منصة الرسائل والاطاريح: كشف وتخفيف ( او منع ) هجمات منع الخدمة الموزع في انترنيت الاشياء باستخدام الانتروبيا وتعلم الاله في بيئة الحوسبة الضبابية

الخلاصة

ساعد إدخال تقنية جديدة على النمو الهائل لإنترنت الأشياء، مما سمح بتوصيل المزيد من الأجهزة في شبكة إنترنت الأشياء من خلال توفر اتصالات أسرع وتقليل زمن الوصول. نظرًا لأن شبكات إنترنت الأشياء (IoT) أصبحت أكثر انتشارًا ومستخدمة على نطاق واسع، فقد أصبح الأمان أحد المتطلبات الأساسية، كما أن هجوم رفض الخدمة الموزع (DDoS) يشكل تهديدًا أمنيًا كبيرًا بسبب الموارد المحدودة (وحدة المعالجة المركزية، الذاكرة، مفتوح المصدر، اتصال مستمر) يمكن استخدامه لزيادة هجمات DDOS عن قصد أو عن غير قصد. اعتداء DDoS هو هجوم قائم على الازدحام يمنع المستخدمين الشرعيين من الوصول إلى موارد الضحية عن طريق إغراقهم بحزم لا قيمة لها. يعد اكتشاف هجوم DDoS أمرًا صعبًا نظرًا لعدم وجود إرشادات موحدة لتحديد التدفق الشرعي للشبكة بشكل موثوق. في هذا العمل، نقترح إطار عمل قائم على الانتروبيا مع خوارزميات التعلم الآلي لتحسين نتيجة الاكتشاف. يتكون النظام المقترح من ثلاثة أجزاء: الجزء الأول هو إنشاء نافذة زمنية منزلقة لحساب الانتروبيا؛ والثاني هو استخدام قيمة عتبة الانتروبيا لجعل الاكتشاف المبكر ممكنًا أثناء DDoS ولكن ليس بعد الانهيار؛ الجزء الثالث هو استخدام خوارزميات التعلم الآلي KNN) و(SVM لتحسين دقة النتائج في الكشف المبكر. تم إجراء عدة تجارب لتنفيذ النظام المقترح. أظهرت النتائج التي تم الحصول عليها أنه قادر على اكتشاف هجمات DDoS بكفاءة عالية. كانت الدقة الإجمالية لـ CICDDoS2019 هي 99.99٪، وكان المعدل الإيجابي الخاطئ 0، ومعدل فقدان السجل 0.003. في حين أن الدقة الإجمالية في مجموعة بيانات UNSW-Bot-IoT2018 كانت 100٪، كان المعدل الإيجابي الخاطئ 0 وكان معدل فقدان السجل 0. تم استخراج معلومات نمط هجوم رفض الخدمة الموزع من مجموعتي بيانات CICDDoS2019 وUNSW-Bot-IoT2018، وتم تدريب النظام المقترح عليها من أجل التنفيذ في الوقت الفعلي. كانت الدقة الكلية في الوقت الفعلي 99.88٪، والمعدل الإيجابي الخاطئ 0.01٪، ومعدل الخسارة اللوغاريتمية 0.04٪