CN110391851A - 基于复杂网络理论的水声传感器网络信任模型更新方法 - Google Patents

Abstract

本发明涉及一种基于复杂网络理论的水声传感器网络信任模型更新方法，其步骤包括：首先，通过定义水下感知节点之间的连接概率，反映水下环境对节点通信的影响；其次，复杂网络理论，定义关键节点，提升网络应对不同攻击的能力；最后基于强化学习中的Q‑learning算法，设计信任模型更新方法。本发明解决了现有水声传感器网络中信任模型无法根据水下环境或攻击者手段变化自适应做出更新的问题，提高了水声传感器网络信任模型的实际应用价值。

Description

基于复杂网络理论的水声传感器网络信任模型更新方法

技术领域

本发明涉及一种基于复杂网络理论的水声传感器网络信任模型更新方法，属于水声传感器网络通信支持技术领域。

背景技术

水声传感器网络是基于声波通信而组建起来的，应用于水环境中的、无线自组织的传感器网络，通常由若干传感器节点、基站、卫星等设施组成，传感器节点包括海面浮标节点、部署在水中或者锚定在水底的传感器节点，以及各种类型的无人水下航行器。这些设备负责实时监测、感知、采集、传输环境信息，并在水中通过声波通信相互传递数据，然后通过多跳路由将感知的数据传送给水面基站，最后经由卫星实时地将数据进一步传送给远程的控制中心或者用户。作为海洋监测的理想媒介以及陆上无线传感器网络在水环境中的拓展应用，水声传感器网络在海洋生态环境监测、军事海防、资源矿产开发等各个方面发挥着不可替代的作用，例如，在军事应用方面，水声传感器网络可用于对进入监测区域的敌人进行实时地监视、跟踪和报警，在民事应用方面，水声传感器网络可用于石油监测，地震和海啸预警，海洋气候观察和水污染跟踪，水下作业监控及救援等。

目前水声传感器网络信任模型根据网络拓扑结构主要分为两大类：分层网络信任模型和平面网络信任模型。传统的信任模型大多针对陆上无线传感器网络设计，受水下环境特性的影响，传统的信任模型很难直接应用于水声传感器网络。此外，现有的信任模型缺少针对环境动态变化与攻击者攻击行为变化的信任更新手段。为了设计出高效的水声传感器网络信任模型，国内外研究者提出很多方案，相关文献如下：

1、2016年，韩光洁等人在《A Collaborative Secure Localization Algorithm Basedon Trust Model in Underwater Wireless Sensor Networks》中，提出了一种基于信任模型(CSLT)的协同安全定位算法，以保证水下传感器网络的定位安全。CSLT包括锚节点信任评估、未知节点初始定位、参考节点信任评估、参考节点选择、未知节点二次定位五个子过程。基于信任模型计算一跳锚节点和两跳参考节点的信任值。然后，只选择可信的锚节点和引用节点来定位未知节点，以避免受到恶意节点的影响。

2、2017年，Alexander Basan等人在《A Trust Evaluation Method for ActiveAttack Counteraction in Wireless Sensor Networks》中，提出了一种利用无线传感器网络节点的网络流量与物理特性来分析有效侦测主动入侵者攻击的方法，它通过评估节点工作负载和剩余电量的值。利用阈值分析对这些参数进行估计，在计算值符合置信区间的概率时，可以检测出各个节点的恶意特征。

3、2017年，江金芳等人在《A Trust Cloud Model for Underwater WirelessSensor Networks》中，提出了一种适用于无线传感器网络的分布式信任模型TMC。TMC的两个关键部分是1)信任证据生成；2)基于云模型的信任值计算。首先，它根据传感器节点接收到的数据包数量，有选择地计算直接信任和推荐信任。然后，在计算直接信任时考虑了通信信任、能源信任和数据信任。同时其中也定义了信任信度和熟悉度来提高推荐信度的准确性。该方法可以更精确地评估传感器节点的可靠性，有效地防止安全漏洞。

