基于Laplace Steltjes变换的条件生存系数模型在移动自组网中的应用

埃及信息学杂志（2014年）15，149开罗大学埃及信息学杂志www.elsevier.com/locate/eijwww.sciencedirect.com原创文章基于Laplace Steltjes变换的条件生存系数模型在移动自组网中的应用J. Sengathir*，R. Manoharan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8月19日;接受日期：2014年2014年9月26日在线发布摘要在移动自组网中，协作被认为是实现移动节点间可靠数据分发的重要实体。但是，自适应节点的存在削弱了合作的程度，从而降低了网络的性能。因此，为了做出最优路由决策，网络中每个节点的信誉级别的计算变得至关重要。在本文中，我们提出了一个基于LaplaceSteltjes变换的条件生存性系数模型（LCSCM），它通过一个称为条件生存性系数（CSC）的参数来操纵网络的生存性。这个条件生存性系数有助于确定移动节点的信誉级别，并量化整个网络的生存性。这种有条件的概率方法的性能进行了分析，使用ns-2的基础上，网络相关的参数，如数据包传输率，吞吐量，总开销，控制开销，通过改变网络中的移动节点的数量。通过这些广泛的仿真得到的结果表明，该方法优于PCMA模型，成功检测率为24%。该LCSCM还有助于将0.25作为自适应节点检测的鞍点。©2014制作和主办由Elsevier B.V.代表计算机与信息学院开罗大学。1. 介绍*通讯作者。联系电话：+91 9940808674。电子邮件地址：j. gmail.com（J. Sengathir），rabhar-an@pec.edu（R.Manoharan）。开罗大学计算机和信息系负责同行审查。在像ad hoc网络这样的多跳网络中，移动节点之间的有效数据分发需要最大程度的协作[1]。由于移动自组网中的移动节点在本质上是动态的，并且可以急剧改变其行为，因此节点之间的协作的维护是至关重要的[2]。在文献中，用于减轻误操作节点的各种机制是基于这些节点利用网络资源而不考虑其自身利润的概念而制定的[3]。但，自我节点使1110-8665© 2014由Elsevier B. V.代表开罗大学计算机与信息学院制作和主办。http://dx.doi.org/10.1016/j.eij.2014.08.003制作和主办：Elsevier关键词选择性节点;指数分布;Laplace Steltjes变换;生存系数;合作150J. Sengathir，R.Manoharan最好的网络资源为自己的收益[4]。这些节点对网络资源的这种利用可能导致整个网络的性能下降[5]。因此，需要制定一种数学模型，该模型周期性地计算每个节点的信誉等级，该信誉等级有助于识别网络中这些节点在本文中，我们提供了一个基于Laplace Steltjes变换的条件生存系数模型，用于识别和隔离自适应节点。该条件概率模型通过条件生存系数（CSC）来估计每个移动节点的信誉水平。该系数基于从邻居节点获得的第二手信息计算。该数学模型还基于两个独立的指数分布参数测量网络中存在的各个节点的生存性，计算协作节点失效率的参数和计算自适应节点失效率的参数。 AODV协议用于研究所提出的数学模型。本文件的其余部分组织如下。第二节总结了基于概率计算的信誉因子检测自组织节点的相关工作。第3节描述了基于Laplace Steltjes变换的条件生存系数模型，用于隔离自适应节点。第4节介绍了在特设环境中部署所提出的数学模型中使用的算法。第5节详细说明了所提出的模型。第6节和第7节分别列举了研究和实验分析的评价参数设置第7.3节描述了所提出的模型的主要贡献，第8节总结了本文。2. 相关工作在过去的十年中，许多基于概率的数学模型已经被用于检测和miti- gating selfish节点。其中一些办法列举如下：一种基于Buchegger和Boudec[6]提出的贝叶斯定理的有效方法，用于测量ad hoc场景中每个节点所拥有的声誉程度。