基于 IGWO 优化快速相关特征提取的无线通信干扰攻击检测研究

针对无线网络易受干扰攻击且需精准分类的问题，研究人员开展基于机器学习算法的干扰信号检测与分类研究。对比 SVM、KNN 等模型，采用 IGWO 进行特征提取，仿真表明 KNN 算法检测干扰具有低误报率和高准确性，提升网络安全可靠性。

　　

无线网络作为避免电缆安装成本与负担的关键通信技术，其安全性至关重要。由于无线介质的分布式与开放性，攻击者可能利用物理层和 MAC 层协议漏洞实施多种干扰攻击，因此需对干扰攻击进行准确分类以制定相应对策。本文旨在通过现代机器学习算法提升干扰信号的检测与分类能力，进而增强无线网络的安全性与可靠性。研究对比了支持向量机（SVM）和 k - 最近邻（KNN）等机器学习模型诊断干扰信号的效率，考察了识别干扰信号的特征，并探讨了改进的灰狼优化器（IGWO）在软件可用性特征提取中的应用。研究采用四个独立指标作为特征来检测干扰攻击，以评估机器学习模型。这种新型特征提取方法对提高干扰检测的准确性至关重要。研究通过真实场景模拟收集了这些参数的测量值，并利用这些参数生成了大型数据集。仿真结果表明，基于干扰检测的 KNN 算法能够以极低的虚警概率和较高的准确性诊断干扰源。
关键词：机器学习；干扰攻击；k - 最近邻；支持向量机；分类器；改进的灰狼优化器（IGWO）