تخصیص منابع امنیتی برای مقابله با حملات در اینترنت اشیا با استفاده از یادگیری ماشین

امروزه شبکه های اینترنت اشیا (IoT) با توجه به محدودیت منابع پردازشی، ناهمگونی و محدودیت انرژی در اشیا و همچنین عدم وجود استانداردی واحد برای پیاده سازی سازوکارهای امنیتی به کانون و مرکز توجه حملات امنیتی تبدیل شده اند. در این مقاله، یک راهکار برای مسئله تخصیص منابع امنیتی به جهت مقابله با حملات در اینترنت اشیا ارائه خواهد شد. مسئله تخصیص منابع امنیتی در شبکه IoT (SRAIoT) به جای گذاری امن افزارها در زیرساخت IoT اشاره دارد. برای حل این مسئله نیاز است که شرایط پویای محیط ارتباطی و عدم قطعیت در مورد عملکرد مهاجمان لحاظ شود. در رویکرد های سنتی تخصیص منابع امنیتی در IoT، مهاجم بر اساس مفروضات خود از شرایط سیستم، دست به حمله زده و در مقابل، مدافع نیز در سیستم با شناخت قبلی از رفتار مهاجم و گره های مورد حمله به مقابله می پردازد. برخلاف رویکردهای پیشین در این پژوهش از رویکردی واقع بینانه برای تخصیص پویای منابع امنیتی در شبکه IoT جهت مقابله با مهاجمانی با رفتار ناشناخته استفاده شده است. در مسئله مطرح شده به این علت که در بازه های یادگیری در مورد استقرار چند منبع امنیتی نیاز به اتخاذ تصمیم وجود دارد، فضای حالت راهبردها به صورت ترکیبیاتی بیان می شود. همچنین مسئله SRAIoT در چارچوب یک مسئله قمار چندبازویی ترکیبیاتی- تخاصمی مطرح می شود. از آنجا که در شرایط واقعی، جابه جایی منابع امنیتی استقرار یافته دارای هزینه بالایی است، هزینه مذکور در تابع سودمندی مسئله لحاظ شده و بنابراین چارچوب پیشنهادی به صورت توامان هزینه جابه جایی و پاداش کسب شده را مد نظر قرار می دهد. نتایج شبیه سازی نشان دهنده همگرایی سریع تر معیار پشیمانی ضعیف الگوریتم های پیشنهادی نسبت به الگوریتم ترکیبیاتی پایه است. علاوه بر این به منظور شبیه سازی شبکه IoT در بستری واقع بینانه، شبیه سازی سناریوی حمله با استفاده از شبیه ساز Cooja نیز انجام شده است.