چطور این مقاله مهندسی کامپیوتر و IT را دانلود کنم؟
فایل انگلیسی این مقاله با شناسه 2008110 رایگان است. ترجمه چکیده این مقاله مهندسی کامپیوتر و IT در همین صفحه قابل مشاهده است. شما می توانید پس از بررسی این دو مورد نسبت به خرید و دانلود مقاله ترجمه شده اقدام نمایید
حجم فایل فارسی :
1 مگا بایت
نوع فایل های ضمیمه :
Pdf+Word
کلمه عبور همه فایلها :
www.daneshgahi.com
عنوان فارسي
یک تکنیک گروهی و مبتنی بر ویژگی های جریان آماری، به منظور شناسایی نفوذ و حفاظت از ترافیک شبکهی اینترنت اشیاء
عنوان انگليسي
An Ensemble Intrusion Detection Technique based on proposed Statistical Flow Features for Protecting Network Traffic of Internet of Things
نویسنده/ناشر/نام مجله
IEEE Internet of Things Journal
این مقاله چند صفحه است؟
این مقاله ترجمه شده مهندسی کامپیوتر و IT شامل 16 صفحه انگلیسی به صورت پی دی اف و 31 صفحه متن فارسی به صورت ورد تایپ شده است
چکیده
امروزه اینترنت اشیاء (IoT) نقش قابل ملاحظه‌ای را در زندگی روزمره‌ی ما انسان ها بازی می‌کند، به گونه‌ای که اشیاء فیزیکی اطراف ما را به سرویس هایی دیجیتال متصل می‌سازد. به عبارت دیگر، IoT را می‌توان عامل محرکه‌ای در پشت پرده‌ی اتوماسیون خانگی، شهرهای هوشمند، سامانه‌های بهداشت و درمان مدرن و تولیدات پیشرفته دانست. البته پیدایش این فناوری با افزایش تهدیدهای سایبری علیه دستگاه‌ها و سرویس های IoT همراه بوده است. مهاجمین ممکن است تلاش کنند تا از آسیب پذیری های موجود در پروتکل‌های کاربردی، اعم از سیستم نام دامنه (DNS)، پروتکل انتقال فرامتن (HTTP) و پروتکل تبادل پیام (MQTT) سوء استفاده نموده تا به وسیله‌ی آنها به صورت مستقیم از سیستم های پایگاه داده و اپلیکیشن های کلاینت-سرور سوء استفاده نموده تا بتوانند داده‌های مربوط به سرویس های IoT را ذخیره سازی نمایند. سوء استفاده‌ی موفقیت‌آمیز از یک یا چند مورد از این پروتکل ها می‌تواند افشای داده و رخنه‌های امنیتی را به همراه داشته باشد. در این مقاله، به ارائه‌ی یک تکنیک شناسایی نفوذ می‌پردازیم تا بتوان از شدت رویدادهای مخرب و مخصوصاً حملات بات نت که علیه پروتکل‌های DNS، HTTP، MQTT در شبکه‌های IoT رخ می‌دهد، کاست. یک سری ویژگی‌های آماری را می‌توان از روی پروتکل ها و آن هم بر مبنای تحلیل مشخصه‌های احتمالی آنها به دست آورد. سپس از یک روش یادگیری گروهی تحت عنوان AdaBoost برای ارزیابی تأثیر این ویژگی ها و شناسایی رویدادهای مخرب استفاده می‌کنیم. در این روش از سه تکنیک یادگیری ماشین با نام درخت تصمیم (DT)، نایو بیز (NB) و شبکهی عصبی مصنوعی (ANN) استفاده شده است. از مجموعه‌های داده‌ای UNSW=NB15 و NIMS به همراه داده‌های شبیه‌سازی شده از حسگرهای IoT استفاده می‌کنیم تا به استخراج ویژگی‌های پیشنهادی و ارزیابی تکنیک یکپارچه‌ی پیشنهادی بپردازیم. نتایج آزمایشی نشان می‌دهد که ویژگی‌های پیشنهادی دارای مشخصه‌هایی از وجود فعالیت‌های نرمال و مخرب میباشد. این ویژگی ها با استفاده از روش‌های ضریب همبستگی و ایستایی استفاده شده است. علاوه بر این، تکنیک ترکیبی پیشنهادی از نسبت تشخیص بالای و نسبت پایین منفی کاذب و آن هم در مقایسه با تکنیک های دیگر دسته‌بندی و سه تکنیک مدرن دیگر برخوردار میباشد.
1-مقدمه
در حال حاضر، فناوری‌هایی که در زمینه‌ی اینترنت اشیاء (IoT) توسعه یافته است به طور فزاینده‌ای برای ارائه‌ی خدمات آنلاین در اختیار کاربران و سازمان‌های بخش خصوصی/عمومی قرار می‌گیرد. رشد و تکامل سریع حوزه‌های تولیدی برای بکار گیری این فناوری ها، باعث افزایش سطح بکار گیری سیستم های دیجیتال و فیزیکی در کنار یکدیگر شده است. در کنار هم قرار گرفتن این سیستم ها منجر به افزایش توسعه‌ی حسگر ها، محرک ها، ارتباطات بی‌سیم و سامانه‌های شناسایی خودکار در بخش‌های بسیاری گردیده است؛ این فناوری ها در حیطه‌هایی مانند خانه‌ها، دفاتر، شهر ها و ملیت‌های هوشمند و همچنین سامانه‌های مدرن بهداشت و درمان و بخش‌های تولیدی پیشرفته بکار گرفته شده‌اند...
سامانه‌ی شناسایی تهاجم در شبکه (NIDS) IoT یادگیری گروهی
:کلمات کلیدی
Abstract
Internet of Things (IoT) plays an increasingly significant role in our daily activities, connecting physical objects around us into digital services. In other words, IoT is the driving force behind home automation, smart cities, modern health systems and advanced manufacturing. This also increases the likelihood of cyber threats against IoT devices and services. Attackers may attempt to exploit vulnerabilities in application protocols, including Domain Name System (DNS), Hyper Text Transfer Protocol (HTTP) and Message Queue Telemetry Transport (MQTT) that interact directly with backend database systems and client-server applications to store data of IoT services. Successful exploitation of one or more of these protocols can result in data leakage and security breaches. In this paper, an ensemble intrusion detection technique is proposed to mitigate malicious events, in particular botnet attacks against DNS, HTTP and MQTT protocols utilized in IoT networks. New statistical flow features are generated from the protocols based on an analysis of their potential properties. Then, an AdaBoost ensemble learning method is developed using three machine learning techniques, namely Decision Tree (DT), Naive Bayes (NB) and Artificial Neural Network (ANN), to evaluate the effect of these features and detect malicious events effectively. The UNSW-NB15 and NIMS botnet datasets with simulated IoT sensors’ data are used to extract the proposed features and evaluate the ensemble technique. The experimental results show that the proposed features have the potential characteristics of normal and malicious activity using the correntropy and correlation coefficient measures. Moreover, the proposed ensemble technique provides a higher detection rate and a lower false positive rate compared with each classification technique included in the framework and three other state-of-the-art techniques.
Keywords:
Network Intrusion Detection system (NIDS) IoT ensemble learning
سایر منابع مهندسی کامپیوتر و IT-فناوری اطلاعات در زمینه اینترنت اشیاء