CN106412912B - 一种面向车联网的节点信任评估方法 - Google Patents
一种面向车联网的节点信任评估方法 Download PDFInfo
- Publication number
- CN106412912B CN106412912B CN201610460535.6A CN201610460535A CN106412912B CN 106412912 B CN106412912 B CN 106412912B CN 201610460535 A CN201610460535 A CN 201610460535A CN 106412912 B CN106412912 B CN 106412912B
- Authority
- CN
- China
- Prior art keywords
- mrow
- node
- msub
- destination node
- degree
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/12—Detection or prevention of fraud
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明一种面向车联网的节点信任评估方法包括,步骤1,在面向车联网中,计算发送节点i对目标节点j的直接可信程度;步骤2,计算目标节点j的间接信任度;步骤3,计算目标节点j的全局信任度;依据已获得的对目标节点j的直接信任度和间接信任度,采用C‑F模型对目标节点j的可信程度进行全面评估,获取其全局信任度。本发明所述方法基于不确定性理论,采用C‑F模型分别对车联网中车辆节点的直接信任度和推荐信任度进行计算,提高了节点信任度评估的准确性;同时为了避免摒弃恶意或自私节点的不客观反馈产生的推荐信任度失真问题,采用模糊C‑means算法对推荐信任度信息进行过滤,有效提高了节点信任度评估的准确率。
Description
技术领域
本发明涉及车联网安全技术领域,具体为一种面向车联网的节点信任评估方法。
背景技术
车联网的安全涉及车辆节点隐私保护、可信路由、节点信任等多个方面。车辆节点的信任度是车联网进行可信信息传输的前提和基础,车辆节点的可信研究也是车联网安全研究领域的热点。《面向VANET的声誉模型研究》(发表于《小型微型计算机系统》2013,34(2):233-237)中提出了一种节点声誉评估模型,对车辆节点的声誉进行量化计算评估,该模型是假设存在一个中心证书管理机构和若干权威节点的前提下进行计算,但是现实的车联网具有网络结构分布式、开放式的特点,网络拓扑呈现动态变化,因此这种模型在真实车联网中难以实现。
发明内容
针对现有技术中存在的问题,本发明提供一种面向车联网的节点信任评估方法,依据车联网分布式结构的特点,对节点的信任度进行获取,方法简单,客观全面,能够有效提高整个车联网的转发率。
本发明是通过以下技术方案来实现:
一种面向车联网的节点信任评估方法,包括如下步骤,
步骤1,在面向车联网中,计算发送节点i对目标节点j的直接可信程度;根据节点i对目标节点j历史通信记录,依据C-F模型得到不确定性推理规则;根据不确定性推理规则得到节点i对目标节点j的直接信任度;
步骤2,计算目标节点j的间接信任度;
2.1通过发送节点i向邻居节点u发送请求数据包,请求邻居节点u对目标节点j的可信程度进行反馈;
2.2邻居节点u收到该请求数据包,如果与目标节点j有过通信交互行为,则邻居节点u依据步骤1计算其对目标节点j的直接信任度ru,j,并发送回复数据包,否则将丢弃该请求数据包;
2.3建立数据集合D1,将所有回复数据包中包含的邻居节点u对目标节点j的直接信任度ru,j放入数据集合D1中;
2.4对数据集合D1进行过滤得到数据集合D2,对数据集合D2中的数据应用模糊C-means算法,最终获得数据集合D3;
2.5采用C-F模型,对数据集合D3进行计算,获得目标节点j的间接信任度;
步骤3,计算目标节点j的全局信任度;依据已获得的对目标节点j的直接信任度和间接信任度,采用C-F模型对目标节点j的可信程度进行全面评估,获取其全局信任度。
优选的,C-F模型为基于不确定性推理的信任度计算C-F模型,应用C-F模型表示车联网节点信任度的产生式规则如下:
CF(H)=CF(H,E)×{0,CF(E)};
其中,证据E表示发送节点i对目标节点的通信行为进行了直接观测,H表示依据证据E得出的结论;CF(E)表示证据E的可信度,CF(H)表示结论的可信度,CF(H,E)表示该规则的可信程度。
进一步,步骤1中,依据C-F模型得到不确定性推理规则如下式:
其中,Ei,j表示节点i对目标节点j的行为直接观测,ni,j表示节点i与目标节点j通信行为的历史次数,ai,j表示目标节点j的合作行为次数。
进一步,步骤1中,不确定性推理规则,计算节点i对目标节点j的直接信任度DBi,j如下:
进一步,2.4中,对数据集合D1进行过滤得到数据集合D2时,设置阈值Y,检测D1中的数据,如果ru,j大于Y,则将ru,j放入数据集合D2中,否则将ru,j丢弃。
进一步,2.5中,采用C-F模型,对数据集合D3进行计算,获得目标节点j的间接信任度如下:
其中,IBi,j表示节点i对目标节点j的间接信任度,p表示数据集合D3中ru,j大于0的个数,q表示ru,j小于或者等于0的个数。
