CN110572822B - 基于决策树的水下无线传感器网络中的信任更新方法 - Google Patents

Abstract

本发明公开了一种基于决策树的水下无线传感器网络中的信任更新方法，其中包括六个步骤:1.选取节点信任特征，并划分节点初始信任等级；2.设定IF‑THEN规则，根据节点信任特征确定信任等级波动阈值；3.设置滑动时间窗口N和时间阈值T；4.设置基于时间的信任更新触发模式；5.设置基于信任特征变化的更新触发模式；6.利用C4.5决策树算法对以信任特征等级建立的树结构进行更新。本发明有效解决了传统信任计算和更新方法中存在的权重难以精确取值的问题。

Description

基于决策树的水下无线传感器网络中的信任更新方法

技术领域

本发明属于物联网安全领域，具体涉及一种基于决策树的水下无线传感器网络中的信任更新方法。

背景技术

随着计算机网络技术和通信技术(宽带技术、无线技术等)的高速发展及广泛应用，当前网络已经从早期主要面向企业、机构内部或者固定用户群体的封闭式网络发展成为面向大量外部用户的可共享的分布式开放式网络。在开放式网络中，安全、有效的访问控制技术已经成为当前国际上网络安全领域中的一个研究热点。近年来，国内外一些学者在访问控制研究中开始引入信任手段，取得了一些初步的成果。信任为解决开放式动态网络中访问控制问题提供了一个新思路。

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。

目前，尚未有对于在无线传感网络中利用C4.5决策树进行信任更新方面的研究，但却有一些与信任计算和C4.5相关的研究，相关文献如下：

1.Jinfang Jiang,Guangjie Han,Feng Wang,Lei Shu等人在2015年的《IEEETRANSACTIONS ON PARALLEL AND DISTRIBUTED SYSTEMS》上发表的文章“An EfficientDistributed Trust Model for Wireless Sensor Networks”中提出了一种有效的无线传感器网络分布式信任模型(EDTM)。首先，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通信信任、能量信任和数据信任。定义了推荐信度和熟悉度，提高了推荐信度的准确性。该方法能更准确地评估传感器节点的可信度，更有效地防止安全漏洞的发生。

2.Juanjuan Zhang,Qibo Sun,Ao Zhou,Jinglin Li等人在2016年的《Computational Science and Its Applications》上发表的文章“A Novel Trust UpdateMechanism Based on Sliding Window for Trust Management System”提出了一种基于滑动窗口的信任更新机制。在P2P等动态分布式网络环境中，信任评估已成为一种重要的安全机制。为了支持具有不同行为特征的网络实体，研究人员投入大量精力开发各种信任管理机制。由于网络实体的流动性和环境的动态变化，影响最终信任的因素很多。因此，节点信任随时间而变化。然而，目前的研究大多侧重于建立一个有效的、鲁棒的信任管理系统，而忽略了信任更新的时间衰减特性。因此，评估结果不准确，使时断时续攻击成为可能，其中提出的基于滑动窗口的信任更新机制能有效解决这一问题。

3.Fu,Rong；Yu,Min；Zou,Chengwu等人在2012年的《INTERNATIONAL CONFERENCEON WIRELESS COMMUNICATIONS,NETWORKING AND MOBILE COMPUTING》上发表的文章《Basedon Tree Structure and C4.5 Algorithm Procotol in Wireless Sensor Networks》通过采用聚类和树状结构进行数据采集，将树结构模型和聚类结构模型结合应用于WSN中，同时利用C4.5算法选择合适的父节点并进行数据压缩，提高网络的生存期和吞吐量。

发明内容

针对上述问题，本发明提出一种基于决策树的水下无线传感器网络中的信任更新方法，克服传统方法中存在的权重值难以精确取值的问题，有效计算并实时更新节点信任，包括以下步骤：

