论文部分内容阅读
信息安全是无线传感器网络(Wireless Sensor Network,简称WSN)走向大规模实用化的关键。入侵检测技术能够提供无线传感器网络全面且深层次的保护。本文针对无线传感器网络节点能量有限、入侵检测准确率低的缺陷以及需要具有实时性检测的要求,研究了入侵检测模型及算法,构建了基于改进随机森林(Random Forests,简称RF)算法的无线传感器网络入侵检测模型。本文主要完成工作如下:1.阐述了无线传感器网络中节点本身的能量、计算及存储能力有限。如果入侵检测系统(Intrusion Detection System,简称IDS)模型过于复杂,则在实际应用过程中会消耗过多的能量资源,导致网络生命周期降低,因此入侵检测模型需要符合无线传感器网络的特点,而且应该能够准确及时地检测入侵行为。2.本文采用层次式入侵检测模型,在任务管理节点上实现复杂的分析检测功能,普通传感器节点与汇聚节点则分别实现对计算、存储等要求不高的采集与特征提取功能,以降低系统的整体成本。针对层次式入侵检测模型实时性差的不足研究了蓝牙数据传输吞吐量的提高,对蓝牙自适应分组选择策略的实现进行了分析。研究了基于功率谱与阈值的信噪比(Signal to Noise Ratio,简称SNR)估计算法,该算法能够准确实时地估计信道的信噪比,为蓝牙自适应分组选择策略的实现提供前提,从而可以实现蓝牙数据传输吞吐量的提高。3.深入研究了无线传感器网络中的入侵检测算法。基于遗传算法的选择性集成(Genetic Algorithm based Selective Ensemble,简称GASEN)可以从一组可用的神经网络选择适当的部分神经网络构成新的组合。本文研究基于GASEN算法,采用随机森林的OOB估计作为验证标准来评估所选择的决策树构成的集合的性能,进而建立了基于改进随机森林算法的无线传感器网络入侵检测模型。在KDD Cup 99数据集上的仿真实验结果表明,改进随机森林算法较标准随机森林算法提高了入侵检测的实时性以及精度。