摘要： 針對認知無線電網(wǎng)絡中的頻譜感知數(shù)據(jù)偽造（spectrum sensing data falsification， SSDF）攻擊問題，提出一種基于哈里斯鷹優(yōu)化（Harris hawks optimization， HHO）算法和支持向量機（support vector machine， SVM）的抗SSDF攻擊協(xié)作頻譜感知方法。首先從報告信息矩陣中提取用于區(qū)分次用戶（secondary users， SU）類別的特征向量。其次通過HHO算法優(yōu)化SVM內核參數(shù)，通過優(yōu)化的SVM模型檢測惡意SU，提高了在復雜感知環(huán)境中對SU分類的準確率。最后根據(jù)優(yōu)化的SVM模型計算獲得SU的可信度，并以可信度為權重融合感知數(shù)據(jù)，進一步加強系統(tǒng)的抗攻擊性。仿真結果表明，所提方法能夠對不同的SSDF攻擊場景實現(xiàn)有效防御，相比現(xiàn)有的方法具有更好的頻譜感知性能。

關鍵詞： 頻譜感知; 頻譜感知數(shù)據(jù)偽造攻擊; 支持向量機; 加權融合

中圖分類號： TN 92

文獻標志碼： A

DOI：10.12305/j.issn.1001-506X.2024.06.33

Cooperative spectrum sensing method based on HHO-SVM for resisting SSDF attacks

WANG Quanquan^1，*， GU Zhihao¹， WU Chengkun²， WAN Ting¹

（1. School of Communication and Information Engineering， Nanjing University of Posts and

Telecommunications， Nanjing 210003， China; 2. State Radio Monitoring Center， Beijing 100037， China）

Abstract： Aiming at the problem of spectrum sensing data falsification （SSDF） attacks in cognitive radio networks， a cooperative spectrum sensing method based on Harris hawks optimization （HHO） algorithm and support vector machine （SVM） for resisting SSDF attacks is proposed. Firstly， feature vectors are extracted from the report information matrix to distinguish the category of secondary users （SU）. Secondly， the SVM kernel parameters are optimized with HHO algorithm， and the malicious SU are detected by the optimized SVM model， which improves the accuracy of SU classification in complex sensing environments. Finally， the reliability of SU are calculated according to the optimized SVM model， and the sensing data is fused with credibility as a weight to further strengthen the anti attack capability of the system. Simulation results show that the proposed method can effectively defend against different SSDF attack scenarios， and has better spectrum sensing performance compared with the existing methods.

Keywords： spectrum sensing; spectrum sensing data falsification （SSDF） attack; support vector machine （SVM）; weighted fusion

0 引 言

認知無線電（cognitive radio， CR）技術在提高頻譜資源利用率方面發(fā)揮著極其重要的作用^［1］。頻譜感知是CR中的關鍵技術，通過對周圍的頻譜環(huán)境進行實時檢測從而獲取主用戶（primary users， PU）活動狀態(tài)。協(xié)作頻譜感知利用次用戶（secondary users， SU）的多樣性提高了感知性能，但非常容易受到頻譜感知數(shù)據(jù)偽造（spectrum sensing data falsification， SSDF）攻擊^［2］的影響，導致系統(tǒng)性能嚴重降低。

SSDF攻擊中的惡意SU（malicious SU， MSU）具有攻擊方式多樣性、群體規(guī)模性以及身份隱蔽性等特點^［3］。通常，根據(jù)SU的報告數(shù)據(jù)在某些統(tǒng)計特性上分布的差異性，可以較為有效地區(qū)分MSU。文獻［4］提出了一種基于M-ary量化數(shù)據(jù)的協(xié)作頻譜感知模型，通過比較SU報告信息的歷史記錄識別異常值，在數(shù)據(jù)融合部分采用自適應線性加權的方式提高了系統(tǒng)的魯棒性。丁詩銘等^［5］結合距離判別法對SU鄰居節(jié)點進行能量分類，并通過與本地結果對比來識別MSU，使得感知系統(tǒng)獲得了較高檢測概率，但是該方法難以有效檢測攻擊行為變化的MSU。此外，利用基于最小均方誤差的維納濾波器對目標信號進行估計也能有效抵御概率型SSDF攻擊^［6］，但是該方法需要計算復雜的門限值。

