《物联网的信息安全问题》

物联网的信息安全问题

物联网信息融合技术及存在的问题研究

王洪波1，2

（1.合肥工业大学管理学院合肥23009；）

（2.过程优化与智能决策教育部重点实验室合肥230009）

摘要：物联网是通过各种传感设备将物品与互联网连接起来的一种新型网络。在物联网信息感知过程中，信息融合已成为一个关键性技术。本文阐述了物联网信息融合技术，包括数据级融合、特征级融合和决策级融合。在此基础上，指出了物联网信息融合过程中存在问题和挑战，分析了有待进一步研究的方向。关键词：物联网；信息融合；信息感知

中图法分类号：tp301.6

文献标识码：aresearchofinformationfusiontechnologiesandexistingproblems

intheinternetofthings

wanghong-bo1，2

（1.schoolofmanagement，hefeiuniversityoftechnology，hefei，230009，china）（2.keylaboratoryofprocessoptimizationandintelligentdecision-making，ministryofeducation，hefei，

230009，china）abstract：theinternetofthingsisanewnetworkinwhichthingsareconnectedtotheinternetbyvarioussensingequipments.intheprocessofinformationsensingintheinternetofthings，theinformationfusiontechnologieshavebecomecritical.inthispaper，theinformationfusiontechnologiesintheinternetofthingshavebeenpresented，includingdata-levelfusion，feature-levelfusionanddecision-levelfusion.onthisbasis，theproblemsandchallengesexistingintheinformationfusionprocessintheinternetofthingshavebeenshowed，andthefurtherresearchdirectionshavealsobeenputforwarded.keywords：internetofthings;informationfusion;informationsensing

一、引言

物联网（internetofthings，简称iot）概念于1999年由麻省理工学院（mit）auto-id中心最早提出（sundmaekeretal.，2010）。2005年11月，国际电信联盟（internationaltelecommunicationunion，简称itu）在信息社会世界峰会（wsis）上发布了《itu互联网报告2005：物联网》并在报告中正式确定了“物联网”概念（itu，2005），报告指出物联网发展所依赖的技术包括：无线射频技术（rfid）、无线传感器技术（wsn）、智能嵌入技术、小型化技术和纳米技术等。

物联网是通过各种传感设备将不同种类的物品与互联网连接起来的一种具有智能化识别、定位、跟踪、监控和管理的网络，以实现人与物、物与物之间的信息交换。在物联网中，信息感知是一个基本功能，它是通过传感器对物联网中物品进行信息收集，根据应用目标的需要对所收集到的信息加以筛选，将有效数据或有价值数据提供给用户进行分析和处理。由于物联网所能提供的传输、处理和分析等资源有限，因此在满足客户需要的条件下，采用信息融合技术对数据进行有必要的处理，以实现对信息的高效感知。1王洪波，男，1983年生，博士生，主要研究领域为人工智能、数据挖掘、云计算、决策理论与方法.e-mail：bz308cctv@163.com

1

随着物联网技术研究不断深入，物联网信息融合技术取得了一定数量的成果，因此需要对该类技术进行一定程度的梳理。本文对物联网信息融合技术的现有研究成果进行归纳，阐述了物联网信息融合的主要技术。首先从信息提取水平角度将融合技术划分三个层次，对现有技术和方法进行归纳和分析；然后，探讨了物联网信息融合研究的热点领域，指出了物联网信息融合所存在的问题和挑战，并展望了未来研究的方向；最后，对全文进行概括和总结。

二、物联网信息融合技术

信息融合是指在一定准则下利用计算机技术对多源信息分析和综合以实现不同应用的分类任务而进行的处理过程。根据信息提取水平，nakamuraetal.（2007）将物联网中信息融合技术划分为4个层次，主要包括：低等水平融合、中等水平融合、高等水平融合和多级融合。nakamura分类方法中多级融合技术是前三种融合技术的综合，故本文认为将数据融合技术划分为3个层次较为合理。对于物联网，数据级融合主要是消除输入数据中的噪声，而特征级融合和决策级融合则侧重于获取与实际应用相关的有价值信息。

（一）数据级融合技术

数据级融合主要是指在原始数据采集后的融合。该融合的特点是必须在同质信息前提下的融合，不同质信息则不能在此阶段融合。在数据级融合阶段常用的方法多为加权平均法、特征匹配法法和金字塔算法等传统方法。

加权平均法是最简单的融合算法，直接对传感器所获得信息进行线性的加权平均。mechitovetal.（2003）提出通过对传感器的位置进行加权平均，估计出目标运动轨迹上的各点坐标位置。崔逊学等（2011）则根据计算几何理论，提出基于三圆交集计算二值传感器网络目标的位置。加权平均法具有实现简单、快速的优点，能够有效地抑制噪声，但是其融合结果的对比度相对较低，且无法通过增大权重的方式反映某些信息所具有的突出作用。

