基于Erlang系数的移动局域网可靠数据分发研究

Journalof King Saud University沙特国王大学沙特国王大学学报www.ksu.edu.sawww.sciencedirect.com基于Erlang系数的移动局域网可靠数据分发R.马诺哈兰，J.森加希尔*计算机科学与工程系，Pondicherry工程学院，ECR，Pillaichavady，Pondicherry 605014，印度接收日期：2014年1月30日;修订日期：2014年6月25日;接受日期：2014年10月23日2015年11月2日在线发布摘要在移动自组织网络中，信誉在可靠的数据传播中起着重要的作用，以建立网络中移动节点之间最大程度的合作。但是，自适应节点的存在大大降低了节点之间的合作水平，并进一步缩短了网络的寿命。此外，当selfish节点的数量增加时，网络、分组传递率和吞吐量降低，这又增加了重传的次数。因此，一种有效的机制，用于隔离selfish节点，以提高数据包的传输速率和吞吐量，从而实现可靠的数据分发变得至关重要。提出了一种基于Erlang系数的条件概率模型（ECCPM），通过对条件概率系数（CPC）因子的操作来决定是否隔离自适应节点.这个条件概率系数作为声誉因子，用于估计自适应节点对网络弹性产生的负面影响水平在ns-2上进行了仿真，结果表明，ECCPM在分组投递率、吞吐量、控制开销和总开销方面都优于现有的自适应节点缓解机制RCSBMM、RFBMM、SHRCM和PCMA.©2015作者。制作和主办由爱思唯尔B.V.代表沙特国王大学。 这是CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍从最近的过去，提出了广泛的技术，使可靠的数据传输在多跳自组织*通讯作者。联系电话：+91 9486013072。电子邮件地址：rmanoharan@pec.edu（R.Manoharan），j.gmail.com（J. Sengathir）。沙特国王大学负责同行审查网络.由于移动自组织网络中的节点不具有集中式基础设施，因此它们依赖于中间节点作为路由器的声誉来在源和目的地之间转发数据包（Buttyan和Hubaux，2003; KhaledAhmed Bohod Omer，2009）。该信誉取决于由自组织环境 中 存 在 的 每 个 移 动 节 点 提 供 的 合 作 程 度（YaserKhamayseh 等人，2011 年），（Senthilsanaran 和Sankaranarayanan，2013年）。但是，在MANN中存在一类称为selfish节点的节点，它们不会转发来自邻居节点的pack-ets以节省其资源（Buchegger和Boudec，2002 a）。因此，自我http://dx.doi.org/10.1016/j.jksuci.2014.10.0081319-1578© 2015作者。制作和主办由爱思唯尔B.V.代表沙特国王大学。 这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier关键词安全节点;信誉度;可信度因子;条件概率系数;Erlang系数;网络弹性290R. Manoharan，J. 森加希尔降低了节点的协作水平，影响数据的可靠分发。基于声誉的方法在检测和隔离自组织节点方面发挥着重要作用。在信誉系统中，移动节点的可靠性是基于反映节点行为的信 誉值 来识别的（ Marti等 人， 2000 年 ;Gamal Abdel Fadeel Mohamed Khalaf 和 HeshamZariefBadr，2013年）。一般而言，基于声誉的方法分为一手声誉方法和二手声誉方法。其中，第一手信誉方法依赖于通过与移动节点的直接交互而获得的信息，而第二手信誉方法依赖于从邻居节点获得的信息。大多数提出的基于信誉的机制有助于减轻自私节点没有考虑条件概率。条件概率可以用于对事件进行建模，以基于移动节点的当前和过去行为来检测自适应性。因此，基于条件概率的信誉机制可以以有效的方式有效地减轻自私节点。建议ECCPM使用Erlang系数计算的基础上的条件概率，分析移动节点的信誉和整个网络的弹性与援助的条件概率系数因子。在这种方法中，我们考虑一个移动自组网环境中，每个节点都有一个唯一的身份，并监视他们的邻居识别selfishness。