سیستم تشخیص نفوذ مبتنی بر فازی در شبکه های ادهاک متحرک (MANET)

Fuzzy based intrusion detection system in MANET

چکیده
1 مقدمه
2 بررسی ادبیات پژوهشی
3 روش پیشنهادی
4 نتایج و گفتمان
5 نتیجه گیری
منابع

چکیده

توسعه ی سریع و رواج و محبوبیت شبکه ی ادهاک متحرک (MANET) مسائل امنیتی زیادی را در شبکه به همراه داشته است. سامانه ی تشخیص نفوذ، یک فناوری امنیتی مؤثر که می تواند داده های مخرب در محیط شبکه های پیچیده را به خوبی تشخیص داده و امنیت شبکه ی کامپیوتری را تضمین کند. به دلیل اینکه پیچیدگی MANET، IDSهای سامانه ی تشخیص نفوذ قدیمی در این بستر مؤثر واقع نمی شوند، روش های متعددی از جمله ماشین بردار پشتیبان (SVM) به منظور تشخیص نفوذ مورد استفاده قرار گرفته اند. اکثر فناوری های موجود تلاش می کنند تا زمان اجرای کمتر و بهره وری انرژی را به همراه داشته باشند درحالیکه به نرخ تشخیص دقیق دست پیدا می کنند. به منظور غلبه برا این ایرادات و مشکلات، یک ماشین یادگیری افراطی فازی جدید مبتنی بر تحلیل مؤلفه ی اصلی (PCA-FELM) در این مقاله مطرح شده است. در درجه ی اول، ویژگی ها با استفاده از تحلیل مؤلفه ی اصلی استخراج می شوند و پس از آن ویژگی های استخراج شده با استفاده از ماشین یادگیری افراطی فازی طبقه بندی می شوند. PCA-FELM با استفاده از شبیه ساز MAT LAB اجرا می شود. PCA-FELM پیشنهادی با روش های موجود مثل DBN-IDS، GOA-SVM، و SDAE-ELM مقایسه شده و روش پیشنهادی به دقت 99.08% بالاتر از سایر روش های موجود دست می یابد. آزمایش های صورت گرفته روی رقابت ابزارهای داده کاوی و کشف دانش، مجموعه داده های KDD Cup99 نشان می دهند که روش PCA-FELM پیشنهادی نسبت به سایر تکنیک های موجود از عملکرد خیلی بهتری برخوردار هستند. 

2- بررسی ادبیات پژوهشی
با توجه به تحرک و پویایی گره ها، گره های مخرب درون شبکه وجود دارند. به دلیل این نقاط ضعف، MANET به احتمال خیلی زیاد مورد حمله ی نهادهای مخرب قرار بگیرد. بنابراین، بسیاری از محققان تلاش کرده اند تا نفوذ در MANET را با استفاده از روش های یادگیری ماشین و یادگیری عمیق شناسایی کرده و تشخیص دهند. در میان این روش ها، تنها معدود روش هایی وجود دارند که در این بخش مورد بررسی قرار گرفته اند.

در سال 2019، وی، P.، [21]، یک استراتژی بهینه سازی همزمان جدید را برای تقویت ساختار DBN در بستر یک مشکل بهینه سازی مدل طبقه بندی تشخیص نفوذ مبتنی بر یک DBN (DBN-IDS) مطرح کرد. روش پیشنهادی وضعیت شبکه ی DBN در بازه ی لایه ی پنهان را با تعداد محدودی از لایه های پنهان بهینه سازی می کند.

در سال 2019، ای، Z.، و همکاران [22] یک ماشین بردار پشتیبان براساس روش بهینه سازی ملخ (GOA-SVM) را برای افزایش و تقویت دقت ماشین بردار پشتیبان (SVM) در اسکن آسیب پذیری پیشنهاد کردند. به منظور افزایش دقت ماشین بردار پشتیبان در تشخیص نفوذ، این مقاله GOA-SVN را معرفی کرده و از آن برای تشخیص نفوذ استفاده همی کند. مطابق با نتایج آزمایشی، این روش بهتر از روش های موجود عمل می کند.

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.

IoT مبتنی بر یادگیری ماشین برای ایجاد سیستم تشخیص نفوذ برای امنیت

A machine learning based IoT for providing an intrusion detection system for security

چکیده

مقدمه

مرور مقالات

چهارچوب پیشنهادی مبتنی بر ML

الگوریتم های دسته بندی ML (یادگیری ماشین)

مرور مختصر روش های دسته بندی ML

الگوریتم های دسته بندی منتخب

پرسپترون چندلایه (MLP)

رگرسیون منطقی چند جمله ای (MLG)

پارامترهای اجرایی الگوریتم های منتخب

معیارهای ارزیابی

شبیه سازی، اجرا و نتایج

پیاده سازی و نتایج بستر آزمایش

تحلیل نتایج دسته بندی

تحلیل تشابه دسته های ناهنجاری

شبیه سازی و بستر آزمایش

تحلیل مبتنی بر مشخصه (ویژگی)

