بهبود توان تشخيص حمله در ترافيك اينترنت اشيا با تحليل آسيب پذيري پروتكل هاي پركاربرد آن

كارشناسي ارشد

يكي از حياتي ترين و قابل اعتمادترين اجزاي امنيتي شبكه هاي كامپيوتري، سيستم تشخيص نفوذ مي باشد. هر چند سيستم هاي تشخيص نفوذ، شايستگي بالايي در تامين امنيت شبكه هاي سنتي، بخصوص تامين امنيت بلادرنگ و مقابله با حمله هاي ناشناخته، دارند؛ اما به دليل برخي تفاوت هاي اساس̞ي محيط هاي اينترنت اشياء با شبكه هاي سنتي، اعمال مستقيم چارچوب هاي پيشين، سيستم هاي تشخيص نفوذ براي اينترنت اشياء دشوار و گاهاً ناممكن است. تعريف برخي پروتكل هاي ارتباطي جديد، محدوديت منابع محاسباتي و ذخيره سازي اشياء، تنوع اشياء و گوناگوني و حجم داده هاي توليد شده در اين محيط ها، مهم ترين موان ͽدر به كار بستن سازوكارهاي پيشين امنيت براي اينترنت اشياء مͬ باشند. علاوه بر موانع مربوط به اينترنت اشياء، يكي از چالش هاي سيستم هاي تشخيص نفوذ، بالا بردن توانايي آن ها در تشخيص حمله هاي ناشناخته است. موتورهاي تصميم گير در سيستم هاي تشخيص معمولا از روش هاي يادگيري ماشين استفاده مي كنند. اين روش ها نيازمند يك تحليل ترافيك بسيار عميق و تخصصي هستند تا بتوانند با استخراج ويژگي هاي پيچيده عملكرد مناسبي در مواجهه با حمله هاي ناشناخته داشته باشند. در اين پژوهش، چارچوبي براي يك سيستم تشخيص نفوذ ارائه مي گردد كه قابليت كار در محيط هاي اينترنت اشياء را داشته باشد. اين سيستم به صورت توزيع شده عمل مي كند. در بخش اول، هدف، كاهش ابعاد داده و حداقل كردن محاسبات لازم براي اين فشرده سازي توسط گره ها )ميزبان ها( مي باشد. چالش كاهش ابعاد در پژوهش هاي مرتبط قبلي معمولا جهت بهره مندي از مزيت هاي كلي كاهش ابعاد در يادگيري بوده است و توجهي به توزيع پذير بودن اين فاز نشده است. لذا الگوريتم هايي براي فشرده سازي به كار گرفته شده كه سربار محاسباتي زيادي به گره هاي كم توان اعمال ميكند. در بخش بعدي، با استفاده از شبكه هاي عصبي نوظهورتر و استفاده از روش هاي يادگيري به صورت گروهي موتور تصميم گيري پيشنهاد مي شود كه در كنار كم كردن نياز به دانش تخصصي بالا در تحليل، توانايي قابل قبولي در تشخيص حمله هاي ناشناخته دارد. همچنين الگوريتمي براي تركيب آراي يادگيرنده هاي جزء ارائه مي گردد

194901

دانشگاه علم و صنعت ايران

مهندسي فناوري اطلاعات - مخابرات امن

دكتر وحيد طباطبا وكيلي