分布式协作频谱感知网络中恶意节点检测和定位方法研究

doi:10.12263/DZXB.20210841

电子学报 ›› 2022, Vol. 50 ›› Issue (6): 1370-1380.DOI: 10.12263/DZXB.20210841

所属专题：电磁频谱智能+

分布式协作频谱感知网络中恶意节点检测和定位方法研究

吴晓晓¹^,², 李刚强³, 张胜利¹^,²

^1.深圳大学电子与信息工程学院，广东深圳 518060
^2.鹏城实验室，广东深圳 518055
^3.黄淮学院信息工程学院，河南驻马店 463000

收稿日期:2021-07-05 修回日期:2022-01-31 出版日期:2022-06-25
- 通讯作者:
- 张胜利
- 作者简介:
- 吴晓晓女，1982年出生，湖北鄂州人.深圳大学助理教授.主要研究方向为社交网络中的数据挖掘算法、5G通信网络关键技术研究、信道编码理论等.
  李刚强　男，1989年出生，河南驻马店人.黄淮学院讲师.主要研究方向为社交网络中的数据挖掘算法、分布式协议、机器学习等.
  张胜利（通讯作者）　男，1978年出生，河北人.深圳大学教授，博士生导师.主要研究方向为无线通信、区块链关键技术、物理层网络编码等. E-mail: zsl@szu.edu.cn
- 基金资助:
- 国家自然科学基金 (62171291); 广东省自然科学基金面上项目 (2021A1515011915); 河南省科技攻关项目 (212102210142)

Detection and Localization of Malicious Nodes in Distributed Cooperative Spectrum Sensing Network

WU Xiao-xiao¹^,², LI Gang-qiang³, ZHANG Sheng-li¹^,²

^1.College of Electronics and Information Engineering, Shenzhen University, Shenzhen, Guangdong 518060, China
^2.Peng Cheng Laboratory, Shenzhen, Guangdong 518055, China
^3.College of Information Engineering, Huanghuai University, Zhumadian, Henan 463000, China

Received:2021-07-05 Revised:2022-01-31 Online:2022-06-25 Published:2022-06-25
- Corresponding author:
- ZHANG Sheng-li
- Supported by:
- National Natural Science Foundation of China (62171291); General Program of National Natural Science Foundation of Guangdong Province, China (2021A1515011915); Science and Technology Research and Development Program of Henan Province (212102210142)

摘要/Abstract

摘要：

认知无线电是解决无线通信能量有效性问题的关键技术，其中频谱感知对于提高频谱的利用效率有着重要意义.针对基于共识的分布式协作频谱感知算法易受到恶意节点数据注入攻击，影响认知网络性能的问题，本文提出了两种基于神经网络的恶意节点检测和定位方法抵制网络内的恶意攻击行为，并采用基于Gossip Learning的联合学习策略进一步增强训练邻域检测和定位模型的鲁棒性.本文在9个认知节点的曼哈顿网络上模拟了分布式频谱感知的过程，并验证所提出方法的有效性.结果表明，所提方法具有良好的恶意节点检测和定位性能，联合学习策略能够使神经网络在样本局部有限的情况下学习到更多的攻击特征，提高本地检测和定位模型的可靠性.

关键词: 认知无线电, 协作频谱感知, 共识算法, 恶意节点, 神经网络, 联合学习

Abstract:

Cognitive radio is a key technology to solve the problem of energy efficiency in wireless communication, and spectrum sensing is of great significance for improving the efficiency of spectrum utilization. To solve the problem that the consensus-based distributed cooperative spectrum sensing algorithm is vulnerable to malicious node data injection attacks, we propose two approaches for detecting and localizing malicious nodes based on neural networks. And a collaborative peer-to-peer machine learning protocol(Gossip Learning) is adopted to facilitate training these neural network models. We simulate the process of distributed cooperative spectrum sensing on a 9-node Manhattan network, and verify the effectiveness of the proposed approaches. Numerical results illustrate that the proposed neural network-based approaches can effectively improve the performance of detecting and localizing malicious nodes. The collaborative learning strategy can enable nodes to learn more attack characteristics, and thus make the network more robust to attacks.

Key words: cognitive radio, cooperative spectrum sensing, consensus algorithm, malicious node, neural network, collaborative learning

中图分类号:

TN92

吴晓晓, 李刚强, 张胜利. 分布式协作频谱感知网络中恶意节点检测和定位方法研究[J]. 电子学报, 2022, 50(6): 1370-1380.

Xiao-xiao WU, Gang-qiang LI, Sheng-li ZHANG . Detection and Localization of Malicious Nodes in Distributed Cooperative Spectrum Sensing Network[J]. Acta Electronica Sinica, 2022, 50(6): 1370-1380.

