《Sensors》:A Lightweight IDS Based on Blockchain and Machine Learning for Detecting Physical Attacks in Wireless Sensor Networks
Maytham S. Jabor,
Aqeel S. Azez,
José Carlos Campelo and
Alberto Bonastre
编辑推荐:
摘要—传统安全措施(如高强度加密算法与开销密集型入侵检测系统(IDS))因资源(电池、处理能力、内存等)限制而不适用于无线传感器网络(WSN)。区块链技术为分布式系统的信息安全提供了新思路,但其直接应用于WSN会带来不容忽视的资源消耗。研究人员提出一种面向资源
摘要—传统安全措施(如高强度加密算法与开销密集型入侵检测系统(IDS))因资源(电池、处理能力、内存等)限制而不适用于无线传感器网络(WSN)。区块链技术为分布式系统的信息安全提供了新思路,但其直接应用于WSN会带来不容忽视的资源消耗。研究人员提出一种面向资源受限WSN拓扑的双层安全框架:第一层在簇头(CH)与基站(BS)间运行轻量级区块链(BC),通过混沌哈希函数(Chaotic Hash Function, CHF)链接区块以检测篡改(Type A攻击:不完全节点妥协导致哈希不一致);第二层在BS部署人工神经网络(ANN),分析CH聚合提交的区块数据特征(含压缩感知(Compressed Sensing, CS)加密的传感数据、当前哈希及前一区块哈希),以识别未接入BC的传感节点(SN)遭受的攻击及完全妥协CH伪造合法哈希的篡改行为(Type B攻击:完全节点妥协并重算有效哈希)。SN至CH的通信采用基于混沌逻辑映射的CS加密,避免SN参与BC计算以节约能耗。仿真结果表明,所提混合模型在BC检测Type A攻击与ANN检测Type B攻击上互为补充,在保持较高检测率的同时将网络资源消耗降至最低,为资源受限WSN提供了兼顾安全性、可靠性与资源效率的替代方案。
论文解读:面向WSN的轻量级区块链与人工神经网络双层入侵检测系统
一、研究背景与立题依据
无线传感器网络(Wireless Sensor Network, WSN)常部署于无人值守环境,节点资源(能量、计算、存储)极度受限。传统重加密算法与开销密集型入侵检测系统(Intrusion Detection System, IDS)不适用于WSN;而区块链(Blockchain, BC)虽具备去中心化、防篡改特性,若全员参与共识则能耗过高。此外,物理俘获节点的完全妥协攻击(Type B)可绕过常规哈希校验。现有研究多未同时解决轻量化BC应用与全节点妥协检测问题。因此,研究人员开展本研究,设计一种仅由簇头(Cluster Head, CH)和基站(Base Station, BS)参与BC、并在BS运行人工神经网络(Artificial Neural Network, ANN)异常检测的双层IDS,发表于《Sensors》(MDPI, 2026, 26, 01961)。
二、主要关键技术方法
研究基于LEACH分簇协议在100×100 m区域模拟100节点WSN。SN使用混沌逻辑映射生成密钥对传感数据进行压缩感知(Compressed Sensing, CS)加密压缩后传至CH;CH聚合成员SN数据,计算混沌哈希函数(Chaotic Hash Function, CHF)生成候选区块并提交BS按先到先服务(First-Come-First-Served, FCFS)原则共识。BC层验证区块哈希与预期混沌序列一致性以检测Type A攻击(哈希不匹配)。BS接收区块后提取576维特征向量(512维CS数据特征+32维当前区块CHF哈希+32维前一区块CHF哈希)输入ANN。ANN为菱形结构:输入层576维→隐层128→256→512→256个神经元,ReLU激活,含批归一化(Batch Normalization, BN)、Dropout(0.3)及L1/L2正则化,输出层Softmax二分类(良性/恶意)。训练采用Adam优化器(lr=0.001)、二元交叉熵损失、批次64、早停(patience=15),使用SMOTE平衡类别,五折分层交叉验证评估。攻击模型模拟Type A(错误初始条件致哈希不一致)与Type B(注入[-3.0, 3.0]加性噪声并重算有效哈希)。
三、研究结果
