压缩感知的车网交互数据轻量级安全汇聚传输方法及系统

摘要

本发明涉及压缩感知的车网交互数据轻量级安全汇聚传输方法及系统，将整个网络随机划分为非重叠的簇进行数据聚合，将每个电动汽车节点视作一个数据样本，同时利用伯努利矩阵生成随机值，用于构造全局稀疏的测量矩阵，最终由簇头从子节点接收测量值和伯努利随机值，并由汇聚节点进行压缩观测。测量矩阵由全体节点生成提升了聚合的机密性，同时每个传感器节点只生成测量矩阵的一部分，且只将其采样数据发送至簇头节点，大大降低了聚合的通信开销，延长了网络寿命。

权利要求

1.压缩感知的车网交互数据轻量级安全汇聚传输方法，其特征在于：包括以下步骤：根据电动汽车和聚合器的部署情况，构建网络模型；

将电动汽车和聚合器的部署情况等效为部署在矩形区域具有N个节点的无线传感网络G(V，E)，其中，V表示节点的集合，E表示不同节点之间的链路集，从网络模型中的其他节点收集数据为汇聚节点S，网络模型数据聚合以周期的形式进行，每周期每个节点只产生一个样本数据，  为第i个节点在每周期产生的样本，每周期会从N个节点收集N个样本，为；

根据网络模型构建最小生成树；

对最小生成树的每个节点生成缝补密钥；

基于压缩感知进行车网交互数据融合；

将网络模型划分为M个不重叠的簇来聚合车网交互数据，其中，M个簇分别表示为,每个簇包含的节点数为 ，簇中每个节点的测量数据记为 ，之后将 与该节点对应的 相乘，得到 ，且 ，使网络模型每个叶节点发送他的测量值给簇头节点，同时簇头将从叶节点接收到的测量值以及自身的测量值相加，得到第j个簇头节点的最终测量值为：其中， 是 和 的线性组合，对于每个簇C，为所有节点每周期的观测数据，测量数据 的生成规则为网络模型中簇头通过最小生成树将计算出的测量值传递给网络模型中的汇聚节点，簇头沿着最小生成树向汇聚节点的方向，将簇头的当前测量值与从后面沿着最小生成树向汇聚节点的中继数据包封装在一起；每一簇作为测量矩阵 的一行，网络模型中每个节点为测量矩阵的一列，M个随机形成的簇头和每个簇中的节点对应于测量矩阵 的行和相应列：其中， 为测量矩阵 的第j行， ， ，汇聚节点从最小生成树接收的数据包包含测量向量的元素 ，其中包含测量向量的元素是测量数据和节点随机值的线性组合：

其中 ， ， ， , ；

将融合后的车网交互数据传输至最小生成树的汇聚节点，在汇聚节点对融合后的车网交互数据进行解密得到原始数据。

2.根据权利要求1所述的压缩感知的车网交互数据轻量级安全汇聚传输方法，其特征在于：所述每个节点的通信距离为：其中， 为所划定矩形区域的最大边的长度，N为矩形区域节点数。

3.根据权利要求1所述的压缩感知的车网交互数据轻量级安全汇聚传输方法，其特征在于：所述根据网络模型构建最小生成树的具体实现方法为：在网络模型的基础上将电动汽车与聚合器的分布等效为图，将网络模型中所有节点和链路依次加入到优先队列P1中；

取出优先队列P1中的最小链路，判断链路的两点是否联通；

若链路的两点联通则说明两个节点已经有其它边将两点联通了，跳过；否则，将两个顶点合并，这条链路被使用；

依次判优先队列P1中所有的断链路的两点是否联通，直至优先队列P1为空，被使用的链路构成最小生成树。

4.根据权利要求1所述的压缩感知的车网交互数据轻量级安全汇聚传输方法，其特征在于：所述对最小生成树的每个节点生成缝补密钥的具体实现方法为：每个节点利用Logistic混沌系统生成混沌序列L：

其中， 是控制参数， 是产生的混沌序列，根据Logistic产生的随即映射经过函数投影，得到伯努利分布序列 ：其中， 是长度为N的伯努利分布序列，是每个节点的子密钥。

