CN113301629A - 一种均衡安全和能耗的智能家居优化分簇路由方法 - Google Patents

一种均衡安全和能耗的智能家居优化分簇路由方法 Download PDF

Info

Publication number
CN113301629A
CN113301629A CN202110480797.XA CN202110480797A CN113301629A CN 113301629 A CN113301629 A CN 113301629A CN 202110480797 A CN202110480797 A CN 202110480797A CN 113301629 A CN113301629 A CN 113301629A
Authority
CN
China
Prior art keywords
node
nodes
trust
data
cluster head
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.)
Granted
Application number
CN202110480797.XA
Other languages
English (en)
Other versions
CN113301629B (zh
Inventor
洪榛
朱琦
安曼
李雄
周磊强
刘涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202110480797.XA priority Critical patent/CN113301629B/zh
Publication of CN113301629A publication Critical patent/CN113301629A/zh
Application granted granted Critical
Publication of CN113301629B publication Critical patent/CN113301629B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
    • H04W40/32—Connectivity information management, e.g. connectivity discovery or connectivity update for defining a routing cluster membership
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/2803—Home automation networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/46—Cluster building
    • 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
    • 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
    • H04W40/20—Communication route or path selection, e.g. power-based or shortest path routing based on geographic position or location
    • 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)
  • Automation & Control Theory (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

一种均衡安全和能耗的智能家居优化分簇路由方法，该方法以智能家居环境为背景，构建分区域异构网络模型，设计了分层信任评估机制、优化簇首选取方法和异常数据筛选机制，能有效抵御智能家居网络的内部攻击。同时该方法改进了传统的随机簇首选取机制，即保留了簇首的随机性，又保证了簇首数量和位置的合理化。本发明所提出的智能家居优化分簇路由方法能够为节点提供综合可靠的信任评价，既提升了簇首的可信度，又保证了节点的能耗均衡，有效延长了网络寿命。

