CN105554739B - 基于信道多径时延差的主用户仿真攻击检测方法 - Google Patents
基于信道多径时延差的主用户仿真攻击检测方法 Download PDFInfo
- Publication number
- CN105554739B CN105554739B CN201510900340.4A CN201510900340A CN105554739B CN 105554739 B CN105554739 B CN 105554739B CN 201510900340 A CN201510900340 A CN 201510900340A CN 105554739 B CN105554739 B CN 105554739B
- Authority
- CN
- China
- Prior art keywords
- sequence
- channel
- primary user
- multipath
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种基于信道多径时延差的主用户仿真攻击检测方法。现有方法中当PUE用户可以得到PU的先验信息并且具有重配置能力时,检测效率会大大下降。本发明通过所述的方法进行信道估计得到信道的小尺度衰落特征,并根据该特征采用二元假设检测的方法实现主用户仿真攻击的检测。具体是根据固定场景下信道的多径衰落模型,认知无线电用户利用主用户的前导码信息对接收信号和同步序列进行互相关运算计算得到信道的多径时延,然后选择多径幅值最大的两条径的时延差作为二元假设检验对象做出判决。本发明方法只须获得主用户的前导码信息,无需信道背景噪声功率,且在仿真主用户成功模仿主用户的大尺度和中尺度衰落特征时可以正常工作。
Description
技术领域
本发明专利属于认知无线电安全领域,涉及一种在能量检测和方差检测失效的情况下,通过信道小尺度衰落特征来检测主用户仿真攻击的方法。
背景技术
认知无线电网络(Cognitive Radio Network,CRN)可以有效提高频谱资源利用率,缓解当前日益严重的频谱资源紧张问题。它的工作原理是,在不干扰该频段内授权用户即主用户(Primary User,PU)正常工作的条件下,感知用户(Secondary User,SU)通过频谱感知技术获取“频谱空洞”即空闲频谱信息并伺机接入这些频谱空洞,从而和主用户共享频谱资源。但是这种工作机制也为CRN引入了一系列新的安全问题。
主用户仿真攻击(Primary User Emulation Attack,PUEA)是其中一种Denial ofService(Dos)攻击,是CRN中一种巨大的潜在危机。主用户仿真用户(PUE)通过模仿主用户的信号特征,使正常工作的SU误认为当前频段正在被使用,从而达到独占空闲频谱资源或不让其他SU接入空闲频谱的目的,严重破坏了CRN的正常工作。
目前已有的检测PUEA的方法主要有发射机地理位置检测(Location detection),能量检测(Energy Detection)、信道特征检测(Channel Characteristics Detection)、合作检测(Cooperative Detection)和指纹检测(Fingerprint Detection)。在PU发射机地理位置是先验知识的情况下,基于地理位置的检测法可以通过距离比值检测法、距离差值检测法、接收信号强度检测法等方法检测发射源的地理位置,从而判定是否存在频谱空洞,这种方法在PU和SU的距离较远时具有较好的效果。基于能量检测的方法具有计算复杂度低、易于实现的优点,如基于Fenton近似法和马尔可夫不等式的能量检测法,但是这种方法容易受到PUEA的攻击,当主用户仿真用户(PUE)在攻击中对发射功率进行调整时会大大降低防御性能。信道特征检测根据PU发射机和PUE发射机到SU之间的信道特征不同的原理识别接收信号,如计算接收信号的方差可以得到对数正态阴影衰落的信道特征,这种方法的优点是对噪声不敏感,缺点是实现复杂度高且检测时间较长。合作检测是基于单个SU的检测基础,通过合作的方式提升整体性能和降低单个用户检测的不稳定性,但是容易带来负面效果如感知数据错误化攻击。指纹检测则通过寻找主用户信号中难以被模仿的特征如载波频率,相位偏移等特征作为检测对象并通过机器学习的方法进行训练和分类,但在主用户信号特征已知的情况下容易被PUE模仿。
上述检测方法主要是通过检测发射机特征和信道特征(信道的大尺度和中尺度衰落特征)实现的。在基于TV网络的CRN模型中,数字电视地面广播传输系统(digitaltelevision terrestrial multimedia broadcasting,DTMB)的信号结构、调制方式和地理位置都可以作为检测的先验信息,但具备感知能力的主用户仿真用户也能够精确模仿以上特征,在这种情况下,我们需要寻找一种新的检测方法来识别PUEA。
发明内容
本发明针对现有技术的不足,提供基于信道多径时延差的主用户仿真攻击检测方法。通过该方法对固定场景下基于TV网络的CRN,当已有的通过发射机特征或信道特征(信道的大尺度和中尺度衰落特征)实现PUEA检测的方法失效的情况下,建立一种系统模型,实现基于信道小尺度衰落特征的PUEA检测方法。
