مسیریابی وزن پویا و الگوریتم کد نوری بر اساس شبکه نرم افزار محور (SDN)

Dynamic weight routing and optical-code algorithm based on SDN

چکیده
1 مقدمه
2 سیستم سوئیچینگ نوری چند دانه ای بر اساس SDN
3 الگوریتم توزین دینامیکی بر اساس منابع کد نوری و درجه تطبیق بین درخواست خدمات و کانال
4 شبیه سازی و تحلیل الگوریتم
5 نتیجه
منابع

چکیده
شبکه ‌های انتقال نوری در مسیر تکامل به سمت سوئیچ چند دانه ‌ای و مدیریت نرم ‌افزار قرار دارند، ولیکن لازم است که معماری صفحه کنترل موجود با نیازهای مدیریت چند خدماتی و شبکه با هم سازگار شوند. به همین منظور، الگوریتم توزین دینامیکی بر اساس منابع کد نوری و میزان تطابق آن با درخواست خدمات و شبکه در یک سیستم سوئیچینگ نوری چند سطحی، مطرح شده است. در این روش، کنترلگر شبکه تعریف‌ شده نرم ‌افزار (SDN) اطلاعات منبع شبکه را در زمان واقعی جمع آوری می‌کند، به صورت مداوم وزن هر مسیر را تغییر می‌دهد و از آن برای محاسبه مسیر استفاده می‌کند، مسیر سازگار تری را بر اساس توازن بار فراهم کرده و وزن ‌های منطبق شبکه را به جهت تخصیص منابع، ترکیب می‌کند. نتایج شبیه ‌سازی نشان دهنده این موضوع است که سیستم سوئیچینگ چند دانه ‌ای با الگوریتم مطرح شده قادر است به طور چشمگیری تولید قطعات کد نوری را کاهش داده و بهره گیری از منابع را بهبود بخشد. در پایان مقاله الگوریتم‌ های مسیریابی کد نوری شبیه‌ سازی و اجرا شده و کارکرد آنها قیاس و تحلیل شده است. نتایج شبیه‌ سازی بیانگر این است که نرخ انسداد الگوریتم تطبیقی در شبکه NSFNET در قیاس با الگوریتم سنتی 4٪ سیر نزولی داشته و استفاده از منابع کد نوری 9٪ بهبود یافته است.

2- سیستم سوئیچینگ نوری چند دانه ای بر اساس SDN
2-1 معماری شبکه مبتنی بر SDN
SDN روش جدیدی از معماری شبکه می باشد که به دست بنیاد شبکه باز (ONF) رهبری می‌شود. معماری کلاسیک SDN به لایه برنامه، لایه کنترلی و لایه داده تقسیم بندی می ‌شود. لایه برنامه خدمات گوناگونی را به استفاده کنندگان ارائه می‌دهد. لایه کنترلی یکی از حائز اهمیت ترین بخش ‌های معماری SDN می باشد. کنترلگر توابع شبکه را با یک رابط برنامه نویسی کاربردی (API) مجازی سازی می کند[6]. لایه داده برای جمع ‌آوری، هدایت و پردازش داده‌ ها می باشد [7].

طی سال‌ های گذشته، با توجه به مطالبات اقتصادی و تسهیلات نوآوری شبکه ‌ای، به‌تدریج SDN (T-SDN) به کار گرفته شده است [8]. T-SDN رابط، پروتکل و صفحه کنترلی شبکه انتقال نوری را توسعه داده و مدیریت سخت ‌افزار شبکه نوری تغییر‌پذیرتر را میسر می‌کند. مرجع [9] معماری طبق SDN خودکار ارائه کرده‌ که قادر است معیارهای کارکرد شبکه را بصورت دینامیکی برتری سازد.

بعد از بکار بردن SDN بر روی شبکه سوئیچینگ نوری چهار لایه ‌ای، صفحه داده از صفحه کنترل جدا سازی شده [10] و احتساب مسیر و اختصاص منابع به دست کنترلگر SDN پشتیبانی می ‌شود [10]، گره بر هدایت داده متمرکز می شود که به شدت کاهش فشار بر گره را در پی دارد. کنترلگر مورد نظر، حائز اهمیت ترین قسمت از SDN است، منبع [11] ساختار ‌بندی جدیدی از مطالعات پیشگام با موضوع حل مسئله جایابی کنترلگر‌ها (CPP) در SDN را از زوایای مختلف ارائه می ‌دهد.

اینترنت اشیا (IOT) زیربنایی آپ لینک سلولی از طریق اصل ارتباط D2D

IoT Underlying Cellular Uplink Through D2D Communication Principle

چکیده
1 مقدمه
2 کارهای مرتبط
3 مدل سیستم
4 بیان مسئله
5 الگوریتم محاسبه تاخیر و زمانبندی فرصت‌طلبانه
6 نتایج و بحث‌ها
7 نتیجه‌گیری
مراجع

چکیده
ارتباطات دستگاه به دستگاه (D2D) یکی از تکنیک‌های نوآورانه در شبکه‌های سلولی است که می‌تواند برای سیستم‌های ارتباطی بی‌سیم آینده، به ویژه برای اینترنت اشیاء (IoT) مورداستفاده قرار گیرد. یکی از مزیت‌های اصلی ارتباطات D2D، توانایی آن در کاهش ازدحام ترافیک سلولی است، زیرا اکثر برنامه‌های کاربردی IoT به دلیلِ ویژگی تعامل‌پذیری و سازش‌پذیری شبکه‌های سلولی، استفاده از آنها را ترجیح می‌دهند. در این مقاله، یک مدل دسترسی فرصت‌طلبانه به کانال و استراتژی کنترل توان تطبیقی جدیدی برای گروهی از جفت‌ فرستنده-گیرنده IoT  (که از این به بعد جفت‌های D2D می‌نامیم) در زیرلایه مسیرفراسوی سلولی پیشنهاد می‌کنیم. هدف ما از این مطالعه، ارزیابی امکان‌سنجی کاربرد این مدل پیشنهادی در برون‌سپاری ترافیک IoT  است. برای این هدف، ما عملکرد مدل را تحتِ تنظیمات مختلف پارامتری و لحاظ کردن محدودیت‌های عملی مانند محدودیت‌های توان کُل و حداقل بازده طیفی ارزیابی می‌کنیم. علاوه بر این، نتایج را با دو استراتژی کنترل توان ‌مبنا مقایسه می‌کنیم. یافته‌های ما نشان می‌دهند که به جای ساخت معماری شبکه جدید و اختصاصی برای کاربردهایIoT ، می‌توان ترافیک تولیدشده توسط IoT را از طریق ارتباط D2D که در زیربنای مسیر فراسوی سلولی قرار دارند، برون‌سپاری کرد. این رویکرد از اثرات مخرب ترافیک شبکه سلولی جلوگیری می‌کند، و عملکرد رضایت‌بخشی برای کاربران اینترنت اشیاء ارائه می‌دهد.

