CN110418391B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110418391B CN110418391B CN201910687298.0A CN201910687298A CN110418391B CN 110418391 B CN110418391 B CN 110418391B CN 201910687298 A CN201910687298 A CN 201910687298A CN 110418391 B CN110418391 B CN 110418391B
- Authority
- CN
- China
- Prior art keywords
- trust
- cluster head
- nodes
- cluster
- evidence
- 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
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/04—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources
- H04W40/10—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources based on available power or energy
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/12—Communication route or path selection, e.g. power-based or shortest path routing based on transmission quality or channel quality
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明公开了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,其步骤包括:首先,通过分析邻居节点的历史交互信息,计算邻居节点的三种信任证据;其次,簇头节点根据支持向量机算法和簇成员间的信任证据计算信任预测模型,簇成员节点根据信任预测模型计算邻居节点的信任值;最后,通过设置从簇头对主簇头进行监督,以降低主簇头被攻击时对网络功能造成的损失。本发明能够有效解决水下节点稀疏性导致信任证据不足的问题,并通过支持向量机算法训练出信任预测模型,可能获得更加精确的信任值,从而更加高效的检测出网络中的恶意节,以确保网络功能正常运行。
Description
技术领域
本发明属于水声传感器网络通信支持技术领域,具体涉及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。
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,受水声信道特性的影响,传统的信任模型很难直接应用于水声传感器网络。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:通过网络分簇,将簇成员之间的信任证据集中于簇头进行综合信任计算,解决空间上的邻居节点之间信任证据不足的问题;通过在簇头内运行机器学习算法,从更长时间维度上训练出信任预测模型,节点在信任证据缺乏的时间段以信任预测模型计算邻居的信任,解决时间上信任证据不足的问题。通过主从簇头之间、簇头与簇成员之间的协同,计算面向簇头节点的监督信任值,以监督簇头节点的恶意行为。
实现上述技术目的,达到上述技术效果,本发明通过以下技术方案实现:
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,包括以下步骤:
步骤一:邻居节点的信任证据计算。攻击者通过妥协水声传感器网络中的正常节点成为恶意节点,对网络发起多种主动攻击,影响网络的正常运行。通过分析邻居节点的历史交互信息,计算反映邻居节点可信任程度的三类信任证据:通信信任、能量信任和数据信任。
步骤二:信任预测模型的计算。主簇头周期性向簇成员节点请求信任证据,簇成员将记录的邻居节点信任证据发送给主簇头,主簇头基于历史信任证据,通过机器学习算法训练出信任预测模型,并将训练出的预测模型广播给簇成员节点,簇成员节点依据该信任预测模型计算邻居节点的信任值,作为判断邻居是否可信的依据。
步骤三:簇头的监督与更新。簇结构的水声传感器网络中,簇头节点一旦被攻击者妥协,相比于普通簇成员节点,将更大程度影响网络的正常功能。
初始的主、从簇头由水面基站选取,主簇头负责簇内信任模型的计算,从簇头负责监督主簇头是否可信;主簇头在计算簇成员信任值的过程中,若发现从簇头信任级别低于阈值,会对从簇头进行更新;从簇头会周期性向簇内节点进行请求,若簇成员有与主簇头的交互信息,则将信息回复从簇头,从簇头根据接收到的交互信息计算主簇头的信任值;若主簇头信任值低于信任阈值,则向基站发送主簇头不可信通知,基站对主簇头进行更换;当主簇头剩余能量降低到能量阈值以下时,主簇头会在与从簇头共同邻居中选取能量高、信任值高的节点成为新的主簇头;当从簇头剩余能量低于信任阈值时,从簇头会通知主簇头,主簇头将从自己的邻居节点中选择剩余能量高、信任值高的节点成为新的从簇头;簇头更新后,都由主簇头向簇成员发布更新消息,并通知基站。
上述步骤一中,邻居节点的信任证据计算方法如下:
节点会记录每个邻居节点在指定时间内的交互信息,这段时间长度称为时间窗,新的交互信息将被记录,并且删除超过时间窗的历史信息。信任证据分为三类:通信信任证据、能量信任证据和数据信任证据。
通信信任表示时间窗内通信成功次数对邻居节点可信任程度的影响。计算公式为其中称为可信程度,称为不确定程度。s、f分别表示时间窗内通信成功次数与通信失败次数。其中,通信成功是指:(1)成功接收到一个数据包;(2)发送一个数据包并接收到确认消息。通信失败是指:(1)与邻居节点握手失败;(2)发送数据包后未接收到确认消息;(3)握手成功后未接收到数据包。
能量信任表示邻居节点剩余能量和能耗速率对可信任程度的影响。计算公式:当剩余能量小于阈值时,Te=0,表示该邻居节点由于剩余能量不足无法胜任后续工作,因而将其能量信任置0;当剩余能量大于等于阈值时,Te=1-|re-rn|,其中re表示前一个时间窗的能耗速率,rn表示正常能耗速率,实际能耗速率与正常能耗速率的差异越大,表明邻居节点越不可信,所以信任值越低。
数据信任表示邻居节点发送的数据包内容对可信任程度的影响。由于节点感知的信息在具有空间相关性,即邻居节点感知到的数据内容之间具有相似性的特点。如果某个邻居发送的数据包内容与其他邻居节点差异过大,则说明该节点可能不可靠。如果{x1,x2,…,xN}表示N个邻居节点关于某个感知数据的值,则数据信任计算公式为:其中表示这组数据的均值。
上述步骤二中,信任预测模型的训练方法如下:
相比于簇成员,主簇头将维护更长的时间窗,从更长时间维度预测出更加精确的信任值。主簇头将保存的簇成员之间的历史信任证据组成训练集表示第i个样本的第j个特征。样本是指一个节点对其某个邻居节点在一个时间窗内的信任证据,每个样本有三个特征,即通信信任、能量信任和数据信任这三个信任证据。主簇头首先使用非监督学习中的K-means算法为样本赋予标签,将训练集分为可信任类和不可信任类。然后利用监督学习中的支持向量机算法对将可信任类分为不同的信任级别,从而构建出信任预测模型。
通过采用上述技术手段,本发明的有益效果为:通过网络分簇,将簇成员之间的信任证据集中于簇头进行综合信任计算,解决空间上的邻居节点之间信任证据不足的问题;通过在簇头内运行机器学习算法,从更长时间维度上训练出信任预测模型,节点在信任证据缺乏的时间段以信任预测模型计算邻居的信任,解决时间上信任证据不足的问题。通过主从簇头之间、簇头与簇成员之间的协同,计算面向簇头节点的监督信任值,以监督簇头节点的恶意行为。
附图说明
图1为本发明邻居节点信任证据计算示意图;
图2为本发明网络拓扑示意图;
图3为本发明簇头更新示意图。
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。
一种基于支持向量机的水声传感器网络信任模型构建方法,其步骤包括:
步骤一:如图1所示,邻居节点的信任证据计算。
节点会记录每个邻居节点在指定时间内的交互信息,这段时间长度称为时间窗,新的交互信息将被记录,并且删除超过时间窗的历史信息。信任证据分为三类:通信信任证据、能量信任证据和数据信任证据。通信信任表示时间窗内通信成功次数对邻居节点可信任程度的影响。计算公式为其中称为可信程度,称为不确定程度。s、f分别表示时间窗内通信成功次数与通信失败次数。一次成功通信是指:(1)成功接收到一个数据包;(2)发送一个数据包并接收到确认消息。一次不成功通信是指:(1)与邻居节点握手失败;(2)发送数据包后未接收到确认消息;(3)握手成功后未接收到数据包。能量信任表示邻居节点剩余能量和能耗速率对可信任程度的影响。计算公式:当剩余能量小于阈值时,Te=0,表示该邻居节点由于剩余能量不足无法胜任后续工作,因而将其能量信任置0;当剩余能量大于等于阈值时,Te=1-|re-rn|,其中re表示前一个时间窗的能耗速率,rn表示正常能耗速率,实际能耗速率与正常能耗速率的差异越大,表明邻居节点越不可信,所以信任值越低。数据信任表示邻居节点发送的数据包内容对可信任程度的影响。由于节点感知的信息在具有空间相关性,即邻居节点感知到的数据内容之间具有相似性的特点。如果某个邻居发送的数据包内容与其他邻居节点差异过大,则说明该节点可能不可靠。如果{x1,x2,…,xN}表示N个邻居节点关于某个感知数据的值,则数据信任计算公式为:其中表示这组数据的均值。
步骤二:如图2,信任预测模型计算。
主簇头周期性向簇成员节点请求信任证据,簇成员将记录的邻居节点信任证据发送给主簇头,主簇头基于历史信任证据,通过机器学习算法训练出信任预测模型,并将训练出的预测模型广播给簇成员节点,簇成员节点依据所述信任预测模型计算邻居节点的信任值,作为判断邻居是否可信的依据。
相比于簇成员,主簇头将维护更长的时间窗,从更长时间维度预测出更加精确的信任值。主簇头将保存的簇成员之间的历史信任证据组成训练集表示第i个样本的第j个特征。样本是指一个节点对其某个邻居节点在一个时间窗内的信任证据,每个样本有三个特征,即通信信任、能量信任和数据信任这三个信任证据。主簇头首先使用非监督学习中的K-means算法为样本赋予标签,将训练集分为可信任类和不可信任类。然后利用监督学习中的支持向量机算法对将可信任类分为不同的信任级别,从而构建出信任预测模型。
步骤三:如图3,簇头的监督与更新。
初始的主、从簇头由水面基站选取,主簇头负责簇内信任模型的计算,从簇头负责监督主簇头是否可信。主簇头在计算簇成员信任值的过程中,若发现从簇头信任级别低于阈值,会对从簇头进行更新。从簇头会周期性向簇内节点进行请求,若簇成员有与主簇头的交互信息,则将信息回复从簇头,从簇头根据接收到的交互信息计算主簇头的信任值。若主簇头信任值低于信任阈值,则向基站发送主簇头不可信通知,基站对主簇头进行更换。当主簇头剩余能量降低到能量阈值以下时,主簇头会在与从簇头共同邻居中选取能量高、信任值高的节点成为新的主簇头。当从簇头剩余能量低于信任阈值时,从簇头会通知主簇头,主簇头将从自己的邻居节点中选择剩余能量高、信任值高的节点成为新的从簇头。簇头更新后,都由主簇头向簇成员发布更新消息,并通知基站。
Claims (2)
1.一种基于支持向量机的水声传感器网络信任模型构建方法,其特征在于,包括以下步骤:
步骤一:邻居节点的信任证据计算
通过分析邻居节点的历史交互信息,计算反映邻居节点可信任程度的信任证据;
步骤二:信任预测模型的计算
主簇头周期性向簇成员节点请求信任证据,簇成员将记录的邻居节点信任证据发送给主簇头,主簇头基于历史信任证据,通过机器学习算法训练出信任预测模型,并将训练出的预测模型广播给簇成员节点,簇成员节点依据所述信任预测模型计算邻居节点的信任值,作为判断邻居是否可信的依据;
步骤三:簇头的监督与更新