为了检测自适应节点，需要考虑以下两个因素：首先，基于当移动节点的能量水平达到最小剩余能量以下时的分组丢弃来评估每个节点的可靠性。其次，节点信誉对路由路径弹性本文旨在回答以下问题，这些问题与(a) selfish节点对网络弹性的影响。(b) Erlang分布在量化移动节点的报告中的作用。(c) 与现有文献相比，ECCPM在识别自鱼节点方面的有效性(d) ECCPM在帧最大和最小阈值范围内检测selfish节点的效率。论文的其余部分组织如下：第2节简要描述了一些基于声誉的方法，用于检测和隔离自组织节点。第3节详细介绍了基于Erlang系数的条件概率模型（ECCPM）及其对检测和隔离网络中存在的自组织节点的支持。在第4节中给出了一个详尽的仿真研究，用于评估ECCPM模型的性能。第五节是论文的2. 相关工作在最近的过去，提出了大量的基于信誉的自适应节点缓解机制，并在下面进行了彻底的分析和详细说明Marti等人（2000）提出了一种基于可疑评级和中性评级的胜任信誉框架，用于识别行为不端的节点。这些评级水平是根据看门狗和路径评级机制估计的。这种信誉框架背后的核心思想是将不合作的恶意节点与路由活动 隔 离 开 来 ， 而 不 是 惩 罚 它 们 。 Buchegger 和 Boudec（2002 b）提出了另一种基于贝叶斯定理的信誉机制，该机制估计了网络中每个节点对数据包有效路由的信誉水平。他们考虑了均匀分布和beta分布来建模事件，这有助于识别恶意节点。Wang和Li（2006）提出了一种合作执行机 制 ， 其 中 包 含 策 略 证 明 定 价 方 法 。 Paul 和 Westhoff（2002）提出了一种分布式机制来处理adhoc环境中节点的自适应行为。这种上下文感知机制识别可能导致不可否认响应的节点恶意行为。此外，Kargl等人（2004）在路由协议的帮助下提出了一个基于信任的证据框架，称为SDSR。SDSR基于协商的方法优化路由决策。 过度愈合的能力是这种方法的重要特征。他们提出了一种名为SAM的安全架构，用于以有效的方式减轻自我节点。Chen和Varatharajan（2009）提出了一个基于Dempster Shafer理论的自节点检测框架，用于使用后验概率估计移动节点提供的合作程度。他们还使用了一种数值程序，将多个证据组合成通过二手声誉机制收集的单一证据值。Yanwei Wu et al.（2010）提出了一种基于纳什均衡的有效路由方案，通过加强合作来最大化节点该检测机制分析链路层可靠性和传输层可靠性。这种检测机制进一步避免了可能导致不完善监控的隐藏动作和隐藏信息。Laoutaris等人（2007）贡献了一个缓存算法，处理缓存状态交互和常见的采用策略。这种缓存方法有助于通过内容网络应用程序将移动节点分类为理性，自我意识和自我意识节点。此外，Zhaardi和Molva（2002）提出了一个基于看门狗的协作方案来检测恶意节点。他们将用于检测自我节点的声誉级别分为三种类型，即，功能声誉、主观声誉和间接声誉。该机制基于从邻居获得的信息来隔离自适应节点。他们开发了一种机制，根据它们丢弃的数据包的阈值水平来隔离自适应节点。Rizvi和Elleithy（2009）提出了一种基于时间分割的方案，用于隔离节点的恶意行为。他们澄清了对节点的自私和不当行为产生歧义的误解。他们提出了加强资源共享的一致信任与合作机制。此外，他们还通过网络利用率和传输开销等关键网络参数分析了ad hoc网络的性能。Bo Wang et al.（2005）提出了一种基于局部检测策略检测和惩罚自私节点的信誉机制。该局部评估算法借助自统计检验将移动节点分为协作节点和自适应节点一种基于Erlang系数的条件概率数据分发模型291基于有限状态模型。Komali等人（2008）提出了一种自适应缓解机制，可有效处理能源消耗和网络连接。这种缓解机制集成了两种算法，最大改进算法和d在该机制中，移动节点根据为有效拓扑设计而开发的纳什特性进行的分析被识别为自适应节点。除此之外，Zouridaki等人（2009）提出了一种用于识别节点恶意行为的可靠性框架，该框架基于通过从邻居节点收集的第一手和第二手信息计算的声誉级别。他们使用意见度量作为识别恶意节点的唯一因素。他们对通过信任和置信限传递的数据包的可靠性进行了统计预测。基于看门狗的声誉框架是由Hernandel-Orallo等人贡献的。（2012年）。在这种情况下，基于两个参数识别自适应节点的存在，即，通过转移概率矩阵计算总开销和检测时间。