شناسايي حمله تقليد از سيگنال كاربر اوليه در شبكه‌هاي راديوشناختي مبتني بر طبقه‌بندي غير پارامتريك بيزين

Identifying Primary User Emulation Attacks in Cognitive Radio Network Based on Bayesian Nonparametric Bayesian

راديوشناختي به عنوان يك فناوري كليدي براي مقابله با كمبود طيف فركانسي در شبكه‌هاي بي‌سيم به طور گسترده‌ مورد توجه قرار گرفته است. يكي از چالش‌هاي مهم در تحقق شبكه‌هاي راديوشناختي، امنيت اين نوع شبكه‌ها است. از مهم‌ترين اين تهديدها، حمله تقليد از سيگنال كاربر اوليه است، بدين معني كه كاربر مخرب سعي دارد سيگنالي مشابه با سيگنال كاربر اوليه ارسال كند تا كاربران ثانويه را فريب داده و از ارسال سيگنال‌هاي اين كاربران در حفره‌هاي طيفي جلوگيري كند و ضمن ايجاد ترافيك در شبكه، با به دست آوردن باند فركانسي خالي، اطلاعات خود را ارسال كند. در اين مقاله، روشي براي شناسايي حمله تقليد از سيگنال كاربر اوليه پيشنهاد مي‌گردد كه با خوشه‌بندي سيگنال‌هاي ارسالي كاربران اوليه و كاربران مخرب، اين سيگنال‌ها را متمايز مي‌كند. در اين روش، تعداد سيگنال‌هاي ارسالي در محدوده شبكه راديوشناختي در طول خوشه‌بندي سيگنال‌ها به دست مي‌آيد. با به كارگيري روش طبقه‌بندي مدل مخلوطي فرايند ديريشله كه بر اساس روش غير پارامتريك بيزين مي‌باشد، سيگنال‌هاي اوليه فعال در محيط طبقه‌بندي مي‌شوند. همچنين براي دستيابي به سرعت همگرايي بالاتر در الگوريتم، روش فرايند رستوران چيني براي مقداردهي اوليه و نمونه‌برداري غير يكنواخت جهت انتخاب پارامتر خوشه‌ها به الگوريتم اعمال مي‌گردد.

Cognitive radio as a key technology is taken into consideration widely to cope with the shortage of spectrum in wireless networks. One of the major challenges to realization of CR networks is security. The most important of these threats is primary user emulation attack, thus malicious user attempts to send a signal same as primary user's signal to deceive secondary users and prevent them from sending signals in the spectrum holes. Meanwhile, causing traffic in CR network, malicious user obtains a frequency band to send their information. In this thesis, a method to identify primary user emulation attack is proposed. According to this method, primary users and malicious users are distinguished by clustering. In this method, the number of active users is recognized in the CR network by clustering. Indeed, by using Dirichlet process mixture model classification based on the Bayesian Nonparametric method, primary users are clustered. In addition, to achieve higher convergence rate, Chinese restaurant process method to initialize and non-uniform sampling is applied to select clusters parameter.