贝塔分布，一个自适应版本的贝努里分布被用来计算信誉评级的移动节点。网络中的节点根据使用信誉评级计算的称为阈值容忍度的因素被分类为合作或自我节点。他们还考虑了先验概率集为（1，1）和均匀分布为（0，1）的事件建模。作者还解决了各种可行的漏洞，可能会出现在移动节点之间的可靠数据传播。Kargl等人[7]提出的另一种基于信任的证据模型引入了一种称为SDSR的路由协议，该协议基于网络中移动节点之间执行的协商来做出每个路由决策。这种方法还具有超听的能力。作者还介绍了一种名为SAM的安全架构，用于检测selfish节点。此外，Zouridaki等人[8]提出了一种新的框架，用于检查移动设备在特定场景中的节点。信誉级别是基于从邻居节点获得的第一手和第二手信息计算的。作者使用了一个称为意见度量的因素来检测恶意节点。他们还使用置信度和信任限制对数据包的可靠传输进行统计预测。Rizvi和Elleithy[9]提出了一种基于时分技术的数学模型来减少节点的恶意行为此外，Marti等人。[10]贡献了一个基于看门狗和路径评级器的声誉框架。作者使用中性路由和可疑路由作为两个评级级别来识别行为不端的节点。它们的机制主要是隔离那 些 不 合 作 的 恶 意 节 点 ， 而 不 是 惩 罚 它 们 。 Chen 和Varatharajan[11]提出了一种基于Demp- ster-Shafer理论的自适应节点检测机制。基于后验概率计算节点的合作水平。他们还通过基于后验概率的数值程序结合了多个证据。还有一种协作机制称为CORE（CORE），是由Mrsardi和Molva[12]提出的，它利用看门狗机制作为推理组件。他们还纳入了三个声誉类别，即，主观声誉、间接声誉和功能 声 誉 ， 根 据 行 为 偏 差 识 别 自 我 。 此 外 ， Hernandez-Orallo等人[13]还介绍了一种基于看门狗机制的基于信誉的信任框架。作者通过转移概率矩阵计算了由于自适应节点的存在而可能产生的检测时间和总开销。他们还使用了两种状态，即NOINFO和POSITIVE，基于连续时间马尔可夫模型。最后，Fahad和Askwith[14]提出的数据包保护监控算法（PCMA）被认为是所提出的LCSCM方法的基准系统，原因如下。(a) 它是第一个监控算法，用于检测部分基于声誉级别丢弃数据包的自(b) 该机制仅依赖于与可疑节点有直接交互的邻居。(c) 该机制将可疑节点视为不可信任节点，完全避免了从可疑节点获取任何信任信息。(d) 当一个移动节点转发给邻居的数据包数等于该节点从邻居2.1. 文献摘录文献中存在的用于减轻自适应节点的概率机制具有以下缺陷。他们是(a) 据我们所知，尚未探索(b) 还没有探索在存在自节点的情况下考虑单个节点以及整个网络基于Laplace Steltjes变换的条件生存系数模型在移动自组网中的应用151KR2000万美元11/1rfi¼1ri¼1FK1/1K1/1Rkal-kal-l因此，我们提出了一个概率数学模型来隔离自鱼节点，从而提高网络3. 基于Laplace Steltjes变换的条件生存系数模型在本节中，我们提出了一个基于Laplace Steltjes变换的条件生存系数模型。该模型使用了一个称为条件生存系数（CSC）的参数，用于估计网络中节点的声誉水平。这种概率机制还有助于确定自适应节点对网络生存性设假设Pr在网络生命周期整个网络的生存性取决于正常节点的生命周期和自适应节点的生命周期。由于这两个参数相互独立，并且呈指数分布，因此网络中每个节点的声誉可以通过Laplace Steltjes变换来操纵[16]。因此，网络“x”的寿命有条件地依赖于参数为k +1的指数分布。现在，我们定义' r '的概率质量函数假设正常节点的生存概率k，自适应节点的生存概率为L.布里尔因此，节点在正常模式下表现的生存性期望P= 0kujiangpujiang因此，合作节点在通过Laplace Steltjes变换计算的网络寿命“x”内的生存性（7）使用Eq.