基于稀疏项恢复的恶意锚节点检测和目标节点定位方法技术

本发明专利技术提供一种基于稀疏项恢复的恶意锚节点检测和目标节点定位方法，包括步骤如下：将无线传感器网络中攻击者对于节点的测距数值攻击项构建成未知扰动项，并在未知扰动项中引入目标节点待估位置，得到未知稀疏向量；S2：将恶意锚节点检测和目标节点定位问题转换为对未知稀疏向量的恢复问题；S3：根据递推加权线性最小二乘法确定初始节点的位置，并采用自适应梯度投影方法对具有稀疏特性的未知稀疏向量进行恢复和重建；S4：利用未知稀疏向量恢复数值逼近阈值确定恶意锚节点判定范围，实现对于恶意锚节点的检测，利用干扰项重建的非稀疏项部分恢复确定目标节点位置信息。本发明专利技术实现在安全定位机制中的同时对恶意锚节点检测和未知节点定位估算，提高检测的准确性和高效性。性。性。

【技术实现步骤摘要】
基于稀疏项恢复的恶意锚节点检测和目标节点定位方法


[0001]本专利技术涉及无线传感器网络
，更具体地，涉及一种基于稀疏项恢复的恶意锚节点检测和目标节点定位方法。

技术介绍

[0002]物联网是新一代信息技术的至关重要的研究部分，它利用了诸如射频识别、全球定位、红外感知等各类具有信息感应的设备，按照相关的协议和约定，将任何事物同互联网相连接起来，进行相关的信息传输和交换，并且对事物进行识别、定位、跟踪和监控，形成对于互联网在现实环境中拓展和延伸，实现了不受制约于时间和空间的万物互联互通网络。在物联网技术中，事物的感知是将物理现实环境和信息世界融合在一起的重要一环，是对事物的信息的交互连接是，这种感知又是基于传感器和传感器网络得以实现。
[0003]无线传感器网络(WSN)是基于各类节点的部署，这样大量的节点部署在待检测和控制的区域内，节点承担着收集信息和获取自身定位信息的任务。但是网络的初始阶段，这样大量的节点是随机部署在网络区域，无法预先知道各个节点的位置信息，并且在后续组网过程中，基于对传感器节点的易损性和成本的考虑，对于大规模组网系统中的大量节点安装GPS设备是难以实现的。因而，在无线传感器网络中需要提出和研制相关的定位机制以实现对于大量节点实时和精准定位的问题。此外，无线传感器网络部署的环境大多是恶劣并且不具备稳定性，多含突发和未知因素，处于缺乏人工监控的状态，系统中的定位容易遭受各类恶意攻击，使得传感器网网络定位机制失灵，无法正确定位。
[0004]恶意攻击分为两大类：内部攻击，捕获网络中的传感器节点的基础上，在协议中注入自身的恶意代码，再篡改网络节点的相关数据，从而使得节点产生故障无法正常发挥传感机制功能，成为了恶意节点。外部攻击，直接针对网络功能，对节点定位产生干扰。当节点处于攻击环境下并成为恶意锚节点时，该节点会直接提供自身所处的错误位置信息，或者提供定位机制中所需要的锚节点和未知节点的测量距离错误信息，但是无论以何种方式和机制，都会导致定位机制对于未知节点的定位出现较大的误差，导致定位机制失灵。
[0005]下面介绍一些现存的具有代表性的恶意锚节点检测方法:
[0006]MNDC(Malicious Nodes Detection using Clustering and Consistency)[1]X.Liu,S.Su,F.Han,Y.Liu and Z.Pan,"A Range
‑
Based Secure Localization Algorithm for Wireless Sensor Networks,"in IEEE Sensors Journal,vol.19,no.2,pp.785
‑
796,15Jan.15,2019.算法是对RSSI测距和TOA测距的两种测距模式获取的信息一致性的特点，并采取聚类算法对节点进行检测和筛选。但是该算法局限于需要保证两种测距模式中的RSSI结果的准确性，而在现实无线传感器网络中，RSSI测距模式极易遭受攻击。
[0007]MANDIF(Malicious Anchor Node Detection Based on Isoaltion Forest,MANDIF)算法[2]Liu,X.,et al.:A Malicious Anchor Detection Algorithm Based on Isolation Forest and Sequential Probability Ratio Testing(SPRT).(2019)是采取孤立森林算法对恶意锚节点进行筛选获取初步定位信息，将初步定位信息和网络中的待测
节点的测距信息进行对比测量误差，确定误差范围，再在误差区间中采取序贯比检测方式筛选恶意锚节点。该算法将恶意锚节点检测和最终目标节点的定位割裂开来，第一阶段对恶意锚节点检测和初步定位结果，第二阶段利用初步定位结果确定误差参考范围，再对剩余节点进行筛选。该算法对恶意锚节点的筛选有着较好的性能，但是该算法过于冗余和繁琐，初步定位和再次筛选会使得误差累积。
[0008]GD[3]R.Garg,A.L.Varna and M.Wu,"An Efficient Gradient Descent Approach to Secure Localization in Resource Constrained Wireless Sensor Networks,"in IEEE Transactions on Information Forensics and Security,vol.7,no.2,pp.717
‑
730,April 2012算法结合了迭代梯度下降算法和不一致测量的有选择性的删除和修剪结合在一起，恶意锚节点梯度较大，通过设定梯度阈值，舍弃达到梯度阈值的节点，再留用低于阈值的节点进行迭代式定位。
[0009]WLS是基于容忍式的定位算法，对于RSSI测距模式下，恶意锚节点通过对于RSSI中所依据的功率的恶意篡改影响定位，该算法在传统的三边定位中，通过对于各个节点的测距信息分析处理，通过改变权值改变节点对于未知节点定位值的贡献值。但是该WLS算法在恶意攻击强度较大的情况下对于节点定位的准确度并不理想，并且不适用协同攻击。

