大规模无线传感器网络中基于非均匀粒度划分与逐级精化的数据可信度快速溯源评估方法

A large scale wireless sensor network (WSN) covers a broad area that has a great quantity of data source nodes and longer average data transmission hops. As a result of complex and insecure environment, all the received data have to be passed trust evaluation before they are used for a critical decision making. The most important supporting information used by such an evaluation is provenance, which records the data source, data transmission and aggregation nodes as well as the history of the data processing at those nodes. Therefore, the provenance data overload, viz., the provenance is to big to be carried by a single wireless packet, exists broadly in large scale WSNs. To avoid that problem, the provenance is separated equally in size as a few small pieces and then transmitted independently nowadays. The drawback of such a kind of method is that only all the pieces are arrived correctly and then the provenance can be recovered precisely, which leads to the data trust evaluation lack of efficiency and robustness. In view of this, we present an efficient data trust evaluation method based on the provenance stepwise refinement with inhomogeneous granule in a large scale WSN. The receiver begins decoding the provenance from a coarse granule through earlier arrived provenance piece and then incrementally refine the decoding through the pieces arrived in succession until the precise result is retrieved. Provenance with different granules can be used to evaluate data in different strengths, the evaluation efficiency and robustness is then raised accordingly. At the same time, the provenance overload is also avoided by using our method.

大规模无线传感器网络（WSN）覆盖的空间跨度大、数据源众多且链路平均较长，因此采集的数据必须通过可信评估后才能使用。评估的主要依据是溯源文件（Provenance），它记载了数据的源、转发、汇聚节点，以及在这些节点上对数据的处理记录。因此在大规模WSN中普遍存在Provenance的数据量过载问题，现阶段一般采用分段传输的方法应对，但其问题在于必须等待全部分段准确到达接收方后才能开始重建Provenance，这导致了评估的效率低、鲁棒性差。鉴于此，我们提出了基于非均匀粒度划分与逐级精化的数据可信度快速溯源评估方法，接收方可依据先到达的分段建立粗粒度Provenance，并运用其后继到达的分段以增量方式不断细化解码粒度，直至获得精确结果。不同粒度的Provenance能为数据评估提供不同粒度（强度）的可信度，因此本项目可在解决Provenance数据量过载问题的同时提高评估的效率与鲁棒性。

在无线传感器网络中，数据溯源记录了数据产生、变更、合并以及传输的可信历史，是主流的数据可信评估和网络故障检测的证据性数据。当数据经过多次转发和聚合等操作之后，数据溯源大小会迅速膨胀，出现溯源数据量过载问题。基于上述问题，本项目提出一种大规模无线传感器网络中基于非均匀粒度划分与逐级精化的数据可信度快速溯源评估方法，具体包含以下主要成果：1）针对传统分段溯源方法对溯源分段丢失敏感以及无法从部分分段溯源信息进行数据可信度快速评估问题，项目组提出一种基于多粒度拓扑图的逐级精化溯源方法，该方法不仅有效克服了传统分段溯源方法鲁棒性差、溯源数据利用率低等不足，而且能够通过不同粒度层上的溯源数据进行数据可信度的快速评估；2）针对基于字典的溯源方法对网络拓扑变化敏感问题，项目组提出一种基于路径索引差分的溯源方法，该方法通过将新出现路径表示为骨干路径索引及两路径差分的形式实现溯源数据压缩，不仅克服了基于字典的溯源方法对网络拓扑变化敏感问题，而且实现了较高的压缩比。3）针对传统时间信道（一维）信道容量较小问题，并结合无线传感器资源受限的特点，提出一种基于二维时间信道的无线传感器网络溯源数据传输方法。首先，该方法利用伪数据包标识排序和数据包大小变化构建二维时间信道。然后，将该二维时间信道应用到无线传感器网络中溯源信息的传输上。基于二维时间信道的溯源传输方法提高了网络信道容量，为溯源传输节省更多能量。同时，也为以后通过构建多维时间信道来进一步提高时间信道容量提供了思路。项目研究期间，在国内外期刊和学术会议上发表论文近30篇，其中SCI检索12篇，EI检索10篇，授权发明专利3项，培养博士后2名，博士生5名，硕士生8名。本项目所取得的研究成果可有效解决无线传感器网络中数据溯源过载问题，实现通过溯源信息进行数据可信度的快速评估，具有较强的理论意义和实践应用价值，也为之后的数据溯源研究提供了借鉴和参考。