在无线传感器网络故障检测建模和分析

文摘

严重影响网络故障的传感器节点的能量消耗不平衡,造成硬件故障,数据传输和攻击者入侵,低能耗的分布式故障检测机制,提出了一种无线传感器网络(LEFD)。节点的时间相关信息用于检测故障节点LEFD首先,然后采用空间关联信息检测剩余的故障节点,以便全面检查节点的状态,提高数据传输效率。此外,节点不需要交换信息与他们的邻居节点在检测过程中由于LEFD使用感知的数据节点本身来检测某些类型的错误,从而有效地减少节点的能量消耗。性能分析和仿真结果表明,该检测机制可以提高传输性能,有效地减少网络的能量消耗。

1。介绍

无线传感器网络(WSN)是由大量的传感器节点以自组织的方式部署在一个特定的区域。没有中央控制节点网络,和端到端信息传输可以通过多次反射的中间节点转发方式(1]。基础上的灵活、分布式和动态特性有广泛的应用,如战场、抢险救灾、勘探、环境威胁检测、和其他领域2]。然而,传感器节点经常遭受各种攻击和其他外部伤害,因为他们通常部署在严重的环境。此外,传感器节点的低制造成本和资源有限和无线覆盖。所有的因素将导致失败的节点,从而将减少监测数据的准确性。因此,网络节点故障检测是非常重要的,以确保监测结果的准确性。

传感器网络中传感器节点的故障检测算法可以分为集中式故障检测和分布式故障检测根据不同的数据处理方法(3]。集中故障检测算法通常需要被收集到一个特定的节点的所有信息,然后确定其他节点的状态。这些算法会导致许多问题,如单节点失败,信息损失和能源消耗(4]。分布式故障检测算法要求每个节点拥有的能力来检测故障,采用收集的数据本身或周围的节点来确定自己的缺点(5]。目前,故障检测算法中存在的一些问题如下(6]:(1)网络能源消费以牺牲更高的检测精度和较低的假阳性比率。现有检测算法中,传感器节点需要与它的邻居节点在故障检测,这将导致更高的能源消耗(2)故障节点的类型并没有充分考虑。因此,这些算法的检测性能会迅速下降,如果故障节点的类型增加(3)传感器节点收集数据的能力没有充分利用,并只使用传感器网络的空间相关性来实现故障检测算法复杂度的增加显著

为了解决上述问题,低能耗的分布式故障检测机制,本文提出了一种无线传感器网络。LEFD采用时间相关特性的传感器节点采集的数据来检测某些类型的故障节点,然后从网络中删除它们。LEFD可能减少时间和精力消耗在邻居节点之间的通信。然后,LEFD采用的空间相关性属性的WSN检测剩余的故障节点没有发现在初始检测阶段。如果一个节点的测量值是相同或相似的邻居在正常状态,节点可以被认为是一个正常的节点。否则,节点被认为是一个错误的节点。算法还考虑瞬态故障传感器读数和纠正错误数据使用收集的数据在短时间内出现瞬时故障时,避免错把正常的节点作为一个故障节点。

2。相关工作

分布式贝叶斯算法检测和校正节点故障在WSN (BAFD)提出了7]。BAFD,传感器节点与其邻居节点信息交流来获取事件的统计概率,失败节点的比率是用来识别事件和故障节点。提出了一种故障检测方案(8),其中每个节点检测到任何可疑行为在自己的阅读,使用时间相关和可疑节点需要与自信找到故障节点的邻居节点。该算法具有较高的检测精度和较低的通信开销,但不考虑瞬态故障的影响。作者在9)提出一个分布式的基于假设检验的拜占庭故障检测方法,Neyman-Pearson测试方法用于预测每个传感器节点的故障状态和邻近的传感器节点,节点的最终状态是由投票决定在这个机制。一个分布式故障检测方法提出了基于度量相关性(10]。该算法检测到故障节点通过传感器节点的内部指标的相关性。算法的计算复杂度较低,但它不考虑瞬态故障的影响。一个分布式局部故障传感器检测算法对无线传感器网络(dlf)提出了11),利用节点和相邻节点之间的相互测试结果来确定节点的状态。dlf具有较高的检测精度和较低的计算复杂度,但该算法需要至少两个相邻节点之间的通信,因此导致很多能源消耗。作者在12]提出一种故障检测机制基于隐马尔科夫随机场。HMRF模型是用来描述之间的关系的测量值和实际值传感器节点,然后HMRF模型的参数是通过变量误差估计方法来确定节点的状态。方法具有较高的检测精度和较低的假阳性的比率,但也会使计算复杂度高、能源消耗。在[13),一个完全分布式故障检测算法。在这个算法中,节点首先收集他们的社区和过程的测量以确定他们是否包含一个异常值和广播结果。然后,节点自主决定自己的操作状态。因此,算法的计算复杂度较低,同时该算法需要多次与它的邻居节点,因此导致很多能源消耗。作者在14)提出一个新颖的方法来检测传感器产生故障数据在一个分布式的方式。算法检测到故障本地集群中的节点通过簇头并使用信任概念识别失败的数据类型,这可能会降低对传感器故障节点概率的影响。然而,这种方法会导致传感器节点能耗不均。

