TSN-SLP：一种基于可信Sybil节点的水下传感器网络源位置隐私保护方案，采用证据论技术

《ACM Transactions on Sensor Networks》：TSN-SLP: A Trusted Sybil Node-based Source Location Privacy Scheme using Evidence Theory in Underwater Sensor Networks

　　摘要
要查看此由AI生成的摘要，您必须具有高级访问权限。了解更多信息请登录。

摘要
在海洋研究中，水下传感器网络（USNs）的安全性是一个挑战。本研究的主要目标是调查USNs对被动攻击（如源位置隐私（SLP）的敏感性。本文介绍了一种基于可信Sybil节点的源位置方案，以实现上述目的。首先将Sybil节点和合适的假源节点插入网络中。主要目的是利用证据理论生成的假源节点来生成虚假源数据，从而掩盖源信息所携带的流量。之后，为真实数据包和假数据包安排了不同的传输窗口，以防止数据冲突。在从源节点到目的节点的多路径数据路由过程中也使用了Sybil节点。除了多样化路由外，这还提高了对手在数据传输过程中追踪源信息路径的难度。根据实验结果，所提出的TSN-SLP方案在平均数据包速率、安全时间、传输延迟和能源使用方面分别比SLPRRFPR、EECOR和ARR提高了21%、53%、50%和17.4%。

AI摘要（实验生成）
此摘要是使用自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助发现相关内容，帮助读者评估研究的相关性，并协助来自相关研究领域的读者理解该工作。它旨在补充作者提供的摘要，后者仍是论文的官方摘要。完整文章才是权威版本。点击此处了解更多信息。点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。要查看此由AI生成的通俗语言摘要，您必须具有高级访问权限。

1 引言
由于海洋区域的战略重要性日益增加，海洋预计将成为重要的海军战场。因此，世界各国都在加大海洋研究和开发的力度，以应对可能的未来海军冲突。现代海试和海军战争模拟需要结合卫星网络、水下物联网（USNs）、使用无人水下车辆的移动无线网络以及其他多种系统。这些网络由源节点、转发节点和聚合节点等组件组成，共同执行诸如在海军行动中追踪目标等功能。源节点作为网络中的关键数据生成点，其状态至关重要，在海军行动中保持位置隐私尤为重要。例如，USNs可用于海洋保护区，监测海龟、海豚或鲨鱼等濒危物种的移动和行为。这些动物的位置和移动数据应保密，以防止盗猎者或未经授权的实体利用。

同样，在军事背景下，USNs可用于监测潜艇活动或追踪自主水下车辆（AUVs）的移动。这些网络收集的战略信息必须得到保护，以防止对手截获，否则可能会危及任务目标或军事人员的安全。在海军环境中，源节点可以是移动的或静态的。移动源包括AUVs、水下滑翔器和其他智能代理。另一方面，静态源由普通节点或固定检测设备组成。鉴于这些来源的多样性，建立保护其位置隐私的措施至关重要。从网络安全的角度来看，进一步研究海洋环境中源位置隐私的保护措施是必要的。

保护源位置匿名性的研究最初来自无线传感器网络（WSNs），随后扩展到包括USNs。然而，现有的WSN SLP解决方案通常假设无线电传播稳定且拓扑结构是静态的或可预测的移动的。许多陆地WSN协议针对的是预定的拓扑结构——即使节点是移动的，它们的路径也是预先定义或可控的。相比之下，USNs由于水流的影响而面临不可预测的漂移，需要具有抗不确定性的设计。与为陆地环境设计的WSN SLP方案不同，USNs需要能够抵抗由水流引起的不可控节点漂移的协议。此外，USNs还面临高延迟的声学通信和严格的能源限制等独特挑战，这使得直接采用WSN策略不切实际。因此，研究适合水下条件的保护策略以确保USNs的安全和稳定运行至关重要。研究USNs中源位置隐私（SLP）保护技术的障碍可能与WSNs中的障碍不同[2, 32, 35, 36]。

资源限制：水下传感器节点（SNs）的电池容量有限，使得更换或重新充电变得复杂。与许多将诱饵注入视为免费的WSN Sybil方法不同，TSN-SLP明确将剩余能量指标嵌入Sybil和假源选择中，并将开销限制在协议流量的≤10%。我们的方案通过虚拟节点和无冲突调度将Sybil引起的开销降至≤10%。为了保护USNs中的源位置匿名性，有必要提高这些SNs的能源效率。这需要实施节能通信协议，以延长USNs的生命周期。

（1）网络性能优化涉及解决影响USNs的几个安全问题，如对通信介质的攻击、对SNs的损坏以及窃取关键节点位置信息。保护USNs的安全性和隐私性是一个艰巨的挑战。为了保持网络的正常运行，必须保护源位置隐私。本研究的主要目标是开发一种算法，确保良好的安全性、低能耗和低延迟，以保护源位置的匿名性。

