基于能量和信任模型的低功耗自适应分簇路由方法.pdf

《基于能量和信任模型的低功耗自适应分簇路由方法.pdf》由会员分享，可在线阅读，更多相关《基于能量和信任模型的低功耗自适应分簇路由方法.pdf（10页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010041182.2 (22)申请日 2020.01.15 (71)申请人 沈阳化工大学 地址 110142 辽宁省沈阳市经济技术开发 区11号 (72)发明人 王军刘经涛芦贺 (74)专利代理机构 沈阳技联专利代理有限公司 21205 代理人 张志刚 (51)Int.Cl. H04W 16/22(2009.01) H04W 40/10(2009.01) H04W 40/24(2009.01) H04W 84/18(2009.01) (54)发明名称 一种基于能量和信任模。

2、型的低功耗自适应 分簇路由方法 (57)摘要 一种基于能量和信任模型的低功耗自适应 分簇路由方法， 涉及一种物联网自适应分簇路由 方法， 本发明均衡网络能耗以及提高网络安全性 角度出发， 设计新的路由算法基于能量和信任 模型的低功耗自适应分簇路由算法 （Energyand TrustmodelsbasedLowEnergyAdaptive ClusteringHierarchy， 以下简称ETM-LEACH） 。 综合考虑节点能量、 节点密度、 节点信任值等多 方面因素对路由协议进行优化。 算法ETM-LEACH， 在选举簇首时在不同的环境下分配不同的权重 给能量、 密度和信任值， 最后通过更。

3、新阈值， 让选 举的簇首节点是能量高效、 安全系数高的节点， 让网络能够自适应识别恶意节点， 平衡网络开 销、 提高了网络的安全性和可靠性。 权利要求书2页 说明书6页 附图1页 CN 111065108 A 2020.04.24 CN 111065108 A 1.一种基于能量和信任模型的低功耗自适应分簇路由方法， 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适应分簇路由算法， 综合考虑节点能量、 节点密度、 节点 信任值方面因素对路由协议进行优化； 算法ETM-LEACH， 在选举簇首时在不同的环境下分配 不同的权重给能量、 密度和信任值， 最后通过更新阈值， 让选举的簇首节点是。

4、能量高效、 安 全系数高的节点， 让网络能够自适应识别恶意节点， 平衡网络开销、 提高网络的安全性和可 靠性； 包括以下过程： ETM-LEACH多因素模型 ETM-LEACH算法则优先计算动态簇首数量， 然后综合考虑节点能量、 密度因子、 信任因 子对网络进行考量； 信任模型 在节点信任值计算中， 采用节点直接信任值和间接信任值相结合的方法； 检测主体i对检测客体j的信任值评估包括节点i直接检测的结果DTN， 以及通过i和j共 同的邻居节点N1， N2N检测的间接信任值ITN， 整合后根据权重计算出最终信任值FTN； ETM-LEACH算法及流程 根据公式计算出最优簇首数后， 引入能量因子、。

5、 密度因子、 信任因子后计算得到新的阈 值， 与自己设定的随机数 (0 1)相比较， 如果 小于给定的阈值， 则该节点在本轮中 被选中为簇头； 在选举簇首节点是时能够在剩余能量多、 节点密度大、 安全系数高的节点当 选簇首节点， 这样更有利于让网络更加均衡， 延长了网络的生存周期， 能够自适应识别恶意 节点， 保证了网络的安全性和可靠性。 2.根据权利要求1所述的一种基于能量和信任模型的低功耗自适应分簇路由方法， 其 特征在于， 所述多因素模型包括： （1） 动态簇首数； （2） 能量因子； (3)密度因子； （4） 信任因子。 3.根据权利要求2所述的一种基于能量和信任模型的低功耗自适应分簇。

6、路由方法， 其 特征在于， 所述能量因子包括： 1） 节点剩余能量越多， 应承担更多处理数据的任务， 成为簇首概率就越大； 2） 能耗变化率越小， 说明上一轮开始到本轮开始的周期内， 节点任务量少， 本轮应该承 担更大的任务量， 成为簇首概率加大。 4.根据权利要求2所述的一种基于能量和信任模型的低功耗自适应分簇路由方法， 其 特征在于， 所述密度因子， 密度因子越大， 邻居节点数越多， 区域内节点密集， 则该节点更有 机会当选簇首节点； 密度因子小说明邻居节点数少， 节点周围相对稀疏， 则当选簇首节点概 率较小。 5.根据权利要求2所述的一种基于能量和信任模型的低功耗自适应分簇路由方法， 其。

