安全环形聚类与路由模型

基于安全环形区域聚类与路由的分布式无线传感器网络模型

摘要

由一组地理上分布于恶劣环境中的传感器节点组成的分布式无线传感器网络（ DWSNs）。然而，集中式无线传感器网络未考虑网络的可扩展性，并且会导致高能量消耗。由于这些开放性问题，人们采用了分布式计算方法，因为它能够解决可扩展性问题，并为数据传输建立多条路径。为了实现更高的能量效率、可扩展性和安全性，本文提出了一种称为安全冠状区域聚类与路由（SC‐ZCR）的分布式协议。所提出的SC‐ZCR旨在解决DWSN中的多个问题，并支持长期部署。在SC‐ZCR中，我们将进行多个过程，包括区域聚类、节能路由以及数据加密与安全验证。区域聚类通过自适应神经模糊系统实现，其中我们考虑了四个参数：节点角度、传感器节点到汇聚节点的距离、节点剩余能量和信任值。每个传感器节点的信任值通过主成分分析计算得出。然后通过Q跳路由协议建立节能路由，该协议利用鲸鱼优化算法寻找最优和最短路径。对于数据包的加密，采用RC6算法，随后使用潜在权重因子对数据包的安全级别进行验证K、分组大小B以及轮数R。通过NS3.26仿真器进行的实验结果表明，所提出的SC‐ZCR在覆盖率、剩余能量、网络寿命、延迟、丢包率和安全强度方面均表现出更优性能。

关键词 分布式无线传感器网络 · 安全区埻聚类 · 节能路由 · 信念计算 · Q跳中继协议和安全验证

1 引言

无线传感器网络是一种无线网络，由大量任意部署在网络中的传感器（如光传感器、压力传感器和温度传感器等）组成。在无线传感器网络中，传感器节点的部署对于各种应用（军事、医疗保健、目标跟踪和监控应用）来说都是需要重点考虑的问题[1–4]。由于传感器节点的电池不可充电且难以更换，因此能量节约是无线传感器网络中的首要关注点。通过聚类方式组织无线传感器网络可以显著节省数据传输过程中的能量消耗。已有多种用于降低能量消耗的聚类协议被提出，例如LEACH[5], M-LEACH[6], R-LEACH[7],和LEACH‐XMP[8]。LEACH及改进的LEACH协议在无线传感器网络中提供了诸多优势，但这些协议也带来了严重的问题。因此，需要设计一种最小能量消耗的无线传感器网络以提升网络性能。为了降低能量消耗，本文在无线传感器网络中设计了一种多因素分布式聚类与路由协议（MFDCRP）[9]。感知数据由簇头节点聚合后，通过中继节点进行转发，从而实现最小能量消耗和稳定的数据传输，进而平衡整个网络的能量。靠近汇聚节点的传感器节点之间的能量必须在数据包传输过程中予以考虑。

基于分布式聚类的无线传感器网络系统最近由于集中式无线传感器网络中的大量故障而兴起[10]。在分布式传感器环境中提出了能量平衡模型（EBM）[11], ，其中节点在网络中随机分布。EBM旨在延长网络的生命周期。在分布式传感器网络中，覆盖范围是一个关键问题，因此需要覆盖感知的能量高效路径。达仁等[12]提出了 一种覆盖感知路由协议，在数据传输过程中具有较高的能量效率。通过构建最小生成树将数据包转发至基站。在分布式环境中，对聚类与路由中的服务质量（QoS）进行了分析。在[13]聚类QoS路由协议（CQRP）被设计用于分析QoS，以区分与 QoS相关的网络性能。无线传感器网络中一些重要的QoS指标包括能量效率、移动性、吞吐量、延迟、可扩展性和可靠性。

安全是无线传感器网络中最重要的一方面，因为安全聚类与路由能够提升传感器网络的性能。在无线传感器网络中，强烈推荐采用用户认证、数据加密以及数据传输过程中的安全级别验证[14, 15]。针对分布式传感器网络，采用模糊逻辑实现异常检测[16]。传感器节点感知数据的准确性通过Takagi‐Sugeno系统进行验证。除了安全、聚类与路由之外，传感器节点的大规模部署也是典型实时应用（如灾害监测与控制管理）中的重要考虑因素[17]。

1.1 动机

在无线传感器网络中，集中式聚类与路由协议可能在可扩展性和数据传输可靠性方面限制网络性能。在[18]中，作者提出了一种称为基于副簇头的集中式聚类路由（VCH‐ECCR）的集中式路由技术，该技术允许“v”级选择副簇头以利用传感器节点的能量。簇头数量不固定。VCH‐ECCR可实现仅通过单跳通信传输数据包。然而，集中式路由需要获取传感器环境的全部信息，一旦失效，整个网络将瘫痪。该方法对簇头、副簇头和次级副簇头消耗大量能量。在分布式环境中部署的传感器节点可减少拥塞。针对大规模分布式无线传感器网络的能量节约和负载均衡是本文的重要动机是，因此我们的网络具有较长的寿命，并在数据传输中消耗最小能量。

