Forsvar mod trådløse angreb ved hjælp af et dybt neuralt netværk og spilteori

Et stigende antal enheder er nu forbundet til internettet og er i stand til at indsamle, afsendelse og modtagelse af data. Denne sammenkobling mellem enheder, omtalt som tingenes internet (IoT), udgør alvorlige sikkerhedstrusler, da cyberangribere nu kan målrette mod computere og smartphones, men også en lang række andre enheder, såsom tablets, smarte ure, smarte hjem systemer, transportsystemer og så videre.

Indtil videre, eksempler på IoT-implementeringer i stor skala (f.eks. forbundet infrastruktur, byer, osv.) er noget begrænsede, men de kunne snart blive udbredt, udgør betydelige risici for virksomheder og offentlige tjenester, der er stærkt afhængige af internettet i deres daglige drift. For at mindske disse risici, forskere har forsøgt at udvikle sikkerhedsforanstaltninger for at beskytte enheder, der er forbundet til internettet, mod angreb på trådløst netværk.

Til denne ende, to forskere ved Baoji University of Arts and Sciences, i Kina, har for nylig udviklet en ny metode til at forsvare enheder i et IOT-miljø mod trådløse netværksangreb. Deres tilgang, præsenteret i et papir offentliggjort i Springer's International Journal of Wireless Information Networks , kombinerer et dybt neuralt netværk med en model baseret på spilteori, en gren af ​​matematikken, der foreslår strategier til håndtering af situationer, der medfører konkurrence mellem forskellige parter.

"For det første, ifølge netværkets topologioplysninger, tilgængelighedsforholdet og netværkets sårbarhedsoplysninger, metoden genererer netværkets statsangrebs- og forsvarskort, " forklarede forskerne i deres papir. "Baseret på statens angrebs- og forsvarskort, baseret på den ikke-samarbejdsvillige ikke-nulsum spilmodel, der foreslås en optimal angrebs- og forsvarsbeslutningsalgoritme."

I det væsentlige, deres metode genererer et statsangrebs- og forsvarskort baseret på netværkets tilgængelighed og sårbarhedsinformation, som identificerer alle mulige angrebs- og forsvarsveje. Den beregner derefter sandsynligheden for succes for hver af disse "angrebsstier, " et fareindeks og nytteværdien af ​​forskellige angrebs- og forsvarsstrategier, der gælder, når netværket når bestemte sikkerhedstilstande. Derudover, samspillet mellem angreb og forsvar abstraheres til en ikke-samarbejdsvillig, ikke-nul og hybrid spilmodel; en spilteoretisk ramme gældende for problemer relateret til angreb og forsvar.

Denne optimale angrebs- og forsvarsmodel integrerer også forebyggelses- og kontrolforanstaltninger af sårbare punkter. Metodens fuzzy system kvantificerer derefter et informationssikkerhedsrisikofaktorindeks og sender det til et neuralt netværk med radial basisfunktion (RBF). For at optimere og træne parametrene for RBF neurale netværk, forskerne brugte en partikelsværmoptimeringsalgoritme. Ultimativt, alle disse trin giver deres metode mulighed for at opnå en optimeret forsvarsmodel.

I fremtiden, teknikken udviklet af dette team af forskere kan hjælpe med at beskytte IoT-enheder mod trådløse netværksangreb. I en række simuleringer, der evaluerer dens effektivitet, forsvarsalgoritmen fungerede bemærkelsesværdigt godt, med en gennemsnitlig fejl på under 2 pct.

"Simuleringsresultater viser, at den trådløse netværksangrebsforsvarsalgoritme ved hjælp af et dybt neuralt netværk kombineret med spilmodel kan løse defekterne med subjektiv tilfældighed og uklar konklusion af traditionelle trådløse netværksangrebsforsvarsmetoder, " skrev forskerne i deres papir. "Den gennemsnitlige fejl er mindre end 2 procent, og det er mere traditionelt end maskinlæringsalgoritmer, der har højere tilpasningsnøjagtighed, større indlæringsevne, og hurtigere konvergens."

© 2019 Science X Network