帶有隱私保護的分布式壓縮感知數(shù)據(jù)融合方法
【專利摘要】本發(fā)明請求保護一種帶有隱私保護的分布式壓縮感知數(shù)據(jù)融合方法，涉及無線網(wǎng)絡領域。設計了一種分布式場景下，基于數(shù)據(jù)稀疏位置信息隱藏的隱私保護融合方法，通過數(shù)據(jù)稀疏支撐集特征學習、數(shù)據(jù)真實稀疏位置隱藏和分布式壓縮感知融合觀測，避免了傳統(tǒng)隱私保護融合方法所帶來的額外通信開銷，更有利于傳感器網(wǎng)絡的數(shù)據(jù)處理。本發(fā)明提出的數(shù)據(jù)隱私保護融合方法對于傳感器網(wǎng)絡數(shù)據(jù)隱私保護效果明顯，同時利用分布式壓縮感知融合的策略能夠有效地降低網(wǎng)絡能耗，提高算法效率和數(shù)據(jù)處理性能，利于用戶管理，便于網(wǎng)絡應用及規(guī)模的拓展。
【專利說明】帶有隱私保護的分布式壓縮感知數(shù)據(jù)融合方法
【技術領域】
[0001]本發(fā)明涉及無線網(wǎng)絡領域，尤其涉及無線傳感器網(wǎng)絡的隱私保護數(shù)據(jù)融合機制?！颈尘凹夹g】
[0002]無線傳感器網(wǎng)絡(WirelessSensingNetwork, WSN)是由部署在監(jiān)測區(qū)域內(nèi)大量傳感器節(jié)點構成，通過無線通信方式形成的一種自組織網(wǎng)絡。隨著硬件和軟件技術的發(fā)展，其應用范圍已逐漸深入到人類生活的各個領域。然而，傳感器節(jié)點在計算和存儲能力、通信能力以及能量等方面均存在一定的局限性，這使得數(shù)據(jù)融合技術成為無線傳感器網(wǎng)絡的研究方向之一。
[0003]數(shù)據(jù)融合技術是指將多份觀測數(shù)據(jù)或信息，在一定準則下加以關聯(lián)、分析，以組合出更有效、更符合用戶需求的數(shù)據(jù)的一種信息處理技術，能夠有效地均衡并降低無線傳感器網(wǎng)絡的能量消耗，增強所收集數(shù)據(jù)的準確性，提高收集效率。壓縮感知理論(CompressedSensing, CS)是一種新興的數(shù)據(jù)融合技術，它通過對原始數(shù)據(jù)進行觀測編碼與重構譯碼，達到在保留原始數(shù)據(jù)的重要信息的同時降低數(shù)據(jù)維數(shù)的目的，其融合效果已得到大量驗證。針對分布式網(wǎng)絡特性，分布式壓縮感知理論(DistributedCompressedSensing, DCS)提出了相應的聯(lián)合稀疏模型(JointSparsityModels, JSMs)，在信號群聯(lián)合稀疏概念的基礎上，充分挖掘信號內(nèi)和信號間的相關結構，合理地表示多個相關聯(lián)的數(shù)據(jù)，打破了分布式網(wǎng)絡中的數(shù)據(jù)采樣和傳輸融合的發(fā)展瓶頸。
[0004]無線傳感器網(wǎng)絡采用無線媒介傳輸數(shù)據(jù)，應用過程中面臨嚴重的數(shù)據(jù)安全威脅，包括節(jié)點隱私信息泄露、信息完整性損壞等。此外，傳感器網(wǎng)絡中的節(jié)點隨機分布于應用場景，相同子區(qū)域內(nèi)節(jié)點的感知數(shù)據(jù)之間存在一定的空間、時間相關性，從而產(chǎn)生大量冗余數(shù)據(jù)，極大地加重了網(wǎng)絡的信息處理負擔?？紤]到無線傳感器網(wǎng)絡的數(shù)據(jù)隱私保護需求以及數(shù)據(jù)之間的相關性，通過分析任務目標數(shù)據(jù)，隱私保護數(shù)據(jù)融合機制可對需保護的原始數(shù)據(jù)進行有效地信息隱藏，并在 數(shù)據(jù)傳輸過程中進行有效地融合處理。高效的隱私保護數(shù)據(jù)融合方法可以大大降低節(jié)點隱私數(shù)據(jù)泄露的可能性，并適應無線傳感器網(wǎng)絡能量受限的特性。