（2）水下SNs的动态网络架构受到水流和海洋生物驱动的节点移动的影响。这在浅水区尤为明显，因为海水流动更快，增加了节点被推动的可能性。此外，恶劣的水下条件可能会损害水下SNs的功能，导致USN结构的持续变化。

（3）噪声干扰会影响节点之间的信息传输，因为盐水中的声速受温度、盐度、静压、密度和环境噪声的影响。这些因素导致声能分布、声音传播距离和海洋中的传播时间发生显著变化。各种干扰源，包括水流、生物噪声和船舶噪声，进一步复杂化了水下音频通信。

表1中的大多数先前工作不能直接应用于水下环境，因为USNs的不可预测性源于节点的动态移动性、环境噪声和深度依赖的声学传播，这些因素共同破坏了网络拓扑和通信可靠性。假源数据注入技术可以通过多路径路由来隐藏水下的源位置，以适应特定研究。攻击者仅使用被动方法。因此，假消息和多种路径使得追踪源消息变得复杂。假源数据注入技术可以保护源位置的匿名性，但也有缺点。由于源数据掩盖，假消息可能导致接收端丢失源信息。因此，防止传输冲突同时防止敌人发现源位置至关重要。

参考文献
优势
缺点
适用于水下环境 [14]
扩大攻击者的搜索范围
表现出过度的不可预测性
适用于USNs [18]
实现高数据传输效率
增加传输延迟
适用于USNs；但仍存在若干挑战 [10]
增强安全性和隐私保护
高能耗
可能适用于USNs [12]
能够估计攻击者的监控范围
需要全局信息
难以在USNs中实施 [30]
能够管理全局攻击者
需要全局信息
难以在USNs中实施 [9]
扩大攻击者的搜索范围
需要预先知道攻击者的位置
在USNs中实施复杂 [5]
实现高安全性与隐私性比率
需要提前部署多种传输方案
不适用于USNs

无线传感器网络中SLP的比较研究
本文的贡献如下：
? 可信Sybil节点：本文引入了可信的、可移动的Sybil节点作为其隐私方案的核心组件。这些节点作为虚拟的、动态实体参与路由，改变身份，并创建确认流量，故意混淆对手的回溯努力。
? 基于证据理论的假源选择：该方案采用Dempster-Shafer理论（DST）生成可信的诱饵流量，并选择最合适的假源节点。这种选择不是随机的，而是基于结合多种因素的证据，包括剩余能量、活动历史和跳数距离，这是一种使假流量更具策略性和能源意识的新方法。
? 无冲突调度：注入假流量的一个重大挑战是可能与真实数据包发生数据冲突。本文通过提出一种伪随机的、无冲突的时间戳分配方法来解决这个问题，确保真实数据和假数据在不同的传输窗口中发送，从而保持数据完整性。
? 多路径路由：该方案通过动态选择每次传输的下一个跳数传感器节点来增强路由多样性，使攻击者更难预测和跟踪到源的单一路径。

这项研究为其发展提供了重要的理论支持，因为水下SLP仍处于初期阶段。

本文的其余部分结构如下：第2节我们对相关主题进行了历史研究，第3节讨论了初步工作。第4节解释了所提出的方法论。第5节、第6节和第7节分别介绍了通信开销、时间复杂性和性能评估。第8节详细比较了其他方法。最后一节总结了本研究最重要的结论和未来方向。

2 相关背景
SLP最初在WSNs中引入，随后逐渐扩展到水下场景[1, 17]。USNs领域的SLP实证工作刚刚开始。在WSNs中，SLP指的是信息传输和源位置的安全性。本文的这一部分介绍了SLP的三个组成部分：WSNs的 ??隐私、USNs和数据传输。

2.1 无线传感器网络中的SLP
Ozturk等人[19]提出了一种两阶段幻影路由技术。可以在过程开始时随机化源消息。下一步使用基线洪水技术将信息转发到基站（BS）。Koh等人提出了一种理想的数据安全技术，考虑了由幻影数据包转发引起的能源消耗增加[12]。在参考文献[14]中，作者使用中间节点来保护SLP。路由路径被随机化，并通过随机分配中间节点（INs）来传输消息来维护SLP。在他们的研究中，Mutalemwa和Shin[18]检查了到安全位置的数据通信的可靠性，并提出了通过代理节点进行路由的解决方案。该系统具有多种路由路径，其目的类似于INs。然而，代理节点之间的协作对攻击者确定来源位置提出了更大的挑战，从而增加了传播延迟。在文章[10]中，作者开发了一种三层安全机制来保护SLP。洪水节点、假节点和幻影节点结合使用，以加强SLP保护。然而，所有这些节点传输假数据包会导致显著的能源消耗，最终缩短网络的寿命。

