新sinkhole attack.ppt

本文框架： 1.简介 2.背景及相关工作 3.两种检测方法 4.抑制方法 5.仿真结果 6.总结 1.Introduction ? Sinkhole攻击是最早出现的攻击之一,已被无线传感网识别。Sinkhole攻击几乎威胁着网络的每一层的协议栈的安全，例如有选择地删除数据包,篡改数据聚合算法或干扰聚类协议。 ? 本文我们提出两种方法来检测网络中的Sinkholes。这些方法的基本原理:Sinkholes周围的节点消耗能量的速度比其他节点更快，因此每个Sinkhole周围都会存在能量空洞。 Introduction Geostatistical hazard model 基站利用地质统计学方法采样每个感知区域的残余能量,并通过一个提取统计估计量估计在每个地区的Sinkhole存在的可能性。基于估计量的值,基站指示所有的节点在他们的路由路径中避免可疑区域。 Distributed monitoring approach 一个分布式监测方法检测平均剩余能量水平较低的区域。 Introduction 贡献： ⒈提出地质统计风险模型来估算能量空洞。 ⒉我们引入一个集中式模型基于已提出的风险模型来检测Sinkhole攻击。 ⒊提出分布式监测方法来探索网络中相邻区域的能量空洞的检测。 ⒋ 提供了一个分析模型来捕获在已提出的检测方法中的各种影响参数之间的交互。 ⒌我们描述一个轻量级的抑制方法来消除Sinkholes。 ⒍我们提供了大量的仿真实验来验证获得的结果。 2.Background and relatedwork 2.1 Sinkhole attack ?在Sinkhole攻击中,恶意节点广播它本身是到基站的一条高效路由路径，吸引周围的节点选择它作为路由路径中的点，引诱该区域的几乎所有的数据流通过该恶意节点。因此,恶意节点有机会篡改数据,破坏正常的操作,甚至会进一步挑战网络的安全。 Background and relatedwork ?2.2 Geostatistics ?地质统计学方法是以反映空间结构特征的结构函数为基础，以取得估计方差最小为目标，在无偏性约束条件下求优的一种估计方法 。 Background and relatedwork 3.Detection methods 3.1 Geostatistical detection method ? 基站利用地质统计学方法定期采样所部署的区域，获得采样节点的剩余能量以及它们的地质统计数据,然后估计参数。基于这些获得的参数,基站决定抑制该区域的攻击或忽略它。 ? 为了使基站估计在部署区域的能量空洞，它利用一种基于地质统计学的脆弱生存模式。在比例风险模型中,增加一个单位的一个协变量就成比例提高了风险率。脆弱模型是比例风险模型的扩展。 Detection methods 在上述方法中，基站负责数据聚合和地质统计评估。 我们的方法是由两个主要的阶段,： ⒈ Residual energy sampling phase: 基站根据已知的分布，随机的选择一个区域。它生成随机的位置并且向 每个位置发起询问。一旦收到询问，每个节点就发送一个应答（称为生存报告），由在审查阈值和它们的时间戳之下邻居的ID组成。 ⒉Centralized detection and estimation phase: 在收到大量的回复之后，基站利用给出的生存模型和合并的地质统计数据执行上述方法提取空间生存能量图。此过程决定了每个区域的Φ。基于Φ的值，基站确定每个区域的能量空洞，以此来计算sinkhole的可能性。 Detection methods 3.2 Distributed detection approach ?我们认为网络中的一些节点是可信任的，并假设它们使用资源来执行监视任务,因此称之为监控节点。它们知道网络的位置信息，还有自身距离基站的准确距离。我们假设这是在没有敌意的活动环境获得的。 ?在我们的方案中，我们根据均匀分布随机的