由于无线传感器网络工作环境不稳定，其安全问题已成为一系列新的公共安全挑战。
避免对无线传感器网络的破坏，仅依靠自己的安全机制来管理复杂的安全环境是不够的。果，对数据分组的时间序列执行无线传感器网络中的入侵检测方法的研究。间序列算法用于检测入侵数据，Chebyshev算法用于检查离群时间序列，以达到无线传感器网络入侵检测的目的。ZigBee传感器的漏洞由NS2仿真技术建模和分析，以验证数据。过时间序列分析数据包来检测恶意入侵的有效性并达到预期的效果。键词：无线传感器网络;时间序列;入侵检测;切比雪夫算法中图分类号：TP309文献标识码：A文章编号：1006-8228（2017）12-24-04无线传感器网络随时间的入侵检测无网络开发系列wire为防止恶意破坏无线传感器网络，依靠自己的安全机制来应对复杂的安全环境是不够的。感器网络根据数据包的时间序列。
间序列算法用于检测入侵数据，Chebyshev算法用于检查异常时间序列，以达到无线传感器网络入侵检测的目的。NS2模拟技术被用于建模和分析的ZigBee传感器的脆弱性，和有效性检测恶意入侵通过时间序列数据包的分析证实，所期望的结果所获得的信号字键：无线传感器网络（WSN），时间序列，入侵检测，切比雪夫介绍算法的无线传感器网络（WSN）是相同类型的分布式传感器网络，其末端是无传感器能够检测外界的电线。其监控区域中，部署了大量静态或移动检测节点以形成具有多个跳转的ad hoc网络系统。线传感器通过IEEE802.15.4协议相互通信，以收集，传输和处理感知数据。安全性方面，无线传感器网络的特点是大规模，自组织，动态，有限的能量和集中的数据。此，它不仅包含传统的网络安全问题，而且还增加了许多自身的安全问题，例如：漩涡攻击，黑洞攻击，巫婆攻击，选择性转移攻击，HELLO洪水攻击欺骗性和虚假确认攻击。由攻击等这些针对无线传感器网络的入侵不仅影响网络内数据的真实性，还会导致整个无线传感器网络崩溃，造成无法挽回的损害。安全事件预防技术中，无线传感器网络具有加密数据传输的强大机制[2]和身份认证机制[3]，可以减少无线传感器网络入侵的风险，但不能完全防止入侵的发生。依靠网络安全机制还不足以实现预期的安全目标。此同时，这些不安全因素严重阻碍了无线传感器网络的普及和应用。此，无线传感器网络的入侵检测技术引起了该领域研究人员的关注。侵检测可以补偿无法通过预防技术解决的安全问题，为无线传感器网络提供实时入侵检测和安全保护。效的入侵检测系统需要三个功能：简单，实时和检测效率。前，无线传感器网络入侵检测的主要方法有：多Agent入侵检测方法，基于机器学习的入侵检测方法和入侵检测方法。于网络流量。文献[5]中，王培等人。过使节点和簇头执行不同的检测任务，热敏元件使用不同的代理模块执行数据收集，入侵响应，扫描检测和代理管理任务结合局部和联合检测技术。
出了一种基于多种代理的入侵检测方法。文献[6]中，作者听取了发送到邻近节点的标签包，基于免疫遗传算法提取了关键参数作为抗原，并提出了一种基于该方法的入侵检测方法。疫遗传算法通过比较阈值处的抗原数量。[7]中，作者使用SVM（支持向量机）对入侵数据的鲁棒性进行分类，并提出了一种基于载体向量机的入侵检测方法。
述检测方法可以通过实验检测更准确地检测入侵行为。而，这些检测方法具有以下两个缺陷：功耗，使用代理功能来增加功耗，基于机器学习的感测技术，数据挖掘等。法具有样本需求量大，培训时间长的缺点。了克服上述入侵检测方法的不足，本文提出了一种基于时间序列分析的无线传感器网络入侵检测方法。方法通过收集器节点监视所有子节点的行为模式，并使用无线传感器阵列中的业务的实时数据作为对象来分析数据分组的时间序列。取数据分组接收速率：在无线传感器网络中的固定时间窗口中检测数据分组的接收速率。据包到达间隔：来自同一源节点的两个连续数据包到达该间隔。正常状态下，获得时间序列参数的值。算分组接收速率阈值和分组到达时间间隔，并建立检测模式。用检测模型分析无线传感器网络中的新数据，如果与模型不兼容，则发出入侵报警。后，模拟网络环境以验证算法的有效性。侵检测模型基于本文提出的时间序列分析的入侵检测算法是一种高效，轻量，连续，实时的入侵检测算法。过接收节点实时监控无线传感器网络流量，无需额外的硬件安装和通信成本，避免了代理功能消耗的大量资源和功耗，并且能够实现’获得一些轻松的功能。于数据包的时间序列，分析子节点的行为模式，在一定时间窗口内测量数据包接收率和数据包之间的时间间隔，并检测模型建立以确定是否存在入侵行为。方法基于诸如机器学习和数据挖掘的方法来补偿过度使用训练库和训练时间的缺点。于时间序列分析设计的入侵检测模型如图1所示。
模型结合了特征检测和统计检测的方法。于入侵检测的实时数据，构建实时特征数据库，数据与特征数据库冲突，提高检测的准确性和有效性。
