利用分組過濾加強(qiáng)SSDF攻擊防御的方案設(shè)計(jì)

陳青青 季 薇,2 鄭寶玉,2

(1. 南京郵電大學(xué)通信與信息工程學(xué)院, 江蘇南京 210003;2. 南京郵電大學(xué)教育部“寬帶無線通信與傳感網(wǎng)技術(shù)”重點(diǎn)實(shí)驗(yàn)室, 江蘇南京 210003)

1 引言

如今無線設(shè)備廣泛應(yīng)用于各種通信系統(tǒng)和網(wǎng)絡(luò)中,然而傳統(tǒng)的頻譜分配機(jī)制已不能滿足日益增長的數(shù)據(jù)傳輸需求[1]。認(rèn)知無線電(Cognitive Radio,CR)[2]技術(shù)允許次用戶(Secondary Users,SU)高效智能地動態(tài)接入頻譜,可有效解決頻譜資源利用率低的問題[3]。頻譜感知[4]是CR的關(guān)鍵技術(shù)之一,SU必須準(zhǔn)確感知信道的占用情況,以避免對主用戶(Primary User,PU)造成干擾。在各種感知技術(shù)中,能量檢測[5]由于簡單而被廣泛使用。

認(rèn)知無線電網(wǎng)絡(luò)[6](Cognitive Radio Networks,CRN)常受到信道陰影衰落、噪聲[3]等隨機(jī)因素的影響,因此,為了提高頻譜感知性能,通常采用分布式協(xié)作頻譜感知(Cooperative Spectrum Sensing,CSS)。在分布式CSS網(wǎng)絡(luò)中,SU和鄰居用戶交換信息,通過信息融合得到最終的判決結(jié)果。然而,由于設(shè)備故障、信道陰影衰落和噪聲等的影響,常常導(dǎo)致SU發(fā)送不可靠信息,并把不可靠信息分享給鄰居用戶,這必將導(dǎo)致最終的判決結(jié)果不準(zhǔn)確。此外,惡意用戶在協(xié)作過程中發(fā)動攻擊,也會導(dǎo)致其他SU得到錯(cuò)誤的頻譜感知結(jié)果,進(jìn)而影響合法用戶使用頻譜資源。因此,如何高效地檢測[8]出非法用戶顯得尤為重要。

