基于可信度和鄰居協作的傳感器故障檢測算法

藺艷斐，邵蘇杰，鐘成，郭少勇，邱雪松

(1. 北京郵電大學網絡與交換技術國家重點實驗室，北京 100876；2. 河北省電力公司，河北 石家莊 050022)

基于可信度和鄰居協作的傳感器故障檢測算法

藺艷斐1，邵蘇杰1，鐘成2，郭少勇1，邱雪松1

(1. 北京郵電大學網絡與交換技術國家重點實驗室，北京 100876；2. 河北省電力公司，河北 石家莊 050022)

通過可疑節點與鄰居節點的歷史數據比較，判斷節點是否故障是傳感器故障檢測的有效方法之一。該方法的關鍵點在于可疑節點的判斷問題以及故障診斷消息發送時機的決策問題。為此，提出一種基于可信度和鄰居協作的傳感器故障檢測算法。首先建立可信度模型進行節點可疑狀態判定；隨后基于鄰居協作的思想向鄰居節點發送故障診斷請求，通過等概率時間窗口決定該可疑節點診斷請求的發送時機；最后依據鄰居節點的診斷回復進行故障情況的分類以及狀態判斷。通過仿真驗證，該算法能夠在降低故障診斷次數和數據擁塞率的前提下，提高故障檢出率。

無線傳感器；故障檢測；可信度模型；鄰居協作；等概率時間窗口

1 引言

傳感器工作環境中的振動、噪聲、信道干擾、火災等都可能導致傳感器錯誤感知數據甚至永久故障[1]，為防止產生錯誤的傳感數據，保證傳感器網絡的正常運行，需要及時檢測傳感器故障。集中式和分布式是傳感器故障檢測的2種主要方法。集中式方法周期性收集傳感器測量值和狀態信息到中心節點，但大量數據通信導致靠近中心節點傳感器能耗加快，縮短傳感器網絡的生命周期[2～4]。分布式方法通過與鄰居傳感器監測數據相比較實現可疑節點的故障檢測，克服了傳感器節點間能耗不平衡的問題，但依然存在鄰居節點集合間突發大量數據通信導致擁塞的情況，影響故障檢測的效率和準確性[5,6]。因此，基于分布式方式以少量數據通信完成快速可靠的傳感器故障檢測成為需要解決的問題。

針對分布式傳感器故障檢測方法，目前有大量文獻進行了深入研究。文獻[7]提出了基于歷史數據與鄰居協作的故障檢測機制，選擇鄰居節點最多且健康的傳感器為根節點，迭代式判斷其鄰居節點狀態，但僅依據單個健康節點的數據進行故障判斷并不可靠。文獻[8,9]根據鄰居節點數據計算故障概率，并通過邊界節點數據調整該概率，但僅通過數據差值計算故障概率的方法有待優化。文獻[10]提出了基于 k-means的故障診斷算法，并利用蟻群算法進行優化，在一定程度上提高了故障檢測的準確率，但算法的高復雜度并不適用于大規模傳感器網絡。

文獻[11]提出基于分布式散列表的傳感器故障識別算法，通過與鄰居節點數據的比較實現故障判定，但并沒有深入研究其參數的取值方法。文獻[12,13]分別與自身歷史數據以及可信鄰居歷史數據相比較實現節點狀態判斷，但沒有涉及診斷請求的發送時機問題，可能導致數據無序反復發送，影響判斷的效率和準確性。文獻[14]引入時間窗口確定發送診斷請求的時機，但時間窗口的執行方式并不明確，且沒有對可疑節點鄰居節點的狀態做詳細分類，故障判斷的準確性存在一定缺陷。

基于上述分析，分布式傳感器故障檢測研究需重點解決2個問題：1) 可信的可疑節點判斷；2) 診斷請求發送時機。一旦傳感器節點數據異常立刻轉為可疑節點并向鄰居節點發送診斷請求的方式并不合理，數據突變可能是由于環境中確實存在突發事件而導致，如溫度傳感器監測區域的溫度驟升時監測數據會發生突變[15]。因此需要判斷節點是否切實可疑，避免不必要的診斷請求傳輸開銷。由于同一時刻可能存在大量可疑節點，同時發送診斷請求會造成數據擁塞，因此需要避免大量無序重復的數據通信出現。