1.2 主要贡献

我们设计了由安全簇形成和节能路由组成的分布式无线传感器网络，称为SC‐ZRP。首先，考虑基于环形的感知区域，我们将每个环形区域划分为四个分区。网络划分用于降低能量消耗。为了进一步减少能量消耗，提出了区域聚类。利用神经模糊系统选择最优簇头，该系统能够自适应地调整输入参数，如节点剩余能量、角度、到汇聚节点的距离和信任值。在一组规则中，粒子群优化（PSO）确定最佳的如果‐那么规则。为了计算节点信任值，我们使用主成分分析（PCA），以确定节点可信度。其次，提出了一种Q跳路由协议，该协议利用剩余能量、预期延迟、队列大小和节点当前负载（等待传输的数据包）这四个指标来选择最优路径。针对最优路径选择，提出了鲸鱼优化算法。允许进行多跳通信（如有需要），但考虑了跳数以避免过大的端到端延迟。第三，使用RC6加密算法对数据包进行加密，然后利用潜在权重因子 （密钥长度、分组大小和轮数）计算加密数据安全级别。最后，进行了仿真以评估SC‐ZCR的性能，我们从覆盖率、剩余能量、网络生命周期、延迟、丢包率和安全强度方面分析了其性能。

1.3 论文结构

本文的其余部分组织如下：第2节介绍了DWSN中近期的相关研究。第3节通过指出先前研究中存在的问题，说明了我们将安全聚类与路由作为DWSN研究工作的重点原因。第4节概述了提出的SC‐ZCR模型及其简要工作流程。第5节展示了仿真环境、评估指标以及所提出工作与先前工作的对比分析。最后，第6节对本文进行了总结，并提出了未来工作方向。

2 相关工作

在本节中，我们简要描述了DWSN领域相关研究及其局限性。目前在DWSN中开展的研究工作较少，具体如下。

在[19]中，作者提出了一种基于环状结构的无线传感器网络中的节能方案。此处提出的节能方案称为绿色MAC，它为传感器节点提供了最大化和最优的周期模式，并消除了传感器节点与相邻环状区域之间的重叠问题。每个传感器节点的周期长度（L）可以是 O(1∕L) ，以最小化无线传感器网络中的能量消耗。在高密度基于环状结构的无线传感器网络中，周期长度L不足以将数据包转发到邻近节点。元启发式算法在无线传感器网络的能量消耗中起着重要作用。布谷鸟搜索优化提出了一种(CSO)算法[20]用于在传感器节点之间形成簇。在CSO中，考虑了四个约束条件：节点剩余能量、簇内距离、到基站的距离以及簇间距离。通过使用CSO算法，选择了最优簇头进行数据传输。由于传感器节点的静态特性，该工作会导致较大的端到端延迟，并且未定义QoS参数（可扩展性和网络可靠性）。提出了一种三级模糊聚类算法[21]以提高无线传感器网络的网络寿命。在此，利用模糊逻辑（Mamdani推理机）选举超级簇头。此处新选举的超级簇头负责向基站进行数据包传输。所提出的基于模糊的三级聚类算法将减少数据包开销和数据包丢弃率，从而延长网络寿命。该工作未能选出最优簇头，降低了网络效率，并且导致可扩展性较差。

在[22]提出了一种负载均衡聚类算法，通过均衡网络的流量负载来降低能量消耗。该算法作为一种完全分布式聚类算法，支持邻近传感器节点之间的相互通信。随后，提出了一种改进的八卦协议（IGP）用于数据路由。当传感器节点处于高流量状态时，该协议表现不佳。在将路由数据包从一跳转发到另一跳的过程中，确定传感器节点缓冲区大小非常重要，因为如果不考虑队列大小，大量数据包将在中间节点被丢弃。为缓解此类问题，在[23]中，作者讨论了数据路由中用于网络负载均衡的队列溢出预测概念。为此，提出了一种协作负载均衡算法（CoLBA），以最小化网络开销。CoLBA基于排队延迟，消除了数据包队列溢出，并结合溢出预测方法优化了控制消息传输。该CoLBA的缺点是，当数据包进入队列进行数据传输时，采用先进先出（FIFO）队列过程。在[24]中，提出了一种新颖的集中式算法，用于在无线传感器网络中构建虚拟骨干网。为此，设计了一种三阶段近似算法，以解决无线传感器网络中的最小连通支配集（MCDS）问题。集中式路由方案可提高PDR，但无法降低能量消耗。在[25]中，基于遗传算法实现了优化路由，以应对拓扑的动态变化。本文的具体贡献有三个方面：（1）利用遗传算法建立网络的动态拓扑构建；（2）借助转发可靠路由数据包（FRRPs）使用禁忌搜索算法（TSA）实现最优路径选择；（3）综合考虑延迟、能量和可靠性等多种服务质量（QoS）约束，确定多条最优路径用于数据传输。该工作未能及时交付数据包，因为最优路径选择依赖于遗传算法和禁忌搜索算法，二者均增加了端到-end延迟。