CRN中常見的攻擊有模擬主用戶攻擊(Primary user emulation attack,PUEA)[9]和頻譜感知數(shù)據(jù)偽造(SSDF,Spectrum Sensing Data Falsification)攻擊,本文主要研究SSDF攻擊和相應(yīng)的防御策略。CSS分為感知階段和數(shù)據(jù)融合階段,SSDF攻擊發(fā)生在數(shù)據(jù)融合階段,惡意用戶通過發(fā)送虛假信息誤導(dǎo)誠實(shí)用戶。針對SSDF攻擊,文獻(xiàn)[1]中提出一種集中式場景下基于信譽(yù)的檢測方法,該方法考慮了公共控制信道的衰落效應(yīng)對惡意用戶檢測的影響,為每個(gè)用戶設(shè)置了信譽(yù)值門限,過濾掉信譽(yù)值低于預(yù)設(shè)門限的用戶,增加了最終判決結(jié)果的準(zhǔn)確性,但該方法很難應(yīng)用于分布式網(wǎng)絡(luò);文獻(xiàn)[10]中利用貝葉斯推斷來檢測惡意用戶,通過“層層篩選”分離惡意用戶和誠實(shí)用戶,并將惡意用戶從網(wǎng)絡(luò)中剔除。然而,惡意用戶的剔除將導(dǎo)致網(wǎng)絡(luò)重新組網(wǎng),不利于保持網(wǎng)絡(luò)連通性;文獻(xiàn)[11]提出了一種加權(quán)序列概率測試(Weighted Sequential Probability Ratio Test,WSPRT)方法,若次用戶的發(fā)送信息和本地結(jié)果一致,則信譽(yù)值增加,若不一致,則信譽(yù)值減少。信譽(yù)值高的用戶在最終融合時(shí)貢獻(xiàn)較大,但這種方法復(fù)雜度高,且不適用于分布式網(wǎng)絡(luò);文獻(xiàn)[12]中提出一種基于信譽(yù)模型和可靠用戶的協(xié)作感知方法,當(dāng)次用戶的感知結(jié)果和本地結(jié)果一致時(shí),信譽(yù)值加一,不一致時(shí)減一,并設(shè)置信譽(yù)值門限,若用戶的信譽(yù)值低于該門限,則檢測結(jié)果為惡意用戶,但文中的方法僅在攻擊用戶較少時(shí)檢測性能較好,不適用于有較多攻擊用戶的場景;文獻(xiàn)[13]中提到一種安全的、高能效的協(xié)作頻譜感知防御機(jī)制,該方法考慮了能量效率和安全性的關(guān)系,用信譽(yù)機(jī)制檢測誠實(shí)用戶和惡意用戶,但算法較復(fù)雜,難以應(yīng)用在分布式網(wǎng)絡(luò),并且當(dāng)網(wǎng)絡(luò)中發(fā)動隨機(jī)攻擊的用戶占比較大時(shí),該方法的準(zhǔn)確率會大大降低;文獻(xiàn)[14]提出一種基于機(jī)器學(xué)習(xí)的協(xié)作感知信譽(yù)機(jī)制,鼓勵(lì)用戶發(fā)送可靠信息,使發(fā)送誠實(shí)信息的用戶信譽(yù)值增加,但該方法沒有對惡意用戶的信譽(yù)加以懲罰,這樣就導(dǎo)致惡意用戶可以通過先偽裝為誠實(shí)用戶來增加信譽(yù)值,當(dāng)信譽(yù)值高于門限值時(shí)再發(fā)動攻擊,給網(wǎng)絡(luò)帶來極大的損害;文獻(xiàn)[15]結(jié)合置信傳播算法提出一種信譽(yù)模型,該信譽(yù)模型獎勵(lì)誠實(shí)用戶,懲罰惡意用戶,信譽(yù)值高的用戶在最終判決時(shí)占得比重大,該方法簡單高效,但是沒有考慮感知器設(shè)備故障狀態(tài)下導(dǎo)致的感知信息不準(zhǔn)確的情況,所以協(xié)作效率低。

為了解決上述問題,本文結(jié)合置信傳播算法設(shè)計(jì)了一種基于SU分組的信譽(yù)模型方案來防御SSDF攻擊。SU(手機(jī)平板等移動設(shè)備)由于設(shè)備損壞[18]、所處頻譜環(huán)境惡劣、受到惡意攻擊會導(dǎo)致頻譜感知結(jié)果不準(zhǔn)確,進(jìn)而把錯(cuò)誤的感知信息分享給鄰居用戶,使最終感知結(jié)果產(chǎn)生偏差和錯(cuò)誤,影響授權(quán)用戶正常使用頻譜資源,大大降低了協(xié)作感知效率。在感知階段,本文使用簡化了的置信傳播算法的本地函數(shù)[15],在置信傳播算法中,本地函數(shù)代表感知結(jié)果,本地函數(shù)值越大表示該信道被主用戶占用的概率越高。我們認(rèn)為故障用戶的感知結(jié)果與真實(shí)結(jié)果偏離程度較大,即在主用戶存在時(shí),故障用戶的本地函數(shù)值很小,而主用戶不存在時(shí),故障用戶的本地函數(shù)值很大。因此,可以根據(jù)本地函數(shù)的偏差對所有SU分組,篩選出設(shè)備故障用戶,用剩下的一組(即可正常工作的用戶組)進(jìn)行數(shù)據(jù)融合;在融合階段,SU將本地觀察發(fā)送給鄰居用戶,每個(gè)SU通過融合所有鄰居用戶的信息來判斷主用戶是否存在,我們將融合值定義為置信值。本文在信息融合時(shí)采用信譽(yù)機(jī)制,增加感知結(jié)果與本地結(jié)果一致的用戶的信譽(yù)值,減小與本地結(jié)果不一致的用戶信譽(yù)值,以信譽(yù)值作為權(quán)重因子計(jì)算最終的判決值。本文研究了兩種攻擊模式[15]:第一種為相反性攻擊(Opposite Attack,OA),惡意用戶報(bào)告和感知結(jié)果相反的信息;第二種為隨機(jī)性攻擊(Random Attacks, RA),惡意用戶發(fā)送隨機(jī)正態(tài)分布的感知信息。本文用了單次迭代的置信傳播算法,降低了計(jì)算復(fù)雜度,仿真結(jié)果表明第7次迭代時(shí),置信值均值收斂,在有較多惡意用戶的場景下,本文的算法依然能夠快速收斂。

