无线传感器枝干识别网络主要通过传感器技术、嵌入式运算技术以及通信技术实现节点之间的高效率协作，进而能够实现数据感知、采集、处理等操作[1-2]。但是，由于无线传感器的抗干扰性能较差，如果出现森林火灾、大气污染等恶劣的环境情况，或是传感器自身出现问题时，无线传感器节点枝干识别网络通信数据将出现异常，导致该网络难以抵御外部突发事件，且对传感器的使用寿命也存在消极影响。为此，无线传感器枝干识别网络错误数据的检测与校正十分关键[3]。
目前，针对无线传感器枝干识别网络错误数据的检测方面的研究成果极少，为了提升无线传感器枝干识别网络抗干扰能力，本文提出一种无线传感器枝干识别网络错误数据检测算法，以期解决当前无线传感器枝干识别网络错误数据检测以及后续校正的难题[4]。
1 无线传感器枝干识别网络错误数据检测算法设计
1.1 信息流量模型
在检测无线传感器枝干识别网络错误数据之前，需要构建信息流量模型，以更好地通过信息流量模型的异常变化识别网络中存在错误数据，并获取网络数据集合[5-6]，因此，该模型表示为
s(t)=y(t)+jx(t)=b(t)djα(t)
(1)
其中，网络数据总数为j；将数据信号的信息流量模型实部与虚部依次表示为s(t)、y(t)；错误数据信号波动特征函数为x(t)；无线传感器枝干识别网络中存在大量窄带信号djα(t)，通过此窄带信号可以获取数据包络特征：
(2)
其中，α(t)、b(t)依次表示为相位信息与干扰特征幅度。无线传感器枝干识别网络异常波动特征为
g(t)=α(t)/2π·t
(3)
其中，t表示数据采样时间间隔；无线传感器枝干识别网络中数据权值系数获取方法表示为
φj=δφ(dh)
(4)
其中，δ表示不小于1的常数；φ表示权值系数；d∈djα(t)；h表示网络节点数量。
无线传感器枝干识别网络中数据集合s的计算公式如下：
s=y(m)-φj
(5)
综上所述，便可实现无线传感器枝干识别网络信息流量模型的构建。
1.2 数据预处理
为了去除无线传感器枝干识别网络数据集合中的噪声，提高错误数据检测精度，本文通过小波分解方法对无线传感器枝干识别网络数据进行预处理[7]。
假设数据信号的小波变化表达式为
(6)
其中，Ω、v、u分别代表母小波、伸缩因子与平移因子。在小波基中对经过小波变换的数据信号进行分解，将存在噪声的数据信号进行重构，实现无线传感器枝干识别网络数据去噪[8-9]。
小波基可在欧氏空间里，使用伸缩构造与基底位移获取[10]。无线传感器枝干识别网络的双正交小波运算式为
b(t)=B(t)expε(t)
(7)
其中，B(t)、ε(t)分别表示无线传感器枝干识别网络流量序列的数据信号包络与扰动偏移相位，数据采样时间间隔t可以表示为
t=g0T/C
(8)
其中，t∈T，表示采样总时间；g0、C分别表示小波双正交变动时的运算频率与错误数据的扰动带宽；双曲调频小波在无线传感器枝干识别网络中的瞬时频率是：
gj(t)=α2πt
(9)
其中，α表示相位波动频率；γ为无线传感器枝干识别网络中的细节信号尺度算子。针对双正交提升的小波而言，在二维空间中，小波值与母小波的平移伸缩因子不存在差异性。在正交空间中获取被映射的数据信号特征之后，对其进行小波转换，结果表示为
(10)
无线传感器枝干识别网络中的小波变动序列为
Ψ(v,φ*)=1-|1-v|g0/C
(11)
其中，小波变换峰脊为φ*。在对无线传感器枝干识别网络数据信号特征进行小波转换之后，其信号扰动的轨迹描述成：
u=(1-v)g0
(12)
其中，无线传感器枝干识别网络流量序列中的带宽C和中心频率g0、尺度因子v间存在定量性的分解模式。根据上式描述的轨迹曲线，能够描述时延耦合与数据信号尺度的信息，通过提升正交小波可去除耦合，分解数据存在的潜在信息细节，获取无线传感器枝干识别网络数据显著的细节特征[11,12]。由于无线传感器枝干识别网络数据为y(m)，使用多层小波分解获取无线传感器枝干识别网络数据信号的细节特征：
(13)
1.3 基于自适应前向纠错的错误数据检测算法
根据线性分组编码与奇偶检验编码方法，把2.2小节获取的m个数据包设成一个组别，之后将各个组别数据包进行逐位异或计算，获取每个组别的自适应前向纠错(Adaptive forward error correction，AFEC)数据包[13]。按照数据包的序列号以及流量异常变化便能判断无线传感器枝干网络中的错误数据位置，以此通过检验块便可实现单个数据的错误检测，获取正确的i个数据包[14]。