7、 特征在于， 所述信任因子包括： 1） 出入度因子； 2） 相关性因子； 权利要求书 1/2 页 2 CN 111065108 A 2 3） 差异性因子。 6.根据权利要求1所述的一种基于能量和信任模型的低功耗自适应分簇路由方法， 其 特征在于， 所述信任模型包括： （1） 直接信任值； （2） 间接信任值； （3） 离散程度； (4) 节点最终信任值。 权利要求书 2/2 页 3 CN 111065108 A 3 一种基于能量和信任模型的低功耗自适应分簇路由方法 技术领域 0001 本发明涉及一种物联网自适应分簇路由方法， 特别是涉及一种基于能量和信任模 型的低功耗自适应分簇路由方法。 背景。

8、技术 0002 随着工业物联网行业的迅速发展， 无线传感器网络作为其感知层的核心得到了广 泛的使用， 由于其低功耗、 低成本且独立感知、 数据存储、 处理以及无线通讯能力在军事、 工 业、 农业、 医疗、 家居等诸多领域均有发挥， 应用前景非常广阔。 无线传感器网络由大量具备 无线通信功能的传感器节点组成， 节点可以实时感知监测对象的各种信息， 并通过自组织 网络将采集到的数据传送给远方的观察者， 可以解决复杂的应用问题。 但由于传感器节点 部署在开放的环境中且节点的能量有限无法二次补给， 所以在存储、 通信、 计算上都有限 制， 无法得到安全保障， 容易被恶意节点攻击造成网络瘫痪。 选举剩余。

9、能量多且安全系数高 的簇首节点， 对保障网络安全、 延长网络生存周期有重要意义。 发明内容 0003 本发明的目的在于提供一种基于能量和信任模型的低功耗自适应分簇路由方法， 该方法综合考虑节点能量、 节点密度、 节点信任值等多方面因素对路由协议进行优化。 算法 ETM-LEACH， 在选举簇首时在不同的环境下分配不同的权重给能量、 密度和信任值， 最后通 过更新阈值， 让选举的簇首节点是能量高效、 安全系数高的节点， 让网络能够自适应识别恶 意节点， 平衡网络开销、 提高了网络的安全性和可靠性。 0004 本发明的目的是通过以下技术方案实现的： 一种基于能量和信任模型的低功耗自适应分簇路由方法。

10、， 所述方法包括基于能量和信 任模型的低功耗自适应分簇路由算法， 综合考虑节点能量、 节点密度、 节点信任值方面因素 对路由协议进行优化； 算法ETM-LEACH， 在选举簇首时在不同的环境下分配不同的权重给能 量、 密度和信任值， 最后通过更新阈值， 让选举的簇首节点是能量高效、 安全系数高的节点， 让网络能够自适应识别恶意节点， 平衡网络开销、 提高网络的安全性和可靠性； 包括以下过程： a. ETM-LEACH多因素模型 ETM-LEACH算法则优先计算动态簇首数量， 然后综合考虑节点能量、 密度因子、 信任因 子对网络进行考量； b. 信任模型 在节点信任值计算中， 采用节点直接信任值。

11、和间接信任值相结合的方法。 检测主体i对 检测客体j的信任值评估包括节点i直接检测的结果DTN， 以及通过i和j共同的邻居节点N1， N2N检测的间接信任值ITN， 整合后根据权重计算出最终信任值FTN； c. ETM-LEACH算法及流程 根据公式计算出最优簇首数后， 引入能量因子、 密度因子、 信任因子后计算得到新的阈 说明书 1/6 页 4 CN 111065108 A 4 值， 与自己设定的随机数 (0 1)相比较， 如果 小于给定的阈值， 则该节点在本轮中 被选中为簇头； 在选举簇首节点是时能够在剩余能量多、 节点密度大、 安全系数高的节点当 选簇首节点， 这样更有利于让网络更加均衡。