Description

一种均衡安全和能耗的智能家居优化分簇路由方法
技术领域
本发明涉及智能家居安全领域，具体是指一种均衡安全和能耗的智能家居优化分簇路由方法。
背景技术
随着物联网规模不断壮大，其应用范围涉及国民经济和人类社会生活的方方面面。与此同时，针对网络环境和用户隐私数据的攻击也日益增多，网络安全问题已成为限制物联网发展的主要障碍之一。以室内智能系统为核心的智能家居已成为物联网领域的热门研究方向。智能家居环境是一个高度敏感且私人化的区域，其传输的数据通常涉及住户的生命安全和个人隐私。与普通监测环境相比，智能家居环境中的数据敏感系数更高、安全隐患更大，容易遭受内部攻击。
无线传感器网络(WSNs，Wireless Sensor Networks)是智能家居网络的基础组成，为了降低成本，其传感器通常由能量受限的电池供电，而且计算能力、存储能力、通信带宽和运行环境等资源均受到限制，这就使得传感器节点极易被攻击者俘获和破坏，无法保障数据传输的安全性，而且任意一个传感器节点受到攻击都会对整个网络造成严重威胁。传统路由协议如SPIN、LEACH、TEEN、SAR等只关注如何将数据包从源节点传输到汇聚端，无法解决智能家居分簇网络的内部攻击问题。
现有安全分簇路由方法通常在选取簇首时综合考虑节点的能量、距离、分布和信任度等因素，同时通过优化簇的大小以及每轮选取的簇首个数来降低节点能耗。但是在智能家居系统中，传感器节点往往均匀分布在许多子区域组成的空间中，数据传输链路会受到家具和墙体的阻挡。上述安全分簇路由方法虽然在一定程度上保证了簇首的安全性，但是没有考虑智能家居网络的环境特点，所选取簇首的位置分布不均匀，这就容易导致节点过早死亡，产生“热点”或“空洞”现象，损害能耗均衡和网络寿命。
发明内容
为了克服现有技术的不足，本发明提供一种均衡安全和能耗的智能家居优化分簇路由方法，既能保证簇首安全，又能控制节点能耗，适用于由多个固定簇构成的智能家居分簇网络。
为了解决上述技术问题本发明提供如下的技术方案：
一种均衡安全和能耗的智能家居优化分簇路由方法，包括以下步骤：
1)智能家居异构网络模型构建，结合室内家居环境的空间格局，构建分区域异构网络模型并部署传感器节点；
2)分层信任评估机制设计，对节点的整体信任评估包含成员节点层面的信任评价，簇首层面的信任评价和参考节点层面的信任监测；
3)优化簇首选取方法设计；
4)异常数据筛选方法设计，利用节点传输的历史数据和相同区域内其余同类型节点传输的实时数据，判断该节点发送的实时数据是否可靠；
5)结合网络模型，分层信任机制和优化簇首选取方法，提出一种均衡安全和能耗的优化分簇路由方法，该方法整体分为三个阶段：簇首选取阶段，固定成簇阶段和稳定传输阶段。
进一步，所述步骤1)中，采用基于区域划分簇的思想对室内家居环境进行分割，将每个子区域看作一个独立簇，在每个子区域中均匀部署普通传感器节点，在每个子区域门口放置参考节点，在整个区域中心放置sink节点；每个子区域进行独立的簇首选取工作，由簇首负责收集子区域内所有传感器节点的数据并传送至参考节点，参考节点再通过一跳或多跳方式将数据发送至sink节点。
可选地，所述步骤1)中，设置智能家居网络相关参数如下：
①网络由传感器节点、参考节点和sink节点三种节点组成，所有节点都为静止节点，网络部署结束后，节点位置固定；
②各子区域内的传感器节点可以相互通信，相邻子区域除了参考节点外都不能通信；
③所有传感器节点同构，具有相同能量、计算能力和存储能力，所有参考节点同构且性能优于传感器节点；
④所有传感器节点的初始能量一致，发送、接收和融合数据时消耗的能量相同；
⑤在网络初始化阶段，sink为网络中所有节点分配独一无二的ID号，为各个子区域及其参考节点分配唯一的区域号；
⑥sink的通信范围覆盖全网节点，参考节点的通信范围覆盖所属子区域的全部节点。
进一步，所述步骤2)中，在步骤1)的网络环境下，设计分层信任评估机制，包含成员节点层面的信任评价、簇首层面的信任评价和参考节点层面的信任监测；各个层面信任评价的实现方法如下：
①成员节点层面的信任评价包含单节点的直接信任评价和邻居节点间的相互信任评价，首先，根据节点转发数据包的数量和接收数据包的数量计算成员节点自身的直接信任值，得到单个节点i的自身直接信任值：
Figure BDA0003048492590000031
其中，Pr表示节点i接收到的数据包总数，Pt表示节点i转发的数据包总数，其次，根据邻居节点间的交互行为计算节点之间的相互信任评价，得到邻居节点Ni对节点i的直接信任评价值：
Figure BDA0003048492590000041
其中，|Ni|表示节点i的邻居节点数量，DT(k,i)表示邻居节点k对于节点i的直接信任评价值；
②簇首层面的信任评估指的是簇首对簇成员节点的信任评估，簇首接收到簇内成员节点的直接信任值和邻居评价信任值后进行信任融合，同时考虑簇成员节点间的间接信任评价，节点间的间接信任评估由两个节点的共同邻居节点给出，在共同邻居节点中选取可靠节点作为第三方推荐节点，得到邻居节点Ni对节点i的间接信任值：
Figure BDA0003048492590000042