شبیه سازی شده

بستر آزمایش

نتیجه گیری

منابع

چکیده

ارتباطات دیجیتال با چهارچوب ارتباطی موثر برای به اشتراک گذاری و انتقال اطلاعات ایجاد شده است. سیستم فیزیکی-سایبری (CPS) چهارچوبی است که با تجهیزات الکترونیکی ادغام شده است که خدمات را از طریق یک چهارچوب دیجیتالی ممکن می کنند. چالش های قابل ملاحظه این سیستم عبارتند از مسائل امنیتی، ناهنجاری و نقص در سرویس. بنابراین، نیاز به یک سیستم کارآمد است که بتواند بر این مشکلات غلبه کند. این مقاله این مشکلات را تحلیل می کند و الگویی را از لحاظ ارتباطات پیشرفته، خصوصاً چهارچوب خانه هوشمند مطلع از انرژی (EASH) پیشنهاد می کند. با این کار، مسئله نواقص ارتباطی و انواع حملات شبکه در EASH تحلیل می شود. با استفاده از روش یادگیری ماشین، منابع ناهنجاری الگوی ارتباطی مشخص می شوند. به منظور ارزیابی عملکرد، کار پیشنهادی را بر اساس دقت، عملکرد و کارایی اش تحلیل می‌کنیم. بنابراین ما نتایج بهتری را به دست می آوریم، خصوصاً که نتیجه میزان دقت 85 درصد را نشان می دهد. در آینده، ما سعی می کنیم میزان دقت بالایی را برای توسعه بیشتر ارائه دهیم.

مقدمه

پیشرفت در فناوری نوین، امکان برقراری ارتباطات کارآمد را در هر زمینه ای فراهم می کند، خصوصاً سیستم سایبری-فیزیکی یک چهارچوب جدید برای ارائه بستری بهتر به منظور به اشتراک گذاری و انتقال اطلاعات از یک سمت به سمت دیگر، از طریق کانال های ارتباطی مختلف است. این فناوری باعث پیشرفت در بسترهای انتقال ارتباطات می شود؛ بنابراین، توسعه اقتصادی بسیار خوبی ایجاد می شود. با این حال، امنیت و انعطاف پذیری همچنان چالش برانگیز هستند و باید برای فرآیندهای ارتقای امنیت در نظر گرفته شوند. دو عامل قابل توجه [1] از خرابی ارتباطات، امنیت و خرابی قطعات هستند. هکرها یا مزاحمان، فعالیت های مخربی را در سیستم CPS انجام می دهند که این امر در جوامع جدید، بسیار زیاد و فراگیر است. از این رو، نقص امنیتی ناشی از رفتارهای غیرعادی سیستم یک موضوع جدی است؛ با این حال، پیامدهای این سیستم ها مشابه سایر سیستم ها نیست. بنابراین، هدف از توسعه فناوری جدید، مقابله با این مسائل از نظر به حداقل رساندن حملات، ارائه خدمات امنیتی و حفاظت از خدمات موجود با کنترل رفتارهای غیرعادی است. در این فرایند، تعیین پارامتر، وظیفه پیچیده فرایند تفکیک است که نیاز به تحقیق بر روی سیستم CPS بر اساس اجزای خاص آن دارد [2-3]، قبل از اینکه با یک راهکار کلی نگر ترکیب شود.

نتیجه گیری

این مقاله یافته هایی را در مورد تفکیک کار بین ناهنجاری های مؤثر بر هر سیستم ارائه می دهد. ناهنجاری هایی که در این مقاله مورد بحث قرار می گیرند ممکن است حمله به داده ها یا حملات به شبکه باشند. رابطه بین نوع ناهنجاری و تأثیر آن بر اپراتور تفکیک کانال ارتباطی سیستم مورد مطالعه قرار گرفته و به خوبی تعیین شده است. این روابط برای ML مبتنی بر روش برای طبقه بندی تفکیک استفاده می شوند. نتایج نشان داد که استفاده از الگوریتم‌ های یادگیری ماشین نظارت شده، یک راهکار موثر با تفکیک بین  دسته آسیب دیده و نیرومند با دقت زیاد است. طبقه ‌بندی نادرست حالات با تأثیر یکسان بر شبکه و سپس تحلیل، چه در تنظیمات تجربی (شبیه ‌سازی و آزمایش بلادرنگ)، برای دو دسته از ناهنجاری‌ ها و ویژگی ‌های به خوبی مورد بررسی قرار گرفت. تحلیل ما نشان می ‌دهد که نتایج رتبه‌ بندی را می‌توان با افزودن یا حذف ویژگی ‌ها از مجموعه داده توصیفی بهبود بخشید.

Abstract

Digital communication is provided with an effective communication platform to share and transfer information. The emergence of the Cyber-Physical System (CPS) is a platform incorporated with electronic devices that enables the services through a digital platform. The considerable challenges of this system are security issues, abnormality, and service failure. Hence, the requirement of providing an effective system, which should be overcome these issues. This paper analyzes these problems and providing the paradigm in terms of enhanced communication paradigm, specifically propose Energy Aware Smart Home (EASH) framework. With this work, the problem in communication failures and types of network attacks are analyzed in EASH. With the utilization of the machine learning technique, the abnormality sources of the communication paradigm are differentiated. To evaluate the performance, we analyze the proposed work based on its accuracy, performance, and efficiency. Hence, we obtain better results especially the result shows an 85% accuracy rate. In the future, we try to enhance a high accuracy rate for further development.

