论文部分内容阅读
无线传感器网络(Wireless Sensor Networks,WSNs)近年来被广泛应用于各个领域,有着重要的军事价值和广阔的商业前景。但是由于WSNs的终端设备资源受限、无线通信环境的空间开放性等原因,网络入侵者能够很容易地窃听、拦截、伪造和篡改数据信息。针对上述情况,设计高效的节能入侵检测模型与算法至关重要。本文根据WSNs的固有特性,以入侵检测系统(Instrucsion Detection System,IDS)为主要研究内容,着重研究了入侵检测中数据挖掘技术,提出适用于WSNs的高性能入侵检测系统模型、检测算法和检测后响应机制,最后通过实验进行验证。本文研究的主要创新点和内容包括:(1)本文综合考虑WSNs的节点处理、存储能力和能量约束的问题,提出了基于分簇WSNs的分布式入侵检测模型。通过结合该模型,并考虑WSNs的模型结构、通信模式、节点性能等设计了基于时空压缩的入侵检测系统。(2)针对大规模监测应用中存在海量数据的现象,考虑到WSNs中节点能量受限的特性,设计了一种基于分簇的能量优化的数据时空压缩的稀疏自编码(Sparse Autoencoder,SAE)算法。实验仿真表明,该算法可以通过压缩数据提高入侵检测正确率,相较于传统的主成分分析(Principal Component Analysis,PCA)和传统的自动编码器(Autoencoder,AE)压缩算法比较,在压缩至16维时该模型的入侵检测效果达到最佳,此时的正确率和F1值分布分别提高了7.84%和15.3%。(3)为了有针对性的传输入侵检测所需要的数据,在基于时空压缩的入侵检测系统的基础上,提出实时入侵检测系统。该系统采用分散控制机制,在各个节点传输前进行轻量化入侵检测,再根据节点判断结果决定是否传输,从而降低了数据传输能量消耗,实时的完成网络攻击检测。(4)针对网络入侵数据多样化、少量性特点,利用支持向量机(Support Vector Machine,SVM)多分类算法精确的检测网络入侵类型。根据入侵数据特点,改进传统的二叉树SVM多分类算法,提出了基于改进的二叉树(Improved Binary Tree,IBT)多分类算法。仿真实验使用NSL-KDD数据将IBT与传统一对多(One Against All,OAA)多分类和二叉树(Binary Tree,BT)多分类算法进行对比,IBT明显高于传统的多分类算法,且相对于BT-SVM的最佳检测效果时,IBT的攻击检测率提高了8.2%、误报率减少了8.7%,另外时间复杂度降低减少了17%。