CN107027172B - 一种对抗可疑数据的分布式目标位置估计方法 - Google Patents

Abstract

本发明提供一种对抗可疑数据的分布式目标位置估计方法。现有方法计算开销大且估计过程所需时间较长，不够切合实际应用场景。本发明方法综合考虑观察噪声、量化噪声、人为错误数据、信道错误四种非理想因素，使用一次汇报数据，通过数次迭代，剔除可疑数据，仅利用剩余数据估算目标的位置。本发明方法首先传感器感知目标信号，将目标信号做量化处理后的数据发送给融合中心，然后融合中心接收来自网络中的N个传感器的一次测量汇报数据，融合中心迭代地估算目标位置与剔除可疑数据，最后得到目标位置估计结果。本发明方法只用一次观察数据，操作更简便，且迭代次数少，能很快达到收敛。

Description

一种对抗可疑数据的分布式目标位置估计方法

技术领域

本发明属于通信技术领域，具体是信号处理中的分布式目标位置估计领域，涉及一种对抗可疑数据的分布式目标位置估计方法。

背景技术

分布式目标位置估计是无线传感器网络的一种重要应用。一个典型的估计过程是由网络的传感器感知目标的相关信息(如目标发出信号的幅度信息)，传感器再将感知到的信息做简单的处理(即量化处理)，并将处理后的数据发送给融合中心；融合中心收到这些传感器发送的数据后，采用某种估计方法估算出目标位置。

上述分布式目标位置估计存在着四个方面缺陷：首先，传感器感知到的目标信号叠加了噪声。噪声会导致传感器感知到的信号幅度存在偏差，从而可能导致融合中心估算目标位置时产生误差；其次，由于无线网络信道带宽受限，传感器会将感知信号做局部处理，比如将感知到的模拟信号量化，只把量化等级发送给融合中心。量化过程会引入量化噪声，可能导致融合中心估算目标位置时产生误差；第三，无线传感器网络的开放性使传感器容易遭受攻击而被攻击者捕获，从而成为恶意传感器。恶意传感器会故意发送错误数据给融合中心。人为引入的错误数据会导致融合中心估算的目标位置存在偏差；第四，传感器与融合中心之间通过无线信道传输数据，信道差错是不可避免的。因此，一个传感器向融合中心汇报数据时可能出现传输错误，传输差错也会影响融合中心估算目标位置的准确性。

因此，上述四种缺陷都可能导致分布式目标位置估计性能的下降。目前已有一些分别对付这四种缺陷而提出的分布式目标位置估计方法，如在带恶意节点识别的分布式目标位置估计方法中，首先采用恶意传感器识别方法识别恶意传感器，在融合中心剔除人为错误数据，可以解决由恶意传感器汇报错误数据导致的分布式目标位置估计性能下降；又如基于信道感知的分布式目标位置估计方法，通过感知传感器与融合中心间传输信道的参数，解决由信道错误造成的分布式目标位置估计性能下降。

但是，目前尚没有能同时对抗四种缺陷并保证分布式目标位置估计性能不受环境缺陷影响的方法。同时，虽然带恶意节点识别的分布式目标位置估计方法能识别并剔除恶意传感器，使分布式目标位置估计性能免受恶意数据的影响，但恶意节点的识别通常根据其行为特征，而行为特征是一个统计量，需要累积一段时间内一个传感器数据汇报情况得到。因此，这种方法需要传感器多次向融合中心汇报数据，融合中心需要至少几十个观察周期才能识别恶意传感器，分布式目标位置估计过程才可达到收敛。因此，对带恶意节点识别的分布式目标位置估计方法而言，恶意节点没有被正确识别前，恶意传感器发送的认为错误数据依然会影响融合中心估算的目标位置的准确性。

