物聯網數據聚合技術及其主要挑戰

張　平

(湖南科技學院計算機與通信工程系　湖南 永州 425100) (中南大學信息科學與工程學院　湖南 長沙 410083)

?

物聯網數據聚合技術及其主要挑戰

張平

(湖南科技學院計算機與通信工程系湖南 永州 425100) (中南大學信息科學與工程學院湖南 長沙 410083)

摘要物聯網數據聚合是解決物聯網感知節點能量有限、計算能力有限、數據海量冗余、網絡復雜異構、易于遭受攻擊破壞等問題的必然選擇。對ITU的物聯網體系架構進行精簡，構建與之適應的物聯網數據聚合體系架構，以便為具體的物聯網數據聚合應用系統設計提供指導。圍繞該體系架構，分析物聯網數據聚合技術面臨的三個主要挑戰：物聯網數據聚合的不確定性問題，大數據聚合問題，數據聚合安全問題。并分別對各自的現有技術進行了總結和評述。

關鍵詞物聯網數據聚合安全不確定性大數據

0引言

物聯網思想起源于麻省理工學院(MIT)提出的網絡無線射頻識別系統。2005 年，國際電信聯盟ITU(International Telecommunication Union)在信息社會世界峰會(WSIS)上正式確定了“物聯網”IoT(Internet of things)的概念[1]。

目前的物聯網技術，不論是概念定義，還是架構模型，都還沒有達成共識。不同組織機構或者研究人員，從各自不同的認識角度出發，給出了不同的觀點[2]。

ITU的技術路線中[3]，物聯網是作為一個重要功能納入到泛在網絡的體系之中，物聯網的感知層主要由無線傳感器網絡(WSN)組成，用以實現數據采集。

ITU的物聯網體系架構分為5層[3]，即感知層、接入層、互聯網層、服務管理層和應用層。接入層和互聯網層，一般基于公共通信網絡，并不是物聯網數據融合問題的研究重點。

本文使用的物聯網體系架構如表1所示，自下到上依次為感知層、網絡層、中間層和應用層，其中網絡層對應ITU的接入層和互聯網層，中間層即ITU的服務管理層。本文后續內容均基于此框架展開。

表1　ITU物聯網體系架構

1物聯網數據聚合技術

數據聚合是一個新興的多學科交叉的研究領域，業界尚未就其定義達成共識。文獻中存在很多可與數據聚合[7-10]互換的術語，如數據融合[6]、信息融合[4, 5]等，本文對此不加區分。為方便敘述，我們采用描述性的語言給出其定義。

數據聚合是指在按照一定的規則，對來自多個信息源的信息或數據進行組合和合并，以便形成一個更有價值結果的技術。

數據聚合本質上是對信息的壓縮和提煉。通過剔除原始信息中的冗余和不確定性內容，提高信息的精確性，通過將海量數據向特定的問題維度進行投影變換，實現信息壓縮，獲取對關聯事物深入準確的認識，進而促進有效決策的形成。對于當今信息爆炸時代，數據聚合的意義不言而語。

物聯網數據聚合是數據聚合技術在物聯網技術中的具體應用。它既有數據聚合技術的共性特點，又要滿足物聯網特定應用場景的需要。

1.1物聯網數據聚合的必要性

典型的物聯網應用包括污染監控、森林防火、軍事應用等等，其感知層WSN，一般部署在野外，甚至敵方區域，環境復雜，易于遭受攻擊和破壞?；诳煽啃缘纫蛩乜紤]，感知節點通常布置得較為密集，多個節點監測區域出現重疊，局部區域內節點數據必然類似。如果不經處理直接將大量冗余數據上傳給基站，一方面會浪費節點能量、網絡通信資源；另一方面多個節點同時傳輸，也會導致傳輸碰撞、網絡擁塞、引起傳輸時延，降低了網絡信道的利用率。

