Carte d'état d'attaque et de défense générée par la technique des chercheurs. Crédit :Wang &Zhang.
Un nombre croissant d'appareils sont désormais connectés à Internet et sont capables de collecter, envoyer et recevoir des données. Cette interconnexion entre les appareils, appelé Internet des objets (IoT), pose de graves menaces pour la sécurité, car les cyberattaquants peuvent désormais cibler les ordinateurs et les smartphones, mais aussi une vaste gamme d'autres appareils, comme les comprimés, montres intelligentes, systèmes de maison intelligente, systèmes de transport et ainsi de suite.
Pour le moment, exemples de mise en œuvre IoT à grande échelle (par exemple, infrastructure connectée, villes, etc.) sont quelque peu limités, pourtant ils pourraient bientôt se généraliser, posant des risques importants pour les entreprises et les services publics qui dépendent fortement d'Internet dans leurs opérations quotidiennes. Pour atténuer ces risques, les chercheurs ont essayé de développer des mesures de sécurité pour protéger les appareils connectés à Internet contre les attaques de réseau sans fil.
À cette fin, deux chercheurs de l'Université des Arts et des Sciences de Baoji, en Chine, ont récemment développé une nouvelle méthode pour défendre les appareils dans un environnement IOT contre les attaques de réseau sans fil. Leur approche, présenté dans un article publié dans Springer's Journal international des réseaux d'information sans fil , combine un réseau de neurones profonds avec un modèle basé sur la théorie des jeux, une branche des mathématiques qui propose des stratégies pour faire face à des situations impliquant une compétition entre différentes parties.
"Premièrement, selon les informations de topologie du réseau, la relation d'accessibilité et les informations de vulnérabilité du réseau, le procédé génère la carte d'état d'attaque et de défense du réseau, " les chercheurs ont expliqué dans leur article. " Sur la base de la carte d'attaque et de défense de l'État, basé sur le modèle de jeu non coopératif à somme non nulle, un algorithme optimal de décision d'attaque et de défense est proposé."
Essentiellement, leur méthode génère une carte d'état d'attaque et de défense basée sur les informations d'accessibilité et de vulnérabilité du réseau, qui identifie toutes les voies d'attaque et de défense possibles. Il calcule ensuite la probabilité de succès de chacune de ces "voies d'attaque, " un indice de danger et la valeur d'utilité des différentes attaques une stratégie de défense applicable lorsque le réseau atteint des états de sécurité particuliers. De plus, l'interaction entre l'attaque et la défense est abstraite dans un non-coopératif, modèle de jeu non nul et hybride ; un cadre de théorie des jeux applicable aux problèmes liés à l'offensive et à la défense.
Ce modèle optimal d'attaque et de défense intègre également des mesures de prévention et de contrôle des points vulnérables. Le système flou de la méthode quantifie ensuite un indice de facteur de risque de sécurité de l'information et le transmet à un réseau de neurones à fonction de base radiale (RBF). Pour optimiser et entraîner les paramètres du réseau de neurones RBF, les chercheurs ont utilisé un algorithme d'optimisation d'essaim de particules. Finalement, toutes ces étapes permettent à leur méthode d'atteindre un modèle de défense optimisé.
À l'avenir, la technique développée par cette équipe de chercheurs pourrait aider à protéger les appareils IoT contre les attaques des réseaux sans fil. Dans une série de simulations évaluant son efficacité, l'algorithme de défense s'est remarquablement bien comporté, avec une erreur moyenne inférieure à 2 pour cent.
"Les résultats de la simulation montrent que l'algorithme de défense contre les attaques de réseau sans fil utilisant un réseau de neurones profond combiné à un modèle de jeu peut résoudre les défauts d'aléatoire subjectif et de conclusion floue des méthodes traditionnelles de défense contre les attaques de réseau sans fil, " les chercheurs ont écrit dans leur article. " L'erreur moyenne est inférieure à 2 pour cent, et il est plus traditionnel que l'algorithme d'apprentissage automatique qui a une précision d'ajustement plus élevée, une plus grande capacité d'apprentissage, et une convergence plus rapide."
© 2019 Réseau Science X