多維動態(tài)網(wǎng)絡(luò)端口側(cè)信道攻擊快速定位仿真

摘 "要： 多維動態(tài)網(wǎng)絡(luò)中的端口側(cè)信道攻擊具有隱蔽性和隨機(jī)性，攻擊源多且攻擊路徑模糊，使得快速準(zhǔn)確定位攻擊源較為困難。為此，提出多維動態(tài)網(wǎng)絡(luò)端口側(cè)信道攻擊快速定位方法。利用端口側(cè)信道發(fā)射信號的頻偏獲取其分布特征，采用密度聚類方法（DBSCAN）展開聚類分析，檢測端口側(cè)信道攻擊。將攻擊所在區(qū)域網(wǎng)格化，結(jié)合迭代軟閾值算法與奇異值分解（SVD）算法獲取各個節(jié)點的分解格式，構(gòu)建信道攻擊快速定位模型，采用群稀疏整體最小二乘算法對其求解，快速定位信道攻擊。仿真實驗結(jié)果表明，所提方法可以獲取高精度的信道攻擊快速定位結(jié)果，虛警概率僅為0.02%，檢測耗時僅為1.56 ms，CPU利用率處于10%以下，可確保多維動態(tài)網(wǎng)絡(luò)的穩(wěn)定運行。

關(guān)鍵詞： 多維動態(tài)網(wǎng)絡(luò)； 端口側(cè)； 信道攻擊； 快速定位； 密度聚類； 奇異值分解

中圖分類號： TN915.08?34； TP393 " " " " " " " " "文獻(xiàn)標(biāo)識碼： A " " " " " " " " " 文章編號： 1004?373X（2024）15?0098?04

Fast localization simulation of port side channel attacks in multi?dimensional

dynamic networks

FANG Yuan， SHEN Yuexin， ZHANG Liang， SHENG Jianqiao

（School of Computer Science and Engineering， Northeastern University， Shenyang 110167， China）

Abstract： Port side channel attacks in multi?dimensional dynamic networks are concealed and random， and there are many attack sources and the attack paths are vague， which make it difficult to locate the attack sources quickly and accurately. Therefore， a fast location method for port side channel attacks in multi?dimensional dynamic networks is proposed. The frequency offset of the signals transmitted on the port side channel is used to obtain the distribution characteristics of the channel attacks， and the density?based spatial clustering of applications with noise （DBSCAN） is used to perform cluster analysis to detect the port side channel attacks. The region where the attack occurs is gridded. The iterative soft threshold algorithm and singular value decomposition （SVD） algorithm are combined to obtain the decomposition format of each node， and a fast channel attack location model is constructed， which is solved by a group sparse global least squares algorithm to quickly locate the channel attack. Simulation results show that the proposed method can obtain high?precision fast channel attack location results. The 1 alarm probability of the proposed method is only 0.02%， its detection time is only 1.56 ms， and its CPU utilization rate is no more than 10%， so the method can ensure stable operation of multi?dimensional dynamic networks.

Keywords： multi?dimensional dynamic network; port side; channel attack; fast location; density clustering; SVD

0 "引 "言

端口側(cè)信道攻擊是指利用網(wǎng)絡(luò)端口和傳輸介質(zhì)等側(cè)信道渠道傳輸惡意數(shù)據(jù)，竊取敏感信息或破壞網(wǎng)絡(luò)正常運行。多維動態(tài)網(wǎng)絡(luò)的出現(xiàn)使得端口側(cè)信道攻擊更加復(fù)雜和隱蔽。而傳統(tǒng)的靜態(tài)網(wǎng)絡(luò)安全防護(hù)方法無法對動態(tài)網(wǎng)絡(luò)中的端口側(cè)信道攻擊準(zhǔn)確快速的定位和處理[1?2]。對于多維動態(tài)網(wǎng)絡(luò)的端口側(cè)信道攻擊快速定位問題需要深入研究以應(yīng)對不斷演進(jìn)的網(wǎng)絡(luò)安全威脅。

