融合交互信誉度与RSSR的WSNs女巫攻击检测策略

WSNs sybil attack detection strategy integrating interactive reputation and RSSR

摘要

为抵御无线传感器网络中的女巫攻击，保护数据隐私，提出了一种融合交互信誉度与接收信号强度比（RSSR）的无线传感器网络女巫攻击检测策略（SD-IR&SR）。在计算节点交互信誉值时引入信誉维护函数和异常修正因子，以降低历史交互行为对信誉值的影响，建立全域信誉值矩阵计算各节点全域信誉均值，保障节点信誉值的公正；将全域信誉均值低于信誉阈值的节点列为不受信节点，设立监测节点，利用RSSR值比对法进行检测，以判定该节点是否为女巫节点。仿真结果表明，SD-IR&SR可以有效检测出网络中的女巫节点，即使在女巫节点占比50%的网络中依然能够保持较低的丢包率，保障数据完整、低延时传输，提高无线传感器网络的安全性。

Abstract

In order to resist Sybil attacks in wireless sensor networks and protect data privacy， this paper proposes a Sybil attack detection strategy for wireless sensor networks integrating interactive reputation and received signal strength ratio（SD-IR&SR） in wireless sensor networks. Introducing reputation maintenance functions and anomaly correction factors in calculating node interaction reputation values to reduce the impact of historical interaction behavior on reputation values. Establish a global reputation value matrix to calculate the average global reputation value of each node， ensuring the fairness of node reputation values. Set nodes with a global reputation average lower than the reputation threshold as untrustworthy nodes， and set up monitoring nodes to use RSSR value comparison method for detection to determine whether the node is a Sybil node. The simulation results show that SD-IR&SR can effectively detect Sybil nodes in the network， in a network where witch nodes account for 50%， it can still maintain a low packet loss rate， ensure data integrity， low latency transmission， and improve the security of wireless sensor networks.

Graphical abstract

关键词

交互信誉值 / 接收信号强度比 / 女巫攻击 / 无线传感器网络 / 信誉值

Key words

interactive reputation value / received signal strength ratio / sybil attacks / wireless sensor network / reputation value

0 引　言

无线传感器网络（Wireless sensor networks，WSNs）是由大量相互联系的低成本、低能耗传感器节点以无线通信方式组成的网络系统^［1］，可密集、随机分布于被监测区域，在当今社会中广泛应用于智能电网、土壤成分监测、战场情况监视^［2-4］等方面，但由于开放式的网络环境及传感器节点本身的脆弱性，网络易遭受恶意攻击。其中，女巫（Sybil）攻击是一种主要的攻击手段，攻击者通过攻击网络中正常节点窃取节点信息，随后伪造多个节点身份信息存在于网络中，误导合法节点将信息传输给恶意节点，非法获取网络信息，进而可能造成信息的篡改或丢弃^［5-7］。如何有效识别WSNs中的Sybil节点，降低网络中节点通信数据的丢包率，保障节点采集数据能够完整传输给汇聚节点（Sink node），是目前的研究方向和研究热点。

为有效防范Sybil攻击对网络的侵害，国内外许多专家学者在信誉模型、密钥认证、定位技术接收信号强度（Received signal strength indicator， RSSI）等方面开展了很多有益的工作。Khan等^［8］提出了一种大规模聚类WSNs综合信誉值估计方法（LTS）检测网络中的Sybil节点，采用计时窗口机制监视节点间的交互情况，通过计算节点间直接信誉值和间接信誉值估计综合信誉值，并可动态调节对恶意节点的惩戒度和信誉函数的苛刻度。Anwar等^［9］利用贝叶斯信任评估模型计算传感器节点的直接和间接信任值，根据预定义的阈值检查节点信任级别区分Sybil节点和受信节点，以确保数据的安全交付。许多基于不同信誉评估机制的WSNs恶意入侵检测模型也具有参考价值^{［10，11］}。Urooj等^［12］提出了ECC-AES加密算法保护网络中数据的安全传输，首先使用一种非对称椭圆曲线加密（Elliptic curve cryptography，ECC）方法生成密钥，再通过高级加密标准（Advanced encryption standard，AES）和ECC加密混合对数据进行加密，可以保障数据传输的安全性，防御网络中各种恶意攻击。Dong等^［13］提出了一种基于DV-Hop策略的安全定位算法，通过验证节点“跳数”和不同时间段的“邻居列表集”判定该节点是否为Sybil节点，并对安全定位结果进行优化，降低了节点定位误差。Jamshidi等^［14］设计了一种新型集群式无线传感器网络Sybil攻击模型，并利用基于RSSI和三点定位的分布式算法抵御新的攻击模型，在这个攻击模型中，恶意节点可以使用每个Sybil身份加入网络的多个集群中，进行大范围攻击。邢小东^［15］在动态WSNs的基础上提出了一种抗合谋Sybil攻击检测方法，引入无线网络攻击检测法完成对Sybil攻击的分类，利用角度-衰减度检测法计算网络攻击两点基本原则，最后通过锚节点对Sybil节点进行定位。Hussain等^［16］提出了一种基于深度学习网络的新型入侵检测系统，使用混合WOA-ABC算法进行恶意攻击种类的特征提取，再利用卷积神经网络（CNN）架构进行分类，从而对网络中被攻击的节点进行筛选。