(1)选取节点信任特征并初始化节点信任等级；

(2)根据节点信任特征划定信任等级波动阈值，设定IF-THEN规则；

(3)设置滑动时间窗口N和时间阈值T；

(4)设置基于时间的信任更新触发模式；

(5)设置基于信任特征变化的更新触发模式；

(6)利用C4.5决策树算法对以信任特征等级建立的树结构进行更新。

所述步骤(1)具体包括：

(1.1)节点信任特征的选取：信任特征包括节点之间的数据传输质量(表示为DQ)，节点传输链路质量(表示为LQ)，节点的剩余能量(表示为SE)，节点之间的距离(表示为SD)。

(1.2)节点信任等级划分：节点信任划分为三个等级，包括高信任等级节点，低信任等级节点，普通信任节点。

所述步骤(2)具体包括：

(2.1)根据节点信任特征划定信任等级波动阈值，数据传输质量DQ、链路质量LQ、节点的剩余能量SE的阈值范围分别设置为[0,0.4)、[0.4,0.6)、[0.6,1]；节点之间的距离SD的阈值范围设置为[0,1/2Rc]、[1/2Rc,Rc)、(Rc,∞)。

(2.2)设定IF-THEN规则，设置规则为：

1)如果节点的信任特征DQ和LQ，SE等级均大于0.6，节点间距离在彼此通信半径的一半范围内，则节点的信任等级为高。

2)如果节点存在一个普通等级的信任特征，其他信任特征等级为高可信或者普通，那么节点信任等级为普通，普通信任的节点仍可以参与网络信息交互。

3)如果节点存在一个低等级的信任特征，节点信任等级即为低信任，这是由于任意一个信任特征为低等级，都会影响到节点的信息交互，最终影响到整个网络。

所述步骤(3)具体包括：

(3.1)根据网络流量值和节点内存空间，设置滑动窗口的大小N，以限制信任特征记录的数量。滑动窗口大小N结合实验选定。

(3.2)根据滑动窗口大小和信任衰减特性，设置T为有效时间跨度，当最新信任特征记录与历史信任特征记录的生成时间差大于有效时间跨度T时，触发信任更新机制。时间跨度T与滑动窗口大小N有关，最新信任记录和较旧信任记录的生成时间之间的差异大于有效时间跨度T时，旧记录可以被视为过期记录并将被移除到窗口外。

所述步骤(4)基于时间的信任更新触发模式中，超过设定时间阈值T，无论节点信任特征的变化是否超过所在范围阈值，都触发信任更新机制。具体包括：

(4.1)当节点i进行信息交互行为后，某一特征q波动超过其原等级范围内下限阈值，但节点间的不可信交互次数不超过总交互次数的γ(0<γ<0.5)倍时，节点信任特征等级在排斥因子Dl的作用下缓慢下降，计算公式为Dl*q，得到新特征值q’。

(4.2)当节点j进行信息交互行为后，某一特征m波动超过其原等级范围内下限阈值，但节点间不可信交互次数超过总交互次数的γ(0<γ<0.5)倍时，节点信任特征等级在排斥因子Df的作用下迅速下降，计算公式为Df*m，得到新特征值m’。

(4.3)当节点k进行信息交互行为后，某一特征n波动超过其原等级范围内上限阈值，节点信任特征等级在支持因子S的作用下缓慢上升，计算公式为S*n得到新特征值k’。

所述步骤(5)基于信任特征变化的更新触发模式，具体包括：

(5.1)分别计算节点四个信任特征属性的信息增益率GainRatio(S,A_i)，计算公式为

其中A_i表示某特征值，S为特征集合，S_v为S中在属性A上值等于v的样本集，|S_i|表示第i个子数据集中样本数量，|S|表示划分之前数据集中样本总数量，训练数据集S通过属性A的属性值划分为c个子数据集，S的取值有s₁，s₂，...，s_n,对于每一个可能的取值s_i，其概率P(S＝s_i)＝p_i,(i＝1,2,...,n)，Gain(S,A)为属性A的信息增益，Entropy(S)为样本S的信息熵，SplitInformation(S,A)为属性A的熵，反映属性A本身的信息量。

