[發明專利]無線傳感器網絡中基于相關性理論的惡意共謀攻擊抵抗方法

在審

• 申請號: 202011056403.X
• 申請日: 2020-09-30
• 公開（公告）號: CN112437440A
• 公開（公告）日: 2021-03-02
• 發明（設計）人: 童麗媱;賴英旭;劉靜
• 申請（專利權）人: 北京工業大學
• 主分類號: H04W12/122
• 分類號: H04W12/122;H04W16/22;H04W84/18
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 沈波

1.無線傳感器網絡中基于相關性理論的惡意共謀攻擊抵抗方法，其特征在于，

首先基于同類傳感器數據存在時間相關性，可實現同類傳感器節點數據異常情況的檢測；由于感知節點采集的環境信息存在時間上的周期性，通過對節點采集的歷史數據進行建模，實現同類傳感器中異常數據的檢測；

利用節點中各屬性數據的異常情況，通過節點間的空間相關性檢測惡意節點；若事件環境中存在共謀FDI攻擊，則被攻擊節點的關聯融合值會偏離周圍其他節點，因此會被識別出來；通過對節點異常情況進行分析并通過關聯融合值實現對惡意節點的檢測；

然后，基于事件相關性，綜合考慮時間相關性及空間相關性的優勢，通過故障節點，驗證WSN中的惡意節點。

2.如權利要求1所述的無線傳感器網絡中基于相關性理論的惡意共謀攻擊抵抗方法，其特征在于，

使用DDF-2算法在預測模型上構建一種迭代式的狀態估計模式；節點利用預測的數據狀態和預設門限構建下一個接收到數據的正常范圍，當接收到的數據超出構建的正常范圍，節點將數據判定為異常；在感知節點通過不斷的循環更新，構成一個迭代式地基于門限判決的錯誤數據檢測機制，實現對模型的預測狀態值的修正以及評判，通過使用測量值和后驗估計校正系統演進方向；

基于時間相關性的同類傳感器異常數據檢測流程如下：

a.用觀測、調查、統計、抽樣等方法取得被觀測系統時間序列動態數據；

b.判斷時間序列是否平穩，若不平穩，則進行d次差分處理，直到序列平穩；

c.根據處理后的序列數據作相關圖，進行相關分析，求自相關系數圖和偏自相關系數圖；

d.根據得到的相關圖以及規則，確定模型的系數p,q；

得到模型ARIMA(p,d,q)，公式為：

φ_p(B)(1-B)^dZ_t＝θ_q(B)a_t

其中，d為差分次數，B為后移算子，a_t為白噪聲序列，z_t為觀測序列

e.對建好后的模型進行白噪聲檢測，以確定其可用性

利用得到的模型進行DDF-2的計算，以進行數據預測；依據得出的狀態方程以及測量方程，計算t-1時刻的離差矩陣、先驗估計及估計誤差，然后基于上述結果計算t時刻的估計誤差，并與預設門限進行對比，超過門限為異常，否則為正常，得出關于異常和正常的二進制序列，并循環此步驟進行更新；具體步驟如下所示：

a)對于t-1時間的后驗值以及估計誤差計算離差矩陣；

b)計算t時間先驗估計及其估計誤差

c)將與測量值Z_t相減，與門限值對比，如果超出則返回異常；反之，返回正常；

d)更新循環，實現對WSN中傳感器數據異常情況的檢測。

3.如權利要求1所述的無線傳感器網絡中基于相關性理論的惡意共謀攻擊抵抗方法，其特征在于，

對每一個節點，都有樣本數據為X即上一階段的異常情況序列，包含T組數據，每組數據具有N個屬性，N個屬性權重分別為ρ_n,n＝1,2,...,N；設初始情況下，每一組數據的權重為經過多次迭代后樣本的權重變化

由此傳感器可產生T組行為數據，每組數據有N個屬性特征；

矩陣的每一列代表一個屬性，每一行代表當前時刻下的各屬性的異常情況，故矩陣中的值代表以時間為軸，判斷屬性數據是否異常，異常為0，正常為1；

其中第i組數據表示為[x_i1,x_i2,…,x_iN]，此時利用加權平均法，將每個樣本的屬性權重ρ_n，該迭代次數下該組數據權重和樣本數據x_in相乘，再除以一個歸一化因子，這個即為樣本分向量重心意義為每個屬性樣本在第p次迭代下一組數據的特征表示；

根據歐氏距離計算法，經過兩次臨近的第p次和第p+1次迭代后，得到樣本的重心偏移值d_p+1。