在[26]基于模糊逻辑的地理路由协议（称为FGAF‐HEX）中，旨在实现更高的能量优化。随后，他们利用蜂窝网络架构将传统的方形网格替换为六边形虚拟网格。每个传感器节点可根据三个准则选择下一个中继节点。该工作的局限性之一是可扩展性。当网格单元中的传感器节点数量较多时，会导致整个网络负担加重。提出了一种基于遗传算法的能量感知聚类与路由协议，即阈值敏感能量高效路由协议（TERP），[27],以延长网络寿命。在此方案中，每个传感器节点的稳定期较长，且基于TERP的聚类过程提升了网络稳定性。然而，采用遗传算法的多跳通信在数据包传输过程中需要较高的处理时间。本文提出了一种能量高效分层路由方案，[28]其中作者贡献了两项工作：拓扑构建与数据路由。在拓扑构建过程中，节点消耗大量能量，且导致较高的计算复杂度。提出了一种基于汇聚节点位置的地理聚类操作，[29]用于多跳无线传感器网络中的路由。每个簇选举一组地理簇头。主簇头由一个或多个次簇头进行管理。该提出的方法通过为靠近汇聚节点的簇分配大量地理簇头来解决热点问题。缺点是主簇头及其对应的次簇头的选择会消耗更多能量，并可能导致较大延迟。

一种基于信任的路由使用激活函数[30]在无线传感器网络中被提出，该方法根据节点的信任级别选择节点。这项工作包含两个过程：满足能量约束的节点信任评估，以及基于其加性度量对邻居信任信息进行保护的节点评估。为了简化激活函数的过程，采用了随机Transigmoid函数。在此工作中，邻居的信任值未得到妥善管理，需要优化技术来进行信任管理和通过高信任度节点进行数据路由。实施了不等簇聚类[31]基于簇半径和节点密度。此外，在簇头选举中考虑了节点剩余能量、概率值和节点密度。提出了能量高效的数据收集、数据传输和负载均衡[32]以分配负载实现全局负载均衡。它解决了无线传感器网络中重载节点问题和能量消耗不平衡的问题。负载并未在网络中所有传感器节点之间均匀分配。死亡节点数量较多，降低了网络寿命。

在[33]动态无线传感器网络中提出了一种新颖的基于聚类的路由技术以提高能量效率。选择具有高剩余能量和较高度数的传感器节点作为簇头进行数据传输。该工作的主要限制在于簇间和簇内通信未被完整定义。在[34]一种能量均衡路由协议(EBRP)，使用k‐means++聚类算法将网络划分为多个簇。对于每个簇，采用模糊逻辑系统 (FLS)选举簇头，该系统利用四个输入参数找出最优簇头，这些参数包括节点剩余能量、传感器节点到汇聚节点的距离以及传感器节点到簇中心的距离。该方法的缺点在于模糊逻辑系统，因为它生成了三个参数级别的模糊规则(3 ∗ 3 ∗ 5= 45) 。在此列表中，使用遗传算法选择最佳规则。然而，遗传算法在模糊逻辑系统中处理规则时消耗较多时间。在[35],中，作者提出了一种用于对传感器节点进行分组的混合算法。该混合算法结合了K‐means聚类和蚁狮优化器算法，用于最优簇头选择。该算法在簇头选择中使用，能够提供更好的能量消耗表现，但导致较高的时间复杂度。此外，构建了一个基于球形网格的网络，以实现能量高效的基于簇的路由。

在[36],中，作者提出了一种新的安全路由算法，即基于能量感知信任的安全路由算法，该算法基于信任评分评估。在这项工作中，采用了多种时空约束和决策树算法进行最佳路径选择。实验结果表明，基于信任的路由算法在能量效率、安全性和分组投递率方面相比先前的方法取得了更好的性能。在[37],中提出了一种QoS感知路由协议，该协议是一种高效节能且可信的协议，可提高能量利用率。本文计算了三种不同的信任评分，包括直接信任、间接信任和总体信任。这将降低丢包率和能量消耗，但可扩展性较差。

3 问题陈述

无线传感器网络中的安全聚类与路由协议应致力于实现高能量节约并延长网络寿命，特别是在分布式环境中。同样，正确部署节点可以提高能量效率，从而使节点能够更长时间地保持活跃。例如，提出了一种分布式能量感知的基于六边形的聚类（DEHCIC）方案[38]以解决无线传感器网络的两个约束问题：网络拓扑和能量消耗。该方案考虑了两级六边形结构用于传感器节点部署，通过该结构将无线传感器网络的覆盖范围提高了90.2%。网络的形状非常重要。本研究中，两级六边形结构中的聚类会导致能量消耗不均（导致簇头与簇成员之间的能量消耗较高）。圆形区域的网络可提供更好的服务质量。基于环形结构的无线传感器网络在[39, 40]中被提出。在[39],中提出了两种新型节点部署策略：具有均衡能量的能耗平衡节点部署（END‐BE）和具有最大寿命的能耗平衡节点部署（END‐MLT）。这两种策略在基于环形区域的网络结构中得以实现。在内环中，传感器节点的密集部署会导致冗余的数据传输。每个环形单独进行聚类会导致高复杂度。在[40]中提出了一种分布式算法，用于负载均衡和数据聚合，该算法通过最小跳数将数据包发送至汇聚节点。它为大规模无线传感器网络提供了节能路由和传感器节点部署方案。对于数据聚合，通过下一节点选择方法构建拓扑树。当多个节点选择同一节点作为下一跳时，由于采用轮询调度算法，仅单个数据包被转发，其余数据包被丢弃。基于轮询方式处理数据包并不高效，因为每个数据包被分配一个时间片，当时间片耗尽时，数据包被抢占并添加到就绪队列末尾。在多跳路由中，流量模式高度非均匀，因此靠近汇聚节点的传感器节点会承担较大负担。此外，在多跳路由中，每个节点都可能成为数据源节点或路由器。因此，故障可能导致拓扑篡改，从而需要数据包重路由或网络重组。我们提出了DWSN中的SC‐ZCR模型，以解决上述所有问题。本文的主要目标是平衡整个分布式无线传感器网络中的能量消耗。本研究中，我们确定了影响无线传感器网络性能的因素，这些因素涉及能量消耗、网络寿命和丢包率。

