《Journal of Information Security and Applications》：A secured cryptographic approach with extreme gradient boosting model for data aggregation and routing in WSN
编辑推荐：
无线传感器网络（WSNs）中，融合机器学习算法与轻量级加密技术提升数据聚合与路由安全性。通过改进的MFCMC聚类算法分组节点，XGBoost优化数据聚合，FSTE实现高效加密，OL-HBO算法保障路由安全。实验表明，该方法在延迟（58.73ms）、PDR（90.37%）和吞吐量（253.41kbps）上优于传统方案，加密速度提升60%，能耗降低18-22%。
Ramkumar Devendiran | Anil V Turukmane
计算机科学与工程学院，VIT-AP大学，AP秘书处旁，Amaravati，522241，安得拉邦，印度
摘要
有效的路由算法对无线传感器网络（WSNs）的效率和安全性至关重要。近年来，已有许多研究试图提高路由安全性、数据保密性和数据聚合过程。然而，这些技术存在一些显著的缺点，包括数据丢失、较高的时间复杂度以及容易受到各种攻击（例如被动攻击、恶意攻击或攻击性攻击）。本研究的目的是开发一种用于WSNs中安全数据聚合的机器学习算法和一种用于安全路由的加密算法。首先在WSN中部署传感器节点，然后根据改进的模糊C均值聚类（MFCMC）算法对节点进行分组。随后，使用极端梯度提升（XGBoost）算法对数据进行聚合。之后，应用Feistel Shaped Tiny Encryption（FSTE）技术进行加密。最后，通过一种基于对立学习的Honey Badger优化（OL_HBO）技术选择最佳路由路径。该方法基于残余能量、节点度数、节点中心性和传感器节点之间的距离等参数。在评估环境中，所提出的技术实现了平均端到端延迟（58.73毫秒）、数据包传输率（PDR）（90.37%）、吞吐量（253.41 kbps）、加密时间（0.39毫秒）和解密时间（6.1毫秒）。通过将所提出技术的性能与其他最先进方法进行比较，结果表明其性能有所提升。
引言
无线传感器网络（WSNs）是简化监控区域内数据收集和感知信息获取的关键技术之一[1]。在传统的WSN中，众多传感器节点自主组织成网络结构，共同感知、处理数据，并将其转发到全局汇聚节点进行聚合和分析[2]。汇聚节点接收到来自传感器节点的聚合和加密数据后，将其传输到后端服务器或云平台，后者解密数据并保存下来，以便进一步分析或处理[3]。由于WSNs具有能耗低、可靠性高和易于部署等诸多优点，因此被广泛应用于工业监控、医疗治疗、环境监测等多个领域[4]。然而，由于传感器节点的处理能力和功率有限，其应用范围受到限制，且WSNs的寿命也相应缩短[3]。因此，能量是WSNs最宝贵的资源，高效节能的设备可以延长网络的寿命[5]。WSNs面临的主要挑战是如何在有限的能量下实现负载均衡并尽可能延长网络寿命[6]。特别是，高效的路由技术可以大幅降低能耗并延长WSNs的寿命[7]。
为了调节数据流并延长WSNs的寿命，传统的路由算法侧重于聚类和特定节点的选择[8]。低能耗自适应聚类层次结构（LEACH）路由方法使用高递归簇头（CH）节点，在将传感器节点划分为多个簇后，分发和分析这些簇内的感知数据[9]。这样，簇头节点可以避免频繁开启和关闭，从而更有效地节省能量，WSN也能高效处理设备间的数据传输和聚合[3]。与有线网络相比，WSN的网络寿命和节点连接距离受到严重限制（Sirajuddin & Kumar）。为了减少这种限制，传感器节点在传输信息之前会先进行数据聚合[10]。数据聚合是一种节能的数据整合方法[11]。WSNs可能包含冗余数据，即使用大量传感器来感知环境[12]。通过数据聚合去除重复数据，仅将必要内容传输到基站（BS）[13]。图1展示了WSN数据聚合模型的设计。
在每个WSN中，数据安全对于通信相关活动至关重要[14]。由于恶意攻击的数量众多，每个传感器节点都可能遇到传输功能被阻断的问题。研究人员最近一直在探索新的方法来减轻WSN应用中的数据安全漏洞[15]。即使信息本身是安全的，当数据通过无线通道传输时，仍可能存在安全威胁[16]。密码学是一种简单的加密和解密数据的方法[17]。WSNs中也应用了这种技术来加密和解密数据。存在两种加密系统：一种使用非对称密钥加密数据，另一种使用对称密钥加密数据[18,19]。非对称密钥加密需要两个不同的密钥来解码和编码数据，而对称密钥加密则使用相同的密钥[20]。
然而，由于典型WSN节点的计算能力和资源限制，这些技术在实时应用中并不总是实用的。因此，本研究采用了一种轻量级且高效的对称密钥加密方法FSTE，以确保数据保密性同时保持较低的计算复杂度。这一选择符合WSNs在能量和处理方面的限制。为了创建用于分析网络流量模式和检测恶意活动（如破坏路由协议的汇聚洞或蠕虫洞攻击）的机器学习（ML）方法[21]，这些ML算法必须体积小且节能，以便在低功耗传感器节点上运行。WSNs可以利用ML方法实现安全的数据路由和聚合，从而确保网络弹性和数据完整性。
但这些方法在实时环境中并不总是可行的，因为传统WSN节点的计算能力和资源不足。因此，本研究采用了一种简单轻量级的对称密钥加密算法FSTE，旨在在保持低计算复杂度的同时保证数据隐私。这是基于WSNs在能量和处理方面的局限性。为了创建用于监控网络流量模式和检测恶意活动（如破坏路由协议的汇聚洞或蠕虫洞攻击）的ML方法[21]，WSNs可以利用ML方法实现安全的数据路由和收集，从而确保网络稳定性和数据完整性。此外，ML算法需要体积小且能耗低，以便在低功耗传感器节点上运行。
本研究的动机在于现有基于ML的安全路由和聚合方法在WSNs中的不足之处，这些方法通常无法在能量限制下同时提高数据隐私性、聚类准确性和路由效率。本研究的新颖之处在于将Feistel Shaped Tiny Encryption（FSTE）、极端梯度提升（XGBoost）、改进的模糊C均值聚类（MFCMC）和基于对立学习的Honey Badger优化（OL_HBO）集成到一个系统中。所提出的范式结合了聚类、聚合和路由功能，同时促进网络稳定性、安全性和能源利用，而传统方法则是将这些过程作为独立任务处理。尽管XGBoost提供了一种智能的、考虑相关性的数据聚合机制，减少了冗余传输，但MFCMC算法提高了节点聚类的准确性和能源平衡。FSTE算法作为一种高速、轻量级的加密方案，在延迟和计算效率方面优于著名的AES和TEA等密码算法，更适合低功耗WSN节点。最后，OL_HBO算法在OBL的辅助下优化了路由选择，通过持续评估残余能量、节点度数和中心性等指标，确保在面对恶意或高能耗攻击时仍能保持安全性。与现有的基于ML的解决方案相比，这种组合架构提供了一种新颖且完整的优化方案，显著提升了WSN的安全性和运行效率。本研究的主要目标包括：
•所提出的MFCMC方法将簇内距离和平均端到端延迟最小化为36.07–58.73毫秒，比K-means方法减少了54%，比SMOFCM方法减少了20.3%。同时提高了节点聚类的稳定性和准确性。
•与DDAR和SMOFCM等现有技术相比，XGBoost减少了数据冗余，将数据包传输率（PDR）提高到97.19%，整体提高了14.6%，表明簇内节点之间的数据聚合更加精确和可靠。
•所提出的FSTE算法将加密速度提高了多达60%（至0.18–0.39毫秒），解密速度提高了多达45%（至1.7–6.1毫秒），相比RES-AES有显著提升。此外，总体执行时间（5.1–6.3毫秒）比同类技术减少了26–40%，证明了FSTE适用于实时WSN的快速低延迟加密。
•OL_HBO方法在吞吐量为253.41 kbps、数据包传输率为97.19%、延迟为58.73毫秒的情况下，与SMOFCM和WDARP相比，提高了路由性能并延长了网络寿命18–22%。这表明该算法能够实现安全、高效且节能的传感器节点间路由选择。
•
本文的其余部分安排如下：第2节涵盖了相关调查；第3节描述了问题描述和建模；第4节介绍了基于ML的数据聚合和WSN路由；第5节展示了复杂性和安全性分析；第6节展示了实验结果；第7节进行了仿真分析并进行了比较；第8节总结了所提出方法的应用效果。
文献综述和背景
数据安全、能源效率和智能路由仍然是WSNs面临的主要问题。为了解决这些问题，研究人员采用了多种方法，包括ML、聚类算法和加密方案。下一节将针对它们针对的具体问题、采用的方法以及各自的局限性对现有研究进行分类和分析。
像对称密钥和非对称密钥加密这样的加密机制是用于保护数据的最受研究的技术
问题描述和建模
本节简要讨论了威胁模型、网络模型、能源模型、干扰/信道模型以及目标，并给出了清晰的数学解释。
提出的方法
总体而言，WSNs包含多种传感器节点以执行特定任务。由于这些传感器的电池续航时间有限，因此能源效率是WSN平台中的一个主要问题。因此，进行最优的聚类、节点聚合和路由处理以及移动汇聚节点的操作对于提高能源效率至关重要。因此，本研究旨在开发一种高效的
复杂性和安全性分析
本节深入解释了所提出方法的复杂性和安全性分析。为了说明每种算法的每轮资源和每轮计算复杂度，做了以下假设：簇头（CH）的数量、传感器节点的总数、每个CH和每轮的本地样本数、每个样本的特征数量、XGBoost模型的树的数量、每棵树的平均深度以及每轮每个节点的通信消息数量分别用和表示。
实验
实验在NS3平台上进行。研究中的仿真参数列于表5中。在100米×100米的仿真环境中使用了100–500个初始能量为10焦耳的传感器节点。节点基于LogDistancePropagationLossModel通过无线信道进行通信，通信范围为100米。传输协议采用UDP，低功耗通信使用IEEE 802.15.4 MAC。路由层采用了基于OL_HBO的新方法来实现最大效率
结果与讨论
本节讨论了所提出模型的性能和输出评估方法。使用MATLAB软件建立了实验设置。每次仿真都执行了30次，传感器节点的位置随机初始化。为了保证可重复性，所有仿真都从固定的随机种子42开始。性能分析用于评估各项指标
结论与未来工作
本文重点讨论了基于ML模型的数据聚合，以及利用WSNs对包含信息的文件进行安全加密。首先将传感器节点添加到WSN中，然后使用改进的模糊C均值聚类算法进行聚类。聚类完成后，节点根据极端梯度提升方法收集数据。接着使用Feistel-shaped小型加密技术提高全局数据安全性。最后，采用了一种新的对立学习
资金信息
本文撰写过程中未获得任何资金支持。
CRediT作者贡献声明
Ramkumar Devendiran：负责写作、审稿与编辑、验证和资源准备。Anil V Turukmane：负责撰写初稿、项目管理和资金筹集。
