استخراج و شناسایی بدافزار اندروید بر اساس مجوزها

Mining and Detection of Android Malware Based on Permissions

چکیده
1. مقدمه
2. آثار مرتبط
3. بررسی سیستم
4. طبقه بندی و ارزیابی
5. نتیجه گیری ها
منابع

چکیده
با توجه به توزیع باز اپلیکیشن و وجود بیش از 2 میلیارد کاربر فعال، پلتفرم اندروید کماکان به شکل خام توسط توسعه دهندگان بدافزار به کار گرفته می شود. با توجه به گزارش تهدیداتی McAfee، تعداد گروه های بدافزاری یافت شده در گوگل پلی در سال 2017 تا 30 درصد افزایش داشته است. یکی از مهمترین مکانیزم های محافظتی در برابر بدافزا مدل کنترل دسترسی مبتنی بر مجوز ر است. در این مقاله، مدل جدیدی را که مبتنی بر مجوز را ارائه می کنیم که از مزایای مدل می توان به کارایی و دقت بالا در تشخیص و آنالیز بدافزار اندروید اشاره نمود، همچنین قابلیت بالقوه در شناسایی بدافزار ناشناس قبلی را دارد. در این مدل، انتخاب مشخصه را با معرفی یک روش وزنی جدید به نام TF-IDFCF بهبود می بخشیم که مبتنی بر فرکانس کلاس مشخصه است. نتایج آزمایشات نشان می-دهد که روش ارائه شده دارای نرخ تشخیص بیش از 95.3% با نرخ مثبت کاذب پایین در زمان تست و بررسی با طبقه بندی کننده ها است.

2. آثار مرتبط
با استفاده از ویژگی های مربوط به مجوز تحقیقات زیادی در مورد طبقه بندی بدافزار اندروید انجام می شود. برخی از آثار مربوط به تشخیص بدافزار مبتنی بر مجوز اشاره می شود.

X. Lin و J.Lin چارچوبی را ارائه می کنند که هر دو مجوز درخواست شده و استفاده شده در اپلیکیشن های اندروید را در نظر می گیرد [4]. چارچوب دو تشخیص لایه بندی شده بدافزار است و تکنیک های یادگیری ماشین را به منظور رسیدن به دقت بالا استفاده می کند که این با پتانسیل تشخیص اپلیکیشن های بدافزار اندروید مبتنی بر مجوز همراه است. پ. روولی بهمراه وای ویگفاسن یک معماری ساده سرور- مشتری از سیستم تشخیص بدافزار مبتنی بر مجوز را ارائه می کنند که مجوزهای درخواست شده را چون نشانگرهای رفتاری می بیند [5]. سیستم دارای بخش های بررسی کننده مجوز جانب- مشتری و جانب- سرور است. بخش سمت – مشتری مجوزها را از اپلیکیشن های اندروید استخراج می کند و آنها را به بخش سمت- مشتری ارسال می کند. بخش جانب- مشتری اپلیکیشن ها را همچون بدافزار یا بی خطر طبقه بندی می کند. زد. آنگ و و. ژاو ماشین یادگیری مبتنی بر چارچوب را برای تشخیص اپلیکیشن های مخرب و بهبود امنیت در اندروید مبتنی بر کاربران دستگاهای تلفن همراه ارائه می کنند. این چارچوب مشخصات مختلف مبتنی بر مجوز استخراج شده از اپلیکیشن های اندروید را مونیتور می-کند و یادگیری ماشین را استفاده می کند تا اپلیکیشن ها را در دسته های مخرب و بی خطر طبقه بندی کند. سیستم بهره اطلاعاتی را بعنوان روش انتخاب مشخصه استفاده می کند. آنها مجوزهای بیشتری از اپلیکیشن های مختلف دانلود شده از نشانگرهای اندروید استخراج می کنند تا مدل را تولید کنند. زد. ژیائویان و اف. ژوان سیستم شناسایی بدافزار را ارائه می کنند که فعالیت اپلیکیشن دستگاه تلفن همراه را آنالیز می کند [7]. ویژگی ها استخراج شده روش آنالیز جزء اصلی را چون انتخاب مشخصه استفاده می کند و روش ماشین بردار پشتیبان به منظور آموزش و ساخت طبقه بندی کننده برای تشخیص بدافزار به کار گرفته می شود. با مشارکت کاربران دستگاه های تلفن همراه مبتنی بر اندروید، این چارچوب قادر به طبقه بندی کردن اپلیکیشن های اندروید در دسته های مخرب و بی خطر است. د. آرپ، ام. اشپریزنبارث، ام. هابنر، اچ. گاسکون، ک. ریک، و سی. سایمنز تاکید بر استفاده از روش تشخیص بدافزار اندروید دارند که قابلیت تشخیص اپلیکیشن های بدافزار در گوشی های هوشمند را اجرا می کند [8]. رویکرد از طریق جمع آوری تمامی ویژگی های احتمالی APK اندروید، آنالیز مربوط به استاتیک صفحه را انجام می دهد. این روش کل مشخصات را در فضای برداری مشترک جاسازی می کند و اپلیکیشن های مخرب را بطور خودکار شناسایی می کند. از مزیت های این رویکرد می توان به بهره وری زمان در آنالیز اپلیکیشن های ناشناخته اشاره کرد. روش را می توان بصورت مستقیم روی دستگاه های تلفن همراه استفاده کرد، و عمل محفاظت از راه-اندازی در برابر منابع غیرمطمئن اجرا می شود. عافر و همکاران مطالعه را از طریق آنالیز بدافزار برای استخراج مشخصات مربوط به بدافزار و رفتار انجام شده در سطح API انجام می دهند، آنها طبقه بندی کننده های یادگیری ماشین سبک- وزن و قدرتمند را با استفاده از مجموعه داده ها آموزش می دهند، داده ها از مجموعه ویژگی های بهره برداری شده حاصل می شود [9]. نتایج تجربی آنها به کمک طبقه بندی کننده KNN نشان از یک TPR با 99% و 2.2% است.