5.根据权利要求1所述的压缩感知的车网交互数据轻量级安全汇聚传输方法，其特征在于：所述将融合后的车网交互数据传输至最小生成树的汇聚节点，在汇聚节点对融合后的车网交互数据进行解密得到原始数据的具体实现方法为：汇聚节点在每周期数据采集之前会接收到簇头返回的簇组织信息，并返回生成子密钥的随机种子，汇聚节点具备测量矩阵每列的数值元素，每一簇组成观测矩阵的每一行元素，不同簇的汇聚节点包含的元素组合最终得到完整的测量矩阵 ，在车网互动数据聚合完成之后，从测量向量 中使用OMP正交匹配追踪重构算法恢复原始信号 。

6.一种车网交互数据轻量级安全汇聚传输系统，其特征在于，包括网络模型构建模块、最小生成树构建模块、缝补密钥生成模块、车网交互数据融合模块和解密模块；

网络模型构建模块用于将电动汽车和聚合器的部署情况等效为部署在矩形区域具有N个节点的无线传感网络；

最小生成树构建模块用于将网络模型在每个周期，随机选取M个节点作为聚合节点收集数据，并依据最小生成树产生其路径，最终将数据传送给汇聚节点；

最小生成树构建模块包括：优先队列P1构建模块和链路连通判断模块；

优先队列P1构建模块用于在网络模型的基础上将电动汽车与聚合器的分布等效为图，将网络模型中所有节点和链路依次加入到优先队列P1中；

链路连通判断模块用于取出优先队列P1中的最小链路，判断链路的两点是否联通；

若链路的两点联通则说明两个节点已经有其它边将两点联通了，跳过；否则，将两个顶点合并，这条链路被使用；

依次判优先队列P1中所有的断链路的两点是否联通，直至优先队列P1为空，被使用的链路构成最小生成树；

缝补密钥生成模块用于生成最小生成树每个节点的密钥；

车网交互数据融合模块用于压缩感知加密的数据；

解密模块用于对压缩感知加密的数据进行解密得到原始数据。

7.根据权利要求6所述的一种车网交互数据轻量级安全汇聚传输系统，其特征在于：所述缝补密钥生成模块包括混沌序列L生成模块和伯努利分布序列 生成模块；

混沌序列L生成模块用于每个节点利用Logistic混沌系统生成混沌序列L；

伯努利分布序列 生成模块用于根据Logistic产生的随即映射经过函数投影，得到伯努利分布序列 。

说明书

压缩感知的车网交互数据轻量级安全汇聚传输方法及系统

技术领域

[0001] 本发明属于物联网数据交互技术领域，尤其是压缩感知的车网交互数据轻量级安全汇聚传输方法及系统。

背景技术

[0002] 在“碳达峰”和“碳中和”的大背景下，我国新能源转型速度逐渐加快。电动汽车作为新能源消纳的重要主体，不仅能匹配新能源的生产周期，促进新能源产业不断发展升级，而且能有效地缓解电力系统高峰时的负荷压力，消纳低谷时多余的能源，达到“削峰填谷”的目的。因此，促进电动汽车与电力系统双向互动是实现新能源调控的前提。而无线传感网络技术是电动汽车与电网互动的基础，它通过在电动汽车、充电桩部署传感节点，聚合器将传感器采集的数据聚合后发送至电网控制中心，控制中心依据接收到的数据进一步对电动汽车进行调度与控制，以便实现需求侧管理。

[0003] 虽然，聚合器将车网交互数据进行聚合处理能在一定程度上减轻节点的通信开销和负载，但是面对电动汽车接入电网的海量需求，聚合节点的资源越来越不能满足快速增长的数据交互需求。另一方面，数据聚合过程中，恶意攻击者可以通过窃听的方式获取电动汽车的关键隐私信息，甚至对关键信息进行篡改，达到自己的目的。因此，车网互动过程中关键隐私数据聚合的高效性和安全性是车网互动大规模发展前亟需研究的热点问题。