為此，本文提出一種基于可信度和鄰居協作的傳感器故障檢測算法。首先建立可信度模型判定節點可疑狀態；隨后基于鄰居協作思想發送診斷請求，并通過等概率時間窗口決定發送時機；最后為進一步提高故障診斷的準確性，依據鄰居節點的診斷回復對故障情況詳細分類并進行狀態判斷。

2 問題模型

本文所提的基于可信度和鄰居協作的傳感器故障檢測如圖1所示，由若干個處于健康、可疑、故障狀態的傳感器節點組成。當某個傳感器節點處于可疑狀態時，在以該節點為圓心，半徑為R的虛線圓所圍區域內進行基于鄰居協作的故障診斷。

當某個傳感器發現當前t時刻的數據與t?1時刻的數據差距較大時，首先需要基于可信度對其是否為可疑節點進行判斷。當可信度模型判斷該數據突變確實是由環境中存在的突發事件導致，則不需要啟動故障診斷過程；否則立即向以該節點為圓心，半徑為R的虛線圓區域內的傳感器發送故障診斷請求。因此如何根據歷史數據建立合理準確的可信度模型是本文需要解決的一個關鍵問題。

此外，為避免因同一區域內多個傳感器同時被判定為可疑狀態而導致的大量突發的數據通信，如何在時間軸上區分這些故障診斷請求，建立合理的時間窗口以決策診斷請求發送時機是另一個需要解決的問題。

可疑節點故障診斷過程啟動后，鄰居傳感器節點都發送診斷回復是不必要的。如果鄰居節點是可疑的，則其數據并不具有參考性。如圖1中的可疑節點S1、S2、S3所示，其鄰居節點狀態可能存在以下3種情況：1) 鄰居節點中只存在少量或不存在可疑節點和故障節點；2) 鄰居節點中存在大量可疑節點，只有少量或者不存在正常節點和故障節點；3)鄰居節點中存在大量故障節點，只有少量或者不存在可疑節點和正常節點。鄰居節點需要根據自身狀態確定是否發送診斷回復，并結合自身監測數據與收到的診斷請求數據確定診斷回復的具體內容。此時，收到診斷回復后需要進行狀態判斷的可疑傳感器節點并不能立刻完成狀態判定，需要對診斷回復數據進行統計分析并按以上3種情況進行分類，最終完成狀態判定。

圖1 無線傳感器網絡故障檢測示意

3 傳感器故障檢測算法

本文的傳感器故障檢測算法主要包括 2個階段：分布式基于可信度模型的全網可疑節點確定以及基于鄰居協作的可疑節點故障狀態判定。

3.1 確定可疑節點

3.1.1 可信度模型

判斷節點是否可疑，是根據其監測數據是否可信來實現的。通過傳感器節點當前監測數據相對于歷史數據的變化趨勢來確定當前監測數據是否可信。本文通過方差來量化監測數據的變化趨勢，數據方差較小時，說明數據比較穩定。

t時刻數據為dt，則當前k個數據的均值。依照式(2)計算

但是僅依靠方差來調整可信度可能會忽略一些傳感器故障。假設在t時刻，某個傳感器節點發生故障，其監測數據異常增大，且后續數據也是偏大的，則可能隨時間的推移逐漸減小甚至小于s，導致可信度θ反而開始增加，該故障無法被監測到。因此需要將方差和均值同時作為調整可信度的因素，定義參數d，當且時，可信度θ增加；否則可信度θ減小。節點可信度模型如式(3)所示。

定理 1 式(3)中的參數d和s的取值取決于實際故障檢測中的k值，以及可容忍的d1、dt、兩兩之間的差值，與d1、dt、的具體值無關。

因此

3.1.2 可信度門限

式(3)中的θ并不是無限減小的，引入一個門限值ε來作為可疑節點與健康節點可信度的分界，如式(4)所示。

證明 由于節點可信度θ≤1，依照式(3)，每次的數據異常都會使θ減小?，當某節點連續出現m次的數據異常時，該節點可判定為可疑，依據式(4)，θ≤ε，為保證該判定切實成立。為進一步精確ε，可知因此，當時，可以保證節點在連續m次數據異常下，節點狀態一定為可疑。

