一种基于SVDD的WLAN室内被动入侵检测方法

针对现有的被动入侵检测技术在不同监测环境下适应性较差,检测性能较低的问题,提出一种基于支持向量域描述(support vector domain description,SVDD)的无线局域网(wireless local area network,WLAN)室内被动入侵检测方法。该方法利用A-distance值评估多种特征正确区分静默和入侵2种状态的平均贡献度,根据平均贡献度挑选出最优特征组合来刻画监测环境中的不同状态,显著增强了系统的适应性。同时,引入单分类方法SVDD,只需采集静默数据训练被动入侵检测模型,有效地减少训练阶段的时间成本开销。此外,SVDD能在高维特征空间中训练出超球体异常检测边界,通过判断当前样本点是否在超球体之内,可实现准确的异常检测。实验结果表明,基于SVDD的WLAN室内被动入侵检测方法在降低训练开销的同时,能有效地提升系统的检测性能。

基于定性评估的WSN节点捕获攻击被动检测方法

由于通常部署于外界,WSN节点易于被敌手捕获。传统捕获攻击的监测方法主要有基于缺席时间的监测及被动入侵检测两类,前者需要额外的通信开销,而后者则需要对网络整体信号强度进行统计分析,对单个节点入侵的识别通常不够敏感。本文利用云模型定性知识与定量数值之间的不确定性转换能力,对WSN节点之间通信中信号强度进行实时统计,建立信号强度云模型,得出节点是否遭遇入侵的定性判断,进而对可疑节点一段时间内信号强度进行分析,判断是否遭遇捕获攻击。仿真实验证明,该方法能够较大程度地提高检测的准确度,且误报率较低。