Bilişsel radyo ağlarda spektrum algılama veri sahtecilik saldırılarına karşı iş çıkarma oranının artırılması
Küçük Resim Yok
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Düzce Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bilişsel Radyo (CR) ağları, dinamik spektrum erişimi sağlar ve spektrum verimliliğini önemli ölçüde artırabilir. İşbirlikçi Spektrum Algılama (CSS), algılama doğruluğunu artırmak için CR kullanıcıları arasındaki uzamsal çeşitlilikten yararlanır. Ancak gerçekçi bir senaryoda, güvenilir CSS, Spektrum Algılama Verilerinde Sahtecilik (SSDF) saldırısına karşı savunmasızdır. Bir SSDF saldırısında, bazı kötü niyetli CR kullanıcıları kasıtlı olarak tahrif edilmiş yerel algılama sonuçlarını bir veri toplayıcıya veya Füzyon Merkezine (FC) bildirir ve ardından sezme kararını etkiler. Bu çalışmada, bir SSDF saldırısı için analitik bir model araştırıp böyle bir saldırıya karşı sağlam bir savunma stratejisi öneriyoruz. FC'nin saldırı parametrelerini elde etmek ve daha iyi bir savunma stratejisi kullanmak için öğrenme ve tahmin yöntemlerinin uygulanabileceğini gösteriyoruz. Ayrıca, log-normal gölge sönümlü bir kablosuz ortam varsayıyoruz ve SSDF saldırısının gücünü etkileyebilecek saldırı parametrelerini tartışıyoruz. Bu çalışmanın sonuçları, özellikle kötü niyetli kullanıcıların çoğunlukta olduğu durumlarda, SSDF saldırılarına karşı önerilen savunma yönteminin etkinliği gösterilmektedir.
Cognitive Radio (CR) networks provide dynamic spectrum access and can significantly improve spectrum efficiency. Collaborative Spectrum Sensing (CSS) leverages spatial diversity among CR users to improve detection accuracy. However, in a realistic scenario, trusted CSS is vulnerable to Spectrum Sensing Data Falsification (SSDF) attack. In an SSDF attack, some malicious CR user reports deliberately falsified local sensing results to a data collector or Fusion Center (FC), which then influences the sensing decision. In this work, we investigate an analytical model for an SSDF attack and propose a robust defense strategy against such an attack. We show that learning and prediction methods can be applied to obtain FC's attack parameters and use a better defense strategy. We also assume a wireless environment with log-normal shadow damping and discuss the attack parameters that may affect the strength of the SSDF attack. Simulation results show the effectiveness of the proposed defense method against SSDF attacks, especially in cases where malicious users are in the majority.
Cognitive Radio (CR) networks provide dynamic spectrum access and can significantly improve spectrum efficiency. Collaborative Spectrum Sensing (CSS) leverages spatial diversity among CR users to improve detection accuracy. However, in a realistic scenario, trusted CSS is vulnerable to Spectrum Sensing Data Falsification (SSDF) attack. In an SSDF attack, some malicious CR user reports deliberately falsified local sensing results to a data collector or Fusion Center (FC), which then influences the sensing decision. In this work, we investigate an analytical model for an SSDF attack and propose a robust defense strategy against such an attack. We show that learning and prediction methods can be applied to obtain FC's attack parameters and use a better defense strategy. We also assume a wireless environment with log-normal shadow damping and discuss the attack parameters that may affect the strength of the SSDF attack. Simulation results show the effectiveness of the proposed defense method against SSDF attacks, especially in cases where malicious users are in the majority.
Açıklama
Anahtar Kelimeler
Mühendislik Bilimleri, Engineering Sciences