可以看出,现有的检测算法没有充分考虑的类型错误的节点,导致检测性能变差。此外,多个相邻节点之间的通信产生的能量消耗。

旨在提高检测精度和减少能源消耗现有的检测算法,提出了一种低能耗分布式无线传感器网络故障检测机制。总结了本文的主要贡献如下:(1)低能耗的分布式故障检测机制,提出了使用传感器节点的时间相关信息来检测故障节点在初始检测阶段。在检测剩余的节点,其他节点不需要与检测到的故障节点通信,从而减少通信流量和网络能耗(2)充分考虑各种故障节点,以确保检测算法的性能。此外,该算法还考虑了节点可能瞬态故障传感器读数。对于瞬态故障,故障值将被及时纠正LEFD避免错把正常的节点作为一个故障节点,从而提高节点的利用率,减少假阳性的比率

3所示。系统模型

3.1。网络模型

传感器网络是一种特殊的无线通信系统,它不依赖于任何固定通信设施;它可以迅速部署在一个复杂的数据通信环境,和传感器网络的体系结构如图1。每个节点的角色一个路由器和端点和访问服务和无线主干接口(15]。没有绝对统治的WSN节点,每个节点都是平等和独立。节点之间的数据传输到目的节点的中间节点;也就是说,数据传输是由多次反射转发,能保证网络拓扑结构的灵活性。

假设节点随机部署在一个特定区域的数量 。这些传感器节点通信半径相同 。至少一个节点存储一直在执行之前收集的数据段故障检测算法。代表了在WSN th节点。节点的节点通信半径的邻居节点 。 表示所有的邻居节点 ,和代表的邻居节点的数量 。 表示节点的测量数据在 。它是假定段的数据已经收集了传感器并将它们存储在内存中t,也就是说, 。节点和节点是在相同或相似的环境中,这意味着你的邻居节点的也在同一事件区域如果节点在事件区域和邻居节点的同样也在正常区域如果节点是在正常区域。其余的参数如表所示1。

3.2。故障模型

节点仍然可以接收、发送、收集和处理数据,如果网络部分是错误的,但节点采集的数据通常是错误的。根据收集的数据异常节点,传感器节点的故障可分为下列特定类型(16]:(1)固定的错:传感器的故障相同的阅读、收集数据和数据不受环境的影响(2)随机故障:节点数据是随机和不确定(3)抵消错:节点数据偏离正常的价值观,和阅读如果环境变化可能会改变(4)瞬时故障:瞬时故障可能发生在很短的时间内由于硬件特点和环境影响的数据采集过程,导致数据异常发生一次或多次

为了提高传感器节点的利用率,本文认为节点与瞬态故障是正常的节点,因为这些节点的数据可以在大多数的时间。

4所示。提出了故障检测模型

4.1。检测原理

传感器节点收集的数据在短时间内暂时相关,这意味着收集到的数据是相同的或类似的在很短的时间内,改变并不是如此之大(17]。LEFD可以检测某些类型的故障节点基于这一特性,如随机故障和瞬态故障。在短时间内收集到的数据的价值是不稳定的,当这些错误发生。然而,本文将考虑与瞬态故障是正常的节点的节点,提高节点的利用率,所以只有在故障发生时收集到的数据生成的纠正;正常的节点不会被误认为是一个故障节点。矩阵确定是否有建立瞬态故障或随机故障的区别的基础上收集的数据节点。错误的数据将被收集到的正常数据在其他时间瞬态故障;因此,可以有效地减少假阳性的比例。然而,这并不足以只使用时间相关的信息。例如,节点的阅读仍然满足时间相关特性固定故障或抵消错误发生时,这类型的故障节点不能检测到使用时间相关特性,所以邻居节点是必要的。节点失败,如果大多数邻居节点收集到的数据不是类似于节点收集的数据;即传感器节点空间相关属性,这意味着大多数传感器节点有相同或相似的读数在较小的区域。

