買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉大連理工大學申請的專利基于生成對抗網絡的移動無線傳感器網絡信任評估方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN116528240B 。

龍圖騰網通過國家知識產權局官網在2025-08-26發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202310501897.5，技術領域涉及：H04W12/122；該發明授權基于生成對抗網絡的移動無線傳感器網絡信任評估方法是由覃振權;孟維程;崔雨欣;盧炳先;王雷;朱明設計研發完成，并于2023-05-06向國家知識產權局提交的專利申請。

本基于生成對抗網絡的移動無線傳感器網絡信任評估方法在說明書摘要公布了：本發明屬于移動無線傳感器網絡領域，公開了一種基于生成對抗網絡的移動無線傳感器網絡信任評估方法。建立移動場景中的傳感器節點聚類模型和移動模型；收集節點通信、能量、數據、位置變化為信任證據；簇頭收集目標節點信任證據后傳輸到基站，對信任證據進行預處理，分離有標簽數據和無標簽數據，使用基于生成對抗網絡的半監督學習方法進行訓練，基于softmax方法對節點進行信任評估；評估結果返回簇頭，簇頭根據評估結果對目標節點進行判斷。本發明引入生成對抗網絡和半監督學習方法，利用大量無標簽數據中的隱含信息，降低了檢測模型對有標簽數據的依賴性，實現了利用少量有標簽數據準確識別惡意節點，保證了移動無線傳感器網絡的安全性。

