基于WOA和LA的安全路由協(xié)議優(yōu)化設(shè)計(jì)

熊 英，吳明芬

(1.江門開放大學(xué) 信息技術(shù)部，廣東 江門 529000；2.五邑大學(xué) 智能制造學(xué)部，廣東 江門 529000)

0 引 言

移動(dòng)自組網(wǎng)(mobile ad hoc network，MANET)[1,2]基礎(chǔ)設(shè)施的缺失降低了惡意行為檢測(cè)效率，要求數(shù)據(jù)傳輸應(yīng)盡可能選擇高安全性鏈路，安全路由協(xié)議優(yōu)化問(wèn)題隨之產(chǎn)生。

提高路由協(xié)議安全性可通過(guò)優(yōu)化協(xié)議參數(shù)實(shí)現(xiàn)。文獻(xiàn)[3]以節(jié)點(diǎn)移動(dòng)度為指標(biāo)，設(shè)計(jì)多點(diǎn)延時(shí)改進(jìn)機(jī)制，提出OLSR安全優(yōu)化協(xié)議，丟包率降低，但鏈路負(fù)載和電池剩余能量等性能下降。文獻(xiàn)[4]為規(guī)避NP-C(nondetermi-nistic polynomial completeness)問(wèn)題，提出基于信任度的服務(wù)質(zhì)量路由(trust-based QoS routing，TQR)模型，丟包率和時(shí)延得到改善，但重傳分組數(shù)急劇增加，吞吐量降低。文獻(xiàn)[5]指出單指標(biāo)優(yōu)化模型的局限性，建立了時(shí)延、跳數(shù)、代價(jià)和可靠性等參量的多維目標(biāo)函數(shù)，基于蟻群算法實(shí)現(xiàn)了NP-C尋優(yōu)，但恒比特流(constant bit rate，CBR)丟包率較高。文獻(xiàn)[6,7]引入能量參數(shù)，分析了丟包率、時(shí)延/抖動(dòng)，但協(xié)議復(fù)雜度增加，約束條件有待改進(jìn)。于是安全路由協(xié)議問(wèn)題變?yōu)槎嗑S目標(biāo)函數(shù)優(yōu)化問(wèn)題，后者廣泛采用元啟發(fā)優(yōu)化算法解決多維目標(biāo)函數(shù)NC-C問(wèn)題[8-11]。其中基于種群優(yōu)化算法的鯨魚優(yōu)化算法(whale optimization algorithm，WOA)通過(guò)模擬座頭鯨獵物包圍、氣泡攻擊/區(qū)域劃分、獵物尋找/域內(nèi)搜索、獵物擊中等行為，實(shí)現(xiàn)全域螺旋搜索，被逐步用于安全路由協(xié)議的優(yōu)化設(shè)計(jì)[12]。但文獻(xiàn)[13]指出，在WOA探索階段，低效的域劃分和域內(nèi)搜索機(jī)制降低了算法收斂速度及最優(yōu)解的尋優(yōu)效率。同時(shí)文獻(xiàn)[14]提出的獅子算法(lion algorithm，LA)將搜索域一分為二(即male和female域)，各域內(nèi)并行搜索，通過(guò)領(lǐng)域防護(hù)和領(lǐng)域接管驅(qū)散過(guò)時(shí)解，搜索效率較高。將LA引入WOA搜索環(huán)節(jié)，可一定程度上改善WOA的運(yùn)行效率和協(xié)議的性能。

為此本文定義能量、時(shí)延、鏈路生存時(shí)間等安全參數(shù)，設(shè)計(jì)多維目標(biāo)安全路由協(xié)議模型，基于WOA和LA提出尋優(yōu)算法LAWOA，并分析協(xié)議相關(guān)性能。

1 安全路由協(xié)議設(shè)計(jì)