[0005]目前傳感器網(wǎng)絡中的隱私保護數(shù)據(jù)融合技術主要包括擾動技術，切分重組技術，端到端加密技術，偽裝數(shù)據(jù)添加技術。WenboHe, Xue Liu, HoangNguyen在“PDA:Privacy-preservingDataAggregationin WirelessSensorNetworks，，【Proceedingsofthe26thIEEEInternational ConferenceonComputerCommunications(INF0C0M2007), Alaska, USA, 2007】中利用數(shù)據(jù)擾動和多項式的可加性計算所需的融合值，并使得同區(qū)域內(nèi)節(jié)點無法獲得其它節(jié)點隱私數(shù)據(jù)。YangGeng, Wang An-Qi, ChenZheng-Yu 在 “Anenergy-savingprivacy-preservingdata aggregationalgorithm，，[ChineseJournalofComputers, vol.34, n0.5，pp.792 - 800，2011】中提出在傳感節(jié)點處進行隨機數(shù)據(jù)切分并分配隨機時間片的方法，避免節(jié)點間數(shù)據(jù)碰撞并限制節(jié)點間共謀的數(shù)據(jù)范圍，以保護數(shù)據(jù)隱私性并提高融合精度。StavrosPapadopoulos, Aggelos Kiayias, DimitrisPapadias在“Secureandefficientin-networkprocessing ofexactSUMqueries，，【Proceedingsofthe27thInternational ConferenceonDataEngineering (ICDE2011), Hannover, Germany, 2011 】中構造了一種基于求和同態(tài)加密函數(shù)和共享秘密數(shù)據(jù)技術的端到端隱私保護數(shù)據(jù)融合方法，該方法可在加密數(shù)據(jù)上完成數(shù)據(jù)融合和完整性驗證。GroatMM, HeffB, ForrestS在“KIPDA:k-1ndistinguishableprivacy-preservingdataaggregationinwireless sensornetworks，，[Proceedingsofthe30thIEEEInternational ConferenceonComputerCommunications(INF0C0M2011), Shanghai, China,2011】中提出了一種非加密隱私保護融合策略，通過添加偽裝數(shù)據(jù)實現(xiàn)隱私保護MAX/MIN非線性數(shù)據(jù)融合。
[0006]以上數(shù)據(jù)融合方法都包括了隱私保護數(shù)據(jù)構造和數(shù)據(jù)傳輸融合兩個階段。但是，其額外通信開銷過大，計算復雜度較高，且未充分考慮傳感器網(wǎng)絡數(shù)據(jù)所具有的稀疏性、時間相關性和空間相關性等特性，不利于實際部署和應用。為了有效地提高傳感器網(wǎng)絡中隱私保護數(shù)據(jù)融合的性能，本發(fā)明提出一種基于稀疏位置隱藏的分布式壓縮感知隱私保護數(shù)據(jù)融合方法。通過對原始感知數(shù)據(jù)進行稀疏變換和相關性特征學習，準確地獲取各節(jié)點數(shù)據(jù)的稀疏支撐集分布特征，并在此基礎上設計基于稀疏位置隱藏的數(shù)據(jù)匿名化策略，在對數(shù)據(jù)進行高效壓縮融合的同時，完成對其隱私信息的有效保護。

【發(fā)明內(nèi)容】

[0007]本發(fā)明所要解決的技術問題是:無線信道具有開放性，當無線傳感器網(wǎng)絡規(guī)模增大或應用場景增多時，傳感節(jié)點采集的感知數(shù)據(jù)極易遭到竊聽和泄露。此外，網(wǎng)絡中所傳輸?shù)臄?shù)據(jù)具有稀疏性和時間-空間相關性特點，傳統(tǒng)隱私保護融合方法難以對其進行有效利用以降低網(wǎng)絡負擔。針對上述問題，本發(fā)明依據(jù)傳感器網(wǎng)絡感知數(shù)據(jù)的特點，對數(shù)據(jù)的稀疏化表示(即稀疏支撐集)進行特征學習，將數(shù)據(jù)的稀疏支撐集分為共有與特有兩個部分，發(fā)明了一種適用于分布式傳感器網(wǎng)絡場景下，基于數(shù)據(jù)稀疏位置信息隱藏的隱私保護融合方法，避免了傳統(tǒng)隱私保護融合方法所帶來的額外通信開銷，更有利于傳感器網(wǎng)絡的數(shù)據(jù)處理。
