论文部分内容阅读
摘要： 该文提出了一种基于位置指纹的无线传感器网络室内安全定位算法，该算法采用传感器节点RSSI信号作为位置指纹，为提高指纹的精确性，锚节点多次改变发送功率，并记录相应的RSSI值，形成一个唯一的位置向量。由于算法是离线训练的，因而可以避免攻击者发送虚假位置信息导致的错误定位，是一种相对安全的无线传感器网络室内定位算法。
关键词： 无线传感器网络；RSSI值；位置指纹；室内定位
中图分类号：TP212；TP393 文献标识码：A 文章编号：1009-3044（2016）09-0076-02
无线传感器网络（Wireless Sensor Network， WSN）是由部署在监测区域内的大量传感器节点通过无线通信技术自组织构成的网络[1]。定位技术是无线传感器网络的重要研究项目之一，不同的定位算法所基于不同的定位依据，且对定位环境依赖较高，在某些环境下定位效果好的算法，在其他环境下定位性能却不尽人意，这主要受定位技术的适用范围和精确度影响所致。本文主要研究无线传感器定位算法中基于位置指纹的室内定位算法。
1 定位算法描述及分析
基于位置指纹（Location Fingerprint， LF）的定位技术基于“位置指纹”的思想，该技术事先采集“位置指纹”数据保存在本地数据库，定位时检测传感器节点发射的无线信号的幅度和相位，并提取该无线信号的特征向量，将该特征向量与数据库中的“位置指纹”数据进行匹配，找出最相似的结果实现定位[2]。
本文的定位算法采用接受信号强度指示（Received Signal Strength Indicator，RSSI）作为“位置指纹”。RSSI定位主要使用传感器节点本身的射频（Radio Frequency， RF）信号进行定位[3]，是一种低功率、廉价的定位技术。本文对节点的RSSI信号进行变化处理，使之形成一个唯一的位置向量，作为该节点的“位置指纹”。
1.1 RSSI信号获取及处理
传感器节点的RSSI值的获取方式大致相同，在基于IEEE 802.15.4基础上的无线传感器网络中，RSSI值可以从帧结构中获取[4]。实验发现，无线传感器网络节点发送功率会对节点的RSSI值产生影响，为提高指纹的精确性、唯一性，降低不断变化的外界复杂环境对节点RSSI值的影响，本实验采用不同的发射功率发送信号，并取平均值作为节点的特征向量之一。
1.2 定位模型
将无线传感器N个节点均匀分布在某实验环境下，传感器节点[Si]的实际位置为[（xi，yi）]，其估计位置为[（xi，yi）’]。所有节点可以和锚节点（预先知道位置的节点）相互通信，锚节点依次改变发射功率与普通节点通信，[rij]表示接收方节点[Si]处测得的发送方节点[Sj]的RSSI值，多次测量后取其平均值用[rij]表示。对于每个节点[Si]对应唯一的位置指纹向量[Ri=[ri1，ri2，...riN]]，训练数据集为实验环境下的所有节点指纹向量[Ri]和实际位置[（xi，yi）]。定位阶段就是通过匹配数据库中预先存储的“位置指纹”，通过一定的匹配算法来计算未知节点的估计位置[（xi，yi）’]。
1.3 定位算法
我们的算法分为离线训练阶段和在线定位阶段。离线训练阶段采集实验环境下的所有节点指纹向量[Ri]和实际位置[（xi，yi）]，并将它们保存在本地数据库中。
在线定位阶段计算未知位置节点指纹向量[Ri]，并采用一个回归算法，将该特征向量与数据库中的“位置指纹”数据进行匹配计算，得到该节点的估计位置[（xi，yi）’]。本文我们采用支持向量机回归工具LS-SVM来进行数据库匹配。支持向量机算法是一种基于统计学习理论的智能学习算法，尤其适合无线传感器网络这种小样本的学习问题，并可以避免过学习问题。Yamano， K[5]成功运用支持向量机的思想实现了基于RFID的移动机器人自定位。
核函数的选择是支持向量机模型训练的重要因素。在此我们选择具有普适性的径向基核函数：
[k（x，x’）=exp（-x-x’2σ2）]
2 实验结果与分析
本文的实验数据采用国外某图书馆的真实数据[6]，该实验可以采集到传感器节点的温湿度、邻居节点的RSSI等，本实验我们采用以3个锚节点为例（锚节点越多，定位越精确），3个不同的锚节点分别采取5个不同的发射功率进行测试，每个功率测试10次，取其平均值。离线训练阶段无线传感器节点均匀分布（分布密度越大，定位越精确），在线定位阶段，我们依次随机抽取了10个不同位置的传感器节点测试定位算法的定位性能，定位性能用绝对误差表示，定位结果如图1所示。