Introduction

The advancement in modern technology enables effective communication to every field, in specific the Cyber-Physical System is a novel platform to provide a better platform to share and transfer information from one end to another via the different communicational channel. This technology enables advancement in communication transferring platforms; therefore, the development of the economy is reached a high destination. However, security and resiliency is still challenging and should be considered for security enhancement processes. The two considerable factors [1] of communication failure are security and component failures. The hackers or intruders enable malicious activity towards the CPS system; meanwhile, the development of it is tremendous and omnipresent in modern societies. Hence, security failure is a serious topic due to the abnormal behaviors of the system; however, the implications of these are not the same as other systems. Therefore, the development of new technology is to tackle these issues in terms of minimizing the attacks, providing security service, and protecting existing services by controlling abnormal behaviors. In this process, the parameter specification is the complex task of differentiation which needs the research on the CPS system based on its specific components [2-3], before incorporating with a holistic strategy.

Conclusion

This article provides findings on the differentiation of labor between the anomalies affecting each system. Anomalies that are discussed in this paper may attack data or network attacks. The relationship between the type of anomaly and its impact on the system communication channel differentiation operator was studied and well-appointed. They are used for the approach based ML for classification of differentiation. The outcomes indicated the utilization of algorithms in the supervised machine learning was a positive methodology by separate between the harmed class and forceful with a serious extent of precision. The incorrect classification of cases with the same impact on the network and then analyzed, either in experimental settings (real-time simulation and testing), good for two classes of anomalies and characteristics examined. Our analysis shows that the ranking results can be further improved by adding or removing attributes from the dataset descriptive.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

IoT مبتنی بر یادگیری ماشین برای ایجاد سیستم تشخیص نفوذ برای امنیت

A machine learning based IoT for providing an intrusion detection system for security

انتخاب ویژگی برای سیستم تشخیص نفوذ در اینترنت اشیا (IOT)

Feature selection for intrusion detection system in Internet-of-Things (IoT)

چکیده

1- مقدمه

2- بررسی مقالات

3- سیستم پیشنهادی

4- پیاده سازی سیستم و تحلیل نتیجه

5- مقایسه و اعتبارسنجی سیستم

6- نتیجه گیری

منابع

چکیده

اینترنت اشیا (IoT) به دلیل آسیب پذیری فعلی دستگاه ها، از انواع مختلف حملات رنج می برد. به دلیل بسیاری از ویژگی های ترافیک شبکه اینترنت اشیا ، مدل های یادگیری ماشین برای شناسایی حملات زمان بر هستند. در این مقاله با استفاده از جمع‌آوری اطلاعات (IG) و نسبت برد  (GR) با 50٪ ویژگی برتر برای شناسایی حملات DoS و DDoS، انتخاب ویژگی سیستم های تشخیص نفوذ (idss) پیشنهاد شده است. سیستم پیشنهادی با استفاده از عملیات درج و اجتماع زیرمجموعه هایی که توسط 50% ویژگی های برتر IG و GR به دست آمده، زیرمجموعه‌های ویژگی را به دست می‌آورد. روش پیشنهادی به ترتیب با یک طبقه‌بندی JRip (JRipclassifier) در مجموعه داده های IoT – bot و KDD Cup 1999 به ترتیب ارزیابی و اعتبارسنجی می شود. این سیستم، نسبت به مجموعه ویژگی‌های اصلی و idss سنتی در مجموعه داده های IoT – bot و KDD Cup 1999 به ترتیب با 16 و 19 ویژگی، کارایی بالاتری را ارائه می دهد.

1- مقدمه

اینترنت اشیا (اینترنت اشیا) یک فناوری پذیرفته شده جهانی در سیستم های شبکه خودکار است. مرحله بعدی ظهور فناوری اطلاعات (IT) و ارتباط مستقیم، اینترنت اشیا است، از اسباب بازی کوچک تا کاربرد خانگی گرفته تا شهر هوشمند اینترنت اشیا. IoT ترکیبی از سیستم های جاسازی شده متصل به ابر است که برای دسترسی به سرویس‌های مرتبط با IT که از ترکیبی از اشیای الکترونیکی و پروتکل اینترنت استفاده می‌کند، توسط مشتری به کارگرفته می‌شود.

Abstract

Internet of Things (IoT) is suffered from different types of attacks due to vulnerability present in devices. Due to many IoT network traffic features, the machine learning models take time to detect attacks. This paper proposes a feature selection for intrusion detection systems (IDSs) using Information Gain (IG) and Gain Ratio (GR) with the ranked top 50% features for the detection of DoS and DDoS attacks. The proposed system obtains feature subsets using insertion and union operations on subsets obtained by the ranked top 50% IG and GR features. The proposed method is evaluated and validated on IoT-BoT and KDD Cup 1999 datasets, respectively, with a JRipclassifier. The system provides higher performance than the original feature set and traditional IDSs on IoT-BoT and KDD Cup 1999 datasets using 16 and 19 features, respectively.

1. Introduction

Internet of Things (IoT) is a globally adopted technology in automated network systems. The next stage of the Information Technology (IT) rising and interconnectivity is the IoT, from little toy to homemade application to the smart city in IoT. IoT is a mixture of cloud-connected embedded systems used by the consumer to access IT-related services utilizing the combination of electronics-related things and internet protocol.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

انتخاب ویژگی برای سیستم تشخیص نفوذ در اینترنت اشیا (IOT)

Feature selection for intrusion detection system in Internet-of-Things (IoT)

خلاصه سازی داده های عظیم برای تشخیص نفوذ سبک وزن در شبکه های رایانه ای

Abstracting Massive Data for Lightweight Intrusion Detection in Computer Networks