定理2中m的值依照實際要求設置。如果一發現異常數據就立即將節點狀態轉變為可疑并啟動故障診斷程序，那么令m=1。m取值較大可以降低網絡數據傳輸壓力，但會忽略一些瞬時故障。m取值較小時，雖然可以提高故障診斷準確率，但會帶來大量不必要的數據傳輸開銷。因此本文權衡故障檢測的準確率和網絡流量2個因素，確定m的最佳取值。

可疑節點確定過程如圖2所示。

圖2 可疑節點確定流程

3.2 基于鄰居協作的故障診斷

確定可疑節點以后，需要通過與鄰居節點歷史數據的比較確定該節點是否為故障節點。關鍵要解決 3個問題：1) 故障診斷請求時機決策問題；2)鄰居節點如何回復故障診斷請求；3) 如何根據診斷回復完成可疑節點狀態判定。

3.2.1 診斷請求

本節在文獻[14]的基礎上提出了等概率時間窗口機制來確定可疑節點故障診斷請求的發送時機。

每一個可疑傳感器節點設置一個時間窗口，如圖3所示，單位時間間隔為l，長度為w個時間間隔，l和w的大小依據傳感器節點所監測設備的實時性要求等具體情況設定。可疑節點在每個時間窗口向鄰居節點發送診斷請求的概率是相等的，為假設t時刻有n個傳感器節點轉變為可疑節點，則這些節點在同一時間窗口發送診斷請求的概率為，每個時間窗口發送診斷請求的傳感器節點數目的期望為，這n個可疑節點發送診斷請求的時間被極大地分散，有效緩解了數據傳輸壓力。

圖3 等概率時間窗口

3.2.2 診斷回復

可疑節點i發送故障診斷請求后，以i為圓心，R為半徑的圓形區域內的狀態已確定的鄰居節點j向i發送診斷回復。節點j首先檢測自身狀態并根據loc計算與i的距離dij，如果自身狀態為可疑則僅向i回復一個的消息；否則依照式(5)處理收到的信息。

基于鄰居協作的故障診斷請求發送和診斷回復過程如圖4所示，首先利用等概率時間窗口機制確定發送診斷請求的時間，之后不斷判斷時間窗口是否到達，規定的時間窗口到達后，向鄰居節點發送診斷請求，收到診斷請求的可疑鄰居節點僅回復自身狀態信息，健康節點和故障節點依照式(5)處理接收到的數據，并發送診斷回復。

圖4 基于鄰居協作的故障診斷請求發送和診斷回復過程

3.2.3 狀態判定

假設鄰居協作區域D邊緣的傳感器發送數據到可疑節點i所用的時間為T。節點i發送診斷請求后等待2T時間，在等待時間內不斷對收到的回復消息依照式(6)進行分類統計。

其中，N0、N1、F0、F1、Q 表示節點i的鄰居節點中各類節點的數目，statej和cop是診斷回復中包含的信息。假設節點i在協作區域的鄰居節點總數為，根據各類鄰居節點所占比例進行分析，可能出現的情況分為以下3類。

1) 如圖5(a)所示，可疑節點i的鄰居協作區域內超過一半的節點為健康節點，有很少的故障節點和可疑節點。健康節點和故障節點收到i的診斷請求后，向節點i發送診斷回復，可疑節點僅回復自身的狀態信息。依照式(6)統計的回復信息滿足。如果，則節點i為故障節點；如果，則節點i為正常節點。

2) 如圖5(b)所示，可疑節點i的協作區域內故障節點的數量和健康節點的數量都不足一半，有多個節點為可疑節點。依照式(6)統計的回復信息滿足。由于可疑節點的數據不具有參考性，應該重新等待2T時間，部分鄰居可疑鄰居節點完成狀態判斷之后，重新統計數據進行分析。

3) 如圖5(c)所示，可疑節點i的協作區域內有超過一半的節點為故障節點。依照式(6)統計的回復信息滿足。故障節點收到診斷請求消息后，按照式(6)處理，并發送診斷回復。如果說明大多數的故障節點認為節點i為正常節點，即節點i與大多數故障節點的數據相近，此時節點i為故障節點。反之，節點i為正常節點。