[0004] 数据的安全高效聚合是一个热点课题，目前已经出现许多数据聚合模型。经典的分簇聚合方法和随机分片聚合方法无法解决通信量与隐私保护的问题；基于同态加密的数据聚合方法和基于椭圆曲线的聚合方法能够很好地实现聚合过程中的隐私保护，但是模逆和幂运算需要大量的计算资源，使聚合节点难以承受；基于群智能优化的聚合方法能有效地降低节点的能耗，但是存在关键敏感信息泄露的问题。因此，车网海量交互数据双向互动的大背景下，实现数据的轻量化安全汇聚传输是需要重点研究的方向之一。

发明内容

[0005] 本发明的目的在于克服现有技术的不足，提出压缩感知的车网交互数据轻量级安全汇聚传输方法及系统，通过全局构建观测矩阵有效保证融合数据的机密性，通过压缩感知减轻了观测数据的维度，降低车网交互数据的通信开销，最终实现车网交互数据的安全汇聚传输。

[0006] 本发明解决其技术问题是采取以下技术方案实现的：

[0007] 压缩感知的车网交互数据轻量级安全汇聚传输方法，包括以下步骤：

[0008] 根据电动汽车和聚合器的部署情况，构建网络模型；

[0009] 根据网络模型构建最小生成树；

[0010] 对最小生成树的每个节点生成缝补密钥；

[0011] 基于压缩感知进行车网交互数据融合；

[0012] 将融合后的车网交互数据传输至最小生成树的汇聚节点，在汇聚节点对融合后的车网交互数据进行解密得到原始数据。

[0013] 而且，所述根据电动汽车和聚合器的部署情况，构建网络模型的具体实现方法为：将电动汽车和聚合器的部署情况等效为部署在矩形区域具有N个节点的无线传感网络G(V，E)，其中，V表示节点的集合，E表示不同节点之间的链路集，从网络模型中的其他节点收集数据为汇聚节点S，网络模型数据聚合以周期的形式进行，每周期每个节点只产生一个样本数据， 为第i个节点在每周期产生的样本，每周期会从N个节点收集N个样本，为。

[0014] 而且，所述每个节点的通信距离为：

[0015]

[0016] 其中， 为所划定矩形区域的最大边的长度，N为矩形区域节点数。

[0017] 而且，所述根据网络模型构建最小生成树的具体实现方法为：

[0018] 在网络模型的基础上将电动汽车与聚合器的分布等效为图，将网络模型中所有节点和链路依次加入到优先队列P1中；

[0019] 取出优先队列P1中的最小链路，判断链路的两点是否联通；

[0020] 若链路的两点联通则说明两个节点已经有其它边将两点联通了，跳过；否则，将两个顶点合并，这条链路被使用；

[0021] 依次判优先队列P1中所有的断链路的两点是否联通，直至优先队列P1为空，被使用的链路构成最小生成树。

[0022] 而且，所述对最小生成树的每个节点生成缝补密钥的具体实现方法为：

[0023] 每个节点利用Logistic混沌系统生成混沌序列L：

[0024]

[0025] 其中， 是控制参数， 是产生的混沌序列，根据Logistic产生的随即映射经过函数投影，得到伯努利分布序列 ：

[0026]

[0027] 其中， 是长度为N的伯努利分布序列，是每个节点的子密钥。

[0028] 而且，所述将缝补密钥基于压缩感知进行数据融合的具体实现方法为：将网络模型划分为M个不重叠的簇来聚合车网交互数据，其中，M个簇分别表示为 ,每个簇包含的节点数为 ，簇中每个节点的测量数据记为 ，之后将 与该节点对应的 相乘，得到 ，且 ，使网络模型每个叶节点发送他的测量值 给簇头节点，同时簇头将从叶节点接收到的测量值以及自身的测量值相加，得到第j个簇头节点的最终测量值为：

[0029]

[0030] 其中， 是 和 的线性组合，对于每个簇C，为所有节点每周期的观测数据，测量数据 的生成规则为

[0031]

[0032] 网络模型中簇头通过最小生成树将计算出的测量值传递给网络模型中的汇聚节点，簇头沿着最小生成树向汇聚节点的方向，将簇头的当前测量值与从后面沿着最小生成树向汇聚节点的中继数据包封装在一起；每一簇作为测量矩阵 的一行，网络模型中每个节点为测量矩阵的一列，M个随机形成的簇头和每个簇中的节点对应于测量矩阵 的行和相应列：

