一種高覆蓋率和安全性的動態傳感器網絡部署策略?

徐友洪 童根樹

(1.衢州職業技術學院信息工程學院，浙江 衢州 324000；2.浙江大學建筑工程學院，浙江 杭州 310058)

低成本集成和小型微型傳感器在可任意處理的傳感區域引起了極大的關注[1－4]。這些傳感器是可移動的、隨機部署的、所需基礎設施較少且以數據為中心的傳感器，它們配備無法充電(或很少充電)或不可替換的數據處理器和感知電路，因此在能量、帶寬、存儲和處理能力方面受到限制；盡管如此，這些傳感器在國土安全、災難后恢復、目標識別、偵察、醫療應用、防御應用和入侵檢測等領域得到了廣泛應用[5－6]，各個傳感器處理感測數據并以安全的方式傳送到目標接收器。移動性通過重定位這些傳感器并幫助建立從源到接收器的非冗余安全數據傳輸的節能路由來降低通信開銷，從而最大化電池和傳感器的壽命；盡管移動性和安全路由已在Ad-hoc 網絡中得到了廣泛的研究，但對于資源受限的移動傳感器網絡仍是一個有待探索的領域。移動傳感器網絡由隨機部署的可任意處理的傳感器構成，它們彼此協作，使得覆蓋范圍和電池壽命最大化。在部署時，傳感器可以通過隨機游走擴散到環境中。近年來，有不少學者提出了與移動傳感器網絡研究有關的動態方法。文獻[7]主要考慮傳感器節點一次部署一個，每個節點利用從先前部署的節點收集到的數據來確定其最佳部署位置；文獻[8]在文獻[7]的基礎上，提出了減少部署時間的潛在區域，進一步提高了部署的效率；文獻[9]提出了傳感器節點對多個動態變化環境的覆蓋響應的自組織策略和算法；文獻[10]提出了一種基于優化采樣的蒙特卡羅盒定位算法。該算法在釆樣階段引入了節點的接收信號強度信息用于進一步縮小釆樣箱，使得從中獲取的初始樣本以更大的概率靠近待定位節點的實際位置，從而將傳感器最佳地部署到關鍵區域，以確保所需讀數的質量；文獻[11]提出了與傳感器安全相關的研究，包括采用簡單對稱密碼算法和非對稱密碼算法的解決方案，但由于傳感器節點上可用的計算、功率和存儲資源有限，所以非對稱密碼算法不適合為無線傳感器網絡提供安全性；文獻[12]分析了拜占庭容錯問題的解決方案，通過對無線傳感器網絡中拜占庭容錯問題的技術難點分析，提出了一種基于快速ECDSAE 的輕量級拜占庭容錯路由方案ELBFT。ELBFT 方案采用基于分簇的雙層拓撲，針對不同的網絡層面執行不同輪數的拜占庭容錯，減少了簇間通信輪數，降低了網絡總通信量，有效地平衡了網絡負載；文獻[13－14]盡管提出了基于遺傳算法的能量平衡消耗和最大化連接覆蓋集，但它們僅用于實現靜態傳感器網絡的2 個目標，即簇成員和到接收器的路由。

盡管上述大多數方案都是有用的，但側重于靜態傳感器網絡的覆蓋范圍最大化，同時盡量減少靜態傳感器網絡中的電池使用，它們無法全面處理移動傳感器網絡中需要優化競爭的4 個主要目標:簇群、路由、定位和安全性，以獲得高能效的移動傳感器網絡。對此，本文提出了一種遺傳算法，將隨機部署的移動傳感器劃分和放置到一個具有簇頭和最佳路由的獨立簇的最優數目中，簇頭從其成員傳感器收集數據，并通過最具成本效益的路由以壓縮和安全的方式將收集到的數據發送到接收器。一旦部署完畢，通過移動(或重定位)自身來進一步最大化它們的覆蓋范圍。總的來說，傳感器網絡依賴于連續的隨機運動，通過安全性、簇頭最短路徑和負荷遷移等，使節點處于最佳接觸狀態。實驗結果表明，相比于靜態部署，本文提出的動態部署不僅提高了傳感器的覆蓋率，而且在保證安全性的同時降低了節點丟失百分比。

