一种水声传感网中的自适应信任预测方法
本发明属于无线传感器网络，具体涉及一种水声传感网中的自适应信任预测方法。
背景技术：
1、随着水下声学通信技术和水下传感设备的快速发展，水声传感网(uasns)广泛应用于海洋资源勘探和污染追踪等应用中。由于声学信道的开放性，节点极易受到来自敌方的恶意攻击。异常节点可以绕过传统的认证机制并获得访问控制权限。如果异常节点向其他节点发送伪造信息，研究人员在数据分析后将获得不准确的评估结果，这会干扰uasns的正常运行。因此，异常节点的检测对于水下应用至关重要。信任模型通过描述不同节点之间的信任规则，评估和预测节点的可靠性，来检测异常节点。
2、近年来，研究人员对uasns的信任模型进行了广泛的研究。为了实现高精度、低延迟的信任预测方法，仍需解决以下问题。首先，传统的分布式和集中式网络架构不适合进行信任预测。分布式uasns中的节点具有有限的计算和存储能力，复杂的信任预测过程会导致节点能量迅速耗尽。集中式uasns无法满足以数据为中心的服务、延迟敏感和安全敏感应用的需求。其次，现有研究忽略了异构节点之间的差异。为了提高异构uasns中信任模型的可靠性，有必要为异构节点设计一个独特的信任预测模型。另外。信任模型通常将与节点通信或传感数据相关的多个指标作为信任特征进行信任预测。然而，不同信任指标在信任预测中的影响并不是固定的。在环境和拓扑动态变化的uasns中，不同信任指标的权重应自适应地调整。
技术实现思路
1、本发明要克服现有技术的上述缺点，提出一种水声传感网中的自适应信任预测方法。
2、本发明的构思如下：首先，将自主水下航行器(auv)引入uasn架构，构建基于auv的边缘uasn架构，并将auv视为边缘设备以辅助实现信任预测过程；然后，在基于auv的边缘uasn架构下，实现对异构设备的信任特征提取，异构设备包括水下传感节点和auv，并构造信任数据集；基于注意力机制自适应地调整不同信任特征的权重，实现精确的信任预测，以检测uasn的异常节点。
3、本发明的技术方案：
4、一种水声传感网中的自适应信任预测方法，包括以下步骤：
5、(1)以auv为边缘设备，构建基于auv的边缘uasn架构，架构包括感知层、边缘层和应用层；
6、(1.1)感知层由大量具有感知、计算和存储功能的水下传感节点组成。这些传感器节点随机分布，并在水流的影响下移动。每个传感器节点都配备了一个深度传感器来获取其深度。节点可以动态地分为多个簇，每个簇包含一个簇头和几个簇成员。簇成员监测传感信息，提取信任证据，并将预处理后的信息传输给簇头。簇头负责聚合簇成员的数据，并执行来自auv或基站的控制消息；
7、(1.2)auv是边缘层的基本组成部分，auv可以配备紧急自动充气袋，以便在需要时或失控时浮起，确保数据的安全传输。与传感器节点相比，auv能够在水下自主移动，到达海洋的不同深度。auv依次访问每个簇头，然后从多个簇头收集和聚合信任信息。基于信任预测算法实现信任模型，并将信任评估结果发送给基站，可以检测并隔离异常节点；
8、(1.3)应用层可以执行各种水下控制策略和应用决策。基站负责分析和处理在uasn中收集的数据。基站不会受到攻击，是完全可信的。基于边缘层的信任预测模型，基站可以有效地识别异常节点并进行准确的数据决策；
9、(2)从异构设备的角度，提取用于节点信任预测的信任特征以构建信任数据集,作为区分正常节点和异常节点的衡量指标；
10、(2.1)uasn中的簇头基于数据完整性来计算每个簇成员的数据信任。数据信任可以有效表示数据包的内容是否被修改。数据完整性是基于数字签名算法确定的。数字签名算法包括签名和验证两个操作，遵循私钥签名、公钥验证的原则。首先，传感器节点实现数字签名，使用哈希算法对原始数据生成摘要，并使用私钥对摘要进行加密，将数字签名与数据一起发送到auv。然后，auv验证数字签名。auv首先使用公钥解密加密的签名，并使用相同的哈希算法对原始数据生成摘要。如果auv获得的两个摘要一致，则数据未被篡改。auv验证每个节点的所有数据，并将节点的数据信任trusti,data定义为未篡改数据占所有数据的比例；
11、(2.2)auv计算簇头的延时信任。uasn中第i个簇头的延迟信任表示为：
12、
13、其中dp(i,auv)和dt(i,auv)分别是从第i个簇头到auv的数据传输的实际延迟和理论延迟。由于水声信号的传播速度相对较慢，节点(尤其是簇成员和簇头)的移动可能会对数据传输的延迟产生显著影响。为了减轻由节点移动导致的延迟误差，引入延迟阈值θ来表示由于簇头和auv向相反方向移动而导致的延迟，可计算为簇头与auv之间的距离与声速的比值。