3 结束语
本文提出的基于位置指纹的室内定位算法，其实验的平均定位误差在0.8米左右，定位精度较高。由此可见，将传感器节点的RSSI信号作为“位置指纹”，并采用回归算法进行位置匹配，能较好的解决无线传感器网络室内节点定位问题。由于位置指纹定位算法的离线训练阶段无需在线计算，所有的“位置指纹”均存预先存储在数据库中，因而可以避免攻击者发送虚假位置信息导致的错误定位问题，在一定程度上可以排除入侵节点对节点定位精度的影响，是一种容忍恶意节点攻击的、相对安全的定位算法。
参考文献：
[1] Krco S， Tsiatsis V， Matusikova K.Mobile Network Supported Wireless Sensor Network Services[C]. Mobile Adhoc and Sensor Systems， 2007. MASS 2007. IEEE Internatonal Conference on ， 2007： 1-3， 8-11.
[2] Mauro Brunato， Roberto Battiti. statistical learning theory for location fingerprinting in wireless LANs[J]. Computer Networks： The International Journal of Computer and Telecommunications Networking， Apr. 2005，47（6）.
[3] Stoyanova T， Kerasiotis F， Prayati A. A Practical RF Propagation Model for Wireless Network Sensors[C].Sensor Technologies and Applications， 2009. SENSORCOMM ’09. Third International Conference on ， 2009： 194-199， 18-23.
[4] IEEE 802.15.4. 工控网[EB/OL].http：//www.ynkong.com/secondweb.asp？typeid=11
关键词： 无线传感器网络；RSSI值；位置指纹；室内定位
中图分类号：TP212；TP393 文献标识码：A 文章编号：1009-3044（2016）09-0076-02
无线传感器网络（Wireless Sensor Network， WSN）是由部署在监测区域内的大量传感器节点通过无线通信技术自组织构成的网络[1]。定位技术是无线传感器网络的重要研究项目之一，不同的定位算法所基于不同的定位依据，且对定位环境依赖较高，在某些环境下定位效果好的算法，在其他环境下定位性能却不尽人意，这主要受定位技术的适用范围和精确度影响所致。本文主要研究无线传感器定位算法中基于位置指纹的室内定位算法。
1 定位算法描述及分析
基于位置指纹（Location Fingerprint， LF）的定位技术基于“位置指纹”的思想，该技术事先采集“位置指纹”数据保存在本地数据库，定位时检测传感器节点发射的无线信号的幅度和相位，并提取该无线信号的特征向量，将该特征向量与数据库中的“位置指纹”数据进行匹配，找出最相似的结果实现定位[2]。
本文的定位算法采用接受信号强度指示（Received Signal Strength Indicator，RSSI）作为“位置指纹”。RSSI定位主要使用传感器节点本身的射频（Radio Frequency， RF）信号进行定位[3]，是一种低功率、廉价的定位技术。本文对节点的RSSI信号进行变化处理，使之形成一个唯一的位置向量，作为该节点的“位置指纹”。
1.1 RSSI信号获取及处理
传感器节点的RSSI值的获取方式大致相同，在基于IEEE 802.15.4基础上的无线传感器网络中，RSSI值可以从帧结构中获取[4]。实验发现，无线传感器网络节点发送功率会对节点的RSSI值产生影响，为提高指纹的精确性、唯一性，降低不断变化的外界复杂环境对节点RSSI值的影响，本实验采用不同的发射功率发送信号，并取平均值作为节点的特征向量之一。
1.2 定位模型