چکیده
1- مقدمه
2- کارهای مرتبط
2-1 تشخیص نفوذ ناهنجاری
2-2 کاهش داده ها در تشخیص ناهنجاری
3- خلاصه سازی داده بزرگ برای تشخیص نفوذ
3-1 عدم خلاصه سازی داده ها: استفاده مستقیم از روش های k-NN و SVM یک کلاسه
3-2 خلاصه سازی ویژگی و تشخیص نفوذ ناهنجاری با استفاده از روش PCA
3-3 انتخاب ویژگی با استفاده از بهره اطلاعات
3-4 استخراج نمونه با استفاده از انتشار وابستگی و روش k-means
4- آزمایش ها
4-1 مرور کوتاه
4-2 داده ها
5- نتایج مقایسه ای
5-1 ساختار آزمایش ها
5-2 نمونه های استخراج شده و ویژگی های انتخاب شده
5-3 کارآیی شناسایی
5-4 نتایج مقایسه ای شناسایی
6- نتیجه گیری ها

چکیده

تشخیص نفوذ ناهنجاری در محیط های دارای داده های بزرگ نیازمند مدل های سبک وزنی است که توانایی دستیابی به عملکرد لحظه ای در حین تشخیص را داشته باشند. خلاصه کردن داده ها راهکاری برای بهبود کارآیی پردازش داده ها در تشخیص نفوذ ارائه می کند. خلاصه کردن داده ها به چکیده یا استخراج مرتبط ترین اطلاعات از مجموعه داده های عظیم اشاره دارد. در این مقاله سه استراتژی خلاصه سازی داده ها با عناوین استخراج نمونه ای ، انتخاب ویژگی و خلاصه کردن ویژگی پیشنهاد می دهیم. ما ابتدا روش موثری به نام استخراج نمونه ای را برای دستیابی به زیرمجموعه های نمایشی از دادهای بزرگ اصلی پیش از ساخت مدل های شناسایی پیشنهاد می دهیم. دو الگوریتم خوشه بندی به نام های انتشار وابستگی (AP) و k-means برای یافتن نمونه ها از داده های بازرسی به کار گرفته می شوند. روش های k- امین همسایه نزدیک (k-NN)، تحلیل مولفه های اصلی (PCA) و ماشین برداری پشتیبان (SVM) یک کلاسه برای شناسایی مورد استفاده قرار می گیرند. سپس دو استراتژی دیگر یعنی انتخاب ویژگی و استخراج ویژگی را برای خلاصه کردن داده های بازرسی مربوط به تشخیص نفوذ ناهنجاری به کار می گیریم. دو رشته http جمع آوری شده از یک محیط رایانشی واقعی همانند مجموعه داده های معیار KDD 99 برای اعتبارسنجی این سه استراتژی خلاصه سازی داده ها مورد استفاده قرار می گیرند. آزمایش های جامع نشان می دهند در حالی که این سه استراتژی کارآمدی فرآیند تشخیص را بهبود می دهند اما روش استخراج نمونه ای مبتنی بر AP به بهترین عملکرد در زمینه خلاصه کردن داده ها دست می یابد

1- مقدمه

اهمیت امنیت شبکه های رایانه ای با توجه به حصور رایانه ها در زندگی روزانه افراد و همچنی فرآیندهای کسب و کار در بیشتر سازمان ها در حال رشد است. تشخیص نفوذ به عنوان تکنیک مهمی در ساختار دفاع در عمق امنیت شبکه به موضوع مطالعاتی مهمی در شبکه های رایانه ای تبدیل شده است. به طور کلی تکنیک های تشخیص نفوذ به عنوان شناسایی مبتنی بر امضاء و تشخیص ناهنجاری دسته بندی می شوند. روش شناسایی مبتنی بر امضاء (علامت) (مانند مقاله Snort [31]) بر پایگاه داده امضاهای مربوط به تهدیدات مخرب معروف متکی است. از طرف دیگر، تشخیص ناهنجاری مشخصه ای از فعالیت های معمولی موضوع را تعریف می کند و تلاش می کند تا هر گونه انحراف غیرقابل قبول را به عنوان یک حمله بالقوه شناسایی کند. به طور معمول تکنیک های یادگیری ماشین برای ساخت مشخصات طبیعی یک موضوع مورد استفاده قرار می گیرند. هرگونه رفتار قابل مشاهده یک سیستم همانند ترافیک شبکه [13,19]، سیستم عامل رایانه میزبان [11,36] یا یک اپلیکیشن موبایل [2,39] به عنوان موضوع اطلاعات قابل استفاده هستند.

6- نتیجه گیری ها

مقدار داده ها در تشخیص نفوذ ناهنجاری در محیط های رایانشی فعلی به سرعت در حال گسترش است. بنابراین ایجاد یک مدل سبک وزن برای تشخیص نفوذ ناهنجاری به منظور دستیابی به شناسایی لحظه ای به چالش مهمی تبدیل شده است. ما در این مقاله داده های بزرگ را با یافتن مجموعه کوچکی از نمونه ها از مجموعه بزرگی از داده های اصلی خلاصه می کنیم. یک نمونه به خوبی نشان دهنده آیتم های دیگر داده ها است. نمونه ها در بین آیتم های داده شناسایی می شوند و خوشه های مربوط به آیتم های داده در اطراف این نمونه ها شکل می گیرند. سپس این نمونه ها به عنوان ورودی داده برای آموزش مدل های شناسایی مورد استفاده قرار می گیرند. این روش سبب بهبود کارآیی به دو دلیل می شود: اول، تنها یک مجموعه کوچکتر از داده ها برای پردازش مورد نیاز است و دوم، فرآیند تشخیص تنها می بایست براساس یک مدل فشرده انجام شود. در این مقاله برای نمایش قیاسی از استراتژی های مختلف خلاصه سازی داده ها در تشخیص نفوذ، انتخاب ویژگی مبتنی بر بهره اطلاعات و خلاصه سازی ویژگی مبتنی بر PCA برای تشخیص ناهنجاری معرفی شده است.