通過建立信譽度機制評估SU的歷史行為，能夠識別隱蔽性較強的MSU。文獻［7］提出了一種基于貝葉斯推理的滑動窗口信任模型，通過將來自多個子滑動窗口的感知信息進行加權組合，得到每個SU的信譽度，能夠在大規(guī)模的攻擊場景下有效識別MSU。文獻［8］使用beta信譽模型，根據(jù)各SU的歷史感知行為實時更新信譽度，并按照信譽度大小分配權重，有效削弱了SSDF攻擊的影響，提高了頻譜感知性能。為了適應多種攻擊場景，文獻［9］結合置信傳播算法提出了一種基于SU分組的信譽模型方案，通過比較置信傳播算法本地函數(shù)的偏差對SU進行分組，在數(shù)據(jù)融合階段前過濾掉MSU，提高了感知結果的準確性并且降低了復雜度，能夠實現(xiàn)置信值的快速收斂。Xu等提出了一種用于識別MSU的雙重信譽機制^［10］，通過聯(lián)合優(yōu)化感知持續(xù)時間、能量檢測閾值、SU信譽閾值和全局檢測閾值實現(xiàn)吞吐量的最大化，但是該方法僅適用于MSU較少的情況。Ren等重點考慮了SSDF防御的能效問題，在文獻［11］中設計了一種基于非對稱獎懲機制的信譽度評估方案，實現(xiàn)了安全節(jié)能的頻譜感知，但是該方法適用的CR網(wǎng)絡場景有限。

近年來，基于機器學習（machine learning， ML）的頻譜感知方法也引起了廣泛關注，文獻［12］提出了一種基于聚類算法的MSU檢測技術，通過對SU的報告數(shù)據(jù)進行聚類實現(xiàn)MSU的識別，解決了傳統(tǒng)基于統(tǒng)計特性檢測需要計算門限值的問題。針對確定性攻擊和高斯白噪聲（white Gaussian noise， WGN）攻擊兩種場景，文獻［13］提出了一種關于MSU檢測的低復雜度聚類算法，降低了算力開銷。文獻［14］使用SU報告的感知能量作為特征值，提出了一種基于SVM的SU分類方法，提高了融合中心（fusion center， FC）全局判決的穩(wěn)定性，但是該方法的分類準確率受噪聲影響較大。文獻［15］將自適應的ML算法應用于動態(tài)的SSDF攻擊場景，利用深度Q學習算法并引入獎勵和懲罰因子來建立評估SU可靠性的機制，有效提高了頻譜感知的安全性，但是該方法需要大量的訓練數(shù)據(jù)。

目前，多數(shù)文獻對SSDF攻擊中的SU數(shù)據(jù)特征考慮較為單一，當面對復雜的攻擊場景時，不能準確有效地識別MSU，因此未能充分降低攻擊對系統(tǒng)的影響。本文針對多種場景下的聯(lián)合概率型SSDF攻擊，提出一種基于哈里斯鷹優(yōu)化-支持向量機（Harris hawks optimization-support vector machine，HHO-SVM）的抗SSDF攻擊協(xié)作頻譜感知方法，通過結合MSU檢測和感知數(shù)據(jù)融合兩個方面實現(xiàn)SSDF攻擊的防御，加強頻譜感知系統(tǒng)的安全性。

1 系統(tǒng)模型

圖1為本文SSDF攻擊下的集中式協(xié)作頻譜感知模型，該模型由1個PU、1個FC和K個SU組成，其中包含若干個MSU^［16］。FC負責接收信號矩陣并對感知結果作出判決，如果PU信號不存在，則允許SU接入PU信道使用頻譜資源^［17］。

假設H₀和H₁分別表示PU信號不存在和存在，則SU在t時刻的接收信號Y（t）可以用二元假設表示^［18］：

Y（t）=n（t）， H₀

s（t）·h（t）+n（t）， H₁（1）

式中：s（t）表示t時刻的PU信號;n（t）表示t時刻的均值為0、方差為σ²_n的WGN，PU信號和噪聲信號被建模為圓對稱復高斯隨機變量且兩者獨立分布;h（t）為t時刻的傳輸信道增益。對接收信號Y（t）進行采樣獲得采樣信號向量y=［y（1）， y（2），…， y（N）］，N為采樣點數(shù)^［19］。

假設MSU對FC發(fā)動聯(lián)合概率型攻擊并采用加性WGN隨機變量偽造感知結果的方式，即加性WGN攻擊，其攻擊值可以寫為如下形式^［20］：

y_a～N （μ_a，σ²_a）

式中：μ_a=Δ·μ為攻擊值的均值，Δ表示攻擊強度，μ為MSU接收到的采樣信號向量y的均值;σ²_a為攻擊值的方差。MSU根據(jù)本地判決結果和攻擊策略進行數(shù)據(jù)偽造，能量檢測下MSU的判決門限值為

λ=σ²_n（2/N·Q^－1（P_f）+1）（2）

式中：Q^-1（x）為互補累計分布函數(shù)Q（x）的反函數(shù);P_f為設定的虛警概率^［21］。

本文重點研究報告空閑攻擊（reporting idle attacks， RIA）、報告繁忙攻擊（reporting busy attacks， RBA）和報告錯誤攻擊（reporting 1 attacks， RFA）^［22］。特別地，在RFA攻擊下，MSU需將接收信號能量E與λ進行對比，根據(jù)結果偽造錯誤數(shù)據(jù)，報告錯誤攻擊的形式可以表示為

y_a，RFA～N （μ_a，RIA，σ²_a，RIA）， Egt;λ

N （μ_a，RBA，σ²_a，RBA）， E≤λ

式中：μ_a，RIA和μ_a，RBA分別表示RIA和RBA下的攻擊值的均值，對應的攻擊強度分別為Δ_RIA和Δ_RBA;σ²_a，RIA和σ²_a，RBA分別表示RIA和RBA下的攻擊值的方差。

2 構建感知數(shù)據(jù)特征向量

假設U個MSU隨機分布在K個SU中，y_i=［y_i（1），y_i（2），…，y_i（N）］表示第i個SU向FC上傳的信號向量。則SU上傳的采樣信號集合可以表示為矩陣形式^［23］：

概率型攻擊下，第u個MSU上傳的數(shù)據(jù)向量可以表示為：y′ _u=［y′ _u（1），y′ _u（2），…，y′ _u（N）］，其中第n個采樣點處的攻擊值y′ _u（n）的表達式為

y′_u（n）=y_a，u（n）， P_a

y_u（n）， 1-P_a（4）

式中：n=1，2，…，N;u=1，2，…，U;P_a為發(fā)動攻擊的概率^［24］。

本文方法根據(jù)所有SU上傳信號的能量特征值、標準差特征值和平均距離特征值來衡量SU的可靠性。其中，能量特征值E可以較好地反映SU上傳信號的幅值情況，標準差特征值S可以較好地反映SU上傳數(shù)據(jù)的穩(wěn)定性，而平均距離特征值D可以較好地反映SU與其他SU報告數(shù)據(jù)的相似性。第i個SU的能量特征值^［25］為

E_i=1N∑Nn=1|y_i（n）|²（5）

第i個SU的標準差特征值為

S_i=1N∑Nn=1（y_i（n）－μ_i）²（6）

其中，均值μ_i的計算公式為μ_i=1N∑Nn=1y_i（n），第i個SU的平均距離特征值D_i表示向量y_i到其他K-1個SU上傳的信號向量的平均距離，其表達式為

D_i=1K－1∑Kj=1y_i－y_j， j≠i（7）

式中：·表示求向量的模。

對于一次報告下的信號矩陣Y，F(xiàn)C可以計算出每個SU對應的特征向量：

x_i=［E_i，S_i，D_i］， i=1，2，…，K（8）

將K個SU對應的特征向量組合成特征矩陣：

X=［x₁，x₂，…，x_K］（9）

將L次報告后獲得的特征矩陣X組合成特征矩陣集合：

Z={X₁，X₂，…，X_L}（10）

3 抗SSDF攻擊協(xié)作頻譜感知方法

3.1 基于HHO-SVM的MSU檢測

采用SVM模型對MSU進行檢測識別，在模型訓練時，使用哈里斯鷹優(yōu)化（Harris hawks optimization， HHO）算法對SVM模型內核參數(shù)進行優(yōu)化，提高分類準確性，基于HHO-SVM的MSU檢測框架如圖2所示。

在模型訓練時，為了生成訓練集合，F(xiàn)C結合歷史時隙累積的報告數(shù)據(jù)，使用高斯隨機變量分別模擬正常SU和MSU的上傳信號，將特征矩陣集合Z連同標簽一起作為訓練集合，訓練完成的識別模型可以實現(xiàn)對SU的實時分類^［26］。測試集合表示對實時接收信號矩陣計算所得的特征矩陣集合，無需獲取相應的標簽。

SVM通過查找超平面實現(xiàn)數(shù)據(jù)分類，并將特征向量映射到高維空間從而最大化分類間隔。對于一組帶標簽的集合X^*={（x₁，c₁）， （x₂，c₂），…，（x_K，c_K）}，其中標簽c_i∈{+1，-1}表示第i個SU的類別，+1對應正常SU，-1對應MSU，需通過求解如下凸二次規(guī)劃問題獲得最優(yōu)分割超平面^［27］：