在上述抵御Sybil攻击方案的基础上，本文提出以下几点创新：①计算节点信誉值时加入信誉维护函数和异常修正因子，削弱历史交互行为对节点信誉值的影响，并建立全域信誉值矩阵计算节点的全域信誉均值，避免由个别节点对信誉值的武断判定，保障计算节点信誉值的准确和公正；②计算接收信号强度值时，综合考虑了电磁波的路径损耗，使计算结果进一步贴近工程实际；③设定信誉阈值将节点进行分类后，利用接收信号强度比（Received signal strength ratio， RSSR）对其做进一步检测，既解决了由于信誉模型模糊判定误检率较高的问题，又避免采用RSSI方法检测时所有节点都需要检测判定带来的能耗过大问题。

1 系统模型

1.1　网络模型

本文采用传统的无线传感器网络结构，Sink节点汇聚网络中所有节点信息，其资源不受限且不被攻击破坏，可直接与网络中节点进行通信。普通节点以密度\rho随机分布于网络中，部署后位置固定且不可移动，初始能量为E_{\mathrm{0}}，通信半径为R，初始时均具有唯一的合法ID。普通节点可与通信半径内其他节点双向通信，采取最短路径算法将采集信息传输到Sink节点，网络拓扑结构如图1所示。

网络中普通节点邻居数目如下：

\overline{n_{\mathrm{n}\mathrm{e}\mathrm{i}}}=\rho \cdot \mathrm{\pi }\cdot R^{\mathrm{2}}=\frac{N_{\mathrm{a}\mathrm{l}\mathrm{l}}\cdot \mathrm{\pi }\cdot R^{\mathrm{2}}}{S_{\mathrm{a}\mathrm{v}\mathrm{e}}}（1）

式中：N_{\mathrm{a}\mathrm{l}\mathrm{l}}为普通节点总数；S_{\mathrm{a}\mathrm{v}\mathrm{e}}为每个节点近似均匀分布所占面积。

1.2　能耗模型

假设两传感器节点之间通信距离为d_N，单跳传输能耗为E_{\mathrm{T}\mathrm{X}}(d_{\mathrm{N}})，当节点发送或接收数据为m bit时，此时能耗^［17］为：

E_{\mathrm{T}\mathrm{X}}(m,d_{\mathrm{N}})=m\cdot E_{\mathrm{e}\mathrm{l}\mathrm{e}\mathrm{c}}+m\cdot E_{\mathrm{f}\mathrm{s}}\cdot d_{\mathrm{N}}^{\mathrm{2}}（2）

式中：E_{\mathrm{e}\mathrm{l}\mathrm{e}\mathrm{c}}为收发电路基本能耗；E_{\mathrm{f}\mathrm{s}}为达到一定信噪比时，发射器放大1 bit信号所消耗的能量。节点剩余能量E_{\mathrm{r}\mathrm{e}\mathrm{s}}(m,d_{\mathrm{N}})表示为：

E_{\mathrm{r}\mathrm{e}\mathrm{s}}(m,d_{\mathrm{N}})=E_{\mathrm{0}}-E_{\mathrm{T}\mathrm{X}}(m,d_{\mathrm{N}})（3）

1.3　Sybil攻击模型

Sybil攻击又名“女巫攻击”，恶意节点通过非法攻击的手段获取网络中正常节点的数据信息，从而伪造多个身份ID引诱网络中其他节点向其传输信息，造成数据信息的泄露甚至丢弃，给整个网络的安全运行带来极大威胁。

设网络中恶意节点数量为S_{\mathrm{q}\mathrm{u}\mathrm{a}\mathrm{n}\mathrm{t}\mathrm{i}\mathrm{t}\mathrm{y}}，其中每个恶意节点可以创建F个虚假身份，则网络中总身份数I_{\mathrm{a}\mathrm{l}\mathrm{l}}可以表示为：

I_{\mathrm{a}\mathrm{l}\mathrm{l}}=N_{\mathrm{a}\mathrm{l}\mathrm{l}}+S_{\mathrm{q}\mathrm{u}\mathrm{a}\mathrm{n}\mathrm{t}\mathrm{i}\mathrm{t}\mathrm{y}}(F-\mathrm{1})（4）