（六）、Lxr0k le-klt7kPkP iω Pi-PkPiPk PðiÞPCR RRRRRRffiffiffiPffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiΣffiffiffi2ffiffiffiffiffiffiffiffi.ffiffiffiPffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiΣffiffiffi2ffi 你好。ffiffi ffiPffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi ffi ffiffiffiffi ffiΣffiffi ffi2ffiffiffiffiffiffiffi ffi.ffiffiffiPffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiΣffiffiffi2ffið1Þ其中让我们假设如果一个节点的表现出自私行为的概率同时，节点以概率'Pc'协作节点在网络生命周期内处于自我行为的生存性期望由（8）给出。P1l1-Pc8同样，自鱼节点在通过拉普拉斯Steltjes计算的网络生命周期' x '内的生存能力（9）使用Eq. （八）、（2）和（3）。Pr0 Pc2kt-klt长x2英寸1英寸1英寸1英寸2英寸1英寸e-e-9英寸因为，整个网络的生存能力取决于第1页第1页-第3页其中，随机变量r= 0，如果节点是协作的。r = 1，如果一个节点是自适应的。让我们考虑一个有n个节点的ad hoc网络然后，整个网络的生存率由（4）给出Kk<$nPc4并且网络的故障率由（5）给出ln-k1-P5合作节点和自适应节点的生存性，在任何时间' t '的整个网络的条件生存性系数（CSC）fxtke-klt1-PckPce-kt 10自组织环境中自组织节点的存在呈指数级增加，CSC ' fx（t）'的值当CSC的值趋近于零时，网络必须进行修复.这种基于Laplace Steltjes变换的条件生存系数模型还有助于构建用于检测自适应节点的最佳范围4. 基于条件的Laplace Steltjes变换算法nc生存系数模型在约束条件下，(a) ‘和(b) ‘(制定拉普拉斯Steltjes为基础的条件可靠性系数模型是使用四种算法，即，算法1（协作概率Pc的估计），KK1/1 Pr-K1/1 PrωKPf-Pf152J. Sengathir，R.Manoharan1. 开始2. 对于每个移动节点i=1到n，3. 每个Ni的邻居节点计算协作系数Pc使用Pc¼qPkPiωK2PKR f.P1/1ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiqffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi波伊-PK- 是的2Kð ðP ði ÞÞÞ-ð1/1R1/1 PP PK K联系我们RFωkR 我的世界Pffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi- 是的P2KΣ21/1 波伊F ÞÞ-ðP ði1/1F ÞÞ4. 如果移动节点的协作系数（Ni（Pc）0.5）<然后5. Ni是一个自适应节点6. 其他7. Ni是协作节点8. End If9. 端10. 端1. 开始2. 对于整个网络，3. 利用Laplace算法使用S_c_k_l_e-S_k_l_t的Steltjes变换4. 通过Laplace计算selfish节点的生存性5. 使用Sc和Ss，计算条件生存性基于全概率定理的系数6. 端7. 端SteltjesTransformsusingSsklke-kte-klt算 法 2 （ 估 计 生 存 率 k 和 故 障 率l ） 、 算 法 3 （ 基 于LaplaceSteltjes变换估计CSC）和算法4（自适应节点的基于CSC）。算法1阐述了估计合作概率Pc所涉及的步骤。自组织环境中存在的节点的自组织行为是基于以下内容来识别的：合作概率P。 当P的值c- 合 作 节 点 。s算法（k和l的估计）C c50.