فهرست نشریات علمی دسترسی آزاد ایران

حملات DDoS با ارسال حجم زیادی از ترافیک کاذب توسط بات‌نت‌ها، سرویس‌های شبکه را از دسترس کاربران خارج می‌کنند. یکی از روش‌های مقابله با حملات DDoS، استفاده از یادگیری ماشین است، اما این روش‌ها با چالش‌هایی مانند حجم بالای ترافیک IoT و عدم توازن در داده‌ها مواجه‌اند. این مقاله سیستم تشخیص نفوذ توزیع‌شده‌ای در لایه مه معرفی می‌کند که به‌صورت غیرمتمرکز ترافیک حملات شبکه را شناسایی می‌کند. در این روش، هر گره مه به عنوان سیستم تشخیص نفوذ عمل کرده و با تبادل لیست سیاه‌ها از طریق بلاکچین، محرمانگی شناسایی حملات را افزایش می‌دهند. گره های مه ویژگی‌های اصلی ترافیک شبکه را با استفاده از الگوریتم بهینه‌سازی کوآتی(Coati) شناسایی کرده و از این ویژگی‌ها برای آموزش شبکه عصبی چندلایه ا در تشخیص نفوذ استفاده می‌کنند. انتخاب ویژگی‌ها ترافیک را کاهش داده و دقت و سرعت شناسایی حملات را افزایش می‌دهد. برای تعادل ترافیک شبکه، از روش GAN بر اساس نظریه بازی‌ها استفاده می‌شود. آزمایش‌ها در محیط نرم‌افزاری متلب و روی NSL-KDD نشان می‌دهد که سیستم پیشنهادی دارای دقت، حساسیت و صحتی به ترتیب 98.67%، 98.52% و 98.34% است. این روش در شناسایی حملات شبکه دقیق‌تر از روش‌های انتخاب ویژگی مانند WOA، GWO و HHO و نیز دقیق‌تر از LSTM وCNN است.