اخبار و اعلانات
آمار
| تعداد نشریات | 34 |
| تعداد شماره‌ها | 1,290 |
| تعداد مقالات | 9,314 |
| تعداد مشاهده مقاله | 8,818,158 |
| تعداد دریافت فایل اصل مقاله | 5,349,984 |
روشی جهت تشخیص نفـوذ در اینترنت اشیا بـا استفـاده از نظریه‌ی بازی‌ها | ||
| پدافند الکترونیکی و سایبری | ||
| مقاله 3، دوره 10، شماره 1 - شماره پیاپی 37، خرداد 1401، صفحه 21-31 اصل مقاله (830.92 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| سیده صفیه سیادت* 1؛ محسن غفاری2؛ محمد رضوان مدنی3 | ||
| 1استادیار، گروه کامپیوتر، دانشگاه پیام نور تهران، تهران، ایران | ||
| 2کارشناسی ارشد، دانشگاه پیام نور تهران، تهران، ایران | ||
| 3کارشناسی ارشد، گروه مدیریت فناوری اطلاعات، دانشگاه پیام نور تهران، تهران، ایران | ||
| تاریخ دریافت: 03 اردیبهشت 1400، تاریخ بازنگری: 05 تیر 1400، تاریخ پذیرش: 29 دی 1400 | ||
| چکیده | ||
| اینترنت اشیا، فناوری نوظهوری است که اینترنت و اشیای هوشمند فیزیکی را ادغام می‌کند، اشیایی که به دامنه‌های گسترده‌ای از قبیل خانه‌ها و شهرهای هوشمند، فرآیندهای صنعتی و نظامی، نظارت بر بهداشت و سلامت انسان، کسب‌وکار و کشاورزی تعلق دارد. فناوری اینترنت اشیا، حضور وسایل متصل به اینترنت را در فعالیت‌های روزانه‌ی ما عمیق‌تر می‌کند و مزایای زیادی را در کیفیت زندگی به همراه دارد و از طرفی چالش‌های مرتبط با مسائل امنیتی نیز ایجاد کرده است. براین‌اساس، راه‌حل‌های امنیتی برای اینترنت اشیا باید توسعه داده شود؛ همانند سایر شبکه‌ها، سیستم‌های تشخیص نفوذ برای اینترنت اشیا نیز، مهم‌ترین ابزار امنیتی به حساب می‌آید. در پژوهش حاضر، طرح روشی برای تشخیص نفوذ در اینترنت اشیا با استفاده از نظریه‌ی بازی‌ها ارائه شده است. در روش ارائه‌شده، بازی حمله‌ی امنیتی مهاجم و رفتار سیستم تشخیص نفوذ در بازی دو نفره، غیرمشارکتی پویا و با اطلاعات کامل تحلیل می‌شود و راه‌حل‌های تعادلی نـش برای زیــربازی‌های خاص را به دست می‌دهد. تحلیل پارامترهای بهترین پاسخ با استفاده از تعاریــف نظریه‌ی بازی‌ها و تعادل نش و شبیه‌سازی در نرم‌افزار MATLAB، حاکی از لزوم بهره‌گیری از سیستم‌های تشخیص نفوذ در شبکه‌ی اینترنت اشیا است. این بهره‌گیری مبتنی بر ابرمه از طریق ارائه‌ی استراتژی‌های بهینه و گزارش حداکثری حملات از سوی شبکه‌ی گره‌های هوشمند در مدل پیشنهادی انجام می‌شود. | ||
| کلیدواژه‌ها | ||
| اینترنت اَشیاء؛ تشخیص نفوذ؛ نظریه بازی ها | ||
| عنوان مقاله [English] | ||
| A method to detect intrusion into the Internet of Things using the game theory | ||
| نویسندگان [English] | ||
| safieh siadat1؛ mohsen ghafary2؛ mohammad rezvanmadani3 | ||
| 1Assistant Professor, Computer Department, Tehran Payam Noor University, Tehran, Iran | ||
| 2Master's degree, Tehran Payam Noor University, Tehran, Iran | ||
| 3Master's degree, Department of Information Technology Management, Tehran Payam Noor University, Tehran, Iran | ||
| چکیده [English] | ||
| The Internet of Things is an emerging technology that integrates the Internet and physical intelligent objects; objects that cover a wide range of areas such as smart homes and cities, industrial and military processes, human health, business and agriculture. The IoT technology deepens the presence of Internet-connected devices in our day-to-day operations, bringing many benefits to the quality of life, as well as security-related challenges. Accordingly, the IoT security solutions should be developed and like other networks, the IoT intrusion detection systems are considered the most important means of providing