تشخيص حملات سايبري نفوذ به زيرساختهاي حياتي با بكارگيري روش شبكه‌پتري تركيبي مرتبه اول فازي عصبي

Cyber intrusion detection on critical infrastructures using fuzzy neural first order hybrid Petri net

تقاضاي روزافزون براي دست يافتن به سيستمهايي با امنيت و قابليت اطمينان بالاتر، توسعۀ مدل‌ها، آناليز و طراحي روش‌هاي مناسب را ضروري ساخته است. طراحي كنترلر جهت تشخيص حملات سايبري نفوذ، از اهداف اين مقاله است. جهت طراحي كنترلري كه قادر باشد حملات نفوذ را به دقت و در كوتاهترين زمان ممكن تشخيص دهد، در اين مقاله نظريه شبكه‌پتري تركيبي مرتبه اول فازي عصبي بكار گرفته شده است. پايداري سيستم تشخيص نفوذ پيشنهادي، به ازاي هر گونه شرايط موجود در شبكه ارتباطي و پارامترهاي ورودي اثبات شده است. جهت ارزيابي عملكرد كنترلر، مجموعه داده استاندارد DARPA مورد استفاده قرارگرفته است. نتايج شبيه سازيها، نرخ گزارشات مثبت نادرست اندك، نرخ تشخيص مناسب و همچنين سرعت همگرايي بسيار بالاي كنترلر پيشنهادي را تاييد مينمايد.

Due to the growing demand to achieve more secure and reliable systems, development of models, analysis and design of appropriate procedures seems to be necessary. The aim of this paper is designing a controller in order to detect cyber intrusion. In this paper fuzzy neural first order hybrid Petri net is used to design a controller that is capable of detecting cyber intrusions accurately as soon as possible. The stability of the proposed intrusion detection system has been proven for any network conditions and input parameters. To evaluate controller performance, DARPA standard data set is used. The simulation results confirm proper detection rate, low of false positive rate, and also surprisingly high convergence speed.