其中，|Ni|表示节点i的邻居节点数量，IDT(k,i)表示邻居节点k对于节点i的间接信任评估，根据接收到的节点的自身直接信任值、邻居节点直接信任值和计算得到的节点间接信任值，簇首计算簇内节点i的综合可信度TTi：
TTi＝h1*NDTi+h2*NNTi+h3*NITi
其中，h1,h2,h3表示权重系数，且0<h1,h2,h3<1，h1+h2+h3＝1；
③参考节点层面的信任监测指的是参考节点对所属子区域内所有节点的信任监测，在智能家居网络结构中，参考节点不仅是子区域的数据收集中心，同时也是信任管理中心，簇首将簇内成员节点的信任值发送给参考节点，参考节点处会存储簇内所有节点的历史信任值，并周期性地检查节点信任值的变化，若正常节点的信任值在一个监测周期前后出现异常下降，则节点行为可疑，若可疑节点的信任值在连续设定数量时间窗口内均发生大幅度下降，则可判定其为恶意节点，根据检测结果，参考节点为节点分配信任级别，分别为可信节点、可疑节点和恶意节点，接着参考节点会向sink节点发出请求，将恶意节点剔除出去，禁止恶意节点的一切活动。
所述步骤3)中，根据步骤2)得到的节点信任值和信任级别，在每个子区域内进行簇首选取工作。
进一步，所述步骤3)中，优化簇首选取方法的实现过程如下：
①簇首选取初始化：参考节点向当前区域所有节点广播信息包，收集节点的剩余能量REi、与参考节点的距离disi_RN、ID号Nid、信任值TTi；
②更新节点信息：参考节点存储节点信息作为候选节点列表，并更新列表信息，建立信任级别，即可信列表TrustedList、可疑列表SuspiciousList和恶意列表ViciousList；
③计算节点质量：参考节点在可信节点列表中选取簇首，簇首的通信范围覆当前区域内所有节点，并且有充足的能量完成数据采集、信任评估和数据转发任务，计算节点i的质量为：
Figure BDA0003048492590000051
其中，alive表示当前区域内所有存活节点的数量，REi表示节点i的剩余能量，
Figure BDA0003048492590000052
表示节点i到参考节点的距离，TTi表示节点i的信任值；
④选取最佳候选节点集合：优化目标是寻找质量最高的一组节点作为簇首的候选节点，寻找最佳候选节点集合的步骤如下：
a.初始参数设置：当前区域的存活可信节点列表(AliveTrustedList)，存活可信节点数量(Alive)，最大迭代次数(Maxitr)；
b.从存活可信节点中选取一组解候选节点S，候选节点的数量设置为存活可信节点数量的一半；
c.计算S中每个节点的质量；
d.初始化迭代数itr为零，当itr达到Maxitr时结束迭代；
e.每次迭代时，从剩余存活可信列表中随机选取一个新节点J，计算新节点的质量，随机选取S中的一个候选节点I，如果新节点J的质量高于原候选节点I的质量，则用J替代I，更新候选节点集合S；
f.迭代结束后，得到一组质量较高的候选节点集合S。
⑤随机选取簇首：参考节点从候选节点集合S中随机选取一个节点作为所属子区域的簇首。
所述步骤4)中，对所述步骤3)中选出的簇首传输到参考节点的数据进行异常筛选。
进一步，所述步骤4)中，异常数据筛选方法包含直接数据筛选和区域相对数据筛选，实现过程如下：
①直接数据筛选：在异构网络模型中，参考节点负责保存子区域内所有传感器节点的感知数据，假设数据采集是周期性的，理论上来说某个节点的实时数据与历史数据的差值应该在一定范围内，因为一段时间内室内环境情况相对稳定，某个小区域内传感器所处环境的波动也很小，如果实时数据与历史数据相差过大，则代表节点异常，通过传感器节点的实时监测值和历史数据来计算直接的数据信任度，历史数据是最近一段时间内数据的平均值，得到节点i的直接数据可信度：
Figure BDA0003048492590000061
其中，MAX表示传感器感知的数据的最大值，
Figure BDA0003048492590000062
表示实时监测数据，
Figure BDA0003048492590000063
表示历史数据的平均值，Kddt表示实时数据和历史数据之差的绝对值的上限；
②区域相对数据筛选：在室内环境中，同一小区域内的同类型的传感器节点感知的实时数据的差值在一定范围内，因此可以根据相同子区域内同一监测指标的传感器节点的平均数据来判断单个节点的数据是否可信，如果某节点的实时数据与区域平均实时数据的差值过大，则代表节点异常，通过实时数据与区域平均实时数据计算区域相对数据信任度，以温湿度传感器为例，假设子区域R内温湿度传感器的数量为m，则区域实时数据的平均值为
Figure BDA0003048492590000071
得到节点i的区域相对数据可信度：
Figure BDA0003048492590000072
其中，Kdrt表示当前节点的实时数据和平均实时数据之差的绝对值的上限；
③结合节点的直接数据可信度和区域相对数据可信度将可信度较低的数据过滤掉，异常数据可能是短时间传感器工作异常造成的误差较大的数据，也可能是恶意节点篡改后的恶意数据，如果某节点发送的数据中异常数据数量少于设定阈值时，删除异常数据即可，如果某节点发送的数据中异常数据数量大于设定阈值时，判断这个节点为恶意节点，得到节点i的实时数据可信度：
DataTi＝y1*Ddti+y2*Drti
其中，y1和y2表示权重系数，且0<y1,y2<1，y1+y2＝1。
所述步骤5)中，结合所述步骤1)至步骤4)，实现了一种均衡安全和能耗的智能家居优化分簇路由方法，过程如下：
①簇首选取阶段：智能家居异构分簇网络模型根据室内空间的格局特点划分子区域，将每个子区域看作独立的簇，为保证每个子区域每轮有且只有一个簇首，在每个簇内独立进行簇首选取工作，由每个子区域的参考节点收集节点信息后，生成一组高质量候选节点，并随机选取节点为簇首，同时为保证簇首的可信度，只有可信列表中的节点有资格参与簇首选取；
②固定成簇阶段：簇首会向全网发送广播消息给所有非簇头节点，广播消息包中除了声明包含簇首ID和簇首位置的自身信息外还包含区域号，非簇头节点收到广播信息后，解析包获取区域号，如果消息包内的区域号与自身区域号一致，则该节点向具有相同区域号的簇首发送加入请求包，请求包内包含信息有节点ID、剩余能量、到参考节点的距离、信任度以及区域号，簇头节点接收到非簇头节点的请求信息后就将其收入自己的簇中，待所有节点都加入相应的簇后，簇首会为成员节点建立TDMA时隙表指导节点发送数据，通过观察TDMA时隙中的节点的交互行为来评估节点的信任度并进行信任管理，因此需要对一般的TDMA时隙表进行改进，在数据传输帧(DTF，Data Transmission Frame)后嵌入行为监测帧(BMF，Behavior Monitoring Frame)和信任管理帧(TMF，Trust Management Frame)；
③稳定传输阶段：在稳定传输阶段，根据TDMA时隙分配，在DTF时间帧内簇内成员节点以此向簇首发送数据，接着在BMF时间帧内监测当前传输数据的邻居节点的数据交互行为并记录，参考节点作为区域的主监测节点会监测并记录子区域内所有节点的数据交互行为。作为所属区域的数据中心，参考节点接收到簇首数据后会删去异常或错误数据再发送到sink节点。在TMF时间帧内各个参考节点收集各自区域内所有节点在DTF时间帧记录的监测结果，根据节点行为执行信任评估和信任管理。
本发明的有益效果为：智能家居优化分簇路由方法既保证了簇首的安全性和随机性，又保证了节点的能耗均衡，有效延长了网络寿命，该方法能有效均衡安全和能耗。
附图说明
图1为本发明一实施例的智能家居区域分割和节点部署图；
图2为本发明一实施例的分层信任评估机制的实现图；
图3为本发明一实施例的优化簇首选取方法的实现图；
图4为本发明一实施例的智能家居优化分簇路由的实现流程图；
图5为本发明一实施例的改进TDMA时隙分配图。
具体实施方式
为了能够更清楚地描述本发明的技术内容，下面结合具体事例来进行进一步的描述。
参照图1至图5，一种均衡安全和能耗的智能家居优化分簇路由方法，该方法以智能家居环境为背景，构建分区域异构网络模型，设计了分层信任评估机制、优化簇首选取方法和异常数据筛选机制，能有效抵御智能家居网络的内部攻击。同时该方法改进了传统的随机簇首选取机制，即保留了簇首的随机性，又保证了簇首数量和位置的合理化。提出的智能家居优化分簇路由方法能够为节点提供综合可靠的信任评价，既提升了簇首的可信度，又保证了节点的能耗均衡，从而有效延长了网络寿命。
本实施例提供的均衡安全和能耗的智能家居优化分簇路由方法，包括以下步骤：
步骤1)构建网络模型，采用基于区域划分簇的思想对室内家居环境进行空间分割，如图1所示，将每个房间看作一个子区域，即单独的簇。按照住户需求和位置特点在每个房间中均匀部署传感器节点，在房间门口放置参考节点，在整个区域中心放置sink节点；
步骤2)构建分层信任评估模型对节点进行信任评价，如图2所示，包含成员节点层面的信任评价，簇首层面的信任评价和参考节点层面的信任监测，各个层面的信任评价方法如下：
①成员节点层面的信任评价：首先，根据节点转发数据包的数量和接收数据包的数量计算成员节点自身的直接信任值，得到单个节点i的自身直接信任值：
Figure BDA0003048492590000101
其次，根据邻居节点间的交互行为计算节点之间的相互信任评价，得到邻居节点Ni对节点i的直接信任评价值：
Figure BDA0003048492590000102
②簇首层面的信任评估：节点间的间接信任评估由两个节点的共同邻居节点给出，在共同邻居节点中选取可靠节点作为第三方推荐节点，得到邻居节点Ni对节点i的间接信任值：
Figure BDA0003048492590000103
③参考节点层面的信任监测：簇首将簇内成员节点的信任值发送给参考节点，参考节点处会存储簇内所有节点的历史信任值，并周期性地检查节点信任值的变化，若正常节点的信任值在一个监测周期前后出现异常下降，则节点行为可疑，若可疑节点的信任值在连续设定数量时间窗口内均发生大幅度下降，则可判定其为恶意节点。根据检测结果，参考节点为节点分配信任级别，分别为可信节点、可疑节点和恶意节点，接着参考节点会向sink节点发出请求，将恶意节点剔除出去，禁止恶意节点的一切活动；
步骤3)采用优化的簇首选取方法为每个簇选取簇首，如图3所示，选取步骤如下：