特征匹配法就是利用通过特征的匹配关系建立图像间的配准映射变换，最常用的方法是icp算法。besl&mckey（1992）提出一种基于轮廓特征的点配准方法icp。刘繁明、屈昊（2004）提出了对准集合的一种方法，采用对准误差通过非线性最优化算法直接最小化。杨明等（2004）提出一种基于切线的角度直方图的icp方法，该方法首先使用m估计器鲁棒地计算扫描中每点的切线方向，然后使用基于hough变换的切线角度直方图计算旋转分量，最后使用迭代切线加权最近点itcp计算相对位姿估计。

金字塔算法是采用通过不断地滤波原始图像的方式，形成一个多级塔状结构用以分析和融合图像数据。burt&adelson（1983）首先提出拉普拉斯金字塔算法，它是在高斯滤波图像的基础上，与预测图像之间形成一系列误差图像。toet（1989a，1989b，1989c，1992）则提出了比对度金字塔算法和形态学金字塔算法。burt（1992）通过利用梯度算子对每层图像进行计算，以实现对图像的分解。barron&thomas（2001）通过纹理滤波器对每层图像中不同方向的纹理信息进行提取，获得图像更多细节信息。chipmanetal.（1995）和lietal.（1995）则分别提出了不同的离散小波变换的融合算法。

（二）特征级融合技术

特征级融合主要是在对原始数据进行了特征值提取的工作后，运用基于特征值比较的融合方法，其特点为可在不同质信息范围内进行融合，但无法对融合结果进行判别并作出合理决策。在特征级融合技术阶段常使用k近邻、卡尔曼滤波、聚类算法等方法。

k近邻算法（vapnik，1999）是一种简单的分类算法，该算法使用某一种距离度量计算待分类样本与所有训练样本之间的距离，寻找与待分类样本最近的k个近邻，根据k个近邻所属的类别来确定待分类样本的类别。yeetal.（2001）将聚类算法与k近邻算法相结合，提出了cca-s（clusteringandclassificationalgorithm-supervised）算法。rosaetal.（2003）为了快速且有效寻找最优k值，提出将遗传算法与k近邻算法相结合。陈黎飞、郭躬德（2011）

2

提出了一种多代表点的学习算法（multi-representativesforefficientclassification，简称mec）用于最近邻分类。金弟等（2010）提出一个基于结构化相似度的网络聚类算法将向量数据集转化成k邻近网络，然后用ssnca（structuralsimilaritybasednetworkclusteringalgorithm）对k邻近网络进行聚类。

卡尔曼滤波是一种最优随机滤波技术，能够较好地消除噪声对信号的干扰，但是经典的卡尔曼滤波和扩展的卡尔曼滤波一般仅限于线性高斯系统。julieretal.（1997）针对上述问题，提出无迹卡尔曼滤波（unscentedkalmanfilter，简称ukf）处理非线性非高斯系统的跟踪问题。刘献如、蔡自兴、唐琎（2010）提出将绝对差值和（sad）方法、无迹卡尔曼滤波（ukf）和meanshift算法相结合的混合自主跟踪动态目标的方法。

聚类算法是数据挖掘领域中常见的一种分类技术，常见的聚类算法有基于划分的聚类k-means。k-means（hartigan&wong，1979）的评判标准是以样本与相关聚类中心之间的欧式距离之和为参照标准，将该评判准则最小化以实现数据集的划分。公茂果、王爽、马萌（2011）则提出二阶段聚类算法（two-phaseclustering，简称tpc），该算法不仅能够有效处理复杂分布的数据聚类问题，而且其计算复杂度低于mec。陈小全、张继红（2012）提出了一种基于改进的粒子群算法的聚类算法，该算法将k-means和粒子群算法相结合，提高了k-means的局部搜索能力。

vapnik，v.n.，1999，thenatureofstatisticallearningtheory，ny：springerverlag.

ye，n.andli，x.y.，2001，amachinelearningalgorithmbasedonsupervisedclusteringandclassification，procofthe6thinternationalcomputerscienceconferenceonactivemediatechnology，hongkong，china，pp.327-334.wellman，m.p.，1990，”fundamentalconceptsofqualitativeprobabilisticnetworks”，artificialintelligence，vol.44，no.3，pp.257-303.

yager，r.r.，1987，”onthedempster-shaferframeworkandnewcombinationrules”，informationsciences：aninternationaljournal，vol.41，no.2，pp.93-137.6