最近，人们非常关注保护SLP免受攻击者的攻击。Wang等人[30]研究了一个具有全局和局部特征的对手。他们引入了一种消息映射技术来应对这种攻击者。类似地，Hong等人[9]定量研究了攻击者确定位置的能力，并使用了一种欺骗性源调度技术来保护SLP。为了评估不同隐私保护策略的有效性，Gu等人[5]在多个场景中进行了实验。他们还开发了一种决策机制，为每个独特用例选择最合适的解决方案。他们的研究提供了通过检查程序来保护隐私的独特视角。当前WSNs中的位置隐私技术进行了比较和分析，以确定它们是否可以扩展到水下环境，如水生扩展能力所示。结果见表1。

2.2 水下传感器网络中的SLP
随着越来越多的关键军事和商业设备部署在海洋中，人们经常研究水下环境。然而，这些设备从海面上可见，增加了外部攻击者发现它们的可能性。水下传感器网络（USNs）中的源位置（SLP）问题越来越受到研究人员的关注。这一趋势的实现得益于无线传感器网络（WSNs）中源位置定位技术的改进以及USNs通信能力的提升。韩等人专注于保护海底飞行节点（OBFN）的位置，并提出了一种基于分层结构的SLP技术[7]。为了防止对手的监听攻击，他们考虑了埃克曼漂流电流和虚假信息的影响。此外，王等人专注于埃克曼漂流电流对SLP的影响，并开发了一种基于推送的概率技术。他们使用多艘自主水下航行器（AUVs）来构建数据包收集路径，因为攻击者只能跟踪其中一艘AUV来识别源位置。这种方法成功地为源位置提供了随机安全性保障。王等人还提出了一种基于水下语义框架的位置隐私和安全策略[33]，这是考虑到未来水下位置搜索的广泛应用。研究人员利用节点间的协作来防止对手收集信息，并通过实施水下语义位置框架进一步提高了数据安全性，使得数据帧更难以被解密。王等人[27]引入了一种多轮博弈策略来保护移动源的位置隐私。该策略结合了非零和博弈与零和博弈来模拟攻击者与静态源在多种场景下的互动。此外，他们还提出了一种称为反向语义轨迹分析的方案，以在海洋条件不适合传统方法的情况下阻止对移动源的监控。

如今，水下环境中智能交通系统的使用趋势日益增强。这些系统包含了通过水下物联网（IoT）连接的智能设备[16, 40]。上述参考文献主要研究的领域包括为配备机器学习能力的智能设备组织路径以及安全性[15, 29]。物联网是这项研究中使用的水下智能设备的基础网络。控制技术和通信方法被应用于浮标、波浪滑翔器、锚节点等设备中。

2.3 水下传感器网络中的数据传输
大多数情况下，数据是通过多跳方式在水下环境中传输的。Javaid等人开发了两种基于向量转发（VBF）的技术[11]，这些技术用于防止数据传输中的空洞并确定下一跳节点。尽管这些技术能够减少消息发送时间，但它们只能由通信链中的节点进行中继，这可能导致能量使用的不平衡。在大多数情况下，自主水下航行器（AUV）的可用能量是有限的。参考文献[37]中提出了一种基于信息价值（VoI）的方法来降低AUV的能耗。消息的传输需要传感器网络（SNs）和AUV之间的协作。为了减少移动所需的能量，AUV会在每个时间步骤只收集具有最高VoI的消息。在从多艘AUV收集信息的领域，Yoon和Qiao提出了一种基于同步的系统来提高AUV之间的协作效率[38]。每艘AUV会迅速与其他AUV接触以交换信息并识别任何故障。Zheng等人使用多艘AUV来减少信息收集过程中的延迟[39]，他们提出了一种移动方法，包括为每艘AUV构建循环路径。另一方面，如果AUV的移动路径固定，则它无法防御被动攻击。此外，Han等人使用多艘AUV从传感器网络（SNs）收集信息[6]。在这个方案中，周围的SNs首先将信息传输给区域内的网关SNs，然后多艘AUV访问网关SNs以收集信息。攻击者可能会迅速确定所有AUV的固定收集路径。除了AUV的帮助外，其他策略如机会路由[20]和MAC层技术[13]也有助于保护源位置。

相关研究表明，研究人员对保护WSNs中的传感器网络（SRN）安全进行了广泛的研究。然而，由于USNs的电源有限且传播延迟较大，WSNs中使用的基于SRN位置的匿名保护方法不能直接应用于USNs，因为这些方法是为WSNs开发的。因此，本研究提出了一种基于可信Sybil节点的SLP技术，该技术不涉及数据冲突，适用于USNs。这种方法可以在确保源信息无数据冲突的情况下隐藏SRN的位置。下一部分将对所提出的技术进行详细解释。

3 系统框架
本节讨论了系统框架，包括网络、对手模型和必要的假设。

3.1 网络原型
传统的熊猫猎人范式[3, 8, 21]是本文提出的系统框架的基础，在该范式中，熊猫代表SRN，攻击者从汇聚节点（SKN）开始确定SRN的位置。USNs由许多随机分布的水下SNs组成，用于接收和传输信息。所有浸在水中的SN都配备了相同的初始能量、计算能力和缓存内存。每个SN都装有深度传感器。为了模拟实际情况，在海面上放置了多个浮标。所提出的网络模型如图1所示。