①簇首选取初始化：参考节点向当前区域所有节点广播信息包，收集节点的剩余能量REi、与参考节点的距离disi_RN、ID号Nid、信任值TTi；
②更新节点信息：参考节点存储节点信息作为候选节点列表，并更新列表信息，建立信任级别，即可信列表TrustedList、可疑列表SuspiciousList和恶意列表ViciousList；
③计算节点质量：参考节点在可信节点列表中选取簇首，簇首的通信范围覆当前区域内所有节点，并且有充足的能量完成数据采集、信任评估和数据转发任务，计算节点i的质量为：
Figure BDA0003048492590000111
其中，alive表示当前区域内所有存活节点的数量，REi表示节点i的剩余能量，
Figure BDA0003048492590000112
表示节点i到参考节点的距离，TTi表示节点i的信任值；
④选取最佳候选节点集合：优化目标是寻找质量最高的一组节点作为簇首的候选节点，寻找最佳候选节点集合的步骤如下：
a.初始参数设置：当前区域的存活可信节点列表AliveTrustedList，存活可信节点数量Alive，最大迭代次数Maxitr；
b.从存活可信节点中选取一组解候选节点S，候选节点的数量设置为存活可信节点数量的一半；
c.计算S中每个节点的质量；
d.初始化迭代数itr为零，当itr达到Maxitr时结束迭代；
e.每次迭代时，从剩余存活可信列表中随机选取一个新节点J，计算新节点的质量，随机选取S中的一个候选节点I，如果新节点J的质量高于原候选节点I的质量，则用J替代I，更新候选节点集合S；
f.迭代结束后，得到一组质量较高的候选节点集合S；
⑤随机选取簇首：参考节点从候选节点集合S中随机选取一个节点作为所属子区域的簇首；
步骤4)参考节点收集簇首传输的节点数据后，筛选掉异常数据再转发给sink节点，包含直接数据筛选和区域相对数据筛选，过程如下：
①直接数据筛选：通过传感器节点的实时监测值和历史数据来计算直接的数据信任度，历史数据是最近一段时间内数据的平均值，得到节点i的直接数据可信度：
Figure BDA0003048492590000121
②区域相对数据筛选：通过实时数据与区域平均实时数据计算区域相对数据信任度。以温湿度传感器为例，假设子区域R内温湿度传感器的数量为m，则区域实时数据的平均值为
Figure BDA0003048492590000122
得到节点i的区域相对数据可信度：
Figure BDA0003048492590000123
其中，Kdrt表示当前节点的实时数据和平均实时数据之差的绝对值的上限；
③结合节点的直接数据可信度和区域相对数据可信度将可信度较低的数据过滤掉，异常数据可能是短时间传感器工作异常造成的误差较大的数据，也可能是恶意节点篡改后的恶意数据，如果某节点发送的数据中异常数据数量少于设定阈值时，删除异常数据即可，如果某节点发送的数据中异常数据数量大于设定阈值时，可以判断这个节点为恶意节点，得到节点i的实时数据可信度：
DataTi＝y1*Ddti+y2*Drti
步骤5)实现一种均衡安全和能耗的智能家居优化分簇路由方法，如图4所示，过程如下：
①簇首选取阶段：智能家居异构分簇网络模型根据室内空间的格局特点划分子区域，将每个子区域看作独立的簇，为保证每个子区域每轮有且只有一个簇首，在每个簇内独立进行簇首选取工作，由每个子区域的参考节点收集节点信息后，生成一组高质量候选节点，并随机选取节点为簇首，同时为保证簇首的可信度，只有可信列表中的节点有资格参与簇首选取；
②固定成簇阶段：簇首会向全网发送广播消息给所有非簇头节点，广播消息包中除了声明包含簇首ID和簇首位置的自身信息外，还包含区域号非簇头节点收到广播信息后，解析包获取区域号，如果消息包内的区域号与自身区域号一致，则该节点向具有相同区域号的簇首发送加入请求包，请求包内包含信息有节点ID、剩余能量、到参考节点的距离、信任度以及区域号，簇头节点接收到非簇头节点的请求信息后就将其收入自己的簇中，待所有节点都加入相应的簇后，簇首会为成员节点建立TDMA时隙表指导节点发送数据，通过观察TDMA时隙中的节点的交互行为来评估节点的信任度并进行信任管理，因此需要对一般的TDMA时隙表进行改进，如图5所示，在数据传输帧(DTF，Data Transmission Frame)后嵌入行为监测帧(BMF，Behavior Monitoring Frame)和信任管理帧(TMF，Trust ManagementFrame)；
③稳定传输阶段：在稳定传输阶段，根据TDMA时隙分配，在DTF时间帧内簇内成员节点以此向簇首发送数据，接着在BMF时间帧内监测当前传输数据的邻居节点的数据交互行为并记录，参考节点作为区域的主监测节点会监测并记录子区域内所有节点的数据交互行为。作为所属区域的数据中心，参考节点接收到簇首数据后会删去异常或错误数据再发送到sink节点，在TMF时间帧内各个参考节点收集各自区域内所有节点在DTF时间帧记录的监测结果，根据节点行为执行信任评估和信任管理。
本说明书的实施例所述的内容仅仅是对发明构思的实现形式的列举，仅作说明用途。本发明的保护范围不应当被视为仅限于本实施例所陈述的具体形式，本发明的保护范围也及于本领域的普通技术人员根据本发明构思所能想到的等同技术手段。

