یک معماری تشخیص نفوذ توزیع شده با حفظ حریم خصوصی در اینترنت اشیا مبتنی بر یادگیری فدرال و رایانش لبه

با گسترش شبکه های اینترنت اشیا و اتصال دستگاه متنوع به یکدیگر، امنیت این زیرساخت ها در برابر حملات سایبری، به ویژه حملات منع سرویس توزیع شده (DDoS) مانند سیلاب های UDP و ICMP، به شدت آسیب پذیر شده است. سیستم های تشخیص نفوذ سنتی، به دلیل وابستگی به معماری متمرکز و نیاز به انتقال مداوم داده های خام به سرور مرکزی، عملا با دو چالش بزرگ یعنی نقض حریم خصوصی و مصرف بالای پهنای باند روبه رو هستند. برای غلبه بر این چالش ها، مقاله حاضر یک معماری تشخیص نفوذ توزیع شده را پیشنهاد می دهد که تمرکز اصلی آن بر حفظ حریم خصوصی شبکه است. این معماری از ترکیب دو فناوری یادگیری فدرال و رایانش لبه بهره می برد. در این رویکرد، به جای انتقال داده های حساس در سطح شبکه، مدل ها مستقیما در گره های لبه و با کمک الگوریتم میانگین گیری فدرال آموزش می بینند؛ در نتیجه، تنها وزن های به روزشده مدل هستند که در شبکه جابه جا می شوند. عملکرد این معماری با استفاده از ۴۵۰ هزار رکورد منتخب از مجموعه داده معتبر CIC-IoT-۲۰۲۳ که به طور مساوی بین ۵ گره لبه توزیع شده بود، ارزیابی شد. نتایج شبیه سازی ها نشان می دهد که این سیستم توانسته به دقت کلی ۶۰/۹۷ درصد دست پیدا کند. یافته های پژوهش تایید می کنند که افت بسیار ناچیز دقت در این روش نسبت به رویکردهای متمرکز، در ازای تامین کامل حریم خصوصی و کاهش ترافیک شبکه، یک موازنه ی کاملا منطقی، علمی و کاربردی است و این پژوهش راهکاری کارآمد و مقیاس پذیر برای تامین امنیت در شبکه های اینترنت اشیا که معمولا با محدودیت منابع روبه رو هستند، ارائه می دهد.

کلیدواژه ها:

اینترنت اشیا ، یادگیری فدرال ، رایانش لبه ، تشخیص نفوذ ، حریم خصوصی