4、2018年，Adnan Ahmed等人在《WPTE: Weight-based Probabilistic TrustEvaluation scheme for WSN》中，提出了一种改进的基于权值的概率信任评估(WPTE)方案，该方案基于beta概率分布来评估节点的可信性，它能够动态识别行为不端的节点。WPTE方案包括监控、信任评估、信任数据库和信任更新组件。监视组件检查邻近节点的包转发行为，并帮助它们收集包，传递统计信息。信任评估组件根据从监控组件接收到的信息评估节点的可信度。间接信任和期望正概率共同作用于评价节点的总体信任。WPTE通过隔离错误和行为不当的节点为可信环境铺平了道路，从而提供了可靠的数据传递。

发明内容

本发明所要解决的技术问题是：针对传统信任模型应用于水声传感器网络时，缺乏有效的信任更新机制的问题。本方案综合考虑了复杂水下环境和不同恶意攻击对信任模型的影响，从复杂网络理论出发，通过定义节点之间的连接概率反映水下环境对节点通信的影响，进而针对普通节点和关键节点提出差异化的信任更新方法。

为了达到上述目的，本发明是通过以下技术方案实现的：

一种基于复杂网络理论的水声传感器网络信任模型更新方法：包括以下步骤：

步骤一：网络模型构建

网络分为由水面静止的sink节点组成的上层网络和水下移动的感知节点组成的下层网络;下层网络中的感知节点锚定在海底，能够在一定范围内随水流移动，负责进行水下的数据采集，并将采集到的数据通过多跳传输的方式向水面传递；上层网络中的sink节点负责接收水下感知节点采集到的数据，并对数据进行预处理，之后通过卫星中继的方式或者直接将数据发送给陆地上的基站；通过定义下层网络中感知节点之间的连接概率反映水下环境对网络的影响。

步骤二：基于复杂网络理论的关键节点定义

根据复杂网络的无标度特性，下层网络中的感知节点服从幂律分布，即下层网络少量的感知节点完成大部分通信任务；从下层网络中感知节点的分布特性出发，定义下层网络中关键节点的概念，并对关键节点与下层网络中的普通感知节点设计不同的信任更新机制。

步骤三：基于强化学习的信任更新

下层网络中感知节点周期性对自己通信范围内的邻居节点进行信任更新，采用强化学习中的Q-learning算法设计信任更新方法；在进入更新周期时，下层网络中感知节点计算每个邻居节点的三种信任证据，即通信信任、能量信任和数据信任；然后通过基于Q-learning的信任更新算法对信任证据的权重进行更新；最后在信任更新周期结束后得到适合当前水下情境的信任权值。

上述步骤一中，下层网络中感知节点之间连接概率的定义方法如下：

将下层网络中感知节点之间的综合连接概率表示为。分别考虑受水流移动性影响的连接概率，受水下声学信道影响的连接概率，以及受温度、盐度、压强等其它环境因素影响的连接概率；

首先定义下层网络中感知节点位置的预测方法为

其中表示下层网络中某个感知节点的预测位置，分别表示当前该节点在各坐标轴上的坐标，表示该节点当前的移动速度大小，表示该节点当前的移动方向。当时，该节点位置的预测方法为记为，其中表示该节点在水下锚定绳索的长度。因此，定义受水流移动性影响的连接概率为：

其中、分别表示感知节点和感知节点的预测位置，表示感知节点的通信半径。

由于瑞利分布适合描述水下声学信道，因此定义受水下声学信道影响的连接概率为：

其中表示瑞利衰落系数，为常数，、分别表示感知节点和感知节点的预测位置，表示感知节点的通信半径；

假设受温度、盐度、压强等环境因素影响的连接概率服从正态分布，即，其中和分别表示其它因素影响随机值的均值和方差。

最后，定义下层网络中感知节点之间的综合连接概率为。

上述步骤二中，下层网络中关键节点的定义方法如下：

假设下层网络中某感知节点有个邻居节点，这些邻居节点的坐标表示为，两个邻居节点直接通信或者经过节点转发进行间接通信称为一条通信链路，则通信链路总数的计算方法表示为为；当节点无法通信时，依然存在的通信链路集合表示为，其中表示邻居节点与邻居节点之间的一条通信链路。最后，该感知节点的关键程度定义为，其中表示集合中元素的个数。

上述步骤三中，基于强化学习中Q-learning算法设计信任更新方法如下：

当下层网络中某感知节点处于信任更新周期时，首先分别计算自身邻居节点的三种信任证据，即通信信任、能量信任以及数据信任。信任证据的计算方法分别为、、，其中表示目标邻居节点在通信周期中成功与失败的通信次数，表示该邻居节点在通信周期中正常与异常的能量消耗次数，表示该邻居节点在通信周期中转发的正常与异常数据包个数。

然后，定义初始的信任证据权值分配为，即初始信任值表示为，并采用基于Q-learning的信任更新方法对权值进行更新。在信任更新过程中，感知节点首先初始化Q表，然后按照一定规则选择执行某种动作，接着将当前的状态和动作输入贝尔曼方程对Q表进行更新，同时信任证据的权值也不断更新。在信任更新周期中进行多轮上述更新过程，最后在信任更新周期结束时，得到适合当前情境的信任证据权值分配。

通过采用上述技术手段，本发明的有益效果为：从复杂网络理论出发，通过考虑水下节点移动性、水声信道不稳定性以及其他水下环境特性对节点连接概率的影响，提高信任模型对环境的适应性；通过定义关键节点，并结合基于强化学习的信任更新方法，提升信任模型对攻击的防御能力，进而提高水声传感器网络中的信任模型的实际应用价值。

附图说明

图1为本发明网络模型示意图；

图2为本发明关键节点示意图；

图3为本发明信任更新示意图。

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。

一种基于复杂网络理论的水声传感器网络信任模型更新方法，其步骤包括：

步骤一：如图1所示，网络模型构建。网络分为上下两部分，即由水面静止的sink节点组成的上层网络和水下移动的感知节点组成的下层网络。下层网络中的感知节点锚定在海底，因此能够在一定范围内随水流移动，负责进行水下的数据采集，并将采集到的数据通过多跳传输的方式向水面传递；上层网络中的sink节点负责接收水下感知节点采集到的数据，并对数据进行预处理，之后通过卫星中继的方式或者直接将数据发送给陆地上的基站。通过定义下层网络中感知节点之间的连接概率反映水下环境对网络的影响。

将下层网络中感知节点之间的综合连接概率表示为。分别考虑受水流移动性影响的连接概率，受水下声学信道影响的连接概率，以及受温度、盐度、压强等其它环境因素影响的连接概率；

首先定义下层网络中感知节点位置的预测方法为

其中表示下层网络中某个感知节点的预测位置，分别表示当前该节点在各坐标轴上的坐标，表示该节点当前的移动速度大小，表示该节点当前的移动方向。当时，该节点位置的预测方法为记为，其中表示该节点在水下锚定绳索的长度。因此，定义受水流移动性影响的连接概率为：

其中、分别表示感知节点和感知节点的预测位置，表示感知节点的通信半径。

由于瑞利分布适合描述水下声学信道，因此定义受水下声学信道影响的连接概率为：

其中表示瑞利衰落系数，为常数，、分别表示感知节点和感知节点的预测位置，表示感知节点的通信半径；

假设受温度、盐度、压强等其它环境因素影响的连接概率服从正态分布，即，其中和分别表示其它因素影响随机值的均值和方差。

步骤二：基于复杂网络理论的关键节点定义

根据复杂网络的无标度特性，下层网络中的感知节点服从幂律分布，即下层网络少量的感知节点完成大部分通信任务；从下层网络中感知节点的分布特性出发，定义下层网络中关键节点的概念，并对关键节点与下层网络中的普通感知节点设计不同的信任更新机制。

如图2所示，假设节点在当前周期中有3个邻居节点，分别为。根据前面所述的关键程度计算公式，计算自身无法通信时，依然存在的连接集合为。所以节点的关键程度为，即关键程度为3。

步骤三：基于强化学习的信任更新

下层网络中感知节点周期性对自己通信范围内的邻居节点进行信任更新，采用强化学习中的Q-learning算法设计信任更新方法；在进入更新周期时，下层网络中感知节点计算每个邻居节点的三种信任证据，即通信信任、能量信任和数据信任；然后通过基于Q-learning的信任更新算法对信任证据的权重进行更新；最后在信任更新周期结束后得到适合当前水下情境的信任权值。

如图3，采用强化学习中的Q-learning算法进行信任更新。Q-learning算法的难点在于如何将从抽象问题中定义合理的状态（state）和动作（action）。我们将权值的不同分配方式定义为状态，具体分为7种状态，状态分别表示为。将计算得到的、和的不同范围组合定义为动作，具体分为8种动作，动作分别表示为。基于定义的状态和动作，定义每个状态时执行不同动作所获得的奖励表1为：

表1

并且在执行完动作后，节点可能从一个状态转移到另一个状态，我们定义初始的状态转移表2如下：

A<sub>1</sub>

A<sub>2</sub>

A<sub>3</sub>

A<sub>4</sub>

A<sub>5</sub>

A<sub>6</sub>

A<sub>7</sub>

A<sub>8</sub>

普通节点

S<sub>1</sub>S<sub>2</sub>S<sub>3</sub>S<sub>5</sub>

S<sub>1</sub>S<sub>2</sub>S<sub>4</sub>S<sub>6</sub>

S<sub>1</sub>S<sub>3</sub>S<sub>4</sub>S<sub>7</sub>

S<sub>1</sub>S<sub>2</sub>S<sub>5</sub>S<sub>6</sub>

S<sub>1</sub>S<sub>3</sub>S<sub>6</sub>S<sub>7</sub>

S<sub>1</sub>S<sub>4</sub>S<sub>5</sub>S<sub>7</sub>

S<sub>1</sub>S<sub>2</sub>S<sub>3</sub>S<sub>4</sub>

S<sub>1</sub>

关键节点

S<sub>5</sub>

S<sub>6</sub>

S<sub>7</sub>

S<sub>2</sub>

S<sub>3</sub>

S<sub>4</sub>

S<sub>1</sub>

S<sub>1</sub>

表2

在网络初始时，普通节点根据当前动作等概率选择下一状态，之后状态转移会根据状态转移公式选择，该公式为，其中为当前状态，为可能的转移状态，为当前的动作，表示转移状态执行该动作时的Q值，表示所有可能的转移状态执行该动作的Q值之和。该公式使得对应Q值所占比值更大的状态具有更高的转移概率，从而使得信任更新趋向于最优状。关键节点对应于每个动作的初始转移状态唯一，这是为了提高应对攻击的效率。节点决定好转移状态后，会根据贝尔曼方程更新Q值表，初始Q表3如下：

表3

如图3所示，节点会对邻居节点周期性进行信任更新，每个更新周期分为7个更新时隙，每个更新时隙会通过贝尔曼方程更新一次Q表，在更新周期结束后，将会得到适合当前环境的状态，即合适的信任权值分配。

Claims (4)

1.一种基于复杂网络理论的水声传感器网络信任模型更新方法，其特征在于：包括以下步骤：

步骤一：网络模型构建

网络分为由水面静止的sink节点组成的上层网络和水下移动的感知节点组成的下层网络；下层网络中的感知节点锚定在海底，能够在一定范围内随水流移动，负责进行水下的数据采集，并将采集到的数据通过多跳传输的方式向水面传递；上层网络中的sink节点负责接收水下感知节点采集到的数据，并对数据进行预处理，之后通过卫星中继的方式或者直接将数据发送给陆地上的基站；通过定义下层网络中感知节点之间的连接概率反映水下环境对网络的影响；

