سیستم تشخیص نفوذ نوین جهت افزایش امنیت اینترنت اشیا مبتنی بر تجمیع رویکرد تکاملی، بلاکچین و یادگیری فدرال
سال انتشار: 1405
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 33
فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JSCIT-15-3_003
تاریخ نمایه سازی: 22 آبان 1405
چکیده مقاله:
این پژوهش، یک سیستم نوین تشخیص نفوذ ترکیبی درجهت افزایش امنیت اینترنت اشیا (IoT) طراحی کرده است. هسته سیستم پیشنهادی بر تلفیق بلاکچین، یادگیری فدرال و الگوریتم تکاملی کلاغ استوار است. رویکرد پیشنهادی ضمن بهبود امنیت، حفظ حریم خصوصی داده ها را نیز تضمین می کند. بدین منظور، چارچوبی مبتنی بر یادگیری فدرال برای تشخیص ناهنجاری ها توسعه یافته است. در فرآیند اجرا، داده ها ابتدا به بلوک های مستقل تقسیم می شوند. سپس نمونه ها با ترکیب یادگیری فدرال و بلاکچین، جهت آموزش مدل و شناسایی استخراج می گردند. ارزیابی سیستم با استفاده از مدل های یادگیری عمیق نظارت شده و نظارت نشده انجام شده است. عملکرد چارچوب پیشنهادی در مقایسه با روش های غیر فدرال، برتری دارد. همچنین کارایی مدل ها در ارتقای امنیت شبکه IoT مقایسه گردید. استحکام رویکرد پیشنهادی در برابر بردارهای حمله متنوع و سطوح مختلف مقیاس پذیری سنجیده شد. به منظور کاهش بار محاسباتی و هزینه های ارتباطی، الگوریتم های یادگیری فدرال با نمونه های کارآمد جایگزین شدند. نتایج شبیه سازی نشان می دهد که ترکیب آستانه گذاری پویا با یادگیری فدرال، دقت طبقه بندی ترافیک شبکه را برای تشخیص حملات DDoS افزایش می دهد.بر پایه نتایج ارزیابی، سیستم پیشنهادی به دقت ۹۸.۷٪ دست یافته است. نرخ مثبت واقعی (TPR) و فراخوانی(Recall) برابر با ۰.۹۸۷ و نرخ مثبت کاذب (FPR) برابر با ۰.۰۲۶ محاسبه شد، که این مقادیر در مقایسه با پژوهش های مرتبط، نشان دهنده عملکرد برتر سیستم پیشنهادی است.
کلیدواژه ها:
نویسندگان
Mahdi Bazargani
دانشکده مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد زنجان، زنجان، ایران
Nafiseh Fareghzadeh
دانشکده مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد خدابنده، زنجان، ایران
Mohammad Hossein Najafi
دانشکده مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد زنجان، زنجان، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :