CN103906271A

CN103906271A - Ad Hoc网络中关键节点测量方法

Info

Publication number: CN103906271A
Application number: CN201410161790.1A
Authority: CN
Inventors: 杨力; 刘卓超; 姜奇; 张俊伟; 刘志宏; 李虎; 任新波; 马卓; 姬文江
Original assignee: Xidian University
Current assignee: Xidian University
Priority date: 2014-04-21
Filing date: 2014-04-21
Publication date: 2014-07-02
Anticipated expiration: 2034-04-21
Also published as: CN103906271B

Abstract

本发明公开了一种Ad Hoc网络关键节点测量方法。其实现步骤为：（1）获取网络中的拓扑结构；（2）计算节点重要度；（3）计算节点综合信任值；（4）判断综合信任值是否大于信任值阈值；（5）将节点加入信任集合；（6）判断是否遍历所有节点；（7）选择关键节点。本发明综合考虑节点在网络拓扑中的重要性和数据传输的可靠性，使得本发明提高了关键节点测量结果的准确性。本发明引入D-S证据理论，使得本发明能够正确地计算出节点综合信任值，能够找到可靠的关键节点。本发明可进一步用在Ad Hoc网络的拓扑控制以及安全防护中。

Description

Ad Hoc网络中关键节点测量方法

技术领域

本发明属于计算机技术领域，更进一步涉及计算机网络技术领域中一种在Ad Hoc网络中对关键节点进行测量的方法。本发明可以从Ad Hoc网络中测量找出关键节点，进一步用于Ad Hoc网络的拓扑控制和安全防护。

背景技术

关键节点无论是在网络的拓扑上还是传输通信中都起着关键性作用。从AdHoc网络中测量找出关键节点，可进一步通过减轻关键节点的负载，增加关键节点的可靠性和容错能力，对网络进行防御和保护。目前关键节点测量方法主要是基于网络拓扑上的测量。

西安电子科技大学拥有的专利“分布式无线网络关键节点探测方法”（专利申请号：200610104420.X，授权公布号：CN100403699C）公开了一种分布式无线网络关键节点探测方法。该方法通过相关邻近图法（RNG法），对网络进行拓扑平面化；得到平面化的拓扑结构，再对RNG图进行发射功率的调整。该方法通过收到的数据包进行邻居节点和基本回路信息的搜集；利用收集到的信息判断出网络中的关键节点。该方法存在的不足之处在于，仅仅根据网络中的拓扑结构判断关键节点，没有考虑网络通信中节点间交互的可靠性，导致找到的关键节点不可靠。

无锡赛睿科技有限公司提出的专利申请“一种用于无线传感器网络中的关键节点的测量的方法、装置以及系统”（专利申请号：201210401130.7，申请公布号：CN102883359A）公开了一种用于无线传感器网络的关键节点的测量方法。该方法通过抓取无线传感器所有节点信息，生成一个有线连通图，再将每个传感器结点经由的数据包通过哈希处理嵌入自己的ID，最后由基站收集具有ID信息的数据包进行解码，判断获得关键节点。该方法存在的不足之处在于，关键节点的识别仅仅对节点ID信息进行解码，没有考虑网络通信中节点间交互的可靠性，导致找到的关键节点不准确。

发明内容

本发明的目的是针对上述现有技术的不足，提出一种Ad Hoc网络关键节点测量方法。

本发明实现的具体思路是：首先获取Ad Hoc网络的拓扑结构图，然后计算所有节点的重要度，得到节点重要度排序集合。计算节点信任向量，根据信任向量间差异修正各信任向量权重，消除了信任向量间的证据冲突，采用Dempster合成公式，对修正后所有信任向量进行合成，使得本发明可以正确的计算出节点综合信任值，具有较高的稳定性和鲁棒性。通过判断节点综合信任值是否大于信任值阈值，选择大于信任值阈值的节点加入到信任集合，克服了现有技术不能得到可靠的关键节点的缺点，使得本发明具有可以获得可靠的关键节点的能力。通过从节点重要度排序集合和信任集合交集中，选取网络节点数的前r%的节点作为关键节点，使得本发明综合考虑节点在网络拓扑中的重要性和信任传输的可靠性，提高了关键节点测量结果的准确性。

