科研学术

       近日，光电科学与工程学院2020级本科生王浩祯在计算机科学领域顶级期刊Information Sciences上发表了题为《GD3N: Adaptive clustering-based detection of selective forwarding attacks in WSNs under variable harsh environments》的研究性论文。王浩祯同学为该论文第一作者，光电学院吴援明教授为论文通讯作者，光电学院为论文第一单位。

       Information Sciences是国际业界公认的在信息系统、人工智能领域的顶级学术期刊，收录内容广泛包括人工智能以及机器学习算法在计算机领域的创新与应用。该期刊系JCR一区，中国科学院Computer Science大类一区Top期刊。

       由于无线传感器网络被部署在开放环境中，其极易遭受到许多攻击。其中，以选择性转发攻击最为难检测，因为恶意节点会模仿正常节点的转发行为，并且随机丢弃数据包，导致从转发行为上很难分辨它们与正常节点。本研究工作致力于检测潜伏在网络中的恶意节点，并且提出了同时具有低计算复杂度和高检测精度的检测方案：GD3N算法。

图1. GD3N的检测流程图

       GD3N算法具有三个创新点，分别是全新的能够同时反映节点长短期转发行为的二维数据点；改良复杂度的Gradient Diffusion Density-based Spatial Clustering of Applications with Noise (GD-DBSCAN)聚类算法；以及根据全新二维数据点改进的Double-Parameter Neighbor Voting (DP-NV)方法。如图1所示，GD3N工作分为两个主要步骤，第一步是利用全新的GD-DBSCAN聚类算法聚类数据点，将所有节点分为正常和怀疑两类，第二步是针对怀疑节点运行DP-NV方法，进一步确认节点的类型是正常还是恶意。

图2. 网络部署图

       在仿真过程中，研究者设置了不同比例的恶意节点，并且设置了一个每十轮变换一次位置的恶劣环境来模拟现实中存在的信道质量不佳情况。图2是研究者用Matlab仿真的网络部署图，不同颜色的圆点代表不同类型的节点。在进行了大量的仿真实验后，实验平均误检率（False Detection Rate, FDR）低于2%，平均漏检率（Missed Detection Rate, MDR）低于10%，平均检测正确率（Detection Accuracy Rate, DAR）高于95%，证明了检测方案的有效性。同时，经过对检测方案的复杂度进行分析，GD3N方案的检测复杂度远低于同类型检测方案。

图3. 系统平均漏检率（MDR）和误检率（FDR）

       论文链接：https://doi.org/10.1016/j.ins.2024.120375