LEFD和现有算法之间的差异可以从上面的总结分析。首先,LEFD使用时间相关信息来检测某些类型的故障节点,并根据需要纠正一些值,然后采用的空间相关性属性节点检测剩余的故障节点。然而,现有的算法不使用时间相关信息,或仅采用空间关联信息来检测故障节点,所以总是未被发现的故障节点在网络中。其次,现有的算法不考虑瞬态故障节点,以便正常节点是错误的错误的节点,从而降低节点的利用率。

4.2。检测方法

最新的后可以获得节点的数据段收集数据的时间t。矩阵建立了根据

矩阵的每一行 , 是计算

在时间 ,的价值是纠正了 :

在其他时候任何测量值 可以认为它的价值在时间吗 。

方程(4)是用来确定传感器节点的初始状态:

为节点与国家0,初始故障状态的邻居阅读是0。然后,根据确定的最终状态节点(5)和(6): 在哪里 表示的邻居节点的数量和节点的数量可能是正常的状态。代表了节点故障阈值。 表示该节点是一个正常的节点。否则,节点是一个错误的节点。

例如,假设 和 ,的段所收集的数据节点在时间之前,是 ,和相应的值 。节点的邻居节点的阅读是 在 ,的值是 ,和 。然后,这个矩阵建立了根据(1):

有 和 根据(2)。根据(3)的价值修正为0;然后,有 。的测量值用于更新当有 ,也就是说, 。根据(4),初始故障节点的状态被认为是 ,代表节点吗是一个正常的节点。然后,该算法获得节点的邻居节点的数据在时间 。方程(6)显示 ,最后的状态是正常的。

从这个例子中可以看到,LEFD是一个非常有效的瞬态故障检测方法和随机错误。LEFD算法所示的详细描述1。

算法采用历史数据感知节点来确定节点的初始状态。节点可能是一个正常的节点,如果在短时间内收集到的数据是稳定的(几乎没有变化)。否则,节点可能是一个错误的节点。换句话说,只有传感器节点的数据可以用来识别的一些故障节点。确定节点的初始状态后,LEFD进一步确定其邻居节点的初始状态是正常的节点和一个正常的初始状态。节点将作为一个正常的节点,如果它的测量值是类似于大部分的邻居节点。在整个算法实现过程中,故障节点初始检测过程中标识不再能够与其他正常通信节点,和算法采用的数据节点的初始状态是正常的。这种方法不仅消耗更少的能源,也减少了错误检测率。此外,LEFD还考虑瞬态故障的节点。算法将纠正错误的读数出现瞬时故障时,这意味着算法采用阅读在其他时间而不是阅读在这个时间来进一步提高传感器节点瞬时故障的容错能力。

5。仿真实验和性能分析

5.1。性能指标

通常采用两个指标来评估故障节点识别的影响,即检测准确性和假阳性比率。检测精度(DA)是指故障节点数量之间的比例,正确识别和实际故障节点的总数: 在哪里代表一组算法和检测到的故障节点代表实际故障节点的集合。

假阳性比率(玻璃钢)是指正常的节点数量之间的比例是确定为故障节点和普通节点的总数:

大部分的能源消耗是由节点之间的通信(18]。因此,节点之间通信的总数可以采用代表整个网络。当节点的通信半径 ,假设当节点平均能耗与它的邻居节点一次 : 在哪里表示总能耗。

5.2。参数设置

LEFD的性能进行了分析使用NS2在这项研究[15]。为了保持通用性,它假定每个节点的位置是已知的和所有节点具有相同的通信半径 ,和阅读的节点在正常区域的分布 。至少5段的数据( )存储在每个传感器节点。的价值不应该选择过高,因为传感器节点存储能力有限。数据可能占用太多的存储空间的价值太高了。节点故障阈值5、节点故障阈值选择的基本思想是确定节点故障阈值根据传感器节点的容许偏差。关键的一步是设计一个观察者。观察者的输出和输出的传感器节点构成冗余信号,然后比较两个信号获取传感器剩余序列。的容许误差传感器节点被选中的节点故障阈值(19]。自固定的类似于抵消出错,这两种类型的缺点也被视为弥补缺点。的结果意味着100年的实验。所有的仿真参数如表所示2。

5.3。实验结果和性能分析

数据2(一个)和2 (b)显示不同的算法的性能比较结果用DA和玻璃钢只有抵消错误发生。可以看出,dlf的DA更高当传感器故障概率小于30%,如图2(一个)的DA LEFD提出BAFD相似;dlf的DA迅速减少而LEFD BAFD当传感器故障的概率高于30%。然而,dlf玻璃钢,较低的玻璃钢LEFD dlf的罗斯福和BAFD之间。基于上述因素,LEFD算法的性能表现之间的dlf BAFD当只抵消错误发生。