2- کارهای مرتبط
ما بررسی ادبیات پژوهشی را در سه بخش ارائه می‌کنیم تا مشارکت‌های مطالعه خود را به صورت جداگانه نشان دهیم. در بخش اول، استراتژی‌های بارسپاری داده‌ها به کمک D2D به صورت خلاصه بیان می‌شود. با توجه به سناریوی ما، که دستگاه‌های IoT به عنوان جفت D2D عمل می‌کنند و تمرکز ما نیز بر عملکرد تاخیر و نرخ‌ مجزا است، بنابراین، بررسی مطالعات قبلی ارتباطات D2D مبتنی‌بر کنترل توان و آگاه از تاخیر بسیار حائزاهمیت خواهند بود. در بخش دوم، جدیدترین تحلیل‌های عملکردی ارتباطات D2D آگاه از تاخیر ارائه می‌شود. و در نهایت، دو استراتژی کنترل توان، BPC و CIPC، که به عنوان خطوط مبنا برای ارزیابی طرح پیشنهادی ما انتخاب شدند را بررسی می‌کنیم.

الف- بارسپاری داده با کمکِ D2D
بر اساسِ توپولوژی شبکه و ساختار لینک، فنآوری‌های بارسپاری داده به چهار نوع طبقه‌بندی می‌شوند [17]: 1) بارسپاری داده از طریق شبکه‌های سلولی کوچک، 2) بارسپاری از طریق شبکه‌های وای‌فای، 3) بارسپاری از طریق شبکه‌های فرصت‌طلبانه موبایلی، و 4) بارسپاری از طریق شبکه‌های ناهمگن. بارسپاری‌ داده‌ها از طریق لینک‌های D2D را می‌توان در دسته بندی “بارسپاری فرصت‌طلبانه” قرار دارد، که در ادبیات پژوهشی به سه روش به آن پرداخته شده است: 1) بارسپاری D2D که از دستگاه‌های مجاور برای قابلیت محاسباتی خود استفاده می‌کند [18]، [19]، 2) بارسپاری D2D که از دستگاه‌های مجاور برای افزایش پوشش سلولی از طریق مخابره چندگامه در لینک‌های D2D استفاده می‌کند [20]، [21]، [22]، [23]، 3) بارسپاری D2D با دسترسی فرصت طلبانه برای کاهش ترافیک در شبکه‌های سلولی در صورت امکان [24]، [25]، [12]، [13]، [26].

مطالعه ما در راستایِ رویکرد سوم انجام می شود، با این حال، تمامی مطالعات تحتِ رویکرد سوم به نحوه‌ی بهبود عملکرد شبکه سلولی از طریق بارسپاری پرداختند، و برخی از آنها نیز بررسی کردند که چگونه می‌توان از شبکه‌های اجتماعی برای بارسپاری کارآمد استفاده کرد. مسئله اصلی این مطالعات، نحوه‌ی شروع یا برنامه‌ریزی بارسپاری ارتباط D2D با هدفِ بهبود عملکرد سلولی است. اما هدف مطالعه ما این است که بررسی کنیم آیا استفاده از شبکه‌های سلولی برای برنامه‌های‌کاربردی IoT می‌تواند بدون تأثیر منفی بر کاربران سلولی و در عین حال تحقق معیارهای برنامه کاربردی IoT قابل‌اجرا باشد؟ به جای ایجاد ساختار ارتباطی جدید برای سیستم IoT، تمرکز ما بر تحقق کیفیت سرویس جفت‌هایIoT به هنگام بارسپاری تمام ترافیک تولیدشده توسطIoT از طریق شبکه زیرساخت سلولی D2D است. از این رو، از دیدگاه عملکرد فردی QoS، هیچیک از طرح های بارسپاری D2D کنونی قابل‌مقایسه با کار ما نیستند.

روش جمع آوری اطلاعات نقشه برداری و نقشه برداری پهپاد بر اساس اینترنت اشیا (IOT)

UAV surveying and mapping information collection method based on Internet of Things

چکیده

1 مقدمه

2 مطالعات مرتبط

3 روش شناسی

4 نتایج و بحث

5 نتیجه گیری

منابع

چکیده

     هواپیماهای بدون سرنشین (UAV) از سودمندترین عناصر ارتباطی در پلتفرم فن آوری کنونی محسوب می شوند. برنامه های نوظهور برقراری ارتباط مانند IoT ، ابر و داده کاوی از شناخته شده ترین برنامه ها در امر نظارت هستند. این مطالعه پژوهشی، طراحی UAV را با تکیه بر IoT (اینترنت اشیاء) و بر اساس روش جمع آوری اطلاعات مورد توجه قرار داده است. وسایل نقلیه پرنده خودران می توانند با اتصال IoT از برنامه های سلامت و ایمنی سایت اطمینان حاصل کنند. همچنین محدودیتها و نقایص مهم راه حلهای پیشرفته کنونی برای یک هدف مشابه مانند چالش‌ های بهینه ‌سازی برنامه ‌ریزی مسیر، الگوریتمهای یادگیری ماشین سبک وزن (ML) و نگرش ماشینی، هماهنگی در ارتباطات IoT ، و مقیاس گذاری شبکه IoT را پشت سر می گذارند. در نتیجه، این مقاله در واکاوی عمیقتر انواع سوالات تحقیقاتی باز به خواننده کمک می کند.

