基于压缩感知的无线多媒体传感器网络安全数据融合

摘要

提出了一种基于压缩图像感知和水印的安全数据融合策略;即利用图像加密中的稀疏性。该方法依赖于- 常规规则化，常见于压缩感测，以增强无线多媒体传感器网络的稀疏性的检测。得到的算法赋予具有学习能力的传感器节点，并允许它们从静止图像数据中学习稀疏结构，并且还利用水印方法来实现认证机制。我们提供每个节点的总传输量和能耗性能分析，并总结所提出的方法的峰值信号到噪声比值。我们还展示了如何自适应地选择采样参数。仿真结果说明了安全数据融合策略的优势。

1.介绍

随着无线通信技术的快速发展，无线多媒体传感器网络（WMSNS）是由于CMOS和CCD摄像机等低成本硬件的可用性以及不同类型的数据传输，如静止图像，多媒体流，多媒体流，和音频[1］．wmsn不仅增强了现有的传感器网络应用，如跟踪、家庭自动化和环境监测，而且还将使一些新的应用，如交通避免、执法和控制系统、先进的医疗保健服务等成为可能[2］．如今，当通过WMSNS系统传输越来越敏感的信息时，安全引起了研究界的注意力随着传感器的多媒体应用[3.］．

静止图像是wmsn的重要组成部分，通常用于短时间内事件触发观测的传输。因此，保护静态图像不受未经授权的访问是非常重要的。图像加密是保证安全并将原始图像转换为另一种难以理解的图像的方法之一。此外，传感器节点受到许多约束，包括能量性能有限、计算能力低、计算复杂度低、易被物理捕获、多媒体数据传输量大、使用不安全的无线通信信道[4］．由于这些限制，必须通过减少数据传输来最大限度地延长传感器的寿命。图像数据融合具有较高的功耗效率，对于计算受限、资源受限的无线多媒体传感器节点具有积极的作用。

在本文中，我们提出了一种新颖的应用抗压感，即用于WMSNS安全的轻量级静止图像加密模型。我们从压缩传感和水印上建立了我们的设计。通过分析WMSNS中的图像信号保持大量冗余信息，我们仅使用几个重要系数将捕获的图像投影到变换域。此外，我们利用水印方法来实现认证机制。然后使用新颖的重建算法来解密这些稀疏编码系数以恢复原始图像信号。我们利用传感器节点的高度稀疏数据，以获得只需几次测量的准确重建。所提出的算法的框架在图中示出1．

本文的主要贡献总结如下。(我)将信号域的压缩感知方法和层次融合技术相结合进行传感器数据融合，并应用于无线多媒体传感器网络。（ii）提出了一种集成的图像数据融合框架。在此框架下开发的算法可以在不同的传感器节点上传输有效的传感器数据量，延长网络的生命周期。本文组织如下：部分2介绍了相关工作。节3.，我们描述了静止图像的冗余分析，并为WMSNS安全提供静止图像加密和身份验证模型。然后，拟议方案表明数据重建方案。安全分析和性能评估在一节中给出4．最后,部分5提出结论和未来方向。

2.相关工作

通过消除冗余信息来减少数据传输数量的数据融合技术是一个重要的研究问题。这些研究表明，wmsn中的数据融合可能会在一些网络相关的性能指标(如能量、延迟、准确性、容错性和安全性)之间产生各种折衷(见表2)1)。根据传感器数据的抽象级别可分为三类:低级融合、中级融合和高级融合[5，6］．

低层次的融合．它也被称为信号值融合。它结合了几个原始数据来源来产生新的原始数据。Wimmer等人。[7[建议通过对后续静态SVM分类的图像和视频低级描述符的描述性统计来建议组合分析。该策略还允许在此将讨论的组合特征空间优化。mieslinger等。[8]提出了一种新的卫星太阳辐射值与地面实测时间序列相适应的方法。该方法在ESPSA和DZTAM两个站点以及DLR、EHF、GMS和HC3四个卫星数据提供商进行了测试。Wu et al. [9]提出了分布式传感器网络的简化分析模型，提出了以目标函数最大化为原则的路径计算问题，该目标函数与接收信号强度成正比，与路径损耗和能量消耗成反比。低层次融合可以保留最终决策过程的所有知识，并具有组合值空间优化的能力。Gao等人[10]提出了相似度模型和功率模型。该方案将多媒体数据分成多个不同的片段，并将有效片段传输到选定的传感器节点。