本发明所述方法在DTMB前导码信息已知的情况下,通过估计接收信号所经历多径信道的固有参数即多径时延差来识别主用户信号和主用户仿真信号。本发明具有运算开销低,识别时间短和对噪声敏感度不高的特点,且所识别参数无法被PUE模仿,检测概率高,在基于TV网络的CRN中有良好的应用前景。
为了实现上述目的,本发明所采用的技术方案的具体步骤为:
步骤1:在以数字电视地面广播传输系统为主用户的认知无线电网络中,SU在PU工作时,通过信道多径时延差估计方法估计得到多径幅值最大径和第二径之间的时延差,并将其作为判决先验信息,然后根据虚警概率PFP要求设定判决门限值δ,具体过程如下:所述的SU为感知用户,PU为用户;
(1)SU以频率fs对当前频谱中的工作信号进行采样,得到接收信号为y(n),y(n)=s(n)*h(n)+w(n);
其中s(n)表示发射信号序列,发射信号每个数据帧由长度为LPN的帧头序列PN(n)和长度为Ld的帧体序列d(n)两部分组成,PN(n)包括长度为Lpre的前同步符号序列、长度为Lm的循环扩展9阶m序列和长度为Lpost的后同步符号序列;h(n)表示多径信道响应;w(n)表示信道噪声;*表示线性卷积。
(2)SU根据PU的前导码信息在接收端本地生成与发射信号m序列相同的序列C(n);C(n)的自相关特性如下:
其中RCC(n)表示C(n)的自相关值,表示C(n)以Lm为周期扩展得到的循环序列。
将C(n)与y(n)进行线性互相关求值,得到C(n)与y(n)的互相关值RyC(n),计算如下:
其中表示相关运算,w′(n)表示w(n)和C(n)的互相关值。
由发射信号的数据帧结构得到s(n)和C(n)的线性互相关值RsC(n):
RsC(n)由两部分组成,第一部分是前导码序列PN(n)和m序列的互相关值RpC(n),第二部分是数据帧信号d(n)和m序列的互相关值RdC(n)。
根据C(n)的自相关特性,RpC(n)的计算结果如下:
则RpC(n+Lpre)=Gδ(n)+I(n),n=-Lpre,...,Lpost;
其中,G为中间系数,G=RpC(Lpre);δ(n)为冲激函数;I(n)为RpC(n)以冲激函数形式
表示时的附加序列,
当接收端采样率足够大时,RyC(n)表示为:
其中L表示多径数目,hk和τk分别表示第k个多径分量的复增益和附加时延。
(3)当信道最大多径时延差小于后同步符号序列持续时间Tpost时,计算出多径信道每条径的幅值 其中Tpost=LpostTs,Ts表示信号帧的单位符号时间长度;由此寻找RyC(n)在[Lpre,Lpre+Lpost]内的互相关峰值,每个峰值所在的时间点对应该径的相对多径时延。
(4)对(3)中获得的峰值点进行排序算法处理,找到幅值最大的两条径的时间点,这两个时间点即对应多径幅值最大两径的相对多径时延,计算两者的时延差△τPU。
(5)重复以上估计过程,计算统计平均值其中表示第i次的多径时延差估计值,N为估计次数。
(6)根据预先设定的虚警概率PFP要求,由
设定符合PFP的最小判决门限值δ,Pr表示概率值。
步骤2、SU在未知用户工作时,采集接收信号y(n);通过步骤1中的信道多径时延差估计方法计算得到多径幅值最大径和第二径之间的时延差,重复估计N次,得到统计平均值
步骤3、SU通过构建二元假设检验,判断接收到的信号来自PU还是PUE,PUE为主用户仿真用户;SU构建二元假设检验如下:
根据步骤1得到的判决门限值δ和步骤2得到的多径时延差SU通过以下准则做出判决:
本发明是基于信道多径时延差的主用户仿真攻击检测方法,与过去的检测方法相比,其优点体现在:
1、现有的PUEA检测方法都是基于发射机特征,信道大尺度特征和中尺度特征来进行识别的,当PUE用户可以得到PU的先验信息并且具有重配置能力时,检测效率会大大下降。本发明基于信道的一种小尺度衰落特征即信道多径时延差进行识别,可以在PUE用户成功模仿主用户的大尺度衰落和中尺度衰落特征时正常工作。
2、本发明用于固定场景下基于TV网络的CRN,识别仅需TV发射信号的前导码信息,具有识别时间短,硬件配置要求低和对噪声不敏感的特点,适合在计算能力有限,需要快速识别的CRN中使用。
3、本发明以多径时延差作为检测的特征参数,该特征参数属于信道的固有参数,且随着发射机和接收机的地理位置变化而变化,故PUE用户无法通过学习和重配置过程进行模仿,检测概率高。
附图说明
图1为提出的基于TV网络的CRN模型。
图2为基于信道多径时延差的主用户仿真攻击检测方法。
图3为基于DTMB前导码信息的信道多径时延差计算方法流程图。
具体实施方式
以下结合附图并举实施例对本发明做进一步详细说明。
本实例工作在固定场景下基于TV的CRN,如图1所示,该环境满足以下条件:
(1)PU发射机位置固定,SU和恶意节点静态部署在距离PU发射机dp的一个半径为R的圆形区域中,且有R<<dp。
(2)恶意节点具有重配置发射功率的能力。
(3)SU接收到来自PU和恶意节点的信号考虑路径损耗(path loss)、对数正态阴影损耗(log-normal shadowing)和多径效应引起的瑞利衰落(Rayleigh fading)的影响。
(4)恶意用户可以模仿PU的大尺度衰落和中尺度衰落特征。
如图2,本实例具体通过以下步骤实现:
