دانلود مقاله مدل پیش‌بینی وضعیت امنیت شبکه اینترنت اشیا تطبیقی
چکیده
مقدمه
کمی ارزیابی وضعیت امنیت شبکه اینترنت اشیا
زیر ماژول پیش بینی وضعیت امنیت شبکه برای اینترنت اشیا
زیر ماژول تصحیح ارزش پیش بینی شده
نتایج تجربی و تجزیه و تحلیل
نتیجه گیری
منابع
Abstract
Introduction
Quantifcation of IoT Network Security Situation Assessment
Network Security Situation Prediction Sub‑module for the IoT
Predictive Value Correction Sub‑module
Experimental Results and Analysis
Conclusions
References
چکیده
با توسعه سریع فناوری اینترنت اشیا (IoT)، چگونگی پیش بینی موثر وضعیت امنیت شبکه اینترنت اشیا اهمیت ویژه ای پیدا کرده است. کمی کردن وضعیت شبکه اینترنت اشیا به دلیل تعداد زیادی از ابعاد داده های تاریخی دشوار است و همچنین مشکل دقت پایین برای پیش بینی وضعیت امنیت شبکه اینترنت اشیا با تغییرات چند اوج وجود دارد. برای حل مشکلات فوق، این مقاله یک مدل پیش‌بینی وضعیت امنیت شبکه اینترنت اشیا تطبیقی را پیشنهاد می‌کند که باعث می‌شود دقت پیش‌بینی وضعیت امنیت شبکه اینترنت اشیا بالاتر باشد. در ابتدا، این مقاله از روش همبستگی آنتروپی برای محاسبه توالی ارزش وضعیت امنیت شبکه در هر دوره کمی سازی با توجه به فرکانس هشدار (AF)، بحرانی هشدار (AC)، و شدت هشدار (AS) استفاده کرد. سپس، مقادیر وضعیت امنیتی مرتب شده در سری‌های زمانی از طریق مکانیسم پنجره کشویی تکه تکه می‌شوند و سپس از روش هموارسازی نمایی مکعبی تطبیقی برای تولید اولیه نتایج پیش‌بینی وضعیت امنیت شبکه اینترنت اشیا استفاده می‌شود. در نهایت، مقاله زنجیره مارکوف با وزن متغیر با زمان را برای پیش‌بینی مقدار خطا و اصلاح مقدار پیش‌بینی‌شده اولیه بر اساس حالت خطا ایجاد کرد. نتایج تجربی نشان می‌دهد که مدل دارای اثر برازش بهتر و دقت پیش‌بینی بالاتری نسبت به مدل‌های دیگر است و ضریب تعیین این مدل 811/0 است. در مقایسه با دو مدل دیگر، مجموع مربعات خطاها در این مدل 78٪ -82٪ کاهش می یابد. این مدل می‌تواند تغییرات در وضعیت امنیت شبکه اینترنت اشیا را در مدتی بهتر منعکس کند.
توجه! این متن ترجمه ماشینی بوده و توسط مترجمین ای ترجمه، ترجمه نشده است.
Abstract
With the rapid development of the Internet of things (IoT) technology, how to effectively predict the network security situation of the IoT has become particularly important. It is difficult to quantify the IoT network situation due to a large number of historical data dimensions, and there are also has the problem of low accuracy for IoT network security situation prediction with multi-peak changes. To solve the above problems, this paper proposed an adaptive IoT network security situation prediction model, which makes the IoT network security situation prediction accuracy higher. Firstly, the paper used the entropy correlation method to calculate the network security situation value sequence in each quantization period according to Alarm Frequency (AF), Alarm Criticality (AC), and Alarm Severity (AS). Then, the security situation values arranged in time series are fragmented through the sliding window mechanism, and then the adaptive cubic exponential smoothing method is used to initially generate the IoT network security situation prediction results. Finally, the paper built the time-varying weighted Markov chain to predict the error value and modify the initial predicted value based on the error state. The experimental results show that the model has a better fitting effect and higher prediction accuracy than other models, and this model’s determination coefficient is 0.811. Compared with the other two models, the sum of squared errors in this model is reduced by 78 %-82 %. The model can better reflect the changes in the IoT network security situation over a while.
Introduction
Today, although the Internet of things (IoT) has brought people convenience, also brings people security problems, such as communication interruption, privacy disclosure, information tampering, unsafe driving, etc. To solve these problems, Tang et al. [1] propose a new framework called Unmanned Aerial Vehicles (UAV) enabled social internet of vehicles. FLAUZAC et al. [2] proposed a network security framework for the IoT based on software-defned networking (SDN), which can well solve the security problems of wired and wireless networks. Therefore, how to efectively resolve the IoT security problems is necessary. To avoid losses in all aspects, the situation prediction of IoT network security is particularly important. According to network architecture, to complete the prediction and evaluation of the network security situation has become a research hotspot.
Conclusions
This paper proposes an adaptive IoT network security situation prediction model. The model quantifes the network security situation values of several cycles by entropy correlation method and segments the security situation values arranged in time series based on the sliding window mechanism. The author uses the adaptive cubic exponential smoothing method to generate the initial prediction results. And the author uses the time-varying weighted Markov chain to predict the error and correct the security situation prediction value. Through the network situation prediction of the IoT, we can get the IoT network security situation for a period of time in the future, which will make people take corresponding protection measures for the system in time, and can efectively avoid certain property losses.