将无线传感器N个节点均匀分布在某实验环境下，传感器节点[Si]的实际位置为[（xi，yi）]，其估计位置为[（xi，yi）’]。所有节点可以和锚节点（预先知道位置的节点）相互通信，锚节点依次改变发射功率与普通节点通信，[rij]表示接收方节点[Si]处测得的发送方节点[Sj]的RSSI值，多次测量后取其平均值用[rij]表示。对于每个节点[Si]对应唯一的位置指纹向量[Ri=[ri1，ri2，...riN]]，训练数据集为实验环境下的所有节点指纹向量[Ri]和实际位置[（xi，yi）]。定位阶段就是通过匹配数据库中预先存储的“位置指纹”，通过一定的匹配算法来计算未知节点的估计位置[（xi，yi）’]。
1.3 定位算法
我们的算法分为离线训练阶段和在线定位阶段。离线训练阶段采集实验环境下的所有节点指纹向量[Ri]和实际位置[（xi，yi）]，并将它们保存在本地数据库中。
在线定位阶段计算未知位置节点指纹向量[Ri]，并采用一个回归算法，将该特征向量与数据库中的“位置指纹”数据进行匹配计算，得到该节点的估计位置[（xi，yi）’]。本文我们采用支持向量机回归工具LS-SVM来进行数据库匹配。支持向量机算法是一种基于统计学习理论的智能学习算法，尤其适合无线传感器网络这种小样本的学习问题，并可以避免过学习问题。Yamano， K[5]成功运用支持向量机的思想实现了基于RFID的移动机器人自定位。
核函数的选择是支持向量机模型训练的重要因素。在此我们选择具有普适性的径向基核函数：
[k（x，x’）=exp（-x-x’2σ2）]
2 实验结果与分析
本文的实验数据采用国外某图书馆的真实数据[6]，该实验可以采集到传感器节点的温湿度、邻居节点的RSSI等，本实验我们采用以3个锚节点为例（锚节点越多，定位越精确），3个不同的锚节点分别采取5个不同的发射功率进行测试，每个功率测试10次，取其平均值。离线训练阶段无线传感器节点均匀分布（分布密度越大，定位越精确），在线定位阶段，我们依次随机抽取了10个不同位置的传感器节点测试定位算法的定位性能，定位性能用绝对误差表示，定位结果如图1所示。
3 结束语
本文提出的基于位置指纹的室内定位算法，其实验的平均定位误差在0.8米左右，定位精度较高。由此可见，将传感器节点的RSSI信号作为“位置指纹”，并采用回归算法进行位置匹配，能较好的解决无线传感器网络室内节点定位问题。由于位置指纹定位算法的离线训练阶段无需在线计算，所有的“位置指纹”均存预先存储在数据库中，因而可以避免攻击者发送虚假位置信息导致的错误定位问题，在一定程度上可以排除入侵节点对节点定位精度的影响，是一种容忍恶意节点攻击的、相对安全的定位算法。
参考文献：
[1] Krco S， Tsiatsis V， Matusikova K.Mobile Network Supported Wireless Sensor Network Services[C]. Mobile Adhoc and Sensor Systems， 2007. MASS 2007. IEEE Internatonal Conference on ， 2007： 1-3， 8-11.
[2] Mauro Brunato， Roberto Battiti. statistical learning theory for location fingerprinting in wireless LANs[J]. Computer Networks： The International Journal of Computer and Telecommunications Networking， Apr. 2005，47（6）.
[3] Stoyanova T， Kerasiotis F， Prayati A. A Practical RF Propagation Model for Wireless Network Sensors[C].Sensor Technologies and Applications， 2009. SENSORCOMM ’09. Third International Conference on ， 2009： 194-199， 18-23.
[4] IEEE 802.15.4. 工控网[EB/OL].http：//www.ynkong.com/secondweb.asp？typeid=11