[0008]本發(fā)明解決技術問題所采用的技術方案是:利用分布式壓縮感知技術，將對原始數(shù)據(jù)進行稀疏變換所得的稀疏支撐集作為節(jié)點數(shù)據(jù)特征學習的重要參數(shù)。由于稀疏支撐集中的稀疏系數(shù)數(shù)值及位置分布與原始數(shù)據(jù)存在一一對應的關系，則數(shù)據(jù)在固定稀疏基下的稀疏支撐集具有惟一性，且其維數(shù)遠低于原始數(shù)據(jù)。可見，在節(jié)點數(shù)據(jù)特征學習過程中，將感知數(shù)據(jù)集合的稀疏支撐集作為學習樣本，可以充分挖掘傳感網(wǎng)絡內(nèi)節(jié)點感知數(shù)據(jù)的自相關性和互相關性；并且，在匯聚節(jié)點對網(wǎng)絡數(shù)據(jù)特征進行學習的過程中，將稀疏支撐集作為樣本參數(shù)可以有效地節(jié)省計算開銷。因此，本發(fā)明將節(jié)點感知數(shù)據(jù)受全局環(huán)境影響而具有的共同特點以共有稀疏部分來表示；將節(jié)點感知數(shù)據(jù)受局部環(huán)境影響而具有的自有特點以獨立稀疏部分來表示。在稀疏基相同的情況下，同時表示感知數(shù)據(jù)群的共同特點和各節(jié)點數(shù)據(jù)的自有特點。
[0009]同時，本發(fā)明將網(wǎng)內(nèi)感知數(shù)據(jù)群的稀疏支撐集作為全局隱私保護集合，并針對各傳感節(jié)點生成滿足約束條件的偽裝數(shù)據(jù)，為其構造偽裝數(shù)據(jù)配置信息。傳感節(jié)點隨后在數(shù)據(jù)的稀疏變換域上進行真實數(shù)據(jù)和偽裝數(shù)據(jù)的特定位置填充，從而完成稀疏化隱私保護數(shù)據(jù)定制。隨后，根據(jù)分布式壓縮感知的線性性質(zhì)，進行數(shù)據(jù)壓縮觀測和加性融合傳輸。最后，匯聚節(jié)點對融合數(shù)據(jù)進行聯(lián)合稀疏重構，即可獲得融合結果的稀疏支撐集。通過進行反稀疏變換，即可得到原信號表示域下的數(shù)據(jù)融合結果。具體為:
[0010]帶有隱私保護的分布式壓縮感知數(shù)據(jù)融合方法，對原始數(shù)據(jù)進行稀疏變換得到稀疏支撐集，將感知數(shù)據(jù)集合的稀疏支撐集作為學習樣本；將稀疏支撐集作為全局隱私保護集合，并針對各傳感節(jié)點構造節(jié)點隱私配置信息；傳感節(jié)點在數(shù)據(jù)的稀疏變換域上進行真實數(shù)據(jù)和偽裝數(shù)據(jù)的特定位置填充；匯聚節(jié)點根據(jù)稀疏支撐集，構造網(wǎng)絡隱私配置信息，各節(jié)點根據(jù)隱私配置信息，合成隱私保護壓縮觀測數(shù)據(jù)；中繼節(jié)點對壓縮觀測數(shù)據(jù)進行加性數(shù)據(jù)融合；匯聚節(jié)點對融合數(shù)據(jù)進行聯(lián)合稀疏重構，獲得融合結果的稀疏支撐集，進行反稀疏變換，得到原信號表示域下的數(shù)據(jù)融合值。
[0011]其中，匯聚節(jié)點將傳感節(jié)點的感知數(shù)據(jù)作為隱私保護對象，同類型傳感節(jié)點的感知數(shù)據(jù)均在同一稀疏基Ψ下進行稀疏變換，將每個原始感知數(shù)據(jù)表示為共有部分和獨立部分的和 Xj = Z c+ Z J, j e {1，2，...，J}，其中，公共部分 Zc = ΨΘε, I I OcI I。= Kc,獨立部分Zj = Ψθ」，I I OjI Itl = Kj，其中O。與Oj分別表示節(jié)點j感知數(shù)據(jù)稀疏支撐集--中的共有部分和獨立部分，Kc與I分別表示共有部分和獨立部分的稀疏度。匯聚節(jié)點接收到網(wǎng)內(nèi)節(jié)點上傳感知數(shù)據(jù)集合后，構造并使用在線最小二乘支持向量機回歸模