1 問題模型

1.1 遺傳算法

遺傳算法(genetic algorithm，GA)是模擬自然進化的一種隨機搜索技術，已成功應用于廣泛的組合問題中，也是計算科學人工智能領域中用于解決最優化的一種搜索啟發式算法，是進化算法的一種；遺傳算法在適應度函數選擇不當的情況下有可能收斂于局部最優，而不能達到全局最優。遺傳算法的基本運算過程如下:

(1)初始化:設置進化代數計數器t＝0，設置最大進化代數T，隨機生成M個個體作為初始種群體P(0)；

(2)個體評價:計算種群P(t)中各個個體的適應度；

(3)選擇運算:將選擇算子作用于種群。選擇的目的是把優化的個體直接遺傳到下一代或通過配對交叉產生新的個體再遺傳到下一代。選擇操作是建立在種群中個體的適應度評價的基礎上；

(4)交叉運算:將交叉算子作用于種群。遺傳算法中起核心作用的就是交叉算子；

(5)變異運算:將變異算子作用于種群。即對種群中的個體串的某些基因座上的基因值作變動。種群P(t)經過選擇、交叉、變異運算之后得到下一代種群體P(t＋1)；

(6)終止條件判斷:若t＝T，則以進化過程中所得到的具有最大適應度個體作為最優解輸出，終止計算。

GA 在涉及設計和優化的應用中特別有用，在這些應用中存在大量的變量，并且過程算法要么不存在，要么非常復雜；簡單的GA 收斂于單一解。

1.2 基于遺傳算法的靜態傳感器適應度

對于靜態傳感器來說，每個單獨的傳感器節點都采用遺傳算法分配一個職能分工。這些功能表示為:(1)不活動節點(即供電中斷)；(2)簇頭(Cluster Head，CH)；(3)簇間路由器(Inter-Cluster Router，ICR)和(4)傳感器節點(Sensor Node，NS)。每個簇用一個簇頭來表示，簇成員用不活動/活動節點傳感器和ICR 來表示。簇頭負責來自于各個節點傳感器的數據融合，簇間路由器負責將簇數據(來自于簇頭)傳送到接收器。對于采用遺傳算法的靜態傳感器網絡來說，通常定義如下適應度參數:

(1)覆蓋適應度(Coverage Fitness，CF):最優化總的覆蓋范圍，目標是最大化總的檢測區域；

(2)簇頭適應度(Cluster-Head Fitness，CHF):基于傳感器節點和簇頭的均勻性定義的適應度；

(3)節點通信適應度(Node Communication Fitness，NCF):定義與簇頭通信所需的功率，可以采用路徑損耗來進行計算；

(4)電池狀態適應度(Battery Status Fitness，BSF):用于最優化節點分配定義的閾值，即電池狀態/使用情況；

(5)路由器負荷適應度(Router Load Fitness，RLF):如果路由器(ICR)連接了超過簇頭的平均數量，它就對路由器(ICR)進行懲罰，以避免ICR過載；

(6)傳感器執行器適應度(Sensor Effector Fitness，SEF):它給出簇傳感器執行所消耗的能量。SEF的有效效應是對傳感器節點進行重新部署，以使得通過融合、刪除或壓縮等方法對傳感器數據傳輸進行均勻優化；

(7)總節點適應度(Total Node Fitness，TNF):對于合適的節點分配來說，TNF計算如下:

式中:α1＋α2＋α3＋α4＋α5＋α6＝1，αi依賴于各適應度的相對重要性，這些值可以用外部啟發式方法進行調整；

(8) 路由選擇適應度函數(Route Selection Fitness Function，RSFF):它采用基于節點適應度函數的GA 的節點分配生成均衡的路由。在建立過程中，CH和ICR 在成本效益最高的路由器上開始發送數據。

2 移動傳感器網絡的遺傳算法

2.1 移動性擴展

這部分將討論基于GA 的移動性，目標是實現節能動態部署。

移動性允許節點進行功率優化，請求其他節點進行數據融合來執行協作感知和進行修正，并定位要報告的數據。但移動性隨著移動要付出代價，可以通過傳感器節點監測自身功率的能力，以及傳感器節點與環境動態的相互作用來實現一種最佳的移動策略，通過重新部署節點的位置，就可利用移動性來最大化適應度，從而獲得以下定義的適應度參數的優化。

2.1.1 覆蓋均勻性適應度

覆蓋均勻性適應度(Coverage Uniformity Fitness，CUF)通過利用傳感器的移動來填充覆蓋孔和最大化檢測區域，以實現覆蓋范圍的改善，是通過再平衡簇成員節點之間的通信距離來實現的。位置較近的節點因移動而得到獎勵，而更遠的節點因為達到覆蓋均衡而相互移動也得到獎勵。當節點間距離達到最優時，與相鄰節點的距離和所需的傳輸功率最小化，這有助于最大化NCF。CUF計算如下:

式中:M為簇數目，dj＿min和dj＿mean分別為簇j中節點間的最小通信距離和平均通信距離，ej＿min和ej＿mean分別為簇j中各個節點與簇頭之間的最小通信距離和平均通信距離。

顯然，均勻分布的傳感器節點比采用不規則拓撲的節點消耗的能量更均勻，GA 通過對傳感器的定位方式來增強傳感器的移動能力，以增大覆蓋范圍，減少節點間的干擾，最大限度地減少通信所需的功率。

2.1.2 簇－節點遷移適應度

簇－節點遷移適應度(Cluster-Node Migration Fitness，CNMF)通過獎勵傳感器節點具有低CHF簇頭之間的傳感器節點的遷移來提高傳感器節點和簇頭的均勻性。如果傳感器遷移是從高密度簇遷移到低密度簇，則遷移有助于獲得更高的CHF。CNMF計算如下:

式中:n是第n個遷移對(源－目標簇)，N是遷移對的總數目，χns是過多的傳感器節點的源簇度量，χnt是傳感器節點的耗盡數量的目標簇度量，ρn是附著在這個簇頭上的節點數，ρ是系統中每個簇的平均節點數，計算為:

當傳感器節點位于源簇和目標簇間擴散梯度較高的低CHF簇中時，適應度表達式對傳感器節點的遷移有一定的獎勵。

2.1.3 簇頭遷移適應度

簇頭遷移適應度(Cluster-Head Migration Fitness，CHMF)獎勵具有較低路由器負荷適應度的簇頭和簇間路由器的移動。CH 和ICR 的移動可以有助于獲得更高的RLF，原因如下:

(1)ICR 或CH 移動可以基于各種因素改變ICR 的成員。這樣可以優化連接到移動的ICR 上的CH/ICR 的數目；

(2)ICR 還可以移動與另一個功能節點(簇頭、傳感器節點)交換角色。這可以通過為路由器目標交換具有較高電池容量的節點來幫助維護現有的拓撲結構。CHMF計算如下:

式中:N是移動節點的總數目，RLFn是第n個節點的路由器負荷適應度(見1.1)，BFnt是與具有BFns的第n個ICR 節點交換的非ICR 節點的電池適應度，ηn是表示第n個ICR 的交換對的布爾值。

從式(5)可以看出，傳感器在具有較低的電池和路由器負荷適應度的ICR 和CH 上移動會得到獎勵，節點移動通過再平衡影響路由器的負荷，通過交換功能目標影響電池的容量。