[0033]

[0034] 其中， 为测量矩阵 的第j行， ， ，汇聚节点从最小生成树接收的数据包包含测量向量的元素 ，其中包含测量向量的
元素 是测量数据和节点随机值的线性组合：

[0035]

[0036] 其中 ， ， ， , 。

[0037] 而且，所述将融合后的车网交互数据传输至最小生成树的汇聚节点，在汇聚节点对融合后的车网交互数据进行解密得到原始数据的具体实现方法为：汇聚节点在每周期数据采集之前会接收到簇头返回的簇组织信息，并返回生成子密钥的随机种子，汇聚节点具备测量矩阵每列的数值元素，每一簇组成观测矩阵的每一行元素，不同簇的汇聚节点包含的元素组合最终得到完整的测量矩阵 ，在车网互动数据聚合完成之后，从测量向量中使用OMP正交匹配追踪重构方法恢复原始信号 。

[0038] 一种车网交互数据轻量级安全汇聚传输系统，包括网络模型构建模块、最小生成树构建模块、缝补密钥生成模块、车网交互数据融合模块和解密模块；

[0039] 网络模型构建模块用于将电动汽车和聚合器的部署情况等效为部署在矩形区域具有N个节点的无线传感网络；

[0040] 最小生成树构建模块用于将网络模型在每个周期，随机选取M个节点作为聚合节点收集数据，并依据最小生成树产生其路径，最终将数据传送给汇聚节点；

[0041] 缝补密钥生成模块用于生成最小生成树每个节点的密钥；

[0042] 车网交互数据融合模块用于压缩感知加密的数据；

[0043] 解密模块用于对压缩感知加密的数据进行解密得到原始数据。

[0044] 而且，所述最小生成树构建模块包括：优先队列P1构建模块和链路连通判断模块；

[0045] 优先队列P1构建模块用于在网络模型的基础上将电动汽车与聚合器的分布等效为图，将网络模型中所有节点和链路依次加入到优先队列P1中；

[0046] 链路连通判断模块用于取出优先队列P1中的最小链路，判断链路的两点是否联通；

[0047] 若链路的两点联通则说明两个节点已经有其它边将两点联通了，跳过；否则，将两个顶点合并，这条链路被使用；

[0048] 依次判优先队列P1中所有的断链路的两点是否联通，直至优先队列P1为空，被使用的链路构成最小生成树。

[0049] 而且，所述缝补密钥生成模块包括混沌序列L生成模块和伯努利分布序列 生成模块；

[0050] 混沌序列L生成模块用于每个节点利用Logistic混沌系统生成混沌序列L；

[0051] 伯努利分布序列 生成模块用于根据Logistic产生的随即映射经过函数投影，得到伯努利分布序列 。

[0052] 本发明的优点和积极效果是：

[0053] 本发明将整个网络随机划分为非重叠的簇进行数据聚合，将每个电动汽车节点视作一个数据样本，同时利用伯努利矩阵生成随机值，用于构造全局稀疏的测量矩阵，最终由簇头从子节点接收测量值和伯努利随机值，并由汇聚节点进行压缩观测。测量矩阵由全体节点生成提升了聚合的机密性，同时每个传感器节点只生成测量矩阵的一部分，且只将其采样数据发送至簇头节点，大大降低了聚合的通信开销，延长了网络寿命。

附图说明

[0054] 图1为本发明网络模型结构图；

[0055] 图2为本发明簇划分及密钥分配示意图；

[0056] 图3为本发明基于压缩感知的数据聚合过程图；

[0057] 图4为本发明与传统方法在网格部署场景的性能比较图；

[0058] 图5为本发明与传统方法在随机部署场景的性能比较图；

[0059] 图6为本发明与传统方法在不同方法传输成本对比图；

[0060] 图7为本发明与传统方法在不同稀疏基下的重构精度示意图。

具体实施方式

[0061] 以下结合附图对本发明做进一步详述。

[0062] 压缩感知的车网交互数据轻量级安全汇聚传输方法，包括以下步骤：

[0063] 步骤1、根据电动汽车和聚合器的部署情况，构建网络模型。

[0064] 根据电动汽车和聚合器的部署情况，构建网络模型的具体实现方法为：将电动汽车和聚合器的部署情况等效为部署在矩形区域具有N个节点的无线传感网络G(V，E)，其中，V表示节点的集合，E表示不同节点之间的链路集，从网络模型中的其他节点收集数据为汇聚节点S，所有的节点数据采样时间是同步的，均处于传输信号的覆盖范围之内，每个节点都具有相同的圆形覆盖半径。设定每个节点的通信距离是：