中级融合．它也被称为属性级融合。将实体的属性或特征(如形状、纹理和位置)进行融合，得到可用于其他任务(如对象的分割或检测)的特征图。王及尹[11]提出了一种基于感知哈希的鲁棒图像认证方案，该方案采用了感知图像哈希的分布式处理策略。该方案在保护多媒体数据不被非法访问的同时，也增加了能耗。Fucai等[12提出了一种新颖的局部动态重构图像传感器节点原型，用于无线多媒体传感器网络传输敏感图像。该方法采用局部动态重构的方法来减小数据量。中层融合减少了传输过程中的一些信息，实现了属性-空间组合优化。

高层次的融合．它也被称为决策水平融合。它需要决定或符号表示作为输入，并结合它们以获得全球决定。Blasch等人。[13]试图描述基于服务质量和信息质量的发展，分别支持用户和机器的高层次融合的moe。他们基于信息质量、鲁棒性和信息增益定义了HLF MOE。Costa等人[14]提出使用具有高度表达能力的贝叶斯模型来解决这个问题，该模型提供了来自低级来源的信息和高级信息融合系统之间更紧密的联系，并允许整个过程更自动化。他们用海军HLIF系统来说明这些想法。高层次的融合需要更高的人工智能算法。

简而言之，安全数据融合已经被纳入到广泛的现有传感器数据中。关键问题是如何在安全模式下将资源受限的wmsn生命周期延长到最长。因此，我们分析了不同领域的优势，构建了一种新的图像数据融合框架。

3.该方案

在本节中，我们将解释所提出的方案。我们在提出的框架中说明了两个阶段:静态图像加密和解密阶段。静态图像加密阶段首先获取多个来源的图像数据，然后分析WMSNs中图像数据存在大量冗余信息的事实，利用少量的显著系数将捕获的图像数据投影到变换域。在解密阶段，我们分析来自不同传感器节点的图像数据的相干测量。然后用一种新的重建算法对这些测量值进行解码，恢复原始图像数据。

3．1.静态图像加密

众所周知，WMSNs环境需要静态图像，在安全模式下尽量减少数据传输的能耗。其主要目标是如何安全地、经济地传输图像信号量。与普通数据不同，WMSNs中的图像信号通常包含大量的冗余信息，包括空间冗余和周围冗余[15]，纸张利用了指定静止图像加密模型的特性。

空间冗余利用图像通常通常包含强相关的像素和与统计相似性重复的相同亮度模式的事实[16］．冗余研究是通过预测一个像素值的基础上的邻近像素值。此外，同一图像块的可用性由其他块来表示，这是由于这些区域的光强度和颜色高度相关。因此，由所有像素值表示的图像存在高度的空间冗余。周围冗余描述了不同图像信号中相似环境的强相关像素。自然图像由表示物体及其风景的独立区域组成。我们关注WMSNs中目标的变化趋势，捕捉包含相同环境的图像信号。因此，通过消除这些冗余，可以获得较高的压缩比。

压缩感知由于其有趣的理论性质和广泛的应用领域，最近变得非常流行[17］．在这里，我们考虑压缩感知在传感器数据聚合。

假设表示传感器节点号的图像数据．通过压缩感知对传感器节点的图像数据进行编码，其形式如下: 假设自然像是某种程度上说是稀疏的和可以通过线性组合来表示向量的和．我们有,在那里为稀疏矩阵，是矢量只有非零的条目。测量方法描述为,在那里是矩阵和代表了测量(17］．在wmns应用中，存在噪声;我们定义作为 根据离散小波变换(DWT)采样原理，待测小波系数也应在低频范围内聚类。典型的测量值是均匀随机选择的。但是，通过有选择地放置样本但仍然是随机的方式，我们获得了更好的图像重建质量。本文提出了一种在频域上设计的适用于小波变换的采样矩阵。我们定义作为 在哪里是个对角矩阵写成 在哪里代表了傅里叶矩阵。拾取柱随机和是一个争抢的运算符，随机采取行．简单地说,(2)对不同频段随机进行部分傅里叶采样。显然，我们减少了要传输的信息总量，同时保证了预期的安全水平。压缩采样后，利用认证机制提高了传输的安全性和效率。接下来，我们讨论了如何用水印的方法来制作系数认证器。

取当地时间，取分钟值和第二个价值从WMSNs。算法如图所示2．找到的稀疏元素矩阵，设置事实()元素值为，和（)元素值为．此外，记录()和()元素值。当节点收到交付的包时，它选择稀疏元素作为一个标志，决定了数据的完整性。检查()和()的元素值与WMSNs上的当地时间MM值和SS值一致。如果值匹配，即()第th元素值等于MM值，(）Th元素值等于SS值，更新（)和()元素值。如果()元素值不等于MM值或(）Th元素值不等于SS值，传感器节点将拒绝包。

