文摘

由于共享和开放获取无线介质的特点,无线传感器网络(网络)可以很容易被干扰器。来减轻干扰攻击的影响,一个可靠的解决方案是定位和消除干扰的区域内的传感器网络部署。实现干扰机的定位,系统提出了许多range-free方法。然而,大多数这些方法很敏感的分布节点和干扰机的参数。出于这个原因,干扰机位置感知方法基于斐波那契搜索分支(的边后卫)在本文提出。首先,干扰区域估计使用干扰区域地图服务在无线传感器网络的传感器。然后,选择搜索点干扰区域和适应度函数设计根据搜索点的平均距离边界传感器。根据基本的分支结构和互动搜索规则,干扰区域的全局最优解。最后,搜索点的位置最好的健身价值作为评估干扰机的位置。与现有的典型range-free方法相比,丰富的仿真实验表明,算法的边后卫优越在干扰器的位置感知方法更高的精度和更低的灵敏度分布的节点和干扰机的参数,分别。

1。介绍

无线传感器网络(网络)是由无线电干扰严重威胁攻击由于共享和开放获取无线媒介的特点(1- - - - - -3]。无线电干扰攻击,也被称为干扰攻击,会严重扰乱正常合法的传感器之间的沟通。通过占领无线通信信道或扰乱网络协议的工作流程,网络干扰很容易发起攻击(4]。减少干扰攻击的影响网络性能,保证网络的安全,预防各种干扰策略(5)已经提出,如隐蔽时间信道(6],频道跳[7)、协议优化(8],channel-aware决策融合[9),和空间撤退(10]。除了这些策略,干扰机位置识别是一种有效的方法,帮助我们移除基于干扰机的干扰机的位置(11]。

到目前为止,大部分干扰机位置感知问题都进行了广泛的调查和几个位置感知算法设计。一般来说,现有的位置感知策略可分为range-free方法和基于范围方法(12]。基于范围的方法通常估计的距离信息通过测量一些干扰信号的物理属性(13]。相关的物理属性主要包括接收信号强度指示器(RSSIs) [14),到达时差(辐射源脉冲)15),到达时间(ToA) [16),和到达角(AoA) [17]。干扰机的位置计算之间的欧几里得距离或角度大小合法节点和干扰机。不同的计算算法将大大影响定位精度。典型的算法包括三角(18],三边测量[19),和算法基于多维标度(MDS),如MDS [20.],MDS-MAP [21),MDS-MAP (P) (22],smd (23]。然而,由于网络的传感器体积小,电池寿命是有限的,传感器的寿命直接影响到电池的生活(24),进一步影响整个网络的生命最大化传感器网络的生命周期。因此,老年人在轮通常不允许组件,可以实现传感器之间的距离和干扰机。卡地区的同时,传感器有困难相互通信,因为干扰机干扰。尽管每个传感器配备等组件,堵塞传感器不能获得邻近的传感器的位置信息来定位干扰机的位置。由于这些原因,range-free方法更适合网络实现网络中的干扰器的定位(25]。

Range-free位置感知算法利用了区域的几何关系实现本地化的干扰机。同时,干扰检测的问题简要地研究了木材et al。26和徐等进一步研究。27]。木等人提出了一个方案,可以地图卡地区,和徐等人提出了一些测量检测干扰了网络攻击。计算干扰机定位,Bulusu等人提出了质心定位(CL) [28),该公司估计的干扰机的坐标计算了所有节点的平均相对坐标。CL很容易实现,但定位误差很大。提高位置感知的准确性,Blumenthal等人提出了加权质心定位(水控制法)[29日),这是基于假设的影响程度不同的节点定位的干扰机是不同的。干扰机越近的节点,节点的权重值越大。水控制法需要RSSI实现计算的重量,在某些情况下,这是困难的。为了进一步提高位置感知精度,Shoari Seyedi提出了一个算法基于最小包围矩形中心(12]。的算法,计算干扰机的位置为中心的封闭矩形覆盖所有的干扰最小的节点。刘等人提出了虚拟力迭代定位(VFIL)来定位干扰机30.]。拉力的概念、推动力量和联合部队VFIL中定义。卡节点产生一个拉力不断把干扰机,和边界传感器把干扰机离通过一种推动力量。最后的位置识别的干扰机是通过产生的联合部队实现了节点和边界节点堵塞地区。减少的敏感性分布的节点定位干扰机的时候,王等人提出了一个启发式优化进化算法命名为引力搜索算法(GSA) [1]。这种方法合并大规模交互和牛顿万有引力定律。迭代后,最大规模粒子的坐标作为干扰机的坐标。此外,对于multijammer场景,陈等人设计的两种方法来计算干扰器的定位基于M-clusters和x射线(31日]。王等人利用k - means聚类算法来估计干扰机的位置根据相邻节点的位置信息(32]。