步骤1、SU在PU工作时,通过如图3所示的信道多径时延差估计方法估计得到多径幅值最大径和第二径之间的时延差,并将其作为判决先验信息,然后根据虚警概率PFP要求设定判决门限值δ,具体过程如下:
(1)设定采样频率fs=Ns/Ts,其中Ts表示信号帧的单位符号时间长度,Ns取值为8;设定接收端信噪比在0dB以上。SU采样得到接收信号为
y(n)=s(n)*h(n)+w(n);
根据采样频率对y(n)作如下处理,
(2)SU通过线性移位寄存器和初始向量同步生成PU前导码序列中m序列C(n),对y(n)与C(n)进行线性互相关求值,结果如下:
其中n=Lpre,Lpre+1...,Lpre+Lpost,其中Lm表示序列C(n)的长度,值为511;Lpost表示前导码序列的后同步符号序列长度,值为217;Lpre表示前导码序列的前同步符号序列长度,值为217。
(3)对RyC(n)值做排序处理,其中n取值范围为[Lpre,Lpre+Lpost];找到RyC(n)取值最大的两个n值,n1和n2;则主用户的信道多径幅值最大径和第二径之间的时延差为△τPU=|n1-n2|Ts。
(4)重复以上估计过程,计算统计平均值其中是第i次的多径时延差估计值,N为估计次数。
(5)设定虚警概率PFP=0.2,由
求出符合PFP的最小判决门限值δ。
步骤2、SU在未知用户工作时,设定采样频率为fs,得到接收信号y(n);通过图3所示的信道多径时延差估计方法计算得到多径幅值最大径和第二径之间的时延差
步骤3、SU通过构建二元假设检验,判断接收到的信号来自主用户还是主用户仿真用户。SU构建二元假设检验如下:
根据步骤1得到的判决门限值δ和步骤2得到的多径时延差SU通过以下准则做出判决:
Claims (2)
1.基于信道多径时延差的主用户仿真攻击检测方法,其特征在于该方法包括以下步骤:
步骤1:在以数字电视地面广播传输系统为主用户的认知无线电网络中,SU在PU工作时,通过信道多径时延差估计方法估计得到多径幅值最大径和第二径之间的时延差,并将其作为判决先验信息,然后根据虚警概率PFP要求设定判决门限值δ:所述的SU为感知用户,PU为主用户;
步骤2:SU在未知用户工作时,采集接收信号y(n);通过步骤1中的信道多径时延差估计方法计算得到多径幅值最大径和第二径之间的时延差,重复估计N次,得到统计平均值
步骤3:SU通过构建二元假设检验,判断接收到的信号来自PU还是PUE,PUE为主用户仿真用户;SU构建二元假设检验如下:
根据步骤1得到的判决门限值δ和步骤2得到的多径时延差SU通过以下准则做出判决:
2.如权利要求1所述的基于信道多径时延差的主用户仿真攻击检测方法,其特征在于步骤1中所述的根据虚警概率PFP要求设定判决门限值δ的具体步骤是:
(1)SU以频率fs对当前频谱中的工作信号进行采样,得到接收信号为y(n),y(n)=s(n)*h(n)+w(n);
其中s(n)表示发射信号序列,发射信号每个数据帧由长度为LPN的帧头序列PN(n)和长度为Ld的帧体序列d(n)两部分组成,PN(n)包括长度为Lpre的前同步符号序列、长度为Lm的循环扩展9阶m序列和长度为Lpost的后同步符号序列;h(n)表示多径信道响应;w(n)表示信道噪声;*表示线性卷积;
(2)SU根据PU的前导码信息在接收端本地生成与发射信号m序列相同的序列C(n);C(n)的自相关特性如下:
其中RCC(n)表示C(n)的自相关值,表示C(n)以Lm为周期扩展得到的循环序列;
将C(n)与y(n)进行线性互相关求值,得到C(n)与y(n)的互相关值RyC(n),计算如下:
其中表示相关运算,w′(n)表示w(n)和C(n)的互相关值;
由发射信号的数据帧结构得到s(n)和C(n)的线性互相关值RsC(n):
RsC(n)由两部分组成,第一部分是前导码序列PN(n)和m序列的互相关值RpC(n),第二部分是数据帧信号d(n)和m序列的互相关值RdC(n);
根据C(n)的自相关特性,RpC(n)的计算结果如下:
则RpC(n+Lpre)=Gδ(n)+I(n),n=-Lpre,...,Lpost;
其中,G为中间系数,G=RpC(Lpre);δ(n)为冲激函数;I(n)为RpC(n)以冲激函数形式表示时的附加序列,
当接收端采样率足够大时,RyC(n)表示为:
其中L表示多径数目,hk和τk分别表示第k个多径分量的复增益和附加时延;
(3)当信道最大多径时延差小于后同步符号序列持续时间Tpost时,计算出多径信道每条径的幅值其中Tpost=LpostTs,Ts表示信号帧的单位符号时间长度;由此寻找RyC(n)在[Lpre,Lpre+Lpost]内的互相关峰值,每个峰值所在的时间点对应该径的相对多径时延;
(4)对(3)中获得的峰值点进行排序算法处理,找到幅值最大的两条径的时间点,这两个时间点即对应多径幅值最大两径的相对多径时延,计算两者的时延差ΔτPU;
(5)重复以上估计过程,计算统计平均值其中表示第i次的多径时延差估计值,N为估计次数;
(6)根据预先设定的虚警概率PFP要求,由
