点击蓝字 关注我们
引言
在物联网流行的当下，如果使用网络将家里的家具都连接起来，那么就形成了智能家具。把所有家具的控制系统都整合在一个遥控器上，就可以实现家具与家具之间的互联。
无线传感器网络（WSN）是由一定的传感器节点形成的自组织网络，其具有低能量，计算能力小等特点。比如说一个家具发送信号，另一个家具接受信号，这就构成了最简单的无线传感器网络。
图1 简单的无线传感器
如果节点数比较多，那么就构成了一个网络[1]。其中，一个节点被激活，将要传递信息，这个节点被称为事件节点。它要把信息传给目的节点。传递的过程中，一些节点承担路由的功能，被称做路由节点，保证路由节点正常传输信息的节点叫做监测节点，就这样，当有信号发生时，信息就从事件节点传到了目的节点。在智能家具里面，比如冰箱发送信息，途中的其他家具就成了路由节点，负责传递信息，最后将信息传到控制器里，再通过公共网络传到我们的手机里。
图2 智能家具网络示意图
选择性转发攻击
随着无线传感技术的发展，相比于外部的攻击而言，网络的内部的选择性转发攻击往往最为隐蔽并且很难检测[2]，难点在于恶意节点为增加隐蔽性会有选择性地转发一些数据，而一些重要数据他会丢弃，导致破坏了网络信息的传送又增强了自身的隐蔽性，影响很大。对于智能家具而言，比如冰箱的容量信息正常传输，但是异常的温度信息却被丢弃没有传到控制中心，这就导致关键信息的丢失而没有及时得到反馈。
图3 wsn传输效率
不知道大家是不是对这种攻击方式有了初步的认识，下面我们用一幅图来更好地解释这种恶意行为，见图4所示，其中网络中有9个节点[3]，箭头所指方向为数据转发的方向，我们需要将源节点S的数据发送至F中去，而网络中攻击者通过一定方式将M作为了恶意节点，其进行转发攻击会对源节点收集到的数据进行选择性的丢弃，这时一些有效数据无法正常发送到目标F中，从而影响网络的信息传递。所以在无线传感中，如何检测并实时防御出恶意节点变得很重要。
图4 选择性转发攻击示意图
检测方法
那么针对这种影响巨大的恶意攻击方式，目前而言对他的检测有以下几种方案可以考虑 ，使用近邻的判别方式、基于机器学习分类等方法。
基于近邻的方法中[4]，Balakrishnan K等人提出了一种节点双跳确认的方法来判断节点的好坏，其方法是使用3个相连的节点来确定错误的节点，但是由于每个相连的节点都会发送数据包，正如下图所示，这便使网路的拥堵更加严重并易发生包的碰撞等现象。
图5 数据包的传递过程
在现如今中，更多的人尝试通过机器学习的方式对节点的数据进行分类[6]，从而判断出节点是否正常，随着机器学习的发展和探索，研究人员们普遍认为，可以通过一系列计算方式来模仿我们的一些习惯，从而对一些未知的事物通过自己的学习来进行分类，而恶意节点的检测也可以通过机器学习的方法来模拟出恶意节点的行为模型，这样当网络遭到攻击，我们的机器学习模型可以较好的识别出来并发出警报，正如下图所示。
图6 机器学习模型检测
还有一种单类支持向量机算法（OCSVM），对恶意的检测十分有效，其基本思想是利用核函数实现节点数据输入维度的维度变换，为了将不同的样本分类区别开来，在区域中划出超平面，因为恶意节点离群更远，如图7所示，恶意的节点就会更有可能在右边斜线另一侧的位置。
在智能家居中，我们利用OCSVM学习到家居的信息传输行为特征，并且建立好OCSVM分类模型，当有恶意节点攻击的时候，行为的不正常特性就会被我们的OCSVM模型检测出来，这时家居控制台就会发出警报，同时我们手机也可以看见报警的信息。
图7 OCSVM模型
结语
目前机器学习的方法依然火热，更多的算法被提出，我们相信不久以后，针对WSN当中的恶意攻击我们会有十分有效的方法去防御。
END
图片素材来源于网络，如有侵权请联系
参考文献：
[1]Y. Liu and Y. Wu, "Employ DBSCAN and Neighbor Voting to Screen Selective Forwarding Attack Under Variable Environment in Event-Driven Wireless Sensor Networks," in IEEE Access, vol. 9, pp. 77090-77105, 2021, doi: 10.1109/ACCESS.2021.3083105.
[2]Ren Qin,Wang Xuanyu,Li Wenshu,Wei Yaoguang,An Dong. Research of dissolved oxygen
prediction in recirculating aquaculture systems based on deep belief network[J]. Aquacultural Engineering,2020,90:102085.
[3]田黎明.传感器网络数据异常检测方法的研究与实现[D].北京:北京邮电大学,2019.
[4]Zhang J,Sun H,Sun Z.Open-Circuit Fault Diagnosis of Wind Power Converter Using Variational Mode Decomposition, Trend Feature Analysis and Deep Belief Network[J]. Applied Sciences,2020,10(6):2146.
[5]Zhang P,Ci B.Deep belief network for gold price forecasting[J]. Resources Policy, 2020,69:101806.
[6]Efficient Data Collection Over Multiple Access Wireless Sensors Network[J]. IEEE/ACM Transactions on Networking,2020,28(2).