مطالعات مرتبط
     IoT و UAV را می توان از هر دو دیدگاه خرد و کلان برای نظارت بر انواع آفات و بیماریهای کشاورزی مورد استفاده قرار داد. جمع آوری اطلاعات مربوط به آب و هوا و رشد کشاورزی در زمان واقعی، با استفاده از گره های حسگر ارزان قیمت در IoT میسر شده است. یک مرکز داده ابری، پس از دریافت و آنالیز تصاویر گرفته شده توسط UAV ها، می تواند میزان خسارت ناشی از بیماریها و آفات را با استفاده از فن آوریهای تحلیل طیف مشخص کند (1). بهبود شهرهای هوشمند با Alsamhi ، S.H و همکاران (2)، مرور کلی روشها و برنامه های جدید پیشنهادی برای پهپادها و IoT مشارکتی در این مقاله ارائه شده است. این شهرهای هوشمند می توانند با استفاده از فن آوری مشارکتی پهپادها به کمک IoT و اینترنت اشیا (IoT)، داده ها را جمع آوری کنند، از امنیت و حریم خصوصی شهروندان حفاظت کنند، به فجایع و بالایا رسیدگی کنند، مصرف برق را کاهش دهند و موجب بهبود کیفیت شهر شوند. در اکثر موارد، این امر به تعیین میزان هوشمندی شهرها در خصوص مواردی مانند کیفیت زندگی، همراهی محیط زیست، و امنیت عمومی مربوط می شود. در این مقاله،. فن آوریهای IoT و UAV در کشاورزی بررسی شده اند که شامل مروری بر جدید ترین مطالعات می باشد. می توان از سیستمهای UA در محیطهای مختلف کشاورزی، از جمله مناطقی که دسترسی به آنها دشوار است، استفاده کرد. از نظر ما IoTو UAVاز ضروری ترین و تحول آمیز ترین فن آوریها در زمینه کشاورزی دقیق هستند (3). ممکن است آتش سوزیها در مکانهای مختلفی مانند مناطق باز، جنگلها، زمینهای کشاورزی، ساختمانهای اداری و مسکونی رخ دهند. در این مقاله از UAVها و شبکه های حسگر بی سیم برای تشخیص آتش سوزی در همان مراحل اولیه و جلوگیری از خرابی و خسارت ناشی از آن استفاده شده است. طیق نتایج شبیه سازی، نرخ تشخیص حریق در سیستم پیشنهادی حدود 98 % نسبت به روشهای قبل بهتر است (4). تلفیق IoT با UAVها می تواند یک سیستم UIoT هوابرد را حاصل کند که می تواند خدمات ارزش افزوده مختلفی را در بالا و پایین سطح زمین ارائه دهد. بنابراین، این پروژه تحقیقاتی، پروتکلهای کنونی MAC برای IoT را مورد بررسی قرار داده است. در ابتدا، نگاهی به معماری ارتباطی پروتکل UIoT MAC و دغدغه های طراحی آن مورد بحث و گفتگو قرار می گیرد (5). بررسیهای اخیر نشان داده اند که اینترنت اشیا (IoT) می تواند در بخشهای متعددی از جمله کشاورزی تحولاتی را ایجاد کند. ICT مدرن (فن آوری اطلاعات و ارتباطات) در کشاورزی هم کاربرد دارد.

یک استراتژی اشتراک داده هوشمند و ارتقاء یافته با حریم خصوصی برای اینترنت اشیاء تقویت شده با بلاکچین

An Intelligent and privacy-enhanced data sharing strategy for blockchain-empowered Internet of Things

چکیده

1. مقدمه

2. تحقیقات مرتبط

3. مدل سیستم

4. اجرای BP2P-FL

4.1 مدیریت اعضای تیم

4.2 فرایند اشتراک گذاری داده

4.3. مکانیسم اجماع: اثبات مشارکت مدل (POC)

4.3.1. پیشگیری از حملۀ استنتاجی

4.3.2 اجماع مبتنی بر مشارکت گره

4.4 مدیریت اعتبار

5. آزمایشات

5.1 راه اندازی آزمایش

5.2. نتایج آزمایشی

6. نتیجه گیری

منابع

چکیده

با پیشرفت اینترنت اشیاء (IoT)، اشتراک¬گذاری داده ها در حجمی انبوه بین دستگاه های IoT، کیفیت خدمات(QoS)  و تجربۀ کاربر در برنامه های مختلف IoT را ارتقاء می بخشد. با این حال، به اشتراک گذاری داده ها ممکن است باعث فاش شدن جدی حریم خصوصی ارائه دهندگان داده شود.  برای رفع این مشکل، در این مطالعه اشتراک داده ها از طریق اشتراک مدل تحقق می یابد که بر اساس آن یک مکانیسم اشتراک دادۀ امن، به نام  BP2P-FL، با استفاده از یادگیری نظیر به نظیر با حفاظت از حریم خصوصی ارائه دهندگان داده ها مطرح می شود. علاوه بر این، با معرفی بلاک چین (زنجیرۀ بلوکی) برای اشتراک گذاری داده ها، هر فرآیند آموزشی ثبت می شود تا اطمینان حاصل شود که ارائه دهندگان داده ها داده های با کیفیت بالا را ارائه می دهند. برای حفاظت بیشتر از حریم خصوصی، از فناوری حریم خصوصی تفاضلی برای آشفته سازی مدل اشتراک دادۀ گلوب استفاده می شود. نتایج تجربی نشان می دهد که BP2P-FL از صحت و امکان پذیری بالایی در به اشتراک گذاری داده های برنامه های IoT مختلف برخوردار است.

1. مقدمه

با پیشرفت فناوری اینترنت، اینترنت اشیاء (IoT) کاربرد گسترده ای در صنایع مختلف داشته است [1]. حسگرها بخش مهمی از IoT و مهمترین منبع داده برای سیستم  هستند. داده های ادراک جمع آوری شده با یک حسگر مجزا اغلب نمی تواند نیازهای کاربران را برآورده سازد و ارزش واقعی IoT ریشه در اشتراک گذاری و استفادۀ جامع از اطلاعات و داده های مختلف دارد [4, 3, 2]. به عنوان مثال، در خدمات درمانی، اشتراک داده ها می تواند پرونده های سلامت با ارزشی را فراهم سازد که شامل اطلاعات معاینۀ جسمی و درمان است و می تواند داده های درمان هدفمندتری را ایجاد کند، اشتراک داده می تواند سلیقه های توریستی را به طور دقیق درک نماید و کانون های توریستی آینده را برای ارتقاء کیفیت خدمات پیش بینی کند. با این حال، به اشتراک گذاری داده ها در IOT  ممکن است با مشکلات مختلفی روبرو شود. اول اینکه ایجاد اعتماد دوطرفه در بین دو سازمان خیلی مشکل است. در نتیجه، اشتراک گذاری داده های محلی قابل اعتماد، غیرممکن است. دوما، حفظ حریم خصوصی داده ها به یک مشکل بزرگ تبدیل شده است که مانع اشتراک گذاری داده ها می شود زیرا صاحبان داده ها از افشای حریم خصوصی رنج می برند. بنابراین، رسیدن به اشتراک داده ها به طور مؤثر، به خصوص زمانی که این دو مسئله حل نشوند، یک چالش است. 

Abstract

With the development of the Internet of Things (IoT), the massive data sharing between IoT devices improves the Quality of Service (QoS) and user experience in various IoT applications. However, data sharing may cause serious privacy leakages to data providers. To address this problem, in this study, data sharing is realized through model sharing, based on which a secure data sharing mechanism, called BP2P-FL, is proposed using peer-to-peer federated learning with the privacy protection of data providers. In addition, by introducing the blockchain to the data sharing, every training process is recorded to ensure that data providers offer high-quality data. For further privacy protection, the differential privacy technology is used to disturb the global data sharing model. The experimental results show that BP2P-FL has high accuracy and feasibility in the data sharing of various IoT applications.

