تعداد فزاینده ای از دستگاه ها اکنون به اینترنت متصل شده و قادر به جمع آوری ، ارسال و دریافت داده ها هستند. این ارتباط بین دستگاه ها ، که از آن به اینترنت اشیاء (IoT) یاد می شود ، تهدیدهای امنیتی جدی را به همراه دارد ، زیرا حمله کنندگان سایبری اکنون می توانند رایانه ها و تلفن های هوشمند را هدف قرار دهند ، اما همچنین طیف گسترده ای از دستگاه های دیگر مانند تبلت ، ساعت هوشمند ، سیستم خانه های هوشمند و ... سیستم های حمل و نقل و غیره.
در حال حاضر ، نمونه هایی از اجرای IoT در مقیاس بزرگ (به عنوان مثال زیرساخت های متصل ، شهرها و غیره) تا حدودی محدود هستند ، اما به زودی می توانند گسترده شوند و خطرات قابل توجهی برای مشاغل و خدمات عمومی ایجاد می کنند که به طور روزانه به اینترنت تکیه می کنند. عملیات برای کاهش این خطرات ، محققان در تلاشند تدابیر امنیتی را برای محافظت از دستگاه های متصل به اینترنت در برابر حملات شبکه بی سیم ایجاد کنند.
برای این منظور ، دو محقق در دانشگاه علوم و صنایع Baoji ، در چین ، به تازگی روشی جدید برای دفاع از دستگاه ها در یک محیط IOT در برابر حملات شبکه بی سیم ایجاد کرده اند. رویکرد آنها ، که در مقاله ای منتشر شده در مجله بین المللی شبکه های اطلاعات بی سیم Springer ، یک شبکه عصبی عمیق با یک مدل مبتنی بر تئوری بازی ، شاخه ای از ریاضیات ارائه می دهد که استراتژی هایی را برای مقابله با موقعیت هایی که مستلزم رقابت بین طرف های مختلف است ، ارائه می دهد.
محققان در مقاله خود توضیح دادند: "اولاً ، با توجه به اطلاعات توپولوژی شبکه ، رابطه قابل دستیابی و اطلاعات آسیب پذیری شبکه ، این روش نقشه حمله دولتی و دفاعی شبکه را تولید می کند." "براساس نقشه حمله و دفاع دولت ، بر اساس مدل بازی غیر صفر غیر تعاونی ، الگوریتم تصمیم گیری برای حمله و دفاع بهینه پیشنهاد می شود."
بیشتر بخوانید: پمپ وکیوم کوچک
اساساً ، روش آنها نقشه حمله و دفاعی ایالتی را بر اساس اطلاعات دسترسی و آسیب پذیری شبکه ایجاد می کند ، که تمامی مسیرهای حمله و دفاعی احتمالی را مشخص می کند. سپس احتمال موفقیت هر یک از این "مسیرهای حمله" ، یک شاخص خطر و ارزش استفاده از حمله های مختلف به یک استراتژی های دفاعی که هنگام رسیدن شبکه به حالت های امنیتی خاصی محاسبه می شود ، محاسبه می کند. علاوه بر این ، تعامل بین حمله و دفاع به یک مدل بازی غیر تعاونی ، غیر صفر و ترکیبی انتزاع می شود. یک چارچوب تئوری بازی که برای مشکلات مربوط به جرم و دفاع قابل اجرا است.
این مدل حمله بهینه و دفاعی همچنین اقدامات پیشگیری و کنترل نقاط آسیب پذیر را در برمی گیرد. سیستم فازی روش سپس یک شاخص ضریب خطر امنیت اطلاعات را تعیین می کند و آن را به یک شبکه عصبی با عملکرد شعاعی (RBF) تغذیه می کند. برای بهینه سازی و آموزش پارامترهای شبکه عصبی RBF ، محققان از الگوریتم بهینه سازی swarm ذرات استفاده کردند. در نهایت ، تمام این مراحل به روش خود اجازه می دهد تا به یک مدل دفاعی بهینه دست یابد.
در آینده ، تکنیک توسعه یافته توسط این تیم از محققان می تواند به محافظت از دستگاه های IoT در برابر حملات شبکه بی سیم کمک کند. در یک سری از شبیه سازیهای که اثر بخشی آن را ارزیابی می کند ، الگوریتم دفاعی عملکرد بسیار خوبی داشته و میانگین خطای آن زیر 2 درصد است.
محققان در مقاله خود نوشتند: "نتایج شبیه سازی نشان می دهد که الگوریتم دفاعی حمله شبکه بی سیم با استفاده از یک شبکه عصبی عمیق همراه با مدل بازی می تواند نقایص تصادفی ذهنی و نتیجه گیری فازی روشهای دفاعی حمله به شبکه بی سیم سنتی را برطرف کند ." "خطای متوسط کمتر از 2 درصد است و سنتی تر از الگوریتم یادگیری ماشینی است که از دقت مناسب تر ، توانایی یادگیری بیشتر و همگرایی سریعتر برخوردار هستند."
