چکیده مقاله
شبکه های با قابلیت تحمل تاخیر DTN برای محیط های چالش برانگیز با قطع اتصال و تاخیرهای طولانی طراحی شده اند معماری ذخیره حمل ارسال در آن ها، این شبکه ها را در برابر حملات اشباع منابع REA ، به ویژه حملات به حافظه گره ها، آسیب پذیر می کند راهکارهای امنیتی سنتی در شناسایی این تهدیدات در DTN ناکارآمد هستند این مقاله رویکردی نوین مبتنی بر شبکه های عصبی بازگشتی RNN برای بهبود تشخیص REA در DTN ارائه می دهد مدل پیشنهادی از RNN برای تحلیل الگوهای زمانی پیچیده رفتار شبکه استفاده می کند و با مهندسی ویژگی هوشمند ترکیب شده است این ویژگی ها شامل سطح اشغال بافر، زمان ماندگاری بسته ها Bundles و نرخ تغییرات ترافیک می شوند برای ارزیابی، محیط شبیه سازی واقع گرایانه با شبیه ساز The ONE پیاده سازی شد و دیتاست جامع با ترافیک عادی و سناریوهای حمله تولید گردید نتایج نشان دهنده دقت تشخیص ۹۹ ۲% با نرخ مثبت کاذب پایین است این رویکرد، دفاع هوشمندی برای ایمن سازی DTN در برابر حملات REA فراهم می کند و برتری RNN در درک دینامیک این شبکه ها را برجسته می سازد
کلیدواژهها
نویسندگان
مهرناز عسگری
دانشجوی دکترا، گروه کامپیوتر، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران
کامبیز مجیدزاده
استادیار، گروه کامپیوتر، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران
شیوه ارجاع
�سگری، مهرناز و مجیدزاده، کامبیز،1404،رویکردی نوین مبتنی بر شبکه های عصبی بازگشتی RNN برای بهبود تشخیص حملات اشباع منابع در شبکه های DTN،چهارمین کنفرانس بین المللی و نهمین کنفرانس ملی کامپیوتر، فناوری اطلاعات و کاربردهای هوش مصنوعی،اهواز
ارائهشده در
مجموعه مقالات پنجمین همایش ملی و نخستین همایش بین المللی محاسبات نرم علوم مهندسی در صنعت و جامعه26 بهمن 1404 · ایرانشهر