-
题名针对机会网络资源消耗攻击的路由设计和影响分析
- 1
-
-
作者
王桐
崔立佳
林孟瑜
曹越
薛书钰
-
机构
哈尔滨工程大学信息与通信工程学院
哈尔滨工程大学先进船舶通信与信息技术工业和信息化部重点实验室
武汉大学国家网络安全学院
-
出处
《应用科技》
CAS
2023年第2期72-78,共7页
-
基金
国家自然科学基金项目(61102105)
先进船舶通信与信息技术工业和信息化部重点实验室项目(AMCIT2101-08)
中央高校基本科研业务费项目(No.3072021CF0813).
-
文摘
为解决资源消耗攻击对能量受限机会网络造成的安全问题,本文首先通过对机会网络通信方式和资源消耗攻击原理进行分析,在机会网络仿真平台ONE下搭建资源消耗攻击模型;其次,在经典机会路由基础上提出一种引入节点和数据包管理机制的安全机会路由;最后,选取不同类别机会路由协议与提出的路由协议进行对比仿真,使用数据包投递率、网络开销和平均传输时延作为机会路由性能评价指标。实验表明,资源消耗攻击模型下,基于能量判断的机会路由性能受到的影响较大,而改进后的路由协议有效抵御了资源消耗攻击带来的影响,总体性能表现较好,保障了对数据包的投递能力。
-
关键词
机会网络
安全
资源消耗攻击
机会路由
ONE仿真平台
数据包投递率
网络开销
平均传输时延
-
Keywords
opportunistic network
security
resource consumption attack
opportunistic routing
ONE simulation platform
packet delivery rate
network overhead
average transmission delay
-
分类号
TP393
[自动化与计算机技术—计算机应用技术]
-
-
题名基于消息反馈与强化学习的节能路由算法
被引量:1
- 2
-
-
作者
王桐
龚续
常远
薛书钰
陈奕霏
-
机构
哈尔滨工程大学信息与通信工程学院
哈尔滨工程大学先进船舶通信与信息技术工业和信息化部重点实验室
国家计算机网络应急技术处理协调中心黑龙江分中心
-
出处
《应用科技》
CAS
2022年第1期39-46,72,共9页
-
基金
国家自然科学基金项目(61102105)
国防科技重点实验室基金项目(6142209190107)
+1 种基金
先进船舶通信与信息技术工业和信息化部重点实验室项目(AMCIT2101-08)
中央高校基本科研业务费项目(3072021CF0813).
-
文摘
针对中小型规模水下无线传感器网络中存在的节点能量消耗不均衡、网络生命周期较短的问题,提出一种基于强化学习(RL)与消息反馈机制的能量均衡路由算法,将水下路由问题建模成马尔可夫过程,采用Q-Learning方法并设计直接奖励函数对节点转发路径进行决策;引入节点转发适宜度规避转发过程中的疑似空洞节点;改进空节点数据包恢复方法。采用NS-3网络仿真模拟器,通过在不同规模下对传感器动态网络算法性能进行对比分析。仿真结果显示,该算法在中等规模动态水下传感器网络中保障较高路由效率与投递成功率的前提下有效均衡了网络节点能量消耗,显著延长了网络生命周期。
-
关键词
水下传感器网络
强化学习
能量有效
奖励函数
反馈消息
路由效率
空洞节点
网络生命周期
-
Keywords
underwater sensor network
reinforcement learning
energy efficient
reward function
feedback message
routing efficiency
void node
network lifecycle
-
分类号
TN929.3
[电子电信—通信与信息系统]
-
-
题名基于深度强化学习的多智能体对抗策略算法
被引量:4
- 3
-
-
作者
龚慧雯
王桐
陈立伟
薛书钰
金鼎筌
-
机构
哈尔滨工程大学信息与通信工程学院
哈尔滨工程大学先进船舶通信与信息技术工业和信息化部重点实验室
-
出处
《应用科技》
CAS
2022年第5期1-7,共7页
-
基金
国家自然科学基金项目(61102105)
国防科技重点实验室基金项目(6142209190107)
+1 种基金
先进船舶通信与信息技术工业和信息化部重点实验室项目(AMCIT2101-08)
中央高校基本科研业务费项目(3072021CF0813)。
-
文摘
针对在复杂军事化背景下多智能体决策算法探索效率低下、收敛缓慢的问题,提出了基于多头注意力机制和优先经验回放的多智能体深度确定性策略梯度算法(AP-MADDPG)。算法采用基于优先级的经验回放减少算法的训练时间;采用多头注意力机制在复杂的对抗环境中实现智能体之间的稳定、高效的合作竞争。实验结果表明,该算法可以使多智能体更加有效地学习联合策略,拥有更快的收敛速度和更好的稳定性,同时可以获得更高的回合奖励。
-
关键词
多智能体
强化学习
深度确定性策略
优先经验回放
多头注意力机制
智能决策
联合策略
合作与竞争
-
Keywords
multi-agent
reinforcement learning
deep deterministic strategy
priority experience replay
multi-head attention
intelligent decision-making
joint strategy
cooperation and competition
-
分类号
TP393
[自动化与计算机技术—计算机应用技术]
-