式中：S_{\mathrm{q}\mathrm{u}\mathrm{a}\mathrm{n}\mathrm{t}\mathrm{i}\mathrm{t}\mathrm{y}}（F-1）为因Sybil攻击而额外产生的虚假身份数量。

如图2所示，传感器节点N₈、N₉遭受恶意攻击，被攻击者非法获取了节点信息，节点N₈被设置为Sybil节点，节点N_{\mathrm{9}}被盗用节点信息后遗弃，Sybil节点同时具有N₈、N₉ 2个身份ID。此时，Sybil节点可以获取其他节点流向N₈、N₉ 2节点的数据信息，一旦恶意节点发动Sybil攻击，会导致其传输链路上其他节点所采集信息发送不到Sink节点，造成网络大面积瘫痪。

2 Sybil攻击检测

本文通过搭建全域信誉值矩阵计算各节点的全域信誉均值，再将其与设定的信誉阈值进行比对，全域信誉均值低于信誉阈值的节点被设定为暂定不受信节点，并设立监测节点比较不同时刻RSSR值，从而对不受信节点进行评判，实现对Sybil攻击的检测。

2.1　搭建全局交互信誉模型

当节点N_i向节点N_j请求通信时，节点N_j会产生2种状态：“响应”与“0响应”。节点N_i可以根据节点N_j的响应状态设定对节点N_j的信誉值，进而对在其通信范围内的所有节点均设定与节点ID相匹配的信誉值并建立局域信誉值矩阵，在Sink节点与其通信时将局域信誉值矩阵传输给Sink节点。节点N_i对节点N_j的信誉值表示为：

R_{\mathrm{e}\mathrm{p}}{}_{Nj}^{Ni}=\left\{\begin{array}{l}\mathrm{0},N_j\mathrm{0}\mathrm{响应}\\ \mathrm{0}\le R_{\mathrm{e}\mathrm{p}}{}_{Nj}^{Ni}\le \mathrm{1},N_j\mathrm{偶尔}\mathrm{响应}\\ \mathrm{1},N_j\mathrm{完全}\mathrm{响应}\end{array}\right.（5）

当N_j偶尔响应时，其信誉值计算如下：

R_{\mathrm{e}\mathrm{p}}{}_{N_j}^{N_i}=\frac{\omega h_{Nj}^{Ni}+\mathrm{\Delta }{h}_{Nj}^{Ni}}{C_{\mathrm{a}\mathrm{l}\mathrm{l}}}+

\theta \left(\frac{\omega u_{Nj}^{Ni}+\mathrm{\Delta }{u}_{Nj}^{Ni}}{C_{\mathrm{a}\mathrm{l}\mathrm{l}}}\alpha -\frac{\omega l_{Nj}^{Ni}+\mathrm{\Delta }{l}_{Nj}^{Ni}}{C_{\mathrm{a}\mathrm{l}\mathrm{l}}}\right)（6）

\omega =\frac{\Gamma }{h_{N_j}^{N_i}+u_{N_j}^{N_i}+l_{N_j}^{N_i}}（7）

\theta =\frac{C_{\mathrm{s}\mathrm{y}\mathrm{b}\mathrm{i}\mathrm{l}}}{C_{\mathrm{a}\mathrm{n}\mathrm{o}\mathrm{m}\mathrm{a}\mathrm{l}\mathrm{y}}},\theta \in [\mathrm{0,1}]（8）

式中：h_{N_j}^{N_i}、u_{N_j}^{N_i}和l_{N_j}^{N_i}分别为节点N_i与节点N_j的成功响应、不确定状态和失败的通信次数；\mathrm{\Delta }{h}_{N_j}^{N_i}、\mathrm{\Delta }{u}_{N_j}^{N_i}和\mathrm{\Delta }{l}_{N_j}^{N_i}分别为\mathrm{\Delta }t时间段内，两节点之间的成功响应、不确定状态和失败通信次数；\alpha =r_{\mathrm{a}\mathrm{n}\mathrm{d}\mathrm{o}\mathrm{m}}[-\mathrm{1,1}]；C_{\mathrm{a}\mathrm{l}\mathrm{l}}为两节点之间总交互次数；\omega为信誉维护函数，作用是维护当前节点的行为状态对节点信誉的影响，弱化历史行为对节点信誉的影响；\Gamma为固定维护值，用于设定维护函数\omega的维护范围；\theta为异常修正因子，降低由非入侵因素对节点信誉值的影响；C_{\mathrm{s}\mathrm{y}\mathrm{b}\mathrm{i}\mathrm{l}}为由Sybil攻击引起的异常通信交互次数；C_{\mathrm{a}\mathrm{n}\mathrm{o}\mathrm{m}\mathrm{a}\mathrm{l}\mathrm{y}}为节点间异常通信的总次数。