因此，物聯網數據融合在節省整個網絡的能量、提高收集數據的準確性以及提高收集數據的效率方面起著十分重要的作用。

1.2物聯網數據聚合體系架構

體系架構是指導具體系統設計實踐的基礎。物聯網具有多源異構、感知節點眾多、網絡結構和規模動態變化、海量數據持續生成等特點。這些因素都使得物聯網數據融合應用場景更為復雜，應用系統的規劃和設計極易產生偏差。因此，構建一個具有普遍意義的物聯網數據聚合體系架構顯得現實而迫切。

物聯網數據聚合是數據聚合技術的在物聯網場景中的具體應用，我們可以參考傳統數據聚合的體系架構，構建適用于物聯網數據聚合的框架層次和模型結構。

文獻[11]針對WSN的數據聚合問題，抽象出四個層次，包括低等水平融合(數據級融合) 、中等水平融合(特征級融合) 、高等水平融合(決策級融合) 和多級融合。

WSN作為物聯網感知層的一個組成元素，單獨對其進行四層次的劃分，會因為層次劃分過細，而失去全局性的指導意義。為此，我們從物聯網這個更大的范疇上，進行層次劃分，具體而言，將物聯網數據融合劃分為數據級融合、特征級融合和決策級融合三個層次。

如表2所示，數據級融合，針對同質數據，重點在于消除原始數據中的噪聲，主要位于物聯網感知層。特征級融合，涉及模式識別、特征提取，基于特征值關系進行數據融合，主要位于物聯網的中間層。決策級融合是最高層次的數據融合，涉及態勢認識、影響評估、融合過程優化等，主要位于物聯網的應用層。

表2　物聯網數據融合框架層次

目前研究大多停留在低層次的數據級融合的研究上，對于高層次數據聚合研究相對較少。特征級融合和決策級融合，側重于獲取與實際應用場景密切相關的有價值信息，可形成局部或者全局性的最優決策，容錯性好，應用前景廣，研究價值巨大。文獻[4]對高層次數據聚合面臨的挑戰進行了分析和總結。文獻[5]提出了“以人為中心”的理念，讓人參與到高層次數據聚合中來，以彌補機器處理的不足。

2物聯網數據聚合主要挑戰

2.1不確定性問題

不確定信息的處理是物聯網數據聚合面臨的主要挑戰之一，這將直接影響數據融合質量，進而影響決策。

物聯網自身結構的復雜多變性，以及物聯網感知層節點所處的環境的復雜性，必然使得物聯網數據采集、融合過程中存在許多的不確定。物聯網數據聚合過程中存在不確定性問題，給物聯網的數據聚合、數據挖掘帶來極大困難，嚴重阻礙物聯網的應用。如何實現消除這種不確定性因素，實現不確定信息的確定性表述，至今仍是一個開放性問題，亟需系統深入的研究。

筆者認為，物聯網數據融合的不確定性問題主要來自于兩個方面：其一是數據采集過程中引入的不確定性；其二是數據融合過程中引入的不確定性。詳見表3所示。

表3　物聯網數據聚合的不確定性問題

物聯網感知節點部署環境復雜惡劣，易于受到各類客觀的或人為因素的影響，使得感知層采集的數據具有不確定性特點。這種不確定性存在不同表現形式，如不精確、不完整等等。惡劣的環境可能直接影響測量精度，也可能影響加速元件老化，從而影響傳感器性能，進而影響測量精度。物聯網環境的復雜惡劣，也使得數據錯誤或者丟失問題無法避免，比如感知節點損毀、斷電、數據傳輸過程中發生丟失等，都將導致采集的數據不完整。

物聯網網絡結構復雜，具有典型的多源異構特點，異構數據融合過程中可能會引起維度缺失等問題。感知層節點眾多，測量類型多樣，這使得感知層數據的呈現高維度的特點。比如環境監測類物聯網應用中，同一區域類存在溫度、濕度、光照度等多種測量要素，這些信息共同構成該位置的環境的屬性。物聯網技術越發達，實體能夠獲得的屬性參數將越多。不同節點的測量內容，測量精度，表述規則存在不一致性。對多源異構物聯網網元間數據進行融合過程中，將面臨多義性、模糊性、不完全性、多粒度性、不一致性、維度缺失等諸多問題。

