[发明专利]一种无线传感器网络数据采集方法和系统

说明书

本发明公开了一种无线传感器网络数据采集方法和系统，所述方法包括：筛选当前时刻采集的数据值变化较大的节点，并判断其是否为异常节点；获取异常数据节点占比，当数据异常节点占比低于规模阈值时，过滤掉可信度低的节点数据后再启动紧急数据采集机制进行数据采集；当数据异常节点占比高于规模阈值时，启动紧急数据采集机制进行数据采集；本发明的优点在于：对节点可靠性和数据可靠性进行准确判断，同时保障紧急数据的快速收集，提高监测结果的准确性，从而使得无线传感器网络服务质量能更好地满足应用需求。

技术领域

本发明涉及数据采集领域，更具体涉及一种无线传感器网络数据采集方法和系统。

背景技术

无线传感器网络WSN(Wireless Sensor Network)在军事、医疗和工业等众多领域有着广泛的应用，集中体现在数据收集和事件监测方面。然而，无线传感器节点多为电池供电，计算能力和带宽容量有限，且经常部署在一些恶劣的环境中。这些因素极易导致节点出现异常和受到干扰，进而造成监测数据的可靠性得不到保障。无线传感器网络是以数据为中心的网络，对突发事件的快速响应和数据的可靠采集是非常必要的。

通常WSN中异常数据一方面由于节点自身故障或外界环境干扰引起的数据异常；另一方面由突发事件引起的数据变化超出正常幅度。前者是引起网络可靠性降低的重要因素，而后者是无线传感器网络的主要监测任务。无线传感器网络中异常数据检测通常借助统计学方法或充分利用邻近节点之间的空间相关性。如文献《Wang Chen,Lin Hong Zhi,Jiang Hong Bo.Trajectory-based multi-dimensional outlier detection inwireless sensor networks using Hidden Markov Models[J].Wireless Networks,2014,20(8):2409-2418》基于隐马尔科夫模型的数据异常检测方法，以先验数据为参考判断新产生的数据轨迹偏差，但阈值的设定需要大量数据支撑；文献《Wazid M,Das A K.AnEfficient Hybrid Anomaly Detection Scheme Using K-Means Clustering forWireless SensorNetworks[J].Wireless Personal Communications,2016,90(4):1971-2000》利用K-Means均值聚类对异常数据进行分类，对所有数据对象依据相似程度进行划分，该方法更适合集中式异常检测，对所有数据进行聚类，算法复杂性较高。数据采集是无线传感器网络主要功能之一，而采集数据的可靠性直接决定着网络的安全运行，但仅对异常数据进行筛选还不能完全满足对无线传感器网络数据可靠性的要求。无线传感器网络中数据来自众多传感器节点，因此，传感器节点的可靠性是影响数据采集可靠性重要诱因之一，而信任模型的出现解决了传感器节点路由选择、数据认证等方面问题，为节点可靠性判断提供了理论支撑。目前，信任模型已广泛应用在无线传感器网络领域，其中，文献《ISHMANOV F,MALIK A S,KIM S W,et al.Trust management system in wirelesssensor networks:design considerations and research challenges[J].Transactionon Emerging Telecommunication Technologies,2015,26(2):107-130》通过信任模型帮助寻找可靠的节点，提高了节点之间的协作和系统的性能；文献《赵治国,谭敏生,夏石莹,王舒.基于时间因素的无线传感网络信任模型[J].计算机工程与设计,2017,38(4):883-887》提出一种基于时间因素的WSN信任模型，利用动态反馈机制计算节点信任度，同时引入时间衰减模型降低网络时延、增加模型可信度；文献《周治平,邵楠楠.基于贝叶斯的改进WSNs信任评估模型[J].传感技术学报,2016,29(06):927-933》在直接信任度计算时使用异常衰减修正贝叶斯方程，并以熵作为参考为节点信任度赋权，很好地克服了主观赋值的局限性。当前WSN数据采集多以去冗余、降能耗为目的，如文献《应可珍,周贤年,毛科技,陈庆章.一种改进区域生长法的WSN数据采集算法研究[J].小型微型计算机系统,2019(3):567-572》用历史数据来降低冗余数据的采集，该算法只有在监测区域数据波动较小的情况下效果较好；文献《周伟,景博,黄以锋,焦晓璇,胡家兴,梁威.基于CS的机载分簇型WSN数据采集方法[J].通信学报,2015,36(5):130-139》基于压缩感知(Compressed Sensing)对数据进行随机压缩采集，有效缓解硬件资源的压力，但压缩采集会导致部分数据的失真。但随着物联网应用要求的不断提高，如车联网、自动驾驶等，感知层数据可靠性变得尤为重要。