1. Introduction

With the development of the Internet technology, the Internet of Things (IoT) is widely used in various industries [1]. Sensors are an important part of the IoT and the most important data source for the IoT system. The perception data collected by a single sensor often cannot meet users needs, and the real value of the IoT lies in the comprehensive utilization and sharing of various data and information [2, 3, 4]. For example, in healthcare, data sharing can provide valuable health records, including treatment and physical examination information, and can offer more targeted treatments for patients. In industry, by analyzing the collected data, data sharing can accurately understand the preferences of tourists and predict future tourism hot spots to improve the quality of service. However, data sharing in IoT may face various problems. First, it is very difficult for each pair of organizations to build mutual trust. As a result, it is unlikely to share reliable local data. Second, data privacy has become a big problem that hinders data sharing because data owners suffer from privacy leakage. Therefore, achieving effective data sharing is a challenge, especially when these two problems have not been solved.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

یک استراتژی اشتراک داده هوشمند و ارتقاء یافته با حریم خصوصی برای اینترنت اشیاء تقویت شده با بلاکچین

An Intelligent and privacy-enhanced data sharing strategy for blockchain-empowered Internet of Things

شبکه سنسور بی سیم، حملات اکتیو و پسیو، آسیب پذیری و اقدامات متقابل

Wireless Sensor Networks: Active and Passive attacks – Vulnerabilities and Countermeasures

خلاصه

1- مقدمه

2- بررسی مقاله

3- الزامات امنیتی

4- معماری پایه شبکه سنسورهای بی سیم

5- چالشها و محدویتهای WSN

5-1- چالشهای شبکه سنسور بی سیم

5.2- محدویتها در شبکه سنسورهای بی سیم

6- حملات امنیتی در شبکه های سنسور بی سیم

6.1- حملات اکتیو

6-2- حملات پسیو

7- نتیجه گیری

منابع

چکیده

شبکه های سنسور بی سیم به علت موارد مصرف فوق العاده زیاد آنها در زمینه های پزشکی، نظامی ، دفاعی، محیط زیست، صنعتی ، حفاظت از زیر ساختها و کاربرد تجاری، و نیز امکان ارتباط به صورت کنترل از راه دور، توجه زیادی را در تحقیقات و توسعه به خود جلب نموده اند. یک شبکه بی سیم سنسور (WSN) موارد مصرف گسترده ای از قبیل مونیتورینگ و تعقیب گره های هدف در ارتباطات دارد. گره های سنسور برای ارتباط بین گره ها و دیگر شبکه ها، به واسطه های بدون سیم مجهز شده اند. شبکه های بی سیم از محدودیتهای بسیاری رنج می برند که باعث می شود امنیت به عنوان چالش اصلی این شبکه ها مطرح شود. گره سنسور در صورت استفاده در یک شبکه ارتباطی، در برابر حملات مختلف آسیب پذیر خواهد بود. ، این مقاله انواع مختلف حملات امنیتی پسیو و اکتیو در شبکه سنسورهای بیسیم را جهت طراحی اقدامات متقابل برای ایجاد ارتباطات ایمن بررسی خواهد نمود. این مقاله به محققین جهت تشخیص مخربترین حملات در ارتباطات و نیز مکانیسمهای دفاعی جهت مقابله با این حملات در WSN کمک خواهد نمود.

1- مقدمه

شبکه سنسورهای بی سیم شبکه های بزرگی از تجهیزات سایز کوچک، ارزان، خود پیکر بندی شده ، و توان مصرفی پایین هستند که به صورت پراکنده توزیع شده و از سنسورها برای جمع آوری و انتقال اطلاعات در کانالهای ارتباطی بی سیم استفاده می نمایند. گره های سنسور به نحوی طراحی شده اند که امکان کار با تعداد محدودی امکانات از قبیل کانالهای انرژی ، حافظه، محاسبات و انتقال را دارند. WSN ها دربرگیرنده گره های سنسوری مختلفی هستند که با یکدیگر در ارتباط بوده و به صورت پراکنده در داخل یک رخداد محیطی یا فیزیکی توزیع شده اند. گره های سنسوری کلاسیک دربرگیرنده چهار قسمت عمده هستند که شامل ماژول سنسور، پردازش و حافظه ، فرستنده گیرنده، و واحد تغذیه می باشند. گره سنسور در یک شبکه می تواند اطلاعات را جمع آوری و پردازش نموده و با سایر گره ها تعامل نماید.[1] 

7- نتیجه گیری

مقاله چالشهای امنیتی و محدودیتها شبکه های سنسور بی سیم و حملات متعددی امنیتی را در WSN بررسی می نماید. حملات اکتیو و پسیو آنالیز شده اند که به محققین دیدی در مورد حملات مختلف در WSN می دهد. همچنین استفاده کنندگان باید در مورد مشکلات حریم خصوصی و مجوزهای داده شده برای اطلاعات و نحوه اینکه چگونه از اطلاعات استفاده نامناسب می نمایند و به تحقیقات آینده مکانیسمها و اقدامات متقابل موثری را ارایه می دهند.

Abstract

Wireless sensor network has attracted significant attention in research and development due to its tremendous applications in medical, military and defence, medical, environmental, industrial, infrastructure protection, and commercial applications to enable to interact with each other controlled remotely. A Wireless Sensor Network (WSN) has wide applications such as environmental monitoring and tracking of the target nodes for communication. The sensor nodes are equipped with wireless interfaces used for communication between the nodes and another network. Wireless Sensor Network suffers from many constraints that make security a primary challenge. When the sensor node is deployed in a communication environment unattended, the nodes are vulnerable to various attacks. This paper deals with the different types of Active and Passive security attacks in Wireless Sensor Networks to design effective countermeasures for secured communication. This paper will help researchers identify the most vulnerable attacks in the communication and defensive mechanisms to encounter the attacks in WSN.

1. Introduction

Wireless Sensor Networks are large-scale networks made of Selfconfigured and spatially distributed, small size devices, low cost, low power using sensors to collect and transfer the data in the wireless communication channel. The sensor nodes are designed so that it is feasible to work with limited facilities like energy, memory, computation, and the transmission channel. The WSN consists of several sensing nodes that interact with each other, and they are distributed and in a spatial way on any physical/environmental phenomenon. The classic wireless sensor node consists of four main parts Sensor Module, a Processing & Memory Module, Transceiver Module, and a Power Unit. The sensor nodes in a network can process, gather information, and interact with other nodes [1]. The main goals of the WSN are privacy or confidentiality, integrity, authentication, and availability. WSNs utilize multiple services to share the frequency spectrum and use similar and different protocols [2]. WSNs are self-organizing, self-repairing, and operate a dynamic topology in the multi-hop environment, which faults tolerance and vulnerability to malicious attacks.