当一个人的行为被定义为一种行为时，他的行为就被定义为一种行为。算法1. 合作概率P c的估计符号：nNiPfPr邻居k -会话数。算法（Pc的估计）算法2给出了生存率（k）和失效率（l）的估计. 该算法将网络中存在的自节点总数和合作节点总数分别确定为c和s该sur-整个网络（k）的生存性和网络（l）的故障率借助于“Pc，c，s和n”来操纵。从计算的k和l的值，节点的生存性期望是在合作行为和生存，确定节点处于自适应行为的能力期望。算法2.生存率k和失效率l的估计。符号：nNiPCr算法3说明了基于Laplace Steltjes变换使用全概率定理估计CSC的步骤。首先，合作节点和自适应节点的生存性分别计算为Sc和Ss。 整个网络的条件生存性系数（CSC）借助于Sc、Ss、Pr（0）和Pr（1）值来操纵。算法3.基于Laplace Steltjes变换的CSC估计。符号：ntrklSCSsCSC -条件生存系数。算法（CSC的计算）算法4说明了基于CSC隔离自适应节点的1. 开始2. 对于每个移动节点j= 1到n，3. 如果Ni（Pc）0.5，则<4. 为被识别为自适应的节点设置随机变量（r），Ni（r）= 15. 使用s=s+16. 其他7. 将该节点的随机变量（r）设置为Ni（r）= 08. 使用c=n-s计算协作节点的数量9. End If10. 端11. 计算整个网络的生存率，使用Ckn12. 计算网络的故障率，使用nP Cll ll- -n1-P-1C13.计算一个节点的生存期望值，行为使用PR 0Þ¼kingoPc卡茨L14. 计算一个节点在selfish中的生存期望行为使用PR 1Þ¼1-Pc-1-PK15. 端布里尔基于Laplace Steltjes变换的条件生存系数模型在移动自组网中的应用1531.开始2.对于网络3.如果（CSC>RTh），则4.使用Sel fish_rehabilate（）隔离selfish节点5.其他6.正常的路由活动。7.端8.端-算法4.基于CSC的自适应节点隔离。符号CSCR Th-康复阈值。算法（隔离selfish节点）当整个网络的CSC值接近零时，使用Selfish_rehabilate（）来减轻自适应节点。根据本文中进行的模拟，恢复的阈值被确定为0.01，因为网络评估参数在这一点上显著降低4.1.算法的正确性提出的基于Laplace Steltjes变换的条件生存系数模型通过计算条件生存系数（CSC）来隔离自适应节点，CSC基于三个因素，即，协同系数（ Pc ）、生存率（k）和失效率（l）。此外，这些因素直接通过num计算由节点从其邻居接收的分组的BER和由该节点转发到其邻居的分组的数目。由于这种检测策略仅依赖于移动节点的分组传输速率，因此它不具有用于检测自适应节点的任何假阴性和假阳性概率。5. 拟议模式的说明考虑一个包含自组织和合作节点的自组织环境。节点基于协作概率' P c '进行分类如果'Pc'的值在这种情况下，由他们的邻居监视的每个节点的声誉说明了两种可能的情况下的援助假设1.当自组织环境中的自组织节点的数量最小时。考虑如图1所示的网络的AODV中的节点组。 该拓扑包含7个协作节点（k=7）和三个自适应节点（m=n-k=3）。这里，对于具有（4）和（5）的整个网络，生存率很好在分别通过（7）和（9）计算的合作节点和自组织节点的生存性的帮助下，使用（10）计算整个网络的CSC值为0.029由于场景1中的CSC值大于恢复阈值，因此推断出自适应性对网络生存性的影响最小。假设2.当自组织环境中的自组织节点的数量最大时。考虑如图2所示的网络的AODV中的节点组。该拓扑结构包含3个协作节点（k=3）和3个自适应节点（m=n-k=7）。这里整个网络的生存率与（4）和（5）的功分别计算为0.18和0.28。整个网络的CSC值计算如下：0.009使用（10），借助于分别通过（7）和（9）计算的合作节点和自节点的生存性。由于场景2中的CSC值小于恢复阈值，因此推断出自适应性对网络生存性的影响最大。6. 仿真设置通过ns2.26对LCSCM进行了广泛的仿真。在该仿真环境中，100个移动节点被部署在1000 · 1000的地形尺寸中。