CN116506916A - 一种路由路径的确定方法、节点、终端及存储介质 - Google Patents
一种路由路径的确定方法、节点、终端及存储介质 Download PDFInfo
- Publication number
- CN116506916A CN116506916A CN202210057861.8A CN202210057861A CN116506916A CN 116506916 A CN116506916 A CN 116506916A CN 202210057861 A CN202210057861 A CN 202210057861A CN 116506916 A CN116506916 A CN 116506916A
- Authority
- CN
- China
- Prior art keywords
- node
- trust value
- trust
- predicted
- value
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims description 56
- 230000015654 memory Effects 0.000 claims description 48
- 238000012545 processing Methods 0.000 claims description 45
- 238000007476 Maximum Likelihood Methods 0.000 claims description 6
- 238000005094 computer simulation Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 18
- 241001123248 Arma Species 0.000 description 17
- 238000004891 communication Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 241000854291 Dianthus carthusianorum Species 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 2
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011022 operating instruction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Classifications
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/60—Context-dependent security
- H04W12/66—Trust-dependent, e.g. using trust scores or trust relationships
-
- 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
- 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)
- Computer Security & Cryptography (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请实施例公开了一种路由路径的确定方法、节点、终端及存储介质，第一节点不为头节点，第一节点基于相邻节点的信任证据，确定相邻节点对应的间接信任值；其中，信任证据是基于相邻节点的流量信息得到的；相邻节点包括至少一个；根据间接信任值，确定第一节点在当前时刻的最终信任值，将最终信任值发送至第二节点，以使得第二节点根据最终信任值预测第一节点在下一时刻的预测信任值，并基于预测信任值进行路由路径的确定。
Description
技术领域
本发明涉及网络安全技术领域，尤其涉及一种路由路径的确定方法、节点、终端及存储介质。
背景技术
移动自组织网络(Mobile Ad Hoc Network)是无线节点的分布式集合，可以在没有任何集中管理或固定网络基础设施的情况下工作。在这个网络中，节点可以随意移动，处于无线电范围内的节点可以互相通信，而不在无线电范围内的节点需要通过中间节点分组转发，以实现通信。然而，由于移动节点的弱连通性、资源约束和有限的物理保护，相对于传统网络，移动自组织网络的节点更容易受到攻击。因此，安全性是移动自组织网络的首要问题。
在移动自组织网络中，通过信任管理可以进一步提升整体网络安全；在现有技术中，实现移动自组织网络的信任管理的方法主要包括长短期记忆人工神经网络(LongShort-Term Memory，LSTM)模型预测结果的可信判断技术，以及主观逻辑框架的自回归模型信任计算技术；然而，LSTM模型的机器学习技术对训练数据要求较高，训练资源需求大；自回归模型信任计算技术完全基于现有信息计算节点的信任值，在实际应用中收集到的信息往往是不完整的，计算结果会产生偏差，由此可见，现有的信任路由路径的确定方法普遍存在计算效果较差的问题。
发明内容
本申请实施例提供了一种路由路径的确定方法、节点、终端及存储介质，能够有效提升可信路由的计算效果，以及路由路径的可靠性和安全性。
本申请实施例的技术方案是这样实现的：
第一方面，本申请实施例提供了一种路由路径的确定方法，应用于第一节点，所述第一节点不为头节点；所述方法包括：
基于相邻节点的信任证据，确定所述相邻节点对应的间接信任值；其中，所述信任证据是基于所述相邻节点的流量信息得到的；所述相邻节点包括至少一个；
根据所述间接信任值，确定所述第一节点在当前时刻的最终信任值，将所述最终信任值发送至第二节点，以使得所述第二节点根据所述最终信任值预测所述第一节点在下一时刻的预测信任值，并基于所述预测信任值进行路由路径的确定。
第二方面，本申请实施例提供了一种路由路径的确定方法，应用于第二节点，所述第二节点为与至少一个第一节点同一集群中的头节点；所述方法包括：
获取至少一个所述第一节点各自发送的当前时刻的最终信任值；
基于所述最终信任值和预测计算模型，预测至少一个所述第一节点各自对应的预测信任值；其中，所述预测信任值是对所述第一节点对应的下一时刻的信任值的预测；
基于所述预测信任值，从至少一个所述第一节点中确定目标节点，并基于所述目标节点确定路由路径。
第三方面，本申请实施例提供了一种第一节点，所述第一节点包括第一确定单元和第一发送单元，
所述第一确定单元，用于基于相邻节点的信任证据，确定所述相邻节点对应的间接信任值；其中，所述信任证据是基于所述相邻节点的流量信息得到的；所述相邻节点包括至少一个；
所述第一发送单元，用于根据所述间接信任值，确定所述第一节点在当前时刻的最终信任值，将所述最终信任值发送至第二节点，以使得所述第二节点根据所述最终信任值预测所述第一节点在下一时刻的预测信任值，并基于所述预测信任值进行路由路径的确定。
第四方面，本申请实施例提供了一种第二节点，所述第二节点包括获取单元、预测单元以及第二确定单元，
所述获取单元，用于获取至少一个所述第一节点各自发送的当前时刻的最终信任值；
所述预测单元，用于基于所述最终信任值和预测计算模型，预测至少一个所述第一节点各自对应的预测信任值；其中，所述预测信任值是对所述第一节点对应的下一时刻的信任值的预测；
所述第二确定单元，用于基于所述预测信任值，从至少一个所述第一节点中确定目标节点，并基于所述目标节点确定路由路径。
第五方面，本申请实施例提供了一种第一终端，所述第一终端运行如第三方面所述的第一节点，所述第一终端包括第一处理器、存储有所述第一处理器可执行指令的第一存储器，当所述指令被所述第一处理器执行时，实现如第一方面所述的方法。
第六方面，本申请实施例提供了一种第二终端，所述第二终端运行如第四方面所述的第二节点，所述终端包括第二处理器、存储有所述第二处理器可执行指令的第二存储器，当所述指令被所述第二处理器执行时，实现如第二方面所述的方法。
第七方面，本申请实施例提供了一种计算机可读存储介质，其上存储有程序，应用于第一终端和第二终端中，所述程序被第一处理器执行时，实现如第一方面所述的方法；所述程序被第二处理器执行时，实现如第二方面所述的方法。
本申请实施例提供了一种路由路径的确定方法、节点、终端及存储介质，第一节点基于相邻节点的信任证据，确定相邻节点对应的间接信任值；其中，信任证据是基于相邻节点的流量信息得到的；其中，相邻节点包括至少一个；根据间接信任值，确定第一节点在当前时刻的最终信任值，将最终信任值发送至第二节点，以使得第二节点根据最终信任值预测第一节点在下一时刻的预测信任值，并基于预测信任值进行路由路径的确定。第二节点获取至少一个第一节点各自发送的当前时刻的最终信任值；基于最终信任值和预测计算模型，预测至少一个第一节点各自对应的预测信任值；其中，预测信任值是对第一节点对应的下一时刻的信任值的预测；基于预测信任值，从至少一个第一节点中确定目标节点，并基于目标节点确定路由路径。也就是说，在本申请中，集群中非头节点的第一节点可以根据相邻节点的信任证据确定间接信任值，进而根据间接信任值确定当前时刻的最终信任值，作为集群中头节点的第二节点通过接收第一节点的最终信任值，可以根据最终信任值和预测计算模型对第一节点在下一时刻的信任值进行预测，最终根据第一节点的预测信任值确定路由路径；由此可见，本申请结合相邻节点对应的间接信任值确定最终信任值，可以有效提高最终信任值的准确度，进而基于预测计算模型和最终信任值预测得到第一节点在下一时刻的预测信任值，可以更准确的预测节点信任值，实现节点的可信度量，有效提升可信路由的计算效果；最终据此预测信任值所确定的路由路径，能够有效提高路由路径的可靠性和安全性。
