一种基于环境参数优化和时间信誉序列的无线传感器网络恶意节点识别方法

电子通信装置的制造及其应用技术1.本发明涉及到无线传感器系统安全技术领域，尤其涉及到一种基于环境参数优化和时间信誉序列的恶意节点识别模型。背景技术：2.随着无线传感器网络(wireless sensor network,wsn)在军事、工业、医疗、商业等领域的广泛应用，用户对传感器节点的安全性要求日益提高。节点长期暴露于恶劣的部署环境中以及wsn开放性特征决定了其节点从运行的时刻开始，就处于一个节点可能随时被破坏或捕获的环境中。传感器节点被捕获后，攻击者对节点进行解密、篡改程序，再次放回到网络中，这些被篡改节点就变成了恶意节点，它们以破坏wsn为目的，可以对网络发起几乎所有攻击。因此，仅依靠基于密码学的安全机制无法防御恶意节点进入无线传感网络内部发起攻击行为，需要建立一种有效的安全模型来解决这些问题。到目前为止，信任模型被看作为密码学的安全补充机制，可以进一步来防御内部攻击，但无线传感器网络面临的环境相对复杂，恶意节点的转发性或中断性攻击行为在统计数据上可能会接近处在劣势环境下的正常节点。现有的通过设定单一信誉阈值判断识别恶意节点的方法本身只能粗略的对异常节点进行甄别，精度较低，使得现有的基于信任机制识别恶意节点的方法在安全方面有待提高，识别率仍可进一步提高。技术实现要素：3.本发明所要解决的技术问题是：针对现有wsn恶意节点识别方法存在识别率不高的问题，提供一种科学合理，安全性强，效果佳的基于环境参数优化和时间信誉序列的恶意节点识别方法。4.为解决上述问题所采用的技术方案是：一种基于环境参数优化和时间信誉序列的恶意节点识别方法，它包括以下步骤：5.1)计算节点信誉值ttru，节点信誉值是对节点的在一段时间内通信行为的评估，根据节点正常通信次数与总通信次数来计算，引入了维护函数，维护当前通信行为对节点信誉值的影响，降低历史行为的影响；6.2)将信誉区间划分为低信誉区间、中信誉区间和高信誉区间，其中，信誉值处于低信誉区间的节点视为恶意节点，信誉值处于高信誉区间的节点判定为正常节点，进一步识别信誉值处于中信誉区间的亚攻击性节点；7.3)计算节点信誉时间序列t(an i)，节点的信誉值在n个周期内组成的时间序列；8.4)计算节点状态矩阵s，用于反映节点的工作状态和环境，由四种参数组成：节点剩余能量、数据量、邻节点数量和节点分布疏松度；9.5)计算环境因素q env，由节点信誉序列和状态矩阵通过机器学习中的线性回归求解；10.6)计算基准信誉矩阵，网络中节点信誉值以n为周期更新出第一组时间序列t(an 1)，和第一个周期的环境参数q envt1，当节点的信誉值更新出第二组时间序列t(an 2)，根据公式计算出节点当前环境下的基准信誉序列t'(an 2)；11.7)计算节点信誉时间序列t(an 2)与t'(an 2)相似度，由kn 2表示两个序列的相似程度，p表示信誉变化方向，最终得到相似度表示为kn 2；12.8)计算节点信誉跨度阈值γ，如果节点信誉序列相似度为正相似或者|kn 2|《γ，则判定节点为正常节点，更新步骤5)中的环境参数qenv，如果节点信誉序列相似度为负且|kn 2|》γ，该节点进入观察期，经过f个观察周期节点的信誉值依旧没有升高，则判定节点为恶意节点；13.9)若判定为恶意节点，簇头将恶意节点拉入黑名单，向簇内成员广播恶意节点的相关信息，若判定为正常节点，更新其环境参数进入下一评估周期。14.优选地，步骤1)：根据以下公式计算所述节点信誉值，[0015][0016][0017]其中，α是节点历史正常通信次数；β是节点历史非正常通信次数；δα是在阶段时间δt内节点正常通信次数；δβ是在阶段时间δt内节点非正常通信次数；μ是信誉维护函数，维护现阶段节点行为对信誉值影响，降低历史行为的影响；θ是一个固定维护值，用来设定维护函数的作用范围。[0018]优选地，所述步骤2)：判断节点n信誉值所处的信誉区间，ttru大于阈值ψ，节点n信誉值处于高信誉区域，判定节点n为正常节点，执行步骤 9)；ttru小于阈值δ，节点n信誉值处于低信誉区域，判定节点n为恶意节点，执行步骤9)；ttru小于阈值ψ且大于δ，节点处于中信誉区域。[0019]优选地，步骤3)：针对中信誉区域的节点，每个节点的信誉值以相同的时间间隔δt进行周期性更新，每n个时间间隔的节点信誉构成一个所述信誉时间序列：[0020][0021]优选地，步骤4)：所述计算节点状态矩阵，当节点更新信誉值时同时记录下节点当前状态，联系其信誉矩阵可构建节点n相关状态时间矩阵为：[0022][0023]其中，eres为节点剩余能量，wjob为节点的数据量，mnei为邻节点数量，dden表示节点分布疏松度。[0024]优选地，步骤5)：根据以下公式，计算所述环境因素的矩阵：[0025][0026]qenv＝[qn e qn w qn m qn d]t的最优解由机器学习中的线性回归求解，该矩阵的均方误差mse公式如下：[0027][0028]当均方误差mse达到最小时，所得即为不确定环境因素qenv的最优解。采用正定方程对qenv进行求解，即：[0029]qenv＝(st·s)-1·st·t。[0030]优选地，步骤6)：根据以下公式计算出节点当前环境下的所述基准信誉序列t'(an 2)：[0031][0032]优选地，步骤7)：根据以下公式，计算所述序列的相似度：[0033][0034][0035][0036]设定σ取值为1，最终k的取值范围在[0,1]之间。如果相似度结果趋近于 1，则表明两条序列相似程度越大；相似度结果趋近于0，则表明两条序列相似程度越小。同时定义p为信誉的变化方向，如果实际信誉高于基准信誉则p等于1，如果实际信誉低于基准信誉则p等于-1。最终得到相似度kn 2若是大于 0，则称为正相似度，否则，为负相似度。[0037]优选地，步骤8)：所述计算节点信誉跨度阈值γ，如以下公式所示：[0038][0039]如果节点信誉序列相似度为正相似或者|kn 2|《γ，则判定节点为正常节点，更新步骤5)中的环境参数qenv；如果节点信誉序列相似度为负且|kn 2|》 γ，该节点进入观察期，经过f个观察周期节点的信誉值依旧没有升高，则判定节点为恶意节点。[0040]本发明的有益效果为：[0041]本发明的一种基于环境参数优化和时间信誉序列的恶意节点识别方法与现有技术相比，本发明以最大化识别率为目标，基于改进的信誉算法，设计更安全的恶意节点识别模型；而通常使用单一阈值的信誉安全算法，由于恶意节点善于伪装和wsn工作环境的开放性，易产生较高的误判率。本发明利用环境参数优化和时间信誉序列，将两种方法结合以使基于信誉的恶意节点识别算法更适应于wsn的工作环境中，更准确的识别亚攻击性恶意节点。具有科学合理，安全性强，效果佳等优点。附图说明[0042]图1为节点信誉分布图；[0043]图2为阈值δ与低信誉区域存在可信节点个数之间的关系；[0044]图3为阈值ψ与高信誉区域存在恶意节点个数之间的关系；[0045]图4为不同参数与恶意节点识别率的关系；[0046]图5为不同参数与正常节点误判率的关系；[0047]图6为与现有算法的恶意节点识别率比较；[0048]图7为与现有算法的正常节点误判率比较。具体实施方式[0049]一种基于环境参数优化和时间信誉序列的恶意节点识别方法，它包括以下步骤：[0050]1)计算节点信誉值，根据以下公式计算节点信誉值[0051][0052][0053]其中ttru为节点的信誉值，α是节点历史正常通信次数；β是节点历史非正常通信次数；δα是在阶段时间δt内节点正常通信次数；δβ是在阶段时间δt内节点非正常通信次数；μ是信誉维护函数，维护现阶段节点行为对信誉值影响，降低历史行为的影响；θ是一个固定维护值，用来设定维护函数的作用范围。[0054]2)判断节点n信誉值所处的信誉区间，ttru大于阈值ψ，节点n信誉值处于高信誉区域，判定节点n为正常节点，执行步骤9)；ttru小于阈值δ，节点n信誉值处于低信誉区域，判定节点n为恶意节点，执行步骤9)；ttru小于阈值ψ且大于δ，节点处于中信誉区域。[0055]3)针对中信誉区域的节点，每个节点的信誉值以相同的时间间隔δt进行周期性更新，每n个时间间隔的节点信誉构成一个信誉序列：[0056][0057]4)计算节点状态矩阵，当节点更新信誉值时同时记录下节点当前状态，联系其信誉矩阵可构建节点n相关状态时间矩阵为：[0058][0059]其中，eres为节点剩余能量，wjob为节点的数据量，mnei为邻节点数量，dden表示节点分布疏松度。[0060]5)根据以下公式，计算环境因素矩阵：[0061][0062]qenv＝[qn e qn w qn m qn d]t的最优解由机器学习中的线性回归求解，该矩阵的均方误差mse公式如下：[0063][0064]当均方误差mse达到最小时，所得即为不确定环境因素qenv的最优解。采用正定方程对qenv进行求解，即：[0065]qenv＝(st·s)-1·st·t。[0066]6)计算基准信誉序列，当网络中节点信誉值以n为周期，更新出第一组时间序列t(an 1)，和第一个周期的环境参数q envt1。当节点的信誉值更新出第二组时间序列t(an 2)，根据以下公式计算出节点当前环境下的基准信誉序列t'(an 2)：[0067][0068]7)计算序列相似度，根据公式[0069][0070][0071][0072]设定σ取值为1，最终k的取值范围在[0,1]之间。如果相似度结果趋近于 1，则表明两条序列相似程度越大；相似度结果趋近于0，则表明两条序列相似程度越小。同时定义p为信誉的变化方向，如果实际信誉高于基准信誉则p等于1，如果实际信誉低于基准信誉则p等于-1。最终得到相似度kn 2若是大于 0，则称为正相似度，否则，为负相似度。[0073]8)计算节点信誉跨度阈值γ，如公式所示：[0074][0075]如果节点信誉序列相似度为正相似或者|kn 2|《γ，则判定节点为正常节点，更新步骤5)中的环境参数qenv；如果节点信誉序列相似度为负且|kn 2|》 γ，该节点进入观察期，经过f个观察周期节点的信誉值依旧没有升高，则判定节点为恶意节点。[0076]9)若判定为恶意节点，簇头将恶意节点拉入黑名单，向簇内成员广播恶意节点的相关信息；若判定为正常节点，更新其环境参数进入下一评估周期。[0077]其中，步骤4)中，节点剩余能量eres由无线射频模块模型求得，节点的剩余能量为节点预设能量减去节点发送、接收和处理单位数据所需能耗。当节点能量资源不足时，表现出自私行为，放弃协作或只接收不发送数据，所产生的随机转发的表现与选择性攻击的特点相似，所以在对节点的信誉值进行评估时，需要考量节点的剩余能量。[0078]其中，节点的数据量wjob为节点在一段时间内收发数据包数量的统计值，减少计算开销。[0079]其中，邻节点数量mnei为节点的通信半径为圆的区域内其他节点的数量，在相同的通信半径和邻节点数量下，节点分布的密集度差别很大，而不同疏密程度的节点分布会对信息的有效传输造成影响。[0080]其中，节点疏松度dden为节点分布呈现的疏松程度，用目标节点和邻节点的距离来描述，即：[0081][0082]其中di表示各邻居节点与目标节点的距离，rc表示节点的通信半径。当节点的通信半径一定时，节点分布越密集，dden越小。[0083]实施例[0084]以下结合附图和实施例对本发明作进一步说明。[0085]图1表示节点信誉分布图，双阈值δ和ψ将信誉区间划分为低信誉区域、中信誉区域和高信誉区域三个部分。根据节点信誉值ttru判断节点n所处的信誉区间，若ttru大于阈值ψ，节点n信誉值处于高信誉区域，判定节点n 为正常节点；ttru小于阈值δ，节点n信誉值处于低信誉区域，判定节点n为恶意节点；ttru小于阈值ψ且大于δ，节点处于中信誉区域。[0086]本发明的效果还可以通过以下实验进一步说明：[0087]算法参数的设置为：100m×100m～200m×200m的正方形区域随机分布 100～300个节点，节点通信半径为20m。其中网络环境整体划分为四个簇，各簇范围内对节点影响以0到0.3的概率随机分配。仿真初始全部为正常节点，均可百分百响应通信请求，在更新3个信誉序列后产生恶意节点数量占总节点的10％，以0.5～0.1的概率丢弃数据包。[0088]仿真实验中，为充分进行比较各参数对本发明效果的影响，在多次的仿真测试中，测试阈值参数δ和ψ，时间序列长度n和η所选取值范围不同，最终选取效果最佳的取值范围。[0089]将算法运行多次，对结果取平均值，验证在不同的时间序列长度下的识别率和误判率，并与现有技术做比较。[0090]图2表示在仿真区域有100个节点，其中有10个以50％-100％的概率丢弃数据包的恶意节点，ψ为1，阈值δ从0到1变化时，阈值δ与低信誉区域存在可信节点个数之间的关系。由图中可以看出，当阈值δ移动在0.2左右时，低信誉区域存在第一个可信节点，意味着阈值δ越大，对可信节点造成的误判就越多，因此在本发明模型中设定阈值δ为0.2。[0091]图3表示将阈值δ设定为0，阈值ψ从0到1变化时，阈值ψ与高信誉区域存在恶意节点个数之间的关系。在图中可看出，将阈值ψ设为0.8，可以高信誉区域不存在恶意节点。[0092]图4表示时间序列长度n取值从50到300，参数η的取值从0.1到0.5。参数n、η与恶意节点识别率的关系。[0093]图5表示参数n、η与正常节点误判率的关系。如图所示，若选用较小的参数η，虽然能提升对恶意节点的识别的能力，但是η判定过于敏感，以至于细小的环境波动也会造成对正常节点的误判，过大的参数η对恶意节点的识别能力不足。权衡之后将时间序列长度n设置为250，参数η为0.3。[0094]图6是与现有算法在恶意节点识别率方面的比较。[0095]图7是与现有算法在正常算法误判率方面的比较。本发明算法是对每个节点都设置灵活的判定阈值区间，充分考虑环境的影响，所以模型整体效果具有小幅提高且表现相对平稳。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!