抗御智能SSDF攻击的宽带加权协作频谱感知算法制造技术

一种抗御智能SSDF攻击的宽带加权协作频谱感知算法，首先通过分析恶意用户智能攻击的特点，结合能量预处理与主成分分析来识别出恶意用户；其次，中心节点根据滑动时间窗内各邻居节点的历史与当前频谱判决结果来建立信誉模型，实时更新它的信誉值；最后，利用识别后的观测向量集进行基于先验条件的组稀疏联合重构，准确地获得各子信道频谱占用情况。仿真结果表明：对比传统的R‑WCCSS算法，本文算法在智能SSDF攻击下频谱检测概率提高了16.7％，显著改善了认知网络的协作频谱感知性能，实现了高效的频谱共享。

Wideband weighted cooperative spectrum sensing algorithm to resist intelligent SSDF attack

【技术实现步骤摘要】
抗御智能SSDF攻击的宽带加权协作频谱感知算法
本技术方案属于认知无线电
，具体是一种抗御智能SSDF攻击的宽带加权协作频谱感知算法。
技术介绍
认知无线电(CognitiveRadio，CR)技术采用动态接入的方式实现次用户(SecondaryUser,SU)对空闲频谱的二次利用，能够有效地解决频谱资源日益匮乏、使用效率低的问题。频谱感知是认知无线电的关键技术，因为它是实现信道接入、频谱共享的前提和基础[1]。简单易行的能量检测法是窄带频谱感知最常用的方法，但是宽带频谱往往高达数GHz，SU很难实现高速奈奎斯特采样率下的主用户(PrimaryUser,PU)信号采样及能量检测，因此宽带频谱感知面临着巨大的技术挑战。根据认知无线电网络中主用户信号频域的固有稀疏性，压缩感知(CompressedSensing,CS)理论为实现欠奈奎斯特采样率下的宽带频谱感知提供了新方案。受阴影、多径衰弱及人为干扰等问题的影响，常导致单个SU的频谱判决结果不准确。现有技术中，多个SU的协作频谱感知(CooperativeSpectrumSensing,CSS)能够克服上述问题，有效地提高单个SU频谱感知的效率与可靠性，获得分集增益。传统的宽带协作频谱感知方法使用集中式信息融合，即所有SU将感知信息发送给融合中心。现有技术提出了多节点宽带协作频谱感知方法，采用能量检测法对采样信号进行集中式融合判决，实现对宽频段范围内主用户信号的谱定位和能量判断。但是当融合中心出现问题时，该方法对融合中心的强依赖性会导致认知网络无法运行。因此，现有技术提出了分布式宽带协作压缩频谱感知(WidebandCooperativeCompressionSpectrumSensing,WCCSS)方法，通过SU与其邻居节点的信息交互实现局部的频谱检测，从而有效地减弱了各SU对融合中心的依赖性，且更低的数据传输量可缓解过多的网络资源消耗。为了减少资源的消耗，现有技术提出了双门限最佳选择上报的策略，即在中心节点没有检测到主用户的状况下，只选择具有最佳信噪比的SU进行本地感知信息上报，从而减少了平均感知时间并提高了检测概率。但是，上述技术方案未考虑恶意用户(MaliciousUser,MU)的存在，一旦MU对开放的信道发起攻击，则会导致认知无线电网络在获得协作增益的同时面临新的安全威胁。宽带协作频谱感知中存在着潜在的安全隐患，主要有模拟主用户攻击(PrimaryUserEmulationAttack,PUEA)和频谱感知数据伪造(SpectrumSensingDataFalsification,SSDF)攻击，其中SSDF攻击是主要安全威胁。在协作频谱感知过程中，MU向融合中心或其他正常用户发送篡改的感知信息，误导它们做出错误的判决，以达到影响最终频谱判决结果的目的。由此可见，认知无线电网络中防御SSDF攻击变得尤为重要。当MU将本地压缩采样值或本地判决结果篡改为错误的数据并将之发送给中心节点后，中心节点采取数据融合判决规则得到分布式抗SSDF攻击的宽带合作压缩频谱感知方法。显然，上述不对MU的篡改数据做预处理而直接使用融合判决规则去除篡改数据的方法，容易降低合作压缩频谱感知的可靠性。于是，现有技术提出了基于簇观测能量的MU检测方法，其中簇观测能量值偏离平均值较大的邻居簇即为MU，SU去除这些邻居簇的观测后进行联合重构，从而降低了MU对本地频谱判决的影响。现有技术提出了一种多子带联合检测方法，多个SU独立地对宽带频谱进行压缩采样和重构，再由中心节点根据各SU的重构信号对各子信道进行能量判别，子信道能量值偏离中位数的认为是MU对该子信道发动了SSDF攻击。上述检测MU的方法容易剔除一些可信节点，甚至孤立一些受环境信号干扰的节点。为了区分可信SU和不可信MU，现有技术提出了基于强化学习和共识融合的抗SSDF攻击方法，该方法以信誉值作为奖励，使得SU与信誉值高的邻居节点进行协作；同时降低MU的信誉值，使其信誉值逐渐降低到门限值，从而退出协作频谱感知，以确保认知无线电网络的安全。随着智能设备的发展，MU的SSDF攻击呈现智能化的趋势，而上述文献未能讨论针对智能SSDF攻击的防御算法，因此根据新的SSDF攻击方式建立相应的信誉模型是协作频谱进行融合判决的重要问题之一。
技术实现思路
为了解决上述问题，本专利技术提出一种新的基于主成分分析的抗御智能SSDF攻击的宽带加权协作频谱感知算法，该算法分为预处理和加权融合两个步骤。首先，针对各邻居节点观测向量的能量值，次用户SU根据压缩感知CS原理分出偏大或偏小的能量值；再对剩余的观测向量进行主成分分析，识别出恶意用户MU，去除其发送的篡改观测向量；然后，针对预处理后多个正常邻居节点的有效观测向量集，中心节点实施基于分布式压缩感知(DistributedCompressedSensing,DCS)的联合重构；再由各邻居节点的重构向量，进行基于信誉模型的加权协作频谱感知，做出最终的频谱判决。仿真结果表明，在多个MU发动智能SSDF攻击的场景下，相比于现有技术中的R-WCCSS、LD-WCCS、MF-WCCSS和W-WCCS防御算法，本文防御算法能够有效地抵御智能SSDF攻击，显著改善了认知网络的协作频谱感知性能，实现了高效的频谱共享。附图说明图1是分布式宽带协作频谱感知示意图；图2A～2C是基于DCS的组稀疏宽带频谱信号，其中：图2A是原宽带频谱信号，图2B是SU1的宽带频谱信号；图2C是SU2的宽带频谱信号；图3是H0和H1下子信道频谱信号能量值的统计特征图；图4A和4B是智能SSDF攻击下篡改的组稀疏频谱信号，其中：图4A是H0下恶意频谱信号，图4B是H1下恶意频谱信号；图5是基于滑动时间窗的频谱判决模型；图6A和6B是H0和H1下不同攻击强度对识别MU个数的性能对比曲线，其中：图6A是H0下识别恶意用户个数的性能曲线，图6B是H1下识别恶意用户个数的性能曲线；图7A和7B是H0和H1下不同攻击强度对检测概率的影响，其中：图7A是H0下检测概率性能曲线，图7B是H1下检测概率性能曲线；图8是不同防御机制下的组稀疏联合重构时间；图9是智能SSDF攻击下五种算法的ROC性能曲线；图10是表示用户个数对五种宽带协作频谱感知算法性能的影响的对比图；图11是改进的周期MOMP算法流程图。具体实施方式1系统模型本专利技术考虑认知无线电网络中宽带协作频谱感知场景，其中J个主用户PU和R个次用户SU(包括正常认知用户和MU)随机分布在网络的监测区域，如图1所示。假设网络总宽带为WHz的频带被均分为Q个互不重叠的子信道，每个子信道带宽为U＝W/QHz，J个主用户被授权占用其中的J个子信道，其余的Q-J个子信道处于空闲状态，于是宽带频谱使用的天然稀疏性使得SU可以利用频谱空洞来传输数据，提高整个网络的通信能力。1.1基于压缩感知的本文档来自技高网...