校验块的获取方式如下式：
O=Dm⊕Dm+1⊕…⊕D2⊕D1
(14)
其中，O表示目前数据包里存在的自适应前向错误数据包；将第m个错误数据包的纠错修正值设成Dm。
在此基础上，对无线传感器枝干识别网络中的错误数据与正确数据的差异性进行计算，表示为
(15)
其中，Dk值属于错误数据与正确数据的距离值，k表示计算次数。
错误数据检测是根据无线传感器通信接收端丢包率Q实现的，所以丢包率的计算对错误数据检测效果存在直接影响。本文使用吉尔伯特模型计算无线传感器枝干识别网络通信中的丢包率，模型示意图如图1。
图1 吉尔伯特模型示意图
图1中，将F看作正确数据(不存在丢包率)，错误数据是y(h)，w、f分别表示两类数据的转移概率。
无线传感器枝干网络通信数据发送端按照获取的丢包机率，便能够计算错误数据的最优分组长度n，以此保障在接收端接收错误数据过程中的丢失包率不超出约束范围。
将错误数据的分组长度设成n，在传输过程中，接收端一个错误数据分组里存在f个包丢失的概率Qf是：
Qf=y(h)+QY(1-QY)n+1-f
(16)
若一个错误数据组别里仅存在一个包丢失，此丢包现象就能够改正，以此输出无线传感器枝干识别网络错误数据检测结果。假定错误数据总数量为z，那么由丢包纠正后的丢包率是：
q-q(1-q)i
(17)
其中，q表示概率因子。
最优分组长度n的计算公式为
(18)
本文使用近似方法计算，因为各个分组里的数据数量z满足n+1，各个分组里错误数据丢包数量f的数学期望是：
Zi(f)=(n+1)q
(19)
所以，能够获取各个错误数据分组里数据包丢失数量f的数据期望是1时相应的分组长度是：
(20)
其中，n仅可设成整数，所以：
(21)
实际使用时，使用上式初步计算获取n后，按照实际q′的需求，实施合理调节将错误数据传输过程的丢包率控制在合理范围内[15]。
在控制错误数据在传输过程中的丢包率之后，进行错误数据检测，输出检测结果，表示为
(22)
2 实验分析
2.1 实验设定
为了验证无线传感器枝干识别网络错误数据检测算法的性能，进行实验测试。在某个植物园中设置GreenOrbs无线传感器系统，该系统的监测范围200 m×200 m，此监测范围中设定100个无线传感器枝干识别网络节点采集该植物园的温度、光照、湿度数据，将采集到的数据作为实验样本数据。
对所采集到的数据进行进一步的处理，去除缺失、冗余数据，以提升实验结果的可信性。在对数据进行初步处理后，得到3 543条植物园温度数据，1 142条光照数据，963条湿度数据，利用这些数据进行实验，以验证本文所设计算法的有效性。
2.2 错误数据检测性能分析
测试采用本文算法检测无线传感器枝干识别网络中的错误数据检测效果。错误数据检测效果以无线传感器输出的3种数据变异性来判断，变异性计算方法是：
(23)
其中，Γ为无线传感器输出的温度、光照、湿度数据的变异率；Ux表示当带宽为x时，本文算法检测与进一步校正后，无线传感器输出的温度、光照、湿度数据；Uy表示本文算法检测与进一步校正前，无线传感器输出的温度、光照、湿度错误数据。
本文算法在不同错误数据分组长度下，对无线传感器枝干识别网络错误数据检测与进一步校正后，输出数据的变异性如图2所示。
图2 变异性计算结果图
图2显示，当分组长度为500 bit时，本文算法后，无线传感器枝干识别网络输出的温度数据、光照数据、湿度数据变异性最低，验证了该方法的有效性。
2.3 丢包率测试
假设采用本文算法检测与进一步校正前，该无线传感器枝干识别网络传输的温度数据、光照数据、湿度数据的丢包率依次为15%、9%、11%，则不同分组长度下，采用本文算法后的丢包率检测结果见图3。
图3 丢包率测试结果
通过图3数据，本文算法对无线传感器枝干识别网络错误数据纠正后，该无线传感器枝干识别网络传输的温度数据、光照数据、湿度数据的丢包率均值分别为5.73%、5.17%、8.91%，该值与纠错前相比，丢包率分别降低9.27%、3.83%、2.09%，说明采用本文算法能够有效减少错误数据传输过程中的丢包率。
2.4 错误数据检测准确率
