CN104469836A - 一种建立水下传感器网络中多维度信任模型的方法 - Google Patents

Abstract

本发明涉及一种建立水下传感器网络中多维度信任模型的方法，其步骤包括：首先，在每个时间窗口中，分别独立计算链路信任、数据信任和节点信任，根据水声信道模型、信号调制方式和差错控制策略建立通信链路信任，基于邻居节点感知数据相似度的特性进行数据信任的计算，根据节点诚实度和节点能力建立节点信任；其次，基于链路信任、数据信任和节点信任之间的逻辑关系，根据模糊逻辑方法计算链路中间信任、数据中间信任和节点中间信任，并在中间信任值的基础上，建立时间衰减函数，结合动态的水流环境，对链路信任、数据信任和节点信任进行实时更新，本发明能够在复杂的水下环境中有效评估节点的信任值，实时提高网络的安全性。

Description

一种建立水下传感器网络中多维度信任模型的方法

技术领域

本发明涉及一种建立水下传感器网络中多维度信任模型的方法，属于水下传感器网络信任管理技术领域。

背景技术

近年来，水下传感器网络已经广泛应用于海防、水下勘探、水下探测及监视等领域。随着水下传感器网络应用的日益复杂，其安全需求也呈现多样性。传统的基于密码体系的安全机制主要用于抵抗外部攻击，无法有效解决由于节点被俘获而发生的内部攻击。而且由于传感器节点能力所限，网络中往往采用基于对称密码算法的安全措施，当节点被俘获时很容易发生秘密信息泄露，如果无法及时识别被俘获节点，则整个网络将被控制。在实际应用中，水下传感器网络常常被部署无法实施物理保护的环境中，节点被俘获的现象极易发生，这就需要有效机制及时识别被俘获节点，有针对性地采取相应措施以减小系统损失。

信任管理被认为是对传统的基于密码体制安全措施的有效补充，在对等网络、网格以及普适计算等环境中已被广泛研究。信任模型在抵抗内部攻击、识别恶意节点、自私节点及低竞争力节点等方面发挥着重要作用，可应用于安全路由、安全定位、数据融合等方面的研究，用以提高系统的安全性、可靠性和公平性。

经对现有文献检索发现，目前尚未有针对水下传感器网络信任管理的研究，但是针对陆上无线传感器网络(WSNs)环境的信任模型的研究较多，相关文献如下：

1、2004年，Ganeriwal等人首次在《Reputation-based Framework for HighIntegrity sensor Networks》中，提出适用于WSNs的基于信誉的信任管理框架RFSN(Reputation based Framework for Sensor Networks)，主要包括watchdog和信誉系统两个模块。采用watchdog机制监视节点行为并将其划分为合作/不合作行为。输出结果送入信誉系统模块进行信誉的表示、更新、整合，最终生成节点信任值，并根据设定的阈值进行决策。信誉值的计算采用贝叶斯公式，并假定先验分布为Beta分布或Dirichlet分布，节点的信任值为信誉值的期望值。RFSN管理框架比较完整，提出了用于监视节点行为的Watchdog机制，可应用范围广，灵活性好，但是不能有效抵抗恶意或预谋的攻击行为，如外来节点有意篡改感知数据的攻击。

2、2005年，Yao等人在《A Security Framework with Trust Management forsensor Networks》中，提出了传感器网络中基于信任管理的安全框架，包括应用描述、网络输入/输出、信任管理、安全响应4个逻辑组件，其中信任管理采用分布式的信任模型，首先分别计算直接信任值和推荐信任值，再由二者加权得到综合信任值。该模型没有考虑数据因素，认为每个节点都存在推荐节点这个假设条件也并不完全成立，并且，在信任计算过程中，采用了密码操作，例如，使用哈希序列值证实信息是否来自基站，使用消息认证码判断报文的完整性等，这些操作都使得算法的复杂度上升。

3、2007年，Matthew等人在中《Statistical Trust Establishment inwireless Sensor Networks》，采用统计学的方法计算WSNs中的信任值，以减少故障节点和恶意节点的影响。首先计算统计学上的信任值，然后根据节点直接和间接的经验建立基于此信任值的置信区间。建立置信区间同时考虑了节点的直接经验记录条目和其他节点的间接经验记录，但是，经验条目包含内容较多，而每个节点保存邻居节点的多个经验条目，需要较大的缓存器。该模型适用于故障节点和妥协节点，但是没有考虑恶意节点的诸如窃听、假冒、拒绝服务等攻击。

4、2009年，Chen等人在《Task-based Trust Management for Wireless SensorNetworks》中提出基于任务的信任模型，在传感器网络中，节点不仅负责传输数据，更重要的是感知、采集数据，每个传感器节点都承担着不同的任务，因此，Chen等人针对不同邻居节点间的不同任务分别计算信任，该信任模型包括三个模块：检测模块，信誉评估模块和信任计算模块。由于每个节点都需要时刻保持对邻居节点所有任务的监听，因此，该信任模型能耗较大，同时需要记录不同任务的信任值，占用存储空间也较大。

