CN110391851B - 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
基于复杂网络理论的水声传感器网络信任模型更新方法 Download PDFInfo
- Publication number
- CN110391851B CN110391851B CN201910710916.9A CN201910710916A CN110391851B CN 110391851 B CN110391851 B CN 110391851B CN 201910710916 A CN201910710916 A CN 201910710916A CN 110391851 B CN110391851 B CN 110391851B
- Authority
- CN
- China
- Prior art keywords
- trust
- node
- network
- sensing
- nodes
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B13/00—Transmission systems characterised by the medium used for transmission, not provided for in groups H04B3/00 - H04B11/00
- H04B13/02—Transmission systems in which the medium consists of the earth or a large mass of water thereon, e.g. earth telegraphy
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0813—Configuration setting characterised by the conditions triggering a change of settings
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- 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)
- Mobile Radio Communication Systems (AREA)
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
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 AlgorithmBased on 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P。分别考虑受水流移动性影响的连接概率P1,受水下声学信道影响的连接概率P2,以及受温度、盐度、压强等其它环境因素影响的连接概率P3;
首先定义下层网络中感知节点位置的预测方法为
其中Ci(t+1)表示下层网络中某个感知节点i的预测位置,xi(t)、yi(t)、zi(t)分别表示当前该节点在各坐标轴上的坐标,SPi(t)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Ci(t+1)>Ri时,该节点位置的预测方法为记为其中Ri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P1为:
其中Ci、Cj分别表示感知节点i和感知节点j的预测位置,r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P2为:
其中σ表示瑞利衰落系数,N为常数,Ci、Cj分别表示感知节点i和感知节点j的预测位置,r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P3~N(μ,σ2),其中μ和σ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P=min(P1,P2,P3)。
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n有m个邻居节点,这些邻居节点的坐标表示为cn={c1,c2,…,cm},两个邻居节点直接通信或者经过节点n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n无法通信时,依然存在的通信链路集合表示为L={li,j||ci-cj|≤r,1≤i,j≤m,i≠j},其中li,j表示邻居节点i与邻居节点j之间的一条通信链路。最后,该感知节点n的关键程度定义为其中|L|表示集合L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i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Tc、能量信任Te以及数据信任Td。信任证据的计算方法分别为 其中sc,fc表示目标邻居节点在通信周期中成功与失败的通信次数,se,fe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,sd,fd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i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P。分别考虑受水流移动性影响的连接概率P1,受水下声学信道影响的连接概率P2,以及受温度、盐度、压强等其它环境因素影响的连接概率P3;
首先定义下层网络中感知节点位置的预测方法为
其中Ci(t+1)表示下层网络中某个感知节点i的预测位置,xi(t)、yi(t)、zi(t)分别表示当前该节点在各坐标轴上的坐标,SPi(t)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Ci(t+1)>Ri时,该节点位置的预测方法为记为其中Ri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P1为:
其中Ci、Cj分别表示感知节点i和感知节点j的预测位置,r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P2为:
其中σ表示瑞利衰落系数,N为常数,Ci、Cj分别表示感知节点i和感知节点j的预测位置,r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P3~N(μ,σ2),其中μ和σ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n在当前周期中有3个邻居节点,分别为c1,c2,c3。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L={l1,2}。所以节点n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S1~S7分别表示为将计算得到的Tc、Tc和Td的不同范围组合定义为动作,具体分为8种动作,动作A1~A8分别表示为{Tc<0.5,Te≥0.5,Td≥0.5}{Tc≥0.5,Te<0.5,Td≥0.5}{Tc≥0.5,Te≥0.5,Td<0.5}{Tc<0.5,Te<0.5,Td≥0.5}{Tc<0.5,Te≥0.5,Td<0.5}{Tc≥0.5,Te<0.5,Td<0.5}{Tc<0.5,Te<0.5,Td<0.5}{Tc≥0.5,Te≥0.5,Td≥0.5}。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:
表2
在网络初始时,普通节点根据当前动作Aj等概率选择下一状态Si,之后状态转移会根据状态转移公式选择,该公式为其中Si为当前状态,S′i为可能的转移状态,Aj为当前的动作,Q(S′i,Aj)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Q(s,a)←(1-α)Q(s,a)+α[R+γmaxQ(s′,a′)]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 (1)
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;
