加密MANET端到端流的推断与识别研究

根据数据流的帧发送时序特性, 提出一种基于时序匹配和关联分析的端到端流推断算法。采用时序匹配、关联分析、流追踪与回溯等机制, 分析与追踪探测区域内的所有端到端流。该算法能够在无须解密报文的前提下进行流量分析, 推断出端到端流的源、目的节点、流路径、流开始时间和流持续时长等信息。仿真实验表明, 算法可以有效识别网络中的端到端流。     

基于Bregman散度的无线传感器网络定位

现有算法难以处理脉冲噪声,导致无线传感器网络（WSN）中节点定位精度较低,为此提出基于Bregman散度的WSN定位算法. 该算法分为2个阶段：欧氏距离矩阵（EDM）恢复阶段和坐标映射阶段. 基于EDM的自然低秩性,将EDM恢复问题转化为噪声环境下的矩阵补全问题;采用L_1,2范数显式平滑脉冲噪声,建立正则化矩阵补全模型;为了有效求解该模型,定义多元函数Bregman散度,将分裂Bregman迭代拓展到矩阵空间,结合交替最小化算法,得到EDM的估计;在此基础上,基于多维标度法对节点位置进行估计. 实验结果表明,在不同噪声条件下,该算法在保证高效性的同时,在定位精度和鲁棒性方面优于其他算法,特别是当采样率达到一定程度时,定位误差不到其他算法的1/4.     

基于AODV的贪婪路由协议

针对AODV路由协议在节点高速移动环境中存在的低性能问题,提出一种利用贪婪算法并充分考虑节点移动状态的路由协议GAODV。该协议涉及扩展Hello报文、限制控制分组数量、建立稳定路由以及禁用本地路由修复。仿真分析表明,GAODV比AODV具有更高的吞吐量,在节点移动速度达80 m/s时,端到端的平均时延减少了55%。     

协同干扰节点资源优化分配模型及算法

针对协同干扰节点资源优化分配问题,通过引入协同干扰组的概念,建立了协同干扰节点优化分组模型,将系统有效干扰时间优化简化为协同干扰节点分组数优化,并考虑了协同干扰组对目标通信压制的误码率约束,保证有效压制干扰下系统工作时间最长。结合智能优化算法,提出了基于遗传算法的干扰机节点分组优化求解方法,给出了具体的求解步骤,并与贪婪算法结果进行比较。最后通过实例仿真验证了方法的有效性和优越性。     

地域通信网链路威胁评估研究

链路威胁评估是进行干扰资源分配的基础.针对目前新型干扰技术出现的新情况和对网络重要链路实施干扰的新需要,首先分析了现阶段针对地域通信网的3类干扰技术,在此基础上,给出了通信网络环境下评估链路威胁的指标体系,并采用基于路径的方法对链路战术重要性进行了计算,最后运用多属性决策方法在具体网络场景下对链路威胁等级进行了评估计算...     

基于区域覆盖的协同干扰任务分配模型及算法

针对保证目标区域干扰覆盖和最小能量消耗的优化目标,建立了小型干扰机区域分簇组网结构和基于多目标整数规划的协同干扰任务分配模型。在此基础上,研究了完全覆盖和不完全覆盖下的任务分配方案,针对其中的单目标覆盖和多目标覆盖问题分别建立多选择背包模型和多选择多维背包模型进行求解。结合遗传算法和启发式算法,设计了基于整数编码的混合...     

基于Cheat-FlipIt博弈的网络安全对抗建模与分析

针对网络空间安全中的建模问题,以典型的高级持续威胁(advanced persisted threat, APT)攻击中对目标的隐蔽控制为背景,将FlipIt博弈模型进行扩展,引入攻击者的欺骗能力,提出Cheat-FlipIt博弈模型。并基于该模型,探索深度强化学习防御决策对具有一定欺骗能力攻击者的鲁棒性和适用性。理论分析和实验结果表明,所建立的Cheat-FlipIt博弈模型较好地反映了APT的欺骗过程和特点。     

基于分布式优化的协同干扰任务分配研究

为保证目标区域干扰覆盖和最小能量消耗的优化目标,建立协同干扰任务分配模型。在分布式协同优化框架下,将集中式任务分配问题,转换为各个虚任务区内小规模的分布式优化问题,采用分解-协调优化模式和启发式遗传算法相结合的方法,实现对各个子区域优化问题的二次迭代求解。仿真结果表明,分布式协同优化方法能够有效降低协同干扰任务分配问题的求解规模,避免“维数灾”,具有可行性。     

基于模糊粒子群优化算法的无线传感器网络部署优化研究

针对无线传感器网络部署中随机抛洒方式下,如何选择部分节点参与构建网络的问题,提出了一种基于模糊粒子群优化算法的优化部署方法.该方法使用每个粒子代表问题的一个可能解,然后进行迭代寻优,并通过隶属度函数将连续变量转换为01值.实验结果表明:所提方法能够在节点数量和覆盖率之间取得较好的平衡,具有一定的优势.