分布式传感器和干扰机的参数很容易影响range-free方法的性能。摘要减少range-free方法和提高位置感知精度的敏感性,一个健壮的位置感知算法基于斐波那契搜索分支(的边后卫)设计。同时,证明在数学上的可达性和收敛的边后卫,进一步验证理论的有效性的边后卫的策略。基于的边后卫的位置感知算法使用强大的全球可搜索性和高收敛速度的技术。它提高了位置感知性能,防止损失的最好的轨迹。在目标节点位置针对上述问题,本文的主要贡献包括三个方面。(1)在这篇文章中,一个健壮的位置传感算法基于斐波那契搜索分支(的边后卫)旨在减少distance-independent方法的敏感性,提高位置感知的准确性。同时,证明了数学上的可达性和收敛的边后卫,进一步验证理论的边后卫的有效性策略(2)基于算法的边后卫,互动的全局搜索和局部优化规则交替使用,实现全局优化。最后,搜索点的坐标健身价值最高的作为干扰机的坐标。与许多现有的位置感知算法相比,该方法有更高的性能与不同的参数设置复杂的场景(3)实验表明,该方法可以定位目标节点时无法距离目标节点,和优化能力,由于其他类似的算法,与此同时,即使部署区域的无线传感器网络具有低密度和低通信距离的特点,基于的边后卫的定位误差仍不到其他算法

本文的其余部分描述如下。部分2描述了网络模型和干扰模型。部分3说明了算法的主要原理的边后卫。干扰器基于的边后卫的位置感知方法提出了部分4。部分5说明了仿真结果和讨论。部分6提出了我们的结论。

2。系统模型

传感器网络和干扰机的场景如图1,干扰机传感器包围。在本节中,列出的网络模型和干扰模型。

2.1。网络模型

假设同质传感器部署在该地区形成一个网络。 所有的传感器的坐标, 。传感器可以通过全球定位系统(GPS)意识到自己的位置或其他位置感知算法,例如,当传感器之间的距离,基于MDS的算法可用于实现位置识别。一旦部署,本文认为传感器的位置保持不变。每个传感器网络中配备了一个全向天线,可以与其他传感器通信在通信范围之内 。没有独立的子网或孤立的传感器网络。传感器不的通信范围内,传感器可以在多次反射的方式相互交流。根据上述假设,WSN在图的网络模型1如图2。

2.2。干扰模型

在这个模型中,我们假设干扰功率保持稳定和干扰机的位置保持静态。干扰机不断传播无线电信号,可以实现使用一个波形发生器不断传播无线电信号或正常的无线设备,发送随机比特通道后没有任何MAC层协议。由于大型覆盖全向天线的干扰机配备了一个全向天线的方向相同的效果。干扰机的作用下,传感器在传感器网络分为三种类型:堵塞传感器、边界传感器和传感器的影响。堵塞传感器位于卡地区,不能与任何邻近的传感器。边界传感器通常位于卡的边缘区域。尽管他们斗争与干扰攻击,传感器还可以与邻近的传感器。影响传感器外挤区域可以从邻近的传感器即使干扰机接收信息出现。 包含所有的边界的坐标传感器、和 ,在哪里在网络边界传感器的数量。

根据上述假设,WSN如图的干扰模型3。

当一个节点检测到自己挤,节点广播通知消息的邻近节点,如图4(一)。映射是由邻近的传感器的堵塞传感器接收干扰信息。每个接收机成为映射成员和附近增加了传感器形成本地组。如图4 (b)相邻传感器包含映射为本地交换消息组信息。相邻的团体凝聚在一起形成一个映射区域,如图4 (c),可以用作堵塞面积的估计(26]。传感器,构成映射区域边界节点。论文中使用的符号表进行了总结1。

3所示。斐波那契分支搜索算法

斐波那契优化方法已被证明的有效性和收敛解决一系列一维空间中非线性基准函数(33]。然而,该方法很少用于多维空间的属性搜索优化问题。除了结构本身,很少有变体在本地化应用程序中实现在公开文献报道。在本节中,我们将简要介绍传统的斐波那契序列方法和解释FBS-based方法原理和深入的理解。

3.1。斐波那契方法的基本原理

斐波那契序列,也被称为黄金分割序列,首次提出了斐波纳契(34),它的一般公式如下(35]。 在哪里表示斐波那契序列,这是一个通用术语。

本文研究斐波那契序列的优化方法来解决最小化问题的单峰区间连续函数。斐波那契序列优化方法压缩搜索区间比例根据斐波那契序列条目。然后,最初的优化点收敛于最好的方法在定义的时间间隔,这被认为是一个一维单峰问题的最有效的解决方法。我们假设有一个单峰函数的区间。首先,技术开始选择两个可行点,执行第一个迭代在给定的范围内。然后,我们需要减少最初的盒子的面积足够小盒,包括单峰函数的最小值(在一个迭代的步骤)。最小的谎言可以减少提供已知的函数值在两个不同的范围的点。经典的斐波那契序列优化算法的实现是在36),而没有给出进一步的详细描述。

3.2。斐波那契分支结构和算法的边后卫

斐波那契数列的基本策略难以有效地解决多变量问题,也不能可靠地评估最合适的多峰函数35]。的边后卫算法主要使用框架构造的基本结构的分割点和端点搜索全局最优的解决方案。通过计算比较每个搜索点的健身价值,搜索点接近全局最优解。在下一个迭代计算中,我们设置点和最好的健身价值获得了这种优化顶部的搜索点集和相对应的分次优的健身价值从好到坏的顺序排列下面的最好的。通过不断的迭代,搜索点集在每个更新优化阶段。然后,该算法可以完成的优化目标函数在搜索空间中同时斐波那契分支生长。斐波那契算法的基本结构如图5。

在图5,有三个点 - - - - - -维欧几里得空间, , ,和 。 和显示相对应的坐标搜索端点的树结构,可以指定生成的优化规则,和显示分区点的坐标根据给定的计算标准。在搜索过程中,他们应该满足以下方程: 在哪里代表了斐波那契数。

考虑到最低多通道多变量的函数在搜索空间,分割点的计算公式

在[37),一个类似的算法描述,但算法的流程和理论没有详细描述。本节阐述的边后卫的主要部分,阐述了实现内容的边后卫,标准化的边后卫的实现过程。

考虑的边后卫的基本结构,获得全局最优解的过程,包括构建搜索的过程元素的边后卫,分隔为两个阶段:全局搜索和局部优化(38]。这两个阶段是相应的交互规则。是目标函数的集合点搜索的th迭代优化阶段; 是整个组的数量,在哪里斐波那契波的强度。使用相应的交互式优化初始值和健身价值,获得的分割点是通过公式(3)。经过比较,该算法获得最好的健身价值对应于最新的最佳解决方案。在下一次迭代阶段,最好的优势相对应的适应值集中在前面的设置和非最优适应值的节点从好到坏的顺序放置的最佳选择。通过上述操作,我们在每个优化阶段更新点,增加了斐波那契路径和社区优化搜索空间。

的边后卫优化的过程中,有必要更新搜索根据两个交互迭代标准端点和结合细分点的计算公式来计算细分点。这两个迭代更新标准如下:

在规则一,终端节点和结构的表示如下:

由所有的搜索点的坐标th迭代,搜索节点集吗 ,和是序列号对应于第一个吗斐波那契序列。需要的所有点在迭代。其他未经选择的端点随机取节点的长度相当于 。当维 , 的维数分和搜索节点之间和 。考虑到 ,组件在点是一个随机变量在间隔均匀分布 ,正常的特点代表变量的均匀分布,可以计算组件的概率分布

我们可以使用终端节点和确定分割点通过方程(3)。

在规则2、局部优化阶段,假设代表的搜索点与最佳的健身价值算法的迭代过程,如下:

是最佳的健身价值搜索节点的节点集。

结束之后,我们定义节点 并找到

根据公式中定义的端点(7),分区根据分割点计算公式可以确定在第二局部优化阶段。

根据上述两个互动的搜索规则,生成两种不同优化阶段新的点,涉及端点和和分割点和 。通过评估的成本函数节点,确定新的点的健身和新的点排名从好到坏根据健身。我们把斐波纳契数列作为搜索节点的总数,我们需要保存最合适这些点。然后,我们需要删除节点。中设置的搜索空间th迭代更新的保存点。