Abstract

Anomaly intrusion detection in big data environments calls for lightweight models that are able to achieve real-time performance during detection. Abstracting audit data provides a solution to improve the efficiency of data processing in intrusion detection. Data abstraction refers to abstract or extract the most relevant information from the massive dataset. In this work, we propose three strategies of data abstraction, namely, exemplar extraction, attribute selection and attribute abstraction. We first propose an effective method called exemplar extraction to extract representative subsets from the original massive data prior to building the detection models. Two clustering algorithms, Affinity Propagation (AP) and traditional k-means, are employed to find the exemplars from the audit data. k-Nearest Neighbor (k-NN), Principal Component Analysis (PCA) and one-class Support Vector Machine (SVM) are used for the detection. We then employ another two strategies, attribute selection and attribute extraction, to abstract audit data for anomaly intrusion detection. Two http streams collected from a real computing environment as well as the KDD’99 benchmark data set are used to validate these three strategies of data abstraction. The comprehensive experimental results show that while all the three strategies improve the detection efficiency, the AP-based exemplar extraction achieves the best performance of data abstraction.

1- Introduction

The importance of computer network security is growing with the pervasive involvement of computers in people’s daily lives and in business processes within most organizations. As an important technique in the defense-indepth network security framework, intrusion detection has become a widely studied topic in computer networks in recent years. In general, the techniques for intrusion detection can be categorized as signature-based detection and anomaly detection. Signature-based detection (e.g., Snort [31]) relies on a database of signatures from known malicious threats. Anomaly detection, on the other hand, defines a profile of a subject’s normal activities and attempts to identify any unacceptable deviation as a potential attack. Typically, machine learning techniques are used to build normal profiles of a subject. Any observable behavior of a system, such as a network’s traffic [13,19], a computer host’s operating system [11,36] or a mobile application [2,39], can be used as the subject information.

6- Concluding remarks

The amount of data in anomaly intrusion detection is becoming increasingly massive in current computing environments. Building a lightweight model for anomaly intrusion detection to achieve real-time detection therefore becomes an important challenge. In this paper, we abstract big audit data by finding a small set of exemplars from a large set of original data. An exemplar is nicely representative of other data items. Exemplars are identified among data items and clusters of data items are formed around these exemplars. The exemplars are then fed as data input for training the detection models. This method improves detection efficiency for two reasons: first, only a smaller set of data needs to be processed for the training, and second, the detection process only needs to be based on a compressed model. For a comparative view of different strategies of data abstraction in intrusion detection, in this paper we also introduced Information Gain based attribute selection and PCA based attribute abstraction for anomaly detection.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

خلاصه سازی داده های عظیم برای تشخیص نفوذ سبک وزن در شبکه های رایانه ای

Abstracting Massive Data for Lightweight Intrusion Detection in Computer Networks

فایروال های هوشمند مشارکتی: کمک به دنیای سایبری امن تر و مطمئن تر

Smart cooperative firewalls : An aid to a safer and secure cyber world

چکیده
1 مقدمه
2 فلسفه ها و ویژگی های کلیدی
3 طرح نمونه اولیه و ارزیابی
A. کلاینت
B. سرور
C. TTL
D. به روز کننده قانون
4 سناریوهای حمله
5 کارهای مشابه
6 نتیجه گیری و کار آتی
7 بیوگرافی

چکیده

فایروال در دنیای سایبری امروزی جزء نیازهای ضروری است. حملات سایبری به یک تعهد برای کسب و کارهای بزرگ یا هر شبکه دارای اطلاعات سودمند تبدیل شده است. فایروال ها زمانی می توانند بسیار موثر باشند که به صورت هوشمند طراحی شده باشند و برای یک ماشین اجرا شوند؛ با این حال، زمانی که آن ها بخشی از یک شبکه فایروال دارای اتصال داخلی هستند، دارای مساله می باشند. مدیران مسئول به روز رسانی یا تغییر هر فایروال به صورت انفرادی هستند چرا که منجر به خطاهای زیادی می شود. در این مقاله راهکاری را با عنوان فایروال های هوشمند مشارکتی پیشنهاد می دهیم. فایروال هایی که می توانند با یکدیگر صحبت کنند نیازی به آپدیت دست ندارند و در نتیجه دارای روال های سریع تر و بسیار دقیق تر در واکنش به حملات سایبری هستند. روش پیشنهادی ما با نام شبکه توزیع شده امن  (DSN) چندین فایروال مجزا را در یک شبکه پویا از فایروال ها دربر می گیرد که تمامی آن ها با یکدیگر برای مقابله با حملات سایبری کار می کنند.

