CN111800787A - 隐私保护的传感器网络分散式参数估计方法 - Google Patents

Abstract

本发明公开了一种隐私保护的传感器网络分散式参数估计方法。本发明采用的技术方案为：传感器节点将量测数据和噪声方差密文发送给边缘计算节点，边缘计算节点对传感器节点的数据密文进行融合计算，并将融合后的结果发送给融合中心；存在一个信任中心生成密钥，并将密钥分发给融合中心和传感器节点；所述的融合中心收集到不同边缘计算节点的密文，解密得到对应的明文，并基于最佳线性无偏估计方法完成传感器所测量参数估计。本发明可以在边缘计算节点不对数据进行解密的情况下，实现多传感器量测数据的融合，提升了传感器网络的安全性。

Description

隐私保护的传感器网络分散式参数估计方法

技术领域

本发明属于电力电表数据处理领域，具体地说是一种隐私保护的低压台区边缘侧用电量数据汇聚方法。

背景技术

在传感器网络中，传感器节点需要将量测数据发送给融合中心。融合中心利用各个节点的量测值，基于最佳线性无偏估计实现对观测量的参数估计。为了降低通信开销，通常采用分散式参数估计的方法。在分散式参数估计中，传感器节点可以将数据先发送给边缘计算节点，边缘计算节点将融合后的数据发送给融合中心。为了防止量测数据被恶意窃取，传感器节点与边缘计算节点通信、边缘计算节点与融合中心通信都需要对数据进行加密。边缘计算节点为了进行数据融合，需要对传感器发送的密文进行解密得到明文数据。基于最佳线性无偏估计方法，边缘计算节点可以计算得到融合后的数据。边缘计算节点将融合后的数据进行加密后，发送给融合中心。融合中心收集到不同边缘计算节点的密文，并解密得到对应的明文，并基于最佳线性无偏估计方法完成参数估计。

边缘计算节点通常是安全防护能力相对较弱的智能终端，易受到黑客的攻击。传统分散式参数估计方法需要边缘计算节点对传感器的量测数据进行解密，这势必会增加敏感数据泄露的风险。

发明内容

本发明所要解决的技术问题是克服上述现有技术存在的缺陷，提供一种隐私保护的传感器网络分散式参数估计方法，其可以在边缘计算节点不对数据进行解密的情况下，实现多传感器量测数据的融合，以提升传感器网络的安全性。

为此，本发明采用如下的技术方案：隐私保护的传感器网络分散式参数估计方法，其内容为：传感器节点将量测数据和噪声方差密文发送给边缘计算节点，边缘计算节点对传感器节点的数据密文进行融合计算，并将融合后的结果发送给融合中心；

存在一个信任中心生成密钥，并将密钥分发给融合中心和传感器节点；

所述的融合中心收集到不同边缘计算节点的密文，解密得到对应的明文，并基于最佳线性无偏估计方法完成传感器所测量参数估计。

本发明基于同态加密机制和最佳线性无偏估计，使得边缘计算节点在无需获取明文的情况下，实现高精度的多传感器数据融合。

进一步地，在传感器网络中，将传感器节点划分为不同的簇，每个簇包含一个边缘计算节点；传感器节点将量测数据加密后发送各边缘计算节点，边缘计算节点对簇内的传感器数据密文进行融合后发送给融合中心。

进一步地，用H_i表示第i个簇的边缘计算节点，用S_ij表示第i个簇的第j个传感器节点，用N_i表示第i个簇的传感器节点数量，用M表示簇的数量；

所述传感器网络分散式参数估计方法的具体步骤如下：

1)对待测的物理量进行归一化，使得量测值0≤z_ij≤1；

2)对于某个无线传感器节点S_ij，其观测到的数据描述为：

z_ij＝x_ij+θ_ij，

其中，z_ij是量测值，x_ij是待测物理量的实际值，θ_ij是量测噪声；

3)对z_ij进行A/D变换，得到L_ij位的量化数据：

m_ij1＝ξ，(ξ-0.5)Q_ij≤z_ij≤(ξ+0.5)Q_ij，

其中，

ξ为非负整数；W表示待测物理量的最大值；

4)用

表示量测噪声方差，用

表示量化方差，令

5)用(n,g)和(λ,μ)分别表示加密的公钥和私钥，公钥存放在传感器节点，私钥存放在融合中心，边缘计算节点不部署密钥；

6)信任中心将公钥(n,g)下发给传感器节点，将私钥(λ,μ)下发给融合中心；

7)传感器节点用公钥(n,g)对m_ij1、m_ij2进行加密得到密文c_ij1、c_ij2；

其中，r_ij为小于

的随机正整数；

8)传感器节点将

和c_ij2发送给对应的边缘计算节点；

9)边缘计算节点收到传感器的数据后，进行以下融合计算：

10)各边缘计算节点将C_i1和C_i2发送给融合中心；

11)融合中心进行以下运算：

即为传感器所测量参数的估计值，

更进一步地，所述的公钥(n,g)和私钥(λ,μ)基于以下方式得到：

1)信任中心生成两个安全素数_p＝2p'+1、_q＝2q'+1，满足以下条件：

a)_p'和_q'也是素数，

b)|p|＝|q|；

2)信任中心计算n和λ：

n＝pq，

λ＝2p'q'；

3)定义函数

4)信任中心生成随机数g，并且L(g^λmod n²)与n的最大公约数为1；

5)信任中心计算μ＝(L(g^λmod n²))^-1mod n。

本发明具有的有益效果如下：由于本发明的边缘计算节点不存储密钥，其可以在边缘计算节点不对数据进行解密的情况下，边缘侧数据融合操作仅仅依赖于密文，实现多传感器量测数据的融合，可以有效提升传感器网络的安全性。本发明的方法与传统分散参数估计方法相比，其参数估计的均方差非常接近。

附图说明

图1为本发明具体实施方式中传感器网络结构示意图；

图2为本发明的方法和传统分散参数估计方法的参数估计均方差示意图。

具体实施方式

为使本发明的目的、技术方案和优点表达的更加清晰、明白，下面结合附图及具体实方式对本发明再做进一步详细的说明。

如图1所示的传感器网络，传感器节点被分为M个簇，每个簇有一个边缘计算节点。用H_i表示第i个簇的边缘计算节点，用S_ij表示第i个簇的第j个传感器节点，用N_i表示第i个簇的传感器节点数量。所有传感器节点被用于观测同一对象，待测物理量的值用x表示。用z_ij表示节点S_ij的量测值。传感器节点需要把数据密文发送给对应的边缘计算节点，边缘计算节点对数据密文进行融合后发送给融合中心，融合中心通过相应的解密算法恢复出参数估计值

在本实例中，M＝10，N_i＝10,i＝1,2,...,M。

1.对待测的物理量进行归一化，使得量测值0≤z_ij≤1。

2.对于某个无线传感器节点S_ij，其观测到的数据可以描述为z_ij＝x_ij+θ_ij；

其中，z_ij是量测值，x_ij是待测物理量的实际值，θ_ij是量测噪声。

3.对z_ij进行A/D变换，量化后的数据位数设定为8位：

m_ij1＝ξ,(ξ-0.5)Q_ij≤z_ij≤(ξ+0.5)Q_ij，

其中，

ξ为非负整数。

4.用

表示量测噪声方差，用

表示量化方差，令

5.用(n,g)和(λ,μ)分别表示加密的公钥和私钥，公钥存放在传感器节点，私钥存放在融合中心，边缘计算节点不部署密钥。

6.公钥(n,g)和私钥(λ,μ)基于以下方式得到：

(1)信任中心生成两个安全素数p＝2p'+1，q＝2q'+1满足以下条件：

a)p'和q'也是素数，

b)|p|＝|q|＝64；

(2)信任中心计算n和λ：

n＝pq，

λ＝2p'q'；

(3)定义函数

(4)信任中心生成随机数g，并且L(g^λmod n²)与n的最大公约数为1；

(5)信任中心计算μ＝(L(g^λmod n²))^-1mod n。

7.信任中心将公钥(n,g)下发给传感器节点，将私钥(λ,μ)下发给融合中心。

8.传感器节点用公钥(n,g)对m_ij1，m_ij2进行加密得到密文c_ij1、c_ij2：

其中r_ij为小于

的随机正整数。

9.传感器节点将

和c_ij2发送给对应的边缘计算节点。

10.边缘计算节点收到传感器的数据后，进行以下融合计算：

11.各边缘计算节点将C_i1和C_i2发送给融合中心。

12.融合中心收到来自不同簇的边缘计算节点的数据后，进行以下运算：

即为传感器所测量参数的估计值。

本发明给出的隐私保护分散式参数估计方法与传统分散参数估计方法相比，其参数估计的均方差(MSE)非常接近，相关仿真结果如图2所示，图2横轴表示A/D变换后的数据位数，纵轴表示均方差(MSE)。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (4)

1.隐私保护的传感器网络分散式参数估计方法，其特征在于，传感器节点将量测数据和噪声方差密文发送给边缘计算节点，边缘计算节点对传感器节点的数据密文进行融合计算，并将融合后的结果发送给融合中心；

存在一个信任中心生成密钥，并将密钥分发给融合中心和传感器节点；

所述的融合中心收集到不同边缘计算节点的密文，解密得到对应的明文，并基于最佳线性无偏估计方法完成传感器所测量参数估计。

2.根据权利要求1所述的隐私保护的传感器网络分散式参数估计方法，其特征在于，在传感器网络中，将传感器节点划分为不同的簇，每个簇包含一个边缘计算节点；传感器节点将量测数据加密后发送各边缘计算节点，边缘计算节点对簇内的传感器数据密文进行融合后发送给融合中心。

3.根据权利要求1或2所述的隐私保护的传感器网络分散式参数估计方法，其特征在于，用H_i表示第i个簇的边缘计算节点，用S_ij表示第i个簇的第j个传感器节点，用N_i表示第i个簇的传感器节点数量，用M表示簇的数量；

所述传感器网络分散式参数估计方法的具体步骤如下：

1)对待测的物理量进行归一化，使得量测值0≤z_ij≤1；

2)对于某个无线传感器节点S_ij，其观测到的数据描述为：

z_ij＝x_ij+θ_ij，

其中，z_ij是量测值，x_ij是待测物理量的实际值，θ_ij是量测噪声；

3)对z_ij进行A/D变换，得到L_ij位的量化数据：

m_ij1＝ξ，(ξ-0.5)Q_ij≤z_ij≤(ξ+0.5)Q_ij，

其中，

ξ为非负整数；W表示待测物理量的最大值；

4)用

表示量测噪声方差，用

表示量化方差，令

5)用(n,g)和(λ,μ)分别表示加密的公钥和私钥，公钥存放在传感器节点，私钥存放在融合中心，边缘计算节点不部署密钥；

6)信任中心将公钥(n,g)下发给传感器节点，将私钥(λ,μ)下发给融合中心；

7)传感器节点用公钥(n,g)对m_ij1、m_ij2进行加密得到密文c_ij1、c_ij2；

其中，r_ij为小于

的随机正整数；

8)传感器节点将

和c_ij2发送给对应的边缘计算节点；

9)边缘计算节点收到传感器的数据后，进行以下融合计算：

10)各边缘计算节点将C_i1和C_i2发送给融合中心；

11)融合中心进行以下运算：

即为传感器所测量参数的估计值，

4.根据权利要求3所述的隐私保护的传感器网络分散式参数估计方法，其特征在于，所述的公钥(n,g)和私钥(λ,μ)基于以下方式得到：

1)信任中心生成两个安全素数p＝2p'+1、q＝2q'+1，满足以下条件：

a)p'和q'也是素数，

b)|p|＝|q|；

2)信任中心计算n和λ：

n＝pq，

λ＝2p'q'；

3)定义函数

4)信任中心生成随机数g，并且L(g^λmod n²)与n的最大公约数为1；

5)信任中心计算μ＝(L(g^λmod n²))^-1mod n。

Images