附图说明
图1为本申请实施例提出的路由路径的确定方法的实现流程示意图一；
图2为本申请实施例提出的路由路径的确定方法的实现流程示意图二；
图3为本申请实施例提出的路由路径的确定方法的实现流程示意图三；
图4为本申请实施例提出的路由路径的确定方法的实现流程示意图四；
图5为本申请实施例提出的第一节点的组成结构示意图；
图6为本申请实施例提出的第二节点的组成结构示意图；
图7为本申请实施例提出的第一终端的组成结构示意图；
图8为本申请实施例提出的第二终端的组成结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。可以理解的是，此处所描述的具体实施例仅用于解释相关申请，而非对该申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关申请相关的部分。
移动自组织网络是无线节点的分布式集合，可以在没有任何集中管理或固定网络基础设施的情况下工作。在这个网络中，在任何给定的时间，节点都可以随意移动。因此，网络的拓扑和节点之间的互连是快速和难以预测的。在移动自组织网络中，处于无线电范围内的节点可以立即相互通信，而不在彼此无线电范围内的节点需要在中间节点处分组转发，从源节点中继到目的地节点，从而实现通信。因此，移动自组网中的节点必须相互协作进行多跳通信。然而，由于移动节点的弱连通性、资源约束和有限的物理保护，相对于传统网络，移动自组织网络的节点更容易受到攻击。因此，安全性是移动自组织网络的首要问题。
单一的密码机制不能全部检测或者完全防止对网络构成安全威胁的攻击行为。为了确保节点的可用性并在它们之间提供安全的端到端通信，单个节点的可信度量和多节点的信任管理是对密码机制的有效补充，也就是说，通过信任管理可以进一步提升整体网络安全。在移动自组织网络中，密码机制和信任管理可以携手提升整体网络安全。
现在移动物联网的信任决策框架主要有基于LSTM模型预测结果的可信判断技术和基于主观逻辑框架的自回归模型信任计算技术。例如利用LSTM seq2seq模型预测下一时刻节点的行为数据，根据实际采集到的操作行为数据，计算得到的预测值和实际操作行为数据之间的差异值，通过差异值判断用户行为是否可信，确保物联网设备的行为可信，解决物联网中存在的被攻击被利用的安全风险。以及现有技术可以采用主观逻辑模型和自回归模型(Autoregressive Model)相结合的方法，计算节点的直接信任值。同时通过传播距离因素，计算节点间的间接信任值。结合直接信任和间接信任，可以有效避免恶意节点攻击。
然而，现有技术仍然存在一些问题，例如，LSTM模型的机器学习技术对训练数据要求较高，训练资源需求大，无法并行计算，当模型网络较深的时候计算效率较低；基于主观逻辑和自回归模型的信任值计算方案，完全基于现有信息计算节点的信任值，在实际应用中收集到的信息往往是不完整的，计算结果会产生偏差；以及，自回归模型和LSTM模型都无法完整准确的描述节点信任数据的全部特征；自回归模型只考虑了数据存在自相关性，模型中干扰项的方差被设为恒定值，没有考虑条件异方差序列的序列相关性，与实际情况不符；LSTM模型虽然可以较好的你和时间序列数据中的长记忆特征，但是对具有聚集和突发特征的数据，却无法做到准确预测。由此可见，现有的信任计算方法普遍存在计算效果较差的问题。
为了解决现有技术中路由路径的确定方法所存在的问题，本申请实施例提供了一种路由路径的确定方法、节点、终端及存储介质，第一节点不为头节点第一节点基于相邻节点的信任证据，确定相邻节点对应的间接信任值；其中，信任证据是基于相邻节点的流量信息得到的；其中，相邻节点包括至少一个；根据间接信任值，确定第一节点在当前时刻的最终信任值，将最终信任值发送至第二节点，以使得第二节点根据最终信任值预测第一节点在下一时刻的预测信任值，并基于预测信任值进行路由路径的确定。第二节点为与至少一个第一节点同一集群中的头节点；第二节点获取至少一个第一节点各自发送的当前时刻的最终信任值；基于最终信任值和预测计算模型，预测至少一个第一节点各自对应的预测信任值；其中，预测信任值是对第一节点对应的下一时刻的信任值的预测；基于预测信任值，从至少一个第一节点中确定目标节点，并基于目标节点确定路由路径，能够有效提升可信路由的计算效果，进而提升所确定的路由路径的可靠性和安全性。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
实施例一
本申请实施例提供了一种路由路径的确定方法，应用于第一节点。图1为本申请实施例提出的路由路径的确定方法的实现流程示意图一，如图1所示，第一节点的路由路径的确定方法可以包括以下步骤：
步骤101、基于相邻节点的信任证据，确定相邻节点对应的间接信任值；其中，信任证据是基于相邻节点的流量信息得到的；其中，相邻节点包括至少一个。
在本申请的实施例中，第一节点可以基于相邻节点的信任证据，确定相邻节点对应的间接信任值；其中，信任证据是基于相邻节点的流量信息得到的；其中，相邻节点包括至少一个。
需要说明的是，在本申请的实施例中，在一个集群或一个簇中，可以包括多个节点，多个节点中包含一个头节点，即簇内簇头(Clusterhead，CH)；每个簇内的簇头由随机选举产生，簇头可以发起可信计算，可以负责信任传播，以及建立从源到目的地的路由等；第一节点即为集群或簇内，不为头节点或簇头的节点。
进一步地，在本申请的实施例中，相邻节点是指第一节点对应的相邻节点，相邻节点包括至少一个；第一节点基于相邻节点的流量信息确定信任证据，进而根据信任证据确定相邻节点的间接信任值。
示例性的，在本申请的实施例中，第一节点为节点A，其相邻节点有节点B，节点A基于节点B到节点A的流量信息，确定节点B的信任证据，进而根据节点B的信任证据确定节点B的间接信任值。
需要说明的是，在本申请的实施例中，可以通过收集预设时间内的信任证据确定间接信任值，具体地，第一节点可以获取预设时间内的相邻节点的流量信息，进而根据流量信息进行网络参数的统计处理，获得信任证据；从而基于信任证据和第一计算模型预测间接信任值。
进一步地，在本申请的实施例中，第一节点可以周期性的执行间接信任值计算，即周期性的收集预设时间内的信任证据，从而确定的间接信任值可以表征预设时间期满后，所对应的当前时刻下第一节点的相邻节点的可信度。
步骤102、根据间接信任值，确定第一节点在当前时刻的最终信任值，将最终信任值发送至第二节点，以使得第二节点根据最终信任值预测第一节点在下一时刻的预测信任值，并基于预测信任值进行路由路径的确定。
在本申请的实施例中，第一节点在基于相邻节点的信任证据，确定相邻节点对应的间接信任值之后，可以根据间接信任值，确定第一节点在当前时刻的最终信任值，将最终信任值发送至第二节点，以使得第二节点根据最终信任值预测第一节点在下一时刻的预测信任值，并基于预测信任值进行路由路径的确定。
需要说明的是，在本申请的实施例中，最终信任值为第一节点在当前时刻下的信任值，最终信任值表征第一节点在当前时刻的可信度。
具体地，在本申请的实施例中，第一节点根据间接信任值，确定第一节点在当前时刻的最终信任值的方法可以包括：根据各个相邻节点对应的间接信任值计算算术平均值，将算数平均值作为最终信任值；或者，确定每个相邻节点的间接信任值对应的权重参数；进而根据各个间接信任值和各个间接信任值对应的权重参数计算加权平均值，将加权平均值作为第一节点在当前时刻的最终信任值。
示例性的，在本申请的实施例中，第一节点为节点A，节点A的相邻节点包括节点B、节点C以及节点D；则节点A可以根据节点B的间接信任值、节点C的间接信任值以及节点D的间接信任值计算算数平均值，得到最终信任值；或者，由于节点B、节点C以及节点D与节点A之间的距离、流量信息等存在差异，可以分别对节点B的间接信任值、节点C的间接信任值以及节点D的间接信任值赋予不同的权重参数λ1、λ2以及λ3，从而根据节点B的间接信任值、节点C的间接信任值、节点D的间接信任值、λ1、λ2以及λ3计算加权平均值，得到节点A在当前时刻的最终信任值。
进一步地，在本申请的实施例中，第一节点需要将表征第一节点在当前时刻的信任度的最终信任值发送至第二节点，第二节点可以利用最终信任值进行预测，获得第一节点在下一时刻的预测信任值，并基于预测信任值确定路由路径，由此可以选择在未来一段时间能够保证可靠度的路由路径，提高了路由的安全性。
可以理解的是，在本申请的实施例中，预测信任值可以表征第一节点在下一时刻的可信度。