圖5 3種故障場景

狀態判定流程如圖6所示，可疑節點i發送診斷請求以后，初始化已等待時間為 0，開始接收并統計鄰居節點的診斷回復。等待2T時間后，根據統計的數據分3種情況分別處理。情況1) 和情況3) 直接確定節點i的狀態并修改節點的可信度，健康節點可信度置為 1，故障節點可信度置為 0。情況 2)則初始化等待時間并重復以上過程直到節點狀態確定。

圖6 狀態判定流程

4 仿真實驗

本文在100 m× 100 m的區域內分別隨機放置30、60、90個傳感器節點，在這3種不同的節點密度下進行仿真實驗，確定m的最佳取值。并在90個傳感器節點的情況下，將本文算法與文獻[13]、文獻[14]中的算法在故障診斷次數和故障檢出率 2個方面加以比較。

1) m值的確定

圖7和圖8分別顯示了在3種節點密度下，故障診斷次數以及故障檢出率隨m值的變化情況。從圖7可以看出，故障診斷次數隨著m的增大而減小，因為m值越小，故障診斷所需要的連續異常次數越少，因此故障診斷次數越多。從圖8可以看出，故障檢出率隨著m的增大而減小，因為m值越大，故障診斷所需要的連續異常次數越多，連續異常數據較少的故障可能被忽略。為保證較少的故障診斷次數和較高的故障檢出率，在 30、60、90個傳感器節點的情況下m的取值分別為 6、5、4，從圖 7、圖8可以看出，此時故障診斷次數較少，且故障檢出率為100%。當m的取值分別為9、9、7時，故障診斷次數更少，此時故障檢出率為97%以上。

2) 故障診斷的時間分布

為驗證等概率時間窗口機制平衡數據流量的有效性，本實驗對比了等概率時間窗口的方案與發現可疑節點立即發送故障診斷請求的方案。較多的故障診斷次數會造成較大的數據流量壓力，為平衡數據流量和故障檢出率，本實驗設定節點數目為90，m取值為7，此時故障診斷次數較少，且故障檢出率可達97%以上，時間窗口w的取值為5。各個時間點發送故障診斷請求的傳感器節點數目分布情況如圖9所示，第5 s、8 s、18 s、27 s、40 s都有多個傳感器需要發送故障診斷請求。不采用時間窗口機制時，這些診斷請求直接在以上時間點被發送，而采用時間窗口機制以后，診斷請求發送的時間被分散到各個時間窗口。如圖9中第27 s的5個傳感器診斷請求，被分散到第27 s、28 s、29 s、30 s發送，分別發送1、1、2、1個診斷請求。采用該機制可有效避免同一時間點發送大量診斷請求而導致的數據擁塞。

圖7 故障診斷次數隨m值的變化

圖8 故障檢出率隨m值的變化

3) 故障檢出率

本文從故障診斷次數和故障檢出率 2個方面比較本文算法與文獻[13]中基于鄰居節點數據分析的 WSN 故障檢測方法，以及文獻[14]中吞吐量下降和節能的傳感器故障診斷機制的性能。從圖10可以看出，本文算法故障診斷次數最少，文獻[13]次之，文獻[14]故障診斷次數最多。這是因為本文建立了可信度模型，傳感器節點的數據有多次異常后使節點的可信度低于一定閾值后才會發送診斷請求，從而減少了一些不必要的通信開銷。從圖 11可以看出，本文算法的故障檢出率最高，都在97%以上，文獻[14]算法次之，最后是文獻[13]算法。并且隨著節點數目的增多，本文算法的故障檢出率變化較小，而文獻[13,14]故障檢出率迅速下降。因此本文基于可信度和鄰居協作的傳感器故障檢測算法能夠適用于大規模無線傳感器網絡。

圖9 故障診斷的時間分布

圖10 3種算法的故障診斷次數

圖11 3種算法的故障檢出率對比

5 仿真結果分析

本文的仿真實驗主要與文獻[13]中基于鄰居節點數據分析的 WSN 故障檢測方法，以及文獻[14]中吞吐量下降和節能的傳感器故障診斷機制，在故障診斷次數和故障檢出率2個方面進行比較。本文算法能夠在降低故障診斷次數和數據擁塞率的前提下，提高故障檢出率，主要是由于建立了可信度模型，引入時間窗口機制并基于鄰居協作進行可靠的狀態判定。