آینده بلاک چین برای امنیت اینترنت اشیا: یک مقاله موقعیت

A blockchain future for internet of things security: a position paper

چکیده
1. مقدمه
3. بحث و بررسی
4. زنجیره‌ی بلوکی برای IoT
5. آینده‌ای با زنجیره‌ی بلوکی؟
منابع

چکیده
دستگاه‌های اینترنت اشیا به‌طور فزاینده‌ای در زمینه‌های غیرنظامی و نظامی، از شهرهای هوشمند و شبکه‌های هوشمند گرفته تا اینترنت پزشکی اشیا ، اینترنت رسانگرها ، اینترنت نظامی اشیا ، اینترنت میدان نبرد اشیا و غیره، دیده می‌شوند. در این مقاله به بررسی و مرور مقالاتی در زمینه‌ی راه‌حل‌های امنیتی IoT پرداخته‌ایم که از ژانویه‌ی سال 2016 به زبان انگلیسی چاپ شده‌اند. از مشاهدات ما، عدم وجود مجموعه‌داده‌های IoT با دسترسی عمومی، جهت استفاده در جوامع تحقیقاتی و شغلی است. با توجه به ماهیت حساس بالقوه‌ی مجموعه‌داده‌های IoT، نیاز به تدوین و توسعه‌ی استاندارد اشتراک‌گذاری مجموعه‌داده‌های IoT میان جوامع تحقیقاتی و شغلی و سایر ذینفعان احساس می‌شود. بنابراین، ابتدا به پتانسیل فن‌آوری زنجیره‌ی بلوکی در تسهیل امنیت اشتراک‌گذاری مجموعه‌داده‌های IoT (مثلاً استفاده از زنجیره‌ی بلوکی برای اطمینان از یکپارچگی مجموعه‌‌داده‌های به اشتراک گذاشته شده) و امن کردن سیستم‌های IoT، قبل از ارائه‌ی دو روش مفهومی مبتنی بر زنجیره‌ی بلوکی پرداخته‌ایم. در انتهای این مقاله، 9 سوال تحقیقاتی بالقوه ارائه کرده‌ایم.

2. بررسی و مرور IoT موجود و روش‌های امنیتی مربوطه
2.1. روش‌های شناسایی و پیشگیری از نفوذ
طراحان بدافزار امروزی و مهاجمین سایبری خلاق و نوآور بوده و به‌طور مداوم به‌دنبال دور زدن اقدامات موجود هستند (برای مثال، تولید نسخه‌های مختلف بدافزار با استفاده از جهش ). اکثر روش‌های IDS و IPS موجود برای شناسایی تلاش‌های دسترسی غیرمجاز و حملات محروم‌سازی از سرویس توزیع‌شده طراحی شده‌اند. به‌عنوان مثال، آل‌سونبول و همکاران [11] یک سیستم دفاعی شبکه برای شناسایی و پیشگیری از تلاش‌های دسترسی غیرمجاز، با تولید پویای پروتکل جدید جهت جایگزینی پروتکل استاندارد ارائه کرده‌اند. هدف این امر، مغشوش کردن تلاش‌های پویش است. همچنین مسیر شبکه متناوباً برای جلوگیری از دسترسی غیرمجاز و پویش ترافیک تغییر می‌کند. با این حال، تعداد بسته‌های تولیدی می‌تواند بیش از حد باشد. در روش زیتا ، نرودا و وویتک [19]، از رزپری ‌پای 3 برای امن کردن بازخوان‌های سامانه‌ی بازشناسایی با امواج رادیویی فرکانس‌ فرابالایی استفاده شده که از پروتکل بازخوان سطح‌پایین استفاده می‌کنند. به‌طور خاص، دو نرم‌افزار Fail2ban و سوریکاتا به‌دلیل عملکرد و مقیاس‌پذیری بالا به‌عنوان راه‌حل انتخاب شدند. Fail2ban از معماری پیچیده پشتیبانی می‌کند؛ بنابراین، مناسب پیاده‌سازی در محیط ابری با حسگرها و سرورهای متعدد است. عملکرد سوریکاتا بهتر از اسنورت بوده و پردازش چندریسمانی مورد نیاز CPU چندهسته‌ای رزبری پای 3 را فراهم می‌کند. پارک و آن [50] شناسایی و عملکرد اسنورت و سوریکاتا را هنگام مواجهه با حملات DoS را تحلیل و مقایسه کرده و نتیجه گرفتند مصرف CPU اسنورت کمتر است. هرچند، سوریکاتای چندریسمانی عملکرد شناسایی تک‌هسته‌ای و چندهسته‌ای بهتری دارد.

در ادامه به بررسی سامانه‌های شناسایی و/یا پیشگیری از نفوذ پرداخته‌ایم. برای سادگی از IDPS جهت ارجاع به سامانه‌های شناسایی و/یا پیشگیری از نفوذ استفاده شده است.

2.1.1. طبقه‌بندی بر اساس روش‌ها
رمزنگاری یک روش رایج است که برای تامین محرمانگی و یکپارچگی داده، همانند روش‌های امنیتی چندلایه‌ای گزارش شده در [27، 32]، استفاده می‌شود. به‌طور خاص، چانگ و راماچاندران [27] یک راه‌حل امنیتی چندلایه برای محاسبات ابری پیشنهاد داده‌اند. اولین لایه‌ی امنیتی، دیوار آتش و کنترل دسترسی است که برای اطمینان از دسترسیِ تنها کابران مجاز و معتبر به سیستم‌ها و داده‌ها، طراحی شده است. وظیفه‌ی لایه‌ی دوم، مدیریت هویت و پیشگیری از نفوذ، جهت شناسایی مجدد کاربران و حذف تمامی پرونده‌های مخرب شناسایی شده، است. لایه‌ی سوم رمزنگاری همگرا است که یک خط‌مشی امنیتی از بالا به پایین را ارائه می‌دهد. برای ارزیابی روش پیشنهادی، نویسندگان آزمایش نفوذ روی 10 پتا‌بایت داده از مراکز داده انجام داده‌اند. با توجه به نتایج آزمایش، زمان مورد نیاز برای بازیابی بعد از تلاش دسترسی غیرمجاز حداقل 125 ساعت است. مککائوئی و همکاران [32] یک مدل امنیتی و حفظ حریم شخصی ابری چندلایه ارائه کرده‌اند که شامل پنج لایه است: لایه‌ی امنیت فیزیکی و محیطی ، لایه‌ی امنیتی زیرساخت ابری ، لایه‌ی امنیتی شبکه ، لایه‌ی داده و لایه‌ی کنترل دسترسی و مدیریت امتیاز .

