[发明专利]面向软件定义水声传感器网络的可信路由方法

说明书

本发明公开了一种面向软件定义水声传感器网络的可信路由方法，其步骤包括：构建网络模型，将网络进行分层，不同层具有不同的功能，互相协作执行任务；传感器节点通过监听信道或通信得到邻居节点的信息，包括链路，数据包和节点自身等信息，从而从链路、数据和节点自身三个方面评估邻居节点的可信度；然后SDN控制器搜集传感器节点的信息并感知网络的拓扑结构，基于Q‑learning算法为水下传感器节点制定路由策略。本发明结合了Q‑learning算法、SDN思想和机会路由，可以有效解决数据路由中的安全问题，并减少传输延迟，平衡节点的能量从而延长网络寿命。

技术领域

本发明涉及一种面向软件定义水声传感器网络的可信路由方法，属于水下数据收集技术领域。

背景技术

作为典型的协作网络，UASNs由批量部署在海洋中不同深度的传感器组成，它们既充当发送者，也充当接收者。节点间相互协作以收集环境信息并通过中继节点将数据发送到位于海面的数据中心，以满足复杂的应用程序要求。水声传感器网络具有可用带宽窄、时间延长、节点能量有限、网络动态性强、电池更换困难等特点，因此现有的地面路由协议不适用于UASNs。且现有的UASNs的路由协议研究一般都集中在提高数据包的可靠性、避免路由空洞、均衡网络能耗等方面上，网络的安全性却被忽略。但正是因为水声传感网的环境特性，才导致它更容易遭受到恶意攻击。且在实际应用中，UASNs始终部署在无人看管甚至是敌对的环境中，在这些环境中传感器节点很容易被捕获和攻击。

网络安全问题逐渐成为制约UASNs发展的主要障碍，传统的安全机制，如密钥管理和身份认证，可以有效抵御外部攻击。然而，它们对成功入侵网络的内部攻击者无能为力。因此，设计能抵御网络内部节点恶意攻击的机制具有非凡意义。

强化学习是一种学习如何从状态映射到行为以获取的奖励最大的学习机制。它可以不断地从与环境交互中学习，以适应复杂的环境，并使学习机制变得更加合理和智能。因此，有许多学者将其使用到环境复杂的UASN的路由决策中。将强化学习方法用于路由决策中，通过智能体与环境不断交互获得环境的反馈，使路由决策获得最大累积回报，从而能够使数据包得到近似全局最优的转发路径。然而，传统的分布式网络不利于强化学习算法的部署，它的局限性在于不能统一部署网络策略且运维难度大。

软件定义网络作为未来网络的代表之一，它的“控制与转发相分离”的设计特点保证了数据传输的可管控性，更灵活地支持网络资源的动态适配。基于控制器的视角，北向接口面向应用，南向接口面向基础架构层。将SDN引入到水声传感网中，使用集中式SDN控制器，可以改善组网管理、部署复杂的路由策略等优点。

发明内容

受软件定义网络的启发，提出了一种软件定义水声传感器网络体系结构，在此基础上，设计了一种基于Q-learning可信的路由方案SDN-QLTR。SDN-QLTR包含节点的信任评估和部署路由策略两个部分。为了对抗网络的内部攻击，从链路、数据和节点自身三个方面评估节点的可信程度，识别恶意节点并筛选可靠的节点。SDN控制器通过使用Q-learning算法，根据当前全局信息和长期收益，从而做出全局最优的路由决策。为提升网络的性能和数据传输的可靠性，在数据传输过程中设计了等待时间和重传机制。

为了达到上述目的，本发明是通过以下技术方案实现的：

面向软件定义水声传感器网络的可信路由方法，包括以下步骤：

步骤一：构建网络模型

将水声传感器网络划分成三层，从下到上分别为数据层、控制层、和应用层；

步骤二：节点之间互相评估信任值

传感器节点通过监听信道或与邻居节点通信获取其信息，包括链路情况、数据包和节点能量的信息，并分别评估节点的链路信任、数据信任和节点信任，从而计算邻居节点的信任值；

步骤三：SDN控制器为水下传感器节点制定路由决策