买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：重庆大学

摘要：本发明涉及一种分布式环境下基于挑战‑响应模型的可信评估方法，属于通信技术领域。利用挑战‑响应模型获取节点可靠的初始信任值，并利用此初始信任值完成分布式网络环境下完整的可信评估流程，准确地预测恶意节点与自私节点的信任值，提升整个网络的安全性。本发明针对评估节点与被评估节点间通信次数的多少来灵活选择综合信任值计算方式，既减小了网络的能量开销又保证了综合信任值的准确性。信任值更新遵循快速下降，缓慢上升的准则，避免了恶意节点故意贬低正常节点并抬高同伙信任值的情况。

主权项：1.一种分布式环境下基于挑战-响应模型的可信评估方法，其特征在于：在分布式网络环境下运用挑战-响应模型获取节点的初始信任值并完成整个可信评估流程，该方法包括以下步骤：S1：分簇：将初始信任值由高到低排序靠前的几个节点选为簇头节点，负责簇内管理及数据处理，剩下的节点被随机均匀地分配到每一个簇中；S2：直接信任值计算：根据评估节点A与被评估节点B与之间的通信行为和节点B的剩余能量来计算直接信任值；S3：推荐信任值计算：若节点A与节点B之间通信行为少于一定值，则需挑选一组与节点A、B均有过交互的推荐节点{C1,C2,...,CZ}给出推荐信任值；S4：综合信任值计算：若无推荐信任值，则直接信任值等于综合信任值；若有推荐信任值，根据直接信任值和推荐信任值进行加权得到综合信任值；S5：信任值更新：采用基于新记录滑动窗口的信任值更新机制并遵循快速下降、缓慢上升的信任值更新准则；在获取可靠的初始信任值后，采用此信初始信任值进行分簇、信任值计算、信任值更新，以预测出恶意节点与自私节点为目标，提升网络安全性；所述挑战-响应模型包括：超级节点：拥有足够能量的可靠节点，负责与普通节点实行挑战-响应模型；普通节点：分布式网络中的大量节点nj∈N，j＝1,2,...,M；超级节点中引入伪随机数生成算法为每个节点生成独一无二的挑战数；运用RSA公钥密码算法原理对节点集合N＝{n1,n2,n3,...,nM}进行预置密钥操作，节点预置密钥对包括如下步骤：S11：求两大质数的积R：用伪随机数生成器生成质数p和q，并得到R＝p×q；S12：求L：求符合条件L＝lcmp-1,q-1的L，其中lcmp-1,q-1为p-1和q-1的最小公倍数；S13：求公钥E：求符合条件gcdE,L＝1的公钥E，其中gcdE,L为E和L的最大公约数；S14：求私钥D：求符合条件1＜D＜L和E×DmodL＝1的私钥D；S15：为每个节点nj预置密钥对Ej,Rj,Dj,Rj；节点完成预置密钥后，超级节点和普通节点间实行挑战-响应模型以获取节点nj的响应结果：挑战成功次数与挑战失败次数在网络中结合响应结果与贝叶斯准则来获取节点的初始信任值，具体过程包括如下步骤：S21：引入贝叶斯准则来度量节点行为的不确定性概率x；首先给x分配一个先验分布px，px取自于Beta函数族中： S22：用r表示一轮挑战结束后的响应结果；当r＝1时，代表节点给超级节点的响应是预期中的响应；当r＝0时则说明节点给超级节点的响应是非预期的响应；每一轮挑战-响应回合后r发生的概率结合给定未知概率x表示为：pr|x＝xr1-x1-r；S23：当一轮挑战-响应完成后，结合全概率公式和条件概率公式，利用贝叶斯准则更新x的后验分布px|r： S24：对上式进行整理得： 由上式知此时x的后验分布也为Beta分布，且参数为α+r和β+1-r；S25：在cnum轮挑战-响应之后x的后验分布为其参数为和cnum轮挑战-响应结束后x的后验分布期望值为： 其中，采用Beta分布获取节点信任值时，x的后验分布期望值就代表其信任值；将响应结果映射到初始信任值Tinitial获取中得： 所述S1中，分簇包括获取节点的初始信任值后，把初始信任值不小于0.95的节点选为簇头节点，负责簇内管理及数据处理；其余节点将被随机均匀地分配到每一个簇中，形成一个分层管理结构；所述S2中，直接信任值计算是对通信信任值和能量信任值两个方面进行加权得到直接信任值，具体内容如下：1计算基于通信行为的信任值：引入信任三元组{b,d,u},其中b、d和u分别对应于信任、不信任和不确定因素，b,d,u∈[0,1]且b+d+u＝1，有： s和f是指通信成功和不成功的次数，λ表示对不成功通信的惩罚因子，λ＞1；u是不确定因素，u＝δcs+f，其中δc∈0,1为不确定因素的调控因子；基于通信行为的信任值表示为：2计算基于能量的信任值：分布式网络中的节点依赖于它们所拥有的能量；θ为能量阈值，利用剩余能量与初始能量的比值来定义能量信任值： 3计算直接信任值：基于通信信任值Tcom和能量信任值Tene获得两个节点之间的直接信任值：Tdirect＝ωcomTcom+ωeneTene；其中，ωcom和ωene分别是通信行为信任证据和能量信任证据的权重，且ωcom+ωene＝1；所述S3中，推荐信任值计算是通过挑选初始信任值较高的节点给出推荐值进行加权求和得到推荐信任值，具体内容如下：评估节点A想获取被评估节点B的推荐信任值时，将挑选节点A和B的一组公共邻居节点中初始信任值较高的节点作为推荐节点Ci，i＝1,2,...,Z；推荐节点收到节点A的请求信息后把关于节点B的推荐值反馈给节点A；当节点A收到多个推荐值时，通过检测每个推荐值的一致性来计算其权重：其中，是推荐节点Ci对节点B的推荐值，是所有推荐节点对节点B推荐值的平均值；基于推荐值推荐权重以及推荐节点个数Z，计算推荐信任值如下： 所述S4中，综合信任值计算是将直接信任值与推荐信任值根据不同的加权方式得到综合信任值，具体内容如下：根据评估节点A与被评估节点B之间通信数据包cpAB与通信数据包阈值Thnum的大小得： 其中，ωdirect和ωrecom分别是直接信任值和推荐信任值的权重，ωdirect+ωrecom＝1所述S5中，信任值更新是采用基于新纪录的滑动窗口机制来更新信任值，具体内容如下：当新信任值产生，滑动窗口移动，旧信任值移除窗口；引入调节因子γ，0＜γ＜1控制信任值更新的快慢：其中，Tnew是最新记录中的信任值，Told是历史信任值。

全文数据：

权利要求：

百度查询： 重庆大学 一种分布式环境下基于挑战-响应模型的可信评估方法