不同原因產生的不確定性問題，其處理位置和處理方法不完全一樣。數據采集過程中不確定性主要位于物聯網感知層，需要在數據級融合過程中消除這種不確定性，可采用貝葉斯理論、DS證據理論、隱馬可夫模型、模糊集理論、神經網絡、遺傳算法等理論技術及其變種。

數據融合過程中的主要出現在多源異構數據的融合過程中，一般在物聯網中間層進行的特征級融合以及應用層進行決策級融合過程中進行不確定性消除。除了采用前面的經典不確定性處理技術以外，傳統數據倉庫構建過程中，處理多義性、模糊性、不完全性、多粒度性、不一致性、維度缺失等諸多問題的技術，都具有很好的借鑒價值。

除此之外，物聯網本身的特點，也是不確定性數據融合過程中需要考慮的內容。例如，物聯網感知層節點通常因為部署密度較大，而導致檢測區域出現重疊，故而地理位置相鄰的節點，其采集的數據具有很強的相關性，這種相關性對不確定性消除具有很好的指導作用。

2.2大數據問題

物聯網應用規模日趨擴大，節點數量呈指數級增長，眾多的物聯網感知節點無時無刻不在產生海量的數據(亦即“大數據”)。如何對這些海量數據進行安全高效的存儲與處理是一個巨大的挑戰，已成為限制物聯網發展的“瓶頸”。

物聯網大數據問題主要涉及三個方面：大數據的采集與傳輸，大數據的存儲管理，大數據的處理，見表4所示。

表4　物聯網數據聚合的大數據問題

針對大數據的采集和傳輸，早期的研究主要分為兩個方面，其一是通過網內數據融合，減少網絡間傳輸和處理的數據量，進而降低能耗，延遲網絡節點的生命周期[12, 13]；其二是通過網絡編碼理論提高網絡吞吐率、降低能耗、減少傳播延遲[14]。物聯網感知層節點所處的環境復雜，所以數據的不確定性和安全性是必須要重點關注的問題。

對于大數據的存儲管理，云計算是一種比較有效的選擇，可以滿足物聯網數據增長的需求。云計算涉及三個關鍵技術：其一是數據存儲技術，如Google 的 GFS 及Hadoop 的HDFS；其二是數據管理技術，如BigTable及Hbase；其三是編程模型，如Map-Reduce。

面對不斷增長的數據，海量數據的存儲不均勻的問題將成為限制物聯網充分發展的″瓶頸″。Google云存儲方案采用的是事后均衡機制，即先存儲，后判斷和處理超載。物聯網的大數據問題，具有資源負載變化大的特點，顯然這種事后均衡機制難以滿足要求。文獻[15]結合點對點的分布式計算模型與物聯網的數據特點，提出了一種基于通信報文的分布式海量數據存儲模型，并且進行了相應的分級式存儲設計，解決了對物聯網中原始數據流的存儲邊緣化問題。

針對大數據的處理，可使用模式識別、數據挖掘技術。RETE算法[16]是對海量數據進行規則處理的代表性算法，其核心思想是根據規則庫構建有效的模式匹配網絡并記錄匹配過程中節點的狀態，從而得到有效的規則解析和較高的性能。該算法目前已經廣泛應用各類規則引擎中，如 Drools、ILOG 、HAL等。RETE 算法也存在很大的局限性，尤其在大數據、快速變化數據和模糊數據的處理方面還需要深入研究[17]。

2.3安全性問題

物聯網應用范圍非常廣泛，多數應用場景對數據的安全性要求較高，如軍事場合。物聯網感知層節點通常部署在野外，甚至敵方區域。由于節點數量眾多，加之部署環境的復雜性與惡劣性，這都大大增加了節點失效、傳輸故障、節點被攻擊等問題發生幾率，節點的維護難度較大甚至不可能。如何在此類安全問題長期存在的情況下，確保物聯網采集的數據不泄露、依然準確有效，是一個非常具有研究價值的課題。

