[发明专利]移动雾计算中一种面向用户的智能攻击防御方法

说明书

移动雾计算中一种面向用户的智能攻击防御方法既涉及了计算机网络和无线通信领域，又属于网络空间安全领域。本发明利用前景理论(Prospect Theory,PT)和DQL(Double Q‑learning,DQL)算法，实现移动雾计算环境中以用户为中心的主观智能攻击防御。恶意用户利用开放的无线网络接入平台在雾节点与合法终端用户通信时发起不同模式的智能攻击，比如伪装攻击、干扰攻击、窃听攻击等，影响雾计算网络中雾节点和移动用户的安全通信。基于PT和DQL算法防御智能攻击，改善了Q‑learning算法中Q值的过度估计问题，生成了合法用户的最优防御策略，既可以增加动态环境下合法用户的检测效用，又能够降低智能攻击者的主观攻击概率，同时增强了移动雾计算网络的安全防护能力。

技术领域

本发明利用前景理论(Prospect Theory,PT)和DQL(Double Q-learning,DQL)算法，实现移动雾计算环境中以用户为中心的主观智能攻击防御。恶意用户利用开放的无线网络接入平台在雾节点与合法终端用户通信时发起不同模式的智能攻击，比如伪装攻击、干扰攻击、窃听攻击等，影响雾计算网络中雾节点和移动用户的安全通信。基于PT和DQL算法防御智能攻击，改善了Q-learning算法中Q值的过度估计问题，生成了合法用户的最优防御策略，既可以增加动态环境下合法用户的检测效用，又能够降低智能攻击者的主观攻击概率，同时增强了移动雾计算网络的安全防护能力。使用强化学习算法和博弈论抵御智能攻击，既涉及了计算机网络和无线通信领域，又属于网络空间安全领域。

背景技术

由于物联网技术和移动智能终端的不断推广，产生的大量互动数据需要在无线网络环境中实时处理，而传统的云计算不能有效地满足其异构、低时延等网络需求。雾计算将云计算扩展到了网络边缘，可以利用设备直接传输链路来提高系统吞吐量，解决了云计算移动性差、地理信息感知弱、时延高等问题。在移动雾计算网络中，雾计算体系结构可分为云-雾-设备框架和雾-设备框架两大类，雾层中包含接近物联网边缘的设备，它们被称为雾节点。在无线网络的支持下，移动雾计算网络中雾节点与终端设备能够进行数据交互。

然而，由于无线网络容易受到安全威胁，雾层与用户层间仍旧存在许多数据和通信安全问题。在移动雾计算环境下，非法终端用户能够向其它合法用户发动智能攻击，通过获取无线信道状态信息和防御策略信息，并选择合适的攻击模式来破坏雾层和用户层间的无线网络安全。常见的攻击模式包括伪装攻击、干扰攻击、窃听攻击等，发动智能攻击的终端用户(即智能攻击者)主观地利用以上攻击手段给雾计算网络造成了巨大的威胁。面对智能攻击，博弈论是处理其威胁，保证雾计算网络安全的强大工具。在雾计算网络安全中，研究者认为参与博弈的参与者是理性的，他们使用期望效用理论(Expected UtilityTheory，EUT)计算参与者的效用，参与者以获取最大期望效用为目的选择每一步行动。但是，在动态的无线网络中，每一个参与者都不了解整体的网络状态和接收信息的准确率，在选择抵御智能攻击的策略时，它们的决策带有强烈的主观性，与EUT的结果并不一致。而PT是描述人们在面对得失时采取不同风险偏好决策的理论，该理论认为，人们在面临获得时规避风险，在面临失去时偏好风险，它使用主观概率计算参与博弈者的效用，能够反映决策者的主观性。

因此，本发明基于前景理论，提出一种移动雾计算中基于DQL算法的智能攻击防御方法。该方法通过构建智能攻击者和合法用户之间的静态主观零和博弈模型，推导了静态主观零和博弈的纳什均衡，同时借助DQL算法，针对动态环境提出抑制智能攻击者主观攻击动机的方法，生成合法用户的最优防御策略，使合法用户主观地判断是否仅仅使用物理层安全技术抵御智能攻击。该方法能够使合法用户的检测效用增加，促使攻击率有效降低，与基于Q-learning算法、Sarsa算法、贪心策略抵御智能攻击的方法相比，该方法在移动雾计算环境中具备更高的安全防护性能。

发明内容