他们还使用NO INFO和POSITIVE作为两个连续时间马尔可夫状态，用于对移动节点的可能行为进行分类。Ebenbenz等人（2008年）贡献了一个用于处理selfish节点的COMMIT协议，以防止利用网络效用。该协议将博弈论技术与VCG支付方案相结合，用于惩罚行为不端的节点。SintanyehuDehnie和Stefano Tomasin（2010）创新了一种协作MAC协议，该协议统一了更强大的测试和概率比测试。这种协作机制分析了可能由自组织或恶意节点的存在引起的衰落和干扰的影响。然而，Hongxun Liu等人（2007）提出了一种双定时器方案，通过将数据包分类为控制数据包和数据包来检测自适应节点。这些数据包的分类是通过丢弃计数器实现的，每当数据包进入或离开节点时，该计数器就会更新。当丢弃 计 数 器 超 过 阈 值 时 ， 移 动 节 点 被 识 别 为 恶 意 的 。Annapourna等人（2011））提出了一种能量有效算法，该算法集成了两个度量，即，传输功率和剩余能量容量到AODV协议中，这又增加了移动节点的寿命。这种基于能量的路由算法在最大剩余能量容量路由和最小传输路由之间进行选择，以实现高效路由。BinglaiNiu et al.（2011）提出了一种基于针锋相对策略的合作激励机制，用于惩罚节点的恶意行为。他们还贡献了一种新的基于间隔的评估方法，以解决存在行为不端节点的不完善监控问题。最后，下面讨论与ECCPM相比的四个基准自Fahad和Askwith，2006年）提出了一种基于分组保护的监测算法（PCMA），该算法利用从移动节点的邻居获得的双重信息来检测自适应节点。该机制主要针对检测一种特殊类型的自节点，其以部分方式故意丢弃分组。此外，该PCMA算法不依赖于从可疑节点获得的信息。该机制还假设拓扑中的所有移动节点在无冲突环境中移动。此外，它们还具有对数据包进行分类的能力，由于错误和拥塞而丢弃。Sengathir和Manoharan（2013 a）提出了一种基于可靠性因子的数学模型（RFBMM），用于基于使用二手声誉技术为每个节点计算的可靠性因子来隔离自适应节点。该机制首先基于分组递送速率通过初级和次级标准化缺陷因子来计算标准化缺陷因子。该机制还通过归一化的缺陷因子与其相关联的权重的乘积之和来操纵分组缺陷因子此外，该机制通过指数分布来估计移动节点的可靠性最后，当发现可靠性因子小于0.3时，该节点被确认为自适应，并且与网络隔离Sengathir和Manoharan（2014年）还贡献了一个基于分半可靠性系数的数学模型（SHRCM），用于减少基于分半可靠性系数的自适应节点，分两步计算，即，通过计算Karl-Pearson相关系数并通过Spearman-Brown公式进行评价。该机制最初确定进入或离开移动节点的分组的累积和，通过该累积和来操纵移动节点的传入和传出分组的偏差的平方和。然后，利用KarlPearson相关系数，通过偏差平方和来估计移动节点的信誉。此外，当发现相关系数的值小于零时，该机制确认节点为自适应节点。此外，该机制通过通过Spearman Brown公式估计的相关可靠性系数因子进行重新估值，将节点重新确认为自适应节点。最后，当相关可靠性系数值小于40%时，该节点被确认为自适应并与网络隔离。除此之外，Sengathir和Manoharan（2013b ） 提 出 了 一 种 基 于 可 靠 条 件 生 存 性 的 数 学 模 型（RCSBMM），该模型基于Laplace steltjes变换来操纵网络的生存性系数。该RCSBMM还确定两个参数，即，基于全变换定理，给出了自节点失效率和合作节点失效率的计算方法。该机制进一步确认，当移动节点的可靠条件生存性系数小于0.30时，该移动节点是自适应的。该机制还有助于为网络生存性设定阈值。2.1. 文献摘录文献中用于检测和隔离自适应节点的基于声誉的方法具有以下缺陷：(a) 使用Erlang分布的基于条件概率的信誉机制（其基于通过两个连续时间分布建模的事件来预测实体的行为，指数和伽马分布）用于减轻自适应节点行为的方法尚未被研究。(b) 考虑到单个节点的信誉和整个网络的弹性，有效地增强数据库的可靠传播的机制尚未被探索。292R. Manoharan，J. 森加希尔-¼¼K半小时]<$ji¼1iK(c) 因此，这些陷阱促使我们设计一个PPD¼NP功能;其中，16i6k= 1基于Erlang系数的创新信誉机制，用于减少自适应节点iNP鲁伊河针对全部“k”次计算的PPD的平均值用Eq表示。