每次仿真运行的刷新间隔时间和信道容量分别设置为10 s和2Mbps。下表1描述了我们研究的模拟参数设置6.1. 评价参数自节点的存在降低了网络的生存性因此，基于下面列举的以下性能度量来分析公式化的LCSCM。6.1.1. 分组投递率它可以被定义为节点接收的数据包总数与实际为其发送的数据包总数的比率。6.1.2. 吞吐量在时间“t”内在目的节点处6.1.3. 总开销它被定义为连接建立所需的控制和数据包总数与到达目的地的数据包6.1.4. 控制开销它被定义为用于在源节点和目的地节点之间建立连接的数据包的最大大小。7. 实验结果及分析实验结果表明，当阈值设置为154J. Sengathir，R.Manoharan图1网络AODV中的节点组（场景1）。图2网络AODV中的节点组（场景2）。表1模拟设置。参数值描述移动节点100仿真节点类型的协议AODV信道类型地形面积1000· 1000平方米地形的大小模拟时间100 S最大模拟时间Tra Bucc模型恒定比特率使用的交通模型类型分组大小512字节数据包的大小类型的天线天线/全向天线天线模型传播类型双射线接地无线传播模型检测值为0.25。图3解释了通过LCSCM和PCMA通过改变不同的检测值设置可以识别的自我节点的可能数量。如果检测的阈值设置在0.20和0.30之间，则检测到最大数量的自适应节点。因此，这些值被认为是LCSCM的最大和最小阈值，用于检测自适应节点。7.1. 基于移动节点7.1.1. 分组投递率自组网的生存性在很大程度上依赖于节点之间的协作。当selfish节点的数量呈指数级增加时，数据包传输率会下降。基于Laplace Steltjes变换的条件生存系数模型在移动自组网中的应用155353025201510500.050.1 0.150.2 0.250.3 0.350.4检测范围设置PCMA基于吞吐量的网络性能借助于四种方案，即，不自私，自私，PCMA和LCSCM。所提出的LCSCM方案相比，PCMA的吞吐量增加到最大的14%7.1.3. 总开销当自组织场景中出现的自组织节点数量呈指数级增加时，总开销急剧增加。该概率模型（LCSCM）的部署减小 的 总 开销 当 相比 对现有图3 用于识别自作主张者的范围图使用LCSCM的节点。9085807570656055504520 30 40 50 60 70 80 90 100移动节点数量图4基于包投递率这种概率模型（LCSCM）在网络中的部署表明，与现有的PCMA模型相比，数据包传输率的显着增加。图4描述了借助于四种方案基于分组递送率的网络性能，即，不自私，自私，PCMA和LCSCM。建议的LCSCM计划相比，PCMA的数据包传输率增加到最大的16%7.1.2. 吞吐量网络中自适应节点数量的增加会显著降低整个网络的吞吐量。这种概率模型（LCSCM）在网络中的部署表明，与现有的PCMA模型相比，吞吐量显着增加。图5描绘了PCMA模型。图6描绘了借助于四种方案基于总开销的网络性能，即，不自私，自私，PCMA和LCSCM。建议的LCSCM计划减少了总的开销，最大为17%时相比，PCMA。7.1.4. 控制开销当自组织场景中的自组织节点数量呈指数增长时，控制开销急剧增加。与现有的PCMA模型相比，这种概率模型（LCSCM）的部署降低了总开销。图7描绘了借助于四种方案基于总开销的网络性能，即，不自私，自私，PCMA和LCSCM。建议的LCSCM计划减少了控制开销的最大值为27%时相比，PCMA。7.2. 基于最大最小门限的LCSCM在移动节点数变化下7.2.1. 分组投递率网络的性能下降的数据包传输率方面，自组织场景中存在的自组织节点的数量呈指数级增加时。图8描绘了借助于三种方案基于分组递送率的网络的性能，即，具有灵敏度、具有用于LCSCM的基于MIN阈值的检测以及具有用于LCSCM的基于MAX阈值的检测。在网络中部署LCSCM使用基于最小阈值的检测将分组递送率提高到14%的程度，而在基于最大阈值的检测的情况下，其提高到29%。