無線傳感器網絡數據注入攻擊風險預警方法研究

中圖分類號：F810.7 文獻標志碼：A

0 引言

嵌入式、傳感、通信等技術的快速發展，無線傳感器網絡（WirelessSensorNetworksSystem，WSNS）應運而生。在復雜多變的環境中，微傳感器節點能夠快速適應并持續工作，通過協同感知，可獲取更為全面、準確的目標信息。多跳路由協議的運用，有效解決了節點與匯聚節點間遠距離通信的難題，保障了信息能穩定、高效地傳輸至Sink或基站，為后續數據處理和分析奠定基礎。

丁朝暉等[基于多維信息源的應用，設計了針對網絡信息安全的分析方法。該方法能夠有效地提高工業控制系統的安全性。此方法雖然在提高報警準確性、對報警信息的集中化處理上取得很好的效果，但在復雜的網絡環境中，對未知威脅的識別效果較差，且在實際應用中還會遇到數據量巨大和處理效率低下等問題。聞宇等2通過對獨立分量分析（IndependentComponentAnalysis，ICA）與前饋神經網絡（FeedforwardNeuralNetwork，FNN）的相互結合，設計了多模式預警方法。在設計中，應用獨立分量分析方法，進行多源異質監測數據去噪并利用模糊神經網絡，在時序上實現異常事件的檢測，以提高預警的精度與時效性。但該方法在處理極端復雜或稀有的異常情況時辨識效果較差。無線傳感網絡憑借感知靈敏等優點，在眾多領域得到廣泛應用。本文對無線傳感器網絡數據注入攻擊風險預警方法進行了研究，以提供全技術保障。

1無線傳感器網絡數據篩選

為實現無線傳感器網絡數據注入攻擊風險預警，須采集無線傳感器網絡數據，對其進行預篩選，以排除相關因素對風險檢測與預警造成的影響[3]。通常情況下，無線傳感器網絡使用多個傳感節點進行觀測，所獲取的數據之間存在時域相關性，從而導致頻譜稀疏。如在傳感器失效或者外界因素變化時，采集到的數據會出現異常，既有在頻率域內也有在時間域上稀疏的異常成分[4]。為避免異常成分對預警結果造成影響，對時域上的稀疏異常成分進行處理，計算公式如式（1）所示。

公式（1）中， X_i 表示時域上的稀疏異常成分 i 的處理; ψ 表示傳感器記錄數據； I 表示正常數據分量；z₁^N，z₂^N，z₃^N 為第1、2、3個稀疏異常分量。在此基礎上，應用無線傳感器網絡的觀測數據聯合稀疏重建方法，建立多維正交變換矩陣，已經終端傳感器的數據為 J 則傳感器采集的多維數據可通過公式（2）表示。

C={x₁，x₂，…，x_J}^T

公式（2）中， C 表示傳感器采樣數據； x₁，x₂，… x_J 為采樣數據維度（最大維度為 J ，對應傳感器最大數量 J ）； T 表示采樣數據頻率。在此基礎上，標記傳感數據中的特殊分量，對其進行統一的格式轉換，去除冗余數據、重復數據，整理剩余分量數據[5]。對其進行歸一化處理，過程計算公式如式（3）所示。

公式（3）中， 表示預處理后的無線傳感器網絡數據; x_J，min?x_J，max 表示傳感器采樣數據中的最小值與最大值。輸出處理后的數據，保留價值數據，完成無線傳感器網絡數據篩選。

2基于貝葉斯模型的數據注入攻擊風險識別

完成上述設計后，引進貝葉斯模型，對篩選后的無線傳感器網絡數據進行注入攻擊風險的識別。在此過程中，將預處理后的無線傳感器網絡數據 劃分為3個部分，分別為訓練數據集 A₁ 、驗證數據集 A₂ 和測試數據集 A₃ ，其中 A₁ 用于構建數據注入攻擊風險識別模型， A₂ 用于檢驗 A₁ 的準確性。通過對 A₁ 的訓練，辨識異常風險數據[6]。在此過程中，構建 A₁ 內數據的正態化分布函數，表達式如式（4）所示。

公式（4）中， K 表示正態化分布函數； N 表示 A₁ 數據量; γ 表示數據密度。通過上述方式，掌握 A₁ 中不符合正態化特征的分段數據，篩選此部分數據，將其作為無線傳感網絡中的風險數據[7]。計算風險數據的概率密度，表達式如式（5）所示。