需要说明的是，在本申请的实施例中，下一时刻可以是一个具体的时刻，也可以是一个时间段。
还可以理解的是，在本申请的实施例中，路由路径即为所确定的，从源端到目的端，用于数据传输的路径。
需要说明的是，在本申请的实施例中，第二节点可以获取至少一个第一节点各自发送的当前时刻的最终信任值；进而基于最终信任值和预测计算模型，预测至少一个第一节点各自对应的预测信任值；其中，预测信任值是对第一节点对应的下一时刻的信任值的预测；从而基于预测信任值，从至少一个第一节点中确定目标节点，并基于目标节点确定路由路径；其中，预测计算模型是基于自回归滑动平均模型(Autoregressive MovingAverage Model，ARMA Model)和广义条件异方差模型(Generalized AutoregressiveConditional Heteroskedasticity Model，GARCH Model)构建的；其中，广义条件异方差模型可以采用优化后的GARCH模型(Markov Regime-Switching Zero-Drift EGARCH，MRS-ZD-EGARCH)。
进一步地，在本申请的实施例中，在第二节点确定了路由路径以后，若确定的路由路径中包含第一节点，则第一节点还可以按照预设时间间隔对路由路径进行监控处理，获得链路结果；若链路结果为路由路径故障，则将链路结果发送至第二节点，以使得第二节点根据链路结果对路由路径进行取消处理。也就是说，在本申请的实施例中，在路由路径上的每个节点都会定期监控链路，当路由路径发生故障时，例如由于节点移动而发生故障，则可以由第二节点取消该路由路径。
进一步地，在本申请的实施例中，第一节点基于相邻节点的信任证据，确定相邻节点对应的间接信任值的方法，即步骤101提出的方法可以包括以下步骤：
步骤101a、获取预设时间内的相邻节点的流量信息，并根据流量信息进行网络参数的统计处理，获得信任证据；其中，信任证据为不同网络参数的统计数量。
在本申请的实施例中，第一节点基于相邻节点的信任证据，确定相邻节点对应的间接信任值，具体地，第一节点可以先获取预设时间内的相邻节点的流量信息，并根据流量信息进行网络参数的统计处理，获得信任证据；其中，信任证据为不同网络参数的统计数量。
需要说明的是，在本申请的实施例中，流量信息可以为相邻节点到第一节点之间的流量信息；第一节点通过收集预设时间内相邻节点的流量信息，可以根据流量信息进行网络参数的统计处理，从而获得信任证据；其中，预设时间的大小本申请不做具体限定。
示例性的，在本申请的实施例中，第一节点为簇内任意节点A，节点B为节点A的一个相邻节点，节点A通过监视获取预设时间τtrust内节点B到节点A的流量信息，从而根据该流量信息进行网络参数的统计处理，获得该预设时间τtrust内节点B的信任证据ζt AB。
需要说明的是，在本申请的实施例中，信任证据是通过对流量信息进行网络参数的统计处理，所获得的不同网络参数的统计数量。不同网络参数包括：正确转发的数据包、丢弃的数据包以及错误注入的数据包中的至少两个。
进一步地，在本申请的实施例中，信任证据可以包括但不限于：正确转发的数据包数量、丢弃的数据包数量以及错误注入的数据包数量。
可以理解的是，在本申请的实施例中，由于相邻节点可以为至少一个，因此，第一节点可以获取多个相邻节点的流量信息，并根据多个相邻节点的流量信息进行统计处理，获得多个相邻节点各自对应的信任证据。
步骤101b、根据信任证据，确定各个网络参数对应的先验概率。
在本申请的实施例中，第一节点在获取预设时间内的相邻节点的流量信息，并根据流量信息进行网络参数的统计处理，获得信任证据之后，可以根据信任证据，确定各个网络参数对应的先验概率。
需要说明的是，在本申请的实施例中，可以利用贝叶斯决策理论模型预测间接信任值，贝叶斯决策理论模型需要基于先验概率进行预测；本申请根据信任证据确定各个网络参数对应的先验概率，从而利用贝叶斯决策理论模型和先验概率预测得到间接信任值。
步骤101c、利用第一计算模型，各个网络参数对应的先验概率进行预测，得到间接信任值。
在本申请的实施例中，第一节点在根据信任证据，确定各个网络参数对应的先验概率之后，可以利用第一计算模型，各个网络参数对应的先验概率进行预测，得到间接信任值。
需要说明的是，在本申请的实施例中，第一计算模型用于预测得到间接信任值；示例性的，第一计算模型可以为基于beta分布的贝叶斯决策理论模型，可以表示为以下公式：
示例性的，对应于本申请的实施例，α,β表示根据信任证据所确定的先验概率；p为后验概率，也即经过预测得到的间接信任值。
示例性的，在本申请的实施例中，还可以计算间接信任值的期望，期望可以表示为以下公式：
其中，α和β可以理解为第一节点的相邻节点B的信任证据中，所有正(好)和负(坏)行为的累计数；在初始阶段，由于相邻节点B还没有被节点A进行监视或观察记录，可以根据节点B的资源和重要性等对α和β赋予不同的初始值；例如，可以将α和β的初始值设置为0.5。
综上所述，在本申请的实施例中，首先基于收集到的信任证据，采用贝叶斯决策理论计算节点的间接信任值，有效的结合了先验知识和后验信息，计算更加准确。其次，收集邻居节点的间接信任值，合成最终信任值，能够精确的量化信任评分。最后使用自回归滑动平均模型结合广义条件异方差模型的方法预测节点下一时刻的可信程度，考虑到了信任数据中的自相关性和突发聚集特点；本申请将ARMA模型和MRS-ZD-EGARCH模型结合，利用各自的优点，弥补了GARCH模型对变化数据的预测效果较差的缺陷；同时，利用ARMA+MRS-ZD-EGARCH的模型，并结合最终信任值，能够提前一步或者多步预测每个第一节点的下一时刻的预测信任值，精准的量化信任，从而更好的实现节点的可信度量。由此选择未来一段时间内都是可靠的节点构成路由路径，一方面提高了路由的安全性，另一方面也可以减少相对量的计算，另外该模型对数据量需求小，在计算方面是轻量级的，在管理物联网-移动自组网中的信任方面具有灵活性和精确性。
本申请实施例提供了一种路由路径的确定方法、节点、终端及存储介质，第一节点基于相邻节点的信任证据，确定相邻节点对应的间接信任值；其中，信任证据是基于相邻节点的流量信息得到的；其中，相邻节点包括至少一个；根据间接信任值，确定第一节点在当前时刻的最终信任值，将最终信任值发送至第二节点，以使得第二节点根据最终信任值预测第一节点在下一时刻的预测信任值，并基于预测信任值进行路由路径的确定。第二节点获取至少一个第一节点各自发送的当前时刻的最终信任值；基于最终信任值和预测计算模型，预测至少一个第一节点各自对应的预测信任值；其中，预测信任值是对第一节点对应的下一时刻的信任值的预测；基于预测信任值，从至少一个第一节点中确定目标节点，并基于目标节点确定路由路径。也就是说，在本申请中，集群中非头节点的第一节点可以根据相邻节点的信任证据确定间接信任值，进而根据间接信任值确定当前时刻的最终信任值，作为集群中头节点的第二节点通过接收第一节点的最终信任值，可以根据最终信任值和预测计算模型对第一节点在下一时刻的信任值进行预测，最终根据第一节点的预测信任值确定路由路径；由此可见，本申请结合相邻节点对应的间接信任值确定最终信任值，可以有效提高最终信任值的准确度，进而基于预测计算模型和最终信任值预测得到第一节点在下一时刻的预测信任值，可以更准确的预测节点信任值，实现节点的可信度量，有效提升可信路由的计算效果；最终据此预测信任值所确定的路由路径，能够有效提高路由路径的可靠性和安全性。
实施例二
基于上述实施例，在本申请的另一实施例中，本申请实施例提供了一种路由路径的确定方法，应用于第二节点；第二节点为与至少一个第一节点同一集群中的头节点。图2为本申请实施例提出的路由路径的确定方法的实现流程示意图二，如图2所示，第二节点的路由路径的确定方法可以包括以下步骤：
步骤201、获取至少一个第一节点各自发送的当前时刻的最终信任值。
在本申请的实施例中，第二节点可以获取至少一个第一节点各自发送的当前时刻的最终信任值。
需要说明的是，在本申请的实施例中，最终信任值为第一节点在当前时刻下的信任值，最终信任值表征第一节点在当前时刻的可信度。
可以理解的是，在本申请的实施例中，第二节点与第一节点属于同一集群，第二节点为集群中的头节点，且第一节点包括至少一个，因此，第二节点可以获取至少一个第一节点各自发送的当前时刻的最终信任值，以进行后续的，对至少一个第一节点的预测信任值的预测。
步骤202、基于最终信任值和预测计算模型，预测至少一个第一节点各自对应的预测信任值；其中，预测信任值是对第一节点对应的下一时刻的信任值的预测。
在本申请的实施例中，第二节点在获取至少一个第一节点各自发送的当前时刻的最终信任值之后，可以基于最终信任值和预测计算模型，预测至少一个第一节点各自对应的预测信任值；其中，预测信任值是对第一节点对应的下一时刻的信任值的预测。
需要说明的是，在本申请的实施例中，预测计算模型是基于自回归滑动平均模型和广义条件异方差模型构建的；广义条件异方差模型可以采用优化后的GARCH模型，即MRS-ZD-EGARCH。
示例性的，在本申请的实施例中，自回归滑动平均模型ARMA(p，q)可以表示为以下公式：
