基于ELM的无线传感器网络入侵检测算法研究

《基于ELM的无线传感器网络入侵检测算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号：TN919单位代码：10183研究生学号：2015522037密级：公开基于ELM的无线传吉林大学感器网硕士学位论文络入侵（学术学位）检基于ELM的无线传感器网络入侵检测算法研究测算法ResearchonIntrusionDetectionAlgorithmofWirelessSensorNetworks研究BasedonELM黄作者姓名：黄思慧思慧专业：信号与信息处理研究方向：分布式智能信息处理指导教师：陈万忠教授吉培养单位：通信工程学院林大学2018年6月———————————————————————————基于ELM的无线传感器网络入侵检测算法研究————————————————

2、———————————ResearchonIntrusionDetectionAlgorithmofWirelessSensorNetworksBasedonELM作者姓名：黄思慧专业名称：信号与信息处理指导教师：陈万忠教授学位类别：工学硕士答辩日期：2018年6月2日未经本论文作者的书面授权，依法收存和保管本论文书面版本、电子版本的任何单位和个人，均不得对本论文的全部或部分内容进行任何形式的复制、修改、发行、出租、改编等有碍作者著作权的商业性使用（但纯学术性使用不在此限）。否则，应承担侵权的法律责任。吉林大学硕士学位论文原创性声明本人郑重声明：所呈交学位论文，是本人在指导教师的指导下，独立进

3、行研究工作所取得的成果。除文中已经注明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。学位论文作者签名：日期：年月日《中国优秀博硕士学位论文全文数据库》投稿声明研究生院：本人同意《中国优秀博硕士学位论文全文数据库》出版章程的内容，愿意将本人的学位论文委托研究生院向中国学术期刊（光盘版）电子杂志社的《中国优秀博硕士学位论文全文数据库》投稿，希望《中国优秀博硕士学位论文全文数据库》给予出版，并同意在《中国博硕士学位论文评价数据库》和CNKI系列数据库中使用，同意按章程规

4、定享受相关权益。论文级别：√硕士□博士学科专业：信号与信息处理论文题目：基于ELM的无线传感器网络入侵检测算法研究作者签名：指导教师签名：年月日作者联系地址（邮编）：吉林省长春市人民大街5988号吉林大学南岭校区基础科学实验楼（130012）作者联系电话：18686312870基于ELM的无线传感器网络入侵检测算法研究摘要随着无线传感器网络（WirelessSensorNetwork，WSN）对人们的生活有着越来越深入和重要的影响，信息安全性已经成为其走向大规模以及实用化的关键因素，而入侵检测技术应用于WSN中，将为其提供更全面和更深层次的保护。本文主要针对WSN中存在的节点能量受限、节点能量

5、利用率不高以及入侵检测率低、实时性差的缺陷，分别进行了分簇路由协议的改进及入侵检测算法的改进，主要工作如下：1.本文采用层次式的检测模型，由于在WSN中传感器节点具有能量受限、计算和存储能力有限的特点。这就使得其入侵检测系统模型的设计不能过于复杂，以免在实际的应用当中耗费更多能量，导致网络的性能和生命周期下降，因此在入侵检测模型的设计方面应考虑WSN的特点，且应保证发现入侵行为的正确率和实时性。本文采用的层次式检测模型中感知层的普通传感器节点负责数据信息的采集工作，汇聚层的Sink节点负责入侵特征提取的工作，而处于核心控制层的管理节点则用来实现计算较为复杂的分析检测功能，以此降低入侵检测系统的

6、整体成本。2.对现有分簇路由协议进行了改进。针对目前一些分簇路由协议存在网络中节点的存活时间短以及网络中能量利用率低的问题，本文对经典LEACH协议及基于FCM（FuzzyC-Means）的C-FCM协议进行了改进，研究了一种EEUCP协议。该协议的设计思想就是采用灰狼优化算法GWO（GreyWolfOptimizaton）来对FCM算法进行优化，此外在簇间通信方面也进行了改进。通过仿真实验，与LEACH协议、C-FCM协议及K-Means协议进行对比，结果表明本文提出的协议降低了网络中的能耗，有效延长了网络中节点的存活时间，提高了能量利用率，同时使得分簇更均匀，为后面入侵检测工作奠定了良好基

7、础。3.深入研究了用于WSN入侵检测的算法。入侵检测算法是入侵检测模型的核心，本文采用泛化性能极好的极限学习机ELM（ExtremeLearningMachine）算法进行入侵检测，使用主成分分析PCA（PrincipalComponentAnalysis）算法进行降维优化，并与传统的BP（BackPropagation）神经网络做对比，在KDDCUP99数据集上进行仿真实验，结果表明，本文提出的