数据3(一个)和3 (b)显示不同的算法的性能比较结果用DA和玻璃钢只有随机故障发生时。可以看出传感器故障概率对哒,有一个小的影响和玻璃钢增加而增加传感器故障概率如图3。然而,LEFD也有良好的性能,甚至总是保持高DA和低玻璃钢的高传感器故障概率随机故障,自LEFD算法首先检查节点的阅读是否稳定在很短的时间内。节点可能是错误的,如果其读数不稳定,因为数据的随机故障传感器随机和不稳定。由于随机故障的范围从1到100年,dlf和BAFD是有效的故障比LEFD但效率较低。dlf的DA和BAFD也超过93%,和DA可能增加时(如BAFD)传感器故障概率增加。但dlf的玻璃钢和BAFD也增加当传感器故障概率增加。然而,玻璃钢LEFD几乎为零。

图4显示传感器故障概率和玻璃钢之间的关系如果瞬态故障发生 。可以看出,所有算法的玻璃钢增加随着传感器故障概率如图4。玻璃钢LEFD非常低,因为它有一个很好的处理瞬态故障的能力。例如,玻璃钢LEFD仍不到5%时,传感器故障概率是50%,因为LEFD确定收集到的数据是正确的根据段的数据。LEFD将替代目前的数据和收集的数据在另一个时间,以避免瞬态故障的影响如果数据是错误的。这就是为什么LEFD具有良好的瞬态故障容错性能。然而,dlf和BAFD不考虑瞬态故障,所以玻璃钢将继续增加随着传感器故障概率的增加。

数据5(一个)和5 (b)显示传感器故障概率之间的关系和DA /玻璃钢抵消错误时,随机故障,分别随机和瞬态故障发生。dlf的DA和LEFD几乎是相同的,如图5(一个)。dlf的DA和LEFD高于BAFD当传感器故障概率小于35%。然而,dlf的DA将迅速下降时,传感器故障概率大于35%。LEFD的玻璃钢是最低的三个算法。简而言之,LEFD算法的性能达到我们的预期在混合的缺点。

图6显示能源消耗之间的关系(EC)的dlf BAFD, LEFD和瞬时故障时的传感器故障概率比和偏移故障比率1:1、通信半径2,nontransient故障发生。可以看出,dlf已经高得多的能量消耗随着传感器故障概率的增加在相同条件下,如图6,因为每个节点需要与它的邻居节点至少两次(第一次通信交换初始数据集,第二通信交换每个节点的初始状态)。然而,节点还没有确定最终的状态需要第三沟通。因此,dlf总是相对较高的能源消耗。每个节点只需要与它的邻居节点一次BAFD,所以它的网络能耗是温和的和不会改变传感器故障概率。LEFD首先采用时间相关信息初始故障检测,和每个节点不需要在这个过程中与它的邻居节点。只有节点检测到有正常状态需要与邻居节点和通信消耗额外的能量。因此,大多数的节点将检测到故障节点LEFD算法在传感器故障概率高,和网络的能源消耗也减少。总之,LEFD算法的能耗很低。

6。结论

网络是现代移动通信系统的一个重要组成部分。然而,网络性能严重影响由于破损数据链路和网络拓扑的频繁变化。因此,提出了一种低能耗的分布式故障检测机制基础上。LEFD采用传感器节点收集的数据序列本身来检测特定类型的故障,然后进一步使用邻居数据来确定节点的状态,从而减少通信流量和网络能耗。此外,LEFD还考虑了节点可能瞬态故障。对于瞬态故障,故障值将被及时纠正LEFD避免错把正常的节点作为一个故障节点,从而减少假阳性比率。仿真结果表明,LEFD具有较高的检测精度,假阳性的比率低,和更少的能源消耗为各种缺点。未来的研究将研究容错方法,系统可能提供一种新的方式的有效传输数据和无处不在的路由。

数据可用性

使用的数据来支持本研究的发现正在禁运而研究成果商业化。请求数据,12个月后出版的这篇文章中,将会被相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由中国国家自然科学基金(61571162,61571162),黑龙江省自然科学基金(F2016019)部Education-China移动研究基金会(MCM20170106),和大学护理程序为年轻学者与黑龙江省创新型人才(unpysct - 2017125)。