进一步,步骤3中获取的目标节点j的全局信任度如下:
Ri,j=DBi,j×α+IBi,j×β;
其中,Ri,j为节点i对目标节点j的全局信任度,α和β为权重参数,且α+β=1。
进一步,能够依据网络现状对权重参数α和β进行调整。
与现有技术相比,本发明具有以下有益的技术效果:
本发明所述方法基于不确定性理论,建立了一种评估车辆网中车辆节点全局可信度的评估方法,采用C-F模型分别对车联网中车辆节点的直接信任度和推荐信任度进行计算,提高了节点信任度评估的准确性;同时为了避免摒弃恶意或自私节点的不客观反馈产生的推荐信任度失真问题,采用模糊C-means算法对推荐信任度信息进行过滤。该方法细粒度评估了车联网中车辆节点的可信度,有效提高了节点信任度评估的准确率。
附图说明
图1为本发明实例中所述算法的流程框图。
图2为本发明实例中进行验证时的网络吞吐量比较示意图。
图3为本发明实例中进行验证时的网络转发率比较示意图。
具体实施方式
下面结合具体的实施例对本发明做进一步的详细说明,所述是对本发明的解释而不是限定。
本发明一种面向车联网的节点信任评估方法,如图1所示,具体包括如下步骤,
步骤一:建立基于不确定性推理的信任度计算C-F模型。
本方法采用确定性理论进行信任度评估计算。该理论是Shortliffe等人提出的一种不确定性推理模型,具有简单、直观以及计算复杂度呈线性等特点。确定性理论采用可信度作为不确定性测度。采用可信度描述的不确定性推理的方法被称为C-F模型(CertaintyFactors)。
应用C-F模型进行节点的直接信任度计算;应用C-F模型表示车联网节点信任度的产生式规则如下:
CF(H)=CF(H,E)×{0,CF(E)};
其中,证据E表示发送节点i对目标节点的通信行为进行了直接观测,H表示依据证据E得出的结论。CF(E)表示证据E的可信度,CF(H)表示结论的可信度,CF(H,E)表示该规则的可信程度。
步骤二:发送节点i对目标节点j的直接可信程度评估计算。
发送节点i为了获取目标节点j的直接信任度,首先根据历史通信记录,计算该目标节点的直接信任度。
依据建立的C-F模型得到不确定性推理规则如下式:
其中,Ei,j表示节点i对目标节点j的行为直接观测,ni,j表示节点i与目标节点j通信行为的历史次数,ai,j表示目标节点j的合作行为次数。
依据该不确定性推理规则,可以计算节点i对目标节点j的直接信任度DBi,j如下:
步骤三:计算目标节点j的间接信任度。
(1)发送节点i向其邻居节点发送请求包,请求邻居节点对目标节点j的可信程度进行反馈。
(2)邻居节点u收到该请求数据包,如果与目标节点j有过通信交互行为,则邻居节点依据步骤二计算其对目标节点j的直接信任度ru,j,并发送回复数据包,否则将丢弃该请求数据包。
(3)建立数据集合D1,将所有回复数据包中包含的邻居节点对目标节点j的直接信任度ru,j放入D1中。
(4)为了摒弃恶意或自私节点的不客观反馈,设置阈值Y,检测D1中的数据,如果ru,j大于Y,则将ru,j放入数据集合D2中,否则将ru,j丢弃。
(5)对D2中的数据应用模糊C-means算法,最终获得数据集合D3。
(6)采用C-F模型,对数据集合D3进行计算,获得间接信任度:
其中,IBi,j表示节点i对目标节点j的间接信任度,p表示数据集合D3中ru,j大于0的个数,q表示ru,j小于或者等于0的个数。
步骤四:计算目标节点j的全局信任度。依据已获得的对目标节点j的直接信任度和间接信任度的评估,采用CF模型对目标节点j的可信程度进行全面评估,获取其全局信任度,计算过程如下:
Ri,j=DBi,j×α+IBi,j×β;
其中,Ri,j为节点i对目标节点j的全局信任度,α和β为权重参数,并设置α+β=1。在实验中,可以依据网络现状对权重参数进行调整。
本发明依据车联网分布式结构的特点,建立分布式的信任评估机制,采用直接信任度和间接信任度相结合的方法进行不确定性推理,获取节点的信任度。为了验证方法的有效性,采用NS-2建立实验模拟环境,车辆节点个数为280个,实验模拟区域2500m×2000m,传输范围为180m,车辆速度为40-65km/h,模拟时长为300分钟。图2中在恶意或自私节点分别占10%、25%、40%时,网络的吞吐量基本保持平衡状态,表明该方法用于路径选择后,能有效选取信任度高的节点,避免了恶意节点的影响。图3表明,采用全局信任度计算,网络的转发率最高,因为全局信任度相对单独的直接或间接信任度计算更全面客观的评价节点的可信度,评价结果更为准确,可以有效规避选取恶意节点转发数据包,因此提高了包的转发率。
Claims (2)
1.一种面向车联网的节点信任评估方法,其特征在于,包括如下步骤,
步骤1,在面向车联网中,计算发送节点i对目标节点j的直接可信程度;根据节点i对目标节点j历史通信记录,依据C-F模型得到不确定性推理规则;根据不确定性推理规则得到节点i对目标节点j的直接信任度;
步骤2,计算目标节点j的间接信任度;
2.1通过发送节点i向邻居节点u发送请求数据包,请求邻居节点u对目标节点j的可信程度进行反馈;
2.2邻居节点u收到该请求数据包,如果与目标节点j有过通信交互行为,则邻居节点u依据步骤1计算其对目标节点j的直接信任度ru,j,并发送回复数据包,否则将丢弃该请求数据包;