2 系統(tǒng)模型

本文使用能量檢測模型[5]進(jìn)行本地感知,每個(gè)用戶的接收能量和發(fā)射機(jī)發(fā)射能量的關(guān)系式[3]為:

(1)

其中,Pt表示發(fā)射機(jī)發(fā)射能量,Pri表示各個(gè)用戶的接受能量,α為路徑損失因子,di為各用戶到發(fā)射機(jī)的距離,h代表信道陰影衰落隨機(jī)變量。

本文以移動設(shè)備(手機(jī)等)作為頻譜感知器,在CRN中有一個(gè)PU,若干個(gè)SU。假設(shè)網(wǎng)絡(luò)[21-22]中存在故障用戶,惡意用戶隨機(jī)分布在SU中。SU隨機(jī)分布在固定平面內(nèi),當(dāng)SU之間的距離大于有效通信距離[3]時(shí),則互不為鄰居用戶。圖1給出分布式網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu),假設(shè)在一個(gè)感知周期內(nèi)網(wǎng)絡(luò)拓?fù)鋱D保持不變。如圖所示,誠實(shí)用戶之間傳遞可靠信息,惡意用戶發(fā)送攻擊信息,故障用戶發(fā)送不可靠信息,鄰居用戶之間傳遞的為可靠信息,互相不為鄰居的用戶之間不傳遞信息。假設(shè)通信信道存在多徑效應(yīng),服從瑞利分布。

圖1 網(wǎng)絡(luò)拓?fù)鋱DFig.1 Network topology

3 方案設(shè)計(jì)

本文結(jié)合置信傳播算法和信譽(yù)模型設(shè)計(jì)了一種SU分層過濾的方案。由能量感知得到本地感知結(jié)果,用置信傳播算法對SU分層過濾,計(jì)算過濾后的SU的信譽(yù)值并迭代更新,以信譽(yù)值為權(quán)重因子計(jì)算最終的判決值,根據(jù)最終的判決值得到判決結(jié)果,如圖2所示。

圖2 方案流程圖Fig.2 Scheme flow chart

3.1 置信傳播模型設(shè)計(jì)

本方案用的置信傳播模型(Belief Propagation,BP)是基于文獻(xiàn)[10,15,17]的BP框架。BP算法是一種有效的分布式協(xié)作融合算法,在馬爾科夫隨機(jī)場中,用戶i根據(jù)已知的觀察用戶的信息yi來推斷未知的信息xi,觀察用戶和隱用戶之間的關(guān)系用本地函數(shù)φi(xi,yi)來表示,用戶i的置信值bi(xi)就是它的邊緣分布概率?；隈R爾科夫模型[10],本文將馬爾科夫隨機(jī)場中的用戶視為SU,將用戶的本地觀察視為SU對PU的感知信息。

bi(xi)表示為用戶i的本地函數(shù)φi(xi,yi)與所有來自它鄰居用戶的消息的均值,其中N(i)表示用戶i的鄰居用戶個(gè)數(shù),置信值的定義式[17]為

(2)

mij(xi)代表次用戶i的鄰居用戶j傳遞給i的消息,消息傳遞函數(shù)[17]定義為:

(3)

