[发明专利]基于反向传播神经网络的边缘侧克隆节点集成检测方法

摘要

本发明公开了一种基于反向传播神经网络的边缘侧克隆节点集成检测方法，包括以下步骤：S1.边缘侧计算节点采集数据集；S2.利用数据集对BPNN进行训练及测试；S3.等待新的信息包；S4.从信息包中提取信道信息，存储参考信道信息，计算信道差值；S5.累计各节点信誉度；S6.将各节点信誉度输入BPNN，判断是否存在克隆攻击；S7.若无克隆攻击，则更新参考信道信息，若存在克隆攻击，则发送克隆攻击警报。本发明利用BPNN在边缘侧节点，对数据源节点进行集成检测，同时判断多个节点中是否存在克隆攻击，提高了克隆节点检测效率，减少了网络传输负荷和中心网络负荷。本发明还通过累计信誉度和BPNN的分类，降低了信道随机噪声的影响，提高了克隆节点检测的准确性。

主权项

1.基于反向传播神经网络的边缘侧克隆节点集成检测方法，其特征在于：包括以下步骤：S1.边缘侧计算节点采集数据源节点与已知的克隆节点的信道信息，计算信誉值，并据此形成数据集，所述数据集包括训练集和测试集；所述步骤S1包括以下子步骤：S101.边缘侧计算节点广播发送信道探测请求{Seq,N_train}给N个数据源节点和N个已知克隆节点，Seq为探测序列，N_train为发送探测请求的次数；S102.数据源节点与已知克隆节点响应探测请求，回发N_train次探测序列Seq；S103.边缘侧计算节点根据数据源节点的响应，提取每一个数据源节点的信道信息累计各个数据源节点的信誉值所述步骤S103包括：A1、边缘侧计算节点从第v个数据源节点的首次响应中提取信道信息H^l_v(0)，作为该节点的参考信道信息H^l_0,v：H^l_0,v＝H^l_v(0)；A2、边缘侧计算节点从第v个数据源节点的后续响应中提取信道信息H^l_v(t)，计算信道差值：ΔH^l_v(t)＝H^l_v(t)‑H^l_0,v；ΔH^l_v(t)表示第v个数据源节点第t个响应的信道差值，t＝1,2,...,p，其中p表示计算信道差值的次数，p＜N_train；A3、将提取到的p个差值进行累计，得到第v个数据源节点的信誉值其中，||·||₂为2范数；A4、对于N个数据源节点，分别重复步骤A1～A3进行处理，得到各个数据源节点的信誉值S104.边缘侧计算节点根据克隆节点的响应，提取每一个已知克隆节点的信道信息累计各个克隆节点的信誉值所述步骤S104包括：B1、边缘侧计算节点从第v个克隆节点的首次响应中提取信道信息H^cl_v(0)，作为该节点的参考信道信息H^cl_0,v：H^cl_0,v＝H^cl_v(0)；B2、边缘侧计算节点从第v个克隆节点的后续响应中提取信道信息H^cl_v(t)，计算信道差值：ΔH^cl_v(t)＝H^cl_v(t)‑H^cl_0,v；ΔH^cl_v(t)表示第v个克隆节点第t个响应的信道差值，t＝1,2,...,p，其中p表示从后续响应中提取信道差值的次数，p＜N_train；B3、将提取到的p个差值进行累计，得到第v个克隆节点的信誉值R_v^cl(t)；B4、对于不同的N个已知克隆节点，分别重复步骤B1～B3，得到各个已知克隆节点的信誉值S105.从数据源节点和克隆节点的信誉值中，随机选择k个信誉值作为样本，其中，k不大于N；若选出的k个信誉值中包含克隆节点信誉值，则将样本标记为1，即：式中，x^cl(s)表示包含克隆节点信誉值的随机样本，y^cl(s)表示与x^cl(s)对应的样本标记；表示来自数据源节点的i个信誉值，表示来自克隆节点的j个信誉值；若选出的k个信誉值中不包含克隆节点的信誉值，则将样本标记为0，即：式中，x^l(s)表示不包含克隆节点信誉值的随机样本，y^l(s)表示与x^l(s)对应的样本标记，表示来自数据源节点的k个信誉值；S106.在s＝1,2,…,N的情况下，按照步骤S105分别对随机样本x^cl(s)和x^l(s)进行N次采集，得到2N个样本数据，与对应的样本标记一起加入训练集中；S107.在s＝1,2,…,N的情况下，按照步骤S105分别对随机样本x^cl(s)和x^l(s)进行N次采集，得到2N个样本数据，与对应的样本标记一起加入测试集中；S2.构建反向传播神经网络模型并进行训练和测试，直至反向传播神经网络模型的检测率达标；所述步骤S2包括以下子步骤：S201.构建反向传播神经网络模型：初始化反向传播神经网络模型的自由参数W^H和W^O，输入层神经单元数为k，N^H为隐藏层神经单元个数，N^O为输出层神经单元个数，隐藏层的输入为：I^H＝[R₁,R₂,…,R_k]×W^H+δ，其中，δ为阈值向量；选择隐藏层激励函数为f^h，隐藏层的输出为：O^H＝f^h(I^H)；输出层的输入为：I^O＝O^H×W^O+θ，θ为阈值向量，选择输出层的激励函数为f^o，输出为：选取回传偏差函数为计算均方误差函数为并根据偏差函数更新权值W^H和W^O；S202.将训练集中的数据送入反向传播神经网络模型进行训练，当权值W^H和W^O无明显变化，或均方误差函数E的值小于设定阈值时，进入步骤S203；S203.利用测试集中的数据对训练得到的反向传播神经网络模型进行测试，判断反向传播神经网络的检测率是否达标，若是，进入步骤S3，若否，返回步骤S202继续训练；S3.边缘侧计算节点接收来自待测节点的信息包；S4.边缘侧计算节点从待测节点的信息包中提取信道信息，据此确定待测节点的参考信道信息，并计算信道差值；所述步骤S4包括以下子步骤：当接收到待测节点的第一个时隙信息包时，则将其信道信息H_v(0)记录为该待测节点的参考信道信息H_0,v；接收到待测节点的第二个信息包开始，计算待测节点在t时刻的信道差值ΔH_v(t)＝H_v(t)‑H_0,v；S5.累计待测节点的信誉值；S6.对于多个不同待测节点，重复步骤S3～S6，得到各个待测节点的信誉值，从中随机选取k个节点的信誉值作为待测样本输入检测率达标的反向传播神经网络模型中，根据反向传播神经网络的输出判定是否存在克隆攻击：若是，发送克隆攻击警报；若否，进入步骤S7；S7.更新待测节点的参考信道信息，返回步骤S3进行克隆攻击的循环检测；所述步骤S7包括以下子步骤：将t时刻的信道信息H_v(t)作为新的参考信道信息，即H_0,v＝H_v(t)，返回步骤S3进行克隆攻击的循环检测，在出现克隆攻击时，发送克隆攻击警报。