移动通信、WIFI、物联网等无线服务和设备的大量使用使得无线电频谱更加拥挤。认知无线电(Cognitive Radio,CR)为改变传统的静态频谱分配方式提供了机会,CR的主要任务是频谱感知。多个二级节点构成了认知无线传感器网络(Cognitive Radio Network,CRN),协同频谱感知(Cooperative Spectrum Sensing,CSS)是当前关注的热点技术,CSS由多个二级节点协同感知特定频谱,当感知到主用户(Primary User,PU)不存在时,二级节点(Second User,SU)可以机会式接入授权频谱,从而提高频谱利用率。CRN最大的前提是对主用户不产生干扰。由于无线信道、认知无线电的开放性,参与CSS的二级节点可能会被攻击者妥协,成为恶意节点。CRN既面临传统网络的威胁也面临CRN所特有的网络威胁。恶意节点会导致网络感知性能退化、频谱利用率低。CRN特有的威胁包括频谱感知数据篡改攻击、主用户模拟攻击等。本文分析了CRN中恶意节点的攻击、攻击对网络的影响,并以攻击者和防御者的视角阐述了攻击行为和防御策略,并提出了针对相应攻击的恶意节点的检测方法。恶意节点对CSS的攻击严重影响了频谱感知的性能,防御CSS中的恶意节点攻击是提高频谱利用率、不对主用户造成干扰的前提。针对部署了二进制硬决策的集中式网络,本文用攻击概率参数(?,?)、恶意节点比例?描述了恶意节点的行为。并提出了基于滑窗信誉值(Sliding Window Reputation,SWR)的恶意节点识别算法。SWR算法考虑了当前滑窗中硬决策1的频率信息,通过恶意节点的频率信息与期望的频率信息的差别来识别恶意节点,并以滑窗移动的方式累计信誉值。该算法克服了基于当前时刻对主用户状态估计精度较低、常规算法不适用于恶意节点占大多数的缺点。SWR算法既能防御小规模恶意节点攻击又能防御大规模恶意节点攻击。在恶意节点占少数的网络中,通过仿真验证表明,SWR算法在召回率、精度、选择性上优于文献[28]中的识别算法,尤其当?在0.4-0.5时,SWR恶意节点识别算法性能显著较优。部署了M元量化数据的频谱感知是一种新的CSS方法,本文分析了该框架下的攻击模型、最优攻击策略、致盲条件,分析了盲点、KL(Kullback Leibler,KL)散度与恶意节点比例之间的关系。根据M元量化中恶意节点特有的攻击策略,本章提出了基于符号期望(Symbol Expectation,SE)算法来识别恶意节点。该算法通过诚实节点、恶意节点与符号期望之间的差异来识别恶意节点。通过仿真验证,SE算法在收敛率、恶意节点识别率、门限估计复杂度等性能指标上表现较优。