其中,ψij(xi,xj)表示SU之間的函數(shù)關(guān)系,當(dāng)所有SU和鄰居用戶交換完信息,此時(shí)各個(gè)SU得到收斂的置信值,用該置信值計(jì)算置信值均值,和判決門限比較,假設(shè)H0表示主用戶存在,H1表示主用戶不存在,如果均值大于門限值,則表示主用戶存在,反之主用戶不存在,bτ表示預(yù)設(shè)的門限值,N表示SU個(gè)數(shù)。文獻(xiàn)[15]的置信值均值定義如下:

(4)

判決表達(dá)式[15]如下:

(5)

3.1.1 本地函數(shù)(Local Function, LF)

BP算法中SU通過計(jì)算PU占用信道的概率得到本地感知結(jié)果,用本地函數(shù)[16]表示。本地函數(shù)值越大,PU占用信道的概率越大;本地函數(shù)值越小,PU占用信道的概率越小。本地函數(shù)定義式[15]如下,其中φi根據(jù)文獻(xiàn)[3]得到:

φi(xi,yi)=

(6)

在頻譜感知網(wǎng)絡(luò)中,設(shè)備故障會導(dǎo)致頻譜感知器發(fā)送的信息不可靠,而不可靠的信息在SU之間傳遞必然導(dǎo)致最終感知結(jié)果不準(zhǔn)確。我們認(rèn)為故障用戶的輸出結(jié)果與真實(shí)結(jié)果偏離程度較大,而偏差代表了期望輸出與真實(shí)標(biāo)記的差別,因此,本文用本地函數(shù)的偏差來檢測故障用戶。偏差越大,則該用戶為故障用戶的可能性越大,偏差越小,則該用戶為正常用戶的可能性越大。偏差的定義式(7)如下,γi為用戶i的偏差,L為用戶i在一個(gè)周期內(nèi)迭代的次數(shù),將每一個(gè)用戶的偏差與門限值λ比較,若偏差大于λ,則判斷該用戶為故障用戶,否則為正常用戶。

(7)

(8)

通過計(jì)算本地函數(shù)的偏差,將所有SU分成兩組,故障用戶為一組,正常用戶為一組。假設(shè)集合Tf代表SU為故障用戶,集合Tn代表SU為正常用戶。用戶i的分組表達(dá)式如下:

(9)

3.1.2 兼容性函數(shù)(Compatibility Function,CF)

BP算法中兼容性函數(shù)表示SU之間觀察值的聯(lián)系,我們用CF對次用戶增加距離約束,認(rèn)知網(wǎng)絡(luò)中,距離越遠(yuǎn)的用戶的信息越不可靠,距離越近的用戶所處的頻譜環(huán)境越相似[15],得到的感知信息也越相似。在本文中,用戶i只需和距離近的用戶(鄰居用戶)交換感知信息,互不為鄰居的用戶之間不發(fā)送任何消息,這樣不僅減少了SU多次傳遞消息給通信網(wǎng)絡(luò)帶來的壓力,也提高了用戶感知結(jié)果的準(zhǔn)確性,CF的定義[3]如下:

(10)

其中,dxixj表示次用戶i和次用戶j之間的距離,D為參考距離,D取值[15]為8.3058 m。CF取值不能大于1,同時(shí)不能小于0,CF值越接近于1,表示兩個(gè)SU之間的感知信息越相似,若CF值為0,則表示這兩個(gè)用戶不相關(guān),互不影響各自的感知信息。

3.2 信譽(yù)模型

我們通過信譽(yù)模型對次用戶增加第二個(gè)約束,信譽(yù)值越高的用戶的感知信息越可靠,我們將SU的感知結(jié)果和本地觀察值比較,如果該用戶的感知結(jié)果和本地觀察值一致,則信譽(yù)值增加,如果不一致,則信譽(yù)值減少。通過對誠實(shí)用戶給予較大的獎勵(lì),對惡意用戶給予較大的懲罰,能夠得到較準(zhǔn)確的置信值,信譽(yù)值迭代公式[15]如下:

(11)

qi(l)表示用戶i第l次迭代時(shí)的感知結(jié)果,qi表示用戶i的本地結(jié)果,若用戶i的感知結(jié)果和本地結(jié)果一致,則信譽(yù)值增加,反之,則信譽(yù)值減少。

