【摘要】：以智能系統(tǒng)為核心的智能家居、智能醫(yī)療已成為物聯(lián)網(wǎng)領(lǐng)域內(nèi)熱門的研究方向。室內(nèi)智能場(chǎng)景下所感知的數(shù)據(jù)多為環(huán)境、生理、行為等數(shù)據(jù),涉及個(gè)人隱私、生命以及財(cái)產(chǎn)安全,比傳統(tǒng)應(yīng)用領(lǐng)域采集的數(shù)據(jù)敏感系數(shù)高,安全隱患大,易遭受內(nèi)部和外部攻擊侵襲。所以如何依據(jù)不同室內(nèi)場(chǎng)景的空間、網(wǎng)絡(luò)特點(diǎn),并結(jié)合物聯(lián)網(wǎng)體系不同層易遭受的攻擊引入適合的安全機(jī)制實(shí)現(xiàn)逐層安全防御是一項(xiàng)巨大的挑戰(zhàn)。本文從不同的室內(nèi)場(chǎng)景出發(fā),結(jié)合實(shí)際空間格局和被檢測(cè)對(duì)象屬性,構(gòu)建感知層網(wǎng)絡(luò)模型,并以“主動(dòng)+被動(dòng)防御”為指導(dǎo),在路由協(xié)議中引入安全Beta信任機(jī)制抵御內(nèi)部攻擊以執(zhí)行有效的數(shù)據(jù)采集,進(jìn)一步,在網(wǎng)絡(luò)層和應(yīng)用層中融入混合入侵檢測(cè)系統(tǒng)應(yīng)對(duì)外部的滲透性攻擊。主要工作如下:(1)針對(duì)小型智能家居環(huán)境下空間小、障礙物多、抵御內(nèi)部攻擊能力弱的問題,提出一種基于區(qū)域劃分成簇和信任機(jī)制的安全路由協(xié)議(A Secure Routing Protocol with Regional Partitioned Clustering and Beta Trust Management in Smart Home,SH-PCNBTM),該協(xié)議結(jié)合家居環(huán)境內(nèi)空間格局分明,數(shù)據(jù)具有區(qū)域相似性的特點(diǎn)實(shí)施區(qū)域分簇。同時(shí)在協(xié)議中嵌入一種安全Beta信任機(jī)制用于指導(dǎo)各個(gè)區(qū)域簇頭的選取,此機(jī)制不僅在推薦信任中引入評(píng)價(jià)信任計(jì)算融合權(quán)重以減少同謀攻擊的影響,而且打破了傳統(tǒng)Beta信任機(jī)制中的“閾值”壁壘,利用信任值更新變化捕獲可疑節(jié)點(diǎn)并結(jié)合節(jié)點(diǎn)信任下滑特點(diǎn)設(shè)置較短時(shí)間窗進(jìn)行二次檢測(cè)以剔除受到干擾的正常節(jié)點(diǎn)。(2)針對(duì)智能醫(yī)療場(chǎng)景下網(wǎng)絡(luò)拓?fù)浞�(wěn)定性差、額外能耗多的問題,提出了基于蜂窩網(wǎng)格靜態(tài)簇頭部署的安全低功耗數(shù)據(jù)采集協(xié)議(Honey Comb Static Cluster Head based Secure and Low Energy-efficient Data Aggregation Protocol,HCSC-SLEDA),該協(xié)議的執(zhí)行環(huán)境為蜂窩網(wǎng)格劃分高效能簇頭節(jié)點(diǎn)部署下的異構(gòu)網(wǎng)絡(luò)。為抵御內(nèi)部攻擊,設(shè)計(jì)了一種引入非融合Beta信任(Non-Fusion Beta,NF-Beta)和信任傳遞模型的安全層次信任機(jī)制,可實(shí)現(xiàn)簇頭間的相互監(jiān)測(cè)以及簇頭到移動(dòng)節(jié)點(diǎn)的單向監(jiān)測(cè)。通過結(jié)合異構(gòu)網(wǎng)絡(luò)模型和層次信任機(jī)制,HCSC-SLEDA協(xié)議在穩(wěn)定階段設(shè)置靜動(dòng)雙時(shí)隙對(duì)簇頭和移動(dòng)節(jié)點(diǎn)進(jìn)行信任更新,并完成移動(dòng)節(jié)點(diǎn)數(shù)據(jù)采集和融合能量、距離、安全多因素的骨干網(wǎng)絡(luò)路由構(gòu)建。(3)針對(duì)室內(nèi)智能場(chǎng)景下易出現(xiàn)的遠(yuǎn)程操控(Remote to login,R2L)、越權(quán)(User to root,U2R)類滲透性攻擊,結(jié)合U2R、R2L攻擊類和正常類交疊程度的特點(diǎn),設(shè)計(jì)了一種融合支持向量機(jī)(Support Vector Machine,SVM)和概率神經(jīng)網(wǎng)絡(luò)模型(Probabilistic Neural Network,PNN)的層次式混合入侵檢測(cè)系統(tǒng)(Hybrid Intrusion Detection System,HIDS),在第一層利用SVM模型對(duì)U2R類進(jìn)行識(shí)別,該層通過調(diào)整訓(xùn)練集抽樣比例消除原始數(shù)據(jù)集各類別的非平衡性,并以粗細(xì)結(jié)合的網(wǎng)格搜索方法優(yōu)化模型參數(shù);第二層利用PNN模型進(jìn)一步抽象直接特征以更準(zhǔn)確的識(shí)別R2L類攻擊,通過聚類和調(diào)節(jié)抽樣比例得到R2L類的有效訓(xùn)練集,并利用微粒子群方法(Particle Swarm Optimization,PSO)尋找最優(yōu)雙平滑因子以進(jìn)一步優(yōu)化神經(jīng)網(wǎng)絡(luò)模型�；旌先肭謾z測(cè)系統(tǒng)的優(yōu)化目標(biāo)是在保證較高正常類識(shí)別率的基礎(chǔ)上,最大程度提高對(duì)于R2L和U2R攻擊類的檢測(cè)準(zhǔn)確率。本文對(duì)所提出的安全路由協(xié)議和混合入侵檢測(cè)算法進(jìn)行仿真實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果證明了這些協(xié)議和算法的有效性,與同類安全協(xié)議相比,本文提出的協(xié)議在網(wǎng)絡(luò)壽命、數(shù)據(jù)傳輸量、惡意節(jié)點(diǎn)識(shí)別準(zhǔn)確率、容侵性等方面具有優(yōu)勢(shì);與同類混合入侵檢測(cè)系統(tǒng)相比,本文提出的方法在檢測(cè)有效性、系統(tǒng)靈敏程度、檢測(cè)效率等方面表現(xiàn)更佳。
【學(xué)位授予單位】：浙江理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TU855;TP393.08
【圖文】：

