Mobiliojo ad hoc tinklo saugumo tobulinimas: hibridinis giluminio mokymosi modelis, skirtas potvynių atakų aptikimui

Ad hoc tinklai yra decentralizuoti, savaime suprantami tinklai, kuriuose mazgai bendrauja be fiksuotos infrastruktūros. Jie dažniausiai naudojami kariniuose, atkuriant nelaimes ir IoT programas. Kiekvienas mazgas veikia ir pagrindiniu kompiuteriu, ir kaip maršrutizatoriumi, dinamiškai persiunčiant duomenis.

Potvynių atakos ad hoc tinkluose įvyksta, kai kenksmingas mazgas per daug perduoda padirbtus maršruto užklausas ar duomenų paketus, pribloškiančias tinklą. Tai lemia išteklių išsekimą, padidėjusį latenciją ir galimą tinklo gedimą.

Naujausi potvynių atakų mažinimo darbai ad hoc tinkluose sutelkia dėmesį į pasitikėjimą pagrįstu maršrutų parinkimu, mašinų mokymosi klasifikacija ir adaptyviojo įsibrovimo aptikimu. Tokie metodai, tokie kaip SVM, neuroniniai tinklai ir optimizavimo algoritmai, pagerina atakų aptikimą, patikimumą ir tinklo veikimą. Hibridiniai modeliai dar labiau padidina tikslumą ir sumažina klaidingą aliarmą. Nepaisant pastebimos pažangos mažinant tokias ataka Mands, dabartiniai metodai stengiasi subalansuoti aptikimo tikslumą, išlaikyti energijos vartojimo efektyvumą ir prisitaikyti prie greitai besikeičiančių tinklo sąlygų.

Kaip atsakymas į šiuos iššūkius, neseniai buvo paskelbtas naujas dokumentas, siūlantis energiją taupantį hibridinį maršruto parinkimo protokolą, siekiant sušvelninti potvynių išpuolius MANETS, naudojant CNN-LSTM/GRU klasifikaciją. Hibridinis metodas integruoja mašinų mokymąsi su maršruto parinkimo protokolu, kad būtų optimizuotas energijos vartojimo efektyvumas, tuo pačiu išvengdamas atakų. Modelis klasifikuoja mazgus kaip patikimus ar nepatikimus, atsižvelgiant į jų paketų perdavimo elgseną, juodąjį sąrašą, viršijantį tuos, kurie viršija iš anksto nustatytas slenksčius. Treniruotės apima funkcijų ištraukimą tiek iš gerybinių, tiek iš kenksmingų mazgų, o klasifikacija priklauso nuo išmoktų modelių.

Siekdamas padidinti tikslumą, modelis taiko CNN funkcijų gavybai, po to sekos mokymosi LSTM arba GRU, optimizuodamas sprendimų priėmimą realiuoju laiku. Protokolas pašalina kenksmingus mazgus aptikus RREQ potvynių išpuolius, užtikrinant energijos taupymą. MATLAB yra naudojamas kurti mokymo duomenų rinkinį ir įgyvendinti Euklidean atstumą pagrįstą klasifikaciją. Pasitikėjimo įvertinime naudojamas ryšio galiojimo laikas (LET) ir likutinė energija (RE), o mazgai reikalauja mažiausiai pasitikėjimo vertės – 0,5, kad būtų galima dalyvauti maršrute. Galiausiai, ML pagrįstas AODV protokolas pasirenka mazgus su didžiausiomis pasitikėjimo vertėmis, kad optimizuotų paketų pristatymą ir sumažintų pakartojimą.

Siekdama įvertinti siūlomą požiūrį, tyrimų komanda atliko modeliavimą MATLAB R2023A, kad įvertintų hibridinio giluminio mokymosi modelio, skirto potvynių atakų aptikimui Mandse, veikimą. Modeliavimo aplinka tiksliai modeliavo fizinį MANETS sluoksnį, kad būtų užtikrintos realios vertinimo sąlygos. Buvo išanalizuota pagrindinė veikimo metrika, įskaitant paketų pristatymo santykį, pralaidumą, maršruto nustatymą viršutinę vertę, klasterių galvučių stabilumo laiką ir atakos aptikimo laiką.

Rezultatai parodė, kad siūlomas modelis pralenkė esamą DBN, CNN ir LSTM metodus. Tai pasiekė didesnį paketų pristatymo santykį (96,10% 60 mazgų), pagerino pralaidumą (263 kbps 100 mazgų) ir mažesnį maršruto parinkimą. Be to, jis parodė greitesnį atakos aptikimo laiką, pralenkdamas LSTM, CNN ir DBN. Klasifikavimo efektyvumo metrika dar labiau patvirtino jos pranašumą – 95% tikslumą, 90% specifiškumą ir 100% jautrumą. Šios išvados patvirtina modelio veiksmingumą gerinant MANET saugumą.

Siūlomas hibridinio giluminio mokymosi modelis rodo pažadą sušvelninti potvynių išpuolius, tačiau turi apribojimų. Jo skaičiavimo sudėtingumas didėja atsižvelgiant į tinklo dydį, ribojant realiojo laiko naudojimą dideliuose tinkluose, todėl reikia didelės atminties ir apdorojimo galios. Be to, pasikliauti MATLAB modeliavimu gali nevisiškai atspindėti realaus pasaulio „Manet“ dinamiką. Norint prisitaikyti prie besivystančių atakų strategijų, taip pat reikia reguliarių atnaujinimų ir perkvalifikavimo.

Apibendrinant, nors hibridiniai modeliai (CNN-LSTM ir CNN-GRU) pralenkia pradinius metodus, išlieka tokie iššūkiai kaip skaičiavimo pridėtinės vertės ir kintančios atakos.

Patikrinkite popierius. Visas šio tyrimo kreditas skirtas šio projekto tyrėjams. Be to, nepamirškite sekti mūsų „Twitter“ ir prisijunkite prie mūsų „Telegram“ kanalas ir „LinkedIn GrOUP. Nepamirškite prisijungti prie mūsų 75K+ ml subreddit.

🚨 Rekomenduojama atvirojo kodo AI platforma: „„ Intellagent “yra atvirojo kodo daugialypės terpės sistema, skirta įvertinti sudėtingą pokalbio AI sistemą“ (reklamuojama)