（二）3. Erlang系数条件概率模型（ECCPM）PKPPDK3.1. 问题陈述在ECCPM中，我们考虑一个ad hoc网络，其中每个移动节点都有一个唯一的身份。到归一化信誉因子（三）2APPDk-NL-NU达到检测和隔离自适应节点的目的必须考虑以下要点。 一是NRF¼NU -NL300必须量化每个移动节点的分组递送速率的概率以分析该节点的可靠性因子。其次，必须估计非合作因子，以确定由于网络中自节点数量增加而造成的影响。最后，必须测量网络弹性，以分析自私节点对网络可靠性的负面影响。该ECCPM是一种基于条件概率的缓解机制，用于检测和隔离selfish节点，其中事件采用Erlang分布建模。它基于一个称为条件概率系数（CPC）的因素将自适应节点与路由路径隔离。该系数计算参与路由活动的每个移动节点的信誉级别，并基于哪些自适应节点被隔离。它还量化了自我节点对整个网络弹性的影响。此外，ECCPM是一种用于检测和隔离自组织节点的分布式机制，其中在每个移动节点而不是任何集中式节点中计算信誉。这种在ECCPM中实现的分布式机制无疑会增加开销，而开销小得可以忽略不计，并且在第4节中进行了实验测试和详细说明。ECCPM方法通过以下四个步骤隔离自适应节点。a. 基于相似性因子（GF）的自适应节点检测b. 非协同因子（k）的估计c. 基于Erlang分布的CPC确定。d. 基于CPC的自适应节点隔离决策3.2. 基于邻接因子的自私节点检测ECCPM纯粹基于自适应因子（GF）的值来检测路由路径中存在的自适应节点。通过每个移动节点的邻居为每个移动节点计算相似性因子（GF），如下所述。设NP r（1），NP r（2），NP r（3）. . NPr（k）和NPf（1），NPf（2），NPf（3）... NPf（k）是由移动节点分别在k个会话中被它们的邻居监视。会话中移动节点的分组递送概率（PPD）由等式（1）给出（一）其中，NU -归一化上限值（+1），NL -归一化下限值（-1）。由移动节点的邻居识别的移动节点的真实性因子（G F）由等式（1）给出。（四）GF¼ e-NRF400这里，归一化的上限和下限值被认为是+1和1。这是因为，我们要求NRF在数据包传输方面考虑节点的可靠性。因此，获得的NRF值可以是正的或负的。ECCPM方法基于GF的值来决定移动节点是自适应的还是协作的。当发现移动节点的GF 值低于0.50时（AmirKhusru Akhtar和Sahoo，2008年），该节点被识别为自适应节点。下面的算法1说明了估计路由路径中存在的每个移动节点中的一致性因子（GF）的步骤。基于为移动节点获得的GF值，特定节点的行为被分类为自我或合作。算法 一曰： 估计 的 真实性 因子 （GF）。符号：n-路由路径中移动节点的总数。表示计算GF的节点，其中16j6nPf-由移动节点转发到其邻居Pr-移动节点从其邻居接收的分组数。k- 会话数。NU-上限归一化值（+1）NL-下限归一化值（-1）算法（GF的估计）1. 开始2. 对于每个移动节点j1到n，3. 对于每一个会话l1tokdo4. 通过以下方式计算节点的数据包传递概率：VPPDIVj½NPfl];[Vj½NP rl]5. 所有k个会话的分组递送速率的总和通过以下方式完成：6. 端7. 利用A/2j]/4s/2l]计算节点在k个会话中的分组投递率的平均值;¼AppDð2Þ一种基于Erlang系数的条件概率数据分发模型293¼FCFiNU-NL¼8. 计算的归一化声誉因子利用V½NRF]1/2A½j]-NU-NL;9. 使用Vj½GF]<$^e-Vj½NRF]计算均匀性因子;10. 如果移动节点的真实因子Vj∈F∈0： 5，则<11. Vj是一个selish node。12. 其他13. Vj是一个协作节点14. End If11. 端12. 端图 1说明了一个ad hoc环境中，路由- ING路径被认为是S？ 六个？ 一号？ 四个？ 三个？ 五个？D，其中S和D分别被指定为源节点和目的地节点。我们的ECCPM方法估计的信誉水平的移动节点存在于路由路径通过GF的值。在该场景中，发现节点1和4的GF因此，这些节点被识别为自我。3.3. 非协同因子（k）的估计非协作因子（k）取决于在源和目的地之间建立的路由路径中存在的协作节点和自节点的数量。