图1. 所有关键传感器随机分布的提出的网络模型。

3.2 基于DST的数据融合模型
数据融合中的DST方法根据可用证据产生结果并在处理后形成决策[4, 25]。与关注内部概率分布的贝叶斯统计不同，DST通过综合外部证据（如冲突的传感器输出或部分信念状态）来评估不确定性。DST在这里用于解决三个特定于水下的挑战：(1) 由于动态拓扑和环境噪声导致的部分节点报告的不确定性；(2) 冲突的选择标准（剩余能量、活动历史、跳数距离）；(3) 在不可预测的水下条件下缺乏先验数据。DST的证据融合框架通过信念区间（方程(1)、冲突感知组合（方程(14)）和增量更新来解决这些问题。DST考虑了一个全局固定集合?= {f1, f2, f3,..., fm}作为判断框架，它表示不能同时发生的相似事件。每个元素fa∈? (1≤a≤m)满足以下条件：?ρk(fa:) 和 fb)=0，其中fa≠b∈?；?ρk(fa:) 或 fb)=ρk(fa)+ρk(fb)；?对于任何1 ≤ a ≤ m，至少有一个fa必须为真。集合?的幂集定义为Δ = (?, {f1}, {f2}, {f3}, {f2, f3},..., {f1, f2, f3})。集合中的任何一个元素δ都可以根据其成员的解释来表示一个假设或陈述。

基本概率分配（BPA）函数确定支持某个论点的证据δ ∈ Δ的强度。它为每个δ ∈ Δ赋予一个权重等级，并满足以下两个条件：质量函数m(δ)给出δ ∈ Δ中的一个介于[0, 1]之间的数值：δ ≠ ?，并满足以下约束：∑δ?Δ m(δ)=1；m(?)=0。之前讨论的质量函数使我们能够创建一个置信区间，在该区间内可以找到支持δ的确切可能性。信念函数（BF）是所有δ的质量之和，表示为BF(δ)=∑δi?δ m(δi) (1)。合理性函数（PF）是不反驳δ的证据集合，表示为PF(δ)=∑δi∩δ≠? m(δi) (2)。DST的聚合行为结合了来自不同资源的证据。聚合行为是一个关联函数的例子，可以表示为：m(δ)=(m1⊕m2)(δ)=∑δi,δj:δi∩δj=δ m1(δi)m2(δj)1?Ndispute (3)，其中Ndispute是不同资源信息之间存在争议的标准化值。

3.3 对手原型
在这项工作中，将熊猫猎人模型的建议应用于对手的属性。算法1表示对手将使用的跟踪SRN的移动技术。—基站（BS）是SRN发送传入数据的地方。如果对手从BS开始回溯操作，则可以利用最大流量来推断目标信息。—假设有效的加密方法可以保护传入的数据包，使其免受潜在对手的解密。—对手无法直接损坏SN和传输通道。此外，对手也不能修改数据包中的信息。—还假设对手拥有强大的天线和其他设备，可以检测信号强度和附近源的位置。对手在接收到数据包后可能会移动一跳。数据包的传输速度比对手的移动速度快。

3.4 必要假设
在提出的过程中，讨论了以下一些必要的假设：?假设系统能够及时同步，所有SN都以半双工模式运行。每个SN都通过其唯一ID进行识别。所有SN的位置都通过定位技术确定[23]。—水下传感器网络是同质的，因此所有分散的SN具有相同的计算能力、设施和发送、接收及内部活动所需的能量。—我们提出的网络使用每个簇有一个簇头的结构，数据通过簇内和簇间通信在源和目的地之间传输。—所有源消息都发送到网络中心的强大可靠的SKN，但不包括虚假消息。—所有可信的Sybil节点都是随机部署的，根据源节点的需求，它们可以改变自己的身份和位置。—假设每个SN有‘f’个不同的频率用于广播消息，并且可以改变频率来发送或接收消息。—当找到目标时，最近的SN会立即被激活作为SRN，然后定期将观察到的属性数据传输给SKN。此外，由于海下的声音速度不同，所提出的系统是分层构建的。声音在海洋中的传播速度约为1,500米/秒，但实际值取决于海洋的温度、深度、盐度等因素。

3.5 能量耗散原型
本研究采用了参考文献[34]中描述的能量耗散原型，用于计算USN的SN传输包含‘k’比特的传入数据包所需的能量，公式如下：Et(k, dis)=Pr×Ed×T (5)，其中‘Pr’是SN的最小接收功率，‘T’是传输数据包的时间，‘Ed’是传输距离上的能量衰减因子。以下表达式用于计算‘Ed’：Ed=disE×Attndis (6)，其中‘E’和‘Attn’分别是能量扩散因子和衰减系数，表示为Attn=10abs(f)10 (7)，abs(f)表示吸收因子，表达为abs(f)=0.11f21+f2+44f24100+f2+2.75f210000+0.003 (8)，‘f’是指传输频率。在声学通信中，能量衰减主要由距离和传输频率决定，这限制了远距离声学传输和最大带宽利用率。节点接收‘K’比特信息所需的能量表示为Erec(K)=K×Econ，其中‘Econ’是CM接收一个比特信息所需的能量。CM组合‘K’比特信息所需的能量表示为Efuse(K)=K×Einc，其中‘Einc’是CM组合一个比特数据所需的能量。

4 提出的基于可信Sybil节点的源位置隐私方案
所提出的方法包括以下步骤：(1) 网络初始化；(2) 分布和选择可信Sybil节点；(3) 根据标准选择虚假SRN；(4) 分配无冲突的时间戳；(5) 多路径路由。网络启动后，可信Sybil节点被分布在整个网络中。它们每次都将源信息从SRN传输到SKN。每次广播都使用一组独特的虚假SRN来在网络中播种虚假数据包。在此步骤之后，为源和虚假信息分配不同的广播时间戳。虚假信息的传播可以在保护传入源信息的同时，防止源信息与虚假数据之间的冲突。最终，选择理想的源信息转发节点（SNs）以增加路径的多样性，并限制攻击者的回溯能力。4.1 网络初始化对于本研究，假设SKN的识别号为0。首先，SKN将在整个网络中广播一条“HELLO”消息。“HELLO”消息中包含了识别号、跳数和评估时间。最初，所有SN的跳数都被设置为无穷大。成功接收到第一条“HELLO”消息后，普通SN将从消息中获取跳数并将其增加1。保存的跳数与SN当前记录的跳数进行比较；如果当前记录的跳数低于初始记录的跳数，则SN不会保留当前记录的跳数；否则，SN将用当前跳数替换初始跳数。之后，SN会将它们的跳数告知任何未能接收到“HELLO”消息的邻近SN。每个SN最终都会获得到SKN的跳数。假设网络是时间同步的。公式（9）表示当前SN τSN(m)与其前一个SN τSN(m?1)之间的传播延迟，以及从当前SN到SKN的累积传播延迟 TSKN(m?1)：TSKN(m)=min{TSKN(m?1)+(τSN(m)?τSN(m?1)) (9)之后，每个SN将计算其用于传输信息的频率。SKN在整个网络中传输频率评估信息。接收到“HELLO”消息的SN定义其频率，然后将其及其定义的一跳邻居SN的频率传播给网络中的其他SN。上述SN还会跟踪两跳范围内邻居选择的传输频率。这样做是为了确保邻居的传输频率是唯一的，这对于连续的无冲突通信是必要的。4.2 分布和选择可信的Sybil节点（虚拟的）在本节中，自生成的Sybil节点被分布在网络中。在TSN-SLP方案中，Sybil节点是动态分配给现有水下SN的虚拟实体。它们是软件定义的逻辑身份，暂时采用伪造的属性（例如，节点ID、位置）来误导对手。不需要部署额外的物理节点；相反，授权的SN在特定的传输窗口期间承担Sybil角色。这最小化了部署成本和能源开销，同时保持了网络的运行完整性。假设所有Sybil节点都是可移动的，可以相互通信，并且受到内部和外部攻击的保护。Sybil节点的“可移动性”指的是它们能够在网络拓扑中重新定位而不需要物理搬迁。这是通过三种机制实现的。首先，坐标模拟：宿主SN定期将其广播的坐标更新±5-10米（模拟水流引起的漂移），同时保持其实际位置。对手将此视为节点移动性。其次，身份轮换：Sybil节点使用轻量级加密协议（例如，基于哈希链的伪名）轮换其虚拟ID。这防止了对手的跟踪，同时避免了硬件密集型的重新配置。最后一种机制是动态角色分配：Sybil角色每T秒（例如，T=10分钟）根据剩余能量和信道条件重新分配给不同的SN。这分散了开销，并模拟了大规模节点的移动性。在SLP方法中，Sybil节点在两种不同情况下有两个主要任务。这些Sybil节点的第一个任务是参与从SRN到SKN的每次数据传输事件。它们可以选择起始位置或中间位置。Sybil节点总是以加密形式将其当前位置发送给所有传感器节点。SRN首先将源信息发送给最近的Sybil节点。接收到源信息后，它们将在每个评估时间戳改变其身份，并将其转发给邻近的SN。传输数据后，Sybil节点改变其位置并窃取其他节点的身份。由于这种变化，攻击者的回溯变得困难。在顾问的回溯过程中，所有Sybil节点总是向攻击者发送一个一跳确认消息，即使它们没有发送原始源数据包。这种行为使攻击者难以严格找到中间节点。这是Sybil节点的第二个重要任务。最近Sybil节点的选择标准如下：Dsybil激活在SN‘k’传输半径内的所有可访问的SN，会使得这些SN响应SN‘k’发送的明确确认消息（CAM），并切换到接收信息所对应的频率。CAM包含其唯一的识别号码、剩余的能量以及到SKN的传输延迟。在实际响应CAM之前，SN还必须确定SRN的传输频率是否可能与它的两个跳邻居SN使用的频率发生冲突。如果遇到冲突，SN将不会回复CAM消息。每个负责信息传输的r跳SN‘k’都会生成一个可能的中间节点列表来存储有关SN的详细信息。该列表包括所有可访问的先前SN的识别号码、剩余能量以及到SKN的传输延迟。随后，会提出选择中间SN（记为‘I’）的最实际目的。r跳网络中的每个SN‘k’都会根据公式（17）找到最佳的中间SN‘L’：I=rand×EremL(r?1)×(EremL(r?1)2/Eini)TLSKNL(r?1)（17），其中EremL(r?1)表示r-1跳SN‘L’的剩余能量，Eini是SN的初始能量，TLSKNL(r?1)是到SKN的(r-1)跳节点的传输延迟，‘rand’是一个从0到1随机生成的变量，用于防止多SN选择问题。EremL(r?1)2/Eini的值在0到0.5之间选择，且TLSKNL(r?1) > 0；因此，上述公式的目标是找到具有最高剩余能量同时具有最低延迟的SN。准备传输源信息的r跳SN‘k’将在指定的时间‘τw’内暂停以接收CAM。如果未收到CAM，SN‘k’将等待下一个通信时间槽。‘τw’可以表示为：τw=?νm（18），其中?是通信半径，νm表示水中的声速。在选择出最佳中间SN‘L’之后，源数据将由SN‘k’以频率‘f’发送给SN‘L’。SN‘L’接收到源数据后，会向SN‘k’发送一个确认消息。当传输RM时，r跳SN会计算竞争节点的总数，然后将结果附加到RM信号中。接收到RM信号后，(r-1)跳SN会比较每个RM信号中包含的竞争节点数量，然后选择具有更多竞争节点的r跳SN来响应CAM信号。这样，可以选择具有更多剩余能量的SN来发送信息，从而提高成功的机会。在这种方法中，当SN接收到错误的源信息时，它不会发送确认消息，相关的跳数也是错误的。这有助于长期节省能量。图3显示了所有消息的通信过程。算法3代表了所提出的TSN-SLP方法。图3. 所提出场景中源信息和错误信息的通信。