3.3 置信值均值計(jì)算

SU經(jīng)過信息交換之后,需要計(jì)算置信值,用戶的置信值大小反應(yīng)了該用戶感知結(jié)果的準(zhǔn)確性,置信值越大,表示事件“用戶得到的感知結(jié)果是正確的”發(fā)生的概率越大,而攻擊用戶的置信值可能較大、較小或者正常,在計(jì)算置信值均值時(shí),公式(4)用各用戶置信值的簡單平均。本文引入信譽(yù)模型,以信譽(yù)值作為權(quán)重因子來計(jì)算置信值均值。本文計(jì)算置信值均值(判決值)的表達(dá)式:

(12)

可以看出,信譽(yù)值高的用戶在計(jì)算均值時(shí)占的權(quán)重大,信譽(yù)值融合時(shí)得到的置信值更加準(zhǔn)確。經(jīng)過一定次數(shù)迭代之后,各用戶均值收斂到一個(gè)穩(wěn)定的值,文獻(xiàn)[15]對置信值求平均得到置信值均值,本文計(jì)算置信值均值時(shí)增加了信譽(yù)約束,這樣得到的收斂值更加準(zhǔn)確,在與門限值比較時(shí),本文用μi來代替υi[15],用如下式子表示主用戶信道占用情況:

(13)

3.4 算法流程

1. 根據(jù)文獻(xiàn)[3]得到φi；

2. 根據(jù)式(6)得到本地函數(shù)；

3. 根據(jù)式(9)對SU分組,并讓Tn集合中的用戶進(jìn)入下一步；

4. 對Tn集合中的每一個(gè)SU觀察l次；

5. fori=1:N(N為次用戶數(shù))；

6. forj=1:N

7. 根據(jù)式(10)計(jì)算兼容性函數(shù)；

8. 根據(jù)(3)計(jì)算消息傳遞函數(shù)；

9. ifqi(l)=qi

11. else

13. end

14. 根據(jù)式(2)計(jì)算置信值；

15. 根據(jù)式(12)計(jì)算置信值均值；

16. end

17. end

4 仿真分析

在100 m*100 m的平面內(nèi)隨機(jī)產(chǎn)生50個(gè)位置,標(biāo)記為SU,SU的分布如圖3所示。假設(shè)惡意用戶隨機(jī)隱藏在這50個(gè)用戶中,認(rèn)知網(wǎng)絡(luò)中存在一個(gè)PU,發(fā)射功率為66 dBm,PU到認(rèn)知網(wǎng)絡(luò)距離為5 km,信道損失參數(shù)為2.5,次用戶之間最大的通信距離為20 m,迭代次數(shù)l為30。

本文隨機(jī)選取了10個(gè)用戶作為發(fā)動攻擊用戶,2個(gè)故障用戶,假設(shè)PU存在、次用戶可以正常感知主用戶信息、次用戶之間可以準(zhǔn)確得傳遞消息。

圖3 CRN用戶分布圖Fig.3 CRN user profile

4.1 相反性攻擊場景下的仿真分析

本文研究兩種攻擊模式,第一種為相反性攻擊(Opposite attack,OA),即惡意用戶持續(xù)報(bào)告與感知結(jié)果相反的信息,PU存在時(shí),惡意用戶傳送信息為主用戶不存在;PU不存在時(shí),惡意用戶發(fā)送信息為主用戶存在。PU存在時(shí),第一種攻擊的仿真結(jié)果如圖4所示,置信值均值逐漸增加,第7次迭代時(shí)收斂,收斂值為0.9440。而沒有經(jīng)過分組方法的用戶即使在沒有攻擊用戶的情況下,由于設(shè)備損壞等隨機(jī)因素的影響,得到的收斂值要低于有分組方法時(shí)的收斂值,且收斂速度慢,沒有分組時(shí)經(jīng)過10次迭代收斂,收斂值為0.9330。由圖5可知,OA攻擊模式下,隨攻擊數(shù)目增多,本文的方法依舊能快速收斂,且收斂速度不受攻擊用戶數(shù)影響,30個(gè)攻擊用戶時(shí)大約需要7次迭代收斂。