在网络生命周期x内，如果路由路径中的一组节点被认为是自私的，具有一致性因子GF，则同时，其余节点被认为是合作的，具有一致性因子（1-GF），由等式表示（5）和（6）以下算法2说明了基于环境中存在的自适应和协作节点的总数来估计整个路由路径的非协作因子（k算法2：非协同性（k）的估计。符号：n-路由路径中的移动节点的总数。VjGF-遗传因子r-一个随机变量，用于区分自私和合作。c-协作节点s-selfish节点算法（k的估计）1. 开始2. 对于每个移动节点j= 1到n，3. 如果VjGF0： 5，则<4. 为被识别为selfish的usingVjr 15. 其他6. 将该节点的随机变量（r）设置为Vjr07. End If8. 端9. 对于每个移动节点j= 1到n，10. 如果是，则11. 使用s1/4s1/1计算自适应节点的数量;cxr<$01-GFð5Þ12. End If13. 利用c^n-s统计协作节点数;sxr1GF6其中网络中协作节点和自适应节点的数量分别指定为c和s。非协作性因子被定义为网络中每个移动节点呈现的非协作程度。这个非合作因素确定的数据包传输速率与特定的一致性因素是通过计算公式。（7）和（8）给出的简化表达式14. 计算移动节点对网络弹性的非协作性因子（k），kn-;C1. 端2. 端图2（a）示出了一个ad hoc环境，其中的路由路径被认为是S？ 六个？ 一号？ 四个？ 三个？ 五个？D，nk<$cω1 -GFkn- εcωGεCn-cωG<$7<$ð8Þ其中S和D分别被指定为源节点和目的地节点。这里，节点1基于值GF被识别为自适应。因此，发现路由路径中的自节点的数量为1，剩余的节点被计为合作节点（c）。我们的ECCPM方法估计其中因为，非协作因子取决于网络中存在的所有移动节点。图1使用GF整个路由路径的非合作因子使用等式（八）、 在这种情况下，非协同性的值估计为k= 0.71。图2（b）示出了自组织环境，其中路由路径被认为是S？六个？一号？四个？三个？五个？D，其中S和D分别被指定为源节点和目的地在这里，节点1、4和3基于值GF被识别为自性。因此，路由路径中的自节点的总数被发现为3，其余节点被识别为合作节点（c）。现在，我们的ECCPM方法使用等式来估计整个路由路径的非（八）、在这种情况下，非协同性的值估计为k=1.35。294R. Manoharan，J. 森加希尔SRpFRpFFF图2使用ECCPM 估计非协同因子。3.4. 基于Erlang分布ECCPM方法基于存在于路由路径中的协作节点的失效率和自适应节点在生命期x内的失效率来计算CPC。因此，具有相似性因子（1-GF）的协作节点的失败率由等式（1）给出。（九）fck e-kt9相比之下，具有真实性GF因子的自适应节点的故障率是Erlang分布的，其由等式表示。（十）f¼k2te-kt10由于Erlang分布是一种特殊的位相型分布，它高度依赖于两个独立指数随机变量之和。此分布可用于估计整个路由路径的故障率。与此同时，自适应节点的故障率的计算变得至关重要，因为它进一步降低了参与路由活动的移动节点的信誉水平，此外，该移动节点的故障可能会影响网络的弹性因此，整个路由路径的故障率可以通过使用以下等式来计算：（十一）F 1/4kilo1-Ge-ktk2G te-kt11因为，整个网络的故障率取决于合作节点的故障率或自适应节点的故障率。因此，条件概率系数（CPC），计算的基础上，frp确定的影响，自节点对整个网络的弹性是由方程。（十二）中国共产党第十一届全国委员会第一次会议以下算法3示出了用于基于CPC估计整个网络的故障率的步骤，CPC通过考虑网络中存在的自节点和协作节点的故障率来计算。算法3：基于Erlang分布确定CPC。符号：n-网络中移动节点的总数。k-t-时间瞬间。r-一个随机变量，代表合作水平fs-selfish节点fc- 协作节点的故障率fN-全网算法（CPC计算）1. 开始2. 对于整个网络，3. 使用Erlang分布计算selfish节点的故障率，基于，fs1/4k2te-kt;4. 计算协作节点的故障率（c），fs<$k2te-kt;6. 用f=k（1-G）e-kt+k2Gte-kt计算整个网络的故障率;5. 使用frp;使用Erlang分布通过CPC计算CPC值;6. 端7. 端图 3（a）说明了计算CPC在一个ad hoc environment，其中路由路径表示为S？ 六个？一号？ 四个？ 三个？ 五个？