GNN-TASR:基于图神经网络的信任感知安全路由技术,适用于低地球轨道(LEO)卫星网络
《Ad Hoc Networks》:GNN-TASR: Graph Neural Network based Trust Aware Secure Routing for LEO satellite network
【字体:
大
中
小
】
时间:2026年03月11日
来源:Ad Hoc Networks 4.8
编辑推荐:
阿希·纳兹(Arshee Naz)| 卡兰·维尔玛(Karan Verma)| 吉塔·西卡(Geeta Sikka)
印度德里国立技术学院
**摘要**
在动态的低地球轨道(LEO)卫星网络中确保安全通信和可靠的数据传输面临重大挑战,这主要是由于网络拓扑结构的频繁变
阿希·纳兹(Arshee Naz)| 卡兰·维尔玛(Karan Verma)| 吉塔·西卡(Geeta Sikka)
印度德里国立技术学院
**摘要**
在动态的低地球轨道(LEO)卫星网络中确保安全通信和可靠的数据传输面临重大挑战,这主要是由于网络拓扑结构的频繁变化以及信任关系的不确定性。本文提出了一种基于图神经网络(Graph Neural Network, GNN)的信任感知安全路由(Trust-Aware Secure Routing, GNN-TASR)框架,该框架通过结合消息传递神经网络(Message Passing Neural Network, MPNN)的行为信任建模来实现自适应安全路由。该模型整合了直接和间接的信任指标,包括链接可用性、诚实性和自我利益,以在对抗性网络环境中嵌入图并推断出可靠的路由路径。仿真结果表明,所提出的GNN-TASR优于现有的信任机制,在OneWeb数据集上达到了98%的准确率,在Telset数据集上达到了约93%的准确率,并且损失更低。此外,在恶意攻击环境中,其性能表现优异,实现了94%的数据包传输率、30%的延迟减少以及22%的吞吐量提升。这些结果验证了GNN-TASR在下一代6G卫星网络中的效率、弹性和可扩展性。
**引言**
诸如Starlink、OneWeb和Kuiper等低地球轨道(LEO)卫星的快速发展,促进了空间-地面集成网络(Space-Terrestrial Integrated Networks, STINs)的迅速发展,这些网络提供了低延迟和广泛覆盖的全球连接[1]。这些网络是一些关键应用领域(如灾难恢复、自主导航、遥感和防御通信)的重要组成部分。然而,网络拓扑结构极其不可预测,机载资源有限,且存在网络攻击和物理攻击的风险,因此保证提供安全高效的路由协议成为一项重大挑战[2]。
传统的地面网络路由协议假设节点会合作且可信,但在卫星网络中这种假设并不成立,因为节点可能会为了节省能量而自私行事,或者恶意破坏通信[3]。诸如数据包丢弃、篡改和路由操纵等恶意行为会显著降低数据传输的性能和可靠性。因此,基于信任的路由方案成为提高安全性的潜在解决方案,通过动态评估和整合节点的可靠性来制定路由策略[4]。
卫星网络中的信任评估通常依赖于可观察的指标,如链接可用性、过去的转发行为、能量水平和网络反馈[5]。根据这些指标,可以基于个人观察和邻近节点的建议计算直接和间接的信任分数[6]。然而,基于规则或统计估计的经典信任计算方法在复杂且不断变化的网络环境中适应性较差,也无法很好地区分恶意行为和由于拥塞或链接变化导致的性能下降。
深度学习的最新进展——特别是图神经网络(GNNs)——为图结构数据的建模和学习提供了原理性的框架,使其非常适合具有动态拓扑结构的卫星通信网络[7][8]。通过消息传递,GNNs使每颗卫星能够学习联合捕获局部行为模式和全局网络上下文的表示,这对于分布式和对抗性环境中的信任推断至关重要[9]。当与信任感知路由结合使用时,GNNs提供了一种系统化的机制来识别恶意节点,并支持比基于规则或拓扑无关的学习模型更准确的自适应安全路由决策[9]。
