近日,電子科技大學光電科學與工程學院2018級大學生丁景澤在感測器國際期刊IEEE Sensors Journal上發表了題為《The Detection Scheme Against Selective Forwarding of Smart Malicious Nodes with Reinforcement Learning in Wireless Sensor Networks》的研究性論文。丁景澤為該論文的第一作者,其導師吳援明教授為論文通訊作者,電子科技大學為唯一作者單位。
由於無線感測器網路通信開放並且常分佈於無人值守的區域,所以極易受到網絡攻擊。本文首先採用密度峰值聚類(double-threshold density peaks clustering,DT-DPC)解决了如何識別網絡中能通過强化學習(reinforcement learning,RL)模仿正常節點轉發行為躲避檢測的智慧惡意節點。正常節點的密度能够達到峰值,而智慧惡意節點的密度不會達到峰值,所以可依據這一點篩選出智慧惡意節點。
圖1檢測方案流程圖
此外,論文通過設定雙密度閾值解决了如何識別惡意節點的丟包行為和惡劣環境中正常節點的丟包行為。雙閾值將節點分為:异常節點、懷疑節點和正常節點。懷疑節點會進一步參攷鄰居節點的特徵進行識別。
圖2雙閾值分類模型
研究者通過大量的模擬實驗,綜合考慮誤檢率(false detection rate,FDR)、漏檢率(missed detection rate,MDR)、檢測正確率(detection accuracy rate,DAR)和網絡輸送量(network throughput,NT)後給出了最佳閾值。與主流算灋相比,該論文的檢測方案擁有較低的FDR和MDR,較高的DAR和NT。
錶1五種惡意節點比例的最優閾值和檢測結果
圖3與不同算灋的網絡輸送量比較
該論文研究工作由丁景澤同學通過2021年國家級大學生創新創業訓練計畫,在光電科學與工程學院吳援明教授指導下獨立完成。
論文連結:https://ieeexplore.ieee.org/document/9777986