D，其中S和D分别被指定为源节点和目的地节点。这里，节点1基于值GF被识别为自适应。我们的ECCPM方法估计了路由路径中存在的自节点对网络的弹性通过k，f c 和f s作为CPC= 0.37。图 3（b）示出了计算CPC在一个ad hoc environment，其中的路由路径表示为S？ 六个？一号？ 四个？ 三个？ 五个？D，其中S和D分别被指定为源节点和目的地节点。在这里，节点1、4和3基于值GF被识别为自性。我们的ECCPM方法通过k，fc和fs估计了路由路径中存在的自适应节点对网络弹性的影响，CPC= 1.31。3.5. 基于CPCECCPM方法基于计算的CPC值隔离自适应节点。这个CPC值量化了自适应节点对网络弹性的影响。如果CPC值小于弹性阈值，则识别的自节点与路由路径隔离，以实现可靠的数据分发。算法4示出了关于基于CPC从路由路径隔离所识别的自节点的步骤。一种基于Erlang系数的条件概率数据分发模型295图3使用ECCPM估计CPC。算法4：基于CPC的孤立节点的决策。符号CPC算法（隔离选择节点）1. 开始2. 对于网络3. 如果（CPC >RTh），则4. 使用selfish_ Isolate（）5. 其他6. 正常的路由活动。7. 端8. 端图4说明了ECCPM方法如何基于CPC的值隔离路由路径中存在的自节点。ECCPM方法通过k、 fc和 fs值计算CPC值。由于CPC的值小于网络的阈值可靠性，因此在这种情况下，所识别的自节点1、4和3与路由路径隔离，以实现可靠的数据分发。通过仿真研究，得到了回弹阈值为0.60。3.6. 算法的正确性在本节中，我们基于隔离自鱼节点的要求证明了ECCPM的正确性。提案1. 我们的算法证明，在ad hoc环境中的任何移动节点将是自私的或合作。可以确定，在自组织环境中实现算法1，基于诸如从邻居获得的如果节点的概率较小，图4基于CPC传递由其接收的分组，则发现该节点的平均分组传递速率最小，这又降低了节点的归一化信誉因子。当归一化因子的值较小时，它可能会导致自适应因子的最小值，基于该最小值来识别自适应节点。因此，很明显，ad hoc环境中的每个移动节点都可能表现出自我或合作行为，这可以通过二手信誉来识别。2号提案我们的算法证明了自私节点在ad hoc环境中的存在对网络的弹性产生了负面影响。可以看出，算法2在自组织环境中的实现，计算了自组织节点和协作节点的数量，并基于此计算了非协作因子。算法3的实现通过Erlang分布基于非合作因子计算条件概率系数（CPC）。该CPC值随着网络中自节点数量的增加而单调增加。算法4在CPC值达到弹性阈值以上时隔离自适应节点，在该点上，数据的可靠传播受到高度影响。因此，很明显，selfish节点的存在可能会对网络的弹性产生负面影响。4. 模拟实验与分析在这一部分中，通过仿真研究了所提出的ECCPM的性能和特点。为了比较ECCPM与现有算法的性能，RCSBMM、RFBMM、SHRCM和PCMA，它们每一个都用ECCPM的相同特征和网络相关参数来刺激。源和目的地之间数据的可靠传播高度依赖于中间节点之间建立的合作（Eddy Cizeron和SalimaHamma，2009年），（Li等人，中间移动节点的自适应行为可能会降低分组递送速率，增加分组丢弃率，并且还可能进一步增加网络的重传次数（Vaishampayan和Garcia-Luna-Aceves，2004），（Viswanath等人，2006年），（Ruiz和Gomez-Skarmeta，2004年）。因此，ECCPM的性能基于以下性能度量进行分析。数据包交付率（PDR）：它被定义为目的地接收的数据包总数与目的地接收的数据包总数的比率。目的地为接收器的数据包的数量296R. Manoharan，J. 森加希尔吞吐量：它可以被定义为在一个时刻内在目的地节点处递送的数据分组的最大数量。总开销：它可以定义为在源节点和目的节点之间建立端到端通信所需的数据包数量与实际数量的比率。目的节点接收到的数据包控制开销：它可以被定义为在源节点和目的节点之间4.1. 模拟配置为了模拟算法，在表1中确定并列出了合适的模拟参数。4.2. 结果和讨论仿 真 结 果 表 明 ， 与 RCSBMM 、 RFBMM 、 SHRCM 和PCMA相比，当检测的灵敏度因子设置为0.30（鞍点）时，识别出的自适应节点数最多。图5描绘了通过改变ECCPM、RCSBMM、RFBMM、SHRCM和PCMA等五种缓解机制的检测值（敏感性因子）来识别自组织节点数量的比较分析。