安全問題存在于物聯網以及物聯網數據聚合的各個層面。

中間層及應用層的數據一般存在于傳統的服務器之上，層內的通信實體也大多具備較強的計算能力。故而數據安全性，可由傳統的安全處理機制來保障。

網絡層構建在公用通信網絡之上，其安全性已經得到了廣泛深入的研究和長期的大規模的實踐檢驗。

物聯網感知層有其自身的特點，如感知層節點計算能力不足，一般由電池供電，能量有限，無線信道通信，部署環境復雜惡劣，后期維護困難甚至不可能。這使得感知層更容易遭受各類安全威脅，同時傳統的安全防范措施并不能直接應用到這里。

物聯網安全性問題，需要重點關注的是感知層。物聯網感知層一般部署在無法控制的、危險性高的環境中。由于物理上的可接觸性，使得更容易受到物理攻擊。攻擊者不僅可以捕捉和威脅到普通節點，而且還可以控制融合節點。物聯網感知層自身的局限性和環境的復雜性，使得攻擊者可以通過多種方式進行攻擊，干擾信息的收集、消耗網絡的資源以及影響網絡的穩定等。如果融合節點遭到攻擊，那么，得到的數據將可能無效，甚至有害，這些都會導致用戶決策的失誤。

對于物聯網感知層安全問題，一般將安全問題與數據融合問題合并研究。既考慮安全問題，又考慮能耗、通信沖突、擁堵、時延等其他問題。見表5所示。

表5　物聯網數據聚合安全問題

近年來，物聯網感知層數據聚合安全問題得到了科研人員的廣泛關注，也取得了一些成果，但都只關注某一方面的安全問題，遠未達到實用的地步。下面列示一些代表性的方案。

(1) 安全數據融合基礎

受感知節點能量和計算能力等因素的限制，一般采用對稱加密體制[18, 19]。然而對稱加密體制存在潛在安全威脅。由于節點維護密鑰，一旦節點被捕獲，密鑰失效，整個網絡安全性將遭受致命打擊。

非對稱加密體制[12]的優勢在于：各個節點使用BS的公鑰完成數據加密，私鑰由BS維護，BS的強大計算能力和完善的安全防護措施，可以有效保證網絡數據安全。然而非對稱加密體制對節點的計算能力提出了較高的要求。一種可行的方案是，使用ECC降低計算能力的要求[13]。

依照中間節點是否需要解密數據，可以將安全數據融合機制劃分為逐跳加密和端到端加密兩種。

對于逐跳加密方案[9, 10]，中間融合節點先解密接收到的數據，完成融合過程后，對融合結果進行加密轉發。其缺點在于聚合節點需要反復加解密，開銷過大。而且一旦聚合節點被捕獲，以其為根的子樹的融合結果就會被竊取。

端到端的加密方案，中間節點不解密數據，可以有效降低數據融合節點的計算開銷，減少網絡延時，受到了越來越多的關注。同時由于中間節點處理的是密文數據，可以有效保障數據的機密性。端到端加密機制的不足之處在于，在接近SINK的位置，網絡數據量將呈指數增加。一種可行的方案是引入網內融合機制，實現中間節點的數據融合[19-22]。

(2) 基于數學變換實現信息保護

文獻[23]提出了一種基于復數域的數據融合方案。通過將節點采集信息從實數域擴展到復數域，并利用虛數部與實數部真實數據相關聯的特性，有效地實現了信息完整性的鑒別，通過對實數部真實數據添加偽數據的方法，實現對信息保護。