security. In the present study, a method is proposed to detect any IoT intrusion, using the game theory. In the proposed method, the attacker security attack game and the behavior of the intrusion detection system in a two-player, non-participatory game are analyzed dynamically and with complete information, and the equilibrium solutions are obtained for specific sub-games. The analysis of best response parameters using the game theory and Nash equilibrium definitions indicates the need to use cloud-fog-based IoT intrusion detection systems. This is realized in the proposed model through providing optimal strategies and maximizing the attack reports by the smart node network. | ||
| کلیدواژه‌ها [English] | ||
| IoT, intrusion detection, game theory | ||
| مراجع | ||
|
[1] A. Marosi, E. Zabah, H. Ataee khabaz.,2020. Network intrusion detection using a combination of artificial neural networks in a hierarchical manner (in Persian), Journal of Electronical & Cyber Defence ,Vol 8, pp. 89-99. [3] Arwa Aldweesh, Abdelouahid Derhab., 2020. Deep learning approaches for anomaly-based intrusion detection systems: A survey, taxonomy, and open issues. Knowledge-Based Systems. Vol 189. [5] Borgia, E., 2014. The Internet of Things vision: key features, applications and open issues. Comput Commun.54, 1-31. [6] Butun, I., Morgera, S., Sankar, R., 2014. A survey of intrusion detection systems in wireless sensor networks. Commun. Surv. Tutor. IEEE 16 (1), 266–282. [7] Butun, I., Morgera, S.D., Sankar, R., 2014. A survey of intrusion detection systems in wireless sensor networks. IEEE Commun. Surv. Tutor. 16 (1), 266–282. [8] Cervantes, C., Poplade, D., Nogueira, M., Santos, A., 2015. Detection of sinkhole attacks for supporting secure routing on 6LoWPAN for Internet of Things. In: 2015 IFIP/ IEEE International Symposium on Integrated Network Management (IM), 606–611. [9] Dewan, F., Nouri, H., & Mohammad, R., 2010, Combining Native Bayes and Decision tree for Adaptive Intrusion Detection. International Journal of Network Its Security & Application, 2, 12-25. [10] D. Midi, A. Rullo, A. Mudgerikar, E. Bertino, Kalis., 2017. A system for knowledge-driven adaptable intrusion detection for the internet of things, in: Proceed- ings of the IEEE Thirty-Seventh International Conference on Distributed Computing System(ICDCS), 2017, 656-666. [11] Fotini, Pavlidov, Georgios Koltsidas., 2010. Game theory for routing modeling in communication networks – a survey, Journal of Communications and Network, 10(30), 268-286. [12] Jin, Du., 2012. Application of IOT in electronic commerce, Journal of Digital Content Technology and its Application,6. [13] Granjal, E.Monteiro, J.s. Silva., 2015. Security for the internet of things: a survey of existing protocols and open research issues. iEEE.17(3), 1294-1312. [14] Granjal, J., Monteiro, E., Silva, J.S., 2012. On the effectiveness of end-to-end security for Internet-integrated sensing applications. In: Green Computing and Communications (GreenCom), IEEE, 87–93. [15] Kim, A.N., Hekland, F., Petersen, S., Doyle, P., 2008. When HART goes wireless: understanding and implementing the WirelessHART standard, In: 2008 IEEE International Conference on Emerging Technologies and Factory Automation, 899–907. [16] ] Kim, D., Ro, W.W., 2014. A malicious pattern detection engine for embedded security systems in the Internet of Things. Sensors 14 (12), 24188–24211. [17] Klempous, Ryszard, et al., 2007. Adaptive misbehavior detection in wireless sensors network based on local community agreement. 