无线传感器网络安全问题研究(物联网传感器理论与技术)

物联网无线传感器网络故障诊断研究方法

无线传感网络（Wireless Sensor Networks，WSNs）故障诊断一般分为四步：检测、孤立、鉴别和恢复，这四步也适用于太阳能杀虫灯物联网（Solar Insecticidal Lamps Internet of Things，SIL-IoTs）故障诊断。首先检测SIL-IoTs是否存在故障。当存在故障时，需要使用诊断方法定位故障位置并鉴别故障类型。随后将故障节点或故障链路孤立以保证无故障部分正常运行。最后依据故障类型进行针对性故障恢复，保证SIL-IoTs正常运行。此外，在发生故障时，一般会采取故障容错机制，快速隔离故障保证WSNs的正常运行。基于故障诊断的触发方式可将其分为主动与被动两类。主动触发是一种节点或基站会定期检测网络状态的故障诊断方式，而被动触发则是一种当节点或网络状态不符合预设情况时再触发故障诊断方法的诊断方式。基于这两种触发方式和不同的应用背景及约束条件，如网络密度、时效性要求、能耗要求、节点计算能力等，目前已研究出多种类型的WSNs故障诊断方法。根据这些方法的特性，将其分为以下6类方法：统计方法、概率方法、层次路由方法、机器学习方法、拓扑控制方法和移动基站方法。表1为近年经典故障诊断研究方法的分类情况。表1 WSNs故障诊断算法
Table 1 Fault diagnosis algorithms on WSNs

1 统计方法

统计方法通过建立模型，运用统计指标对数据进行检验，当结果不符合检验时，标记为故障样本，并进一步根据故障样本的离群程度、方差和标准差指标等对其进行故障分类。Panda和Khilar提出了一种基于改进三西格玛（3sigma）故障自诊断方法，每个节点收集一跳邻居节点的数据并通过3sigma检验观察自身是否存在硬故障或永久性故障。此方法通过节点自身进行故障诊断，因此要求节点有一定的存储与计算能力。当节点数量较少时，此种方法不适用。Jiang提出了一种改进的分布式故障诊断方法。当超过一半的邻居节点与目标节点数据的差值超过阈值时，将节点标记为可能故障，用同样的方法标记网络中所有节点。然后判断目标节点中初始检测状态为正常的邻居节点是否有一半超过阈值，如果是则确定目标节点故障。当目标节点附近没有邻居节点或所有邻居节点均标记为可能故障时，如果目标节点初始检测状态为可能故障，则目标节点标记为故障。此方法降低了统计方法对邻居节点的依赖性，可用于节点稀疏的WSNs中。但是此类方法为主动诊断方法，会造成较高的能量损耗。因此，Jin等提出了一种基于自回归模型与Kuiper检验的被动故障诊断方法。基于当某条路径中的节点故障时，其他节点会选择新的路径并且通信时间会增加的特点，通过Kuiper检验来检测异常，从而判断是否存在故障。

统计方法大多依据目标节点与邻居节点值的差异进行诊断，是一种基于节点的分布式故障诊断方案。当节点处于边缘地区，没有足够的邻居节点参与计算，或是邻居节点也存在故障时，此类故障诊断方法的正确性无法得到保证。此外，此类方法大多基于节点进行故障诊断，权衡节点能量消耗与故障诊断率是另一大挑战。由于SIL-IoTs电池可充电、有一定计算和存储能力，因此部署于节点处的统计方法十分适用，特别是节点暂时性与间歇性等依靠数据长期波动趋势进行分析的故障。

2 概率方法

概率方法将故障诊断问题当作一个分类概率模型。Lau等提出了一种基于朴素贝叶斯框架的集中式硬件故障检测方法。在基站分析收集到的端到端传输时间数据，判断故障概率是否大于正常概率。如果是，则判定原路径有节点故障，再选取近期多次数据传输时间数据进行评估。此方法在无拥塞网络中可以有效监测网络故障，并给出可疑故障节点，但无法检测边缘地区的节点。Peng和Chow提出了一种邻域隐藏条件随机域法来确定传感器间的隐藏状态。这种方法利用信号强度与信号延迟来估计不同故障后验概率，以此确定WSNs的健康状况。此方法可用于不同通信条件与节点数量场景中。Liu等将工业WSNs中的故障节点识别问题转化为轨迹提取问题。通过概率模型的在线学习，将感知节点分布变成概率值分布模式。根据生成的概率值分布轨迹，进行模式匹配与时空约束检查，以识别故障节点。

