引文格式：苏明. 无线传感网络中的自适应入侵检测算法[J]. 导航定位学报, 2020, 8(4): 106-110.（SU Ming.Adaptive intrusiondetection in wireless sensor networks[J]. Journal of Navigation andPositioning, 2020, 8(4): 106-110.）无线传感网络中的自适应入侵检测算法
苏 明
（北京开放大学，北京 100081）
摘要：针对无线传感网络的入侵检测算法因大多基于数据挖掘算法，所建立的监测系统易遭受未知攻击的问题，提出1种自适应的入侵检测算法：跟踪每个子系统的接收操作特征（ROC），再依据ROC行为特征，自适应地调整转发至每个子系统的融合数据的比例，达到在数据融合阶段运行入侵检测系统，实现有效监测的目的。仿真结果表明，基于该算法的监测系统具有99 %的准确率。
0 引言
无线传感网络（wireless sensor networks, WSNs）已在多个领域内广泛使用[1-2]，如智能家居、智能电网等。WSNs中的传感节点，能够感知应用环境中的异常事情，因此可以利用节点的感知能力，来检测异常事情，例如在智能家居的安防中，可以用红外传感节点感知异常物体入侵。现存的多数入侵检测算法都依赖数据挖掘算法[3-5]。尽管它们在入侵检测方面有较好的性能，但是基于传感网络的监测系统，仍容易遭受网络攻击。因此，有效的入侵检测系统（intrusion detection system, IDS）非常关键，通过IDS可以避免数据受已知和未知攻击。通过检测异常活动，提高网络安全[6]是部署IDS的根本目的。计算智能，包括机器学习、模糊逻辑、人工神经网络等均是识别网络流量中异常活动的有效策略。IDS就是通过二值分类，区分正常行为和入侵行为。文献[7]通过实时自适应模型产生（adaptive model generation, AMG）结构，实施基于数据挖掘的IDS系统。文献[8]对基于异常的IDS进行分析，提出基于博弈理论的入侵检测系统。为此，本文针对基于WSNs应用的环境监测系统，分析了在感测数据融合阶段的已知和未知的入侵行为，然后提出自适应的入侵检测（adaptive intrusion detection,AID）系统。在AID中，利用2类机器学习子系统对数据进行处理：①误用检测子系统（misuse detection Subsystem, MDS）；②异常检测子系统（anomaly detection subsystem,ADS）。MDS能够有效地检测已知攻击，ADS能够检测未知攻击。所谓已知攻击是系统已掌握了攻击特点的攻击；未知攻击是指系统对攻击特点并不了解的攻击。MDS通过随机森林分类器检测已知攻击。它先通过训练数据，获取攻击模型，然后利用未来感测流量，识别入侵行为。而ADS是通过优化的DBSCAN分类器，来检测未知攻击：先依据训练数据获取正常模型（非攻击模型），再利用模型识别未知攻击。实施入侵检测的关键在于，如何决定子系统的融合数据流，例如文献[9]提出簇结构的混合入侵检测系统（clustered hierarchicalhybrid-intrusion detection system, CHH-IDS），CHH-IDS就是通过分析数据流对入侵检测准确率的影响，达到提高准确地检测入侵。本文提出的AID系统，可以连续地跟踪每个子系统的接收操作特征（receiver operatingcharacteristics, ROC），再结合ROC的奖惩机制，自动调整给每个子系统转发的融合数据比例来完成入侵检测。1 预备知识
1.1 基于权重函数的簇结构
引用簇化的网络结构。假定网络有个簇，每个簇由个传感节点。在每个簇内，簇头（cluster head, CH）负责融合簇内传感节点所转发的数据。一旦融合完毕，CH就将数据转发至中心服务器，如图1所示。
图1 系统模型
1.2 数据融合
每个簇头融合其簇内传感节点的数据，然后将融合的数据传输至信宿。AID系统引用文献[11]的数据融合算法。
2 AID系统
AID系统旨在跟踪MDS和ADS子系统中ROC的变化，并调整向它们转发感测数据的比例。
图2 AID系统流程
3 实验与结果分析
为了更好地分析AID系统，引用NS3仿真器建立仿真平台。在100 m×100 m区域部署20个传感节点，将这些传感节点分成4个簇。引用层次-动态源路由（hierarchical-dynamic source routing, HDSR）协议完成节点间通信。引用数据挖掘的知识发现（knowledge discovery in datamining, KDD）CUP 1999数据库，通过KDD CUP 1999数据库评估AID系统检测性能。并考虑4类攻击：否认服务（denial of service, DoS）、端口（probe）攻击、远程用户攻击（remote-to-login, R2L）、提权（user-to-root, U2R）攻击。具体的仿真参数如表1所示。表1 仿真参数
3.1 准确率
图3显示了AR随入侵率的变化情况，且ΔR=0.25。
图3 准确率随入侵率的变化情况
从图3可知，AR随入侵率的增加而下降。原因在于，入侵率越高，入侵者越多，检测难度越高，降低了准确率。相比于CHH-IDS，AID系统提高了准确率，AID系统的准确率达到99 %以上。3.2 检测率
AID系统的检测率（detection rate, DR），反映了正确地检测入侵事件的概率。图4显示了DR随入侵率的变化情况。
图4 检测率随入侵率的变化情况
从图4可知，入侵率的增加，降低了DR。但当入侵率为50 %，AID系统的DR仍达到95 %，远高于CHH-IDS。例如，当入侵率为40 %，AID系统的DR为96 %，而CHH-IDS系统的DR只达到88%。3.3 TP性能
图5显示了TP随FP的变化曲线，其反映了ROC特性。从图5可知：当时，TP最低；而当时，TP最高，即当时，能够获取最优的ROC特性。
图5 TP随FP的变化情况
3.4 精确率曲线
精确率曲线反映了查准率（precision）随查全率（recall）的变化过程。其中查全率等于，而查准率等于。精确率越高（趋于1），性能越好。图6显示了值变化时的精确率曲线。
图6 精确率曲线
从图6可知，当时，能够获取最高的精确率。具体而言，将设置为0.25，查全率为99.8 %、查准率为90.1 %时，系统性能达到最优。4 结束语
针对重要网络基础设施的监测问题，提出自适应检测AID系统。AID系统以簇化的WSNs结构为基础，通过跟踪ROC特征，调整转发至MDS和ADS 2个子系统的数据的比例，进而优化系统。仿真数据表明，提出的AID系统能有效地提高了入侵检测率，其准确率可达到99 %。
参考文献（见原文）
客服微信