法律状态公告日
法律状态信息
法律状态
2022-06-14
未缴年费专利权终止 IPC(主分类):H04L29/06 专利号:ZL2014103132939 申请日:20140702 授权公告日:20170711
专利权的终止
2017-07-11
授权
授权
2014-10-29
实质审查的生效 IPC(主分类):H04L29/06 申请日:20140702
实质审查的生效
2014-10-01
公开
公开
技术领域
本发明涉及无线通信物理层领域,尤其涉及一种基于贝叶斯联盟博弈的动态合作联盟 结构形成方法。
背景技术
无线传输的广播特性使网络中节点容易遭到恶意节点的攻击与窃听。协作通信利用协 作节点的转发成为可实际应用的物理层安全技术。在真实的无线网络环境中,一个节点对 于其他节点的协作类型不完全可知,节点是否参与协作也直接影响最后的收益函数。引用 贝叶斯联盟博弈来对节点的行为状态进行动态估计,在此基础上计算可能的效用函数,以 趋近于完全信息下节点间形成合理的协作通信传输联盟,保证物理层的安全传输。
无线通信中的网络环境处于实时动态变化中,节点对于周围的潜在协作节点的协作行 为存在未知性,目前尚未见通过有效的机制获知潜在协作节点的行为,以在不完全信息下 形成稳定的联盟结构保证物理层安全性能最优的算法。
发明内容
本发明提供了一种基于贝叶斯联盟博弈的动态合作联盟结构形成方法,本发明基于贝 叶斯联盟博弈,提出在节点行为不确定的未知无线网络环境中,对节点行为进行信念更新, 动态调整协作通信联盟结构的方法,保障物理层安全性能最优,详见下文描述:
一种基于贝叶斯联盟博弈的动态合作联盟结构形成方法,所述方法包括以下步骤:
节点通过对潜在协作节点转发的数据可靠性进行初步行为判定,并对所述潜在协作节 点进行节点协作行为的信念更新;
针对检测到的不良行为节点,以其协作概率为中心,计算不良行为节点的联合信念概 率,划分为不同的网络环境;
在每个网络环境中,计算贝尔数,即所有节点可能形成的所有联盟结构个数;根据各 个联盟结构下的各节点的联盟效益值,依照所有可能网络环境的顺序列出某种联盟结构下 的节点效益值,即为该联盟结构下的合同;
运用迭代消除机制和前中期阻断机制找到满足贝叶斯核条件的合同;该合同即为符合 纳什稳定性的贝叶斯联盟结构,实现物理层的安全传输;
根据合同,无线区域内节点按照协作通信联盟结构发送信息。
所述节点通过对潜在协作节点转发的数据可靠性进行初步行为判定,并对所述潜在协 作节点进行节点协作行为的信念更新的步骤具体为:
协作节点用θ0=1表示,不良行为节点用θ1=0表示;
依据贝叶斯定理,根据当前时隙的传输结果和历史信念,源节点对联盟内的其他节点 进行信念更新如下:
其中,表示第ti,j时隙的信念,pe表示误报率,表示漏报率,poff表示节点j在不 良行为类型中不协作的概率,它满足:
所述根据各个联盟结构下的各节点的联盟效益值的操作具体为:
其中,μi(S)为节点i在联盟S中的效益;(·)+为取最大值;σ2表示噪声功率;表示 协作通信第一阶段用于信息交换的功率损耗;为节点i到目的节点mi的信道系数;gi,k为 节点i到窃听节点k的信道系数,
本发明提供的技术方案的有益效果是:
1)本发明基于不可转移效用的贝叶斯联盟博弈,对网络环境进行估测,发现并检测 邻节点的协作行为,计算出在不完全信息下的纳什稳定联盟结构,得到了动态建立无线区 域内协作通信联盟的方法。该方法实现了在真实地网络环境中,针对节点的协作行为动态 变化,计算出纳什稳定联盟结构,保证节点能获得最大效益值,使物理层安全性能最优。
2)本发明通过提出信念更新机制,估测节点协作行为。基于网络环境的贝叶斯联盟 博弈,找到贝叶斯核,得到不完全信息下的纳什稳定联盟结构,最大化节点效益。
附图说明
图1为联盟形成示意图;
图2为基于贝叶斯联盟博弈的动态合作联盟结构形成方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明实施方式作进一步地详 细描述。
101:节点通过对潜在协作节点转发的数据可靠性进行初步行为判定,并对该潜在协 作者进行节点协作行为的信念更新;
即若协作则更新节点协作概率,反之,节点的不良行为会导致节点信念值迅速下降, 那么信念快速下降的节点为不良行为节点。该节点信念更新机制可以有效发现不良行为节 点。
在真实的网络环境中,节点的移动性导致节点在联盟中协作行为发生变化,因此节点 的行为具有不完全信息性。假设有两种节点类型:协作节点和不良行为节点。其行为集合 为Θ∈{θ0=协作,θ1=不良行为}。协作节点用θ0=1表示,不良行为节点用θ1=0表示。在一个阶 段的博弈中,源节点对于其他协作节点的行为无法准确分辨,只能通过对节点j的行为对 其类型进行判断,即为信念。
依据贝叶斯定理,根据当前时隙的传输结果和历史信念,源节点对联盟内的其他节点 进行信念更新如下:
其中,表示第ti,j时隙的信念,pe表示误报率,表示漏报率,poff表示节点j在不 良行为类型中不协作的概率,它满足:
