MP2P网络中基于非完全合作节点识别的路由选择

发表于 2021-12-12 更新于 2023-01-27 分类于 computer science ，计算机网络阅读次数：

简介

P2P模式中资源稀缺性加剧了移动对等网络（MP2P）节点的自私，使节点表达非完全合作（NCC）态度。因此，在本文中提出了非完全合作节点的识别并针对 MP2P 提出了相应的信任路由方案。

从直接信任、内部状态、推荐信任三个维度组成的卦限来评估。

识别NCC节点的难点

难点1：节点只能直接得知相邻节点状态，全局信息只能通过推荐。
难点2：如何区分善意节点因为资源不足而拒绝服务。
共谋恶意节点（CNCC），更难发现且危害更大。

目前可以做到的工作

通过三个评估标准构成卦限来建立信任模型。
INCC可以通过模型准确识别，CNCC可以基于INCC的识别结果通过余弦相似度进行识别。
对MP2P网络基于NCC识别构建一条信任路由。

攻击方式

灰洞攻击：以一定概率不转发收到的数据包。
黑洞攻击：不转发收到的数据包。
bad mouthing：说好节点坏话。
ballot stuffing：说坏节点好话。
self-promoting attacks：吹自己。
Collusive Attack：共谋攻击，同时协作攻击相同对象。

定义

直接信任

一种直接监控，根据被监控节点正确转发的数据包和收到的数据包进行评估。

节点 $v_i$ 在时间 $t$ 对节点 $v_j$ 的直接信任值为 $T^d_{i,j}(t)$ 。

信任度reliability

是间接信任的可靠性的评估

表示一个节点对另一个节点的综合信任度。

节点 $v_i$ 对 $v_j$ 在时间 $t$ 的信任度为：
$$
\begin{array}{r}
T_{i, j}^{c}(t)=w_{s} \times\left(1-\left|T_{j, i, i}^{r}(t)-T_{i, i}^{d}(t)\right|\right)
+
w_{b}
\times
\frac
{\sum\limits_{v_{k} \in\left(N\left(v_{i}\right) \cap N\left(v_{j}\right)\right)} {\left(1-\left|T_{j, i, k}^{r}(t)-T_{i, k}^{d}\right|\right) }}
{\left|N\left(v_{i}\right) \cap N\left(v_{j}\right)\right|}

\
w_{r} \times
\frac
{\sum\limits_{\left(v_{j}, v_{k} \in N\left(v_{i}\right) \cap v_{j} \neq v_{k}\right), v_{l} \notin N\left(v_{i}\right), v_{l} \neq v i}{\left(1-\left|T_{j, i, l}^{r}(t)-T_{k, i, l}^{r}\right|\right) }}
{N-\left|N\left(v_{i}\right)\right|-1}

\end{array}
$$

$w_s, w_b, w_r$ 是三个加权系数，分别代表节点对自己的评价差异，节点对相邻结点的评价差异，节点对不相邻结点的评价差异。

间接信任

间接信任：根据可信邻节点所提供的推荐信任建立的信任关系。

节点 $v_i$ 在时间 $t$ 对节点 $v_k$ 的间接信任值 $T^i_{i, k}(t) = T^r_{i, j, k}(t) \times T^c_{i,j}(t)$。

综合信任

基于直接信任和间接信任的最终信任。

节点 $v_i$ 在时间 $t$ 对节点 $v_j$ 的综合信任 $T_{i, j}(t) = w_d \times T^d_{i, j}(t) + (1 - w_d) \times T^i_{i, j}(t)$ ，其中 $w_d$ 是权重因子，用于调整重视程度。

内部状态

表示一个节点的内部资源，即使主观合作节点仍会因为内部状态而表现不佳。

路径信任

从 $v_i$ 到 $v_j$ 的路径信任记为 $T^p_{i, j}$ 。

MP2P是动态变化的，我们可以监听的只有直接信任和推荐信任，并根据这两个来更新信任度、间接信任、综合信任、路径信任。并将时间划分为时间间隔 $\Delta t$ ，更新方案为 $T^d_{i,j}(t+\Delta t)=\beta \times T^d_{i,j}(t)+(1-\beta)\times \Delta T^d_{i,j}(t+\Delta t)$ ， $\Delta T^d_{i,j}(t+\Delta t)$是节点 $v_i$ 对 $v_j$ 在时间 $t+\Delta t$ 的直接信任。