14、(2.3)按照时间维度，聚合水下传感节点的数据信任与延时信任，构造uasn信任数据集，为节点信任预测提供准确可靠的数据支撑；
15、(3)利用聚合的信任数据集，基于注意力机制自适应地调整不同信任特征的权重，以表示在动态水下环境和网络拓扑中，不同信任特征对信任预测的贡献程度。然后实现节点信任预测模型来评估节点可信度并检测水下异常节点，提高uasn安全性；
16、(3.1)基于uasn运行过程产生的信任数据集，可以实现信任预测来评估节点的信任值，以便检测异常节点。未来tn个时间窗口的信任预测过程可以表示为：
17、
18、其中，t表示当前时间窗口，tδ表示过去的时间窗口大小，tn是要预测的未来时间窗口大小，表示从过去tδ个时间窗口至未来tn个时间窗口中所有水下传感节点的信任特征，是在过去的tδ个时间窗口内水下传感节点的信任值，信任值的范围是0到1。目标是预测未来tn个时间窗口的节点信任值，即xt是时间窗口t内所有节点的信任特征，表示为n为uasn的节点总数。第i个节点的信任特征可以表示为信任预测过程旨在建立一个函数f(·)来预测接下来tn个时间窗口(从t+1到t+tn)内节点的信任值。
19、(3.2)基于注意力机制来表示不同信任特征权重对信任预测模型的贡献度。uasn在洋流、噪声和气候等多种因素的影响下会动态变化。为了实现内部异常节点检测并保障节点信任预测的准确度，信任预测模型应根据当前网络条件自适应地调整信任特征的权重。基于多维信任特征的信任模型通常认为每个特征具有相同的贡献度。然而，在动态的uasn中，每个信任特征对信任预测的影响应该是不同的。为了在信任预测过程中表示多维信任特征之间的差异，采用注意力机制来增强重要特征的贡献度，并削弱其他信任特征的影响。信任特征权重的计算表示为：
20、aw＝softmax(tanh(ot×w)×v),
21、
22、w表示训练参数，aw是基于注意力机制计算得到信任特征权重，ot为时间窗口t的输出，·表示哈达玛积。
23、(3.3)基于注意力门控的长短期记忆网络来实现信任预测模型。与原始的长短期记忆网络不同，基于注意力门控单元的lstm将注意力机制引入遗忘门的计算中，并通过训练注意力模型的参数从单元状态中提取重要信息，然后更新新的单元状态。遗忘门的计算可以表示为：
24、ft＝σ(v×tanh(w×ct-1)),
25、其中，v是训练参数，ct-1是前一时间步的单元状态，σ是逻辑sigmoid函数。与原始长短期记忆网络相比，参数w的维度降低，训练参数的数量更少，可以实现保证信任预测模型性能的同时降低计算成本。基于该过程可以实现信任预测模型，信任预测值越高，表示该节点的可靠性越强。基于信任训练过程经验性地确定信任阈值，信任预测值大于信任阈值的节点为正常节点，小于信任阈值的节点即为异常节点。由此，基于信任预测结果可以有效检测并过滤不可靠的异常节点，保障uasn安全。
26、本发明的有益效果：
27、本发明提出一种水声传感网中的自适应信任预测方法。通过将auv引入uasn架构，构建基于auv的边缘uasn架构，并将auv视为边缘设备以辅助实现信任预测过程；在该边缘uasn架构下，分别从水下传感节点和auv的角度实现对异构设备的信任特征提取，并构造信任数据集；基于注意力机制自适应地调整不同信任特征的权重，利用基于注意力门控的长短期记忆网络实现精确的信任预测，以检测uasn的异常节点。
技术特征：
1.一种水声传感网中的自适应信任预测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种水声传感网中的自适应信任预测方法，其特征在于，步骤(1)具体包括：
3.如权利要求1所述的一种水声传感网中的自适应信任预测方法，其特征在于，步骤(2)具体包括：
4.如权利要求1所述的一种水声传感网中的自适应信任预测方法，其特征在于，步骤(3)具体包括：
技术总结
一种水声传感网中的自适应信任预测方法，通过将AUV引入UASN架构，构建基于AUV的边缘UASN架构，并将AUV视为边缘设备以辅助实现信任预测过程；在该边缘UASN架构下，分别从水下传感节点和AUV的角度实现对异构设备的信任特征提取，其中AUV计算簇头的延时信任，而簇头计算簇成员的数据信任，并将两种信任特征聚合为信任数据集，用于信任预测；基于注意力机制自适应地调整不同信任特征的权重，利用基于注意力门控的长短期记忆网络实现精确的信任预测，以检测UASN的异常节点。本发明可以有效检测并过滤不可靠的异常节点，保障UASN安全。
技术研发人员：杜嘉欣,孔祥杰,沈国江
受保护的技术使用者：浙江工业大学
技术研发日：
技术公布日：2024/9/23