本发明实现的具体步骤包括如下：

（1）获取网络拓扑结构图：

（1a）在Ad Hoc网络中利用网关代理节点，收集与拓扑有关的信息，获得网络拓扑结构；

（1b）将网络拓扑结构生成一个有向连通图G(V,E)，其中V表示节点集合，E表示边集合，并建立一个空的节点的信任集合H；

（2）计算节点重要度：

（2a）按照凝聚度公式，计算生成的有向连通图G的凝聚度；

（2b）采用节点收缩法，将有向连通图G的节点集合V中的节点i进行收缩，得到收缩后的有向连通图G_i，采用凝聚度公式，计算有向连通图G_i的凝聚度

&PartialD; (G_{i});

（2c）按照下式，得到节点i的重要度：

C (i) = 1 - \frac{&PartialD; (G)}{&PartialD; (G_{i})}

其中，C(i)表示有向连通图G的节点集合V中的节点i的重要度，

表示有向连通图G的凝聚度，表示有向连通图G的节点集合V中的节点i收缩后得到的有向连通图G_i的凝聚度；

（2d）循环执行步骤（2b）、步骤（2c），依次计算有向连通图G的所有节点的重要度

（2e）将有向连通图G的所有节点的重要度按照由大到小的顺序排序，得到有向连通图G的

所有节点的重要度排序集合；

（3）计算节点综合信任值：

（3a）根据下式，计算有向连通图G的节点i对节点j的信任向量：

T_i,j(t_m)＝(1-ω)*T_i,j(t_m-1)+ω*D_i,j(t_m)

其中，T_i,j(t_m)表示有向连通图G的节点i对节点j在t_m时间的第m个时刻的信任向量，ω表示信任向量的权重系数，D_i,j(t_m)表示有向连通图G的节点i对节点j在t_m时间的第m个时刻的直接信任向量；

（3b）根据步骤（3a），依次计算有向连通图G的节点j的邻居节点集合N＝{n₁,n₂,…，n_k}对节点j的信任向量，得到信任向量集合U；

（3c）按照修正公式，对信任量集合U中的所有信任向量做修正，得到修正后的信任向量集合U^*；

（3d）采用Dempster合成公式，对修正后的信任向量集合U^*中的所有信任向量进行合成，得到有向连通图G的节点j的综合信任值；

（4）判断综合信任值是否大于信任值阈值：

判断有向连通图G中节点j的综合信任值是否大于信任值阈值，若是，则执行步骤（5），否则，执行步骤（6）；

（5）将节点加入信任集合：

将有向连通图G中大于信任值阈值的节点，加入信任集合H中；

（6）判断是否遍历所有节点：

判断是否遍历有向连通图G中所有节点，若是，则执行步骤（7），否则，执行步骤（3）；

（7）选择关键节点：

从步骤（2e）中节点重要度排序集合和步骤（5）中信任集合H的交集中，将有向连通图G的节点数的前r%的节点作为关键节点，其中，r表示依据有向连通图G中节点数确定的参数，r的取值范围为[5,20]。

与现有技术相比，本发明具有以下优点：

第一，本发明通过判断节点综合信任值是否大于信任值阈值，选择大于信任值阈值的节点加入到信任集合，克服了现有技术不能得到可靠的关键节点的缺点，使得本发明具有可以获得可靠的关键节点的能力，进一步提高了Ad Hoc网络的可靠性。

第二，本发明通过从节点重要度排序集合和信任集合交集中，选取Ad Hoc网络节点数的前r%的节点作为关键节点，综合考虑节点在网络拓扑中的重要性和数据传输的可靠性，使得本发明提高了关键节点测量结果的准确性，以便后期对关键节点进行保护。

第三，本发明通过计算节点综合信任值，根据信任向量间差异修正各信任向量权重，消除了信任向量间的证据冲突，采用Dempster合成公式，对修正后所有信任向量进行合成，使得本发明可以正确地计算出节点综合信任值，具有较高的稳定性和鲁棒性。