(5.2)在设定时间阈值T内，当节点的任意一个信任特征波动超过设定的阈值时则触发信任更新。

所述步骤(6)具体包括：

(6.1)建立决策树训练集，根据IF-THEN规则，对高度信任等级节点，普通节点，低信任节点进行设置，基于C4.5决策树算法进行分类训练。

(6.2)节点划分区间为低信任节点[0，0.4)，普通节点[0.4，0.6)，高度信任节点[0.6，1]，C4.5决策树算法对节点的每个信任特征进行计算，选取增益率最大的信任特征为基础，划分节点信任等级。

本发明的有益效果：

(1)本发明中的利用C4.5对信任进行更新的方法，首先在时间阈值T内利用信息增益率的改变触发信任更新机制的启动，便于处理信任的动态更新。

(2)本发明中的先慢后快的下降和缓慢的上升信任机制，更加符合实际信任变化情况，能有效抑制摇摆攻击等恶意行为对网络的影响。

(3)本发明中的利用C4.5对信任进行更新时，根据信任特征的信息增益率进行节点的分类，避免附加权重的主观性，保证节点信任分类的准确性。

附图说明

图1为本发明的流程图；

图2为信任更新的滑动时间窗口示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图对本发明的应用原理作详细的描述。

本发明提出一种基于决策树的水下无线传感器网络中的信任更新机制，用以解决动态非稳定水环境中节点信任管理问题，如图1所示，具体包括以下步骤：

步骤一：选取节点信任特征并初始化节点信任等级。

首先，节点信任特征分别选取为节点之间的数据传输质量，表示为DQ，表征节点间数据传递的可靠性，；节点传输链路质量，表示为LQ，表征水下通信信道的可靠性；节点的剩余能量SE，衡量节点可进行信息交互的能力；节点间的距离SR，节点间距离越近受水流运动影响越小；；其次，节点信任划分为三个等级，包括高信任等级节点，低信任等级节点，普通信任节点，如表1所示。

序号	信任等级	信任范围
			1	高度信任	[0.6,1]
2	普通信任	[0.4,0.6)
			3	低信任	[0，0.4)

表1

步骤二：根据节点信任特征划定信任等级波动阈值，及IF-THEN规则。

首先，设置四个节点信任特征的阈值范围，根据节点信任特征划定信任等级波动阈值，数据传输质量DQ、链路质量LQ、节点的剩余能量SE的阈值范围分别设置为[0,0.4)、[0.4,0.6)、[0.6,1]；节点之间的距离SD的阈值范围设置为[0,1/2R_c]、[1/2R_c,R_c)、(R_c,∞)，如表2所示。

表2

其次，设定IF-THEN规则，该规则反映节点信任特征与节点信任等级的关系，是信任更新的前提条件，具体如下：

1)如果节点的所有信任特征均为高可信，则节点的信任等级为高。

2)如果节点存在一个普通等级的信任特征，其他信任特征等级为高可信或者普通，那么节点信任等级为普通，普通信任的节点仍可以参与网络信息交互。

3)如果节点存在一个低等级的信任特征，节点信任等级即为低信任，这是由于任意一个信任特征为低等级，都会影响到节点的信息交互，最终影响到整个网络。

步骤三：设置滑动时间窗口N和时间阈值T。

首先，设置滑动窗口的大小N，用以限制信任特征记录的数量，信任特征等级的计算与历史信任特征值相关，随时间动态变化，滑动窗口的提出用于存储一定时间范围内的信任特征记录，以及更新最近的信任特征记录。窗口设置如图2所示。其次，设置有效时间跨度T。同一时间窗内最新的信任特征记录的权重大于历史信任特征记录的权重值。最新信任特征记录与历史信任特征记录的生成时间差大于有效时间跨度T时，触发信任更新机制，即触发基于时间的信任更新触发模式。

步骤四：设置基于时间的信任更新触发模式。

超过设定时间阈值T，无论节点信任特征的变化是否超过所在范围阈值，都触发信任更新机制。具体包括：

(1)当节点i进行信息交互行为后，某一特征q波动超过其原等级范围内下限阈值，但节点间的不可信交互次数不超过总交互次数的γ(0<γ<0.5)倍时，节点信任特征等级在排斥因子Dl的作用下缓慢下降，计算公式为Dl*q，得到新特征值q’。