現(xiàn)階段，已有一些文獻(xiàn)探討了關(guān)于信道攻擊快速定位方面的研究。文獻(xiàn)[3]通過流言聯(lián)合學(xué)習(xí)（Gossip Learning）策略，利用曼哈頓網(wǎng)絡(luò)模擬仿真分布式頻譜感知節(jié)點，對惡意節(jié)點進(jìn)行檢測和定位。采用的曼哈頓網(wǎng)絡(luò)對于某些場景和網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)并不適用，導(dǎo)致此方法在其他網(wǎng)絡(luò)環(huán)境下的效果并不理想。文獻(xiàn)[4]分析激光通信網(wǎng)絡(luò)特性，通過層次聚類算法檢測網(wǎng)絡(luò)樣本攻擊，確定異常數(shù)據(jù)；通過三邊定位方法初步定位異常數(shù)據(jù)位置，引入粒子群優(yōu)化算法完成攻擊源定位處理。在實際網(wǎng)絡(luò)中存在多個攻擊源，三邊定位方法和粒子群優(yōu)化算法的單源定位處理無法準(zhǔn)確處理多個攻擊源的情況。文獻(xiàn)[5]組建深度卷積神經(jīng)網(wǎng)絡(luò)，計算目標(biāo)樣本的強(qiáng)語義特征，融合處理全部位置信息。通過錨框挑選出目標(biāo)存在的區(qū)域，引入雙線性插值法計算定位框的坐標(biāo)，完成入侵目標(biāo)精準(zhǔn)定位。雙線性插值法用于計算定位框的坐標(biāo)，但由于輸入圖像的分辨率和特征提取過程中的信息損失等因素，導(dǎo)致定位誤差較大。

為了解決上述方法中存在的問題，本文提出多維動態(tài)網(wǎng)絡(luò)端口側(cè)信道攻擊快速定位方法。

1 "端口側(cè)信道攻擊快速定位方法

1.1 "信道攻擊檢測

通過檢測信道攻擊，監(jiān)測流量和通信活動，可以檢測異常行為[6?7]。在信道通信中，發(fā)送方和接收方需要使用相同的頻率來完成通信，以確保數(shù)據(jù)正確傳輸。然而，在信道攻擊中，攻擊者會故意改變信號的頻率，引入頻偏以干擾、損壞或破壞通信。通過延遲相關(guān)的方法完成頻偏估計，以判斷是否存在異常信道攻擊行為。估計端口側(cè)信道發(fā)射信號的頻偏[c]表示為：

[c=cuπargum?um'] "（1）

式中：[arg?]代表所求復(fù)數(shù)相位角；[um]代表信號采樣；[um']代表[um]之后0.8 μs的信號采樣；[cu]代表信號的真實采樣頻率。

由于發(fā)射機(jī)自身等因素，使信號頻偏隨機(jī)分布。為了獲取端口側(cè)信道信號的變化情況，利用頻偏數(shù)據(jù)的均值和方差展開衡量。計算第[k]個設(shè)備收集到的頻偏樣本均值[Mck]和方差[Vck]的計算式如下：

[Mck=1Ni=1Nck，iVck=1Ni=1Nck，i-Mck] " " （2）

式中：[N]代表發(fā)射信號總數(shù)；[ck，i]表示第[i]個發(fā)射信號第[k]個設(shè)備的信號頻偏。

組合頻偏樣本的均值和方差兩個統(tǒng)計參數(shù)，得到第[k]個設(shè)備的頻偏特征[sk]：

[sk=Mck，Vck] （3）

由于攻擊的類型和模式會隨時間和環(huán)境的變化而改變，因此使用DBSCAN（Density?based Spatial Clustering of Applications with Noise）聚類方法，更具靈活性和適應(yīng)性。通過將頻偏特征輸入到DBSCAN算法中，可以將設(shè)備的頻偏特征空間劃分為不同的聚類簇，從而檢測信道攻擊行為[8?9]。詳細(xì)的操作步驟如下所示。

1） 設(shè)定最小聚類點數(shù)量和聚類半徑[r]。

2） 輸入端口側(cè)信道中存在的全部無線設(shè)備頻偏分布特征，將其設(shè)定為待聚類數(shù)據(jù)集，對數(shù)據(jù)集歸一化處理[anormalized]：

[anormalized=sk?a-aminamax-amin] " （4）

式中：[a]代表原始信道數(shù)據(jù)；[amax]和[amin]代表數(shù)據(jù)的最大值和最小值。

3） 掃描處理未聚類的數(shù)據(jù)集。設(shè)定[p]為核心點，保證在半徑為[r]的區(qū)域內(nèi)不存在小于核心點的個點，將距離小于半徑[r]的點直接添加到聚類[Ep]中。

