[發明專利]一種基于能量和信任模型的低功耗自適應分簇路由方法

有效

• 申請號: 202010041182.2
• 申請日: 2020-01-15
• 公開（公告）號: CN111065108B
• 公開（公告）日: 2022-11-25
• 發明（設計）人: 王軍;劉經濤;蘆賀
• 申請（專利權）人: 沈陽化工大學
• 主分類號: H04W16/22
• 分類號: H04W16/22;H04W40/10;H04W40/24;H04W84/18
• 代理公司: 沈陽技聯專利代理有限公司 21205
• 代理人: 張志剛

1.一種基于能量和信任模型的低功耗自適應分簇路由方法，其特征在于，所述方法包括基于能量和信任模型的低功耗自適應分簇路由算法，綜合考慮節點能量、節點密度、節點信任值方面因素對路由協議進行優化；所述方法包括基于能量和信任模型的低功耗自適應分簇路由算法ETM-LEACH，在選舉簇首時在不同的環境下分配不同的權重給能量、密度和信任值，最后通過更新閾值，讓選舉的簇首節點是能量高效、安全系數高的節點，讓網絡能夠自適應識別惡意節點，平衡網絡開銷、提高網絡的安全性和可靠性；

包括以下過程：

ETM-LEACH多因素模型：

ETM-LEACH算法則優先計算動態簇首數量，然后綜合考慮節點能量、密度因子、信任因子對網絡進行考量；

信任模型：

在節點信任值計算中，采用節點直接信任值和間接信任值相結合的方法；檢測主體i對檢測客體j的信任值評估包括節點i直接檢測的結果DTN，以及通過i和j共同的鄰居節點N1，N2……N檢測的間接信任值ITN，整合后根據權重計算出最終信任值FTN；

ETM-LEACH算法及流程：

根據公式（2）計算出最優簇首數后，引入能量因子、密度因子、信任因子后計算得到新的閾值，新的閾值計算如下：

（14）

新的閾值計算成功后，與自己設定的隨機數相比較，如果小于給定的閾值，則該節點在本輪中被選中為簇頭；在選舉簇首節點是時能夠在剩余能量多、節點密度大、安全系數高的節點當選簇首節點，這樣更有利于讓網絡更加均衡，延長了網絡的生存周期，能夠自適應識別惡意節點，保證了網絡的安全性和可靠性；

所述ETM-LEACH多因素模型包括：

（1）動態簇首數；

（2）能量因子；

(3)密度因子；

（4）信任因子；

所述的動態簇首數：

首先計算節點死亡率，公式如下：

（1）

和分別代表網絡的死亡周期和第一個節點死亡周期，代表節點個數，所以用公式（2）得到動態簇首數目如公示所示：

（2）

表示當前節點的周期，是區域面積，是傳輸距離的閾值，代表自由空間模型系數與代表多路徑衰退空間模型系數。

根據最優簇首數得到，簇首最優百分比為，公式如下：

（3）

根據公式（2）和公式（3）得出最優的動態簇首數和簇首百分比，這樣在網絡中可以避免因選舉簇首過多造成簇首節點能量浪費和簇首數過少，傳輸距離過長帶來的能量損耗；

所述的能量因子：

1）節點剩余能量越多，承擔更多處理數據的任務，成為簇首概率就越大；

2）能耗變化率越小，說明上一輪開始到本輪開始的周期內，節點任務量少，那么本輪承擔更大的任務量，成為簇首概率加大；

用絕對偏差值過濾掉能量低的節點當選簇首概率，計算公式如下：

（4）

是本輪節點剩余能量，是存活節點的平均能量，是上一輪開始前節點能量，是節點初始能量。

由上式我們看出，選擇節點時，選舉節點剩余能量大于平均能量的節點當選簇首，降低能量較低節點當選簇首，并且加入兩輪節點的能量差值作為考量因素，會讓上一輪能量消耗較少的節點優先在本輪當選簇首；能量更高節點當選簇首，會讓網絡整體通信變得更加高效；

所述的密度因子：

密度因子越大，說明鄰居節點數越多，區域內節點密集，則該節點更有機會當選簇首節點；密度因子小說明鄰居節點數少，節點周圍相對稀疏，則當選簇首節點概率較小；

在M*M的覆蓋面積內，每個簇理想通訊半徑：

（5）

密度因子表示在每個簇理想通訊半徑內鄰接點數與實際節點數比值計算如下：

（6）

表示在內的鄰居節點個數；

由以上公示得出結論，在每個簇理想通訊半徑范圍內，鄰居節點數和簇內節點數對比，密度因子可以有效地解決節點基站中心化和節點邊緣化問題，優先解決熱區問題，減少能耗損失，延長網絡生命周期；

所述信任因子包括：

1）出入度因子；

2）相關性因子；

3） 差異性因子；

所述的出入度因子：

出入度因子IOF，網絡采用單跳與多跳參與數據傳輸，通過觀察節點接收數據量和轉發數據量比值作為參考因素，觀測主體i在t時刻對觀測客體j的數據包出入度來判別節點安全性，公式如下：

（7）

SP是轉發數據包數量，RP是接受數據包數量；

所述的相關性因子：

相關新因子PF，讓接收的數據和發送的數據有一定的相關性，相關性越高則安全系數越高；檢測主體i將自己發送的數據包和檢測客體j發送的數據包相比較如下：

（8）

PP代表t時刻i和鄰接點j數據包發送相同數據包數量，NPP代表數據量非相關；

所述的差異性因子：

差異性因子DF，某節點在t時刻如果反復發送的數據包內容相同，可認為該節點在進行重放攻擊，惡意節點會在不同周期內反復發送同樣的數據；通過鄰節點進行檢測，提高數據采集的有效性；將重復性高的節點降低信任值公示如下：

（9）

DP為t時刻數據包內容重復的數據數量，NDP為同時刻數據包差異的數據包數量；

所述信任模型包括：

（1）直接信任值；

（2）間接信任值；

（3）離散程度；

(4) 節點最終信任值；

所述的直接信任值：

根據檢測主體i和檢測客體j之間直接通信，計算評估客體j的直接信任值，根據以上的出入度因子、相關性因子、差異性因子根據分配權重不同計算出t時刻直接信任值DTN公式如下：

（10）

，，是分配的權重，權重相加為1；

所述的間接信任值：

先計算檢測主體i對鄰接點N1N2……N的直接信任值，再計算鄰接點N1N2……N對檢測客體j的直接信任值，進而計算出i通過鄰接點N1對j的間接信任值：（11）

所述的離散程度：

檢測客體j可能有多個間接信任值，這樣會增加計算使復雜度變大，反而不利于網絡；采用均方差計算離散程度公式：

（12）

S表示偏離程度，通過均方差過濾數據，當計算的間接信任值偏差過多，說明相比平均間接信任值離散程度大，則出現相鄰接點存在惡意節點的推薦，強行提高間接信任值高度，從安全角度看，將偏離過高的節點刪除，將離散程度在閾值范圍內的節點保留；

所述的節點最終信任值：

刪除離散程度過高的節點后，假設剩余間接信任值個數是K，則檢測主體i對評估檢測j的綜合信任值FTN，即為最終的信任因子：

（13）。