1 مقدمه

فایروال خط مقدم دفاع و از پر کاربرد ترین ابزارها در امنیت سایبری هسند. آن ها می توانند بسیار قدرتمند باشند اگر به صورت صحیح به کار گرفته شوند، اما از نظر حوزه پوشش دهی دارای محدودیت می باشند. پکت های (بسته ها) داده در هنگام ورود و مقایسه با مجموعه از اولویت ها مورد تجزیه و تحلیل قرار می گیرند. محدودیت این است که اولویت ها تنها می توانند اطلاعات هدر پکت را خوانده و براساس آن اقدام کنند: این شامل داده هایی همانند نوع، IP آدرس و شماره پورت مبدا و IP آدرس و شماره پورت مقصد است. بنابراین، توانایی اقدام براساس پکت های ورودی سریع است اما می تواند بسیاری از حملاتی که مبتنی بر محتوای پکت هستند را از دست بدهد. به عنوان مثال، حمله تزریق اسکریپت از طریق وبگاه (وب سایت)  می تواند از هر IP آدرسی نشات بگیرد؛ یک فایروال نمی تواند پیش بینی کند که این حمله از چه جایی می آید، بنابراین ابزار جدیدی برای تحلیل محتوای پکت مورد نیاز است.

Abstract 

A Firewall is a necessity in the cyber world today. Cyber-attacks have become a guarantee for any large business or any network containing useful information. Firewalls can be very effective when intelligently designed and run for a single machine; however, they have an issue when they are part of an interconnected firewall network. Administrators are responsible for updating or changing each firewall individually, which has been shown to lead to many errors. In this paper we propose a solution: smart cooperative firewalls. Firewalls that can talk to each other, don’t need to be manually updated, and therefore have faster and more accurate attack response procedures. Our proposal, named DSN (Distributed Secured Network), turns multiple, but separate, firewalls into a dynamic network of firewalls all working together to combat cyber-attacks.

I INTRODUCTION

Firewalls are the first line of defense and the most widely used tool in cyber security. They can be very powerful if applied correctly, but they are limited in their scope. Packets are analyzed as they come in and compared to a set of priorities. The limitation is that the priorities can only read and act on the header information of the packet: this includes data like the type, source IP address and port number, and the destination IP address and port number. Therefore the ability to act on incoming packets is quick but may miss attacks that are based on packet content. For example, a cross-site scripting attack could come from any IP; a firewall cannot predict where this attack will come from, so a new tool is needed to analyze packet content.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

فایروال های هوشمند مشارکتی: کمک به دنیای سایبری امن تر و مطمئن تر

Smart cooperative firewalls : An aid to a safer and secure cyber world

برای تبادل بین محرمانه ماندن اطلاعات و کاربردی بودن آن ها در سیستم های تشخیص نفوذ مشترک – یک روش نظری بازی

On the Tradeoff between Privacy and Utility in Collaborative Intrusion Detection Systems-A Game Theoretical Approach

چکیده

1- مقدمه

2- فرمول‌بندی مسئله

2-1- مدل مهاجم

2-2- مدل مدافع

2-3- تنظیمات کلی

3- مدل بازی تشخیص تعامل مشارکتی

3-1- اولین لایه از بازی رهبر-دنباله رو

3-2- دومین لایه از بازی

4- حل کردن بازی

4-1- اولین لایه از بازی رهبر-دنباله رو

4-2- دومین لایه از بازی

5- مطالعه عددی

5-1- تبادل بین محرمانه ماندن اطلاعات و کاربردی بودن آن‌ها

5-2- استراتژی‌های همکاری

6- محدودیت‌ها

7- نتیجه‌گیری و کارهای آینده

چکیده

سیستم‌های تشخیص نفوذ (IDSs) مکانیسم‌های امنیتی مهمی هستند که تا حد گسترده‌ای برای حفاظت از شبکه بحرانی بکار گرفته می‌شوند. به هر حال، IDS های معمولی با توجه به رشد سریع اندازه شبکه‌ها و پیچیدگی حملات در مقیاس بزرگ، ناکارآمد هستند. برای کاهش این مسئله، IDSهای مشارکتی (CIDSها) در نشریات پیشنهاد شده‌اند. در CIDSها، تعدادی از IDSها هشدارهای نفوذ و داده‌های مرتبط دیگر را برای دستیابی به عملکرد بهتر در تشخیص نفوذ مبادله می‌کنند. با این وجود، تبادل اطلاعات مورد نیاز ممکن است منجر به فاش شدن اطلاعات محرمانه بخصوص درزمانی که این IDSها به سازمان‌های مختلف خودکفا تعلق دارند، شود. به منظور دستیابی به یک شناخت کمّی از تبادل بین صحت تشخیص نفوذ و حریم خصوصی سازمان، یک بازی چند نفره یک رهبره دولایه تکراری در این کار معرفی شد. بر اساس آنالیز نظری بازی، ما می‌توانیم رفتارهای مورد انتظار از مهاجم و IDSها را استنتاج کنیم و منحنی تبادل محرمانگی و سودمندی را به دست آوریم. علاوه براین، وجود تعادل نش (NE) ثابت شده است و یک الگوریتم به روز پویای غیرهمزمان نیز برای محاسبه استراتژی‌های مشارکت بهینه IDSها پیشنهاد شده است. در پایان، نتایج شبیه سازی برای اعتباربخشی به این آنالیز نشان داده ‌شده‌اند.

7- نتیجه‌گیری و کارهای آینده

در این کار، تبادل بین محرمانه ماندن اطلاعات و کاربردی بودن آن‌ها در CIDها به‌صورت یک بازی چندنفره تک رهبره دولایه تکراری فرمول‌بندی شده است که زمانی که IDSها با موفقیت به مهاجم پاسخ می‌دهند ، پایان می‌یابد. با حل اولین لایه از بازی رهبر-دنباله رو ، منحنی تبادل محرمانگی-کاربردپذیری برای استراتژی‌های همکاری موردنظر، بسته به سیاست‌های حریم خصوصی سازمان‌های مختلف به دست آمده است. با حل دومین لایه از بازی، استراتژی‌های مشارکتی برای IDSها در NE می‌توانند محاسبه شوند. علاوه براین، وجود NE در دومین لایه از بازی اثبات شد و الگوریتم به روز پویای غیر هم‌زمان برای محاسبه NE ایجاد گردید. ادامه این کار برای تنظیمات پویا یا حملات چندگانه محتمل شامل جهت‌گیری‌های جالبی در آینده می‌باشد.

Abstract

Intrusion Detection Systems (IDSs) are crucial security mechanisms widely deployed for critical network protection. However, conventional IDSs become incompetent due to the rapid growth in network size and the sophistication of large scale aŠacks. To mitigate this problem, Collaborative IDSs (CIDSs) have been proposed in literature. In CIDSs, a number of IDSs exchange their intrusion alerts and other relevant data so as to achieve beŠer intrusion detection performance. Nevertheless, the required information exchange may result in privacy leakage, especially when these IDSs belong to di‚erent self-interested organizations. In order to obtain a quantitative understanding of the fundamental tradeo‚ between the intrusion detection accuracy and the organizations’ privacy, a repeated two-layer single-leader multi-follower game is proposed in this work. Based on our game-theoretic analysis, we are able to derive the expected behaviors of both the aŠacker and the IDSs and obtain the utility-privacy tradeo‚ curve. In addition, the existence of Nash equilibrium (NE) is proved and an asynchronous dynamic update algorithm is proposed to compute the optimal collaboration strategies of IDSs. Finally, simulation results are shown to validate the analysis.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

برای تبادل بین محرمانه ماندن اطلاعات و کاربردی بودن آن ها در سیستم های تشخیص نفوذ مشترک – یک روش نظری بازی

On the Tradeoff between Privacy and Utility in Collaborative Intrusion Detection Systems-A Game Theoretical Approach

سیستم تشخیص نفوذ چند بعدی برای شبکه SCADA مبتنی بر IEC 61850

Multidimensional Intrusion Detection System for IEC 61850 based SCADA Networks

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

سیستم تشخیص نفوذ چند بعدی برای شبکه SCADA مبتنی بر IEC 61850

Multidimensional Intrusion Detection System for IEC 61850 based SCADA Networks

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

امنیت پایگاه داده با سیستم تشخیص نفوذ

Database Security using Intrusion Detection System

چکیده

1 مقدمه

1. 1 اهداف

2 مرور آثار

3 بیان مسئله

4 سیستم حال حاضر

1. 4 محدودیت ها

5 سیستم پیشنهادی

6 جزئیات پیاده سازی

1. 6 الگوریتم AES

2. 6 تزریق SQL

7 نتیجه

قدردانی

چکیده

ما یک پروژه به اسم ” امنیت پایگاه داده با استفاده از  IDS” را پیشنهاد میکنیم. حمله تزریق  SQLامروزه از حمله های بسیار معمول در وب سایت ها است. تزریق SQL دلالت بر یک حمله ی تزریق است که در آن حمله کننده می تواند دستورات SQL مخرب که سرور پایگاه داده یک اپلیکشن تحت وب را به کنترل در می آورد، اجرا کند. ما در این پروژه ی مکانیسم تشخیص نفوذ در پایگاه داده را برای ارتقا و امنیت پایگاه داده در یک وب سایت ارائه می کنیم. ما سیستمی ایجاد می کنیم که همه فعالیت های نفوذی به کارگیرنده ی تزریق SQL در یک وب سایت را ثبت خواهد کرد. چند کد مخرب توسط کاربران غیرمجاز به پایگاه داده تزریق می شود و به دلیل این حمله، پایگاه داده ی واقعی می تواند توسط هکر مورد سرقت قرار گیرد یا از بین رود یا تغییر داده شود. به مدیر سایت جزئیات کاربر نشان داده خواهد شد و می تواند او را در صورت لزوم بلاک کند. اطلاعات کاربر از طریق الگوریتم رمزنگاری AES ایمن می شود که این موجب امن تر شدن سیستم می شود.

1 مقدمه 

سیستم تشخیص نفوذ، فعالیت مخرب را در پایگاه داده شناسایی می کند و راجع به آن به مدیر سیستم اطلاع می دهد. برای حفاظت داده و تشخیص فعالیت های خرابکارانه در پایگاه داده، سیستم تشخیص نفوذ با سایت یک فروشگاه ترکیب می شود و فعالیت های مخرب در پایگاه داده سایت را شناسایی می کند. سیستم تشخیص نفوذ، سیستمی است که فعالیت خرابکارانه اجرا شده توسط هر کاربر یا برنامه را ثبت می کند و می تواند بعداَ توسط مدیر دیده شود. هر کس که به نام کاربری/ رمز پایگاه داده که توسط اپلیکیشن استفاده می شود، دسترسی پیدا کند این توانایی را دارد که به دور از همه ی ویژگی های امنیتی تعبیه شده در اپلیکیشن، بارها از پایگاه داده بخواند یا اصلاح کند. معیارهای امن بودن جهت تضمین امنیت در سطوح منطقی اپلیکیشن در نظر گرفته شده اند، بنابراین ما نیازمند این توانایی هستیم که هر گونه فعالیت خرابکارانه در پایگاه داده را تشخیص دهیم.

