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

技术摘要：一种用于能量感知型基于信任的移动代理无线传感器网络的分数阶网络-生物耦合模型

问题陈述
低功耗无线传感器网络（WSN）正日益成为生物决策系统（如植物病害监测）的测量层。其中存在一个关键漏洞：通信安全性的失效不仅会导致网络性能下降，还会向下游传播，从而扭曲生物推断。具体而言，执行选择性转发或开-关攻击（on–off attacks）的受损节点会伪造微气候数据（如叶片湿度、环境湿度），导致错误的病害风险评估。现有的信任机制通常将节点行为视为无记忆的，或者依赖于独立的能量与信任排名，未能捕捉残余能量、信任退化与受限攻击证据下的受损概率之间复杂的时序相互作用。此外，网络安全状态与生物决策之间的耦合关系在很大程度上仍未被建模为一个耦合动力学系统。

方法论
作者提出了一个耦合的双层框架：网络层（Cyber Layer）与生物层（Biological Layer），两者通过移动代理路由决策和安全传感器融合相连接。

1. 分数阶网络模型：
   网络层的核心是一个三状态 Caputo 分数阶微分系统，用于模拟归一化残余能量（$E$）、信任度（$T$）和受损概率（$C$）在攻击信号 $A(t)$ 下的演化。该系统定义为：

   • $D^\alpha_t E = -E(\epsilon_0 + \epsilon_1\rho + \epsilon_2C + \epsilon_3A(t))$
   • $D^\alpha_t T = \lambda(1-T) - \mu CT - \xi A(t)T$
   • $D^\alpha_t C = \kappa A(t)(1-C) - \delta TC$
     其中，$0 < \alpha \leq 1$ 代表分数阶，引入了对过去状态的幂律加权记忆。该模型假设存在有界的选择性转发或开-关攻击。

2. 数学分析：
   论文建立了系统的适定性，证明了有限时域内解的存在性与唯一性。研究表明物理状态空间 $\Omega = [0, 1]^3$ 是正不变的。至关重要的是，作者分析了在恒定攻击强度下信任-受损子系统的平衡点，证明了存在一个唯一的容许平衡点，且该点与分数阶 $\alpha$ 无关。通过 Matignon 扇区条件，证实了对于所有 $0 < \alpha \leq 1$，系统具有局部渐近稳定性。

3. 移动代理决策规则：
   定义了一个能量感知效用函数 $U(t) = w_E E(t) + w_T T(t) - w_C C(t)$，用于确定节点是否符合移动代理行程的资格。通过应用硬约束（hard guards）来防止高能量但安全状态不可接受的节点被选中。

4. 生物集成：
   网络模型与植物病害生物监测模块相耦合。微气候变量（相对湿度、叶片湿度、热适宜性）被融合为一个适宜性指数。与标准的平均法不同，其融合权重是根据传感器节点的网络可靠性状态（$E, T, C$）动态生成的。该融合信号驱动一个有界的病害压力微分方程。

5. 数值实现：
   模拟采用分数阶 Adams–Bashforth–Moulton 预测-校正算法。实验通过一个合成的五节点温室场景，对比了整数阶（$\alpha=1$）与分数阶（$\alpha \in \{0.95, 0.85, 0.75\}$）在持续攻击和开-关攻击下的响应。

核心贡献

• 耦合分数阶状态模型： 引入了一个统一的动力学系统，在该系统中，能量、信任度和受损概率在分数阶微积分下同步演化，而非独立进行估计。
• 记忆特性的解析表征： 证明了虽然分数阶 $\alpha$ 会改变系统趋向平衡的瞬态过程（记忆深度与速度），但它不会改变恒定攻击下的稳态平衡点。这区分了分数阶模型是作为记忆规模机制，而非仅仅是改变稳态的曲线拟合工具。
• 安全传感器融合机制： 开发了一种信任感知融合规则，使网络可靠性状态直接调节生物传感器数据的权重，量化了网络受损向生物风险评估的传播过程。
• 可复现的合成基准： 提供了一套完整的合成实验设置，包括参数集、攻击剖面以及数据包到状态的映射，用于评估检测速度与记忆保持之间的权衡。

结果

• 瞬态动力学： 在开-关攻击场景中，与整数阶模型相比，较低的分数阶（$\alpha < 1$）会减缓信任崩溃和受损概率激增的瞬时深度。然而，这也以攻击停止后的恢复变慢为代价。
• 路由决策： 在一个五节点路由案例研究中，分数阶模型（$\alpha=0.85$）比整数阶模型延迟了一个积分步长才排除受损节点，说明了“记忆的代价”表现为有限的检测延迟。
• 生物影响： 在受损节点注入伪造微气候数据的合成温室压力测试中：
  • 信任感知融合将攻击窗口期间环境适宜性估计的均方根误差（RMSE）从 0.07162（标准平均法）降低至 0.02818（降幅 60.7%）。
  • 下游病害压力状态的 RMSE 从 0.02059 降至 0.00645（降幅 68.7%）。
  • 攻击结束后，由于信任状态的滞后效应，信任感知融合保持了显著较低的误差（0.00130 对比 0.01480）。
• 权衡识别： 结果强调了真实的安全性-生物性权衡：虽然分数阶记忆可以平滑瞬态噪声，但也可能导致一个先前受信任的受损节点在攻击开始后仍能短暂保持过高的影响力，从而可能延迟必要的生物干预。

意义与主张
本文将其定位为一项机制研究，而非单纯的现场验证或性能优化声明。其主要意义在于：

1. 解耦平衡点与瞬态记忆： 明确展示了分数阶微积分如何改变系统对历史的反应方式（瞬态记忆），而不改变（在恒定攻击下的）最终稳态结果。
2. 量化网络-生物传播： 提供了一个数学框架，用于追踪数据包级的证据如何转化为生物决策误差，并展示了信任感知融合如何显著减轻这些误差。
3. 定义记忆的代价： 认为不应将分数阶模型仅仅视为一种更优的模型；相反，它们提供了一个可调参数，用于平衡异常检测的速度与由历史证据提供的稳定性。
4. 可复现性： 提供了一个完整的合成基准，供未来研究使用样本外数据来测试分数阶网络-生物模型相对于整数阶基准的表现。

作者总结道，尽管该框架成功地将数据包证据、分数阶记忆与生物风险评估联系起来，但未来的工作仍需结合现实世界的实地数据（数据包轨迹、电池遥测数据及病害结果）进行联合校准，以估计分数阶 $\alpha$ 并验证模型在特定作物-病原体系统中的适用性。