5. 通信开销/成本分析
在所提出的网络中，我们使用了簇大小Z=SnC，其中Sn和C分别是SN的数量和簇的数量。让CM表示每个簇的成员总数（CMs）。单个CM与簇内其他成员交互时的簇内通信成本由公式2 × (CM?1)给出。考虑一个极端情况，即每个CM都希望与簇内的其他每个CM交互。在这种情况下，每个CM的簇内通信成本可以计算为2 × CM × (CM?1)，包括请求和回复。在簇内交互期间，每个CM都会向簇头（CH）传递更新的信息，如位置、数据、剩余能量和信任值（用于信任管理系统），无论是请求还是回复。这个过程的通信成本为2S。因此，给定簇数量的簇内总交互成本可以用公式计算：∣C∣ × (2CM × (CM ?1) + 2 × CM)。关于簇间通信，每个簇头（CH）会与另一个簇的CH共享更新的信息。由于每个簇只有一个CH，所以CH的总数为∣C∣。因此，两个CH之间的通信成本由公式∣C∣ × (∣C∣?1)给出。每个CH与汇聚节点（SKN）之间的通信成本确定为2 × |C|。在极端情况下，SKN与所有簇的CH交互，包括回复和请求。簇间交互的总通信开销使用公式计算：∣C∣ × (∣C∣?1) + 2 × ∣C∣。因此，包括簇内和簇间交互在内的总通信开销/成本（Tcomm_cost）为：Tcomm_cost = 2 × |C| × {CM × (CM - 1) + CM + (|C|?1)2 + 1}。

6. TSN-SLP的时间复杂性分析
设N为网络中的节点数量，M为锚节点数量，S为Sybil节点数量。在算法3中，第1-11行是为路由过程准备变量。这些计算在网络部署期间仅执行一次。第12-19行由于只有一个SKN而只执行一次，第17行（用于方程（9）的循环）可能需要N次。第20-28行根据第一个循环的锚节点数量M和N个传感器节点的数量，可以计算方程（10）、（11）、（12）和（13）用于第二个循环。因此，假源节点选择过程需要O(4N*M)时间。第29-31行取决于SN的数量N，所以这个循环时间为N。第32和33行只执行一次。第34和35行需要N时间；它们依赖于SN。第36到46行，循环取决于跳数（H），第37行的内循环将运行N次。因此，它需要O(H*N)时间。TSN-SLP的时间复杂度为O(1+N+(4N×M)+N+1+N+(H×N))=O(3N+(4N×M)+(H×N))=O(N(3+H+4M))=O(N(H+4M))。

7. 测量参数
所提出算法的性能指标在下面进一步详细说明——数据包传输比率（PDR）描述了从SRN成功传输到目标SKN的数据包比例相对于总数据包的数量。PDR=SSKN/SSRN（19）——传输延迟是指从SRN传输数据到SKN所需的总时间，表示如下：TransDelay=∑i=1SSKN?(TiRD?TiSKN)/SSKN（20），其中TiRD和TiSKN分别是SKN接收第i个数据和SRN所需的时间。安全时间是指从SRN初始化到攻击者准确识别SRN之间的时间，假设在此期间SRN继续传输数据。TS=tSRNgen?tAttadet（21），其中tSRNgen和tAttadet分别表示SRN形成和攻击者识别SRN的时间。能耗是指在单次模拟时间内发送和接收信息及控制消息所需的功率。改进百分比表示通过从当前值中减去实际值并将结果除以当前值得出的百分比[22, 24]。POI=(SV?FV)/SV×100%（22），其中‘FV’和‘SV’分别表示第一个和第二个值。

8. 结果与分析
本节提供了所提出方法和其他常见方法的仿真模型和科学研究的概述。还研究了改变几个参数的关键影响。
8.1 仿真设置
MATLAB 2021a是本提出方法的仿真平台。在一个边长为1000米、高1000米、深1000米的水域中，大量水下SN以一致且任意的模式分布，一个SKN放置在立方体顶层的地理中心。模型参数详细列在表2中，可在此处查看。
表2 参数
值
网络面积 1000米 × 1000米 × 1000米
传输半径 50米
数据包大小 512字节
信道数量 10
带宽 2kbps
传输功率 2瓦
接收功率 0.3焦耳
初始能量 10毫焦耳
迭代次数 500
传感器节点 600
锚节点 60
Sybil节点 50

为了进行全面评估，TSN-SLP与三个代表性基线进行了比较，这些基线在表3中表示。
表3. 算法
核心机制
关键限制
SLP-RRFPR（通过随机环和假数据包路由保护源位置隐私）[26]
1. 在源节点周围部署随机环状路由路径。
2. 在有限跳路径中注入假数据包以创建诱饵流量。
1. 静态环结构容易受到动态水下拓扑中对手模式识别的影响。
2. 持续的假数据包泛洪会导致高能耗。

EECOR（节能协作机会路由）[20]
1. 基于节点接近度和剩余能量进行机会转发。
2. 在节点之间实现协作中继以延长网络寿命。
1. 优先考虑能源效率，使其容易受到对手回溯的影响。
2. 缺乏专门用于掩盖源流量模式的机制。

ARR（全方向随机路由）[31]
1. 随机路由数据包以隐藏源位置。
2. 使用路径多样性来防止路由可预测性。
1. 随机路由在高密度网络中增加冲突和延迟。
2. 噪音较大的水下信道会加剧由于传输不协调导致的数据包丢失。

这些基线涵盖了不同的设计理念（隐私、能源、随机性），使得能够全面评估TSN-SLP的权衡。
所提出系统的效率基于四个标准：安全时间、平均传输延迟、能源利用和数据包传输比率。然后根据安全时间、传输延迟、能源消耗和数据包传输比率，评估TSN-SLP技术的有效性，并与SLP-RRFPR [26]、EECOR [20] 和ARR [31] 算法进行对比。

8.2 传输范围对跳数延迟和安全时间的影响
如所解释的，“安全期”是指攻击者发现SRN所需的时间。如果安全期延长，网络将更加安全。另一方面，在这种情况下延迟会显著增加。如图4所示，随着SN传输范围的增加，安全时间趋于减少。这是因为当SN的传输范围增加时，对手的观察范围也会增加。另一方面，如果SN的传输范围扩大，通往实际源的中间节点数量会减少。
图4. 安全时间（秒）与传输范围（米）之间的关系。
图5显示了攻击者达到源位置所需的典型跳数。攻击者需要更多的跳数来追踪目标位置，这降低了攻击者的效率，并导致源节点的安全期被超过。假数据包的广播改变了攻击者的搜索过程，即使攻击者到达SRN，回溯过程也会变得混乱。在所提出的策略中，如果扩展了传感器节点的传输范围，攻击者在到达源节点之前的跳数延迟会减少。
图5. 平均跳数延迟与传输范围的关系。

8.3 Sybil节点对安全时间的影响
图6显示了Sybil节点对安全时间的影响。增加网络中Sybil节点的比例可以延长安全时间，使攻击者更难使用回溯方法发现源位置。每次使用Sybil节点将原始源数据传输给SKN。使用Sybil节点的主要优势是它们具有窃取其他SN身份的独特能力。图6显示了随着Sybil节点比例的增加，安全时间与SN数量之间的关系。显然，增加传感器节点（SN）的数量可以提高安全时间，因为SN可以提供更多不同的路径到达源节点。图6显示了在Sybil节点数量变化的情况下，安全时间与传感器节点数量之间的关系。图8.4展示了虚假源节点对能耗的影响。图7展示了所提出方法的总能耗随网络中SN数量的变化情况，以及不同比例的虚假SRN选择对能耗的影响。根据结果可以确定，如果添加了过多的虚假SRN，网络的总能耗将会增加。因此，需要选择一个合适的虚假SRN比例来限制网络的同时能耗，以确保安全保护系统的正常运行。图8.5比较了不同方法的数据包传输率（PDR）。图8显示了随着节点数量的增加，PDR也在增长。这是因为SRN现在有了一个额外的邻居SN，可以参与源数据包的转发。在SLP-RRFPR、EECOR和ARR协议中，SN不提供评估时间戳来传递SKN信息；相反，它仅根据邻居的跳数来传输数据包。因此，数据传输失败的可能性更大，SKN可能会因为源信息和虚假信息之间的冲突而丢失数据。而TSN-SLP方案的表现优于其他方案，因为在设置阶段，每个SN都会选择自己的传输频率，从而消除了路径中的干扰。此外，还采用了评估时间戳共享和握手程序来避免由于源信息广播而可能导致的冲突。根据表4和使用方程（22）进行的评估，所提出的TSN-SLP方案的平均数据包传输率分别比现有的SLP-RRFPR、EECOR和ARR方案提高了11.34%、14.23%和37.34%。表4显示了TSN-SLP相对于其他方案的改进百分比。在假设的攻击中，攻击者会监控流量以定位SRN的位置。对手发现SRN位置所需的时间决定了安全时间。因此，如果安全时间得到延长，网络就会更加安全。图9展示了四种方法的安全时间与SN数量之间的关系。SRN和SKN之间的距离越远，可以实现的安全性或隐私性就越高，但这也会使精确确定SRN的位置变得更加困难。上述方法用于随机路径选择或长距离传输模型中。TSN-SLP方案具有最高的网络安全时间，因为它考虑了中间节点的剩余能量，并向网络中注入虚假信息，这些虚假信息可以掩盖源信息。此外，移动的受信任Sybil节点使得攻击者更难以准确识别自己。在回溯过程中，附近的Sybil节点总是会确认攻击者的消息。根据表4和使用方程（22）进行的评估，所提出的TSN-SLP方案的平均安全时间分别比现有的SLP-RRFPR、EECOR和ARR方案提高了32.71%、45.86%和80.62%。图10显示了传输延迟随节点数量的变化情况。传输延迟与网络中的节点数量成反比，尽管更大的网络为负责发送源信息的SN提供了更多的选择。图10展示了不同系统的传输延迟。使用最短路径路由方法从SRN传输消息到SKN所需的跳数表示为SRN到SKN的跳数距离。可以确定，最短路径路由方法总是能够以最小的时间延迟将信息传输到SKN。然而，最长的数据路径可以为给定的网络提供更好的安全性。现有方法使用长的、随机的数据路径来保护源位置的隐私，因此传输延迟较大。而在所提出的方法中，通过注入虚假源信息和Sybil节点，主要是在不依赖扩展数据路径技术的情况下分散攻击者的注意力。根据表4和使用方程（22）进行的计算，与已知的SLP-RRFPR、EECOR和ARR方案相比，TSN-SLP方案的传输延迟分别减少了38.51%、46%和65.87%。图11比较了不同方法的能耗。当某个位置有更多的节点时，节点密度增加，意味着数据包传输的距离缩短，但能耗也会随之成比例增加。在所提出的方案中，在多路径路由和握手阶段，转发SN在接收到虚假信息后不会响应“确认”消息，并且虚假信息传输的跳数是随机的；这节省了更多的能量。根据表4和使用方程（22）进行的计算，TSN-SLP方案比已知的SLP-RRFPR、EECOR和ARR方案分别降低了9.1%、14.4%和28.79%的能耗。总之，本研究提出了一种无数据冲突的USN SLP策略，用于保护主要被监控粒子的SLP。该方法保护了敏感数据，如USN粒子的位置信息。首先，实现了一种虚假SRN筛选方法，通过插入虚假信息来掩盖源信息的流动，从而过滤掉不必要的流量。其次，由于虚假信息会干扰源信息的通信，因此采用了一种评估时间戳分配技术来解决这个问题。该方法基于伪代码生成器，将SRN和虚假信息的传输分配到不同的时间戳上。除了解决攻击者通过预定路径快速追踪SRN的问题外，还使用握手协议对中间SN和受信任的Sybil节点进行了筛选。实验结果表明，所开发的TSN-SLP方案在平均数据包传输率、安全时间、传输延迟和能耗方面表现出色，分别比SLP-RRFPR、EECOR和ARR方案提高了21%、53%、50%和17.4%。在未来的研究中，我们希望探索更有效的解决方案，以减少能耗和传输延迟，同时提高SRN保护用户位置隐私的效率，并考虑由于声速分层导致的传播延迟变化，以提供一个更现实的模型。