Software & Systems

Основными показателями качества беспроводной сенсорной сети (БСС), образующей физический уровень интернета вещей (Internet of Things, IoT), являются безопасность и срок службы сенсорных узлов (датчиков). В качестве источника питания сенсорные узлы используют батареи, ресурсы которых ограничены [1].

Энергопотребление – количество энергии, используемой и потраченной узлами БСС. Единица измерения – джоуль. От энергопотребления зависит срок службы БСС [2].

Срок службы сети – время, в течение которого БСС будет полностью функционировать. Единица измерения – секунды. Срок службы БСС может быть измерен с помощью следующих параметров:

-     число активных узлов – количество узлов, которые еще функционируют и имеют энергию для работы;

-     время «смерти» первого узла – время до тех пор, пока уровень остаточной энергии первого сенсорного узла не упадет до критического состояния;

-     коэффициент доставки пакетов – отношение числа доставленных адресату пакетов к числу отправленных.

Беспроводные сети обычно развертываются в удаленных и враждебных средах и, как правило, остаются без присмотра. В силу этого они не имеют физической защиты (например, отсутствуют коммутаторы или шлюзы для отслеживания потока информации), что может привести к компрометации узла. Поэтому требуются эффективные механизмы защиты от атак в БСС с учетом огра- ничений по электропитанию сенсорных устройств (СУ) [3, 4].

Внедрение механизмов защиты данных требует дополнительных затрат энергии, свя- занных с их реализацией, однако отсутствие этих механизмов чревато распространением атак, истощающих энергию узлов, и сокращением срока службы IoT. Очевидно, что своевременное обнаружение подобных атак способствует увеличению срока службы сети по сравнению с той, в которой механизмы безопасности отсутствуют [5].

В статье приведены результаты имитационного эксперимента, доказывающие данное утверждение.

Описание объектов  имитационной модели

Имитационная модель IoT, как и реальная сеть, состоит из модулей, только програм- мных, и создана на программной платформе С++.

В процессе разработки использованы принципы объектно-ориентированного программирования, что позволило выделить отдельные сущности, описывающие состояние и поведение узлов IoT-сети. Далее перечислены основные программные интерфейсы, описывающие компоненты модели IoT-сети.

1. Packet – программный агент, представленный в виде записи следующих значений:

-     момент генерации пакета;

-     время, зафиксированное после свершения очередного события относительно момента генерации;

-     адрес назначения пакета;

-     статус пакета: активный (true) – пакет может обрабатываться или передаваться, пассивный (false) – в противном случае.

2. Node – СУ (узел) БСС, которое характеризуется идентификатором (номером), местоположением (координатами), запасом энергии, законом генерации следующих данных:

-     сообщение-маяк, оповещающее о присутствии сенсора в данном кластере;

-     пакет с данными, содержащий заре- гистрированные данные об окружающей среде – измерения;

-     сообщение о местоположении узла (может не использоваться).

В свою очередь, СУ принимает управляющие сообщения от головного узла кластера (главы кластера – ГК), обнаруживает его аномальное поведение и участвует в выборе головного узла кластера путем расчета уровня остаточной энергии.

3. HeadNode – головной узел кластера, характеризующийся идентификатором, местоположением (координатами), запасом энер- гии, законом генерации следующих данных:

-     сообщений о синхронизации по времени;

-     управляющих пакетов данных – команд;

-     данных от СУ главе кластера;

-     агрегированных данных маршрутизатору.

В свою очередь, головной узел кластера получает сообщения-маяки от узлов при их выходе из кластера и входе в него, анализирует статистические характеристики получаемых пакетов данных.

Назначение ГК выполняется по протоколу LEACH (Low-Energy Adaptive Clustering Hierarchy). Это самоорганизующийся адаптивный протокол кластеризации, который использует рандомизацию для равномерного распределения энергетической нагрузки между датчиками в сети. 

Функции аутентификации СУ и головного узла в имитационной модели не рассматриваются.

4. Protocol – программный интерфейс, используемый для описания процесса доступа СУ к головному узлу кластера. Сеть состоит из набора кластеров. Каждый кластер управляется ГК.

Все кластеры имеют свои собственные узлы, называемые узлами кластера. Головной узел устанавливает расписание множественного доступа с временным разделением (Time-division multiple access, TDMA) и передает это расписание всем узлам своего кластера. Затем узлы i-го кластера передают свои измерения соответствующему головному узлу.

После этого головные узлы кластеров объединяют данные и пересылают их на ближайший маршрутизатор.

5. BaseStation – маршрутизатор БСС, агрегирующий данные со всех узлов БСС. Маршрутизатор находится в центре сенсорного поля и в отличие от других узлов БСС в имитационной модели имеет неограниченный запас энергии и не может быть подвергнут атакующему воздействию.

Маршрутизатор имеет полную информацию о каждом ГК (номер и МАС-адрес). Также в процессе моделирования маршрутизатор используется для подсчета правильно доставленных пакетов и обменивается данными с внешней сетью.

6. Network – вся IoT-сеть, совокупность всех узлов и маршрутизатора. Используется для создания компонентов сети, первоначального размещения узлов, моделирования появления данных на узлах, инициализации атакующих узлов, а также для сбора данных о состоянии узлов сети.

7. Attack – программный интерфейс, описывающий поведение узлов, моделирующих атакующее воздействие.

Программная реализация модели позволяет имитировать работу БСС с различным числом узлов и топологий, моделировать аномальное поведение СУ путем настройки узлов на атакующее поведение, проводить сравнение работы сети с узлами, использующими предлагаемое решение для защиты, с такой же сетью, не использующей защиту [6, 7].

В результате работы программы генерируются текстовые лог-файлы, содержащие список событий, произошедших в БСС, например, появление, передачу или прием данных. Помимо этого, имеется возможность добавления инструкций, вычисляющих другую информацию о сети в зависимости от задачи, в частности, долю потерянных пакетов.

Особенности реализации  имитационной модели

В таблице приведены основные модули модели, имитирующие реальные объекты сети IoT.

Алгоритм выбора ГК приведен на рисунке 1.

Выбор ГК выполняется в каждом новом раунде работы БСС. Происходит это следующим образом [8]: в начале раунда независимо друг от друга на каждом СУ (пусть их количество равно N) генерируется случайное число zi Î [0, 1],  которое участвует в вычислении некоторого порогового значения i-го СУ согласно выражению

                            (1)

где Р - априорная вероятность, задающая допустимое число ГК (кластеров) в сенсорном поле, как правило, P £ 0.25; i – порядковый номер СУ; r – номер текущего раунда.

СУ назначается ГК, если zi < Thi, иначе назначается простым узлом кластера.

Алгоритм работы объекта Protocol заключается в следующем.

СУ начинают передачу данных только по запросу головного узла. Время отдельного опроса – временной интервал, разделенный на блоки – окна. Размер окон определяется количеством слотов, на которые они делятся. Размер слота – фиксированная величина для каждого СУ. Так как слот – это тоже временной интервал, его размер определяется скоростью передачи данных от СУ до узла, то есть его определяет оборудование, используемое в системе [9].

В начале процесса узел посылает сигналы опроса всем СУ, находящимся в зоне его покрытия. В этих сигналах содержатся время начала доступа и продолжительность, то есть количество слотов. СУ, приняв эти сигналы, случайным образом выбирают слот, в котором будут передавать свои данные.

В процессе доступа в слоте возможно возникновение трех состояний:

-     пусто (ни одно из СУ не выбрало текущий слот для передачи данных);

-     успех (только одно СУ передает данные в текущем слоте);

-     конфликт (коллизия) (более одного СУ начинают передавать данные в текущем слоте).

Опрос СУ, находящихся в зоне покрытия головного узла, заканчивается, когда в окне появляются только слоты с успешной передачей и пустые.

Головной узел анализирует каждый слот и снимает информацию, переданную в них.

Продолжительность обслуживания СУ tserv при опросе формируется следующим образом:

tserv= tsur + tsend.                                     (2)

Полный цикл взаимодействия головного узла с N СУ составляет случайное суммарное время T = Nts.

Связь этих переменных показана на рисунке 2.

На рисунке 3 приведен алгоритм моделирования случайного события – генерации атаки.

Модель Network представляет собой модель виртуального канала (ВК) – коммутационный канал, обеспечивающий транспорти- ровку информационных пакетов между двумя удаленными маршрутизаторами (М) сети, то есть некоторый маршрут в сети, состоящий из последовательности маршрутизаторов с интенсивностью обслуживания m, по которому осуществляется передача информации из узла-источника в узел-адресат [10].

Пакеты, посылаемые абонентами и устройствами виртуального канала (рис. 4), называются выделенным потоком. Предполагается, что они образуют агрегированный поток Парето с параметром lВ сообщений/с [11]. При прохождении по линии от маршрутизатора к маршрутизатору вдоль линии следования эти пакеты в каждом узле встречаются с так называемыми внешними потоками данных, с которыми разделяют логическую линию. Внешние пакеты, следующие по собственному  логическому пути, могут поступать в данный маршрутизатор от других узлов сети или впервые поступать в сеть извне в данном узле. Этот поток назовем транзитным с параметром lТ.

Одна и та же модель ВК для представления разных маршрутов будет отличаться только параметрами, а генераторы фоновых потоков компенсируют нерассматриваемую часть IoT-сети.

Результаты имитационного эксперимента  на модели БСС

Моделируемая БСС представляет собой совокупность из 100 одинаковых по характеристикам сенсорных узлов, расположенных на территории размером 200 на 200 метров. СУ задается местоположением – координатами X, Y в сенсорном поле. Узлы распределены случайно согласно равномерному закону, задающему плотность распределения СУ. Внутри сенсорного поля узлы могут перемещаться случайным образом в радиусе 2 метров за одну итерацию. Радиус действия узлов – 25 метров. E¢ = 50 нДж/бит,  E² = 100 пДж/бит/м2.

Для оценки потребляемой энергии проведено сравнение между двумя сетями – с функционирующим модулем Attack и без него. На рисунке 5 показана зависимость потребляемой энергии в БСС с течением времени, на рисунке 6 – зависимость количества функци- онирующих СУ с течением времени, на рисунке 7 – зависимость коэффициента доставки данных с течением времени.

График на рисунке 5 показывает, что атаки начинают быстро расходовать энергию БСС и в какой-то момент сеть станет неработоспособной из-за отсутствия возможности установить маршрут до адресата. График на рисунке 6 показывает, что на 100-й единице модельного времени БСС начинает терять свои узлы. График на рисунке 7 демонстрирует разницу в значениях коэффициента доставки для сети, не подверженной атакам (идеальный случай), и для сети, подверженной атакам, – на 240-й единице модельного времени сеть потеряла четверть своих узлов, что не позволило выстроить маршруты до адресата и доставить предназначающиеся ему пакеты данных.

Заключение

Для демонстрации необходимости внедрения механизмов защиты БСС от атак, истощающих энергию узлов, разработана имитационная модель IoT-сети. Приведены некоторые особенности программной реализации основных модулей имитационной модели.

Результаты имитационного эксперимента показывают, что своевременное обнаружение атак, направленных на истощение энергии сенсорных узлов, способствует увеличению срока службы сети и коэффициента доставки пакетов адресату по сравнению с сетью, в ко- торой механизмы противодействия атакам отсутствуют.

Литература

1.    Варгаузин В.А. Радиосети для сбора данных от сенсоров, мониторинга и управления на основе стандарта IEEE 802.15.4 // ТелеМультиМедиа. 2005. № 6. C. 23–27.

2.    Татарникова Т.М., Богданов П.Ю., Краева Е.В. Предложения по обеспечению безопасности системы умного дома, основанные на оценке потребляемых ресурсов // Проблемы информационной безопасности. Компьютерные системы. 2020. № 4. С. 88–94.

3.    Kind А., Stoecklin М.Р., Dimitripoulos Х. Histogram-basedtraffic anomaly detection. IEEE Transactions on Network and Service Management, 2009, vоl. 6, no. 2, pp. 110–121. DOI: 10.1109/TNSM.2009. 090604.

4.    Татарникова Т.М., Журавлев А.М. Нейросетевой метод обнаружения вредоносных программ на платформе Android // Программные продукты и системы. 2018. Т. 33. № 3. С. 543–547. DOI: 10.15827/0236-235X.123.543-547.

5.    Киричек Р.В., Парамонов А.И., Прокопьев А.В., Кучерявый А.Е. Эволюция исследований в области беспроводных сенсорных сетей // ИТТ. 2014. Т. 2. № 4. С. 29–41. URL: http://www.sut.ru/ doci/nauka/review/4-14.pdf (дата обращения: 15.08.2021).

6.    Baddar S.А.-Н., Merlo А., Migliardi М. Аnоmаlу detection in computer networks: A state-of-the-art review. JoWUA, 2014, vol. 5, nо. 4, pp. 29–64. DOI: 10.22667/JOWUA.2014.12.31.029.

7.    Simmross-Wattenberg F., Asensio-Perez J.I., Casaseca-de-la-Higuera P., Martin-Fernandez М. et al. Anomaly detection of network traffic based on statistical inference and a-stable mоdеling. IEEE Transactions on Dependable and Secure Computing, 2011, vol. 8, no. 4, pp. 494–509. DOI: 10.1109/TDSC. 2011.14.

8.    Жарков С.Н. Стохастическое формирование проактивного множества при кластеризации в мобильных беспроводных сенсорных сетях // T-Comm – телекоммуникации и транспорт. 2013. Т. 7. № 5. С. 29–34.

9.    Переспелов А.В., Богданов П.Ю., Краева Е.В. Применение технологии виртуализации для организации разграничения доступа // Изв. вузов. Приборостроение. 2021. Т. 64. № 5. С. 364–369. DOI: 10.17586/0021-3454-2021-64-5-364-369.

10. Гольдштейн Б.С., Кучерявый А.Е. Сети связи пост-NGN. СПб: БХВ-Петербург, 2014. 160 c.

11. Викулов А.С., Парамонов А.И. Анализ трафика в сети беспроводного доступа стандарта IEEE 802.11 // Тр. учебных заведений связи. 2017. Т. 3. № 3. С. 21–27.

References

1. Vargauzin V.A. Radio networks for data collection from sensors, monitoring and control based on the IEEE 802.15.4 standard. TeleMultiMedia, 2005, no. 6, pp. 23–27 (in Russ.).
2. Tatarnikova T.M., Bogdanov P.Yu., Kraeva E.V. Smart home security proposals based on the assessment of consumption resources. Information Security Problems. Computer Systems, 2020, no. 4,
   pp. 88–94 (in Russ.).
3. Kind А., Stoecklin М.Р., Dimitripoulos Х. Histogram-basedtraffic anomaly detection. IEEE Trans. on Network and Service Management, 2009, vоl. 6, no. 2, pp. 110–121. DOI: 10.1109/TNSM.2009.090604.
4. Tatarnikova T.M., Zhuravlev A.M. A neural network method for detecting malicious programs on the Android platform. Software & Systems, 2018, vol. 33, no. 3, pp. 543–547. DOI: 10.15827/0236-235X.123.543-547 (in Russ.).
5. Kirichek R.V., Paramonov A.I., Prokopyev A.V., Kucheryavy A.E. The investigation evolution in the wireless sensor networks area. IJITT, 2014, vol. 2, no. 4, pp. 29–41. Available at: http://www.sut.ru/
   doci/nauka/review/4-14.pdf (accessed August 15, 2021) (in Russ.).
6. Baddar S.А.-Н., Merlo А., Migliardi М. Аnоmаlу detection in computer networks: A state-of-the-art review. JoWUA, 2014, vol. 5, nо. 4, pp. 29–64. DOI: 10.22667/JOWUA.2014.12.31.029.
7. Simmross-Wattenberg F., Asensio-Perez J.I., Casaseca-de-la-Higuera P., Martin-Fernandez М. et al. Anomaly detection of network traffic based on statistical inference and a-stable mоdеling. IEEE Trans. on Dependable and Secure Computing, 2011, vol. 8, no. 4, pp. 494–509. DOI: 10.1109/TDSC.2011.14.
8. Zharkov S.N. Stochastic generation proactive set clustering in mobile wireless sensor networks.
   T-Comm, 2013, vol. 7, no. 5, pp. 29–34 (in Russ.).
9. Perespelov A.V., Bogdanov P.Yu., Kraeva E.V. Application of virtualization technology to organize access control. J. of Instrument Engineering, 2021, vol. 64, no. 5, pp. 364–369. DOI: 10.17586/0021-3454-2021-64-5-364-369 (in Russ.).
10. Goldstein B.S., Kucheryavy A.E. Post-NGN Communication Networks. St. Petersburg, 2014,
    160 p. (in Russ.).
11. Vikulov A.S., Paramonov A.I. Traffic analysis in a wireless access network of IEEE 802.11. Proc. of Telecommunication Univ., 2017, vol. 3, no. 3, pp. 21–27 (in Russ.).