طراحی پروتکلهای زمان بندی وظایف مقاوم در برابر حملات DoS یا Sybil با استفاده از یادگیری ماشین و مکانیسمهای اجماع بلاک چین

در عصر تحول دیجیتال که سیستمهای توزیع شده و اینترنت اشیا به محوریت عملیاتهای پیچیده تبدیل شده اند تضمین امنیت و کارایی زمان بندی وظایف در برابر حملات سایبری ضرورتی غیرقابل چشم پوشی است. حملات مخربی نظیر انکار سرویس (DoS) و Sybil با هدف تضعیف هماهنگی و اعتماد در این سامانه ها چالشهای بی سابقه ای ایجاد کرده اند. در این پژوهش یک پروتکل نوین و چندلایه برای زمان بندی وظایف ارائه شده است که با ترکیب یادگیری ماشین پیشرفته و مکانیسم های اجماع بلاک چینی مقاومتی بینظیر در برابر این حملات ارائه می دهد. این پروتکل هوشمندی یادگیری ماشین را با قابلیت پیش بینی و شناسایی حملات، در کنار شفافیت و غیرقابل تغییر بودن فناوری بلاک چین ادغام کرده است. الگوریتم های یادگیری عمیق به منظور کشف الگوهای پیچیده و دینامیک حملات طراحی شده اند در حالی که از مکانیسم های اجماع همچون اثبات سهام نمایندگی شده (DPS) یا اثبات اعتبار (PoA) برای تقویت اعتماد و انسجام شبکه استفاده شده است. با پیاده سازی روش های تصمیم گیری تطبیقی مبتنی بر داده های زنده این سیستم نه تنها از حملات جلوگیری می کند بلکه توانایی بهینه سازی پویا در تخصیص منابع و زمان بندی وظایف را نیز داراست. نتایج آزمایش های عملی حاکی از کارایی بالا در کاهش تاثیر حملات مخرب، افزایش بهره وری عملیاتی و تضمین پایداری شبکه در مقیاس های بزرگ است. این پژوهش، گامی به سوی آینده ای امن تر و هوشمند تر برای سیستم های توزیع شده محسوب می شود و افق های جدیدی در تقاطع یادگیری ماشین و بلاک چین می گشاید.

کلیدواژه ها:

زمان بندی وظایف ، حملات DoS و Sybil ، یادگیری ماشین ، بلاک چین ، مکانیسمهای اجماع ، امنیت سایبری ، اثبات سهام نمایندگی شده ، بهینه سازی پویا ، سیستمهای توزیع شده