7. Conclusion

The paper summarized the security challenges and constraints of wireless sensor networks and various security attacks in the WSN. The active and passive attacks are analyzed, which gives the researchers an insight into various attacks in WSN. The users should also know about the privacy issues and permissions given for the data and how they misuse the information and propose future research exploring the effective security mechanisms and countermeasures.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

شبکه سنسور بی سیم، حملات اکتیو و پسیو، آسیب پذیری و اقدامات متقابل

Wireless Sensor Networks: Active and Passive attacks – Vulnerabilities and Countermeasures

پروتکل 5G-AKA مبتنی بر کلید متقارن پیشرفته

An enhanced symmetric-key based 5G-AKA protocol

چکیده
1 مقدمه
2 معماری و رویه‌های امنیتی برای 5G
2-1 معماری
2-2 پروتکل 5G-AKA (‏زیر بند 6-1-3-2)
2-3 یک تحلیل امنیتی مختصر از پروتکل 5G – AKA
3 کلید متقارن برکن مبتنی بر پروتکل 5G AKA
4 تحلیل کلید متقارن برکن براساس پروتکل 5G AKA
4-1 تایید هویت ضمنی و حملات بازپخش
4-2 حمله با کلید اصلی و حمله بی رحمانه آفلاین
4-3 آسیب‌پذیری در برابر حملات LFM
4-4 مسائل مربوط به حریم خصوصی
4-5 رازمانی پیش سو
5 نسخه پیشرفته پروتکل AKA کلید متقارن که از رازمانی پیش سو پشتیبانی می‌کند
5-1 شرح اصلاحات
5-2 آنالیز امنیت
5-3 بحث پروتکل
6 جمع‌بندی
سرمایه‌گذاری
بیانیه مشارکت در تالیف CRediT
اظهار منافع رقابتی
منابع

چکیده

فن‌آوری 5G برای پشتیبانی از نسل بعدی ارتباطات بی‌سیم و تحقق بخشیدن به “اینترنت همه چیز” از طریق سرویس MTC (‏ماشین – ارتباطات انبوه)‏ نامیده می‌شود. پروتکل 5G-AKA که اخیرا استاندارد شده‌است در نظر گرفته شده‌است تا با مسائل امنیتی و حریم خصوصی که در نسل‌های پیشین شناسایی شده‌اند ، مقابله کند. با این وجود چندین نقص 5G-AKA گزارش شده‌است از جمله پیچیدگی محاسباتی احتمالا بیش از حد برای بسیاری از دستگاه‌های اینترنت اشیاء می‌باشد. برای رسیدگی به این موارد ، اخیرا یک احراز هویت سبک ۲ گذری و پروتکل توافق کلید (‏AKA)‏ برای ارتباطات تلفن همراه 5G توسط برکن پیشنهاد شده‌است. در مقایسه با پروتکل 5G-AKA ، این امر نیازمند استفاده از رمزگذاری کلید عمومی نیست. این مقاله ادعاهای امنیتی پروتکل برکن را تجزیه و تحلیل می‌کند و نشان می‌دهد که این پروتکل قابلیت لینک کردن کامل را فراهم نمی‌کند ، بلکه تنها نشست قابلیت لینک کردن را تشکیل می‌دهد و (‏هنوز) ‏در معرض نشت پیام شکست AKA (‏LFM) ‏قرار دارد. ما راه‌حل‌هایی برای این مشکلات پیشنهاد می‌کنیم و ثابت می‌کنیم که پروتکل‌های مبتنی بر کلید متقارن نمی‌توانند سطوح بالاتری از حفاظت از حریم خصوصی را بدون به خطر انداختن قابلیت دسترسی ارائه دهند. سپس نسخه بهبود یافته‌ای از این پروتکل را شرح می‌دهیم که این آسیب‌پذیری‌ها را مورد خطاب قرار داده و از پنهانکاری رو به جلو پشتیبانی می‌کند که یک ویژگی مطلوب برای دستگاه‌های اینترنت اشیاء کم‌هزینه می‌باشد.

1 مقدمه

پیشرفت‌های اخیر در فن‌آوری‌های بی‌سیم و موبایل منجر به رشد عظیمی در خدمات تلفن همراه شده‌است. تا پایان سال ۲۰۱۹ ، بیش از 2/5 میلیارد نفر برای خدمات تلفن همراه مشترک شدند که ۶۷ درصد جمعیت جهان را تشکیل می‌دهند. اگرچه در حال حاضر ، تکنولوژی نسل چهارم موبایل (‏4G) ‏تکنولوژی غالب است اما تکنولوژی نسل پنجم در حال تحول (‏5G)‏ در حال پیشرفت است و انتظار می‌رود تا سال ۲۰۲۵ بیش از ۲۰% ارتباطات جهانی را به خود اختصاص دهد [۱]‏. شبکه‌های اینترنت اشیا (‏IoT)‏ بخشی جدایی‌ناپذیر از تکامل 5G از طریق سرویس جدید MTC (‏ارتباطات نوع ماشین عظیم) ‏خواهند بود که سرویس‌های موجود NB-IoT (‏اینترنت اشیاء باند باریک)‏ و LTE-M (‏اصطلاح تکامل Cat-M1) ‏معرفی‌شده در سال ۲۰۱۵ را بهبود می‌بخشد. با توجه به تعداد اتصالات جهانی اینترنت اشیاء که انتظار می‌رود بیش از دو برابر شود تا تقریبا تراکم اتصالات تا یک میلیون دستگاه و یا کیلومتر مربع و بسیار پایین ۲۵ میلیارد ، بین سال‌های ۲۰۱۹ و ۲۰۲۵ ، mMTC برای پشتیبانی از دستگاه‌های هزینه با عملیات و نگهداری بسیار پایین (‏عمر باتری ۱۰ – ۱۵ سال)‏ در نظر گرفته شده‌است [۲]‏.

