[发明专利]一种基于机器学习的边缘计算克隆节点识别方法

权利要求书

1.一种基于机器学习的边缘计算克隆节点识别方法，其特征在于：包括以下步骤：

S1.边缘计算节点存储来自合法节点发送的身份声明信息，实现合法节点与边缘计算节点的上层认证：

R_i＝{ID_i,H_i}；

其中，ID_i是该合法节点i的身份号，H_i表示用于从合法节点i提取出的信道信息，表示合法节点i信道信息中的第k个数据，k＝1,2,3,...,n，n表示信道长度，该信道信息具有空时唯一的特点，不会被克隆；

S2.边缘计算节点提取合法节点i的身份声明信息R_i＝{ID_i,H_i}和未知节点j的身份声明信息R_j＝{ID_j,H_j}；

其中，ID_j是该未知节点j的身份号，H_j表示从未知节点j提取出的信道信息，表示未知节点j信道信息中的第k个数据，k＝1,2,3,...,n，n表示信道长度；

S3.边缘计算节点比较合法节点i和未知节点j的ID是否一致：

若ID_i≠ID_j，表示j节点不是克隆节点，选择另一未知节点并重复执行步骤S2～S3；

若ID_i＝ID_j，进入步骤S4；

S4.边缘计算节点利用检验统计量计算合法节点i和未知节点j的信道相关程度,并判断未知节点j是否为克隆节点：

若未知节点j是克隆节点，进入步骤S5；

若未知节点j不是克隆节点，选择另一未知节点并重复执行步骤S2～S4；

S5.边缘计算节点将合法节点i和克隆节点j的信道信息组合成为二分类的数据集T＝{(x₁,y₁),(x₂,y₂),...,(x_n,y_n)},在数据集T中：

即y_k＝+1时，表示该数据来自合法节点i；则y_k＝-1时，表示该数据来自克隆节点j；

S6.边缘计算节点采用机器学习算法中的分类算法，根据二分类的数据集T进行训练，直到生成满足识别率达标的分类模型；

S7.当新的未知节点u请求接入时，边缘计算节点将节点u作为待测节点，并利用识别率达标的分类模型对节点u进行身份识别，判断节点u是否为克隆节点。

2.根据权利要求1所述的一种基于机器学习的边缘计算克隆节点识别方法，其特征在于：所述步骤S4包括：

边缘计算节点利用检验统计量计算合法节点i和未知节点j的信道相关程度：

式中，η为预设阈值，表示合法节点i第k帧信道信息与未知节点j第k帧信道信息的差值；当Λ_i,j＞η时，表示两个具有相同ID的节点位于不同位置，发生了克隆节点攻击，j是克隆节点，进入步骤S5；当Λ_i,j＜η时，表示两个具有相同ID的节点位于相同位置，没有发生克隆节点攻击，j是合法节点，选择另一未知节点重复执行步骤S2～S4，直到判断出未知节点为克隆节点。

3.根据权利要求1所述的一种基于机器学习的边缘计算克隆节点识别方法，其特征在于：所述合法节点i的信道信息H_i与未知节点j的信道信息H_j需要处于相干时间内，否则认为信道信息不具有相关性。

4.根据权利要求1所述的一种基于机器学习的边缘计算克隆节点识别方法，其特征在于：所述检验统计量包括但不限于基于幅度的检验统计量Τ_A、基于幅度和相位联合的检验统计量Τ_B，以及基于矫正相位偏移的检验统计量Τ_C。