80757065605550454020 30 40 50 60 70 80 90 1002.52.5120 30 405060 70 80 90 100移动节点图5基于吞吐量的LCSCM性能分析图。移动节点数量图6基于总开销的LCSCM性能分析图。没有自私与自私与PCMA关于LCSCM没有自私与自私与PCMA关于LCSCM没有自私与自私与PCMA关于LCSCM分组投递率吞吐量检测到的自适应节点数总开销156J. Sengathir，R.Manoharan12000100008000600040002000020 30 40 50 60 70 80 90 100移动节点数量图7基于控制开销2.22.121.91.81.71.61.51.420 30 40 50 60 70 80 90 100移动节点数量图10基于总开销的LCSCM性能分析图（MAX和MIN阈值）。8280787674727068666420 30 40 50 60 70 80 90 100移动节点数量图8基于包投递率的LCSCM性能分析图（MAX和MIN阈值）1300012000110001000090008000700060005000400020 30 40 50 60 70 80 90 100移动节点数量图11基于控制开销的LCSCM性能分析图（MAX和7.2.2. 吞吐量当自组织场景中存在的自组织节点的数量呈指数级增加时，网络的性能在吞吐量方面下降。图9描绘了借助于三种方案基于吞吐量的网络性能，即，具有灵敏度，具有用于LCSCM的基于MIN阈值的检测，以及具有用于LCSCM的基于MAX阈值的检测。在网络中部署LCSCM使用基于最小阈值的检测将分组递送率增加到17%的程度，而在基于最大阈值的检测的情况下，其增加到25%。7065605550454020 30 40 50 60 70 80 90 100移动节点数量图9 LCSCM性能分析图（MAX和 MIN阈值）。7.2.3. 总开销当自组织场景中出现的自组织节点数量呈指数级增加时，总开销急剧增加。图10描绘了借助于三种方案基于总开销的网络性能，即，对于LCSCM，使用基于MIN阈值的检测，对于LCSCM，使用基于MAX阈值的检测在网络中部署LCSCM使用基于最小阈值的检测将总开销降低到12%的程度，而在基于最大阈值的检测的情况下，其降低高达26%。7.2.4. 控制开销当自组织场景中的自组织节点数量呈指数增长时，控制开销急剧增加。图11描绘了借助于三种方案基于控制开销的网络性能，即，具有灵敏度、具有用于LCSCM的基于MIN阈值的检测以及具有用于LCSCM的基于MAX阈值的检测在网络中部署LCSCM使用基于最小阈值的检测将总开销降低到16%的程度，而在基于最大阈值的检测的情况下，其降低高达29%。7.3. LCSCM的主要贡献提出的基于Laplace Steltjes变换的条件生存系数模型的主要贡献总结如下：没有自私与自私与PCMA关于LCSCM自私的行为基于MAX阈值的检测基于MIN阈值的检测自私的行为基于MIN阈值的检测基于MAX阈值的检测自私的行为使用基于MIN阈值的检测使用基于MAX阈值的检测自私的行为使用基于MIN阈值的检测使用基于MAX阈值的检测吞吐量控制开销分组投递率总开销控制开销基于Laplace Steltjes变换的条件生存系数模型在移动自组网中的应用157(a) 我们还推断，合作的概率下降时，生存率' k '的下降和失败率' l '的增加。(b) 根据实验分析，我们设计了一个最小最大检测值分别为0.30和0.20。(c) 我们将自适应节点的检测阈值定义为0.25，因为模拟结果显示在该检测点识别出最大数量的自适应节点。8. 结论本文利用基于Laplace Steltjes变换的条件可靠性系数模型研究了网络的生存性。与文献中现有的PCMA模型相比，所提供的LCSCM识别了自适应节点的最大数量。平均而言，LCSCM方法的成功检测率为24%，这是显着的。实验结果表明，这种条件概率方法优于PCMA模型的数据包交付率，吞吐量，控制开销和总开销。引用[1] Buchegger S，Boudec J-Y.节点怨恨：走向路由安全性，公平性 和 鲁 棒 性 在 移 动 自 组 织 网 络 。 