6 جمع‌بندی

راه‌حل پیشنهاد شده توسط 3GPP برای شبکه‌های بی‌سیم 5G در خصوص حریم خصوصی مشترک مبتنی بر استفاده از یک کلید عمومی (‏HN) ‏است که به UE اجازه می‌دهد هویت مشترک را رمزگذاری کند. تجزیه و تحلیل دقیق پروتکلِ اخیرا پیشنهاد شده‌ی برکن نشان داده‌است که این پروتکل به دلیل استفاده از حفاظت کلید متقارن نمی‌تواند همان سطح حفاظت از حریم خصوصی پروتکل 5G-AKA را فراهم کند. همچنین نشان‌داده شده‌است که پروتکل برکن در معرض حملات LFM قرار دارد.

Abstract

5G technology is called to support the next generation of wireless communications and realize the “Internet of Everything” through its mMTC (massive Machine-Type-Communications) service. The recently standardized 5G-AKA protocol is intended to deal with security and privacy issues detected in earlier generations. Nevertheless, several 5G-AKA shortcomings have been reported, including a possibly excessive computational complexity for many IoT devices. To address these, a promising lightweight 2-pass authentication and key agreement (AKA) protocol for 5G mobile communications has recently been proposed by Braeken. Compared to the 5G-AKA protocol, this does not require the use of public key encryption. This paper analyzes the security claims of Braeken’s protocol and shows that it does not provide full unlinkability, but only session unlinkability, and is (still) subject to Linkability of AKA Failure Messages (LFM) attacks. We propose solutions to such problems and prove that symmetric-key based protocols cannot offer higher privacy protection levels without compromising availability. We then describe an enhanced version of this protocol that addresses these vulnerabilities and supports forward secrecy, which is a desirable feature for low-cost IoT devices.

1 Introduction

Recent advances in wireless and mobile technologies have led to massive growth in mobile services. By the end of 2019, more than 5.2 billion people were subscribed to mobile services, accounting for 67% of the global population. Although currently the 4th Generation (4G) mobile technology is the dominant technology, the evolving 5th Generation (5G) technology is gaining pace and is expected to account for over 20% of global connections by 2025 [1]. The Internet of Things (IoT) networks will be an integral part of the 5G evolution through the new mMTC (massive Machine Type Communications) service, which improves the existing NB-IoT (Narrow Band-IoT) and LTE-M (Long Term Evolution Cat-M1) services introduced in 2015. With the number of global IoT connections expected to more than double, to almost 25 billion, between 2019 and 2025, mMTC is intended to support connection densities of up to one million devices/km2 and ultra-low cost devices, with ultra-low cost operation and maintenance (battery life of 10–15 years) [2].

6 Conclusions

The solution proposed by 3GPP for 5G wireless networks regarding subscriber privacy relies on the use of a public key (of HN) that allows UE to encrypt the subscriber’s identity. A detailed analysis of the recently proposed Braeken protocol has shown that this protocol cannot provide the same privacy protection level as the 5G-AKA protocol because of its use of symmetric-key protection. The Braeken protocol is also shown to be subject to LFM attacks.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

پروتکل 5G-AKA مبتنی بر کلید متقارن پیشرفته

An enhanced symmetric-key based 5G-AKA protocol

بهبود وضعیت مواد در تشخیص حملات امنیت سایبری در سیستم های بی‌سیم 5G با یادگیری ماشین

Improving the state of materials in cybersecurity attack detection in 5G wireless systems using machine learning

چکیده
1 مقدمه
2 مدل سیستم
3 نتایج و بحث‌ها
4 جمع‌بندی‌ها
بیانیه مشارکت در تالیف CRediT
اظهار منافع رقابتی
منابع

چکیده

استفاده از اطلاعات کانال رادیویی در تشخیص حمله دروغین در ارتباطات بی‌سیم 5G مفید می‌باشد. این مفهوم برای طیف وسیعی از کاربردها برای محیط اینترنت اشیا (‏IoT)‏ توسط کاربران و دستگاه‌های اینترنت اشیاء آن‌ها مورد استفاده قرار گرفته‌است. اما چگونگی به حداقل رساندن اثرات تهدیدات سایبری در شبکه‌های واقعا پیچیده هنوز به اندازه کافی مورد توجه قرار نگرفته است. همانطور که در مورد شبکه‌های باند وسیع 5G به دلیل تنوع گسترده‌ای از تکنولوژی در مراحل مختلف انتزاعی وجود دارد این شبکه‌ها به طور جدی در معرض خطر قرار دارند. از آنجا که اینترنت اشیاء 5G محیط 5G ، شامل پس‌زمینه اینترنت اشیاء است در این مقاله ما یک هوش مصنوعی (‏AI)‏ هستیم که برای به حداقل رساندن تاثیر تهدیدات 5G اینترنت اشیاء در زمانی که به شرکت کنندگان درگیر در چند سطح تعمیم داده می‌شود در نظر گرفته شده‌است. این مقاله از الگوریتم احراز هویت مبتنی بر ماشین بردار پشتیبان (‏SVM)‏ مبتنی بر لایه فیزیکی (PHYlayer) برای تشخیص حملات امنیتی احتمالی در ارتباطات بی‌سیم 5G در لایه فیزیکی استفاده می‌کند. این روش در افزایش سرعت احراز هویت با ویژگی‌های تست مورد استفاده قرار می‌گیرد. نرخ تشخیص با ویژگی‌های آماری تست بیشتر بهبود می‌یابد. این مدل بر روی کانال چند ورودی – چند خروجی (‏MIMO) ‏اجرا شده‌است. نتایج شبیه‌سازی نشان می‌دهد که روش پیشنهادی نرخ تشخیص بالایی در تمامی حملات دارد.

1 مقدمه

نسل پنجم (‏5G)‏ ، پهنای باند بالا ، عملکرد بالا و استانداردهای امنیتی را در ۳ سناریوی رایج ارائه می‌دهد: افزایش اتصال موبایل ، وب اشیا در مقیاس وسیع و ارتباطات با تاخیر کم. وضعیت خاص برای پهنای باند تلفن همراه و فرکانس بالا در محیط‌های داخلی یا شهری استفاده می‌شود که در آن سیگنال‌های شبکه تلفن همراه با دامنه وسیع به طور مداوم در مناطق روستایی ایمن هستند. در عین حال نسل ۵ خواستار یکپارچگی طیف وسیعی از دستگاه‌ها و تاسیسات است و این یک ضرورت جدایی‌ناپذیر برای سرویس‌های اینترنت اشیاء است [۳]‏. دستگاه‌های قابل‌حمل دستی به یک شبکه سلولی می‌پیوندند که تضمین می‌کند احراز هویت بی‌سیم نیز به شدت مورد استفاده قرار می‌گیرد. بنابراین رویکردهای شبکه سازی سبک برای اجرای فشرده سناریوهای شبکه‌های 5G اتخاذ می‌شود.

