36、容迟网络中基于信任阈值的路由及无线自组网信任管理框架研究

容迟网络中基于信任阈值的路由及无线自组网信任管理框架研究

容迟网络中基于信任阈值的路由

在容迟网络（DTN）中，信任评估和路由策略对于消息的有效传递至关重要。首先，通过SPN模型可以得到每个节点的“真实”状态，这有助于理论分析中计算$T_{i,j}^X(t + \Delta t)$。

当节点$i$遇到节点$j$时，节点$i$会从信任属性$X$对节点$j$进行评估，得到$T_{i,j}^{encounter,X}(t + \Delta t)$。具体评估方式如下：
1. 合作性评估 ：假设“合作性检测机制”有效，节点$i$对节点$j$合作性的直接评估接近节点$j$在$t + \Delta t$时刻的真实合作状态。$T_{i,j}^{encounter,cooperativeness}(t + \Delta t)$可通过节点$j$中位置UCPN在$t + \Delta t$时刻不包含令牌的概率来估计。
2. 连接性评估 ：节点$i$可通过查询其在$[0, t + \Delta t]$区间内与所有节点的相遇历史，相当准确地评估$T_{i,j}^{encounter,connectivity}(t)$。该值可利用SPN输出的节点$j$和$d$在$t + \Delta t$时刻的位置概率获得。
3. 健康性评估 ：假设“健康性检测机制”有效，$T_{i,j}^{encounter,healthiness}(t + \Delta t)$可近似为节点$j$中位置CN在$t + \Delta t$时刻不包含任何令牌的概率。
4. 能量评估 ：节点$i$可观察节点$j$在$[t, t + \Delta t]$期间的数据包传输信号强度来估计$T_{ij}^{encounter,energy}(t + \Delta t)$，该值接近节点$j$的真实能量状态，可通过检查SPN输出中的ENERGY位置获得。

得到$T_{i,j}^{encounter,X}(t + \Delta t)$后，节点$i$可根据公式2更新其$T_{i,j}^X(t + \Delta t)$，随后根据公式1得到$T_{i,j}(t + \Delta t)$。

实验设置

在实验中，对于基于信任阈值的路由（TTBR），设置$w_1:w_2:w_3:w_4 = 0.25:0.25:0.25:0.25$。系统中设置20个初始能量水平差异很大（范围在[12, 24]小时）的节点，每个节点在8×8的操作区域内随机移动，移动速率$\sigma_0$在[1, 4] m/sec范围内。8×8的方形区域大小相同，每边等于$R = 250$ m。节点分为三种类型：
|节点类型|特点|
| ---- | ---- |
|好节点|妥协率和不合作率为零|
|不合作节点|不合作率$\lambda_{uncooper}$非零（即每300秒一次）|
|恶意节点|妥协率$\lambda_{com}$在[1/480min., 1/160min.]范围内|

设置$\beta_1:\beta_2 = 0.8:0.2$，对直接观察给予较高信任，而不是间接推荐。由于节点之间没有先前的交互，所有信任组件的初始信任级别设置为无知（即0.5）。设置衰减系数$\lambda_d = 0.001$，平均相遇间隔$\Delta t = 5$ min，使得$e^{-\lambda_d\Delta t} = 0.995$，以模拟信任随时间的小衰减。

在每次运行中，随机选择一对源节点和目的节点（均为好节点）。允许30分钟的预热时间让节点相互积累经验，然后开始消息转发。如果消息载体是恶意的，消息将被丢弃（弱攻击）；如果消息载体是不合作的，消息有50%的机会继续传递。当消息传递到目的节点或在到达目的节点之前丢失时，消息传递运行完成。收集2000次运行的数据，计算消息传递比率、延迟和开销性能指标。

实验结果分析

1. $T_f$和$T_{rec}$的最优值 ：从实验结果可知，在广泛的坏节点比例范围内，$T_f = 0.9$在所有性能指标方面始终表现优于其他值。这是因为$T_f = 0.9$时，TTBR类似于“直接传递”方法，传递给中间消息载体的副本很少，从而形成更直接的路由到目的节点。当$T_f$固定为0.9时，$T_{rec} = 0.6$在广泛的坏节点比例范围内具有最短的消息延迟和最低的消息开销。这是因为当$0.6 \leq T_{rec} \leq 0.9$时，推荐者都是好节点，$T_{rec} = 0.6$不仅允许更多的推荐者，还能提供足够正确的推荐，从而基于公式4进行更准确的间接信任评估。
2. 与其他路由算法的比较 ：将TTBR与流行病路由、基于社会信任的路由（STBR）和基于QoS信任的路由（QTBR）进行比较。对于STBR和QTBR，分别设置$w_1:w_2:w_3:w_4 = 0.5:0.5:0:0$和$0:0:0.5:0.5$。
   • 消息传递比率 ：带有$T_f$的路由协议在传递比率方面优于没有$T_f$的协议。TTBR和STBR在带有$T_f$的情况下，在广泛的坏节点比例范围内，传递比率接近1，优于QTBR和流行病路由。这表明TTBR和STBR能够区分可信任节点和坏节点，并选择可信任节点来中继消息。
   • 消息延迟和开销 ：所有基于信任的路由算法（无论是否有$T_f$）在消息开销方面都明显优于流行病路由，因为信任被用于调节消息转发。在消息延迟和消息开销方面，QTBR优于TTBR和STBR。这是因为TTBR或STBR选择的路径可能不是最直接的，因为它们试图避开坏节点，而QTBR仅使用连接性指标和剩余能量指标来选择消息载体。