其中，{at}为白噪声序列，即均值为0，方差为1的独立同分布随机变量序列；p和q为模型的阶，均为非负整数；φ0，φi为自回归参数；Xt+1表示预测结果，即相当于本申请实施例中的预测信任值；在本申请的实施例中，为了便于计算，采用一阶的ARMA模型进行预测，一阶的ARMA模型可以表示为以下公式：
Xt+1＝φ0+φ1Xt+at+θ1at-1 (4)
进一步地，对于一阶的ARMA模型计算出的预测信任值，其条件均值可以为：
Et(Xt+1)＝φ0+φ1Xt (5)
其预测误差方差可以为：
同时，ARMA模型假定时间序列的方差恒定，即Var(Xt+1)＝Var(Xt)＝σ2。
需要说明的是，在本申请的实施例中，由于ARMA模型使用的是白噪声序列，然而真实的预测信任值的时间序列往往是异方差时间序列；因此，为了估计独立于信任证据集，也是自证据集的异方差时间序列，使用MRS-ZD-GARCH模型来估计异方差时间序列，异方差时间序列要求均值为0，方差为ht 2。
示例性的，在本申请的实施例中，使用一阶的MRS-ZD-GARCH模型来估计异方差时间序列，一阶的MRS-ZD-GARCH模型可以表示为以下公式：
也就是说，在本申请的实施例中，通过一阶的MRS-ZD-GARCH模型拟合方差ht 2，进而估计异方差时间序列at；从而利用一阶的ARMA模型和异方差时间序列进行预测，获得预测信任值。MRS-ZD-GARCH模型可以解决波动率随时间变化的问题，能够更好的应对数据的结构性变化，达到很好的预测效果。
具体地，在本申请的实施例中，基于最终信任值和预测计算模型，预测至少一个第一节点各自对应的预测信任值的方法可以包括：利用一阶的广义条件异方差模型估计异方差时间序列；进而基于一阶的自回归滑动平均模型、异方差时间序列和最终信任值进行预测，获得预测信任值；其中，一阶的广义条件异方差模型和一阶的自回归滑动平均模型的系数是根据极大似然估计方法确定的。
步骤203、基于预测信任值，从至少一个第一节点中确定目标节点，并基于目标节点确定路由路径。
在本申请的实施例中，第二节点在基于最终信任值和预测计算模型，预测至少一个第一节点各自对应的预测信任值之后，可以基于预测信任值，从至少一个第一节点中确定目标节点，并基于目标节点确定路由路径。
需要说明的是，在本申请的实施例中，目标节点是指路由路径上的节点；也就是说，第二节点从至少一个第一节点中确定目标节点，从而根据目标节点确定路由路径。
进一步地，在本申请的实施例中，在确定路由路径时，需要先确定源端和目的端，进而从至少一个第一节点中确定目标节点，从而根据目标节点确定从源端到目的端的路由路径。
进一步地，在本申请的实施例中，图3为本申请实施例提出的路由路径的确定方法的实现流程示意图三，如图3所示，第二节点在基于最终信任值和预测计算模型，预测至少一个第一节点各自对应的预测信任值之后，即步骤202之后，还可以包括以下步骤：
步骤204、确定预测信任值的置信区间。
在本申请的实施例中，第二节点在基于最终信任值和预测计算模型，预测至少一个第一节点各自对应的预测信任值之后，可以确定预测信任值的置信区间。
需要说明的是，在本申请的实施例中，可以根据预测信任值确定对应的置信区间；进而结合置信区间，可以最大限度的估计预测信任值，以实现更为精确的节点可信度的预测。
示例性的，在本申请的实施例中，置信水平为1-α，预测信任值X(t+1)的置信区间可以表示为：[X(t+1)-uα/2G1σ,X(t+1)+uα/2G1σ]。
步骤205、基于置信区间，确定预测信任值对应的预设信任阈值。
在本申请的实施例中，第二节点在确定预测信任值的置信区间之后，可以基于置信区间，确定预测信任值对应的预设信任阈值。
需要说明的是，在本申请的实施例中，预设信任阈值用于进行节点分类处理；进而第二节点可以基于节点分类处理结果确定目标节点。
可以理解的是，在本申请的实施例中，预测信任值的置信区间在一定数据段上下浮动，因此，可以基于置信区间确定一个预设信任阈值，利用这个预设信任阈值进行目标节点的挑选，能够极大地减少信任撤销；预设信任阈值的具体数值本申请不做限定。
进一步地，在本申请的实施例中，第二节点基于最终信任值和预测计算模型，预测至少一个第一节点各自对应的预测信任值的方法，即步骤202提出的方法可以包括以下步骤：
步骤202a、利用一阶的广义条件异方差模型估计异方差时间序列。
在本申请的实施例中，第二节点基于最终信任值和预测计算模型，预测至少一个第一节点各自对应的预测信任值，具体地，第二节点可以先利用一阶的广义条件异方差模型估计异方差时间序列。
需要说明的是，在本申请的实施例中，可以采用一阶的优化的广义条件异方差模型：MRS-ZD-GARCH(1,1)模型来估计异方差时间序列，模型如前述公式(7)所示。
步骤202b、基于一阶的自回归滑动平均模型、异方差时间序列和最终信任值进行预测，获得预测信任值；其中，一阶的广义条件异方差模型和一阶的自回归滑动平均模型的系数是根据极大似然估计方法确定的。
在本申请的实施例中，第二节点在利用一阶的广义条件异方差模型估计异方差时间序列之后，可以基于一阶的自回归滑动平均模型、异方差时间序列和最终信任值进行预测，获得预测信任值；其中，一阶的广义条件异方差模型和一阶的自回归滑动平均模型的系数是根据极大似然估计方法确定的。
需要说明的是，在本申请的实施例中，一阶的自回归滑动平均模型ARMA(1，1)用于进行预测，获得预测信任值；其中，ARMA(1，1)模型如前述公式(4)所示。
进一步地，在本申请的实施例中，可以采用极大似然估计方法确定MRS-ZD-GARCH(1,1)模型和ARMA(1，1)模型的系数。
进一步地，在本申请的实施例中，第二节点基于预测信任值，从至少一个第一节点中确定目标节点的方法可以包括以下步骤：
步骤203a、根据预测信任值对与其对应的第一节点进行节点分类处理，获得第一节点对应的节点分类结果。
在本申请的实施例中，第二节点基于预测信任值，从至少一个第一节点中确定目标节点，具体地，第二节点可以先根据预测信任值对与其对应的第一节点进行节点分类处理，获得第一节点对应的节点分类结果。
需要说明的是，在本申请的实施例中，第一节点包括至少一个，可以利用每个第一节点对应的预测信任值对每个第一节点进行分类处理，从而获得每个第一节点对应的节点分类结果。
需要说明的是，在本申请的实施例中，节点分类结果可以包括多种情况，节点分类结果的种类可以根据网络部署场景和用户需求进行设置，本申请不做限定。
示例性的，在本申请的实施例中，在某些真实的网络部署场景中，节点的某些固有属性可能会导致数据包丢弃等情况，尽管实际原因不易被识别，但可以将此类丢弃数据包的“坏节点”视为可信度差的节点，当利用节点分类处理将此类节点进行分类以后，可以很大程度上规避或识别出此类节点；示例性的，节点分类结果的种类可以包括“可信度优”、“可信度中”以及“可信度差”这三个种类，本申请不做限定。
步骤203b、根据节点分类结果对节点列表中的信任状态进行更新处理，获得更新的节点列表；其中，节点列表由至少一个第一节点，和至少一个第一节点对应的信任状态构成。
在本申请的实施例中，第二节点在根据预测信任值对与其对应的第一节点进行节点分类处理，获得第一节点对应的节点分类结果之后，可以根据节点分类结果对节点列表中的信任状态进行更新处理，获得更新的节点列表；其中，节点列表由至少一个第一节点，和至少一个第一节点对应的信任状态构成。
需要说明的是，在本申请的实施例中，节点列表是由第二节点存储和维护的包括集群中成员节点的信任状态的列表；也就是说，节点列表可以由至少一个第一节点和至少一个第一节点的信任状态构成。
进一步地，在本申请的实施例中，在获取了第一节点对应的节点分类结果以后，可以根据节点分类结果对节点列表中的信任状态进行更新处理，获得更新的节点列表；也就是说，节点列表中第一节点的信任状态是根据第一节点的节点分类结果确定的。
示例性的，在本申请的实施例中，第一节点的节点分类结果为可信节点类别，则节点列表中第一节点的信任状态即为可信节点类别。
进一步地，在本申请的实施例中，第二节点除了可以根据第一节点对应的节点分类结果对节点列表进行更新以外，第二节点还可以按照预设时间间隔向至少一个第一节点发送消息，并根据至少一个第一节点的反馈更新节点列表；其中，预设时间间隔的大小本申请不做具体限定。
示例性的，在本申请的实施例中，第二节点按照预设时间间隔向集群中的至少一个第一节点发送hello消息，至少一个第一节点向第二节点进行反馈，若第二节点在预设时长以后未收到其中一个第一节点的反馈，则对节点列表中这个第一节点的信任状态进行更新，例如将信任状态更新为信任度差，从而获得更新的节点列表。
步骤203c、基于更新的节点列表确定目标节点。
在本申请的实施例中，第二节点在根据节点分类结果对节点列表中的信任状态进行更新处理，获得更新的节点列表之后，可以基于更新的节点列表确定目标节点。
需要说明的是，在本申请的实施例中，在确定目标节点时，需要基于更新的节点列表进行确定，即需要基于最新的第一节点对应的信任状态确定目标节点。
