【摘 要】
：
多跳物联网拓扑灵活,接入设备数量、类型繁多,设备的硬件、软件安全性低,使整个网络安全性不足,易遭受来自内部的恶意攻击。攻击者可入侵物联网设备节点,并使用这些节点窃取敏感的网络数据,篡改网络中的数据,恶意丢包,甚至发动拒绝服务（Do S）攻击等。攻击者从网络内部发起攻击,使面向外部攻击的防护措施失效。内部攻击通常具有隐蔽性,且物联网设备资源有限,使得如何在多跳物联网中高效地定位恶意节点成为难题。因此
论文部分内容阅读
多跳物联网拓扑灵活,接入设备数量、类型繁多,设备的硬件、软件安全性低,使整个网络安全性不足,易遭受来自内部的恶意攻击。攻击者可入侵物联网设备节点,并使用这些节点窃取敏感的网络数据,篡改网络中的数据,恶意丢包,甚至发动拒绝服务（Do S）攻击等。攻击者从网络内部发起攻击,使面向外部攻击的防护措施失效。内部攻击通常具有隐蔽性,且物联网设备资源有限,使得如何在多跳物联网中高效地定位恶意节点成为难题。因此研究面向多跳物联网的恶意节点检测技术具有重要的理论意义和实际应用价值。本文主要研究成果如下:（1）建立了篡改、丢包、重放三种典型数据攻击及其混合攻击的数学模型,为检测这些攻击提供了理论依据;构建了基站接收的数据包信息与通信路径中恶意节点攻击概率之间的数学关系,为恶意节点检测提供攻击模型基础。（2）针对传统恶意节点检测算法在物联网下工作性能不佳、难以定位多跳网络中恶意节点的问题,提出了一种基于感知器的集中式恶意节点检测技术PD（Perceptron-based Detection）。PD通过注入数据包到物联网中,在物联网基站接收注入的数据包后检查数据包是否受到篡改、丢失或重放,计算数据包路由路径信任值,进而通过多元线性回归求解节点信任值。PD采用感知器对网络中节点信任值进行拟合,拟合得出的节点信任值输入至K-Means聚类模型中进行聚类,最终实现恶意节点检测。为进一步提高检测结果的正确率,PD根据可疑节点的分布进行路由优化,调整注入数据包的路由,强化感知器的回归计算,增强对节点信任值的拟合度。仿真实验结果表明,PD检测准确率、稳定性优于现有的HD、SDBG算法。（3）针对传统集中式恶意节点检测算法难以感知网络内部发生的攻击细节、检测精度不足等问题,提出了一种基于共识的分布式恶意节点检测技术DCONST（Distributed Consensus based Trust Model Detection）。网络中的每个节点根据DCONST模型对其他节点进行信任值评估,对可能发动恶意攻击的节点从多种信任值维度进行惩罚,并给予可信节点对应的奖励。通过在网络中传递的数据包尾部嵌入认知标签,使得每个节点的认知可以随着数据包的流动扩散到整个网络,进而在整个网络达成认知的共识。基于节点的多维度信任值,使用K-means方法对节点进行聚类,识别出恶意节点及其具体的攻击行为。DCONST仅要求物联网设备进行少量的认知计算即可完成恶意节点检测。仿真实验结果表明,其综合性能优于现有算法,且真机实验证明其性能开销低。
其他文献
通过国有企业中国化工集团并购瑞士先正达典型案例，分析双方并购达成动因，对并购前存在的估值定价风险、并购中存在的支付风险和融资风险及并购后存在的整合风险进行研究分析，提出充分了解被并购方，借助专业第三方机构合理估值；避免单一支付方式，选择有利汇率节点；优化企业融资结构，保证融资渠道多样化；强化资源整合能力，促进整合方案科学化等与各项风险相对应的防范措施。
人脸表情能够传达重要的非语言信息,是情绪的直接体现。学会识别表情就是学会了人际交往的重要技巧,可以帮助了解对方的意愿、健康状况、情绪波动、好恶情况等等。因此,如果计算机能自动识别人脸表情,那就可以被广泛应用于生活中的各个方面,如人机交互系统、互联网教育、虚拟现实、智能监控、广告的精准推送、疾病的预防、紧急危害事件的预测等。目前在实验室场景下的人脸表情识别技术已经达到很高的准确率。但这种技术若是应用