节点N_i对于其通信范围内各节点建立的信誉值矩阵可表示为：

{\mathit{R}}_{\mathrm{e}\mathrm{p}}{}_{N_j}^{N_i}=\left[R_{\mathrm{e}\mathrm{p}}{}_{N_{\mathrm{1}}}^{N_i},\cdots ,R_{\mathrm{e}\mathrm{p}}{}_{N_j}^{N_i}\right],N_j\in \mathrm{n}\mathrm{e}\mathrm{i}\mathrm{g}\mathrm{h}\mathrm{b}\mathrm{o}\mathrm{r}{N}_i（9）

式中：{\mathit{R}}_{\mathrm{e}\mathrm{p}}{}_{N_j}^{N_i}为节点N_i对节点N_j存储标记的信誉值；\mathrm{n}\mathrm{e}\mathrm{i}\mathrm{g}\mathrm{h}\mathrm{b}\mathrm{o}\mathrm{r}{N}_i为节点N_i的邻居节点集。Sink节点建立的全域信誉值矩阵为：

{\mathit{R}}_{\mathrm{e}\mathrm{p}\mathrm{a}\mathrm{l}\mathrm{l}}=\left(\begin{array}{l}{R}_{\mathrm{e}\mathrm{p}}{}_{N_{\mathrm{1}}}^{N_{\mathrm{1}}}{R}_{\mathrm{e}\mathrm{p}}{}_{N_{\mathrm{2}}}^{N_{\mathrm{1}}}{R}_{\mathrm{e}\mathrm{p}}{}_{N_{\mathrm{3}}}^{N_{\mathrm{1}}}\cdots R_{\mathrm{e}\mathrm{p}}{}_{N_n}^{N_{\mathrm{1}}}\\ R_{\mathrm{e}\mathrm{p}}{}_{N_{\mathrm{1}}}^{N_{\mathrm{2}}}{R}_{\mathrm{e}\mathrm{p}}{}_{N_{\mathrm{2}}}^{N_{\mathrm{2}}}{R}_{\mathrm{e}\mathrm{p}}{}_{N_{\mathrm{3}}}^{N_{\mathrm{2}}}\cdots R_{\mathrm{e}\mathrm{p}}{}_{N_n}^{N_{\mathrm{2}}}\\ R_{\mathrm{e}\mathrm{p}}{}_{N_{\mathrm{1}}}^{N_{\mathrm{3}}}{R}_{\mathrm{e}\mathrm{p}}{}_{N_{\mathrm{2}}}^{N_{\mathrm{3}}}{R}_{\mathrm{e}\mathrm{p}}{}_{N_{\mathrm{3}}}^{N_{\mathrm{3}}}\cdots R_{\mathrm{e}\mathrm{p}}{}_{N_n}^{N_{\mathrm{3}}}\\ ⋮⋮\\ R_{\mathrm{e}\mathrm{p}}{}_{N_{\mathrm{1}}}^{N_n}{R}_{\mathrm{e}\mathrm{p}}{}_{N_{\mathrm{2}}}^{N_n}{R}_{\mathrm{e}\mathrm{p}}{}_{N_{\mathrm{3}}}^{N_n}\cdots R_{\mathrm{e}\mathrm{p}}{}_{N_n}^{N_n}\end{array}\right)（10）

式中：n为网络中节点总数。为保证对信誉值的客观真实性，将节点对自身信誉评价值恒设为0。基于全域信誉值矩阵，可计算节点N_i的全域信誉均值为：

R_{\mathrm{e}\mathrm{p}}{}_{\mathrm{a}\mathrm{l}\mathrm{l}}^{N_i}=\frac{{\displaystyle \sum _{g=\mathrm{1}}^n}{R}_{\mathrm{e}\mathrm{p}}{}_{N_i}^{N_g}}{z}（11）

式中：z为可与节点N_i交互通信的节点总数。

2.2　优化RSSR计算方法

在计算节点RSSR值时，考虑电磁波在空间传播产生的损耗，使计算结果更贴近于实际应用。R_{N_i}^{S_{\mathrm{q}}}为节点N_i接收到发送节点S_{\mathrm{q}}信号时的RSSI值，S_{\mathrm{q}}为网络中的Sybil节点，可表示为：

R_{N_i}^{S_{\mathrm{q}}}=(P_{\mathrm{0}}+G_{\mathrm{f}}+G_{\mathrm{s}})\times P_{Ni}（12）

式中：P_{\mathrm{0}}为发射端功率；G_{\mathrm{f}}为发射端天线增益；G_{\mathrm{s}}为接收端天线增益；P_{Ni}为路径损耗。因为发射端天线增益和接收端天线增益为固定值，所以R_{N_i}^{S_{\mathrm{q}}}可以记为：

