基于机器学习的动态信任估计框架用于保护无线传感器网络的安全
Prafull Goswami1, Tayyab Khan2, Vinay Pathak1
1Department of Computer Science and Engineering, Indian Institute of Information Technology Sonepat, Haryana, India.
Scientific reports
|October 14, 2025
概括
基于安全机器学习的自适应可靠信任 (SMART) 模型通过使用新型信任功能和机器学习算法准确检测恶意节点,提高网络整体完整性和可靠性,从而提高无线传感器网络 (WSN) 的安全性.
科学领域:
- 计算机科学 计算机科学
- 网络安全 网络安全
- 机器学习 机器学习
背景情况:
- 无线传感器网络 (WSN) 容易受到安全威胁和攻击,损害数据完整性和网络可靠性.
- 现有的安全框架需要加强,以有效地检测恶意活动并确保可靠的数据传输.
研究的目的:
- 提出和评估基于安全机器学习的自适应可靠信任 (SMART) 模型,以提高无人监督的自主WSN环境中的安全性和可靠性.
- 提高恶意节点检测准确度,加强整体网络安全和完整性.
主要方法:
- 开发了SMART模型,利用一种新的机器学习算法来获得信任特征:共同位置关系 (CLR),共同工作关系 (CWR) 和合作性-频率-持续时间 (CFD).
- 集成的即时 (直接) 和衍生 (间接) 信任机制,具有逻辑时间窗口来监控交互.
- 采用K-means集群用于数据点分配,主要组件分析 (PCA) 用于差异识别,支持向量机 (SVM) 用于维度缩小和决策.
主要成果:
- SMART模型实现了96%的恶意节点检测率,假负率 (FNR) 为0.7%,F1-Score为0.75.
- 在识别恶意节点方面表现出高准确性 (96%),即使存在50个受损设备.
- 该模型有效地提高了WSN的可信度和安全性,显示了性能指标的显著改进.
结论:
- 拟议的SMART模型提供了一个强大而准确的解决方案,用于保护无线传感器网络免受恶意攻击.
- 新的信任特性和集成的机器学习技术显著改善了对受损节点的检测,并提高了网络可靠性.
- SMART是一个有价值的框架,可以确保自主WSN中的数据的完整性和可靠性.