(2)当节点j进行信息交互行为后，某一特征m波动超过其原等级范围内下限阈值，但节点间不可信交互次数超过总交互次数的γ(0<γ<0.5)倍时，节点信任特征等级在排斥因子Df的作用下迅速下降，计算公式为Df*m，得到新特征值m’。

(3)当节点k进行信息交互行为后，某一特征n波动超过其原等级范围内上限阈值，节点信任特征等级在支持因子S的作用下缓慢上升，计算公式为S*n得到新特征值k’。

节点的信任特征在排斥因子Dl和排斥因子Df的作用下等级都呈下降趋势，两种排斥因子作用影响不同，两种排斥因子的设置使信任更新模式符合实际情况，有效抑制摇摆攻击等恶意行为的影响，获得更准确的信任值。节点的信任特征等级在支持因子S的作用下会缓慢上升，能够提高善意节点进行交易的积极性。

步骤五：设置基于信任特征变化的更新触发模式。

首先，分别计算节点四个信任特征属性的信息增益率GainRatio(S,A_i)，计算公式为，

其中，A_i表示某特征值，S为特征集合，S_v为S中在属性A上值等于v的样本集，|S_i|表示第i个子数据集中样本数量，|S|表示划分之前数据集中样本总数量，训练数据集S通过属性A的属性值划分为c个子数据集，S的取值有s₁，s₂，...，s_n,对于每一个可能的取值s_i，其概率P(S＝s_i)＝p_i,(i＝1,2,...,n)，Gain(S,A)为属性A的信息增益，Entropy(S)为样本S的信息熵，SplitInformation(S,A)为属性A的熵，反映属性A本身的信息量。

在设定时间阈值T内，当节点的任意一个信任特征波动超过设定的阈值时则触发信任更新，即基于信任特征变化的更新触发模式。

步骤六：利用C4.5(决策树)算法对以信任特征等级建立的树结构进行更新。

C4.5算法对无线传感器网络内节点进行信任更新，首先需要建立决策树训练集，根据IF-THEN规则，对高度信任等级节点，普通节点，低信任节点进行设置，使用C4.5算法进行分类训练。

节点划分区间为低信任节点[0，0.4)，普通节点[0.4，0.6)，高度信任节点[0.6，1]，C4.5算法对节点的每个信任特征进行计算，选取增益率最大的信任特征为基础，此信任特征对节点信任等级影响最大，例如，在通信范围内的节点才能进行信息交互，才会产生节点信任特征的计算，相对于能量，节点间距离更重要。通过对节点信任特征的计算，完成节点等级划分。

结合所提出的IF-THEN规则，根据所给定训练集中的分类情况对给定网络中的节点进行信任等级的划分，若四个信任特征都为高等级，则节点为高度信任节点；若节点信任特征中出现普通特征等级，而没有出现低信任特征等级，则节点为普通节点；若节点信任特征中出现低等级信任特征，则节点等级为低信任。

Claims (4)

1.一种基于决策树的水下无线传感器网络中的信任更新方法，其特征在于，包括以下步骤：

(1)选取节点信任特征并初始化节点信任等级；

(2)根据节点信任特征划定信任等级波动阈值，设定IF-THEN规则；

(3)设置滑动时间窗口N和时间阈值T；

(4)设置基于时间的信任更新触发模式；

(5)设置基于信任特征变化的更新触发模式；

(6)利用C4.5决策树算法对以信任特征等级建立的树结构进行更新；

所述步骤(1)具体包括以下步骤：

(1.1)节点信任特征的选取：选取4个信任特征，分别为节点之间的数据传输质量，表示为DQ；节点传输链路质量，表示为LQ；节点的剩余能量，表示为SE；节点之间的距离，表示为SD；

