رویکرد یادگیری تقویتی آگاه از اعتماد برای مسیریابی امن اینترنت اشیا

اینترنت اشیا شامل دستگاه هایی با توان پردازشی و انرژی محدود است که در شبکه های کم توان و پر اتلاف فعالیت می کنند. محدودیت منابع، امنیت فیزیکی ضعیف، پویایی توپولوژی شبکه و ناپایداری پیوندهای ارتباطی، این شبکه ها را در برابر انواع آسیب پذیری ها قرار می دهد. توسعه راهکارهای امنیتی برای این شبکه ها به دلیل این محدودیت ها چالش برانگیز است. علاوه بر این، پروتکل مسیریابی شبکه های کم توان و پر اتلاف (RPL) که به عنوان استاندارد مسیریابی در اینترنت اشیا شناخته شده است، در برابر حملات مسیریابی مختلف، حداقل سطح دفاعی را ارائه می دهد. مهاجمان می توانند با سوءاستفاده از آسیب پذیری های این پروتکل، حملات مخربی را علیه شبکه های اینترنت اشیا اجرا کنند. در این مقاله، یک روش مبتنی بر یادگیری تقویتی آگاه از اعتماد برای مسیریابی امن در اینترنت اشیا پیشنهاد شده است. این روش با ترکیب قابلیت اطمینان روش های مبتنی بر اعتماد و دقت بالای روش های مبتنی بر یادگیری ماشین، به ارزیابی سطح اعتماد در سطح گره و پیوند می پردازد. هدف اصلی این رویکرد، شناسایی و جداسازی موثر گره های مخرب و فراهم سازی مسیریابی ایمن و مبتنی بر اعتماد در شبکه های اینترنت است. نتایج شبیه سازی در برابر حمله کاهش رتبه نشان می دهد که روش پیشنهادی عملکرد بهتری نسبت به روش های موجود دارد. این روش نرخ تحویل بسته (PDR) را نسبت به MRHOF به میزان ۱۷٫۴۶ درصد، نسبت به SecTrust-RPL به میزان ۳٫۲ درصد و نسبت به SMTrust به میزان ۶۹/۱ درصد بهبود می بخشد. علاوه بر این، توان عملیاتی شبکه را افزایش داده و نرخ شناسایی حملات را بالا می برد، درحالی که افزایش سربار کنترلی و مصرف انرژی آن ناچیز است؛ بنابراین، این روش برای کاربردهای بلادرنگ مناسب بوده و با مسیریابی از طریق گره های مورد اعتماد و حذف گره های مخرب، نرخ از دست رفتن بسته ها را کاهش می دهد.

کلیدواژه ها:

اینترنت اشیا ، مسیریابی امن ، پروتکل مسیریابی RPL ، حمله کاهش رتبه ، یادگیری تقویتی ، سیستم اعتماد ، شبکه های کم توان و پر اتلاف