روشی برای مدل سازی سیّال رفتار انتشاری بدافزارها در شبکه های بی مقیاس

نویسندگان

1 علم و صنعت ایران

2 دانشگاه علم و صنعت ایران

چکیده

شبکه بی‌مقیاس یک مدل انتزاعی برای شبکه‌های اجتماعی برخط یا شبکه‌های نظیر به نظیر است که دارای ویژگی تبعیت از توزیع درجه قانون توان هستند. به سبب این ویژگی‌ها، این شبکه‌ها نسبت به انتشار بدافزارها (نظیر ویروس و کرم) آسیب‌پذیری بیشتری دارند. از روش‌های مدل‌سازی و شبیه‌سازی برای ارزیابی رفتار انتشاری بدافزارها در شبکه‌های بی‌مقیاس و تحلیل راهبردهای دفاع در برابر انتشار بدافزارها استفاده می‌شود. اما زیاد بودن تعداد رخدادهایی که باید پردازش شوند و همچنین در نظر گرفتن جزئیات گره‌های شبکه،‌ روش‌های شبیه‌سازی گسسته- رخداد موجود را برای اجرا بر روی این شبکه‌های بزرگ و پیچیده نامناسب کرده است. از این‌رو، برای مدل‌سازی رفتار انتشاری بدافزارها، مدل‌های سیّال، که در آن‌ها نیازی به دانستن جزئیات شبکه نیست، مناسب‌تر به نظر می‌رسند.
در این مقاله، برای مدل‌سازی سیّال انتشار بدافزارها، یک شبکه بی‌مقیاس را به‌طور انتزاعی در قالب یک شبکه ستون فقرات متشکل از ابرگره‌هایی نمایش داده می‌شود که هر کدام شامل چندین گره شبکه هستند. هر ابرگره در صورت آلوده بودن، می‌تواند آلودگی را به‌صورت یک جریان سیّال به گره‌های همسایه خود منتشر سازد. به این ترتیب مدل‌سازی فرآیند اصلی انتشار بدافزارها، بدون در نظر گرفتن وضعیت آلودگی هر گره و جزئیات دیگر صورت می‌گیرد. برای ارزیابی روش پیشنهادی، از روش‌ شبیه‌سازی عامل‌مبنا استفاده شده است. نتایج ارزیابی نشان می‌دهند که شبکه‌های بی‌مقیاس بزرگ را می‌توان با استفاده از روش پیشنهادی مدل‌سازی نموده و انتشار بدافزارها را در این شبکه‌ها مورد مطالعه قرار داد. همچنین، به‌عنوان مطالعه موردی، تاثیر مصون‌سازی‌های تصادفی و هدفمند گره‌ها در مدل‌های پیشنهادی ارزیابی شده‌اند.

کلیدواژه‌ها

مراجع

  1. W. Yu, S. Chellappan, X. Wang, and D. Xuan, “Peer-to-peer
  2. system-based active worm attacks: modeling, analysis and
  3. defense,” Computer Communications, vol. 31, no. 17, pp.
  4. -4017, 2008.
  5. Y. Zhuo, Y. Peng, C. Liu, Y. Liu, and K. Long, “Improving
  6. the attack tolerance of scale-free networks by adding and
  7. hiding edges,” Physica Scripta, vol. 83, p. 025801, 2011.
  8. G. Yong-Wang, S. Yu-Rong, and J. Guo-Ping, “Epidemic
  9. spreading in scale-free networks including the effect of
  10. individual vigilance,” Chinese Physics B, vol. 21, p. 010205,
  11. E. G. Im, J. S. Kim, I. W. Noh, and H. J. Jang, “A hybrid
  12. model for worm simulations in a large network,” In
  13. Proceedings of the Intelligence and Security Informatics,
  14. Springer, pp. 301-306, 2007.
  15. A.-L. Barabasi and R. Albert, “Emergence of scaling in
  16. random networks,” Science, vol. 286, pp. 509-512, 1999.
  17. R. Harrison, the Bitdefender, 2004. Website. [Online].
  18. http://www.bitdefender.com/files/KnowledgeBase/file/Antiv
  19. irus_Defense-in-Depth_Guide
  20. M. Boguna, R. Pastor-Satorras, and A. Vespignani,
  21. “Absence of epidemic threshold in scale-free networks with
  22. degree correlations,” Physical Review Letters, vol. 90, p.
  23. , 2003.
  24. H. Trottier and P. Philippe, “Deterministic modeling of
  25. infectious diseases: theory and methods,” The Internet
  26. Journal of Infectious Diseases, vol. 1, p. 3, 2001.
  27. S. Meloni, A. Arenas, and Y. Moreno, “Traffic-driven
  28. epidemic spreading in finite-size scale-free networks,” In
  29. Proceedings of the National Academy of Sciences, vol. 106,
  30. pp. 16897-16902, 2009.
  31. C. M. Macal and M. J. North, “Tutorial on Agent-based
  32. Modelling and Simulat ion,” Journal of Simulation, vol. 4,
  33. no. 3, pp. 151-162, 2010.
  34. E. G. Im, J. S. Kim, I. W. Noh, and H. J. Jang, “A hybrid
  35. model for worm simulations in a large network,” In
  36. Proceedings of the Intelligence and Security Informatics,
  37. Springer, pp. 301-306, 2007.
  38. S. Hosseini, M. Abdollahi Azgomi, and A. Torkaman
  39. Rahmani, “Malware propagation modeling considering
  40. software diversity and immunization,” Journal of
  41. Computational Science, vol. 13, Elsevier, pp. 49-67, March
  42. S. Hosseini, M. Abdollahi Azgomi, and A. Torkaman
  43. Rahmani, “Agent-based simulation of the dynamics of
  44. malware propagation in scale-free networks,” Simulation:
  45. Transactions of the Society for Modeling and Simulation
  46. International, vol. 92, no. 7, SAGE, pp. 709-722, July 2016.
  47. S. Hosseini and M. Abdollahi Azgomi, “A model for
  48. malware propagation in scale-free networks based on rumor
  49. spreading process,” Computer Networks, vol. 108, Elsevier,
  50. pp. 97-107, Oct. 2016.
  51. A. Barabasi and E. Bonabeau, Scale-Free Networks.
  52. Scientific American, 2003.
  53. E. G. Im, J. T. Seo, D.-S. Kim, Y. H. Song, and Y. Park,
  54. “Hybrid modeling for large-scale worm propagation
  55. simulations,” In Proceedings of the Conference on
  56. Intelligence and Security Informatics, Springer, pp. 572-577,
  57. C. C. Zou, W. Gong, and D. Towsley, “Code red worm
  58. propagation modeling and analysis,” In Proceedings of the
  59. th ACM Conference on Computer and Communications
  60. Security, pp. 138-147, 2002.
  61. C. M. Macal and M. J. North, “Tutorial on Agent-based
  62. Modelling and Simulat ion,” Journal of Simulation, vol. 4,
  63. no. 3, pp. 151-162, 2010.

فایل ها

سابقه مقاله

  • تاریخ دریافت: 09 اسفند 1393
  • تاریخ بازنگری: 01 آذر 1403
  • تاریخ پذیرش: 28 شهریور 1397
  • تاریخ انتشار: 01 اسفند 1395

هم رسانی

ارجاع به این مقاله

آمار