公式（5）中， G 表示風險數據的概率密度； σ 表示數據均值； λ 表示數據方差。完成上述計算后，為提高風險數據識別的準確性，引進貝葉斯因子，檢驗樣本數據在風險識別中的支持度，計算公式如式（6）所示。

公式（6）中， B 表示樣本數據在風險識別中的支持度; σ₁ 表示貝葉斯因子。如計算后 B 顯著 ，說明樣本對風險識別的支持度較高，反之，說明樣本對風險識別的支持度較差。在此基礎上，本文采用3個均方誤差、擬合優度、貝葉斯置信度，對 A₁ 的訓練與風險識別結果進行可靠性檢驗。在提出的指標中，均方誤差值越小且擬合優度越趨近1.0，說明 A₁ 的訓練與風險識別結果準確性和可信度越高。均方誤差雖可反映預測值與真實值的偏差，但對不同樣本數的情形，則不具可讀性。擬合優度反映預測值與實際值之間的符合度以及與直接求平均值相比所具有的優勢度。貝葉斯模型則通過對上述2種結果的擬合，將多種不確定因素納入其中并利用 A₁ 先驗信息對識別結果進行定量化，選擇定量化結果最小的訓練方案，將其作為數據注人攻擊風險識別中的最優方案，實現基于貝葉斯模型的數據注入攻擊風險識別。

3無線傳感器網絡風險預警

在識別數據注入攻擊風險的基礎上，本文采用設定閾值的方式，進行無線傳感器網絡風險預警的設計。在此過程中，收集識別結果中的最大正向殘差數據、最大負向殘差數據，將其表示為 ，即 分別表示無線傳感網絡在運行中的數據上極限閾值與下極限閾值。

完成風險預警閾值的設計后，將采樣數據的監測值與均值進行殘差計算。計算公式如下。

公式（7）—（8）中： L₁，L₂ 表示無線傳感器網絡數據注入攻擊風險監測結果殘差; η_j 表示監測結果; E_j 表示期望值； 表示期望值均值。如某時刻點存在監測數據殘差值超過設計閾值的上限或下限，觸發預警。

為確保預警可以達到預期效果，本文選擇無線傳感器網絡中的DL-22模塊作為預警模塊。DL-22組件的工作頻率是 2.4Hz ，傳播范圍廣且信號的穿透能力強，因此，適用于各個通信終端之間無線傳感網絡的數據傳送。該模塊可根據無線傳感網絡的規模，設計點對點的最高傳輸速度最大值為 3300bps ，滿足數據傳輸需求。通過此模塊進行預警信號的傳輸，實現無線傳感器網絡數據注人攻擊風險預警方法的設計。

4實例應用分析

4.1實驗準備

完成上述設計后，為實現對無線傳感器網絡的實時監測，在每個通信節點上設置數據自動采集程序，采集的數據由A/D變換器將其轉化為可用于監測的數字信號傳送到后臺。在此基礎上，集成8位單片機，利用其低功耗、高性能等特點進行采樣數據的終端處理。此單片機包含中央處理器（CPU）8位處理器、存儲器、并行輸入（I/O）輸出端口和中斷系統（5個中斷源）等，在測試環境中，可以通過連接時鐘電路、復位電路組成一個微型的應用系統。

在此基礎上，終端配置DL-22作為無線傳感器網絡的模塊。DL-22組件的頻率是 2.4Hz ，傳輸范圍超過 650m ，穿透能力很強，因此，能夠較好地適應各個節點之間的數據傳送，其點到點的傳輸速率最高可以達到 3300bps ，能夠滿足測試中數據傳輸需求。為排除實驗中相關參數的影響，在完成上述內容設置的基礎上，設計參數如表1所示。

表1測試終端環境技術參數

完成上述設置后，本文根據測試環境的技術規范，完成無線傳感器網絡數據注入攻擊風險預警方法測試前的相關準備工作。

4.2無線傳感器網絡數據注入攻擊風險跟蹤

風險追蹤旨在監控評估數據注入攻擊，通過實時監測分析網絡業務，檢測異常并評估危害，精確追溯攻擊源，采取防范措施，對其進行風險追蹤。對該指標進行檢驗，結果如圖1所示。

從圖1中可以看出，應用本文方法進行無線傳感器網絡數據注入攻擊風險檢測與跟蹤，可以精準識別無線傳感器網絡數據注入攻擊風險的路徑，識別跟蹤的結果與數據注人攻擊的實際路徑相匹配。