图/表 13

图1 分布式对等交互频谱感知模型

图2 分布式频谱感知过程中各SU节点的感知状态演化

图3 恶意协同攻击下各SU节点的感知状态演化

图4 基于神经网络的恶意节点检测和定位模型结构

表1 神经网络的训练和测试数据集

邻域任务	任务事件	训练集	测试集	标签
检测任务	$H 0 i$	4000	2000	0
检测任务	$H 1 i : j ∈ N i & j ∈ V s$	4000	2000	1
定位任务	$H 1 i : j ∈ N i & j ∈ V s$	4000	2000	$e j, j ∈ V s$

表1 神经网络的训练和测试数据集

邻域任务	任务事件	训练集	测试集	标签
检测任务	$H 0 i$	4000	2000	0
检测任务	$H 1 i : j ∈ N i & j ∈ V s$	4000	2000	1
定位任务	$H 1 i : j ∈ N i & j ∈ V s$	4000	2000	$e j, j ∈ V s$

图5 TDNN与TD方法的ROC曲线(a) 邻域检测任务的性能 (b) 邻域定位任务的性能

图6 SDNN与SD方法的ROC曲线(a) 邻域检测任务的性能 (b) 邻域定位任务的性能

图7 本地训练数据不足时的联合学习和独立学习下的ROC曲线(a) 联合学习 (b) 独立学习

图8 本地训练数据不同时的联合学习和独立学习下的ROC曲线(a) 联合学习 (b) 独立学习

图9 K=1时SDNN方法在联合学习和独立学习方式下的检测性能曲线(a) 检测任务“next to” (b) 检测任务“far from”

图10 基于树莓派模拟的9节点曼哈顿认知网络实物图

图11 TDNN的真实性能和仿真性能对比(a) 检测任务 (b) 定位任务

图12 SDNN的真实性能和仿真性能对比(a) 检测任务 (b) 定位任务

参考文献 23

1	刘鑫, 仲伟志, 井庆丰. 认知无线电多时隙联合频谱感知方法及优化[J]. 电子学报, 2015, 43(5): 895-900.
	LIUX, ZHONGW Z, JINGQ F. Multi-slot cooperative spectrum sensing method with optimization in cognitive radio[J]. Acta Electronica Sinica, 2015, 43(5): 895-900. (in Chinese)
2	丁家昕, 方箭, 王坦. 实施动态频谱管理提高资源利用效率[J]. 中国无线电, 2018, (1): 25-28.
3	MITOLAJ, MAGUIREG Q. Cognitive radio: Making software radios more personal[J]. IEEE Personal Communications, 1999, 6(4): 13-18.
4	季薇, 李炳星, 郑宝玉. 基于信誉与共识的分布式智能入侵防御方案[J]. 系统工程与电子技术, 2018, 40(3): 665-670.
	JIW, LIB X, ZHENGB Y. Distributed intelligent intrusion prevention scheme based on reputation and consensus[J]. Systems Engineering and Electronics, 2018, 40(3): 665-670. (in Chinese)
5	YUG H, WUJ, LONGC N. Contextual binary gossip: A fast cooperative spectrum sensing algorithm for cognitive radio networks[C]//Proceeding of the 11th World Congress on Intelligent Control and Automation. Piscataway: IEEE, 2014: 3013-3018.
6	DEGROOTM H. Reaching a consensus[J]. Journal of the American Statistical Association, 1974, 69(345): 118-121.
7	SUNDARAMS, GHARESIFARDB. Distributed optimization under adversarial nodes[J]. IEEE Transactions on Automatic Control, 2019, 64(3): 1063-1076.
8	GENTZR, WAIH T, SCAGLIONEA, et al. Detection of data injection attacks in decentralized learning[C]//2015 49th Asilomar Conference on Signals, Systems and Computers. Piscataway: IEEE, 2015: 350-354.
9	GENTZR, WUS X, WAIH T, et al. Data injection attacks in randomized gossiping[J]. IEEE Transactions on Signal and Information Processing Over Networks, 2016, 2(4): 523-538.
10	WUS X, WAIH T, SCAGLIONEA, et al. Data injection attack on decentralized optimization[C]//2018 IEEE International Conference on Acoustics, Speech and Signal Processing. Piscataway: IEEE, 2018: 3644-3648.
11	黄豪杰, 吴晓晓, 李刚强. 基于区块链智能合约的物联网恶意节点检测和定位[J]. 物联网学报, 2020, 4(2): 58-69.
	HUANGH J, WUX X, LIG Q. Anomaly detection and location of malicious node for IoT based on smart contract in blockchain network[J]. Chinese Journal on Internet of Things, 2020, 4(2): 58-69. (in Chinese)
12	LIZ Q, YUF R, HUANGM Y. A distributed consensus-based cooperative spectrum-sensing scheme in cognitive radios[J]. IEEE Transactions on Vehicular Technology, 2010, 59(1): 383-393.
13	CHAMLEYC, SCAGLIONEA, LIL. Models for the diffusion of beliefs in social networks: An overview[J]. IEEE Signal Processing Magazine, 2013, 30(3): 16-29.
14	BOYDS, GHOSHA, PRABHAKARB, et al. Randomized gossip algorithms[J]. IEEE Transactions on Information Theory, 2006, 52(6): 2508-2530.
15	DIMAKISA G, KARS, MOURAJ M F, et al. Gossip algorithms for distributed signal processing[J]. Proceedings of the IEEE, 2010, 98(11): 1847-1864.
16	PATELS, KHATANAV, SARASWATG, et al. Distributed detection of malicious attacks on consensus algorithms with applications in power networks[C]//2020 7th International Conference on Control, Decision and Information Technologies(CoDIT). Piscataway: IEEE, 2020: 397-402.
17	SCHÖLKOPFB, PLATTJ, HOFMANNT. Multi-instance multi-label learning with application to scene classification[C]//Advances in Neural Information Processing Systems 19: Proceedings of the 2006 Conference. Commonwealth: MIT Press, 2006: 1609-1616.
18	SVOZILD, KVASNICKAV, POSPICHALJ. Introduction to multi-layer feed-forward neural networks[J]. Chemometrics and Intelligent Laboratory Systems, 1997, 39(1): 43-62.
19	WANGH Z, LIG Q, WANGG B, et al. Deep learning based ensemble approach for probabilistic wind power forecasting[J]. Applied Energy, 2017, 188: 56-70.
20	GIARETTAL, GIRDZIJAUSKASŠ. Gossip learning: off the beaten path[C]//2019 IEEE International Conference on Big Data(Big Data). Piscataway: IEEE, 2019: 1117-1124.
21	JIANGZ H, BALUA, HEGDEC, et al. Collaborative deep learning in fixed topology networks[C]//Proceedings of the 31st International Conference on Neural Information Processing Systems. Long Beach: MIT Press, 2017: 5906-5916.
22	BLOTM, PICARDD, THOMEN, et al. Distributed optimization for deep learning with gossip exchange[J]. Neurocomputing, 2019, 330: 287-296.
23	FAWCETTT. An introduction to ROC analysis[J]. Pattern Recognition Letters, 2006, 27(8): 861-874.