رمزنگاری مبتنی بر ویژگی (ABE) با ورودی کمکی بهبود یافته برای امنیت داده های بزرگ

ABE with improved auxiliary input for big data security

چکیده
1 مقدمه
2 پیشینه
3 ABE با ورودی کمکی بهبودیافته
4 ساخت و ساز CP-ABE با ورودی کمکی بهبود یافته
5 ساخت KP-ABE با ورودی کمکی بهبود یافته
6 نتیجه‌گیری
منابع

چکیده
رمزنگاری مبتنی بر ویژگی (ABE) توسط اتحادیه امنیت ابری (CSA) به عنوان یکی از ابزارهای رمزگذاری  احتمالی برای کنترل دسترسی در برنامه‌های کاربردی کلان داده توصیه شده است. در ABE فایل اشتراکی می‌تواند با سیاستی مشخص تنها یک بار رمزگذاری شود و توسط هر گیرنده‌ای که ویژگی‌های آن ارضا شده باشد می‌تواند رمزگشایی شود. هنگامی که ABE در برخی از سناریوهای شبکه باز مستقر شود به طور ناگریز توسط حملات کانال‌های جانبی تحت حمله قرار می‌گیرد زیرا کلان داده‌ها از نقاط انتهایی متنوعی می‌آیند. در این مقاله ما طرح‌های CP-ABE و KP-ABE مقاوم در برابر نشت را در مدل ورودی کمکی بهبود یافته ارائه می‌دهیم که به مهاجم اجازه می‌دهد تا به پرس و جو  اطلاعات نشتی بیشتری با توجه به تصادفی بودن رمزنگاری پس از مشاهده چالش متن رمزنگاری شده  بپردازد. علاوه بر این، ما یک استخراج‌کننده قوی بهبود یافته از قضیه اصلاح شده لوین – گلدریچ  را برای اثبات امنیت ساخته‌ایم و ثابت کرده‌ایم که امنیت طرح ما متکی به ساخت و ساز ونگ  و همکاران است.

2-2 ساختار دسترسی
تعریف زیر توسط [32] ارائه شده است:
تعریف 2 (ساختار دسترسی): فرض کنید که مجموعه‌ای از ویژگی‌ها باشد. ما یک مجموعه مجاز یکنواخت بر روی شرایط را تعریف می‌کنیم که در آن است و آنگاه است. یک مجموعه یکنواخت به شکل یک ساختار دسترسی یکنواخت است که یک مجموعه غیرخالی از زیرمجموعه‌های است. اگر مجموعه‌ها در نباشند، آنگاه آنها مجموعه‌های غیرمجاز هستند.

تعریف LSS را می‌توان در [32] یافت. از بحثی که در [32] صورت گرفته است دریافتیم که هر طرح LSSS، با نام Π برای ساختار دسترسی را می‌توان برای بازسازی خطی استفاده کرد. فرض کنید که مجموعه‌ای ‌‌مجاز باشد و فرض کنید که به شکل باشد. آنگاه اگر سهم‌هایی معتبر از هر در Π باشند آنگاه ثابت‌هایی به شکل وجود دارند به طوریکه خواهد بود. این را می‌توان در زمان چندجمله‌ای یافت.

3- ABE با ورودی کمکی بهبودیافته
1-3 تعریف
یک طرح CP-ABE برای یک ساختار دسترسی یکنواخت کلی A از چهار الگوریتم PPT به صورت زیر تشکیل شده است:
1- راه‌اندازی : الگوریتم راه‌اندازی پارامتر امنیتی ƛ را به عنوان ورودی دریافت می‌کند و خروج‌های آن جفت کلید رمز/عمومی ارباب به شکل (MPK,MSK) است.
2- این الگوریتم ویژگی مجموعه S و کلید رمز ارباب MSK را به عنوان ورودی دریافت می‌کند و خروجی‌ آن یک کلید رمز SKk است.
3- رمزگذاری (M,A): الگوریتم رمزگذاری یک ساختار دسترسی یکنواخت A را می‌گیرد و پیام M به عنوان ورودی است و خروجی‌ آن یک متن رمزنگاری شده به شکل CT است.
4- رمزگشایی (CT,SK): این الگوریتم یک متن رمزنگاری شده CT را برای سیاست دسترسی A و کلید رمز SK را برای مجموعه S به عنوان ورودی می‌گیرد و خروجی آن در صورتی M است که ویژگی‌های مجموعه S، A را ارضا کنند.

رمزگذاری بر اساس ویژگی های متن رمزی

Ciphertext-Policy Attribute-Based Encryption

چکیده
1 مقدمه
2 تحقیقات مرتبط
3 پیش‌زمینه
4 ساختار سیستم ما
5 پیاده‌سازی
6 نتیجه‌گیری و جهت گیری های آزاد
منابع

چکیده
در سیستم‌های توزیع‌شده متعدد، کاربر باید تنها در صورت داشتن مجموعه مشخصی از گواهی‌نامه‌ها یا ویژگی‌ها، به داده‌ها دسترسی داشته باشد. در حال حاضر، تنها روش جهت اجرای این سیاست‌ها، استفاده از یک سرور مطمئن جهت نگهداری داده‌ها و واسطه قرار دادن کنترل دسترسی است. بااین‌حال، درصورتی‌که هر نوع سرور نگهدارندِ داده‌ها با خطر مواجه شود، در این صورت محرمانگی داده‌ها با خطر مواجه خواهد شد. ما در این مقاله، سیستمی را جهت تحقق کنترل دسترسی پیچیده بر روی‌ داده‌های رمزنگاری‌شده ارائه می‌کنیم که آن را رمزنگاری مبتنی بر ویژگی سیاست متن رمزی نام‌گذاری می‌کنیم. می‌توان با استفاده از تکنیک‌های خود، داده‌ها را به‌صورت محرمانه حتی در صورت قابل‌اطمینان نبودن سرور ذخیره، حفظ کرد؛ علاوه براین، روش‌های ما در برابر حملات تبانی امن خواهند بود. سیستم‌های رمزنگاری مبتنی بر ویژگی از ویژگی‌هایی جهت بیان داده‌های رمزنگاری‌شده استفاده کرده و سیاست‌هایی را در کلیدهای کاربر ایجاد کردند؛ درحالی‌که ویژگی‌های سیستم ما به‌منظور بیان گواهی‌نامه‌های کاربر مورداستفاده قرارگرفته و گروهی که اقدام به رمزنگاری داده‌ها می‌کند، سیاستی را در مورد افراد واجد شرایط جهت رمزگشایی تعیین می‌کند. بنابراین، روش‌های ما ازنظر مفهومی به روش‌های کنترل دسترسی مرسوم مانند کنترل دسترسی مبتنی بر نقش (RBAC) نزدیک‌تر هستند. علاوه براین، ما پیاده‌سازی سیستم خود را ارائه کرده و اندازه‌گیری‌های عملکردی خود را نشان می‌دهیم.