很明显，当检测范围在0.25和0.25之间时，ECCPM识别出最大数量的自适应节点。0.35.因此，0.25和0.35分别被认为是自适应节点检测的最大和最小阈值点。4.2.1. 基于鞍点集检测的ECCPM性能分析在我们的模拟实验中，移动节点的数量从20到100不等，用于检测selfish节点的鞍点集设置为0.30。在每个场景中，ECCPM都是通过将7%的移动节点视为自适应节点来分析的 。 在 图 图 6 （ a ） - （ d ） 示 出 了 EC C P M 、RC S B M M 、 RF B M M 、 S H R C M 和 P C M A 的 分 组 递送 率 、 吞吐 量 、 总 开销 和 控 制开 销 。图6（a）示出了对于数据传输中涉及的不同数量的移动节点的分组递送率。PDR随着数据传输中移动节点数目的增加而PDR的下降是由于表1模拟参数。参数NS版本节点数使用的协议MAC层地形区域移动性模型模拟时间交通模型数据包大小天线类型传播类型信道容量刷新间隔时间值2.26100AODV802.11随机航路点100 SCBR（40包/秒）512字节天线/全向天线双向接地2 Mpbs10 s1000× 1000带宽的可用性不足，因为在adhoc环境中，当发送节点的数量增加时，会产生大量的数据然而，在鞍点为0.30处，ECCPM表现出比RCSBMM、RFBMM、SHRCM和PCMA更高的分组投递率。此外，ECCPM显示PDR比RCSBMM改善9-15%，比RFBMM从11%改善至17.2%，比SHRCM从14%改善至26%，比PCMA从18.2%改善至28%。此外，ECCPM的平均表现出23.5%的数据包投递率的显着改善。图6（b）示出了参与数据传输的给定数量的移动节点的吞吐量。网络的吞吐量随发送节点数的增加而减小。因为，每秒丢弃的分组的累积数量随着发送节点的数量的增加而增加。但是，与RCSBMM 、RFBMM 、SHRCM 和PCMA相比，ECCPM仍然增加了网络的吞吐量。很明显，ECCPM显示，吞吐量比RCSBMM增加8%至13%，比RFBMM增加15%至19%，比SHRCM增加19%至23%，比PCMA增加21%至27%。同样清楚的是，ECCPM平均增加了21%的网络吞吐量。图图6（c）和（d）表示基于自组织环境中移动节点的变化数量的总开销和控制开销的曲线。移动节点数量的增加增加了计算和传输的数量但ECCPM比RCSBMM减少17%~ 21%，比RFBMM减少20%~ 25%，比SHRCM减少23%~ 29%，比PCMA减少24%~ 32%。与此同时，ECCPM比RCSBMM、RFBMM、SHRCM和PCMA分别减少了13%~ 16%、17%~ 21%、22%~ 27%和23%~ 29%除此之外，结果还证实，ECCPM平均将总开销和控制开销分别降低了26.4%和23.6%。4.2.2. 基于自私在模拟实验2中，通过将移动节点的数量从20改变到100来研究ECCPM的性能，其中最小阈值检测点为0.35.图 图 7 （ a ） - （ d ） 展 示 了 E C C P M 、R C S B M M 、 R F B M M 、 S H R C M 和 P C M A 的 分组 递 送 率 、 吞 吐 量 、 总 开 销 和 控 制 开 销 的 曲 线图 。在 数 据 包 传 输 率 方 面 ， ECCPM 优 于 RCSBMM 、RFBMM、SHRCM和PCMA，即使检测点设置为0.35，大于检测鞍点（0.30）。在每个场景中，ECCPM都是通过将7%的移动节点视为自适应节点来分析的。由于ECCPM隔离了自适应节点，在0.35时的检出率为16%，较0.30时的检出率为低。图7（a）显示ECCPM比RCSBMM提高PDR从 7% 至 13% ， 比 RFBMM 提 高 PDR 从 9% 至 14.2% ， 比SHRCM 提 高 PDR 从 18% 至 26% ， 比 PCMA 提 高 PDR 从24.2%至33.8%。此外，平均而言，ECCPM在数据包交付率方面显着提高了22.2%。同样，ECCPM比RCSBMM、RFBMM、SHRCM和PCMA显著提高了吞吐量，一种基于Erlang系数的条件概率数据分发模型297图5自检测鞍点识别对比图最小阈值点为0.35，因为ECCPM在0.35处隔离了相当数量的自适应节点。