基于人工蜂群算法的雙門限CRN網絡攻擊檢測算法

馮 曉 榮

(南通大學工程訓練中心 江蘇 南通 226019)

0 引 言

隨著認知無線電網絡(Cognitive Radio Network,CRN)的普及與廣泛應用，其安全性成為了一個亟待解決的問題。模仿主用戶(Primary User,PU)是一種典型的易于實現且對CRN影響巨大的攻擊行為[1]，一般一組惡意用戶(Malicious Users，MU)發送與PU信號相似的模仿信號，二級用戶(Secondary User，SU)收到模仿信號后則產生一次虛警，導致該頻帶被閑置。PUE攻擊造成的危害極大，是CRN領域的一個研究熱點[2]。

許多研究人員將PUE攻擊定義為一個優化問題的模型[3]，其主要目標是尋找最優解。隨著人工智能算法的廣泛應用，利用各種智能算法求解PUE攻擊問題成為了有效的研究思路。目前螢火蟲算法[4]、粒子群優化算法[5]、強力搜索算法(Intense Explore algorithm)[6]、在線學習優化算法[7]等已經被成功應用于PUE攻擊檢測問題中，并且取得了較好的效果。根據文獻[8]的實驗與分析結果，總結出人工蜂群算法(Artificial Bee Colony,ABC)的性能總體優于遺傳算法(Genetic Algorithm,GA)、PSO與差分演化算法(Differential Evolution，DE)。ABC各階段的搜索方程具有較強的全局搜索能力，但局部開發能力較弱，導致ABC的收斂速度與解質量依然具有提高的空間[9-10]。

ABC算法具有結構簡潔、控制參數少、無需梯度信息等優點，目前被廣泛地應用于網絡的安全領域[11]。本文將ABC應用于認知無線電網絡的攻擊檢測問題中，旨在提高攻擊的檢測率、降低攻擊檢測的虛警率。為了提高ABC的局部開發能力并且加快收斂速度，將蟻群優化(Ant Colony Optimization,ACO)引入ABC算法中，利用ACO的局部開發能力增強ABC的性能，并且ACO與ABC兩者在迭代過程中相互促進，加快總算法的收斂速度。最終本文算法有效地提高CRN網絡的攻擊檢測率、降低了虛警率。

1 CRN中PUE攻擊的問題模型

考慮一個基本的CRN模型，如圖1所示。CRN包含一個主基站(Base Station，BS)、一個PU、若干的SU、少量的MU以及一個融合中心(Fusion Center，FC)。

圖1 PUE攻擊的場景

圖1是一個主用戶仿真攻擊(Primary User Emulation，PUE)的場景示意圖。假設一個BS具有9個傳輸信道，表示為f1-f9。PU占用了5個頻帶f2、f3、f4、f6、f8，SU感知未被占用的4個頻帶為f1、f5、f7、f9，SU向FC發送報告消息，FC根據這些報告做出頻譜分配的決策。在該過程中，MU也可能感知未被占用的頻帶，并且模擬空閑的主信號，從而誤導SU檢測頻譜空洞。例如：MU3模擬f5頻帶，誤導SU4發現信號，導致SU4放棄f5，并且聲明發生一次虛警檢測，繼而尋找其他的空閑信道，MU3導致f5頻帶浪費。因此攻擊檢測的主要目標是降低PUE攻擊的影響：

(1) 增強SU的信道感知能力，能夠區分空閑主信號與模擬信號；

(2) 提高FC識別惡意用戶的決策能力。

增強PUE的檢測能力能夠有效地提高空閑頻譜的利用率、降低CRN的虛警率，并且提高檢測率。

2 CRN的系統模型

CRN網絡的系統模型如圖2所示，假設網絡共包含K個SU，編號為i={1,2,…,K}。每個SU能夠在時間t獨立地實現本地頻譜感知，根據信道狀態判斷信道是否被占用。然后K個SU向FC發送報告，FC綜合所有的報告做出最終的決策。

