在实际认知无线电网络模型中利用循环神经网络检测 PUE 攻击
网络与互联网体系结构
2018-05-02 v1
摘要
物联网（IoT）的扩散以及多种不同类型移动计算设备的普遍使用，使无线通信频谱成为一种宝贵资源。为适应仍在快速增长的无线连接设备数量，亟需更高效、细粒度的频谱分配与共享方案。认知无线电网络（CRN）已被广泛认为是一种有前景的解决方案，其中次要用户（SU）可在不对主要用户（PU）正常运行造成干扰的前提下与之共享信道。然而，恶意攻击者或自私的 SU 可能模仿 PU 行为以非法占用信道。准确、及时地检测此类主用户仿真（PUE）攻击并非易事。本文引入一种利用循环神经网络（RNN）的高效 PUE 攻击检测方法。在给出基于基本 RNN 的基础算法后，提出了一种利用长短期记忆（LSTM）的进阶版本，其在处理具有长期记忆的时间序列时更为高效。实验研究深入揭示了 RNN 所取得的不同性能，并验证了所提检测器的有效性。
引用
@article{arxiv.1805.00428,
title = {Explore Recurrent Neural Network for PUE Attack Detection in Practical CRN Models},
author = {Qi Dong and Yu Chen and Xiaohua Li and Kai Zeng},
journal= {arXiv preprint arXiv:1805.00428},
year = {2018}
}