آمار
| تعداد نشریات | 36 |
| تعداد شماره‌ها | 1,192 |
| تعداد مقالات | 8,579 |
| تعداد مشاهده مقاله | 6,988,690 |
| تعداد دریافت فایل اصل مقاله | 4,032,534 |
بهبود امنیت شبکه‌های سایبری مبتنی بر شناسایی انجمن‌ها با استفاده از الگوریتم خوشه‌بندی طیفی | ||
| پدافند الکترونیکی و سایبری | ||
| مقاله 7، دوره 12، شماره 1 - شماره پیاپی 45، خرداد 1403، صفحه 65-74 | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| مرتضی جویبان1؛ سوده حسینی* 2 | ||
| 1دانشجوی دکتری ، دانشگاه شهید باهنر کرمان،کرمان، ایران، | ||
| 2دانشیار، دانشگاه شهید باهنر کرمان،کرمان، ایران، | ||
| تاریخ دریافت: 25 بهمن 1402، تاریخ بازنگری: 23 فروردین 1402، تاریخ پذیرش: 19 اردیبهشت 1403 | ||
| چکیده | ||
| شبکه‌های سایبری با توجه به ساختار و نحوه ارتباطات درون شبکه، نوعی از شبکه‌های پیچیده و بی‌مقیاس درنظر گرفته می‌شوند. تشخیص انجمن‌ها از مهم‌ترین روش‌های تجزیه و تحلیل شبکه به‌منظور درک ساختار و روابط میان اعضای شبکه است. با توسعه شبکه‌های سایبری، چالش‌های جدیدی از نظر امنیت اطلاعات برای کاربران ایجاد شده است. یکی از اهداف شناسایی انجمن‌ها در شبکه‌های سایبری، جلوگیری از انتشار بدافزارها و حملات سایبری است. برای این منظور، جهت جلوگیری و مقابله با حمله و نفوذ به شبکه می‌بایست انجمن‌های موجود در شبکه شناسایی شده تا با ایمن‌سازی و احیاء انجمن‌ها و همچنین پیاده‌سازی سیاست‌های دفاعی متناسب با هر انجمن، آسیب‌ها و حملات صورت گرفته توسط مهاجمین به میزان قابل توجهی کاهش یابد. در این مقاله روشی برای تشخیص انجمن‌های شبکه‌های سایبری توسط الگوریتم خوشه‌بندی طیفی ارائه شده است. همچنین با استفاده از خاصیت ماتریس لاپلاس نرمال شده در این الگوریتم، می‌توان تعداد انجمن‌های مناسب شبکه سایبری را پیش‌بینی نمود. به‌منظور ارزیابی فرآیند تشخیص، از دو معیار ضریب نیم‌رخ و اندیس ژاکارد استفاده می‌شود. نتایج به‌دست آمده از معیارهای ارزیابی، کارایی روش پیشنهادی را تأیید می‌نماید. | ||
| کلیدواژه‌ها | ||
| شبکه‌های سایبری؛ امنیت اطلاعات؛ تحلیل شبکه؛ تشخیص انجمن؛ خوشه‌بندی طیفی | ||
| موضوعات | ||
| امنیت داده | ||
| عنوان مقاله [English] | ||
| Improving the Security of Cyber Networks Based on Community Detection Using Spectral Clustering Algorithm | ||
| نویسندگان [English] | ||
| Morteza Jouyban1؛ soodeh hosseini2 | ||
| 1PhD student, Shahid Bahonar University of Kerman, Kerman, Iran. | ||
| 2Associate Professor, Shahid Bahonar University of Kerman, Kerman, Iran. | ||
| چکیده [English] | ||
| Cyber networks are considered to be a type of complex and free-scale networks due to the structure and mode of communication within the network. Identifying communities is one of the most important methods of network analysis in order to understand the structure and relationships between network members. With the development of cyber networks, new challenges have been created for users in terms of information security One of the goals of identifying the communities in cyber networks is to prevent the spread of malware and cyber attacks. For this purpose, in order to prevent and deal with network attacks and intrusions, the communities in the network should be identified in order to significantly reduce the damage and attacks by attackers by securing and reviving the communities as well as implementing defense policies appropriate to each community. In this article, a method for detecting cyber communities by spectral clustering algorithm is presented. Also, by using the property of the normalized Laplace matrix in this algorithm, it is possible to predict the number of suitable cyber communities. In order to evaluate the detection process, two criteria Silhouette Value and Jaccard index are used. The results obtained from the evaluation criteria confirm the effectiveness of the proposed method. | ||
| کلیدواژه‌ها [English] | ||
| Cyber networks, Information security, Network analysis, Community detection, Spectral Clustering | ||
| مراجع | ||
|