2.1.4 節點運動適應度

節點運動適應度(Node Motion Fitness，NMF)表明一個節點的平均行程與它的運動有關，但以電池壽命為代價。因此，期望距離是對能量供給有限的節點所需能量的估計。因此，希望在達到總體系統目標(覆蓋范圍和延長網絡壽命)的同時，穩定運動特性。這些特性與運動頻率和振蕩有關。

(1)運動頻率度量傳感器在一個閾值限定的給定時間內的平均運動，閾值是由電池適應度定義的電池壽命的函數。具有有限電池壽命的傳感器的較大運動會受到懲罰，這使得隨著系統的老化，實現運動的能力受到很大的抑制；

(2)位置穩定性度量由于競爭目標節點無法達到穩定的位置，節點因過度運動或非持續振蕩而受到懲罰。

NMF計算如下:

式中:?i(n)(0≤?i(n)≤1)是第i個傳感器節點在n次訪問同一位置時的懲罰，Fi(·)是第i個傳感器節點的懲罰，且0≤Fi(Q，節點類型)≤1，Q是量化步驟中表示的電池狀態，d是節點移動的估計距離，它通過在不同的已知傳感器位置上讀取多個能量，并采用基于能量的定位來間接估計。

第i個傳感器在時間間隔t上測得的信號能量以yi(t)表示，計算為:

式中:Gi是第i個傳感器的增益因子，α(≈2)為能量衰減因子，εi(t)是參數建模誤差的累積效應，S(t)表示目標在時間t發射的能量，r(t)(D×1)表示目標在時刻t的坐標向量，ri(D×1)表示第i個穩定傳感器的笛卡爾坐標向量。

2.1.5 傳感器數據適應度

傳感器數據適應度(Sensor Data Fitness，SDF)用重新定位傳感器節點的凈效應來度量傳感器的數據效率，使得其數據傳輸通過融合、刪除或壓縮方法被均勻地優化。在資源受限中的最優感知用θ(B，F)表示，其中B是與傳感操作相關的服務質量要求，F是計時器策略。實現服務質量特性是為了利用可變的數據壓縮和融合規則，根據傳感器的條件(如傳感器密度)執行計時器以改變比特率。傳感器的運動可以通過以下方式減少簇中的平均能量需求而得到獎勵:

(1)由于最近移動的傳感器分擔負荷，減少了計時器活動的變動；

(2)由于最近移動的傳感器觸發了新的融合規則，并且由于冗余傳感器的移動消除了冗余感知，因此減少了比特數。

在給定的信噪比下，獎勵過程的凈結果是最佳傳感器密度和每秒的比特數。SDF計算如下:

式中:λ1＋λ2＝1，F＝{F1，F2，…，FN}和B＝{B1，B2，…，BN}分別表示簇n的每個傳感器節點的平均頻率和比特率，簇n中傳感器節點已經被檢測到，ψ(X，n)表示傳感器參數X的改善增益，X用其在簇n中的連續抽樣實例之間的平均值()和方差()的變化來表示，λ1和λ2可以基于傳感器實現來調整。

與節點運動相關聯的總適應度由總的節點運動適應度確定如下:

式中:α1＋α2＋α3＋α4＋α5＝1，且單個權值依賴于實現。

2.2 節點部署的遺傳算法實現

根據TNMF，就可以采用GA 算子設計出最佳節點部署算法。在接收器中執行GA，在多個觸發器上重復。這些觸發器與電池報警、惡化的路由適應度報警和周期性操作有關。一旦達到最佳適應度，與最佳適應度相對應的部署就被提交，并指示傳感器放棄舊的位置來獲取新的位置。

2.2.1 染色體表示

GA 的染色體是以適合于遺傳算子和適應度函數的形式來解決問題的構建模塊。染色體串由每個傳感器節點的運動向量構成，運動向量用一個名為“gene”的7 位二進制數表示，如圖1 所示，在本例中，節點1、2 進行3 次替換，節點3、4 進行2 次替換，節點5、6、9 只替換1 次，其他節點不移動。染色體串層次定義為:

