무선 센서 네트워크에서 클러스터링 기반 Sleep Deprivation Attack 탐지 모델 (Sleep Deprivation Attack Detection Based on Clustering in Wireless Sensor Network)

서지정보

· 발행기관 : 한국정보보호학회
· 수록지 정보 : 정보보호학회논문지 / 31권 / 1호 / 83 ~ 97페이지
· 저자명 : 김숙영, 문종섭

초록

무선 센서 네트워크를 구성하는 무선 센서는 일반적으로 전력 및 자원이 극히 제한적이다. 무선 센서는 전력을 보존하기 위해 일정 주기마다 sleep 상태로 진입한다. Sleep deprivation attack은 무선 센서의 sleep 상태 진입을 막음으로써 전력을 소진 시키는 치명적인 공격이지만 이에 대한 뚜렷한 대응책이 없다. 이에 본 논문에서는 클러스터링 기반 이진 탐색 트리 구조의 Sleep deprivation attack 탐지 모델을 제안한다. 본 논문에서 제안하는sleep deprivation attack 탐지 모델은 기계학습을 통해 분류한 공격 센서 노드와 정상 센서 노드의 특징을 사용한다. 이때 탐지 모델에 사용한 특징은 Long Short-Term Memory(LSTM), Decision Tree(DT), SupportVector Machine(SVM), K-Nearest Neighbor(K-NN)을 이용하여 결정하였다. 결정된 특징은 본 논문에서제안한 알고리즘에 사용하여 공격 탐지를 위한 값들을 계산하였으며, 계산한 값을 판정하기 위한 임계값은 SVM을적용하여 도출하였다. 본 논문에서 제안하는 탐지 모델은 기계학습으로 도출된 특징과 임계값을 본 논문에서 제안한탐지 알고리즘에 적용하여 구성하였으며, 실험을 통해 전체 센서 노드 20개 중 공격 센서 노드의 비율이 0.35일 때94%의 탐지율을 갖고 평균 에너지 잔량은 기존 연구보다 최대 26% 향상된 결과를 보였다.

영어초록

Wireless sensors that make up the Wireless Sensor Network generally have extremely limited power and resources. Thewireless sensor enters the sleep state at a certain interval to conserve power. The Sleep deflation attack is a deadly attackthat consumes power by preventing wireless sensors from entering the sleep state, but there is no clear countermeasure.
Thus, in this paper, using clustering-based binary search tree structure, the Sleep deprivation attack detection model isproposed. The model proposed in this paper utilizes one of the characteristics of both attack sensor nodes and normal sensornodes which were classified using machine learning. The characteristics used for detection were determined using LongShort-Term Memory, Decision Tree, Support Vector Machine, and K-Nearest Neighbor. Thresholds for judging attack sensornodes were then learned by applying the SVM. The determined features were used in the proposed algorithm to calculatethe values for attack detection, and the threshold for determining the calculated values was derived by applyingSVM.Through experiments, the detection model proposed showed a detection rate of 94% when 35% of the total sensornodes were attack sensor nodes and improvement of up to 26% in power retention.

참고자료

· 없음