技术实现思路

[0010]本专利技术为解决现有技术必须在锚节点选取的基础上，才能进行未知节点的定位，导致对扩大后续的定位和检测率的误差的问题，提供了基于稀疏项恢复的恶意锚节点检测和目标节点定位方法，其实现在安全定位机制中的同时对恶意锚节点检测和未知节点定位估算，提高检测的准确性和高效性。
[0011]为解决上述技术问题，本专利技术的技术方案如下：一种基于稀疏项恢复的恶意锚节点检测和目标节点定位方法，所述的方法包括步骤如下：
[0012]S1：将无线传感器网络中攻击者对于节点的测距数值攻击项构建成未知扰动项，并在未知扰动项中引入目标节点待估位置，得到未知稀疏向量；
[0013]S2：将恶意锚节点检测和目标节点定位问题转换为对未知稀疏向量的恢复问题；
[0014]S3：根据递推加权线性最小二乘法确定初始节点的位置，并采用自适应梯度投影方法对具有稀疏特性的未知稀疏向量进行恢复和重建；
[0015]S4：利用未知稀疏向量恢复数值逼近阈值确定恶意锚节点判定范围，实现对于恶意锚节点的检测，利用干扰项重建的非稀疏项部分恢复确定目标节点位置信息。
[0016]优选地，根据无线传感器分布模型，将传感器网络所部署的网络环境中，设置网络中锚节点的位置信息集{A1,A2…
A
n
}，随机定某个节点作为目标锚节点，其位置为t＝[t
x
,t
y
]，第i个锚节点和目标节点的真实距离为||A
i
‑
t||,i＝1,2,
…
n，因此，第i个锚节点和目标节点的测量距离d
i
表示如下：
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于稀疏项恢复的恶意锚节点检测和目标节点定位方法，其特征在于：所述的方法包括步骤如下：S1：将无线传感器网络中攻击者对于节点的测距数值攻击项构建成未知扰动项，并在未知扰动项中引入目标节点待估位置，得到未知稀疏向量；S2：将恶意锚节点检测和目标节点定位问题转换为对未知稀疏向量的恢复问题；S3：根据递推加权线性最小二乘法确定初始节点的位置，并采用自适应梯度投影方法对具有稀疏特性的未知稀疏向量进行恢复和重建；S4：利用未知稀疏向量恢复数值逼近阈值确定恶意锚节点判定范围，实现对于恶意锚节点的检测，利用干扰项重建的非稀疏项部分恢复确定目标节点位置信息。2.根据权利要求1所述的基于稀疏项恢复的恶意锚节点检测和目标节点定位方法，其特征在于：根据无线传感器分布模型，将传感器网络所部署的网络环境中，设置网络中锚节点的位置信息集{A1,A2…
A
n
}，随机定某个节点作为目标锚节点，其位置为t＝[t
x
,t
y
]，第i个锚节点和目标节点的真实距离为||A
i
‑
t||,i＝1,2,
…
n，因此，第i个锚节点和目标节点的测量距离d
i
表示如下：d
i
＝||A
i
‑
t||+n
i
+u
i
,i＝1,2,
…
n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)式中，n
i
表示为测量过程中的噪声，为满足独立分布的均值为0的高斯随机变量；u
i
表示未知扰动项，采用独立分布的高斯随机变量表示，其表达式如下：式中，i＝1,2,
…
n表示第i个节点；μ
att
表示均值、表示方差，若第i个节点为恶意锚节点，则u
i
为非零值，否则该值为零值或者接近零值。3.根据权利要求1所述的基于稀疏项恢复的恶意锚节点检测和目标节点定位方法，其特征在于：所述的未知稀疏向量表示为P＝[u1,u2,
…
u
n
,t
x
,t
y
]式中，u
i
表示未知扰动项，i＝1,2,
…
,n；t＝[t
x
,t
y
]表示目标节点待估位置。4.根据权利要求3所述的基于稀疏项恢复的恶意锚节点检测和目标节点定位方法，其特征在于：步骤S2，将恶意锚节点检测和目标节点定位问题转换为对稀疏向量的恢复问题：式中，d
i
表示存在测量误差时的恶意锚节点的距离估量值；A表示系数矩阵，λ表示正则因子、u表示攻击项。5.根据权利要求4所述的基于稀疏项恢复的恶意锚节点检测和目标节点定位方法，其特征在于：由于未知稀疏向量的恢复和重建依赖于初始节点的位置，因此根据信号能量损失与发送端和接收端的距离关系构建信号能量接收模型，根据信号能量接收模型构建线性系统模型，采用递推加权线性最小二乘法进行求解，从而确定初始节点的位置。6.根据权利要求5所述的基于稀疏项恢复的恶意锚节点检测和目标节点定位方法，其特征在于：所述的信号能量接收模型的表达式如下：式中，P
R
表示第i个接收端接收来自目标锚节点发送的信号能量；P
Ti
表示第i个发送端
发送的起始信号能量，d

【专利技术属性】
技术研发人员：刘星成，唐曌，刘异橦，
申请(专利权)人：中山大学，
类型：发明
国别省市：