帶有惡意串謀檢測的機會感知數(shù)據(jù)轉發(fā)機制

楊 靜，李鵬程，李無憂，閆俊杰

(1. 重慶郵電大學 通信與信息工程學院, 重慶 400065；2. 重慶高校市級光通信與網(wǎng)絡重點實驗室, 重慶 400065)

隨著信息技術的不斷演進，使移動終端快速發(fā)展，迅猛普及[1]．作為一種特定類型的移動群智感知(Mobile Crowd Sensing， MCS)，機會感知(Opportunistic Sensing， OS)可廣泛應用于多媒體融合、日常社交等領域[2]．OS中移動設備具有較強的計算能力和通信能力，用戶通過間斷連接以存儲—攜帶—轉發(fā)的傳輸模式完成數(shù)據(jù)交互，能夠有效實現(xiàn)超大規(guī)模感知應用．然而在實際應用中，用戶轉發(fā)的數(shù)據(jù)可能不夠準確，同時網(wǎng)絡中可能存在主動攻擊截獲數(shù)據(jù)、破壞數(shù)據(jù)正常傳輸?shù)膼阂庥脩簦虼耍绾芜x擇合適的用戶，準確高效完成數(shù)據(jù)轉發(fā)成為一個關鍵的技術挑戰(zhàn)．

當前OS中數(shù)據(jù)轉發(fā)主要包括帶有冗余消息的傳輸算法[3]、針對最優(yōu)效用的投遞決策[4]和基于主動運動[5]的轉發(fā)機制．對于冗余消息轉發(fā)，用戶傳輸帶有編碼信息的數(shù)據(jù)[6]，或者根據(jù)多副本協(xié)議以多路徑并行傳輸[7]，從而達到提高數(shù)據(jù)成功投遞率的目的．對于效用最優(yōu)轉發(fā)，首先通過鏈路狀態(tài)等參數(shù)衡量用戶效用值，進而，效用值較低的用戶以單副本模式將數(shù)據(jù)轉發(fā)到效用值較高的用戶．此外，對于主動運動轉發(fā)，首先按照一定的標準選擇特定用戶; 其次，一方面根據(jù)提前規(guī)定的路徑移動為其他用戶提供機會性中繼服務，另一方面通過改變既定軌跡以滿足源端服務請求，從而達到準確高效轉發(fā)數(shù)據(jù)的目的．盡管上述機制均能完成數(shù)據(jù)轉發(fā)，但分別存在嚴重浪費網(wǎng)絡資源、難以避免額外開銷以及實際應用范圍有限等問題，并且均未考慮用戶社會屬性[8]．然而在實際應用中，惡意用戶可能會導致網(wǎng)絡合法通信被意外攔截，甚至會完全癱瘓．因此，在具有明顯社會特征且存在惡意用戶的網(wǎng)絡環(huán)境中，設計準確高效、由最佳中繼用戶承載的數(shù)據(jù)轉發(fā)機制至關重要．對于OS中數(shù)據(jù)轉發(fā)問題，文獻[9]提出多跳路由機制，雖然能有效減小開銷，但難以避免網(wǎng)絡性能的降低．文獻[10]提出緩解錯誤路由(Mitigating Routing Misbehavior， MRM)機制，雖然在一定程度上能有效提高數(shù)據(jù)投遞率、避免功率和帶寬等系統(tǒng)資源的浪費，但是不能判斷丟包率是由拒絕提供轉發(fā)服務的自私用戶還是由主動截獲數(shù)據(jù)信息的惡意用戶引起的．文獻[11]通過主成分分析法提取用戶當前傳輸負載等因素主要組成部分，提出負載均衡的多屬性決策路由機制，然而該機制存在主觀性強、不能限制副本數(shù)量等問題．文獻[12]根據(jù)用戶社會相似性建立信任管理模型，設計基于社會相似性的安全路由(Secure Routing based on Social Similarity， SRSS)機制，結果表明，按照信任列表選擇下一跳能有效提高數(shù)據(jù)投遞率．盡管已有研究十分充分，但都未考慮存在惡意串謀時如何有效穩(wěn)定應對串謀攻擊．

