Методика распознавания аномального трафика в сетях интернета вещей
Abstract
. Обсуждается актуальная задача уязвимости устройств интернета вещей, использующими батареи в качестве источника питания и обладающими ограниченными вычислительными ресурсами к атакам, источающим энергию устройств.Показано, что системы обнаружения вторжений не увеличивают нагрузку на устройства и могут применяться для своевременного обнаружения атак на базе распознавания аномального трафика. Рассмотрена структура сети интернета вещей, демонстрирующая открытые каналы связи, протоколы и схему взаимодействия пользователя с устройствами интернета вещей. Предложена методика, последовательность шагов которой направлена на выделение из трафика интернета вещей случайной составляющей, оставшейся после исключения основных характеристик, в которой может содержаться аномалия. Предложенная методика основывается на статистических методах анализа трафика, что позволяет в режиме реального времени обнаруживать отклонения по объемам принимаемого/передаваемого трафика устройствами интернета вещей от их шаблонного поведения.
Keywords:
сети интернета вещей, аномальный трафик, энергоэффективность, статистический анализ трафика, шаблон поведения устройства, отклонение от нормы/ : Internet of Things networks, abnormal traffic, energy efficiency, statistical traffic analysis, device behavior pattern, deviation from the norm.
References
1. Кучерявый, А. Е. Сети связи 2030 / А.Е. Кучерявый, A.C. Бородин, Р.В. Киричек // Электросвязь. – 2018. – № 11. – С. 52–56.
2. Татарникова, Т. М. Методы увеличения жизненного цикла сети интернета вещей / Т.М. Татарникова, И.Н. Дзюбенко // Научно-технический вестник информационных технологий, механики и оптики. – 2018. – Т. 18, № 5. – С. 843–849.
3. Study of data transfer in a heterogeneous Lora-satellite network for the internet of remote things / I. Lysogor, L. Voskov, A. Rolich, S. Efremov // Sensors. – 2019. – Vol. 19, No. 15. – P. 3384.
4. Татарникова, Т. М. Выявление аномалий сетевого трафика методом глубокого обучения / Т.М. Татарникова, Ф. Бимбетов, П.Ю. Богданов // Известия СПбГЭТУ ЛЭТИ. – 2021. – № 4. – С. 36–41.
5. Сафронова, Е. О. Применение искусственных нейронных сетей для прогнозирования DoS атак / Е.О. Сафронова, Г.А. Жук // Молодой ученый. – 2019. – № 23. – С. 27–30.
6. Шелухин, О. И. Обнаружение вторжений в компьютерной сети (сетевые аномалии) / О.И. Шелухин, Д.Ж. Сакалема, А.С. Филинова. – Mосква : Горячая линия– Тeлeкoм, 2013. – 220 c.
7. Perry, L. Internet of Things Architects / L. Perry. – Birmingham : Packt Publishing, 2018. – 524 p.
8. Heinzelman, W. B. An application-specific protocol architecture for wireless microsensor networks / W.B. Heinzelman, A.P. Chandrakasan, H. Balakrishnan // IEEE Transactions on Wireless Communications. – 2002. – Vol. 1, No. 4. – P. 660–670.
9. Новиков, А. С. Распределенная маршрутизация трафика в беспроводных детализированных самоорганизующихся сетях связи / А.С. Новиков, М.С. Пестин // Известия ТулГУ. Технические науки. – 2021. – Вып. 5. – С. 149–153.
10. Кашкаров, Д. В. Модель и метод использования множественных связей для реализации сверхнадежных соединений в сети 5G / Д.В. Кашкаров, А.И. Парамонов, А.Е. Кучерявый // Электросвязь. – 2021. – № 8. – С. 16–22.
11. Киреев, С. А. Оптимизация передачи информации в самоорганизующихся сетях / С.А. Киреев // Процессы управления и устойчивость. – 2020. – Т. 7, № 1. – С. 381–386.
12. Bogatyrev, V. A. Redundant Servicing of a Flow of Heterogeneous Requests Critical to the Total Waiting Time During the Multi-path Passage of a Sequence of InfoCommunication Nodes / V.A. Bogatyrev, A.V. Bogatyrev, S.V. Bogatyrev // Lecture Notes in Computer Science. – 2020. – Vol. 12563 LNCS. – P. 100–112.
13. Татарникова, Т. М. Статистические методы исследования сетевого трафика / Т.М. Татарникова // Информационно-управляющие системы. – 2018. – № 5 (96). – С. 35–43.
14. Сахаров, Д. В. Обнаружение аномального поведения устройства IоT в сети на основе модели трафика / Д.В. Сахаров, Д.С. Козлов // Информационные технологии и коммуникации. – 2019. – Т. 7, № 3. – С. 50–55.
15. Performance analysis of single board computer clusters / P.J. Basford, S.J. Johnston, C.S. Perkins [et al.] // Future Generation Computer Systems. – 2020. – Vol. 102. –P. 278–291.