圖1無線傳感器網絡數據注入攻擊風險跟蹤

4.3無線傳感器網絡數據多路徑注入攻擊風險預警

參照圖1，模擬無線傳感網絡中多條路徑存在注入攻擊，檢驗本文方法是否能在應用中實現對應風險路徑的預警，結果如圖2一3所示。

圖2無線傳感器網絡數據多路徑注入攻擊

由圖2、圖3所示的實驗結果可以看出，應用本文方法進行無線傳感器網絡數據注入攻擊風險預警，預

圖3多路徑注入攻擊預警

警的結果與注入風險的路徑一致，說明本文方法可以實現對多路徑注入攻擊的預警。

4.4注入攻擊風險預警時延

在無線傳感器網絡中，注人攻擊的時間延遲是衡量無線傳感器網絡預警方法安全反應能力的重要指標。該指標主要表示預警方法的時效性，即攻擊者進行一次注人攻擊和終端成功發送警報信息之間的時間間隔。時間間隔越短，說明終端可以發現異常的效率越高。以此方式實現對注入攻擊風險預警時延的檢驗，結果如圖4所示。

圖4注入攻擊風險預警時延

從圖4可以看出，應用本文方法進行注入攻擊風險預警，可以確保風險預警時延 lt;1s ，達到期望值標準，提高了無線傳感器網絡風險預警的及時性。

5結語

無線傳感器網絡節點部署抗截獲能力確較差，導致網絡極易被捕獲，進而面臨嚴峻的安全威脅。攻擊者能夠借助通信協議，非法獲取并修改密鑰等敏感信息，而且攻擊手段不斷更新，攻擊者既可單獨利用惡意節點發動攻擊，也能協同多個惡意點實施攻擊，最終造成信息泄露，產生虛假報警，大量消耗網絡資源，使網絡生存期大幅度縮短。目前，現有的認證機制難以有效應對。本研究通過數據篩選、基于貝葉斯模型進行風險識別以及風險預警完成研究并證實該方法切實可行。后續將加大推廣力度以實現風險的及時感知、精準決策與有效預警，切實保障無線傳感器網絡的安全穩定運行，降低安全威脅帶來的損失，延長網絡生存期。

參考文獻

[1]丁朝暉，張偉，楊國玉，等.多維工控系統網絡安全風險監測預警系統研究與應用[J].電子技術應用，2023（2） ：76-79.

[2]聞宇，陳艷霞，李菁，等.一種基于ICA-FNN的多模型高壓網絡保護設備異常狀態風險預警方法[J].電力科學與技術學報，2024（4）：78-83.

[3]朱國慶，陳燕，郎坤，等.信息生態視角下森林火災網絡與情風險預警研究[J].東北大學學報（自然科學版），2023（8）：1208-1216.

[4]聶現會，解亞龍，劉紅良.山區鐵路沿線生態環境風險“智能化+一體化”管理研究[J].鐵道標準設計，2023（9）：182-189.

[5]李成剛，賈鴻業，趙光輝，等.基于信息披露文本的上市公司信用風險預警：來自中文年報管理層討論與分析的經驗證據[J].中國管理科學，2023（2）：18-29.

[6]曹耀威，張友棠.房地產企業融資錯配風險智能預警研究：基于“三條紅線”政策視角［J].財會通訊，2023（20） ：108-115.

[7]吳泳釗，顏海娜.人工智能何以驅動基層注意力敏捷分配：基于S市“河湖風險預警系統”的個案研究[J].理論與改革，2024（4）：128-148.

（編輯 王雪芬）

Research on risk warning method of data injection attack in wireless sensor network

YANG Mengmeng，PENG Siyu*，YANG Zhixue，SHA Sha （Department of Information Engineering，Changji University， Changji 8311Oo，China）

Abstract：To ensure the security of network communication and transmission，and toachievereal-time tracking and earlywarning ofrisks，thispaper designsa method forpredicting data injectionattackrisks in wirelesssensor networks.It processes sparse anomalies in the time domain to screen wireless sensor network data; introduces Bayesian models to identifydata injectionattack risksinthescreened data;and，basedon identifying data injectionattack risks，designsa wirelesssensor network risk warning system bysetting thresholds.Practical resultsshow that the designed method notonly tracks therisk pathsof data injection attacks in wireless sensor networksbutalso ensures early warnings for multiple injection attck nodes，controling the delay of risk warnings within the expected range.

Keywords：wirelessensor network;data screening; Bayesian model;early warning method;attack risk；data injection