其中，Cgt;0為懲罰參數(shù)，即對誤差的寬容程度，C值越大表示越不能容忍出現(xiàn)誤差，容易出現(xiàn)過擬合。反之則容易出現(xiàn)欠擬合，G（x_i，x_j）為高斯核函數(shù)，其表達式為

其中，δ值越小，支持向量就越多，δ值越大，支持向量就越少，從而影響模型的訓練速度。計算凸二次規(guī)劃問題得到α^*={α^*₁，α^*₂，…，α^*_K}為最優(yōu)解，選取α^*的一個元素α^*_e且0lt;α^*_elt;C，e∈{1，2，…，K}，計算偏差b的值：

b=c_e－∑Ki=1α^*_ic_iG（x_i，x_e）（13）

SVM的分類決策函數(shù)為

式中：sign（·）為符號函數(shù)，模型內核參數(shù)C與δ對SVM的分類性能起著至關重要的作用，本文使用HHO算法對內核參數(shù)C與δ分別進行優(yōu)化，提高分類性能。該算法受到哈里斯鷹捕食的啟發(fā)，具有很強的全局搜索能力，是一種基于種群、無梯度的優(yōu)化技術，優(yōu)化過程主要由搜索、搜索和開發(fā)轉換和開發(fā)3個階段組成^［28］。

（1） 搜索階段

算法隨機設置每只鷹的初始位置向量，根據(jù)兩種策略狩獵兔子，建模如下：

X_h（t_cur+1）=

X_rand（t_cur）－r₁|X_rand（t_cur）－2r₂X_h（t_cur）|， q≥0.5

（X_rabbit（t_cur）－X_m（t_cur））－r₃（LB+r₄（UB－LB））， qlt;0.5（15）

其中，鷹和兔子的位置向量為1行2列的行向量，兩個分量分別代表內核參數(shù)C和δ的值;X_h（t_cur）和X_h（t_cur+1）分別為第h只鷹當前的位置向量和下一次迭代的位置向量;h=1，2，…，H，H為鷹的總數(shù);X_rabbit（t_cur）是兔子當前的位置向量;X_rand（t_cur）是隨機一只鷹當前的位置向量;UB和LB是內核參數(shù)C和δ的上下界;r₁， r₂， r₃， r₄， q是介于0和1之間的隨機數(shù)，當前的鷹群平均位置X_m（t_cur）為

X_m（t_cur）=1H∑Hh=1X_h（t_cur）（16）

（2） 搜索和開發(fā)轉換階段

根據(jù)兔子的逃逸能量在搜索和開發(fā)階段之間進行轉換，逃逸能量表示如下：

式中：E₀∈（-1， 1）表示兔子的初始能量狀態(tài)且隨機變化;T為最大迭代次數(shù)。當|E_rabbit|≥1時，算法進入搜索階段，否則進入開發(fā)階段。

（3） 開發(fā)階段

根據(jù)|E_rabbit|和兔子逃脫概率r的大小，HHO算法將在軟圍攻和硬圍攻之間做出選擇，以接近最佳結果，r為介于0和1之間的隨機數(shù)。本文將SVM模型預測的最小化錯誤率作為適應度函數(shù)，以評價算法在搜索過程中是否接近最佳位置，其值越低，說明優(yōu)化模型的準確率越高。算法每次迭代都會更新鷹的適應度，如果鷹的適應度優(yōu)于更新后兔子的適應度，則兔子的位置向量將被鷹的位置向量取代，當達到最大迭代次數(shù)時優(yōu)化結束，獲得兔子的位置向量，即優(yōu)化后的內核參數(shù)C和δ。

對于長度為L的訓練集合，特征向量的總長度L_T=K×L，訓練完成后，經(jīng)過HHO算法優(yōu)化的SVM模型可以對SU進行分類，實現(xiàn)MSU的識別，決策過程如算法1所示。

3.2 基于可信度加權的感知數(shù)據(jù)融合

由于受到噪聲的影響，模型在實際中不能始終保證100%的識別準確率，為了進一步提高頻譜感知的抗攻擊性，降低漏檢的MSU及異常數(shù)據(jù)對FC的干擾，通過SVM模型計算獲得SU的可信度，并對感知數(shù)據(jù)進行加權融合^［29］。假設SVM模型識別出V（V≤U）個MSU，F(xiàn)C剔除MSU后對剩余的M（M=K-V）個SU進行可信度權重分配。本文將SU的可信度定義為SVM模型將其劃分為正常SU的概率^［30］：

