چارچوب یادگیری فدرال مقاوم مبتنی بر زنجیره بلوکی برای تشخیص نفوذ در شبکه های اینترنت اشیا

گسترش سریع دستگاه های اینترنت اشیا سطح حمله شبکه های سازمانی را به طور چشمگیری افزایش داده است و سامانه های تشخیص نفوذ متمرکز، به دلیل نیاز به تجمیع ترافیک خام کاربران در یک نقطه، هم زمان با دو چالش حریم خصوصی و تک نقطه ای بودن خرابی روبه رو هستند. یادگیری فدرال این دو محدودیت را برطرف می کند، زیرا داده خام هرگز دستگاه را ترک نمی کند، اما خود در برابر گره های مخربی که به روزرسانی آلوده ارسال می کنند آسیب پذیر است. هدف این پژوهش، ارائه چارچوبی است که هم زمان حریم خصوصی داده و مقاومت فرایند تجمیع را تامین کند. چارچوب پیشنهادی با نام BFL-IDS، یادگیری فدرال را با یک زنجیره بلوکی مجوزدار ترکیب می کند؛ در آن چکیده رمزنگاشتی هر به روزرسانی، امتیاز شهرت گره ها و تصمیم های تجمیع به صورت تغییرناپذیر ثبت می شود و تجمیع از طریق سازوکار اعتبارسنجی مرجع محور همراه با وزن دهی شهرت محور و برش نرم انجام می گیرد. فرض بنیادی آن است که تجمیع کننده به مجموعه کوچکی از داده پاک دسترسی دارد و مهاجم کمتر از نیمی از گره ها را در اختیار گرفته است. روش بر مجموعه داده استاندارد NSL-KDD با ده گره لبه و توزیع داده ناهمگون پیاده سازی و ارزیابی شد. در سناریوی حمله مسموم سازی توسط سه گره مخرب، دقت روش میانگین گیری فدرال متداول از ۷۵/۹۶ درصد به ۷۳/۱۵ درصد افت کرد، در حالی که روش پیشنهادی دقت ۷۶/۷۹ درصد و امتیاز F۱ برابر ۷۶/۲۵ درصد را حفظ نمود که ۳/۶۴ واحد درصد بهبود نسبت به خط مبنا است. سازوکار شهرت، هر سه گره مخرب را از دور پنجم به بعد با صحت تشخیص ۹۷/۵ درصد شناسایی و از فرایند تجمیع حذف کرد. سربار تحمیلی این لایه کمتر از ۲۵ میلی ثانیه در هر دور و ۴۶ کیلوبایت فضای ذخیره سازی در کل فرایند آموزش بود که در برابر مزیت امنیتی حاصل ناچیز است.

کلیدواژه ها:

یادگیری فدرال ، زنجیره بلوکی ، تشخیص نفوذ ، اینترنت اشیا ، حمله مسموم سازی.