【技术保护点】
1.一种抗御智能SSDF攻击的宽带加权协作频谱感知算法，其特征是包括步骤：/n步骤1)预处理：/n1.1)在分布式宽带认知网络中，中心节点通过对多个邻居节点的作为观测向量的频谱信号的能量值进行预处理，去除其中能量值过大或过小的观测向量；/n1.2)再对剩余的观测向量集进行主成分分析，识别出恶意用户MU并剔除，得到有效观测向量集；/n步骤2)加权融合：/n2.1)针对邻居节点的有效观测向量集，中心节点实施基于分布式压缩感知DCS的组稀疏联合重构；/n2.2)再由各邻居节点的重构向量，进行基于信誉模型的加权协作频谱感知，做出最终频谱判决；/n所述步骤1.1)中，作为中心节点的次用户SU

【技术特征摘要】
1.一种抗御智能SSDF攻击的宽带加权协作频谱感知算法，其特征是包括步骤：
步骤1)预处理：
1.1)在分布式宽带认知网络中，中心节点通过对多个邻居节点的作为观测向量的频谱信号的能量值进行预处理，去除其中能量值过大或过小的观测向量；
1.2)再对剩余的观测向量集进行主成分分析，识别出恶意用户MU并剔除，得到有效观测向量集；
步骤2)加权融合：
2.1)针对邻居节点的有效观测向量集，中心节点实施基于分布式压缩感知DCS的组稀疏联合重构；
2.2)再由各邻居节点的重构向量，进行基于信誉模型的加权协作频谱感知，做出最终频谱判决；
所述步骤1.1)中，作为中心节点的次用户SUi识别出有较大能量偏离的感知信息：
根据压缩感知CS原理，观测向量yi,h(h＝{1,…,I})的能量满足其中x是原宽带信号，δ为常数且δ∈(0,1)；
若远远偏离或则判断yi,h是不可信的，反之则判断yi,h是可信的；
yi,h是不可信的，则分离出受环境强干扰的邻居节点和发动完全相反的SSDF攻击的MU；
所述步骤1.2)中，对剩下的观测向量yi,h进行基于主成分分析的识别，步骤为：
SUi首先计算观测向量集Yi的协方差矩阵∑i，通过|∑i-λE|＝0求解其特征值λi,1＞λi,2＞…＞λi,I，并通过(∑i-λi,hE)x＝0(h＝1,…,I)求解各特征值的单位正交特征向量ei,1,ei,2,…,ei,I，其中E为单位矩阵；
Yi的I个主成分分别为：



……



相应的各主成分的贡献率分别为：



……



于是，当前p个主成分的累计贡献率之和达到90％或95％时，将这p个主成分的观测向量合并成联合观测向量集且用来代表原观测向量集Yi＝(yi,1,...,yi,I)T，排除可能来自MU攻击的观测向量；
所述步骤2.1)中，设J个主用户占用的J个授权子信道的序列记为ΛJ＝{τ1,…,τJ}；在优先考虑先验条件ΛJ的基础上，设计改进的周期MOMP算法，步骤如下：
2.1.1)子信道完全检测：在已设置的主用户信道占用检测周期T内，运...

【专利技术属性】
技术研发人员：王天荆，王敏，高志宇，白光伟，沈航，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：江苏;32