5、2011年，Rahhal等人在《A Novel Trust-Based Cross-Layer Model forWireless Sensor Networks》中提出基于跨层设计的信任模型，首先，利用watchdog机制监视邻居节点行为，并根据发送的数据包总数和邻居节点正确转发的数据包的个数，计算邻居节点的信任值和该信任值的可信度，再利用数据连路层和TCP层的ACK数据包对信任进行更新。

发明内容

本发明所要解决的技术问题是：在随机部署的水声传感器网络中，根据传感器节点之间的信息交互计算通信链路、传输数据以及传感器节点的信任值，建立时间衰减函数对通信链路、传输数据的信任值进行更新，并根据水流的影响对传感器节点的信任值给予动态更新。

为了达到上述目的，本发明是通过以下技术方案实现的：

一种建立水下传感器网络中多维度信任模型的方法：包括以下步骤：

步骤一：初始信任值计算。信任模型的建立过程中，首先基于水环境的动态特性建立滑动时间窗机制[Δt₁,Δt₂,...,Δt_n]，时间窗的大小可根据具体的水环境应用进行动态调整；在每个时间窗Δt_i中，根据水声信道模型，计算相互通信的传感器节点之间的链路信任值T_link、数据信任值T_data以及节点信任值T_node，信任值由[0,1]之间的数字表示，信任值大于0.5表示可信，小于0.5表示不可信；

步骤二：中间信任值计算。根据链路信任、数据信任、节点信任三者之间的逻辑关系，基于模糊逻辑方法，在步骤一的链路信任值T_link、数据信任值T_data以及节点信任值T_node的基础上，分别计算链路中间信任值T_inter-l、数据中间信任值T_inter-d以及节点中间信任值T_inter-n；

步骤三：信任值更新。考虑水流因素的影响，节点运动到新的位置允许信任迁移，建立时间衰减函数，并根据所述步骤二计算出的链路中间信任值T_inter-l、数据中间信任值T_inter-d以及节点中间信任值T_inter-n，分别更新所述步骤一中计算出的链路信任值T_link、数据信任值T_data以及节点信任值T_node。

上述步骤一中，通信链路信任值的计算方法如下：

(2-1)计算链路传输的错误率。首先根据水声信道模型，可以得到信道信噪比SNR和误比特率P_ber；在不考虑信道干扰的情况下，可以获得链路传输错误率为P_per＝1-(1-P_ber)ⁿ，其中n是每个数据包中的bit数。而当存在信道干扰时，可采用前向纠错编码进行差错控制，此时获得的链路传输错误率为P_per＝1-(1-P_bler)^m，其中P_bler是分组错误率，m是数据包中的有效负载长度，其中l_b是分组长度，l_c是可纠错的bit位数；

(2-2)计算链路传输的丢包率。链路是否能够成功传输一个数据包用参数ω表示，成功传输一个数据包标示为1，否则标示为0，在一个时间窗Δt_i内，链路成功或者失败传输数据包的情况可以记录为link＝(1,0,1,1...0,1,0)，即link＝(ω₁,ω₂,...ω_n)。可以直接获得链路传输的丢包率为但是当两条链路出现link₁＝(0,0,1,1,1)和link₁＝(1,1,1,0,0)的情况时，计算出的两条链路的丢包情况相同，但是实际上link₁更加可靠，因为在邻近当前时刻link₂的丢包情况更加严重。因此，给每个参数ω(i)都重新定义权重值为w(i)＝i，并将其归一化处理得到链路传输的丢包率为在水声网络中，数据丢包不仅仅是由于不稳定通信链路造成的，还可能是恶意节点产生的恶意攻击行为造成的，例如自私节点发起的丢包行为，或者恶意节点通过选择性转发攻击发起的数据包丢弃行为。同时，可以通过ARIMA(自回归积分滑动平均模型，Autoregressive Integrated Moving Average Model，简记ARIMA)等预测模型对链路丢包率进行实时预测，避免恶意节点的影响；

(2-3)评估链路质量。根据(2-1)和(2-2)中链路传输的错误率和丢包率，在时间窗Δt_i内，可以得到链路质量LQ(i)的计算为LQ(i)＝(1-P_per)×P_plr；

(2-4)评估链路能力。链路能力与链路的使用频率相关，被使用次数越多的链路相应的链路能力越强，该链路也更加可靠。因此，在时间窗Δt_i内，将链路能力LC(i)定义为 $\mathrm{LC}\left(i\right)=\left\{\begin{array}{c}\frac{n_{\mathrm{use}}\left(i\right)}{N_{\mathrm{use}}\left(i\right)},\mathrm{if}|n_{\mathrm{use}}\left(i\right)-n_{\mathrm{use}}(i-1)|\≤\mathrm{\θ}\\ \mathrm{LC}(i-1),\mathrm{otherwise}\end{array}\right..$ 其中，n_use(i)是在时间窗Δt_i内链路被使用的次数，n_use(i-1)是在前一个时间窗内链路被使用的次数，N_use(i)是链路的最大可能被使用次数，为了避免恶意节点过度使用链路来提高链路能力，定义约束条件为|n_use(i)-n_use(i-1)|≤θ，当链路在两个相邻时间窗内的被使用次数不超过一定的阈值时，将链路能力定义为反之，如果链路在两个相邻时间窗内的被使用次数相差较大，链路能力的评估将不做更新，LC(i)＝LC(i-1)；