全球和本地搜索阶段,对应一个斐波那契分支过程的示意图如图6。

斐波那契分支的深度层如图6设置为开始的期望值,和每个分支的节点总数层存储在斐波那契序列。在图6,白色虚线圆是搜索点集在前面的迭代过程中,黑色的圆圈代表固体边界端点的迭代 ,和灰色的圆圈代表全球随机端点 。图6(一)描述了全球搜索阶段,这是整个过程的第一阶段,在分区由一个白色的圆表示固体是由点和基于均匀分布 。在图6 (b),另一端节点安装局部优化的最佳阶段和在当前迭代空间合并。然后,一个新的节点是通过迭代得到的规则。的适应值 , , ,和评估,最优解决目标函数评价保留。

图7披露的流程图的边后卫的一般流程为一个特定的实现。

3.3。证据的可达性和收敛的边后卫多峰函数的全局优化

在本节中,根据上述斐波那契数列的性质,研究了斐波那契的可达性和收敛性。通过严格的数学证明,证明FBS-based算法提出了可以确定全局最优的解决方案,并确保的边后卫算法收敛于最优解。

3.3.1。可访问性调查的边后卫的算法

数学证明我的边后卫获得解决方案的设定目标函数空间通过搜索可以在空间中设置。

从上述算法的特点,我们知道在一个足够长的迭代 ,规则1产生均匀分布的端点在受限空间,如 , 。 是点的维度,其概率分布是什么 ,和满足以下目标函数场的关系:

上述理论表明,证明过程 遵循 ;优化设置是可以的吗的边后卫获得的算法。

在数学证明二世的边后卫算法,目标函数的全局最优搜索领域是可行的。

假设总体最优解搜索字段的字段 。理论证明,解决方案在可获得的 。在那之后,我们假设均匀分布的概率是多少然后假设算法获得的结果 。证据的基础上,经过足够长的迭代,的边后卫到达鞍点的概率是 获得的结果

从这个角度来看,最好的边后卫算法可以获得整体解决方案的目标函数在搜索空间。

因此,根据上述的证明,我们可以获得整体最优解的目标函数的字段可以在搜索字段。

3.3.2。算法的收敛性分析的边后卫

假设的边后卫达到一个足够长的迭代 发现整体最优解,现有的生成的基本建设的边后卫将成为逐渐优化的节点集 。 是最好的迭代的结果集。后来,我们构建的概率 的边后卫收敛于整体最好的结果。显示一个小固定变量。按照规定 , 是创建一个均匀分布的随机的机会的节点字段定义为规则1,是创建一个均匀分布的随机节点的机会通过半径参数定义的字段规则2。因此,当有迭代的边后卫,搜索点不到间隔区域周围的全局最优解, , ;然后, 获得,得到以下结果:

让 ,我们可以获得

这是证明的边后卫收敛于最佳结果的概率为100%。

通过证明部分3.3。1和3.3。2以上,结果表明,设计的边后卫算法是可行的和收敛,最后可以获得整体最好的结果。

4所示。干扰机位置感知方法基于斐波那契搜索分支

FBS-based干扰机位置识别主要包括三个步骤:选择初始搜索点,澄清的适应度函数,搜索点更新。

位置识别的过程中,缩小搜索范围,搜索点应该是所有映射的区域内。在th迭代中,我们假设选择搜索点的映射区域随机和的坐标th搜索点 。

评估的性能定量评估结果的干扰机的位置,适应度函数的设计在这一节中。干扰攻击时进行,堵塞面积大约是一个圆和干扰机和最远的边界节点之间的距离约等于半径的干扰。基于分析结果部分2.2,我们可以获得边界节点的坐标。然后,边界节点和搜索点之间的距离计算适应度函数。

在th迭代,搜索点的坐标映射的区域搜索点表示 。然后,在适应度函数th迭代的搜索点表示 在哪里边界节点的数量, 的坐标吗th边界节点,和之间的距离吗搜索点边界节点。之间的平均距离吗搜索点和所有的边界节点。是计算 和是计算