在安全協(xié)議路徑選擇過(guò)程中，存在鄰節(jié)點(diǎn)數(shù)或路徑數(shù)量較大的情形，為降低運(yùn)算量、計(jì)算時(shí)延和協(xié)議復(fù)雜度，WOA、TQR、LA等算法一般對(duì)其中前k條路徑進(jìn)行優(yōu)選，本節(jié)同樣采用該方法對(duì)路徑優(yōu)選。具體過(guò)程為：在給定一定拓?fù)浣Y(jié)構(gòu)的網(wǎng)絡(luò)模型及多播收發(fā)節(jié)點(diǎn)的基礎(chǔ)上，利用k-means算法從所有可用路徑中優(yōu)選出前k條可用路徑，定義相關(guān)安全協(xié)議參數(shù)，設(shè)計(jì)與之對(duì)應(yīng)的歸一化目標(biāo)函數(shù)，并利用優(yōu)化算法迭代查找最優(yōu)解，此時(shí)安全性最高(目標(biāo)函數(shù)最優(yōu))的路徑用于收發(fā)節(jié)點(diǎn)之間的數(shù)據(jù)傳輸，協(xié)議的安全性將會(huì)明顯提升。值得注意的是，k-means算法是成熟度比較高的算法，因此該安全協(xié)議的關(guān)鍵問(wèn)題在于安全參數(shù)的選取(文中采用信任度、能量、時(shí)延、鏈路維持時(shí)間、移動(dòng)性5個(gè)指標(biāo))、目標(biāo)函數(shù)的定義和優(yōu)化迭代算法的設(shè)計(jì)等環(huán)節(jié)。安全協(xié)議工作流程如圖1所示。

圖1 安全協(xié)議整體框架

2 參數(shù)選擇

如前所述，安全路由協(xié)議相關(guān)參數(shù)包括信任度、節(jié)點(diǎn)能量、鏈路維持時(shí)間、時(shí)延、節(jié)點(diǎn)距離/移動(dòng)性等，本節(jié)給出5種參數(shù)的定量表達(dá)式，為多維目標(biāo)函數(shù)的建立和求解提供參數(shù)基礎(chǔ)。

2.1 信任度

(1)

(2)

(3)

式中：N表示任意時(shí)刻節(jié)點(diǎn)的鄰節(jié)點(diǎn)數(shù)目。

將式(2)和式(3)代入式(1)即可獲得節(jié)點(diǎn)之間的信任度值，但其值是靜態(tài)的，與MANET節(jié)點(diǎn)動(dòng)態(tài)性存在一定差距。為降低誤差，每次迭代后均采用移動(dòng)平均模型[16]加權(quán)更新，即

(4)

加權(quán)因子ε∈(0,1)，用于實(shí)現(xiàn)t和t+1時(shí)刻信任度值的均衡。

2.2 能 量

MANET中所有節(jié)點(diǎn)均由電池供電，且電池剩余能量與通信時(shí)間成反比。當(dāng)電池剩余能量低于數(shù)據(jù)收發(fā)能量閾值時(shí)，收發(fā)節(jié)點(diǎn)之間將隨時(shí)中斷，協(xié)議安全系數(shù)也降低，因此建立能量剩余模型用于節(jié)點(diǎn)狀態(tài)監(jiān)控，可提高協(xié)議安全性。在不考慮電池發(fā)熱損耗的條件下，能量消耗用于數(shù)據(jù)分組的接收和發(fā)送，因此節(jié)點(diǎn)剩余能量等于初始能量與接收/發(fā)送分組所消耗能量的差值。令節(jié)點(diǎn)初始能量為最大歸一化值Pfull=1，任意時(shí)刻t剩余能量Pres(t)表示為

Pres(t)=Pres(t-1)-PTx·NTx(t-1)-PRx·NRx(t-1)

(5)

首次開機(jī)加電時(shí)Pres(t)=Pfull；PTx、PRx為發(fā)送、接收單位比特所需能量，NTx(t-1)、NRx(t-1)為對(duì)應(yīng)的比特?cái)?shù)目。對(duì)于PTx和PRx而言，考慮超短波通信頻段，當(dāng)忽略發(fā)熱損耗時(shí)，二者歸一化值約為

PTx=3PRx=0.03

(6)

由于Pres(t)大于一定閾值Pthrehold即可維持?jǐn)?shù)據(jù)收發(fā)，因此為簡(jiǎn)化計(jì)算，對(duì)Pres(t)做二值化處理，即

(7)