14th Annual IEEE International Conference and Workshops on the Engineering of Computer- Based System. [18] Kumar, S., Dutta, K., 2016. Intrusion detection in mobile ad hoc networks: techniques, systems, and future challenges. Secur. Commun. Netw. 9 (14), 2484–2556. [19] [19] M. Foroghi, A. Akrami zadeh, M. Bagheri.,2018. The decision model in a cyber-conflict with injury, with a game theory approach (in Persian), Journal of Electronical & Cyber Defence ,Vol 8, pp. 89-99. [21] Miorandi, D., Sicari, S., De Pellegrini, F., Chlamtac, I., 2012. Internet of things: vision, applications and research challenges. Ad Hoc Netw. 10 (7), 1497–1516. [22] Mishra, A., Nadkarni, K., Patcha, A., 2004. Intrusion detection in wireless ad hoc networks. IEEE Wirel. Commun. 11 (1), 48–60. [23] Midi, S., Krishna, P., Agarwal, H., Saxena, A., Obaidat, M., 2011. A learning automata based solution for preventing Distributed Denial of Service in Internet of Things. In: Internet of Things (iThings/CPSCom), International Conference on and Proceedings of the 4th International Conference on Cyber, Physical and Social Computing, 114–122. [24] Miorandi, D., Sicari, S., De Pellegrini, F., Chlamtac, I., 2012. Internet of Things: vision, applications and research challenges. Ad Hoc Netw.10(7).1497-1516. [25] Modi, C., Patel, D., Borisaniya, B., Patel, H., Patel, A., Rajarajan, M., 2013. A survey of intrusion detection techniques in Cloud. J. Netw. Comput. Appl. 36 (1), 42–57. [26] Mudgerikar, A., Sharma, p., & Bertino, E.,2019. A system- level Intrusion Detection System for IoT Devices. In Proceedings of the 2019 ACM Asia Conference on Computer and Communications Security, 493-500. [27] N. Dosti.,2019. New mechanism to enhance IoT network security using quantum and classical cryptography (in Persian), Journal of Electronical & Cyber Defence ,Vol 4. [28] Pongle, P., Chavan, G., 2015. Real time intrusion and wormhole attack detection in Internet of Things. Int. J. Comput. Appl. 121 (9), 1–9. [29] Le, A., Loo, J., Chai, K.K., Aiash, M., 2016. A specification-based IDS for detecting attacks on RPL-based network topology. Information 7 (2), 25. [30] Ramesh, T., and S. Shaleni Priya., 2018. A Review on Game Theory Based Congestion Control in Wireless Sensor Network. Journal of Network Communications and Emerging Technologies. [31] S. Reza, L. Wallgren, T. Voigt., 2013. [32] Shigen Shen, Longjun Huang, Haiping Zhou, Shui Yu,. 2018. Multistage Signaling Game-based [33] Optimal Detection Strategies for Suppressing Malware Diffusion in Fog-Cloud-based IoT Networks, IEEE Internet of Things Journal. [34] Sicari, S., Rizzardi, A., Grieco, L., [35] S. Sicari and A. Rizzardi and L. A. Grieco and A.Coenporisini., 2014, Security, privacy and trust in Iot: The road ahead, Computer Network. Vacca, J., 2013. Computer and Information Security Handbook. Morgan Kaufmann, Amsterdam. | ||
|
آمار تعداد مشاهده مقاله: 1,194 تعداد دریافت فایل اصل مقاله: 532 |
||