آمار

تعداد نشریات36
تعداد شماره‌ها1,192
تعداد مقالات8,579
تعداد مشاهده مقاله6,988,703
تعداد دریافت فایل اصل مقاله4,032,545
کوچکی, سارا, عبداللهی ازگمی, محمد. (1395). روشی برای مدل سازی سیّال رفتار انتشاری بدافزارها در شبکه های بی مقیاس. پدافند الکترونیکی و سایبری, 4(4), 1-10.
سارا کوچکی; محمد عبداللهی ازگمی. "روشی برای مدل سازی سیّال رفتار انتشاری بدافزارها در شبکه های بی مقیاس". پدافند الکترونیکی و سایبری, 4, 4, 1395, 1-10.
کوچکی, سارا, عبداللهی ازگمی, محمد. (1395). 'روشی برای مدل سازی سیّال رفتار انتشاری بدافزارها در شبکه های بی مقیاس', پدافند الکترونیکی و سایبری, 4(4), pp. 1-10.
کوچکی, سارا, عبداللهی ازگمی, محمد. روشی برای مدل سازی سیّال رفتار انتشاری بدافزارها در شبکه های بی مقیاس. پدافند الکترونیکی و سایبری, 1395; 4(4): 1-10.

روشی برای مدل سازی سیّال رفتار انتشاری بدافزارها در شبکه های بی مقیاس

پدافند الکترونیکی و سایبری
مقاله 2، دوره 4، شماره 4، اسفند 1395، صفحه 1-10    اصل مقاله (1.01 M)
نویسندگان
سارا کوچکی1؛ محمد عبداللهی ازگمی* 2
1علم و صنعت ایران
2دانشگاه علم و صنعت ایران
تاریخ دریافت: 09 اسفند 1393،  تاریخ بازنگری: 06 مرداد 1403،  تاریخ پذیرش: 28 شهریور 1397 
چکیده
شبکه بی‌مقیاس یک مدل انتزاعی برای شبکه‌های اجتماعی برخط یا شبکه‌های نظیر به نظیر است که دارای ویژگی تبعیت از توزیع درجه قانون توان هستند. به سبب این ویژگی‌ها، این شبکه‌ها نسبت به انتشار بدافزارها (نظیر ویروس و کرم) آسیب‌پذیری بیشتری دارند. از روش‌های مدل‌سازی و شبیه‌سازی برای ارزیابی رفتار انتشاری بدافزارها در شبکه‌های بی‌مقیاس و تحلیل راهبردهای دفاع در برابر انتشار بدافزارها استفاده می‌شود. اما زیاد بودن تعداد رخدادهایی که باید پردازش شوند و همچنین در نظر گرفتن جزئیات گره‌های شبکه،‌ روش‌های شبیه‌سازی گسسته- رخداد موجود را برای اجرا بر روی این شبکه‌های بزرگ و پیچیده نامناسب کرده است. از این‌رو، برای مدل‌سازی رفتار انتشاری بدافزارها، مدل‌های سیّال، که در آن‌ها نیازی به دانستن جزئیات شبکه نیست، مناسب‌تر به نظر می‌رسند.
در این مقاله، برای مدل‌سازی سیّال انتشار بدافزارها، یک شبکه بی‌مقیاس را به‌طور انتزاعی در قالب یک شبکه ستون فقرات متشکل از ابرگره‌هایی نمایش داده می‌شود که هر کدام شامل چندین گره شبکه هستند. هر ابرگره در صورت آلوده بودن، می‌تواند آلودگی را به‌صورت یک جریان سیّال به گره‌های همسایه خود منتشر سازد. به این ترتیب مدل‌سازی فرآیند اصلی انتشار بدافزارها، بدون در نظر گرفتن وضعیت آلودگی هر گره و جزئیات دیگر صورت می‌گیرد. برای ارزیابی روش پیشنهادی، از روش‌ شبیه‌سازی عامل‌مبنا استفاده شده است. نتایج ارزیابی نشان می‌دهند که شبکه‌های بی‌مقیاس بزرگ را می‌توان با استفاده از روش پیشنهادی مدل‌سازی نموده و انتشار بدافزارها را در این شبکه‌ها مورد مطالعه قرار داد. همچنین، به‌عنوان مطالعه موردی، تاثیر مصون‌سازی‌های تصادفی و هدفمند گره‌ها در مدل‌های پیشنهادی ارزیابی شده‌اند.
کلیدواژه‌ها
شبکه‌های بی‌مقیاس؛ مدل‌سازی انتشار؛ انتشار بدافزار؛ مدل‌سازی سیّال؛ شبیه سازی عامل مبنا؛ نت لوگو
مراجع
  1. W. Yu, S. Chellappan, X. Wang, and D. Xuan, “Peer-to-peer
  2. system-based active worm attacks: modeling, analysis and
  3. defense,” Computer Communications, vol. 31, no. 17, pp.
  4. -4017, 2008.
  5. Y. Zhuo, Y. Peng, C. Liu, Y. Liu, and K. Long, “Improving
  6. the attack tolerance of scale-free networks by adding and
  7. hiding edges,” Physica Scripta, vol. 83, p. 025801, 2011.
  8. G. Yong-Wang, S. Yu-Rong, and J. Guo-Ping, “Epidemic
  9. spreading in scale-free networks including the effect of
  10. individual vigilance,” Chinese Physics B, vol. 21, p. 010205,
  12. E. G. Im, J. S. Kim, I. W. Noh, and H. J. Jang, “A hybrid
  13. model for worm simulations in a large network,” In
  14. Proceedings of the Intelligence and Security Informatics,
  15. Springer, pp. 301-306, 2007.
  16. A.-L. Barabasi and R. Albert, “Emergence of scaling in
  17. random networks,” Science, vol. 286, pp. 509-512, 1999.
  18. R. Harrison, the Bitdefender, 2004. Website. [Online].
  19. http://www.bitdefender.com/files/KnowledgeBase/file/Antiv
  20. irus_Defense-in-Depth_Guide
  21. M. Boguna, R. Pastor-Satorras, and A. Vespignani,
  22. “Absence of epidemic threshold in scale-free networks with
  23. degree correlations,” Physical Review Letters, vol. 90, p.
  24. , 2003.
  25. H. Trottier and P. Philippe, “Deterministic modeling of
  26. infectious diseases: theory and methods,” The Internet
  27. Journal of Infectious Diseases, vol. 1, p. 3, 2001.
  28. S. Meloni, A. Arenas, and Y. Moreno, “Traffic-driven
  29. epidemic spreading in finite-size scale-free networks,” In
  30. Proceedings of the National Academy of Sciences, vol. 106,
  31. pp. 16897-16902, 2009.
  32. C. M. Macal and M. J. North, “Tutorial on Agent-based
  33. Modelling and Simulat ion,” Journal of Simulation, vol. 4,
  34. no. 3, pp. 151-162, 2010.
  35. E. G. Im, J. S. Kim, I. W. Noh, and H. J. Jang, “A hybrid
  36. model for worm simulations in a large network,” In
  37. Proceedings of the Intelligence and Security Informatics,
  38. Springer, pp. 301-306, 2007.
  39. S. Hosseini, M. Abdollahi Azgomi, and A. Torkaman
  40. Rahmani, “Malware propagation modeling considering
  41. software diversity and immunization,” Journal of
  42. Computational Science, vol. 13, Elsevier, pp. 49-67, March
  44. S. Hosseini, M. Abdollahi Azgomi, and A. Torkaman
  45. Rahmani, “Agent-based simulation of the dynamics of
  46. malware propagation in scale-free networks,” Simulation:
  47. Transactions of the Society for Modeling and Simulation
  48. International, vol. 92, no. 7, SAGE, pp. 709-722, July 2016.
  49. S. Hosseini and M. Abdollahi Azgomi, “A model for
  50. malware propagation in scale-free networks based on rumor
  51. spreading process,” Computer Networks, vol. 108, Elsevier,
  52. pp. 97-107, Oct. 2016.
  53. A. Barabasi and E. Bonabeau, Scale-Free Networks.
  54. Scientific American, 2003.
  55. E. G. Im, J. T. Seo, D.-S. Kim, Y. H. Song, and Y. Park,
  56. “Hybrid modeling for large-scale worm propagation
  57. simulations,” In Proceedings of the Conference on
  58. Intelligence and Security Informatics, Springer, pp. 572-577,
  60. C. C. Zou, W. Gong, and D. Towsley, “Code red worm
  61. propagation modeling and analysis,” In Proceedings of the
  62. th ACM Conference on Computer and Communications
  63. Security, pp. 138-147, 2002.
  64. C. M. Macal and M. J. North, “Tutorial on Agent-based
  65. Modelling and Simulat ion,” Journal of Simulation, vol. 4,
  66. no. 3, pp. 151-162, 2010.
آمار
تعداد مشاهده مقاله: 1,062
تعداد دریافت فایل اصل مقاله: 213