在當今全球對海洋資源的依賴日益增強的背景下，部署大量感知設備并構建水聲傳感器網(wǎng)絡（UASNs），已成為有效監(jiān)測和管理海洋資源、提升海洋經(jīng)濟開發(fā)效率的重要手段。然而，隨著水聲傳感網(wǎng)的快速發(fā)展，海洋數(shù)據(jù)的安全性正面臨著前所未有的挑戰(zhàn)。惡劣的水下環(huán)境和潛在的網(wǎng)絡攻擊不僅威脅數(shù)據(jù)的可用性和準確性，還可能對海洋經(jīng)濟和國家安全構成嚴重風險。由于網(wǎng)絡設備的異構性、網(wǎng)絡拓撲的動態(tài)變化、節(jié)點部署的稀疏性以及水聲通信的不穩(wěn)定性等多重因素，保障數(shù)據(jù)安全已成為水聲傳感網(wǎng)發(fā)展的關鍵瓶頸。
近日，我校信息科學與工程學院的韓光潔教授團隊在應對這些挑戰(zhàn)方面取得了重要突破。他們提出了一種基于強化學習輔助的兩階段信任評估的安全可靠數(shù)據(jù)傳輸方案，旨在解決水聲傳感器網(wǎng)絡中數(shù)據(jù)采集的安全問題。該方案將數(shù)據(jù)收集過程劃分為預傳輸和傳輸兩個階段。首先，發(fā)送節(jié)點通過Q學習算法進行自我信任評估；然后，接收節(jié)點根據(jù)接收到的數(shù)據(jù)計算其可信度，并對低于信任閾值的數(shù)據(jù)路徑進行信任回溯，逐跳驗證以確定并隔離惡意節(jié)點。
圖1基于強化學習輔助的兩階段信任評估的安全數(shù)據(jù)傳輸方案
傳統(tǒng)的UASNs結構中，信任數(shù)據(jù)的收集和計算往往存在較高的延遲，難以迅速識別異常節(jié)點，并且不同信任度量的權重也無法自適應調整。為應對這些問題，韓光潔團隊創(chuàng)新性地將邊緣計算技術融入AUV（自主水下航行器）網(wǎng)絡中，視AUV為提供低延遲信任建模服務的邊緣設備，從而減少計算延遲并提高信任計算的精度。
圖2 AUV輔助與UASN融合的移動邊緣信任感知架構
此外，該團隊還將信任模型與聯(lián)邦學習相結合，基于現(xiàn)有的證據(jù)獲取機制（如通信、能量和數(shù)據(jù)證據(jù)），提出了一種新的基于聯(lián)邦深度強化學習的信任模型。該模型更好地適應了UASNs的動態(tài)拓撲結構，提高了網(wǎng)絡的信任預測精度和能量效率，進一步提升了數(shù)據(jù)傳輸?shù)陌踩浴?/p>
圖3 基于聯(lián)邦深度強化學習的多證據(jù)信任管理模型架構
在源位置隱私保護方面，韓光潔團隊開發(fā)了基于層次結構的保護算法，利用Ekman漂移模型將UASNs劃分為動態(tài)層和靜態(tài)層，確保源位置的隱私性和數(shù)據(jù)傳輸?shù)陌踩?。同時，他們還提出了一種基于區(qū)域劃分的多AUV源位置隱私保護方案，通過誘導攻擊者遠離源節(jié)點，從而增強了隱私保護效果。
圖4 基于Ekman漂移模型的多層次水下源位置隱私保護模型
基于上述研究，該團隊進一步提出了多項技術創(chuàng)新，如多面體幻影路由算法，通過引入幻影節(jié)點增加路徑多樣性，確保源節(jié)點的隱私；以及AUV輔助的路徑規(guī)劃方法，以避免路由空洞，規(guī)劃出最短的數(shù)據(jù)傳輸路徑，降低網(wǎng)絡時延并提高傳輸效率。最后，團隊還開發(fā)了一種基于糾錯編碼的安全數(shù)據(jù)傳輸方法，能夠有效抵御主動攻擊，顯著提升網(wǎng)絡安全性。
通過這些研究成果，韓光潔教授團隊在海洋數(shù)據(jù)安全領域取得了顯著進展。這些創(chuàng)新技術不僅為保護水聲傳感器網(wǎng)絡中的節(jié)點位置隱私提供了新的思路，也為未來海洋經(jīng)濟的可持續(xù)發(fā)展和國家安全的保障打下了堅實基礎。
以上研究工作得到了中國國家自然科學基金聯(lián)合資助（資助號：U22A2011）、中國國家自然科學基金（資助號：62072072 和 62102132）以及聲學國家重點實驗室開放基金（資助號：SKLA202302）的資助，相關成果發(fā)表在《IEEE Transactions on Mobile Computing》,《IEEE Transactions on Intelligent Transportation Systems》,《IEEE Transactions on Vehicular Technology》,《IEEE Internet of Things Journal》等國際頂級期刊。
代表成果：
1. Yu He, Guangjie Han*, Aohan Li, Tarik Taleb, Chenyang Wang and Hao Yu, A Federated Deep Reinforcement Learning-Based Trust Model in Underwater Acoustic Sensor Networks, IEEE Transactions on Mobile Computing, vol. 23, no. 5, pp. 5150-5161, May 2024.
2. Hao Wang, Guangjie Han*, Weizhe Lai, Yun Hou and Chuan Lin, A Multi-Round Game-Based Source Location Privacy Protection Scheme With AUV Enabled in Underwater Acoustic Sensor Networks, IEEE Transactions on Vehicular Technology, vol. 72, no. 6, pp. 7728-7742, June 2023.
3. Guangjie Han*, Yusi Chen, Hao Wang, Yu He and Jinlin Peng, A Scheme for Protecting Source Location Privacy Based on Hierarchical Structure in Smart Ocean, IEEE Transactions on Intelligent Transportation Systems, vol. 25, no. 8, pp. 10161-10175, Aug. 2024.
4. Feiyan Li, Guangjie Han*, Chuan Lin, Fan Zhang and Chen Sun, SDN-QLTR: Q-Learning-Assisted Trust Routing Scheme for SDN-Based Underwater Acoustic Sensor Networks, IEEE Internet of Things Journal, vol. 11, no. 6, pp. 10682-10694, 15 March15, 2024.