[0065]

[0066] 其中， 为所划定矩形区域的最大边的长度，N为矩形区域节点数。网络模型数据聚合以周期的形式进行，每周期每个节点只产生一个样本数据，为第i个节点在每周期产生的样本，每周期会从N个节点收集N个样本，为 。同时，本模型不考虑丢包和延时的情况。

[0067] 步骤2、根据网络模型构建最小生成树。在网络模型的基础上，将电动汽车与聚合器的分布等效为图。在每个周期，随机选取M个节点作为聚合节点收集数据，而后依据最小生成树（Minimun Spanning Tree，MST)产生其路径，最终将数据传送给汇聚节点。MST生成过程如下：

[0068] 步骤2.2、在网络模型的基础上将电动汽车与聚合器的分布等效为图，将网络模型中所有节点和链路依次加入到优先队列P1中。

[0069] 步骤2.3、取出优先队列P1中的最小链路，判断链路的两点是否联通。

[0070] 步骤2.4、若链路的两点联通则说明两个节点已经有其它边将两点联通了，跳过；否则，将两个顶点合并，这条链路被使用。

[0071] 步骤2.5、依次判优先队列P1中所有的断链路的两点是否联通，直至优先队列P1为空，被使用的链路构成最小生成树。

[0072] 如图1所示，定义网络模型设N=100,M=40,汇聚节点为S=101，由星形表示，方形节点表示簇头节点CHs，剩下的节点是叶节点，黑色粗线代表最小生成树（MST）。黑色细线代表叶节点与簇头节点的链路。

[0073] 步骤3、对最小生成树的每个节点生成缝补密钥。本发明提出的基于压缩感知的数据聚合方法，将测量矩阵的生成分散到每一个节点，每一个节点单独进行观测。而在汇聚节点数据的恢复需要完成的测量矩阵，因此汇聚节点无法实现解密，大大提升了车网交互数据的机密性。同时测量矩阵的观测相当于对数据进行加密，本专利将聚合数据的加密碎片化、分块化，避免了频繁的测量矩阵生成，大大减轻了节点聚合的开销。每个节点的密钥种子在汇聚节点得到簇相关信息后由汇聚节点进行广播，簇划分及密钥分配示意图如图2所示。

[0074] 对最小生成树的每个节点生成缝补密钥的具体实现方法为：

[0075] 每个节点利用Logistic混沌系统生成混沌序列L：

[0076]

[0077] 其中， 是控制参数， 是产生的混沌序列，根据Logistic产生的随即映射经过函数投影，得到伯努利分布序列 ：

[0078]

[0079] 其中， 是长度为N的伯努利分布序列，是每个节点的子密钥。

[0080] 步骤4、基于压缩感知进行车网交互数据融合。 是包含网络中N个节点采样信息的长度为N的信号，为了聚集来自所有节点的数据，随机选取M个节点作为簇头，这样每个节点被选为簇头（Cluster Head）的概率都是 ,剩下的节点通过最短路径连接到离各自最近的CH。因此，整个网络模型被划分为M个不重叠的簇来聚合车网交互数据。

[0081] 将缝补密钥基于压缩感知进行数据融合的具体实现方法为：将网络模型划分为M个不重叠的簇来聚合车网交互数据，其中，M个簇分别表示为 ,每个簇包含的节点数为 ，簇中每个节点的测量数据记为 ，之后将 与该节点对应的 相乘，得到 ，且 ，使网络模型每个叶节点发送他的测量值 给簇头节点，同时簇头将从叶节点接收到的测量值以及自身的测量值相加，得到第j个簇头节点的最终测量值为：

[0082]

