一种基于环境学习门限的物联网节点安全定位方法及系统

本发明属于物联网安全定位、无线测距，具体涉及一种基于环境学习门限的物联网节点安全定位方法及系统。

背景技术：

1、物联网系统中，大量传感节点、移动终端、工业设备和智能设备需要依赖位置信息完成资源调度、异常告警、数据关联和安全控制。常见定位方式通常利用位置已知的锚节点与待定位节点之间的无线测距信息进行位置计算，例如基于接收信号强度指示、到达时间、到达时间差、到达角或信道状态信息等方式获得节点间距离或角度。

2、在实际应用环境中，无线信号会受到遮挡、多径传播、非视距传播、电磁干扰、人员移动和设备姿态变化等因素影响，测量距离与真实几何距离之间存在偏差，并且该偏差通常具有环境相关性和时变性。因此，在不存在恶意节点的情况下，定位结果与各锚节点之间的计算距离也可能与测量距离不完全一致。

3、另一方面，物联网定位场景可能遭受恶意锚节点攻击、伪坐标攻击、伪距攻击、重放攻击、克隆节点攻击等安全威胁。恶意锚节点可以上报错误位置或产生异常测距信息，使待定位节点的定位结果发生偏移。现有方法常通过固定误差门限或经验门限判断锚节点是否可信，但固定门限难以适应不同建筑结构、设备型号、信道状态和锚节点分布；门限设置过小会造成误报，门限设置过大又会造成漏报；尤其是在锚节点分布发生改变、测距噪声随时间变化、仅能获得部分采样点数据的场景中，难以用严格的封闭数学公式直接计算出可靠门限。

4、因此，现有技术仍缺少一种能够在同类或相似环境中复用、并能随锚节点分布和测量噪声快速调整可信门限的安全定位机制。

技术实现思路

1、本发明旨在提供一种基于环境学习门限的物联网节点安全定位方法及系统，通过在应用环境或同类环境中进行稀疏采样，学习测量距离与定位计算距离之间归一化差值的合理范围，并在使用阶段根据当前锚节点测距结果自适应输出可信门限值，从而识别和排除恶意锚节点，提高定位安全性和可靠性。

2、为实现上述目的，本发明采用如下技术方案：

3、一种基于环境学习门限的物联网节点安全定位方法，包括以下步骤：

4、s1、在待应用的无线定位环境中，获取待定位节点与多个位置已知锚节点之间的测距信息，并根据所述测距信息确定所述待定位节点到各锚节点之间的测量距离；基于所述多个锚节点的位置以及所述待定位节点到各锚节点之间的测量距离，对所述待定位节点进行定位计算，得到所述待定位节点的估计位置；

5、s2、根据所述待定位节点的估计位置和各锚节点的位置，计算所述待定位节点到各锚节点之间的计算距离；根据所述待定位节点到各锚节点之间的测量距离和计算距离，计算所述待定位节点对应的归一化差值或归一化差值统计量；

6、s3、将当前环境下参考节点对应的测量距离、计算距离、归一化差值、参考节点位置信息、锚节点位置信息和/或归一化差值统计量输入预先训练好的可信门限值预测模型，输出当前环境下的可信门限值；所述可信门限值预测模型为利用位置已知的参考节点和校准节点在待应用环境或相似环境中形成的多轮校准样本训练得到的模型；将所述待定位节点对应的归一化差值或归一化差值统计量与所述可信门限值进行比较；当所述归一化差值或归一化差值统计量不超过所述可信门限值时，判定参与定位的锚节点集合可信，并输出所述待定位节点的估计位置；当所述归一化差值或归一化差值统计量超过所述可信门限值时，判定参与定位的锚节点集合异常；

7、s4、当参与定位的锚节点集合被判定为异常时，对参与定位的锚节点进行逐节点验证或分簇定位分析，排除、替换或标记疑似异常锚节点，并基于处理后的锚节点集合重新进行定位。

8、进一步，通过如下步骤训练获得所述可信门限值预测模型：

9、s31、在待应用的无线定位环境或者与待应用环境相似的无线定位环境中，选取至少一个位置已知的参考节点，并确定多个位置已知的校准节点；所述参考节点为参考信号接收器或等效信号接收节点；所述校准节点包括位置已知的实体锚节点，和/或移动校准节点在多个采样点处形成的虚拟锚节点；