2- تحقیقات مرتبط
ساهای و واترز رمزنگاری مبتنی بر ویژگی (ABE) را به‌عنوان ابزاری جدید برای کنترل دسترسی رمزنگاری‌شده معرفی کردند. در یک سیستم رمزنگاری مبتنی بر ویژگی، متن‌های رمزی لزوماً نسبت به یک کاربر مشخص همانند رمزنگاری کلیدی عمومی معمول رمزنگاری نمی‌شوند. از طرف دیگر، رمزهای شخصی کاربران و متن‌های رمزی مرتبط با مجموعه‌ای از ویژگی‌ها یا یک سیاست نسبت به ویژگی‌ها خواهند بود. یک کاربر هنگامی قادر به رمزگشایی از یک متن رمزی خواهد بود که بین رمز شخصی او و متن رمزی، تطابق وجود داشته باشد. ساهای و واترز در سیستم اصلی خود، یک سیستم ABE نهایی را ارائه کردند که طی آن متن‌های رمزی با مجموعه‌ای از ویژگی‌های S برچسب‌گذاری شده و رمز شخصی یک کاربر با پارامتر نهایی k و مجموعه دیگر ویژگی‌های S’ مرتبط می‌شود. به‌منظور رمزگشایی یک متن رمزی از سوی کاربر، لازم است تا حداقل k ویژگی میان متن رمزی و رمزهای شخصی او همپوشانی داشته باشند. یکی از انگیزه‌ها و اهداف اصلی این موضوع، طراحی یک روش رمزنگاری هویت محور (یا فازی) تحمل‌کننده خطا بوده است که می‌تواند از هویت‌های بیومتریک استفاده کند.

مانع اصلی سیستم ABE آستانه‌ای ساهای-واترز در این مورد است که معناشناسی نهایی چندان گویا نبوده و ازاین‌رو با محدودیت‌هایی جهت طراحی سیستم‌های جامع‌تر مواجه است. گویال و همکاران ایده سیستم رمزنگاری مبتنی بر ویژگی سیاست کلیدی جامع‌تری را معرفی کردند. در ساختار آنها، یک متن رمزی مرتبط با مجموعه‌ای از ویژگی‌ها بوده و کلید کاربر می‌تواند مرتبط با هر ساختار درخت دسترسی یکنواخت باشد. می‌توان ساختار موردنظر گویال و همکاران را به‌صورت رویکرد تعمیم‌یافته تکنیک‌های ساهای-واتر دانست که طی آن به‌جای قرار دادن روش به اشتراک‌گذاری داده‌های مخفی شامیر در رمز خصوصی، فرد روش به اشتراک‌گذاری کلی‌تری را برای درخت‌های دسترسی یکنواخت ارائه می‌کند. همچنین گویال و همکاران امکان ارائه یک روش ABE سیاست متن رمزی را پیشنهاد دادند، اما هیچ ساختاری را ارائه نکردند.

پیرتی و همکاران پیاده‌سازی سیستم رمزنگاری ABE آستانه‌ای را ارائه کرده و کاربردهای مختلف روش رمزنگاری مبتنی بر ویژگی را نشان داده و چندین مفهوم اجرایی مانند لغو کلید را بیان کرده‌اند. چیس در تحقیق اخیر خود ساختاری را برای یک سیستم رمزنگاری مبتنی بر ویژگی چند نهادی ارائه کرده است که طی آن هر نهاد طیف مختلفی از ویژگی‌ها را مدیریت می‌کند. چالش اصلی در ایجاد ABE چند نهادی، جلوگیری از حملات تبانی میان کاربرانی است که مؤلفه‌های کلیدی را از نهادهای مختلف به دست می‌آورند. هرچند که سیستم چیس از سیستم ABE آستانه‌ای به‌عنوان سیستم ABE اصلی خود در هر نهاد استفاده کرده است، مسئله ABE چند نهادی به‌طورکلی با یافتن سیستم‌های ABE گویاتر، تلاقی دارد.

طبقه بندی و بررسی حملات منع سرویس لایه کاربردی

Application-layer denial of service attacks: taxonomy and survey

چکیده
1 مقدمه
2 حملات DoS در سطح لایه کاربردی
3 رده‌بندی حملات DoS در سطح لایه کاربردی
4 نمونه‌هایی از حملات DoS در سطح لایه کاربردی
5 نتیجه‌گیری و پزوهش‌های آینده
منابع

چکیده
اخیرا افزایش حملات منع سرویس (DoS)  در سطح لایه کاربردی، توجه زیادی را از سمت جوامع پژوهشی حوزه امنیت به سمت خود جلب کرده است. از انجاییکه حملات DoS در سطح لایه کاربردی معمولا خود را در سطح شبکه نشان نمی‌دهند، مانع شناسایی شبکه لایه-محور سنتی می‌گردند. بنابراین، جوامع پژوهشی تمرکزشان را روی شناسایی حملات DoS در سطح لایه کاربردی خاص و مکانیسم‌های کاهش آن قرار می‌دهند. به هر حال، ایجاد مکانیسم‌های دفاعی کارامد و موثر در برابر چنین حملاتی، نیازمند درک کاملی از حملات کنونی DoS در سطح لایه کاربردی تحت شرایط یکپارچه است. بنابراین، در این مقاله ما این موضوع را مد نظر قرار داده و طبقه بندی حملات DoS در سطح لایه کاربردی مطرح را می‌کنیم. از طریق طراحی این طبقه بندی پیشنهادی، پژوهشگران درک بهتری از این حملات بدست اورده و مبنایی برای سازماندهی تلاش‌های پژوهشی در این حوزه خاص صورت می‌گیرد.