圖4 OA攻擊場景下,認(rèn)知網(wǎng)絡(luò)收斂性能Fig.4 Convergence performance of cognitive networks inOA attacks scenarios

圖5 OA攻擊場景下,不同攻擊用戶數(shù)時(shí)認(rèn)知網(wǎng)絡(luò)收斂性能Fig.5 Convergence performance of cognitive networks when thenumber of attackers is different in OA attacks scenarios

4.2 隨機(jī)攻擊場景下的仿真分析

第二種攻擊方式為隨機(jī)攻擊(Rand attack,RA),即惡意用戶隨機(jī)報(bào)告感知信息。發(fā)動RA攻擊時(shí)可能會發(fā)送正確的感知信息,因此RA攻擊比OA攻擊對認(rèn)知網(wǎng)絡(luò)造成的損害小。由圖6可以看出有分組時(shí),RA攻擊模式下置信值均值迂回增加,5次迭代之后收斂至參考值,而沒有分組時(shí)置信值均值波動較大,收斂性能一般。

圖6 RA攻擊場景下,認(rèn)知網(wǎng)絡(luò)收斂性能Fig.6 Convergence performance of cognitive networks inRA attacks scenarios

我們假設(shè)在一個(gè)迭代周期內(nèi),次用戶的網(wǎng)絡(luò)拓?fù)鋱D不變,用戶的性質(zhì)不變,即如果用戶發(fā)動攻擊,那么在本次迭代周期內(nèi)該用戶一直保持惡意用戶身份,信譽(yù)值將會在本周期的各次迭代時(shí)減少,而誠實(shí)用戶的信譽(yù)值將會在本周期各次迭代時(shí)增加,由圖7可以看到,誠實(shí)用戶的信譽(yù)值逐漸增加然后收斂,而惡意用戶的信譽(yù)值一直下降至0,當(dāng)信譽(yù)值收斂時(shí)得到的置信值更加可靠。

圖7 次用戶信譽(yù)值變化曲線Fig.7 Secondary user reputation value change curve

5 結(jié)論

本文提出了一種在數(shù)據(jù)融合之前先對次用戶分組的方案,該方案結(jié)合改進(jìn)的置信傳播算法,用信譽(yù)值作為權(quán)重因子來計(jì)算最終的判決值。仿真結(jié)果表明,有分組的認(rèn)知無線電網(wǎng)絡(luò)的收斂性能較無分組時(shí)網(wǎng)絡(luò)的收斂性能好、協(xié)作效率高,能有效抵御分布式認(rèn)知無線當(dāng)網(wǎng)絡(luò)中SSDF攻擊。本文的算法復(fù)雜度低,適用多種攻擊場景、多個(gè)惡意用戶場景。

[1] Ma L, Xiang Y, Pei Q, et al. Robust Reputation-Based Cooperative Spectrum Sensing via Imperfect Common Control Channel[J]. IEEE Transactions on Vehicular Technology, 2017, PP(99):1-1.

[2] Haykin S. Cognitive radio: brain-empowered wireless communications[J]. IEEE Journal on Selected Areas in Communications, 2005,23(2):201-220.

[3] Yuan Z, Niyato D, Li H, et al. Defeating Primary User Emulation Attacks Using Belief Propagation in Cognitive Radio Networks[J]. IEEE Journal on Selected Areas in Communications,2012,30(10):1850-1860.

[4] Edwin K, Walingo T. Optimal fusion techniques for cooperative spectrum sensing in cognitive radio networks[C]∥2016 International Conference on Advances in Computing and Communication Engineering (ICACCE).Durban,2016: 146-152.

[5] Cai Y, Mo Y, Ota K, et al. Optimal data fusion of collaborative spectrum sensing under attack in cognitive radio networks[J]. IEEE Network,2014,28(1):17-23.