错误数据检测准确率，是检测出来的错误数据数量与数据总量的比值。测试不同带宽下，本文算法对无线传感器枝干识别网络错误数据的检测准确性。测试结果见表1。
表1 错误数据识别性能测试结果
带宽/Mbps温度错误数据数量/条准确率/%光照错误数据数量/条准确率/%湿度错误数据数量/条准确率/%23 54199.94113699.4796199.7943 54299.97114199.9196299.8963 53899.86113699.4795999.5883 53599.77113599.3995699.27103 53799.83113499.3095499.07123 53999.89113399.2195398.96
由表1中测试结果可知，本文算法对无线传感器枝干识别网络的温度数据、光照数据、湿度信息中错误数据检测准确率较高，当无线传感器枝干识别网络中流量序列带宽是4 Mbps时，本文算法的错误数据检测准确率达到最大值，对三类数据中错误数据的检测准确率依次高达99.97%、99.91%、99.89%。
3 结论
为提升无线传感器枝干识别网络安全性，设计了一种无线传感器枝干识别网络错误数据检测算法。通过信息流量模型构建、数据预处理以及错误数据检测3个步骤，实现无线传感器枝干识别网络错误数据检测。实验结果表明，当分组长度为500 bit时，采用本文算法，无线传感器枝干识别网络输出的温度数据、光照数据、湿度数据变异性最低；错误数据检测以及进一步纠正后，该无线传感器枝干识别网络数据的丢包率均值与设定值相比，丢包率分别降低9.27%、3.83%、2.09%；不同带宽下，当无线传感器枝干识别网络中流量序列带宽是4 Mbps时，本文算法的错误数据检测准确率达到最大，对三类不同类型数据中错误数据的检测准确率分别高达99.97%、99.91%、99.89%；通过以上结果验证了本文所设计算法的可靠性。
[1] 刘洲洲,李士宁.采用压缩感知和GM(1,1)的无线传感器网络异常检测方法[J].西安交通大学学报,2017,51(2):40-46.
[2] 蒋俊正,杨杰,欧阳缮.一种新的无线传感器网络中异常节点检测定位算法[J].电子与信息学报,2018,40(10):77-83.
[3] 张国华,刘文龙.基于压缩感知的星型拓扑结构无线传感网络信号检测算法[J].太原理工大学学报,2018,49(03):473-476.
[4] 卢光跃,周亮,吕少卿,等.基于图信号处理的无线传感器网络异常节点检测算法[J].计算机应用,2020,40(3):783-787.
[5] 杨宏宇,程放.基于增强LEACH协议的无线传感器网络恶意节点检测模型[J].北京理工大学学报,2019,39(03):304-310.
[6] 韩晓冬,高飞.抗污染攻击的流内安全网络纠错编码[J].北京理工大学学报,2018,38(11):86-91，108.
[7] 任雁鹏,管武,梁利平.喷泉码纠错的无线网络切片传输时间分析[J].哈尔滨工业大学学报,2018,50(11):173-176,190.
[8] 郑穆,罗铁威.一种用于光盘数据存储的冗余恢复码纠错方法[J].光电工程,2019,46(3):107-114.
[9] 刘海波,董玉杰.基于MooseFS的纠错码存储方法设计和实现[J].计算机工程与应用,2017,53(06):91-95,110.
[10] 曹世华,胡克用,王李冬,等.基于分布式色调识别的无线传感器网络k连通性路径检测[J].电信科学,2018,34(02):65-73.
[11] 宁多彪,欧鸥.基于M-ATS的无线传感器网络攻击检测算法[J].湘潭大学自然科学学报,2017,39(01):87-90.
[12] 彭能松,张维纬,张育钊,等.基于时间序列数据的无线传感器网络的异常检测方法[J].传感技术学报,2018,31(04):103-109.
[13] 毕烨,陈丽娜,苗春雨.无线传感器网络节点定位与漂移检测[J].小型微型计算机系统,2018,39(1):156-160.
[14] 徐宜敏,孙子文.工业无线传感器网络中干扰攻击的入侵检测[J].传感技术学报,2017,30(11):1693-1699.
[15] 费欢,肖甫,李光辉,等.基于多模态数据流的无线传感器网络异常检测方法[J].计算机学报,2017,40(08):1829-1842.