J 2026

A smart and fast fuzzy based-trust management scheme in underwater acoustic sensor networks (UASNs)

KHOSHVAGHT, Parisa; Musaed ALHUSSEIN; Khursheed AURANGZEB; Efat YOUSEFPOOR; Jan LÁNSKÝ et al.

Základní údaje

Originální název

A smart and fast fuzzy based-trust management scheme in underwater acoustic sensor networks (UASNs)

Název česky

Inteligentní a rychlé schéma správy důvěryhodnosti založené na fuzzy principu v podvodních akustických senzorových sítích (UASN)

Autoři

KHOSHVAGHT, Parisa; Musaed ALHUSSEIN; Khursheed AURANGZEB; Efat YOUSEFPOOR; Jan LÁNSKÝ a Mehdi HOSSEINZADEH

Vydání

Cluster Computing, Dordrecht, Springer Science+Business Media B.V. 2026, 1386-7857

Další údaje

Jazyk

angličtina

Typ výsledku

Článek v odborném periodiku

Obor

10200 1.2 Computer and information sciences

Stát vydavatele

Nizozemské království

Utajení

není předmětem státního či obchodního tajemství

Impakt faktor

Impact factor: 4.100 v roce 2024

Označené pro přenos do RIV

Ne

Organizační jednotka

Vysoká škola finanční a správní

Klíčová slova česky

Podvodní akustické senzorové sítě (UASN) · Systém správy důvěryhodnosti · Fuzzy logika (FL) · Kybernetické útoky · Umělá inteligence (AI)

Klíčová slova anglicky

Underwater acoustic sensor networks (UASNs) · Trust management system · Fuzzy logic (FL) · Cyber-attacks · Artificial intelligence (AI)

Příznaky

Mezinárodní význam, Recenzováno
Změněno: 7. 9. 2026 15:48, Mgr. Tereza Denišová, DiS.

Anotace

V originále

Underwater acoustic sensor networks (UASNs) are increasingly employed in both military and civilian applications. Owing to the challenging nature of underwater communication—characterized by unstable channels and dynamic environmental factors— UASNs are vulnerable to various security threats. Therefore, designing robust and adaptive trust management frameworks is vital to ensure their secure and stable operation. This paper introduces a novel, smart, and fast, fuzzy based-trust management (SFFTM) scheme in UASNs. In SFFTM, trust values are derived from three types of trust evidence: communication-based, energy-based and, data-based. To refine communication-based trust evidence, SFFTM distinguishes between communication failures caused by malicious nodes and those resulting from channel instability. To achieve this, a new control factor— combining link delay and link usage— is introduced. When failures are caused by malicious nodes, this factor exponentially reduces the trust evidence. Conversely, if the failures result from instability, the control factor enhances the trust evidence. Furthermore, the energy-based trust evidence is derived by analyzing the residual energy of each nod and evaluating the correlation between its actual and expected energy consumption rates using the Pearson correlation coefficient (PCC). SFFTM includes four trust elements: direct trust, recommendation trust, integrated trust, and indirect trust. Direct trust is obtained from a fuzzy inference system that processes the three trust evidences. Recommendation trust is determined by evaluating the honesty degree of recommenders and assigning higher weights to those with higher honesty level. Indirect trust is inferred through a multi-hop trust chain that links the evaluator to the target node, where intermediate recommenders are chosen according to both their spatial proximity and their assessed trustworthiness. The performance of SFFTM is evaluated through extensive simulations and compared with three existing approaches— CFFTM, LTrust, and TMC— under three attack scenarios: bad/good-mouthing, collision, and hybrid attacks. Simulation findings show that SFFTM outperforms the existing techniques by enhancing detection accuracy and significantly reducing the false alarm rate. Specifically, in the first scenario, SFFTM improves the indirect trust of legitimate nodes by 2.58%, increases detection accuracy by 2.08%, and reduces the false detection rate by 21.13%. In the second scenario, it enhances the indirect trust of the hostile nodes by 5.45%, increases detection accuracy by 1.91%, and reduces false alarms by 15.29%. In the third scenario, detection accuracy is evaluated by 2.52%, while the false detection rate is reduced by 41.46%.

