交叉线填充位置为节点j原始数据稀疏系数的真实位置集合。完成稀疏化隐私保护数据定制后，各节点使用公共密钥生成的随机观测矩阵对自身数据进行分布式压缩观测，新生成的隐私保护数据群如式（10）所示，其中

为生成的隐私保护数据，Φ为共有压缩观测矩阵：

$\left\{\begin{array}{c}\stackrel{\‾}{y_1}=\mathrm{\Φ}\stackrel{\‾}{x_1}=\mathrm{\Φ\Ψ}\stackrel{\‾}{{\mathrm{\Θ}}_1}\\ \stackrel{\‾}{y_2}=\mathrm{\Φ}\stackrel{\‾}{x_2}=\mathrm{\Φ\Ψ}\stackrel{\‾}{{\mathrm{\Θ}}_2}\\ \begin{array}{ccc}\·& \·& \·\\ \·& \·& \·\\ \·& \·& \·\end{array}\\ \stackrel{\‾}{y_j}=\mathrm{\Φ}\stackrel{\‾}{x_j}=\mathrm{\Φ\Ψ}\stackrel{\‾}{{\mathrm{\Θ}}_j}\\ \begin{array}{ccc}\·& \·& \·\\ \·& \·& \·\\ \·& \·& \·\end{array}\\ \stackrel{\‾}{y_J}=\mathrm{\Φ}\stackrel{\‾}{x_J}=\mathrm{\Φ\Ψ}\stackrel{\‾}{{\mathrm{\Θ}}_J}\end{array}\right.\backslash *\mathrm{MERGEFORMAT}---\left(10\right)$

三、数据融合与重构

在数据融合阶段，各节点将生成的压缩观测数据向汇聚节点传输。中继节点收到其下游节点的数据时，不对其进行解密操作，直接进行加性融合并继续上传，调用公式（11）进行融合操作获得网内融合数据

$\stackrel{\‾}{\mathrm{Sum}}=\stackrel{\‾}{y_1}+\stackrel{\‾}{y_2}+\·\·\·+\stackrel{\‾}{y_1}\backslash *\mathrm{MERGEFORMAT}---\left(11\right)$

汇聚节点收到网内融合数据后，根据分布式压缩感知的线性性质（如公式（12）所示，其中w_j为权值，v为数据加性融合值），对融合数据

进行恢复，重构过程如式（13）所示：

$\left\{\begin{array}{c}v=\underset{j}{\mathrm{\Σ}}{w}_j{x}_j\\ \mathrm{\Φv}=\underset{j}{\mathrm{\Σ}}{w}_j\mathrm{\Φ}{x}_j=\underset{j}{\mathrm{\Σ}}{w}_j{y}_j\end{array}\right.\backslash *\mathrm{MERGEFORMAT}---\left(12\right)$

$\begin{array}{c}\stackrel{\‾}{\mathrm{Sum}}=\stackrel{\‾}{y_1}+\stackrel{\‾}{y_2}+\·\·\·+\stackrel{\‾}{y_j}\\ =\mathrm{\Φ}\stackrel{\‾}{x_1}+\mathrm{\Φ}\stackrel{\‾}{x_2}+\·\·\·+\mathrm{\Φ}\stackrel{\‾}{x_3}\\ =(\stackrel{\‾}{x_1}+\stackrel{\‾}{x_2}+\·\·\·+\stackrel{\‾}{x_3})\\ =\mathrm{\Φ\Ψ}\left(\underset{j}{\mathrm{\Σ}}\stackrel{\‾}{{\mathrm{\Θ}}_j}\right)\end{array}\backslash *\mathrm{MERGEFORMAT}---\left(13\right)$

其中，A^CS为压缩感知信息算子。完成重构后，汇聚节点对获得的融合数据稀疏矢量中属于全局隐私保护集合的特定位置进行扫描，即可获得真实数据加性融合值的稀疏支撑向量对其进行逆稀疏变换，即求解出原始数据融合值

以供用户进一步使用，如式（14）所示，其中F^-1表示逆稀疏变换：

$\left\{\begin{array}{c}{\mathrm{Sum}}_{{\mathrm{\Θ}}_{\mathrm{Cj}}}=\{v_1,v_2,\·\·\·,v_l|l\∈\mathrm{GSS}\}\\ {{\mathrm{Sum}}_{x_j}}^{F^{-1}}={\mathrm{Sum}}_{{\mathrm{\Θ}}_{\mathrm{Cj}}}\end{array}\right.\backslash *\mathrm{MERGEFORMAT}---\left(14\right)$

