近日，电子科技大学光电科学与工程学院2018级本科生丁景泽在传感器国际期刊IEEE Sensors Journal上发表了题为《The Detection Scheme Against Selective Forwarding of Smart Malicious Nodes with Reinforcement Learning in Wireless Sensor Networks》的研究性论文。丁景泽为该论文的第一作者，其导师吴援明教授为论文通讯作者，电子科技大学为唯一作者单位。
由于无线传感器网络通信开放并且常分布于无人值守的区域，所以极易受到网络攻击。本文首先采用密度峰值聚类（double-threshold density peaks clustering, DT-DPC）解决了如何识别网络中能通过强化学习（reinforcement learning, RL）模仿正常节点转发行为躲避检测的智能恶意节点。正常节点的密度能够达到峰值，而智能恶意节点的密度不会达到峰值，所以可依据这一点筛选出智能恶意节点。
图1检测方案流程图
此外，论文通过设置双密度阈值解决了如何识别恶意节点的丢包行为和恶劣环境中正常节点的丢包行为。双阈值将节点分为：异常节点、怀疑节点和正常节点。怀疑节点会进一步参考邻居节点的特征进行识别。
图2双阈值分类模型
研究者通过大量的仿真实验，综合考虑误检率（false detection rate, FDR）、漏检率（missed detection rate, MDR）、检测正确率（detection accuracy rate, DAR）和网络吞吐量（network throughput, NT）后给出了最佳阈值。与主流算法相比，该论文的检测方案拥有较低的FDR和MDR，较高的DAR和NT。
表1五种恶意节点比例的最优阈值和检测结果
图3与不同算法的网络吞吐量比较
该论文研究工作由丁景泽同学通过2021年国家级大学生创新创业训练计划，在光电科学与工程学院吴援明教授指导下独立完成。
论文链接：https://ieeexplore.ieee.org/document/9777986