Česky

Podvodní akustické senzorové sítě (UASN) se stále častěji používají jak ve vojenských, tak v civilních aplikacích. Vzhledem k náročné povaze podvodní komunikace – charakterizované nestabilními kanály a dynamickými faktory prostředí – jsou UASN zranitelné vůči různým bezpečnostním hrozbám. Proto je návrh robustních a adaptivních rámců pro správu důvěryhodnosti zásadní pro zajištění jejich bezpečného a stabilního provozu. Tento článek představuje nové, inteligentní a rychlé schéma správy důvěryhodnosti založené na fuzzy technologii (SFFTM) v UASN. V SFFTM jsou hodnoty důvěryhodnosti odvozeny ze tří typů důkazů důvěryhodnosti: založené na komunikaci, založené na energii a založené na datech. Pro zpřesnění důkazů důvěryhodnosti založených na komunikaci SFFTM rozlišuje mezi selháními komunikace způsobenými škodlivými uzly a selháními vyplývajícími z nestability kanálu. Aby se toho dosáhlo, zavádí se nový kontrolní faktor – kombinující zpoždění spojení a využití spojení. Pokud jsou selhání způsobena škodlivými uzly, tento faktor exponenciálně snižuje důkazy důvěryhodnosti. Naopak, pokud jsou selhání důsledkem nestability, kontrolní faktor důkazy důvěryhodnosti zvyšuje. Důkazy o důvěře založené na energii jsou dále odvozeny analýzou zbývající energie každého uzlu a vyhodnocením korelace mezi jeho skutečnou a očekávanou mírou spotřeby energie pomocí Pearsonova korelačního koeficientu (PCC). SFFTM zahrnuje čtyři prvky důvěry: přímou důvěru, důvěru doporučení, integrovanou důvěru a nepřímou důvěru. Přímá důvěra se získává z fuzzy inferenčního systému, který zpracovává tři důkazy o důvěryhodnosti. Důvěra doporučení se určuje vyhodnocením stupně poctivosti doporučujících subjektů a přiřazením vyšších váh těm s vyšší úrovní poctivosti. Nepřímá důvěra se odvozuje prostřednictvím víceskokového řetězce důvěry, který propojuje hodnotitele s cílovým uzlem, kde jsou mezilehlí doporučující subjekty vybírány podle jejich prostorové blízkosti a jejich posouzené důvěryhodnosti. Výkon SFFTM je vyhodnocen pomocí rozsáhlých simulací a porovnán se třemi existujícími přístupy – CFFTM, LTrust a TMC – za tří scénářů útoku: útoky typu „zlý/dobrý“, kolize a hybridní útoky. Výsledky simulací ukazují, že SFFTM překonává stávající techniky zvýšením přesnosti detekce a výrazným snížením míry falešných poplachů. Konkrétně v prvním scénáři SFFTM zlepšuje nepřímou důvěru legitimních uzlů o 2,58 %, zvyšuje přesnost detekce o 2,08 % a snižuje míru falešných detekcí o 21,13 %. Ve druhém scénáři zvyšuje nepřímou důvěru nepřátelských uzlů o 5,45 %, zvyšuje přesnost detekce o 1,91 % a snižuje falešné poplachy o 15,29 %. Ve třetím scénáři je přesnost detekce vyhodnocena o 2,52 %, zatímco míra falešných detekcí je snížena o 41,46 %.

Přiložené soubory

26h.CC.A_smart_and_fast_fuzzy_based-trust_management_scheme_in_underwater_acoustic_sensor_networks__UASNs_.pdf
Požádat o autorskou verzi souboru