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P;分别考虑受水流移动性影响的连接概率P1,受水下声学信道影响的连接概率P2,以及受温度、盐度、压强等环境因素影响的连接概率P3;
首先定义下层网络中感知节点位置的预测方法为
其中Ci(t+1)表示下层网络中某个感知节点i的预测位置,xi(t)、yi(t)、zi(t)分别表示当前节点在各坐标轴上的坐标,SPi(t)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Ci(t+1)>Ri时,节点位置的预测方法记为其中Ri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P1为:
其中Ci、Cj分别表示感知节点i和感知节点j的预测位置,r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P2为:
其中σ表示瑞利衰落系数,N为常数,Ci、Cj分别表示感知节点i和感知节点j的预测位置,r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P3~N(μ,σ2),其中μ和σ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P=min(P1,P2,P3);
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;
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n有m个邻居节点,这些邻居节点的坐标表示为cn={c1,c2,…,cm},两个邻居节点直接通信或者经过节点n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n无法通信时,依然存在的通信链路集合表示为L={li,j||ci-cj|≤r,1≤i,j≤m,i≠j},其中li,j表示邻居节点i与邻居节点j之间的一条通信链路;感知节点n的关键程度定义为其中|L|表示集合L中元素的个数;
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;
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i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Tc、能量信任Te以及数据信任Td;信任证据的计算方法分别为 其中sc,fc表示目标邻居节点在通信周期中成功与失败的通信次数,se,fe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,sd,fd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;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910710916.9A CN110391851B (zh) | 2019-08-02 | 2019-08-02 | 基于复杂网络理论的水声传感器网络信任模型更新方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910710916.9A CN110391851B (zh) | 2019-08-02 | 2019-08-02 | 基于复杂网络理论的水声传感器网络信任模型更新方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110391851A CN110391851A (zh) | 2019-10-29 |
CN110391851B true CN110391851B (zh) | 2021-08-10 |
Family
ID=68288354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910710916.9A Active CN110391851B (zh) | 2019-08-02 | 2019-08-02 | 基于复杂网络理论的水声传感器网络信任模型更新方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110391851B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111988181B (zh) * | 2020-08-24 | 2021-06-22 | 燕山大学 | 一种UASNs中基于信任机制的网络拓扑控制方法 |
CN113708953B (zh) * | 2021-07-10 | 2022-07-05 | 西北工业大学 | 一种基于节点重要性均衡的水声传感器网络抗毁方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004096182A (ja) * | 2002-08-29 | 2004-03-25 | Reideikku:Kk | 水中又は地中通信装置 |
CN101951637A (zh) * | 2010-08-09 | 2011-01-19 | 哈尔滨工程大学 | 一种提高水声传感器网络数据传输可靠性的方法 |
CN101982944A (zh) * | 2010-11-17 | 2011-03-02 | 东南大学 | 一种应用于水声传感器网络Aloha协议方法 |
CN109743117A (zh) * | 2019-01-28 | 2019-05-10 | 湖南人文科技学院 | 一种水声通信模块、方法及水下无线传感器网络节点装置 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8149748B2 (en) * | 2006-11-14 | 2012-04-03 | Raytheon Company | Wireless data networking |
US7831205B2 (en) * | 2007-01-16 | 2010-11-09 | Utah State University | Methods and systems for wireless communication by magnetic induction |
US20100293379A1 (en) * | 2007-05-31 | 2010-11-18 | Beijing Transpacific Ip Technology Development Ltd | method for secure data transmission in wireless sensor network |
JP5222396B2 (ja) * | 2008-05-12 | 2013-06-26 | テレフオンアクチーボラゲット エル エム エリクソン(パブル) | ネットワークリソースの追跡 |
CN101572962A (zh) * | 2009-05-14 | 2009-11-04 | 南京大学 | 一种基于度信息的水下无线传感器网络路由方法 |
KR101506041B1 (ko) * | 2009-07-13 | 2015-03-26 | 삼성전자주식회사 | Wban에서 통신 방법 및 장치 |
CN102474724A (zh) * | 2009-07-15 | 2012-05-23 | 皇家飞利浦电子股份有限公司 | 用于在无线网中安全地广播敏感数据的方法 |
TWI418159B (zh) * | 2010-06-14 | 2013-12-01 | Univ Nat Taiwan | 水中無線感測器 |
CN102685676B (zh) * | 2012-03-26 | 2014-12-31 | 河海大学 | 一种无线传感器网络节点三维定位方法 |
CN102695126B (zh) * | 2012-06-12 | 2014-10-29 | 河海大学常州校区 | 水下传感器网络定位方法 |
CN103415071B (zh) * | 2013-07-23 | 2016-04-20 | 南京邮电大学 | 一种水下无线传感器网络定位方法 |
CN103619009B (zh) * | 2013-10-25 | 2016-08-17 | 河海大学常州校区 | 一种建立水下传感器网络中信任模型的方法 |