P_m=11+exp（A·g_m+B）（18）

式中：m=1，2，…，M;A、B為待擬合的參數(shù);g_m的表達式為

參數(shù)A和B通過將式（18）代入如下最優(yōu)化問題得到：

劃分為正常SU的概率P_m越大，說明可信度越高，即該SU屬于MSU的概率越低，因此獲得的權重應當更大，第m個SU的權重為

w_m=P_m∑Mm=1P_m（21）

3.3 算法復雜度

本文抗SSDF攻擊協(xié)作頻譜感知的復雜度主要集中在獲取SVM模型、MSU檢測和SU可信度加權的計算。獲取SVM模型分為兩部分，第一部分為構建感知數(shù)據(jù)特征向量，其計算復雜度為Ο（K²N+2KN²），其中K為SU個數(shù)，N為采樣點數(shù)。第二部分為SVM模型訓練，其計算復雜度為Ο（J³+JL_T+JdL_T），其中J為支持向量的個數(shù)，L_T為特征向量的總長度，d為訓練數(shù)據(jù)的維度，本文中的Jlt;lt;L_T。MSU檢測和SU可信度加權的計算復雜度分別為Ο（JK）和Ο（JMK），其中M為剔除MSU后的剩余SU個數(shù)。此外HHO算法的計算復雜度為Ο（H+TH+THd），其中H為初始化的鷹的總數(shù)，T為最大迭代次數(shù)。

進一步分析可以看出，隨著L_T量級增大，L_T在SVM模型訓練的計算復雜度中占據(jù)主導地位，相比之下HHO算法的計算復雜度可忽略不計，說明本文方法在模型訓練部分的計算復雜度總體與傳統(tǒng)方法相當，但由于優(yōu)化算法的改進，SVM模型的性能得到了提高，將在后續(xù)的仿真分析部分展開具體驗證。

4 仿真結果分析

本節(jié)仿真分析本文方法的性能，建立聯(lián)合概率型SSDF攻擊下的CR網(wǎng)絡，其中集中式協(xié)作頻譜感知模型包括1個PU，K個SU（包含U個MSU）和一個FC。假設PU信號活躍的概率為0.5，MSU計算判決門限值λ時的虛警概率P_f為0.05，PU和SU之間為平坦的瑞利衰落信道。選用均值為0、方差為1的加性WGN，并且和PU信號獨立分布。為了多方面分析本文方法的性能，仿真實驗考慮了不同MSU占比和攻擊概率下的RIA、RBA和RFA 3種SSDF攻擊策略。

4.1 MSU檢測性能分析

仿真設置的信噪比為-10 dB，SU總數(shù)K=30，MSU占比β=20%，采樣次數(shù)N=200，設置MSU的攻擊概率P_a為0.75，空閑和繁忙的攻擊強度分別為0.5和2，HHO算法初始化的鷹總數(shù)H=5，最大迭代次數(shù)T=30，訓練集合和測試集合的長度均為L_T=600。

圖3和圖4分別展示了RIA策略下SU報告數(shù)據(jù)的分布以及模型對數(shù)據(jù)的分類情況。在RIA下，MSU始終發(fā)送PU信號不存在的數(shù)據(jù)，信號的總體E特征偏低，而正常SU報告數(shù)據(jù)的波動性更大，因此D特征和S特征更大。在圖4中，經(jīng)過訓練的模型將SU報告的數(shù)據(jù)分為兩類，對比圖3，可以看出模型在當前的仿真條件下對兩種不同分布的數(shù)據(jù)均有較好的區(qū)分性。

圖5和圖6分別展示了RBA策略下SU報告數(shù)據(jù)的分布以及模型對數(shù)據(jù)的分類情況，從圖5中可以看出，與正常SU數(shù)據(jù)的特征數(shù)值相比，在RBA下的MSU報告數(shù)據(jù)的E特征和D特征數(shù)值整體均明顯較大，并且兩類數(shù)據(jù)有部分重疊交錯。在圖6中，模型將報告數(shù)據(jù)分為兩種類別，可以看出在RBA下，模型同樣能夠較好地區(qū)分出MSU的報告數(shù)據(jù)。

