[发明专利]一种基于监督学习和聚类算法的无人机自组织网络恶意节点检测算法

权利要求书

1.一种基于监督学习和聚类算法的无人机自组织网络恶意节点检测算法，其特征在于，包括以下步骤：

(1)地面站向一些无人机节点注入数据包，收集数据包和数据包的传输路径；

(2)地面站计算路径信誉矩阵和节点存在矩阵；

(3)将路径信誉矩阵和节点存在性矩阵作为线性回归模型的输入，计算每个无人机节点的信誉值；

(4)将每个无人机节点的信誉值注入到高斯聚类算法中，识别恶意节点。

2.如权利要求1所述的地面站操作，包括以下内容：

地面站向一些无人机节点注入数据包，无人机网络中的无人机节点会根据路由协议对数据包进行转发，并且无人机自组织网络中使用的路由协议实现了在包的内容中添加中继节点，最后在地面站收集数据包与数据包的转发路径，检查数据包是否发生了篡改、丢包、重放等恶意攻击，统计每条路由路径上正常数据包的数量以及数据包总量，整合路由路径信息。

3.如权利要求1所述的路径信誉矩阵与节点存在矩阵的计算，包括以下内容：

将一个节点发起恶意攻击的概率表示为P_A，使用u_i(i＝1，2，3...n)表示第i个节点，将节点i的信誉表示为：T(u_i)＝1-P_A。使用Pa_j(j＝1，2，3...m)表示第j条路由路径，Pa_j.cn定义为路径Pa_j传输的正常包的数量，Pa_j.c定义为路径Pa_j传输的所有包的数量。将路径Pa_j的信誉值表示为：将路径的信誉值表示转换为：通过求导数操作，获得将路径信誉矩阵表示为：PRM＝[ln(T(Pa₁))，ln(T(Pa₂))，.........ln(T(Pa_m))]，将节点存在矩阵表示为：

4.如权利要求1所述的使用线性回归模型计算节点信誉值，包括以下内容：

将节点的信誉矩阵表示为：NRM＝[ln(T(u₁))，ln(T(u₂))，.......ln(T(u_n))]，根据NRM＊NEM＝PRM，将NEM和PRM作为线性回归算法的输入，求解得到节点的信誉值矩阵NRM。

5.如权利要求1所述的使用高斯聚类算法识别恶意节点，包括以下内容：

使用高斯聚类算法对无人机节点的信誉值进行聚类，将正常节点和恶意节点区分开。