A Fractional Cyber–Biological Model for Energy-Aware Trust-Based Mobile-Agent Wireless Sensor Networks: Secure Plant-Disease Surveillance

Technische Samenvatting: Een Fractioneel Cyber-Biologisch Model voor Energiebewuste Vertrouwensgebaseerde Mobile-Agent Wireless Sensor Networks

Probleemstelling
Low-power Wireless Sensor Networks (WSN's) dienen steeds vaker als de meetlaag voor biologische beslissingssystemen, zoals de surveillance van plantziekten. Er bestaat een kritieke kwetsbaarheid waarbij beveiligingsfouten in de communicatie niet alleen de netwerkprestaties verslechteren, maar ook downstream doorwerken om biologische inferenties te verstoren. Specifiek kunnen gecompromitteerde knooppunten die last hebben van selective forwarding of on–off aanvallen, microklimaatgegevens (bijv. bladnatheid, luchtvochtigheid) vervalsen, wat leidt tot foutieve ramingen van ziekterisico's. Bestaande vertrouwensmechanismen behandelen het gedrag van knooppunten vaak als geheugenloos of vertrouwen op onafhankelijke energie- en vertrouwensrangschikkingen, waarbij ze er niet in slagen de complexe temporele interactie tussen resterende energie, vertrouwensdegradatie en de waarschijnlijkheid van compromittering onder begrensde aanvalsbewijslast te vatten. Bovendien blijft de integratie van netwerkbeveiligingsstaten met biologische besluitvorming grotendeels ongemodelleerd als een gekoppeld dynamisch systeem.

Methodologie
De auteurs stellen een gekoppeld twee-lagenraamwerk voor: een Cyber Laag en een Biologische Laag, verbonden door een mobile-agent routingbeslissing en veilige sensorfusie.

1. Fractioneel Cyber Model:
   De kern van de cyberlaag is een drie-toestands Caputo fractioneel differentiaal systeem dat de genormaliseerde resterende energie ($E$), vertrouwen ($T$) en de kans op compromittering ($C$) modelleert onder een aanvalssignaal $A(t)$. Het systeem wordt gedefinieerd als:

   • $D^\alpha_t E = -E(\epsilon_0 + \epsilon_1\rho + \epsilon_2C + \epsilon_3A(t))$
   • $D^\alpha_t T = \lambda(1-T) - \mu CT - \xi A(t)T$
   • $D^\alpha_t C = \kappa A(t)(1-C) - \delta TC$
     Hierbij vertegenwoordigt $0 < \alpha \leq 1$ de fractionele orde, wat een machtswet-gewogen geheugen van eerdere toestanden introduceert. Het model gaat uit van begrensde selective-forwarding of on–off aanvallen.

2. Wiskundige Analyse:
   Het artikel stelt de welgesteldheid van het systeem vast, waarbij de existentie en uniciteit van oplossingen over een eindig tijdsbestek wordt bewezen. Het toont aan dat de fysieke toestandsruimte $\Omega = [0, 1]^3$ positief invariant is. Cruciaal is dat de auteurs de evenwichtstoestand van het vertrouwen–compromittering subsysteem analyseren onder constante aanvalsintensiteit, waarbij zij bewijzen dat er een uniek admissibel evenwicht bestaat dat onafhankelijk is van de fractionele orde $\alpha$. Lokale asymptotische stabiliteit wordt bevestigd voor alle $0 < \alpha \leq 1$ via de Matignon-sectorconditie.

3. Mobile-Agent Beslissingsregel:
   Een energiebewuste nutfunctie $U(t) = w_E E(t) + w_T T(t) - w_C C(t)$ wordt gedefinieerd om de geschiktheid van knooppunten voor mobile-agent routes te bepalen. Er worden harde grenzen (hard guards) toegepast om te voorkomen dat knooppunten met een hoge energie maar een onacceptabele beveiligingsstaat worden geselecteerd.

4. Biologische Integratie:
   Het netwerkmodel is gekoppeld aan een plantziekte-biosurveillancemodule. Microklimaatvariabelen (relatieve luchtvochtigheid, bladnatheid, thermische geschiktheid) worden gefuseerd tot een geschiktheidsindex. In tegen tegenstelling tot standaard middeling, worden de fusiegewichten dynamisch gegenereerd op basis van de cyberbetrouwbaarheidsstaten ($E, T, C$) van de sensorknooppunten. Dit gefuseerde signaal stuurt een begrensde ziektedruk differentiaalvergelijking aan.

5. Numerieke Implementatie:
   Simulaties maken gebruik van een fractionele Adams–Bashforth–Moulton predictor–corrector methode. Experimenten vergelijken integer-orde ($\alpha=1$) en fractionele orde ($\alpha \in \{0.95, 0.85, 0.75\}$) responsen op persistente en on–off aanvallen in een synthetisch scenario met vijf knooppunten in een kas.

Belangrijkste Bijdragen

• Gekoppeld Fractioneel Toestandsmodel: Introductie van een verenigd dynamisch systeem waarin energie, vertrouwen en de kans op compromittering gelijktijdig evolueren onder fractiele calculus, in plaats van dat ze onafhankelijk worden geschat.
• Analytische Karakterisering van Geheugen: Bewijs dat hoewel de fractionele orde $\alpha$ de transiënte benadering van het evenwicht verandert (geheugendiepte en snelheid), dit de constante-aanvals evenwichtstoestand niet verschuift. Dit onderscheidt fractionele modellen als mechanismen voor de schaal van het geheugen in plaats van louter curve-fitting instrumenten voor veranderende stationaire toestanden.
• Veilige Sensorfusie Mechanisme: Ontwikkeling van een vertrouwen-bewust fusieregel waarbij de cyberbetrouwbaarheidsstaten de gewichten van biologische sensordata direct moduleren, waardoor de propagatie van cybercompromittering naar biologische risico-inschatting wordt gekwantificeerd.
• Reproduceerbare Synthetische Benchmark: Voorziening van een volledige synthetische experimentele opzet, inclusief parameterset, aanvalsprofielen en een pakket-naar-toestand mapping, om de afruil tussen detectiesnelheid en geheugenbehoud te evalueren.

Resultaten

• Transiënte Dynamiek: In on–off aanvalsscenario's dempen lagere fractionele orden ($\alpha < 1$) de instantane diepte van de vertrouwensinstorting en de pieken in de kans op compromittering vergeleken met het integer-orde model. Dit gaat echter gepaard met een tragere herstelperiode zodra de aanval stopt.
• Routingbeslissingen: In een vijf-knooppunten routing casestudy vertraagde het fractionele model ($\alpha=0.85$) de uitsluiting van een gecompromitteerd knooppunt met één integratiestap vergeleken met het integer-model, wat de "prijs van het geheugen" illustreert als een eindige detectievertraging.
• Biologische Impact: In de synthetische kas-stresstest, waarbij een gecompromitteerd knooppunt vervalste microklimaatgegevens injecteerde:
  • Vertrouwen-bewuste fusie verminderde de Root Mean Square Error (RMSE) van de omgevingsgeschiktheidsinschatting tijdens de aanvalsperiode van 0.07162 (standaard gemiddelde) naar 0.02818 (een reductie van 60,7%).
  • De downstream ziektedruk-toestand RMSE daalde van 0.02059 naar 0.00645 (een reductie van 68,7%).
  • Na de aanval behield de vertrouwen-bewuste fusie een significant lagere fout (0.00130 vs. of 0.01480) dankzij het hysteresis-effect van de vertrouwensstaat.
• Identificatie van de Afruil: De resultaten benadrukken een reële beveiligings–biologische afruil: terwijl fractioneel geheugen transiënte ruis dempt, kan het ervoor zorgen dat een eerder vertrouwd gecompromitteerd knooppunt kortstondig een excessieve invloed behoudt nadat een aanval is begonnen, wat noodzakelijke biologische interventies kan vertragen.

Betekenis en Claims
Het artikel positioneert zich als een mechanisme-studie in plaats van een claim over veldvalidatie of prestatieoptimalisatie. De primaire betekenis ligt in:

1. Ontkoppeling van Evenwicht en Transiënt Geheugen: Expliciet aantonen dat fractiele calculus verandert hoe een systeem reageert op de historie (transiënt geheugen) zonder de uiteindelijke stationaire toestand onder constante aanvallen te veranderen.
2. Kwantificering van Cyber-Biologische Propagatie: Het bieden van een wiskundig kader om te traceren hoe pakketniveau-bewijs vertaalt naar fouten in biologische besluitvorming, waarbij wordt aangetoond dat vertrouwen-bewuste fusie deze fouten aanzienlijk kan beperken.
3. Definiëren van de Kosten van Geheugen: Argumenteren dat fractionele modellen niet inherent superieur moeten worden beschouwd; ze bieden eerder een regelbare parameter om de balans te vinden tussen de snelheid van anomaliedetectie en de stabiliteit die door historische bewijslast wordt geboden.
4. Reproduceerbaarheid: Het aanbieden van een volledig gespecificeerde synthetische benchmark voor toekomstig onderzoek om fractiele cyber-biologische modellen tegen integer-orde baselines te testen met out-of-sample data.

De auteurs concluderen dat hoewel het raamwerk succesvol de verbinding legt tussen pakketbewijs, fractiele geheugen en biologische risico-inschatting, toekomstig werk vereist gezamenlijke kalibratie met real-world veldgegevens (pakkettraces, batterijtelemetrie en ziekte-uitkomsten) om de fractionele orde $\alpha$ te schatten en het model te valideren tegen specifieke gewas-pathogeen systemen.