4） 經(jīng)過搜索確定聚類[Ep]中的新增點，將其作為中心點繼續(xù)以上操作步驟，當(dāng)不再出現(xiàn)新增點則終止操作。

5） 對數(shù)據(jù)集展開二次掃描并聚類，標(biāo)記所有聚類簇中的信號為偽造，即檢測到的端口側(cè)信道攻擊。

1.2 "信道攻擊快速定位

通過信道攻擊檢測[10?11]可以及時發(fā)現(xiàn)潛在的攻擊，為快速定位攻擊源提供支持。將攻擊所在區(qū)域網(wǎng)格化，使得整個網(wǎng)絡(luò)區(qū)域劃分為離散的小區(qū)域，結(jié)合奇異值分解（Singular Value Decomposition， SVD）算法與群稀疏整體最小二乘算法，實現(xiàn)信道攻擊快速定位。

為了提高定位精度，利用信號源之間的差異和特征，結(jié)合信號矩陣的稀疏性組建優(yōu)化問題[Z]為：

[Z=minSUi-BiS2+λ?Sanormalized] （5）

式中：[λ]代表正則化參數(shù)；[Ui]表示觀測模型；[Bi]代表陣列流形矩陣；[S]代表信號矩陣。引入迭代軟閾值算法求解上述問題，操作流程如下所示。

1） 對信道信號初始化處理，例如正則化參數(shù)[λ]。

2） 對于可導(dǎo)部分[Ui-BiS2]，優(yōu)先對[S]展開梯度下降處理，對其展開半步更新處理為：

[Sn+1=Sn-σBHUi-BiS2] （6）

式中：[Sn+1]和[Sn]代表第[n+1]次和第[n]次迭代后的信號矩陣半步更新；[BH]代表陣列流形矩陣的稀疏向量；[σ]表示梯度下降步長。

3） 信道攻擊通常會伴隨著噪聲干擾，對信號的準(zhǔn)確性和穩(wěn)定性造成影響。通過軟閾值收縮可以有效地抑制噪聲干擾，完成剩余的半步更新[Sn+1i]。

[Sn+1i=maxSn+12-λσ] " （7）

為了保障算法的計算速度和噪聲敏感程度得到有效改善，引入SVD對數(shù)據(jù)降維處理[12?13]。但如果單獨對觀測矩陣[Ui]降維，會造成大量信息流失。因此，將全部觀測矩陣[Ui]聯(lián)合處理后再展開進(jìn)行SVD分解處理，保證全部數(shù)據(jù)不會出現(xiàn)丟失的情況。經(jīng)過分解處理后的觀測信息[USV]則可以表示為：

[USV=U1U2U3U4?V1?V2] " " "（8）

式中：[U1]、[U2]、[U3]和[U4]代表信號子空間；[V1]和[V2]代表噪聲子空間。

根據(jù)分解處理后的觀測信息，獲取各個節(jié)點的SVD分解格式[UiSV]，以實現(xiàn)信道攻擊定位。具體表示為：

[UiSV=BiUSV+Di Sn+1i] "（9）

式中[Di]表示網(wǎng)格點數(shù)。

SVD算法借助網(wǎng)絡(luò)完成探測區(qū)域劃分，而實際中的信號源與網(wǎng)絡(luò)個體存在偏差，從而影響定位結(jié)果。為了有效解決以上問題，利用基于群稀疏整體最小二乘算法實現(xiàn)多維動態(tài)網(wǎng)絡(luò)端口側(cè)信道攻擊快速定位。

為了提高信道的空間分辨能力，從而更準(zhǔn)確地定位信道中存在的攻擊源，設(shè)定[x]和[y]為等間隔序列，序列間隔為[ux]和[uy]，通過一階泰勒組建全新的導(dǎo)向向量形式[fxk，yk]，構(gòu)建基于群稀疏的網(wǎng)絡(luò)端口側(cè)信道攻擊快速定位模型[R]。