(2-5)计算链路信任值T_link。根据(2-3)和(2-4)中评估的链路质量和链路能力，可以得到链路信任值T_link的计算为当链路质量较差，即LQ＜0.5时，即使链路能力很强，该链路也被认为是不可信的，链路信任值定义为LQ×LC，例如链路质量较差为LQ＝0.4，链路能力较强为LC＝0.8，此时链路信任值为T_link＝LQ×LC＝0.4×0.8＝0.32，但是，当链路质量较好，即LQ≥0.5时，将链路质量定义为LQ×LC并不合理，例如当链路质量较好为LQ＝0.6，链路能力较强为LC＝0.8时，该链路应该是可信的，但是计算出的链路信任为T_link＝LQ×LC＝0.6×0.8＝0.48，该定义得到的链路并不可信(0.48＜0.5)，因此当链路质量较好时，重新定义链路信任的计算为：T_link＝0.5+(LQ-0.5)×LC，此时获得链路信任值为T_link＝0.5+(LQ-0.5)×LC＝0.58＞0.5，则判断出该链路是可信的。

上述步骤一中，数据信任值的计算方法如下：

(3-1)计算数据的可信度，邻居节点对同一事件的感知数据服从正态分布，感知数据的可信度T_data为， $T_{\mathrm{data}}=2(0.5-{\∫}_{\mathrm{\μ}}^{v_d}f\left(x\right)\mathrm{dx})=2{\∫}_{v_d}^{\∞}f\left(x\right)\mathrm{dx};$

其中v_d是感知数据值的大小，f(x)感知数据正态分布的密度函数，μ是均值；

(3-2)数据的信任值T_data由数据本身的可信度和该数据发送节点的信任程度共同决定，如果发送该数据的节点不可信，那么产生的数据也不可信，在由不可信节点参与的数据传输过程中，如果不事先对不可信数据进行剔除，将会引起数据平均值的较大偏差，从而影响数据信任的计算。因此，在根据(3-1)计算数据信任之前，需要先基于MAD规则(中位数绝对偏差Median AbsoluteDeviation median rule，简称MAD)对数据进行过滤，之后再平均得到数据均值，进而计算数据信任值。

上述步骤一中，节点信任值的计算方法如下：

(4-1)如果由节点a计算邻居节点b的信任值，那么节点a为请求节点，节点b为目标节点。首先定义参数Th_num为节点之间的通信阈值，如果节点a与b之间的历史通信次数大于阈值Th_num，则根据b的节点诚实度NH(Node Honesty)和节点能力NC(Node Competence)直接计算得到目标节点的信任值为 $T_{\mathrm{direct}}=\left\{\begin{array}{c}0.5+(\mathrm{NH}-0.5)\×\mathrm{NC},\mathrm{ifNH}\≥0.5\\ \mathrm{NH}\×\mathrm{NC},\mathrm{else}\end{array}\right.;$

(4-2)如果请求节点a与目标节点b之间的历史通信次数小于阈值Th_num，则请求节点a需要向二者共同的邻居节点c广播信任推荐请求包，将满足以下两个条件的邻居节点c定义为推荐节点：1)邻居节点c本身可信，即信任值大于0.5，2)目标节点与邻居节点c之间的通信链路可信，即链路信任值大于0.5。

由推荐节点c提供的关于目标节点b的信任值T_bc定义为推荐信任值。每个推荐节点提供的推荐信任值都是不一样的，而且，并不是所有推荐节点提供的推荐信任值都是可信的，因此定义推荐信任值的可靠性T_rel对其是否可信进行判别，其中T_ave是所有推荐信任值的平均值。根据推荐节点提供的推荐信任值及其可靠性，得到节点的推荐信任为

(4-3)最终得到节点信任的计算为其中s_new是成功传输数据包的次数，假设节点中记录的成功和失败传输数据包的次数分别为s和f，其中数据包的丢失可能是由不稳定水声链路或者恶意节点造成的，而在(2-2)中计算出的由于不稳定链路导致的丢包率为P_plr，因而得到更新后的数据包成功传输的次数为w_direct和w_recom分别是直接信任和推荐信任的权重值，满足w_direct∈[0,1]，w_recom∈[0,1]，w_direct+w_recom＝1；

上述步骤二中，中间信任值的计算方法如下：

(5-1)信任模糊化。利用模糊逻辑方法，计算链路中间信任值T_inter-l、数据中间信任值T_inter-d和节点中间信任值T_inter-n，首先将信任值划分为五个模糊集，1完全不可信(trustvalue∈[0,0.25))，2不太可信(trustvalue∈[0.25,0.5))，3不确定(trustvalue＝0.5)，4比较可信(trustvalue∈(0.5,0.75])，5完全可信(trustvalue∈(0.75,1])；

(5-2)模糊逻辑推理。建立模糊规则R，链路中间信任值T_inter-l根据数据信任值T_data和节点信任值T_node获得T_inter-l＝(T_node×T_data)°R，数据中间信任值T_inter-d根据链路信任值T_link和节点信任值T_node获得T_inter-d＝(T_node×T_link)°R，节点中间信任值T_inter-n根据链路信任值T_link和数据信任值T_data获得T_inter-n＝(T_link×T_data)°R。以链路中间信任值T_inter-l的计算为例，根据链路中间信任T_inter-l与数据信任T_data、节点信任T_node之间的模糊逻辑关系，建立其隶属度函数，并根据模糊规则R建立映射函数T_inter-d＝(T_node×T_link)°R；

