دانلود ترجمه مقاله چارچوب کاهش حمله DDoS برای شبکه IOT با رایانش مه

1. مقدمه 2. تحقیقات مرتبط 3. چارچوب پیشنهادی 4. ارزیابی عملکرد 5. نتیجه گیری

چکیده – ظهور شبکه 5G باعث ارتباط دستگاه ها با سرعت بیشتر و تاخیر کمتر شده است و به رشد شبکه اینترنت اشیا (IOT) کمک کرده است. علیرغم مزایای IOT، کاربردهای آن در حوزه هایی همچون خدمات سلامت هوشمند، منزل هوشمند، شهر هوشمند و غیره، نگرانی های امنیتی متعددی از جمله حملات انکار سرویس توزیع شده (DDoS) را به وجود آورده اند. در این مقاله چارچوبی برای کاهش DDoS برای IOT با استفاده از رایانش مه را معرفی کردیم که تشخیص سریع و دقیق حمله را تضمین می کند. رایانش مه منابع لازم برای استقرار موثر چارچوب کاهشی را فراهم می کند، بدین ترتیب مشکل کمبود منابع در دستگاه های IOT دچار محدودیت منابع برطرف می شود. چارچوب کاهشی از یک روش تشخیص نفوذ مبتنی بر ناهنجاری و یک پایگاه داده استفاده می کند. پایگاه داده امضاهای حملات قبلاً تشخیص داده شده را ذخیره می کند، اما روش تشخیص مبتنی بر ناهنجاری از الگوریتم طبقه بندی K-NN برای تشخیص حملات DDoS استفاده می کند. با استفاده از پایگاه داده حاوی امضاهای حمله، در صورت تکرار همان نوع حمله تشخیص سریع تر صورت می گیرد. ارزیابی ها با استفاده از مجموعه داده مبتنی بر DDoS نشان داد که الگوریتم طبقه بندی K-NN پیشنهادی برای چارچوب ما، دقت رضایت بخشی در تشخیص حملات DDoS بدست می آورد.

The advent of 5G which strives to connect more devices with high speed and low latencies has aided the growth IoT network. Despite the benefits of IoT, its applications in several facets of our lives such as smart health, smart homes, smart cities, etc. have raised several security concerns such as Distributed Denial of Service (DDoS) attacks. In this paper, we propose a DDoS mitigation framework for IoT using fog computing to ensure fast and accurate attack detection. The fog provides resources for effective deployment of the mitigation framework, this solves the deficits in resources of the resource-constrained IoT devices. The mitigation framework uses an anomaly-based intrusion detection method and a database. The database stores signatures of previously detected attacks while the anomaly-based detection scheme utilizes k-NN classification algorithm for detecting the DDoS attacks. By using a database containing the attack signatures, attacks can be detected faster when the same type of attack is executed again. The evaluations using a DDoS based dataset show that the k-NN classification algorithm proposed for our framework achieves a satisfactory accuracy in detecting DDoS attacks.

ترجمه این مقاله در 13 صفحه آماده شده و در ادامه نیز صفحه 7 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.