針對上述問題，筆者提出一種帶有惡意串謀檢測(Malicious Collusion Detection， MCD)的數(shù)據(jù)轉發(fā)機制．首先，通過連接間隔時間和連接持續(xù)時間構建節(jié)點間暫態(tài)連接子網(wǎng)，進而分析節(jié)點交互規(guī)律;然后，根據(jù)交互頻度預測序列與期望交互頻度預測序列之間的匹配度分析異常交互行為，同時，尋找具有最大聚集密度的異常頻繁交互子集，從而檢測出惡意串謀節(jié)點;最后，在此基礎上建立暫態(tài)信任子網(wǎng)，并且根據(jù)連接強度和協(xié)作意愿評估暫態(tài)信任子網(wǎng)內(nèi)節(jié)點間暫態(tài)信任關系，從而選擇最佳中繼節(jié)點，準確高效完成數(shù)據(jù)轉發(fā)．

1 暫態(tài)連接子網(wǎng)

圖1 節(jié)點連接狀態(tài)示意圖

2 惡意串謀檢測

2.1 異常分析

在時段T內(nèi)，節(jié)點在各連接持續(xù)時間內(nèi)不一定均能成功建立暫態(tài)連接子網(wǎng)，此外，在不同連接持續(xù)時間內(nèi)所建立的暫態(tài)連接子網(wǎng)包含的節(jié)點也存在差異．考慮到節(jié)點間進行數(shù)據(jù)交互在一定程度上體現(xiàn)了社會關系，同時結合社會關系具有相對穩(wěn)定的特性，因此，可根據(jù)節(jié)點間交互分析異常行為來進行判斷．

(1)

(2)

(3)

(4)

(5)

(6)

其中，α為平滑系數(shù)，且取值范圍為(0， 1)．

(7)

(8)

2.2 串謀檢測

相互串謀的惡意節(jié)點以協(xié)同欺騙的方式偽造交互信息，并從其他節(jié)點處騙取信任以截獲或者丟棄數(shù)據(jù)．串謀節(jié)點偽造交互信息時通過復制交互記錄以仿制真實的交互過程，這些交互記錄使得串謀節(jié)點的社會行為呈現(xiàn)較高的協(xié)同性，意味著相互串謀的惡意節(jié)點頻繁出現(xiàn)在彼此的暫態(tài)連接子網(wǎng)內(nèi)，故串謀節(jié)點的暫態(tài)連接子網(wǎng)所包含的節(jié)點變化較小，可見串謀節(jié)點間社會行為關聯(lián)度較高．同時，存在異常交互的暫態(tài)連接子網(wǎng)在不同時期包含的節(jié)點不同，故通過分析暫態(tài)連接子網(wǎng)序列以有效識別異常頻繁交互節(jié)點集．

(9)

(10)

Rij=(|Qi∩Qj|/|Qi|) (|Qj∩Qi|/|Qj|) ,

(11)

其中，|Qi|和|Qj|分別表示集合Qi和Qj所包含的節(jié)點數(shù)，|Qi∩Qj|表示集合Qi和Qj包含相同節(jié)點的數(shù)目．

綜合節(jié)點交互程度和信任度，當交互程度越高、交互節(jié)點數(shù)目越多時，節(jié)點間協(xié)同程度τij越高，故衡量方法如下:

(12)

(13)

其中，|VS| (|VS|-1)/2為圖G可能的最大邊數(shù)．

2.3 暫態(tài)信任關系

按照上述分析方法依次識別串謀節(jié)點后，可在暫態(tài)連接子網(wǎng)內(nèi)選擇最佳中繼節(jié)點完成數(shù)據(jù)轉發(fā)．由于節(jié)點轉發(fā)數(shù)據(jù)能力因社會關系的差異而存在一定的差別，因此可通過連接強度和協(xié)作意愿評估節(jié)點間暫態(tài)信任關系，其中連接強度表示節(jié)點的交互能力，而協(xié)作意愿則表示節(jié)點意愿轉發(fā)數(shù)據(jù)的程度．

η=|Nv|/|Nni| ，γ=|N′v|/|Nni| ,

(14)

其中，|Nni|、 |Nv|及|N′v|分別為對應集合所包含的節(jié)點數(shù)．

(15)

(16)

(17)

(18)

其中，Qj表示為節(jié)點nj轉發(fā)數(shù)據(jù)的全部節(jié)點集合．

(19)

(20)

3 仿真分析

3.1 復雜性分析

2n2+n+[(1×0+(0+1)/2+…+(0+1+…+n)/(1+n)]/(1+n)=2n2+5n/4 ．

(21)

MRM機制中首先衡量節(jié)點間轉發(fā)概率，此時時間復雜度為O(n2)．進而，分析時延、判斷是否存在錯誤路由并選擇中繼完成數(shù)據(jù)轉發(fā)，其中檢測引起錯誤路由節(jié)點的平均時間復雜度為O(lbn)，而刪除錯誤路由并重新選擇中繼節(jié)點的平均時間復雜度為O(2n)．故MRM機制下，平均時間復雜度為O(n2+ 2n+lbn)．