(5-3)精确化计算。对(5-2)中得到的T_inter-d进行反模糊化可以得到精确的链路中间信任值，用同样的方法可以获得数据中间信任值T_inter-d和节点中间信任值T_inter-n。

上述步骤三中，更新信任值的计算方法如下：

(6-1)建立时间衰减函数ω_decay＝exp(-δ×(t-t₀))，其中δ是衰减因子，t是当前时刻，t₀是上一次信任计算的时刻。

(6-2)链路信任值更新为T_link(i)＝ω_decayT_link(i-1)+(1-ω_decay)T_inter-l，其中T_link(i-1)是在上一个时间窗口中计算出的链路信任。

(6-3)数据信任值更新为T_data(i)＝ω_decayT_data(i-1)+(1-ω_decay)T_inter-d，其中T_data(i-1)是在上一个时间窗口中计算出的数据信任。

(6-4)节点信任值更新。由于受水流的影响，传感器节点是运动的，因此，在对节点信任值进行更新时需要考虑以下情况。在当前时间窗口内，目标节点b在可能随水流运动出邻居节点a的通信范围，在下一个时刻到达新的位置，成为节点c的新邻居，并有可能在未来某一个时刻继续随水流运动回节点a的通信范围内。目标节点b相对于c节点是新邻居节点，但是相对于a节点是旧邻居节点。因此，首先考虑新邻居节点的信任更新问题，由于目标节点b并非是网络中的新加入节点，因此目标节点b内的信任值可发生迁移。信任值的迁移特性为，如果c节点信任b节点，b节点信任a节点，那么c节点也认为a节点是可信的。因此，如果节点c认为节点a是可信的，那么在上一个是将窗口内由节点a计算出的关于节点b的信任值可以进行迁移，并在当前时刻由节点c更新邻居节点b的信任值；

其次，考虑旧邻居节点的信任更新问题，由于节点a和节点b有过通信历史，之前的历史信任可以重新被利用，但是在中间一段时间间隔内，节点a和节点b之间彼此中断了通信，因此，需要对时间衰减函数进行重新定义。首先，定义节点a和节点b之间的熟知度为其中n_ab是节点a和节点b成功通信的次数，n_a是节点a与所有邻居节点通信的次数，β是通信次数的调节因子，因此，将时间衰减函数重新定义为ω_decay＝exp(-δ×(t-t₀)×(1-RM))，节点信任值更新为T_node(i)＝ω_decayT_node(i-1)+(1-ω_decay)T_inter-n，其中T_node(i-1)是在上一个时间窗口中计算出的节点信任值。

通过采用上述技术手段，本发明的有益效果为：通过对通信链路、传输数据和传感器节点的信任计算，本发明能够在复杂的水下环境中有效提高网络的安全性；根据水声信道模型、信号调制方式和差错控制策略建立通信链路信任，可以有效评估不稳定水声链路的工作性能；基于邻居节点感知数据相似度的特性进行数据信任的计算，计算方法简单有效，在通信频繁的水声网络中有效降低了算法复杂度，并提高了数据信任计算的效率和准确度；基于链路信任和数据信任的计算，通过对节点中间信任值的评估，并结合动态的水流环境，使得节点信任计算的精度更高、更新更及时，具有广泛的应用价值。

附图说明

图1为本发明建立水声传感器网络中多维度信任模型的示意图；

图2为本发明链路质量评估的示意图；

图3为本发明水环境中传感器节点随水流运动示意图。

具体实施方式

以下结合附图及实施例对本发明作进一步的详细说明。

如图1所示，一种建立水下传感器网络中多维度信任模型的方法，其步骤包括：

步骤一：初始信任值计算。信任模型的建立过程中，首先基于水环境的动态特性建立滑动时间窗机制[Δt₁,Δt₂,...,Δt_n]，时间窗的大小可根据具体的水环境应用进行动态调整；在每个时间窗Δt_i中，根据水声信道模型，计算相互通信的传感器节点之间的链路信任值T_link、数据信任值T_data以及节点信任值T_node，信任值由[0,1]之间的数字表示，信任值大于0.5表示可信，小于0.5表示不可信，具体的计算步骤如下：

首先，计算链路信任值，计算方法如下：

(2-1)计算链路传输的错误率。首先根据水声信道模型，可以得到信道信噪比SNR和误比特率P_ber。在不考虑信道干扰的情况下，可以获得链路传输错误率为P_per＝1-(1-P_ber)ⁿ，其中n是每个数据包中的bit数。而当存在信道干扰时，可采用前向纠错编码进行差错控制，此时获得的链路传输错误率为P_per＝1-(1-P_bler)^m，其中P_bler是分组错误率，m是数据包中的有效负载长度，其中l_b是分组长度，l_c是可纠错的bit位数；

(2-2)计算链路传输的丢包率。链路是否能够成功传输一个数据包用参数ω表示，成功传输一个数据包标示为1，否则标示为0，在；一个时间窗Δt_i内，链路成功或者失败传输数据包的情况可以记录为link＝(1,0,1,1...0,1,0)，即link＝(ω₁,ω₂,...ω_n)。可以直接获得链路传输的丢包率为但是当两条链路出现link₁＝(0,0,1,1,1)和link₁＝(1,1,1,0,0)的情况时，计算出的两条链路的丢包情况相同，但是实际上link₁更加可靠，因为在邻近当前时刻link₂的丢包情况更加严重。因此，给每个参数ω(i)都重新定义权重值为w(i)＝i，并将其归一化处理得到链路传输的丢包率为在水声网络中，数据丢包不仅仅是由于不稳定通信链路造成的，还可能是恶意节点产生的恶意攻击行为造成的，例如自私节点发起的丢包行为，或者恶意节点通过选择性转发攻击发起的数据包丢弃行为，同时，可以通过ARIMA(自回归积分滑动平均模型，Autoregressive Integrated Moving Average Model，简记ARIMA)等预测模型对链路丢包率进行实时预测，避免恶意节点的影响；

(2-3)评估链路质量。如图2所示，根据(2-1)和(2-2)中计算出链路传输的错误率和丢包率，在时间窗Δt_i内，可以得到链路质量LQ(i)的计算为LQ(i)＝(1-P_per)×P_prr；

(2-4)评估链路能力。链路能力与链路的使用频率相关，被使用次数越多的链路相应的链路能力越强，该链路也更加可靠。因此，在时间窗Δt_i内，将链路能力LC(i)定义为 $\mathrm{LC}\left(i\right)=\left\{\begin{array}{c}\frac{n_{\mathrm{use}}\left(i\right)}{N_{\mathrm{use}}\left(i\right)},\mathrm{if}|n_{\mathrm{use}}\left(i\right)-n_{\mathrm{use}}(i-1)|\≤\mathrm{\θ}\\ \mathrm{LC}(i-1),\mathrm{otherwise}\end{array}\right..$ 其中，n_use(i)是在时间窗Δt_i内链路被使用的次数，n_use(i-1)是在前一个时间窗内链路被使用的次数，N_use(i)是链路的最大可能被使用次数。为了避免恶意节点过度使用链路来提高链路能力，定义约束条件为|n_use(i)-n_use(i-1)|≤θ，当链路在两个相邻时间窗内的被使用次数不超过一定的阈值时，将链路能力定义为反之，如果链路在两个相邻时间窗内的被使用次数相差较大，链路能力的评估将不做更新，LC(i)＝LC(i-1)；

(2-5)计算链路信任值T_link。根据(2-3)和(2-4)中评估的链路质量和链路能力，可以得到链路信任值T_link的计算为当链路质量较差，即LQ＜0.5时，即使链路能力很强，该链路也被认为是不可信的，链路信任值定义为LQ×LC，例如链路质量较差为LQ＝0.4，链路能力较强为LC＝0.8，此时链路信任值为T_link＝LQ×LC＝0.4×0.8＝0.32，但是，当链路质量较好，即LQ≥0.5时，将链路质量定义为LQ×LC并不合理，例如当链路质量较好为LQ＝0.6，链路能力较强为LC＝0.8时，该链路应该是可信的，但是计算出的链路信任为T_link＝LQ×LC＝0.6×0.8＝0.48，该定义得到的链路并不可信(0.48＜0.5)，因此当链路质量较好时，重新定义链路信任的计算为：T_link＝0.5+(LQ-0.5)×LC，此时获得链路信任值为T_link＝0.5+(LQ-0.5)×LC＝0.58＞0.5，则判断出该链路是可信的。

其次，计算数据信任值，其计算方法如下：

(3-1)计算数据的可信度，一般情况下，邻居节点对同一事件的感知数据服从正态分布，感知数据的可信度T_data为， $T_{\mathrm{data}}=2(0.5-{\∫}_{\mathrm{\μ}}^{v_d}f\left(x\right)\mathrm{dx})=2{\∫}_{v_d}^{\∞}f\left(x\right)\mathrm{dx};$

其中v_d是感知数据值的大小，f(x)感知数据正态分布的密度函数，μ是均值；

(3-2)数据的信任值T_data由数据本身的可信度和该数据发送节点的信任程度共同决定，如果发送该数据的节点不可信，那么产生的数据也不可信，在由不可信节点参与的数据传输过程中，如果不事先对不可信数据进行剔除，将会引起数据平均值的较大偏差，从而影响数据信任的计算。因此，在根据(3-1)计算数据信任之前，需要先基于MAD规则(中位数绝对偏差Median AbsoluteDeviation median rule，简称MAD)对数据进行过滤，之后再平均得到数据均值，进而计算数据信任值。

最后，计算节点信任值，其计算方法如下：

(4-1)如果由节点a计算邻居节点b的信任值，那么节点a为请求节点，节点b为目标节点。首先定义参数Th_num为节点之间的通信阈值，如果节点a与b之间的历史通信次数大于阈值Th_num，则根据b的节点诚实度NH(Node Honesty)和节点能力NC(Node Competence)直接计算得到目标节点的信任值为 $T_{\mathrm{direct}}=\left\{\begin{array}{c}0.5+(\mathrm{NH}-0.5)\×\mathrm{NC},\mathrm{ifNH}\≥0.5\\ \mathrm{NH}\×\mathrm{NC},\mathrm{else}\end{array}\right.;$