[fxk，yk=fxpk，ypk+hxxpk，ypk+hyxpk，ypkR=minfxk，yk，θx，θy+UiSV*hitUiSV] （10）

式中：[xpk，ypk]代表網(wǎng)格點坐標(biāo)；[hx]和[hy]代表一階導(dǎo)向量；[f]代表偏移量；[θx]和[θy]代表標(biāo)量；[x，y]代表原始網(wǎng)格的坐標(biāo)位置；[hit]代表原始矢量。

群稀疏最小二乘方法可以尋找最佳的攻擊源位置，從而提供更加精確的定位結(jié)果。因此，引入群稀疏整體最小二乘算法求解多維動態(tài)網(wǎng)絡(luò)端口側(cè)信道攻擊快速定位模型，確定信道攻擊快速定位的位置。信道攻擊快速定位結(jié)果如下：

[βxi，yi=θx，θy+diagfxk，yk，θx，θy?τ] （11）

式中[τ]代表超參數(shù)。

2 "仿真實驗

為了驗證所提多維動態(tài)網(wǎng)絡(luò)端口側(cè)信道攻擊快速定位方法的有效性，將OMNeT++作為實驗的軟件環(huán)境，其支持多種網(wǎng)絡(luò)模型和協(xié)議的建模和仿真，可以構(gòu)建網(wǎng)絡(luò)拓?fù)?，實現(xiàn)對多維動態(tài)網(wǎng)絡(luò)端口側(cè)信道攻擊的仿真。并采用文獻(xiàn)[3]的流言聯(lián)合學(xué)習(xí)方法、文獻(xiàn)[4]的粒子群優(yōu)化方法與所提方法展開以下對比。

2.1 "信道攻擊檢測性能測試

為了評估信道攻擊快速定位方法的性能、準(zhǔn)確性、可靠性和實時性，對各種不同檢測方法的檢測性能展開實驗分析，如表1所示。

從表1可以看出：文獻(xiàn)[3]方法、文獻(xiàn)[4]方法錯誤檢測、誤報次數(shù)和漏報次數(shù)更多，虛警概率和檢測耗時也偏高，嚴(yán)重影響多維動態(tài)網(wǎng)絡(luò)運行；而本文方法虛警概率僅為0.02%，檢測耗時僅為1.56 ms。這是因為本文方法通過估計端口側(cè)信道發(fā)射信號的頻偏并獲取其分布特征，對于多維動態(tài)網(wǎng)絡(luò)端口側(cè)信道攻擊檢測效果較為理想。

搭建不同的測試環(huán)境展開多維動態(tài)網(wǎng)絡(luò)端口側(cè)信道攻擊檢測，實驗結(jié)果如圖1所示。

通過圖1可以看出，采用所提方法可以精準(zhǔn)區(qū)分多維動態(tài)網(wǎng)絡(luò)端口側(cè)信道中的惡意攻擊；而其余兩種方法在多維動態(tài)網(wǎng)絡(luò)端口側(cè)信道檢測過程中會錯誤地將正常流量檢測為惡意攻擊。由于所提方法采用了DBSCAN聚類方法對頻偏分布進(jìn)行聚類分析，從而更好地識別和定位頻偏較大的區(qū)域，幫助檢測信道攻擊。

2.2 "信道攻擊快速定位性能

在相同實驗環(huán)境下測試各個方法的多維動態(tài)網(wǎng)絡(luò)端口側(cè)信道攻擊快速定位性能，實驗結(jié)果如圖2所示。

通過圖2對比三種不同方法的多維動態(tài)網(wǎng)絡(luò)端口側(cè)信道攻擊快速定位性能，證明本文方法的定位性能明顯優(yōu)于另外兩種方法，定位誤差基本為0，而其他方法的定位誤差取值較大。本文方法引入了迭代軟閾值算法更新優(yōu)化信號矩陣的稀疏性問題，能夠更好地提取信號的稀疏性信息，增強(qiáng)目標(biāo)信號的特征，在信道攻擊快速定位中提高準(zhǔn)確度。

2.3 "CPU利用率測試

CPU利用率直接影響整個多維動態(tài)網(wǎng)絡(luò)端口側(cè)信道攻擊快速定位方法的性能。通過監(jiān)測和評估CPU利用率，可以了解運行時CPU資源的使用情況。該值越低說明方法性能越好。三種方法的CPU利用率如圖3所示。

通過圖3可知，本文方法的CPU利用率在三種方法中為最低，一直處于10%以下，可以有效避免由于CPU利用率過高導(dǎo)致系統(tǒng)性能下降以及發(fā)熱量增加等問題，影響定位結(jié)果的準(zhǔn)確性。

3 "結(jié) "語

為了有效提升信道攻擊快速定位結(jié)果的準(zhǔn)確性，本文提出一種多維動態(tài)網(wǎng)絡(luò)端口側(cè)信道攻擊快速定位方法。通過仿真對比實驗表明，本文方法可以有效提升多維動態(tài)網(wǎng)絡(luò)端口側(cè)信道攻擊快速檢測和定位結(jié)果的準(zhǔn)確性，同時可以降低CPU利用率，使其可以更好地實現(xiàn)信道攻擊快速定位。接下來將對本文方法展開綜合優(yōu)化，使其可以實現(xiàn)最佳的性能和效果。

參考文獻(xiàn)

[1] 傅彬.基于WOA?SOS的無線傳感器網(wǎng)絡(luò)節(jié)點定位[J].電視技術(shù)，2022，46（2）：46?51.

[2] 閆文豪，韓宇星.基于農(nóng)田監(jiān)測的無線傳感器網(wǎng)絡(luò)節(jié)點定位研究[J].農(nóng)機(jī)化研究，2021，43（6）：36?41.

[3] 吳曉曉，李剛強(qiáng)，張勝利.分布式協(xié)作頻譜感知網(wǎng)絡(luò)中惡意節(jié)點檢測和定位方法研究[J].電子學(xué)報，2022，50（6）：1370?1380.

[4] 陳志華，黃志宏.基于知識圖譜的激光通信網(wǎng)絡(luò)入侵攻擊源定位方法[J].應(yīng)用激光，2022，42（7）：118?124.

[5] 馬靜怡，崔昊楊，張明達(dá)，等.基于改進(jìn)Faster RCNN的小尺度入侵目標(biāo)識別及定位[J].中國電力，2021，54（3）：38?44.

[6] 汪晶，王愷，嚴(yán)迎建.基于條件生成對抗網(wǎng)絡(luò)的側(cè)信道攻擊技術(shù)研究[J].計算機(jī)工程與應(yīng)用，2022，58（6）：110?117.

[7] 王俊年，王皖，于文新，等.基于樹突網(wǎng)絡(luò)的側(cè)信道攻擊[J].湘潭大學(xué)學(xué)報（自然科學(xué)版），2021，43（2）：16?30.

[8] 刁嘉文，方濱興，田志宏，等.基于攻擊流量自生成的DNS隱蔽信道檢測方法[J].計算機(jī)學(xué)報，2022，45（10）：2190?2206.

[9] 王小雨，高媛媛，沙楠，等.無蜂窩大規(guī)模MIMO中導(dǎo)頻欺騙攻擊檢測方法[J].信號處理，2022，38（9）：1922?1930.

[10] 陳虹呂，王詩蕊，李峰，等.基于灰度圖像轉(zhuǎn)化的時間型隱蔽信道檢測方法[J].四川大學(xué)學(xué)報（自然科學(xué)版），2023，60（3）：93?102.

[11] 常婷婷，翟江濤，戴躍偉.一種基于Xgboost的Skype時間式隱信道檢測方法[J].計算機(jī)工程，2021，47（7）：88?94.

[12] 汪紅霞，房麗云，卜士杰，等.一種基于鞅差散度的縱向數(shù)據(jù)降維方法[J].應(yīng)用概率統(tǒng)計，2023，39（1）：132?158.

[13] 周宏飛，趙榮珍.基于GSRDPGE算法的轉(zhuǎn)子故障數(shù)據(jù)集降維方法研究[J].蘭州理工大學(xué)學(xué)報，2023，49（4）：35?41.

作者簡介：方 "圓（1983—），男，安徽祁門人，碩士，講師，研究方向為網(wǎng)絡(luò)安全。

沈越欣（1996—），女，安徽合肥人，碩士，講師，研究方向為網(wǎng)絡(luò)安全。

張 "亮（1990—），男，安徽南陵人，碩士，講師，研究方向為網(wǎng)絡(luò)安全。

盛劍橋（1992—），男，安徽馬鞍山人，碩士，講師，研究方向為網(wǎng)絡(luò)安全。