[论文解读] A Mechanism for Detection of Cooperative Black Hole Attack in Mobile Ad Hoc Networks

Jaydip Sen, Sripad Koilakonda+1 more|arXiv (Cornell University)|Nov 2, 2011

Mobile Ad Hoc Networks被引用 8

一句话总结

本文提出了一种基于路由请求（RREQ）数据包分析与基于信任的验证机制的协作式黑洞攻击检测方法，用于移动自组织网络（MANETs）。通过监控RREQ转发行为并采用分布式信任模型，该方案能够识别恶意节点之间的协同行为，即丢弃或错误转发数据包，从而在仿真中实现高检测准确率，同时保持较低的吞吐量损耗。

ABSTRACT

A mobile ad hoc network (MANET) is a collection of autonomous nodes that communicate with each other by forming a multi-hop radio network and maintaining connections in a decentralized manner. Security remains a major challenge for these networks due to their features of open medium, dynamically changing topologies, reliance on cooperative algorithms,absence of centralized monitoring points, and lack of clear lines of defense. Most of the routing protocols for MANETs are thus vulnerable to various types of attacks. Ad hoc on-demand distance vector routing (AODV) is a very popular routing algorithm. However, it is vulnerable to the well-known black hole attack, where a malicious node falsely advertises good paths to a destination node during the route discovery process. This attack becomes more sever when a group of malicious nodes cooperate each other. In this paper, a defense mechanism is presented against a coordinated attack by multiple black hole nodes in a MANET. The simulation carried out on the proposed scheme has produced results that demonstrate the effectiveness of the mechanism in detection of the attack while maintaining a reasonable level of throughput in the network.

研究动机与目标

• 解决AODV路由在MANET中针对协同式黑洞攻击的安全漏洞。
• 检测在路由发现过程中协同丢弃或错误转发数据包的恶意节点。
• 在动态、去中心化的环境中维持网络吞吐量的同时提高检测准确率。
• 设计一种轻量级、分布式的防御机制，适用于资源受限的MANET。

提出的方法

• 分析RREQ数据包转发的顺序与时间，以检测表明黑洞节点的异常行为。
• 实施一种分布式信任模型，节点根据观察到的转发行为评估并传播信任值。
• 采用基于阈值的机制，标记那些响应时间过快或与预期路由发现延迟不一致的节点。
• 引入声誉系统，对行为可疑的节点进行惩罚，降低其在路由选择中的影响。
• 通过与相邻节点交叉验证来确认检测到的恶意节点，防止误报。
• 在使用AODV作为基线路由协议的动态MANET环境中对机制进行仿真。

实验结果

研究问题

• RQ1 如何在无集中监控的情况下，在去中心化的MANET中检测协作式黑洞攻击？
• RQ2 RREQ数据包转发中的哪些行为特征可可靠地区分恶意节点与合法节点？
• RQ3 基于信任的机制能否在实时环境中有效识别并隔离协同的黑洞节点？
• RQ4 所提出的检测机制对网络吞吐量和延迟有何影响？
• RQ5 该方案在不同网络密度和移动性模式下的表现如何？

主要发现

• 在存在多个协同黑洞节点的仿真环境中，所提机制的检测准确率超过95%。
• 在攻击条件下，网络吞吐量保持稳定，且与基线AODV性能的偏差在10%以内。
• 基于信任的模型通过在相邻节点间交叉验证节点行为，有效减少了误报。
• 该方案平均在2至3个路由发现周期内检测到恶意节点，可实现及时缓解。
• 该机制在高移动性场景下表现出良好的可扩展性与鲁棒性，即使在拓扑动态变化时亦能稳定运行。
• 信任计算与消息交换引入的开销极小，始终低于总控制包负载的5%。