7 نتیجه

در پروژه ی ” امنیت پایگاه داده با استفاده از IDS” ما روش رمزنگاری AES  را برای پیشگیری از نفوذ در پایگاه داده وب سایت فروشگاه آنلاین، پیشنهاد کرده ایم. هم چنین شناسایی و جلوگیری از حملات نفوذ هم چون تزریق SQL، یک لایه اضافی از امنیت را در سیستم مدیریت پایگاه داده (DBMS) فراهم می کند. این می تواند به عنوان روش عمومی برای هر پایگاه داده وجهت فائق آمدن بر محدودیت های مکانیسم های موجود امنیت پایگاه داده، در نظر گرفته شود.

Abstract

We propose a project named “Database Security Using IDS”.SQL injection attack is the most common attack in websites nowa-days. SQL Injection refers to an injection attack wherein an attacker can execute malicious SQL statements that control a web application’s database server. In this project we propose database intrusion detection mechanism to enhance the security of database through a Website. We will make a system which will log all the activities of an Intruder using SQL Injection in a website. Some malicious codes gets injected to the database by unauthorized users and because of this attack, the actual database can be stolen or destroyed or modified by the hacker. Administrator will be shown the details of the user and can block him if needed. User details are secured using AES encryption algorithm which makes this system more secure.

1 INTRODUCTION

ntrusion detection system detects the malicious activity in the database and notifies the administrator of the system accordingly. To secure data and detect malicious activities in database, intrusion detection system is integrated with the shopping site and detects malicious activities in site’s database. Intrusion Detection System is a system in which malicious activity performed by any user or program is logged and can be viewed later by the admin. Anyone who gets access to the database login/password used by the application has the ability to frequently read or modify the database, bypassing all the security features built into the application. Therefore, security measures have been taken to ensure security at the application logic level, we need to have the ability to detect any malicious actions into the database. As a part of the project, a website will be developed where users can buy shopping products. Different users- Administrator and customer will have different access rights to the system. This project is a base project for developing a Intrusion Detection System related subsystem which can be used in any other application.

7 CONCLUSION

In the project “Database Security using IDS” we have proposed AES encryption approach to prevent the intrusion in database of the online shopping website. Also detects and prevents the intrusion attacks like SQL injection. It provides an additional layer of security in database management system (DBMS).It can be considered as generic approach for any database and overcomes the limitations of the existing database security mechanisms.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

امنیت پایگاه داده با سیستم تشخیص نفوذ

Database Security using Intrusion Detection System

تخمین الگوریتم بسیار سریع درخت تصمیم گیری جهت تشخیص نفوذ شبکه

Evaluating Very Fast Decision Tree (VFDT) Algorithm for Detecting Network Intrusion

Abstract

With recent advances in network based technology needs protecting computers and networks which becomes a huge problem. Based on information coming from various response teams a computer was attacked or broken into more than once per second. In this paper, two grains levels intrusion detection system (IDS) is suggested fine-grained and coarse-grained. In normal case the intrusions are not detected, to improve the performance the most suitable IDS level is the coarse-grained. Any intrusion is detected by coarse-grained IDS after that the fine-grained is used to detect the possible attack details. Very fast decision tree (VFDT) algorithm is used in both of these detection levels. In order to ensure efficiency of the proposed model, it has been tested on KDD CUP 99 dataset and a real traffic dataset. Experimental results demonstrate that the proposed model is highly successful in detecting known and unknown attacks

1 Introduction

An intrusion detection system (IDS) inspects all network activity and identifies suspicious patterns that may indicate a network or system attack from someone attempting to break into or compromise a system. With the rapid growth in network, intrusions in computers have increased rapidly. Intrusion Detection System is an essential component of a complete defence-in-depth architecture for network security. It collects and inspects packets, looking for evidence of intrusive behaviours. Whenever intrusive event is detected, an alarm is raised giving the security analyst an opportunity to react promptly. Most of designed IDSs cannot cope with fast networks. Although several IDS systems are available, the common objectives of these systems are to reduce the amount of false alarms, and to recognize new attacks in order to increase detection ratio. In this paper, the concentration is on detecting attacks in fast networks in order to mitigate the influence of the attack by reducing the time gap between the real attack and its detection. This paper contributes to build two grains levels IDS in order to detect abnormal behaviour of network traffic and cope with fast networks i.e. finegrained and coarse-grained. It is well known that the intrusion occurrence in networks with respect to general traffic is rare. These motivate us to build the proposed two grains levels IDS they are fine-grained and coarse-grained. In normal case, where intrusions are not detected, the most suitable IDS level is the coarse-grained to increase performance. At the moment of intrusion is detected by coarse-grained IDS, the fine-grained IDS is used to detect as most as possible of attack details.. The coarse-grained Intrusion Detection System focuses on five packet features while fine-grained Intrusion Detection System works on 20 features. Very Fast Decision Tree (VFDT) algorithm is selected as a fast classifier. The advantages of this system is processing and analysing of high-speed network traffic, discovering and accurately identifying new attacks to reduce the false alarms to an maximum extent, and detecting the intrusion in real time. DARPA KDD CUP 99 dataset is used as a bench-mark for the proposed IDS, which contains 41 features. we analysed these features and selected 20 features having information gain ratio over the average of the dataset. Then, we trained and tested the proposed system.