附图说明

图1是本发明的应用场景图；

图2是本发明的流程图。

具体实施方式

下面结合附图对本发明做进一步的详细描述。

参照附图1，本发明的应用场景为Ad Hoc网络，Ad Hoc网络中存在多个无线节点，节点间相互通信，其中有一个网关代理节点直接与网络中最近的节点进行通信。网关代理节点收集网络的拓扑信息，获得网络拓扑结构图，根据网络拓扑结构图，计算节点的重要度。节点将信任向量传到网关节点，在网关节点中计算节点的综合信任值，并判断综合信任值是否大于信任值阈值，将综合信任值大于信任值阈值的节点加入信任集合，最后选取关键节点。

参照附图2，实现本发明的具体步骤如下：

步骤1，获取网络拓扑结构图。

利用网关代理节点，收集Ad Hoc网络中节点与拓扑有关的信息，获得网络拓扑结构。将网络拓扑结构生成一个有向连通图G(V,E)，其中V表示节点集合，E表示边集合，并建立一个空的节点的信任集合H。

步骤2，计算节点重要度。

（2a）按照凝聚度公式，计算生成的有向连通图G的凝聚度。凝聚度公式如下：

&PartialD; [G] = \frac{a - 1}{\underset{i &NotEqual; j &Element; V}{Σ} d_{ij}}

其中，

表示有向连通图G的凝聚度，a表示有向连通图G中的节点数，V表示有向连通图G的节点集合，i、j分别表示节点集合V中的两个节点，d_ij表示节点i到j的最短跳数；Σ表示对节点集合V中两个不同节点i到j的最短跳数进行求和操作。

&PartialD; (G_{i}) .

（2c）按照下式，得到节点i的重要度：

C (i) = 1 - \frac{&PartialD; (G)}{&PartialD; (G_{i})}

其中，C(i)表示有向连通图G的节点集合V中的节点i的重要度，表示有向连通图G的凝聚度，表示有向连通图G的节点集合V中的节点i收缩后得到的有向连通图G_i的凝聚度。

（2d）循环执行步骤（2b）、步骤（2c），依次计算有向连通图G的所有节点的重要度。（2e）将有向连通图G的所有节点的重要度按照由大到小的顺序排序，得到有向连通图G的所有节点的重要度排序集合。

步骤3，计算节点综合信任值。

本发明定义了一个识别框架θ＝{T，～T}，T表示信任，～T表示不信任，将节点信任分类的隶属度函数看成命题{T}{～T}{T，～T}的基本置信度函数，有向连通图G的节点i对节点j的直接信任向量D_i,j(t_n)＝(m_i,j({T}),m_i,j({～T}),m_i,j({T,～T}))，其中T表示信任，～T表示不信任，m_i,j({T}),m_i,j({～T}),m_i,j({T,～T})分别表示节点i评估节点j的成功转发包的比率，明确拒绝转发包的比率以及对于是否成功转发包不确定的比率。初始时刻D_i,j(t₀)＝(0,0,1)。

根据下式，计算有向连通图G的节点i对节点j的信任向量：

T_i,j(t_m)＝(1-ω)*T_i,j(t_m-1)+ω*D_i,j(t_m)

其中，T_i,j(t_m)表示有向连通图G的节点i对节点j在t_m时间的第m个时刻的信任向量，ω表示信任向量的权重系数，D_i,j(t_m)表示有向连通图G的节点i对节点j在t_m时间的第m个时刻的直接信任向量。

依次计算有向连通图G的节点j的邻居节点集合N＝{n₁,n₂,…,n_k}对节点j的信任向量，得到信任向量集合U。

按照证据距离公式，依次计算信任量集合U中任意两个信任向量p和q之间的证据距离。证据距离公式如下：

d (p, q) = \sqrt{\frac{1}{2} ({| | \overset{&RightArrow;}{p} | |}^{2} + {| | \overset{&RightArrow;}{q} | |}^{2} - 2 < \overset{&RightArrow;}{p}, \overset{&RightArrow;}{q} >)}

