基于一维卷积神经网络的WSN多攻击行为判别研究

摘要：

无线传感器网络一般部署在户外等无人值守的环境中,容易被攻击者在物理上接近,因此更容易遭受攻击.当入侵者意图攻击信标节点而提供错误的位置信息给网络内其他节点时,对基于位置服务的无线传感网络是毁灭性的破坏,因此能够准确判别各类攻击对保障无线传感器网络(WSN)安全具有重要的意义.针对节点定位的攻击问题提出一种深度学习的WSN多攻击行为判别方法,主要识别重放攻击、干扰攻击和女巫攻击三种类型.该方法基于信标节点的位置信息和网络的拓扑属性构建具有代表性的特征,然后利用一维卷积神经网络(CNN)从原始特征中获取更具有代表性的预处理特征,最后利用输出层激活算法通过随机梯度下降法更新深度学习模型的权重值,从而完成对攻击行为的分类.实验表明,该算法对信标节点4种状态的平均识别率达到了94.23％.

关键词：WSN、深度学习、攻击、判别、CNN

所属期刊栏目：11

分类号：TP309(计算技术、计算机技术)

资助基金：国家自然科学基金通用联合基金项目项目编号:U1836203

在线出版日期：2020-09-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：105-112