以下是该过程的mermaid流程图：

graph TD
    A[节点i遇到节点j] --> B[节点i评估节点j的信任属性X]
    B --> C{属性类型}
    C -->|合作性| D[估计T_{i,j}^{encounter,cooperativeness}(t + \Delta t)]
    C -->|连接性| E[评估T_{i,j}^{encounter,connectivity}(t)]
    C -->|健康性| F[近似T_{i,j}^{encounter,healthiness}(t + \Delta t)]
    C -->|能量| G[估计T_{ij}^{encounter,energy}(t + \Delta t)]
    D --> H[更新T_{i,j}^X(t + \Delta t)]
    E --> H
    F --> H
    G --> H
    H --> I[得到T_{i,j}(t + \Delta t)]

无线自组网中基于模糊集和灰色理论的信任管理框架

随着无线网络应用的发展，信任管理变得越来越重要。然而，针对无线网络的攻击和入侵不断增加，安全成为使用无线技术和互联网服务的主要关注点。

研究背景

无线网络技术为人们提供了随时随地访问互联网的便利，但也面临着各种安全威胁。为了保障网络安全，人们部署了防火墙、防病毒软件、加密算法和入侵检测与预防系统等工具。在设计安全的网络应用时，确定一个网络实体如何信任另一个网络实体是一个关键挑战。

在分布式环境中，信任管理可以为更详细和更明智的授权决策提供基础，并允许高度自动化。近年来，人们提出了各种模型和算法来描述信任和设计信任管理，如策略语言、公钥密码学、复活小鸭模型和分布式信任模型等。分布式信任模型通常应用于对等（P2P）系统和无线自组网，这些网络依赖所有参与者积极参与网络活动，如路由和数据包转发。

然而，无线网络节点的有限内存、电池电量和带宽等特点可能导致节点自私行为，信任管理可以帮助减轻这些自私行为，提高网络资源的有效利用率。近期研究考虑了如何评估无线网络中通信实体的信任，使用了概率估计、信息理论、模糊理论和博弈论等理论来设计信任指标。为了从更多方面评估信任值，一些研究引入了灰色理论来改进现有的信任管理或网络性能。

新信任管理框架

本文重点设计了一个基于模糊集和灰色理论的新信任管理框架（TMF）。灰色理论已广泛应用于经济学、农业、气象学、环境和材料等多个领域。邓聚龙提出的灰色关联分析方法可以对系统的动态发展过程进行定量分析，其基本思想是根据曲线之间的相似程度确定不同因素的关系。

本研究采用灰色理论对信任值进行排序，该方法的主要优点是不需要大量的样本数据，也不需要数据符合任何分布规则，就能产生与定性分析一致的令人信服的结果。Fu Cal等人应用改进的传统分析方法处理具有多个属性的数据，能够获得可相互比较的灰色关联度，无论原始数据的单位如何，因此可用于P2P网络和无线自组网中对等节点的风险评估。

新的TMF使用多个参数而不是单个参数来确定最终的信任值。通过在基于802.11的无线网络中进行的模拟实验表明，该框架不仅可以识别异常的信任行为，还能有效地找出用于建立节点信任值的指标中哪些方面异常，从而识别攻击者针对TMF使用的策略。

以下是新信任管理框架的工作流程列表：
1. 收集邻居节点的观察数据。
2. 运用模糊集和灰色理论的算法处理数据。
3. 计算节点的信任值。
4. 识别异常信任行为和异常指标。
5. 确定攻击者的策略。

综上所述，容迟网络中基于信任阈值的路由算法和无线自组网中基于模糊集和灰色理论的信任管理框架都为网络的安全和高效运行提供了有效的解决方案。通过合理设置信任阈值和权重，可以在消息传递比率、延迟和开销之间取得良好的平衡；而新的信任管理框架则能够更好地应对无线网络中的安全威胁，识别异常行为和攻击者策略。

容迟网络中基于信任阈值的路由及无线自组网信任管理框架研究

容迟网络中基于信任阈值的路由的进一步探讨

在容迟网络中，基于信任阈值的路由算法（TTBR）通过合理设置信任阈值和权重，在消息传递性能上展现出了显著优势。然而，实际网络环境复杂多变，仍有一些方面值得进一步探讨。

不同网络场景下的适应性

在上述实验中，节点的移动是随机的，但在实际应用中，节点的移动可能遵循特定的模式，如人群在商场、校园等场所的移动。当节点移动不随机时，$T_f = 0.9$可能不一定总是表现最佳。例如，在某些场景下，节点的相遇概率可能极低，若仍采用$T_f = 0.9$，可能会导致消息传递延迟过长，甚至消息丢失。因此，需要根据不同的网络场景，动态调整$T_f$和$T_{rec}$的值，以实现最佳的消息传递性能。

信任评估的准确性

信任评估是TTBR的核心，其准确性直接影响路由决策。虽然实验中假设“合作性检测机制”和“健康性检测机制”有效，但在实际网络中，这些机制可能会受到各种因素的干扰，导致信任评估不准确。例如，节点的信号强度可能会受到环境因素的影响，从而影响能量评估的准确性；恶意节点可能会采用欺骗手段来伪装自己的合作性和健康性，使检测机制失效。为了提高信任评估的准确性，可以采用多维度的检测方法，结合多个邻居节点的观察结果进行综合评估。

权重设置的优化

在TTBR中，权重$w_1:w_2:w_3:w_4$的设置对路由决策有重要影响。实验中设置$w_1:w_2:w_3:w_4 = 0.25:0.25:0.25:0.25$，但在不同的应用场景下，可能需要不同的权重设置。例如，在对消息延迟要求较高的场景下，可以适当提高连接性和能量指标的权重；在对消息安全性要求较高的场景下，可以提高合作性和健康性指标的权重。因此，需要根据具体的应用需求，优化权重设置，以实现最佳的路由性能。

以下是不同场景下的优化策略表格：
|场景类型|优化策略|
| ---- | ---- |
|节点移动不随机|动态调整$T_f$和$T_{rec}$的值|
|信任评估不准确|采用多维度检测方法，综合多个邻居节点的观察结果|
|不同应用需求|根据具体需求优化权重$w_1:w_2:w_3:w_4$的设置|

无线自组网中基于模糊集和灰色理论的信任管理框架的应用与挑战

基于模糊集和灰色理论的信任管理框架（TMF）为无线自组网的安全提供了一种有效的解决方案，但在实际应用中也面临着一些挑战。

应用场景

新的TMF可以应用于各种无线自组网场景，如智能家居、智能交通、工业物联网等。在智能家居场景中，多个智能设备组成一个自组网，通过TMF可以评估设备之间的信任关系，确保设备之间的安全通信，防止恶意设备的入侵。在智能交通场景中，车辆之间可以通过TMF建立信任关系，实现安全的信息共享和协同驾驶。在工业物联网场景中，传感器和执行器等设备组成的自组网可以利用TMF保障数据的安全传输和设备的可靠运行。

挑战与应对措施

• 数据收集的难度 ：TMF需要收集邻居节点的观察数据来计算信任值，但在实际网络中，数据收集可能会受到节点故障、通信干扰等因素的影响。为了应对这个问题，可以采用冗余数据收集的方法，即多个邻居节点同时收集数据，并对数据进行一致性检查，以提高数据的可靠性。
• 计算复杂度 ：灰色理论和模糊集的算法可能会带来较高的计算复杂度，尤其是在大规模网络中。为了降低计算复杂度，可以采用分布式计算的方法，将计算任务分配到各个节点上进行并行计算，以提高计算效率。
• 攻击者策略的多样性 ：攻击者可能会采用各种复杂的策略来绕过TMF的检测，如动态改变攻击策略、联合攻击等。为了应对这些复杂的攻击策略，需要不断更新TMF的检测算法，提高其对新攻击策略的识别能力。

以下是TMF应用的mermaid流程图：

graph TD
    A[无线自组网场景] --> B[收集邻居节点观察数据]
    B --> C[运用模糊集和灰色理论算法处理数据]
    C --> D[计算节点信任值]
    D --> E{信任值是否异常}
    E -->|是| F[识别异常指标和攻击者策略]
    E -->|否| G[维持正常通信]
    F --> H[采取应对措施]
    H --> B

总结与展望

容迟网络中基于信任阈值的路由算法和无线自组网中基于模糊集和灰色理论的信任管理框架都为网络的安全和高效运行提供了重要的解决方案。通过合理设置信任阈值和权重，TTBR可以在消息传递比率、延迟和开销之间取得良好的平衡；而TMF则能够更好地应对无线网络中的安全威胁，识别异常行为和攻击者策略。

然而，这两种方法都面临着一些挑战，如实际网络场景的复杂性、信任评估的准确性和计算复杂度等。未来的研究可以进一步优化这些方法，提高其在不同网络场景下的适应性和性能。例如，结合机器学习和人工智能技术，实现信任评估和路由决策的智能化；采用区块链技术，提高信任管理的安全性和可靠性。通过不断的研究和改进，相信这些方法将在未来的无线网络中发挥更加重要的作用。