R_{N_i}^{S_q}=k{P}_{\mathrm{0}}\times P{L}_{Ni}（13）

式中：k为常数。P_{Ni}可计算为：

P_{Ni}={\left(\frac{\mathrm{4}\mathrm{\pi }{d}_{i\mathrm{q}}f}{c}\right)}^{\mathrm{2}}（14）

式中：c为光速；d_{i\mathrm{q}}为簇头节点N_i与网络中Sybil节点S_{\mathrm{q}}之间的欧氏距离。设节点N_i的坐标为(x_i,y_i)，节点S_{\mathrm{q}}的坐标为(x_{\mathrm{q}},y_{\mathrm{q}})，则：

d_{i\mathrm{q}}=\sqrt[]{(x_i-x_{\mathrm{q}}{)}^{\mathrm{2}}+(y_i-y_{\mathrm{q}}{)}^{\mathrm{2}}}（15）

节点N_i、N_j的RSSR值为：

\frac{R_{N_i}^{S_{\mathrm{q}}}}{R_{N_j}^{S_{\mathrm{q}}}}=\frac{k{P}_{\mathrm{0}}\times P_{Ni}}{k{P}_{\mathrm{0}}\times P_{Nj}}=\frac{P_{Ni}}{P_{Nj}}（16）

可记为：

\frac{R_{Ni}^{S\mathrm{q}}}{R_{Nj}^{S\mathrm{q}}}=\frac{(x_i-x_{\mathrm{q}}{)}^{\mathrm{2}}+(y_i{-y\mathrm{q})}^{\mathrm{2}}}{(x_j{-x\mathrm{q})}^{\mathrm{2}}+(y_j{-y\mathrm{q})}^{\mathrm{2}}}（17）

由式（16）、式（17）可知，计算N_i 和N_j的RSSR值与发射功率无关。

2.3　利用RSSR对可疑节点进行检测

全域信誉均值低于信誉阈值的可疑节点，可以通过比较监测节点RSSR值检测该节点是否发生了Sybil攻击。设Sybil节点伪造ID为S_{\mathrm{1}}、S_{\mathrm{2}}，4个监测节点ID分别为N_{\mathrm{1}}、N_{\mathrm{2}}、N_{\mathrm{3}}、N_{\mathrm{4}}。

t_{\mathrm{1}}时刻，Sybil节点用S_{\mathrm{1}}的ID广播信息，监测节点计算收到S_{\mathrm{1}}信号时的RSSI值R_{N_i}^{S_{\mathrm{1}}}，并将计算结果发送给N_{\mathrm{1}}，N_{\mathrm{1}}计算与其他节点的RSSR值为\left(\frac{R_{N_{\mathrm{1}}}^{S_{\mathrm{1}}}}{R_{N_{\mathrm{2}}}^{S_{\mathrm{1}}}}\right)\mathrm{、}\left(\frac{R_{N_{\mathrm{1}}}^{S_{\mathrm{1}}}}{R_{N_{\mathrm{3}}}^{S_{\mathrm{1}}}}\right)\mathrm{、}\left(\frac{R_{N_{\mathrm{1}}}^{S_{\mathrm{1}}}}{R_{N_{\mathrm{4}}}^{S_{\mathrm{1}}}}\right)。

t_{\mathrm{2}}时刻，Sybil节点用S_{\mathrm{2}}的ID广播信息，监测节点计算收到S_{\mathrm{2}}信号时的RSSI值R_{N_i}^{S_{\mathrm{2}}}，并将计算结果发送给N_{\mathrm{1}}，N_{\mathrm{1}}计算与其他节点的RSSR值并将两时刻比值进行比较：

\left\{\begin{array}{l}\frac{R_{N_{\mathrm{1}}}^{S_{\mathrm{1}}}}{R_{N_{\mathrm{2}}}^{S_{\mathrm{1}}}}-\frac{R_{N_{\mathrm{1}}}^{S_{\mathrm{2}}}}{R_{N_{\mathrm{2}}}^{S_{\mathrm{2}}}}\stackrel{?}{\le \mathrm{\gamma }}\\ \frac{R_{N_{\mathrm{1}}}^{S_{\mathrm{1}}}}{R_{N_{\mathrm{3}}}^{S_{\mathrm{1}}}}-\frac{R_{N_{\mathrm{1}}}^{S_{\mathrm{2}}}}{R_{N_{\mathrm{3}}}^{S_{\mathrm{2}}}}\stackrel{?}{\le \mathrm{\gamma }}\\ \frac{R_{N_{\mathrm{1}}}^{S_{\mathrm{1}}}}{R_{N_{\mathrm{4}}}^{S_{\mathrm{1}}}}-\frac{R_{N_{\mathrm{1}}}^{S_{\mathrm{2}}}}{R_{N_{\mathrm{4}}}^{S_{\mathrm{2}}}}\stackrel{?}{\le \mathrm{\gamma }}\end{array}\right.（18）