性、功能性、便利性及高科技型要求的提高，的研究方向之一[2]。手機(jī) 便攜式電腦PC機(jī)web服務(wù)器 數(shù)據(jù)庫(kù)服務(wù)器 管理服務(wù)器匯聚節(jié)點(diǎn)簇頭節(jié)點(diǎn)數(shù)據(jù)信息數(shù)據(jù)信息互聯(lián)網(wǎng)

區(qū)域劃分成簇和信任機(jī)制的安全路由協(xié)議（SH-PCNBTM），該協(xié)議結(jié)合家居環(huán)境內(nèi)空間格局分明，數(shù)據(jù)具有區(qū)域相似性的特點(diǎn)實(shí)施區(qū)域分簇和靜態(tài)層次網(wǎng)絡(luò)模型構(gòu)建。同時(shí)在此協(xié)議穩(wěn)定執(zhí)行階段嵌入一種安全 Beta 信任機(jī)制用于指導(dǎo)各個(gè)區(qū)域簇頭的選取，此機(jī)制在推薦信任中引入評(píng)價(jià)信任計(jì)算融合權(quán)重以減少同謀攻擊的影響，并利用信任值變化趨勢(shì)鎖定可疑節(jié)點(diǎn)進(jìn)行二次檢測(cè)以識(shí)別真正的背叛攻擊節(jié)點(diǎn)。實(shí)驗(yàn)部分首先對(duì)信任模型中的參數(shù)選取進(jìn)行了討論，之后給出了 SH-PCNBTM 協(xié)議與 LM 以及信任機(jī)制融合協(xié)議 LM-BTRES、T-LM 在成簇方式、網(wǎng)絡(luò)壽命、節(jié)點(diǎn)死亡情況、惡意節(jié)點(diǎn)識(shí)別率、數(shù)據(jù)傳輸量等方面的仿真對(duì)比與分析。2.1 智能家居網(wǎng)絡(luò)模型2.1.1 智能家居室內(nèi)節(jié)點(diǎn)部署

區(qū)域劃分成簇和信任機(jī)制的安全路由協(xié)議（SH-PCNBTM），該協(xié)議結(jié)合家居環(huán)境內(nèi)空間格局分明，數(shù)據(jù)具有區(qū)域相似性的特點(diǎn)實(shí)施區(qū)域分簇和靜態(tài)層次網(wǎng)絡(luò)模型構(gòu)建。同時(shí)在此協(xié)議穩(wěn)定執(zhí)行階段嵌入一種安全 Beta 信任機(jī)制用于指導(dǎo)各個(gè)區(qū)域簇頭的選取，此機(jī)制在推薦信任中引入評(píng)價(jià)信任計(jì)算融合權(quán)重以減少同謀攻擊的影響，并利用信任值變化趨勢(shì)鎖定可疑節(jié)點(diǎn)進(jìn)行二次檢測(cè)以識(shí)別真正的背叛攻擊節(jié)點(diǎn)。實(shí)驗(yàn)部分首先對(duì)信任模型中的參數(shù)選取進(jìn)行了討論，之后給出了 SH-PCNBTM 協(xié)議與 LM 以及信任機(jī)制融合協(xié)議 LM-BTRES、T-LM 在成簇方式、網(wǎng)絡(luò)壽命、節(jié)點(diǎn)死亡情況、惡意節(jié)點(diǎn)識(shí)別率、數(shù)據(jù)傳輸量等方面的仿真對(duì)比與分析。2.1 智能家居網(wǎng)絡(luò)模型2.1.1 智能家居室內(nèi)節(jié)點(diǎn)部署

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 ;物聯(lián)網(wǎng)“十二五”發(fā)展規(guī)劃發(fā)布[J];中國(guó)新通信;2012年04期

相關(guān)碩士學(xué)位論文 前4條

1 楊磊;無線傳感器網(wǎng)絡(luò)信任機(jī)制研究[D];清華大學(xué);2015年

2 楊龍;移動(dòng)無線傳感器網(wǎng)絡(luò)低功耗路由協(xié)議研究[D];哈爾濱工業(yè)大學(xué);2013年

3 倪偉;物聯(lián)網(wǎng)中域間移動(dòng)節(jié)點(diǎn)的信任計(jì)算[D];西北師范大學(xué);2013年

4 徐軍霞;WSN節(jié)點(diǎn)感知區(qū)域模型實(shí)驗(yàn)研究[D];華中科技大學(xué);2011年

本文編號(hào)：2767951