机会网络数据转发中的灰色关联与协同计算信任模型

摘要

机会网络是一种不需要源节点和目的节点之间存在完整路径，利用节点移动带来的相遇机会实现网络通信的自组织网络。而机会网络中如果存在自私节点或恶意节点，将对网络的性能和安全构成重大威胁。考虑上述恶劣环境，为了提高节点的传输成功率、减少传输延迟、提高网络的安全性，本文提出了一种基于灰色关联和协同计算的数据转发信任模型 GCTM(Gray correlation and Collaborative computing Trust Model)。
　　本研究主要内容包括：⑴针对复杂环境下的机会网络特性，提出了基于灰色关联分析的直接信任值的计算。此模块通过分析节点的移动特性以及普通节点与自私、恶意节点间的差异，选取接触亲密度、投递可信度和位置亲密度作为模型的多维信任参数，计算节点的直接信任值，并采用灰色关联算法调节直接信任值的权重系数。此举将静态的权重系数改进为可根据信任参数间的内在联系自动调节各信任参数的动态权重系数，该方法提高了机会网络信任模型直接信任值计算的精确度。⑵针对机会网络中自私与恶意节点的攻击特性以及机会网络中节点的稀疏性，提出了一种基于协同计算的过滤算法来计算推荐信任值。该算法利用数据发送节点与邻居节点合作进行协同计算。采用接触亲密度、投递可信度作为计算推荐信任的参数。推荐信任模块运行时，评价节点向其周围邻居节点发送协同计算请求，邻居节点收到请求后将推荐信息发送给评价节点，考虑到网络中存在部分自私与恶意节点，所以需对推荐信息进行过滤。本文中采用KNN算法对推荐信息进行过滤处理。KNN算法可有效识别自私节点和恶意节点所发送的虚假推荐信任，并进行滤除，该方法减轻了自私与恶意节点对机会网络的干扰。采用协同计算技术，多节点联合计算推荐信任值，使计算结果更具可靠性。⑶使用ONE仿真器进行仿真实验。实验中，通过在机会网络中设置不同的自私与恶意节点个数来验证模型的安全性。实验结果表明，提出的GCTM模型下的数据转发算法与经典的Epidemic、MaxProp、Direct Delivery算法以及MDT信任模型相比，其传输成功率、传输延迟、路由开销具有较好的改进。

目录

声明

第一章 绪论

1.1 研究背景

1.2 国内外研究现状

1.3 论文的组织结构与内容

第二章 相关理论及技术

2.1 机会网络概念

2.2 机会网络的信任模型

2.3 灰色关联模型

2.4 协同计算

2.5 KNN理论

2.6 本章小结

第三章 基于灰色关联分析的直接信任值计算模块设计

3.1 问题描述

3.2 自私节点和恶意节点

3.3 GCTM模型的建立

3.4 多维信任参数设计

3.5 直接信任模块的计算

3.6 基于灰色关联分析的权重分配

3.7 本章小结

第四章 基于协同计算的推荐信任值计算模块设计

4.1 问题描述

4.2 推荐信任的协同计算

4.3 推荐属性的选取

4.4 基于KNN算法的推荐信任计算

4.5 GCTM模型的报文设计

4.6 数据转发算法

4.7 本章小结

第五章 仿真实验及结果分析

5.1 仿真软件介绍

5.2 实验参数设置

5.3 网络性能评价指标设计

5.4 仿真结果分析

5.5 本章小结

第六章 总结与展望

6.1 总结

6.2 展望

参考文献

附录A（攻读学位期间获得的学术成果）

附录B（攻读学位期间所获的奖项）

致谢