式中：\mathrm{\gamma }为误差判定区间，通过计算得出，当两不同时刻被测节点与监测节点之间距离误差为10 cm时，设定\mathrm{\gamma }=\mathrm{0.02}可包含所有被测节点Sybil攻击的检测情况；若两时刻监测节点RSSR值相减不大于γ，则证明被测节点位置相同，但监测节点收到了不同的ID，此时可以判定被测节点是Sybil节点。检测模型如图3所示。

2.4　SD-IR&SR算法

算法流程图如图4所示。

算法主要步骤如下：

步骤1：根据最短路径算法建立全局路由，并进行通信；

步骤2：各节点根据式（6）~（8）计算其邻居节点信誉值R_{\mathrm{e}\mathrm{p}}{}_{N_j}^{N_i}，建立局域信誉值矩阵{\mathit{R}}_{\mathrm{e}\mathrm{p}}{}_{N_{j-k}}^{N_i}发送给Sink节点；

步骤3：Sink节点建立全域信誉值矩阵{\mathit{R}}_{\mathrm{e}\mathrm{p}\mathrm{a}\mathrm{l}\mathrm{l}}，并根据式（11）计算各节点全局信誉均值R_{\mathrm{e}\mathrm{p}}{}_{\mathrm{a}\mathrm{l}\mathrm{l}}^{N_i}；

步骤4：Sink节点判定各节点全局信誉均值是否小于设定信誉阈值；

步骤5：对暂定不受信节点，选定邻居节点中可相互通信的节点设定为监测节点对其进行监测；

步骤6：监测节点根据式（13）~（17）计算t₁、t₂时刻的RSSR值，并根据式（18）进行判定；

步骤7：对未通过监测节点判定的节点ID进行全域通报，并将其拉入通信黑名单。

3 仿真结果与性能分析

3.1　仿真场景

假设在100 m×100 m的监测区域内，随机抛洒100个传感器节点，节点通信半径为20 m，通信链路正常丢包率为0.005~0.125，Sybil节点丢包率为0.2~0.8。具体仿真参数如表1所示。

在网络中随机抽取不同比例的正常节点转变为Sybil节点模拟不同的攻击场景，网络中Sybil节点占比为10%时的攻击模型如图5所示。

本文采用丢包率（Packet loss rate，PLR）、检测率（Detection rate，DR）、误检率（False positive rate，FPR）和端到端时延（End-to-end delay，EED）来对算法的性能进行评判，具体计算如下：

\begin{array}{l}{P}_{\mathrm{L}\mathrm{R}}=\frac{\mathrm{源节}\mathrm{点输}\mathrm{入数}\mathrm{据包}}{\mathrm{源节}\mathrm{点输}\mathrm{入数}\mathrm{据包}}-\\ \frac{\mathrm{S}\mathrm{i}\mathrm{n}\mathrm{k}\mathrm{节点}\mathrm{接收}\mathrm{数据}\mathrm{包}}{\mathrm{源节}\mathrm{点输}\mathrm{入数}\mathrm{据包}}\end{array}（19）

D_{\mathrm{R}}=\frac{\mathrm{检测}\mathrm{出}\mathrm{S}\mathrm{y}\mathrm{b}\mathrm{i}\mathrm{l}\mathrm{节点}\mathrm{数}}{\mathrm{S}\mathrm{y}\mathrm{b}\mathrm{i}\mathrm{l}\mathrm{节点}\mathrm{总数}}（20）

F_{\mathrm{P}\mathrm{N}\mathrm{R}}=\frac{\mathrm{误检}\mathrm{节点}\mathrm{数}+\mathrm{漏检}\mathrm{节点}\mathrm{数}}{\mathrm{节点}\mathrm{总数}}（21）

E_{\mathrm{E}\mathrm{D}}=\frac{{\displaystyle \sum _{u=\mathrm{1}}^U}\mathrm{时}{\mathrm{延}}_u}{U}（22）

式中：U为传输路径上节点总数。

3.2　Sybil节点信誉值分析

图6为Sybil节点信誉值变化图。通过对网络中所有Sybil节点在每个时间段内全局信誉均值取平均值的方式，对Sybil节点信誉值变化进行可视化分析，为后续信誉评估检测提供参考。从图6可以看出，在不同Sybil节点比例下，Sybil节点的信誉值随着攻击次数的增加呈现持续下降趋势。