2- حملات DoS در سطح لایه کاربردی
با توجه به فرسودگی منابع، حملات DoS، طیف گسترده‌ای از قابلیت‌های متنوع را برای خالی‌کردن منابع در هر لایه از طرح TCP/IP سنتی ایجاد می‌کند. شکل 1، نمونه‌هایی از جملات DoS را نشان می‌دهد که به طور سنتی در سطوح مختلف طرح TCP/IP قابل مشاهده است.

از لحاظ تاریخی، حملات DoS، دائما در میان تهدیدهای اینترنتی وجود دارد. این حملات، لایه‌های شبکه و نقل و انتقالات را مورد حمله قرار می‌دهد که این لایه‌ها به دلیل سادگی و کارایی اجرای ان‌ها، غالب هستند. اما، به دنبال پیشرفت سریع زیرساخت‌های شبکه، حملات ساده، کارای‌شان کمتر شده است. اگرچه حملات سیل‌آسا به عنوان یک روش مختل‌کننده بادوامی است، اما حملات DoS به ندرت فراتر از ظرفیت کامل شبکه صورت می‌گیرند زیرا هدف، اغلب موارد قبل از تکمیل ظرفیت دچار نقض می‌گردد.

این روند باعث تقویت توسعه حملات DoS در سطح لایه کاربردی می‌گردد، که تبدیل به یکی از دسته‌بندی‌های سریع می‌گردد که نماینده بیش از 20% تمام حملات در سال 2013 بوده است (پرولکسیس، 2013). رشد وقوع حملات DoS در سطح لایه کاربردی در طول سال‌ها، در شکل 1 آورده شده است.

این دسته‌بندی جدید از حملات، مشخصا لایه کاربردی را هدف قرار داده و برنامه‌های کاربری را بدون تحت تاثیر قرار دادن منابع شبکه، تغییر می‌دهد. چندین مشخصه منحصر به فرد وجود دارد که باعث می‌شود‌ حملات DoS در سطح لایه کاربردی، نسبت به حملات DoS سنتی برجسته باشد:

فناوری های حفاظت از امنیت و حریم خصوصی در ایمن سازی برنامه های بلاک چین

Security and privacy protection technologies in securing blockchain applications

چکیده
1 مقدمه
2 مروری بر بلاک چین
3 نظارت امنیتی
4 حفظ حریم خصوصی
5 مبادله داده
6 بحث و تحقیقات آینده
7 نتیجه گیری ها
منابع

چکیده
بلاک چین بعنوان یک فناوری کلیدی به منظور ایجاد شبکه های اعتماد و اجرای ارتباطات متقابل ارزشی موردتوجه زیادی قرار گرفته است. موارد استفاده فنی زیادی برای بلاک چین ها در زمینه های مختلفی مانند سیستم های ارز دیجیتالی، اینترنت اشیا (IOT)، شبکه های هوشمند، عرضه بلاک چین و امور مالی وجود دارد. با این حال، کاربرد گسترده بلاک چین نیز با مباحث امنیتی و حریم خصوصی مواجه است. این مقاله مرور و تحلیلی از حفظ حریم خصوصی، نظارت بر امنیت و تبادل داده در برنامه های مبتنی بر بلاک چین ارائه می دهد و تحلیل جامعی از کاربرد گسترده بلاک چین ارائه می دهد. علاوه بر این، جهت های تحقیقاتی آینده بلاک چین و روندهای توسعه را مورد بحث قرار می دهد. 

2- مروری بر بلاک چین
2-1- طبقه بندی بلاک چین
بلاک چین ها براساس تفاوت در مجوزهای خواندن و نوشتن و مجوزهای مدیریت داده به بلاک چین های عمومی، بلاک چین های مشارکتی (کنسرسیوم) و بلاک چین های خصوصی تقسیم می شوند که رایج ترین روش طبقه بندی است. ویژگی های بلاک چین عمومی، بلاک چین مشارکتی و بلاک چین خصوصی در ادامه معرفی می شوند.

بلاک چین عمومی: بلاک چین های عمومی نیز که با عنوان بلاک چین های بدون مجوز شناخته شده اند، دارای یک مجوز متمرکز نیستند. داده های مرتبط شامل مجموعه دسترسی های خواندن و نوشتن نمی شوند. هر گره در شبکه در هر زمان قابل دسترسی است و همه گره ها می توانند آزادانه در تراکنش های بلاک چین مشارکت کنند. آنها به طور کلی بعنوان بلاک چین هایی با عدم تمرکز کامل، ناشناس بودن زیاد و مقاومت در برابر دستکاری در نظر گرفته می شوند. بلاک چین های عمومی در مرکز بسیاری از برنامه های محبوب مانند بیت کوین قرار دارند.

بلاک چین مشارکتی: بلاک چین های مشارکتی نیز بعنوان بلاک چین های مجاز شناخته می شوند که بین بلاک چین های عمومی و بلاک چین های خصوصی قرار دارند. آنها یک روش غیرمتمرکز جزئی در ساختار در نظر می گیرند و به صورت مشترک توسط چندین شرکت یا نهاد مدیریت می شوند [20]. این شرکت کنندگان باید از قبل ثبت نام کنند و احراز هویت کنند و پیوستن به یک گره نیاز به مجوز سایر اعضای کنسرسیوم دارد. بلاک چین های کنسرسیوم در مقایسه با بلاک چین های عمومی شامل گره های مشارکتی کمتر هستند. این داده ها توسط شرکت کنندگان احراز هویت شده ای که حق دارند داده ها را بخوانند، ثبت و حفظ می شود.

