چکیده فارسی :

شبکه های حسگر بیسیم (WSN) یکی از تکنولوژی های اصلی برای تحویل داده ی مرتبط با حسگر است که موجب پیشرفت سیستم های سایبری-فیزیکی (CPSs) در اتصال فاصله ی بین دنیای سایبری و دنیای فیزیکی می شود. بنابراین کشف چگونگی استفاده ی درست از هوش بوسیله ی توسعه ی الگوی موثر در WSN ها را توصیف می کند تا سنجش داده و ترکیب CPS را پشتیبانی کند. این مقاله در نظر دارد که این هدف را با ارائه ی سنجش داده مبتنی بر پیش بینی و الگوی ترکیب به منظور کاهش انتقال داده و حفظ سطح پوشش مورد نیاز حسگر ها در WSN انجام دهد، درحالی که محرمانه بودن داده را تضمین می کند. طرح ارائه شده GM-KRLS نامیده می شود که از طریق استفاده از مدل خاکستری (GM)، کرنل بازگشتی حداقل مربعات (KRLS) و الگوریتم Blowfish  (BA) مشخص می شود. در طول سنجش داده و فرایند ترکیب، GM مسئول پیش بینی اولیه ی داده از دوره ی بعدی با تعداد کمی از آیتم های داده می باشد، درحالی که KRLS به منظور پیش بینی مقادیر اولیه پیش بینی شده استفاده می شود که مقدار درست آن را با صحت بالایی تخمین می زند. KRLS به عنوان یک الگوریتم یادگیری ماشینن کرنل توسعه یافته ضرایب را با هر ورودی تنظیم می کند، درحالی که باعث پیش بینی مقادیر نزدیک به مقادیر واقعی می شود و BA به منظور رمزنگاری و رمزگشایی در حین فرایند انتقال استفاده می شود که به دلیل کاربرد های موفق آن در سراسر طیف گسترده ای از دامنه ها می باشد، سپس، سنجش داده ی امن ارائه شده و الگوی ترکیب GM-KRLS ، کارایی پیش بینی بالا، ارتباطات پایین، مقیاس پذیری خوب و محرمانه بودن را فراهم می کند. به منظور تصدیق کارایی و مسئولیت پذیری روش ارائه شده ی ما، شبیه سازی هایی بر روی مجموعه های داده ی واقعی صورت گرفته که از حسگر های آزمایشگاه تحقیق برکلی جمع آوری شده است. نتایج شبیه سازی نشان می دهند که الگوی ارائه شده به صورت قابل توجهی انتقالات زائد را با دقت پیش بینی بالا کاهش می دهد.

کلمات کلیدی: سنجش داده ی امن و ترکیبی ، شبکه های حسگر بیسیم ، کرنل حداقل مربعات بازگشتی ، سیستم های سایبری-فیزیکی

چکیده انگلیسی:

Wireless sensor networks (WSNs) as one of the key technologies for delivering sensor-related data drive the progress of cyber-physical systems (CPSs) in bridging the gap between the cyber world and the physical world. It is thus desirable to explore how to utilize intelligence properly by developing the effective scheme in WSN to support data sensing and fusion of CPS. This paper intends to serve this purpose by proposing a prediction-based data sensing and fusion scheme to reduce the data transmission and maintain the required coverage level of  sensors in WSN while guaranteeing the data confidentiality. The proposed scheme is called GM–KRLS, which is featured through the use of grey model (GM), kernel recursive least squares (KRLS), and Blowfish algorithm (BA). During the data sensing and fusion process, GM is responsible for initially predicting the data of next period with a small number of data items, while KRLS is used to make the initial predicted value approximate its true value with high accuracy. The KRLS as an improved kernel machine learning algorithm can adaptively adjust the coefficients with every input, while making the predicted value more close to actual value. And BA is used for data encoding and decoding during the transmission process due to its successful applications across a wide range of domains. Then, the proposed secure data sensing and fusion scheme GM–KRLS can provide high prediction accuracy, low communication, good scalability, and confidentiality. In order to verify the effectiveness and reasonableness of our proposed approach, we conduct simulations on actual data sets that are collected from sensors in the Intel Berkeley research lab. The simulation results have shown that the proposed scheme can significantly reduce redundant transmissions with high prediction accuracy.

Keywords: Secure data sensing and fusion ; Wireless sensor networks ; Kernel recursive least squares ; Cyber-physical systems