【摘 要】
:
工业无线传感器网络(Industrial Wireless Sensor Networks,IWSN)在工业监控中起着重要作用,但IWSN通常位于人工干预少的环境中,且无线电传播的广播性质导致IWSN比有线传感器网络更容易受到窃听攻击。物理层安全性正在成为一种有希望的安全通信范式,利用无线信道内在的时变性、互易性和差异性等特性,其实质为减少窃听者获得的合法信息同时最大化合法节点之间的安全通信速率,
论文部分内容阅读
工业无线传感器网络(Industrial Wireless Sensor Networks,IWSN)在工业监控中起着重要作用,但IWSN通常位于人工干预少的环境中,且无线电传播的广播性质导致IWSN比有线传感器网络更容易受到窃听攻击。物理层安全性正在成为一种有希望的安全通信范式,利用无线信道内在的时变性、互易性和差异性等特性,其实质为减少窃听者获得的合法信息同时最大化合法节点之间的安全通信速率,可以有效地保护通信的机密性免受窃听攻击。近些年来,博弈论被应用于IWSN物理层的安全协作研究中,为解决节点间的行为交互提供有效方法。首先,针对IWSN的簇内同时存在窃听和干扰攻击的物理层安全问题,研究一种防全双工攻击节点的多层Stackelberg博弈模型。基于安全速率,制定最佳协作干扰节点选择方案;利用多层Stackelberg博弈建模合法节点与攻击节点之间的对抗行为,以及合法节点(发送节点与最佳协作干扰节点)间的内部协商行为,分析Stackelberg博弈的闭式均衡解;设计分阶最优响应迭代算法求解Stackelberg博弈均衡。其次,针对IWSN的簇间多跳主干网物理层安全窃听攻击问题,研究一种反馈Stackelberg博弈功率控制方案。基于提高一跳内安全速率,通过付费方式激励目的节点提供协作干扰服务,利用Stackelberg博弈模拟发送节点和目的节点的交互行为。基于提高多跳主干网安全速率,发送节点效用引入反馈代价函数,以减小主干网各跳间安全速率的波动性。最后,在采用无线携能通信的IWSN中,针对汇聚节点与簇头节点间下行链路中防窃听攻击问题,同时考虑到通信安全和簇头节点能源补充问题,设计一种具有两个功率分离器的全双工簇头节点将接收到的汇聚节点信号用于三个部分:信息解码、协作干扰和能量存储,研究基于协作干扰和能量存储技术的防窃听方案。利用Stackelberg博弈对该防窃听方案中的汇聚节点节点与簇头节点之间关系进行建模,并求解出该博弈的闭式均衡解。采用MATLAB2018软件进行仿真,结果表明:基于最佳协作干扰节点选择方案多层Stackelberg博弈模型对攻击节点具有更佳的干扰效果,可有效提高协作干扰节点协作的积极性;引入反馈代价函数的FSPC方案能更有效地保证数据在IWSN多跳主干网中的传输安全性且节省能耗;基于CJES防窃听方案的Stackelberg博弈模型有效地提高IWSN网关下行链路的物理层安全,显著地增加簇头节点所收集的能量。
其他文献
多自主体系统协调控制是近几十年的热门研究领域,其研究成果大量应用于无人机编队飞行、无线传感网络和多机器人协调控制等工程领域。一致性控制是多自主体系统协调控制的分支研究领域,控制目标是通过自主体之间的控制协议,利用局部的信息,使所有自主体状态趋于一致。而固定时间一致性控制,要求所有自主体在固定时间内实现状态一致,比传统一致性控制收敛速度更快。在实际工程环境中,干扰和非线性动态会影响系统稳定性,是不可
孪生支持向量回归机(Twin Support Vector Regression,TSVR)是一种解决回归问题的机器学习算法。由于TSVR只需求解一对规模较小的二次规划问题,其训练效率高于支持向量回归机,因此TSVR已逐渐成为机器学习领域的研究热点。但是,目前TSVR的训练算法大部分都只是离线训练算法,无法高效处理在线增量学习问题。本课题致力于提升TSVR三种变体在增量环境下的训练效率,设计其相应