綜上，各機制平均時間復雜度分別為O(2n2+5n/4)、O(3n2+n/4)與O(n2+ 2n+ lbn)，復雜度低且均屬于平方階．

3.2 仿真環(huán)境設定

采用由芬蘭Nokia研究中心開發(fā)的機會網(wǎng)絡環(huán)境(Opportunistic Network Environment， ONE)仿真平臺[15]對MCD機制進行驗證，仿真參數(shù)如表1所示．同時分別在不同惡意節(jié)點比例和串謀率條件下，通過攻擊率和投遞率與MRM機制和SRSS機制進行對比．其中攻擊率為數(shù)據(jù)被惡意丟棄的次數(shù)與轉發(fā)數(shù)據(jù)的總次數(shù)之比，攻擊率越高，意味著大量的數(shù)據(jù)被惡意節(jié)點攔截而未被轉發(fā)，此時惡意攻擊對網(wǎng)絡性能造成的危害也越大;投遞率為成功轉發(fā)數(shù)據(jù)次數(shù)與請求轉發(fā)數(shù)據(jù)總次數(shù)的比值，表示將數(shù)據(jù)準確轉發(fā)到目的節(jié)點的能力．

表1 仿真參數(shù)設置

3.3 不同惡意節(jié)點比例下的性能分析

在不同惡意節(jié)點比例情況下，對MCD機制進行驗證，并與MRM和SRSS機制進行對比，這里將串謀率設置為20%．

圖2比較了在不同惡意節(jié)點比例下SRSS、MRM和MCD機制的攻擊率．由圖2可知，3種機制的攻擊率均隨著惡意節(jié)點比例的增加而增加．這是因為基于社會信任的SRSS機制忽略了惡意節(jié)點的影響，故攻擊率增長最快；另外，相比于MCD機制，MRM機制存在較高的誤判率，數(shù)據(jù)被惡意節(jié)點截獲的概率更高，故攻擊率也較高．

圖2 不同惡意節(jié)點比例下的攻擊率圖3 不同惡意節(jié)點比例下的投遞率

3.4 不同串謀率下的性能分析

在不同串謀率下驗證MCD機制并與MRM和SRSS機制對比，此處將惡意節(jié)點比例設置為15%．

圖4比較了不同串謀率下3種機制的攻擊率．由圖4可知，隨著串謀率的增加，3種機制的攻擊率均呈上升趨勢．SRSS機制因缺乏惡意節(jié)點防御機制，導致受惡意節(jié)點攻擊的影響最大，故攻擊率最高．同時MCD機制在不同串謀率下均能以較高的準確度檢測出惡意串謀節(jié)點，故攻擊率隨著串謀率的增加而緩慢增加．

圖4 不同串謀率下的攻擊率圖5 不同串謀率下的投遞率

圖5描述了3種機制在不同串謀率下的投遞率．由圖5可知，3種機制的投遞率均隨著串謀率的增加而呈下降趨勢．同時，由于MCD機制可以準確地檢測惡意串謀節(jié)點，能夠有效地防御惡意節(jié)點的串謀攻擊行為對數(shù)據(jù)轉發(fā)造成的干擾，因此在串謀率持續(xù)增加時仍維持了相對較高的投遞率．另外，由于MRM與SRSS識別出串謀節(jié)點，故相應的投遞率高于w/o MRM與w/o SRSS的．同時，MCD機制中將交互概率和連通度作為衡量節(jié)點間連接強度的重要依據(jù)，因此，當3種機制均按照同樣方法構建暫態(tài)信任子網(wǎng)后，相比于MRM與SRSS，MCD機制下投遞率較高．

4 結 束 語

為抵御惡意串謀節(jié)點的攻擊，針對OS中節(jié)點的社會屬性，筆者提出了一種帶有惡意串謀檢測的數(shù)據(jù)轉發(fā)機制．首先在暫態(tài)連接子網(wǎng)內(nèi)，根據(jù)交互頻度預測序列和期望交互頻度預測序列之間的匹配度進行異常分析，以尋找具有最大聚集密度的異常頻繁交互子集，在此基礎上構建暫態(tài)信任子網(wǎng)．然后，根據(jù)連接強度和協(xié)作意愿量化暫態(tài)信任子網(wǎng)內(nèi)節(jié)點間暫態(tài)信任關系，從而選擇最佳中繼節(jié)點準確高效完成數(shù)據(jù)轉發(fā)．