دانلود ترجمه مقاله تشخیص ناهنجاری برای جلوگیری از حمله DDoS در شبکه‌ IoT مبتنی بر مه

1. مقدمه 2. تجزیه و تحلیل دقیق 3. رویکرد پیشنهادی 4. ارزیابی 5. نتیجه گیری

چکیده – اینترنت اشیاء یا به طور خلاصهIoT شامل موجودیت‌ های به هم پیوسته نظیر دستگاه‌ های محاسباتی، ماشین‌ های مکانیکی، ابزارهای دیجیتال و غیره هستند. زیرساخت‌ های اینترنت اشیاء مبتنی بر ابر، مستعد حملات محروم‌ سازی از سرویس توزیع شده (DDoS) هستند. یک حمله DDoS ممکن است سرور را برای مدت طولانی غیر قابل استفاده کند و به دلیل بارگذاری زیاد، باعث از کار افتادن سرویس ها شود. در این پروژه سعی خواهیم کرد تا مفهوم رایانش مه را معرفی کرده و اهمیت آن را در یک معماری 3 لایه توضیح دهیم. ما یک معماری تشخیص ناهنجاری برای شبکه‌ های اینترنت اشیاء پیشنهاد کرده ‌ایم که در آن تشخیص در لایه مه اتفاق می ‌افتد. این الگوریتم مبتنی بر معیار CRPS است که یک الگوریتم تک متغیری می باشد و در اکثر الگوریتم‌ های آماری وجود دارد. بنابراین، ما راهی برای استفاده از متغیرهای متعدد پیشنهاد کرده ‌ایم و نشان داده ‌ایم که چرا در شبکه ‌ای ناهمگن مانند اینترنت اشیاء به آن نیاز است. برای تشخیص اهداف (داده‌ های آزمایشی)، از داده‌ های روز اول هفته پنجم دارپا 99 (DARPA 99) استفاده کرده ‌ایم، زیرا حاوی یک حمله TCP SYN است که یک بار به مدت 6 دقیقه و 51 ثانیه آغاز شده است و برای حمله ICMP از داده های روز 1 هفته 4 داده‌ های دارپا 99 استفاده شده است که در آن 2 حمله هر کدام به مدت هر 1 ثانیه رخ داده است. الگوریتم قادر است این حملات را به درستی شناسایی کند.

Internet of things or in short IoT is a network of interconnected entities such as computing devices, mechanical machines, digital gadgets etc. Cloud based IoT infrastructures are susceptible to Distributed Denial of Service (DDoS) attacks. A DDoS attack may render the server useless for a long period of time causing the services to crash due to extensive load. In this project we will try to introduce the concept of fog computing and try to explain its importance in a 3-tier architecture. We have proposed an anomaly detection architecture for IoT networks where the detection actually happens on the fog layer. The algorithm is based on the CRPS metric which is a single variable algorithm which is the case in most statistical algorithms. Therefore, we have proposed a way to use multiple variables and shown why it is required in a heterogeneous network like IoT. For detection purposes(testing data) we have used Week 5 Day 1 data of DARPA 99 as it contains a TCP SYN attack initiated once for a duration of 6 min 51 s and for ICMP Week 4 Day 1 data of DARPA 99 is used it has 2 attacks for 1s each. The algorithm is able to identify these attacks correctly.

ترجمه این مقاله در 29 صفحه آماده شده و در ادامه نیز صفحه 16 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.