基于HHO-SVM的抗SSDF攻击协作频谱感知方法

针对认知无线电网络中的频谱感知数据伪造(spectrum sensing data falsification,SSDF)攻击问题,提出一种基于哈里斯鹰优化(Harris hawks optimization,HHO)算法和支持向量机(support vector machine,SVM)的抗SSDF攻击协作频谱感知方法。首先从报告信息矩阵中提取用于区分次用户(secondary users,SU)类别的特征向量。其次通过HHO算法优化SVM内核参数,通过优化的SVM模型检测恶意SU,提高了在复杂感知环境中对SU分类的准确率。最后根据优化的SVM模型计算获得SU的可信度,并以可信度为权重融合感知数据,进一步加强系统的抗攻击性。仿真结果表明,所提方法能够对不同的SSDF攻击场景实现有效防御,相比现有的方法具有更好的频谱感知性能。

一种基于特征值和级联聚类的协作频谱感知方法

为了提高低信噪比(Signal-to-Noise Ratio,SNR)下频谱感知的性能,使用模糊C均值(Fuzzy C-means,FCM)和高斯混合模型(Gaussian Mixture Model,GMM),提出了一种基于特征值和级联聚类的协作频谱感知方法。从接收信号的协方差矩阵中提取特征值构造特征向量,通过在三维空间中执行聚类得到信道是否可用的分类模型,此过程无需获得主用户(Primary User,PU)信号以及噪声功率的先验信息,避免了复杂的门限计算。FCM聚类用于优化GMM聚类的初始参数,有效解决了在低SNR下GMM容易陷入局部最小值的问题。仿真结果表明,该方法降低了GMM的收敛时间并提高了模型分类的准确性,与其他主流方法相比能够有效提升频谱感知的性能。