In ： Proc ， at tenthEurominicro workshop on parallel ， distributed and networkbased processing，Canary Islands，Spain，vol. 1，no. 1; 2002.p. 234比42[2] 德·莫赖斯·坎波斯一个Morkovian模型表示的个人移动情景在adhoc 网 络 及 其 评 估 。 EURASIP J Wireless CommunNetw2012;1（3）：231-5292.[3] 李泽，沈海英。移动自组网中合作激励策略的博弈分析。IEEE Trans MobComput 2012;11（8）：110-2.[4] Azni AH ， Ahmad Rabiah ， Noh Zul Azri Ahadad ， BasariAbdSamad Hasan，Hussin Burairah.基于半马尔可夫过程的自组网相关节点行为模型。IJCSI Int JComputr Sci Issues 2012;9（1）：212-22.[5] Buttyan L，Hubaux J-P.自组织移动自组织网络中的激励合作。MONET J Mob Comput Netw2003;8（1）：579-92.[6] Buchegger S，Boudec J-Y. CONFI-DANT协议的性能分析：分布式ad-hoc网络中节点的合作-公平性。In：Proc，3rd ACMinternational symposium on mobile ad hoc networking andcomputing（号11; 2002年。p. 226比36[7] 杨伟华，王伟华，王伟华.在ad hoc网络中对自组织或恶意节点进行高级检测。在：Proc，第一次欧洲研讨会上的安全在ad-hoc和传感器网络（ESAS 2004），海德堡，德国，卷。号11; 2004年。p. 255比63[8] 张文辉，张文辉，张文辉.一种用于移动自组网可靠数据包传输的定量信任建立框架。在：Proc，第三届ACM研讨会上的安全特设和传感器网络，卷。号11; 2009年。p. 1比10[9] Rizvi S，Elleithy M.一种最小化移动自组网中移动节点恶意行为的新方案。 Int JComput Sci Inf Security 2009;3（1）：25-34.[10] 杨伟杰，李伟杰，李伟杰.移动自组织网络中路由错误的缓解。在：Proc，第六届ACM年度国际会议移动计算和网络（ACM-WEBCOM），波士顿，美国，卷。号11; 2000年。p.255比65[11] 陈涛，陈文斌，陈文斌，等.网络入侵检测的理论与方法研究.北京：计算机科学出版社，2000. IEEE Internet Comput2009;3（1）：234-41.[12] 莫尔瓦河CORE：一种移动自组网中节点协作的协作信誉机制。In：Proc，6th IFIP conf on security，communications andmultimedia，Protoroz，Solvenia，vol. 228，no. 1; 2002.第107-121页。[13] Hernanal-Orallo ， Serrat Manuel D ， Cano Juan-Carlos ，CalafateT，Manzoni.使用协作看门狗改进移动自组织网络中的自组织节点检测。 IEEE Commun Lett 2012;16（5）：123-31.[14] 法哈德·塔拉格，问罗伯特。一种适用于行动自组网路之节点不当行为侦测机制。载于：Proc，第七届关于电信、网络和广播融合的研究生年度研讨会（PGNet），第1卷，第1号;2006年。p. 七十八比八十四[15] Akhtar Md Amir Khusru，Sahoo G.基于自适应决策边界的自组织节点和规则节点的分类。Sci Res J Commun Netw2013;5（1）：185-91.[16] 作者：John W.实数线上概率分布的无限整除性。 MarcerDekker; 2004.