[发明专利]基于增强学习算法的主用户仿真攻击检测方法

说明书

本发明涉及基于增强学习算法的主用户仿真攻击检测方法。现有方法中当CRN的信道环境发生变化时，检测性能会明显下降。本发明方法以Q‑Learning算法在线学习不同信道环境下的判决检测门限值，即采用信道多径时延差作为状态参数，以判决门限作为动作策略，并将长时检测收益作为系统的回报函数，根据管理机构在每个周期的反馈奖罚值，通过Q‑Learning算法实时调整判决门限。本发明以Q‑Learning算法动态调整判决门限，无需PU特征参数作为先验信息，能有效提升信道环境变化情况下的检测性能，且无需改变已有SU的硬件配置。

技术领域

本发明专利属于认知无线电安全技术领域，涉及一种在信道环境变化情况下，基于增强学习算法的主用户仿真攻击检测方法。

背景技术

认知无线电网络(Cognitive Radio Network，CRN)通过动态频谱接入机制，可以有效利用空闲频谱资源，提高资源利用率。动态频谱接入要求从用户(Secondary User，SU)在不干扰某频段内授权用户即主用户(Primary User，PU)正常工作的条件下，通过频谱感知技术获取空闲频谱信息并伺机接入。但是，动态频谱接入机制为CRN引入了特有的安全问题，主用户仿真攻击(Primary User Emulation Attack，PUEA)是其中一类典型攻击。在PUEA中，恶意用户(Malicious User,MU)通过模仿PU的信号特征，使SU误认为当前频段正在被使用，从而达到独占空闲频谱资源或不让其他SU接入空闲频谱的目的。

目前已有的PUEA检测方法主要有发射机地理位置检测法、发射机指纹特征检测法与信道特征检测法。基于发射机地理位置的检测法可以通过距离比值检测法、距离差值检测法、接收信号强度检测法等方法检测发射源的地理位置，从而判断是否存在攻击，这种方法容易受到地理环境的影响。基于发射机指纹特征的检测法利用发射机指纹特征难以被模仿的特点设计实现，指纹特征包括相位噪声、发射机频偏、周期平稳特征值等，这种方法容易引入高估计噪声，检测性能偏低。基于信道特征的检测法利用发射机与接收机间的信道特征设计实现，常用的信道特征包括接收信号的能量、接收信号能量的方差与信道冲激响应的幅度，这类方法适用于信道环境稳定场景下。

上述基于信道特征的PUEA检测方法是通过构建二元假设检验，预设判决门限值，比较从感知信号中提取的信号特征值与已知PU特征值，从而判断PUEA是否存在。但是，当信道环境发生变化时，预设门限的基于信号特征的PUEA检测方法无法获得良好的检测性能。因此，我们需要寻找一种新的PUEA检测方法，实现在信道环境变化场景下也能保证性能。

发明内容

本发明针对现有技术的不足，提供一种基于增强学习算法的主用户仿真攻击检测方法。

本发明方法对信道环境变化情况下的CRN，建立一种系统模型，实现基于Q-Learning算法的PUEA检测方法；所述Q-Learning算法为增强学习算法。

本发明所述方法在信道环境发生变化的情况下，SU估计接收信号所经历信道的多径传播时延差作为特征参数，通过Q-Learning算法动态设定判决门限，同时根据环境反馈更新PU的特征参数，以此提升检测性能。本发明无需PU特征参数与给定门限值，通过在线学习实时调整不同信道环境下的判决门限，且所检测特征无法被MU模仿，检测概率高，在信道环境变化的CRN中有良好的应用前景。

为了实现上述目的，本发明所采用的技术方案的具体步骤为：

步骤1.认知无线电网络的PU以概率p使用授权频谱资源；当PU不工作时，MU以概率q模仿PU信号特征并对SU发起攻击，其中q≤1-p；当感知为无空闲频谱时，SU为防止频谱被MU恶意占用进行主用户仿真攻击检测，首先构建二元假设检验为：

所述的PU为主用户、SU为从用户、MU为恶意用户，H₀和H₁分别表示SU判断接收信号来自于PU和MU；