在实用的分布式目标位置估计中，用户总期望有一种可靠的分布式目标位置估计方法，融合中心可以根据网络传感器一次汇报的数据准确估计目标的位置。

发明内容

本发明的目的是针对观察噪声、量化噪声、信道误码、恶意传感器人为错误数据影响分布式目标位置估计性能的问题，提供一种对抗可疑数据的分布式目标位置估计方法。

本发明方法综合考虑观察噪声、量化噪声、人为错误数据、信道错误四种非理想因素，使用一次汇报数据，通过数次迭代，剔除可疑数据(不符合融合中心期望的数据)，仅利用剩余数据估算目标的位置。

为了实现上述目的，本发明所采用的具体步骤为：

步骤一、传感器感知目标信号，将感知到的目标信号做量化处理，然后将处理后的数据发送给融合中心；具体过程如下：

(1)传感器感知目标信号得到本地感知信号：

在一个部署N个传感器的网络中，第i个传感器感知到的目标信号s_i为s_i＝a_i+n_i，i＝1,2,...,N，i为传感器序号；其中，n_i是第i个传感器的本地观察噪声，该噪声通常假设为加性高斯白噪声，服从均值为0，方差为σ²的正态分布，σ为实数常数；a_i为无噪声时第i个传感器接收到的目标信号幅度；假设目标信号幅度服从各向同性功率衰减模型，则其中，P₀与目标距离为d₀处测得的功率，κ是路径损耗因子，d_i是第i个传感器与目标之间的距离；在二维空间内，设第i个传感器的坐标为[x_i,y_i]，目标的坐标为[x_j，y_j]，d_i＝[(x_i-x_j)²+(y_i-y_j)²]^1/2。

(2)传感器量化本地感知信号得到量化测量数据：

由于无线网络传输带宽的有限性，传感器把本地感知信号变换成量化测量数据，然后发送量化测量数据给融合中心；具体而言，第i个传感器需要根据量化门限η＝[η₀＝-∞,η₁,...,η_M＝+∞]将本地感知信号s_i映射为量化符号m，即

u_i＝Ψ(s_i)＝m,如果η_m＜s_i≤η_m+1，m＝0,1,...,M-1，i＝1,2,...,N；

其中，Ψ(·)表示量化处理，u_i表示量化测量数据，M是u_i可能取值的总数目，称为量化等级数，η_m和η_m+1分别表示量化符号m所在量化区间的上下边界。

(3)传感器发送量化测量数据给融合中心：

v_i是第i个传感器向融合中心汇报的数据，如果第i个传感器的量化测量数据没有受到恶意篡改，则v_i＝u_i；否则v_i≠u_i。

步骤二、融合中心接收来自网络中的N个传感器的一次测量汇报数据：

融合中心收到的所有数据表示为向量w，w＝[w₁,w₂,...,w_N]；w_i为融合中心收到的来自第i个传感器的汇报数据；如传感器与融合中心间的传输信道未发生传输差错，则w_i＝v_i；如传感器与融合中心间的传输信道发生传输差错，则w_i≠v_i。

步骤三、融合中心迭代地估算目标位置与剔除可疑数据，最后得到目标位置估计结果；具体是：

(1)融合中心估算目标的位置：

设为第t轮迭代时融合中心估算目标位置所使用的数据对应的传感器集合，为第t轮迭代时融合中心估计的目标位置，t＝1,2,…；

在第t轮迭代时，融合中心利用接收到的来自集合中传感器汇报数据，采用最大似然估计器估计目标位置为：

其中，δ(·)是冲激函数，P(w_i＝m|θ)是w_i满足的条件分布；

P(w_i＝m|θ)＝Q((η_m-a_i)/σ)-Q((η_m+1-a_i)/σ)；

其中， 若θ＝[x_k,y_k]，则

当t＝1时，集合包含所有被融合中心接收到数据的传感器，即

(2)融合中心利用目标位置估计结果剔除部分可疑数据：

在t轮迭代时，融合中心由估算得到的目标位置计算属于集合的传感器的量化标称值即其中，为第i个传感器在第t轮迭代后的目标信号幅度的标称值 为第i个传感器与目标之间的距离在第t轮迭代后的标称值，