[0083] 其中， 是 和 的线性组合，对于每个簇C，为所有节点每周期的观测数据，测量数据 的生成规则为

[0084]

[0085] 网络模型中簇头通过最小生成树将计算出的测量值传递给网络模型中的汇聚节点，簇头沿着最小生成树向汇聚节点的方向，将簇头的当前测量值与从后面沿着最小生成树向汇聚节点的中继数据包封装在一起；每一簇作为测量矩阵 的一行，网络模型中每个节点为测量矩阵的一列，M个随机形成的簇头和每个簇中的节点对应于测量矩阵 的行和相应列：

[0086]

[0087] 其中， 为测量矩阵 的第j行， ， ，汇聚节点从最小生成树接收的数据包包含测量向量的元素 ，其中包含测量向量的
元素 是测量数据和节点随机值的线性组合：

[0088]

[0089] 其中 ， ， ， , 。

[0090] 假定网格部署网络具有100个节点，其中汇聚节点（S＝101）被放置在网络的中心。以图1中节点98为例，它具有两个子节点88, 97，测量矩阵中的一行就是由该簇构成，其中该簇只有三个非零值，分别对应88，97，98节点，对应的压缩感知聚合过程如图3所示， 代表稀疏信号，表示节点分簇后每簇需要采集的信息，因为只包含本簇的信息，因而它是稀疏的， 代表该簇需要采集的信息， 是总的信号长度， 代表节点分簇后形成的大小为M×N的稀疏观测矩阵，通过生成树进行逐级的汇聚，每个簇能够得到相应的聚合元素，最终得到聚合之后的数据y。

[0091] 步骤5、将融合后的车网交互数据传输至最小生成树的汇聚节点，在汇聚节点对融合后的车网交互数据进行解密得到原始数据。车网互动数据聚合完成之后，即为压缩感知加密之后的数据，如果不了解簇的组织方式和每个节点的子密钥将无法获得原始数据。将融合后的车网交互数据传输至最小生成树的汇聚节点，在汇聚节点对融合后的车网交互数据进行解密得到原始数据的具体实现方法为：汇聚节点在每周期数据采集之前会接收到簇头返回的簇组织信息，并返回生成子密钥的随机种子，汇聚节点具备测量矩阵每列的数值元素，每一簇组成观测矩阵的每一行元素，不同簇的汇聚节点包含的元素组合最终得到完整的测量矩阵 ，在车网互动数据聚合完成之后，从测量向量 中使用重构方法恢复原始信号 。这种方式可以避免每个节点将 的信息与测量数据一起传输到接收器，大大减少了密钥泄露的风险。由于方程是欠定的，当从Y中恢复X将会有无穷多个解，汇聚节点通过接收到的测量矩阵后，便可以通过 重构方法便可以重构获得 。

[0092] 根据上述压缩感知的车网交互数据轻量级安全汇聚传输方法，与现有的基于CS的数据聚合方法进行了重构误差比较分析。为了证明本发明方法的效率，首先与网格部署场景下的最短路径路由测量方法（SPRM）进行了比较。而后，与随机部署场景下基于集群的加权压缩数据聚合方法（CWCDA）和混合压缩感知方法（Hybrid CS）进行了比较。图4将所提出的数据聚合方法与SPRM方法在不同压缩率CR下的平均重建误差进行了比较。这里，平均误差是每个CR下的100次实验的误差平均值。从图4可以看出，对于所有考虑的压缩率，与SPRM相比，所提出的方法具有更低的恢复误差。图5表示出了所提出的方法与传感器节点随机部署方法的数据恢复性能比较。从图5可以看出，与CWCDA相比，在所有考虑的压缩率中，所提出的方法具备更好的恢复性能。与混合CS相比，该方法在较高的压缩率（CR>50）具备更优秀的重构性能。

