V originále
Underwater acoustic sensor networks (UASNs) have diverse applications in military and civilian domains but are vulnerable to various security threats due to their broadcast nature and challenging underwater environment. Trust mechanisms have emerged as effective solutions to enhance security and reliability in UASNs. However, existing trust models often lack efficient trust update mechanisms that can manage inevitable dynamic fluctuations in the underwater environment and various potential attacks. In this paper, an environment-aware Q-learning-based trust evaluation (EAQTE) scheme is presented in UASNs. EAQTE incorporates environmental features such as communication channel quality and node stability into the trust computation. Communication quality is assessed based on the variance in successful packet transmission probability, while node stability is measured through movement similarity. Each node collects three types of trust evidence — energy-based, data-based, and communication-based — by interacting with neighboring nodes. Energy-based evidence includes residual energy, current energy change rate, and the similarity of energy change sequences to normal patterns. Data-based evidence evaluates the consistency of collected data, and communication-based evidence considers successful and unsuccessful interactions. EAQTE uses a Q-learning algorithm with three trust states (belief, disbelief, uncertainty) to dynamically adapt trust levels. Simulation results demonstrate that EAQTE improves detection accuracy by 7.01% compared to TUMRL, ARTMM, and TMC based on simulation time. However, under attack mode switching scenarios, EAQTE’s detection accuracy is approximately 2.86% lower than TUMRL. Additionally, EAQTE reduces the false alarm rate by 19.65% relative to TUMRL when node speed varies, and by 11.8% compared to TUMRL under different node densities. Furthermore, EAQTE achieves higher energy efficiency and improves it by 5.19% over TUMRL when the percentage of compromised nodes increases, and by approximately 5.66% across varying node densities. These results indicate that EAQTE effectively balances adaptability, accuracy, and energy consumption in challenging underwater environments.
Česky
Podvodní akustické senzorové sítě (UASN) mají rozmanité využití ve vojenské i civilní oblasti, ale jsou zranitelné vůči různým bezpečnostním hrozbám kvůli své povaze vysílání a náročnému podvodnímu prostředí. Mechanismy důvěryhodnosti se ukázaly jako účinná řešení pro zvýšení bezpečnosti a spolehlivosti v UAN. Stávající modely důvěryhodnosti však často postrádají efektivní mechanismy aktualizace důvěryhodnosti, které by dokázaly zvládat nevyhnutelné dynamické fluktuace v podvodním prostředí a různé potenciální útoky. V tomto článku je prezentován systém hodnocení důvěryhodnosti založený na Q-učení (EAQTE) v UAN. EAQTE zahrnuje do výpočtu důvěryhodnosti environmentální prvky, jako je kvalita komunikačního kanálu a stabilita uzlu. Kvalita komunikace se posuzuje na základě rozptylu pravděpodobnosti úspěšného přenosu paketů, zatímco stabilita uzlu se měří podobností pohybu. Každý uzel shromažďuje tři typy důkazů o důvěryhodnosti – založené na energii, založené na datech a založené na komunikaci – interakcí se sousedními uzly. Důkazy založené na energii zahrnují zbytkovou energii, aktuální rychlost změny energie a podobnost sekvencí změn energie s normálními vzory. Datové důkazy vyhodnocují konzistenci shromážděných dat a komunikační důkazy zohledňují úspěšné a neúspěšné interakce. EAQTE používá algoritmus Q-learning se třemi stavy důvěryhodnosti (víra, nevíra, nejistota) k dynamickému přizpůsobení úrovní důvěryhodnosti. Výsledky simulace ukazují, že EAQTE zlepšuje přesnost detekce o 7,01 % ve srovnání s TUMRL, ARTMM a TMC na základě času simulace. V scénářích přepínání režimu útoku je však přesnost detekce EAQTE přibližně o 2,86 % nižší než u TUMRL. EAQTE navíc snižuje míru falešných poplachů o 19,65 % ve srovnání s TUMRL při změně rychlosti uzlů a o 11,8 % ve srovnání s TUMRL při různých hustotách uzlů. EAQTE dále dosahuje vyšší energetické účinnosti a zlepšuje ji o 5,19 % oproti TUMRL při zvýšení procenta kompromitovaných uzlů a přibližně o 5,66 % napříč různými hustotami uzlů. Tyto výsledky naznačují, že EAQTE efektivně vyvažuje přizpůsobivost, přesnost a spotřebu energie v náročných podvodních podmínkách.