本发明设计一种分布式场景下，基于数据稀疏位置信息隐藏的隐私保护融合方法，通过数据稀疏支撑集特征学习、数据真实稀疏位置隐藏和分布式压缩感知融合观测，避免了传统隐私保护融合方法所带来的额外通信开销，更有利于传感器网络的数据处理。

Claims (7)

1.带有隐私保护的分布式压缩感知数据融合方法，其特征在于，对原始数据进行稀疏变换得到稀疏支撑集，将感知数据集合的稀疏支撑集作为学习样本；将稀疏支撑集作为全局隐私保护集合，并针对各传感节点构造节点隐私配置信息；传感节点在数据的稀疏变换域上进行真实数据和伪装数据的特定位置填充；汇聚节点根据稀疏支撑集，构造网络隐私配置信息，各节点根据隐私配置信息，合成隐私保护压缩观测数据；中继节点对压缩观测数据进行加性数据融合；汇聚节点对融合数据进行联合稀疏重构，获得融合结果的稀疏支撑集，进行反稀疏变换，得到原信号表示域下的数据融合值。

2.根据权利要求1所述的方法，其特征在于：对原始数据进行稀疏变换得到稀疏支撑集具体为：同类型传感节点的感知数据均在同一稀疏基Ψ下进行稀疏变换，将每个感知数据表示为公共部分和独立部分的和Χ_j＝Ζ_C+Ζ_j,j∈{1,2,...,J}，其中，公共部分Ζ_C＝ΨΘ_C,||Θ_C||₀＝K_C，独立部分Ζ_j＝ΨΘ_j,||Θ_j}}₀＝K_j，Θ_C与Θ_j分别表示节点j感知数据稀疏支撑集Θ_Cj中的公共部分和独立部分，K_C与K_j分别表示公共部分和独立部分的稀疏度。

3.根据权利要求1所述的方法，其特征在于：感知数据集合的稀疏支撑集作为学习样本具体为：汇聚节点接收到网内节点上传的感知数据集合后，使用在线最小二乘支持向量机回归模型

对节点感知数据进行学习，挖掘其稀疏支撑集所隐含的数据相关性特征，其中，t为时间参数，l为在线学习滚动窗口长度，其中y_LSSVM(x,t)为模型输出，i为循环下标，α_i(t)为拉格朗日乘子，k(x,x_i)为核函数，b(t)偏差值常量，x为输入样本。

4.根据权利要求1所述的方法，其特征在于：构造节点隐私配置信息具体为，汇聚节点根据感知数据集合的稀疏支撑集中的系数位置分布特征，根据公式：

构造网络全局隐私保护集合，并选择其子集与补集分别生成各节点真实秘密集合以及节点私有隐私保护集合

从而构成节点隐私配置信息并下发至对应节点。

5.根据权利要求1所述的方法，其特征在于：各节点根据隐私配置信息，合成隐私保护压缩观测数据具体包括：各节点根据隐私配置信息，在自身感知数据集合的稀疏支撑集上进行伪装数据填充，生成感知数据的隐私保护稀疏表示矢量

使用全局共有的秘密观测矩阵Φ对其进行分布式压缩观测，合成新的隐私保护压缩观测数据。

6.根据权利要求1所述的方法，其特征在于：所述得到原信号表示域下的数据融合值具体为，中继节点对下游节点上传的压缩观测数据进行加性数据融合

并向汇聚节点转发，汇聚节点对融合数据稀疏矢量特定位置进行扫描，即可获得真实数据和值的稀疏支撑向量 ${\mathrm{Sum}}_{{\mathrm{\Θ}}_{\mathrm{Cj}}}=\{v_1,v_2,\·\·\·,v_l|l\∈\mathrm{GSS}\},$ 通过反稀疏变换，求解出原数据融合值 ${{\mathrm{Sum}}_{x_j}}^{F^{-1}}={\mathrm{Sum}}_{{\mathrm{\Θ}}_{\mathrm{Cj}}}.$

7.根据权利要求4所述的方法，其特征在于：所述进行真实数据和伪装数据的特定位置填充具体为，在稀疏支撑矢量中各节点真实秘密集合对应的位置，填充入j节点原始感知数据稀疏支撑集中的稀疏系数，在节点j私有秘密信息集

对应的位置，填入满足式的随机伪装数据

在

对应的位置上填充满足式

条件的随机伪装数据

其中a为任意值。

Images