概率方法大多不能鉴别故障的类别。此外，因为主要使用信号强度、信号延迟等参数进行故障诊断，因此难以获取故障节点的数量，只能判断存在故障的路径及估计路径丢失节点的情况。与统计方法类似，部署于节点的概率方法也适用于SIL-IoTs故障诊断，特别是前期的故障检测与孤立。

3 层次路由方法

层次路由是一种将节点分为多个簇，每个簇的簇头节点（Cluster Head node，CH）收集簇内节点的信息，通过CH直接上传数据到基站或多跳CH上传数据到基站的数据传输方式。层次路由故障诊断方法也是通过CH对簇内成员进行诊断。Jassbi和Moridi采用混合节能分布式层次路由方法（Hybrid Energy-Efficient Distributed clustering，HEED）进行分簇，采用加权中值法对簇内节点进行检测。当CH出现故障时，使用提前选取的簇内备份CH进行数据传输与故障检测工作。Moridi等提出一种基于簇的多路径故障容错算法，对WSNs中的节点分簇后，选择一个备份节点提高CH节点容错性。当簇内数据传输时，通过假设检验和簇内投票的方式检测节点的故障。最后根据剩余能量、跳数、传播速度和可靠性参数选择最优传输路径。该方法可以有效降低丢包率，提升数据准确性。

层次路由方法比其他通过普通节点进行自诊断的方法更加简单有效，在诊断故障后还可通过改变网络路由保障WSNs的可靠性。但是，由于多轮的CH选取，层次路由方法增加了WSNs的通信与能量开销。此外，由于CH依然通过邻居节点数据判断目标节点故障状态，当簇内大多数节点出现故障导致数据异常时，正常节点反而可能被误诊为故障节点。层次路由方法适用于较大规模的SIL-IoTs部署情况，其分簇进行故障诊断的方式能快速检测节点软故障与硬故障。此外，层次路由方法亦适用于SIL-IoTs故障容错方案设计，保障其在发生故障时不受影响。

4 机器学习方法

监督学习方法是机器学习方法在WSNs故障诊断领域中主要的应用。监督学习方法通过大量有标签的历史数据训练故障诊断模型，利用目标函数不断地调整模型参数，直到模型能有效地检测并分类故障。Zhao等采用半监督学习方法对故障传感器节点进行分类，还引入了一种基于局部核密度估计的标签传播机制。此方法考虑到基站收集的数据会出现丢包现象，用半监督核密度估计方法估计丢包数据的类标签，以此分类故障并构造训练集。Javaid等根据数据特征将故障分为偏移故障（传感器校准不佳）、增益故障（在特定时间段内数据变化率不符合规律）、卡死故障（数据长期为0）和超过范围（有正常读数但超出正常范围），提出了一种基于信任函数的决策融合算法，通过增强支持向量机、增强K近邻、增强极限学习机和增强递归极限学习机进行组合运算，以此分类故障。

机器学习方法需要设备具有较高的计算性能，因此大多在基站或后台运行，是一种集中式处理方案。尽管此类方法在故障诊断上有良好的检测率，但其在后台运行的特点导致不能快速的发现故障并进行恢复。此外，该方法依赖于大量数据建立模型，获得较精确的分类结果，因此多用于间歇性与暂时性节点故障中。对于SIL-IoTs而言，机器学习方法可部署于基站或部署轻量级算法于节点处，结合统计方法检测节点间歇性与暂时性故障，利用新数据不断更新模型，对SIL-IoTs的野外环境变化有较大的容忍度。

5 拓扑控制方法

WSNs中的故障有可能改变网络的拓扑结构。如节点剩余能量较低无法承担数据转发任务时，在平面路由中其他节点将寻找别的传播路径，在层次路由中簇内会唤醒备份节点替代此节点继续执行任务。Oßner等提出了一种基于拓扑结构的故障定位方法。通过基站将网络拓扑以图形表示，包含WSNs内的故障信息。基于此给每个节点分配一个可疑度得分，得分越高，故障概率越大。Sulieman和Gitlin提出了一种基于分集技术与三角网编码组合的WSNs网络故障诊断策略。该方法通过构建冗余路径，快速替代发生链路故障的路径，可以有效地节省能量消耗并快速的调整拓扑结构。但k个目标节点中发生n个链路故障时，至少需要kn+n个冗余链路。

拓扑控制方法的目的是降低故障发生时WSNs的能量消耗与带宽损失。拓扑控制方法在网络故障与故障定位方面有较好的性能表现，对于其他故障暂未有相关性研究。在SIL-IoTs中，拓扑控制方法可以有效诊断网络故障并重构路由，是SIL-IoTs不可缺少的故障诊断策略。