(4-2)如果请求节点a与目标节点b之间的历史通信次数小于阈值Th_num，则请求节点a需要向二者共同的邻居节点c广播信任推荐请求包，将满足以下两个条件的邻居节点c定义为推荐节点：1)邻居节点c本身可信，即信任值大于0.5，2)目标节点与邻居节点c之间的通信链路可信，即链路信任值大于0.5。

由推荐节点c提供的关于目标节点b的信任值T_bc定义为推荐信任值。每个推荐节点提供的推荐信任值都是不一样的，而且，并不是所有推荐节点提供的推荐信任值都是可信的，因此定义推荐信任值的可靠性T_rel对其是否可信进行判别，其中T_ave是所有推荐信任值的平均值。根据推荐节点提供的推荐信任值及其可靠性，得到节点的推荐信任为

(4-3)最终得到节点信任的计算为其中s_new是成功传输数据包的次数，假设节点中记录的成功和失败传输数据包的次数分别为s和f，其中数据包的丢失可能是由不稳定水声链路或者恶意节点造成的，而在(2-2)中计算出的由于不稳定链路导致的丢包率为P_plr，因而得到更新后的数据包成功传输的次数为w_direct和w_recom分别是直接信任和推荐信任的权重值，满足w_direct∈[0,1]，w_recom∈[0,1]，w_direct+w_recom＝1；

步骤二：中间信任值计算。根据链路信任、数据信任、节点信任三者之间的逻辑关系，基于模糊逻辑方法，在步骤一的链路信任值T_link、数据信任值T_data以及节点信任值T_node的基础上，分别计算链路中间信任值T_inter-l、数据中间信任值T_inter-d以及节点中间信任值T_inter-n；

中间信任值的具体计算方法如下：

(1)信任模糊化。利用模糊逻辑方法，计算链路中间信任值T_inter-l、数据中间信任值T_inter-d和节点中间信任值T_inter-n，首先将信任值划分为五个模糊集，1完全不可信(trustvalue∈[0,0.25))，2不太可信(trustvalue∈[0.25,0.5))，3不确定(trustvalue＝0.5)，4比较可信(trustvalue∈(0.5,0.75])，5完全可信(trustvalue∈(0.75,1])；

(2)模糊逻辑推理。建立模糊规则R，如下表所示，链路中间信任值T_inter-l根据数据信任值T_data和节点信任值T_node获得T_inter-l＝(T_node×T_data)°R，数据中间信任值T_inter-d根据链路信任值T_link和节点信任值T_node获得T_inter-d＝(T_node×T_link)°R，节点中间信任值T_inter-n根据链路信任值T_link和数据信任值T_data获得T_inter-n＝(T_link×T_data)°R。以链路中间信任值T_inter-l的计算为例，如表1(a)所示，根据链路中间信任T_inter-l与数据信任T_data、节点信任T_node之间的模糊逻辑关系，建立其隶属度函数，并根据模糊规则R建立映射函数T_inter-d＝(T_node×T_link)°R。同样，可以建立数据中间信任T_inter-d与节点信任T_node、链路信任T_link之间的模糊逻辑关系如表1(b)所示，建立节点中间信任T_inter-n与链路信任T_link、数据信任T_data之间的模糊逻辑关系如表1(c)所示。

(a)基于数据信任和节点信任的链路中间信任

(b)基于链路信任和节点信任的数据中间信任

(c)基于链路信任和数据信任的节点中间信任

表1链路信任、数据信任和节点信任三者之间的逻辑关系示意图

(3)精确化计算。对(5-2)中得到的T_inter-d进行发模糊化可以得到精确的链路中间信任值，用同样的方法可以获得数据中间信任值T_inter-d和节点中间信任值T_inter-n。

步骤三：信任值更新。考虑水流因素的影响，节点运动到新的位置允许信任迁移，建立时间衰减函数，并根据所述步骤二计算出的链路中间信任值T_inter-l、数据中间信任值T_inter-d以及节点中间信任值T_inter-n，分别更新所述步骤一中计算出的链路信任值T_link、数据信任值T_data以及节点信任值T_node。

更新信任值的具体方法如下：

(1)建立时间衰减函数ω_decay＝exp(-δ×(t-t₀))，其中δ是衰减因子，t是当前时刻，t₀是上一次信任计算的时刻。

(2)链路信任值更新为T_link(i)＝ω_decayT_link(i-1)+(1-ω_decay)T_inter-l，其中T_link(i-1)是在上一个时间窗口中计算出的链路信任。

(3)数据信任值更新为T_data(i)＝ω_decayT_data(i-1)+(1-ω_decay)T_inter-d，其中T_data(i-1)是在上一个时间窗口中计算出的数据信任。

