分布式检测中智慧的数据篡改攻击与防御方法研究

发布时间：2020-07-19 17:23

【摘要】：随着无线通信技术的飞速发展,无线传感网络(Wireless Sensor Network,WSN)越来越受到人们的关注,分布式检测是WSN的重要应用之一。在分布式检测系统中包含一个待检测目标,多个传感器节点(SensorNode,SN)和一个融合中心(Fusion Center,FC)。每个传感器节点将感知的目标测量数据发送给FC,FC进行数据处理后获取待检测目标的相关信息。分布式检测系统中存在数据篡改(Spectrum Sensing Data Falsification,SSDF)攻击,攻击者会捕获一些传感器节点使其成为恶意节点,恶意节点可能会将篡改的目标测量数据发送给FC,进而干扰FC做出正确的判决,达到恶化分布式检测系统性能的目标。论文研究分布式检测中的SSDF攻击与防御方法,选题具有重要研究意义与应用价值。由于现有的研究主要集中在从防御角度消除恶意节点的攻击行为对分布式检测系统造成的影响,论文从攻击者的角度,分析概率型SSDF攻击模型对分布式检测性能的影响,并且从两种攻击目标出发研究恶意节点的最优攻击策略。论文研究翻转攻击模型和偏移攻击模型,基于KL散度分析得到了使FC“盲化”的最小恶意节点比例。论文考虑了两种攻击目标,第一个目标是给分布式检测系统造成最大破坏的最优攻击策略,第二个目标是使分布式检测系统无法正常工作的最优攻击策略。研究结果表明,目标一中得到了使系统性能降到最低的攻击策略;目标二中得到了四种最优攻击策略,既破坏了分布式检测系统平衡,使系统无法正常工作,又使恶意节点不被FC识别出来。针对现有的恶意节点识别方法在恶意节点的攻击概率和攻击强度较小时识别概率会明显降低的问题,论文提出了基于自适应门限的恶意节点识别方法。论文采用传感器节点的局部判决结果与系统全局判决结果的不匹配度作为用于传感器类型判断的特征变量,并设计了一种基于攻击概率和攻击强度的自适应门限调整方法。研究结果表明,该方法不仅在恶意节点的攻击概率和攻击强度较高时能够有效识别恶意节点,而且在恶意节点的攻击概率和攻击强度较低时也能达到较好的识别效果。针对现有的SSDF攻击策略大部分在时间上是维持不变的,智慧型攻击方法较少的问题,论文研究智慧型SSDF攻击及其防御方法。从攻击者的角度,给出了智慧型SSDF攻击策略。恶意节点在增大虚警概率和漏检概率的同时,考虑到攻击行为产生的攻击代价,得到了最优攻击问题,进而求解得到最优攻击策略。从防御者的角度,论文在第三章防御方法的基础上进行了改进,提出了一种能够识别出智慧型SSDF攻击者的防御方法。研究结果表明,智慧型SSDF攻击策略能兼顾破坏性和隐匿性,恶意节点在保证不被FC识别出来的基础上,对分布式检测系统造成最大破坏。论文所提出的防御方法也能有效地识别出智慧型SSDF攻击者,减轻其对分布式检测系统性能的恶意影响。利用论文研究的SSDF攻击策略及其防御方法,从攻击者的角度,恶意节点能实现最有效的攻击;从防御者的角度,FC能识别出恶意节点,提升分布式检测系统性能,具有重要的意义。
【学位授予单位】：浙江大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP212.9;TN929.5;TP309
【图文】：

模型图,分布式检测系统,模型

攻击模型：翻转攻击模型和偏移攻击模型。逡逑２．１．１分布式检测模型逡逑论文考虑的分布式检测系统模型如图２．１所示，是一种带ＦＣ的系统结构。分布逡逑式检测系统由一个待检测目标、若干个感知目标的传感器节点与一个ＦＣ构成。假设逡逑分布式检测系统中有＃个传感器节点，其中尺个传感器节点已经被攻击者捕获，成逡逑为恶意节点，其余尺个传感器节点为正常节点。在目标检测过程中，ＦＣ没有关于逡逑恶意节点数目的相关信息。逡逑从图２．１中可以看出，完成一次目标检测，需要传感器节点的本地检测，目标测逡逑量数据汇报和ＦＣ数据融合／判决三个步骤。具体地，首先，每个传感器节点各自进逡逑行本地检测，本地检测可以采用能量检测、匹配滤波检测、循环平稳特征检测等方逡逑法；然后，通过汇报信道，每个传感器节点将目标测量数据发送给ＦＣ；最后，ＦＣ逡逑将收到的目标测量数据进行融合以得到全局检验统计量，并对目标存在与否做出全逡逑局判决。逡逑１１逡逑

曲线,概率,比例,节点

Ａｔｔａｃｋ邋Ｐｒｏｂａｂｉｌｉｔｙ，邋ｐ逡逑图２．３邋“盲化”比例《ｂｌｍｄ与攻击概率Ａ的关系逡逑从图２．３中可以看出，无论恶意节点采用攻击模型Ｉ还是攻击模型２，随着攻击逡逑概率夕的增大，使ＦＣ邋“盲化”的最小恶意节点比例逐渐减小。当恶意节点采用攻击逡逑模型Ｉ时，若攻击概率为Ｉ，恶意节点比例需要达到７丨．９６％才能使ＦＣ邋“盲化”。当逡逑恶意节点采用攻击模型２时，根据式（２．４３）可知，“盲化”比例与攻击概率；０和攻击逡逑强度Ａ相关，因此通过选取不同的攻击强度可以得到不同的《ｂｌｉ，，ｄ－Ｐ曲线。当Ａ较大逡逑时，例如图中Ａ＝１６，若攻击概率为１，恶意节点比例需要达到６４．１３％能使ＦＣ邋“盲逡逑化”；当Ａ减小，例如图中Ａ＝１２，若攻击概率为１，恶意节点比例需要达到８５．１６％逡逑才能使ＦＣ邋“盲化”。同时，当恶意节点采用攻击模型１时，若攻击概率较小，恶逡逑意节点将无法使ＦＣ邋“盲化”；当恶意节点采用攻击模型２时

关系图,概率,节点,策略

＝，给出了恶意节点分别采用攻击模型１和攻击模型２时，最优攻击目的关系图。当恶意节点采用攻击模型１时，若恶意节点数目小略为／？＝１，对照图２．３可以看到此时ＦＣ不能被“盲化”；若恶则最优攻击概率小于Ｉ，但是此时ＦＣ可以被“盲化”。因此若ＦＣ当恶意节点采用攻击模型１时，最优攻击策略为Ｋ＝ｌ。当恶意节，随着攻击强度Ａ的增大，使最优攻击概率小于１所需的恶意节Ａ＝１０时，最优攻击概率在恶意节点数目大于１１时才小于Ｉ；当Ａ率在恶意节点数目大于７时就小于１，这也与图２．３的仿真结果不能被“盲化”，且恶意节点采用攻击模型２时，最优攻击策略为１．０５逦｜逦｜逦ｉ邋？邋ｉ邋１邋ｒ邋＇逡逑

【相似文献】