شناسایی گره های مخرب در شبکه های حسگر بی سیم بر اساس تشخیص همبستگی

عنوان فارسی مقاله:شناسایی گره های مخرب در شبکه های حسگر بی سیم بر اساس تشخیص همبستگی

چکیده

شبکه حسگر بی سیم (WSN) یک شبکه بی سیم چند هاپ است که شامل چندین گره حسگر است که به شیوه ای خودسازماندهی مرتب شده اند. این شبکه معمولاً در مناطق حساس مستقر می شود که در آن گره های حسگر می توانند به راحتی تحت حمله مهاجمانی قرار گیرند که می توانند با تزریق داده های نادرست بر نتایج تشخیص تأثیر بگذارند. این مقاله یک روش شناسایی گره مخرب را بر اساس تئوری همبستگی پیشنهاد می‌کند که از حملات تزریق داده‌های خطا جلوگیری می‌کند. ابتدا، ناهنجاری‌ها در میان انواع مشابه داده‌های حسگر بر اساس همبستگی زمانی شناسایی می‌شوند. دوم، گره های مخرب بر اساس همبستگی فضایی شناسایی می شوند. سوم، گره های مخرب شناسایی شده بر اساس همبستگی رویداد تأیید می شوند. نتایج تجربی و مقایسه آنها با روش‌های موجود نشان می‌دهد که طرح پیشنهادی نسبت به مدل اعتبار فازی سنتی و روش‌های مبتنی بر اعتماد وزنی، یادآوری بهتری با نرخ‌های مثبت کاذب و منفی کاذب پایین‌تر دارد(شناسایی گره های مخرب در شبکه).

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Identifying malicious nodes in wireless sensor networks based on correlation detection

Abstract

The wireless sensor network (WSN) is a multi-hop wireless network that comprises multiple sensor nodes arranged in a self-organized manner. It is usually deployed in unattended areas where sensor nodes can easily be infiltrated by attackers who can affect the detetion results by injecting false data. This paper proposes a malicious-node identification method based on correlation theory that prevents fault data injection attacks. First, anomalies among similar types of sensor data are detected based on time correlation. Second, malicious nodes are identified based on spatial correlation. Third, the identified malicious nodes are verified based on event correlation. The experimental results and their compare son with those of existing methods show that the proposed scheme has better recall with lower false-positive and false-negative rates than those of the traditional fuzzy reputation model and weighted-trust-based methods.