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(wǎng)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(xiàn)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(fā)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(chǎn)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(yōu)化問題的模型[3]，其主要目標是尋找最優(yōu)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(yōu)化算法[5]、強力搜索算法(Intense Explore algorithm)[6]、在線學習優(yōu)化算法[7]等已經(jīng)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(jù)文獻[8]的實驗與分析結(jié)果，總結(jié)出人工蜂群算法(Artificial Bee Colony,ABC)的性能總體優(yōu)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(fā)能力較弱，導致ABC的收斂速度與解質(zhì)量依然具有提高的空間[9-10]。

ABC算法具有結(jié)構(gòu)簡潔、控制參數(shù)少、無需梯度信息等優(yōu)點，目前被廣泛地應用于網(wǎng)絡的安全領域[11]。本文將ABC應用于認知無線電網(wǎng)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(fā)能力并且加快收斂速度，將蟻群優(yōu)化(Ant Colony Optimization,ACO)引入ABC算法中，利用ACO的局部開發(fā)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(wǎng)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，F(xiàn)C)。

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(fā)送報告消息，F(xiàn)C根據(jù)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(fā)現(xiàn)信號，導致SU4放棄f5，并且聲明發(fā)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(qū)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(tǒng)模型

CRN網(wǎng)絡的系統(tǒng)模型如圖2所示，假設網(wǎng)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(xiàn)本地頻譜感知，根據(jù)信道狀態(tài)判斷信道是否被占用。然后K個SU向FC發(fā)送報告，F(xiàn)C綜合所有的報告做出最終的決策。

圖2 CRN網(wǎng)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(guān)于信道狀態(tài)的本地決策。根據(jù)PU、PUE兩者是否存在共有4種信道狀態(tài)，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(shù)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，F(xiàn)C做出PU信號是否存在的全局決策：

YSUi=SEi+ni

(6)

在傳統(tǒng)的頻譜協(xié)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(tǒng)模型中存在四個可能性：H0PU、H1PU、H0PUEA、H1PUEA，如表1所示。發(fā)送到FC的報告是一個2比特數(shù)據(jù)，表示四種信號狀態(tài)。

表1 本系統(tǒng)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(qū)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(fā)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(fā)送“10”；如果SEi小于θPU、大于βPUE，那么SU聲明僅PUE存在，向FC發(fā)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(fā)送“11”。

FC根據(jù)所有SU收集的報告，為每個報告分配一個非負權(quán)重Wi，F(xiàn)C計算全局值YFC：

(8)

式中：Wi是第i個SU的權(quán)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(wǎng)絡的PUE攻擊行為。通信檢測系統(tǒng)中的優(yōu)化目標主要是最大化網(wǎng)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?？傚e誤率PEr是FC產(chǎn)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(guān)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(guān)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(shù)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(shù)，取值范圍為0～1。在所有蟻群結(jié)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(chǎn)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(fā)比例；Kbest表示SU子集適應度最優(yōu)的螞蟻，稱為最優(yōu)螞蟻。然后，螞蟻基于新的信息素值進行開發(fā)操作，根據(jù)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(jié)合了ACO的優(yōu)點與ABC的優(yōu)點，以最優(yōu)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(jié)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(fā)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(fā)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(jù)RSS值估計信號的位置，分析RSS值來區(qū)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(shù)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(xù)感知程序之間的時間間隔；SPi為感知時長，等于SU根據(jù)RSS產(chǎn)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(jié)合來優(yōu)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(guī)模為PopS的種群生成一組隨機解，種群的規(guī)模等于網(wǎng)絡中SU的數(shù)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(chǎn)生一組隨機解Gij，表示為：

Gij=GL0wj+R×(GUpj-GL0wj)

(18)

式中:R是區(qū)間[0,1]的一個隨機數(shù);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(yōu)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(shù)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(qū)間的一個隨機數(shù)；Q為[1,PopS]區(qū)間的一個隨機數(shù)。每個信號(解)包括一個參數(shù)組，ACO-ABC中考慮了4個認知無線電參數(shù)，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(shù)的適應度為：

(20)

為各個適應度值分配不同的權(quán)重，計算每個解的適應度函數(shù)，適應度函數(shù)定義為：

(21)

雇傭蜂的數(shù)量等于解的數(shù)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?；谒薪獾母怕蔖i，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(chǎn)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(chǎn)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(qū)間的一個隨機數(shù)，φ是鄰居選擇模塊的一個參數(shù)。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(yōu)解。

記錄當前發(fā)現(xiàn)的最優(yōu)解，將最優(yōu)解傳遞回蟻群?；谟^察蜂階段的最優(yōu)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(fā)速率；Kbest為當前蟻群的最優(yōu)解，表示最優(yōu)螞蟻。然后，螞蟻基于新的信息素值開始開發(fā)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(fā)能力較弱，而ACO的局部開發(fā)能力較強，兩個算法的結(jié)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(jié)束階段

評估結(jié)束條件如下：在偵察蜂階段結(jié)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(shù)據(jù)庫，基于最優(yōu)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(jù)式(13)-式(14)選擇SU子集，根據(jù)式(15)將蟻群生成的SU子集轉(zhuǎn)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(guān)信息傳遞至觀察蜂，觀察蜂開發(fā)可行解，并且選擇最優(yōu)的SU子集。

步驟3將觀察蜂的結(jié)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(yōu)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(yōu)螞蟻與最優(yōu)SU子集。(2) 雇傭蜂調(diào)節(jié)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(guān)參數(shù)如表2所示。

表2 實驗的參數(shù)

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(guān)鍵的CRN網(wǎng)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(jié)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(yōu)于DSND與AADM。

(a) 檢測率與SNR的關(guān)系

(b) 漏檢率與SNR的關(guān)系

(c) 誤檢率與SNR的關(guān)系圖7 三個算法的檢測率、漏檢率與誤檢率結(jié)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(jié)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(fā)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(wǎng)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?？梢钥闯?，本文算法的檢測性能優(yōu)于其他四種算法，說明本文算法實現(xiàn)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(jié) 語

為了提高認知無線電網(wǎng)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(wǎng)絡的攻擊檢測算法。將ACO引入ABC算法中，利用ACO的局部開發(fā)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(jié)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(shù)考慮了4個認知無線電的參數(shù)，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(shù)，并且考慮不同參數(shù)的權(quán)重分配機制，從而進一步優(yōu)化攻擊檢測的性能。