近年来,深度强化学习已经在游戏人工智能,自动控制等领域取得了很大的成功。然而,现实世界中许多任务场景包含多个智能体。“中心训练-分散执行”框架由于其结构简单并且优化效率高,逐渐成为求解多智能体强化学习问题的主流算法。本文首先对当前对强化学习算法和多智能体强化学习算法进行综述,尤其对多智能体强化学习中存在的问题进行分析。之后针对“中心训练-分散执行”框架下的协作多智能体强化学习算法,在理论框架,中心
随着数据规模和计算资源的快速增长,机器学习在理论和实践两方面都取得了长足进展。然而,在许多真实场景中,目标任务中的标注样本非常稀缺,难以学得高效模型。迁移学习通过利用其它相关任务的知识提高目标模型泛化性能,是克服这一难题的重要途径之一。然而在许多现实应用中,由于任务相关性的不同,现有迁移学习方法难以稳定地提升模型效果。同时,往往仍需要较大规模的标注样本进行迁移学习。针对上述挑战,本论文开展跨任务主
序数回归是多分类问题的一种特殊情况,专门用于解决样本标签具有明显偏序关系的多分类问题。这类问题在现实生活中大量存在,如信用评估、电影评分、台风预测等。然而,实际问题中往往缺少有标记的样本,而存在大量未标记的样本。相比普通多分类问题,序数回归的样本标记由于要考虑标签之间的偏序信息,标记过程更为复杂、代价更高。本文首先对现有相关研究成果的综述和整理。从半监督框架下的序数回归问题出发,对序数回归模型以及
为进一步深化社会信用体系建设，提升金融服务水平，中国人民银行连云港市中心支行联合多个部门在连云港市范围内组织开展了信用县创建活动。文章分析了综合评价秩和比法的原理，并通过信用县创建工作中运用秩和比法，对其进行了实证检验。实践表明，基于秩和比的综合评价算法很好地从客观上给出评价排名结果，有力地保证了信用县创建工作的顺利实施。
随着模式识别与人工智能技术的发展,深度学习成为近年来备受关注的一种技术范例,在推荐系统、音频、图像乃至视频等多维度的许多实际情景中得到了广泛的应用,同时也将传统模式识别与人工智能领域的诸多问题,如对抗学习和自监督学习引入到了深度学习的领域。然而,大部分成功实践背后的工作机制仍然是一个谜,而大部分真实部署的深度学习模型对工程师和研究者而言仍然是黑盒,从而引起了学界对机器学习理论基础进行研究的热情。为
安全关键系统（Safety-Critical Systems,SCS）广泛应用于航空、航天、交通、核能等领域,这些系统具有资源受限、高安全性、高可靠性、实时响应、交互频繁等特点。近年来,模型驱动开发方法逐渐成为安全关键系统设计与开发的重要手段。模型驱动开发方法的生命周期通常始于系统的分析或设计阶段,较少涉及需求阶段。但是,安全关键系统中导致严重事故的问题链的最上端原因往往是系统需求问题,而这类系统
传统的时间序列预测由于非常依赖于距离被预测数据较近的样本数据,所以其总是假定有足够的训练数据可以获得且获得的训练数据和测试数据服从相同的分布。但是在现实生活中存在各种局限性,距离被预测数据较近的样本数据总是难以获取或者得到的数据量相对较少,这将无法直接使用传统的时间序列预测算法。反观若干年之前的老数据,其较为容易获得且数据量较大,若将其直接抛弃,则会导致相当一部分数据信息的流失。于是,避免直接抛弃
随着互联网技术的发展,人们越来越习惯于在网络进行购物并发表评价,或者对热点时事发表观点。对于海量的网络文本进行分析,寻找文本主题并对文本进行主题分类并提取其情感倾向已经成为NLP重要研究方向。政府和公司越来越多地通过此方法分析研究人们对周围不同事物、不同事件的观点和看法,并利用收集到的信息指导接下来的工作。传统的情感分析和主题分析一般是基于词典展开的,但是词典的构建需要花费大量的人工时间,且在不同