当时，融合中心判断来自第i个传感器的数据是可疑的，从而把第i个传感器从集合中删除，即

对集合中的所有传感器做上述判断，集合更新为用于下一轮迭代中估算目标位置；

假设第t轮迭代没有传感器从中删除，则融合中心结束目标位置的估计过程，且为融合中心最终估计的目标位置；否则，返回执行步骤三的(1)和(2)。

本发明是通过融合中心迭代地剔除可疑数据，利用剩余接收数据估算目标位置，与已有分布式目标位置估计方法相比，具有如下优点：

1、现有分布式目标位置估计大多只考虑无线网络中存在的一个或两个非理想因素，本发明方法综合考虑了可能存在的四种非理想因素，能够解决观察噪声、量化噪声、人为错误数据、信道传输错误造成估计性能下降的问题。

2、现有的安全分布式目标位置估计方法需要累积传感器一段时间内的行为，方可得到相应传感器的行为特征。恶意传感器没有被正确识别前，恶意数据依然会给分布式目标位置估计带来影响。这类方法不仅计算开销增大，且恶意传感器识别所需时间较长，不够切合实际应用场景。本发明方法只用一次汇报数据，操作更简便，且迭代次数少，能很快达到收敛。

附图说明

图1为本发明实施例中的系统模型示意图。

图2为本发明方法的流程图。

具体实施方式

以下结合附图并举实施例对本发明做进一步详细说明。

本实例工作在无线传感器网络中，如图1所示，部署N个传感器(本实例中部署传感器的区域为200×200的正方形区域，N＝100，通常取使传感器在区域中分布密集的N)，其中k个是恶意传感器(本实例中k＝10)。目标如图1中五角星所示。

如图2所示，本实例具体通过以下步骤实现：

步骤一、传感器感知目标信号，将感知到的目标信号做量化处理，然后将处理后的数据发送给融合中心；具体过程如下：

(1)传感器感知目标信号得到本地感知信号：

如图1所示，N个传感器感知目标信号得到本地感知信号表示为s₁,s₂,...,s_N；

(2)传感器量化本地感知信号得到量化测量数据：

传感器量化本地感知信号，得到的量化测量数据表示为u₁,u₂,...,u_N；

(3)传感器发送量化测量数据给融合中心：

恶意传感器篡改量化测量数据，如果第i个传感器的量化测量数据没有受到恶意篡改，则v_i＝u_i；否则v_i≠u_i；为使线条不过于密集，本实例画出了传感器24、63和83的数据流向；如图1所示，传感器83是一个正常节点，由虚线方向感知目标信号得到本地感知信号为s₈₃，发送的量化测量数据v₈₃＝u₈₃。类似的，传感器63也是正常节点，发送的量化测量数据v₆₃＝u₆₃；但传感器24是恶意传感器，发送的量化测量数据v₂₄≠u₂₄；传感器发送给融合中心的量化测量数据表示为v₁,v₂,...,v_N；

步骤二、融合中心接收来自网络中的N个传感器的一次测量汇报数据：

融合中心收到的所有数据为w＝[w₁,w₂,...,w_N]；如图1所示，传感器83和融合中心间的传输信道发生错误，w₈₃≠v₈₃；传感器63和24传输信道上没有发生错误，w₆₃＝v₆₃，w₂₄＝v₂₄；

步骤三、融合中心迭代地估算目标位置与剔除可疑数据，最后得到目标位置估计结果；具体是：

a.融合中心估算目标的位置：

为第t轮迭代时融合中心估算目标位置所使用的数据对应的传感器序号的集合；如图2所示，当t＝1时，融合中心利用接收到的来自集合中传感器汇报数据，采用最大似然估计器估计目标位置为：

b.融合中心利用目标位置估计结果剔除部分可疑数据：

融合中心由计算属于集合的传感器的量化标称值当时，融合中心判断来自第i个传感器的数据是可疑的，从而把第i个传感器从集合中删除，即

对集合中的所有传感器做上述判断，集合更新为用于下一轮迭代中估算目标位置；

假设第t轮迭代没有传感器从中删除，则融合中心结束目标位置的估计过程，且为融合中心最终估计的目标位置；否则，返回执行步骤三的a和b。

Claims (1)

1.一种对抗可疑数据的分布式目标位置估计方法，其特征在于该方法的具体步骤是：

步骤一、传感器感知目标信号，将感知到的目标信号做量化处理，然后将处理后的数据发送给融合中心；具体过程如下：

(1)传感器感知目标信号得到本地感知信号：

在一个部署N个传感器的网络中，第i个传感器感知到的目标信号s_i为s_i＝a_i+n_i，i＝1,2,...,N，i为传感器序号；其中，n_i是第i个传感器的本地观察噪声，该噪声通常假设为加性高斯白噪声，服从均值为0，方差为σ²的正态分布，σ为实数常数；a_i为无噪声时第i个传感器接收到的目标信号幅度；假设目标信号幅度服从各向同性功率衰减模型，则其中，P₀与目标距离为d₀处测得的功率，κ是路径损耗因子，d_i是第i个传感器与目标之间的距离；在二维空间内，设第i个传感器的坐标为[x_i,y_i]，目标的坐标为[x_j,y_j]，d_i＝[(x_i-x_j)²+(y_i-y_j)²]^1/2；

(2)传感器量化本地感知信号得到量化测量数据：

第i个传感器需要根据量化门限η＝[η₀＝-∞,η₁,...,η_M＝+∞]将本地感知信号s_i映射为量化符号m，即

u_i＝Ψ(s_i)＝m,如果η_m＜s_i≤η_m+1，m＝0,1,...,M-1，i＝1,2,...,N；

其中，Ψ(·)表示量化处理，u_i表示量化测量数据，M是u_i的量化等级数，η_m和η_m+1分别表示量化符号m所在量化区间的上下边界；

(3)传感器发送量化测量数据给融合中心：

v_i是第i个传感器向融合中心汇报的数据，如果第i个传感器的量化测量数据没有受到恶意篡改，则v_i＝u_i；否则v_i≠u_i；

步骤二、融合中心接收来自网络中的N个传感器的一次测量汇报数据：

融合中心收到的所有数据表示为向量w，w＝[w₁,w₂,...,w_N]；w_i为融合中心收到的来自第i个传感器的汇报数据；如传感器与融合中心间的传输信道未发生传输差错，则w_i＝v_i；如传感器与融合中心间的传输信道发生传输差错，则w_i≠v_i；

步骤三、融合中心迭代地估算目标位置与剔除可疑数据，最后得到目标位置估计结果；具体是：

a.融合中心估算目标的位置：

设为第t轮迭代时融合中心估算目标位置所使用的数据对应的传感器序号的集合，为第t轮迭代时融合中心估计的目标位置，t＝1,2,…；

在第t轮迭代时，融合中心利用接收到的来自集合中传感器汇报数据，采用最大似然估计器估计目标位置为：

其中，δ(·)是冲激函数，P(w_i＝m|θ)是w_i满足的条件分布；

P(w_i＝m|θ)＝Q((η_m-a_i)/σ)-Q((η_m+1-a_i)/σ)；

其中， 若θ＝[x_k,y_k]，则

当t＝1时，集合包含所有被融合中心接收到数据的传感器，即

b.融合中心利用目标位置估计结果剔除部分可疑数据：

在t轮迭代时，融合中心由估算得到的目标位置计算属于集合的传感器的量化标称值即其中，为第i个传感器在第t轮迭代后的目标信号幅度的标称值 为第i个传感器与目标之间的距离在第t轮迭代后的标称值，

当时，融合中心判断来自第i个传感器的数据是可疑的，从而把第i个传感器从集合中删除，即

对集合中的所有传感器做上述判断，集合更新为 用于下一轮迭代中估算目标位置；

假设第t轮迭代没有传感器从中删除，则融合中心结束目标位置的估计过程，且为融合中心最终估计的目标位置；否则，返回执行步骤三的a和b。