2.3 鏈路維持時(shí)間

在MANET分組傳輸過(guò)程中，鏈路維持時(shí)間小于信息傳輸所需時(shí)間時(shí)，將導(dǎo)致節(jié)點(diǎn)之間通信中斷，鏈路修復(fù)周期內(nèi)數(shù)據(jù)分組將丟棄。因此選擇的鏈路生存時(shí)間越長(zhǎng)，路由協(xié)議越安全。鏈路生存時(shí)間與節(jié)點(diǎn)的移動(dòng)性、方向性、電磁特性等相關(guān)?？紤]坐標(biāo)分別為(xs,ys)、(xd,yd)的節(jié)點(diǎn)ns和nd，歸一化鏈路維持時(shí)間定義為

(8)

(9)

其中，TM為鏈路維持時(shí)間，R為電磁波覆蓋范圍，vs、vd、φs、φd分別為ns和nd對(duì)應(yīng)的運(yùn)動(dòng)速度和方向角。

2.4 時(shí) 延

任何分組傳輸都存在時(shí)延，時(shí)延越大，惡意節(jié)點(diǎn)成功檢測(cè)到正常用戶并實(shí)施攻擊的概率越高，且突發(fā)噪聲對(duì)通信鏈路的影響也越大，因此時(shí)延同樣可以作為衡量協(xié)議安全性的重要參數(shù)。時(shí)延包括傳輸時(shí)延、處理時(shí)延、排隊(duì)時(shí)延和傳播時(shí)延等。在此假設(shè)MANET終端節(jié)點(diǎn)配置及數(shù)據(jù)隨機(jī)產(chǎn)生函數(shù)完全相同，那么時(shí)延由傳播時(shí)延決定，其值與跳數(shù)相關(guān)。任意時(shí)刻t歸一化時(shí)延Rsd(t)定義為傳輸路徑中節(jié)點(diǎn)的跳數(shù)(或個(gè)數(shù))NPath(i)與所有可用路徑中節(jié)點(diǎn)總數(shù)的比值，即

(10)

式中：P為t時(shí)刻路徑的總數(shù)，其值由路由表數(shù)據(jù)統(tǒng)計(jì)獲得。同時(shí)為降低統(tǒng)計(jì)誤差，利用移動(dòng)平均模型對(duì)其加權(quán)平均，即

R′sd(t+1)=τRsd(t)+(1-τ)Rsd(t+1)

(11)

τ為加權(quán)系數(shù)，且τ∈(0,1)。

2.5 移動(dòng)性

(12)

(13)

3 目標(biāo)函數(shù)建立及優(yōu)化算法設(shè)計(jì)

本節(jié)在信任度、能量、時(shí)延、鏈路維持時(shí)間、移動(dòng)性等服務(wù)質(zhì)量參數(shù)基礎(chǔ)上，定義多維目標(biāo)優(yōu)化函數(shù)及最優(yōu)解形式，并基于LA和WOA設(shè)計(jì)與之對(duì)應(yīng)的優(yōu)化迭代搜索算法。

3.1 最優(yōu)解形式

最優(yōu)解編碼形式是算法迭代搜索過(guò)程的重要參數(shù)，也是譯碼獲得最優(yōu)解的重要方法。由于安全協(xié)議目的是獲取源節(jié)點(diǎn)S到目的節(jié)點(diǎn)D之間的最佳路徑，等價(jià)于確定最值問(wèn)題，因此求解過(guò)程可轉(zhuǎn)化為二分查找問(wèn)題。理論上，對(duì)于MANET任意節(jié)點(diǎn)而言，所有節(jié)點(diǎn)都可能成為其鄰節(jié)點(diǎn)，對(duì)應(yīng)路由數(shù)目應(yīng)等于網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)。而在協(xié)議實(shí)際運(yùn)行過(guò)程中，任意微小時(shí)間間隔內(nèi)(路由更新時(shí)間為ms級(jí))，低速運(yùn)行(如1 m/s)環(huán)境路由表中存儲(chǔ)的路徑數(shù)(記為k)可視為常數(shù)，且其值遠(yuǎn)小于網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)。因此為簡(jiǎn)化計(jì)算，在所有S到D的直連和中繼路徑中，基于k-means按優(yōu)先級(jí)順序優(yōu)選出前k條路徑，每條路徑用pi表示，則k條路徑集合可記為P={p1,p2,…,pk}，于是路徑編號(hào)集合np={1,2,…,k}可視為S到D對(duì)應(yīng)的路徑函數(shù)解，從p1～pk中確定使目標(biāo)函數(shù)達(dá)到最值的解即為最優(yōu)解。