2.3建立数据集合D1,将所有回复数据包中包含的邻居节点u对目标节点j的直接信任度ru,j放入数据集合D1中;
2.4对数据集合D1进行过滤得到数据集合D2,对数据集合D2中的数据应用模糊C-means算法,最终获得数据集合D3;
2.5采用C-F模型,对数据集合D3进行计算,获得目标节点j的间接信任度;
步骤3,计算目标节点j的全局信任度;依据已获得的对目标节点j的直接信任度和间接信任度,采用C-F模型对目标节点j的可信程度进行全面评估,获取其全局信任度;
所述的C-F模型为基于不确定性推理的信任度计算C-F模型,应用C-F模型表示车联网节点信任度的产生式规则如下:
CF(H)==CF(H,E)×{0,CF(E)};
其中,证据E表示发送节点i对目标节点的通信行为进行了直接观测,H表示依据证据E得出的结论;CF(E)表示证据E的可信度,CF(H)表示结论的可信度,CF(H,E)表示该规则的可信程度;
步骤1中,依据C-F模型得到不确定性推理规则如下式:
<mrow>
<mi>C</mi>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>H</mi>
<mo>,</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>n</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mi>n</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
</mfrac>
</mrow>
其中,Ei,j表示节点i对目标节点j的行为直接观测,ni,j表示节点i与目标节点j通信行为的历史次数,ai,j表示目标节点j的合作行为次数;
步骤1中,根据不确定性推理规则,计算节点i对目标节点j的直接信任度DBi,j如下:
<mrow>
<msub>
<mi>DB</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>C</mi>
<mi>F</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>H</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>max</mi>
<mo>{</mo>
<mn>0</mn>
<mo>,</mo>
<mi>C</mi>
<mi>F</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>n</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mi>n</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
</mfrac>
<mo>;</mo>
</mrow>
步骤2.4中,对数据集合D1进行过滤得到数据集合D2时,设置阈值Y,检测D1中的数据,如果ru,j大于Y,则将ru,j放入数据集合D2中,否则将ru,j丢弃;
步骤2.5中,采用C-F模型,对数据集合D3进行计算,获得目标节点j的间接信任度如下:
<mrow>
<msub>
<mi>IB</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>p</mi>
<mo>-</mo>
<mi>q</mi>
</mrow>
<mrow>
<mi>p</mi>
<mo>+</mo>
<mi>q</mi>
</mrow>
</mfrac>
<mo>&times;</mo>
<mfrac>
<mrow>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msub>
<mi>r</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
</mrow>
<mi>n</mi>
</mfrac>
<mo>;</mo>
</mrow>
其中,IBi,j表示节点i对目标节点j的间接信任度,p表示数据集合D3中ru,j大于0的个数,q表示ru,j小于或者等于0的个数,n表示数据集D3中ru,j的个数;
步骤3中获取的目标节点j的全局信任度如下:
Ri,j=DBi,j×α+IBi,j×β;
其中,Ri,j为节点i对目标节点j的全局信任度,α和β为权重参数,且α+β=1。
2.根据权利要求1所述的一种面向车联网的节点信任评估方法,其特征在于,能够依据网络现状对权重参数α和β进行调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610460535.6A CN106412912B (zh) | 2016-06-22 | 2016-06-22 | 一种面向车联网的节点信任评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610460535.6A CN106412912B (zh) | 2016-06-22 | 2016-06-22 | 一种面向车联网的节点信任评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106412912A CN106412912A (zh) | 2017-02-15 |
CN106412912B true CN106412912B (zh) | 2017-11-10 |
Family
ID=58005786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610460535.6A Active CN106412912B (zh) | 2016-06-22 | 2016-06-22 | 一种面向车联网的节点信任评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106412912B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108053665B (zh) * | 2018-01-15 | 2019-05-03 | 长安大学 | 车联网环境中双信任机制的交通信息识别转发方法 |
CN109218090B (zh) * | 2018-09-10 | 2021-06-01 | 中国民航大学 | 一种物联网节点信任度评估方法 |
CN109286631B (zh) * | 2018-10-18 | 2019-07-30 | 长安大学 | 车载社交网络中融合社交属性的车辆节点信任评估方法 |
CN109347852B (zh) * | 2018-11-07 | 2020-12-11 | 暨南大学 | 一种轻量级的车联网信任评估方法 |
CN109787896B (zh) * | 2018-12-05 | 2020-08-14 | 北京邮电大学 | 一种用于通信链路构建的节点选择方法及设备 |
CN110177370B (zh) * | 2019-05-31 | 2022-06-14 | 长安大学 | 一种面向车联网的共谋恶意车辆节点检测方法 |
CN110177356B (zh) * | 2019-05-31 | 2021-11-05 | 长安大学 | 一种基于信任模型的车载命名数据网络转发方法 |
CN110445788B (zh) * | 2019-08-09 | 2021-07-27 | 西安电子科技大学 | 一种车载自组网环境下面向内容的信任评估系统及方法 |
CN110572796B (zh) * | 2019-09-19 | 2022-04-19 | 广东工业大学 | 一种失效节点检测方法、装置和相关设备 |
CN111263331B (zh) * | 2020-01-16 | 2024-02-13 | 长安大学 | 一种基于群智感知的车联网节点信誉评估方法 |
CN111565188B (zh) * | 2020-04-30 | 2022-02-22 | 长安大学 | 基于结合消息类型和信任值置信度的vanet信任模型工作方法 |
CN114007217B (zh) * | 2020-07-27 | 2024-05-24 | 中移(苏州)软件技术有限公司 | 一种数据处理方法及车联系统、存储介质 |
CN114615029B (zh) * | 2022-02-25 | 2023-07-18 | 广东工业大学 | 一种终端信任度评估方法、装置、设备及存储介质 |
CN115277055B (zh) * | 2022-06-08 | 2023-12-05 | 清华大学深圳国际研究生院 | 保障物联网数据交互安全的方法、装置和电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104901887A (zh) * | 2015-05-18 | 2015-09-09 | 北京哈工大计算机网络与信息安全技术研究中心 | 一种基于社会信任的物联网安全路由方法 |
CN104935659A (zh) * | 2015-06-17 | 2015-09-23 | 大连理工大学 | 一种车载网中基于服务质量感知的接入算法 |
CN105141528A (zh) * | 2015-07-30 | 2015-12-09 | 福建师范大学 | 一种基于Core-Selecting和信誉机制的物联网可信路由选择方法 |
CN105682096A (zh) * | 2016-01-29 | 2016-06-15 | 福建师范大学 | 基于agv和信誉机制的物联网可信路由选择方法及系统 |
-
2016
- 2016-06-22 CN CN201610460535.6A patent/CN106412912B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104901887A (zh) * | 2015-05-18 | 2015-09-09 | 北京哈工大计算机网络与信息安全技术研究中心 | 一种基于社会信任的物联网安全路由方法 |
CN104935659A (zh) * | 2015-06-17 | 2015-09-23 | 大连理工大学 | 一种车载网中基于服务质量感知的接入算法 |
CN105141528A (zh) * | 2015-07-30 | 2015-12-09 | 福建师范大学 | 一种基于Core-Selecting和信誉机制的物联网可信路由选择方法 |
CN105682096A (zh) * | 2016-01-29 | 2016-06-15 | 福建师范大学 | 基于agv和信誉机制的物联网可信路由选择方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106412912A (zh) | 2017-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106412912B (zh) | 一种面向车联网的节点信任评估方法 | |
CN102802158B (zh) | 基于信任评估的无线传感器网络异常检测方法 | |
Xiao et al. | Reinforcement learning-based physical-layer authentication for controller area networks | |
Liu et al. | A semi-centralized trust management model based on blockchain for data exchange in iot system | |
CN108124274A (zh) | 一种基于信任机制的无线传感器网络安全路由方法 | |
CN104333596A (zh) | 一种车联网环境下的信息可靠性评估方法 | |
CN112929845B (zh) | 一种基于区块链的车联网节点信任评估方法及系统 | |
CN111263331B (zh) | 一种基于群智感知的车联网节点信誉评估方法 | |
CN104768149B (zh) | 一种WSN中基于Top‑k查询的数据隐私保护和完整性验证方法 | |
CN103906271A (zh) | Ad Hoc网络中关键节点测量方法 | |
CN110572822A (zh) | 基于决策树的水下无线传感器网络中的信任更新方法 | |
Chaudhary et al. | Intrusion detection system based on genetic algorithm for detection of distribution denial of service attacks in MANETs | |
Deno et al. | Probabilistic trust management in pervasive computing | |
Al Mutaz et al. | Leveraging platoon dispersion for sybil detection in vehicular networks | |
Muruganandam et al. | A Survey: Comparative study of security methods and trust manage solutions in MANET | |
Albalas et al. | Detecting black hole attacks in MANET using relieff classification algorithm | |
Hajiee et al. | Trust-based routing optimization using multi-ant colonies in wireless sensor network | |
Ram Prabha et al. | Enhanced multi-attribute trust protocol for malicious node detection in wireless sensor networks | |
Jinarajadasa et al. | A reinforcement learning approach to enhance the trust level of MANETs | |
Gupta et al. | On estimating strength of a DDoS attack using polynomial regression model | |
CN114338853B (zh) | 一种工业互联网下的区块链流量监检测方法 | |
Gu et al. | An efficient and privacy-preserving information reporting framework for traffic monitoring in vehicular networks | |
CN105704026A (zh) | 一种区分服务网络中低风险路由方法 | |
Apte et al. | Gateway based trust management system for Internet of Things | |
Heydari et al. | Distributed Kalman filters with adaptive strategy for linear time‐varying interconnected systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |