协作频谱感知作为认知无线电网络中频谱感知的一种重要的工作方式,在提高感知性能的同时,也面临着潜在恶意用户所导致的安全问题。恶意用户在向融合中心发送感知数据的过程中,故意发送具有误导性的数据给融合中心,从而影响整个协作频谱感知系统的感知性能。这种利用错误信息误导融合中心判决的行为称为频谱感知数据篡改(Spectrum Sensing Data Falsification,SSDF)攻击。SSDF攻击在影响感知性能的同时,也降低了频谱的利用效率,这是认知无线电网络不能容忍的。因此,为了保障协作频谱感知的感知性能,对抗SSDF攻击的算法进行研究具有重要意义。由于恶意用户可以采取多种攻击方式,基于此,本文提出了能够抵抗多种攻击方式的抗SSDF算法。该算法主要包括两步,第一步,甄选恶意数据:融合中心首先采用OGK算法估计接收到的感知数据集的均值和方差,然后以各感知数据偏离程度为基准,利用拉依达准则筛选出恶意数据;第二步,恶意数据处理:采用K-means聚类方法重新预测恶意数据的值,并且用预测值取代恶意数据,然后进行最终的融合判决。仿真结果表明,本文所提算法不仅能有效地消减恶意用户的影响,而且不必考虑用户的历史相关性,能抵抗多种攻击方式的攻击。目前大多文献假定的感知场景为同质场景,即各个用户的感知数据大体相似。但是生活实际的感知场景却是感知数据不大相同的非同质场景。基于此,本文提出了不仅能适用于非同质场景而且能抵抗更加智能的累积信誉度攻击的算法。该算法主要包括感知用户状态划分和感知数据加权融合两个方面。感知用户状态划分方面,根据感知用户的信誉度,将感知用户划分为抛弃、待定、信任三个状态。只有处于信任状态的用户才能参与最终的融合判决。在感知数据加权融合方面,根据感知数据的历史值,计算出用户感知数据的环比。然后采用OGK算法对各个用户的环比数据集进行均值和方差估计,最后根据不同的偏离程度分配权值并以此进行融合计算。仿真结果表明,不论在同质场景还是非同质感知场景中,该算法不仅能保证系统良好的感知性能,而且也能效抵抗累积信誉度的攻击。