面向工业无线传感器网络可信安全聚类的生成对抗学习
网络与互联网体系结构
2022-10-17 v1 人工智能
系统与控制
系统与控制
摘要
传统机器学习技术已被广泛用于建立信任管理系统。然而，训练数据集的规模会显著影响系统的安全性能，同时由于缺少关于新型攻击的标注数据，检测恶意节点是一大挑战。为解决此问题，本文提出一种基于生成对抗网络（GAN）的工业无线传感器网络（IWSNs）信任管理机制。首先，采用二类模糊逻辑评估传感器节点的声誉，同时缓解不确定性问题。然后，收集信任向量以训练基于 GAN 的编解码器结构，用于进一步的恶意节点检测。此外，为避免正常节点因错误检测被永久隔离出网络，构建基于 GAN 的信任恢复模型以增强信任管理的弹性。基于最新检测结果，开发信任模型更新方法以适应动态工业环境。所提信任管理机制最终应用于安全聚类以实现可靠实时数据传输，仿真结果表明其检测率高达 96%，误报率低于 8%。
引用
@article{arxiv.2210.07707,
title = {Generative Adversarial Learning for Trusted and Secure Clustering in Industrial Wireless Sensor Networks},
author = {Liu Yang and Simon X. Yang and Yun Li and Yinzhi Lu and Tan Guo},
journal= {arXiv preprint arXiv:2210.07707},
year = {2022}
}