/+/-1
型
【權利要求】
1.帶有隱私保護的分布式壓縮感知數(shù)據(jù)融合方法，其特征在于，對原始數(shù)據(jù)進行稀疏變換得到稀疏支撐集，將感知數(shù)據(jù)集合的稀疏支撐集作為學習樣本；將稀疏支撐集作為全局隱私保護集合，并針對各傳感節(jié)點構造節(jié)點隱私配置信息；傳感節(jié)點在數(shù)據(jù)的稀疏變換域上進行真實數(shù)據(jù)和偽裝數(shù)據(jù)的特定位置填充；匯聚節(jié)點根據(jù)稀疏支撐集，構造網(wǎng)絡隱私配置信息，各節(jié)點根據(jù)隱私配置信息，合成隱私保護壓縮觀測數(shù)據(jù)；中繼節(jié)點對壓縮觀測數(shù)據(jù)進行加性數(shù)據(jù)融合；匯聚節(jié)點對融合數(shù)據(jù)進行聯(lián)合稀疏重構，獲得融合結果的稀疏支撐集，進行反稀疏變換，得到原信號表示域下的數(shù)據(jù)融合值。
2.根據(jù)權利要求1所述的方法，其特征在于:對原始數(shù)據(jù)進行稀疏變換得到稀疏支撐集具體為:同類型傳感節(jié)點的感知數(shù)據(jù)均在同一稀疏基Ψ下進行稀疏變換，將每個感知數(shù)據(jù)表示為公共部分和獨立部分的和Xj= Z c+ Z j, j e {1，2，...，J}，其中，公共部分Z c =ΨΘε, I I ?c ο = Kc，獨立部分Zj = Ψ Oj, I I 0j}}o = Kj, Oc與Oj分別表示節(jié)點j感知數(shù)據(jù)稀疏支撐集--中的公共部分和獨立部分，K。與&分別表示公共部分和獨立部分的稀疏度。
3.根據(jù)權利要求1所述的方法，其特征在于:感知數(shù)據(jù)集合的稀疏支撐集作為學習樣本具體為:匯聚節(jié)點接收到網(wǎng)內(nèi)節(jié)點上傳的感知數(shù)據(jù)集合后，使用在線最小二乘支持向量機回歸模型知
4.根據(jù)權利要求1所述的方法，其特征在于:構造節(jié)點隱私配置信息具體為，匯聚節(jié) 點根據(jù)感知數(shù)據(jù)集合的稀疏支撐集中的系數(shù)位置分布特征，根據(jù)公式:
5.根據(jù)權利要求1所述的方法，其特征在于:各節(jié)點根據(jù)隱私配置信息，合成隱私保護壓縮觀測數(shù)據(jù)具體包括:各節(jié)點根據(jù)隱私配置信息，在自身感知數(shù)據(jù)集合的稀疏支撐集上進行偽裝數(shù)據(jù)填充，生成感知數(shù)據(jù)的隱私保護稀疏表示矢量豆y ,使用全局共有的秘密觀測矩陣Φ對其進行分布式壓縮觀測，合成新的隱私保護壓縮觀測數(shù)據(jù)。
6.根據(jù)權利要求1所述的方法，其特征在于:所述得到原信號表示域下的數(shù)據(jù)融合值具體為，中繼節(jié)點對下游節(jié)點上傳的壓縮觀測數(shù)據(jù)進行加性數(shù)據(jù)融合? = ^ +...+ $，并向匯聚節(jié)點轉發(fā)，匯聚節(jié)點對融合數(shù)據(jù)稀疏矢量特定位置進行掃描，即可獲得真實數(shù)據(jù)和值的稀疏支撐向量=I/，
7.根據(jù)權利要求4所述的方法，其特征在于:所述進行真實數(shù)據(jù)和偽裝數(shù)據(jù)的特定位置填充具體為，在稀疏支撐矢量中各節(jié)點真實秘密集合iVSS/對應的位置，填充入j節(jié)點原始感知數(shù)據(jù)稀疏支撐集中的稀疏系數(shù)，在節(jié)點j私有秘密信息集-1VSS1/對應的位置，填入滿足式G= Σ 的隨機偽裝數(shù)據(jù)“在^^對應的位置上填充滿足式

【文檔編號】H04W88/18GK103476040SQ201310440039
【公開日】2013年12月25日 申請日期:2013年9月24日 優(yōu)先權日:2013年9月24日
【發(fā)明者】吳大鵬, 唐季超, 王汝言, 孫青文, 劉喬壽, 吉福生, 熊余 申請人:重慶郵電大學