آنالیز رمز پروتکل احراز هویت برای محیط اینترنت اشیا (IOT) به کمک ابر

Cryptanalysis of Authentication Protocol for Cloud Assisted IoT Environment

چکیده

1 مقدمه

2 طرح پیشنهادی لی و همکاران

3 تحلیل

4 نتیجه گیری و تحقیقات آینده

منابع

چکیده

امروزه حسگرها به دلیل مزایایی مانند هزینه کم، نگهداری اندک، محیط خصمانه و سایر موارد در برنامه های کاربردی مبتنی بر بی سیم نقش مهمی ایفا می کنند. از سوی دیگر فناوری های مبتنی بر ابر روز به روز در حال افزایش هستند تا به منظور پردازش بخش بزرگی از داده در زندگی افراد حضور داشته باشند. همچنین اینترنت اشیاء (IOT) با استفاده از حسگرها برای برنامه های کابردی مختلف مبتنی بر اینترنت و اتصال به آنها از طریق ابر مسیری باز می کند. موضوع اصلی در تمام این فناوری ها احراز هویت است یعنی کاربر از راه دور بتواند به سرور دسترسی داشته باشد و از طریق کانال ناامن احراز هویت انجام دهد. در حال حاضر، لی و همکاران طرح احراز هویت را در محیط مبتنی بر IOT با استفاده از حسگرها پیشنهاد کردند و ادعا کردند که در برابر حملات مختلف ایمن است. با این حال، ما در این تحقیق این طرح پیشنهادی را تحلیل کرده ایم و ثابت کرده ایم که هنوز مستعد کنترل کلید، هماهنگ سازی زمان و تایید کننده سرقت شده است. علاوه بر این، هزینه سرباری برای تایید وجود خواهد داشت که می تواند باعث حمله DoS برای راه اندازی بزرگ شود. 

3 تحلیل
ما در این بخش تحلیل مربوط به لی و همکاران [47] را به صورت زیر آورده ایم.
کنترل کلید: اینطور گفته می شود که اگر یک طرف موجودیت بتواند کلید جلسه را تنظیم کند، این طرح در برابر حمله کنترل کلید آسیب پذیر است. در طرح پیشنهادی لی و همکاران دستگاه سنجش (SD_j ) مرحله h(N_sd∥K_gs) را انجام می دهد که در آن هر دو متغیر تنها با SD_j انتخاب می شوند. بنابراین، طرح پیشنهادی لی و همکاران نسبت به حمله کنترل کلید آسیب پذیر است.

همگام سازی زمان: اینطور گفته می شود که اگر نیاز باشد که موجودیت های درگیر از ساعت یکسانی استفاده کنند، در برابر همگام سازی زمانی بیمه می شوند. در طرح پیشنهادی لی و همکاران، U_i و SD_j نیاز به ساعت مشابهی برای تایید تمام ارتباطات پیام دارند. بنابراین، هرگونه تاخیر در پیام و همچنین همگام سازی ساعت یکسان نیاز به پشتیبانی مداوم اینترنت دارد. بنابراین، طرح پیشنهادی لی و همکاران در برابر حمله همگام سازی زمانی آسیب پذیر است.

حمله تکراری: اینطور بیان می شود که اگر ارسال پیام مشابه دیر تشخیص داده شود، در برابر حمله تکراری ایمن خواهد بود و نیاز به قدرت محاسباتی موجودیت های درگیر دارد. نسخه گسترده تر این حمله باعث حمله انکار سرویس (DoS) می شود. در طرح پیشنهادی لی و همکاران، عملیات موردنیاز به صورت زیر هستند.

تغییر پارادایم مبادله ای در تولید اعداد شبه تصادفی امن رمزنگاری بر اساس لگاریتم گسسته

A tradeoff paradigm shift in cryptographically-secure pseudorandom number generation based on discrete logarithm

چکیده
1 مقدمه و مفاهیم پایه
2 مطالعات مرتبط
3 CSPRNG پیشنهاد شده: طراحی و اجرا
4 فضای رابطه جایگزینی
5 ارزیابی ها
6 نتیجه گیری ها و پیشنهاداتی برای مطالعات آینده
منابع

چکیده
ایجادکنندگان عدد شبه تصادفی لگاریتمی گسسته یک کلاس رایج از ایجادکنندگان عدد شبه تصادفی با ایمنی رمزنگاری (CSPRNG) هستند. در این نوع ایجادکنندگان، پارامتر امنیت هم روی ایمنی و هم روی عملکرد تأثیرگذار است. این به پیچیدگی طراحی می افزاید چون یک رابطه جایگزینی بحرانی را در بین امنیت و عملکرد ایجاد می کند. ما در تحقیق حاضر تلاش می کنیم که پارادایم رابطه جایگزینی امنیت-عملکرد را در این حیطه تغییر دهیم. برای این منظور، اصلاحاتی را برای ایجادکننده عدد شبه تصادفی جنارو (Gennaro) پیشنهاد می کنیم و در توابع سخت هسته و دریچه، عملیات های مبتنی بر کلمه را با عملیات های منطقی مبتنی بر بیت جایگزین می کنیم. امنیت ایجادکننده ما (درست مانند ایجاد کننده جنارو) بر مبنای سختی یک متغیر ویژه از مسئله لگاریتم گسسته است. ما بین متغیر ویژه این مسئله لگاریتم گسسته و مسئله استاندارد، هم ارزی ایجاد می کنیم. ما همچنین اثبات می کنیم که در ایجادکننده اصلاح شده، عملکرد تقریباً از پارامتر امنیت مستقل است چون عملیات های منطقی را در سطح رجیستر (ثبت نام) و بدون تداخل واحد حساب و منطق (ALU) می توانیم انجام دهیم. این امر سبب تسهیل رابطه جایگزینی امنیت-عملکرد می گردد و طراحان را قادر می سازد که با انعطاف پذیری بیشتری در فضای رابطه جایگزینی مانور دهند. ما ایجادکننده پیشنهادی خود را اجرا و ارزیابی می کنیم و امنیت آنرا نیز اثبات می کنیم. ایجادکننده عدد شبه تصادفی با ایمنی رمزنگاری (CSPRNG) ما بر حسب آزمون های تصادفی در مجموعه NIST SP 800-22، تصادفی شناخته می شود.

