基于Python爬蟲技術(shù)的虛假數(shù)據(jù)溯源與過濾

陳 叢，周力臻

(福建師范大學(xué)協(xié)和學(xué)院，福建 福州 350117)

1 引言

隨著嵌入式計算與傳感器技術(shù)的不斷發(fā)展，推動了無線傳感網(wǎng)絡(luò)的迅速崛起，并廣泛應(yīng)用于軍事、醫(yī)療、建筑等領(lǐng)域[1]。與傳感網(wǎng)絡(luò)不同，無線傳感網(wǎng)絡(luò)將海量廉價小型傳感器節(jié)點隨機(jī)布置在不同區(qū)域，利用自組織形式生成網(wǎng)絡(luò)，同時采用多跳方式將信息傳輸給用戶，每個節(jié)點都具有數(shù)據(jù)采集、處理、定位與連接等功能。但無線傳感網(wǎng)絡(luò)屬于開放式網(wǎng)絡(luò)，其計算性能、儲存空間較為有限，抗捕獲能力較弱，攻擊者可通過捕獲節(jié)點獲得其中敏感信息，并對其注入虛假數(shù)據(jù)，如果不能及時過濾掉這些虛假數(shù)據(jù)，則會導(dǎo)致網(wǎng)絡(luò)癱瘓，引發(fā)錯誤報警，影響用戶決策[2]。為此，該領(lǐng)域研究者對該問題進(jìn)行了很多研究，并取得了一定成果。

文獻(xiàn)[3]提出基于能量感知路由和節(jié)點過濾的虛假數(shù)據(jù)過濾方法。該方法將距離與能量相結(jié)合，提出能量感知和節(jié)點過濾方法。與傳統(tǒng)密碼交換機(jī)制不同，該方法在會話構(gòu)建前有策略的將重點密鑰傳輸?shù)讲糠止?jié)點中，而不是全部節(jié)點；在選擇過濾節(jié)點時不但參考距離，且綜合分析節(jié)點剩余能量與密鑰傳播信息，有效過濾虛假數(shù)據(jù)，更好的均衡網(wǎng)絡(luò)能耗。該方法可有效根據(jù)部分節(jié)點進(jìn)行過濾，但該方法過濾的數(shù)據(jù)覆蓋范圍存在一定局限。文獻(xiàn)[4]提出多路虛假數(shù)據(jù)分層過濾方法。該方法在完成網(wǎng)絡(luò)布置后，對每個節(jié)點分配相應(yīng)密鑰，利用密集認(rèn)證方式建立封閉區(qū)域，并通過密鑰明確簇內(nèi)節(jié)點和驗證節(jié)點之間的關(guān)系，轉(zhuǎn)發(fā)需要檢測的數(shù)據(jù)包，判定其包括的節(jié)點碼、哈希值等信息是否正確；根據(jù)sink節(jié)點對數(shù)據(jù)包進(jìn)行對比與丟棄，以此實現(xiàn)多路虛假數(shù)據(jù)分層過濾。該方法可以準(zhǔn)確過濾掉虛假數(shù)據(jù)，但對網(wǎng)絡(luò)虛假數(shù)據(jù)出現(xiàn)的溯源追蹤與定位考慮甚少。

基于上述方法存在的不足，本文利用Python爬蟲技術(shù)進(jìn)行虛假數(shù)據(jù)溯源與途中過濾。爬蟲技術(shù)通過一定規(guī)則自動抓取網(wǎng)頁信息的一種程序。其目的是將目標(biāo)數(shù)據(jù)下載到本地，便于后續(xù)分析。Python語言是一種較為簡潔的開源編程式語言，具有標(biāo)準(zhǔn)庫與第三方庫，用戶可結(jié)合自己喜好選取最適合的編輯工具來編寫爬蟲程序。本文設(shè)計了Python爬蟲系統(tǒng)，利用該系統(tǒng)生成數(shù)據(jù)包，實現(xiàn)虛假數(shù)據(jù)溯源與途中過濾。與傳統(tǒng)方法相比可以有效追蹤虛假數(shù)據(jù)的溯源，且過濾的數(shù)據(jù)范圍較大，具有一定優(yōu)勢。

2 虛假數(shù)據(jù)覆蓋的網(wǎng)絡(luò)劃分

為了實現(xiàn)網(wǎng)絡(luò)虛假數(shù)據(jù)的溯源與途中過濾，本文首先對虛假數(shù)據(jù)所處的網(wǎng)絡(luò)環(huán)境進(jìn)行劃分。將虛假數(shù)據(jù)網(wǎng)絡(luò)覆蓋部分分割為同樣大小的網(wǎng)格，任意一個節(jié)點均有固定監(jiān)測范圍，在此范圍內(nèi)發(fā)生的全部狀況都能被節(jié)點感知。其中，網(wǎng)格便是監(jiān)測網(wǎng)格。此外節(jié)點根據(jù)設(shè)置的概率，隨機(jī)挑選多個不在自身監(jiān)測范圍內(nèi)的網(wǎng)絡(luò)，將其作為認(rèn)證網(wǎng)格，節(jié)點對認(rèn)證網(wǎng)格發(fā)生的狀況進(jìn)行驗證。網(wǎng)絡(luò)劃分情況如圖1 所示。

圖1 虛假數(shù)據(jù)覆蓋的網(wǎng)絡(luò)劃分

圖1 中，存在L個主密鑰組，節(jié)點必須加入其中一個密鑰組，并利用此組中的密鑰生成監(jiān)測和認(rèn)證網(wǎng)格相對的密鑰。若某事件發(fā)生時，由該事件節(jié)點形成數(shù)據(jù)報告；然后，節(jié)點使用其掌握的事件發(fā)生地點密鑰為詞條數(shù)據(jù)增添消息認(rèn)證碼MAC(Message Authentication Code)。

每條合法的數(shù)據(jù)報告需包含T個MAC，且形成這T個消息認(rèn)證碼節(jié)點必須出自不同密鑰組。當(dāng)途中節(jié)點接收數(shù)據(jù)報告后，需明確事件發(fā)生地址，結(jié)合掌握的密鑰斷定是否對數(shù)據(jù)報告進(jìn)行檢測與認(rèn)證。如果不對其認(rèn)證，則根據(jù)一定概率對數(shù)據(jù)包進(jìn)行標(biāo)記[5]，并轉(zhuǎn)發(fā)此數(shù)據(jù)報告；如果認(rèn)證失敗，直接丟棄此數(shù)據(jù)報告。通過對虛假數(shù)據(jù)覆蓋的網(wǎng)絡(luò)劃分，明確其存在的位置以及設(shè)置相關(guān)密鑰，降低算法復(fù)雜度。

3 基于Python爬蟲的虛假數(shù)據(jù)溯源與途中過濾

3.1 Python爬蟲系統(tǒng)設(shè)計

3.1.1 爬蟲抓取過程分析

網(wǎng)絡(luò)爬蟲是開發(fā)者編寫的計算機(jī)程序或腳本[6]，利用設(shè)置的規(guī)則，在上述構(gòu)建的網(wǎng)格中向蜘蛛網(wǎng)一樣對網(wǎng)頁不停擴(kuò)張，從中獲取目標(biāo)數(shù)據(jù)的過程，其抓取過程如圖2所示。

圖2 網(wǎng)絡(luò)爬蟲抓取過程

由圖2可知，抓取過程是一個循環(huán)執(zhí)行過程，經(jīng)過不停循環(huán)獲得新的網(wǎng)頁信息。以鏈接構(gòu)成的集合作為種子源，將其放入待爬取隊列中，按照設(shè)置的規(guī)則從中選取某個鏈接，并將請求發(fā)送到遠(yuǎn)程服務(wù)器，等待服務(wù)器返回內(nèi)容；爬蟲得到網(wǎng)頁信息后，對內(nèi)容進(jìn)行解析，提取重要數(shù)據(jù)儲存在數(shù)據(jù)庫中。此外，獲取新的超鏈接，經(jīng)過去重處理，進(jìn)入新一輪數(shù)據(jù)提取。

3.1.2 系統(tǒng)需求分析

利用Python語言設(shè)計的爬蟲系統(tǒng)能夠為不同領(lǐng)域用戶提供數(shù)據(jù)采集服務(wù)的通用型系統(tǒng)。為達(dá)到一定效果，系統(tǒng)需具備下述功能：

1)適用較多采集場景：系統(tǒng)設(shè)計需適用于不同場景，為不同用戶提供服務(wù)。

2)界面可視化：結(jié)合使用場景，設(shè)計圖形化界面，確保用戶在瀏覽信息同時，記載用戶操作的相關(guān)信息，生成爬蟲任務(wù)腳本。

3)執(zhí)行爬蟲任務(wù)：將腳本信息變?yōu)槟軌蜃R別的內(nèi)容，結(jié)合指令驅(qū)動[7]，完成數(shù)據(jù)提取。

4)負(fù)載均衡：需針對不同性能機(jī)器分配適當(dāng)任務(wù)量。

3.1.3 Python爬蟲系統(tǒng)設(shè)計

Python爬蟲系統(tǒng)硬件結(jié)構(gòu)分為客戶模塊、服務(wù)模塊、爬取模塊與儲存模塊，如圖3所示。

圖3 爬蟲系統(tǒng)整體架構(gòu)

其中，客戶端是系統(tǒng)交互的入口，提供編輯、任務(wù)管理、信息查看等界面。服務(wù)端對客戶請求及時處理，執(zhí)行爬蟲任務(wù)的分配與調(diào)度工作。

為追溯虛假數(shù)據(jù)，降低不同模塊之間耦合度，對該系統(tǒng)的硬件部分進(jìn)行設(shè)計。

1)爬蟲管理器：該管理器對物理節(jié)點啟動提供適當(dāng)虛擬節(jié)點。結(jié)合節(jié)點負(fù)載狀況，對虛擬節(jié)點數(shù)量進(jìn)行調(diào)整，確保節(jié)點以最佳狀態(tài)執(zhí)行爬取任務(wù)，簡化系統(tǒng)負(fù)載程度。

2)爬蟲采集器：主要任務(wù)為數(shù)據(jù)采集。包含任務(wù)解析與數(shù)據(jù)管理子模塊。

3)內(nèi)嵌瀏覽器：利用QT(Qualification Test)框架作為內(nèi)嵌瀏覽器，采用Qpush Button部件設(shè)置訪問按鈕，確保信息鏈接和網(wǎng)頁相互對應(yīng)。

在上述硬件設(shè)置后，對系統(tǒng)軟件運行機(jī)制進(jìn)行設(shè)置。從系統(tǒng)爬取數(shù)據(jù)角度描述系統(tǒng)軟件各模塊如何協(xié)作，如圖4 所示。

圖4 軟件運行機(jī)制

3.2 關(guān)聯(lián)建立與密鑰分配

根據(jù)上述構(gòu)建爬蟲系統(tǒng)，通過密鑰分配生成數(shù)據(jù)包，分析密鑰驗證的合法性，實現(xiàn)虛假數(shù)據(jù)溯源與途中過濾。

假設(shè)存在大小未是N的全局密鑰池G，將其等分為n個不重合的分區(qū){Ui，0≤i≤n-1}，任意一個分區(qū)密鑰數(shù)量表示為m(N=n×m)。在部署區(qū)域?qū)⒐?jié)點任意挑選一個分區(qū)進(jìn)行保存，將此種密鑰設(shè)為R型密鑰。

在完成節(jié)點部署后，若某節(jié)點的ID最小，將此節(jié)點當(dāng)作簇頭CH。由于感知半徑大于傳輸半徑，因此，設(shè)簇內(nèi)全部節(jié)點可以同時感知發(fā)生事件。CH采集簇內(nèi)數(shù)據(jù)生成hello包：{y，CH，S1，S2，…，Sy}，y表示計數(shù)器，原始值是簇內(nèi)節(jié)點數(shù)量，S1，S2，…，Sy為簇中節(jié)點。

CH將hello向sink方向傳輸，傳輸跳數(shù)取決于y。首個中轉(zhuǎn)節(jié)點Si接收包后，刪除節(jié)點數(shù)最后一位，記錄Sy。Si與Sy是一對協(xié)作節(jié)點，Si處于上游，而Sy為下游。Si將自身節(jié)點號插入節(jié)點數(shù)組首位，并轉(zhuǎn)發(fā)數(shù)據(jù)包，繼續(xù)執(zhí)行爬蟲過程，此時計數(shù)器y減去1。

hello數(shù)據(jù)包傳輸y跳后停止操作，位于最后的中轉(zhuǎn)節(jié)點Sj形成一個僅包括其本身節(jié)點的ACK包：{Sj}，且將其按照hello數(shù)據(jù)包的方向進(jìn)行傳輸。中轉(zhuǎn)階段順次將自身節(jié)點引入到數(shù)據(jù)包末位，簇內(nèi)節(jié)點從包中ACK記載協(xié)作節(jié)點序號[8-9]。

協(xié)作節(jié)點間利用消息共享一對密鑰，密鑰類型表示為A′。簇內(nèi)節(jié)點隨機(jī)挑選一個R型密鑰對A‘密鑰進(jìn)行加密，同時傳輸給簇頭，簇頭將這些信息壓縮再傳輸?shù)絪ink節(jié)點。構(gòu)建協(xié)作關(guān)系的區(qū)域可以對數(shù)據(jù)進(jìn)行認(rèn)證，將其稱作封鎖區(qū)。

3.3 虛假數(shù)據(jù)包的生成

在建立關(guān)聯(lián)后，如果檢測到突發(fā)事件，簇頭將感知值傳輸給每個簇中的節(jié)點。獲得信息的節(jié)點S將感知數(shù)值與設(shè)定的閾值e比較，如果低于設(shè)定閾值，認(rèn)為兩個數(shù)據(jù)相同，并任意選出一個R型密鑰與其A型密鑰生成簽名：MR，MA，將其傳輸給簇頭，當(dāng)簇頭采集t個節(jié)點簽名信息后形成數(shù)據(jù)報告

R0={C;e;R1，R2，…，Rt;MR1，MR2，…，MRt

A1，A2，…，At;MA1，MA2，…，MAt}

(1)

式中，C表示跳數(shù)計數(shù)器，其原始值表示為y;R1，…，Rt屬于R型密鑰，MR1為密鑰R1生成的MAC；A1…At描述節(jié)點號，MA1是A1節(jié)點利用對偶密鑰生成的MAC。利用布隆過濾器[10]將兩種MAC映射為d比特字符串，即

F=b0，b1…bd-1

(2)

則生成的虛假數(shù)據(jù)包為

R={C;e;R1，R2，…，Rt;A1，A2，…，At;F1;F2}

(3)

式中，t的取值是過濾性能與能耗情況的折中。

3.4 虛假數(shù)據(jù)溯源過程

當(dāng)sink節(jié)點獲得數(shù)據(jù)包后，使用共享密鑰證明MAC是否合法，如果不合法，啟動溯源過程。

當(dāng)檢測到存在虛假數(shù)據(jù)時，選擇新的虛假數(shù)據(jù)包，向上一跳傳輸一個查找請求信息Q，當(dāng)節(jié)點A1收到消息后，查詢緩沖區(qū)域，并對信息Q進(jìn)行廣播，其鄰居節(jié)點獲取查詢信息后，檢查緩沖區(qū)日志，若沒有查詢到有關(guān)內(nèi)容，則不發(fā)送應(yīng)答信息ACK；若查找到有關(guān)內(nèi)容u.a[i].SrcID==Q.SrcID，則利用sink節(jié)點共享密鑰生成Mu，即

(4)

并將應(yīng)答信息傳輸?shù)紸1，傳輸過程描述為

(5)

當(dāng)節(jié)點A1獲得全部應(yīng)答信息后，斷定各信息中A1的前一跳節(jié)點是否一致，根據(jù)緩沖區(qū)查詢結(jié)果，挑選與前一跳節(jié)點相同的查詢結(jié)果，并將回復(fù)信息傳輸?shù)絪ink節(jié)點。A1傳輸?shù)絪ink節(jié)點的回復(fù)消息形式為

A1→sink=IDu1，…，IDut，IDd1，IDd2，Q.SrcID

Q.Seqno，Mu1，…，Mut

(6)

當(dāng)sink節(jié)點獲得上游節(jié)點回復(fù)的信息后，必須斷定信息中是否包括節(jié)點認(rèn)證，再結(jié)合共享密鑰驗證信息的合法性，經(jīng)過驗證后，獲取IDd1與IDd2值。當(dāng)獲得全部回復(fù)信息后，可以重構(gòu)路徑，溯源到虛假數(shù)據(jù)。

3.5 虛假數(shù)據(jù)的途中過濾

在Python爬蟲系統(tǒng)中，虛假數(shù)據(jù)途中過濾詳細(xì)步驟為：

1)核對數(shù)據(jù)包內(nèi)是否存在t對{Rk，MRk};{Ak，MAk}元組，如果不存在則將數(shù)據(jù)包刪除；

2)核對數(shù)據(jù)包內(nèi)t個R型密鑰是否出自t個不同區(qū)域，若不存在，則刪除數(shù)據(jù)包；

3)如果節(jié)點具有數(shù)據(jù)包內(nèi)一個R型密鑰，則使用此密鑰重新獲得R型MAC，且與數(shù)據(jù)包內(nèi)原有MAC進(jìn)行比較，若不同則刪除數(shù)據(jù)包；

4)如果節(jié)點中不具有任何一個密鑰，則將數(shù)據(jù)包直接過濾，實現(xiàn)虛假數(shù)據(jù)的過濾。

4 仿真分析

4.1 仿真環(huán)境及參數(shù)

本文使用C++語言構(gòu)建模擬仿真平臺，在一個半徑為100 m區(qū)域內(nèi)，隨機(jī)布置1000個傳感器節(jié)點，主密鑰數(shù)量設(shè)置為6個，在圓形監(jiān)測區(qū)域內(nèi)，源節(jié)點與sink節(jié)點分別布置在圓心與圓的四周。具體仿真參數(shù)如表1所示。

表1 仿真參數(shù)

4.2 仿真方案

在上述仿真環(huán)境下，通過對比所提方法、基于能量感知路由和節(jié)點過濾以及傳感器網(wǎng)絡(luò)多路虛假數(shù)據(jù)分層過濾方法，以虛假數(shù)據(jù)途中過濾效果、虛假數(shù)據(jù)過濾的覆蓋性以及虛假數(shù)據(jù)追蹤定位準(zhǔn)確性為指標(biāo)，驗證所提方法的科學(xué)有效性。

4.3 實驗結(jié)果

4.3.1 虛假數(shù)據(jù)途中過濾效果

在虛假數(shù)據(jù)途中過濾效果分析中，通過分析虛假數(shù)據(jù)途中過濾比例與傳輸跳數(shù)之間的關(guān)系，反映方法的過濾效果。實驗對比了所提方法、基于能量感知路由和節(jié)點過濾方法以及傳感器網(wǎng)絡(luò)多路虛假數(shù)據(jù)分層過濾方法的過濾效果，如圖5 所示。

圖5 虛假數(shù)據(jù)途中過濾效果分析

分析圖5中可以看出，利用本文方法時，虛假數(shù)據(jù)的大部分在前5跳即可被過濾，而其它數(shù)據(jù)也在前15跳全部過濾完成，而其它兩種方法在前5跳基本無法過濾虛假數(shù)據(jù)，在15跳后仍有數(shù)據(jù)沒有被過濾。相比之下所提方法途中過濾性能明顯優(yōu)于其它兩種方法。

4.3.2 虛假數(shù)據(jù)過濾范圍覆蓋性能分析

實驗分析了所提方法、基于能量感知路由和節(jié)點過濾方法以及傳感器網(wǎng)絡(luò)多路虛假數(shù)據(jù)分層過濾方法在過濾時的覆蓋性能，將部署區(qū)域的網(wǎng)絡(luò)節(jié)點數(shù)量分別設(shè)置為1000、2000和3000個，在每種情況下分別進(jìn)行100次實驗。實驗結(jié)果如表2 所示。

表2 不同過濾方法覆蓋性能對比

由表2可知，隨著節(jié)點數(shù)量的不斷增長，本文方法的覆蓋性能始終保持較高水平，而其它方法覆蓋性下降較快，導(dǎo)致虛假數(shù)據(jù)過濾效果不理想，驗證了所提方法的有效性。

4.3.3 虛假數(shù)據(jù)追溯跟蹤定位精度分析

實驗采用三種方法對虛假數(shù)據(jù)進(jìn)行溯源定位，比較虛假數(shù)據(jù)成功定位的概率，實驗結(jié)果如圖6 所示。

圖6 不同方法追溯跟蹤性能對比

從圖6中可以看出，所提方法對虛假數(shù)據(jù)定位的精度更高，始終高于90 %，而其它兩種方法定位精度呈現(xiàn)下降趨勢，且始終低于所提方法，這是由于所提方法利用Python爬蟲系統(tǒng)對虛假數(shù)據(jù)進(jìn)行溯源，收集更多數(shù)據(jù)報告，提高成功定位的精度。

5 結(jié)論

針對傳感器虛假數(shù)據(jù)的注入，利用Python爬蟲技術(shù)設(shè)計爬蟲系統(tǒng)，建立封鎖區(qū)域、生成數(shù)據(jù)包以及判斷數(shù)據(jù)是否合法啟動溯源程序，并對虛假數(shù)據(jù)進(jìn)行途中過濾。與傳統(tǒng)方法相比具有以下優(yōu)勢：

1)采用所提方法對虛假數(shù)據(jù)中途過濾的效果較好，且過濾的覆蓋性能具有一定優(yōu)勢。

2)采用所提方法對虛假數(shù)據(jù)溯源的定位精度始終高于90 %，具有一定可信度。