(4)节点信任值更新。由于受水流的影响，传感器节点是运动的，因此，在对节点信任值进行更新时需要考虑以下情况。如图4所示，在当前时间窗口内，目标节点b在可能随水流运动出邻居节点a的通信范围，在下一个时刻到达新的位置，成为节点c的新邻居，并有可能在未来某一个时刻继续随水流运动回节点a的通信范围内。目标节点b相对于c节点是新邻居节点，但是相对于a节点是旧邻居节点。因此，首先考虑新邻居节点的信任更新问题，由于目标节点b并非是网络中的新加入节点，因此目标节点b内的信任值可发生迁移，信任值的迁移特性为，如果c节点信任b节点，b节点信任a节点，那么c节点也认为a节点是可信的。因此，如果节点c认为节点a是可信的，那么在上一个时间窗口内由节点a计算出的节点b的信任值可以进行迁移，并在当前时刻由节点c更新邻居节点b的信任值为；

其次，考虑旧邻居节点的信任更新问题，由于节点a和节点b有过通信历史，之前的历史信任可以重新被利用，但是在中间一段时间间隔内，节点a和节点b之间彼此中断了通信，因此，需要对时间衰减函数进行重新定义。首先，定义节点a和节点b之间的熟知度为其中n_ab是节点a和节点b成功通信的次数，n_a是节点a与所有邻居节点通信的次数，β是通信次数的调节因子，因此，将时间衰减函数重新定义为ω_decay＝exp(-δ×(t-t₀)×(1-RM))，节点信任值更新为T_node(i)＝ω_decayT_node(i-1)+(1-ω_decay)T_inter-n，其中T_node(i-1)是在上一个时间窗口中计算出的节点信任。

Claims (6)

1.一种建立水下传感器网络中多维度信任模型的方法，其特征在于：包括以下步骤： 

步骤一：初始信任值计算 

信任模型的建立过程中，首先基于水环境的动态特性建立滑动时间窗机制[Δt₁，Δt₂，...，Δt_n]，时间窗的大小可根据具体的水环境应用进行动态调整；在每个时间窗Δt_i中，根据水声信道模型，计算相互通信的传感器节点之间的链路信任值T_link、数据信任值T_data以及节点信任值T_node，信任值由[0，1]之间的数字表示，信任值大于0.5表示可信，小于0.5表示不可信； 

步骤二：中间信任值计算 

根据链路信任、数据信任、节点信任三者之间的逻辑关系，基于模糊逻辑方法，在步骤一的链路信任值T_link、数据信任值T_data以及节点信任值T_node的基础上，分别计算链路中间信任值T_inter-l、数据中间信任值T_inter-d以及节点中间信任值T_inter-n； 

步骤三：信任值更新 

考虑水流因素的影响，节点运动到新的位置允许信任迁移，建立时间衰减函数，并根据所述步骤二计算出的链路中间信任值T_inter-l、数据中间信任值T_inter-d以及节点中间信任值T_inter-n，分别更新所述步骤一中计算出的链路信任值T_link、数据信任值T_data以及节点信任值T_node。 

2.根据权利要求1所述的一一种建立水下传感器网络中多维度信任模型的方法，其特征在于：所述步骤一中，通信链路信任值的计算方法如下： 

(2-1)计算链路传输的错误率 

首先根据水声信道模型，可以得到信道信噪比SNR和误比特率P_ber；在不考 虑信道干扰的情况下，获得链路传输错误率为P_per＝1一(1-P_ber)ⁿ，其中n是每个数据包中的bit数；而当存在信道干扰时，可采用前向纠错编码进行差错控制，此时获得的链路传输错误率为P_per＝1-(1-P_bler)^m，其中P_bler是分组错误率，m是数据包中的有效负载长度，其中l_b是分组长度，l_c是可纠错的bit位数； 

(2-2)计算链路传输的丢包率 

链路是否能够成功传输一个数据包用参数ω表示，成功传输一个数据包标示为1，否则标示为0，在一个时间窗Δt_i内，链路成功或者失败传输数据包的情况记录为link＝(1，0，1，1...0，1，0)，即link＝(ω₁，ω₂，...ω_n)；直接获得链路传输的丢包率为给每个参数ω(i)定义权重值为w(i)＝i，并将其归一化处理得到 链路传输的丢包率为同时通过ARIMA预测模型对链路丢包率进行实时预测，避免恶意节点的影响； 

(2-3)评估链路质量 

根据(2-1)和(2-2)中链路传输的错误率和丢包率，在时间窗Δt_i内，可以得到链路质量LQ(i)的计算为LQ(i)＝(1一P_per)×P_plr； 

(2-4)评估链路能力 

在时间窗Δt_i内，将链路能力LC(i)定义为 其中，n_use(i)是在时间窗Δt_i内链路被使用的次数，n_use(i-1)是在前一个时间窗内链路被使用的次数，N_use(i)是链路的 最大可能被使用次数，为了避免恶意节点过度使用链路来提高链路能力，定义约束条件为|n_use(i)-nuse(i-1)|≤θ，当链路在两个相邻时间窗内的被使用次数不超过一定的阈值时，将链路能力定义为反之，如果链路在两个相邻时间窗内的被使用次数相差较大，链路能力的评估将不做更新，LC(i)＝LC(i-1)； 

