[发明专利]一种面向无线传感器网络的两级节点信任评估方法

权利要求书

1.一种面向无线传感器网络的两级节点信任评估方法，其特征在于通过第一级评估得到足够多的样本数据，在第二级评估中利用样本数据建立信任云，并且引入模式分类方法确定节点最终信任等级，包括以下步骤：

步骤1：对被评估节点直接监测得到的行为数据经模糊系统处理，得到对被评估节点的直接信任值；包括：

通过行为动态监测系统获得的数据，即数据包平均传输时延AD和成功传输率PDR，首先经过信任模糊推理子系统处理以得到节点的直接信任评估值；模糊推理系统包含模糊化、模糊推理以及去模糊化处理三部分：

(1)模糊化是根据知识库中的模糊集将输入的信任依据AD和PDR转化为对应的模糊集合；

(2)模糊推理是根据模糊规则将信任依据模糊集映射到信任值的模糊集；

(3)去模糊化是将信任模糊集转化为具体的信任数值；

去模糊化处理步骤如下：

①根据具体的行为数据AD和PDR值，分别表示为v_AD和v_PDR，联合行为数据模糊集隶属度函数，分别求出对应模糊集“低”、“中度”和“高”的三对隶属度：(DL_AD,DL_PDR)、(DM_AD,DM_PDR)、(DH_AD,DH_PDR)；

②选择4条模糊规则分别对应4组信任值模糊集，将①中得到的三对隶属度组合成4对分别对应4条模糊规则：(DL_AD,DH_PDR)、(DL_AD,DM_PDR)、(DM_AD,DM_PDR)、(DH_AD,DL_PDR)；

③分别取4对隶属度的最小值，映射到4组信任值模糊集，分别求与x轴相交区域的面积A_CNT、A_MNT、A_MT和A_CT；

对被评估节点直接监测得到的行为数据经模糊系统处理，最终得到对被评估节点的直接信任值T_D，表示如下：

T_D＝A_CNT+A_MNT+A_MT+A_CT；

步骤2：将步骤1得到的直接信任值结合节点的历史以及推荐信任数据，得到对被评估节点最终信任值；包括：

将三类信任数据进行融合处理实现对节点信任全面地评估，多源信任融合过程分三步：

(1)设计合理的信任预测模型，根据历史信任数据实现对当前信任值的预测，从而得到预测信任值T_F；

根据时间先后顺序假设有n条被评估节点的历史信任值：Th₁、Th₂、...、Th_n，其中Th_n为最近历史信任值；若Th_i和Th_j，i＜j，为检测到恶意行为后得到的最终信任值，则这n条历史信任值的变化规律：对于连续的合作行为，节点的信任值会缓慢增大，当达到一定阈值T_thr时曲线出现拐点，随后信任值一直增大到无限接近1；当出现不合作行为时，信任值迅速下降，若出现连续不合作行为，则会下降到最小值0；通过分段寻找合适的二次或者指数函数模型可得到历史信任分布曲线，结合当前存储的历史信任数据对曲线具体参数拟合，从而得到完整的历史信任分布曲线方程，最终利用分布曲线方程得到被评估节点的预测信任值T_F；

(2)根据信任推荐节点的价值实现对推荐信任数据的加权融合处理，从而得到推荐信任值T_R；

在利用邻居节点推荐信任数据时，必须考虑推荐节点自身的信任状态，对于具有较高信任等级的推荐节点应给予其推荐数据更高的价值，并以价值为根据对推荐数据融合处理得到推荐信任值T_R；假设评估节点一共得到m个邻居节点的推荐信任值为T_R1、T_R2、...、T_Rm，并且评估节点存储的m个邻居节点当前的信任值分别是T_N1、T_N2、...、T_Nm，则被评估节点的推荐信任值T_R可计算如下：

(3)设计合理的自适应加权系统，实现对直接信任值T_D、预测信任值T_F以及推荐信任值T_R的加权融合处理，以得到被评估节点的最终信任值T；

最终信任值计算如下：

T＝w_D·T_D+w_F·T_F+w_R·T_R

其中w_D、w_F和w_R分别为对应直接信任值T_D、预测信任值T_F以及推荐信任值T_R的权值；

步骤3：通过利用多次评估得到的信任样本结合云模型对正态信任云重构，作为节点最终信任等级评估的依据；包括：

对节点的信任等级评估过程以轮进行，其中每一轮分多次对节点信任值进行评估，得到k个当前信任值T₁、T₂、…、T_k，将这些信任数据作为样本并结合信任云模型，重构节点的正态信任云，以作为节点最终信任等级评估的依据；

引入正态云模型理论，结合特定的生成算法利用每一轮k次信任评估样本值构造出符合正态分布的云滴，从而将认知中的随机性和模糊性纳入概率框架中统一描述；正态云模型以正态分布和高斯隶属函数为基础，引入三个数字特征来描述，即期望值E_x、熵E_n和超熵H_e；其中期望值E_x是所有云滴所在数域的重心，代表定性概念的基本确定性；熵E_n是对定性概念的不确定性的度量，反映了概念的随机性和模糊性；超熵H_e反映了熵E_n的不确定程度；

被评估节点信任云滴用T_CD表示，根据正态云理论可得T_CD～N(E_x,E_σ²)，并且E_σ～N(E_n,H_e²)；正态云滴的隶属度函数表示如下：

将每轮信任等级评估中的k次信任评估值作为正态云模型的k个云滴，结合数理统计方法获得三个数字特征E_x、E_n和H_e，进而确定被评估节点的正态信任云；其中信任云期望E_x计算如下：

其中T_i表示某一轮信任等级评估中的第i次信任评估值；

信任云熵E_n表示为：

信任云超熵H_e表示为：

其中为k次信任云滴的样本方差，表示为：

步骤4：根据实际信任等级的划分结合正态云模型构造标准信任云，采用具有低复杂度的模式分类方法对节点信任云分类，从而得到最佳匹配标准信任云以确定节点信任等级；包括：

假设将信任值区间[0,1]分为M个标准信任等级子区间，分别代表M个信任等级TG₁,TG₂,…,TG_M，其中第m个子区间表示为[T_min^m,T_max^m]，T_min^m表示该子区间的信任值下限，T_max^m表示信任值上限；对应每一个信任子区间构建一个标准信任云，第m个信任子区间的标准信任云T_CD^m的三个数字特征记为E_x^m、E_n^m和H_e^m；由于期望E_x^m是标准信任云的中心值，计算如下：

熵E_n^m代表标准信任云滴的不确定性，根据云滴的随机性和模糊性来确定，计算如下：

其中P_rf为标准云滴不确定性参数，根据具体应用情况来确定，其值越大表示云滴的随机性和模糊性越大；

超熵H_e^m代表标准信任云的厚度，表示信任值的模糊性，其值越大则信任值越模糊，计算式如下：

要得到被评估节点的信任等级，需比较其信任云T_CD与M个标准信任云T_CD¹,T_CD²,…,T_CD^M的相似度，以得到最佳匹配标准信任云，从而确定节点信任等级；首先采用模式识别方法得到M个标准信任云与其中任意一个标准信任云的相似度，记为D_S¹、D_S²、…、D_S^M；然后比较被评估节点信任云T_CD与标准信任云T_CD¹的相似度，记为D_S；最后比较被评估节点的相似度D_S与M个标准相似度之间的欧氏距离，选择距离最小的一个相似度对应的标准信任云作为最佳匹配云。