具体地，在本申请的实施例中，第二节点基于更新的节点列表确定目标节点的方法包括：确定传播需求；其中，传播需求表征对目标节点的信任状态的要求；然后按照传播需求，从更新的节点列表中筛选出目标节点。
进一步地，在本申请的实施例中，第二节点根据预测信任值对与其对应的第一节点进行节点分类处理，获得第一节点对应的节点分类结果的方法，即步骤203a提出的方法可以包括以下步骤：
步骤203a1、将预测信任值与预设信任阈值进行对比处理，获得对比结果，实现节点分类处理。
在本申请的实施例中，第二节点根据预测信任值对与其对应的第一节点进行节点分类处理，获得第一节点对应的节点分类结果，具体地，第二节点可以先将预测信任值与预设信任阈值进行对比处理，获得对比结果，实现节点分类处理。
可以理解的是，在本申请的实施例中，预设信任阈值用于进行节点分类处理；第二节点通过将第一节点的预测信任值与预设信任阈值进行对比处理，获得对比结果。
步骤203a2、若对比结果为预测信任值小于预设信任阈值，则节点分类结果为恶意节点类别。
在本申请的实施例中，第二节点在将预测信任值与预设信任阈值进行对比处理，获得对比结果，实现节点分类处理之后，若对比结果为预测信任值小于预设信任阈值，则节点分类结果为恶意节点类别。
可以理解的是，在本申请的实施例中，若对比结果为预测信任值小于预设信任阈值，则可以将第一节点节点分类结果确定为恶意节点类别。
步骤203a3、若对比结果为预测信任值大于或者等于预设信任阈值，则节点分类结果为可信节点类别。
在本申请的实施例中，第二节点在将预测信任值与预设信任阈值进行对比处理，获得对比结果，实现节点分类处理之后，若对比结果为预测信任值大于或者等于预设信任阈值，则节点分类结果为可信节点类别。
可以理解的是，在本申请的实施例中，若对比结果为第一节点的预测信任值大于或者等于预设信任阈值，则可以将第一节点的节点分类结果确定为可信节点类别。
需要说明的是，在本申请的实施例中，恶意节点类别和可信节点类别仅为节点分类结果的两种可能的情况，节点分类结果并不仅限于这两种类别，节点分类结果的种类可以根据网络部署场景和用户需求进行设置，本申请不做限定。
示例性的，在本申请的实施例中，可以设置信任管理模块用于实现节点分类处理；图4为本申请实施例提出的路由路径的确定方法的实现流程示意图四，如图4所示，信任管理模块的工作流程可以为，首先进行初始化，进而在获取了第一节点的预测信任值以后，可以将预测信任值与预设信任阈值进行对比，若预测信任值小于预设信任阈值，则可以确定第一节点为恶意节点类别，若预测信任值大于或者等于预设信任阈值，则可以确定第一节点为可信节点类别。
进一步地，在本申请的实施例中，第二节点基于更新的节点列表确定目标节点的方法，即步骤203c提出的方法可以包括以下步骤：
步骤203c1、确定传播需求；其中，传播需求表征对目标节点的信任状态的要求。
在本申请的实施例中，第二节点基于更新的节点列表确定目标节点，具体地址，第二节点可以先确定传播需求；其中，传播需求表征对目标节点的信任状态的要求。
需要说明的是，在本申请的实施例中，传播需求表征目标节点的信任状态的要求；也就是说，在进行路由路径的确定时，可以首先明确对路由路径中目标节点的信任状态的要求，从而根据传播需求选择目标节点。
步骤203c2、按照传播需求，从更新的节点列表中筛选出目标节点。
在本申请的实施例中，第二节点在确定传播需求之后，可以按照传播需求，从更新的节点列表中筛选出目标节点。
可以理解的是，在本申请的实施例中，按照传播需求，基于更新的节点列表中，至少一个第一节点对应的更新的信任状态，从更新的节点列表中筛选出更新的信任状态符合传播需求的第一节点，将这些第一节点确定为目标节点。
示例性的，在本申请的实施例中，传播需求为目标节点的信任状态均为可信节点类别，则按照传播需求，在更新的节点列表中筛选出信任状态为可信节点类别的第一节点，作为目标节点。
进一步地，在本申请的实施例中，至少一个第一节点包括第一子节点和第二子节点；第二子节点为至少一个第一节点中、与第一子节点不同的节点；第二节点基于最终信任值和预测计算模型，预测至少一个第一节点各自对应的预测信任值之后，即步骤202之后，还可以包括以下步骤：
步骤204、将第二子节点对应的预测信任值发送至第一子节点，以使得第一子节点根据第二子节点对应的预测信任值更新可信邻居列表。
在本申请的实施例中，第二节点基于最终信任值和预测计算模型，预测至少一个第一节点各自对应的预测信任值之后，可以将第二子节点对应的预测信任值发送至第一子节点，以使得第一子节点根据第二子节点对应的预测信任值更新可信邻居列表。
需要说明的是，在本申请的实施例中，集群中的每个第一节点均可以维护一个可信邻居列表，每个第一节点均可以根据与之不同的其他第一节点的预测信任值对可信邻居列表进行更新。
示例性的，在本申请的实施例中，第一节点包括A、B、C、D、E；将A视为第一子节点，将B、C、D、E视为第二子节点；第二节点，即头节点可以将B、C、D、E各自的预测信任值发送至A，从而A可以根据B、C、D、E各自的预测信任值更新A的可信邻居列表；同理，如果将B视为第一子节点，则第二节点可以将A、C、D、E各自的预测信任值发送至B，从而B可以根据A、C、D、E各自的预测信任值更新B的可信邻居列表。
进一步地，在本申请的实施例中，各个第一节点之间还可以定期交换问候消息，以跟踪其邻居节点。
综上所述，在本申请的实施例中，第二节点可以根据最终信任值，使用自回归滑动平均模型结合广义条件异方差模型的方法预测节点下一时刻的可信程度，考虑到了信任数据中的自相关性和突发聚集特点；本申请将ARMA模型和MRS-ZD-EGARCH模型结合，利用各自的优点，弥补了GARCH模型对变化数据的预测效果较差的缺陷；同时，利用ARMA+MRS-ZD-EGARCH的模型，并结合最终信任值，能够提前一步或者多步预测每个第一节点的下一时刻的预测信任值，精准的量化信任，从而更好的实现节点的可信度量。由此选择未来一段时间内都是可靠的节点构成路由路径，一方面提高了路由的安全性，另一方面也可以减少相对量的计算，另外该模型对数据量需求小，在计算方面是轻量级的，在管理物联网-移动自组网中的信任方面具有灵活性和精确性。
本申请实施例提供了一种路由路径的确定方法、节点、终端及存储介质，第一节点基于相邻节点的信任证据，确定相邻节点对应的间接信任值；其中，信任证据是基于相邻节点的流量信息得到的；其中，相邻节点包括至少一个；根据间接信任值，确定第一节点在当前时刻的最终信任值，将最终信任值发送至第二节点，以使得第二节点根据最终信任值预测第一节点在下一时刻的预测信任值，并基于预测信任值进行路由路径的确定。第二节点获取至少一个第一节点各自发送的当前时刻的最终信任值；基于最终信任值和预测计算模型，预测至少一个第一节点各自对应的预测信任值；其中，预测信任值是对第一节点对应的下一时刻的信任值的预测；基于预测信任值，从至少一个第一节点中确定目标节点，并基于目标节点确定路由路径。也就是说，在本申请中，集群中非头节点的第一节点可以根据相邻节点的信任证据确定间接信任值，进而根据间接信任值确定当前时刻的最终信任值，作为集群中头节点的第二节点通过接收第一节点的最终信任值，可以根据最终信任值和预测计算模型对第一节点在下一时刻的信任值进行预测，最终根据第一节点的预测信任值确定路由路径；由此可见，本申请结合相邻节点对应的间接信任值确定最终信任值，可以有效提高最终信任值的准确度，进而基于预测计算模型和最终信任值预测得到第一节点在下一时刻的预测信任值，可以更准确的预测节点信任值，实现节点的可信度量，有效提升可信路由的计算效果；最终据此预测信任值所确定的路由路径，能够有效提高路由路径的可靠性和安全性。
实施例三
基于上述实施例，在本申请的另一实施例中，图5为本申请实施例提出的第一节点的组成结构示意图，如图5所示，本申请实施例提出的第一节点10可以包括第一确定单元11、第一发送单元12以及监控单元13，
所述第一确定单元11，用于基于相邻节点的信任证据，确定所述相邻节点对应的间接信任值；其中，所述信任证据是基于所述相邻节点的流量信息得到的；所述相邻节点包括至少一个。
所述第一发送单元12，用于根据所述间接信任值，确定所述第一节点在当前时刻的最终信任值，将所述最终信任值发送至第二节点，以使得所述第二节点根据所述最终信任值预测所述第一节点在下一时刻的预测信任值，并基于所述预测信任值进行路由路径的确定。
进一步地，所述第一确定单元11，具体用于获取预设时间内的所述相邻节点的流量信息，并根据所述流量信息进行网络参数的统计处理，获得所述信任证据；其中，所述信任证据为不同网络参数的统计数量；以及根据所述信任证据，确定各个网络参数对应的先验概率；以及利用第一计算模型，所述各个网络参数对应的先验概率进行预测，得到所述间接信任值。
进一步地，所述第一发送单元12，具体用于根据各个所述相邻节点对应的所述间接信任值计算算术平均值，将所述算数平均值作为所述最终信任值；或者，确定每个相邻节点的所述间接信任值对应的权重参数；根据各个所述间接信任值和各个所述间接信任值对应的权重参数计算加权平均值，将所述加权平均值作为所述第一节点在当前时刻的所述最终信任值。
进一步地，所述第一计算模型为贝叶斯决策理论模型。
进一步地，所述不同网络参数包括：正确转发的数据包、丢弃的数据包以及错误注入的数据包中的至少两个。