设定符合PFP的最小判决门限值δ,Pr表示概率值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510900340.4A CN105554739B (zh) | 2015-12-08 | 2015-12-08 | 基于信道多径时延差的主用户仿真攻击检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510900340.4A CN105554739B (zh) | 2015-12-08 | 2015-12-08 | 基于信道多径时延差的主用户仿真攻击检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105554739A CN105554739A (zh) | 2016-05-04 |
CN105554739B true CN105554739B (zh) | 2018-09-28 |
Family
ID=55833626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510900340.4A Active CN105554739B (zh) | 2015-12-08 | 2015-12-08 | 基于信道多径时延差的主用户仿真攻击检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105554739B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106162620B (zh) * | 2016-08-12 | 2019-05-03 | 浙江大学 | 一种基于信道多普勒效应的主用户仿真攻击检测方法 |
CN106452674B (zh) * | 2016-09-30 | 2019-04-12 | 西安交通大学 | 一种基于802.11ac网络的实际数据包恢复方法 |
CN107086921B (zh) * | 2017-04-18 | 2020-04-24 | 桂林电子科技大学 | 一种基于小小区频谱拍卖系统的用户身份识别方法 |
CN107332855B (zh) * | 2017-07-20 | 2020-04-28 | 浙江大学 | 基于增强学习算法的主用户仿真攻击检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101459445A (zh) * | 2008-12-29 | 2009-06-17 | 浙江大学 | 一种认知无线电系统中的合作频谱感知方法 |
CN101789836A (zh) * | 2010-02-02 | 2010-07-28 | 浙江大学 | 一种节省网络通信开销的合作频谱感知方法 |
CN102118744A (zh) * | 2011-03-04 | 2011-07-06 | 浙江大学 | 一种合作频谱感知中安全的合作用户选择方法 |
CN102291713A (zh) * | 2011-08-23 | 2011-12-21 | 浙江大学 | 一种缓减主用户仿真攻击影响的方法 |
CN103346849A (zh) * | 2013-06-28 | 2013-10-09 | 宁波大学 | 一种抵抗模仿主用户信号的恶意攻击的频谱感知方法 |
CN103746756A (zh) * | 2014-01-06 | 2014-04-23 | 重庆邮电大学 | 认知无线电网络基于模仿主用户攻击的干扰估计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9608803B2 (en) * | 2013-12-04 | 2017-03-28 | Board Of Trustees Of Michigan State University | Method for defense against primary user emulation attacks in cognitive radio networks using advanced encryption |
-
2015
- 2015-12-08 CN CN201510900340.4A patent/CN105554739B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101459445A (zh) * | 2008-12-29 | 2009-06-17 | 浙江大学 | 一种认知无线电系统中的合作频谱感知方法 |
CN101789836A (zh) * | 2010-02-02 | 2010-07-28 | 浙江大学 | 一种节省网络通信开销的合作频谱感知方法 |
CN102118744A (zh) * | 2011-03-04 | 2011-07-06 | 浙江大学 | 一种合作频谱感知中安全的合作用户选择方法 |
CN102291713A (zh) * | 2011-08-23 | 2011-12-21 | 浙江大学 | 一种缓减主用户仿真攻击影响的方法 |
CN103346849A (zh) * | 2013-06-28 | 2013-10-09 | 宁波大学 | 一种抵抗模仿主用户信号的恶意攻击的频谱感知方法 |
CN103746756A (zh) * | 2014-01-06 | 2014-04-23 | 重庆邮电大学 | 认知无线电网络基于模仿主用户攻击的干扰估计方法 |
Non-Patent Citations (3)