[0093] 为了比较传输成本，考虑在256m×256m的区域内部署625个节点，进行测试。图6显示了使用所提出的方法、SPRM、混合CS、CWCDA和非CS方法进行数据聚合的传输成本在不同压缩率下的传输成本比较。在这里，将用于数据收集的传统最短路径方法视为非CS方法，其中网络中的每个节点通过最短路径将其数据发送到接收器。从图6可以看出，本文方法与非CS、混合CS和CWCDA相比，在节点随机部署的不同的压缩率，均需要非常低的数据聚合传输成本。在网格部署的情况下，本文方法在压缩率小于80%时数据聚合性能优于SPRM方法。对本文方法分析可知，压缩率的增加减少了数据聚合所需的集群数量，集群数量的减少增加了数据聚合所需的传输成本，因为叶节点需要将其测量值从更远的距离发送到簇头节点。此外，随着CR的增加，使用最小生成树从簇头节点收集测量数据所需的传输成本也会增加。
这导致在更高压缩率（CR>80%）下总传输成本增加。综上所述，本文方法可以以较低的传输成本将数据传送到接收器，与其它数据聚合方法相比同时提高了网络寿命。

[0094] 同时，通过搭建一个基于公共充电站的仿真系统用来验证的理论。仿真系统由许多直流充电桩节点组成，每个节点由ZigBee模块与一个2.4GHz的IEEE 802.15.4无线收发器和一个8MHz、8位的处理器组成，该处理器具备128kB的闪存和8kB的RAM。在区域内部署了50个直流充电桩节点，接收器节点连接到一台PC，该PC从网络中的所有节点收集测量数据。
每个节点分别代表电动汽车和汇聚节点，以编程的形式在各节点实现了提出的方法。为了评估方法的有效性，将重构精度作为指标，分别采用压缩率为0.1 0.9进行试验，此时系统~
分别被分为5 45簇，每种情况下分别分布式地采用压缩感知进行数据聚合，而后在PC上计~
算得到信号的重构精度。为了验证所提方案对不同稀疏基的适应程度，分别在不同稀疏基下进行了同样的实验，结果如图7所示。经验证，本方法重构取得了良好的效果，该方法车网互动实时聚合中具备良好的效果。同时，实验模块的计算资源非常有限，这也证明了本文方法的轻量化，不需要任何额外的计算开销，适用于车网互动场景下资源受限但是数据聚合需求巨大的场景。

[0095] 基于上述基于压缩感知的车网交互数据轻量级安全汇聚传输方法，本发明还提出一种基于压缩感知的车网交互数据轻量级安全汇聚传输方法的汇聚传输系统，包括：

[0096] 网络模型构建模块、最小生成树构建模块、缝补密钥生成模块、车网交互数据融合模块和解密模块；

[0097] 网络模型构建模块用于将电动汽车和聚合器的部署情况等效为部署在矩形区域具有N个节点的无线传感网络；

[0098] 最小生成树构建模块用于将网络模型在每个周期，随机选取M个节点作为聚合节点收集数据，并依据最小生成树产生其路径，最终将数据传送给汇聚节点；

[0099] 缝补密钥生成模块用于生成最小生成树每个节点的密钥；

[0100] 车网交互数据融合模块用于压缩感知加密的数据；

[0101] 解密模块用于对压缩感知加密的数据进行解密得到原始数据。

[0102] 其中，最小生成树构建模块包括：优先队列P1构建模块和链路连通判断模块；

[0103] 优先队列P1构建模块用于在网络模型的基础上将电动汽车与聚合器的分布等效为图，将网络模型中所有节点和链路依次加入到优先队列P1中；

[0104] 链路连通判断模块用于取出优先队列P1中的最小链路，判断链路的两点是否联通；

[0105] 若链路的两点联通则说明两个节点已经有其它边将两点联通了，跳过；否则，将两个顶点合并，这条链路被使用；

[0106] 依次判优先队列P1中所有的断链路的两点是否联通，直至优先队列P1为空，被使用的链路构成最小生成树。

[0107] 其中，缝补密钥生成模块包括混沌序列L生成模块和伯努利分布序列 生成模块；

[0108] 混沌序列L生成模块用于每个节点利用Logistic混沌系统生成混沌序列L；

[0109] 伯努利分布序列 生成模块用于根据Logistic产生的随即映射经过函数投影，得到伯努利分布序列 。

[0110] 本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD‑ROM、光学存储器等）上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。

[0111] 本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

[0112] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

[0113] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

[0114] 尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

[0115] 显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。