其中，d(p,q)表示信任集合U的信任向量p和q的证据距离，

表示信任集合U的信任向量的平方范式，

表示信任集合U的信任向量的平方范式，表示信任集合U的信任向量p和q之间的数量积。

根据相似度计算公式，得到p和q的相似度S_p,q。相似度计算公式如下：

S_p,q＝1-d(p,q)

其中，S_p,q表示信任向量p和q的相似度，d(p,q)表示信任向量p和q之间的证据距离。

将信任向量集合U中所有的S_p,q构建一个相似度矩阵S：

S = |\begin{matrix} 1 & S_{1,2} & . . . & S_{1, k} \\ S_{2,1} & 1 & . . . & S_{2, k} \\ \cdot & \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot & \cdot \\ S_{k, 1} & S_{k, 2} & . . . & 1 \end{matrix}|

按照下式，计算信任向量p的支持度η_p：

η_{p} = Σ_{q = 1, q &NotEqual; p}^{k} S_{p, q}

其中，η_p表示信任向量p的支持度η_p，S_p,q表示信任向量p和q的相似度，∑表示对信任向量集合U中除p以外的信任向量对信任向量p的相似度进行求和操作。

按照下式，计算信任向量p的标准权重：

χ_{p} = \frac{η_{p}}{Σ_{1 = 1}^{k} η_{q}}

其中，χ_p表示信任向量p的标准权重系数，η_p表示信任向量p的支持度η_p，η_q表示信任向量p的支持度η_q，∑表示对信任向量集合U中所有向量支持度进行求和操作。

选择标准权重系数中最大的系数χ_max作为关键证据，按照下式计算折扣系数：

f_{n_{i}} = \frac{χ_{n_{i}}}{χ_{\max}}

其中，

表示节点集合N中n_i节点的折扣系数，

表示节点集合N中n_i节点的信任向量的标准权重系数，χ_max表示最大的标准权重系数。

依次计算节点集合N中所有节点的折扣系数，得到折扣系数集合

根据修正公式，对信任集合U中的所有信任向量进行修正，得到修正后的信任向量集合

修正公式如下：

T_{n_{i}, j}^{*} = f_{n_{i}} \times T_{n_{i}, j}

其中，表示修正后的节点集合N中的节点n_i对节点j的信任向量，

表示节点集合N中的节点n_i的折扣系数，

表示节点集合N中的节点n_i对节点j的信任向量。

采用Dempster合成公式，对修正后的信任向量集合U^*中的所有信任向量进行合成，得到节点j的综合信任值。Dempster合成公式如下：

R_{j} = T_{n_{1}, j}^{*} &CirclePlus; T_{n_{2}, j}^{*} &CirclePlus; . . . &CirclePlus; T_{n_{k}, j}^{*}

其中，R_j表示有向连通图G中的节点j的综合信任值，

表示修正后的节点集合N中的节点n_i对节点j的信任向量，

表示对合成操作。

步骤4，判断综合信任值是否大于信任值阈值。

判断有向连通图G中节点j的综合信任值是否大于信任值阈值，若是，则执行步骤5，否则，执行步骤6。其中，信任值阈值是根据传输数据等级确定的：当传输数据等级为重要等级时，信任值阈值ε的取值范围为[0.8,1]；当传输数据等级为次要等级时，信任值阈值ε的取值范围为[0.7,1]；当传输数据等级为普通等级时，信任值阈值ε的取值范围为[0.6,1]。

步骤5，将节点加入信任集合。

将有向连通图G中大于信任值阈值的节点加入到信任集合H中。

步骤6，判断是否遍历所有节点。

判断是否遍历有向连通图G中所有节点，若是，则执行步骤7，否则，执行步骤3。

步骤7，选择关键节点。

从步骤（2e）中节点重要度排序集合和步骤5中信任集合H的交集中，将有向连通图G的节点数的前r%的节点作为关键节点，其中，r表示依据有向连通图G中节点数确定的参数，r的取值范围为[5,20]。