Abstract

The utilization of information from the radio channel is useful in detecting the spoofing attacksin 5G wireless communications. This concept has been used for a wide range of uses for the Internet of Things (IoT) environment by users and their IoT devices. But how these tasks can minimise the effects of cyber threats in genuinely complex networks has not yet been sufficiently addressed. These are seriously exposed, as is the case with 5G broadband networks due to a wide variety of technology at various abstract stages. As 5G IoT is the 5G environment, including the IoT background, in this article, we are an artificial intelligence (AI) intended to minimise the impact of 5G IoT threats, when extended to the participants involved on a number of levels.This paper uses Support Vector Machine (SVM) based PHY-layer authentication algorithm to detect the possible security attacks in 5G wireless communication at physical layer. It is utilized in increasing the rate of authentication with test features. The detection rate is improved further with test statistic features. The model is implemented on multiple-input multiple-output (MIMO) channel. The simulation results shows that the proposed method yield the high detection rate on all attacks.

1 Introduction

The fifth generation (5G) delivers high bandwidth, high performance and security standards in 3 common scenarios: enhanced mobile connectivity, wide-scale stuff web and low-latency connections [1 2]. The special situation for mobile broadband and highfrequency, is used in indoor or urban environments in which wide-ranging mobile network signals are continuously secured in rural areas. Meantime, the 5G calls for a large range of devices and installations to be integrated, and this is an integral necessity for IoT service[3]. Manual portable devices join a cellular network, which ensures that wireless authentication is also heavily employed. Therefore, lightweight networking approaches for intensive deployment scenarios of 5G networks.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

بهبود وضعیت مواد در تشخیص حملات امنیت سایبری در سیستم های بی‌سیم 5G با یادگیری ماشین

Improving the state of materials in cybersecurity attack detection in 5G wireless systems using machine learning

چالش های اساسی درباره بررسی جداسازی برش شبکه در شبکه های 5G

Survey on Network Slice Isolation in 5G Networks: Fundamental Challenges

چکیده
1 مقدمه
2 حالت پیشرفته
2.1 تعریف برش شبکه
2.2 معماری برش شبکه
3 تحقیقات مرتبط
4 چالش های برش شبکه 5G
4.1 تخصیص منابع
4.2 ایزوله سازی و امنیت
4.3 مجازی سازی RAN (شبکه ی دسترسی رادیویی)
4.4 عملکردهای درشت و ریز
4.5 ارکستراسیون (سازمان دهی) برش انتها به انتها
5 نتیجه گیری و جهت گیری آینده
منابع

چکیده

فناوری 5G، آینده¬ ی شبکه ¬های تلفن همراه است و در کشور های مختلف، شبکه های تلفن همراه 5G راه اندازی می شود. موارد استفاده متفاوت شرایط متفاوتی برای نقش و عملکرد شبکه 5G دارند. آنها به عوامل و شبکه های مختلفی نیاز دارند که شامل سرعت داده، تاخیر و مقیاس پذیری است. این شرایط در5G  با استفاده از معماری برش شبکه برآورده خواهد شد که از فناوری مجازی سازی شبکه استفاده می کند. این مقاله حالت های پیشرفته ی مربوط به برش شبکه 5G را مورد تجزیه و تحلیل قرار می دهد، یه تعدادی از مسائل معماری برش شبکه می پردازد، و برخی از سوالات تحقیق باز را مشخص می سازد.

1 مقدمه

فناوری  5G خدمات ارتباطی با سرعت بالایی را ارائه می دهد زیرا برای انتقال داده ها از یک مکان به مکان دیگر از امواج میلی متری استفاده می کند. همچنین،  5G از بسیاری از دستگاه ها پشتیبانی می کند زیرا سرعت شبکه بسیار بالا است با معرفی یک معماری جدید می توان آن را بهبود بخشید و این معماری به عنوان برش شبکه شناخته می شود.  برش شبکه یک فناوری معماری مهم برای 5G  است [2] و [1].

برش شبکه مهمترین مفهوم برای درک شخصی سازی شبکه های تلفن همراه برای کاربران است[3]. اساسا شبکه های منطقی عملاً نمایانگر شبکه فیزیکی واحد 5G  هستند و هر کدام شبکه نامیده می شوند هر برش شبکه دارای عملکرد های شبکه ای خاصی برای ارائه خدمات مختلف برای نیازهای مختلف خواهد بود. برش شبکه چابکی، انعطاف پذیری و مقرون به صرفه بودن کسب و کار را بهتر فراهم می¬سازد.

Abstract

5G technology is the future of mobile networks, and in different countries, 5G mobile networks are launched. Different use cases have different requirements for the function and the performance of 5G network. They would require different types of factors and networks which include data rate, delay and scalability. Those requirements will be met in 5G by using network slice architecture, which uses network virtualization technology The paper will analyze the state-of-the-art 5G network slice, address a number of network slicing architecture issues, and highlight some open research questions.

I Introduction

The 5G technology is providing high-speed communication services because it is using millimeter waves to transfer data from one location to another location. 5G is also supporting many devices because the network speed is very high. It can be improved by introducing a new architecture, and this architecture is known as network slicing. Network slicing is an important architectural technology for 5G [1], [2].

Network slicing is the most important concept to realize personalization of mobile networks for users [3]. Basically, logical networks will be virtually representing the 5G single physical network, and each one called network slice. Every network slice will have specific network functions to provide different services for different requirements. Network slicing offers better business agility, flexibility, and cost-efficiency.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

چالش های اساسی درباره بررسی جداسازی برش شبکه در شبکه های 5G

Survey on Network Slice Isolation in 5G Networks: Fundamental Challenges

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)

امنیت فضای سایبری شهرهای هوشمند آینده با فناوری های نسل پنجم

Securing Cyberspace of Future Smart Cities with 5G Technologies

چکیده

مقدمه

مشارکت ها در این کار

نمای کلی شهرهای هوشمند آتی

یک رویکرد از بالا به پائین برای بررسی آسیب پذیریها، حملات و چالش های امنیت سایبری د ر شهرهای هوشمند آتی

