隨著物聯(lián)網(wǎng)技術(shù)的飛速發(fā)展,物與物、人與人、人與物皆可相連,相連所產(chǎn)生的各種信息的價(jià)值越來(lái)越高,這些信息吸引了越來(lái)越多的惡意攻擊者,給網(wǎng)絡(luò)的安全帶來(lái)了嚴(yán)重威脅。而作為這些信息的直接獲得源頭,面向物聯(lián)網(wǎng)感知層的傳感網(wǎng)也不例外,與其他網(wǎng)絡(luò)不同,傳感網(wǎng)的節(jié)點(diǎn)能量以及計(jì)算能力有限,因此適用于互聯(lián)網(wǎng)的安全技術(shù)無(wú)法很好的應(yīng)用在傳感網(wǎng)中,為此需要研究適用于傳感網(wǎng)的相關(guān)安全技術(shù)。目前,針對(duì)傳感網(wǎng)相關(guān)安全技術(shù)國(guó)內(nèi)外的很多學(xué)者都有所研究,本文對(duì)無(wú)線(xiàn)傳感網(wǎng)絡(luò)中信任安全相關(guān)技術(shù)進(jìn)行研究,所做工作和創(chuàng)新點(diǎn)如下所示:首先,提出異常檢測(cè)中基于混合式聚類(lèi)的離群點(diǎn)挖掘算法,將改進(jìn)后的離群點(diǎn)挖掘技術(shù)應(yīng)用于異常檢測(cè)中,借助新型的聚類(lèi)算法找出簇中心,去除小簇型攻擊樣本,通過(guò)重復(fù)增加樣本并計(jì)算節(jié)點(diǎn)異常度,從而判斷出節(jié)點(diǎn)的異常性。其次,提出惡意節(jié)點(diǎn)識(shí)別DPAM-MD算法,在傳統(tǒng)信任閾值判斷模型的基礎(chǔ)上,通過(guò)直接信任值與間接信任值來(lái)衡量一個(gè)節(jié)點(diǎn)的可信度,每隔固定時(shí)間求解一次,組成節(jié)點(diǎn)的信任值時(shí)間序列,改進(jìn)聚類(lèi)算法,結(jié)合簇內(nèi)和簇間距離均衡化的目標(biāo)函數(shù),將節(jié)點(diǎn)的信任值序列進(jìn)行分類(lèi),將隱蔽性高,接近基準(zhǔn)序列的這一類(lèi)節(jié)點(diǎn)分離出來(lái)。仿真實(shí)驗(yàn)表明,該方法可以提高聚類(lèi)質(zhì)量,有效縮短聚類(lèi)時(shí)間,能夠有效識(shí)別傳感網(wǎng)內(nèi)的惡意節(jié)點(diǎn),能夠?qū)鹘y(tǒng)的信任閾值模型進(jìn)行補(bǔ)充。最后,提出基于信譽(yù)值的多屬性信息素蟻群安全路由算法,傳統(tǒng)的蟻群優(yōu)化算法存在局部收斂,沒(méi)有考慮節(jié)點(diǎn)剩余能量等諸多問(wèn)題。該算法將節(jié)點(diǎn)信任值,剩余能量,通信時(shí)延作為信息素,綜合考慮節(jié)點(diǎn)各方面屬性并帶入蟻群優(yōu)化算法的隨機(jī)比例公式中進(jìn)行計(jì)算,選出最優(yōu)的數(shù)據(jù)傳輸路徑。其次,節(jié)點(diǎn)信任值由直接和間接信任值組成,其中間接信任值是通過(guò)過(guò)濾重合率較高的部分節(jié)點(diǎn),改進(jìn)節(jié)點(diǎn)通信行為的更新方式,降低網(wǎng)絡(luò)能耗,增加節(jié)點(diǎn)信任值的可靠性。
【學(xué)位單位】：南京郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類(lèi)】：TP212.9;TN915.08
【部分圖文】：

圖 4.1 節(jié)點(diǎn)類(lèi)型圖點(diǎn)信譽(yù)值序列。設(shè)在無(wú)線(xiàn)傳感器網(wǎng)絡(luò)中任意節(jié)點(diǎn)a，經(jīng)過(guò)若干個(gè)相信譽(yù)值序列就是在每個(gè)時(shí)間間隔點(diǎn)處的信譽(yù)值所組成的 , 1 n 。列相似度。序列相似度是指任意節(jié)點(diǎn)a的信譽(yù)值序列 A與基準(zhǔn)信譽(yù)量相似度的方法有很多，例如曼哈頓度量，歐幾里得度量，高斯徑向ius 范數(shù)等。哈頓度量設(shè) 1 2,,,i i ipi x x x和 1 2,,,j j jpj x x x是 2 個(gè)被 p 個(gè)數(shù)值屬性j之間的曼哈頓度量的定義如（4.1）所示d (i , j ) i1 j 1ip jpx x x x有非負(fù)性，同一性，對(duì)稱(chēng)性，三角不等式等數(shù)學(xué)特性。