初始的主、从簇头由水面基站选取,主簇头负责簇内信任模型的计算,从簇头负责监督主簇头是否可信;主簇头在计算簇成员信任值的过程中,若发现从簇头信任级别低于阈值,会对从簇头进行更新;从簇头会周期性向簇内节点进行请求,若簇成员有与主簇头的交互信息,则将信息回复从簇头,从簇头根据接收到的交互信息计算主簇头的信任值;若主簇头信任值低于信任阈值,则向基站发送主簇头不可信通知,基站对主簇头进行更换;当主簇头剩余能量降低到能量阈值以下时,主簇头会在与从簇头共同邻居中选取能量高、信任值高的节点成为新的主簇头;当从簇头剩余能量低于信任阈值时,从簇头会通知主簇头,主簇头将从自己的邻居节点中选择剩余能量高、信任值高的节点成为新的从簇头;簇头更新后,都由主簇头向簇成员发布更新消息,并通知基站;
所述步骤一中,邻居节点的信任证据计算方法如下:
节点会记录每个邻居节点在指定时间内的交互信息,这段时间长度称为时间窗,新的交互信息将被记录,并且删除超过时间窗的历史信息;信任证据分为三类:通信信任证据、能量信任证据和数据信任证据;
所述能量信任表示邻居节点剩余能量和能耗速率对可信任程度的影响,能量信任的计算公式:当剩余能量小于阈值时,Te=0,表示该邻居节点由于剩余能量不足无法胜任后续工作;当剩余能量大于等于阈值时,Te=1-|re-rn|,其中re表示前一个时间窗的能耗速率,rn表示正常能耗速率,实际能耗速率与正常能耗速率的差异越大,表明邻居节点越不可信,所以信任值越低;
2.根据权利要求1所述的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,其特征在于:所述步骤二中,信任预测模型的训练方法如下:
相比于簇成员,主簇头将维护更长的时间窗,从更长时间维度预测出更加精确的信任值;主簇头将保存的簇成员之间的历史信任证据组成训练集 表示第i个样本的第j个特征;样本是指一个节点对其某个邻居节点在一个时间窗内的信任证据,每个样本有三个特征,即通信信任、能量信任和数据信任这三个信任证据;
主簇头首先使用非监督学习中的K-means算法为样本赋予标签,将训练集分为可信任类和不可信任类;然后利用监督学习中的支持向量机算法对将可信任类分为不同的信任级别,从而构建出信任预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910687298.0A CN110418391B (zh) | 2019-07-29 | 2019-07-29 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910687298.0A CN110418391B (zh) | 2019-07-29 | 2019-07-29 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110418391A CN110418391A (zh) | 2019-11-05 |
CN110418391B true CN110418391B (zh) | 2022-11-04 |
Family
ID=68363650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910687298.0A Active CN110418391B (zh) | 2019-07-29 | 2019-07-29 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110418391B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110868714B (zh) * | 2019-11-15 | 2021-07-16 | 大连理工大学 | 一种UASNs中基于聚类的无权重节点信任评估方法 |
CN112492607B (zh) * | 2020-11-26 | 2022-04-26 | 厦门大学 | 一种水声传感网多从节点协作辅助决策安全机制 |
CN113891275B (zh) * | 2021-10-12 | 2023-11-07 | 大连理工大学 | 一种基于迁移学习的水下无线传感器网络信任模型 |
CN117675669B (zh) * | 2024-01-29 | 2024-05-14 | 南京信息工程大学 | 一种簇间区块传输方法、存储介质及计算设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102036229A (zh) * | 2010-12-22 | 2011-04-27 | 河海大学常州校区 | 建立无线传感器网络分层路由协议的信任机制的方法 |
CN103002438A (zh) * | 2011-09-15 | 2013-03-27 | 中国人民解放军总参谋部第六十一研究所 | 一种基于支持向量机和信任控制的网络行为监测方法 |
CN104320823A (zh) * | 2014-10-24 | 2015-01-28 | 西安电子科技大学 | 基于Sink信任评估值的无线传感器网络分簇方法 |
-
2019
- 2019-07-29 CN CN201910687298.0A patent/CN110418391B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102036229A (zh) * | 2010-12-22 | 2011-04-27 | 河海大学常州校区 | 建立无线传感器网络分层路由协议的信任机制的方法 |
CN103002438A (zh) * | 2011-09-15 | 2013-03-27 | 中国人民解放军总参谋部第六十一研究所 | 一种基于支持向量机和信任控制的网络行为监测方法 |
CN104320823A (zh) * | 2014-10-24 | 2015-01-28 | 西安电子科技大学 | 基于Sink信任评估值的无线传感器网络分簇方法 |
Non-Patent Citations (2)
Title |
---|