4 提出的SC‐ZCR模型

在本节中，我们提出了SC‐ZCR模型，它是一种分布式聚类路由协议。SC‐ZCR模型的工作流程如下所述。SC‐ZCR的系统架构如图1所示。

4.1 系统概述

首先，我们将传感器节点部署在一个圆形区域（环形区域）中。共有三个环形区域(环形区域1、环形区域2、环形区域3)用于实现SC‐ZCR模型。这种基于环形区域的感知区域旨在优化能量消耗并平衡整个网络。汇聚节点位于环形区域的中心，且位置稳定。以汇聚节点为中心点，每个环形区域被划分为四个分区(P1,P2,P3,P4)即象限。在每个分区内实施区域聚类，其中分区内感知区域被划分为若干个区域。例如，在P1中，我们有以下区域Z1 1, Z1 2, Z2 2, Z1 3, Z2 3, Z3 3 。所提出的SC‐ZCR模型的假设如下。

• 共有“N”个传感器节点随机分布在监测区域内。
• 每个传感器节点都具有唯一的标识符，并通过全球定位系统实现位置感知。
• 节点是同质的且具有相等的初始能量。
• 汇聚节点具有无约束能量。
• 节点周期性地感知并传输数据到汇聚节点。

伪代码1‐提出的SC‐ZRP
1: 基于安全冠状区的分布式无线传感器网络聚类与路由模型
2: I 使用三个环形区域初始化网络 = 1, 2, 3
3: 对于all
4: 进行分区 = ,,, 5: 所有
6: 对于所有节点 =(= 1,2…) in
7: 拆分P(,,,)为 = 1 1, 2 2, 3 1, 3 2, 3
8: 在每个中选择最佳的簇头
9: 实现用于区域聚类的自适应神经模糊系统
9.1 对于每个节点计算 ,, and
9.2 计算 // 运行主成分分析
9.3 查找以下内容的如果‐那么规则列表：
9.4 使用粒子群优化选择最佳的如果‐那么规则
9.4 选择适应度值最佳的节点 9.5 形成簇 10: 如果(1)是当前簇头 11: 向汇聚节点发送数据 12: 通过Q‐HR选择最优路径//运行WOA 13: 对于的所有邻居 (1)计算 , , and
14: 计算适应度 of (1)使用公式(15)
15: 使用RC6加密数据包 16: 通过最优路径R传送数据包 17: 在汇聚节点处验证安全级别，使用 18: 如果安全级别==高 接收数据包并采取必要措施； 否则如果安全级别==中 怀疑数据包并将其放入等待队列
Else
丢弃数据包
19：结束if

4.2 区域聚类

所提出的SC‐ZCR模型的传感器节点分布部署可数学表示如下[41]。

$$
(1) DCi = R \sum_{i=j}^{2} rj ∕RC 1 ≤i ≤ R
$$

其中，DCi 是第i个环带密度，rj是第j个环带半径，RC是传感器节点的传输范围。公式(1)表示第i和i+ 1环带中的传感器节点密度与第i− 1和i环带中的节点密度相同。这表明两个相邻环带C1, C2具有相等的网络寿命，并期望实现能量消耗的均衡。基于环带的无线传感器网络的主要限制是在密集环境中内环可能存在数据包的冗余传输。

为解决此问题，本文提出使用自适应神经模糊系统（ANFS）进行区域聚类。在无线传感器网络中，模糊逻辑被提出以确保最小能量消耗[4, 15, 21, 26, 42]。然而，模糊逻辑在估计隶属函数方面较为复杂，且存在多种模糊规则解释方法，这些方法整合多个模糊规则的结果并产生去模糊化输出。为应对这些问题，本文采用神经模糊系统进行区域聚类。然而，现有在无线传感器网络中用于聚类的神经模糊系统[43]并未以自适应方式生成模糊规则。因此，本文提出了一种自适应神经模糊系统，以实现精确聚类。在基于环带的分布式无线传感器网络中，节点可能任意移动。神经网络确定选举节点作为簇头的阈值。另一方面，模糊逻辑根据输入参数（如节点角度、距离d、能量RE和信任值BF）生成规则。首先我们利用主成分分析（PCA）计算信任值BF。本文中，节点可信度通过其行为（当前和过去的数据传输）进行计算。为选举节点作为簇头，其信任值BF必须较高，且取值介于0和1之间。PCA通过应用主成分分析原理，简化了节点在数据传输过程中的大量能量消耗，同时减少了通过中继节点传输时数据包信息的丢失，并降低了数据维度。