文獻[13,14]中都提到了首先進行節點可疑狀態判斷，文獻[13]在計算節點的可信度水平時僅依據歷史數據的方差，但是如果發生異常后的監測數據維持在一個錯誤范圍內的平穩值時，其歷史數據的方差可能會逐步減小，節點的可信度逐步增加，此種情況下的異常可能會被忽略。文獻[14]僅根據歷史數據的均值進行節點可信度的增減，但是較大和較小的異常數據同時出現時，會由于2種異常數據值的平均導致異常無法發現。而且僅依靠均值進行判斷會產生較多不必要的可疑節點。本文結合方差和均值2個因素建立可靠的可信度模型，可以避免忽略上述異常，同時有效減少不必要的故障診斷過程。

文獻[13]在確定可疑節點以后立即向鄰居節點發送該故障診斷請求，雖然診斷請求的發送時間及時，但是當環境突變等原因造成某一時刻產生大量可疑節點時，這些可疑節點同時立即向鄰居節點發送診斷請求可能會造成數據擁塞，擁塞發生以后，這些請求被反復發送造成數據擁塞情況不斷加劇，反而影響故障診斷的效率。文獻[14]提到將診斷請求的發送時間推遲，但是沒有具體介紹如何推遲。本文提出等概率時間窗口機制，當節點的可信度低于一定閾值之后根據該機制確定診斷請求發送的具體時間，可以使診斷請求的發送時間被分散，降低數據擁塞的可能性，減少故障診斷請求的發送次數。

收到鄰居節點的診斷回復后，文獻[13]在鄰居節點中有超過一半的節點認為該節點為健康節點時，判定該節點健康；否則可疑。該方法沒有考慮鄰居節點的狀態，因為可疑鄰居節點的回復并不具有參考性。文獻[14]根據鄰居節點的診斷回復分情況討論，但是其情況分類并不準確，沒有考慮大部分都是故障節點的情況，且在各種情況下的狀態判斷也不可靠。因此，本文通過分析不同鄰居節點的診斷回復進行分類統計，產生3種故障情況，并在不同的情況下，根據各類回復消息的數目做相應處理，有效提高了故障檢出率。

6 結束語

通過分布式鄰居協作完成傳感器節點的狀態判定是傳感器故障檢測的有效方法之一，該方法的關鍵點在于可疑節點的判斷和故障診斷消息發送時機的決策。本文提出了一種基于可信度和鄰居協作的傳感器故障檢測算法，可以按照可信度模型判定可疑傳感器節點，并按照等概率時間窗口機制確定可疑節點發送診斷請求的時間。仿真實驗表明，該算法能夠在降低故障診斷次數和數據擁塞率的前提下，提高故障檢出率，且適用于大規模無線傳感器網絡。

[1] LU Z Q, WEN Y G. Distributed algorithm for tree-structured data aggregation service placement in smart grid [J]. IEEE Systems Journal,2014, 8(2): 553-561.

[2] CHANG C Y, LIN C Y, KUO C H. EBDC: an energy-balanced data collection mechanism using a mobile data collector in WSNs [J]. Sensors, 2012, 12(5): 5850-5871.

[3] XUE L, KIM D, ZHU Y. Multiple heterogeneous data ferry trajectory planning in wireless sensor networks[C]//IEEE Conference on Computer Communications. Toronto, 2014: 2274-2282.

[4] LIU X F, CAO J N. Fault tolerant complex event detection in WSNs: a case study in structural health monitoring [J]. IEEE Transactions on Mobile Computing, 2015, 12(14):2502-2515.

[5] ZHAO M, CHOW T W. Wireless sensor network fault detection via semi-supervised local kernel density estimation[C]//2015 IEEE International Conference on Industrial Technology (ICIT). Seville,2015:1495-1500.

[6] RAVINDRA V K, ASHISH B J. A fault tolerant approach to extend network life time of wireless sensor network[C]//2015 IEEE International Conference on Advances in Computing, Communications and Informatics (ICACCI). Kochi, 2015: 993-998.

[7] 邱雪松, 陳新顏, 楊楊. 歷史數據與鄰居協作融合的無線傳感器故障檢測機制[J]. 北京郵電大學學報, 2015, 38(sup): 1-5.QIU X S, CHEN X Y, YANG Y. Neighbor-coordination in wireless sensor network [J]. Journal of Beijing University of Posts and Telecommunications, 2015, 38(sup): 1-5.