A Protecting Source-Location Privacy Scheme for Wireless Sensor Networks;X. Miao;《2018 IEEE International Conference on Networking, Architecture and Storage (NAS)》;20181101;全文 * |
物联网量化信任管理模型研究;汪京培;《网络安全技术与应用》;20141215(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110418391A (zh) | 2019-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Cheng et al. | A center‐based secure and stable clustering algorithm for VANETs on highways | |
Zhao et al. | A collaborative V2X data correction method for road safety | |
Jiang et al. | A dynamic trust evaluation and update mechanism based on C4. 5 decision tree in underwater wireless sensor networks | |
He et al. | A trust update mechanism based on reinforcement learning in underwater acoustic sensor networks | |
CN110536258B (zh) | 一种UASNs中基于孤立森林的信任模型 | |
Obaidat et al. | Principles of wireless sensor networks | |
Bang et al. | Anomaly detection of network-initiated LTE signaling traffic in wireless sensor and actuator networks based on a Hidden semi-Markov Model | |
CN100531087C (zh) | 基于贝叶斯方法的无线传感器网络的节点失效预警方法 | |
Gu et al. | k-Nearest Neighbours classification based Sybil attack detection in Vehicular networks | |
CN101459914A (zh) | 基于蚁群算法的无线传感器网络节点覆盖优化方法 | |
Han et al. | Fault-tolerant trust model for hybrid attack mode in underwater acoustic sensor networks | |
Vijayakumar et al. | Fuzzy logic–based jamming detection algorithm for cluster‐based wireless sensor network | |
Misra et al. | SecRET: Secure range-based localization with evidence theory for underwater sensor networks | |
Sun et al. | A novel nodes deployment assignment scheme with data association attributed in wireless sensor networks | |
CN103297973A (zh) | 水下传感器网络中女巫入侵检测方法 | |
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 | |
Das et al. | Anomaly detection in UASN localization based on time series analysis and fuzzy logic | |
Anitha et al. | Detection of replica node attack based on exponential moving average model in wireless sensor networks | |
Dinc et al. | Smart home security with the use of wsns on future intelligent cities | |
Su et al. | Transmission Protocol of Emergency Messages in VANET Based on the Trust Level of Nodes | |
Mahalakshmi et al. | An adaptive routing in flying Ad-hoc networks using FMCC protocol | |
Wu et al. | Research and application of node fuzzy identification and localization in wireless sensor networks | |
Choudhary et al. | RFDCS: A reactive fault detection and classification scheme for clustered wsns | |
Das et al. | Multi-level fuzzy cluster based trust estimation for hierarchical wireless sensor networks |
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 |