نقشه سایت

درخت الگوی فازی برای تشخیص و طبقه بندی بدافزار لبه ای در اینترنت اشیا

سرعت ناگهانی توسعه اینترنت اشیا (IoT) و کاربردهای آن منجر به انتقال و پردازش حجم قابل توجهی از داده ها (کلان داده) در میان شبکه های اینترنت اشیا شده است. در حالیکه محاسبات ابر منجر به امکانات متعددی در راستای این چالش محاسباتی شده است، ریسک ها و نگرانی های امنیتی متعددی در رابطه با آن وجود دارد. محاسبات لبه ای موضوع جدیدی در اینترنت اشیا است که برای غیرمتمرکزسازی، توزیع و انتقال محاسبات به گره های IoT تلاش می کند. همچنین، گره های IoT ای که برنامه های کاربردی را اجرا می کنند، بردارهای هدف اولیه ای هستند که این امکان را به مجرمان سایبری می دهند تا شبکه IoT را تهدید کنند. بنابراین، فراهم سازی روش های قوی برای تشخیص فعالیت های خطرناک توسط گره ها، گام بزرگی در حفاظت از تمام شبکه ها است. در این مطالعه به تبدیل OpCodes های برنامه ها به فضای بردار و استفاده از روش های درخت الگوی فازی سریع برای تشخیص و طبقه بندی بدافزار می پردازیم. در طول زمان های اجرای منطقی مخصوصا برای درخت الگوی فازی سریع به درجه بالایی از صحت دست یافتیم. هر دو استخراج مشخصه و طبقه بندی فازی بکار رفته که قوی بوبدند منجر به روش تشخیص و طبقه بندی بدافزار محاسبات لبه ای قوی تر شدند.

 

کلمات کلیدی: تشخیص بدافزار، محاسبات لبه ای، اینترنت اشیا، درخت الگوی فازی، یادگیری ماشین، امنیت سایبری.

 

Fuzzy pattern tree for edge malware detection and categorization in IoT

Journal of Systems Architecture Volume 97, August 2019, Pages 1-7

Abstract

The surging pace of Internet of Things (IoT) development and its applications has resulted in significantly large amounts of data (commonly known as big data) being communicated and processed across IoT networks. While cloud computing has led to several possibilities in regard to this computational challenge, there are several security risks and concerns associated with it. Edge computing is a state-of-the-art subject in IoT that attempts to decentralize, distribute and transfer computation to IoT nodes. Furthermore, IoT nodes that perform applications are the primary target vectors which allow cybercriminals to threaten an IoT network. Hence, providing applied and robust methods to detect malicious activities by nodes is a big step to protect all of the network. In this study, we transmute the programs’ OpCodes into a vector space and employ fuzzy and fast fuzzy pattern tree methods for malware detection and categorization. We obtained a high degree of accuracy during reasonable run-times especially for the fast fuzzy pattern tree. Both utilized feature extraction and fuzzy classification, which were robust, led to more powerful edge computing malware detection and categorization method.

Keywords: Malware detection, Edge computing, IoT Fuzzy pattern tree, Machine learning, Cyber security

تماس با ما

  • آدرس: تبریز، میدان دانشسرا، خایابان خاقانی، پاساژ خاقانی، پلاک 119
  • تلفن تماس: 35250068-041
  • فکس: 35250069-041
  • این آدرس ایمیل توسط spambots حفاظت می شود. برای دیدن شما نیاز به جاوا اسکریپت دارید
  • موبایل: 09141077352

طلا ترجمه

وب سایت طلا ترجمه از  سال  1385 شروع به کار نموده است  و تا کنون بیش از ده هزار ترجمه در رشته ها و زمینه های مختلف توسط متخصصین این مرکز انجام  شده  است.طلا ترجمه اولین وب‌سایت ایرانی است که امکان محاسبه آنلاین مبلغ ترجمه را به دو روش مختلف فراهم نموده است تا بتواند گامی موثر در راحتی شما مشتریان عزیز بردارد.

دیکشنری تصویری

ارسال سریع پیام

  1. لطفا نام و نام خانوادگی خود را وارد نمایید.
  2. لطفا آدرس پست الکترونیکی خود را صحیح وارد نمایید.
  3. لطفا موضوع پیام ارسالی خود را بنویسید.
  4. لطفا متن پیام خود را تکمیل نمایید.
Top
We use cookies to improve our website. By continuing to use this website, you are giving consent to cookies being used. Cookie policy. I accept cookies from this site. Agree