6 移动基站方法

数据从节点传输到基站有一定的时延性，因此WSNs节点数量较大时故障诊断与故障恢复效率降低。此外，由网络故障导致的拓扑结构变化也为网络故障诊断增加了难度。Chanak等提出了一种基于移动基站的分布式故障诊断方法。移动基站是一种配备无线收发器的移动机器人或车辆，其移动到网络中的不同区域通过单跳通信的方式来诊断附近传感器的软硬件状态，有效提高了网络的故障检测精度。Fissaoui等提出了一种基于故障容错与能量有效性的分布式WSNs数据融合算法。该方法利用移动代理在传感器节点间的迁移进行数据收集，规划移动代理的路径与节点失效时的备用路径，降低了节点能耗与数据传输时延。

移动基站方法能够有效地提高网络的故障检测精度，提高故障检测与恢复的实时性，降低节点的能量消耗。目前移动基站的主要研究问题在于检测区域划分与检测路径优化。此外，由于移动基站方法需要自主移动的机器人或车辆，并且提前规划好路径，因此对应用场景的要求较高。在SIL-IoTs中，可作为移动基站的有无人收割机、植保无人机等具有移动作业特性的农机装备。尽管移动基站方法在故障检测率、时延性方面均有较好效果，但SIL-IoTs故障诊断受无人收割机、植保无人机等作业路径、工作时长、作业区域等影响较大，能否有效结合是一个未知数。

如图1所示，SIL-IoTs应用于大田农业、禽畜养殖、茶园种植等场景中（以蓝色字体表示），在不同场景中可能存在多种无线传感设备与SIL-IoTs相连（以红色字体表示），通过无线通信设备进行数据传输（以橙色虚线表示）。在此种复杂的SIL-IoTs场景中，使用单种故障诊断方法难以取得良好效果。对于部署在后台的故障诊断方法（如概率方法、机器学习方法、拓扑控制方法，通过后台分析接收到的全局信息进行故障诊断），由于后台强大的计算与存储能力，以及从SIL-IoTs节点将数据经过多跳链路传输到后台存在时延的特点，因此更适用于处理时效性要求不高、较难诊断的故障。对于部署在SIL-IoTs节点的故障诊断方法（如统计方法、层次路由方法，通过节点自身时间相关性与邻居节点空间相关性进行故障诊断），由于节点有限的计算与存储能力，以及不需要多跳传输数据的特点，因此更适用于时效性要求较高、较易诊断的故障。其中故障诊断的时效性指故障出现到故障解决的时间。

图1 SIL-IoTs故障诊断方法应用场景
Fig. 1 Application scenarios of SIL-IoTs fault diagnosis methods

移动基站方法可以综合部署于后台及部署于节点的故障诊断方法的优点，但对作为基站的载体要求较高。此外，卫星遥感数据、无人机数据等可用于故障诊断辅助决策或验证故障诊断正确性。如某杀虫灯杀虫计数值持续较低，通过无人机航拍数据可观测实际虫情，借此辅助判断是灯管故障或是节点软故障。

阅读原文

温馨提示：本文节选自《智慧农业（中英文）》2020年第2卷第2期。如果您无法在知网下载，可以点击文末“阅读原文”可直达期刊官网免费阅读、下载。

本文节选自

杨星, 舒磊, 黄凯, 李凯亮, 霍志强, 王彦飞, 王心怡, 卢巧玲, 张亚成. 太阳能杀虫灯物联网故障诊断特征分析及潜在挑战[J]. 智慧农业（中英文）, 2020, 2(2): 11-27.

YANG Xing, SHU Lei, HUANG Kai, LI Kailiang, HUO Zhiqiang, WANG Yanfei, WANG Xinyi, LU Qiaoling, ZHANG Yacheng. Characteristics Analysis and Challenges for Fault Diagnosis in Solar Insecticidal Lamps Internet of Things[J]. Smart Agriculture, 2020, 2(2): 11-27.

微信交流服务群

为方便农业科学领域读者、作者和审稿专家学术交流，促进智慧农业发展，为更好地服务广大读者、作者和审稿人，编辑部建立了微信交流服务群，有关专业领域内的问题讨论、投稿相关的问题均可在群里咨询。入群方法：加小编微信331760296，备注：姓名、单位、研究方向，小编拉您进群，机构营销广告人员勿扰。

信息发布

科研团队介绍及招聘信息、学术会议及相关活动的宣传推广