圖1 基于GA 算法的節點重定位

(1)()表示0°(00)，90°(01)，180°(10)、270°(11)的角運動；

(3)只有當x值之一為1 時，才會移動傳感器。

2.2.2 初始種群

初始染色體串采用隨機數發生器(random number generator，RNG)部分隨機生成，且部分采用先前樣本的種群。

2.2.3 評價

每個染色體串采用由式(9)定義的TNMF函數(用于節點部署)進行適應度評價。

2.2.4 繁殖

繁殖允許適應度較高的個體(串)對下一代中的后代有更高概率的貢獻。由于TNMF定義了適應度值，所以具有最高TNMF值的染色體有更好的機會參與繁殖。算法采用標準加權輪盤法選擇n個個體到采用交叉概率生成N個染色體的交配池中。在繁殖過程中，選擇多個交叉點，其位置采用RNG 計算。

2.2.5 突變

復制的N個染色體被轉移到突變池中，突變池中的突變算子根據自適應變異概率對它們進行突變，自適應變異概率與平均適應度成反比:

式中:pm為最大變異概率，突變采用函數翻轉來決定是否反轉比特。

2.2.6 選擇

最后，根據適應度值從N＋n(n個父本和N個孩子)中選擇n個染色體，并遺傳給下一代。

2.3 安全性擴展

至止，已經采用GA 算法并行執行前3 個傳感器目標簇群、路由和定位。這三個目標的可靠運行依賴于各個功能單元之間的安全通信，這就需要識別已損壞或錯誤添加的節點、安全重新部署/添加節點和防止惡意入侵者采用身份認證、完整性、隱私以及反回放等因素進行被動監聽，即全部通信都必須是安全的，以避免入侵者截獲、分析和更改數據，從而降低傳感器網絡的有效性。

在本文的安全模型中，把接收器視為是一個可信的組件，它為不同節點類型之間的數據安全轉發建立必要的信任關系。最靠近接收器的節點構成最受信任的關系，也就是說，節點從接收器開始構建信任層次，這從預先確定的路由決策中可以看出，預先確定的路由決策是在建立期間和稍后重新配置期間創建的。由于與命令/消息執行、數據轉發等相關的原因，安全體系結構的要素在不同的節點類型之間建立信任關系。任何身份認證都是通過可信路由層次結構的接收器和組件來實現的。為了實現高效的身份認證，本文采用安全網絡加密協議(secure network encryption protocol，SNEP)[15]的某些要素。協議的加密部分在第一發起者(first-initiator，FI)和接收器之間執行，層次結構中的其他組件充當身份認證(或非身份認證)的通過。第一發起者可以是一個簇頭或一個ICR，它們要么發起命令，要么參與數據融合，以便將數據傳送到接收器。這些安全要素包括:

(1)主密鑰(Master Key，MK)得到對稱加密(Kencr)和消息認證(Kauth)密鑰，并生成偽隨機數(Krand)。得到的密鑰可基于接收器的請求隨機更改，主密鑰在節點和接收器之間先驗地共享，并用于專門的節點－接收器傳遞消息。采用得到的密鑰Krand和一個計數器C來生成偽隨機數。這個偽隨機數在加密之前被插入到消息中，以避免純文本攻擊。

(2)節點間通信密鑰(inter-node communication key，INCK)是兩個節點之間由接收器主導的共享密鑰，用于對它們之間的消息進行認證(INCKmac)。由于接收器知道路由層次結構，所以它為參與認證的每個ICR(或CH)封裝。每個節點采用其Kencr(從主密鑰得到)解密封裝的數據包并提取其INCK。是分別用于端口0 和端口1 的MAC 密鑰。

(3)這里采用反模式分組密碼[15]進行加密/解密，采用CBC-MAC[16]作為身份認證。反模式分組密碼要求在節點和接收器之間共享計數器，由于它是一個流密碼，消息長度與純文本相同，因此通信開銷較低。雖然一些路由器可以用作傳遞，但其他路由器則采用基于MAC 的身份認證來執行準入控制。接收器可以改變ICR 和CH 的認證要求，這依賴于能量需求和通過電池量化級和壞數據包數量來測得的安全威脅級別，同時通過標識重要節點來維護足夠的安全級別。重要節點通過評估電池狀態、網絡流量、特定路由上的格式錯誤或重試以及單個路由處理身份認證中的節點數來優化啟用安全性。為此，下面定義一個適應度函數，該適應度函數是競爭傳感器節點上安全要素的最佳啟用。

2.3.1 安全節點適應度

安全節點適應度(secure node fitness，SNF)基于感知到的涉及數據完整性的威脅來獎勵在節點上啟用的安全性。接收器跟蹤在特定路由上接收到的全部格式錯誤的數據包。盡管路由(CH→接收器)因攜帶格式錯誤和重試的數據包而受到懲罰，但它們因啟用路由器(ICR)上的身份認證和簇頭上的加密而受到獎勵。如果啟用了與量化為M級的威脅級別不成比例的身份認證，則給予附加懲罰。SNF獎勵根據電池量化級別和電池使用率測得的安全屬性的節能啟用。接收器采用滯后性來計算表示數據通信、連接節點的平均數量和移動等的電池使用量。SNF計算如下:

式中:λ1＋λ2＝1，λ2是第一發起者加密的獎勵貢獻，R是路由總數目，θi是由接收器計算的路由i的威脅等級，Ki是路由i中啟用身份認證和加密節點ICR 和CH 的數目，N是路由i中節點ICR 和CH 的總數目，如果路由i中的節點n被啟用作為身份認證，則＝1，否則為0，(·)是在路由j上啟用對節點i的接納控制的懲罰，Q是節點i的電池電平，ψ是電池使用率。

2.3.2 啟用安全性的遺傳算法

本節設計在節點上啟用安全屬性(加密和身份認證)的遺傳算法。把這些節點用一個染色體串來表示，染色體串采用每個傳感器節點的安全策略構成，安全策略由一個2 位二進制數表示，定義為:

式中:(e1a1a2…aN)i表示路由i的節點n上的安全屬性(en＆an)，en和an分別表示加密比特和認證比特。注意，第一個節點總是一個CH 節點，其中的數據加密可以通過設置en＝1 來任意進行。遺傳算法的步驟類似于1.2 的步驟。

安全設置與節點選擇或移動相競爭。節點是基于相應的適應度因子分配功能或位置的，這些適應度因子由于電池條件對于確保數據包安全來說可能是次優的。這將觸發重新配置，直至所有目標達到可接受的收斂為止，就像節點/路由選擇和移動性估計一樣，這是在系統生命周期內重復的一個動態過程，如圖2 所示。

圖2 接收器在ICR 和CH 端口主導INCK 密鑰

這些密鑰支持基于遺傳算法生成的安全屬性染色體的認證。例如，節點2 不需要端口0 的消息認證，而是需要端口1 的消息認證。。

2.4 算法計算復雜度分析

在考慮安全性擴展的情況下，算法實現主要包括2 個階段。一是移動傳感器網絡實現本身的GA算法，二是在安全性擴展下的安全節點適應度計算和安全性啟用2 個過程；對于第一個階段，對于移動節點總數目為N的傳感器網絡來說，如果進化代數為T，初始種群為M，則通過選擇運算、交叉運算和變異運算，算法執行的時間復雜度分別為N「M/T?、MT和M，一般情況下，N很大于T和M，所以這個階段的計算復雜度為N「M/T?(其中「·?表示向下取整)；對于第二個階段，其中的安全節點適應度計算會增加N個節點的身份認證和加密計算，即增加N次加法運算，在GA 算法中啟用安全性時由于要用2位二進制數來表示安全策略，總共要進行2N次乘法計算；所以結合第一階段的計算復雜度，整個算法實現的計算復雜度為N「M/T?＋2N。

3 實驗結果和分析

實驗設置由在一個30×30(歸一化單位長度)空間內隨機位置上的100 個節點構成，各個節點在(0，0)～(30，30)之間獲取一個隨機坐標，并分配它們自己一個通用唯一識別碼和0～15 之間的隨機電池容量。為簡單起見，給每個節點3×3(歸一化單位長度)的覆蓋區域，一旦全部節點進入偵聽模式，遺傳算法將以60%的交叉率和6%的初始突變率運行。假設傳感器節點之間為視距傳播，實現的遺傳算法軟件仿真器與網絡仿真器NS－2 一起運行，NS－2 軟件用于仿真網絡流量。軟件仿真器執行GA 生成運動路徑和安全屬性，并根據網絡流量、電池使用情況和接收數據包的完整性計算所定義的適應度參數；仿真器中的獨立進程運行一個預測算法，預測算法采用過去的滯后性來估計未來的流量和數據完整性，并將這些數據用于估計GA 運行中的適應度參數；當每個GA 目標趨向于與其他目標競爭收斂到系統均衡時，最終的結果就使得網絡壽命最大化，以獲得最佳覆蓋。

圖3 所示為靜態和動態部署時覆蓋率與進化代的數量的關系。可以看到，由于運動而實現的動態部署，使得覆蓋率比靜態部署平均提高了約30%。當然，移動也伴隨著通信開銷，這是由于運動指令的加密和認證以及觸發通信路由上增強的認證屬性的節點移動而導致臨時數據包丟失和數據損壞。盡管移動會增加電池消耗，但可通過節點重新部署降低通信成本來補償。

圖3 靜態和動態部署時覆蓋率與進化代數量的關系

圖4 所示為節點丟失百分比與進化代數量的關系?？梢钥吹?，動態部署明顯優于靜態部署，節點丟失百分比平均減少了約18%；還可看到，節點在靜態部署情況下呈指數級丟失，而在動態部署情況下，由于總能量的更好分布，簇群中的節點是逐漸丟失的。靜態部署節點死亡導致的覆蓋損失會導致傳輸能量的增加和更長的路由。本文算法在優化節點分配的同時，還利用安全性和移動性擴展提高了傳感器網絡的覆蓋范圍、壽命和完整性；圖5 所示為安全性擴展通過基于接收器感知的威脅級別動態切換認證和加密對遺傳算法的進一步改進。從圖4 可見，在第600 代和第700 代結束時，未考慮安全性擴展的節點丟失百分比分別為40%和61%，而從圖5 可見，考慮安全性擴展后在第600 代和第700 代結束時的節點丟失百分比平均分別為26%和44%，節點丟失百分比明顯下降；但還可看到，隨著進化代數和威脅級別的增加，節點丟失百分比是增大的，這是由于安全節點(CH 和ICR)上的計算和報頭數據開銷增加了，導致能量損失更大，從而增大了節點丟失百分比。

圖4 靜態和動態部署時節點丟失百分比與進化代數的關系

圖5 第500 代和第700 代結束時節點丟失百分比與威脅級別θi 的關系

4 結束語

本文提出了采用多目標遺傳算法的移動傳感器的動態、安全和節能部署。算法通過利用移動性重定位傳感器節點位置，進一步優化節點的分配、路由和安全屬性，從而最大限度地提高傳感器網絡的覆蓋范圍和壽命；此外，還提出了一種新的方法，使安全屬性與感知到的威脅級別成比例，并且能夠促進電池的有效使用，將異常節點的影響降到最低；未來將研究從網絡中排除異常節點的能力，以及更好地描述網絡壽命中的能量分布。