相比之下,传统的卫星安全路由技术(如蚁群优化(Ant Colony Optimization, ACO)和其他基于启发式的方法)虽然能够适应变化的链接条件,但依赖于静态成本函数或概率探索机制[8]。尽管这些方法在延迟或跳数优化方面有效,但它们缺乏学习、泛化或预测恶意行为模式的能力,因为它们没有明确建模节点间信任的演变[10]。同样,传统的路由协议(如AODV、OLSR)及其增强型变体依赖于定期路由发现和局部观察,这在LEO星座中由于频繁的链接中断、较短的卫星间链接(ISL)接触时间和延迟的信任收敛而变得无效。在这种情况下,路由修复往往无法在有限的链接生命周期内做出反应,导致过多的数据包丢失和控制开销[11]。
此外,现有的信任感知路由方案特别容易受到间歇性恶意行为的影响,例如选择性转发或开关攻击,其中受损的卫星会利用短暂的连接性来逃避检测。诸如TAODV[12]、SLT[3]和TAE[8]等方法依赖于手动设计的信任更新规则、大量的控制消息交换或与拓扑无关的学习模型,这限制了它们在高度动态的LEO环境中的有效性和可扩展性。
受这些限制的启发,本文采用基于GNN的信任感知安全路由(GNN-TASR)框架来明确建模卫星间不断演变的信任关系。与将网络状态作为独立样本处理的传统深度学习模型(如VAE或MLP)不同,所提出的消息传递神经网络(MPNN)直接在卫星图上操作,捕获空间依赖性、信任传播和时间槽间的时间相关性。信任指标(包括链接可用性、诚实性和自私性)使用指数移动平均(Exponential Moving Average, EMA)持续更新,使模型能够在对新观察的响应性和历史行为的稳定性之间取得平衡。通过信任加权聚合和图感知学习,GNN-TASR实现了强大的恶意节点检测和安全的路径选择,同时减少了通信开销,特别适合下一代动态LEO卫星网络。
GNN-TASR框架通过以下关键创新为智能安全卫星路由领域做出了贡献:
- 我们提出了一种用于低地球轨道(LEO)卫星网络的分布式信任感知安全路由框架(GNN-TSAR),该框架整合了多维信任评估模型,包括诚实性、自私性和链接可用性,并使用指数移动平均定期更新以捕捉动态网络行为。
- 我们设计了一种双层消息传递神经网络(MPNN),能够在卫星间实现分布式信任聚合,实时学习时空依赖性并将节点分类为可信或恶意。
- 为了确保安全的数据转发,我们整合了一种受信任限制的Dijkstra路由机制,该机制在恶意条件下动态排除低于信任阈值的节点,从而实现自适应和低延迟的路由。
- 在真实的卫星星座上进行了广泛的仿真,使用时间数据集。结果表明,与TAODV、SLT和TAE等基线方案相比,GNN-TASR显著提高了数据包传输率,减少了端到端延迟,并提高了恶意节点检测的准确性。
本文的其余部分组织如下:第2节全面回顾了相关工作,并对现有的LEO卫星网络信任感知和安全路由方法进行了比较分析。第3节介绍了系统模型并定义了所提出路由框架背后的问题表述。第4节和第5节详细阐述了所提出的GNN-TASR方法,描述了多维信任模型的设计、消息传递神经网络架构。第6节和第7节详细介绍了MPNN模型的训练和有效的信任周期更新策略。第8节定义了安全路由策略,包括数据包结构、Dijkstra信任感知路由和安全数据传输过程。第9节和第10节讨论了所提模型在不同网络场景下的复杂性、仿真设置、参数配置和性能评估。最后,第11节讨论和局限性以及第12节结论总结了智能和安全卫星通信系统的关键发现和未来研究方向。
**信任感知安全路由概述**
低地球轨道(LEO)卫星网络中的传统安全路由主要源自地面路由范式,如AODV、OLSR和RPL。这些方法采用静态成本函数或加密认证来确保安全传输。然而,由于卫星星座的高度动态性(卫星间链接(ISL)在几分钟内就会发生变化),这些方法由于控制开销高、更新延迟和适应性差而显得不足。
**网络模型**
所提出的GNN-TASR框架运行在一个动态且分布式的STIN中,该网络由LEO卫星和地面节点组成。网络在时间t被建模为一个时变图G(t) = (V, E(t), Xt, Xe),其中V是卫星节点集,E(t)是动态的卫星间和卫星到地面链接集,Xt表示节点信任特征矩阵,Xe表示链接状态矩阵。每个节点vi∈V与一部分一跳邻居vj∈N(vi)进行通信。
**卫星网络中的安全路由信任模型**
在这项工作中,我们设计了一个行为感知的信任评估模型,以提高动态LEO卫星网络中的路由安全性和鲁棒性。该模型基于节点交互过程中观察到的三个关键行为指标:链接可用性、自私性和诚实性。这些指标用于构建信任矩阵并计算直接和间接信任分数,然后这些分数被汇总以指导路由决策并避免恶意或不合作的节点。
**所提出的GNN-TASR的MPNN架构**
所提出的GNN-TASR框架将消息传递神经网络与信任建模相结合,其优势在于图感知学习与自适应路由决策之间的紧密耦合。与依赖于手动设计的更新规则的传统基于信任的路由方案不同,GNN-TASR利用MPNN的表达能力来共同学习空间依赖性、信任传播模式和多跳卫星图中的路由相关性。
**GNN-TASR的MPNN模型训练**
所提出的MPNN的目标是从局部图状态学习信任感知的节点嵌入,并(i)分类恶意卫星,以及(ii)从受信任限制的路由视角实现安全的下一个跳选择。端到端的流程如下所示。
**有效的信任周期更新策略**
在所提出的GNN-TASR算法中,实现了一种信任更新机制,以有效确保路由准确性,同时减少动态卫星网络环境中与GNN-TASR相关的控制开销。该算法使用基于时隙的消息传递机制,每个预测时隙对应一个有效的信任更新周期,在此期间MPNN的路由决策有效。这个周期的持续时间在确定可靠性方面起着决定性作用。
**基于MPNN的安全路由策略**
在本节中,描述了GNN-TASR方法的设计考虑,包括数据包的结构设计、Dijkstra的信任限制路由和安全数据包传输过程。
**复杂性分析**
本节分析了所提出的GNN-TASR框架的计算和通信复杂性。设N表示卫星节点的数量,d表示平均节点度(d ≈ 4),E=dN表示有向链接的数量,K=2表示MPNN层的数量。主要的计算成本来自MPNN内的消息处理、聚合和更新操作,随后是轻量级的节点分类输出阶段。在每一层中,所有有向边的消息计算……
**仿真环境**
在本节中,我们评估了所提出的GNN-TASR框架在LEO卫星网络中的有效性。使用两个真实世界的LEO星座Telesat和OneWeb[30],在良性 and 恶意网络条件下比较了GNN-TASR与基线路由方法的性能。Telesat星座在1015公里的轨道高度运行,每个轨道有13颗卫星,共有27个轨道平面,总计351颗卫星。相反,OneWeb……
**讨论和局限性**
尽管所提出的GNN-TASR框架在动态和对抗性的LEO卫星网络条件下表现出强大的性能,但仍有一些实际问题需要讨论。信任模型假设行为指标(如数据包转发性能、链接连通性和异常警报)可以合理监控。然而,在实际的卫星系统中,由于测量噪声、间歇性连接导致的反馈延迟、无效的入侵检测器……
**结论**
在本文中,我们提出了一种用于低地球轨道(LEO)卫星网络的智能信任感知安全路由框架,称为GNN-TASR。该框架利用图神经网络(GNN)来建模卫星节点行为和卫星间链接特性,整合了多维信任参数,如诚实性、自私性和链接可用性。消息传递神经网络(MPNN)结构使每个节点能够通过消息学习信任相关性。
**作者贡献声明**
阿希·纳兹(Arshee Naz):撰写——审阅与编辑、原始草稿撰写、可视化、验证、软件、方法论、调查、形式分析、数据整理、概念化。
卡兰·维尔玛(Karan Verma):撰写——审阅与编辑、监督、资源提供。
吉塔·西卡(Geeta Sikka):撰写——审阅与编辑、监督、调查。
**未引用的参考文献**
[36], [37], [38], [39], [40], [41], [42]
**利益冲突声明**
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号