在无线传感器网络中，利用模糊推理聚类和基于注意力的多尺度深度学习实现节能且安全的路由

《Scientific Reports》：Energy-efficient secure routing in wireless sensor networks using fuzzy inference clustering and attention-based multi-scale deep learning

　　

摘要

无线传感器网络（WSNs）广泛应用于环境监测、智能农业、医疗保健、工业自动化和军事监控等领域。然而，它们的性能和寿命常常受到能源限制、簇生成效率低下、路由安全性不足以及易受网络攻击的影响。现有方法通常存在能耗高、路由开销大、可扩展性差以及入侵检测精度有限等问题。为了解决这些问题，本文提出了一种基于Mamdani型模糊推理系统（FIS）的自适应簇生成方法，以确保簇结构的平衡性和稳定性。簇头（CH）的选择采用动态自适应图树-黄蜂共生进化优化（DA-FTWSCO）算法进行，以提高能源效率并延长网络寿命。在安全通信方面，使用自适应信任同步数据包控制协议（ATSPCP）计算信任值，并通过改进的灰熊脂肪增加优化器（IGBFIO）选择最佳路径。此外，还采用了具有注意力机制的增强型多尺度膨胀MobileNet（EMSD-MobileNet-AM）进行有效的入侵检测，能够准确识别拒绝服务（DoS）攻击和零日攻击。仿真结果表明，该方法实现了低能耗（1.02 J）、高吞吐量（0.93 Mbps）、低端到端延迟（4.0 ms）以及高攻击检测率（98%）。实验结果证明，该框架在效率、安全性和可扩展性方面优于多种现有方法。