(1.2)节点信任等级划分：节点信任划分为三个等级，分别为高信任等级节点，低信任等级节点，普通信任节点；

所述步骤(2)具体包括：

(2.1)根据节点信任特征划定信任等级波动阈值，数据传输质量DQ、链路质量LQ、节点的剩余能量SE的阈值范围分别设置为[0,0.4)、[0.4,0.6)、[0.6,1]；节点之间的距离SD的阈值范围设置为[0,1/2R_c]、[1/2R_c,R_c)、(R_c,∞)；

(2.2)设定IF-THEN规则，设置规则为：

1)如果节点的所有信任特征均为高可信，则节点的信任等级为高；

2)如果节点存在一个普通等级的信任特征，其他信任特征等级为高可信或者普通，那么节点信任等级为普通，普通信任的节点仍能够参与网络信息交互；

3)如果节点存在一个低等级的信任特征，节点信任等级即为低信任，这是由于任意一个信任特征为低等级，都会影响到节点的信息交互，最终影响到整个网络；

所述步骤(6)具体包括：

(6.1)建立决策树训练集，根据IF-THEN规则，对高度信任等级节点，普通节点，低信任节点进行设置，基于C4.5决策树算法进行分类训练；

(6.2)节点划分区间为低信任节点[0，0.4)，普通节点[0.4，0.6)，高度信任节点[0.6，1]，C4.5决策树算法对节点的每个信任特征进行计算，选取增益率最大的信任特征为基础，划分节点信任等级。

2.根据权利要求1所述的基于决策树的水下无线传感器网络中的信任更新方法，其特征在于，所述步骤(3)具体包括：

(3.1)根据网络流量值和节点内存空间，设置滑动窗口的大小N，以限制信任特征记录的数量；

(3.2)根据滑动窗口大小和信任衰减特性，设置T为有效时间跨度，当最新信任特征记录与历史信任特征记录的生成时间差大于有效时间跨度T时，触发信任更新机制。

3.根据权利要求1所述的基于决策树的水下无线传感器网络中的信任更新方法，其特征在于，所述步骤(4)基于时间的信任更新触发模式中，超过设定时间阈值T，无论节点信任特征的变化是否超过所在范围阈值，都触发信任更新机制，具体包括：

(4.1)当节点i进行信息交互行为后，某一特征q波动超过其原等级范围内下限阈值，但节点间的不可信交互次数不超过总交互次数的γ(0<γ<0.5)倍时，节点信任特征等级在排斥因子Dl的作用下缓慢下降，计算公式为Dl*q，得到新特征值q’；

(4.2)当节点j进行信息交互行为后，某一特征m波动超过其原等级范围内下限阈值，但节点间不可信交互次数超过总交互次数的γ(0<γ<0.5)倍时，节点信任特征等级在排斥因子Df的作用下迅速下降，计算公式为Df*m，得到新特征值m’；

(4.3)当节点k进行信息交互行为后，某一特征n波动超过其原等级范围内上限阈值，节点信任特征等级在支持因子S的作用下缓慢上升，计算公式为S*n得到新特征值k’。

4.根据权利要求1所述的基于决策树的水下无线传感器网络中的信任更新方法，其特征在于，所述步骤(5)基于信任特征变化的更新触发模式，具体包括：

(5.1)分别计算节点四个信任特征属性的信息增益率GainRatio(S,A_i)，计算公式为，

其中，A_i表示某特征值，S为特征集合，S_v为S中在属性A上值等于v的样本集，|S_i|表示第i个子数据集中样本数量，|S|表示划分之前数据集中样本总数量，训练数据集S通过属性A的属性值划分为c个子数据集，S的取值有s₁，s₂，...，s_n,对于每一个的取值s_i，其概率P(S＝s_i)＝p_i,(i＝1,2,...,n)，Gain(S,A)为属性A的信息增益，Entropy(S)为样本S的信息熵，SplitInformation(S,A)为属性A的熵，反映属性A本身的信息量；

(5.2)在设定时间阈值T内，当节点的任意一个信任特征波动超过设定的阈值时则触发信任更新。

Images