12、， 延长了网络的生存周期， 能够自适应识别恶意 节点， 保证了网络的安全性和可靠性。 0005 所述的一种基于能量和信任模型的低功耗自适应分簇路由方法， 所述多因素模型 包括： （1） 动态簇首数； （2） 能量因子； (3)密度因子； （4） 信任因子。 0006 所述的一种基于能量和信任模型的低功耗自适应分簇路由方法， 所述能量因子包 括： 1） 节点剩余能量越多， 应承担更多处理数据的任务， 成为簇首概率就越大； 2） 能耗变化率越小， 说明上一轮开始到本轮开始的周期内， 节点任务量少， 本轮应该承 担更大的任务量， 成为簇首概率加大。 0007 所述的一种基于能量和信任模型的低功耗自适。

13、应分簇路由方法， 所述密度因子， 密度因子越大， 邻居节点数越多， 区域内节点密集， 则该节点更有机会当选簇首节点； 密度 因子小说明邻居节点数少， 节点周围相对稀疏， 则当选簇首节点概率较小。 0008 所述的一种基于能量和信任模型的低功耗自适应分簇路由方法， 所述信任因子包 括： 1） 出入度因子； 2） 相关性因子； 3） 差异性因子。 0009 所述的一种基于能量和信任模型的低功耗自适应分簇路由方法， 所述信任模型包 括： （1） 直接信任值； （2） 间接信任值； （3） 离散程度； (4) 节点最终信任值。 0010 本发明的优点与效果是： 本发明均衡网络能耗以及提高网络安全性角度。

14、出发， 设计新的路由算法基于能量和 信任模型的低功耗自适应分簇路由算法 （Energy and Trust models based Low Energy Adaptive Clustering Hierarchy， 以下简称ETM-LEACH） 。 综合考虑节点能量、 节点密度、 节 点信任值等多方面因素对路由协议进行优化。 算法ETM-LEACH， 在选举簇首时在不同的环境 下分配不同的权重给能量、 密度和信任值， 最后通过更新阈值， 让选举的簇首节点是能量高 效、 安全系数高的节点， 让网络能够自适应识别恶意节点， 平衡网络开销、 提高了网络的安 全性和可靠性。 说明书 2/6 页 5 。

15、CN 111065108 A 5 附图说明 0011 图1为ETM-LEACH的整个流程图。 具体实施方式 0012 下面结合附图所示实施例对本发明进行详细说明。 0013 一、 ETM-LEACH多因素模型 由于LEACH算法的随机等概率选举， 不利于网络的整体平衡， ETM-LEACH算法则优先计 算动态簇首数量， 然后综合考虑节点能量、 密度因子、 信任因子对网络进行考量。 增强网络 的安全性和可靠性。 0014 （1） 动态簇首数 首先计算节点死亡率， 公式如下： （1） 和分别代表网络的死亡周期和第一个节点死亡周期， 代表节点个数， 所以 用公示 （2） 得到动态簇首数目如公示所示：。

16、 （2） 表示当前节点的周期， 是区域面积， 是传输距离的阈值， 代表自由空间模型 系数与代表多路径衰退空间模型系数。 0015 根据最优簇首数得到， 簇首最优百分比为Popt， 公式如下： （3） 根据公式 （2） 和公式 （3） 我们可以得出最优的动态簇首数和簇首百分比， 这样在网络中 可以避免因选举簇首过多造成簇首节点能量浪费和簇首数过少， 传输距离过长带来的能量 损耗。 0016 （2） 能量因子 1） 节点剩余能量越多， 应承担更多处理数据的任务， 成为簇首概率就越大。 0017 2） 能耗变化率越小， 说明上一轮开始到本轮开始的周期内， 节点任务量少， 那么本 轮应该承担更大的任务。

17、量， 成为簇首概率加大。 0018 用绝对偏差值过滤掉能量低的节点当选簇首概率， 计算公式如下： （4） 是本轮节点剩余能量，是存活节点的平均能量，是上一轮开始前节点能量， 是节点初始能量。 说明书 3/6 页 6 CN 111065108 A 6 0019 由上式我们看出， 选择节点时， 选举节点剩余能量大于平均能量的节点当选簇首， 降低能量较低节点当选簇首， 并且加入两轮节点的能量差值作为考量因素， 会让上一轮能 量消耗较少的节点优先在本轮当选簇首。 能量更高节点当选簇首， 会让网络整体通信变得 更加高效。 0020 (3)密度因子 密度因子越大， 说明邻居节点数越多， 区域内节点密集， 。