圖2 CRN網絡的流程圖

假設CRN的每個SU裝備了一個能量檢測器，能夠基于接收的信號獨立地感知本地頻譜，每個SU給出一個關于信道狀態的本地決策。根據PU、PUE兩者是否存在共有4種信道狀態，表示為：

(1)

式中：xi(t)是第i個SU在時間t接收的信號。共考慮了四種信號：H0PU表示不存在PU信號；H1PU表示存在PU信號；H0PUEA表示不存在PU信號但存在PUE攻擊信號；H1PUEA表示PU信號與PUE攻擊信號均存在。第i個SU接收的信號可定義為：

(2)

(3)

式中：Z是時間t采樣的信號數量，第i個SU檢測的信號能量應當獲得一個高斯隨機變量，并且該變量值應當滿足H0PU、H1PU、H0PUEA、H0PUEA四個條件。

通過SU的能量檢測計算PU與第i個SU之間的信噪比：

(4)

接收的信號強度(Received Signal Strength，RSS)[12]通過測量信號能量強度來檢測是否存在PU、PUE信號。每個SU均支持測量RSS，如下所示：

(5)

式中：DisPU-SU為PU與SU之間的傳播距離；hPU.i、hPUE.i、hSU.i分別為PU、PUE與SU的信道增益，信道增益考慮了信道損耗與信道衰落兩個方面。每個SU將RSS能量SEi傳輸至FC，FC做出PU信號是否存在的全局決策：

YSUi=SEi+ni

(6)

在傳統的頻譜協作感知方案中，SU基于一個預設的閾值做出本地決策，并向FC報告一個“0”、“1”決策，表示PU信號是否可用。在CRN的頻譜感知程序中檢測攻擊是極為重要的任務，PUE攻擊者可能模擬PU的信號，所以單門限機制無法檢測出PUE攻擊信號。本系統模型中存在四個可能性：H0PU、H1PU、H0PUEA、H1PUEA，如表1所示。發送到FC的報告是一個2比特數據，表示四種信號狀態。

表1 本系統模型中存在四個可能性

本文設置兩個閾值θPU與βPUE分別表示PU與PUE是否存在：

(7)

式中：SEi為第i個SU接收的信號能量。閾值為PU與PUE信號提供了更高的區分概率。如果SEi小于閾值θPU、小于閾值βPUE，那么SU聲明PU與PUE均不存在，向FC發送“00”；如果SEi小于βPUE、大于θPU，那么SU聲明PU存在、PUE不存在，向FC發送“10”；如果SEi小于θPU、大于βPUE，那么SU聲明僅PUE存在，向FC發送“01”；如果SEi大于θPU、大于βPUE，那么SU聲明PU與PUE均存在，向FC發送“11”。

FC根據所有SU收集的報告，為每個報告分配一個非負權重Wi，FC計算全局值YFC：

(8)

式中：Wi是第i個SU的權重。FC針對PU頻譜的可用性做出全局決策，并且使用本文的ACO-ABC算法檢測網絡的PUE攻擊行為。通信檢測系統中的優化目標主要是最大化網絡的檢測率Pd并且最小化虛警率PFA與漏檢率Pmd。第i個SU的檢測率為：

Pd-i=P{DPres|H1PU}=P{SEi≥θPU|H1PU}

(9)

第i個SU的虛警率為：

PFA-i=P{DPres|H0PU}=P{SEi≥θPU|H0PU}

(10)

第i個SU的漏檢率為：

Pmd-i=P{DAbs|H1PU}=1-Pd-i

(11)

式中：DPres是PU信號存在的FC決策；DAbs是PU信號不存在的FC決策。總錯誤率PEr是FC產生錯誤決策的概率，定義為：

PEr-i=P{DAbs|H1PU}+P{DPres|H0PU}=Pmd-i+PFA-i

(12)