近年来,多自主体系统一致性问题已成为学术界的研究热点,并在传感网络、航天探测以及电力能源等领域得到了广泛应用。一致性问题是指利用自主体的局部交互信息设计合适的控制协议,使所有自主体的状态最终达到相同。为了节约有限的资源,事件触发控制策略被应用到一致性协议中。在事件触发控制中,只有当测量误差触发函数超过预设阈值时,自主体才进行通信和控制器更新。为顺应通信环境的要求,事件触发一致性问题的研究逐渐从固定
视频行为识别就是在不需要人为干预的情况下,综合利用计算机视觉、模式识别、图像处理、人工智能等诸多方面的知识和技术对摄像机拍录的图像序列进行自动分析,实现动态场景中的人体定位、跟踪和识别,并在此基础上分析和判断人的行为,其最终目标是通过对行为特征数据的分析来获取行为的语义描述与理解。视频行为识别技术可用于自动驾驶、人机交互、智能安防监控、智能家居监护等领域。因此,对视频行为识别的研究有着重要而广泛的
迭代学习控制是一种广泛应用于执行重复任务的高性能控制方法,其直接根据之前批次的系统输入输出信息不断修正更新当前批次的控制输入信号,最终在有限时间内实现对参考轨迹的完全跟踪。将优化理论与迭代学习控制技术相结合,能够得到最优型学习控制器以实现快速跟踪。然而在实际的工业过程中,系统输出往往不需要跟踪完整的参考轨迹,只需要在某些特定时间点处跟踪上给定的参考值。例如机器人的“取”和“放”操作,只需要专注于拾
间歇过程具有生产灵活的特点,广泛应用于化妆品、食品、药品等领域。迭代学习模型预测控制(ILMPC)兼具迭代学习控制(ILC)和模型预测控制(MPC)的优点,具有良好的抗干扰能力和约束处理能力,在间歇过程关键过程变量的轨迹跟踪中得到了广泛的应用。然而,ILMPC的预测模型是建立在原始变量空间的,变量间的共线性和高维性使得预测模型的开发变得困难和耗时。其次,ILMPC也存在在线计算量过大的问题。并且,
切换正系统由有限个正的子系统以及一组切换信号组成。切换正系统既有切换系统复杂的动力学行为特性又具有正系统独特的状态非负特性,因此针对此类系统相关控制问题的研究也相对棘手。切换正系统在控制领域应用广泛,并与经济、生物、通信等众多实际生活领域密切相关,因而引起了学者们的极大关注。实际工程应用中,系统短时间内的动态行为变化至关重要,很多系统满足无限时间区间的稳定性能却不能满足短时间区间内的性能指标。典型
随着社会的快速发展,人们的生活水平逐渐提高。但是与此同时,人们不规律的生活方式也使得更多疾病的发生,肿瘤甚至也变成了一种常见的疾病。脑肿瘤是常见的恶性肿瘤之一,其致死率较高,目前只有通过手术或放疗来治疗。因此,脑肿瘤的早期诊断对于改善患者的病情至关重要。核磁共振成像(Magnetic Resonance Imaging,MRI)可以帮助医生观察到病人大脑内部的情况,迅速地确定病灶区域。但是脑肿瘤具
受传输介质、周围环境以及人为因素的影响,控制信号在传输过程中难免会出现时延.时延的出现严重影响系统的控制品质,甚至稳定性.要对时延系统实行有效控制,就必须获得系统的参数.因此研究时延系统的参数辨识方法具有重要理论意义和应用前景.本文以线性连续时间时延系统为研究对象,基于系统正弦响应的观测数据,研究其参数辨识方法,主要内容如下:1.对于线性系统,其正弦响应是一个与输入同频率的含迟延相位的正弦信号,即
多智能体系统的分布式协同控制近年来逐渐受到众多研究者的关注,在这个研究领域中,多智能体系统的安全性问题也逐渐成为了热门的新兴研究方向之一。在实际应用中,智能体之间的局部信息交换往往受到恶意攻击的影响。重放攻击是计算机黑客常用的攻击方式之一,其隐匿性往往对系统造成巨大的危害。由于无法预料攻击会发生在何时何地,因此必须提供有复原力的解决办法以削弱攻击带来的危害,确保多智能体系统在受到恶意攻击的情况下完