３．２．解密算法

来解密图像信号来自非结龙的测量我们利用- 优化和最小电视求解器。显然，我们利用相邻像素的相关性并最小化规范[18］．

考虑到周围的冗余，我们利用相邻的捕获图像信号的重建信号．目标函数为以及集合相等约束．的显示为原稿 在哪里是测量矢量．计算梯度在每一次迭代中,显示为原稿 在哪里为可调参数。根据图像信号的冗余约束，最小化重构信号的电视数，实现图像信号的重构一次。对象函数如下: 电视代表的是自然图像的像素之间的电视和表示周围向量的电视。首先，在不同的周围向量上找到每个像素点的匹配像素点，计算当前位置的偏导数，并修改相应的参数。更改小于给定阈值的参数值，直到最小值为止。

总之，静态图像解密的算法在算法中进行了总结1．

4.仿真结果

本节将提供广泛的仿真来说明所提方法的有效性。首先比较了传统加密算法与该方案的总传输量，然后描述了单跳网络中每个传感器节点的能量消耗。考虑一种加密方案，给出了恶意节点检测率(DR)或虚警率(FAR)随恶意节点比例变化的情况。最后，对解密后的信号进行了性能分析。我们开发了一个基于MATLAB实现的模拟器来评估我们提出的方案。以部署50个传感器为例网络场和通信半径为25米。假设所有图像在Daubechies-4小波域上是稀疏的，空间分辨率为．对于静止图像加密，我们呈现结果．

数字3.显示了WMSNs中不同数量传感器节点的总传输量。显然，该方案比现有方案提供更少的传输量[19］．本文提供了静止图像信号的节能传输。从仿真分析，传输量的量减少约18.3％而不是未加工的方案。

由于采用静态图像加密方案，不同的传感器节点消耗的能量不同。分析了静态图像加密与认证的安全性。为了便于比较，假设在信号跳网络上部署50个传感器。灵感来自[19),图4显示每个传感器节点的能耗。第1个节点消耗能量1950 mA，第2个节点消耗能量2050 mA，其他节点平均消耗能量500 mA。第一个和第二个节点消耗大量能量，然后加速死亡时间。但我们的方案降低了整个无线多媒体传感器网络的总能耗。数字5描述每个传感器节点的传输量。该方案在除第1和第2节点外的大部分传感器节点中提供了较小的传输量。但我们的方案减少了总传输量。

考虑到安全方案，本文分析了多媒体数据传输的安全性能。数字6描述了恶意节点检测率(DR)随恶意节点比例变化的情况。我们的工作假设攻击概率为0.02、0.25和0.5。随着恶意节点比例的增加，容灾呈现缓慢下降的趋势。当恶意节点的比例在范围内时，可以获得较高的恶意节点检测率。数字7描述了具有恶意节点比例的变化的误报率（远）。本文假设攻击概率为0.02,0.25和0.5。随着恶意节点比例的增加，远远继续上升趋势。当恶意节点的比例在范围内时，结果达到较低的虚警率。

考虑到图像数据的复杂性，我们将场景分为三类:简单场景、一般场景和复杂场景。数字8显示了不同场景下整个重建图像数据的MSE。可以看出，在数据融合的压缩和重构过程中，我们提出的方案、现有方案和未经处理的方案的图像质量存在误差。随着场景复杂度的增加，该方案的直接优势更加明显。

最后，为了演示图像信号的解密实用性，我们将其应用于3张256 × 256的图像:Peppers, Lena和Boats，并从平均10次运行中收集数据。表格1当测量次数为2000至6000时总结PSNR值（取样比率为12.2％至36.7％）。考虑到带宽和功耗的限制，测量6000的结果甚至略微更好，我们方案中的元素的百分比仅为36.7％。

仿真结果表明，所提出的图像加密与认证方案比现有方案具有更好的性能。但有些节点能耗大，生命周期短。

5.结论与未来方向

本文提出了一种安全的传统静态图像加密算法。我们开发了一种基于压缩图像感知的加密算法，该算法利用了传感器节点捕获的自然图像的固有高度稀疏性，并提出了只需少量采集即可重建图像的事实。我们减少了要传输的信息总量，并保证了预期的安全级别。此外，该设计提供的数据认证方案不受现有恶意节点的影响。结果表明，该方案能够安全、经济地传输图像信号。在未来的工作中，我们计划进一步提高压缩性能，节约节点能量。

利益冲突

作者声明，他们没有任何商业或联合利益，代表与所提交的工作的利益冲突。

致谢

中央高校基础科学研究基金项目(no . 110818001, no . 100218001);部分国家自然科学基金项目(no . 60903159, no . 61173153, no . 61300196)。关键词:边坡，边坡稳定性，边坡稳定性