圖7和圖8分別展示了RFA策略下SU報告數(shù)據(jù)的分布以及模型對數(shù)據(jù)的分類情況。在RFA下，MSU始終發(fā)送錯誤的報告數(shù)據(jù)，與PU信號的真實情況相反。在圖7中，MSU的報告數(shù)據(jù)分布在整體的兩端，而正常SU的數(shù)據(jù)在中間較為集中地分布，因此在3種攻擊策略中，RFA下的區(qū)分通常最為困難。圖8展示了模型對SU數(shù)據(jù)的分類情況，對比圖7可以發(fā)現(xiàn)有部分數(shù)據(jù)點被錯誤地劃分，但總體分類情況較好。

在上述3種攻擊策略下，將本文方法與其他ML模型（如K近鄰算法、樸素貝葉斯、決策樹和使用高斯核函數(shù)的傳統(tǒng)SVM算法）進行分類準確率對比。訓練集合與測試集合的長度均為1 500。

圖9給出了RIA下不同模型分類準確率曲線對比，從中可以看出，本文方法的分類準確率始終最高，在-15 dB下的分類準確率可達98.1%，比樸素貝葉斯高出約2.5%，相比傳統(tǒng)SVM提升約0.5%。

圖10給出了RBA下不同模型分類準確率曲線對比，在圖中，各模型的分類準確率與信噪比正相關，當信噪比達到-9 dB時，所有模型的分類準確率接近100%。在相同信噪比下，本文方法的分類性能最佳。

圖11給出了RFA下不同模型分類準確率曲線對比，可以看出，本文方法較傳統(tǒng)SVM性能提升最為明顯，這是因為在RFA下，SU特征向量更容易重疊交錯（見圖7），導致傳統(tǒng)SVM模型容易過擬合，識別準確率較低。而本文方法使用HHO算法優(yōu)化了模型的內核參數(shù)C和δ，避免了模型過擬合，因此本文方法依舊保持較高的識別準確率，如在-15 dB下識別準確率可達90.5%。

4.2 頻譜感知性能分析

本節(jié)對比了本文方法與文獻［14］提出的方法（以下簡稱對比方法）在不同SSDF攻擊場景下的頻譜感知性能，對比方法將SU報告信號的能量值作為特征值，用傳統(tǒng)SVM對SU進行分類，隨后將正常SU的采樣信號發(fā)送給FC，判決PU狀態(tài)。仿真參數(shù)設置為SU總數(shù)K=10，MSU占比β為10%和30%，攻擊概率P_a為0.1和0.5，報告空閑和繁忙的攻擊強度分別為0.5和2，采樣次數(shù)N=100，信噪比為-12 dB。

圖12展示了在RIA下本文方法與對比方法的受試者工作特征（receiver operating characteristic， ROC）曲線對比情況，從圖中可以看出，在各場景下，本文方法的頻譜感知性能均明顯優(yōu)于對比方法。在β=0.1、P_a=0.1的場景下，兩者的差距最為明顯，在虛警概率為0.1時，本文方法和對比方法的檢測概率分別為0.905和0.556。

圖13展示了RBA下本文方法與對比方法的ROC曲線對比情況，從圖中可以看出，在各場景下，本文方法的頻譜感知性能均明顯優(yōu)于對比方法。當面對較大攻擊規(guī)模和攻擊概率的場景時（β=0.3，P_a=0.5），本文方法仍展現(xiàn)出較好的感知性能，當虛警概率為0.1時，檢測概率為0.781。

under RBA圖14展示了RFA下本文方法與對比方法的ROC曲線對比情況，從圖中可以看出，在各場景下，本文方法的頻譜感知性能均明顯優(yōu)于現(xiàn)有的方法，兩者在β=0.3、P_a=0.5的條件下差距最為明顯，這是因為在RFA下，SU特征向量更容易重疊交錯，較大的攻擊規(guī)模和攻擊概率會對傳統(tǒng)SVM模型的性能造成巨大的影響，導致檢測概率大幅下降。

以上的仿真結果顯示，隨著MSU占比β和攻擊概率P_a的增大，感知性能不斷降低。在3種攻擊方式中，RFA攻擊對頻譜感知性能影響最大，RBA和RIA次之。以影響最大的RFA攻擊為例，在β=0.1、P_a=0.1的場景下，當虛警概率為0.1時，對比方法檢測概率相較于另外兩種攻擊方式下降了約0.12，而本文方法僅降低了約0.05，模型魯棒性更好。同時，在不同的SSDF攻擊場景下，本文方法的頻譜感知性能較現(xiàn)有的技術更佳，能夠對多種場景下的SSDF攻擊實現(xiàn)有效防御，提高了系統(tǒng)的抗攻擊性。