(2-5)计算链路信任值T_link

根据(2-3)和(2-4)中评估的链路质量和链路能力，得到链路信任值T_link的计算为即当链路质量较差，即时，即使链路能力很强，该链路也被认为是不可信的，链路信任值定义为LQ×LC，当链路质量较好，即LQ≥0.5时，定义链路信任的计算为：T_link＝0.5+(LQ一0.5)×LC。 

3.根据权利要求1所述的一种建立水下传感器网络中多维度信任模型的方法，其特征在于：所述步骤一中，数据信任值的计算方法如下： 

(3-1)计算数据的可信度，邻居节点对同一事件的感知数据服从正态分布，感知数据的可信度T_data为，

其中v_d是感知数据值的大小，f(x)感知数据正态分布的密度函数，μ是均值； 

(3-2)在根据(3-1)计算数据信任之前，先基于MAD规则对数据进行过滤，之后再平均得到数据均值，进而计算数据信任值。 

4.根据权利要求1所述的一种建立水下传感器网络中多维度信任模型的方法，其特征在于：所述步骤一中，节点信任值的计算方法如下： 

(4-1)如果由节点a计算邻居节点b的信任值，那么节点a为请求节点，节 点b为目标节点Th_num；首先定义参数Th_num为节点之间的通信阈值，如果节点a与b之间的历史通信次数大于阈值Th_num，则根据b的节点诚实度NH和节点能力NC直接计算得到目标节点的信任值为 

(4-2)如果请求节点a与目标节点b之间的历史通信次数小于阈值Th_num，则请求节点a需要向二者共同的邻居节点c广播信任推荐请求包，将满足以下两个条件的邻居节点c定义为推荐节点：1)邻居节点c本身可信，即信任值大于0.5，2)目标节点与邻居节点c之间的通信链路可信，即链路信任值大于0.5； 

由推荐节点c提供的关于目标节点b的信任值T_bc定义为推荐信任值，定义推荐信任值的可靠性T_rel对其是否可信进行判别，其中T_ave是所有推荐信任值的平均值；根据推荐节点提供的推荐信任值及其可靠性，得到节点的推荐信任为

(4-3)最终得到节点信任的计算为其中s_new是成功传输数据包的次数，假设节点中记录的成功和失败传输数据包的次数分别为s和f，其中数据包的丢失可能是由不稳定水声链路或者恶意节点造成的，而在(2-2)中计算出的由于不稳定链路导致的丢包率为P_plr，因而得到更新后的数据包成功传输的次数为w_direct和w_recom分别是直接信任和推荐信任的权重值，满足w_direct∈[0，1]，w_recom∈[0，1]，w_direct+w_recom＝1。 

5.根据权利要求1所述的一种建立水下传感器网络中多维度信任模型的方法，其特征在于：所述步骤二中，中间信任值的计算方法如下： 

(5-1)信任模糊化 

利用模糊逻辑方法，计算链路中间信任值T_inter-l、数据中间信任值T_inter-d和节点中间信任值T_inter-n，首先将信任值划分为五个模糊集，1完全不可信，trustvalue∈[0，0.25)，2不太可信，trustvalue∈[0.25，0.5)，3不确定，trustvalue＝0.5，4比较可信，trustvalue∈(0.5，0.75]，5完全可信，trustvalue∈(0.75，1]； 

(5-2)模糊逻辑推理 

建立模糊规则R，链路中间信任值T_inter-l根据数据信任值T_data和节点信任值T_node获得T_inter-l＝(T_node×T_data)οR，数据中间信任值T_inter-d根据链路信任值T_link和节点信任值T_node获得T_inter-d＝(T_node×T_link)οR，节点中间信任值T_inter-n根据链路信任值T_link和数据信任值T_data获得T_inter-n＝(T_link×T_data)οR； 

(5-3)精确化计算 

对(5-2)中得到的T_inter-d进行反模糊化可以得到精确的链路中间信任值，用同样的方法可以获得数据中间信任值T_inter-d和节点中间信任值T_inter-n。 

6.根据权利要求1所述的一种建立水下传感器网络中多维度信任模型的方法，其特征在于：所述步骤三中，更新信任值的计算方法如下： 

(6-1)建立时间衰减函数ω_decay＝exp(-δ×(t-t₀))，其中δ是衰减因子，t是当前时刻，t₀是上一次信任计算的时刻； 

(6-2)链路信任值更新为T_link(i)＝ω_decayT_link(i-1)+(1-ω_decay)T_inter-l，其中T_link(i-1)是在上一个时间窗口中计算出的链路信任； 

(6-3)数据信任值更新为T_data(i)＝ω_decayT_data(i-1)+(1-ω_decay)T_inter-d，其中T_data(i-1)是在上一个时间窗口中计算出的数据信任； 

(6-4)节点信任值更新 

对时间衰减函数进行重新定义；首先，定义节点a和节点b之间的熟知度为 其中n_ab是节点a和节点b成功通信的次数，n_a是节点a与所有邻居节点通信的次数，β是通信次数的调节因子，将时间衰减函数重新定义为 

ω_decay＝exp(-δ×(t-t₀)×(1-RM))， 

节点信任值更新为T_node(i)＝ω_decayT_node(i-1)+(1-ω_decay)T_inter-n，其中T_node(i-1)是在上一个时间窗口中计算出的节点信任值。