圖3是錯誤率、虛警率與漏檢率關于閾值θPU的變化情況，可以看出，當閾值增加，虛警率與錯誤率均降低，而漏檢率升高。

圖3 錯誤率、虛警率與漏檢率關于閾值θPU的變化情況

3 ACO算法與PUE檢測

初始化一個大小為K的種群，蟻群的種群大小等于SU數量，為所有的SU分配相應的信息素值。蟻群開始搜索前，每個螞蟻分配一個隨機的SU子集，每個螞蟻基于以下的概率選擇一個SU：

pi=τi·Δτi

(13)

式中:τi為SUi的信息素值；Δτi為選擇該SU的螞蟻比例。SU的信息素更新方法為：

τi=(1-φ)·τi+φ·τ0

(14)

式中:φ為相對重要性的參數，取值范圍為0～1。在所有蟻群結束一次運行之后，蟻群選擇的SU子集傳遞給雇傭蜂，作為初始化食物源的位置，蜂群的食物源表示為：

F(Sj)Sj∈RN

(15)

式中:食物源Sj表示第j個SU子集；F(Sj):j=1,2,…,SN表示蟻群選擇的所有SU子集；N為蜂群的維度；RN表示全部SU空間。

蜂群的觀察蜂階段產生新SU子集，將該SU子集傳遞至蟻群。蜂群基于收到的SU子集更新全局信息素值，更新方法為：

(16)

式中:ρ是每個SU的信息素揮發比例；Kbest表示SU子集適應度最優的螞蟻，稱為最優螞蟻。然后，螞蟻基于新的信息素值進行開發操作，根據式(13)的概率生成新的SU子集。新生成的SU子集作為蜂群下一次迭代的新食物源。

4 基于ACO-ABC的PUE檢測算法

提出針對PUE攻擊檢測的ACO-ABC算法，ACO-ABC算法結合了ACO的優點與ABC的優點，以最優的頻譜空間容納所有的SU。ACO-ABC算法的檢測程序共分為6個階段：(1) 信號預處理階段；(2) 種群初始化階段；(3) 雇傭蜂階段；(4) 觀察蜂階段；(5) 偵察蜂階段；(6) 結束階段。

4.1 信號預處理階段

ACO-ABC算法的輸入信號是CRN中SU發向FC的所有報告，因此需要對這些報告進行預處理。首先提取所有發向FC的報告，估計每個報告的噪聲級別，采用文獻[13]的MUSIC算法過濾噪聲，每個SU使用能量檢測方法式(5)計算RSS值。根據RSS值估計信號的位置，分析RSS值來區分PU與PUE攻擊，從而檢測出PUE攻擊。然后，使用距離比檢驗(Distance Ratio Test，DRT)技術決定PU的準確位置。圖4是CRN信號的預處理階段流程。

圖4 CRN信號的預處理階段

4.2 種群初始化階段

假設SU在一個時間點檢測頻譜，感知時長與感知周期是決定頻譜感知成本的兩個主要因素。頻譜感知的成本φ可定義為：

(17)

式中：SJ為感知周期，表示兩次連續感知程序之間的時間間隔；SPi為感知時長，等于SU根據RSS產生決策所需的時間。

ACO-ABC中對標準ABC算法進行了修改，與ACO結合來優化PU頻譜的檢測率。ABC算法中共有三種蜂群：雇傭蜂、觀察蜂與偵察蜂，所有蜂群的目標是最大化食物源的花蜜量，雇傭蜂負責開采食物源。規模為PopS的種群生成一組隨機解，種群的規模等于網絡中SU的數量，將這些解考慮為ACO-ABC算法的食物源，解的格式如圖5所示。

圖5 人工蜂群算法的解表示形式

每個解集為一個二維向量形式，設為Gij，其中i=1,2,…,PopS。每個解集包含若干個解，其中j=1,2,…,gn。初始化階段產生一組隨機解Gij，表示為：

Gij=GL0wj+R×(GUpj-GL0wj)