18、则该节点更有机会当选簇首节 点。 密度因子小说明邻居节点数少， 节点周围相对稀疏， 则当选簇首节点概率较小。 0021在M*M的覆盖面积内， 每个簇理想通讯半径 （5） 密度因子表示在每个簇的理想通信半径内邻接点数与实际节点数比值计算如下： （6） 表示在 内的邻居节点个数。 0022 由以上公示得出结论， 在理想通信半径范围内， 邻居节点数和簇内节点数对比， 密 度因子可以有效地解决节点基站中心化和节点边缘化问题， 优先解决热区问题， 减少能耗 损失， 延长网络生命周期。 0023 （4） 信任因子 1） 出入度因子 出入度因子 （In and Out Factor） ， 网络采用单跳与多跳。

19、参与数据传输， 通过观察节点 接收数据量和转发数据量比值作为参考因素， 观测主体i在t时刻对观测客体j的数据包出 入度来判别节点安全性， 公式如下： （7） SP是转发数据包数量， RP是接受数据包数量。 0024 2） 相关性因子 相关新因子 （pertinence factor） ， 让接收的数据和发送的数据有一定的相关性， 相关 性越高则安全系数越高。 检测主体i将自己发送的数据包和检测客体j发送的数据包相比较 如下： （8） PP代表t时刻i和邻接点j数据包发送相同数据包数量， NPP代表数据量非相关。 0025 3） 差异性因子 差异性因子 （Difference factor） ，。

20、 某节点在t时刻如果反复发送的数据包内容相同， 可认为该节点在进行重放攻击， 恶意节点会在不同周期内反复发送同样的数据。 通过邻节 点进行检测， 提高数据采集的有效性。 将重复性高的节点降低信任值公示如下： 说明书 4/6 页 7 CN 111065108 A 7 （9） DP为t时刻数据包内容重复的数据数量， NDP为同时刻数据包差异的数据包数量。 0026 二、 信任模型 在节点信任值计算中， 采用节点直接信任值和间接信任值相结合的方法。 检测主体i对 检测客体j的信任值评估包括节点i直接检测的结果DTN， 以及通过i和j共同的邻居节点N1， N2N检测的间接信任值ITN， 整合后根据权重。

21、计算出最终信任值FTN。 0027 （1） 直接信任值 根据检测主体i和检测客体j之间直接通信， 计算评估客体j的直接信任值， 根据以上的 出入度因子、 相关性因子、 差异性因子根据分配权重不同计算出t时刻直接信任值DTN公式 如下： （10） ，是分配的权重， 权重相加为1。 0028 （2） 间接信任值 先计算检测主体i对邻接点N1N2N的直接信任值， 在计算邻接点N1N2N对检测 客体j的直接信任值， 进而计算出i通过邻接点N1对j的间接信任值： （11） （3） 离散程度 如上图所示， 检测客体j可能有多个间接信任值， 这样会增加计算使复杂度变大， 反而 不利于网络。 采用均方差计算离。

22、散程度公式： （12） S表示偏离程度， 通过均方差过滤数据， 当计算的间接信任值偏差过多， 说明相比平均 间接信任值离散程度大， 则可能出现相邻接点存在恶意节点的推荐， 强行提高间接信任值 高度， 从安全角度看， 将偏离过高的节点删除， 将离散程度在阈值范围内的节点保留。 0029 (4) 节点最终信任值 删除离散程度过高的节点后， 假设剩余间接信任值个数是K， 则检测主体i对评估检测j 的综合信任值FTN， 即为最终的信任因子： （13） 三、 ETM-LEACH算法及流程 根据公示 （2） 计算出最优簇首数后， 引入能量因子、 密度因子、 信任因子后计算得到新 的阈值， 新的阈值计算如下。

23、： 说明书 5/6 页 8 CN 111065108 A 8 （14） 新的阈值计算成功后， 与自己设定的随机数相比较， 如果小于给定的阈 值， 则该节点在本轮中被选中为簇头。 0030 针对无线传感器网络中现有协议在选举簇首节点是存在的等概率随机问题， 本发 明设计了ETM-LEACH算法， 综合考虑能量、 密度和信任模型后， 在选举簇首节点是时能够在 剩余能量多、 节点密度大、 安全系数高的节点当选簇首节点， 这样更有利于让网络更加均 衡， 延长了网络的生存周期， 能够自适应识别恶意节点， 保证了网络的安全性和可靠性。 0031 如图1所示是ETM-LEACH的整个流程。 说明书 6/6 页 9 CN 111065108 A 9 图1 说明书附图 1/1 页 10 CN 111065108 A 10 。