在每个搜索点的健身价值计算,所有这些点在降序排序从最好到最差的;顶部点保存,而形成一套新的搜索点在接下来的优化。

位置识别的过程中,我们的目标是搜索的搜索点最小的健身价值。FBS-based位置感知算法的伪代码所示算法1。输入边界传感器的坐标 ,分支深度 ,最大迭代 ,和初始搜索点集 ,和输出的估计结果干扰机的坐标 。

最好的搜索节点的坐标选择适应值的坐标表示为干扰机 。

的边后卫的实现是通过生成完成搜索元素和分支。假设被认为是优化空间当使用的边后卫位置识别的干扰,比较维度在搜索元素设置为 ;然后,该算法复杂性的边后卫是近似的 ,在哪里 是最终的和斐波那契搜索分支搜索元素循环迭代的最大数量。因此,它可以从上述的边后卫复杂性分析,我们提出了优化算法的计算复杂度主要取决于搜索元素的尺寸和最大迭代次数。

5。仿真实验

在本节中,我们分析的性能提出的边后卫算法使用丰富的计算机模拟。在EXata仿真实现,这是一个很好的无线网络模拟器,以及仿真结果的分析是在MATLAB实现。

5.1。位置的历史搜索点的边后卫Rastrigin函数

在本部分中,提出边后方法具有全局优化能力证明的使用历史搜索点位置在优化迭代过程中发现全局最优解而不是陷入局部优化的指标,结合引力搜索算法(GSA)。基准函数选择在这个部分是Rastrigin函数,它有多个局部最优解和全局最优的解决方案。

的性能提出了后卫运动轨迹搜索点分散在最好的解决方案,和搜索空间的最优收敛Rastrigin如图8。后卫的这个数字显示模型可以模拟历史搜索点的三维位置和轨迹剖面在不同的迭代。比较FBS-based算法的性能,我们将该算法与GSA和GSA的结果如图9。在的边后卫和GSA,搜索的初始位置点设置在当地极端的最佳点。

如数据所示8和9不断探索潜在的领域,搜索点在集群解决方案空间,最后在全局最优值的多通道Rastrigin模式。实验显示在图9表明,随着迭代次数的增加,点集群GSA算法逐渐的极端点,继续维持当地的最优条件,几乎没有粒子搜索全局最优极点。基于Rastrigin函数的局部最优,进一步证明了算法本质上是被困在局部最优条件,可分为本地搜索空间。它可以发现在相同条件下的搜索点轨迹,如图3 d版本8。虽然Rastrigin函数是不对称和多通道和山都有不同的水平,发现在全球最好的挑战来自许多局部变量。最小值是在搜索空间。值得注意的是,在全球的帮助下随机搜索的边后卫可以跳出局部最优解的极限点和切口的解决方案在当地的最佳点。在整个历史过程中定位的搜索点,在二维和三维空间的迭代,点收敛于全局最优条件和区域初始化最优增长点往往分散在极端点,逐步转移到最优解的搜索空间。前50个迭代后,超过一半的人员接近全局最优谷,开始收敛于最优谷。随着迭代次数的增加,越来越多的代理收集和分散在极点附近,尤其是在全局最优目标地区。最后,搜索点找到全局最优解收敛于全局最优,可以调查和推理的概念引入全球随机生成的一个端点的边后卫规则1。为了保证算法的收敛性,强调地方发展和优化功能在其他端点。因为全球随机点执行一个全球搜索空间,通常从一个不太合适的宇宙宇宙更合适。 The best universe will be saved and moved to the next search. Therefore, these capabilities and behaviors will help the FBS algorithm not fall into a local optimum and quickly converge to the optimal target point.

仿真和讨论证明算法的有效性和收敛的边后卫。在本文中提出的算法可以找到全局最优解的解空间。

5.2。参数设置和基准位置感知方法

对于每一个实验中,传感器和干扰机都是随机部署在 区域。传感器和干扰机的仿真实验参数表中列出2。

实现位置感知的定量分析结果,平均位置感知错误是用来评估每个方法的性能,这是用和由 在哪里仿真实验的数量,是真正的干扰机的位置,计算的干扰协调算法。此外,累积分布函数(CDFs)的平均位置感知也被认为是错误。

