دانلود ترجمه مقاله سیستم تشخیص نفوذ توزیع شده برای شناسایی حملات DDoS (ساینس دایرکت – الزویر 2022) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

یک سیستم تشخیص نفوذ توزیع شده برای شناسایی حملات DDoS در شبکه اینترنت اشیا با بلاک چین

A distributed intrusion detection system to detect DDoS attacks in blockchain-enabled IoT network

چکیده

1 مقدمه

3 مدل ارائه شده ی ما

4 نتایج تجربی و بحث

5 نتیجه گیری

بیانیه ی مشارکت نویسندگی

اعلامیه ی منافع رقابتی

تصدیق

منابع

چکیده

     اینترنت اشیا به عنوان تکنولوژی جدیدی برای توسعه ی بسیاری از برنامه های کاربردی مورد نیاز ، ظاهر شده است. اگرچه، این برنامه های کاربردی هنوز بر روی معماری ذخیره سازی متمرکز اجرا شده و چالش های کلیدی زیادی از جمله حریم خصوصی، امنیت و نقطه ی آسیب پذیری مرکزی را دارا هستند. اخیرا، فناوری زنجیره های بلوکی به عنوان ستون فقراتی برای توسعه ی برنامه های کاربردی بر پایه ی اینترنت اشیا پدیدار شده است. زنجیره های بلوکی می توانند به منظور حل مشکلات حریم خصوصی، امنیت و نقطه ی آسیب پذیری مرکزی ( ارتباط دهنده ی شخص ثالث) برنامه های کاربردی اینترنت اشیا مورد استفاده قرار گیرند. یکپارچه سازی زنجیره های بلوکی با اینترنت اشیا می تواند برای اشخاص و جامعه سودمند باشد. هرچند، تهاجم نقض سرویس توزیع شده (DDoS) بر استخر استخراج در 2017، خط گسله ای اساسی در میان شبکه ی اینترنت اشیای دارای زنجیره ی بلوکی را نمایان کرد. علاوه بر این، این برنامه اطلاعات بسیار زیادی را تولید می کند. یادگیری ماشینی (ML) به دلیل ارائه ی استقلال کامل در آنالیز داده های بزرگ و قابلیت تصمیم گیری، به عنوان ابزاری تحلیلی استفاده می شود. بنابراین، به منظور پرداختن به چالش هایی که پیشتر ذکر شد، این پژوهش سیستم تشخیص نفوذ توزیع شده ی (IDS) جدیدی با به کارگیری رایانش در مه برای شناسایی تهاجم های DDoS در مقابل استخر استخراج در شبکه ی IoT دارای زنجیره ی بلوکی را ارائه می دهد. عملکرد توسط آموزش الگوریتم جنگل تصادفی (RF) و یک سیستم بهینه شده ی تقویت درخت گرادیان (XGBoost) بر گره های محاسبات مه توزیع شده، مورد سنجش قرار می گیرد. سودمندی مدل ارائه شده در ارزیابی با استفاده از مجموعه ای حقیقی از داده های مبتنی بر IoT، به عبارت دیگر BoT-IoT که شامل تهاجم های اخیر یافت شده در شبکه ی IoT دارای زنجیره ی بلوکی است. نتایج بیان می کنند که XGBoost برای تشخیص حملات باینری و الگوریتم جنگل تصادفی برای شناسایی حملات چندگانه عملکرد بهتری دارند. به طور کلی، در مورد گره های محاسباتی مه توزیع شده، RF نسبت به XGBoost زمان کمتری را برای آموزش و آزمایش به خود اختصاص می دهد.

انگیزش
     بر اساس مقالات، تعداد زیادی مشکلات و چالش های امنیتی در استخر استخراج شبکه ی IoT دارای زنجیره ی بلوکی رخ داده است. افزایش حملات DDoS در اکوسیستم زنجیره ی بلوکی IoT، کل شبکه ی IoT دارای زنجیره ی بلوکی را آسیب پذیر می کند. چالش های اصلی در زیر ذکر شده است:
• تضمین کردن چارچوب امنیتی توزیع شده برای شبکه ی IoT دارای زنجیره ی بلوکی کار چالش برانگیزی است.
• اطمینان از یک مکانیسم امنیتی که از ابزار تحلیلی مناسب در معماری کاری توزیع شده، استفاده کند و توانایی مدیریت ابر داده های تولید شده توسط دستگاه های IoT به شیوه ای توزیع شده را دارا باشد.
• ساخت IDS موثر که بتواند تراکنش های معمولی و حمله را از هم متمایز سازد، کاری دشوار است. تحقیقات زیادی برای مکانیسم امنیتی کاهش دادن حملات DDoS در برابر استخرهای استخراج در شبکه ی IoT دارای زنجیره ی بلوکی پس از قرارگیری مدل ، قابل مشاهده نیست.

دستاورد
     این پژوهش برای رسیدگی به مشکلات و چالش های ذکر شده، اقدام به ساخت یک IDS توزیع شده مبتنی بر محاسبات مه دارای AI با یکپارچگی استخر استخراج به منظور شناسایی حملات DDoS با شبکه IoT دارای زنجیره ی بلوکی کرد. ما اولین کسانی هستیم که چارچوبی برای قرارگیری IDS مبتنی بر آنومالی را برای استخر استخراج در فضای زنجیره ی بلوکی IoT طراحی کرده ایم. دستاوردهای اصلی پژوهش ما در زیر ذکر شده است:
• دستگاه ها و حسگرهای شبکه ی IoT دارای زنجیره ی بلوکی مقدار زیادی داده تولید می کنند، از این رو AI به عنوان ابزار تحلیلی برای ایجاد نتایج ثابت در تصمیم گیری، به کار گرفته شد.
• الگوی محاسبات مه برای مکانیسم امنیتی متمرکز مبتنی بر ابر غیر متمرکز استفاده شده، همچنین اختلالات مربوط به تحلیل داده و امنیت در لبه ی شبکه ها مدیریت می شود.
• IDS توزیع شده با استفاده از محاسبات مه برای شناسایی حملات DDoS در برابر استخر حافظه در شبکه ی IoT دارای زنجیره ی بلوکی طراحی شده است.
• برای ارزیابی سیستم شناسایی ارائه شده، از دو الگوریتم یادگیری ماشینی شناخته شده، جنگل تصادفی و XGBoost در معماری توزیع شده، استفاده شده است.
• برای تحلیل کارایی مدل، مجموعه ی داده ی واقعی BoT-IoT مبتنی بر IoT مورد استفاده قرار گرفته است. به طوریکه شامل حملات اخیر مختلف مربوط به Botnet از جمله DoS، DDoS، Theft است.
• معیارهای متفاوت ارزیابی از جمله دقت، نرخ تشخیص، نرخ هشدار اشتباه و درستی به کار گرفته شده اند تا کارایی IDS ارائه شده را به طور کامل مرد بررسی قرار دهند.