步骤二：基于复杂网络理论的关键节点定义

根据复杂网络的无标度特性，下层网络中的感知节点服从幂律分布，即下层网络少量的感知节点完成大部分通信任务；从下层网络中感知节点的分布特性出发，定义下层网络中关键节点的概念，并对关键节点与下层网络中的普通感知节点设计不同的信任更新机制；

步骤三：基于强化学习的信任更新

下层网络中感知节点周期性对自己通信范围内的邻居节点进行信任更新，采用强化学习中的Q-learning算法设计信任更新方法；在进入更新周期时，下层网络中感知节点计算每个邻居节点的三种信任证据，即通信信任、能量信任和数据信任；然后通过基于Q-learning的信任更新算法对信任证据的权重进行更新；最后在信任更新周期结束后得到适合当前水下情境的信任权值。

2.根据权利要求1所述的一种基于复杂网络理论的水声传感器网络信任模型更新方法，其特征在于：所述步骤一中，下层网络中感知节点之间连接概率的定义方法如下：

将下层网络中感知节点之间的综合连接概率表示为；分别考虑受水流移动性影响的连接概率，受水下声学信道影响的连接概率，以及受温度、盐度、压强等环境因素影响的连接概率；

首先定义下层网络中感知节点位置的预测方法为

其中表示下层网络中某个感知节点的预测位置，分别表示当前节点在各坐标轴上的坐标，表示节点当前的移动速度大小，表示节点当前的移动方向；当时，节点位置的预测方法记为，其中表示该节点在水下锚定绳索的长度；

定义受水流移动性影响的连接概率为：

其中、分别表示感知节点和感知节点的预测位置，表示感知节点的通信半径；

由于瑞利分布适合描述水下声学信道，定义受水下声学信道影响的连接概率为：

其中表示瑞利衰落系数，为常数，、分别表示感知节点和感知节点的预测位置，表示感知节点的通信半径；

假设受温度、盐度、压强的环境因素影响的连接概率服从正态分布，即，其中和分别表示其它因素影响随机值的均值和方差；

最后，定义下层网络中感知节点之间的综合连接概率为。

3.根据权利要求1所述的一种基于复杂网络理论的水声传感器网络信任更新方法，其特征在于：所述步骤二中，下层网络中关键节点的定义方法如下：

假设下层网络中某感知节点有个邻居节点，这些邻居节点的坐标表示为，两个邻居节点直接通信或者经过节点转发进行间接通信称为一条通信链路，则通信链路总数的计算方法表示为为；当节点无法通信时，依然存在的通信链路集合表示为，其中表示邻居节点与邻居节点之间的一条通信链路；感知节点的关键程度定义为，其中表示集合中元素的个数。

4.根据权利要求1所述的一种基于复杂网络理论的水声传感器网络信任更新方法，其特征在于：所述步骤三中，基于强化学习中Q-learning算法设计信任更新方法如下：

当下层网络中某感知节点处于信任更新周期时，首先分别计算自身邻居节点的三种信任证据，即通信信任、能量信任以及数据信任；信任证据的计算方法分别为、、，其中表示目标邻居节点在通信周期中成功与失败的通信次数，表示该邻居节点在通信周期中正常与异常的能量消耗次数，表示该邻居节点在通信周期中转发的正常与异常数据包个数；

然后，定义初始的信任证据权值分配为，即初始信任值表示为，并采用基于Q-learning的信任更新方法对权值进行更新，在信任更新过程中，感知节点首先初始化Q表，然后按照一定规则选择执行某种动作，接着将当前的状态和动作输入贝尔曼方程对Q表进行更新，同时信任证据的权值也不断更新，在信任更新周期中进行多轮上述更新过程，最后在信任更新周期结束时，得到适合当前情境的信任证据权值分配。