聚合通信模式下感知数据隐私保护与恶意溯源技术的研究

To address the critical contradiction between sensory data aggregation and security requirements, this project aims at finding efficient solutions to guarantee the privacy, integrity, authenticity of the sensory data as well as the credibility of the data source during the aggregation-based data transmission, using multidisciplinary theories and methodologies such as cryptography, statistics and signal processing. To achieve this goal, this project intends to study the aggregation-based spatial-temporal model for sensory data, explore the lightweight approaches of sensory data privacy preserving and integrity protection. Furthermore, based on the full-link data privacy preserving, this project will study the malicious data detection and malicious source tracing techniques with high accuracy and low false positive rate, so as to ensure the privacy, integrity and authenticity of the sensory data without impairing the aggregation efficiency. The research results will be valuable for the efficient and secure data transmission in resource-constrained networks such as sensor networks, ad hoc networks, Internet of Things, and ambient intelligence networks, and have important significance for the development of the Internet of Thins and ambient intelligence.

针对感知数据聚合与安全目标之间存在的突出矛盾，本课题拟结合密码学、统计学和信号处理等多学科理论与方法研究感知数据聚合通信中的数据隐私性、完整性、真实性和来源可信性的保障问题。围绕这一问题，本课题拟研究面向聚合传输的感知数据空时模型，在此基础上研究聚合通信中轻量级数据隐私性与完整性保护技术，并在全链路隐私保护的基础上，进一步研究聚合通信中高精度、低误报率的恶意数据检测与溯源机制，旨在不降低聚合效率的前提下同时保障数据的隐私性、完整性和真实性，实现安全的数据聚合与传输。研究结果对于传感器网络、无线自组织网络、物联网和环境智能网络等资源受限网络中数据的高效安全传输具有普遍的理论参考价值，对于推动物联网和环境智能技术的发展具有重要的意义。

针对网内聚合技术与感知数据隐私性、完整性、真实性和来源可信性等安全需求之间存在的突出矛盾，本项目结合密码学、统计学和信号处理等多学科理论与方法，研究聚合传输模式下的隐私保护与恶意溯源技术。首先，针对模型缺失的问题基于贝叶斯时空建模方法构建了网内聚合应用的数据模型，并分析证明了在典型传感器网络应用场景（如环境监控）中，该数据模型可以近似为一阶自回归过程。.其次，为了保护聚合传输模式下的数据隐私性和完整性，基于同态加密和聚合MAC技术构建了一种可恢复的隐私保护数据聚合与认证方案。该方案能够保护感知数据的全链路隐私性和完整性，并能够抵抗未授权聚合攻击，聚合节点俘获攻击，且与同类方案相比在计算和通信开销方面具有显著优势。.再次，为了及时识别并排除恶意数据源，有效抑制恶意数据对网络的不良影响，在前述感知数据空时模型的基础上提出了一种错误数据注入攻击检测方案，。该方案由一种基于差分滤波方法和门限判决机制的传感器网络错误数据检测方法，以及一种基于序列似然比检测（SPRT）的恶意聚合节点识别机制组成。利用博弈论方法证明，即使在最坏情况下本方案仍然能够有效约束攻击者增益，具有较高的灵敏度和鲁棒性。该方案在效率和有效性方面具有很高的实用性，运行效率高，并提供相当丰富的用户设置接口方便用户按需调整方案的性能。.最后，为了及时识别网络中的复制节点攻击，提出了一种基于位置异常检测的复制节点识别方法。由于节点的实际位置难以观测，本研究提出一种基于邻居节点分组状态的性能测度——理想期望值相似度表征位置差异，在节点发送的位置声明消息中必须携带经过认证的邻居节点ID作为见证字段，BS节点根据见证字段推导出邻居分组状态，并结合门限判决机制判定节点是否为复制节点。同时本研究还提出了一种基于局部敏感哈希（Locality Sensitivity Hasing，LSH）和相似度估计的位置测度的快速计算方法，极大提高了检测速度，降低了计算复杂度。