یک رویکرد تشخیص حملات توزیع شده در لایه مه و بر اساس پایگاه داده توزیع شده بلاک چین و یادگیری ماشین

مهندسی مخابرات جنوب

مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 22 شهریور 1402

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.30495/jce.2023.1992146.1215

نویسندگان

محمدرضا ملاحسینی اردکانی^{* 1}؛ محسن اقبالی²

¹گروه کامپیوتر، دانشگاه آزاد اسلامی واحد میبد، میبد، ایران

²دانشجوی دکتری مهندسی کامپیوتر، گروه مهندسی کامپیوتر، واحد میبد، دانشگاه آزاد اسلامی، میبد، ایران

چکیده

یکی از روش‌های تشخیص حملات DDoS به شبکه بکارگیری روش های یادگیری ماشین است. روشهای یادگیری ماشین با وجود آنکه توانایی تشخیص حملات روز صفر را دارند اما در مواجه با حجم زیاد ترافیک شبکه اینترنت اشیاء و عدم تعادل در مجموعه داده با چالش مواجه می‌باشند. در این مقاله، یک سیستم تشخیص نفوذ توزیع شده در لایه مه ارایه می‌شود تا به صورت غیرمتمرکز ترافیک حمله شبکه را تشخیص دهد. در روش پیشنهادی هر گره مه نقش یک سیستم تشخیص نفوذ را بر عهده دارد و لیست سیاه را بین خود با بلاک چین رد و بدل می‌کنند تا باعث افزایش محرمانگی در تشخیص حملات شود. در روش پیشنهادی هر گره مه با الگوریتم بهینه‌سازی کوآتی، ویژگی‌های مهم ترافیک شبکه را تشخیص داده و سپس این ویژگی‌ها را برای یادگیری شبکه عصبی چند لایه استفاده می‌کند. انتخاب ویژگی باعث کاهش ابعلاد ترافیک و افزایش دقت و سرعت تشخیص حملات می‌شود. در روش پیشنهادی برای متعادلسازی ترافیک شبکه از روش یادگیری عمیق GAN بر پایه تئوری بازی استفاده می‌شود. آزمایشات انجام شده در محیط نرم‌افزاری متلب و روی مجموعه داده NSL-KDD نشان می‌دهد سیستم تشخیص نفوذ پیشنهادی در تشخیص حملات رد سرویس خدمات توزیع شده دارای دقت، حساسیت و صحتی به ترتیب برابر 98.67%، 98.52% و 98.34% است. روش پیشنهادی در تشخیص حملات به شبکه از روشهای انتخاب ویژگی نظیر الگوریتم وال، الگوریتم گرگ خاکستری و الگوریتم شاهین دقت بیشتری دارد و در تشخیص حملات نسبت به روشهای نظیر LSTM و CNN دقت بیشتری در تشخیص حملات به شبکه دارد.

کلیدواژه‌ها

سیستم تشخیص نفوذ؛ لایه مه؛ یادگیری ماشین؛ شبکه عصبی GAN؛ الگوریتم بهینه‌سازی کوآتی