3,4 這幾個(gè)值，而時(shí)間序列長(zhǎng)度取 50,100,150,200,250,300。在實(shí)驗(yàn)中我們以信譽(yù)評(píng)價(jià)系統(tǒng)的判斷閾值為 0.5 為例進(jìn)行分析判斷。由圖4.3和圖4.4可以很清楚的看出使用DPAM-MD算法對(duì)惡意節(jié)點(diǎn)進(jìn)行識(shí)別的過(guò)程中，隨著輸入的時(shí)間序列長(zhǎng)度的增加，算法對(duì)惡意節(jié)點(diǎn)的識(shí)別度越高，也就是召回率越高，并且時(shí)間序列長(zhǎng)度越長(zhǎng)，正常節(jié)點(diǎn)的誤判率也越低。由此可以看出時(shí)間序列長(zhǎng)度越長(zhǎng)越好。而對(duì)于k 值，當(dāng)k =2 時(shí)算法對(duì)惡意節(jié)點(diǎn)的識(shí)別率處在 3 種情況適中的水平,但是在正常節(jié)點(diǎn)的誤判率方面表現(xiàn)的最差;對(duì)于k =4 時(shí),節(jié)點(diǎn)的誤判率處于 3 種情況適中的水平,但其惡意節(jié)點(diǎn)的識(shí)別率很低;只有當(dāng)k=3 時(shí)對(duì)惡意節(jié)點(diǎn)的識(shí)別度最高，正確節(jié)點(diǎn)的誤判率最低，因此當(dāng)k 為 3 時(shí)算法對(duì)惡意節(jié)點(diǎn)的識(shí)別能力最強(qiáng)。

3,4 這幾個(gè)值，而時(shí)間序列長(zhǎng)度取 50,100,150,200,250,300。在實(shí)驗(yàn)中我們以信譽(yù)評(píng)價(jià)系統(tǒng)的判斷閾值為 0.5 為例進(jìn)行分析判斷。由圖4.3和圖4.4可以很清楚的看出使用DPAM-MD算法對(duì)惡意節(jié)點(diǎn)進(jìn)行識(shí)別的過(guò)程中，隨著輸入的時(shí)間序列長(zhǎng)度的增加，算法對(duì)惡意節(jié)點(diǎn)的識(shí)別度越高，也就是召回率越高，并且時(shí)間序列長(zhǎng)度越長(zhǎng)，正常節(jié)點(diǎn)的誤判率也越低。由此可以看出時(shí)間序列長(zhǎng)度越長(zhǎng)越好。而對(duì)于k 值，當(dāng)k =2 時(shí)算法對(duì)惡意節(jié)點(diǎn)的識(shí)別率處在 3 種情況適中的水平,但是在正常節(jié)點(diǎn)的誤判率方面表現(xiàn)的最差;對(duì)于k =4 時(shí),節(jié)點(diǎn)的誤判率處于 3 種情況適中的水平,但其惡意節(jié)點(diǎn)的識(shí)別率很低;只有當(dāng)k=3 時(shí)對(duì)惡意節(jié)點(diǎn)的識(shí)別度最高，正確節(jié)點(diǎn)的誤判率最低，因此當(dāng)k 為 3 時(shí)算法對(duì)惡意節(jié)點(diǎn)的識(shí)別能力最強(qiáng)。
【參考文獻(xiàn)】

相關(guān)期刊論文 前8條

1 張永剛;張思博;薛秋實(shí);;求解約束滿(mǎn)足問(wèn)題的改進(jìn)蟻群優(yōu)化算法[J];通信學(xué)報(bào);2015年05期

2 趙宏;胡智;聞?dòng)⒂?;基于ACS的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)區(qū)分服務(wù)路由算法[J];通信學(xué)報(bào);2013年10期

3 張玲;白中英;羅守山;謝康;崔冠寧;孫茂華;;基于粗糙集和人工免疫的集成入侵檢測(cè)模型[J];通信學(xué)報(bào);2013年09期

4 郭顯;馮濤;袁占亭;;編碼感知多跳無(wú)線(xiàn)網(wǎng)絡(luò)安全路由協(xié)議[J];通信學(xué)報(bào);2012年06期

5 蔣暢江;石為人;唐賢倫;王平;向敏;;能量均衡的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)非均勻分簇路由協(xié)議[J];軟件學(xué)報(bào);2012年05期

6 胡明霞;;基于BP神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)算法[J];計(jì)算機(jī)工程;2012年06期

7 楊光;印桂生;楊武;耿貴寧;;無(wú)線(xiàn)傳感器網(wǎng)絡(luò)基于節(jié)點(diǎn)行為的信譽(yù)評(píng)測(cè)模型[J];通信學(xué)報(bào);2009年12期

8 黃敏明;林柏鋼;;基于遺傳算法的模糊聚類(lèi)入侵檢測(cè)研究[J];通信學(xué)報(bào);2009年S2期

本文編號(hào)：2890636