[发明专利]基于孤立森林和序贯概率比检验的恶意锚节点检测方法

说明书

本发明公开了一种基于孤立森林和序贯概率比检验的恶意锚节点检测方法，该方法结合孤立森林算法和投票机制获得锚节点中的可靠信息，并利用可靠信息建立检测模型。该方法仅需单个测距算法进行测距，不需要利用多个测距算法进行测距，同时，避免了多种测距方法过程中其中一种完全未被攻击的假设，更适合真实场的使用，即不需要假设完全不受攻击。利用孤立森林筛选正常样本，投票机制筛选正常样本中的参考锚节点实现多重的挑选，确保参考锚节点的可靠性，从而间接的保证后续依据参考锚节点获得恶意锚节点的过程；还利用差值信息进行序贯概率比检验，进一步提高恶意锚节点的检测，提高锚节点的检测正确率，也提高了后续目标节点最终定位的准确性。

技术领域

本发明涉及无线传感器网络领域，更具体地，涉及一种基于孤立森林和序贯概率比检验的恶意锚节点检测方法。

背景技术

无线传感器网络(WSN)的定位系统所采用的定位算法通常以位置已知的锚节点作为参照来估算位置节点的位置，这要求锚节点提供的信息完全可靠。但是由于WSN本身的开放性，节点在定位过程中很可能遭受各种攻击。锚节点可能受到环境影响或者被敌对势力俘获而成为恶意锚节点，影响定位过程。而传统的定位方法目的在于提高定位精度和能量有效性，并未考虑网络受到攻击的情况。一般网络受到的攻击分为外部攻击和内部攻击，其中针对于网络遭受到外部攻击的情况中，WSN定位过程可采取的安全措施主要包括：距离边界协议，恶意锚节点检测以及基于鲁棒计算的节点安全定位。其中，恶意锚节点检测是指通过对定位技术和攻击模型进行分析，针对受攻击情况下的网络特点采用相应的策略检测并剔除网络中的异常信息，利用可信度较高的参考信息定位目标节点。

现有的恶意锚节点检测方法主要为LAD、DMBN、GD、MNDC等方案，其中LAD方案假设网络中的节点分布概率是已知的，若计算得到的检测节点的估计位置与观测位置相差超过阈值，则认为有入侵者存在，报告异常。DMBN方案将已知位置的锚节点伪装成一个未知节点,计算距离与测量距离进行比较，若误差超过预定阈值，说明存在发送虚假位置信息的锚节点。GD算法利用梯度下降法定位目标节点，并增加一个剪枝阶段，当总梯度达到一定的阈值时将对应梯度较大的一半锚节点视为恶意锚节点，并舍弃这一部分锚节点提供的信息。而MNDC方案则具体分为以下步骤：S1、从所有锚节点中选三个，结合自身位置和TOA测距信息通过三边定位法得到定位样本；S2、通过自适应DBSCAN聚类对样本进行分类，将被判定为正常样本次数超过总次数的一半的视为最终正常样本，并将其对应锚节点判定为良性锚节点并且作为参考，其余为疑似恶意锚节点；S3、利用RSSI和TOA在均不受攻击的情况下具有一致性这一特点，利用参考锚节点两种方法测距的差值计算参考误差区间；S4、对于恶意锚节点，RSSI测距不受攻击而TOA测距受攻击，两者不再具有一致性，用序贯概率比检验对疑似恶意锚节点进行检验，最后判断恶意锚节点。

现有的恶意锚节点检测方法中在使用上都存在缺陷，DMBN算法需要额外的硬件支持，而LAD算法则要求网络分布情况已知。MNDC虽然不需要上述的条件，但MNDC算法需要利用两种测距方式的一致性进行检验，所以MNDC要求在两种测距方式中有一种是测距方式的测距结果是准确的，即两种测距方式中有一种方式是不受攻击的，而这样的假设在实际生活中是难以实现的。此外，MNDC采用自适应DBSCAN来对定位样本进行分类，且将被判定为正常样本次数超过总次数的一半的视为最终正常样本，将其对应的所有锚节点均判定为正常，这样的方式在恶意锚节点比例较少时，能够取得比较理想的效果。然而，当恶意锚节点比例升高，很可能有恶意锚节点参与的定位样本落在正常样本中，从而被误判为正常样本，使部分恶意锚节点不能被检测。此外，现有的MNDC算法仅仅考虑非协调式攻击，无法检测在协调式攻击下的恶意锚节点。

发明内容

本发明旨在克服上述现有技术的至少一种不足，提供一种基于孤立森林和序贯概率比检验的恶意锚节点检测方法，基于单个测距算法进行测距，并利用孤立森林和投票机制获得的参考锚节点进行恶意锚节点检测，适用于WSN真实场景和状况；提高了检测恶意锚节点的准确率，减少了恶意锚节点定位样本误判为正常样本的概率，同时，适用于协调式攻击和非协调式攻击情况下的恶意锚节点检测。