13、基于人工神经网络的机器学习方法检测物联网恶意节点

最新推荐文章于 2025-09-26 12:22:51 发布

随身带U盘

最新推荐文章于 2025-09-26 12:22:51 发布

阅读量23

点赞数

CC 4.0 BY-SA版权

分类专栏：智能系统前沿：机器学习与物联网文章标签：物联网安全恶意节点检测人工神经网络(ANN)

本文链接：https://blog.csdn.net/vscode5coder/article/details/151010295

智能系统前沿：机器学习与物联网专栏收录该内容

59 篇文章 ¥499.90

订阅专栏¥69.90

会员秒杀 ¥9.9 重磅福利

超级会员免费看

基于人工神经网络的机器学习方法检测物联网恶意节点

1. 引言

物联网设备的应用前景广泛，涵盖智能家居、医疗保健、公共安全、监控以及环境安全等领域，并且其普及程度预计将持续增长。在物联网中，不同设备相互连接并共享数据。在多跳网络里，传感数据通常会经过多个设备中继后才到达聚合节点，聚合节点的数据可用于辅助用户进行决策。如今，许多物联网协议采用网状拓扑结构，如Z - Wave、Thread、Zig - Bee/IEEE 802.15.4等。具备多跳路由功能的设备能够与相邻设备甚至汇聚节点进行通信。

然而，物联网在快速发展的同时，也面临着诸多安全风险。由于物联网网络的复杂性，物联网设备容易受到各种攻击。攻击类型主要分为被动攻击和主动攻击：
- 被动攻击 ：攻击者通过无线控制监听节点间的通信，由于其仅收集数据而不进行修改，很难被发现。
- 主动攻击 ：例如黑洞攻击、女巫攻击等，攻击者会主动引入虚假信息、丢弃和操纵数据包，严重影响网络协议，威胁网络的可用性和完整性。

此外，攻击还可根据来源分为外部攻击（来自网络外部节点）和内部攻击（来自网络内部已授权节点的非法访问）。

及时识别恶意节点至关重要，因为若不及时清除，它们会对系统和网络功能造成严重损害。众多学术研究聚焦于恶意活动和流量的检测与识别。本研究采用一种正式的方法，首先认为回归分析的声誉模型适合描述节点，进而定义网络节点和路由的可信度之间的联系。然后，使用线性回归（GD）和支持向量机（SVM）算法来学习节点的可信度和恶意程度，这两种方法都能根据给定数据调整检测模型，从而识别出声誉最可靠的节点。

随着物联网

会员秒杀 ¥9.9 重磅福利

超级会员免费看