1.一种基于雾计算的油气物联网SSDF攻击防御方法,其特征在于:包括如下步骤,步骤一:建立参考模型,具体为,建立基于雾计算的油气物联网架构,包括云计算中心、雾计算节点和智能终端层,云计算中心负责处理最复杂和运算量最大的任务,同时其也具备高存储能力,可提供高质量的物联网服务,智能终端层由油气物联网设备和融合中心构成;
建立油气物联网系统模型,包括一个PU,一个FC和N个油气物联网设备组成,其中包括Nh个诚实设备和Nm个恶意设备,设备通过相互协作的方式接入PU的许可频段;
建立SSDF攻击模型,采用独立攻击方式;
融合模型,接收到各认知用户的感知数据;
步骤二:确定SSDF防御算法,采用均值漂移聚类算法,具体为,基于均值漂移聚类算法的感知数据分类,融合中心对接收的能量感知数据进行均值漂移聚类,将数据按照数据值相近程度划分不同聚类;
聚类数据筛选,融合中心将认知用户发送的能量感知数据经均值漂移聚类处理后,得到多组聚类,经聚类后,构成各聚类的数据按照性质可分为3类:仅由真实数据组成、仅由虚假数据组成和由真实数据和虚假数据混合而成;
进行数据变动程度评价,消除概率攻击对融合中心的影响;
进行数据可信度评价,融合中心可通过对各认知用户的历史感知效果进行研究,进而判断各用户的诚实性;
数据融合,将筛选后的感知数据进行数据变动程度评价及可信度评价后,得到对应的各筛选后数据的权重,两种评价方式对融合能量的影响程度不同,根据融合能量与能量阈值进行比较,以判断是否存在恶意攻击。
步骤三:仿真实验及结果分析。
2.根据权利要求1所述的一种基于雾计算的油气物联网SSDF攻击防御方法,其特征在于:所述步骤一中的油气物联网系统模型具体为,每个频谱感知周期中,认知用户都需要感知主用户频谱,以避免发生碰撞,频谱检测方法有多种,包括能量检测、匹配滤波器检测、特征检测和小波检测等技术,能量检测因其感知时间短、复杂度低且不需要主信号的先验知识而成为最受欢迎的方法,采用能量检测技术进行频谱感测,考虑一个简单的路径损耗信道模型,认知用户i(1≤i≤N)的能量感知数据PdB,i,可以表述为:PdB,i=PdB,loss(di)+ψi+ωi(t) (dB);
PdB,loss(di)=PdB,t+10αlog10(d0/di) (dB);
其中PdB,t是在参考距离d0米处测量的PU发射功率,di是认知用户i到PU之间的距离,α表示路径损耗系数,10αlog10(d0/di)表示路径损耗大小,ψi表示阴影造成的随机衰减,而ωi(t)表示快速衰落效应,注意,所有功率都以分贝(dB)为单位;
快衰落项ωi(t)可以通过考虑通过平均同一静态设备的多次读数来获得,因此,信道模型可以简化如下:PdB,i;PdB,t+10αlog10(d0/di)+ψi+K (dB);
其中,K为常数,然而,当发射机和接收机都静止时,中尺度阴影效应ψi不容易消除,该因素的统计分布通常假设为高斯分布,均值为0,方差为, 根据环境特征取值从4到12不等。
3.根据权利要求2所述的一种基于雾计算的油气物联网SSDF攻击防御方法,其特征在于:所述步骤一中SSDF攻击模型应用场景有三种,具体为,场景1:在此场景中,恶意用户总是对其实际观测值进行更改,即恒定攻击;
场景2:在此场景中,恶意用户按照概率对其实际观测值进行更改,即概率攻击;
场景3:在此场景中,一部分恶意用户发动恒定攻击,另一部分恶意用户发动概率攻击,即混合攻击;
在存在SSDF攻击的物联网环境中,融合中心从第i(1≤i≤N)个认知用户处接收的能量可表示为:PdB,i;PdB,t+10αlog10(d0/di)+ψi+K+ci (dB);
其中,ci是攻击值,如果用户i是诚实用户,则ci=0,如果用户i是恶意用户并且实施攻击,则ci等于恶意用户添加到其观测结果以误导融合中心的值,上述表达式的其他参数含义不变,PdB,i转化为以W为单位:
Pi=10log(PdB,i)。
4.根据权利要求3所述的一种基于雾计算的油气物联网SSDF攻击防御方法,其特征在于:所述步骤一融合模型中采用软融合方式处理,具体为,进行软融合时,融合中心首先对接收的能量数据分配权重以得到融合值,再将融合值与检测阈值η比较以确定主用户是否存在,其中,βi表示融合中心分配给第i个认知用户数据的加权值,H0表示主用户空闲,H1表示主用户存在。
5.根据权利要求4所述的一种基于雾计算的油气物联网SSDF攻击防御方法,其特征在于:所述步骤二中均值漂移聚类算法感知数据分类具体操作为,d
均值漂移聚类算法处理能量数据具体可表示为,在一定的d维空间R中,存在一个能量感知数据点集P={P1,P2,...,PN},对于空间中任意一个Pmeanshift处的Mean‑Shift向量M(P)可以表示为:T 2
Sh={P|(P‑Pmeanshift) (P‑Pmeanshift)≤h};
其中Sh表示以Pmeanshift为中心,能量感知数据点Pi到Pmeanshift的距离小于球体半径h的数据点集合,k表示集合Sh中数据点的总数目,(Pi‑Pmeanshift)表示基准点Pmeanshift和数据点Pi的偏移距离,M(P)表示能量感知数据集合Sh中所有的数据点与基准点之间的向量偏移数据的均值,所以均值漂移向量M(P)将指向较多特征属性相同的能量感知数据,即密度梯度的方向。
计算出偏移均值后,需要进行中心更新,即将中心点移动到偏移均值位置:t
其中,M(P) 为在t状态下求得的偏移均值; 为t状态下的中心。
均值漂移聚类算法的具体步骤归纳如下:
确定滑动窗口半径r,以随机选取的中心点Pmeanshift,半径为r的圆形滑动窗口开始滑动,每一次迭代中,滑动窗口向密度更高的区域移动,直到收敛。
每一次窗口滑动到新的区域,计算滑动窗口内的均值并以此作为中心点,滑动窗口内的数据点的数量即为窗口内的密度,在每一次移动中,窗口都会向使其密度更高的区域移动。
移动窗口,计算窗口内的中心点以及窗口内的密度,直到没有方向在窗口内可以容纳更多的点,即一直移动到圆内密度不再增加为止。
上述步骤进行时会产生许多滑动窗口,当多个滑动窗口重叠时,保留包含最多点的窗口,然后根据数据点所在的滑动窗口对能量感知数据进行聚类。
6.根据权利要求5所述的一种基于雾计算的油气物联网SSDF攻击防御方法,其特征在于:所述步骤二聚类数据筛选具体为,由于恶意用户独立攻击,各恶意用户发送的虚假数据呈现随机分布特点,因此构成聚类的数据性质完全由篡改数据组成的比例较低,大部分聚类仅由真实数据组成或由真实数据和篡改数据混合组成,而后者占据比例更大,本发明考虑首先将经聚类后的各类数据进行筛选,即将各聚类中的数据按比例进行抽取,在第k时刻,第i(1≤i≤N)个聚类中包括N(i,k)个数据,设定可信概率υ(0<υ<1),则聚类经抽取后,抽取数据量Num(i,k)为:Pi(k)为抽取聚类,则对于第i个聚类中第p(1≤p≤N(i,k))个数据,其数值vi,p,抽取后得到,对于仅由真实数据构成的聚类,经抽取后,组成聚类的数据仍为真实数据,对于由篡改数据组成的聚类,经抽取后,聚类仍完全由篡改数据组成,但由于仅由篡改数据组成聚类的情况较少,此种现象所占比例较低,对判决结果影响有限,大多数聚类是由真实数据和篡改数据构成,因构成同一聚类的数据不论其真实性,它们在数值上表现是相近的,属于同一聚类的虚假数据对于真实聚类而言,仅仅是使所属聚类中数据个数增加,所以对于软融合而言,真实数据和篡改数据对PU存在情况判决的效果相近,但经比例抽取后,抽取的数据中无论其是否含有篡改数据,均可将其视作为仅由真实数据构成,可大大降低虚假数据对融合中心判决的影响。
7.根据权利要求6所述的一种基于雾计算的油气物联网SSDF攻击防御方法,其特征在于:所述步骤二中,数据变动程度评价具体为,发送到融合中心的能量感知数据经均值漂移聚类和数据筛选后,各聚类中数据值相近,影响认知用户i实际接收信号功率的主要因素是PU发射机功率PdB,t及其与发射机之间的距离di,正常情况下,各聚类中认知用户的能量感知数据变动程度相似,属于同一聚类的认知用户在的能量感知数据在第k时刻和(k‑1)变化程度较小,如果某一个恶意用户在k时刻突然发动攻击,那么其感知数据的变动程度会大于同一聚类中的其他诚实用户,针对这一特性,我们利用同一聚类中能量感知数据的变动程度来确定筛选后认知用户感知数据融合时对应的加权因子。
在第k时刻,经聚类及抽取后,共剩余Num(k)个数据,并被分成C(k)个聚类,其中第i(0<i<C(k))个聚类由Num(i,k)个数据组成。
在时刻k,第i个聚类中第j个用户的数据维持程度表示为:
其中,第i个聚类中的第j个认知用户在第k时刻、(k‑1)时刻的能量感测结果分别为Pi,j(k)和Pi,j(k‑1)。注意,当k为1时,Li,j(k)=1,第i个聚类中第j个用户的的变动分值为:
第i个聚类中第j个用户依据变动程度所分配权重为:
在第k时刻,第i个聚类中各认知用户依据变动程度所分配的权重为:wH,i(k)=[wH,i,1(k),wH,i,2(k),...,wH,i,j(k),...,wH,i,Num(i,k)(k)]。
8.根据权利要求7所述的一种基于雾计算的油气物联网SSDF攻击防御方法,其特征在于:所述步骤二中,数据可信度评价具体为,油气物联网系统中存在恶意用户时,其发动攻击的目的总是使融合中心对环境中的主用户信号存在情况进行误判,因此恶意用户总是将能量检测数据进行与真实情况相反趋势篡改,融合中心可通过对各认知用户的历史感知效果进行研究,进而判断各用户的诚实性,在第k个感知时刻上,油气物联网系统中N个认知用户进行能量检测,此时刻对应的能量阈值为η(k),则在第k个感知时刻,第r(1≤r≤N)个用户的能量检测结果dr(k)为:为使新的感知结果有较大的参考性,将历史检测结果及检测次数乘以影响因子α(0<α<1)进行去权重,在第k个感知时刻,系统中第r个用户的历史检测结果Dr(k)为:Dr(k)=αDr(k‑1)+dr(k);
其中Dr(k‑1)为第r个用户在(k‑1)时刻的历史检测结果,当k为1时,Dr(k)=1,在第k个感知时刻,系统感知次数N(k)为:N(k)=αN(k‑1)+1;
其中N(k‑1)为第(k‑1)时刻的感知次数,当k为1时,N(k)=1,第k个感知时刻,经筛选后Num(k)个认知用户所对应的历史检测结果DT(k),其中第s(1≤s≤Num(k))个用户的可信度为RT,s(k),其对应历史检测结果为DT,s(k),
对各筛选后的认知用户按照可信度进行评分sh(k),可信度越大的用户得分越高,即:认知用户r的数据可信度为:
wr(k)=Sr(k)·Num(k);
则,各认知用户的数据可信度权重向量为:
wT(k)=[wT,1(k),wT,2(k),...,wT,r(k),...,wT,Num(k)(k)]。
9.根据权利要求8所述的一种基于雾计算的油气物联网SSDF攻击防御方法,其特征在于:所述步骤二中,数据融合具体为,两种评价方式对融合能量的影响程度不同,分别用θH和θT表示,则最终融合能量为:其中:
0<θH<1;
0<θT<1;
θH+θT=1;
T
PH,n(k)=[PH,n,1(k),PH,n,2(k),...,PH,n,1(k)];
T
PT(k)=[P1(k),P2(k),...,PNum(k)(k)]。