science >> Wetenschap >  >> Elektronica

Verdediging tegen draadloze aanvallen met behulp van een diep neuraal netwerk en speltheorie

Staatsaanval en verdedigingskaart gegenereerd door de techniek van de onderzoekers. Krediet:Wang &Zhang.

Een groeiend aantal apparaten is nu verbonden met internet en kan verzamelen, gegevens verzenden en ontvangen. Deze onderlinge verbinding tussen apparaten, Internet of Things (IoT) genoemd, vormt een ernstige bedreiging voor de veiligheid, omdat cyberaanvallers zich nu kunnen richten op computers en smartphones, maar ook een groot aantal andere apparaten, zoals tabletten, slimme horloges, slimme huissystemen, transportsystemen enzovoort.

Voorlopig, voorbeelden van grootschalige IoT-implementaties (bijv. verbonden infrastructuur, steden, enz.) zijn enigszins beperkt, toch zouden ze spoedig wijdverbreid kunnen worden, aanzienlijke risico's voor bedrijven en openbare diensten die in hun dagelijkse activiteiten sterk afhankelijk zijn van internet. Om deze risico's te beperken, onderzoekers hebben geprobeerd beveiligingsmaatregelen te ontwikkelen om apparaten die met internet zijn verbonden te beschermen tegen aanvallen op draadloze netwerken.

Hiertoe, twee onderzoekers aan de Baoji University of Arts and Sciences, in China, hebben onlangs een nieuwe methode ontwikkeld om apparaten in een IOT-omgeving te beschermen tegen draadloze netwerkaanvallen. Hun aanpak, gepresenteerd in een paper gepubliceerd in Springer's International Journal of Wireless Information Networks , combineert een diep neuraal netwerk met een model gebaseerd op speltheorie, een tak van de wiskunde die strategieën voorstelt voor het omgaan met situaties die concurrentie tussen verschillende partijen met zich meebrengen.

"Ten eerste, volgens de topologie-informatie van het netwerk, de bereikbaarheidsrelatie en de kwetsbaarheidsinformatie van het netwerk, de methode genereert de aanvals- en verdedigingskaart van het netwerk, " verklaarden de onderzoekers in hun paper. "Op basis van de aanvals- en verdedigingskaart van de staat, gebaseerd op het niet-coöperatieve non-zero-sum spelmodel, een optimaal aanvals- en verdedigingsbeslissingsalgoritme wordt voorgesteld."

Eigenlijk, hun methode genereert een aanvals- en verdedigingskaart van de staat op basis van informatie over de bereikbaarheid van het netwerk en kwetsbaarheid, die alle mogelijke aanvals- en verdedigingspaden identificeert. Het berekent vervolgens de kans op succes van elk van deze "aanvalspaden, " een gevarenindex en de gebruikswaarde van verschillende aanvallen en verdedigingsstrategieën die van toepassing zijn wanneer het netwerk bepaalde beveiligingsstatussen bereikt. Bovendien, de interactie tussen aanval en verdediging wordt geabstraheerd tot een niet-coöperatieve, niet-nul en hybride spelmodel; een speltheorie die van toepassing is op problemen met betrekking tot aanval en verdediging.

Dit optimale aanvals- en verdedigingsmodel integreert ook preventie- en controlemaatregelen van kwetsbare punten. Het fuzzy-systeem van de methode kwantificeert vervolgens een informatiebeveiligingsrisicofactorindex en voert deze naar een neuraal netwerk van de radiale basisfunctie (RBF). Om de parameters van het RBF neurale netwerk te optimaliseren en te trainen, de onderzoekers gebruikten een algoritme voor het optimaliseren van deeltjeszwerm. uiteindelijk, al deze stappen stellen hun methode in staat om een ​​geoptimaliseerd verdedigingsmodel te bereiken.

In de toekomst, de door dit team van onderzoekers ontwikkelde techniek zou kunnen helpen om IoT-apparaten te beschermen tegen draadloze netwerkaanvallen. In een reeks simulaties die de effectiviteit ervan evalueren, het verdedigingsalgoritme presteerde opmerkelijk goed, met een gemiddelde fout van minder dan 2 procent.

"Simulatieresultaten tonen aan dat het verdedigingsalgoritme voor draadloze netwerkaanvallen met behulp van een diep neuraal netwerk in combinatie met een spelmodel de gebreken van subjectieve willekeur en vage conclusie van traditionele verdedigingsmethoden voor draadloze netwerkaanvallen kan oplossen, ' schreven de onderzoekers in hun paper. 'De gemiddelde fout is minder dan 2 procent, en het is traditioneler dan machine learning-algoritmen die een hogere pasnauwkeurigheid hebben, groter leervermogen, en snellere convergentie."

© 2019 Wetenschap X Netwerk