[1]	黄赟, 张帆, 郭威, 陈立, 羊光. 一种基于数据标准差的卷积神经网络量化方法[J]. 电子学报, 2023, 51(3): 639-647.
[2]	张金颢, 周恒, 张守龙, 蒋廷勇, 王胜涛, 刘真. 基于仿真及神经网络的大型电磁脉冲模拟器近区场计算[J]. 电子学报, 2023, 51(3): 712-719.
[3]	吕杭, 蒋明峰, 李杨, 张鞠成, 王志康. 基于混合时频域特征的卷积神经网络心律失常分类方法的研究[J]. 电子学报, 2023, 51(3): 701-711.
[4]	王子为, 鲁继文, 周杰. 基于自适应梯度优化的二值神经网络[J]. 电子学报, 2023, 51(2): 257-266.
[5]	许艺瀚, 田永波, 张扬刚, 花敏, 周雯. 基于学习的能量采集认知M2M通信资源分配算法[J]. 电子学报, 2023, 51(2): 467-476.
[6]	杨利平, 侯振威, 辜小花, 郝峻永. 弱标签声音事件检测的空间-通道特征表征与自注意池化[J]. 电子学报, 2023, 51(2): 297-306.
[7]	许新征, 李杉. 基于特征膨胀卷积模块的轻量化技术研究[J]. 电子学报, 2023, 51(2): 355-364.
[8]	丁琪, 田萱, 孙国栋. 基于注意力增强的热点感知新闻推荐模型[J]. 电子学报, 2023, 51(1): 93-104.
[9]	王神龙, 雍宇, 吴晨睿. 基于伪孪生神经网络的低纹理工业零件6D位姿估计[J]. 电子学报, 2023, 51(1): 192-201.
[10]	袁海英, 成君鹏, 曾智勇, 武延瑞. Mobile_BLNet：基于Big-Little Net的轻量级卷积神经网络优化设计[J]. 电子学报, 2023, 51(1): 180-191.
[11]	张永梅, 孙捷. 基于动静态特征双输入神经网络的咳嗽声诊断COVID-19算法[J]. 电子学报, 2023, 51(1): 202-212.
[12]	王硕, 王坚, 王亚男, 宋亚飞. 一种基于特征融合的恶意代码快速检测方法[J]. 电子学报, 2023, 51(1): 57-66.
[13]	吴靖, 叶晓晶, 黄峰, 陈丽琼, 王志锋, 刘文犀. 基于深度学习的单帧图像超分辨率重建综述[J]. 电子学报, 2022, 50(9): 2265-2294.
[14]	毛国君, 王者浩, 黄山, 王翔. 基于剪边策略的图残差卷积深层网络模型[J]. 电子学报, 2022, 50(9): 2205-2214.
[15]	袁海英, 曾智勇, 成君鹏. 面向灵活并行度的稀疏卷积神经网络加速器[J]. 电子学报, 2022, 50(8): 1811-1818.

分布式协作频谱感知网络中恶意节点检测和定位方法研究

Detection and Localization of Malicious Nodes in Distributed Cooperative Spectrum Sensing Network

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 23

相关文章 15

编辑推荐

Metrics