将本文信誉模型与文献［8-10］中的信誉模型做对比，以探究不同信誉模型对正常节点和Sybil节点信誉值的影响，比对结果如图7所示。可以看出，由于本文信誉模型引入了信誉维护函数以及异常修正因子，在前几轮信誉值判别时，信誉值下降阶段较其他信誉模型缓慢，可有效防止正常节点因非入侵因素出现个别“0响应”状态时，其全域信誉均值急剧下降导致被认作可疑节点情况的发生。本文信誉模型正常节点信誉值相较于文献［8-10］中信誉模型具有更快的收敛速度。

3.3　信誉阈值的选取

图8、图9为不同Sybil节点比例下信誉阈值对检测率和误检率的影响。由图8可看出，当信誉阈值>0.15时，网络中Sybil节点开始逐渐被检测出，并且检测率随着信誉阈值的增大而增加，信誉阈值>0.75时，检测率达到最高并保持稳定。由图9可以看出，信誉阈值为0.75时误检率达到最低，之后误检率有所增加，这是由于信誉阈值选取过大导致正常节点出现误检。综上，本文选取0.75为信誉阈值。

3.4　不同算法的性能对比分析

将本文的SD-IR&SR算法与文献［8-10］和文献［14］中算法做实验对比分析，以证明其有效性。

由图10、图11可以看出，随着网络中Sybil节点比例逐渐增加至50%，SD-IR&SR算法对Sybil节点依旧能够保障96%以上的检测率。虽然与文献［14］算法的检测性能相近，但由于SD-IR&SR算法首先根据设定的信誉阈值对节点进行了分类，致使正常节点被误判的概率大幅度降低，相比文献［14］算法具有更低的误检率。文献［8-10］算法虽然也根据信誉模型对节点进行了筛选，但由于缺少对信誉值低时节点精准判定的阶段，当网络中存在大量Sybil节点时，其检测率大幅度下降，误检率也随之上升。

图12为不同算法下端到端时延的比较。由于本文SD-IR&SR算法和文献［8-10］算法均利用信誉模型对节点进行了评判，数据传输过程中会对信誉值低的节点进行规避，在Sybil节点占比较少的网络中，相比文献［14］算法在端到端时延方面更具有优势。随着Sybil节点占比上升，文献［8-10］算法检测率下降，Sybil节点发动攻击率增加，导致算法端到端延时急速上升。从图12可以看出，相同环境下，SD-IR&SR算法端到端的延时要优于其他算法。

Sybil节点发动攻击时导致数据包的篡改甚至丢弃，使网络的丢包率增加。由图13可以看出，随着Sybil节点数目的增加，丢包率呈上升趋势，SD-IR&SR算法和文献［8］算法由于对Sybil节点的高检测率，导致丢包率低于其他算法，保证网络中数据包的安全交付。

从图14可以看出，随着网络中节点的不断交互通信，节点的能量逐渐被消耗。文献［14］算法需要对每个节点进行检测判定，加剧节点能耗；而利用信誉模型对节点进行分类再进行检测判定可以较好地节省节点的能量。本文SD-IR&SR算法由Sink节点计算全域信誉均值并进行信誉阈值的比较判别，相比文献［8-10］算法节点省去间接信誉值和综合信誉值的计算，有效降低了节点的能耗。

4 结束语

本文针对无线传感器网络中Sybil节点伪造恶意身份，导致网路传输信息泄露、丢包率增加等实际问题，通过建立全域交互信誉机制计算节点全域信誉均值，设定最佳信誉阈值对节点进行分类，结合改进RSSR对比方法对不受信节点进行检测，进而提出了一种融合交互信誉值与RSSR的检测策略。将SD-IR&SR算法与其他算法在检测率、误检率、丢包率、端到端时延和节点平均剩余能量等方面进行仿真实验并对比分析，验证了SD-IR&SR算法的有效性，可以保障WSNs的数据传输的完整与安全。集群式无线传感器网络的安全性一直都是研究的热点问题，下一阶段将根据集群式无线传感器网络的特殊环境，改进本文所提算法中节点交互信誉机制，验证其在集群式无线传感器网络中的性能。

参考文献

[1] 金明, 丁蓉. 一种联合时域和空域残差的网络异常检测与节点定位方法[J]. 电子学报, 2023, 51(5): 1172-1178.

[2] Jin Ming, Ding Rong. Detection and localization of outlier nodes in wireless sensor networks via Temporal and Spatial Residuals[J]. Acta Electronica Sinica, 2023, 51(5): 1172-1178.

[3] 王建元, 李南南. 基于一致性算法的直流微电网分布式储能系统能量控制策略[J]. 东北电力大学学报,2023, 43(2): 73-81.