B. Falahati and Y. Fu, “A study on interdependencies of cyber-power networks in smart grid applications,” 2012 IEEE PES Innov. Smart Grid Technol. ISGT 2012, pp. 1–8, 2012, doi: 10.1109/ISGT.2012.6175593. [2] L. X. Yang, P. Li, X. Yang, and Y. Y. Tang, “Security Evaluation of the Cyber Networks under Advanced Persistent Threats,” IEEE Access, vol. 5, pp. 20111–20123, 2017, doi: 10.1109/ACCESS.2017.2757944. [3] M. D. Mohsen Hesabi, “An Improved Method for Malware Attack Detection in Cloud Computing Using Collective Learning,” Sci. J. Electron. Cyber Def., vol. 10, no. 4, pp. 33–39, 2023, [Online]. Available: https://ecdj.ihu.ac.ir/article_207864.html. (in persian). [4] Y. Javed, M. A. Khayat, A. A. Elghariani, and A. Ghafoor, “PRISM: A Hierarchical Intrusion Detection Architecture for Large-Scale Cyber Networks,” IEEE Trans. Dependable Secur. Comput., pp. 1–17, 2023, doi: 10.1109/TDSC.2023.3240315. [5] H. Deshmukh and J. Springer, “Identifying Bipartite Subgraphs for Community Detection in Very Large Scale Cyber Networks,” Proc. - 2018 IEEE Int. Conf. Big Data, Big Data 2018, pp. 4789–4797, 2019, doi: 10.1109/BigData.2018.8622614. [6] A. Croitoru, N. Wayant, A. Crooks, J. Radzikowski, and A. Stefanidis, “Linking cyber and physical spaces through community detection and clustering in social media feeds,” Comput. Environ. Urban Syst., vol. 53, pp. 47–64, 2015, doi: 10.1016/j.compenvurbsys.2014.11.002. [7] P. Mane, S. Shanbhag, T. Kamath, P. Mackey, and J. Springer, “Analysis of Community Detection Algorithms for Large Scale Cyber Networks,” Proc. 2016 Inf. Secur. Res. Educ. Conf., no. 2016, 2016. [8] X. Hu, J. Han, and N. Cercone, “Discovering Cyber Communities from the WWW,” Proc. - IEEE Comput. Soc. Int. Comput. Softw. Appl. Conf., pp. 590–594, 2003, doi: 10.1109/cmpsac.2003.1245400. [9] L. Hu, X. Pan, Z. Tang, and X. Luo, “A Fast Fuzzy Clustering Algorithm for Complex Networks via a Generalized Momentum Method,” IEEE Trans. Fuzzy Syst., vol. 30, no. 9, pp. 3473–3485, 2022, doi: 10.1109/TFUZZ.2021.3117442. [10] T. R. Smith and N. Bosanac, “Constructing a set of motion primitives in the circular restricted three-body problem via clustering,” Adv. Astronaut. Sci., vol. 171, pp. 1283–1302, 2020. [11] N. Nejjari, S. Lahlou, O. Fadi, K. Zkik, M. Oudani, and H. Benbrahim, “Conflict spectrum: An empirical study of geopolitical cyber threats from a social network perspective,” 2021 8th Int. Conf. Soc. Netw. Anal. Manag. Secur. SNAMS 2021, 2021, doi: 10.1109/SNAMS53716.2021.9732155. [12] F. Gasparetti, G. Sansonetti, and A. Micarelli, “Community detection in social recommender systems: a survey,” Appl. Intell., vol. 51, no. 6, pp. 3975–3995, 2021, doi: 10.1007/s10489-020-01962-3. [13] Amna, N. M. Nawi, M. Aamir, and M. F. Mushtaq, The Comparative Performance Analysis of Clustering Algorithms, vol. 457 LNNS. Springer International Publishing, 2022. [14] U. Von Luxburg, “A tutorial on spectral clustering,” Stat. Comput., vol. 17, no. 4, pp. 395–416, 2007, doi: 10.1007/s11222-007-9033-z. [15] K. Berahmand, M. Mohammadi, A. Faroughi, and R. P. Mohammadiani, “A novel method of spectral clustering in attributed networks by constructing parameter-free affinity matrix,” Cluster Comput., vol. 25, no. 2, pp. 869–888, 2022, doi: 10.1007/s10586-021-03430-0. [16] Z. A. El Mouden, A. Jakimi, and M. Hajar, “An application of spectral clustering approach to detect communities in data modeled by graphs,” in ACM International Conference Proceeding Series, 2019, vol. Part F1481, doi: 10.1145/3320326.3320330. [17] J. Qiu, J. Peng, and Y. Zhai, “Network community detection based on spectral clustering,” in Proceedings - International Conference on Machine Learning and Cybernetics, 2014, vol. 2, pp. 648–652, doi: 10.1109/ICMLC.2014.7009685. [18] M. Shutaywi and N. N. Kachouie, “Silhouette analysis for performance evaluation in machine learning with applications to clustering,” Entropy, vol. 23, no. 6, pp. 1–17, 2021, doi: 10.3390/e23060759. [19] L. da F. Costa, “Further Generalizations of the Jaccard Index,” 2021, [Online]. Available: http://arxiv.org/abs/2110.09619. | ||
|
آمار تعداد مشاهده مقاله: 312 تعداد دریافت فایل اصل مقاله: 27 |
||