本發明授權基于生成對抗網絡的移動無線傳感器網絡信任評估方法在權利要求書中公布了：1.一種基于生成對抗網絡的移動無線傳感器網絡信任評估方法，其特征在于，步驟如下： 步驟1、建立場景模型；場景模型包括網絡模型、傳感器節點聚類模型和傳感器節點移動模型； 步驟1.1、建立網絡模型；在部署區域內隨機部署N個動態移動的傳感器節點；傳感器節點與自身通信范圍內的傳感器節點進行通信，交換收集到的傳感器節點數據；每個傳感器節點具有相同的初始能量和存儲容量；傳感器節點聚類分簇后，通過簇頭與基站通信；基站之間、基站與衛星之間均進行通信； 步驟1.2、建立傳感器節點聚類模型；基于K-means聚類算法進行改進，將部署區域內的傳感器節點劃分為k個聚類，聚類中心為簇頭CH，簇頭CH從簇內成員處收集信任證據，定期向基站傳輸信任證據； 改進的K-means聚類算法具體為： 從數據集x中隨機選取一個樣本點作為第一個初始聚類中心ci； 計算每個樣本與當前已有初始聚類中心之間的最短距離Distx，然后計算每個樣本點被選為下一個聚類中心的概率Px，最后選擇最大概率值所對應的樣本點作為下一個簇中心；計算方法如下： 重復選擇樣本點，直至選出k個聚類中心； 步驟1.3、建立傳感器節點移動模型； 移動無線傳感器網絡部署在動態環境中，傳感器節點移動導致其自身位置動態變化；考慮傳感器節點的位置變化對信任評估的影響，建立傳感器節點移動模型；傳感器節點TN最大通信半徑為maxCom，以O點為原點建立坐標系，傳感器節點TN與Z軸和X軸的夾角分別為α和β；傳感器節點TNi在t時刻的移動速度為vit，移動方向為dαit,dβit，α,β∈0,2π，在t時刻的位置為xit,yit,zit，則傳感器節點TNi在t+1時刻的位置表示如下： t+1時刻傳感器節點TNi與傳感器節點TNj的距離表示為: distijt+1＝|locit+1-locjt+1|； 步驟2、收集信任證據；信任證據包括位置信任、通信信任、能量信任和數據信任； 步驟2.1、位置信任； 根據步驟1.3得，distij表示兩個傳感器節點之間距離隨時間的變化；位置信任表示傳感器節點運動對位置穩定性的影響，定義如下； 其中，maxCom表示最大通信半徑，Δdistij表示傳感器節點TNi和傳感器節點TNj之間的距離變化； 步驟2.2、通信信任；將傳感器節點成功通信率作為傳感器節點通信行為的指標；傳感器節點成功通信率SCom表示如下： 其中，cs表示傳感器節點成功通信的次數，cf表示傳感器節點失敗通信的次數； 以傳感器節點的雙向通信情況作為交互信任的度量，并將每個傳感器節點的通信情況存儲在n×n非對稱矩陣中； 其中，所述非對稱矩陣對角線均為1，表示傳感器節點對其本身信任；交互過程中傳感器節點的可信度分為兩種，第一種是當前傳感器節點對其他傳感器節點的信任度；第二種是其他傳感器節點對當前傳感器節點的信任度；根據這兩種信任度，綜合定義了傳感器節點TNi的交互信任，表示如下： 其中，λ和μ分別代表兩種信任度的權重，λ,μ∈0,1，并且λ+μ＝1； 步驟2.3、能量信任； 將傳感器節點的能耗率作為能量信任，表示如下： 其中，Eres表示剩余能量，E0表示初始能量； 步驟2.4、數據信任； 根據數據包的數值判斷該傳感器節點是否受到惡意攻擊，數據信任定義如下： 其中，xd是為目標節點的數據值，為數據包中數據的均值；xd與的差值越大，數據信任值越小； 步驟3、基于生成對抗網絡進行半監督學習； 步驟3.1、數據預處理； 采用基于生成對抗網絡GAN的半監督學習進行惡意節點的識別，GAN生成器和判別器通過博弈使判別器損失最小化，使用有標簽數據和無標簽數據對判別器進行優化； GAN生成器G和判別器D之間的博弈建模為兩方最小-最大博弈問題： 其中，x為真實數據，分布為pd；z為噪聲數據，分布為pz；表示使用真實數據訓練時的目標函數、表示噪聲數據訓練時的目標函數；Dx表示判別器判斷真實數據是否真實的概率，DGz是判別器判斷生成器生成的噪聲數據是否真實的概率； 當出現全局最優即pd＝pG時，pG為生成器生成數據的分布，固定生成器，判別器達到最優效果； 步驟3.2、基于生成對抗網絡進行訓練； 訓練數據有K類，則判別器的輸出為K+1，其中“1”是判別輸入為假樣本的類；softmax分類器增加一個神經元用于生成判別的輸入為假樣本的概率，即pn＝y＝K+1|x，y為x的標簽；在已知輸入的K類中有真實數據的前提下，通過最大化logpny∈{1,…,K}|x來實現無標簽數據的使用；數據集包含一半真實數據和一半偽數據，訓練分類器的損失定義為： 其中，為真實有標簽數據訓練時的目標函數、為使用生成器生成的數據訓練時的目標函數、為使用真實無數據訓練時的目標函數；總交叉熵損失為監督損失函數和非監督損失pn為判別為假樣本的概率；無監督分類輸出真假，因此，令Dx＝1-pny＝K+1|x，代入得到： 所述生成對抗網絡的具體訓練過程為： 固定生成器，使用有監督方式和無監督方式訓練判別器；固定判別器，使用隨機噪聲生成的偽樣本更新生成器；重復以上過程直至生成對抗網絡模型收斂； 步驟4、基于softmax進行信任評估； 生成對抗網絡中使用softmax分類器對樣本數據進行分類；softmax分類器接收輸入參數 分別表示第i個傳感器節點的位置信任、通信信任、數據信任和能量信任；所述輸入參數有2個類別，即正常節點0和惡意節點1，li∈{0,1}；則softmax函數估算輸入數據歸屬于某一類的概率，即： 其中，θ0,θ1是生成對抗網絡模型的參數，θ0∈θ，θ1∈θ，用于概率位于[0,1]且概率之和為1；softmax回歸將輸入數據Ti歸屬于類別c的概率為： 設maxp所屬的類別為li，則最終的信任評估結果表示為： Nodeclass＝li 當li＝0時，傳感器節點被判別為正常節點，當li＝1時，傳感器節點被判別為惡意節點。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人大連理工大學，其通訊地址為：116024 遼寧省大連市甘井子區凌工路2號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。