公式方面总体来说

直接信任（direct trust），推荐信任（reliability），内部状态（internal state）三个维度。

通过计算直接信任（direct trust） $T^d_{i,j}(t)=\dfrac{正确转发的数据包}{收到的包}$。

信任度（reliability）即为：
$$
\begin{array}{r}
T_{i, j}^{c}(t)=w_{s} \times\left(1-\left|T_{j, i, i}^{r}(t)-T_{i, i}^{d}(t)\right|\right)
+
w_{b}
\times
\frac
{\sum\limits_{v_{k} \in\left(N\left(v_{i}\right) \cap N\left(v_{j}\right)\right)} {\left(1-\left|T_{j, i, k}^{r}(t)-T_{i, k}^{d}\right|\right) }}
{\left|N\left(v_{i}\right) \cap N\left(v_{j}\right)\right|}

\
w_{r} \times
\frac
{\sum\limits_{\left(v_{j}, v_{k} \in N\left(v_{i}\right) \cap v_{j} \neq v_{k}\right), v_{l} \notin N\left(v_{i}\right), v_{l} \neq v i}{\left(1-\left|T_{j, i, l}^{r}(t)-T_{k, i, l}^{r}\right|\right) }}
{N-\left|N\left(v_{i}\right)\right|-1}

\end{array}
$$
间接信任由推荐信任和信任度得到：$T^i_{i, k}(t) = T^r_{i, j, k}(t) \times T^c_{i,j}(t)$。

综合信任由直接信任和间接信任得到：$T_{i, j}(t) = w_d \times T^d_{i, j}(t) + (1 - w_d) \times T^i_{i, j}(t)$。

INCC的检测

根据直接信任、内部状态、推荐信任三个维度组成的卦限来评估。
状态（Good/Bad）、直接信任（High/Low）和可靠性（True/False），由于内部状态差的时候不可能有较好的转发率，BHX是不存在的，GHF可能会发动诽谤攻击，GLT可能发动灰洞攻击，BLT和BLF需要再进一步确定。

算法

对于每个时间片都进行如下操作
1. 通过监控邻居节点获得直接信任
2. 从邻居节点获取推荐信任
3. 计算信任度
4. 根据检测结果检测内部状态
5. 基于当前时间片的新的信任值进行更新
6. 基于卦限确定INCC

CNCC的检测

假设共谋节点来自相同类型，忽略合作节点GTH节点、恶意节点GLF、BLF。直接关注GHF、GLT、BLT三种节点，并通过余弦相似度。

算法

对于每个时间片都进行如下操作
1. 对于每个在GTL（综合可靠、直接信任度低）象限的点进行如下操作
  1. 计算每两个节点在直接信任和信任度的相似度
  2. 若大于阈值，则识别为黑洞攻击的共谋节点
2. 对于每个在GFH（综合不可靠、直接信任度高）象限的点进行如下操作
  1. 计算每两个节点在直接信任和信任度的相似度
  2. 若大于阈值，则识别为假情报攻击的共谋节点
3. 对于每个在GFL（综合不可靠、直接信任度低）象限的点进行如下操作
  1. 计算每两个节点在直接信任和信任度的相似度
  2. 若大于阈值，则识别为黑洞攻击和假情报攻击的共谋节点

信任路由模型

我们基于无线自组网按需平面距离向量路由协议和NCC识别提出了 NCCTR 信任路由模型，描述如下：

当一个源节点 $v_s$ 有数据包要发给目的节点 $v_d$ ， $v_s$ 首先检测是否存在可用路由，如果存在则随机选择一条并转到7，否则转到2。
$v_S$ 向其直接信任值大于门限 $\gamma$ 的相邻节点进行广播路由请求包RREQ。
中间节点第一次收到RREQ时会判断当前路径是否合适，如果合适则继续向向其直接信任值大于门限 $\gamma$ 的相邻节点进行广播，否则直接cut。
若任何一个节点有一个可用路径到达 $v_d$ ，则生成路由回复包 RREP 回溯发送给 $v_s$ 。否则重复步骤3。
目的节点 $v_d$ 收到几个 RREQ包时，会选择最大信任路径回复给 $v_s$ 。
$v_s$ 收到RREP时，会建立一个或多个信任路由路径。
$v_S$ 按照信任路由路径发送数据包。
一条路径失效，可以使用其余的。若没有其他剩下的，转到步骤2。