[6] Bagwari A, Singh B. Comparative Performance Evaluation of Spectrum Sensing Techniques for Cognitive Radio Networks[C]∥2012 Fourth International Conference on Computational Intelligence and Communication Networks. Mathura, 2012:98-105.

[7] Li L, Li F, Zhu J. A method to defense against cooperative SSDF attacks in Cognitive Radio Networks[C]∥2013 IEEE International Conference on Signal Processing, Communication and Computing (ICSPCC 2013). Kunming, 2013:1- 6.

[8] Wu Hongxing, Sun Xuekang, Guo Caili, et al. Malicious user detection for wide-band cognitive radio networks[C]∥2016 Asia-Pacific Microwave Conference (APMC). New Delhi, 2016:1- 4.

[9] Chaitanya D L, Chari K M. Defense against PUEA and SSDF attacks in cognitive radio networks[C]∥2016 Online International Conference on Green Engineering and Technologies (IC-GET). Coimbatore, 2016:1-5.

[10] Wang W, Li H, Sun Y, et al. Securing Collaborative Spectrum Sensing against Untrustworthy Secondary Users in Cognitive Radio Networks[J]. Eurasip Journal on Advances in Signal Processing, 2009, 2010(1):1-15.

[11] Chen R, Park J M, Bian K. Robust Distributed Spectrum Sensing in Cognitive Radio Networks[C]∥IEEE INFOCOM 2008-The 27th Conference on Computer Communications. AZ:Phoenix, 2008.

[12] Zeng K, Pawelczak P, Cabric D. Reputation-based cooperative spectrum sensing with trusted nodes assistance[J]. IEEE Communications Letters, 2010,14(3):226-228.

[13] Ren J, Zhang Y, Ye Q, et al. Exploiting Secure and Energy-Efficient Collaborative Spectrum Sensing for Cognitive Radio Sensor Networks[J]. IEEE Transactions on Wireless Communications, 2016,15(10):6813- 6827.

[14] Wang J, Chen I R, Tsai J J P, et al. Trust-based cooperative spectrum sensing against SSDF attacks in distributed cognitive radio networks[C]∥2016 IEEE International Workshop Technical Committee on Communications Quality and Reliability (CQR 2016).WA:Stevenson,2016:1- 6.

[15] Maric S, Reisenfeld S, Goratti L. A simple and highly effective SSDF attacks mitigation method[C]∥2016 10th International Conference on Signal Processing and Communication Systems (ICSPCS). QLD:Gold Coast, 2016:1-7.

[16] Yedidia J S, Freeman W T, Weiss Y. Understanding belief propagation and its generalizations[J]. Exploring Artificial Intelligence in the New Millenium, 2002, 54(1):276-286.

[17] Maric S, Reisenfeld S， Goratti L. A single iteration belief propagation algorithm to minimize the effects of primary user emulation attacks[C]∥2016 International Symposium on Intelligent Signal Processing and Communication Systems (ISPACS). Phuket, 2016:1- 6.

[18] Ding G, et al. Robust Spectrum Sensing with Crowd Sensors[C]∥2014 IEEE 80th Vehicular Technology Conference (VTC2014-Fall). BC:Vancouver, 2014:1-7.

[19] Proakis J G. 數(shù)字通信[M].張力軍,等,譯.北京: 電子工業(yè)出版社, 2001.

Proakis J G. Digital Communication[M]. Zhang L J, et al, translate.Beijing: Publishing House of Electronics Industry, 2001.(in Chinese)

[20] Yue W J, Zheng B Y, Meng Q M, et al. Robust cooperative spectrum sensing schemes for fading channels in cognitive radio networks[J]. Science China Information Sciences, 2011, 54(2):348-359.

[21] Xiao L, Li Y, Huang X, et al. Cloud-Based Malware Detection Game for Mobile Devices With Offloading[J].IEEE Transactions on Mobile Computing, 2017, 16(10):2742-2750.

[22] Xiao L, Chen Y, Lin W S, et al. Indirect Reciprocity Security Game for Large-Scale Wireless Networks[J]. IEEE Transactions on Information Forensics & Security, 2012, 7(4):1368-1380.