移动雾计算中基于强化学习的通信安全关键技术研究

• 作 者: 孟远
• 出 处: 北京工业大学
• 发表日期: 2020年01期
• 关键词: 移动雾计算 强化学习 博弈论 物理层安全 伪装攻击检测与智能攻击防御

雾计算是一种在云数据中心和物联网设备(Internet of Things,IoT)之间提供分布式计算、存储等服务的技术,同时能够利用网络边缘进行认证以提供与云端交互的服务。随着5G时代的到来,针对移动雾计算网络构架中雾节点与移动终端节点间通信,在确保高效性基础上其安全保障成为了当前研究的热点。当前存在的窃听攻击、伪装攻击以及面向用户的智能攻击等多种攻击手段和威胁,对移动雾计算网络中的攻击检测和安全防御等关键技术提出了新的挑战。对此本文重点提出了基于DQL(Double Q-learning)算法的伪装攻击检测方案和智能攻击防御方案,旨在增强移动雾计算安全防护性能。主要研究贡献如下:(1)分析了面向无线信道的物理层安全(Physical Layer Security,PLS)技术和基于强化学习的无线网络通信安全技术,研究了移动雾计算安全中的强化学习算法及其与博弈论相结合的潜在优势,总结了移动雾计算中存在的攻击类型和攻击危害。(2)提出了一种移动雾计算中基于DQL算法的伪装攻击检测方案。针对移动雾计算环境下易出现的伪装攻击,该方案借助PLS中的信道参数和基于期望效用理论(Expected Utility Theory,EUT)计算的零和博弈,首先在Q-learning算法的基础上处理Q值过度估计问题,然后获取最佳的伪装攻击测试阈值,通过阈值有效地降低了系统的误报率(Fault Alarm Rate,FAR)和漏检率(Miss Detection Rate,MDR),从而提升了用户与雾节点间伪装攻击检测的正确率。(3)提出了一种移动雾计算中基于DQL算法的智能攻击防御方案。目前,研究者极少对攻击者的主观性进行研究。针对这一问题,首先,该方案描述了移动雾计算中涉及恶意用户的系统模型,综合考虑了多种智能攻击类型;其次,区别于EUT,基于前景理论(Prospect Theory,PT)构建了恶意用户与合法用户进行主观零和博弈的静态方法;在此基础上,提出了基于DQL算法的动态主观博弈方案,用于获取最优防御策略并抵御主动智能攻击的威胁;最后,通过与其它相关算法的方案对比,该防御方案能够增强移动雾计算网络的安全性,提升防护性能。