2- مطالعات مرتبط
در این بخش، مطالعات پژوهشی مرتبط را معرفی و مرور می کنیم تا بتوانیم شکافی که قصد پر کردن آنرا داریم را روشن سازیم. در این مقاله یک DL-CSPRNG را پیشنهاد می کنیم که می توانیم آنرا به عنوان متغیر اصلاح شده ای از PRNG جنارو در نظر بگیریم. در این بخش مطالعات پژوهشی مرتبط را مرور کنیم. با شروع از بخش 2.1 حیطه مرور مطالعات را در بخش های بعدی محدودتر می سازیم و آنرا به موضوعات مقاله حاضر نزدیک تر می سازیم. در بخش 2.5 ، PRNG جنارو را مطالعه می کنیم و آنرا با PRNGr پیشنهادی خود مقایسه می کنیم. در بخش 2.6 هم مطالعات پژوهشی متمرکز بر رابطه جایگزینی امنیت-عملکرد را مرور می کنیم. و در نهایت، در بخش 2.7 یک نیچ در مطالعات مرتبط را مشخص می سازیم که انگیزه انجام مقاله حاضر را از آن گرفتیم.

2-1 ایجادکنندگان اعداد تصادفی حقیقی (TRNG)
در سال های اخیر ایجادکنندگان اعداد تصادفی حقیقی (TRNG) مورد توجه جامعه پژوهشی قرار گرفته است [24]. آنها به منابع فیزیکی و طبیعی تصادفی بودن – از قبیل نویز [25] یا عدم اطمینان در تکنولوژی های ساخت [26] – وابسته هستند. آنها معمولاً در سخت افزار و با استفاده از تکنولوژی های اجرایی مختلفی همچون نیمه رسانا-اکسید فلز مکمل (CMOS) [27] و آرایه دروازه قابل برنامه ریزی میدانی (FPGA) [28] اجرا می شوند. در ضمن ممکن کنندگان مختلفی همچون نظریه آشوب [29] و نظریه اطلاعات [30] در طراحی ایجادکنندگان اعداد تصادفی حقیقی (TRNG) استفاده می شوند. خصوصاً یک روند پژوهشی جدید، استفاده از فوتونیک در طراحی ایجادکنندگان اعداد تصادفی حقیقی (TRNG) است [31,32]. این تکنولوژی، طراحی ایجادکنندگان اعداد تصادفی حقیقی (TRNG) با عملکرد بالا را ممکن می سازد [33]. هم امنیت [34] و هم عملکرد [35] این ایجادکنندگان اعداد تصادفی، مورد توجه محققان قرار گرفته اند.

2-2 PGNG های فاقد رمزنگاری
مطالعات پژوهشی چندین PRNG را بدون اثبات امنیت، معرفی می کنند. رویکردهای مختلفی برای طراحی این PRNG ها پیشنهاد شده است که برخی از آنها عبارتند از: رویکردهای مبتنی بر حساب پیمانه ای [36] و همخوانی [37]، رویکردهای مبتنی بر هوش مصنوعی [38] و الگوریتم های تکاملی [39]، و رویکردهای مبتنی بر نظریه آشوب [40]، ماشین های سلولی [41] یا معادلات بازگشتی [42]. PRNG هایی از این نوع را می توانیم در نرم افزار [43] یا سخت افزار [44] اجرا کنیم. مطالعات اهمیتی به امنیت رمزنگاری این PRNG ها نمی دهند و اغلب مطالعات روی عملکرد آنها تمرکز کرده اند [45].

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.

eHAPAC: یک مدل کنترل دسترسی با پشتیبانی از حریم خصوصی برای شبکه های حسگر بی سیم دارای IP

eHAPAC: A Privacy-Supported Access Control Model for IP-Enabled Wireless Sensor Networks

چکیده
1 مقدمه
2 آثار مرتبط
3 بیان مسئله
4 ساختار EHAPAC
5 تحلیل امنیتی
6 ارزیابی عملکرد
7 نتیجه‌گیری
منابع

چکیده
پیاده سازی فناوری IP در شبکه های حسگر بی سیم باعث توسعه بسیاری از سناریوهای هوشمند شده است.. به منظور افزایش دسترسی امن در شبکه‌های WSN مبتنی بر IP، کنترل دسترسی در گره‌های حسگر به عنوان مرحله مهمی است. به هر حال، در حال حاضر، کنترل دسترسی با دو چالش روبرو است، که عبارتند از قابلیت اجرا، و حفظ حریم خصوصی دسترسی کاربر. در این مقاله، به معرفی مدل eHAPAC می‌پردازیم، که به عنوان یک مدل حفظ حریم خصوصی کنترل دسترسی در شبکه‌های حسگر بی‌سیم (یا WSN) مبتنی بر IP است. مباحث این مقاله شامل سه بخش است. ابتدائا، این مقاله به ادغام پروتکل کنترل دسترسی هیدرا  و مدل حفظ حریم خصوصی APAC  می‌پردازد که معرف حفظ حریم خصوصی کنترل دسترسی دستگاه‌هایی با منابع محدود می‌پردازد. دوم اینکه، این مقاله به معرفی یک پروتکل هیدرا پیشرفته برای پیاده‌سازی پیوندناپذیری تبادلات پیام پروتکلی می‌پردازد. سوم، به منظور حل مسئله اعتبار شخص ثالث، این مقاله به توسعه مدل APAC مبتنی بر امضا گروهی پرداخته، و از فناوری بلاک‌چین  برای مدیریت ذخیره‌سازی و انتشار کلید عمومی امضا گروهی استفاده می‌کند. تحلیل امنیتی و ارزیابی عملکرد، اثبات می‌کند که پروتکل مورد نظر ما امن و کارامد است.