模拟实验环境

1000m*1000m的矩形场，50 个移动节点，节点覆盖半径250m，每个节点移动
以随机速度从一个随机的起点到一个随机的目的地，一旦到达目标节点，暂停一段时间后随机选择另一个目的地。

使用UDP作为协议，Constant Bit Rate作为编码的码率控制的10个数据包？数据包生成频率1个/s，大小为512字节，起点终点随机。

服务器初始没有数据，位置固定
暂时不考虑恶意服务器
内部状态由发出数据报/转发数据报评估，只有好/坏两个状态
服务器定期广播请求所有数据
物层节点初始数据，每个都有，正态分布。假数据落在范围外

非完全合作节点模拟状态如下

Black Hole Attack：节点会拒绝转发所有数据包。
Bad-mouthing Attack：针对行为良好的节点的信息打差评，破坏他们的信任价值。
Ballot Stuffing Attack：为行为不良的节点提供良好的推荐信息以提高他们的信任价值。
Collusive Attack：这些节点同时协作发起攻击。他们有相同的攻击对象。

评估指标

物层召回率True Positive Ratio (TPR)：positives节点识别的正确率，识别出的恶意节点/恶意节点总数。
物层误检率False Positive Ratio (FPR)： negative events误识为positive数目与实际上 negative events数目的比率。
物层精度Precision Ratio (PR)：true positive correct results数目与positive events数目的比率。
Packet Delivery Ratio (PDR)：数据包成功接收比率。
Average End-to-end Delay (AED)：数据包平均发送时间。
Average Overhead(AOH)：控制包数和数据包数比率的平均值。

前三个可以评估非完全合作节点检测方法的有效性，后三个可以评估MP2P中路由选择方案的能力。

不理解的部分

评估标准里actual positives、negative events、true positive correct results指的都是什么
10个Constant Bit Rate是以恒定比特率方式进行编码？不太理解。
论文里没说脏数据、恶意服务器的事，要自己加fake data、fake service。
连服务器的事都没说（可能我没看仔细
实现的具体细节要去看代码
为什么聚类实现在Node里，每个节点都自行识别吗
边缘服务器的分布好奇怪，位置是固定的吗。物层节点位置是随机的，但好像并没有在移动。
可靠服务器获取资源时也会有±1的误差，恶意服务器获取资源会有±10的误差，但资源都是全的。
节点只有一部分资源，误差同上（模拟假数据？）。
Node里面的包含数据为什么要弄成映射而不是集合，是资源有精度误差而给资源编号吗。
精度好像不太行？为什么全是0
对于不相邻结点的评估是否纳入考量
在哪里using namespace std;了……
邻接表adjacencyList好像炸了
服务器的计算量会更大，然后它的资源也更多，但是我们其实没有在模型里面体体体现这个
聚类函数在node.cpp第361行
服务器判断识别恶意节点的方法和物层节点不同
Node第328行，this只记录了来自source的数据place的最近记录…
服务器的聚类似乎没有运行过，可能是测试规模太小了

接下来要干的

看一下网上RIP路由怎么模拟实现的
弄清楚一些细节概念，评估函数具体含义
弄清楚各个矩阵计算方法
是否对物层节点加入移动，调一下邻接表。
对校一下信任矩阵和评估函数的实现，看一下是否要拆出来写。

工作进度（直接copy过来的）

目前处于编码测试阶段。

代码中已经实现的部分有：

网络的构建（构建网络拓扑，构建结点的rip表，模拟结点发包转包）
实现了TRUSTCOM这篇论文里计算信任的方法（即信任模型）
写了一个边缘服务器的聚类模型，但这个模型还在调试中
实现了灰洞攻击和虚假数据的攻击
计算了三个测试指标

待完善的部分：

聚类算法的调试（聚类算法，即边缘服务器对物层恶意结点的识别这里做得一直不是很理想）
加入更多的攻击模型（共谋攻击，诽谤攻击）