引用

1. z . Chen m . w .梁,他和k·陈,“Trust-aware和低能耗安全拓扑结构的无线传感器网络协议,”杂志上的传感器文章ID 716468卷,2015年,10页,2015。视图:出版商的网站|谷歌学术搜索
2. m·p·范蒂a . m . Mangini和w·Ukovich”标记的佩特里网故障检测的集中式和分布式方法,”IEEE自动化科学与工程,10卷,不。2、392 - 404年,2013页。视图:出版商的网站|谷歌学术搜索
3. m . Saihi b Boumedyen、A . Zouinkhi和m . n . Abdlkrim”一个真正的时间集中在无线传感器网络故障检测应用,”国际会议上自动化、控制工程和计算机科学(ACECS 14)苏塞,页95 - 101年,突尼斯,2014年3月。视图:谷歌学术搜索
4. d .科比:费舍尔,a·卡尔拉,d . ha”案例研究:集中接地故障检测系统LADWP无稽的分销系统,”第41届西方保护继电器的会议,页1 - 10,斯波坎,华盛顿,2014年10月。视图:谷歌学术搜索
5. c罗、j·p·林奇和m .刘“分布式reference-free自治无线传感器网络故障检测方法,”IEEE传感器杂志,13卷,不。5,2009 - 2019年,2013页。视图:出版商的网站|谷歌学术搜索
6. r . Rafeh”,提出了一种分布式无线传感器网络故障检测算法,”软计算杂志,卷2,不。2、26 - 35周不等,2014页。视图:谷歌学术搜索
7. b . Krishnamachari和s . Iyengar“分布式贝叶斯算法容错事件区域检测的无线传感器网络,”IEEE计算机,53卷,不。3、241 - 250年,2004页。视图:出版商的网站|谷歌学术搜索
8. k·p·沙玛,t·p·夏尔马rDFD:被动的分布式无线传感器网络故障检测,”无线网络,23卷,不。4、1145 - 1160年,2017页。视图:出版商的网站|谷歌学术搜索
9. m .熊猫和p . m . Khilar“分布式拜占庭故障检测技术在无线传感器网络中基于假设检验,”电脑和电子工程48卷,第285 - 270页,2015年。视图:出版商的网站|谷歌学术搜索
10. 问:刘、杨y、x秋”metric-correlation-based分布式无线传感器网络故障检测方法,”学报2015年IEEE计算机和通信(ISCC)研讨会上华盛顿特区,页526 - 531,美国2015年7月。视图:谷歌学术搜索
11. j·陈,美国kh和a . Somani“分布式无线传感器网络故障检测,”程序的可靠性问题研讨会在无线ad hoc网络和传感器网络(睡椅06年)洛杉矶,页65 - 71年,佛罗里达州,美国,2006年9月。视图:谷歌学术搜索
12. j .高,j·王,张x”HMRF-based分布式无线传感器网络故障检测,”2012年IEEE全球通信会议(GLOBECOM)阿纳海姆,页640 - 644年,CA,美国,2012年12月。视图:出版商的网站|谷歌学术搜索
13. f . w . Li低音部,d . Dardari和m .麻醉品”分布式无线传感器网络故障检测,低”IEEE国际会议交流,页6712 - 6718,吉隆坡,马来西亚,2016年5月。视图:谷歌学术搜索
14. z Taghikhaki和m·沙里夫”,建立了一个基于信任的分布式数据故障检测算法对无线传感器网络来说,”2008年11日国际会议上计算机和信息技术战争怎样惊人地扩大,页1 - 6,孟加拉国,2008年12月。视图:出版商的网站|谷歌学术搜索
15. n Marchang r·达塔,“轻量级客户移动ad hoc网络路由协议,”专业信息安全》第六卷,没有。2、77 - 83年,2012页。视图:出版商的网站|谷歌学术搜索
16. Q.-J。小王和J.-L。程”,对故障模式的研究和诊断的甲烷传感器,”中国矿业大学和技术杂志》上,18卷,不。3、386 - 388年,2008页。视图:出版商的网站|谷歌学术搜索
17. p .江”,一个节点在无线传感器网络故障检测的新方法,”传感器,9卷,不。2、1282 - 1294年,2009页。视图:出版商的网站|谷歌学术搜索
18. a . Cornejo s Viqar和j·l·韦尔奇”可靠的移动ad hoc网络邻居发现。”特设网络,12卷,不。6,259 - 277年,2014页。视图:出版商的网站|谷歌学术搜索
19. x h .王”,研究基于传感器故障检测阈值选择原则,“机械工程及自动化,4卷,不。2、105 - 106年,2009页。视图:谷歌学术搜索

版权

版权©2018双佳et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。