认知无线电技术因其有效提高频谱资源利用率和解决频谱危机的优势进入业内学者视线,为抵御认知无线电网络内非法用户的恶意攻击,降低恶意攻击对网络性能的影响,保障对频谱资源的有效利用,有必要对认知网络的安全性进行研究。论文就认知无线电网络面临的安全威胁展开分析,着重研究认知网络中遇到的恶意用户伪造频谱感知数据攻击(Spectrum Sensing Data Falsisication,SSDF),提出了一种改进的信誉值评估对抗恶意用户攻击算法,能有效解决恶意用户变换身份攻击对认知网络造成重复性伤害的问题,降低恶意攻击对网络性能的影响,并通过引入支持向量机的机器学习方法改善了算法所存在的缺陷。通过分析认知无线电网络的认知循环、工作原理及潜在安全隐患,指出恶意攻击对认知网络的危害性;并通过研究恶意用户的攻击类型与攻击方式,分析伪造频谱感知数据攻击的特点和现有的信誉值评估对抗恶意用户算法,指出了变换身份攻击不能被彻底清除和对网络有重复性伤害的特点,以及现有算法无法解决变换身份攻击的难题。针对于伪造频谱感知数据攻击影响认知网络检测性能的问题,提出了轮循制信誉值对抗恶意用户算法。算法通过选择随机感知队列和轮流成为上报节点,经过不断循环逐步剔除网络中的恶意用户,降低变换身份攻击对认知网络的负面影响,恢复网络的检测性能。仿真结果表明,算法在动态网络和大规模恶意用户攻击场景下,网络检测性能要优于现有经典算法;在恶意用户变换身份攻击情况下,误检概率要低于现有算法。最后针对于信誉值评估算法识别恶意用户需要较多循环次数的问题,提出了基于支持向量机的恶意用户识别算法,通过机器学习的方法解决该问题,发挥认知无线电网络的学习、推理能力,也提供了一种对抗恶意用户的新思路。仿真验证训练后的支持向量机分类器能有效减少识别时间,且仿真结果表明应用于动态网络下的分类器检测性能有进一步提升。