参考

1. I. F. Akyildiz，W. Su，Y. Sankarasubramaniam和E. Cayirci，“传感器网络调查”，IEEE通讯杂志，第40卷，第5期。8页102-114,2002。视图:出版商的网站|谷歌学术搜索
2. I. F. Akyildiz, T. Melodia，和K. R. Chowdhury，“无线多媒体传感器网络的调查”，计算机网络第51卷第1期4，页921-960,2007。视图:出版商的网站|谷歌学术搜索
3. G. Z. Manel，Z.Ruken，M.José和B. Kemal，“无线多媒体传感器网络中的未来”，电信系统第45卷第5期1，页77-91,2010。视图:谷歌学术搜索
4. C. S. Deshmukh和S. V. Dhopte，“利用计算机科学和应用的压缩感知技术的网络环境”，无线多媒体传感器视频编码调查杂志，第6卷，第2期2，第13-17页，2013。视图:谷歌学术搜索
5. E. F. Nakamura和A. A. F. Loureiro，“无线传感器网络中的信息融合”，刊于美国计算机协会SIGMOD国际数据管理会议论文集，第1365-1371页，2008年6月。视图:出版商的网站|谷歌学术搜索
6. M. Guerrero-Zapata, R. Zilan, J. M. Barceló-Ordinas, K. Bicakci，和B. Tavli，“无线多媒体传感器网络安全的未来”，电信系统第45卷第5期1，页77-91,2010。视图:出版商的网站|谷歌学术搜索
7. M. Wimmer，B. Schuller和D. Arsic，“图像低水平融合，多模态情绪识别的视频特征”计算机视觉理论与应用国际会议的诉讼程序（Visapp '08），pp.145-151，Madeira，葡萄牙，2008年1月。视图:谷歌学术搜索
8. T. Mieslinger, F. Ament, K. Chhatbar，和R. Meyer，“一种可测量的和模型导出的太阳辐射时间序列融合的新方法，”能源Procedia，第48卷，1617-1626页，2014。视图:谷歌学术搜索
9. 吴强，“基于移动agent的分布式传感器网络数据融合算法研究”，《中国机械工程》，IEEE知识与数据工程汇刊，卷。16，不。6，PP。740-753,2004。视图:出版商的网站|谷歌学术搜索
10. “基于相似度匹配的无线多媒体传感器网络安全数据聚合”，《无线多媒体传感器网络安全研究》，国际分布式传感器网络，卷。2014年，第494853号，6页，2014年。视图:出版商的网站|谷歌学术搜索
11. Wang H.， Yin B.，“基于感知哈希的无线多媒体传感器网络鲁棒图像认证方案”，国际分布式传感器网络， 2013年，第791814号，9页，2013年。视图:出版商的网站|谷歌学术搜索
12. L. Fucai，J.朱志明和L. Yibin，“用于无线多媒体传感器网络的新型部分动态重新配置图像传感器节点”IEEE第九届嵌入式软件与系统国际会议论文集，pp.1368-1374,2012。视图:谷歌学术搜索
13. E. Blasch, P. Valin，和E. Bosse，“高水平融合的有效性度量”，刊于第13届信息融合会议的诉讼程序（Fusion'10）， 1-8页，2010年7月。视图:谷歌学术搜索
14. P. C. G. Costa，K.B.Laskey，K.C.Chang，W. Sun，C. Y. Park和S. Matsumoto，“高级信息融合，与贝叶斯语义，”第九届贝叶斯模型应用研讨会论文集, 2012年。视图:谷歌学术搜索
15. C. Tang和C. S. Raghavendra，“无线传感器网络的压缩技术”无线传感器网络， pp. 207-231，施普林格，纽约，美国，2004。视图:出版商的网站|谷歌学术搜索
16. S. K.IL和J. S. Lee，“使用冗余分析的无损医学图像压缩，”国际计算机科学与网络安全杂志，第6卷，第2期1，页50-56,2006。视图:谷歌学术搜索
17. D. L. Dohoho，“压缩传感”，IEEE信息理论汇刊号，第52卷。4，第1289-1306页，2006。视图:出版商的网站|谷歌学术搜索|Mathscinet.
18. l1-magic,http://www.l1-magic.org.．
19. “无线传感器网络的能量消耗和寿命分析”IEEE全球电信会议的诉讼程序（Globecom '02），第1卷，页21-25，台北，台湾，2002年11月。视图:谷歌学术搜索

版权

版权所有©2015 Rui Gao等。这是分布下的开放式访问文章知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。