Claims (6)

1.一种均衡安全和能耗的智能家居优化分簇路由方法，其特征在于，所述方法包括以下步骤：
1)智能家居异构网络模型构建，结合室内家居环境的空间格局，构建分区域异构网络模型并部署传感器节点；
2)分层信任评估机制设计，对节点的整体信任评估包含成员节点层面的信任评价，簇首层面的信任评价和参考节点层面的信任监测；
3)优化簇首选取方法设计；
4)异常数据筛选方法设计，利用节点传输的历史数据和相同区域内其余同类型节点传输的实时数据，判断该节点发送的实时数据是否可靠；
5)结合网络模型，分层信任机制和优化簇首选取方法，提出一种均衡安全和能耗的优化分簇路由方法，包含簇首选取阶段，固定成簇阶段和稳定传输阶段。
2.如权利要求1所述的一种均衡安全和能耗的智能家居优化分簇路由方法，其特征在于，所述步骤1)中，采用基于区域划分簇的思想对室内家居环境进行分割，将每个子区域看作一个独立簇，在每个子区域中均匀部署普通传感器节点，在每个子区域门口放置参考节点，在整个区域中心放置sink节点；每个子区域进行独立的簇首选取工作，由簇首负责收集子区域内所有传感器节点的数据并传送至参考节点，参考节点再通过一跳或多跳方式将数据发送至sink节点。
3.如权利要求1或2所述的一种均衡安全和能耗的智能家居优化分簇路由方法，其特征在于，所述步骤2)中，在步骤1)的网络环境下，设计分层信任评估机制，包含成员节点层面的信任评价、簇首层面的信任评价和参考节点层面的信任监测；成员节点层面的信任评价包含单节点的直接信任评价和邻居节点间的相互信任评价，首先，根据节点转发数据包的数量和接收数据包的数量计算成员节点自身的直接信任值，得到单个节点i的自身直接信任值：
Figure FDA0003048492580000021
其中，Pr表示节点i接收到的数据包总数，Pt表示节点i转发的数据包总数；其次，根据邻居节点间的交互行为计算节点之间的相互信任评价，得到邻居节点Ni对节点i的直接信任评价值：
Figure FDA0003048492580000022
其中，|Ni|表示节点i的邻居节点数量，DT(k,i)表示邻居节点k对于节点i的直接信任评价值，簇首层面的信任评估指的是簇首对簇成员节点的信任评估，簇首接收到簇内成员节点的直接信任值和邻居评价信任值后进行信任融合，同时考虑簇成员节点间的间接信任评价，节点间的间接信任评估由两个节点的共同邻居节点给出，在共同邻居节点中选取可靠节点作为第三方推荐节点，得到邻居节点Ni对节点i的间接信任值：
Figure FDA0003048492580000023
其中，|Ni|表示节点i的邻居节点数量，IDT(k,i)表示邻居节点k对于节点i的间接信任评估，根据接收到的节点的自身直接信任值、邻居节点直接信任值和计算得到的节点间接信任值，簇首计算簇内节点i的综合可信度TTi：TTi＝h1*NDTi+h2*NNTi+h3*NITi，其中，h1,h2,h3表示权重系数，且0<h1,h2,h3<1，h1+h2+h3＝1，参考节点层面的信任监测指的是参考节点对所属子区域内所有节点的信任监测；在智能家居网络结构中，参考节点不仅是子区域的数据收集中心，同时也是信任管理中心，簇首将簇内成员节点的信任值发送给参考节点，参考节点处会存储簇内所有节点的历史信任值，并周期性地检查节点信任值的变化，若正常节点的信任值在一个监测周期前后出现异常下降，则节点行为可疑，若可疑节点的信任值在连续设定数量时间窗口内均发生大幅度下降，则可判定其为恶意节点；根据检测结果，参考节点为节点分配信任级别，分别为可信节点、可疑节点和恶意节点，接着参考节点会向sink节点发出请求，将恶意节点剔除出去，禁止恶意节点的一切活动。
4.如权利要求3所述的一种均衡安全和能耗的智能家居优化分簇路由方法，其特征在于，所述步骤3)中，根据步骤2)得到的节点信任值和信任级别，在每个子区域内进行簇首选取工作，优化簇首选取方法的实现过程如下：①簇首选取初始化：参考节点向当前区域所有节点广播信息包，收集节点的剩余能量REi、与参考节点的距离disi_RN、ID号Nid、信任值TTi；②更新节点信息：参考节点存储节点信息作为候选节点列表，并更新列表信息，建立信任级别，即可信列表TrustedList、可疑列表SuspiciousList和恶意列表ViciousList；③计算节点质量：参考节点在可信节点列表中选取簇首，簇首的通信范围覆当前区域内所有节点，并且有充足的能量完成数据采集、信任评估和数据转发任务，计算节点i的质量为：
Figure FDA0003048492580000031