5 結束語

本文針對CR網(wǎng)絡中多種場景下的SSDF攻擊問題，提出了一種基于HHO-SVM的抗SSDF攻擊協(xié)作頻譜感知方法。通過提取用于區(qū)分SU類別的統(tǒng)計特征，利用HHO算法的SVM模型對MSU進行檢測剔除，提高了感知節(jié)點整體的誠實性。同時，通過計算SU可信度，對剩余SU的感知數(shù)據(jù)加權融合，進一步提升了系統(tǒng)的抗攻擊性。仿真結果表明，本文方法提高了模型在復雜感知環(huán)境中對SU的識別準確率，有效降低了SSDF攻擊對系統(tǒng)的影響，實現(xiàn)了安全的協(xié)作頻譜感知，具有一定的應用價值。本文還未考慮當MSU利用ML技術升級攻擊策略的情況，在后續(xù)工作中將針對此問題作進一步研究。

參考文獻

［1］宋波， 葉偉， 孟祥輝. 基于多智能體強化學習的動態(tài)頻譜分配方法綜述［J］. 系統(tǒng)工程與電子技術， 2021， 43（11）： 3338-3351.

SONG B， YE W， MENG X H. A review of dynamic spectrum allocation methods based on multi-agent reinforcement learning［J］. Systems Engineering and Electronics， 2021， 43（11）： 3338-3351.

［2］裴慶祺， 李紅寧， 趙弘洋， 等. 認知無線電網(wǎng)絡安全綜述［J］. 通信學報， 2013， 34（1）： 144-158.

PEI Q Q， LI H N， ZHAO H Y， et al. Cognitive radio network security review［J］. Journal on Communications， 2013， 34（1）： 144-158.

［3］SHRIVASTAVA S， RAJESH A， BORA P K， et al. A survey on security issues in cognitive radio based cooperative sensing［J］. IET Communications， 2021， 15（7）： 875-905.

［4］CHEN H F， ZHOU M， XIE L， et al. Cooperative spectrum sensing with M-ary quantized data in cognitive radio networks under SSDF attacks［J］. IEEE Trans.on Wireless Communications， 2017， 16（8）： 5244-5257.

［5］丁詩銘， 王天荊， 沈航， 等. 基于能量分類器的抗SSDF攻擊協(xié)作頻譜感知算法［J］. 計算機科學， 2021， 48（2）： 282-288.

DING S M， WANG T J， SHEN H， et al. Collaborative spectrum sensing algorithm against SSDF attacks based on energy classifier［J］. Computer Science， 2021， 48（2）： 282-288.

［6］吳孟禮， 陳躍斌， 吳海鋒， 等. 抵御SSDF攻擊的維納濾波器檢測算法研究［J］. 計算機工程， 2020， 46（11）： 187-193.

WU M L， CHEN Y B， WU H F， et al. Research on Wiener filter detection algorithm to resist SSDF attack［J］. Computer Engineering， 2020， 46（11）： 187-193.

［7］FU Y H， HE Z M. Bayesian-inference-based sliding window trust model against probabilistic SSDF attack in cognitive radio networks［J］. IEEE Systems Journal， 2020， 14（2）： 1764-1775.

［8］LUO X Q. Secure cooperative spectrum sensing strategy based on reputation mechanism for cognitive wireless sensor networks［J］. IEEE Access， 2020， 8： 131361-131369.

［9］陳青青， 季薇， 鄭寶玉. 利用分組過濾加強SSDF攻擊防御的方案設計［J］. 信號處理， 2018， 34（5）： 558-565.

CHEN Q Q， JI W， ZHENG B Y. Scheme design of enhancing SSDF attack defense by using packet filtering［J］. Journal of Signal Processing， 2018， 34（5）： 558-565.

［10］XU Z Y， SUN Z G， GUO L L. Throughput maximization of collaborative spectrum sensing under SSDF attacks［J］. IEEE Trans.on Vehicular Technology， 2021， 70（8）： 8378-8383.

［11］REN J， ZHANG Y X， YE Q， et al. Exploiting secure and energy-efficient collaborative spectrum sensing for cognitive radio sensor networks［J］. IEEE Trans.on Wireless Communications， 2016， 15（10）： 6813-6827.

［12］RINA K， NATH S， MARCHANG N， et al. Can clustering be used to detect intrusion during spectrum sensing in cognitive radio networks？［J］. IEEE Systems Journal， 2018， 12（1）： 938-947.