[8] PAOLA A D, GAGLIO S, RE G. Adaptive distributed outlier detection for WSNs[J]. IEEE Transactions on Cybernetics, 2015, 45(5):888-899.

[9] YUAN H, ZHAO X X, YU L Y. A distributed Bayesian algorithm for data fault detection in wireless sensor networks[C]//2015 International Conference on Information Networking (ICOIN). Cambodia, 2015:63-68.

[10] YANG Y, LIU Q, GAO Z P. Data clustering-based fault detection in WSNs[C]//7th International Conference on Advanced Computational Intelligence. Fujian, China, 2015:334-339.

[11] SENTHIL M, SUGASHINI K, ABIRAMI M. Identification and recovery of repaired nodes based on distributed hash table in WSN[C]//IEEE Sponsored 2nd International Conference on Innovations in Information Embedded and Communication Systems ICIIECS’15 Coimbatore. 2015:1-4.

[12] SAIHI M, BOUSSAID B, ZOUINKHI A. Distributed fault detection based on HMM for wireless sensor networks[C]//4th International Conference on Systems and Control. Sousse, Tunisia, c2015:189-193.

[13] 黃日茂, 邱雪松, 高志鵬. 無線傳感器網絡中鄰居數據分析的故障檢測方法[J]. 北京郵電大學學報, 2011, 34(3):31-34.HUANG R M, QIU X S, GAO Z P. A neighbor-data analysis method for fault detection in wireless sensor networks [J]. Journal of Beijing University of Posts and Telecommunications, 2011, 34(3):31-34.

[14] SHARMA K P, SHARMA T P. A throughput descent and energy efficient mechanism for fault detection in WSNs[C]//2015 International Conference on Industrial Instrumentation and Control (ICIC) College of Engineering Pune. India, 2015:28-30.

[15] AMNA Z, BILAL W, BEENISH A A. A hybrid fault diagnosis architecture for wireless sensor networks[C]//2015 International Conference on Open Source Systems and Technologies. Lahore, 2015:7-15.

Sensor fault detection algorithm based on credibility and neighbor-cooperation

LIN Yan-fei1, SHAO Su-jie1, ZHONG Cheng2, GUO Shao-yong1, QIU Xue-song1
(1. State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications, Beijing 100876, China;2. Power Grid of Hebei Province, Shijiazhuang 050022, China)

To effectively detect whether a node was failure, one of the effective sensor fault detection methods was to compare historical data of suspicious node with its neighbors. The key points of this method were identification of suspicious nodes, as well as decision problem of sending timing for fault diagnosis messages. To this end, a sensor fault detection algorithm was presented based on credibility and neighbor-cooperation. Firstly, a credibility model to determine whether nodes are suspicious was established. Then suspicious nodes send fault diagnosis requests to neighbor nodes based on neighbor-cooperation. The sending timing was determined by equal probability time window. Finally, it could finish classification of fault condition and state judgment based on diagnosis responds of neighbor nodes. Simulation experiments show that this algorithm can achieve higher fault detection rate with less fault diagnosis times and low data congestion probability.

wireless sensor, fault detection, credibility model, neighbor-cooperation, equal probability time window

The Science and Technology Project Foundation of State Grid (No.SGIT0000KJJS1500008)

TP393

A

10.11959/j.issn.1000-436x.2016170

2016-03-21；

2016-05-19

國家電網科技項目基金資助項目(No.SGIT0000KJJS1500008)

藺艷斐（1992-），女，山東萊蕪人，北京郵電大學碩士生，主要研究方向為智能電網、網絡與業務管理。

邵蘇杰（1985-），男，陜西漢中人，北京郵電大學博士生，主要研究方向為研究方向為網絡管理與智能電網。

鐘成（1970-），男，河北石家莊人，河北省電力公司高級工程師，主要研究方向為光纜、終端接入網。

郭少勇（1985-），男，河北邢臺人，北京郵電大學博士后，主要研究方向為網絡管理、終端管理與智能電網。

邱雪松（1973-），男，江西上饒人，北京郵電大學教授、博士生導師，主要研究方向為網絡與業務管理。