3.1 实验设置(Experimental Setup)
仿真基于LEACH(p=0.1),Python 3.10 + TensorFlow 2.15/Keras实现。定义TP/TN/FP/FN并计算准确率(Accuracy)、精确率(Precision)、召回率(Recall)、F1值及单样本推理时间。
3.2 ANN分类性能(ANN Classification Performance)
五折交叉验证均值:准确率96.64%(±0.15%)、精确率88.68%(±0.77%)、召回率95.89%(±1.08%)、F1值92.13%(±0.36%),验证集与训练集损失收敛一致,无过拟合,表明ANN对两类攻击模式具稳定判别力。
3.3 基线对比(Baseline Comparison)
与SVM、随机森林(Random Forest, RF)、决策树(Decision Tree, DT)、K近邻(K-Nearest Neighbors, KNN)、梯度提升(Gradient Boosting, GB)比较。单独ANN准确率(96.64%)接近RF(97.06%)与SVM(97.02%);BC+ANN联合系统准确率达97.42%、召回率98.35%、F1值94.00%,精确率90.03%为各方法最高,综合优于所有基线分类器。
3.4 消融实验(Ablation Study)
仅BC层:准确率88.34%,召回率仅43.25%(无法检测Type B),精确率100%(哈希不匹配必为攻击);仅ANN层:准确率96.72%,召回率97.50%;联合系统:准确率97.42%、召回率98.35%、F1值94.00%。证明BC专检Type A、ANN专检Type B且互补增益。
3.5 计算复杂度分析(Computational Complexity Analysis)
ANN参数量374,914(少于SVM的1.33 M和KNN的12.1 M),推理FLOPs 738,304,单次推断37.55 ms,模型大小4,441 KB。所有ML计算集中于市电供电BS,SN和CH无ML负载。网络级通信开销为每轮2560字节哈希特征(占载荷11.1%),能量开销差异<0.70%/轮,证实网络层轻量化。
3.6 多攻击者扩展性(Multi-Attacker Scalability)
攻击者数1~30(占网络≤30%):单攻击者检测率91.72%(攻击样本少致训练不充分),≥5攻击者检测率升至100%,30攻击者仍保持>99.98%。BC要求>51% CH诚实以维持共识,ANN逐块独立分析不受攻击者数量影响。
3.7 真实条件下网络性能(Network Performance Under Realistic Conditions)
0%~10%丢包率下:无攻击与Type B攻击分组投递率(Packet Delivery Ratio, PDR)均为100%(0%丢包);10%丢包时PDR降至约96%。吞吐量随丢包由约21块/轮降至约20块/轮。Type A攻击因BC拒块致PDR略低(99.83%)及吞吐量微降,系统可稳健运行于非理想信道。
3.8 特征重要性分析(Feature Importance Analysis)
随机森林评估特征组重要性:数据特征贡献74.4%(主检测信号),哈希特征25.1%(辅助Type A检测),前一区块哈希0.5%。ANN单独使用数据特征已达96.64%准确率;联合架构中BC层处理哈希校验,ANN专注数据模式分析,二者分工明确。
四、讨论与结论
研究人员得出结论:所提双层IDS中,轻量级BC层通过混沌哈希链验证检测Type A(不完全妥协)攻击;ANN层在BS分析576维区块特征检测Type B(完全妥协重算哈希)攻击及未连BC的SN异常。联合系统在五折分层交叉验证下达97.42%准确率、98.35%召回率、94.00% F1值,优于单独BC(召回43.25%)、单独ANN(召回97.50%)及五类基线分类器。系统支持≤30%节点同时被攻破时检测率>99.98%,10%信道丢包下PDR>96%。全部ML推断集中于BS,SN与CH无额外计算及通信负担,适合资源严格受限WSN。此混合架构有效弥补了轻量BC无法检测全节点妥协的缺陷,为WSN提供了兼顾数据完整性、抗物理攻击与低资源消耗的分布式安全方案。未来工作将于实物平台验证并扩展攻击模型(重放、选择性转发、协同多向量),探索联邦学习多BS部署及在CS中集成完整性校验。