然而，通过ECCPM在检测的最小阈值点处实现的吞吐量相对小于在检测的鞍点处展现的吞吐量。从图7（b）中可以明显看出，ECCPM比RCSBMM将吞吐量从 6% 增加 到9% ， 比RFBMM 从 13% 增加 到17% ， 比SHRCM从16%增加到21%，比PCMA从18%增加到24%。此外，还明显地，ECCPM以17%的平均速率增加网络的此外，当与最小检测阈值点处的RCSBMM、RFBMM、SHRCM和PCMA相比时，ECCPM显著降低了控制开销和总开销。但是，0.35与鞍点的间接费用减少百分比相比，此外，从图7（c）可以清楚地看出，ECCPM显示出总开销比RCSBMM从 15% 降 低 到 19% ， 比 RFBMM 从 17% 降 低 到 23% ， 比SHRCM从19%降低到26%，比PCMA从21%降低到29%同样，从图。 7（d），同样明显的是，ECCPM比RCSBMM将控制开销从11%降低到15%，比RFBMM从13%降低到17%，比SHRCM从16%降低到20%，并且比PCMA从23%降低到28%。综合来看，ECCPM平均降低了24.4%的总开销和20.6%的控制开销。4.2.3. 基于自私在仿真实验3中，通过改变移动节点的数量，在最大阈值检测点为0.25的情况下，ECCPM的性能优于RCSBMM，RFBMM，SHRCM和PCMA。在每种情况下，通过将7%的移动节点视为自适应节点来分析ECCPM。在这一点上，ECCPM表现出改善的性能，在数据包的交付率和吞吐量。然而，结果表明，ECCPM在该检测点处引入的改进显著性略高于在自检测的最小点处显示的性能，同时，它没有表现出性能的最佳改进，因为其行为在0.30中。从图8（a），很明显，ECCPM增加了PDR比RCSBMM从9%增加到14.2%，比RFBMM从10%增加到16.2%，比SHRCM从19%增加到28%，比PCMA从24.4%增加到25%。同样，从图8（b）可以清楚地看出，ECCPM比RCSBMM将吞吐量从7%增加到11%，比RFBMM从15%增加到19%，比SHRCM从18%增加到23%，比PCMA从18%增加到24%。此外，据观察，ECCPM平均提高PDR和吞吐量分别为24.4%和18.2%。此外，结果表明，ECCPM显着提高了网络性能，通过减少总开销和控制开销在最大阈值点的检测。由于重传次数在这一点上减少，因此ECCPM的性能略高于检测的最小阈值点。图8（c）描绘了ECCPM将总开销比RCSBMM从17% 降 低 到 22% ， 比 RFBMM 从 19% 降 低 到 26% ， 比SHRCM从19%降低到26%，并且比PCMA从24%降低到32%。图8（d）示出了ECCPM将控制开销比RCSBMM从13% 降 低 到 19% ， 比 RFBMM 从 15% 降 低 到 19% ， 比SHRCM从19%降低到23%，并且比PCMA从26%降低到31.2%。因此，很明显，ECCPM是一种有效的算法，在减少总开销的平均率分别为26.2%和22.4%。此外，ECCPM的性能进行了研究，通过改变selfish节点的数量 结果见图。图9（a）和9（b）进一步证实，当自组织节点的数量以5为增量按比例从5增加到25时，分组递送率和吞吐量降低，因为自组织环境中自组织节点数量的增加增加了移动节点丢弃的分组量。最后，通过改变自节点检测的阈值点（特别是阈值点为0.40和0.50），进一步分析了所提出的ECCPM方法。在检测点为0.40时，ECCPM使分组投递率和吞吐量分别平均提高了16%和14%，同时使总开销和控制开销分别降低了18%和19.6%。然而，在检测点0.50处，ECCPM仅显示 在PDR35302520151050RCSBMMRFBMMSHRCM0.05 0.1 0.15 0.2 0.25 0.3 0.350.4PCMA检测范围设置selfish nodes的298R. Manoharan，J. 森加希尔图6 ECCPM方法与RCSBMM、RFBMM、SHRCM和PCMA的比较，基于（a）分组传递率，(b)（c）管理费用总额;（d）控制管理费用。一种基于Erlang系数的条件概率数据分发模型299图7 ECCPM方法与RCSBMM、RFBMM、SHRCM和PCMA的比较（基于（a）分组交付率，(b)（c）管理费用总额;（d）控制管理费用。300R. Manoharan，J. 森加希尔图8 ECCPM