其中，alive表示当前区域内所有存活节点的数量，REi表示节点i的剩余能量，disiRN表示节点i到参考节点的距离，TTi表示节点i的信任值；④选取最佳候选节点集合：优化目标是寻找质量最高的一组节点作为簇首的候选节点，寻找最佳候选节点集合的过程如下：从存活可信节点中选取一组解候选节点S，候选节点的数量设置为存活可信节点数量的一半；计算S中每个节点的质量；初始化迭代数itr为零，当itr达到Maxitr时结束迭代；每次迭代时，从剩余存活可信列表中随机选取一个新节点J，计算新节点的质量，随机选取S中的一个候选节点I，如果新节点J的质量高于原候选节点I的质量，则用J替代I，更新候选节点集合S；迭代结束后，得到一组质量较高的候选节点集合S；⑤随机选取簇首：参考节点从候选节点集合S中随机选取一个节点作为所属子区域的簇首。
5.如权利要求4所述的一种均衡安全和能耗的智能家居优化分簇路由方法，其特征在于，所述步骤4)中，对所述步骤3)中选出的簇首传输到参考节点的数据进行异常筛选，异常数据筛选方法包含直接数据筛选和区域相对数据筛选，实现过程如下：通过传感器节点的实时监测值和历史数据来计算直接的数据信任度，历史数据是最近一段时间内数据的平均值，得到节点i的直接数据可信度：
Figure FDA0003048492580000041
其中，MAX表示传感器感知的数据的最大值，
Figure FDA0003048492580000042
表示实时监测数据，
Figure FDA0003048492580000043
表示历史数据的平均值，Kddt表示实时数据和历史数据之差的绝对值的上限，通过实时数据与区域平均实时数据计算区域相对数据信任度；对于温湿度传感器，假设子区域R内温湿度传感器的数量为m，则区域实时数据的平均值为
Figure FDA0003048492580000044
得到节点i的区域相对数据可信度：
Figure FDA0003048492580000045
其中，Kdrt表示当前节点的实时数据和平均实时数据之差的绝对值的上限，如果某节点发送的数据中异常数据数量少于设定阈值时，删除异常数据即可，如果某节点发送的数据中异常数据数量大于设定阈值时，判断这个节点为恶意节点，得到节点i的实时数据可信度：DataTi＝y1*Ddti+y2*Drti，其中，y1和y2表示权重系数，且0<y1,y2<1，y1+y2＝1。
6.如权利要求1或2所述的一种均衡安全和能耗的智能家居优化分簇路由方法，其特征在于，所述步骤5)中，结合所述步骤1)至步骤4)，设计了一种均衡安全和能耗的智能家居优化分簇路由方法，过程如下：①簇首选取阶段：智能家居异构分簇网络模型根据室内空间的格局特点划分子区域，将每个子区域看作独立的簇，为保证每个子区域每轮有且只有一个簇首，在每个簇内独立进行簇首选取工作，由每个子区域的参考节点收集节点信息后，生成一组高质量候选节点，并随机选取节点为簇首，同时为保证簇首的可信度，只有可信列表中的节点有资格参与簇首选取；②固定成簇阶段：簇首会向全网发送广播消息给所有非簇头节点，广播消息包中除了声明包含簇首ID和簇首位置的自身信息外还包含区域号，非簇头节点收到广播信息后，解析包获取区域号，如果消息包内的区域号与自身区域号一致，则该节点向具有相同区域号的簇首发送加入请求包，请求包内包含信息有节点ID、剩余能量、到参考节点的距离、信任度以及区域号，簇头节点接收到非簇头节点的请求信息后就将其收入自己的簇中，待所有节点都加入相应的簇后，簇首会为成员节点建立TDMA时隙表指导节点发送数据；通过观察TDMA时隙中的节点的交互行为来评估节点的信任度并进行信任管理，因此需要对一般的TDMA时隙表进行改进，在数据传输帧DTF后嵌入行为监测帧BMF和信任管理帧TMF；③稳定传输阶段：在稳定传输阶段，根据TDMA时隙分配，在DTF时间帧内簇内成员节点以此向簇首发送数据，接着在BMF时间帧内监测当前传输数据的邻居节点的数据交互行为并记录，参考节点作为区域的主监测节点会监测并记录子区域内所有节点的数据交互行为，作为所属区域的数据中心，参考节点接收到簇首数据后会删去异常或错误数据再发送到sink节点，在TMF时间帧内各个参考节点收集各自区域内所有节点在DTF时间帧记录的监测结果，根据节点行为执行信任评估和信任管理。
CN202110480797.XA 2021-04-30 2021-04-30 一种均衡安全和能耗的智能家居优化分簇路由方法 Active CN113301629B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110480797.XA CN113301629B (zh) 2021-04-30 2021-04-30 一种均衡安全和能耗的智能家居优化分簇路由方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110480797.XA CN113301629B (zh) 2021-04-30 2021-04-30 一种均衡安全和能耗的智能家居优化分簇路由方法