3.2 多維目標(biāo)函數(shù)定義

目標(biāo)函數(shù)是確定最優(yōu)路徑的關(guān)鍵。如前所述，信任度、能量、時(shí)延、鏈路維持時(shí)間和移動(dòng)性等指標(biāo)均影響著協(xié)議的安全性，因此協(xié)議設(shè)計(jì)中應(yīng)兼顧指標(biāo)之間的均衡，于是目標(biāo)函數(shù)需由5個(gè)指標(biāo)共同確定，建立目標(biāo)函數(shù)與各指標(biāo)之間的聯(lián)合表達(dá)式。例如信任度越大，鏈路選擇概率越高，協(xié)議安全系數(shù)越高，目標(biāo)函數(shù)值也越大。同理可確定能量、時(shí)延、鏈路維持時(shí)間和移動(dòng)性與安全協(xié)議的關(guān)系，于是歸一化目標(biāo)函數(shù)定義為

(14)

式中：dthreshold、M分別表示協(xié)議允許距離最大值、鏈路維持時(shí)間最大值，二者為常數(shù)。使式(14)獲得最大值的路徑即為最優(yōu)路徑，于是問(wèn)題轉(zhuǎn)化為目標(biāo)函數(shù)的優(yōu)化求解。

3.3 優(yōu)化算法設(shè)計(jì)

3.3.1 優(yōu)化算法執(zhí)行流程

WOA算法由圍獵(encircling prey，EP)、攻擊/開發(fā)(bubble-net attack or exploitation phase，BA)、搜索/探測(cè)(search for prey or exploration phase，SP)3個(gè)環(huán)節(jié)構(gòu)成。EP實(shí)現(xiàn)本地獵物識(shí)別及包圍功能，BA實(shí)現(xiàn)目標(biāo)的靠近，SP實(shí)現(xiàn)目標(biāo)獵物的搜索。其中SP環(huán)節(jié)決定了WOA算法迭代的方向和搜索范圍，算法的快慢直接影響著WOA的效率。如前所述，WOA算法已被廣泛用于多參數(shù)優(yōu)化設(shè)計(jì)中，但算法在SP更新環(huán)節(jié)冗余度較高，搜索范圍隨機(jī)性大、重復(fù)率高，使其收斂速度較慢。對(duì)于MANET而言，隨著節(jié)點(diǎn)的移動(dòng)，拓?fù)浣Y(jié)構(gòu)和鏈路狀態(tài)均隨時(shí)間變化，過(guò)慢的收斂速度降低了算法的精度，最佳路徑誤差也隨之增加。不難理解，提高WOA算法的收斂速度將一定程度上提高協(xié)議的運(yùn)行效率和安全路徑的精度。同時(shí)LA算法模擬獅子領(lǐng)域更迭、接管、挖掘、榮譽(yù)等群體行為，將群體一分為二(male和female兩類)并行種群更新，算法迭代及搜索效率提高，可很大程度上彌補(bǔ)WOA算法的不足。因此將LA算法融入WOA算法迭代過(guò)程能夠兼顧WOA多維目標(biāo)函數(shù)搜索的適用性和LA算法的高效性。結(jié)合WOA和LA算法流程，新算法對(duì)應(yīng)工作流程如圖2所示。

圖2 優(yōu)化算法流程

在t=0時(shí)刻，初始網(wǎng)絡(luò)模型給定后，可根據(jù)式(4)、式(7)、式(8)、式(11)、式(13)分別計(jì)算出Dsd、Pres、TM、Rsd、dns,nd等參數(shù)值，代入式(14)可計(jì)算無(wú)量綱目標(biāo)函數(shù)f值，如果f值長(zhǎng)時(shí)間保持不變(如迭代1000次f值不變)，算法迭代終止，并將該值賦予最優(yōu)解，退出搜索；否則基于WOA和LA算法在群體中迭代搜索最優(yōu)值，在任意迭代過(guò)程中，如果搜索所得目標(biāo)函數(shù)值fnew>f，表示產(chǎn)生了更優(yōu)質(zhì)的解，將其存儲(chǔ)在f值中，否則f值保持不變；同時(shí)判斷搜索次數(shù)是否達(dá)到迭代次數(shù)上限，如果是，則表示搜索過(guò)程結(jié)束，否則繼續(xù)進(jìn)行下一輪搜索，直至函數(shù)值最優(yōu)。此時(shí)優(yōu)化算法的關(guān)鍵在于基于WOA和LA算法搜索fnew值。

3.3.2 基于WOA和LA算法的搜索算法設(shè)計(jì)

基于WOA和LA算法思想，在此將新算法分為初始化、適應(yīng)性評(píng)估、位置估計(jì)/更新、最優(yōu)代理確定和結(jié)束5個(gè)階段執(zhí)行。

(1)初始化

隨機(jī)生成包含n個(gè)值的解向量Fj，每個(gè)Fj記為

Fj={f1,f2,…,fn}

(15)

fj為表示第j條路徑。與此同時(shí)，初始化系數(shù)向量U和L，用于WOA算法的迭代，二者分別由式(16)、式(17)確定

U=2db-d

(16)

L=2d

(17)

其中，d從2向0線性遞減，b為[0,1]內(nèi)的隨機(jī)數(shù)。

(2)目標(biāo)函數(shù)估值

根據(jù)式(14)計(jì)算目標(biāo)函數(shù)值。值得注意的是，初始化后，群體并不知道目標(biāo)值/獵物的相關(guān)位置信息，因此目標(biāo)函數(shù)值為空，那么此時(shí)計(jì)算獲得的目標(biāo)函數(shù)值及其群體將作為最佳代理和最優(yōu)值存儲(chǔ)，為下一步迭代使用。

(3)位置估計(jì)與更新

最佳代理確定后，WOA算法模擬虎頭鯨圍獵行為(包圍獵物、氣泡攻擊、尋找目標(biāo))搜索最優(yōu)值，首先確定距離向量Q為

Q=|L·F*(i)-F(i)|

(18)

式中：F*(i)為最佳代理位置向量，此時(shí)根據(jù)WOA包圍獵物更新規(guī)則，第i+1次迭代值可表示為

F(i+1)=F*(i)-L·Q

(19)

在WOA攻擊環(huán)節(jié)，采用螺旋氣泡攻擊技術(shù)更新位置信息，該技術(shù)取決于代理與獵物之間的距離向量，螺旋函數(shù)表示為

F(i+1)=Q′·ehl·cos(2πl(wèi))+F*(i)

(20)

式中：Q′=|F*(i)-F(i)|表示最佳代理與目標(biāo)獵物的距離，其值越小，表示越接近目標(biāo)值；h表示指數(shù)螺旋函數(shù)的系數(shù)，決定螺旋函數(shù)的階數(shù)；l為[0,1]內(nèi)的隨機(jī)數(shù)。為了改進(jìn)搜索空間，加快算法執(zhí)行效率，搜索更新過(guò)程引入LA算法，根據(jù)LA算法定義，更新規(guī)則為

F(i+1)=F(i)+(0.1q2-0.05)(F*(i)-q1F(i))

(21)

由式(19)可知

F*(i)=F(i+1)+L·Q

(22)

將式(22)代入式(21)可得

F(i+1)=F(i)+(0.1q2-0.05)(F(i+1)+L·Q-q1F(i))=

F(i)+0.1q2F(i+1)+0.1q2L·Q-0.1q2q1F(i)-0.05F(i+1)-0.05L·Q+0.05q1F(i)=F(i)(1-0.1q2q1+0.05q1)+

F(i+1)(0.1q2-0.05)+L·Q(0.1q2-0.05)

合并同類項(xiàng)

F(i+1)(1-0.1q2+0.05)=F(i)(1-0.1q2q1+0.05q1)+L·Q(0.1q2-0.05)

則

(23)

式中：F(i)、F(i+1)分別為位置更新后當(dāng)前迭代和下次迭代位置向量。

(4)確定最優(yōu)代理

當(dāng)位置信息確定后，算法通過(guò)系數(shù)更新向量和距離向量生成下一代群體對(duì)應(yīng)路徑集。在此基礎(chǔ)上，基于目標(biāo)函數(shù)計(jì)算相應(yīng)值，且目標(biāo)函數(shù)僅保存目標(biāo)函數(shù)最大值，并遞增迭代變量。

(5)結(jié)束

算法重復(fù)過(guò)程(2)～過(guò)程(4)，直至滿足以下兩個(gè)條件之一時(shí)退出：目標(biāo)函數(shù)值長(zhǎng)期不變；迭代次數(shù)達(dá)到最大值。

綜上，基于WOA和LA的新算法執(zhí)行流程如圖3所示。

圖3 迭代搜索流程

4 結(jié)果分析

4.1 實(shí)驗(yàn)環(huán)境

算法測(cè)試在Linux環(huán)境下進(jìn)行，所需實(shí)驗(yàn)環(huán)境包括硬件、軟件和模型參數(shù)3個(gè)方面，硬件為測(cè)試提供算力支撐，軟件涵蓋了測(cè)試所需的系統(tǒng)、網(wǎng)絡(luò)仿真器(network simulator，NS)、圖形顯示、協(xié)議(內(nèi)置WOA等算法，在此名稱由算法替代)等方面，模型參數(shù)用于確保各算法在仿實(shí)際環(huán)境中的順利執(zhí)行，仿真過(guò)程涉及的主要實(shí)驗(yàn)參數(shù)設(shè)置見表1，惡意節(jié)點(diǎn)在t=0.5時(shí)刻隨機(jī)選擇網(wǎng)絡(luò)節(jié)點(diǎn)開始運(yùn)行。

表1 仿真參數(shù)設(shè)置

4.2 性能指標(biāo)

就協(xié)議安全性而言，需考量吞吐量和丟包率兩個(gè)重要指標(biāo)。同時(shí)為衡量算法運(yùn)行效率，需增加時(shí)間復(fù)雜度等性能分析。其中吞吐量為單位時(shí)間內(nèi)數(shù)據(jù)分組的總數(shù)，單位為字節(jié)/s(或b/s)，用Throughput表示；丟包率是指未接收分組與發(fā)送分組的比值，為無(wú)量綱參數(shù)，用Loss表示；時(shí)間復(fù)雜度可用算法收斂時(shí)間定性表征。為此Throughput和Loss表達(dá)式分別為

(24)

(25)

4.3 仿真結(jié)果

為了更好地說(shuō)明LAWOA算法的性能，在此對(duì)WOA、TQR和LAWOA對(duì)應(yīng)的Throughput、Loss、算法運(yùn)行時(shí)間結(jié)果進(jìn)行對(duì)比分析。圖4為節(jié)點(diǎn)分布圖，圖5、圖6分別為Throughput曲線和Loss曲線，表2為算法收斂時(shí)間。

從圖5可看出，吞吐量與節(jié)點(diǎn)數(shù)目成正比，與惡意節(jié)點(diǎn)比例成反比。隨著惡意節(jié)點(diǎn)(t=0.5)的加入，吞吐量迅速遞減，當(dāng)達(dá)到一定時(shí)間(50節(jié)點(diǎn)、100節(jié)點(diǎn)對(duì)應(yīng)t=7、t=8時(shí)刻)后，網(wǎng)絡(luò)趨于穩(wěn)定，吞吐量保持不變，且惡意節(jié)點(diǎn)比例越高，吞吐量下降速率越快。同時(shí)LAWOA對(duì)應(yīng) 協(xié)議吞吐量明顯高于WOA與TQR算法(50節(jié)點(diǎn)、100節(jié)點(diǎn)分別高約300字節(jié)/s、400字節(jié)/s)。原因在于：一是當(dāng)惡意節(jié)點(diǎn)執(zhí)行攻擊行為后，部分網(wǎng)絡(luò)帶寬用于傳輸惡意節(jié)點(diǎn)分組，使得用于傳輸數(shù)據(jù)分組的帶寬受限，吞吐量降低，且惡意節(jié)點(diǎn)數(shù)越多，帶寬浪費(fèi)越嚴(yán)重，吞吐量降低越快，到達(dá)一定程度后，網(wǎng)絡(luò)將出現(xiàn)擁塞，節(jié)點(diǎn)根據(jù)退避算法和重發(fā)機(jī)制強(qiáng)制推遲分組發(fā)送，正常節(jié)點(diǎn)和惡意節(jié)點(diǎn)處于競(jìng)爭(zhēng)發(fā)送分組的穩(wěn)定狀態(tài)；二是LAWOA對(duì)應(yīng)協(xié)議收斂速度比WOA和TQR快，有效降低了惡意節(jié)點(diǎn)的作用時(shí)間，對(duì)應(yīng)吞吐量得到明顯提升。

圖4 節(jié)點(diǎn)分布

圖5 吞吐量曲線

圖6 丟包率曲線

表2 算法收斂時(shí)間/s

從圖6可以看出，丟包率與節(jié)點(diǎn)數(shù)、惡意節(jié)點(diǎn)比例均成正比，且隨著惡意節(jié)點(diǎn)的加入，丟包率迅速增加，達(dá)到一定時(shí)間后趨于平穩(wěn)，與TQR、WOA算法對(duì)應(yīng)協(xié)議相比，LAWOA算法丟包率降低了10%～12%。原因在于：一是惡意節(jié)點(diǎn)導(dǎo)致網(wǎng)絡(luò)擁塞，而且分組碰撞概率增加，使得丟包率增加；二是LAWOA算法以較高效率收斂到最佳路徑，使得節(jié)點(diǎn)檢測(cè)到路徑變差時(shí)，可迅速切換到最佳路徑，分組丟棄概率降低，從而網(wǎng)絡(luò)整體丟包率降低。

從表2可看出，總體而言，隨著惡意節(jié)點(diǎn)比例的增加，收斂時(shí)間變長(zhǎng)，速度變慢。原因在于，惡意節(jié)點(diǎn)的加入導(dǎo)致MANET節(jié)點(diǎn)對(duì)正常/惡意節(jié)點(diǎn)產(chǎn)生誤判，節(jié)點(diǎn)需重新發(fā)送測(cè)試分組以確定節(jié)點(diǎn)類型，判定時(shí)間延長(zhǎng)，路徑選擇時(shí)間增加，算法收斂速度降低。同理，網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)越多，算法對(duì)節(jié)點(diǎn)類型的判定時(shí)間越長(zhǎng)，同時(shí)節(jié)點(diǎn)獲得網(wǎng)絡(luò)拓?fù)湫畔⒌臅r(shí)間變長(zhǎng)，路徑選擇復(fù)雜度增加，算法收斂速度降低。與圖5、圖6相比，Throughput和Loss穩(wěn)定點(diǎn)并不是收斂點(diǎn)，可能原因在于其它鏈路綜合Throughput和Loss與平均值是一致的，獲得最優(yōu)安全路徑后保持性能指標(biāo)恒定。此外惡意節(jié)點(diǎn)比例0～20%遞增時(shí)，LAWOA收斂時(shí)間比TQR和WOA對(duì)應(yīng)值低5%～15%。其原因在于LA算法將搜索域分為male和female兩部分，各部分能夠分別識(shí)別各自域內(nèi)的惡意節(jié)點(diǎn)，但并非速率減半，因?yàn)長(zhǎng)A算法還要實(shí)現(xiàn)域間整合，同樣需要一定時(shí)間，因此收斂時(shí)間提升，并非效率加倍。

5 結(jié)束語(yǔ)

本文針對(duì)路由協(xié)議安全問(wèn)題，提出一種安全路由協(xié)議模型，引入5種安全定量參數(shù)，設(shè)計(jì)對(duì)應(yīng)的多維目標(biāo)優(yōu)化函數(shù)，并基于WOA和LA提出相應(yīng)的優(yōu)化算法，通過(guò)吞吐量和丟包率驗(yàn)證了優(yōu)化模型的性能。但是仍存在以下不足：①網(wǎng)絡(luò)規(guī)模有待增加；②高速移動(dòng)環(huán)境中的協(xié)議安全性能尚未驗(yàn)證；③網(wǎng)絡(luò)長(zhǎng)期特性尚未討論；④最優(yōu)路徑轉(zhuǎn)換時(shí)間尚缺少定量分析。后期將對(duì)以上問(wèn)題展開進(jìn)一步研究。