(18)

式中:R是區間[0,1]的一個隨機數;GL0wj與GUpj分別為Gi解的上界與下界。在生成隨機初始化解之后，ACO-ABC通過迭代程序搜索最優解，每次迭代搜索程序包括三個階段：雇傭蜂階段、觀察蜂階段與偵察蜂階段。最大的迭代次數Maxit由用戶定義。

4.3 雇傭蜂階段

雇傭蜂在隨機解Gij中搜索新食物源NGij，可表示為：

NGij=Gij+αij(Gij-GQj)

(19)

式中:αij為[-1,1]區間的一個隨機數；Q為[1,PopS]區間的一個隨機數。每個信號(解)包括一個參數組，ACO-ABC中考慮了4個認知無線電參數，分別為：信噪比γi、接收的信號強度RSSi、距離比例測試(Distance Ratio Test,DRT)以及頻譜感知的成本φi。每個參數的適應度為：

(20)

為各個適應度值分配不同的權重，計算每個解的適應度函數，適應度函數定義為：

(21)

雇傭蜂的數量等于解的數量。雇傭蜂與觀察蜂共享其已知的蜂巢適應度值，雇傭蜂選擇新的食物源，然后評估新的適應度值Fit(NGij)。將這些新的適應度值與舊值比較，如果新值大于舊值，那么雇傭蜂將舊值替換為新值；否則保留舊食物源，如圖6所示。

圖6 人工蜂群算法的雇傭蜂階段

4.4 觀察蜂階段

不同于原ABC算法，本文隨機選擇一個雇傭蜂作為一個鄰居。然后使用基于輪盤賭機制的鄰居選擇(Neighbors Selection，NS)模塊隨機選擇一個鄰居解Gl。觀察蜂計算指定各個蜂巢解的概率值Pi：

(22)

式中：Fit(Gi)表示解Gi的適應度。基于所有解的概率Pi，選擇其中概率值最高的解作為鄰居解。

選擇一個解之后，觀察蜂基于式(23)產生一個新解：

vj(Gj)=xj(Gj)+φ(xj(Gj)-xl(Gl))

(23)

式中:xj(Gj)是觀察蜂當前解Gj的預測精度；xl(Gl)是鄰居解Gl的預測精度；vj(Gj)是觀察蜂在當前位置產生的新解，如果新解vj大于舊解xj，那么新解替換舊解，否則，保留舊解xj；φ是[0,1]區間的一個隨機數，φ是鄰居選擇模塊的一個參數。式(23)中xj(Gj)與xl(Gl)之間的差值越低，對xj(Gj)的干擾則越低，從而步長隨著搜索過程自適應地降低，最終達到最優解。

記錄當前發現的最優解，將最優解傳遞回蟻群。基于觀察蜂階段的最優解更新蟻群的全局信息素值，更新方法為：

(24)

式中：ρ為信息素的揮發速率；Kbest為當前蟻群的最優解，表示最優螞蟻。然后，螞蟻基于新的信息素值開始開發操作，并且使用式(13)計算概率，生成特征子集。

4.5 偵察蜂階段

原ABC算法的局部開發能力較弱，而ACO的局部開發能力較強，兩個算法的結合有助于解決該缺點。ABC偵察蜂階段保留原ABC算法的處理方法。

4.6 結束階段

評估結束條件如下：在偵察蜂階段結束之后，檢查當前迭代的序號，如果當前迭代的序號達到預設值(Maxit)，那么選擇新生成的解，即獲得了適應度最高的解。然后更新數據庫，基于最優解配置CRN，否則，重復ACO-ABC程序。

