论文部分内容阅读
随着无线传感器网络(Wireless Sensor Networks,WSNs)在各个领域的快速发展,其安全问题成为人们关注的焦点。由于WSNs中的传感器节点能量有限、网络数据传输吞吐量小、入侵检测实时性差、准确率低等缺点,要实现WSNs的入侵检测,首先要保证较低的网络能耗和较长的生命周期。所以需要具体分析,设计符合WSNs特点的入侵检测模型。首先,针对WSNs部署区域较广、采集数据量较大的特点,综合考虑WSNs的节点特性、网络拓扑结构、通信方式等方面,设计了一种可以快速有效的采集数据、便于管理、部署范围广的基于分簇式的WSNs入侵检测方案。其次,针对WSNs入侵检测过程中会增加节点能量消耗的问题,结合传感器节点能量受限的特点,提出了一种改进的C-FCM路由协议,以节省能量、保证入侵检测算法的有效进行。在传统的C-FCM协议基础上,改进了簇头个数选取、簇群划分和簇头选取算法以及数据传输策略。用Python软件进行仿真,与LEACH路由协议进行对比,分别在分簇情况、存活节点个数、簇头节点能量消耗、网络总能量消耗及数据传输量五个方面进行分析,仿真结果证明了本文提出的路由协议很好的节省了WSNs节点的能量,增大了数据传输量,延长了网络的生命周期。然后,为提高WSNs的入侵检测效率,针对检测实时性差、数据吞吐量小的问题,结合深度学习算法,提出了一种基于SAESM的簇头节点数据压缩及异常检测算法。通过将深度学习中的SAE压缩算法与SVM二分类器在神经网络层面进行有效结合,实现簇头节点数据压缩的同时,实现异常检测。用Python软件进行仿真,分别进行了数据压缩、异常检测和数据传输量的分析。通过与其他算法进行对比,证明本文的算法有效地增大了网络的吞吐量,并可在传感区域实现快速本地入侵响应。最后,为准确判断攻击类型、识别新型攻击行为,针对现有高级入侵检测算法准确率低、实时性差的问题,结合深度学习算法,提出了一种基于SLSTM的基站节点高级检测算法。将SAE算法与LSTM算法进行有效相结合,充分挖掘攻击数据之间的时间相关性。用Python软件进行仿真,分别对隐藏层单元数目、准确率和损失函数进行分析,并与其他算法进行对比,证明了本文提出的SLSTM高级检测算法的检测率高达97.83%,可较为准确的判断攻击类型,识别未知攻击行为。将算法移植到硬件平台进行实时性测试,检测时间为33.051秒,并与其他算法进行对比,证明了本文提出的入侵检测算法有较好的实时性。