文獻[24]提出了一種近似查詢算法。首先，各個節點借助單向哈希函數構建直方圖，直方圖樣條寬度由精度參數控制。節點采集到的數據疊加到直方圖合適的區間位置中，從而實現了信息的隱藏。疊加后的結果上傳到其父節點。中間節點先采集傳感器數據，依照前敘方法生成包含自身數據的直方圖，并將該直方圖與收到的所有子節點的直方圖進行疊加融合。最后在基站處，通過剔除所有用以隱藏數據的基礎性直方圖，可以得到整個網絡的數據分布圖，進而推導出多種查詢結果。該方案可以得到多個統計量的近似結果，但該方案要求整個網絡不存在節點失效和數據丟失問題。

文獻[25]提出了摘要擴散算法，解決了多徑傳播算法中重復敏感類計算難題，使得count、sum等運算具備了多徑傳播的在抵抗節點失效和傳輸失效方面的優勢。其主要思路是基于統計理論，構建摘要位圖，實現網內數據融合。文獻[26,27]對其進行了優化，使其具備一定的校驗特征，同時將網絡通信開銷壓縮到常數級別。不足之處在于，該技術得到的結果是不精確，適用于較大規模網絡，同時該方案私密性無法保障，一旦中間節點捕獲，以該節點為根的子網絡區域信息將泄露。

文獻[28]通過將數據映射到不同的槽(slot)中，實現了數據隱蔽，該技術的優勢在于BS可以從融合結果中恢復出多種融合運算的結果信息值，缺點是只能得到一個近似的結果，適用于對精度要求不高的場合。

(3) 基于數據分割拼合實現信息保護

文獻[9]中提出了SMART隱私保護算法，該方案采用數據分割拼合思想，通過相鄰節點間的合作實現信息的隱藏。具體包括三個步驟：數據分片(Slicing)，數據混合(Mixing)，數據融合(Aggregating)。每個節點原始數據被隨機分割成J片后，自己保留一片，并將其他J-1片分別加密后隨機發送給附近的J-1個節點；各個節點解密接收到的所有分片數據，并與自己本身保留的分片數據求和，形成偽數據；偽數據沿融合樹向上進行數據融合。

SMART算法中，最終的融合數據是多個節點分片數據融合后的偽數據，攻擊者即便獲取到該數據，也無法得到有效信息。但是該算法在實現隱私保護的同時，也增加了網絡通信開銷，其數據傳輸量約為TAG算法[29]的O(J)倍，其中J為前文中的分片數目。另外SMART的數據分片發送，增加了沖突碰撞的幾率，進而增加了能耗和時延。另外，SMART對抗節點勾結的能力有限。

ESPART[7,8,30]對SMART進行了改進。通過減少通信次數和碰撞幾率，減少了整個網絡數據傳輸量。然而，由于該算法減少了串通的次數，其隱私保護能力也相應被降低。PEPDA[10]也是針對SMART的改進。

(4) 基于同態加密算法實現信息的保護

同態加密技術源于代數學上的同態理論。若一個代數系統到另一個代數系統的映射，具有保持運算的性質，則可以稱之為同態。

文獻[31]最早提出了同態加密的概念，之后各類同態加密算法[32-34]相繼被提出。文獻[21, 22]提出了CDA方案，最早將同態技術應用在WSN數據融合領域，實現了網內數據融合。文獻[18,19]也在WSN中引入了同態技術，相比CDA方案，其開銷有所減少。不過該方案解密數據需要上傳附加信息，從而產生額外開銷。文獻[20]以同態加密為基礎進行了完整性方面的研究。

作為一種典型的網內融合技術，同態加密融合能有效緩解匯聚節點壓力，但也容易放大網絡中的攻擊效應。惡意節點的攻擊信息，經由中間節點的密文融合與轉發，產生多跳洪泛效應，網絡中的攻擊效應被放大，使得正常的服務無法被滿足。另一方面，目前同態融合技術的運算較為單一等問題也急需解決。