تعداد فزاینده ای از دستگاه ها اکنون به اینترنت متصل شده و قادر به جمع آوری ، ارسال و دریافت داده ها هستند. این ارتباط بین دستگاه ها ، که از آن به اینترنت اشیاء (IoT) یاد می شود ، تهدیدهای امنیتی جدی را به همراه دارد ، زیرا حمله کنندگان سایبری اکنون می توانند رایانه ها و تلفن های هوشمند را هدف قرار دهند ، اما همچنین طیف گسترده ای از دستگاه های دیگر مانند تبلت ، ساعت هوشمند ، سیستم خانه های هوشمند و ... سیستم های حمل و نقل و غیره.
در حال حاضر ، نمونه هایی از اجرای IoT در مقیاس بزرگ (به عنوان مثال زیرساخت های متصل ، شهرها و غیره) تا حدودی محدود هستند ، اما به زودی می توانند گسترده شوند و خطرات قابل توجهی برای مشاغل و خدمات عمومی ایجاد می کنند که به طور روزانه به اینترنت تکیه می کنند. عملیات برای کاهش این خطرات ، محققان در تلاشند تدابیر امنیتی را برای محافظت از دستگاه های متصل به اینترنت در برابر حملات شبکه بی سیم ایجاد کنند.
برای این منظور ، دو محقق در دانشگاه علوم و صنایع Baoji ، در چین ، به تازگی روشی جدید برای دفاع از دستگاه ها در یک محیط IOT در برابر حملات شبکه بی سیم ایجاد کرده اند. رویکرد آنها ، که در مقاله ای منتشر شده در مجله بین المللی شبکه های اطلاعات بی سیم Springer ، یک شبکه عصبی عمیق با یک مدل مبتنی بر تئوری بازی ، شاخه ای از ریاضیات ارائه می دهد که استراتژی هایی را برای مقابله با موقعیت هایی که مستلزم رقابت بین طرف های مختلف است ، ارائه می دهد.
محققان در مقاله خود توضیح دادند: "اولاً ، با توجه به اطلاعات توپولوژی شبکه ، رابطه قابل دستیابی و اطلاعات آسیب پذیری شبکه ، این روش نقشه حمله دولتی و دفاعی شبکه را تولید می کند." "براساس نقشه حمله و دفاع دولت ، بر اساس مدل بازی غیر صفر غیر تعاونی ، الگوریتم تصمیم گیری برای حمله و دفاع بهینه پیشنهاد می شود."
بیشتر بخوانید: پمپ وکیوم کوچک
اساساً ، روش آنها نقشه حمله و دفاعی ایالتی را بر اساس اطلاعات دسترسی و آسیب پذیری شبکه ایجاد می کند ، که تمامی مسیرهای حمله و دفاعی احتمالی را مشخص می کند. سپس احتمال موفقیت هر یک از این "مسیرهای حمله" ، یک شاخص خطر و ارزش استفاده از حمله های مختلف به یک استراتژی های دفاعی که هنگام رسیدن شبکه به حالت های امنیتی خاصی محاسبه می شود ، محاسبه می کند. علاوه بر این ، تعامل بین حمله و دفاع به یک مدل بازی غیر تعاونی ، غیر صفر و ترکیبی انتزاع می شود. یک چارچوب تئوری بازی که برای مشکلات مربوط به جرم و دفاع قابل اجرا است.
این مدل حمله بهینه و دفاعی همچنین اقدامات پیشگیری و کنترل نقاط آسیب پذیر را در برمی گیرد. سیستم فازی روش سپس یک شاخص ضریب خطر امنیت اطلاعات را تعیین می کند و آن را به یک شبکه عصبی با عملکرد شعاعی (RBF) تغذیه می کند. برای بهینه سازی و آموزش پارامترهای شبکه عصبی RBF ، محققان از الگوریتم بهینه سازی swarm ذرات استفاده کردند. در نهایت ، تمام این مراحل به روش خود اجازه می دهد تا به یک مدل دفاعی بهینه دست یابد.
در آینده ، تکنیک توسعه یافته توسط این تیم از محققان می تواند به محافظت از دستگاه های IoT در برابر حملات شبکه بی سیم کمک کند. در یک سری از شبیه سازیهای که اثر بخشی آن را ارزیابی می کند ، الگوریتم دفاعی عملکرد بسیار خوبی داشته و میانگین خطای آن زیر 2 درصد است.
محققان در مقاله خود نوشتند: "نتایج شبیه سازی نشان می دهد که الگوریتم دفاعی حمله شبکه بی سیم با استفاده از یک شبکه عصبی عمیق همراه با مدل بازی می تواند نقایص تصادفی ذهنی و نتیجه گیری فازی روشهای دفاعی حمله به شبکه بی سیم سنتی را برطرف کند ." "خطای متوسط کمتر از 2 درصد است و سنتی تر از الگوریتم یادگیری ماشینی است که از دقت مناسب تر ، توانایی یادگیری بیشتر و همگرایی سریعتر برخوردار هستند."
زمستان می تواند یک مزاحمت مزرعه خورشیدی برای شبکه برق باشد