一致性分布式推理中的错误数据注入攻击与防御方法研究

Consensus-based distributed inference is the essential application in the large scale wireless networks, and its reliability has been receiving considerable attention. The network security is suffering severe challenges due to the network attacks. False data injection attack is a typical network attack. The study on the problem of false data injection attack in the consensus-based distributed inference is at the infant stage, and many issues need to be resolved..Therefore, false data injection attacks and its defense techniques in the consensus-based distributed inference will be studied in this project. We will focus on the false data injection attack problems in three forms of the consensus-based distributed inference: consensus-based distributed detection, consensus-based distributed parameter estimation and consensus-based distributed time-variant parameter estimation and tracking. More specifically, based on the mechanisms of distributed inference and the models of the false data injection attack, we will derive the closed expressions of the relationship among the attack strength, the network condition and inference performance. Following the route of the attack prevention (deriving the immune network conditions for undetectable attack and steal attack), defense (malicious node identification, reliable consensus-based distributed inference schemes), and tolerance (resilient consensus-based distributed inference schemes), the false data injection attack problem in the consensus-based distributed inference will be solved by applying the theoretic tools and methodology in multi-discipline comprehensively..The expected achievements of the project provide the base and steering of the design, deployment and application of secure wireless networks.

一致性分布式推理是大规模无线网络的基本应用，可靠性问题受到关注。网络攻击使网络安全遭受严峻挑战，错误数据注入攻击是一类典型的网络攻击。一致性分布式推理中的错误数据注入攻击问题研究刚起步，很多问题有待解决。因此，项目拟研究一致性分布式推理中的错误数据注入攻击及其防御方法，重点研究一致性分布式检测、一致性分布式参数估计、一致性+新息分布式动态参数估计中的错误数据注入攻击与防御方法三方面。具体地，以一致性分布式检测与估计工作机理与错误数据注入攻击模型为基础，以攻击强度、网络条件与推理性能间定量关系为指导，以攻击防范（对不可识别攻击与秘密攻击免疫的网络条件）—抵御（恶意节点识别、可靠的一致性分布式推理方法）—容忍（宽容的一致性分布式推理方法）为主线，综合应用多学科的理论工具与思想方法，解决一致性分布式推理中的错误数据注入攻击问题。预期研究成果为设计、部署与应用安全的无线网络提供科学依据与理论指导。

一致性分布式推理是大规模无线网络的基本应用，可靠性问题受到关注。网络攻击使网络安全遭受严峻挑战，而错误数据注入攻击是一类典型的网络攻击。项目以一致性分布式推理中的错误数据注入攻击及其防御方法为主题展开了研究工作，重点研究一致性分布式检测、一致性分布式参数估计、一致性+新息分布式动态参数估计中的错误数据注入攻击与防御方法三个方面。研究成果总结如下：.(1)针对一致性分布式检测中的错误数据注入攻击问题，首先分析了分布式检测系统在错误数据注入攻击下的瞬态性能和稳态性能，并提出了基于KL散度的智慧型错误数据注入攻击策略。然后研究了一致性分布式检测系统中的错误数据注入攻击的攻击检测与防御方法，提出了基于随机抽样一致性的错误数据注入攻击检测方法、基于自适应门限的恶意节点识别方法、基于信任评价机制的分布式检测错误数据注入攻击防御方法等。.(2)针对一致性分布式估计中的错误数据注入攻击问题，首先研究了一致性分布式估计中的数据注入攻击策略，提出了基于学习的合作式错误数据注入攻击方法、针对分布式网络拓扑估计的错误数据注入攻击方法、针对分布式网络丢包层析的隐秘型灰洞攻击方法等。然后研究了一致性分布式估计中的数据注入攻击的攻击检测和防御方法，提出了带恶意节点重新评估机制的错误数据注入攻击实时检测方法、基于皮尔逊拟合优度检验的错误数据注入攻击检测方法等。.(3)针对一致性+新息分布式动态参数序贯估计中的错误数据注入攻击问题，研究了针对错误数据注入攻击的检测与防御方法，提出了一种基于本地卡尔曼滤波的错误数据注入攻击检测方法，通过构建测量数据和网络状态矢量的基准值，实现对错误数据注入攻击和恶意节点的实时检测。.研究表明，错误数据注入攻击可明显降低分布式推理的有效性、可靠性与收敛性，但是针对性的防御方法可以有效抵御这些攻击。. 研究成果为设计、部署与应用安全的无线网络提供科学依据与理论指导。