所述监控单元13，用于若所述路由路径中包含所述第一节点，则按照预设时间间隔对所述路由路径进行监控处理，获得链路结果。
进一步地，所述第一发送单元12，还用于若所述链路结果为路由路径故障，则将所述链路结果发送至所述第二节点，以使得所述第二节点根据所述链路结果对所述路由路径进行取消处理。
图6为本申请实施例提出的第二节点的组成结构示意图，如图6所示，第二节点20包括获取单元21、预测单元22、第二确定单元23以及第二发送单元24，
所述获取单元21，用于获取至少一个所述第一节点各自发送的当前时刻的最终信任值。
所述预测单元22，用于基于所述最终信任值和预测计算模型，预测至少一个所述第一节点各自对应的预测信任值；其中，所述预测信任值是对所述第一节点对应的下一时刻的信任值的预测。
所述第二确定单元23，用于基于所述预测信任值，从至少一个所述第一节点中确定目标节点，并基于所述目标节点确定路由路径。
进一步地，所述预测计算模型是基于自回归滑动平均模型和广义条件异方差模型构建的。
进一步地，所述第二确定单元23，还用于在所述预测单元22基于所述最终信任值和预测计算模型，预测至少一个所述第一节点各自对应的预测信任值之后，确定所述预测信任值的置信区间；以及基于所述置信区间，确定所述预测信任值对应的预设信任阈值。
进一步地，所述预测单元22，具体用于利用一阶的广义条件异方差模型估计异方差时间序列；以及基于一阶的自回归滑动平均模型、所述异方差时间序列和所述最终信任值进行预测，获得所述预测信任值；其中，所述一阶的广义条件异方差模型和所述一阶的自回归滑动平均模型的系数是根据极大似然估计方法确定的。
进一步地，所述第二确定单元23，具体用于根据所述预测信任值对与其对应的所述第一节点进行节点分类处理，获得所述第一节点对应的节点分类结果；以及根据所述节点分类结果对节点列表中的信任状态进行更新处理，获得更新的节点列表；其中，所述节点列表由至少一个所述第一节点，和至少一个所述第一节点对应的信任状态构成；以及基于所述更新的节点列表确定所述目标节点。
进一步地，所述第二确定单元23，还具体用于将所述预测信任值与预设信任阈值进行对比处理，获得对比结果，实现节点分类处理；以及若所述对比结果为所述预测信任值小于所述预设信任阈值，则所述节点分类结果为恶意节点类别；以及若所述对比结果为所述预测信任值大于或者等于所述预设信任阈值，则所述节点分类结果为可信节点类别。
进一步地，所述第二确定单元23，还具体用于确定传播需求；其中，所述传播需求表征对所述目标节点的信任状态的要求；以及按照所述传播需求，从所述更新的节点列表中筛选出所述目标节点。
所述至少一个第一节点包括第一子节点和第二子节点；所述第二子节点为所述至少一个第一节点中、与所述第一子节点不同的节点；所述第二发送单元24，用于在所述预测单元22基于所述最终信任值和预测计算模型，预测至少一个所述第一节点各自对应的预测信任值之后，将所述第二子节点对应的预测信任值发送至所述第一子节点，以使得所述第一子节点根据所述第二子节点对应的预测信任值更新可信邻居列表。
进一步地，所述第二发送单元24，还用于按照预设时间间隔向至少一个所述第一节点发送消息，并根据所述至少一个所述第一节点的反馈更新所述节点列表。
图7为本申请实施例提出的第一终端的组成结构示意图，第一终端运行第一节点。如图7所示，本申请实施例提出的第一终端10还可以包括第一处理器14、存储有第一处理器14可执行指令的第一存储器15，进一步地，终端20还可以包括第一通信接口16，和用于连接第一处理器14、第一存储器15以及第一通信接口16的第一总线17。
在本申请的实施例中，上述第一处理器14可以为特定用途集成电路(ApplicationSpecific Integrated Circuit，ASIC)、数字信号处理器(Digital Signal Processor，DSP)、数字信号处理装置(Digital Signal Processing Device，DSPD)、可编程逻辑装置(ProgRAMmable Logic Device，PLD)、现场可编程门阵列(Field ProgRAMmable GateArray，FPGA)、中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器中的至少一种。可以理解地，对于不同的设备，用于实现上述处理器功能的电子器件还可以为其它，本申请实施例不作具体限定。第一处理器14还可以包括第一存储器15，该第一存储器15可以与第一处理器14连接，其中，第一存储器15用于存储可执行程序代码，该程序代码包括计算机操作指令，第一存储器15可能包含高速RAM存储器，也可能还包括非易失性存储器，例如，至少两个磁盘存储器。
在本申请的实施例中，第一总线17用于连接第一通信接口16、第一处理器14以及第一存储器15以及这些器件之间的相互通信。
在本申请的实施例中，第一存储器15，用于存储指令和数据。
进一步地，在本申请的实施例中，上述第一处理器14，用于基于相邻节点的信任证据，确定所述相邻节点对应的间接信任值；其中，所述信任证据是基于所述相邻节点的流量信息得到的；所述相邻节点包括至少一个；
根据所述间接信任值，确定所述第一节点在当前时刻的最终信任值，将所述最终信任值发送至第二节点，以使得所述第二节点根据所述最终信任值预测所述第一节点在下一时刻的预测信任值，并基于所述预测信任值进行路由路径的确定。
在实际应用中，上述第一存储器15可以是易失性存储器(volatile memory)，例如随机存取存储器(Random-Access Memory，RAM)；或者非易失性存储器(non-volatilememory)，例如只读存储器(Read-Only Memory，ROM)，快闪存储器(flash memory)，硬盘(Hard Disk Drive，HDD)或固态硬盘(Solid-State Drive，SSD)；或者上述种类的存储器的组合，并向第一处理器14提供指令和数据。
图8为本申请实施例提出的第二终端的组成结构示意图，第二终端运行第二节点。如图8所示，本申请实施例提出的第二终端20还可以包括第二处理器25、存储有第二处理器25可执行指令的第二存储器26，进一步地，终端20还可以包括第二通信接口27，和用于连接第二处理器25、第二存储器26以及第二通信接口27的第二总线28。
在本申请的实施例中，上述第二处理器25可以为特定用途集成电路(ApplicationSpecific Integrated Circuit，ASIC)、数字信号处理器(Digital Signal Processor，DSP)、数字信号处理装置(Digital Signal Processing Device，DSPD)、可编程逻辑装置(ProgRAMmable Logic Device，PLD)、现场可编程门阵列(Field ProgRAMmable GateArray，FPGA)、中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器中的至少一种。可以理解地，对于不同的设备，用于实现上述处理器功能的电子器件还可以为其它，本申请实施例不作具体限定。第二处理器25还可以包括第二存储器26，该第二存储器26可以与第二处理器25连接，其中，第二存储器26用于存储可执行程序代码，该程序代码包括计算机操作指令，第二存储器26可能包含高速RAM存储器，也可能还包括非易失性存储器，例如，至少两个磁盘存储器。
在本申请的实施例中，第二总线28用于连接第二通信接口27、第二处理器25以及第二存储器26以及这些器件之间的相互通信。
在本申请的实施例中，第二存储器26，用于存储指令和数据。
进一步地，在本申请的实施例中，上述第二处理器25，用于获取至少一个所述第一节点各自发送的当前时刻的最终信任值；
基于所述最终信任值和预测计算模型，预测至少一个所述第一节点各自对应的预测信任值；其中，所述预测信任值是对所述第一节点对应的下一时刻的信任值的预测；
基于所述预测信任值，从至少一个所述第一节点中确定目标节点，并基于所述目标节点确定路由路径。
在实际应用中，上述第二存储器26可以是易失性存储器(volatile memory)，例如随机存取存储器(Random-Access Memory，RAM)；或者非易失性存储器(non-volatilememory)，例如只读存储器(Read-Only Memory，ROM)，快闪存储器(flash memory)，硬盘(Hard Disk Drive，HDD)或固态硬盘(Solid-State Drive，SSD)；或者上述种类的存储器的组合，并向第二处理器25提供指令和数据。
另外，在本实施例中的各功能模块可以集成在一个分析单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时，可以存储在一个计算机可读取存储介质中，基于这样的理解，本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或processor(处理器)执行本实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请实施例提供了一种路由路径的确定方法、节点、终端及存储介质，第一节点基于相邻节点的信任证据，确定相邻节点对应的间接信任值；其中，信任证据是基于相邻节点的流量信息得到的；其中，相邻节点包括至少一个；根据间接信任值，确定第一节点在当前时刻的最终信任值，将最终信任值发送至第二节点，以使得第二节点根据最终信任值预测第一节点在下一时刻的预测信任值，并基于预测信任值进行路由路径的确定。第二节点获取至少一个第一节点各自发送的当前时刻的最终信任值；基于最终信任值和预测计算模型，预测至少一个第一节点各自对应的预测信任值；其中，预测信任值是对第一节点对应的下一时刻的信任值的预测；基于预测信任值，从至少一个第一节点中确定目标节点，并基于目标节点确定路由路径。也就是说，在本申请中，集群中非头节点的第一节点可以根据相邻节点的信任证据确定间接信任值，进而根据间接信任值确定当前时刻的最终信任值，作为集群中头节点的第二节点通过接收第一节点的最终信任值，可以根据最终信任值和预测计算模型对第一节点在下一时刻的信任值进行预测，最终根据第一节点的预测信任值确定路由路径；由此可见，本申请结合相邻节点对应的间接信任值确定最终信任值，可以有效提高最终信任值的准确度，进而基于预测计算模型和最终信任值预测得到第一节点在下一时刻的预测信任值，可以更准确的预测节点信任值，实现节点的可信度量，有效提升可信路由的计算效果；最终据此预测信任值所确定的路由路径，能够有效提高路由路径的可靠性和安全性。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的实现流程示意图和/或方框图来描述的。应理解可由计算机程序指令实现流程示意图和/或方框图中的每一流程和/或方框、以及实现流程示意图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在实现流程示意图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在实现流程示意图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在实现流程示意图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。
Claims (20)
1.一种路由路径的确定方法，其特征在于，应用于第一节点，所述第一节点不为头节点；所述方法包括：
基于相邻节点的信任证据，确定所述相邻节点对应的间接信任值；其中，所述信任证据是基于所述相邻节点的流量信息得到的；所述相邻节点包括至少一个；
根据所述间接信任值，确定所述第一节点在当前时刻的最终信任值，将所述最终信任值发送至第二节点，以使得所述第二节点根据所述最终信任值预测所述第一节点在下一时刻的预测信任值，并基于所述预测信任值进行路由路径的确定。
2.根据权利要求1所述的方法，其特征在于，所述基于相邻节点的信任证据，确定所述相邻节点对应的间接信任值，包括：
获取预设时间内的所述相邻节点的流量信息，并根据所述流量信息进行网络参数的统计处理，获得所述信任证据；其中，所述信任证据为不同网络参数的统计数量；
根据所述信任证据，确定各个网络参数对应的先验概率；
利用第一计算模型，所述各个网络参数对应的先验概率进行预测，得到所述间接信任值。
3.根据权利要求1或2所述的方法，其特征在于，所述根据所述间接信任值，确定所述第一节点在当前时刻的最终信任值，包括：
根据各个所述相邻节点对应的所述间接信任值计算算术平均值，将所述算数平均值作为所述最终信任值；或者，
确定每个相邻节点的所述间接信任值对应的权重参数；
根据各个所述间接信任值和各个所述间接信任值对应的权重参数计算加权平均值，将所述加权平均值作为所述第一节点在当前时刻的所述最终信任值。
4.根据权利要求2或3所述的方法，其特征在于，所述第一计算模型为贝叶斯决策理论模型。
5.根据权利要求2所述的方法，其特征在于，所述不同网络参数包括：正确转发的数据包、丢弃的数据包以及错误注入的数据包中的至少两个。
6.根据权利要求1所述的方法，其特征在于，所述方法包括：
若所述路由路径中包含所述第一节点，则按照预设时间间隔对所述路由路径进行监控处理，获得链路结果；
若所述链路结果为路由路径故障，则将所述链路结果发送至所述第二节点，以使得所述第二节点根据所述链路结果对所述路由路径进行取消处理。
7.一种路由路径的确定方法，其特征在于，应用于第二节点，所述第二节点为与至少一个第一节点同一集群中的头节点；所述方法包括：
获取至少一个所述第一节点各自发送的当前时刻的最终信任值；
基于所述最终信任值和预测计算模型，预测至少一个所述第一节点各自对应的预测信任值；其中，所述预测信任值是对所述第一节点对应的下一时刻的信任值的预测；
基于所述预测信任值，从至少一个所述第一节点中确定目标节点，并基于所述目标节点确定路由路径。
8.根据权利要求7所述的方法，其特征在于，所述预测计算模型是基于自回归滑动平均模型和广义条件异方差模型构建的。
9.根据权利要求7所述的方法，其特征在于，所述基于所述最终信任值和预测计算模型，预测至少一个所述第一节点各自对应的预测信任值之后，所述方法还包括：
确定所述预测信任值的置信区间；
基于所述置信区间，确定所述预测信任值对应的预设信任阈值。
10.根据权利要求7或8所述的方法，其特征在于，所述基于所述最终信任值和预测计算模型，预测至少一个所述第一节点各自对应的预测信任值，包括：
利用一阶的广义条件异方差模型估计异方差时间序列；
基于一阶的自回归滑动平均模型、所述异方差时间序列和所述最终信任值进行预测，获得所述预测信任值；其中，所述一阶的广义条件异方差模型和所述一阶的自回归滑动平均模型的系数是根据极大似然估计方法确定的。
11.根据权利要求7至10任一项所述的方法，其特征在于，所述基于所述预测信任值，从至少一个所述第一节点中确定目标节点，包括：
根据所述预测信任值对与其对应的所述第一节点进行节点分类处理，获得所述第一节点对应的节点分类结果；
根据所述节点分类结果对节点列表中的信任状态进行更新处理，获得更新的节点列表；其中，所述节点列表由至少一个所述第一节点，和至少一个所述第一节点对应的信任状态构成；
基于所述更新的节点列表确定所述目标节点。
12.根据权利要求11所述的方法，其特征在于，所述根据所述预测信任值对与其对应的所述第一节点进行节点分类处理，获得所述第一节点对应的节点分类结果，包括：
将所述预测信任值与预设信任阈值进行对比处理，获得对比结果，实现节点分类处理；
若所述对比结果为所述预测信任值小于所述预设信任阈值，则所述节点分类结果为恶意节点类别；
若所述对比结果为所述预测信任值大于或者等于所述预设信任阈值，则所述节点分类结果为可信节点类别。
13.根据权利要求11或12所述的方法，其特征在于，所述基于所述更新的节点列表确定所述目标节点，包括：
确定传播需求；其中，所述传播需求表征对所述目标节点的信任状态的要求；
按照所述传播需求，从所述更新的节点列表中筛选出所述目标节点。
14.根据权利要求7所述的方法，其特征在于，所述至少一个第一节点包括第一子节点和第二子节点；所述第二子节点为所述至少一个第一节点中、与所述第一子节点不同的节点；
所述基于所述最终信任值和预测计算模型，预测至少一个所述第一节点各自对应的预测信任值之后，所述方法还包括：
将所述第二子节点对应的预测信任值发送至所述第一子节点，以使得所述第一子节点根据所述第二子节点对应的预测信任值更新可信邻居列表。
15.根据权利要求11所述的方法，其特征在于，所述方法包括：
按照预设时间间隔向至少一个所述第一节点发送消息，并根据所述至少一个所述第一节点的反馈更新所述节点列表。
16.一种第一节点，其特征在于，所述第一节点不为头节点；所述第一节点包括第一确定单元和第一发送单元，
所述第一确定单元，用于基于相邻节点的信任证据，确定所述相邻节点对应的间接信任值；其中，所述信任证据是基于所述相邻节点的流量信息得到的；所述相邻节点包括至少一个；
所述第一发送单元，用于根据所述间接信任值，确定所述第一节点在当前时刻的最终信任值，将所述最终信任值发送至第二节点，以使得所述第二节点根据所述最终信任值预测所述第一节点在下一时刻的预测信任值，并基于所述预测信任值进行路由路径的确定。
17.一种第二节点，其特征在于，所述第二节点为与至少一个第一节点同一集群中的头节点；所述第二节点包括获取单元、预测单元以及第二确定单元，
所述获取单元，用于获取至少一个所述第一节点各自发送的当前时刻的最终信任值；
所述预测单元，用于基于所述最终信任值和预测计算模型，预测至少一个所述第一节点各自对应的预测信任值；其中，所述预测信任值是对所述第一节点对应的下一时刻的信任值的预测；
所述第二确定单元，用于基于所述预测信任值，从至少一个所述第一节点中确定目标节点，并基于所述目标节点确定路由路径。
18.一种第一终端，其特征在于，所述第一终端运行如权利要求16所述的第一节点，所述第一终端包括第一处理器、存储有所述第一处理器可执行指令的第一存储器，当所述指令被所述第一处理器执行时，实现如权利要求1-6任一项所述的方法。
19.一种第二终端，其特征在于，所述第二终端运行如权利要求17所述的第二节点，所述终端包括第二处理器、存储有所述第二处理器可执行指令的第二存储器，当所述指令被所述第二处理器执行时，实现如权利要求7-15任一项所述的方法。
20.一种计算机可读存储介质，其上存储有程序，应用于第一终端和第二终端中，所述程序被第一处理器执行时，实现如权利要求1-6任一项所述的方法；所述程序被第二处理器执行时，实现如权利要求7-15任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210057861.8A CN116506916A (zh) | 2022-01-19 | 2022-01-19 | 一种路由路径的确定方法、节点、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210057861.8A CN116506916A (zh) | 2022-01-19 | 2022-01-19 | 一种路由路径的确定方法、节点、终端及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116506916A true CN116506916A (zh) | 2023-07-28 |
Family
ID=87321797
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210057861.8A Pending CN116506916A (zh) | 2022-01-19 | 2022-01-19 | 一种路由路径的确定方法、节点、终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116506916A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116709359A (zh) * | 2023-08-01 | 2023-09-05 | 南京邮电大学 | 一种飞行Ad Hoc网络的自适应路由联合预测方法 |
-
2022
- 2022-01-19 CN CN202210057861.8A patent/CN116506916A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116709359A (zh) * | 2023-08-01 | 2023-09-05 | 南京邮电大学 | 一种飞行Ad Hoc网络的自适应路由联合预测方法 |
| CN116709359B (zh) * | 2023-08-01 | 2023-10-31 | 南京邮电大学 | 一种飞行Ad Hoc网络的自适应路由联合预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11290477B2 (en) | Hierarchical models using self organizing learning topologies | |
| US9426040B2 (en) | Mixed distributed/centralized routing techniques based on closed-loop feedback from a learning machine to avoid dark zones | |
| Cervantes et al. | Detection of sinkhole attacks for supporting secure routing on 6LoWPAN for Internet of Things | |
| Wang et al. | A light-weight trust-based QoS routing algorithm for ad hoc networks | |
| US10771313B2 (en) | Using random forests to generate rules for causation analysis of network anomalies | |
| US11411838B2 (en) | Adaptive stress testing of SD-WAN tunnels for what-if scenario model training | |
| US20150195192A1 (en) | Triggering reroutes using early learning machine-based prediction of failures | |
| US11063842B1 (en) | Forecasting network KPIs | |
| US20140223562A1 (en) | System and Method for Distributed Denial of Service Identification and Prevention | |
| EP3143744B1 (en) | Voting strategy optimization using distributed classifiers | |
| Buchegger et al. | Coping with false accusations in misbehavior reputation systems for mobile ad-hoc networks | |
| US10924418B1 (en) | Systems and methods for fast detection of elephant flows in network traffic | |
| EP3140956B1 (en) | Designating a voting classifier using distributed learning machines | |
| US11297079B2 (en) | Continuous validation of active labeling for device type classification | |
| Balakrishnan et al. | Subjective logic based trust model for mobile ad hoc networks | |
| Sengathir et al. | A futuristic trust coefficient-based semi-Markov prediction model for mitigating selfish nodes in MANETs | |
| Nakamura et al. | Using information fusion to assist data dissemination in wireless sensor networks | |
| Nivedita et al. | RETRACTED ARTICLE: Improving QoS and efficient multi-hop and relay based communication frame work against attacker in MANET | |
| CN116506916A (zh) | 一种路由路径的确定方法、节点、终端及存储介质 | |
| Jayalakshmi et al. | Trust based power aware secure source routing protocol using fuzzy logic for mobile adhoc networks | |
| KR20220169584A (ko) | 사물인터넷 최적화 노드 선별 및 악성 노드 제거 방법 | |
| Usman et al. | A reliability-based trust model for efficient collaborative routing in wireless networks | |
| Panos et al. | An evaluation of anomaly-based intrusion detection engines for mobile ad hoc networks | |
| Chen et al. | Pomdp-based decision making for fast event handling in vanets | |
| Srilakshmi et al. | Prevention of attacks in mobile ad hoc network using African buffalo monitoring zone protocol |
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 |