［13］GHAZNAVI M， JAMSHIDI A. A low complexity cluster based data fusion to defense against SSDF attack in cognitive radio networks［J］. Computer Communications， 2019， 138（4）： 106-114.

［14］KHAN M S， KHAN L， GUL N， et al. Support vector machine-based classification of malicious users in cognitive radio networks［J］. Wireless Communication and Mobile Computing， 2020， 2020： 8846948.

［15］PAUL A， MISHRA A K， SHREEVASTAVA S， et al. Deep reinforcement learning based reliable spectrum sensing under SSDF attacks in cognitive radio networks［J］. Journal of Network and Computer Applications， 2022， 205： 103454.

［16］XIE G， ZHOU X C， GAO J C. Adaptive trust threshold model based on reinforcement learning in cooperative spectrum sensing［J］. Sensors， 2023， 23（10）： 4751.

［17］JAIN S， YADAV A K， KUMAR R， et al. Cooperative spectrum sensing in cognitive radio networks： a systematic review［J］. Recent Advances in Computer Science and Communications， 2023， 16（4）： e051022209596.

［18］LYES L， DJAMAL T， NACERREDINE L. Effective autocor-relation-based spectrum sensing technique for cognitive radio network applications［J］. International Journal of Communication Systems， 2023， 36（11）： e5502.

［19］WANG H， LI Y， CHANG T C. An enhanced cooperative spectrum sensing scheme for anti-SSDF attack based on evidence theory［J］. Microsystem Technologies， 2018， 24（6）： 2803-2811.

［20］PARHIZGAR N， JAMSHIDI A， SSTOODEH P. Defense against spectrum sensing data falsification attack in cognitive radio networks using machine learning［C］∥Proc.of the 30th International Conference on Electrical Engineering， 2022： 974-979.

［21］BAKER D， BEAL A N， JOINER L， et al. A low-cost modified energy detection-based spectrum sensing algorithm with GNU radio for cognitive radio［C］∥Proc.of the IEEE Southeast Conference， 2023： 833-837.

［22］ZINA C， HASNA M， HAMILA R， et al. Location privacy preservation in secure crowdsourcing-based cooperative spectrum sensing［J］. Eurasip Journal on Wireless Communications and Networking， 2016， 2016（1）： 85.

［23］GIRI M K， MAJUMDER S. On eigenvalue-based cooperative spectrum sensing using feature extraction and maximum entropy fuzzy clustering［J］. Journal of Ambient Intelligence and Humanized Computing， 2023， 14（8）： 10053-10067.

［24］RAJKUMARI R， MARCHANG N. Mitigating spectrum sensing data falsification attack in AD hoc cognitive radio networks［J］. International Journal of Communication Systems， 2019， 32（2）：

e3852.

［25］JANU D， SINGH K， KUMAR S. Machine learning for cooperative spectrum sensing and sharing： a survey［J］. Transaction on Emerging Telecommunications Technologies， 2022， 33（1）： e4352.

［26］ROSE B， ARUNADEVI B. Spectrum sensing in cognitive radio networks using an ensemble of machine learning frameworks and effective feature extraction［J］. Journal of Intelligent and Fuzzy Systems， 2023， 44（6）： 10495-10509.

［27］TANG L H， ZHAO L， JIANG Y. An SVM-based feature detection scheme for spatial spectrum sensing［J］. IEEE Communications Letters， 2023， 27（8）： 2132-2136.

［28］HEIDARI A A， MIRJALILI S， FARIS H， et al. Harris hawks optimization： algorithm and applications［J］. Future Generation Computer Systems， 2019， 97： 849-872.

［29］ZHAO Y， JIANG B. Multi-feature collaborative spectrum sensing method based on support vector machine［C］∥Proc.of the 7th International Conference on Intelligent Computing and Signal Processing， 2022： 2014-2020.

［30］PLATT J C. Probabilistic outputs for support vector machines and comparisons to regularized likelihood methods［J］. Advances in Large Margin Classifiers， 1999， 10（3）： 61-74.

作者簡介

王全全（1984—），男，副教授，博士，主要研究方向為電波傳播與無線信道分析、石墨烯納米材料與器件仿真。

顧志豪（1997—），男，碩士研究生，主要研究方向為認知無線電頻譜感知。

吳城坤（1998—），男，工程師，碩士，主要研究方向為無線電頻譜管理與監(jiān)測。

宛 汀（1981—），男，教授，博士，主要研究方向為無線通信和電磁建模仿真。