[發(fā)明專利]基于NBDP聚類的無線傳感器網(wǎng)絡(luò)惡意節(jié)點檢測方法

有效

• 申請?zhí)枺?/td>: 202110054424.6
• 申請日: 2021-01-15
• 公開（公告）號: CN112929879B
• 公開（公告）日: 2022-05-03
• 發(fā)明（設(shè)計）人: 丁景澤;張浩天;吳援明
• 申請（專利權(quán)）人: 電子科技大學(xué);賽爾網(wǎng)絡(luò)有限公司
• 主分類號: H04W12/122
• 分類號: H04W12/122;H04W40/22;H04W40/24;H04W84/18
• 代理公司: 電子科技大學(xué)專利中心 51203
• 代理人: 周劉英

本發(fā)明公開了一種基于NBDP聚類的無線傳感器網(wǎng)絡(luò)惡意節(jié)點檢測方法，采用DCRP算法和NBDP聚類，每個簇選出一個符合條件的監(jiān)測節(jié)點負責(zé)計算本簇內(nèi)節(jié)點的累計轉(zhuǎn)發(fā)率并以多跳路由的形式發(fā)送給匯聚節(jié)點，匯聚節(jié)點實施NBDP聚類篩選出惡意節(jié)點，從而達到檢測選擇性轉(zhuǎn)發(fā)攻擊的目的。本發(fā)明首先利用DCRP算法對網(wǎng)絡(luò)進行分簇，每個簇內(nèi)選出一個監(jiān)測節(jié)點，再利用監(jiān)測節(jié)點計算累計轉(zhuǎn)發(fā)率，匯聚節(jié)點對累計轉(zhuǎn)發(fā)率實施NBDP聚類篩選出惡意節(jié)點，在能耗允許的情況下，本發(fā)明具有快速高效檢測的優(yōu)勢、具有較低的誤檢率和漏檢率。

技術(shù)領(lǐng)域

本發(fā)明屬于無線傳感器網(wǎng)絡(luò)技術(shù)領(lǐng)域，具體涉及一種基于噪聲密度峰值(Noise-Based Density Peaks，NBDP)聚類的無線傳感器網(wǎng)絡(luò)惡意節(jié)點檢測方法。

背景技術(shù)

無線傳感器網(wǎng)絡(luò)(Wireless Sensor Network，WSN)作為一種新興的網(wǎng)絡(luò)系統(tǒng)，是由大量部署在監(jiān)測區(qū)域內(nèi)的微型、廉價傳感器節(jié)點組成并以無線多跳的通信方式形成的。在軍事和民用領(lǐng)域有著廣闊的市場，因此對無線傳感器網(wǎng)絡(luò)的安全保護需求日益突出。

無線傳感器網(wǎng)絡(luò)中的傳感器節(jié)點由于計算和存儲能力有限且由于通信開放和不設(shè)定防御機制而容易受到不同類型的攻擊。對無線傳感器網(wǎng)絡(luò)攻擊有來自外部的攻擊和混進內(nèi)部的攻擊。選擇性轉(zhuǎn)發(fā)攻擊是最重要的內(nèi)部攻擊之一，被其攻擊的惡意節(jié)點會隨機丟棄全部或部分數(shù)據(jù)包。與此同時，信道質(zhì)量差也會導(dǎo)致節(jié)點丟棄數(shù)據(jù)包。因此，在某些情況下，惡意節(jié)點與信道質(zhì)量差的節(jié)點的丟包行為不可區(qū)分，這也是目前亟待解決的一個問題。

在實施選擇性轉(zhuǎn)發(fā)攻擊檢測前，需要對無線傳感器網(wǎng)絡(luò)進行分簇。DCRP(Diffusion Clu stering scheme and hybrid energy balanced Routing Protocol，擴散聚類方案和混合能量均衡路由協(xié)議)的分簇算法是通過從中心基站擴散成簇。第一個簇首是中心基站，第一個簇內(nèi)包括基站周圍的單跳節(jié)點并從中選出符合條件的監(jiān)測節(jié)點。通過公式(1)計算出下一跳簇首及成員節(jié)點和監(jiān)測節(jié)點，以此類推。該分簇算法綜合考慮了各參數(shù)的影響，減少了簇的個數(shù)，提高了無線傳感器網(wǎng)絡(luò)的能量平衡和能量利用效率。

對于選擇性轉(zhuǎn)發(fā)攻擊，研究者提出了許多檢測方案。基于信譽值的方案通過將節(jié)點的信譽值與預(yù)設(shè)或自適應(yīng)的閾值進行比較來檢測選擇性轉(zhuǎn)發(fā)攻擊，但無法區(qū)別惡意節(jié)點和信道質(zhì)量差的節(jié)點。近年來，機器學(xué)習(xí)中的聚類算法在惡意節(jié)點檢測中越來越受到研究者的關(guān)注。由于信道質(zhì)量差是由環(huán)境因素造成的，通常發(fā)生在無線傳感器網(wǎng)絡(luò)布局范圍內(nèi)的某一塊區(qū)域，而惡意行為則是隨機單獨出現(xiàn)的，因此，可以通過數(shù)據(jù)聚類算法檢測這些惡意行為。數(shù)據(jù)聚類算法包括K-means、K-medoids、KNN(K Nearest Neighbor，K最近鄰)、DBSCAN(Den sity-Based Spatial Clustering Applications with Noise，基于密度的噪聲空間聚類)、密度峰值(Density Peaks，DP)聚類等等。

K-means和K-medoids是基于距離的數(shù)據(jù)聚類方法。由于其簡單、分類效率高，在惡意節(jié)點檢測中得到了廣泛的應(yīng)用。它將數(shù)據(jù)集分為K個類，使得在同一類中的點具有較高的相似度，而在不同類中的點相似度較低。K-medoids是一種基于K-means的改進算法，可以隨機選擇初始K個聚類中心，然后通過檢索其他所有點到K個點中的最小距離來選擇優(yōu)化聚類中心。但這兩種方法中的K值需要事先設(shè)定，K值設(shè)定的正確與否會直接影響聚類結(jié)果，同時，這兩種方法不會識別出任何噪聲點。

為了避免事先設(shè)定K值和在聚類結(jié)果中尋找噪聲點，基于密度的聚類算法DBSCAN被提出。DBSCAN要求在給定半徑(Eps)中，一個簇中每個點的鄰域包含的點的數(shù)量必須超過最小點數(shù)(MinPts)。在原始DBSCAN算法中，需要提前設(shè)定MinPts和Eps這兩個重要參數(shù)。針對無線傳感器網(wǎng)絡(luò)中的選擇性轉(zhuǎn)發(fā)攻擊檢測，研究者曾提出基于動態(tài)參數(shù)的DBSCAN(D P-DBSCAN，Dynamic Parameter DBSCAN)改進算法，MinPts和Eps可根據(jù)網(wǎng)絡(luò)場景的不同而改變，從而更能適應(yīng)網(wǎng)絡(luò)不斷變化情況下的惡意節(jié)點檢測。