Title |
---|
认知无线电网络中的基于信道特征的主用户仿真攻击防御技术;杨天鸿;《中国优秀硕士学位论文全文数据库》;20120715;全文 * |
认知无线电网络中移动场景下主用户仿真攻击及其防御策略研究;鲍飞静;《中国优秀硕士学位论文全文数据库》;20130515;全文 * |
认知无线电网络中节能、安全的合作频谱感知技术研究;吴伟;《中国优秀硕士学位论文全文数据库》;20110715;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN105554739A (zh) | 2016-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Cyclostationary feature detection based spectrum sensing algorithm under complicated electromagnetic environment in cognitive radio networks | |
CN109564280B (zh) | 检测运动检测所用的信号调制 | |
Quan et al. | Optimal spectral feature detection for spectrum sensing at very low SNR | |
CN105554739B (zh) | 基于信道多径时延差的主用户仿真攻击检测方法 | |
CN109672485B (zh) | 基于信道状态信息室内人员实时入侵及运动速度检测方法 | |
Bagwari et al. | Multiple energy detection vs cyclostationary feature detection spectrum sensing technique | |
Tekbiyik et al. | Multi–dimensional wireless signal identification based on support vector machines | |
CN106130942A (zh) | 一种基于循环谱的无线通信信号调制识别及参数估计方法 | |
CN108038419B (zh) | 基于Wi-Fi的室内人员被动检测方法 | |
Ninkovic et al. | Deep learning-based packet detection and carrier frequency offset estimation in IEEE 802.11 ah | |
Fadul et al. | RF-DNA fingerprint classification of OFDM signals using a Rayleigh fading channel model | |
CN100521670C (zh) | 一种多进制频移键控信号的检测和分析方法 | |
CN107332855B (zh) | 基于增强学习算法的主用户仿真攻击检测方法 | |
CN110289926B (zh) | 基于调制信号循环自相关函数对称峰值的频谱感知方法 | |
KR102347174B1 (ko) | 앙상블 기반 무선 핑거프린팅 장치 및 이를 이용한 송출원 식별 방법 | |
CN112543409B (zh) | 一种到达时间toa估计方法及基站 | |
CN107454598B (zh) | 一种基于i/q不平衡的主用户仿真攻击检测方法 | |
CN106162620B (zh) | 一种基于信道多普勒效应的主用户仿真攻击检测方法 | |
CN105656511B (zh) | 一种适应于有频偏和低信噪比环境下的差分相关捕获方法 | |
CN105680964B (zh) | 一种频谱感知方法和频谱感知系统、客户端和服务端 | |
WO2009025621A1 (en) | Method and system for determining whether a transmitted data signal comprising a cyclic prefix is present in a received signal | |
Zhang et al. | A spectrum sensing algorithm for OFDM signal based on deep learning and covariance matrix graph | |
Sebdani et al. | Detection of an LTE signal based on constant false alarm rate methods and Constant Amplitude Zero Autocorrelation sequence | |
Xie et al. | Identification of NLOS based on soft decision method | |
KR20110087635A (ko) | 통신 시스템에서 잡음 및 간섭 전력 추정 장치 및 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |