• یک سیستم تشخیص نفوذ توزیع شده برای شناسایی حملات دیداس در شبکه اینترنت اشیای iot دارای زنجیره بلوکی

    نویسندگان :
    جزئیات بیشتر مقاله
    • تاریخ ارائه: 1401/08/19
    • تاریخ انتشار در تی پی بین: 1401/09/29
    • تعداد بازدید: 241
    • تعداد پرسش و پاسخ ها: 0
    • شماره تماس دبیرخانه رویداد: 09050265032

    یک سیستم تشخیص نفوذ توزیع شده برای شناسایی حملات دیداس در شبکه اینترنت اشیای iot دارای زنجیره بلوکی

    اینترنت اشیا به عنوان تکنولوژی جدیدی برای توسعه ی بسیاری از برنامه های کاربردی مورد نیاز، ظاهر شده است. اگر چه، این برنامه های کاربردی هنوز بر روی معماری ذخیره سازی متمرکز اجرا شده و چالش های کلیدی زیادی از جمله حریم خصوصی، امنیت و نقطه ی آسیب پذیری مرکزی را دارا هستند. اخیرا، فناوری زنجیره های بلوکی به عنوان ستون فقراتی برای توسعه ی برنامه های کاربردی بر پایه ی اینترنت اشیا پدیدار شده است. زنجیره های بلوکی می توانند به منظور حل مشکلات حریم خصوصی، امنیت و نقطه ی آسیب پذیری مرکزی (ارتباط دهنده ی شخص ثالث) برنامه های کاربردی اینترنت اشیا مورد استفاده قرار گیرند.

    یکپارچه سازی زنجیره های بلوکی با اینترنت اشیا می تواند برای اشخاص و جامعه سودمند باشد. هر چند، تهاجم نقض سرویس توزیع شده (ddos) بر استخر استخراج در 2017، خط گسله ای اساسی در میان شبکه ی اینترنت اشیای دارای زنجیره ی بلوکی را نمایان کرد. علاوه بر این، این برنامه اطلاعات بسیار زیادی را تولید می کند. یادگیری ماشینی (ml) به دلیل ارائه ی استقلال کامل در آنالیز داده های بزرگ و قابلیت تصمیم گیری، به عنوان ابزاری تحلیلی استفاده می شود. بنابراین، به منظور پرداختن به چالش هایی که پیشتر ذکر شد، این پژوهش سیستم تشخیص نفوذ توزیع شده ی (ids) جدیدی با به کارگیری رایانش در مه برای شناسایی تهاجم های ddos در مقابل استخر استخراج در شبکه lot دارای زنجیره ی بلوکی را ارائه می دهد.

    عملکرد توسط آموزش الگوریتم جنگل تصادفی (rf) و یک سیستم بهینه شده ی تقویت درخت گرادیان (xgboost) بر گره های محاسبات مه توزیع شده، مورد سنجش قرار می گیرد. سودمندی مدل ارائه شده در ارزیابی با استفاده از مجموعه ای حقیقی از داده های مبتنی بر iot، به عبارت دیگر bot- iot که شامل تهاجم های اخیر یافت شده در شبکه ی iot دارای زنجیره ی بلوکی است. نتایج بیان می کنند که xgboost برای تشخیص حملات باینری و الگوریتم جنگل تصادفی برای شناسایی حملات چندگانه عملکرد بهتری دارند. به طور کلی، در مورد گره های محاسباتی مه توزیع شده، rf نسبت به xgboost زمان کمتری را برای آموزش و آزمایش به خود اختصاص می دهد.

سوال خود را در مورد این مقاله مطرح نمایید :

با انتخاب دکمه ثبت پرسش، موافقت خود را با قوانین انتشار محتوا در وبسایت تی پی بین اعلام می کنم
مقالات جدیدترین رویدادها