102:针对检测到的不良行为节点,以其协作概率为中心,计算不良行为节点的联合 信念概率,划分为不同的网络环境;
根据节点信念更新机制,所有节点对不良行为节点进行信念更新,根据公式(1)和 (2),计算不良行为节点的联合信念概率,作为该网络环境的概率。
对于联盟内不良行为节点的估测,用联盟内其他节点对于不良行为节点的联合信念概 率来表示:
其中,N为节点个数,N/{j}为N各节点中除了节点j外的其他节点,表示节点j 对联盟内其他节点类型的信念值向量,tj表示节点j的类型,表示节点i对节点j的行为 类型的信念,Π为连乘运算。
103:在每个网络环境中,计算贝尔数,即所有节点可能形成的所有联盟结构个数; 依据各个联盟结构下的各节点的联盟效益值(即安全容量),依照所有可能网络环境的顺序 列出某种联盟结构下的节点效益值,即为该联盟结构下的合同。
1、贝尔数的计算
根据(2)和(3)式获得的信念,分析不良行为节点可能存在的几种状态,进一步划分可能 存在的几种网络环境。将不良行为节点的联合信念概率作为对应网络环境的存在概率。
在每一个可能的网络环境中,对于N个节点,K个窃听节点和联盟组合成员|S|必须满 足|S|>K,将形成改进N个贝尔数的联盟结构。N个贝尔数为
其中N≥1,D0=1。
2、合同的形成
根据(6),计算DN个不同联盟结构中每个节点的联盟效益:
其中,μi(S)为节点i在联盟S中的效益;(·)+为取最大值;σ2表示噪声功率;表示 协作通信第一阶段用于信息交换的功率损耗;为节点i到目的节点mi的信道系数;gi,k为 节点i到窃听节点k的信道系数,
所得到的与假设的网络环境相对应的联盟效益集即为可能的合同。
表1可能的网络环境概率及其联盟收益值
104:运用迭代消除机制和前中期阻断机制[1]找到满足贝叶斯核条件的合同;该合同即 为符合纳什稳定性的贝叶斯联盟结构,实现物理层的安全传输。
其中,迭代消除机制即比较两个合同和
非转移效益的贝叶斯联盟博弈定义为:
其中,表示无线网络节点集合;表示可能的网络环境集 合;P为每一种可能的网络环境对应的概率;Ιi为节点对可能网络环境集的分割;描述了节点i对当前受益分布的偏好;假设两种合同X和Y,
如果对于所有节点i∈S,联盟S的收益在合同X中优于合同Y,即合同X中节点的收益值大于等于合同Y中节点的收益值。
如果对于所有节点i∈S,联盟S的收益在合同X中严格优于合同Y,即合同X中节点的收益值大于合同Y中节点的收益值。
1)初始化对假设网络环境的信息分割集Λ0=Λ;
2)Λt+1=Λt\(Ι*∩Λt),其中,t从0到L。在Ι*中,与合同相比,联盟S内所有节 点的收益不是严格优于则将此网络环境从信息分割集中消除。
3)经过L次迭代,在ΛL中,联盟S内所有节点的收益相比于合同均严格优于
前中期阻断机制:在贝叶斯联盟博弈中,合同可以阻断当且仅当
贝叶斯核:合同满足贝叶斯核,当且仅当没有其他合同,例如可以前中期阻 断合同
105:根据合同,无线区域内节点按照协作通信联盟结构发送信息。
下面以一个具体的实例来描述本方法的操作过程,详见下文描述:
(1)初始状态:假设网络中的所有节点均为协作行为类型;
(2)发现潜在协作节点N,运用信念更新机制对N个节点进行信念更新,锁定不良行为 节点,确定几种可能的网络环境,并计算每种可能网络环境中的联合信念概率;
(3)计算第N个贝尔数DN;计算每个可能网络环境中的DN不同联盟结构下的各节点的 效益值;运用迭代消除机制和前中期阻断机制找到位于贝叶斯核的合同;
(4)根据合同所对应的联盟结构,无线区域内节点按照协作通信结构发送信息。
对于位于目的端2和窃听节点2附近的节点1,2,3,4,根据贝叶斯联盟形成算法,大联 盟{1,2,3,4}的结构对应的合同符合贝叶斯核条件,使得联盟内节点收益达到纳什均衡,无 线区域内节点按照协作通信发送信息,确保在节点行为不确定条件下的节点安全容量最优。
(5)当联盟内节点信念发生变化时,进入信念更新阶段,重复过程(2)—(3)。
参考文献
[1]Ieong,S.,&Shoham,Y.(2008,July)'Bayesian Coalitional Games',Proceedings of the Twenty-Third AAAI Conference on Artificial Intelligence,pp.95-100.
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号 仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则 之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
机译: 一种基于熵信息和贝叶斯SOM的基于排序文档的聚类调整方法
机译: 基于图像特征和贝叶斯数据融合的结构表面裂纹检测方法
机译: 基于结构的贝叶斯稀疏信号重构的方法