4.7 ACO種群與ABC種群的交互

ACO與ABC兩者之間的交互過程如下：

步驟1蟻群根據式(13)-式(14)選擇SU子集，根據式(15)將蟻群生成的SU子集轉化為蜂群的食物源位置。

步驟2蜂群的雇傭蜂階段評估這些SU子集的適應度，將解的相關信息傳遞至觀察蜂，觀察蜂開發可行解，并且選擇最優的SU子集。

步驟3將觀察蜂的結果傳遞回蟻群，并且更新蟻群的全局信息素值。

ACO-ABC算法的優點主要為：(1) 蟻群采用雇傭蜂與觀察蜂的全局搜索程序來決定最優螞蟻與最優SU子集。(2) 雇傭蜂調節蟻群生成的SU子集。(3) 偵察蜂并未生成食物源，而是使用蟻群生成的新SU子集。(4) ACO-ABC的收斂速度快于ACO與ABC算法。

5 實 驗

設計了三組實驗來驗證本文ACO-ABC算法的有效性。CRN、ACO、ABC的相關參數如表2所示。

表2 實驗的參數

5.1 攻擊檢測實驗

第一組實驗首先評估了ACO-ABC的檢測率、漏檢率與錯誤率三個關鍵的CRN網絡性能指標，并將本算法與基于雙邊鄰居的檢測方案(Double Sided Neighbor Detection,DSND)[14]、自適應攻擊檢測機制(Adaptive Attack Detection Mechanism,AADM)[15]兩個算法進行比較，DSND與AADM是近期性能較好的CRN攻擊檢測算法。

實驗結果如圖7所示，可以看出，隨著信噪比(Signal-to-Noise Ratio,SNR)γi的升高，三個算法的攻擊檢測率均升高，而漏檢率與誤檢率則明顯地降低。將本文算法與DSND、AADM兩個算法比較，本文算法的三個性能指標均明顯優于DSND與AADM。

(a) 檢測率與SNR的關系

(b) 漏檢率與SNR的關系

(c) 誤檢率與SNR的關系圖7 三個算法的檢測率、漏檢率與誤檢率結果

5.2 收斂速度實驗

為了評估本文算法的性能，將本文算法與原ABC算法[16]以及增強的ABC算法[17]進行比較，觀察檢測率的收斂情況，原ABC簡稱為RABC(Raw ABC)，增強的ABC算法簡稱為EABC(Enhanced ABC)，結果如圖8所示。

圖8 三個算法檢測率的收斂曲線

因為ACO-ABC算法中每次迭代包括了ACO的局部開發操作與ABC的全局搜索操作，兩者之間具有互相促進的效果。從圖8中的曲線可看出，ACO-ABC算法的收斂速度快于其他兩種ABC算法，并且檢測率也高于其他兩種算法。

5.3 ROC曲線實驗

通過ROC曲線比較本算法與其他四種算法的檢測性能，其他四種算法分別為RABC、EABC、AADM與DSND。網絡中設置10個SU，SNR為-5 dB，圖9(a)是檢測率與虛警率的ROC曲線，(b)是漏檢率與虛警率的RCO曲線。可以看出，本文算法的檢測性能優于其他四種算法，說明本文算法實現了更高的檢測率，以及更低的漏檢率與虛警率。

(a) 檢測率與虛警率的ROC曲線

(b) 漏檢率與虛警率的ROC曲線圖9 攻擊檢測算法的ROC曲線

6 結 語

為了提高認知無線電網絡的攻擊檢測效果，提出了一種基于人工蜂群算法的雙門限認知無線電網絡的攻擊檢測算法。將ACO引入ABC算法中，利用ACO的局部開發能力增強ABC的性能，并且ACO與ABC兩者在迭代過程中相互促進，加快總算法的收斂速度。實驗結果表明，本文算法的收斂速度快于其他兩個ABC算法，并且攻擊檢測的準確率較高，虛警率與漏檢率較低。

本文算法的適應度函數考慮了4個認知無線電的參數，分別為：信噪比、接收的信號強度、距離比例測試以及頻譜感知的成本。未來將研究引入其他的認知無線電參數，并且考慮不同參數的權重分配機制，從而進一步優化攻擊檢測的性能。