Publications (2)

Publication Number Publication Date
CN113301629A true CN113301629A (zh) 2021-08-24
CN113301629B CN113301629B (zh) 2022-10-28

Family

ID=77320752

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110480797.XA Active CN113301629B (zh) 2021-04-30 2021-04-30 一种均衡安全和能耗的智能家居优化分簇路由方法

Country Status (1)

Country Link
CN (1) CN113301629B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN105717888A (zh) * 2014-12-05 2016-06-29 克拉玛依红有软件有限责任公司 一种基于物联网传感数据的噪点过滤系统及智能预警系统
CN107466046A (zh) * 2017-08-03 2017-12-12 浙江理工大学 基于区域划分和信任管理机制的安全层次路由方法及应用
CN111065108A (zh) * 2020-01-15 2020-04-24 沈阳化工大学 一种基于能量和信任模型的低功耗自适应分簇路由方法
CN112019373A (zh) * 2020-07-10 2020-12-01 浙江工业大学 一种基于动态信任评估模型的智能家居安全数据采集方法
CN112203299A (zh) * 2020-07-09 2021-01-08 长春师范大学 一种基于改进ga的无线传感器网络分簇安全路由方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN105717888A (zh) * 2014-12-05 2016-06-29 克拉玛依红有软件有限责任公司 一种基于物联网传感数据的噪点过滤系统及智能预警系统
CN107466046A (zh) * 2017-08-03 2017-12-12 浙江理工大学 基于区域划分和信任管理机制的安全层次路由方法及应用
CN111065108A (zh) * 2020-01-15 2020-04-24 沈阳化工大学 一种基于能量和信任模型的低功耗自适应分簇路由方法
CN112203299A (zh) * 2020-07-09 2021-01-08 长春师范大学 一种基于改进ga的无线传感器网络分簇安全路由方法
CN112019373A (zh) * 2020-07-10 2020-12-01 浙江工业大学 一种基于动态信任评估模型的智能家居安全数据采集方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
GARRET L. MOORE ET AL.: "A Hybrid (Active-Passive) Clustering Technique for VANETs", 《2019 IEEE COMSOC INTERNATIONAL COMMUNICATIONS QUALITY AND RELIABILITY WORKSHOP (CQR)》 *
ZHEN HONG ET AL.: "A secure routing protocol with regional partitioned clustering and Beta trust management in smart home", 《WIRELESS NETWORKS 》 *
张伟杰 等: "随机多Sink模式下的异构网络组织策略", 《传感技术学报》 *
张冬旭 等: "无线传感网中兼顾多因素的簇头选择算法", 《成都信息工程学院学报》 *
黄婷婷 等: "无线传感器网络异构数据融合模型优化研究", 《计算机科学》 *

Also Published As

Publication number Publication date
CN113301629B (zh) 2022-10-28

Similar Documents

Publication Publication Date Title
Al-Turjman Cognitive routing protocol for disaster-inspired internet of things
Jiang et al. Trust based energy efficient data collection with unmanned aerial vehicle in edge network
CN112019373B (zh) 一种基于动态信任评估模型的智能家居安全数据采集方法
Rodrigues et al. Joint trust: An approach for trust-aware routing in WSN
Souza A Novel Energy Efficient Routing Protocol for Wireless Sensor Networks
Vazhuthi et al. A hybrid ANFIS reptile optimization algorithm for energy-efficient inter-cluster routing in internet of things-enabled wireless sensor networks
Jafarali Jassbi et al. Fault tolerance and energy efficient clustering algorithm in wireless sensor networks: FTEC
CN108092826A (zh) 基于骨干节点安全角色层级化的无线传感网安全模型
Kagade et al. Optimization assisted deep learning based intrusion detection system in wireless sensor network with two‐tier trust evaluation
Vijaya Kumar et al. Self‐Adaptive Trust Based ABR Protocol for MANETs Using Q‐Learning
Taghanaki et al. DEEM: A Decentralized and Energy Efficient Method for detecting sinkhole attacks on the internet of things
Pasikhani et al. Reinforcement-Learning-based IDS for 6LoWPAN
Rajesh et al. Energy competent cluster‐based secured CH routing EC2SR protocol for mobile wireless sensor network
Kiruba et al. A survey of secured cluster head: SCH based routing scheme for IOT based mobile wireless sensor network
CN113301629B (zh) 一种均衡安全和能耗的智能家居优化分簇路由方法
Kandah et al. Towards trusted and energy-efficient data collection in unattended wireless sensor networks
Sumesh et al. Energy efficient secure-trust-based ring cluster routing in wireless sensor network
Aravind et al. Optimized fuzzy logic based energy-efficient geographical data routing in internet of things
Gupta et al. Cluster formation through improved weighted clustering algorithm (IWCA) for mobile ad-hoc networks
Ram Prabha et al. Enhanced multi-attribute trust protocol for malicious node detection in wireless sensor networks
Tiwari et al. A cooperation federated forwarder selection technique for maximizing network lifetime in wireless sensor network
KR101219052B1 (ko) 계층적 클러스터 구조의 생성 방법
Xiao et al. Adaptive freeshape clustering for balanced energy saving in the WirelessHART networks
KR101244648B1 (ko) 계층적 클러스터 구조의 유지 방법
Manasa et al. DMHCET: detection of malicious node for hierarchical clustering based on energy trust in wireless sensor network

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