BF的PCA如下。设A={a1 , a2,…,an}为N个节点位置坐标的矩阵，B={b1 , b2,…,bn}为中心化数据的矩阵，其中bi = ai − ̄a，表示按列中心化的距离向量， ̄ a=∑i ai∕ n表示按列X矩阵均值向量。假设M={m1 ,m2,…,mn} 为给定时间段t 内节点的测量值集合。每个节点生成大规模数据流。令E n. p 为元素矩阵，E i j, 1 ≤i ≤ n,1 ≤j ≤p为传感器i在时间t的测量值。BF值的计算通过查询网络中与节点i相邻的节点来完成，其数学表达式为：

$$
(2) BF(i)= P \sum_{j =1}^{b} j y j
$$

神经模糊结构与基于多层的神经网络相同。然而，自适应神经模糊系统包含输入层、三层隐含层（隶属函数、规则生成和输出隶属函数）和输出层。在自适应神经模糊系统中，四个输入参数(A、B、C、和D使用梯形隶属函数，如下所示：

$$
(3) Trapezoid(x;A, B, C, D)= max(min(x −A B −A, 1, D − x D − C), 0)
$$

该模型中采用的神经模糊规则如图3所示。

在自适应神经模糊系统中，每个层（如输入层、输出层和隐藏层）都与最优簇头选择的特定过程相关联。

第一层（输入层） 在第一层中，每个神经元将精确外部输入直接传递到下一层。

第二层（隶属函数层） 在第二层中，每个神经元代表一个模糊集，该模糊集用于模糊 IF‐THEN规则的前件。在模糊化过程中，神经元接收精确的输入变量，并计算该精确变量隶属于该神经元模糊集的程度。

第三层（规则层） 在第三层中，为每个神经元生成如果‐那么规则。一个神经元从模糊化神经元获得清晰的输入，这些输入表示前件规则中的模糊集，即神经元r1 对应于规则1，并从神经元n1,和m1 获得清晰输入。在自适应神经模糊系统中使用乘积算子执行交集运算。该层可自适应地调整传感器节点的阈值和权重。总共在此层生成了81条如果‐那么规则。

• 模糊输入参数← , d, 相对误差以及备份因子
• 去模糊化输出变量→最小值、平均值和最大值

此外，采用粒子群优化算法来选择最佳规则。最佳规则的模糊集对于簇头选择最为重要。针对每个节点会生成81条规则，而计算其中最佳规则是一个复杂且耗时的过程。因此，本文采用了粒子群优化算法。由于该过程仅需几分钟即可完成，因此粒子群优化算法并不会耗费过多时间。利用粒子群优化算法的最佳适应度函数来寻找最优模糊规则。该适应度函数基于四个清晰输入进行计算，这些输入作为模糊化层的输入。自适应神经模糊系统用于动态阈值变化的描述如下。

第四层（输出隶属函数层） 在此层中，神经元表示为模糊规则后件所考虑的模糊集。输出神经元成员的结果通过并运算整合所有精确输入值。

第五层（输出层） 该层是一个去模糊化层，用于判断是否选择当前节点作为簇头。通过这种方式，我们确定每个区域中的簇头节点。在提出的SC‐ZCR中，由于能够自动连接到相邻节点，因此不需要频繁进行聚类。

4.3 Q跳路由

无线传感器网络中的分组路由是一个优化问题，因为它需要为特定节点（特定选择或转发概率）进行数据传输，并且路由必须最小化总能量消耗。在数据路由之前最大化节点的剩余能量可能有助于节点保持更长时间的活跃状态。对于路由，使用路径可靠性因素（队列大小QS、剩余能量RE、预期延迟 ED以及当前负载CL）。根据路径可靠性因素，我们选择最优路径。为了缓解传统轮询调度方法的问题，我们提出了自适应轮询算法，该算法解决了经典轮询算法的问题（当多个节点选择同一节点作为下一跳时）。Q‐HR的主要目标是通过缓解队列溢出问题来最小化丢包率，因此我们在数据包传输中考虑了队列大小。

鲸鱼优化算法WOA是一种元启发式算法[44, 45]该算法受座头鲸的捕食行为启发，基于群体方法。座头鲸通过包围猎物来确定猎物位置。WOA首先初始化鲸群种群以及一些参数。当鲸群种群初始化完成后，对种群中的解进行适应度计算。搜索代理的适应度通过适应度函数F进行计算，其计算公式见公式(15)。由此确定当前的最佳候选解为已获得的最优（或近似最优）解。在确定最佳候选解后，其他代理位置将根据最佳搜索代理进行更新

$$
(6) D= |c ⋅x ∗ (t) − x(t)|
$$

$$
(7) x(t+ 1)= x ∗ (t) − a ⋅D
$$

$$
(8) a= 2A× R× A
$$

$$
(9) c= 2× R
$$

其中a和c是系数向量，x ∗是最优解位置向量，x表示解位置向量，t是当前迭代次数，且| | 是绝对值。a和c的计算方式如下：

其中R是介于[0,和1]之间的随机向量范围，且a在迭代过程中从二线性递减至零。然后通过计算鲸鱼位置与猎物位置之间的距离来完成螺旋位置更新。为座头鲸创建了螺旋形运动，其表达如下。

$$
(10) x(t+ 1)=D × eBL × Cos(2L)+ x∗(t)
$$

$$
(11) D= |X ∗(t) −X(t)|
$$

$$
(12) x(t)={ x∗(t) − a× D if rd< 0.5 D× eBL × Cos(2πL)+ x∗(t) if rd ≥ 0.5
$$

$$
(13) D= ||c ⋅xrand − x||
$$

$$
(14) x(t+ 1)= xrand − a ⋅D
$$

其中D′是最优解（猎物）与第i只鲸鱼之间的距离，B是一个常数，L是介于− 1和1之间的随机变量。D′通过以下方式计算：在收缩圆内，座头鲸围绕猎物游动，类似于螺旋形路径。为了对其进行数学建模，设定50%的概率选择收缩包围机制或采用螺旋数学模型来更新鲸鱼位置，表达如下：

其中rd是介于0和1之间的随机变量范围。在探索阶段，搜索代理（座头鲸）随机寻找最优解（猎物），并根据座头鲸的当前位置调整自身位置。为了迫使搜索代理相对于参考鲸鱼移动更远的距离，我们使用a，其值为> 1或< 1 。座头鲸的探索阶段可数学表达如下。

其中xrand表示从当前种群中选择的一个随机位置向量。在无线传感器网络中，路由开销是首要挑战，因为所有源节点都试图为数据传输找到到目的节点的最优路径，从而导致节点出现拥塞和高流量。因此，在路由发现过程中考虑网络负载是一个重要需求。在鲸鱼优化算法中，适应度函数是最优的，它决定了解的质量。在适应度计算中使用了四个输入参数，即查询质量、相对误差、欧氏距离和通信开销。

• QS它被定义为节点缓冲区大小，对于平衡整个网络的能量消耗至关重要。在基于冠层的网络策略中，内环会导致大量能量消耗。由于该效应在分布式无线传感器网络中的影响，路由选择时需考虑QS。
• 相对误差它定义为节点当前持有的剩余能量。它是•欧氏距离一个重要指标，用于评估路由方案的有效性。最小的欧氏距离表明数据传输高效。•通信开销它定义为节点当前负载，表示在已发送数据包数量、已接收数据包数量和等待传输的数据包数量类别下的数据包负载。

伪代码2‐WOA 1:开始 2:种群初始化 (1,2,… ) 3:初始化系数向量 and 4:计算所有搜索代理的适应度 5: =最佳搜索代理 6: While(<最大值___ ) 7: for每个搜索代理 8:更新,,, 9: If < 0.5 10：使用以下公式更新搜索代理的当前位置 公式(13) 11:如果 ≥ 0.5 12：使用以下公式更新搜索代理的当前位置 公式(14) 13:结束if 14：计算适应度函数 对于新生成的 解 15:结束循环 16: + 1 17:结束while//返回输出 18:结束

提出的WOA的伪代码如上所示。适应度值基于具有高相对误差、最小欧氏距离、最小查询质量以及最小通信开销的多目标进行计算，其表达式如下：

$$
(15) F= 1 4[f 1(QS)+f 2(RE)+f 3(ED)+f 4(CL)]
$$

WOA算法具有解决所有优化问题的能力。与其他元启发式算法相比， WOA的意义如下：
1. 具有高收敛速度以产生最优解
2. 在开发与探索之间具有良好的平衡
3. 克服了陷入局部最优的问题（表1）。

4.4 数据加密与安全验证

传感器网络中的簇成员在仅对感知信息加密后，将其发送给簇头。为了加密数据包，我们提出了RC6算法的扩展版本。在加密过程之后，我们使用δ来确定数据包的安全级别。RC6加密过程为W、R、B，其中W表示字长（以比特为单位），R表示加密轮数（非负整数），B表示加密密钥长度。RC6操作及其描述如表2所示。

然而，RC6加密可以轻松支持可变大小的块和密钥，并且还支持多轮运算。以下是单轮RC6加密的伪代码。

该RC6加密过程由W位寄存器(P、q、r、t)初始化并完成。这些寄存器包含节点感知信息。然后通过计算潜在权重对加密数据包进行验证。针对每份传感数据验证安全级别估计，以实现数据认证。最高级别的安全表示恶意节点无法提取数据，该数据为100%原始数据，且与源节点数据包相同（图3、4）。三个参数包括密钥长度 K（比特）、分组大小B（比特）以及轮数R。

输入变量	PSO用于	最佳规则选择
角度	距离	能量
Min	Min	Min
Min	Min	Avg
Min	Min	Max
Min	Avg	Max
Min	Max	Avg
Min	Max	Max
Avg	Max	Min
Avg	Min	Min
Avg	Min	Max
Avg	Min	Min
Avg	Max	Min
Max	Avg	Max
Max	Min	Avg
Max	Avg	Min
Max	Max	Avg
Max	Avg	Max
…	…	…
Max	Min	Min

置信度值	机会
Min	Avg
Avg	Avg
Avg	Max
Avg	Avg
Avg	Min
Max	Avg
Min	Min
Max	Avg
Max	Max
Min	Min
Avg	Avg
Max	Max
Max	Max
Avg	Avg
Avg	Max
Min	Avg
…	…
Min	Min

表2 RC6的操作和描述
| 操作 | 描述 |
| — | — |
| U+ V | 模2^ W的整数加法 |
| U− V | 模2 W的整数减法 |
| U⊕V | W比特字的按位异或 |
| U*V | 模2 W的整数乘法 |
| U<<< V | W位字旋转，即向左旋转aaccording‐ ing to the least significant log W比特 of b |
| U>>> V | W位字旋转，即向右旋转a 根据最低有效log W比特的b |

表3 数据包安全级别示例
| K | B | R | 潜在权重 |
| — | — | — | — |
| 平均值_级别 | 最低级别_ | 最低级别_ | 最低级别_ |
| Min_级别 | Min_级别 | Max_级别 | Min_级别 |
| Min_级别 | Max_级别 | Max_级别 | 平均值_级别 |
| 最大值级别_ | 最低级别_ | 最低级别_ | 平均值_级别 |
| Max_级别 | Min_级别 | Max_级别 | Min_级别 |
| Max_级别 | Max_级别 | Min_级别 | Min_级别 |
| Max_级别 | Max_级别 | Max_级别 | Max_级别 |

5 实验设置

在本节中，我们展示了所提出的SC‐ZCR的仿真。所提出的SC‐ZCR模型在大规模 DWSN环境中进行了性能测试，并且将提出的SC‐ZCR与先前的方法进行了比较。仿真环境及比较结果在以下子章节中给出。

5.1 仿真环境

本文的仿真基于表3中所示的系统要求进行。在评估中，使用了NS3.26网络模拟器和Netanim。所提出的SC‐ZCR的仿真将支持大范围监测与控制应用（如医疗保健、灾害监测、目标跟踪等）。NS3采用C++编程语言实现。数据可以虚拟地具有零字节。标签被附加到数据包上，其为一个较小的单元。使用NS3进行传感器网络的仿真简单且易于使用，因为它能够处理基于数据包的对象。它最近支持多个模块，包括应用程序、CSMA、移动性、传播等。

在我们对提出的SC‐ZCR仿真实现中，大约200个节点被部署在1000× 1000 m²。汇聚节点部署在位置x= 500 y= 500。仿真参数及其数量如表4所示。此处给出了单个传感器节点和分布式传感器网络的建模。

)

5.2 性能评估指标

采用以下指标评估提出的SC‐ZCR的性能：覆盖率、剩余能量、网络寿命、延迟、丢包率和安全强度。这些参数的定义如下所示。

5.2.1 覆盖率

与能量消耗和网络寿命类似，覆盖范围是无线传感器网络中最关键的问题之一。它被定义为节点所覆盖的总面积比例。本文使用“蒙特卡洛模拟”来计算网络覆盖率。

5.2.2 剩余能量

它是一个重要的网络性能指标，用于显示服务质量性能。它指的是节点当前所持有的能量数量。

5.2.3 网络寿命

它被定义为直到由于低能量而导致第一个传感器节点死亡的时间。节点寿命LT i的定义表达如下。

$$
(16) LT_i = \frac{IE(i)}{\sum_{j \in O_i} E_{ij} \sum Q_{ij}}
$$

其中 IE(i) 表示节点初始能量，E_ij 是从源节点 (i) 向目的节点 (j) 传输数据包（一个单位）所需的能量。O_i 是节点 i 的相邻节点集合。

5.2.4 延迟

延迟以秒的分数计算。它被定义为数据包从一个地方传输到另一个地方所需的时间。调度算法可以最小化延迟，但某些调度会增加传输时间，可能导致较差的网络服务质量。

5.2.5 丢包率（PDR）

它被定义为数据传输过程中丢失（丢包）的数据包数量。最优传输路径的选择对最小化丢包率具有重要影响。假设PDR为 ε，则一个数据包成功通过“N”跳的概率为 (1 − ε)^N。

5.2.6 安全强度

对于部署在敌对区域的传感器网络而言，这是一个关键指标。安全强度可以用比特或百分比来衡量，其计算基于密钥生成、数据加密和解密操作。更高的安全强度表明系统具有更好的性能。

5.3 比较研究

为了评估所提出的SC‐ZRP的性能，分析了与我们的工作类似的先前方法的性能。用于比较的先前方法如下。CoLBA [23], DEHCIC[38], END-BE& END-MLT[39], 覆盖范围受限的分级节点部署 [40] 和 TNS‐AF [30]。表 6 给出了这些先前协议的比较（图 7）。

5.3.1 基于覆盖率的对比研究

在无线传感器网络中，覆盖率取决于分布情况（均匀或非均匀），并且由于剩余能量水平的不同而有所差异。图8显示了覆盖率与仿真轮数的对比情况。

然而，覆盖问题可以分为三种类型：区域覆盖、栅栏覆盖和点覆盖。我们提出的SC‐ZCR基于区域覆盖，其目标是覆盖所有点（节点）的集合。在传感器网络的基于环形区域的策略中，覆盖率较高，但随着仿真轮数的增加，覆盖率会降低。在非环形区域无线传感器网络中，由于剩余能量不足，覆盖率非常低。我们提出的 SC‐ZCR具有比CoLBA、DEHCIC、END‐BE、END‐MLT和CCGND更高的覆盖率。

5.3.2 基于剩余能量的对比研究

在无线传感器网络中，能量效率和网络寿命是两个重要的性能指标，这两者都与能量消耗相关。在无线传感器网络中，需要新的路由和聚类模型来最小化大量能量消耗。本文提出了SC‐ZCR以提高能量效率和网络寿命。

图9显示了提出的SC‐ZCR与CoLBA、DEHCIC、END‐BE、END‐MLT和CC‐GND在剩余能量性能方面的比较。仿真结果证实，随着仿真轮数的增加，所提出的DWSN模型具有较高的能量。这归因于：(1) 簇头的正确/最优选择；(2) 数据包传输的最小跳数；(3) 数据包传输的自适应轮询调度策略。在仿真轮数为10时，提出的SC‐ZCR具有1焦耳的能量，而CoLBA、DEHCIC、END‐BE、END‐MLT和CC‐GND分别为0.5焦耳、0.6焦耳、0.7焦耳、0.8焦耳和0.85焦耳。

5.3.3 基于网络寿命的对比研究

网络寿命是无线传感器网络中最关键的因素，因此必须以最有效的方式消耗节点能量。图10展示了仿真中覆盖范围对网络寿命的影响。

从图10中可以明显看出，所提出的SC‐ZCR模型在覆盖范围增加的情况下实现了较高的网络寿命。我们为数据传输选择最优簇头，并采用最短路径将数据包从源节点转发到目的节点。DEHCIC的网络寿命相比其他先前的方法较差。DEHCIC提出了两种基于六边形结构的网络拓扑，这增加了能量消耗并缩短了节点的寿命。与包括CoLBA、DEHCIC、END‐BE、END‐MLT和CC‐GND在内的先前方法相比，所提出的SC‐ZCR模型增加了活跃节点的数量，并减少了传感器节点的死亡数量。

我们的网络寿命相较于DEHCIC提高了23%，CC‐GND提高了18%，CoLBA提高了15%，END‐MLT提高了14%，END‐BE提高了13%。

5.3.4 基于延迟的对比研究

延迟估计了数据包从源节点到目的节点的发送和接收时间。在无线传感器网络中，延迟发生在传感器节点到汇聚节点的数据收集、聚合和传输过程中。跳数（通信的跳数）起着关键作用。然而，跳数必须较少才能实现最小延迟。图11证实了所提出的SC‐ZCR模型在所有过程中均获得了最小延迟。

根据图11，我们确认提出的SC‐ZCR在数据包传输、收集和聚合方面获得了最小延迟。先前的研究主要关注能量消耗和网络寿命，而未集中考虑从源到目的的延迟，这会对网络服务质量产生重大影响。

5.3.5 基于丢包率的对比研究

PDR 基于网络中存在的不可信（恶意）节点数量。如果网络中没有不可信的传感器，则可以达到 0% 的 PDR，即在任何位置（中继节点）都没有数据包丢失。另一方面，由于队列溢出导致数据包丢弃。这两个问题在很大程度上影响了传感器网络在任何实时应用中的性能。图12表明，与现有的 CoLBA、DEHCIC、CC‐GND、END‐MLT 和 END‐BE 协议相比，所提出的协议的 PDR 较低。

当恶意节点数量增加时，丢包率较高，表明网络的服务质量较差。同样，如果恶意节点数量从5个增加到10个，提出的SC‐ZCR的PDR为0.12–0.35%，而现有协议的PDR则从0.5%增加到0.45%。

5.3.6 基于安全强度的对比研究

节点与汇聚节点之间的通信时，无线信道是不安全的。在本研究中，我们比较了提出的SC‐ZCR与 TNS‐AF在消息大小（比特）相关的安全强度评估方面的性能。图13描述了安全强度。

由于我们使用RC6加密数据包，并且初始计算节点信任值以实现最优簇头选择，从而提高了安全强度，因此安全强度小于提出的SC‐ZCR。之前的TNS‐AF基于节点可信度（直接信任和间接信任），并通过激活函数来识别节点可信度。

通过结果和讨论可知，提出的SC‐ZCR协议在分布式方法中具有可扩展性和可靠性，且在传感器节点有限能量供应条件下具备可接受的计算性，并取得了优于先前方法的性能。

6 结论与未来工作

在分布式无线传感器网络（DWSN）中，能量消耗、网络寿命和覆盖范围是各种实际应用中的重要指标。本文提出了用于DWSN中安全聚类路由的SC‐ZCR模型。以往在DWSN中的研究工作所提供的服务质量（QoS）水平较低，这些工作包括CoLBA、DEHCIC、END‐BE、END‐MLT和CC‐GND。所提出的SC‐ZCR模型有助于实现高覆盖率、最小能量消耗、最小延迟以及较低的数据包投递率（PDR）。SC‐ZCR涉及的步骤如下：（1）网络划分（4个分区），然后划分为若干区域；（2）使用自适应神经模糊系统（ANFS）进行区域聚类，其中通过粒子群优化（PSO）选择最佳规则，并结合节点的信任值进行簇头选择，信任值通过主成分分析（PCA）计算得到；（3）采用Q跳中继方案进行路由，其中利用鲸鱼优化算法（WOA）进行数据传输；（4）最后，使用RC6算法对数据包进行加密和验证。实验针对200个节点进行了分析与研究，结果表明所提出的SC‐ZCR模型提供了较高的服务质量性能。未来，我们计划将无线传感器网络（WSN）与物联网（IoT）结合，应用于各类智能应用（如空气质量监测、工业监控、智慧城市应用或灾难事件等）。