间序列分析用于未知数据，时间序列分析算法可以实时，准确地检测入侵行为。且分别记录入侵行为和非侵入行为，并且不断提高后续检测的有效性。间序列分析算法时间序列是按时间顺序收集的监测数据的集合。刻监测数据的记录是x（i），然后是x（1），x（2），x（3），x（4），x（5）…… x（i）。一个时间序列。设无论何时检测到操作时段并且操作时段被分成一个时段和x（i，j），无线传感器阵列的节点的时间序列被检测K次。）表示第1次和第1次检测。期内事件（包到达间隔或包接收速率）。M（j）表示在第j个时间段中发生时间的平均次数。：当K 1个时刻的检测，M（j）的作为在第j个周期（在该数据分组到达或分组接收次数的期待值用x（K 时间间隔的事件。
1，j）的代表事件的实际数目在第j个周期，并获得它们的相对变化如下：建立基于所述周期J A时域模型，设定的阈值δ和相对偏差Z（j）的Δ1，可以判定为周期Ĵ过程中可能出现一个入侵事件。[10]中，作者通过切比雪夫多项式时间序列提供的时间序列的无线传感器网络的一个分析在网络中的异常值的自由纱线Y传感器阵列，d设定参数：部署区域; A :.传感器节点收集米：由传感器节点收集的数据的长度，d：由所获取的数据的尺寸结时间窗口;ω::瓦;传感器滑动窗口（ω<时间序列的切比雪夫系数：相似的序列：对于两个时间序列S，R，系数矢量切比雪夫的两个时间序列分别C，D.如果Discby（C，d）<ε，时间序列S和R是similaires.Pour时间序列S，如果所述时间序列中的历史数据窗口（类似于等（S，R））是否小于一定的比例，时间序列S被称为时间序列的基团的是在式（4）中，R是一个时间序列同样地S和H在时间窗口W的检测算法的历史数据窗口入侵是基于第1部分时间序列分析的无线传感器网络入侵检测模型，无线传感器网络进行流量分析。据分组在时间序列中的到达与数据分组的接收速率之间的时间间隔是数据特性。定是否存在入侵行为。间序列分析算法被用作检测模块和切比雪夫算法在检测算法被用作入侵检测comportement.L'algorithme的预测的主算法描述如下：检测到提取周期j，z（j）是周期j中的相对时间。差; t是正常行为库中的多个时间序列; δ1是由时间序列检测模型建立的阈值; S是周期j中数据包的时间序列; δ2是切比雪夫算法运算后的时间序列。似的序列阈值;具体过程是通过监测传感器和收集交通réseau.En在正常行为的库中提取时间序列的几次，该模型示于图2中的无线网络上执行的入侵检测建立检测并定义阈值δ1。列，所述的相对差Z（j）的当z（j）的<δ1表示的时间系列的测量是在正常范围内发送到正常行为库和正常数据由模块释放决策。z（j）的≧δ1，我通过数据在时间序列中的时间存在并且可以存在一个入侵行为，然后切比雪夫算法用于分析和确定的时间段。果在j中存在异常时间序列S，则如果时间序列S≥δ2，则阈值δ2返回到相对偏差的分析。果时间序列S <δ2，也就是说时间序列S是异常时间序列，则将数据输入入侵行为。库和数据发送到决策模块提醒的基于CVE-2016至2398年模拟故障的家庭安全系统由康卡斯特Xfinity入侵仿真模拟体验体验的行为，使攻击者可以与传感器的发送正常操作干扰，并模拟网络通信的无线传感器Xfinity安全系统用模拟NS2（网络模拟器2版）分析和时间序列到达网络节点的IP分组。查数据的真实性和完整性，并检测恶意入侵。仿真实验中无线传感器节点的分布如图3所示，系统参数的配置见表1.测试参数配置此仿真实验，通过干扰信道引起信道拥塞2.4 GHz的无线传感器网络的node6节点。Node6节点无法正常与网络通信，导致数据包的时间序列不正确。验结果如图4所示。是IP数据包时间序列中IP数据包的时间序列和正常条件下同一时期的入侵状态。这种情况下，通过计算无线传感器网络中的分组接收速率和到达时间间隔来比较同一时段中的两组数据的值。果很清楚，入侵行为和正常行为之间存在显着差异。这种情况下，在正常状态下的数据分组接收率和到达时间间隔进行统计建模并且获得并与入侵状态的时间序列的时间序列阈值。可以准确地检测入侵行为，检测精度可以达到95％以上。测统计表明，该算法能够基于实时数据检测入侵行为，具有较高的准确率，较低的错误率和较低的检测率。论本文提出的基于时间序列分析的实时入侵检测方法以无线传感器网络中的流量为对象，测量时间序列。算时间序列和Chebyshev算法的相对差异用于分析网络上的流量;评估时间序列中的现有异常值并准确识别入侵行为。算法在仿真环境中进行了测试，具有较高的入侵检测准确率，对无线传感器网络的入侵检测具有实际效果。
本文转载自
热敏元件www.wisdom-thermostats.com