面向疾病诊断的体域网数据协同修正及抗攻击方法研究

本课题以在线疾病诊断为研究背景，针对体域网实用化进程所面临的三个挑战："特征获取失真"、"协同操作失信"、"情景感知失据"，有效解决目前人体及环境特征描述不准确、数据隐私保护难、情景生成适应性差的问题。首先探索异常数据检测与修正机制，采用模型驱动和非确定信息处理的方法解决特征信息获取困难、容易失真的问题；接着研究适用于体域网的抗攻击策略，采用信任评估对抗内部攻击，同时设计面向模型描述的动态安全管理机制，在数据收集的安全与效率间求取最佳平衡；然后研究情景学习与识别方法，消除感知过程中自组织映射的不稳定性和数据依赖性；最后，建模描述人体活动、环境变化、诱病因素间的映射关系，并利用态势感知理论预测未来的发病趋势，建立基于历史信息统计的在线疾病诊断模型及演示系统。

本课题围绕体域网关键技术，以在线疾病诊断为研究背景，针对体域网实用化进程所面临的特征获取失真、协同操作失信、情景感知失据三个挑战提出有效的解决方案并取得若干重要研究成果。在体域网数据采集和传输过程中，项目具体研究了外界干扰对数据真实性的影响，并提出了数据协同检测与修正机制。为了保障体域网中数据的隐私和安全性，提出了对抗网络内部攻击的解决方案，并深入研究信任评估模型与具有自适应功能的动态抗攻击管理机制。此外，项目建立了可供体域网自由配置的安全信息库，包含一系列与不同安全等级需求相适应的抗攻击策略，增强分配方案的健壮性、可扩展性和自适应性。项目通过对数据传输过程中的数据识别和融合方法的研究，有效提高了聚播模式下的数据采集精度和网络生存时间。在体域网组网聚类方法的研究中，项目充分考虑了体域网节点采集数据信息多的属性特点，优化聚类过程中覆盖集的分类，提出了基于博弈分类的最小连通与K覆盖集的算法，有效提高了数据收集效率和网络负载分配的公平性。同时，项目提出了基于行为分析的节点信任评估模型与安全路由算法，可使体域网判断自身所处的安全等级、预测未来安全态势并主动调整安全策略匹配应用需求。本项目较好地完成了研究课题的预期目标，成功搭建了基于历史信息统计的在线疾病诊断模型及演示系统，对未来体域网的发展提供了有力的理论基础和技术支撑。