10、s32、获取所述参考节点与多个校准节点之间的测距信息，并根据所述测距信息确定所述参考节点到各校准节点之间的测量距离；

11、s33、将所述参考节点作为待定位节点处理，基于所述多个校准节点的位置、以及所述参考节点到各校准节点之间的测量距离，对所述参考节点进行定位计算，得到所述参考节点的估计位置；根据所述参考节点的估计位置和各校准节点的位置，计算所述参考节点到各校准节点之间的计算距离；

12、s34、根据所述参考节点到各校准节点之间的测量距离和计算距离，计算各校准节点对应的归一化差值或归一化差值统计量；

13、s35、将多轮采样形成的测量距离、计算距离、归一化差值、参考节点位置信息、校准节点位置信息、采样点数量和/或归一化差值统计量作为人工智能模型的特征输入；根据每一轮采样对应的归一化差值统计量、采样点数量系数确定基础可信门限标签，而后结合参考节点与各校准节点之间的实际距离、参考节点与多个校准节点之间的相对拓扑结构对称等级、系统应用需求对所述基础可信门限标签进行调整，确定该轮采样的目标可信门限值，作为该轮样本的监督标签；

14、将所有轮次的样本构成训练样本集，并按预设比例划分为训练集、验证集和测试集；基于训练集和验证集对人工智能模型进行迭代训练与调优，最终选用在验证集上表现最佳且通过测试集评估的模型，作为用于输出当前环境下可信门限值的可信门限值预测模型。

15、进一步，所述测距信息包括接收信号强度指示（rssi）、到达时间（toa）、到达时间差（tdoa）、到达角（aoa）、信道状态信息（csi）中的一种或多种；当采用接收信号强度指示测距时，基于路径损耗模型将接收信号强度指示转换为测量距离。

16、进一步，所述归一化差值统计量包括归一化差值的均值、方差、最大值、最小值、中位数、分位数中的一种或多种；当所述归一化差值统计量大于所述可信门限值时，判定对应的锚节点集合或锚节点分组中存在异常锚节点或恶意锚节点。

17、进一步，所述逐节点验证包括：从被判定为异常的锚节点集合中逐一剔除一个锚节点，并利用剩余锚节点重新计算待定位节点的估计位置和归一化差值统计量；若剔除某一锚节点后，所述归一化差值统计量降低至所述可信门限值以内，或者待定位节点的估计位置变化趋于稳定，则将该锚节点确定为疑似异常锚节点或恶意锚节点。

18、进一步，所述分簇定位分析包括：将参与定位的锚节点划分为多个锚节点簇，分别基于不同锚节点簇计算待定位节点的估计位置，并分别计算各锚节点簇对应的归一化差值统计量；选择归一化差值统计量小于可信门限值的锚节点簇作为可信锚节点簇；当多个锚节点簇的定位结果相互冲突且归一化差值统计量均未超过可信门限值时，拒绝输出本次定位结果或提示当前定位环境异常。

19、作为优选，所述采样点数量系数为根据每一轮采样点数量人为预设、查表获得或由函数计算获得的系数；采样点数量越少时所述采样点数量系数越大或不小于采样点数量较多时的系数，以补偿小样本采样导致的不确定性。

20、作为优选，当所述校准节点包括移动校准节点在多个采样点处形成的虚拟锚节点时，所述移动校准节点在参考节点通信覆盖范围内的内接矩形区域或内接正方形区域中，按照预设路线、随机路线或二者结合的路线移动，并在多个采样点处发射定位信号和上报自身位置；所述采样点为稀疏采样点，不要求覆盖所述内接矩形区域或内接正方形区域内的所有网格点或像素点。

21、进一步，相对拓扑结构对称等级用于表征多个校准节点围绕参考节点的空间分布均衡程度；所述相对拓扑结构对称等级不用于按照确定性数学公式直接计算可信门限值，而是作为设置目标可信门限值监督标签的影响因素之一；