5.3。性能比较和结果分析

使用FBS-based非合作的目标节点定位算法定位无线传感器网络中的通信节点图10作为一个例子来描述位置的过程。

图10 ()在第一次迭代显示全球搜索阶段。首先,随机选择一个搜索点(节点1)映射区域作为搜索端点。然后,随机选择一个节点(节点2)作为搜索端点和获得分裂点(节点3)根据分割点的计算公式。节点1的健身价值、节点2和节点3计算和排序,以及节点2的健身价值是最好的,这是用作局部优化的端点。如图10 (b)随机选择一个搜索点(节点4)作为端点,找到分裂点(节点5)根据标准2,所有节点的健身价值进行排序,并选择最好的两个节点(节点4和节点5)作为第二个迭代的端点。在全球搜索图的第二个迭代的过程10(c),两个搜索点(节点6和节点7)随机选择和节点4和节点之间的分割点6(节点8)。5节点和节点之间的分割点7(节点9)。计算和排序所有节点的健身价值。在第二个图的局部搜索阶段10 (d)6、节点选择最好的健身价值的端点。节点随机选择搜索点(10)作为另一个搜索点,并找到节点6和节点之间的分割点10(节点11)。计算和排序的健身价值节点4,5节点,节点,节点7,8节点,节点,节点10日和节点,并选择节点6、10节点,节点11作为第三代搜索端点。

对于每一个场景,进行实验,并在每个场景中,我们比较的性能与CL的边后卫,水控制法,MER, VFIL, GSA。当的CDF实验组的平均位置感知错误 , 米图所示(11日)。图11 (b)显示不同的位置感知算法的平均位置感知错误。从结果我们可以看出,FBS-based位置感知算法的误差低于其他的算法。

假设面积大小是常数,传感器数目可以用来反映传感器密度。分析不同节点密度的影响对不同的算法的性能当干扰机的干扰范围设置为150,传感器的数量设置为200年和300年。位置感知错误的提供对不同节点密度呈现在图12后进行独立的实验。图12(一个)提出了CDF位置感知错误当= 200,图12 (b)提出了CDF位置感知错误当= 300。位置感知的平均误差变化与不同节点密度如图13。我们可以在图中找到13,平均位置感知的边后卫误差小于其他算法,这意味着的边后卫的性能优于其他算法。CL,水控制法、MER VFIL更敏感的传感器比GSA的边后卫的分布。

分析不同干扰的影响范围不同的算法的性能,传感器在该地区的数量设置为100,干扰范围设置为150米,200米和250米。后进行独立实验,位置感知错误的提供对不同干扰范围呈现在图14。图(14日)提出了CDF位置感知错误当= 200,和图14 (b)提出了CDF位置感知错误当= 250。位置感知的平均误差变化与不同的干扰范围如图14 (b)。我们可以看到在图15,平均位置感知的边后卫误差小于其他的算法,说明了的边后卫的更好的性能;当 米,平均位置感知的边后卫误差大约是15米。

6。结论和未来的工作

预测的活性位置干扰器和删除它们可以确保网络的安全。本文提出了一种进化算法的边后卫基于斐波那契序列的方法,这样可以减少现有算法的灵敏度干扰机位置识别系统的部署和参数。虽然这的边后卫一直在研究文学的一部分,可访问性和收敛的边后卫的算法还没有被证实。本文严格证明的可达性和收敛的边后卫,进一步验证理论的有效性和支持前面的观点。在干扰机位置识别的过程中,传感器卡地区的边界确定了区域的地图服务和适应度函数由搜索指向所有边界的距离传感器。迭代后,最好的健康搜索的位置点和干扰机的位置估计。实验结果与Cl相比,水控制法,mer, vfil, GSA算法。实验结果表明,基于的边后卫的位置感知算法具有良好的性能,和位置感知的结果比其他算法更准确。

在现实世界中,干扰机可能处于移动状态,这就增加了干扰机定位的困难。同时,无线传感器网络硬件限制电池由于成本;复杂的干扰机位置感知算法将消耗大量的能量。因此,设计一个简单、高效的算法,可以对手机干扰器的位置是我们未来的研究方向。

数据可用性

没有数据被用来支持本研究。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

本研究高层次人才基金支持的部分没有。22日- tdrcjh - 02 - 013,中国国家自然科学基金资助下号。62002377,62072424,61772546,61625205,61632010,61751211,61772488,和61520106007,关键前沿科学研究项目,CAS no。QYZDY-SSW-JSC002,自然科学基金委NSF的eccs - 1247944号和NSF CNS 1526638,和部分国家重点研究和发展计划2017 yfb0801702和2018 yfb1004704号。