CN104333904A (zh) * | 2014-10-24 | 2015-02-04 | 浙江大学 | 一种移动水下传感器网络节点的分布式定位方法 |
CN104936194B (zh) * | 2015-06-08 | 2018-08-21 | 浙江理工大学 | 一种水声传感器网络及其节点部署及组网方法 |
US10440553B2 (en) * | 2017-06-01 | 2019-10-08 | Arizona Board Of Regents On Behalf Of Arizona State University | Distributed network center and area estimation |
CN109327891B (zh) * | 2018-10-24 | 2021-02-26 | 沈阳理工大学 | 水下传感器网络中基于三维拓扑控制的集群休眠唤醒方法 |
-
2019
- 2019-08-02 CN CN201910710916.9A patent/CN110391851B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004096182A (ja) * | 2002-08-29 | 2004-03-25 | Reideikku:Kk | 水中又は地中通信装置 |
CN101951637A (zh) * | 2010-08-09 | 2011-01-19 | 哈尔滨工程大学 | 一种提高水声传感器网络数据传输可靠性的方法 |
CN101982944A (zh) * | 2010-11-17 | 2011-03-02 | 东南大学 | 一种应用于水声传感器网络Aloha协议方法 |
CN109743117A (zh) * | 2019-01-28 | 2019-05-10 | 湖南人文科技学院 | 一种水声通信模块、方法及水下无线传感器网络节点装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110391851A (zh) | 2019-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yan et al. | Energy-efficient data collection over AUV-assisted underwater acoustic sensor network | |
Gupta et al. | Underwater networked wireless sensor data collection for computational intelligence techniques: issues, challenges, and approaches | |
Huang et al. | A power-efficient routing protocol for underwater wireless sensor networks | |
He et al. | A trust update mechanism based on reinforcement learning in underwater acoustic sensor networks | |
CN110418391B (zh) | 一种基于支持向量机的水声传感器网络信任模型构建方法 | |
Huang et al. | Target tracking based on a distributed particle filter in underwater sensor networks | |
CN102868972B (zh) | 基于改进q学习算法的物联网错误传感器节点定位方法 | |
Liu et al. | AUV-aided hybrid data collection scheme based on value of information for Internet of Underwater Things | |
CN112954769B (zh) | 基于强化学习的水下无线传感器网络路由方法 | |
CN110391851B (zh) | 基于复杂网络理论的水声传感器网络信任模型更新方法 | |
CN104394566A (zh) | 一种基于模糊决策的低功耗自适应分簇多跳无线传感器网络拓扑控制方法 | |
Qin et al. | A hierarchical information acquisition system for AUV assisted internet of underwater things | |
CN110740487A (zh) | 一种能量有效且避障的水下路由方法 | |
Al-Habob et al. | Age-optimal information gathering in linear underwater networks: A deep reinforcement learning approach | |
Song et al. | [Retracted] A Dynamic Hierarchical Clustering Data Gathering Algorithm Based on Multiple Criteria Decision Making for 3D Underwater Sensor Networks | |
Menon et al. | Towards Energy‐Efficient and Delay‐Optimized Opportunistic Routing in Underwater Acoustic Sensor Networks for IoUT Platforms: An Overview and New Suggestions | |
Jiang et al. | Controversy-adjudication-based trust management mechanism in the internet of underwater things | |
Zhao et al. | Collaboration-aware relay selection for auv in internet of underwater network: Evolving contextual bandit learning approach | |
Yuan et al. | Adaptive fuzzy game-based energy-efficient localization in 3D underwater sensor networks | |
Fan et al. | A time-varying acoustic channel-aware topology control mechanism for cooperative underwater sonar detection network | |
Mahalakshmi et al. | An adaptive routing in flying Ad-hoc networks using FMCC protocol | |
Hu et al. | An energy-balanced head nodes selection scheme for underwater mobile sensor networks | |
Wells et al. | Node pattern simulation of an undersea sensor network using RF electromagnetic communications | |
Yu et al. | RNIndoor: A relay node deployment method for disconnected wireless sensor networks in indoor environments | |
Sumathi et al. | Energy efficient wireless sensor network with efficient data handling for real time landslide monitoring system using fuzzy data mining technique |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |