[發明專利]基于反向傳播神經網絡的邊緣側克隆節點集成檢測方法

有效

• 申請號: 201810801827.0
• 申請日: 2018-07-20
• 公開（公告）號: CN108924150B
• 公開（公告）日: 2019-06-07
• 發明（設計）人: 潘緋;廖潤發;文紅
• 申請（專利權）人: 電子科技大學
• 主分類號: H04L29/06
• 分類號: H04L29/06
• 代理公司: 成都巾幗知識產權代理有限公司 51260
• 代理人: 邢偉

1.基于反向傳播神經網絡的邊緣側克隆節點集成檢測方法，其特征在于：包括以下步驟：

S1.邊緣側計算節點采集數據源節點與已知的克隆節點的信道信息，計算信譽值，并據此形成數據集，所述數據集包括訓練集和測試集；所述步驟S1包括以下子步驟：

S101.邊緣側計算節點廣播發送信道探測請求{Seq,N_train}給N個數據源節點和N個已知克隆節點，Seq為探測序列，N_train為發送探測請求的次數；

S102.數據源節點與已知克隆節點響應探測請求，回發N_train次探測序列Seq；

S103.邊緣側計算節點根據數據源節點的響應，提取每一個數據源節點的信道信息累計各個數據源節點的信譽值

所述步驟S103包括：

A1、邊緣側計算節點從第v個數據源節點的首次響應中提取信道信息H^l_v(0)，作為該節點的參考信道信息H^l_0,v：

H^l_0,v＝H^l_v(0)；

A2、邊緣側計算節點從第v個數據源節點的后續響應中提取信道信息H^l_v(t)，計算信道差值：

ΔH^l_v(t)＝H^l_v(t)-H^l_0,v；

ΔH^l_v(t)表示第v個數據源節點第t個響應的信道差值，t＝1,2,...,p，其中p表示計算信道差值的次數，p＜N_train；

A3、將提取到的p個差值進行累計，得到第v個數據源節點的信譽值

其中，||·||₂為2范數；

A4、對于N個數據源節點，分別重復步驟A1～A3進行處理，得到各個數據源節點的信譽值

S104.邊緣側計算節點根據克隆節點的響應，提取每一個已知克隆節點的信道信息累計各個克隆節點的信譽值

所述步驟S104包括：

B1、邊緣側計算節點從第v個克隆節點的首次響應中提取信道信息H^cl_v(0)，作為該節點的參考信道信息H^cl_0,v：

H^cl_0,v＝H^cl_v(0)；

B2、邊緣側計算節點從第v個克隆節點的后續響應中提取信道信息H^cl_v(t)，計算信道差值：

ΔH^cl_v(t)＝H^cl_v(t)-H^cl_0,v；

ΔH^cl_v(t)表示第v個克隆節點第t個響應的信道差值，t＝1,2,...,p，其中p表示從后續響應中提取信道差值的次數，p＜N_train；

B3、將提取到的p個差值進行累計，得到第v個克隆節點的信譽值R_v^cl(t)；

B4、對于不同的N個已知克隆節點，分別重復步驟B1～B3，得到各個已知克隆節點的信譽值

S105.從數據源節點和克隆節點的信譽值中，隨機選擇k個信譽值作為樣本，其中，k不大于N；

若選出的k個信譽值中包含克隆節點信譽值，則將樣本標記為1，即：

式中，x^cl(s)表示包含克隆節點信譽值的隨機樣本，y^cl(s)表示與x^cl(s)對應的樣本標記；表示來自數據源節點的i個信譽值，表示來自克隆節點的j個信譽值；

若選出的k個信譽值中不包含克隆節點的信譽值，則將樣本標記為0，即：

式中，x^l(s)表示不包含克隆節點信譽值的隨機樣本，y^l(s)表示與x^l(s)對應的樣本標記，表示來自數據源節點的k個信譽值；

S106.在s＝1,2,…,N的情況下，按照步驟S105分別對隨機樣本x^cl(s)和x^l(s)進行N次采集，得到2N個樣本數據，與對應的樣本標記一起加入訓練集中；

S107.在s＝1,2,…,N的情況下，按照步驟S105分別對隨機樣本x^cl(s)和x^l(s)進行N次采集，得到2N個樣本數據，與對應的樣本標記一起加入測試集中；

S2.構建反向傳播神經網絡模型并進行訓練和測試，直至反向傳播神經網絡模型的檢測率達標；

所述步驟S2包括以下子步驟：

S201.構建反向傳播神經網絡模型：

初始化反向傳播神經網絡模型的自由參數W^H和W^O，輸入層神經單元數為k，N^H為隱藏層神經單元個數，N^O為輸出層神經單元個數，隱藏層的輸入為：

I^H＝[R₁,R₂,…,R_k]×W^H+δ，

其中，δ為閾值向量；

選擇隱藏層激勵函數為f^h，隱藏層的輸出為：

O^H＝f^h(I^H)；

輸出層的輸入為：

I^O＝O^H×W^O+θ，

θ為閾值向量，

選擇輸出層的激勵函數為f^o，輸出為：

選取回傳偏差函數為計算均方誤差函數為并根據偏差函數更新權值W^H和W^O；

S202.將訓練集中的數據送入反向傳播神經網絡模型進行訓練，當權值W^H和W^O無明顯變化，或均方誤差函數E的值小于設定閾值時，進入步驟S203；

S203.利用測試集中的數據對訓練得到的反向傳播神經網絡模型進行測試，判斷反向傳播神經網絡的檢測率是否達標，若是，進入步驟S3，若否，返回步驟S202繼續訓練；

S3.邊緣側計算節點接收來自待測節點的信息包；

S4.邊緣側計算節點從待測節點的信息包中提取信道信息，據此確定待測節點的參考信道信息，并計算信道差值；

所述步驟S4包括以下子步驟：

當接收到待測節點的第一個時隙信息包時，則將其信道信息H_v(0)記錄為該待測節點的參考信道信息H_0,v；接收到待測節點的第二個信息包開始，計算待測節點在t時刻的信道差值ΔH_v(t)＝H_v(t)-H_0,v；

S5.累計待測節點的信譽值；

S6.對于多個不同待測節點，重復步驟S3～S6，得到各個待測節點的信譽值，從中隨機選取k個節點的信譽值作為待測樣本輸入檢測率達標的反向傳播神經網絡模型中，根據反向傳播神經網絡的輸出判定是否存在克隆攻擊：

若是，發送克隆攻擊警報；

若否，進入步驟S7；

S7.更新待測節點的參考信道信息，返回步驟S3進行克隆攻擊的循環檢測；

所述步驟S7包括以下子步驟：

將t時刻的信道信息H_v(t)作為新的參考信道信息，即H_0,v＝H_v(t)，返回步驟S3進行克隆攻擊的循環檢測，在出現克隆攻擊時，發送克隆攻擊警報。