آسیب پذیریها و حملات امنیتی SDR و CR

آسیب پذیریها و حملات امنیتی RFID

آسیب پذیریها و حملات امنیتی WSN

نیازمندیها و توانمندسازهای امنیت شهرهوشمند

بهره گیری از قابلیت های 5G برای شهرهای هوشمند آتی

قابلیت اطمینان و تاب آوری

استاندارد سازی

کارایی انرژی

مقیاس پذیری

قابلیت همکاری

کاربرد مشترک طیف پویای بدون مجوز

نتیجه گیری

چکیده

شهرهای هوشمند آتی قول می دهند کیفیت زندگی را به طور چشمگیری بهبود بخشیده و در سالهای اخیر توجه بسیاری از محققین را به خود جلب کرده اند. یکپارچگی (اینترنت اشیا) IoT با مدلهای سرویس دهی نظیرشان برای مدیریت مطمئن دارایی های شهر، یک چالش مهم به حساب می آید. استقرار فناوریهای متنوع (اینترنت اشیا) IoT و مولفه های معماری مختلف و موجودیت های جدید راه حل های ICT در حال ظهور، موجب بروز تهدیدهای امنیتی و آسیب پذیریهای جدیدی می شود. ارتباط یکپارچه و در مقیاس بزرگ میان فناوریهای متعدد (اینترنت اشیا) IoT تا حدی زیادی به عملکرد فناوریهای دسترسی بی سیم نظیر WSN، SDR، CR و RFID بستگی دارد. در اینجا تاکسونومی های لایه ای موضوعی را مطرح می کنیم تا بتوانیم آسیب پذیریهای امنیتی، حملات و چالش های فناوریهای توانمندکننده (اینترنت اشیا) IoT را روشن کنیم که از توسعه شهرهای هوشمند حمایت می کنند. در این رابطه، نیازمندیهای بالقوه و توانمندکننده های کلیدی که در توسعه شهرهای هوشمند امن نقش حیاتی ایفا می کنند را نیز شناسایی می کنیم. بالاخره، راجع به مسائل باز بحث می کنیم که برای آشکارشدن پتانسیل کامل 5G برای شهرهای هوشمند آتی، بایستی خطاب قرار داده شوند. 

مقدمه

شهرهای هوشمند، از پتانسیل زیادی برای بهبود کیفیت زندگی برخوردارند و آنها یک وعده و قول آینده نگرنیستند، بلکه یک واقعیت می باشند. دولتهای مختلف پروژه های شهر هوشمند را در سرتاسر جهان شروع کرده اند تا به این طریق برخی از چالش های ناشی از تکامل سریع دنیای دیجیتال و رشد سریع شهری سازی (شهرنشینی) را خطاب قرار دهند. علاوه براین، شاهد افزایش تقاضا برای فناوریهای اینترنت اشیاء (IoT) و راه حل های فناوری اطلاعات و ارتباطات (ICT) بوده ایم. امروز، سرویس های زیادی با دستگاه های موبایل هوشمند توانمند شده با IP به  کاربران موبایل (متحرک) تحویل داده شده است. این قبیل روندهای تکنولوژیکی احتمالاً بازارانبوه عظیم و بازیگران کلیدی مختلفی را در جوامع هوشمند جذب می کنند [1]. 

نتیجه گیری

شهرهای هوشمندآتی به خاطر موجودیت های زیرساختی پایه جدیداً مستقر شده و مولفه های معماری که جزئی از آنها هستند، نیازمندیهای جدید امنیت سایبری تحمیل می کنند. (اینترنت اشیا) IoT یک معماری لایه ای است که مبانی و اصول امنیتی وابسته به هر لایه، بر لایه های دیگر اثرگذاشته و به یکدیگر شدیداً وابسته هستند. برای خطاب قرار دادن مسائل امنیتی، رویکرد لایه ای سیستماتیک فناوریهای توانمندکننده (اینترنت اشیا) IoT را مطرح کرده ایم که راه را برای توسعه شهرهای هوشمند آتی ایمن، هموار می سازد. در اینجا، تاکسونومی های لایه ای موضوعی از حملات در هر لایه از شهر هوشمند آتی را مطرح کرده ایم. ضمناً، نیامندیها و توانمندسازهای کلیدی برای تامین امنیت شهرهای هوشمند آتی را نیز روشن کرده ایم. متعاقباً، راجع به مسائل پژوهشی بازی که در آینده برای بکارگیری و مهار قابلیت های 5G بایستی خطاب قرار داده شوند، بحث کردیم، زیرا فناوریهای 5G توسط شهرهای هوشمند آتی پذیرفته شده اند. بالاخره، این گونه استدلال می کنیم که نواحی بحرانی و حساس هر لایه از فناوریهای دسترسی بی سیم در کنار 5G و 6G در حال ظهور بایستی بیشتر مورد پژوهش قرار گیرند تا به این طریق نیازهای امنیتی شهرهای هوشمندی با رشد سریع، خطاب قرار داده شده و کیفیت زندگی بهبود یابد. 

Abstract

Future smart cities promise to dramatically improve the quality of life and have been attracting the attention of many researchers in recent years. The integration of IoT with their corresponding service delivery models to manage a city’s asset securely remains a significant challenge. The deployment of diverse IoT technologies and several architectural components and novel entities of emerging ICT solutions opens up new security threats and vulnerabilities. Large-scale, seamless communication among multiple IoT technologies is highly dependent on the operations of the underlying wireless access technologies such as WSNs, SDR, CR and RFID. We present thematic layered taxonomies to highlight the potential security vulnerabilities, attacks, and challenges of key IoT enabling technologies which underpin the development of smart cities. We also identify potential requirements and key enablers that play a vital role in the development of secure smart cities. Finally, we discuss various open issues that need to be addressed to unlock the full potential of 5G for future smart cities.

Introduction

Smart cities have strong potential to improve the quality of life and they are no longer a futuristic promise but a reality. Several governments have started ambitious smart city projects around the world to address some of the challenges brought about by the rapidly evolving digital world and the fast growth of urbanization. Moreover, we have witnessed an increasing demand for Internet of Things (IoT) technologies and Information and Communications Technology (ICT) solutions. Today, many services are being delivered to IP-enabled smart mobile devices to mobile users. These technological trends are likely to attract a huge mass market and several key players within smart connected communities [1].

Conclusion

Future smart cities are imposing new requirements of cybersecurity because of the newly deployed underlying infrastructural entities and architectural components that are part of them. IoT is a layered architecture where security implications pertaining to any layer can affect other layers and are heavily dependent on each other. To address the security issues, we have presented a systematic layered approach of key IoT enabling technologies which pave the way toward the development of secure future smart cities. We have presented thematic layered based taxonomies of attacks at each layer of a future smart city. We have also highlighted key requirements and enablers to secure future smart cities. Consequently, we discussed open research issues that need to be addressed in the future to harness 5G capabilities as 5G technologies are adopted by future smart cities. Finally, we argue that the critical areas at each layer of various wireless access technologies together with 5G and the emerging 6G must be further investigated to address the security needs of fast-growing smart cities and improve the quality of life.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

امنیت فضای سایبری شهرهای هوشمند آینده با فناوری های نسل پنجم

Securing Cyberspace of Future Smart Cities with 5G Technologies