摘 要：为了提高移动群智感知计算环境中的数据质量，提出了一种面向移动群智感知的恶意节点惩罚机制。首先，根据目标节点的多个信任属性计算整体信任度；其次，根据时间衰减公式得出节点最终的综合信任值；最后，通过仿真试验验证该方案能有效的提高恶意节点的检测率。
关键词：移动群智感知；恶意节点；惩罚机制；
1 引言
移动群智感知（mobile crowd sensing，MCS）[1]是计算领域近几年较热的研究点，它以移动智能设备作为基本感知节点，通过网络通信方式形成群体智能感知网络，从而实现感知任务分发与感知数据收集过程，完成大规模、复杂的社会感知任务。移动群智感知在提供大量社会数据的同时也面临数据质量低的问题，而参与者信任度是保障数据质量的第一道防线。文献[2]提出了一种卷积技术（CT），在不同的跃点处生成不同的安全代码,以防止对WSN进行恶意节点攻击。文献[3]提出了一种无线传感器网络下的恶意节点识别模型,该模型采用Beta分布描述信誉分布,引入了第三方节点的间接可信度,并将多种攻击类型相对应的节点信任值进行整合。文献[4]针对恶意网络节点通过分发伪造的公钥对数据隐私带来危害这一问题，提出一种基于动态信任关系的移动人群感知数据隐私保护(DTRPP)机制，其根据公钥的支持者数量和信任程度来评估公钥的信任价值，再由相遇节点提供的公钥的准确性来估计其信任值。文献[5]分析了恶意节点的异常状态信息,提取恶意节点的特征属性，对恶意节点的攻击模式进行建模,结合似然多元分类算法和贝叶斯规则求出节点类型划分的最终判别函数，从而提高恶意节点的检测率。
综上所述，目前对于恶意节点的研究成果大多是针对各种恶意攻击和以存在的安全协议为基础，而由于在移动群智感知计算环境中，参与者用虚假冗余数据来换取高信任的欺骗行为十分普遍，因此本文引入一种非传统的恶意节点惩罚机制——基于数据质量的参与者信任度惩罚机制.
2 基于数据质量的惩罚机制
移动群智感知计算是一种高速率的分布式数据收集机制，参与者的信任度是由多方面因素决定的，因此，在确定参与者的信任度时必须考虑多方面的因素。
多元组
.png)
为参与者的信任属性的客观信任值，如参与者的感知数据质量、历史信任、推荐信任、意愿程度等。
首先，根据参与者的多种信任属性，由公式(1)计算参与者的整体信任值。
.png)
由参与者信任的社会特性知，近期的信任值在信任评估中更加可信，故由时间衰减公式计算参与者的综合信任值。
.png)
(2)
其中，ci为衰减因子，N为队列长度。
将参与者的综合信任与系统设置的信任阈值进行比较来判断参与者是否为异常节点，一旦确定参与者为异常节点，立即执行惩罚操作并隔离该节点，算法初步如下。
算法 恶意节点识别算法
输入：当前参与者的信任队列，Ttotal，Tcomp
P：惩罚力度
tmin：正常节点信任阈值
tsystcm：恶意节点信任阈值
Array：恶意节点记录数组
输出：节点Node异常标志flag
1.如果Q为空，在队尾插入N个信任记录，并将Q中所有信任值初始化为不确定信任值(用50表示)，否则跳转到步骤2)
2.删除Q的队头元素并将Ttotal插入队列，作为新的队尾
3.If(Tcomp>tmin)
4.Return false //行为正常
5.While(P<0)
6.从队尾开始，查找第P个标志为正常行为的信任记录，并将该记录降级为不信任记录(用小于50的整数表示)
7.P=P-1
8.End while
9.Return true //返回行为异常
10.End if
11.Else
12.将节点Node添加到数组Array中
13.Return true //返回行为异常
3 仿真试验
考虑三种恶意行为，第1种提供虚假信息，第2种发送冗余数据，第3种提供虚假信息且发送冗余数据，第4种正常行为。试验模拟5个合法节点与15个恶意节点共同完成某感知任务，分别有5个节点同时发生同一种类型的恶意行为，T为感知任务时间周期。实验结果如图1所示。
图1是执行惩罚机制与未执行惩罚的信任度评估模型中3种不同异常行为信任值变化曲线。可知，加入惩罚机制可以更快地降低发生异常行为的节点信任值，从而在更短的时间内发现恶意节点，保障感知数据质量。
.png)
Fig.1 Contrast Curve of Node Trust Value Change
图1 节点信任值变化对比曲线
4 结束语
本文提出了一种非传统的恶意节点惩罚机制，该方案根据参与者的多种信任属性识别提供虚假冗余数据的恶意节点，从而提高计算环境的数据质量。试验表明该方案能够有效识别环境中的恶意节点，并对其进行大幅度降低信任值的方法来进行惩罚。
参考文献
[1]Guo?B,?Yu?Z,?Zhou?X,?et?al.?From?participatory?sensing?to?mobile?crowd?sensing. 2014?IEEE?International?Conference?on?Pervasive?Computing?and?Communication?Workshops,?March 24-28, 2014, Budapest, Hungary. USA:IEEE,?2014:?593-598
[2]Alghamdi T A. Convolutional technique for enhancing security in wireless sensor networks against malicious nodes[J]. Human-centric Computing and Information Sciences, 2019, 9(1): 38.
[3]杨光,印桂生,杨武,左东梅.WSNs基于信誉机制的恶意节点识别模型[J].哈尔滨工业大学学报,2009,41(10):158-162.
[4]Wu D , Si S , Wu S , et al. Dynamic Trust Relationships Aware Data Privacy Protection in Mobile Crowd-Sensing[J]. IEEE Internet of Things Journal, 2017:1-1.
[5]刘冰,王学成.似然多元分类的动态恶意节点检测算法[J].计算机工程与设计,2018,39(11):3328-3332.