3結語

物聯網數據聚合技術是解決物聯網感知節點能量有限、計算能力有限、數據海量冗余、網絡復雜異構、易于遭受攻擊破壞等問題的必然選擇。

本文對物聯網數據聚合及其主要挑戰進行了分析和評述。首先對ITU的物聯網體系架構進行精簡，構建與之適應的物聯網數據聚合體系架構，以便為具體的物聯網數據聚合應用系統設計提供指導。之后，圍繞該物聯網數據融合體系架構，分析物聯網數據聚合技術面臨的三個主要挑戰：物聯網數據融合的不確定性問題，大數據融合問題，數據融合安全問題。

參考文獻

[1] ITU Strategy And Policy Unit.ITU Internet Reports 2005:The internet of things[R].Geneva: ITU. 2005.http://www.itu.int/osg/spu/publications/internetofthings/.

[2] 孫其博,劉杰,黎羴,等.物聯網:概念、架構與關鍵技術研究綜述[J].北京郵電大學學報,2010(3):1-9.

[3] ITU-T.Recommendations Y.2221, Requirements for support Ubiquitous Sensor Network (USN) applications and services in NGN environment[S].Geneva: ITU. 2010.http://www.itu.int/en/ITU-T/publications/Pages/recs.aspx.

[4] Blasch E,Llinas J,Lambert D,et al.High level information fusion developments, issues, and grand challenges: Fusion 2010 panel discussion[C].IEEE,2010.

[5] Blasch E P,Breton R,Valin P,et al.User information fusion decision making analysis with the C-OODA model[C].IEEE,2011.

[6] Khaleghi B,Khamis A,Karray F O,et al.Multisensor data fusion:A review of the state-of-the-art[J].Information Fusion,2013,14(1):28-44.

[7] Li H,Lin K,Li K.Energy-efficient and high-accuracy secure data aggregation in wireless sensor networks[J].Computer Communications,2011,34(4):591-597.

[8] Jose J,Princy M,Jose J.EPSDA:Energy Efficient Privacy preserving Secure Data Aggregation for Wireless Sensor Networks[J].International Journal of Security and Its Applications,2013,7(4):299-315.

[9] He W,Liu X,Nguyen H,et al.Pda:Privacy-preserving data aggregation in wireless sensor networks[C].IEEE,2007.

[10] Yang G,Li S,Xu X,et al.Precision-enhanced and encryption-mixed privacy-preserving data aggregation in wireless sensor networks[J].International Journal of Distributed Sensor Networks,2013(4):30-41.

[11] Nakamura E F,Loureiro A A,Frery A C.Information fusion for wireless sensor networks:Methods,models,and classifications[J].ACM Computing Surveys (CSUR),2007,39(3):9.

[12] Jose J,Jose J.Asymmetric Concealed Data Aggregation Techniques in Wireless Sensor Networks:A Survey[J].International Journal of Information Technology and Computer Science,2014,6(5):28-35.

[13] Chienming C,Yuehsun L,Yaching L,et al.RCDA:Recoverable Concealed Data Aggregation for Data Integrity in Wireless Sensor Networks[J].IEEE Transactions on Parallel and Distributed Systems,2012,23(4):727-734.

[14] 唐文勝,王威,羅娟,等.WSN中一種基于網絡編碼的可靠傳輸算法[J].湖南師范大學:自然科學學報,2008,31(1):59-64.

[15] 薛建生,于忠臣,黃磊,等.物聯網海量數據的分布式存儲算法[J].小型微型計算機系統,2013,34(9):2081-2084.

[16] Forgy C L.Rete:A fast algorithm for the many pattern/many object pattern match problem[J].Artificial intelligence,1982,19(1):17-37.

[17] 顧小東,高陽.Rete算法:研究現狀與挑戰[J].計算機科學,2012(11):8-12.

[18] Castelluccia C,Chan A C,Mykletun E,et al.Efficient and provably secure aggregation of encrypted data in wireless sensor networks[J].ACM Transactions on Sensor Networks,2009,5(3):1-36.

[19] Castelluccia C,Mykletun E,Tsudik G.Efficient aggregation of encrypted data in wireless sensor networks[C].2005.