[4] Wang Jian-yuan, Li Nan-nan. Energy control strategy of DC miciogrid distributed energu storage system based on consensus algorithm[J]. Journal of Northeast Electric Power University, 2023, 43(2): 73-81.

[5] Wang H, Liu W, Xiong N N, et al. LIAA: a listen interval adaptive adjustment scheme for green communication in event-sparse IoT systems[J]. Information Sciences, 2022, 584: 235-268.

[6] Amol V, Manu S. On the vulnerability of the mobile ad hoc network to transmission power controlled Sybil attack: adopting the mobility-based clustering[J]. Journal of King Saud University - Computer and Information Sciences, 2022, 34(9): 7025-7044.

[7] 滕志军, 杜春秋, 孙汇阳, 等. 融合节点信誉度和路径跳数的WSNs虫洞攻击检测策略[J]. 哈尔滨工业大学学报, 2021, 53(8): 67-71, 131.

[8] Teng Zhi-jun, Du Chun-qiu, Sun Hui-yang, et al. A wormhole attack detection strategy integrating node creditworthiness and path hops in WSNs[J]. Journal of Harbin Institute of Technology, 2021, 53(8): 67-71, 131.

[9] 国强, 崔玉强, 王勇. 无线传感器网络中基于动态簇的节点调度算法[J]. 吉林大学学报: 工学版, 2022, 52(6): 1466-1476.

[10] Guo Qiang, Cui Yu-qiang, Wang Yong. Nodes scheduling algorithm based on dynamic cluster in wireless sensor network[J]. Journal of Jilin University (Engineering and Technology Edition), 2022, 52(6): 1466-1476.

[11] 邵春雨, 窦会光, 张海东, 等. 递归式变分模态分解在电力变压器声音信号降噪中的应用[J]. 东北电力大学学报, 2022, 42(5): 90-96.

[12] Shao Chun-yu, Dou Hui-guang, Zhang Hai-dong, et al. Recursive variational modal decomposition for noise reduction of power transformer sound signals[J]. Journal of Northeast Electric Power University, 2022, 42(5): 90-96.

[13] Khan T, Singh K, Abdel-Basset M, et al. A novel and comprehensive trust estimation clustering based approach for large scale wireless sensor networks[J]. IEEE Access, 2019, 7: 58221-58240.

[14] Anwar R W, Zainal A, Outay F, et al.BTEM: belief based trust evaluation mechanism for wireless sensor networks[J]. Future Generation Computer Systems, 2019, 96: 605-616.

[15] Feng R, Han X, Liu Q, et al. A credible Bayesian-based trust management scheme for wireless sensor networks[J]. International Journal of Distributed Sensor Networks, 2015, 11(11): No.678926.

[16] 叶正旺, 温涛, 刘振宁, 等. 基于信誉模型的WSNs安全数据融合算法[J]. 东北大学学报: 自然科学版, 2019, 40(6): 789-794.

[17] Ye Zheng-wang, Wen Tao, Liu Zhen-ning, et al. An algorithm of trust-based secure data aggregation for wireless sensor networks[J]. Journal of Northeastern University (Natural Science), 2019, 40(6): 789-794.

[18] Urooj S, Lata S, Ahmad S, et al. Cryptographic data security for reliable wireless sensor network[J]. Alexandria Engineering Journal, 2023, 72: 37-50.

[19] Dong S, Zhang X, Zhou W. A security localization algorithm based on DV-hop against Sybil attack in wireless sensor networks[J]. Journal of Electrical Engineering & Technology, 2020, 15: 919-926.

[20] Jamshidi M, Zangeneh E, Esnaashari M, et al. A novel model of sybil attack in cluster-based wireless sensor networks and propose a distributed algorithm to defend it[J]. Wireless Personal Communications, 2019, 105: 145-173.

[21] 邢小东. 基于动态WSN的抗合谋Sybil攻击检测方法[J]. 计算机仿真, 2021, 38(1): 416-420.

[22] Xing Xiao-dong. Anti collusion sybil attack detection method based on dynamin wireless sensor network[J]. Computer Simulation, 2021, 38(1): 416-420.

[23] Hussain K, Xia Y, Onaizah A N, et al. Hybrid of WOA-ABC and proposed CNN for intrusion detection system in wireless sensor networks[J]. Optik, 2022, 271: 170145.

[24] 李翠然, 王雪洁, 谢健骊, 等. 基于改进PSO的铁路监测线性无线传感器网络路由算法[J]. 通信学报, 2022, 43(5):155-165.

[25] Li Cui-ran, Wang Xue-jie, Xie Jian-li, et al. Routing algorithm for railway monitoring linear WSN based on improved PSO[J]. Journal on Communications, 2022, 43(5): 155-165.

基金资助

国家自然科学基金项目(61501107)