随着物联网技术的快速发展,其面临的安全威胁也日益严峻。物联网安全作为物联网应用的重要支撑,有着重要的研究意义。物联网中海量感知节点以无线传输方式进行信息传递,而无线信道的开放广播特性导致物联网容易受到假冒攻击威胁。物联网中存在的海量感知节点给传统的构筑于物理层之上的加密技术带来了严峻的挑战,而且部分节点资源严重受限无法执行复杂的加密技术。物理层安全技术通过利用无线传输信道的唯一性、时变性和互易性等天然特性,具有实现复杂度低和安全性能强的特点,满足物联网场景对低复杂度安全技术的需求。此外,机器学习算法具有高效地对海量数据进行特征提取和规律分析的优势,自适应能力强,可以通过对通信过程中的无线信道特征进行提取并分析以鉴别当前发送方。强化学习作为机器学习的一个分支,具有的自适应性也适用于物联网动态场景的特点。由于现有的物联网物理层安全技术研究中需要对信道模型做出特定假设,存在局限性,所以本文利用通信过程中的信道估计机制并结合机器学习相关算法,在不需要对信道模型做出特殊假设的情况下,研究了面向物联网的物理层假冒攻击检测方法。主要研究内容如下:(1)针对物联网场景动态多变,具体应用场景中存在节点资源受限无法负担加密算法开销等使得传统安全机制受限的问题,研究了基于无线信道特征的假冒攻击检测方案,利用大多数无线通信系统中不可或缺的信道估计机制,降低了系统开销。基于无线信道的信道状态信息(Channel State Information,CSI)特性研究了不同时刻合法通信双方、攻击者与合法接收端之间的CSI差异特点。(2)针对固定不动的节点和网关之间通信时受到假冒攻击威胁的物联网场景,提出了基于强化学习的假冒攻击检测方法。接收端基于信道的CSI建立用于区分发送端身份合法与否的假设检验,并将连续两次CSI之间的欧式距离作为检验统计量,通过对比统计量和检测阈值以判断发送端是否为攻击用户。利用深度Q网络(Deep Q Network,DQN)和Double DQN两种强化学习算法,通过比较不同检测阈值的预期效用,以接收端回报最大化为目标自适应地为物联网动态环境筛选出当前最优检测阈值。仿真结果表明,在终端固定的场景中,该检测方法具有较低的误报率和漏检率,通过分析提出的两种强化学习算法在不同条件下的检测性能,并与现有其他方案进行对比,进一步对文中算法性能进行评估。(3)针对移动的节点间通信时受到假冒攻击威胁的物联网场景,提出了基于深度极限学习机的假冒攻击检测方法。接收端基于连续两次CSI之间的欧氏距离和皮尔逊相关系数建立用于区分发送端身份合法性的二维测量空间,基于合法通信双方的CSI样本利用伪对抗模型生成合法接收端与攻击者之间的CSI样本。利用极限学习机-自编码器(Extreme Learning Machine-Auto Encoder,ELM-AE)提取连续两次CSI之间差异的高层特征表示并通过ELM映射到二维测量空间以确定发送端身份,从而实现假冒攻击检测。仿真结果表明,当终端低速移动时,信道相关性很高,该算法的检测准确率很高,但当终端移动速度增大时,信道变化加快,检测准确率有所下降,通过分析不同条件下的检测效果,并与现有其他方案进行对比,进一步评估算法性能。