[20] Jariwala V,Singh V,Kumar P,et al.Investigating Approaches of Data Integrity Preservation for Secure Data Aggregation in Wireless Sensor Networks[J].Journal of Information Security,2014,5(1):1-11.

[21] Westhoff D,Girao J,Acharya M.Concealed data aggregation for reverse multicast traffic in sensor networks:Encryption,key distribution,and routing adaptation[J].Mobile Computing, IEEE Transactions on,2006,5(10):1417-1431.

[22] Girao J,Westhoff D,Schneider M.CDA:Concealed data aggregation for reverse multicast traffic in wireless sensor networks[C].IEEE,2005.

[23] 趙丹,楊庚.一種基于復數域的數據融合完整性保護算法[J].計算機技術與發展,2012(8):150-154.

[24] Zhang W,Wang C,Feng T.GP^2S:Generic Privacy-Preservation Solutions for Approximate Aggregation of Sensor Data (concise contribution)[C].IEEE,2008.

[25] Nath S,Gibbons P B,Seshan S,et al.Synopsis diffusion for robust aggregation in sensor networks[C].ACM,2004.

[26] Roy S,Conti M,Setia S,et al.Secure Data Aggregation in Wireless Sensor Networks[J].IEEE Transactions on Information Forensics and Security,2012,7(3):1040-1052.

[27] Roy S,Setia S,Jajodia S.Attack-resilient hierarchical data aggregation in sensor networks[C].ACM,2006.

[28] Castelluccia C,Soriente C.Abba:A balls and bins approach to secure aggregation in wsns[C].IEEE,2008.

[29] Madden S,Franklin M J,Hellerstein J M,et al.TAG:A tiny aggregation service for ad-hoc sensor networks[J].ACM SIGOPS Operating Systems Review,2002,36(SI):131-146.

[30] 楊庚,王安琪,陳正宇,等.一種低耗能的數據融合隱私保護算法[J].計算機學報,2011,34(5):792-800.

[31] Rivest R L,Adleman L,Dertouzos M L.On data banks and privacy homomorphisms[J].Foundations of secure computation,1978,4(11):169-180.

[32] Paillier P.Public-key cryptosystems based on composite degree residuosity classes[C].Springer,1999.

[33] Elgamal T.A public key cryptosystem and a signature scheme based on discrete logarithms[C].Springer,1985.

[34] Goldwasser S,Micali S.Probabilistic encryption & how to play mental poker keeping secret all partial information[C].ACM,1982.

收稿日期：2014-12-23。國家自然科學基金面上項目(61173169)；湖南省教育廳科學研究項目(14C0484)；永州市科技創新項目(永財企指[2013]3號)；湖南科技學院科學研究項目(湘科院校字[2013]23號)。張平，高工，主研領域：物聯網，模式識別，云計算，網絡安全。

中圖分類號TP3

文獻標識碼A

DOI:10.3969/j.issn.1000-386x.2016.07.001

DATA AGGREGATION IN INTERNET OF THINGS AND ITS MAJOR CHALLENGES

Zhang Ping

(DepartmentofComputerandCommunicationEngineering,HunanUniversityofScienceandEngineering,Yongzhou425100,Hunan,China) (SchoolofInformationScienceandEngineering,CentralSouthUniversity,Changsha410083,Hunan,China)

AbstractData aggregation is an inevitable choice to solve the challenges in Internet of Things (IoT) such as the limited energy of sensing nodes, limited computing power, mass data and data redundancy, complex and heterogeneous networks, and to be prone to attacking damages, etc. We simplified the architecture of the IoT proposed by ITU and constructed the adapted data aggregation architecture of IoT, so as to provide the guidance for the specific design of IoT data aggregation application system. Based on the proposed architecture, we analysed three major challenges encountered by the data aggregation of IoT: its uncertainty, the aggregation of big data, and its security. Separately, we gave the summarisation and review on the existing techniques each.

KeywordsInternet of ThingsData aggregationSecurityUncertaintyBig data