22、所述相对拓扑结构对称等级的划分，综合考量以下因素：各校准节点相对于参考节点的方向分布特征、距离分布特征、多个校准节点对参考节点的几何包围程度，以及应用需求，从而将相对拓扑结构划分为若干等级；当多个校准节点在参考节点周围的方向分布越均衡且对参考节点的包围程度越高时，所述相对拓扑结构对称等级越高，当多个校准节点集中分布于参考节点的一侧或者方向分布越不均衡时，所述相对拓扑结构对称等级越低；当相对拓扑结构对称等级低于预设阈值时，表明当前校准节点的空间布局对测距噪声敏感，正常测距噪声极易引起较大的定位偏差或归一化差值波动，应在所述基础可信门限标签的基础上执行增量上调，上调幅度根据应用场景对定位误差、误报率和漏报率的容忍程度人为设定。

23、作为优选，所述人工智能模型包括多层感知机神经网络、卷积神经网络、循环神经网络、transformer 模型、图神经网络、支持向量回归模型、随机森林回归模型、梯度提升回归模型或集成学习模型中的一种或多种。

24、作为优选，当部署环境中已存在的位置已知锚节点数量达到预设数量时，无需额外布设参考信号接收器和移动校准节点，而是直接从所述位置已知锚节点中选取一个作为参考节点，将其余位置已知锚节点作为校准节点，执行测距和定位计算，得到所述参考节点对应的测量距离、计算距离及归一化差值，并将相应数据作为人工智能模型的输入，以学习或更新当前环境下的可信门限值。

25、本发明还保护一种基于环境学习门限的物联网节点安全定位系统，包括：

26、通信测距模块，用于获取待定位节点与多个位置已知锚节点之间的测距信息，以及获取参考节点与多个位置已知锚节点之间的测距信息；并根据所述测距信息得到对应的测量距离；

27、参考采样模块，用于基于所述多个锚节点的位置和所述测距信息，对所述参考节点进行定位计算，得到所述参考节点的估计位置；

28、定位计算模块，用于基于多个锚节点的位置和对应的测量距离，对所述待定位节点进行定位计算，得到所述待定位节点的估计位置；

29、差值构造模块，用于根据所述参考节点的估计位置和各锚节点的位置，计算所述参考节点到各锚节点的计算距离，并根据测距信息计算对应的测量距离与所述计算距离计算归一化差值或归一化差值统计量；

30、门限处理模块，用于基于人工智能模型执行可信门限值的训练与推理；在训练阶段，将所述参考节点对应的测量距离、计算距离、归一化差值、参考节点位置信息、锚节点位置信息和/或归一化差值统计量输入人工智能模型进行训练，得到可信门限值预测模型；在应用阶段，将当前环境下参考节点对应的同类特征输入所述可信门限值预测模型，输出当前环境下的可信门限值；

31、安全判定模块，用于根据所述待定位节点的估计位置计算所述待定位节点到各锚节点的计算距离，并根据所述待定位节点与各锚节点之间的测量距离和计算距离计算归一化差值或归一化差值统计量，将所述归一化差值或其统计量与所述可信门限值进行比较，以判断参与定位的锚节点集合是否异常；

32、异常锚节点处理模块，用于在所述安全判定模块判定参与定位的锚节点集合异常时，对参与定位的锚节点进行逐个排除或分簇定位分析；若排除或替换某一锚节点后归一化差值或归一化差值统计量降低，则将该锚节点标记为疑似异常锚节点；若采用分簇定位分析，则分别基于不同锚节点簇进行定位计算，并选择归一化差值或归一化差值统计量小于预设值的锚节点簇作为可信锚节点簇，得到最终定位结果。

33、与现有技术相比，本发明的有益效果为：

34、本发明通过应用环境或同类环境中的稀疏采样数据学习可信门限值，而非使用固定经验门限，能够适应不同建筑结构、无线传播条件、锚节点分布和测距噪声；

35、本发明将测量距离与定位结果反推的计算距离进行归一化比较，避免距离越大绝对误差越大的现象直接影响判断结果，使不同距离、不同锚节点之间的残差具有更好的可比性；

36、本发明训练阶段不要求采样点覆盖所有网格点或像素点，只需利用部分随机或设计采样点即可构造训练样本，降低现场采样成本；

37、本发明通过多轮测量和采样点数量系数补偿噪声时变和样本量差异，使门限值能够随样本规模和环境波动而调整；

38、本发明可在锚节点数量足够多时利用锚节点之间的相互通信完成门限更新，无需额外移动校准设备，便于部署后的快速维护。