2- آثار مرتبط
در سال‌های اخیر، امنیت در شبکه WSN، توجه زیادی را به سمت خود جلب کرده است. فناوری کنترل دسترسی، به عنوان یک مکانیسم امنیتی مهم در شبکه‌های WSN، نیازمند توسعه است. اوریارت و همکاران [22]، به تحلیل بعضی از مدل‌های سنتی کنترل دسترسی و بعضی از مدل‌های جدید کنترل دسترسی که برای دستگاه‌هایی با منابع محدود (RCD) طراحی شده‌اند، پرداخته و دریافتند که مدل اول در تمام RCDها، اجرایی نیست و مدل دوم، تنها می‌تواند در دسته C2 دستگاه‌های با منابع محدود (RCD) قرار گیرد. سپس محقق، به معرفی کنترل دسترسی جدید تحت عنوان هیدرا می‌پردازد. این پروتکل بر مبنای پروتکل کنترل دسترسی لادون، به عنوان نسخه پیشرفته پروتکل تایید کربروس است. مقایسه بین پروتکل‌های هیدرا، لادون و کربروس در جدول 1 اورده شده است. پروتکل هیدرا و لادون از طریق ادغام مکانیسم تایید، باعث بهبود پروتکل کربروس می‌شود، و پروتکل هیدرا به پیاده‌سازی پیکره‌بندی سیاست پویا و وارسی دقیق بر مبنای پروتکل لادون می‌پردازد. محققان به ارزیابی پروتکل هیدرا با توجه به سه شاخص مصرف توان، حافظه و زمان پاسخ پرداخته، و نتایج حاصله به اثبات دسترس‌پذیری پروتکل روی دسته C0 دستگاه‌های با منابع محدود (RCD) می‌پردازد. به هر حال، پروتکل هیدرا، توجهی به امنیت حریم خصوصی کاربر ندارد.

طرح‌های [18]، [23]، به عنوان دو الگوی حفظ حریم خصوصی کنترل دسترسی هستند که به ترتیب باعث افزایش حریم خصوصی پروتکل کربروس و لادون که در بالا ذکر شده‌اند، می‌گردد. الگوی حریم خصوصی کاربری PrivaKERB [23] در ارتباط با پروتکل کربروس، باعث حفاظت حریم خصوصی کاربر از طریق ادغام پروتکل اصلی کربروس با مکانیسم اسم مستعار دینامیک و مکانیسم بازتولید اعطای مجوز (TGT) ، می‌گردد. مقاله [18]، به بروزرسانی الگوی PrivaKERB، بر مبنای پروتکل لادون می‌پردازد. به هر حال، نقطه ضعف اصلی این دو الگو، تکیه امنیت حریم خصوصی کاربر روی مرکز توزیع کلید (KDC) شخص ثالث است. مسیردهی هویت واقعی کاربر، و مجموعه نام‌های مستعار روی KDC ذخیره می‌شود، بنابراین KDC می‌تواند کاملا ردهای دسترسی کاربر را بدست اورد. زمانیکه KDC مورد حمله قرار گرفت و داده‌ها تراوش پیدا کرد، حریم خصوصی تمام کاربران در معرض خطر قرار خواهد گرفت. بعلاوه، هیچ یک از این دو الگو، مقاومت در برابر حملات مصرف منابع را، مد نظر قرار نمی دهد.

تکنیک امضا دیجیتال در رمزنگاری، به طور فزاینده‌ای در حفظ حریم خصوصی کنترل دسترسی، بکار گرفته می‌شود. پیش از این، ژانگ و همکاران [24] توجه شان را به سمت این حوزه پژوهشی جلب کرده‌اند. آن‌ها پروتکل DP2AC را معرفی نموده‌اند که از امضا کور در تولید نشانه‌ استفاده می‌کند تا اطمینان حاصل شود که نشانه‌های می‌توانند بصورت عمومی تایید شده، و با این وجود برای هویت کاربران پیوندناپذیر هستند. به هر حال، مشخص نیست که هر کاربر بی‌نام دارای برتری مشابهی برای دسترسی به گره‌ها باشد. هی و همکاران [25]، و هان و همکاران [26]، به طراحی الگوهای کنترل دسترسی بر مبنای امضا حلقه‌ای پرداختند تا حفظ حریم خصوصی حاصل گردد. در الگوی امضا حلقه‌ای، هیچ‌کسی نمی‌تواند مانع گمنامی امضا‌کننده اصلی در هر مورد شود [27]. ناتوانی در دنبال کردن کاربران متخلف، به عنوان یک نقص مهلک در این الگوهای امضا حلقه‌ای است. الگوی کنترل دسترسی بینام مبتنی بر CLSC که توسط لی و همکاران [28] مطرح شده است، هدفش حفاظت از هر شخص ثالث بجز خود کاربر و کنترل‌گر، برای شناخت هویت کاربر است. این الگو، از مکانیسم امضا مبتنی بر هویت استفاده می‌کند، که برای افشا هویت کاربر، الگوی ساده‌ای است. هی و همکاران [17]، یک امضای گروهی را بر مبنای الگوی حفظ حریم خصوصی کنترل دسترسی مطرح کردند. این الگو، هویت کاربر و کلید باز خصوصی ( که برای باز کردن امضا گروه به منظور افشای هویت امضا‌کننده مورد استفاده قرار می‌گیرد) را به دو بخش تقسیم می‌کند، که به ترتیب توسط مراجع قانونی و مالکان شبکه WSN ذخیره می‌شود. اما این الگو ممکن است باعث دو مشکل گردد: از یک طرف اگرچه مراجع قانونی نمی‌توانند هویت واقعی کاربر را در تطبیق با تاییدیه امضا‌کننده قرار دهند، این الگو نمی تواند به سادگی باعث ارتباط پیام‌های درخواستی کاربر مشابه گردد؛ از طرف دیگر، به منظور جلوگیری از نفوذ کلید، فرایند پاسخگویی نمی‌تواند فراتر از سطح مورد انتظار باشد و بدین‌ترتیب به سادگی منجر به اختلافات می‌گردد. الگوهای [17]، [24]، [25] که پیش از این ذکر شد، از محدودیت‌های جدی دچار آسیب می‌گردند که نمی‌توانند قابلیت اجرا را در دستگاه‌های محدود مد نظر قرار دهند. به عنوان نمونه، الگوهای [17]، [25]، به ذخیره‌سازی فهرست کنترل دسترسی روی گره‌های حسگر پرداخته و به انجام تایید امضا و تنفیذ به صورت محلی در گره‌های حسگر می‌پردازند، که برای دستگاه‌های C0 با محدودیت شدید منابع، این امر غیرمحتمل است.