本发明通过计算节点综合信任值，根据信任向量间差异修正各信任向量权重，消除了信任向量间的证据冲突，采用Dempster合成公式，对修正后所有信任向量进行合成，正确的计算出节点综合信任值。根据应用场景的不同，将传输数据等级分为重要、次要、普通，针对不同的传输等级，在选择关键节点时，设定不同的信任值阈值。例如，当传输重要数据时，选着信任阈值为0.8，这样选择的关键节点的综合信任值大于0.8，保证了关键节点的可信度。并且根据网络的规模选择关键节点数目，提高了关键节点测量方法的适应性，本发明综合考虑节点在网络拓扑中的重要性和数据传输的可靠性，因此，本发明可以有效地测量找出Ad Hoc网络中可靠的关键节点，进一步可用于基于关键节点的Ad Hoc网络的拓扑控制和安全防护。

Claims

1.一种Ad Hoc网络中关键节点测量方法，包括以下步骤：

（1）获取网络拓扑结构图：

（2）计算节点重要度：

（2a）按照凝聚度公式，计算生成的有向连通图G的凝聚度；

&PartialD; (G_{i});

（2c）按照下式，得到节点i的重要度：

C (i) = 1 - \frac{&PartialD; (G)}{&PartialD; (G_{i})}

其中，C(i)表示有向连通图G的节点集合V中的节点i的重要度，

所有节点的重要度排序集合；

（3）计算节点综合信任值：

T_i,j(t_m)＝(1-ω)*T_i,j(t_m-1)+ω*D_i,j(t_m)

（4）判断综合信任值是否大于信任值阈值：

（5）将节点加入信任集合：

（6）判断是否遍历所有节点：

（7）选择关键节点：

从步骤（2e）中节点重要度排序集合和步骤（5）中信任集合的交集中，将有向连通图G的节点数的前r%的节点作为关键节点，其中，r表示依据有向连通图G中节点数确定的参数，r的取值范围为[5,20]。

2.根据权利要求1所述的一种Ad Hoc网络中关键节点测量方法，其特征在于，步骤（2a）所述的凝聚度公式如下：

&PartialD; [G] = \frac{a - 1}{\underset{i &NotEqual; j &Element; V}{Σ} d_{ij}}

其中，

表示有向连通图G的凝聚度，a表示有向连通图G的节点数，V表示有向连通图G的节点集合，i、j分别表示节点集合V中的两个节点，d_ij表示有向连通图G的节点i到j的最短跳数；Σ表示对节点集合V中两个不同节点i到j的最短跳数进行求和操作。

3.根据权利要求1所述的一种Ad Hoc网络中关键节点测量方法，其特征在于，步骤（3c）所述的修正公式如下：

T_{n_{i}, j}^{*} = f_{n_{i}} \times T_{n_{i}, j}

其中，

表示修正后的邻居节点集合N的节点n_i对节点j的信任向量，

表示邻居节点集合N的节点n_i的信任向量的折扣系数，

表示邻居节点集合N的节点n_i对节点j的信任向量。

4.根据权利要求1所述的一种Ad Hoc网络中关键节点测量方法，其特征在于，步骤（3d）所述的Dempster合成公式如下：

R_{j} = T_{n_{1}, j}^{*} &CirclePlus; . . . &CirclePlus; T_{n_{i}, j}^{*} . . . &CirclePlus; T_{n_{k}, j}^{*}

其中，R_j表示有向连通图G中节点j的综合信任值，

表示修正后的邻居节点集合N的节点n_i对节点j的信任向量，n_i表示邻居节点集合N的第i个节点，

表示组合操作。

5.根据权利要求1所述的一种Ad Hoc网络中关键节点测量方法，其特征在于，步骤（4）中所述的信任值阈值是根据传输数据等级确定的，当传输数据等级为重要等级时，信任值阈值ε的取值范围为[0.8,1]；当传输数据等级为次要等级时，信任值阈值ε的取值范围为[0.7,1]；当传输数据等级为普通等级时，信任值阈值ε的取值范围为[0.6,1]。