چارچوبی نوین برای تقویت کربروس نسخه ۵ با رمزنگاری آستانه ای و تشخیص ناهنجاری مبتنی بر یادگیری ماشین در سیستم های توزیع شده

پروتکل کربروس نسخه ۵ (Kerberos۵) طی سال های گذشته به عنوان یکی از مهمترین سازوکارهای احراز هویت در شبکه های توزیع شده مورد استفاده قرار گرفته است اما همچنان با چالش هایی مانند وابستگی به مرکز توزیع کلید (KDC) به عنوان نقطه شکست واحد، آسیب پذیری در برابر حملات مبتنی بر رمز عبور، نیاز به همزمانی دقیق ساعتها، ضعف در مقیاس پذیری و ناتوانی در تشخیص رفتارهای مشکوک مواجه است. این پژوهش با هدف رفع این محدودیت ها یک چارچوب یکپارچه مبتنی بر سه حوزه کلیدی شامل توابع شبه تصادفی توزیع شده، رمزنگاری آستانه ای و تشخیص ناهنجاری مبتنی بر یادگیری ماشین ارائه می دهد. در بخش نخست، با بهره گیری از ساختارهای توابع شبه تصادفی توزیع شده (DPRF) و مدل های k-out-of-n محاسبه کلیدهای حساس میان چندین سرور توزیع می شود تا هیچ گره ای به تنهایی قادر به بازسازی کلید اصلی نباشد. سپس با استفاده از رمزنگاری آستانه ای کلید اصلی به چند سهم مستقل تقسیم شده و تنها با حداقل سهم لازم قابل بازیابی است که این امر تحمل پذیری خطا و مقاومت در برابر نفوذ را افزایش می دهد. در ادامه یک مدل تشخیص ناهنجاری مبتنی بر یادگیری ماشین طراحی می شود که با تحلیل الگوهای رفتاری کاربران احتمال وقوع حملات مبتنی بر رمز عبور را شناسایی کرده و اقدامات حفاظتی مانند احراز هویت چندعاملی (MFA) یا قفل موقت حساب را فعال می کند. همچنین یک سازوکار چالش-پاسخ (Challenge-Response) مبتنی بر عدد یک بار مصرف (nonce) به عنوان جایگزین وابستگی کربروس به همزمانی ساعتها معرفی می شود که مقاومت در برابر حملات بازپخش را بدون نیاز به هماهنگی زمانی فراهم می سازد. در نهایت ترکیب این سه مولفه منجر به ارائه معماری جدیدی برای کربروس نسخه ۵ می شود که امنیت، مقیاس پذیری و پایداری آن را در محیط های ابری، اینترنت اشیا و شبکه های چند دامنه ای به طور چشمگیری بهبود می دهد. معماری پیشنهادی باعث افزایش مقاومت در برابر حملات بازپخش و جعل هویت شده و پایداری سیستم احراز هویت را بهبود می دهد.

کلیدواژه ها:

کربروس نسخه ۵ ، رمزنگاری آستانه ای ، توابع شبه تصادفی توزیع شده ، تشخیص ناهنجاری ، یادگیری ماشین ، احراز هویت